CN114098724B - 基于光学信号特征及代谢热特征的血糖预测方法和装置 - Google Patents
基于光学信号特征及代谢热特征的血糖预测方法和装置 Download PDFInfo
- Publication number
- CN114098724B CN114098724B CN202111386652.XA CN202111386652A CN114098724B CN 114098724 B CN114098724 B CN 114098724B CN 202111386652 A CN202111386652 A CN 202111386652A CN 114098724 B CN114098724 B CN 114098724B
- Authority
- CN
- China
- Prior art keywords
- data
- signals
- signal
- blood glucose
- optical
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 210
- 239000008280 blood Substances 0.000 title claims abstract description 191
- 210000004369 blood Anatomy 0.000 title claims abstract description 191
- 230000002503 metabolic effect Effects 0.000 title claims abstract description 145
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 143
- 239000008103 glucose Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000010606 normalization Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 55
- 230000005855 radiation Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000013186 photoplethysmography Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 3
- 230000004060 metabolic process Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010053692 Wound complication Diseases 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Emergency Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及一种基于光学信号特征及代谢热特征的血糖预测方法和装置,所述方法包括:获取第一标定血糖数据;采集生成第一、二、三、四光学信号;采集生成第一、二、三、四、五、六、七代谢热信号;进行人体光信号特征提取及归一化处理生成第一、二、三光学特征数据组;进行环境光信号特征提取及归一化处理生成第四光学特征数据;进行代谢热特征提取及归一化处理生成第一、二、三、四、五、六、七代谢热特征数据;进行特征融合处理生成第一特征向量;基于血糖浮动预测模型进行浮动血糖值预测生成第一浮动血糖数据;根据第一标定血糖数据和第一浮动血糖数据相加的和生成第一预测血糖数据。通过本发明可提供一种无创血糖观测机制。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于光学信号特征及代谢热特征的血糖预测方法和装置。
背景技术
血中的葡萄糖称为血糖(Glu)。血糖保持在一定水平才能维持体内各器官和组织的正常工作,短期血糖不稳定会导致各器官和组织出现不同程度的不适,长期血糖不稳定则可能会导致各器官和组织出现不同程度的病变。因此,血糖观测值是健康监护领域一项非常重要的健康评判参数。当前常见的血糖观测手段主要是基于有创方式对人体血液进行提取,并根据提取血液进行化学分析从而得到血糖观测值。因为这种观测手段是会给人体造成创伤的,若使用这种观测手段对人体进行长期血糖观测,无疑会给用户带来很多不便,例如创口疼痛、创口感染等不良体验。
基于比尔-朗伯定律我们可知溶液对透射光的吸收度与溶质浓度有关,进而可知血液中葡萄糖浓度越高则透过人体组织的光强就越小,那么通过采集反映人体血液透射光强变化的光体积描记图法(Photoplethysmography,PPG)信号就能对血糖变化进行观测。
基于代谢热构象(Metabolic Heat Conformation,MHC)理论我们可知人体不同时段的能量节律与人体代谢之后释放的能量有一定相关性,而葡萄糖氧化与产生的能量可以热能形式从人体散发到环境中,因此人体代谢热与葡萄糖水平和供氧量相关。也即是说在供氧保证的情况下,基于代谢热构象理论可以人体代谢热为参考对血糖变化进行观测。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种基于光学信号特征及代谢热特征的血糖预测方法、装置、电子设备及计算机可读存储介质,通过本发明,可为长期血糖观测提供一种无创观测机制,减少对用户造成的不便,降低观测难度,提高用户体验。
为实现上述目的,本发明实施例第一方面提供了一种基于光学信号特征及代谢热特征的血糖预测方法,所述方法包括:
获取标定血糖值生成第一标定血糖数据;
按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按所述光学信号采集时长,持续采集环境光信号生成第四光学信号;
按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号;
对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;
对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据;
对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据;
对得到的所有特征数据进行特征融合处理,生成第一特征向量;
对所述第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;并根据所述第一标定血糖数据和所述第一浮动血糖数据相加的和,生成第一预测血糖数据。
优选的,所述光学信号类型包括光体积描记图法信号类型;
所述三个光学信号波段包括650nm红外波段、940nm近红外波段和1050nm近红外波段。
优选的,所述对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组,具体包括:
从所述第一光学信号、所述第二光学信号或所述第三光学信号的中间信号时段提取第一指定时长的光学信号片段,生成对应的第一片段信号;
