一种无创血糖浓度预测方法

本发明涉及血糖浓度预测，是一种无创血糖浓度预测方法。

背景技术：

1、血糖是指血液中的葡萄糖含量，是人体健康的重要指标之一。但目前常用的血糖检测方法需要采集血液样本，存在创伤性、痛苦性和感染风险等问题。如何实现无创伤性测量血糖浓度具有深远意义。

2、医疗领域是无创血糖检测技术的主要应用领域，为医生和护士提供一种精准的血糖检测技术，可为医学的研究和教育提供一种有价值的血糖数据和知识来源。家庭领域是无创血糖检测技术的潜在应用领域，为家庭成员提供一种精准的血糖检测技术，可为家庭的健康和幸福提供一种有效的保障和促进。商业领域是无创血糖检测技术的新兴应用领域，为餐厅、超市、健身房等提供一种创新的血糖检测服务，可为商家提供一种增加收入和客户忠诚度的方法，为市场提供一种扩大需求和竞争力的机会。因此，开发无创的血糖浓度测量方法具有重要的临床意义和市场需求。

3、无创伤检测血糖技术的实现是患者的福音，国内外学者对此展开了深入研究。无创检测技术可分为非光学技术和光学技术两类，近红外光谱法是目前无创检测技术热门的方法，部分近红外光谱技术已经进入人体实验阶段成果显著。2019年m habibullah等对实验样品人造血提出了一种基于近红外光谱法监测血糖水平的新方法。应用随机森林算法、主成分分析和支持向量机算法评估了该方法。天津大学李刚教授考虑心脏搏动引起的脉搏波变化对光路程的影响，正式提出了动态光谱方法用于实现血液检测。以消除个体差异为重点旨在提取高质量的动态血液数据用于提升模型精度。天津大学徐可欣小组针对无创血糖测量过程中的测量条件、噪声处理等基础问题进行研究，给出了相应的解决方案。丁海泉就测量位置的难以固定设计了手臂固定器，针对血液的动态变化问题提出了血流容积光谱相减法。罗云瀚等引入了有效信噪比的概念，给出了极限血糖浓度与检测器距离和仪器信噪比的对应关系用于测量极限浓度。

4、由于不同血糖值与近红外光的吸光度之间的对应关系并不是线性的，因此针对特定浓度建立的血糖浓度预测模型对未参与训练浓度的预测并不准确，即模型的泛化能力差。本发明中的基于rmloss及深度孪生网络的无创血糖浓度预测算法能深度挖掘海量高维的光谱数据中的特征信息，从而有效提模型的泛化能力，并为无创血糖监测实现的可能性给予了新方向，为亟待跨越的难题提供了深度学习的解决策略。

技术实现思路

1、本发明为了克服现有技术中存在的问题，通过引入可处理类别间相似性的孪生残差网络，来提高预测算法的泛化能力，为进一步实现血糖的无创测量提供了新的算法参考，为亟待跨越的难题提供了深度学习的解决策略，本发明提供一种无创血糖浓度预测方法。

2、本发明提供了一种无创血糖浓度预测方法，本发明提供了以下技术方案：

3、一种无创血糖浓度预测方法，所述方法包括以下步骤：

4、步骤1、获取葡萄糖耐量数据；

5、步骤2、基于获取的数据，进行数据集构建；

6、步骤3、搭建深度孪生残差网络，并完成训练；

7、步骤4、基于深度孪生残差网络，进行无创血糖浓度预测。

8、优选地，所述步骤1具体为：

9、采用ogtt葡萄糖耐量实验采集数据，并搭配使用近红外光谱成像仪测量反射光谱，实近红外光谱成像仪采用固定扫描模式，波长范围设置为925nm~1701nm，光谱分辨率5nm；采样帧频设置为90，选取右手食指作为测量位置，得到原始光谱信号值为：

10、

11、其中，为浓度总数，为选定浓度下样本总数，为波长总数；

12、对原始光谱信号值做多元散射校正：，其中f为多元散射校正函数，是原始光信号值；

13、使用lambert-beer定律求解吸光度：

14、

15、对吸光度进行归一化处理：

16、。

17、

18、优选地，所述步骤2具体为：

19、构建的训练集、验证集、测试集分别为traindata、validationdata、testdata；样本对集合d：

20、

21、

22、

23、表示为一条数据，是随机抽取到的第个浓度第条数据，是第次随机抽取的两条数据构成的数据对。

24、优选地，当时，记为相同浓度对，随机抽取次；

25、当时，记为不同浓度对，随机抽取次。

26、优选地，所述步骤3具体为：

27、步骤3.1：若给定组输入数据对，首先针对，分批次归一化batchnormalization

28、

29、其中，输入当前batch的第l个输入节点的值，构成的行向量，长度是设置的batch size 的值b，和是该行的均值和标准差，是防止分母为0引入的极小量，和是该行的scale和shift参数，用于控制的方差和均值．

