CN110680341B - 一种基于可见光图像的非侵入式血糖检测装置 - Google Patents

一种基于可见光图像的非侵入式血糖检测装置 Download PDF

Info

Publication number
CN110680341B
CN110680341B CN201911022815.9A CN201911022815A CN110680341B CN 110680341 B CN110680341 B CN 110680341B CN 201911022815 A CN201911022815 A CN 201911022815A CN 110680341 B CN110680341 B CN 110680341B
Authority
CN
China
Prior art keywords
image
visible light
light source
signal processing
processing module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911022815.9A
Other languages
English (en)
Other versions
CN110680341A (zh
Inventor
赵跃进
李芬
孔令琴
董立泉
刘明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911022815.9A priority Critical patent/CN110680341B/zh
Publication of CN110680341A publication Critical patent/CN110680341A/zh
Application granted granted Critical
Publication of CN110680341B publication Critical patent/CN110680341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于可见光图像的非侵入式血糖检测装置，属于测试装置领域。装置包括图像采集模块，信号处理模块，结果显示模块；图像采集模块的信号输出端连接信号处理模块的信号输入端，信号处理模块的输出端连接结果显示模块的信号输入端；图像采集模块由图像采集模块由光源和图像传感器构成，信号处理模块可以利用pc机为程序载体或采用嵌入式***，脱机实现，输出结果由结果显示模块显示。装置操作简单，成本较低。检测方法无损害。