按预设的带通滤波频段,对所述第一片段信号进行带通滤波处理,生成对应的第一滤波信号;并对所述第一滤波信号进行信号峰值识别处理,得到对应的多个第一信号峰值数据;并对所述多个第一信号峰值数据进行均值计算,生成对应的第一平均峰值数据;并对所述第一滤波信号进行信号上下翻转处理,生成对应的第一翻转信号;并对所述第一翻转信号进行信号峰值识别处理,得到对应的多个第二信号峰值数据;并对所述多个第二信号峰值数据进行均值计算,并对计算结果取反生成对应的第一平均谷值数据;并根据所述第一平均峰值数据减去所述第一平均谷值数据的差,生成对应的第一特征数据;并对所述第一特征数据进行归一化处理生成交流特征数据;
按预设的低通滤波频率阈值,对所述第一片段信号进行低通滤波处理,生成对应的第二滤波信号;并对所述第二滤波信号进行均值计算,生成对应的第二特征数据;并对所述第二特征数据进行归一化处理生成直流特征数据;
由得到的所述交流特征数据和所述直流特征数据,组成对应的第一光学特征数据组、第二光学特征数据组或第三光学特征数据组。
优选的,所述对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据,具体包括:
从所述第四光学信号的中间信号时段提取第一指定时长的光学信号片段,生成第二片段信号;
对所述第二片段信号进行均值计算,生成第三特征数据;
对所述第三特征数据进行归一化处理生成所述第四光学特征数据。
优选的,所述对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据,具体包括:
从所述第一、第二、第三、第四、第五、第六或第七代谢热信号的最后信号时段提取第二指定时长的代谢热信号片段,生成对应的第三片段信号;
对所述第三片段信号进行均值计算,生成对应的第四特征数据;
对所述第四特征数据进行归一化处理生成对应的第一代谢热特征数据、第二代谢热特征数据、第三代谢热特征数据、***谢热特征数据、第五代谢热特征数据、第六代谢热特征数据或第七代谢热特征数据。
优选的,所述血糖浮动预测模型基于多层神经网络的网络结构予以实现;所述血糖浮动预测模型包括输入层、隐藏层和输出层;所述输入层包括第一数量M的输入节点;所述隐藏层包括第二数量N的隐藏层输入节点和第三数量S的隐藏层输出节点;所述输出层包括一个输出节点;所述隐藏层的各个所述隐藏层输入节点与所述输入层的所有输入节点分别连接,形成对应的第一全连接网络;所述隐藏层的各个所述隐藏层输出节点与所有所述隐藏层输入节点分别连接,形成对应的第二全连接网络;所述输出层的所述输出节点与所有所述隐藏层输出节点连接;所述第一数量M与所述第一特征向量的特征分类总数关联,第二数量N>第三数量S>0;
所述血糖浮动预测模型在进行所述浮动血糖值预测处理时,调用所述输入层将所述第一特征向量的各个特征数据按顺序提取出来输入到对应的所述输入节点生成对应的输入节点数据;
并调用所述隐藏层基于各个所述第一全连接网络的参数矩阵,对与之连接的所有所述输入节点数据进行对应的第一全连接网络运算,并将运算结果输入到对应的所述隐藏层输入节点作为隐藏层输入节点数据;
并调用所述隐藏层基于各个所述第二全连接网络的参数矩阵,对与之连接的所有所述隐藏层输入节点数据进行对应的第二全连接网络运算,并将运算结果输入到对应的所述隐藏层输出节点作为隐藏层输出节点数据;
并调用所述输出层基于预设的激活函数,对所有所述隐藏层输出节点数据进行对应的激活函数运算,并将运算结果作为所述第一浮动血糖数据进行输出。
本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置,包括:获取模块、第一数据采集模块、第二数据采集模块、第一特征数据处理模块、第二特征数据处理模块、特征数据融合处理模块和血糖预测处理模块;
所述获取模块用于获取标定血糖值生成第一标定血糖数据;
所述第一数据采集模块用于按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按所述光学信号采集时长,持续采集环境光信号生成第四光学信号;
所述第二数据采集模块用于按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号;
所述第一特征数据处理模块用于对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;并对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据;
所述第二特征数据处理模块用于对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据;
所述特征数据融合处理模块用于对得到的所有特征数据进行特征融合处理,生成第一特征向量;
所述血糖预测处理模块用于对所述第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;并根据所述第一标定血糖数据和所述第一浮动血糖数据相加的和,生成第一预测血糖数据。
本发明实施例第三方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种基于光学信号特征及代谢热特征的血糖预测方法、装置、电子设备及计算机可读存储介质,对人体的光体积描记图法信号及环境光学信号进行采集,对与人体代谢热相关的接触热、辐射热、温度、湿度及辐射传感器校准信号进行采集,对与人体代谢热相关的环境温度、湿度信号进行采集;并对采集到的光学信号、代谢热相关信号进行特征提取与归一化处理构成特征向量;并使用体现光学、代谢热与血糖变化三者关联关系的血糖浮动预测模型对特征向量进行预测得到对应的血糖浮动数据,从而基于预先获得的血糖标定值+血糖浮动数据就可得到血糖预测数据。通过本发明,为长期血糖观测提供例如一种无创观测机制,减少例如对用户造成的不便,降低例如观测难度,提高了用户体验。
附图说明
图1为本发明实施例一提供的一种基于光学信号特征及代谢热特征的血糖预测方法示意图;
图2为本发明实施例一提供的血糖浮动预测模型的神经网络结构示意图;
图3为本发明实施例二提供的一种基于光学信号特征及代谢热特征的血糖预测装置的模块结构图;
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例一提供的一种基于光学信号特征及代谢热特征的血糖预测方法,如图1为本发明实施例一提供的一种基于光学信号特征及代谢热特征的血糖预测方法示意图所示,本方法主要包括如下步骤:
步骤1,获取标定血糖值生成第一标定血糖数据。
需要说明的是,本发明实施例方法在当前步骤之前会预先进行血糖标定处理生成标定血糖值,具体包括:
步骤A1,通过常规血糖检测手段对当前用户进行一次或多次常规血糖检测得到一个或多个测量血糖数据;并记录当次血糖检测的时间信息和用户基本生理信息,采集和记录当次血糖检测时的光学相关信号和代谢热相关信号;并由每次的测量血糖数据、时间信息、用户基本生理信息、光学相关信号和代谢热相关信号组成对应的校准参考数据组;
其中,用户基本生理信息包括年龄、性别、身高、体重、身体质量指数(Body MassIndex,BMI)等;光学相关信号包括三个光学信号波段(650nm红外波段、940nm近红外波段和1050nm近红外波段)的人体光体积描记图法信号和环境光学信号;代谢热相关信号包括人体接触热信号、人体近端的辐射热信号、人体近端的温度变化信号、人体近端的湿度变化信号、用于采集辐射热信号的近端辐射传感器的校准输出信号、人体远端的温度变化信号以及人体远端的湿度变化信号;