30、步骤3.2：随后将批次归一化数据代入relu激活函数中，relu激活函数是分段函数，表达式为：

31、

32、对于负数输入的输出为0，对于正数的输出保持原值，其正值部分的导数为1有利于梯度的传导，且计算复杂度低，适合反向传播；

33、步骤3.3：batch normalization可以有效地抑制梯度消失，通常与relu激活函数搭配使用，batch normalization的反向传播如下：

34、

35、

36、步骤3.4：relu函数的反向传播后，得到更新后的weight layer；

37、重复步骤3.1-步骤3.4三次，随后增加跳跃连接得到下一层的输出；

38、步骤3.5：是残差块中的跳跃连接一般设定为恒等映射，是前向映射，和相加得，再经类似操作输入到下一层，重复操作后得到深层层的特征如下式：

39、

40、由反向传播的链式法则可得式

41、

42、关于残差块中的跳连接h(xl)为什么必须是恒等映射，用反证法解答

43、xl+1＝h(xl)+f(xl,wl).

44、对于更深的层,

45、

46、针对对跳连接做尺度为的缩放，相应计算变为

47、

48、步骤3.1-步骤3.5,完成了一个残差块的训练，模型最终的输出维度通过全连接层的numclass确定。

49、优选地，为提高预测模型的泛化能力，提出rmloss增强度量损失，rmloss的数学表达如下：

50、

51、其中，表示所有浓度个数,为分别输入光谱数据对应的标签值．表示输入数据对的标签差值的绝对值，用于判断输入数据对是否为相同浓度对，表示相同浓度对，表示不同浓度对，表示输出特征的余弦相似度，为设置的超参数，、的输出特征分别表示为，具体表述为，相同浓度对时，输出特征的余弦值接近于1时，数据最集中、损失值最小；

52、当为不同浓度对时，余弦值接近于，损失值越小：

53、

54、黑色、红色、黄色、绿色、蓝色为5个不同浓度，每个浓度下6条数据的二维空间可视化假设为原空间，使用rmloss损失函数，目标是将其训练为目标空间的样子，即相同浓度之间数据集中，不同浓度值之间角度的大小关系与标签差值相对应如上式，为标签值，表示黑色数据与红色数据的角度值，为了有更好的区分性，约束不同浓度之间的角度大于，并保持上式序关系。

55、优选地，所述步骤4具体为：

56、在测量到数据经异常值筛选、多元散射矫正等预处理方法后，基于lambert-beer定律计算吸光度，得到血糖浓度的吸光度数据；

57、将获取的数据按照训练集、验证集、测试集划分后，重复有放回的抽取数据构成孪生残差网络输入数据对；

58、使用基于rmloss约束训练的孪生残差神经网络提取数据的特征，当不满足设置的误差阈值时，更新权重反复训练，直至损失值足够小或已达到最大训练批次结束训练，输出数据的特征，将输出的特征数据放入支持向量机回归中，在支持向量机中有两个重要的参数(c;g)，使用优化算法动态调整超参数的取值以寻求最佳效果；

59、反复训练使用参数寻优算法，当满足误差要求或达到最大训练次数时，输出血糖浓度的预测值。

60、一种基于rmloss及深度孪生网络的无创血糖浓度预测系统，所述系统具体为：

61、数据获取模块，所述数据获取模块获取葡萄糖耐量数据；

62、数据集构建模块，所述数据集构建模块基于获取的数据，进行数据集构建；

63、网络搭建模块，所述网络搭建模块搭建深度孪生残差网络，并完成训练；

64、血糖预测模块，所述血糖预测模块基于深度孪生残差网络，进行无创血糖浓度预测。

65、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种无创血糖浓度预测方法。

66、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种无创血糖浓度预测方法。

67、本发明具有以下有益效果：

68、本发明与现有技术相比：

69、本发明在无创血糖预测算法使用rmloss和深度孪生网络的技术细节和研究发现上，提供一种基于rmloss和深度孪生网络的无创血糖浓度预测方法。它主要通过近红外光谱技术来预测血糖浓度，引入了rmloss函数提高模型在处理高维光谱数据时的泛化能力。使用深度孪生残差网络进行特征提取，并考察了输出维度和超参数的变化对模型的影响。结果表明，这种方法在非侵入式血糖监测方面，相比传统方法有显著的性能提升。

70、本发明提出了基于深度孪生残差网络及svr的无创血糖浓度回归算法，在约束模型训练过程中，提出了一种基于度量损失并考虑了标签差值对结果约束的增强度量损失函数(rmloss)，并引入超参数k调节训练过程。对于训练集与预测集的预测效果体现在克拉克网格分析图中，与使用svr相比，相关系数提升了近3倍，均方误差降低了3/4，显示了模型的泛化能力，为亟待跨越的难题提供了深度学习的解决策略。