Description

一种基于可见光图像的非侵入式血糖检测装置
技术领域
本发明涉及一种基于可见光图像的非侵入式血糖检测装置，属于测试装置领域。
背景技术
糖尿病(Diabetes mellitus)是一种常见的内分泌疾病，已成为严重危害人类生理健康的慢性病之一。根据2017年国际糖尿病联盟(IDF)发布的最新糖尿病地图显示，中国糖尿病人群已达1.14亿，居世界首位。在美欧等发达国家约有3％的人都不同程度的患有糖尿病，随着人民生活水平的不断提高，糖尿病的发病率呈上升趋势，由于长期患糖尿病易引发糖尿病酮症、心脑血管病变、肾衰竭、失明、心脏病、中风、高血压等并发症，严重威胁人类健康，因此对糖尿病的诊断和治疗具有重大意义。保持患者血糖浓度的稳定，是治疗糖尿病的主要手段，这就要求经常对血糖进行检测。
目前检测血糖常用的方法是从体内抽取血液进行生化分析，属于有创伤检测，不仅给病人带来痛苦，容易造成各种体液传染性疾病传播，而且不能进行在体实时检验。当前，市面上常见的血糖检测仪通常是基于比色法或电化学法，采用针刺法从指尖或者人体其他皮肤采取50μL的血样，血样由血糖仪上的一次性试纸条通过虹吸作用吸入，从而测量血糖浓度，每次测得一个血糖值都需要进行一次血样采集，因此该方法是有创的，重复采取血样具有感染的风险以及影响扰乱患者的日常生活。此外，每测得一个血糖值都需要一个一次性试条，测量繁琐费用高，限制了测定血糖的频率，从而影响药物剂量的精确服用。另外，它具有通过与体液接触具有传播感染疾病如肝炎、艾滋病(HIV)等潜在风险。本发明正是应此问题提出一种基于可见光图像的非侵入式血糖检测装置，实现无创的血糖浓度检测。
现有技术还不能完善的解决本发明所涉及的技术问题，本发明一种基于可见光图像的非侵入式血糖检测装置可以很好的适应市场需求，提供了一个有实用价值的技术方案。
发明内容
本发明的目的是提供一种基于可见光图像的非侵入式血糖检测装置，该装置能够实现无创血糖实时检测。该检测装置主要应用于可见光照明条件下，非侵入式对血糖浓度进行测量。相比于目前临床及日常应用的血糖浓度检测装置，该装置实现了非侵入式的快速测量血糖浓度的功能，涉及光学技术、精密仪器检测技术等技术领域，尤其是涉及一种非侵入式血糖检测装置。
本发明的目的是通过下述技术方案实现的。
一种基于可见光图像的非侵入式血糖检测装置，包括图像采集装置、信号处理模块、结果显示模块及各模块之间的数据线构成。
图像采集装置由光源和图像传感器组成；图像采集模块的信号输出端连接信号处理模块的信号输入端，信号处理模块的输出端连接结果显示模块的信号输入端。光源用于照明；
通过上述方法实现含糖量检测的方法，包括如下步骤：
第一步，启动LED光源，将波长为625nm的可见光发射到待测样本。
第二步，启动成像设备，保证成像设备与光源位置成90°角。
第三步，被测对象放置在光源与成像设备夹角的位置，保持静止1s，采集散射图像。
第四步，将第三步中的图像输入到深度神经网络中，提取出深度特征。
第五步，将深度特征输入到已经训练好的模型中，得到预测的血糖浓度值。
深度神经网络采用降噪自编码神经网络算法。
已经训练好的模型采用梯度增强回归算法。采集样本的散射图像，选取散射图像的感兴趣区域作为测试区域,将原始图像输入降噪自编码神经网络提取测试区域的中间层特征作为当前样本的特征向量，将样本的特征向量和对应的葡萄糖浓度值输入梯度增强回归模型中进行训练，通过调整迭代次数、树的深度和学习率来得到高精度的预测模型。
本装置的主要功能在于，克服目前有创血糖浓度测量存在的诸多弊端，本发明提出了一种利用图像采集装置，在LED或激光光源照明条件下快速非侵入式测量血糖浓度的测量装置。该方法具有快速、无创伤、信息多维化等特点。适合用于临床及普通民众日常的健康检测，具有广阔的发展空间和应用前景。
有益效果
1.本发明的一种基于可见光图像的非侵入式血糖检测装置由于使用可见光成像设备，不存在对被测人体的辐射危害。由于该方法是一种非侵入式的测量方法，因此其可应用于重症患者及婴儿。
2.本发明不需要使用检测仪器与被检测对象接触，提高了舒适性，进而避免了由于接触刺激所产生的生理变化导致的检测误差。
2.本发明的一种基于可见光图像的非侵入式血糖检测装置不需要针对个人进行校准，也不需要选择测量的时间，是一个通用的模型，实现了真正意义的对所有人的无创血糖的检测。
3.本发明的一种基基于可见光图像的非侵入式血糖检测装置操作简单，成本较低。
附图说明
图1是本发明的框图；
图2是本发明的配置示意图。
具体实施方式
为了清楚说明本发明提出的技术方案，下面将结合附图及实施例，对本发明进行详细说明。
实施例1
如附图1、2所示，所述的图像采集模块由LED光源和成像传感器构成。
所述的信号处理模块可以利用pc机为程序载体，在其上实现血糖特征的提取运算。