步骤A2,若只对用户做一次常规血糖检测,则将这次检测得到测量血糖数据作为标定血糖值并存储,将对应的校准参考数据组中除测量血糖数据之外的其他数据作为标定条件数据组并存储;
步骤A3,若只对用户做了多次常规血糖检测,则对得到的多个测量血糖数据进行均值计算生成对应的平均测量血糖数据;并将与平均测量血糖数据的差值为最小值的测量血糖数据作为标定血糖值并存储,并将与标定血糖值对应的校准参考数据组中除测量血糖数据之外的其他数据作为标定条件数据组并存储。
这里,标定血糖值和标定条件数据组一旦创建完成就会保存作为当前用户的基准数据。在后续每次对当前用户基于本发明实施例进行血糖观测时,都会以该基准数据的标定条件数据组作为预测模型参考对当前用户的血糖波动进行预测从而得到对应的浮动血糖数据,再由该基准数据的标定血糖值+浮动血糖数据就可得到当次该用户的血糖预测数据。也就是说,在创建了当前用户的基准数据之后,后续每次对该用户的血糖观测过程都是无创观测处理过程。
步骤2,按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按光学信号采集时长,持续采集环境光信号生成第四光学信号;
其中,光学信号类型包括光体积描记图法信号类型;三个光学信号波段包括650nm红外波段、940nm近红外波段和1050nm近红外波段。
这里,为保证光学信号的采集质量,光学信号采集时长常规被设为30秒或1分钟,也可基于信号采集设备的采集质量对其另行设置;在进行人体光信号采集时,为保证不同波段光源不对彼此造成相互干扰,常规会根据预设的采样频率(常规为125Hz)按时间先后,分别使用光波段为650nm红外波段、940nm近红外波段和1050nm近红外波段的三个发光二极管(light-emitting diode,LED)灯贴近人体手指指腹处依次进行照射,并使用三个对应的光敏二极管在该手指指背上与各个LED灯垂直对应的位置对三个波段的透射光信号依次进行采集,从而得到具体为650nm红外波段透射光的第一光学信号、具体为940nm红外波段透射光的第二光学信号以及具体为1050nm红外波段透射光的第三光学信号;在进行环境光信号采集时,为保证不受上述LED灯光源干扰,常规会在上述第一、第二和第三光学信号采集结束之后根据预设的采样频率(常规为125Hz)对环境背景光的自然光信号进行持续采集,从而得到第四光学信号;上述第一、第二、第三和第四光学信号的采集频率一致,且信号时长相同。
步骤3,按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号。
这里,为保证代谢热信号与光学信号的数据同步性,对代谢热信号的采集可与第一、第二和第三光学信号中任一光学信号的采集过程同步,此时其对应的代谢热信号采集时长与光学信号采集时长一致;也可与第一、第二和第三光学信号的总体采集过程同步,此时其对应的代谢热信号采集时长大于或等于三倍光学信号采集时长;若要进一步保证代谢热信号与光学信号的数据精度一致性,可将所有代谢热信号的采样频率设为与光学信号采样频率(常规为125Hz)一致;
在对人体接触热信号进行持续采集时,使用接触式传感器贴着上述手指指腹进行热信号采集;
在对人体近端的辐射热信号、温度变化信息和湿度变化信息进行持续采集时,使用距离上述手指指腹一定微小距离的近端辐射传感器、温度传感器和湿度传感器进行信号采集;
采集近端辐射传感器的校准输出信息是为了给采集到的近端辐射热信号提供一个校准信号;
在对人体远端的温度变化信息和湿度变化信息进行持续采集时,使用距离上述手指一定距离的温度传感器和湿度传感器进行信号采集,该距离大于前述微小距离以确保采集到的环境温度与湿度不受人体的温、湿度参数影响。
步骤4,对第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;
其中,第一、第二和第三光学特征数据组都由交流特征数据和直流特征数据组成;
这里,人体光信号特征提取实际就是对三路人体光体积描记图法信号的交、直流特征进行提取;
具体包括:步骤41,从第一光学信号、第二光学信号或第三光学信号的中间信号时段提取第一指定时长的光学信号片段,生成对应的第一片段信号;
这里,第一指定时长常规为20秒;
步骤42,按预设的带通滤波频段,对第一片段信号进行带通滤波处理,生成对应的第一滤波信号;并对第一滤波信号进行信号峰值识别处理,得到对应的多个第一信号峰值数据;并对多个第一信号峰值数据进行均值计算,生成对应的第一平均峰值数据;并对第一滤波信号进行信号上下翻转处理,生成对应的第一翻转信号;并对第一翻转信号进行信号峰值识别处理,得到对应的多个第二信号峰值数据;并对多个第二信号峰值数据进行均值计算,并对计算结果取反生成对应的第一平均谷值数据;并根据第一平均峰值数据减去第一平均谷值数据的差,生成对应的第一特征数据;并对第一特征数据进行归一化处理生成交流特征数据;
这里,实际就是在对第一、第二和第三光学信号的交流特征信息进行提取;带通滤波频段常规为0.5-10Hz;本发明实施例方法将低于0.5Hz的信号视为直流特征信号,高于10Hz的信号视为干扰或噪声信号,通过滤除直流特征信号和干扰或噪声信号就可得到交流特征信号;交流特征信号的特点就是存在波形的幅差也就是峰-谷差值,这里计算的交流特征数据实际就是交流特征信号的平均幅值数据;
进一步的,在对第一特征数据进行归一化处理生成交流特征数据时,本发明实施例在已有的用于训练后续预测模型的大量训练数据的基础上根据预设的归一化模式提供至少两种归一化处理流程,具体包括:
步骤B1,当归一化模式为第一模式时,使用最值归一化函数对第一特征数据进行归一化处理;
其中,最值归一化函数为Xnorm为归一化数据,X为输入的第一特征数据,Xmin、Xmax分别为由上述大量训练数据组成的数据集合中与第一特征数据类型一致的训练数据的最小、最大值;
步骤B2,当归一化模式为第二模式时,使用均值方差归一化函数对第一特征数据进行归一化处理;
其中,均值方差归一化函数为Xnorm为归一化数据,X为输入的第一特征数据,μ、σ分别为由上述大量训练数据组成的数据集合中与第一特征数据类型一致的训练数据的平均值和标准差;
步骤43,按预设的低通滤波频率阈值,对第一片段信号进行低通滤波处理,生成对应的第二滤波信号;并对第二滤波信号进行均值计算,生成对应的第二特征数据;并对第二特征数据进行归一化处理生成直流特征数据;
这里,实际就是在对第一、第二和第三光学信号的直流特征信息进行提取;低通滤波频率阈值常规为0.5Hz;通过保留低于0.5Hz的信号得到直流特征信号,交流特征信号的特点就是波形基本平整无明显峰-谷变化,这里计算的直流特征数据实际就是直流特征信号的平均幅值数据;
在对第二特征数据进行归一化处理生成直流特征数据时,其归一化处理过程与步骤41中对第一特征数据的归一化处理过程类似,在此不做进一步赘述;
步骤44,由得到的交流特征数据和直流特征数据,组成对应的第一光学特征数据组、第二光学特征数据组或第三光学特征数据组。
步骤5,对第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据;
具体包括:从第四光学信号的中间信号时段提取第一指定时长的光学信号片段,生成第二片段信号;并对第二片段信号进行均值计算,生成第三特征数据;并对第三特征数据进行归一化处理生成第四光学特征数据。
这里,第三特征数据可以反映环境背景光的平均光强;在对第三特征数据进行归一化处理生成第四光学特征数据时,其归一化处理过程与步骤41中对第一特征数据的归一化处理过程类似,在此不做进一步赘述。
步骤6,对第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据;
具体包括:步骤61,从第一、第二、第三、第四、第五、第六或第七代谢热信号的最后信号时段提取第二指定时长的代谢热信号片段,生成对应的第三片段信号;
这里,因为与代谢热相关的这些信号大多为缓慢变化信号,对应的传感器采集数据会呈现缓慢变化的趋势,需要一定时间才能再次到达一个稳定值,所以代谢热信号的片段截取方式是对最后指定长度的片段进行截取;第二指定时长常规为10秒;
步骤62,对第三片段信号进行均值计算,生成对应的第四特征数据;
这里,若第三片段信号为第一代谢热信号的片段数据,那么第四特征数据就是人体接触热的平均值;若第三片段信号为第二代谢热信号的片段数据,那么第四特征数据就是人体近端辐射热的平均值;若第三片段信号为第三代谢热信号的片段数据,那么第四特征数据就是人体近端温度平均值;若第三片段信号为***谢热信号的片段数据,那么第四特征数据就是人体近端湿度平均值;若第三片段信号为第五代谢热信号的片段数据,那么第四特征数据就是用于采集辐射热信号的近端辐射传感器的校准平均值;若第三片段信号为第六代谢热信号的片段数据,那么第四特征数据就是人体远端温度平均值实际就是环境温度平均值;若第三片段信号为第七代谢热信号的片段数据,那么第四特征数据就是人体远端湿度平均值实际就是环境湿度平均值;
步骤63,对第四特征数据进行归一化处理,生成对应的第一代谢热特征数据、第二代谢热特征数据、第三代谢热特征数据、***谢热特征数据、第五代谢热特征数据、第六代谢热特征数据或第七代谢热特征数据。
这里,在对第四特征数据进行归一化处理时,其归一化处理过程与步骤41中对第一特征数据的归一化处理过程类似,在此不做进一步赘述;在第三片段信号分别为第一、第二、第三、第四、第五、第六和第七代谢热信号的片段数据时,归一化处理结果即是对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据。
步骤7,对得到的所有特征数据进行特征融合处理,生成第一特征向量。
这里,按后续预测模型对输入数据的顺序要求,对第一、第二和第三光学特征数据组、第四光学特征数据以及第一、第二、第三、第四、第五、第六和第七代谢热特征数据的14个特征数据进行排序,并根据排序结果构建对应的第一特征向量。
需要说明的是,本发明实施例在特定情况下,还可对本次预测的时间及个人基本生理信息(年龄、性别、身高、体重、BMI)进行实时采集,并将相关采集数据纳入到第一特征向量中;特定情况包括以采集时间作为血糖变化因子之一,以个人基本生理信息变化作为血糖变化因子之一等。
步骤8,对第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;
其中,血糖浮动预测模型基于多层神经网络的网络结构予以实现;血糖浮动预测模型包括输入层、隐藏层和输出层;输入层包括第一数量M的输入节点;隐藏层包括第二数量N的隐藏层输入节点和第三数量S的隐藏层输出节点;输出层包括一个输出节点;隐藏层的各个隐藏层输入节点与输入层的所有输入节点分别连接,形成对应的第一全连接网络;隐藏层的各个隐藏层输出节点与所有隐藏层输入节点分别连接,形成对应的第二全连接网络;输出层的输出节点与所有隐藏层输出节点连接;第一数量M与第一特征向量的特征分类总数关联,第二数量N>第三数量S>0。
这里,本发明实施例的血糖浮动预测模型的结构如图2为本发明实施例一提供的血糖浮动预测模型的神经网络结构示意图所示;该模型基于比尔-朗伯定律和代谢热构象理论构建第一、第二全连接网络的网络运算模型和运算所需的参数矩阵结构;该预测模型在每次预测时,会以第一特征向量的数据种类对输入层的输入节点数量进行设置,并以当前用户基准数据的标定条件数据组与第一特征向量的数据种类对应关系创建对应的标定特征向量,再根据标定特征向量对第一、第二全连接网络的参数矩阵以及输出层预设激活函数的参数进行微调;再根据第一特征向量对当前用户在当前时刻的血糖波动值进行预测从而得到对应的第一浮动血糖数据。
需要说明的是,第一特征向量的数据种类中必然包括上述处理步骤产生的14个特征数据(第一、第二和第三光学特征数据组、第四光学特征数据以及第一、第二、第三、第四、第五、第六和第七代谢热特征数据),还可以可选地包括本次预测的时间、年龄、性别、身高、体重、BMI等特征数据;在以第一特征向量的数据种类对输入层的输入节点数量进行设置时,需要根据第一特征向量的实际数据种类增减对应的输入节点。
需要说明的是,在以当前用户基准数据的标定条件数据组与第一特征向量的数据种类对应关系创建对应的标定特征向量时,需按类似步骤4对第一、第二、第三光学信号进行人体光信号特征提取及归一化处理的方式对标定条件数据组的三个光学信号波段(650nm红外波段、940nm近红外波段和1050nm近红外波段)的人体光体积描记图法信号进行交、直流特征数据提取和归一化处理从而得到6个人体光学信号标定特征数据;按类似步骤5对第四光学信号进行环境光信号特征提取及归一化处理的方式对标定条件数据组的环境光学信号进行特征数据提取和归一化处理从而得到1个环境光学标定特征数据;按类似步骤6对第一、第二、第三、第四、第五、第六和第七代谢热信号进行代谢热特征提取及归一化处理的方式对标定条件数据组的人体接触热信号、人体近端的辐射热信号、人体近端的温度变化信号、人体近端的湿度变化信号、用于采集辐射热信号的近端辐射传感器的校准输出信号、人体远端的温度变化信号以及人体远端的湿度变化信号进行特征数据提取和归一化处理从而得到7个代谢热信号标定特征数据;若第一特征向量的数据种类中还包括时间、年龄、性别、身高、体重或BMI等特征数据种类,则根据标定条件数据组的时间信息、用户基本生理信息(年龄、性别、身高、体重、BMI)进一步生成对应的时间、年龄、性别、身高、体重或BMI标定特征数据,并将之与前述6个人体光学信号标定特征数据、1个环境光学标定特征数据和7个代谢热信号标定特征数据按与第一特征向量相同的数据排序结构进行标定特征数据融合处理,从而得到标定特征向量。
需要说明的是,本发明实施例的血糖浮动预测模型是预先通过采集的大量不同个体数据训练形成的,所以模型的预测精度与训练数据所属人群特征相关;若要使得模型预测结果与个性化特征进一步相关,就需要在使用时根据标定特征向量对第一、第二全连接网络的参数矩阵以及输出层预设激活函数的参数进行微调从而达到个性化校准目的;完成个性化校准之后,模型可根据当前个体的个性化基准特征对预测结果进行微调,从而使得预测结果能更加贴近当前个体的真实数据,提高了模型的个性化预测精度。
进一步的,在血糖浮动预测模型在进行浮动血糖值预测处理时,具体包括:
步骤C1,调用输入层将第一特征向量的各个特征数据按顺序提取出来输入到对应的输入节点生成对应的输入节点数据;
步骤C2,调用隐藏层基于各个第一全连接网络的参数矩阵,对与之连接的所有输入节点数据进行对应的第一全连接网络运算,并将运算结果输入到对应的隐藏层输入节点作为隐藏层输入节点数据;
步骤C3,调用隐藏层基于各个第二全连接网络的参数矩阵,对与之连接的所有隐藏层输入节点数据进行对应的第二全连接网络运算,并将运算结果输入到对应的隐藏层输出节点作为隐藏层输出节点数据;
步骤C4,调用输出层基于预设的激活函数,对所有隐藏层输出节点数据进行对应的激活函数运算,并将运算结果作为第一浮动血糖数据进行输出。
步骤9,根据第一标定血糖数据和第一浮动血糖数据相加的和,生成第一预测血糖数据。
这里,以当前用户基准数据的标定血糖值也就是第一标定血糖数据,加上血糖浮动预测模型输出的血糖波动值也就是第一浮动血糖数据,就可以得到对当前用户在当前时刻的血糖预测数值也就是第一预测血糖数据。
图3为本发明实施例二提供的一种基于光学信号特征及代谢热特征的血糖预测装置的模块结构图,该装置可以为实现本发明实施例方法的终端设备或者服务器,也可以为与上述终端设备或者服务器连接的实现本发明实施例方法的装置,例如该装置可以是上述终端设备或者服务器的装置或芯片***。如图3所示,该装置包括:获取模块201、第一数据采集模块202、第二数据采集模块203、第一特征数据处理模块204、第二特征数据处理模块205、特征数据融合处理模块206和血糖预测处理模块207。
获取模块201用于获取标定血糖值生成第一标定血糖数据。
第一数据采集模块202用于按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按光学信号采集时长,持续采集环境光信号生成第四光学信号。
第二数据采集模块203用于按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号。
第一特征数据处理模块204用于对第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;并对第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据。
第二特征数据处理模块205用于对第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据。
特征数据融合处理模块206用于对得到的所有特征数据进行特征融合处理,生成第一特征向量。
血糖预测处理模块207用于对第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;并根据第一标定血糖数据和第一浮动血糖数据相加的和,生成第一预测血糖数据。
本发明实施例提供的一种基于光学信号特征及代谢热特征的血糖预测装置,可以执行上述方法实施例中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
图4为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图4所示,该电子设备可以包括:处理器301(例如CPU)、存储器302、收发器303;收发器303耦合至处理器301,处理器301控制收发器303的收发动作。存储器302中可以存储各种指令,以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的,本发明实施例涉及的电子设备还包括:电源304、***总线305以及通信端口306。***总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图4中提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例提供了一种基于光学信号特征及代谢热特征的血糖预测方法、装置、电子设备及计算机可读存储介质,对人体的光体积描记图法信号及环境光学信号进行采集,对与人体代谢热相关的接触热、辐射热、温度、湿度及辐射传感器校准信号进行采集,对与人体代谢热相关的环境温度、湿度信号进行采集;并对采集到的光学信号、代谢热相关信号进行特征提取与归一化处理构成特征向量;并使用体现光学、代谢热与血糖变化三者关联关系的血糖浮动预测模型对特征向量进行预测得到对应的血糖浮动数据,从而基于预先获得的血糖标定值+血糖浮动数据就可得到血糖预测数据。通过本发明,为长期血糖观测提供例如一种无创观测机制,减少例如对用户造成的不便,降低例如观测难度,提高了用户体验。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于光学信号特征及代谢热特征的血糖预测方法,其特征在于,所述方法包括:
获取标定血糖值生成第一标定血糖数据;
按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按所述光学信号采集时长,持续采集环境光信号生成第四光学信号;
按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号;
对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;
对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据;
对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据;
对得到的所有特征数据进行特征融合处理,生成第一特征向量;
对所述第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;并根据所述第一标定血糖数据和所述第一浮动血糖数据相加的和,生成第一预测血糖数据;
其中,所述光学信号类型包括光体积描记图法信号类型;
所述三个光学信号波段包括650nm红外波段、940nm近红外波段和1050nm近红外波段;
所述血糖浮动预测模型基于多层神经网络的网络结构予以实现;所述血糖浮动预测模型包括输入层、隐藏层和输出层;所述输入层包括第一数量M的输入节点;所述隐藏层包括第二数量N的隐藏层输入节点和第三数量S的隐藏层输出节点;所述输出层包括一个输出节点;所述隐藏层的各个所述隐藏层输入节点与所述输入层的所有输入节点分别连接,形成对应的第一全连接网络;所述隐藏层的各个所述隐藏层输出节点与所有所述隐藏层输入节点分别连接,形成对应的第二全连接网络;所述输出层的所述输出节点与所有所述隐藏层输出节点连接;所述第一数量M与所述第一特征向量的特征分类总数关联,第二数量N>第三数量S>0;
所述血糖浮动预测模型在进行所述浮动血糖值预测处理时,调用所述输入层将所述第一特征向量的各个特征数据按顺序提取出来输入到对应的所述输入节点生成对应的输入节点数据;
并调用所述隐藏层基于各个所述第一全连接网络的参数矩阵,对与之连接的所有所述输入节点数据进行对应的第一全连接网络运算,并将运算结果输入到对应的所述隐藏层输入节点作为隐藏层输入节点数据;
并调用所述隐藏层基于各个所述第二全连接网络的参数矩阵,对与之连接的所有所述隐藏层输入节点数据进行对应的第二全连接网络运算,并将运算结果输入到对应的所述隐藏层输出节点作为隐藏层输出节点数据;
并调用所述输出层基于预设的激活函数,对所有所述隐藏层输出节点数据进行对应的激活函数运算,并将运算结果作为所述第一浮动血糖数据进行输出;
所述方法还包括:在所述获取标定血糖值生成第一标定血糖数据之前预先进行血糖标定处理生成所述标定血糖值,具体包括:
通过常规血糖检测手段对当前用户进行一次或多次常规血糖检测得到一个或多个测量血糖数据;并记录当次血糖检测的时间信息和用户基本生理信息,采集和记录当次血糖检测时的光学相关信号和代谢热相关信号;并由每次的所述测量血糖数据、所述时间信息、所述用户基本生理信息、所述光学相关信号和所述代谢热相关信号组成对应的校准参考数据组;其中,所述用户基本生理信息包括年龄、性别、身高、体重、身体质量指数;所述光学相关信号包括三个光学信号波段的人体光体积描记图法信号和环境光学信号;所述代谢热相关信号包括人体接触热信号、人体近端的辐射热信号、人体近端的温度变化信号、人体近端的湿度变化信号、用于采集辐射热信号的近端辐射传感器的校准输出信号、人体远端的温度变化信号以及人体远端的湿度变化信号;
若只对用户做一次常规血糖检测,则将这次检测得到所述测量血糖数据作为所述标定血糖值并存储,并将对应的所述校准参考数据组中除所述测量血糖数据之外的其他数据作为标定条件数据组并存储;
若对用户做了多次常规血糖检测,则对得到的多个所述测量血糖数据进行均值计算生成对应的平均测量血糖数据;并将与所述平均测量血糖数据的差值为最小值的所述测量血糖数据作为所述标定血糖值并存储,并将与所述标定血糖值对应的所述校准参考数据组中除所述测量血糖数据之外的其他数据作为所述标定条件数据组并存储;
所述方法还包括:所述血糖浮动预测模型在每次进行所述浮动血糖值预测处理之前,以所述标定条件数据组与所述第一特征向量的数据种类对应关系创建对应的标定特征向量,再根据所述标定特征向量对所述第一、第二全连接网络的参数矩阵以及所述输出层的所述激活函数的参数进行微调;
其中,所述以所述标定条件数据组与所述第一特征向量的数据种类对应关系创建对应的标定特征向量,具体包括:按对所述第一、第二、第三光学信号进行人体光信号特征提取及归一化处理的方式对所述标定条件数据组的所述三个光学信号波段的人体光体积描记图法信号进行交、直流特征数据提取和归一化处理从而得到六个人体光学信号标定特征数据;并按对所述第四光学信号进行环境光信号特征提取及归一化处理的方式对所述标定条件数据组的所述环境光学信号进行特征数据提取和归一化处理从而得到一个环境光学标定特征数据;并按对所述第一、第二、第三、第四、第五、第六和第七代谢热信号进行代谢热特征提取及归一化处理的方式对所述标定条件数据组的所述人体接触热信号、所述人体近端的辐射热信号、所述人体近端的温度变化信号、所述人体近端的湿度变化信号、所述校准输出信号、所述人体远端的温度变化信号以及所述人体远端的湿度变化信号进行特征数据提取和归一化处理从而得到七个代谢热信号标定特征数据;由所有所述人体光学信号标定特征数据、所述环境光学标定特征数据和所有所述代谢热信号标定特征数据按与所述第一特征向量相同的数据排序结构进行标定特征数据融合处理得到所述标定特征向量;
所述对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组,具体包括:
从所述第一光学信号、所述第二光学信号或所述第三光学信号的中间信号时段提取第一指定时长的光学信号片段,生成对应的第一片段信号;
按预设的带通滤波频段,对所述第一片段信号进行带通滤波处理,生成对应的第一滤波信号;并对所述第一滤波信号进行信号峰值识别处理,得到对应的多个第一信号峰值数据;并对所述多个第一信号峰值数据进行均值计算,生成对应的第一平均峰值数据;并对所述第一滤波信号进行信号上下翻转处理,生成对应的第一翻转信号;并对所述第一翻转信号进行信号峰值识别处理,得到对应的多个第二信号峰值数据;并对所述多个第二信号峰值数据进行均值计算,并对计算结果取反生成对应的第一平均谷值数据;并根据所述第一平均峰值数据减去所述第一平均谷值数据的差,生成对应的第一特征数据;并对所述第一特征数据进行归一化处理生成交流特征数据;
按预设的低通滤波频率阈值,对所述第一片段信号进行低通滤波处理,生成对应的第二滤波信号;并对所述第二滤波信号进行均值计算,生成对应的第二特征数据;并对所述第二特征数据进行归一化处理生成直流特征数据;
由得到的所述交流特征数据和所述直流特征数据,组成对应的第一光学特征数据组、第二光学特征数据组或第三光学特征数据组。
2.根据权利要求1所述的基于光学信号特征及代谢热特征的血糖预测方法,其特征在于,所述对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据,具体包括:
从所述第四光学信号的中间信号时段提取第一指定时长的光学信号片段,生成第二片段信号;
对所述第二片段信号进行均值计算,生成第三特征数据;
对所述第三特征数据进行归一化处理生成所述第四光学特征数据。
3.根据权利要求1所述的基于光学信号特征及代谢热特征的血糖预测方法,其特征在于,所述对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据,具体包括:
从所述第一、第二、第三、第四、第五、第六或第七代谢热信号的最后信号时段提取第二指定时长的代谢热信号片段,生成对应的第三片段信号;
对所述第三片段信号进行均值计算,生成对应的第四特征数据;
对所述第四特征数据进行归一化处理生成对应的第一代谢热特征数据、第二代谢热特征数据、第三代谢热特征数据、***谢热特征数据、第五代谢热特征数据、第六代谢热特征数据或第七代谢热特征数据。
4.一种用于实现权利要求1-3任一项所述的基于光学信号特征及代谢热特征的血糖预测方法步骤的装置,其特征在于,所述装置包括:获取模块、第一数据采集模块、第二数据采集模块、第一特征数据处理模块、第二特征数据处理模块、特征数据融合处理模块和血糖预测处理模块;
所述获取模块用于获取标定血糖值生成第一标定血糖数据;
所述第一数据采集模块用于按预设的光学信号采集时长、人体光学信号类型和三个人体光学信号波段,持续采集人体光信号生成对应的第一光学信号、第二光学信号和第三光学信号;并按所述光学信号采集时长,持续采集环境光信号生成第四光学信号;
所述第二数据采集模块用于按预设的代谢热信号采集时长,持续采集人体接触热信号生成第一代谢热信号,并持续采集人体近端的辐射热信号生成第二代谢热信号,并持续采集人体近端的温度变化信息构成第三代谢热信号,并持续采集人体近端的湿度变化信息构成***谢热信号,并对用于采集辐射热信号的近端辐射传感器的校准输出信息进行持续采集构成第五代谢热信号,并持续采集人体远端的温度变化信息构成第六代谢热信号,并持续采集人体远端的湿度变化信息构成第七代谢热信号;
所述第一特征数据处理模块用于对所述第一、第二和第三光学信号进行人体光信号特征提取及归一化处理,生成对应的第一、第二和第三光学特征数据组;并对所述第四光学信号进行环境光信号特征提取及归一化处理,生成对应的第四光学特征数据;
所述第二特征数据处理模块用于对所述第一、第二、第三、第四、第五、第六和第七代谢热信号,进行代谢热特征提取及归一化处理,生成对应的第一、第二、第三、第四、第五、第六和第七代谢热特征数据;
所述特征数据融合处理模块用于对得到的所有特征数据进行特征融合处理,生成第一特征向量;
所述血糖预测处理模块用于对所述第一特征向量,基于血糖浮动预测模型进行浮动血糖值预测处理,生成第一浮动血糖数据;并根据所述第一标定血糖数据和所述第一浮动血糖数据相加的和,生成第一预测血糖数据。
5.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-3任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-3任一项所述的方法的指令。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386652.XA CN114098724B (zh) | 2021-11-22 | 2021-11-22 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
PCT/CN2022/097242 WO2023087672A1 (zh) | 2021-11-22 | 2022-06-07 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386652.XA CN114098724B (zh) | 2021-11-22 | 2021-11-22 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114098724A CN114098724A (zh) | 2022-03-01 |
CN114098724B true CN114098724B (zh) | 2024-03-26 |
Family
ID=80439497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111386652.XA Active CN114098724B (zh) | 2021-11-22 | 2021-11-22 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114098724B (zh) |
WO (1) | WO2023087672A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114098724B (zh) * | 2021-11-22 | 2024-03-26 | 乐普(北京)医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
CN115299887B (zh) * | 2022-10-10 | 2023-01-03 | 安徽星辰智跃科技有限责任公司 | 一种动态代谢功能的检测量化方法和*** |
CN117373586B (zh) * | 2023-08-28 | 2024-07-02 | 北京华益精点生物技术有限公司 | 血糖数据比对方法及相关设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179984A (zh) * | 2005-05-24 | 2008-05-14 | 皇家飞利浦电子股份有限公司 | 葡萄糖传感器 |
CN102293654A (zh) * | 2011-06-17 | 2011-12-28 | 清华大学 | 基于代谢热-光学方法的无创血糖检测仪 |
CN104665840A (zh) * | 2015-03-02 | 2015-06-03 | 桂林麦迪胜电子科技有限公司 | 无创血糖测量方法及指端测量探头 |
CN104771181A (zh) * | 2015-04-16 | 2015-07-15 | 桂林电子科技大学 | 一种反射式无创血糖检测仪 |
CN106361305A (zh) * | 2016-09-19 | 2017-02-01 | 爱国者电子科技有限公司 | 糖代谢率的测量方法和装置 |
CN107174259A (zh) * | 2017-06-26 | 2017-09-19 | 上海理工大学 | 基于多波长能量守恒法的无创血糖值采集装置及计算方法 |
CN109330607A (zh) * | 2018-08-29 | 2019-02-15 | 桂林永成医疗科技有限公司 | 基于微创血糖值校准的无创血糖检测方法及其检测装置 |
CN112133442A (zh) * | 2020-09-22 | 2020-12-25 | 博邦芳舟医疗科技(北京)有限公司 | 一种连续无创血糖检测装置及方法 |
CN112386252A (zh) * | 2019-08-15 | 2021-02-23 | 博邦芳舟医疗科技(北京)有限公司 | 一种血糖测量探头和血糖测量装置和方法 |
CN113288132A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 用于预测血糖值的方法、装置、存储介质及处理器 |
CN113397538A (zh) * | 2021-07-20 | 2021-09-17 | 深圳市微克科技有限公司 | 一种可穿戴嵌入式***的光学血糖算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050043630A1 (en) * | 2003-08-21 | 2005-02-24 | Buchert Janusz Michal | Thermal Emission Non-Invasive Analyte Monitor |
WO2007072300A2 (en) * | 2005-12-22 | 2007-06-28 | Koninklijke Philips Electronics N.V. | System for non-invasive measurement of blood glucose concentration |
CN107802255B (zh) * | 2017-11-30 | 2021-01-29 | 杭州电子科技大学 | 一种基于代谢法的血糖数据处理方法及装置 |
JP7061362B2 (ja) * | 2018-05-14 | 2022-04-28 | 株式会社カスタム | 非侵襲性血糖測定器 |
CN114098724B (zh) * | 2021-11-22 | 2024-03-26 | 乐普(北京)医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
-
2021
- 2021-11-22 CN CN202111386652.XA patent/CN114098724B/zh active Active
-
2022
- 2022-06-07 WO PCT/CN2022/097242 patent/WO2023087672A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179984A (zh) * | 2005-05-24 | 2008-05-14 | 皇家飞利浦电子股份有限公司 | 葡萄糖传感器 |
CN102293654A (zh) * | 2011-06-17 | 2011-12-28 | 清华大学 | 基于代谢热-光学方法的无创血糖检测仪 |
CN104665840A (zh) * | 2015-03-02 | 2015-06-03 | 桂林麦迪胜电子科技有限公司 | 无创血糖测量方法及指端测量探头 |
CN104771181A (zh) * | 2015-04-16 | 2015-07-15 | 桂林电子科技大学 | 一种反射式无创血糖检测仪 |
CN106361305A (zh) * | 2016-09-19 | 2017-02-01 | 爱国者电子科技有限公司 | 糖代谢率的测量方法和装置 |
CN107174259A (zh) * | 2017-06-26 | 2017-09-19 | 上海理工大学 | 基于多波长能量守恒法的无创血糖值采集装置及计算方法 |
CN109330607A (zh) * | 2018-08-29 | 2019-02-15 | 桂林永成医疗科技有限公司 | 基于微创血糖值校准的无创血糖检测方法及其检测装置 |
CN112386252A (zh) * | 2019-08-15 | 2021-02-23 | 博邦芳舟医疗科技(北京)有限公司 | 一种血糖测量探头和血糖测量装置和方法 |
CN112133442A (zh) * | 2020-09-22 | 2020-12-25 | 博邦芳舟医疗科技(北京)有限公司 | 一种连续无创血糖检测装置及方法 |
CN113288132A (zh) * | 2021-05-06 | 2021-08-24 | 广东工业大学 | 用于预测血糖值的方法、装置、存储介质及处理器 |
CN113397538A (zh) * | 2021-07-20 | 2021-09-17 | 深圳市微克科技有限公司 | 一种可穿戴嵌入式***的光学血糖算法 |
Non-Patent Citations (2)
Title |
---|
The Progress of Glucose Monitoring—A Review of Invasive to Minimally and Non-Invasive Techniques, Devices and Sensors;Wilbert Villena Gonzales,等;《sensors》;第19卷(第800期);全文 * |
光电容积描迹法原理及其临床应用;米永巍,等;《中国医疗设备》;第26卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023087672A1 (zh) | 2023-05-25 |
CN114098724A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114098724B (zh) | 基于光学信号特征及代谢热特征的血糖预测方法和装置 | |
Liang et al. | A new, short-recorded photoplethysmogram dataset for blood pressure monitoring in China | |
Majumder et al. | An energy efficient wearable smart IoT system to predict cardiac arrest | |
US10695005B2 (en) | Non-invasive blood sugar measuring method and fingertip measuring probe | |
Habbu et al. | Estimation of blood glucose by non-invasive method using photoplethysmography | |
Sannino et al. | A continuous noninvasive arterial pressure (CNAP) approach for health 4.0 systems | |
US20160302671A1 (en) | Prediction of Health Status from Physiological Data | |
CN109152539A (zh) | 用于生理特征推导的***和方法 | |
Bhanot et al. | A model to find optimal percentage of training and testing data for efficient ECG analysis using neural network | |
CN106913326A (zh) | 生物生理状况反馈***及其操作方法 | |
Haque et al. | A novel technique for non-invasive measurement of human blood component levels from fingertip video using DNN based models | |
Samyoun et al. | Stress detection via sensor translation | |
CN117617921A (zh) | 基于物联网的智能血压监控***及方法 | |
Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
Padmavilochanan et al. | Personalized diabetes monitoring platform leveraging IoMT and AI for non-invasive estimation | |
Lavanya et al. | [Retracted] Wearable Sensor‐Based Edge Computing Framework for Cardiac Arrhythmia Detection and Acute Stroke Prediction | |
Chen et al. | [Retracted] Edge‐Enabled Heart Rate Estimation from Multisensor PPG Signals | |
Zhong et al. | A robust frequency-domain-based graph adaptive network for Parkinson's disease detection from gait data | |
Athaya et al. | An efficient fingertip photoplethysmographic signal artifact detection method: A machine learning approach | |
WO2022222198A1 (zh) | 多模个性化纵横校准的方法 | |
Sun et al. | Adaptive low-power wrist SpO2 monitoring system design using a multi-filtering scheme | |
CN114171151A (zh) | 一种数据处理方法、装置和电子设备 | |
Calero | Fear classification using affective computing with physiological information and smart-wearables | |
Mazing et al. | Medical diagnostic intelligent system for recognizing of the functional state of a person |
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 |