所述的信号处理模块可以采用嵌入式***，脱机实现，进行血糖特征的提取。
所述的信号处理模块可以采用降噪自编码神经网络算法实现血糖特征的提取。
所述信号处理模块可以采用梯度增强回归预测模型。
所述的结果显示模块对应数据处理***有两种实现形式，针对PC机进行程序运算，提取的血糖浓度值结果显示在显示屏上或由PC机控制的显示载体上，针对嵌入式***，提取的血糖浓度结果显示在高速电路控制的显示载体上。
图2所示，一种基于可见光图像的非侵入式血糖检测装置通过指尖进行血糖浓度的无损检测。图像采集模块1在对手指上方检测的由手指散射产生的图像数据，并对其进行采集，同时将数据传输至信号处理模块2。信号处理模块2接收图像采集模块1所传图像，并对其进行数据降噪自编码特征提取，并将特征输入到训练好的梯度增强回归模型中进行预测，获取当前的预测浓度值，此值为被测对象当前的血糖浓度值输出，将数据传输至结果显示模块3。结果显示模块3接收信号处理模块2所传结果，将其显示出来。
通过上述方法实现含糖量检测的方法，包括如下步骤：
第一步，启动LED光源，将波长为625nm的可见光发射到待测样本。
第二步，启动成像设备，保证成像设备与光源位置成90°角。
第三步，被测对象放置在光源与成像设备夹角的位置，保持静止1s，采集散射图像。
第四步，将第三步中的图像输入到深度神经网络中，提取出深度特征。
第五步，将深度特征输入到已经训练好的模型中，得到预测的血糖浓度值。
深度神经网络采用降噪自编码神经网络算法。
已经训练好的模型采用梯度增强回归算法。由LED发出的光照射到样本，经样本散射/反射，由透镜成像至CCD靶面，形成了散射图像，采集散射图像，选取散射图像的感兴趣区域作为测试区域，将原始图像输入降噪自编码神经网络提取测试区域的中间层特征作为当前样本的特征向量，将样本的特征向量和对应的葡萄糖浓度值输入梯度增强回归模型中进行训练，通过调整迭代次数、树的深度和学习率来得到高精度的预测模型。样本制备包括蒸馏水和仿体溶液两种，通过加入不同质量的葡萄糖粉来得到样本溶液。样本溶液的含糖量由酶化学反应测试所得，选取其中一组测试结果如表格所示
Figure BDA0002247775880000031
Figure BDA0002247775880000041
实际含糖量和本装置预测的含糖量结果几乎一致。说明本发明装置可以准确的实现对葡萄糖含量的预测。
以上对本发明的一个实施例进行了详细说明，但所述能容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡在发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于可见光图像的非侵入式血糖检测装置，其特征在于：包括图像采集装置、信号处理模块、结果显示模块及各模块之间的数据线构成；
图像采集装置由光源和图像传感器组成；图像采集模块的信号输出端连接信号处理模块的信号输入端，信号处理模块的输出端连接结果显示模块的信号输入端；光源用于照明；
其中采用检测含糖量的方法，包括如下步骤：
第一步，启动LED光源，将波长为625nm的可见光发射到待测样本；
第二步，启动成像设备，保证成像设备与光源位置成90°角；
第三步，被测对象放置在光源与成像设备夹角的位置，保持静止1s，采集散射图像；
第四步，将第三步中的图像输入到深度神经网络中，提取出深度特征；
第五步，将深度特征输入到已经训练好的模型中，得到预测的血糖浓度值；
其中，步骤五所述的已经训练好的模型的训练方法为：采用梯度增强回归算法训练；采集样本的散射图像，选取散射图像的感兴趣区域作为测试区域,将原始图像输入降噪自编码神经网络提取测试区域的中间层特征作为当前样本的特征向量，将样本的特征向量和对应的葡萄糖浓度值输入梯度增强回归模型中进行训练，通过调整迭代次数、树的深度和学习率来得到高精度的预测模型。
2.如权利要求1所述一种基于可见光图像的非侵入式血糖检测装置，其特征在于：深度神经网络采用降噪自编码神经网络算法。
CN201911022815.9A 2019-10-25 2019-10-25 一种基于可见光图像的非侵入式血糖检测装置 Active CN110680341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911022815.9A CN110680341B (zh) 2019-10-25 2019-10-25 一种基于可见光图像的非侵入式血糖检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911022815.9A CN110680341B (zh) 2019-10-25 2019-10-25 一种基于可见光图像的非侵入式血糖检测装置

Publications (2)

Publication Number Publication Date
CN110680341A CN110680341A (zh) 2020-01-14
CN110680341B true CN110680341B (zh) 2021-05-18

Family

ID=69114068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911022815.9A Active CN110680341B (zh) 2019-10-25 2019-10-25 一种基于可见光图像的非侵入式血糖检测装置

Country Status (1)

Country Link
CN (1) CN110680341B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113143264B (zh) * 2021-04-16 2023-08-01 北京理工大学 一种基于血液灌注成像的血糖检测区域选择的方法
CN115040095B (zh) * 2022-08-15 2023-01-24 北京九叁有方物联网科技有限公司 适老化多功能自主非侵入式动态生理信号监测分析***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109662720A (zh) * 2018-11-27 2019-04-23 中国科学院深圳先进技术研究院 基于深度学习的多频段光声无创血糖浓度预测***
CN110147878A (zh) * 2018-11-28 2019-08-20 腾讯科技（深圳）有限公司 数据处理方法、装置及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5321265A (en) * 1992-07-15 1994-06-14 Block Myron J Non-invasive testing
WO1997036540A1 (en) * 1993-11-30 1997-10-09 Florida Institute Of Technology Determination of concentrations of biological substances using raman spectroscopy and artificial neural network discriminator
US20050010091A1 (en) * 2003-06-10 2005-01-13 Woods Joe W. Non-invasive measurement of blood glucose using retinal imaging
CN106803062A (zh) * 2016-12-20 2017-06-06 陕西师范大学 栈式降噪自编码神经网络手势图像的识别方法
CN107505268A (zh) * 2017-08-04 2017-12-22 中国科学院半导体研究所 血糖检测方法及***
CN109758160B (zh) * 2019-01-11 2021-07-20 南京邮电大学 一种基于lstm-rnn模型的无创血糖预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109662720A (zh) * 2018-11-27 2019-04-23 中国科学院深圳先进技术研究院 基于深度学习的多频段光声无创血糖浓度预测***
CN110147878A (zh) * 2018-11-28 2019-08-20 腾讯科技（深圳）有限公司 数据处理方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Noninvasive Diabetes Mellitus Detection Using Facial Block Color With a Sparse Representation Classifier》;Bob Zhang 等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20140430;第61卷(第4期);第1027-1033页 *
《Novel Approach to Non-Invasive Blood Glucose Monitoring Based on Transmittance and Refraction of Visible Laser Light》;Haider Ali 等;《IEEE Access》;20170523;第5卷;第9163-9174页 *

Also Published As

Publication number Publication date
CN110680341A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
Pan et al. Vein pattern locating technology for cannulation: a review of the low-cost vein finder prototypes utilizing near infrared (NIR) light to improve peripheral subcutaneous vein selection for phlebotomy
WO2018107915A1 (zh) 一种基于时序分析的通用无创血糖预测方法
CN1097445C (zh) 组织类型识别装置
CN105433915B (zh) 一种中医脉诊仪及其脉象检测方法
US20160228008A1 (en) Image diagnosis device for photographing breast by using matching of tactile image and near-infrared image and method for aquiring breast tissue image
CN110680341B (zh) 一种基于可见光图像的非侵入式血糖检测装置
CN205568958U (zh) 一种基于手腕检测的无创血糖仪
CN103892802B (zh) 一种新型的舌像智能辅助装置
CN108324286B (zh) 一种基于pca-narx校正算法的红外光无创血糖检测装置
Li et al. Research on non-invasive glucose concentration measurement by NIR transmission
CN205433706U (zh) 一种基于手指检测的无创血糖仪
CN103263271A (zh) 非接触式自动血氧饱和度测量***及测量方法
CN104013411A (zh) 一种透射式无创血糖检测装置
CN110192866A (zh) 无创毛细动脉血液组分浓度的监测方法及设备
CN112568902A (zh) 一种基于血糖值的无创血糖校准方法
CN104983430B (zh) 非侵入式的血糖检测仪
CN102512179A (zh) 人体血糖无损检测仪
CN110575182A (zh) 用于检测血糖的方法及装置
Waghmare et al. Glucoscreen: A smartphone-based readerless glucose test strip for prediabetes screening
Abbas et al. Haemoglobin detection in blood by signal to image scanning using Photo-Plethysmo-Graphic-Technique (PPG)
Mirtaheri et al. Wearable biomedical devices: state of the art, challenges, and future perspectives
CN204971302U (zh) 糖尿病检测治疗仪
CN204049622U (zh) 一种中医脉诊仪
US11089979B2 (en) Device and method for measurement of glycated hemoglobin (A1c)
CN203861194U (zh) 一种新型的舌像智能辅助装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant