CN106446777A - 基于卷积神经网络的无创血糖数据处理方法及系统 - Google Patents

基于卷积神经网络的无创血糖数据处理方法及系统 Download PDF

Info

Publication number
CN106446777A
CN106446777A CN201610750340.5A CN201610750340A CN106446777A CN 106446777 A CN106446777 A CN 106446777A CN 201610750340 A CN201610750340 A CN 201610750340A CN 106446777 A CN106446777 A CN 106446777A
Authority
CN
China
Prior art keywords
signal
data
blood glucose
blood sugar
infrared signal
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.)
Pending
Application number
CN201610750340.5A
Other languages
English (en)
Inventor
吴新
李亚
凌永权
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201610750340.5A priority Critical patent/CN106446777A/zh
Publication of CN106446777A publication Critical patent/CN106446777A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了基于卷积神经网络的无创血糖数据处理方法及系统，该方法包括：获取若干组血糖数据；根据若干组血糖数据中的红外信号，计算获得极大值红外信号；通过奇异谱分析和经验模式分解，将极大值红外信号分解、分组和排序；分别提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；根据特征信号和若干组血糖数据的血糖值，构建映射矩阵；根据获取待测者的待测信号，结合映射矩阵，构建待测映射矩阵；使用卷积神经网络的特征映射层和池化层，对待测映射矩阵进行优化，并输出优化结果；其中，特征映射层以径向基函数作为激活函数；池化层用于降低信号维数，采用本发明技术方案能提高血糖数据的估计精度。

Description

基于卷积神经网络的无创血糖数据处理方法及系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于卷积神经网络的无创血糖数据处理方法及系统。
背景技术
糖尿病是严重危害人类健康的慢性杀手，潜在的早期糖尿病患者将近5000万。如果糖尿病人能够有规律的检测血糖，对控制体内糖的分量具有重要意义。传统的糖尿病自检测设备多为有创采血，并且需要配合一次性试纸，长期使用价格不菲。而随着科技的发展，无创血糖检测仪也渐渐普及，其基本原理是通过红外采集人的体征信息后，通过预设的算法估算相应的血糖浓度。
现有的血糖数据处理方法包括基于分数阶微分方程或Volterra级数来实现血糖浓度评估，但是由于分数阶微分方程属于线性系统，而血糖信号具有非线性的特性，使得测量结果并不准确。而基于Volterra级数的评估系统，其表示在s域中的分数阶Volterra成分仅仅由分母组成，其逼近能力仍然有限，系统估计精度不高。
发明内容
本发明实施例提出一种基于卷积神经网络的无创血糖数据处理方法及系统，提高血糖数据的估计精度。
本发明实施例提供一种基于卷积神经网络的无创血糖数据处理方法，包括：
获取若干组血糖数据；每组血糖数据包括红外信号和所述红外信号所对应的血糖值；
通过奇异谱分析和经验模式分解，将所述极大值红外信号分解，分别获得第一数据组和第二数据组，并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，所述第一数据组包含若干个归一化成分数据，所述第二数据组包含若干个IMF数据；分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1；
根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵；
获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵；
使用预设卷积神经网络的特征映射层和池化层，对所述待测映射矩阵进行优化，并输出优化结果；其中，所述特征映射层以径向基函数作为激活函数；所述池化层用于降低信号维数。
进一步的，所述根据所述若干组血糖数据中的红外信号，计算获得极大值红外信号，具体为：
根据所述若干组血糖数据中的红外信号和以下计算公式，计算获得极大值红外信号：
(x(n)-x(n-1))(x(n+1)-x(n))＜0；
其中，所述红外信号为Xk；所述极大值红外信号为xk。
进一步的，所述分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值，构建特征信号，具体为：
分别提取xk和前5组成分数据s1k，s2k，s3k，s4k和s5k的均值、方差、斜率和峰值，构建特征信号vk＝[p1(xk) … p4(xk) p1(s1,k) … p4(s1,k) … p1(s5,k) … p4(s5,k)]T；其中，N＝5。
进一步的，所述根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵，具体为：
对所述特征信号vk做离散余弦变换，获得并构建映射矩阵w，其中，y为所述若干组血糖数据的血糖值。
进一步的，获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵，具体为：
获取待测者的待测信号z，并将z导入到映射矩阵w中，获得待测映射矩阵q；其中，q＝wTz。
进一步的，所述特征映射层以径向基函数作为激活函数，形式如下：
所述特征映射层的优化问题为：
其中，c＝0…C为特征映射层神经元个数，k＝0…K-1为训练特征向量数，uc和Cc分别为均值和协方差矩阵。
进一步的，所述卷积神经网络池化层是由所述特征映射层输出信号的Lp范数池化而获得，并形成如下优化问题：
其中，0＜p＜1；fk，m为所述特征映射层输出信号。
相应地，本发明实施例还提供一种基于卷积神经网络的无创血糖数据处理系统，包括：
数据获取模块，用于获取若干组血糖数据；每组血糖数据包括红外信号和所述红外信号所对应的血糖值；
极大值计算模块，用于根据所述若干组血糖数据中的红外信号，计算获得极大值红外信号；
分组排序模块，用于通过奇异谱分析和经验模式分解，将所述极大值红外信号分解，分别获得第一数据组和第二数据组，并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，所述第一数据组包含若干个归一化成分数据，所述第二数据组包含若干个IMF数据；
特征信号构建模块，用于分别提取所述极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1；
第一映射矩阵构建模块，用于根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵；
第二映射矩阵构建模块，用于获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵；
优化模块，用于使用预设卷积神经网络的特征映射层和池化层，对所述待测映射矩阵进行优化，并输出优化结果；其中，所述特征映射层以径向基函数作为激活函数；所述池化层用于降低信号维数。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的基于卷积神经网络的无创血糖数据处理方法及系统，先对若干组血糖数据进行奇异谱分析和经验模式分解，并对分解后的归一化成分分组排序，然后提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；再根据该特征信号和若干组血糖数据的血糖值，构建映射矩阵；最后获取待测者的待测信号，将其导入映射矩阵后通过卷积神经网络的特征映射层和池化层的优化，输出优化结果。相比于现有技术无创血糖浓度估计存在精度低的问题，本发明使用卷积神经网络来对红外设备所测得的人体血糖信号进行处理，并针对性地优化了卷积神经网络的特征映射层和池化层，提高了系统的估计精度。
附图说明
图1是本发明提供的基于卷积神经网络的无创血糖数据处理方法的一种实施例的流程示意图；
图2是本发明提供的仿真实验的一种实施例的仿真数据图；
图3是本发明提供的仿真实验的另一种实施例的仿真数据图；
图4是本发明提供的仿真实验的又一种实施例的仿真数据图；
图5是本发明提供的基于卷积神经网络的无创血糖数据处理系统的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明提供的基于卷积神经网络的无创血糖数据处理方法的一种实施例的流程示意图。如图1所示，该方法包括步骤101至步骤107，具体步骤如下：
步骤101：获取若干组血糖数据；每组血糖数据包括红外信号和该红外信号所对应的血糖值。
在本实施例中，若干组血糖数据可预先输入到本系统中，以满足优化模型和映射矩阵的建立。每组血糖数据包括红外信号Xk和该红外信号所对应的血糖值yk，其中k＝1…K。该血糖值yk可以为血糖试纸所测数据。
步骤102：根据若干组血糖数据中的红外信号，计算获得极大值红外信号。
在本实施例中，步骤102具体为：根据若干组血糖数据中的红外信号和以下计算公式，计算获得极大值红外信号：
(x(n)-x(n-1))(x(n+1)-x(n))＜0；
其中，红外信号为Xk；极大值红外信号为xk。
步骤103：通过奇异谱分析和经验模式分解，将极大值红外信号分解，分别获得第一数据组和第二数据组，获得若干个归一化成分数据，并将第一数据组中的成分数据根据第二数据组中IMF数据的个数和IMF数据之间的并根据各归一化成分数据的相关性程度进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，第一数据组包含若干个归一化成分数据，第二数据组包含若干个IMF数据。
在本实施例中，奇异谱分析(Singular Spectrum Analysis，简称SSA)是根据所观测到的时间序列构造出轨迹矩阵，并对轨迹矩阵进行分解、分组、重构，从而提取出代表原时间序列不同成分的信号，如长期趋势信号、周期信号、噪声信号等，从而对时间序列的结构进行分析，并可进一步预测。经验模态分解(Empirical Mode Decomposition，简称EMD)是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。
在本实施例中，将极大值红外信号xk进行SSA分解之后的每一个归一化成分根据IMF的个数和与IMF之间的相关性进行分组，最后将分组后的同组成分进行相加，并按照由大到小的顺序进行排序。
步骤104：分别提取极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1。
在本实施例中，优选N＝5。步骤104具体为：分别提取xk和前5组成分数据s1k，s2k，s3k，s4k和s5k的均值、方差、斜率和峰值，构建特征信号vk＝[p1(xk) … p4(xk) p1(s1,k) …p4(s1,k) … p1(s5,k) … p4(s5,k)]T。
步骤105：根据特征信号和若干组血糖数据的血糖值，构建映射矩阵。
在本实施例中，步骤105具体为：对特征信号vk做离散余弦变换，获得并构建映射矩阵w，其中，由可以得出y为该若干组血糖数据的血糖值。
步骤106：获取待测者的待测信号，并将待测信号导入映射矩阵，获得待测映射矩阵。
在本实施例中，步骤106具体为：获取待测者的待测信号z，并将z导入到映射矩阵w中，获得待测映射矩阵q；其中，q＝wTz。本步骤将z导入到映射矩阵w中为：对z执行步骤101至步骤106的处理后获得q。
步骤107：使用预设卷积神经网络的特征映射层和池化层，对待测映射矩阵进行优化，并输出优化结果；其中，特征映射层以径向基函数作为激活函数；池化层用于降低信号维数。
在本实施例中，特征映射层以径向基函数作为激活函数，形式如下：
当qk越接近uc时，fc(qk)就越接近1。
该特征映射层的优化问题为：这是一个非凸的优化问题，本发明使用修正填充函数去找到该优化问题的全局最优解。其中，c＝0…C为特征映射层神经元个数，k＝0…K-1为训练特征向量数，uc和Cc分别为均值和协方差矩阵。
在本实施例中，卷积神经网络池化层是由特征映射层输出信号的Lp范数池化而获得，并形成如下优化问题：其中，0＜p＜1；fk，m为所述特征映射层输出信号。p的值是通过最小化池化层的实际输出和理想输出信号之间的误差来确定的，并且此优化问题是一个光滑的优化问题，传统的基于梯度下降的方法可以应用于找到此优化问题的解。
为了更好的说明本发明的技术效果，参见图2至图4可知，本发明的技术方案相比于现有技术的无创血糖估计方法，具有更高的精度。
参见图5，图5是本发明提供的基于卷积神经网络的无创血糖数据处理系统的一种实施例的结构示意图。如图5所述，该系统包括：数据获取模块501、极大值计算模块502、分组排序模块503、特征信号构建模块504、第一映射矩阵构建模块505、第二映射矩阵构建模块506和优化模块507。
其中，数据获取模块501用于获取若干组血糖数据；每组血糖数据包括红外信号和红外信号所对应的血糖值。
极大值计算模块502用于根据若干组血糖数据中的红外信号，计算获得极大值红外信号。
分组排序模块503用于通过奇异谱分析和经验模式分解，将极大值红外信号分解，分别获得第一数据组和第二数据组，获得若干个归一化成分数据，并将第一数据组中的成分数据根据第二数据组中IMF数据的个数和IMF数据之间的并根据各归一化成分数据的相关性程度进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，第一数据组包含若干个归一化成分数据，第二数据组包含若干个IMF数据。
特征信号构建模块504用于分别提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1。
第一映射矩阵构建模块505用于根据特征信号和若干组血糖数据的血糖值，构建映射矩阵。
第二映射矩阵构建模块506用于获取待测者的待测信号，并将待测信号导入该映射矩阵，获得待测映射矩阵。
优化模块507用于使用预设卷积神经网络的特征映射层和池化层，对待测映射矩阵进行优化，并输出优化结果；其中，特征映射层以径向基函数作为激活函数；池化层用于降低信号维数。
本系统更详细的工作原理和步骤流程，可以但不限于参见上述方法的描述。
由上可见，本发明实施例提供的基于卷积神经网络的无创血糖数据处理方法及系统，先对若干组血糖数据进行奇异谱分析和经验模式分解，并对分解后的归一化成分分组排序，然后提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；再根据该特征信号和若干组血糖数据的血糖值，构建映射矩阵；最后获取待测者的待测信号，将其导入映射矩阵后通过卷积神经网络的特征映射层和池化层的优化，输出优化结果。相比于现有技术无创血糖浓度估计存在精度低的问题，本发明使用卷积神经网络来对红外设备所测得的人体血糖信号进行处理，并针对性地优化了卷积神经网络的特征映射层和池化层，提高了系统的估计精度。
进一步的，本发明创新性地通过优化卷积神经网络的特征映射层和池化层来提高血糖浓度估计系统的精确度。由于特征映射层具有非线性、无记忆特性，本发明采用高维数的高斯函数作为特征映射层的激活函数，因此特征映射层的优化设计转变成了高维数的高斯函数中的参数的优化设计。另一方面，卷积神经网络的池化层主要作用是降低信号的维数，本发明采用Lp范数作为特征映射层输出信号的池化方式，通过找到一个光滑优化问题的解来找到P的值。通过解决卷积神经网络这两个优化问题，并使用这个经过优化过的卷积神经网络来预估人体血糖浓度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于卷积神经网络的无创血糖数据处理方法，其特征在于，包括：
获取若干组血糖数据；每组血糖数据包括红外信号和所述红外信号所对应的血糖值；
根据所述若干组血糖数据中的红外信号，计算获得极大值红外信号；
通过奇异谱分析和经验模式分解，将所述极大值红外信号分解，分别获得第一数据组和第二数据组，并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，所述第一数据组包含若干个归一化成分数据，所述第二数据组包含若干个IMF数据；
分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1；
根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵；
获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵；
使用预设卷积神经网络的特征映射层和池化层，对所述待测映射矩阵进行优化，并输出优化结果；其中，所述特征映射层以径向基函数作为激活函数；所述池化层用于降低信号维数。
2.根据权利要求1所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，所述根据所述若干组血糖数据中的红外信号，计算获得极大值红外信号，具体为：
根据所述若干组血糖数据中的红外信号和以下计算公式，计算获得极大值红外信号：
(x(n)-x(n-1))(x(n+1)-x(n))＜0；
其中，所述红外信号为Xk；所述极大值红外信号为xk。
3.根据权利要求2所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，所述分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值，构建特征信号，具体为：
分别提取xk和前5组成分数据s1k，s2k，s3k，s4k和s5k的均值、方差、斜率和峰值，构建特征信号vk＝[p1(xk) … p4(xk) p1(s1,k) … p4(s1,k) … p1(s5,k) … p4(s5,k)]T；其中，N＝5。
4.根据权利要求3所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，所述根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵，具体为：
对所述特征信号vk做离散余弦变换，获得并构建映射矩阵w，其中，y为所述若干组血糖数据的血糖值。
5.根据权利要求4所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵，具体为：
获取待测者的待测信号z，并将z导入到映射矩阵w中，获得待测映射矩阵q；其中，q＝wTz。
6.根据权利要求5所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，所述特征映射层以径向基函数作为激活函数，形式如下：
所述特征映射层的优化问题为：
其中，c＝0…C为特征映射层神经元个数，k＝0…K-1为训练特征向量数，uc和Cc分别为均值和协方差矩阵。
7.根据权利要求6所述的基于卷积神经网络的无创血糖数据处理方法，其特征在于，所述卷积神经网络池化层是由所述特征映射层输出信号的Lp范数池化而获得，并形成如下优化问题：
其中，0＜p＜1；fk，m为所述特征映射层输出信号。
8.一种基于卷积神经网络的无创血糖数据处理系统，其特征在于，包括：
数据获取模块，用于获取若干组血糖数据；每组血糖数据包括红外信号和所述红外信号所对应的血糖值；
极大值计算模块，用于根据所述若干组血糖数据中的红外信号，计算获得极大值红外信号；
分组排序模块，用于通过奇异谱分析和经验模式分解，将所述极大值红外信号分解，分别获得第一数据组和第二数据组，并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组，将分组后同组的成分数据相加后，按照成分数据由大到小的顺序对各组进行排序；其中，所述第一数据组包含若干个归一化成分数据，所述第二数据组包含若干个IMF数据；
特征信号构建模块，用于分别提取所述极大值红外信号和前N组成分数据的均值、方差、斜率和峰值，构建特征信号；其中，N≥1；
第一映射矩阵构建模块，用于根据所述特征信号和所述若干组血糖数据的血糖值，构建映射矩阵；
第二映射矩阵构建模块，用于获取待测者的待测信号，并将所述待测信号导入所述映射矩阵，获得待测映射矩阵；
优化模块，用于使用预设卷积神经网络的特征映射层和池化层，对所述待测映射矩阵进行优化，并输出优化结果；其中，所述特征映射层以径向基函数作为激活函数；所述池化层用于降低信号维数。
CN201610750340.5A 2016-08-29 2016-08-29 基于卷积神经网络的无创血糖数据处理方法及系统 Pending CN106446777A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610750340.5A CN106446777A (zh) 2016-08-29 2016-08-29 基于卷积神经网络的无创血糖数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610750340.5A CN106446777A (zh) 2016-08-29 2016-08-29 基于卷积神经网络的无创血糖数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN106446777A true CN106446777A (zh) 2017-02-22

Family

ID=58182098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610750340.5A Pending CN106446777A (zh) 2016-08-29 2016-08-29 基于卷积神经网络的无创血糖数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN106446777A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107748895A (zh) * 2017-10-29 2018-03-02 北京工业大学 基于dct‑cnn模型的无人机着陆地貌图像分类方法
CN109448855A (zh) * 2018-09-17 2019-03-08 大连大学 一种基于cnn和模型融合的糖尿病血糖预测方法
WO2019049126A1 (en) * 2017-09-05 2019-03-14 Cnoga Medical Ltd. METHOD AND APPARATUS FOR NON-INVASIVE GLUCOSE MEASUREMENT
CN109919054A (zh) * 2019-02-25 2019-06-21 电子科技大学 一种基于机器视觉的试剂卡自动分类的检测方法
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
WO2020228141A1 (zh) * 2019-05-13 2020-11-19 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN113008860A (zh) * 2021-04-25 2021-06-22 广东工业大学 血脂分类方法、系统、储存介质及计算机设备
CN113288131A (zh) * 2021-05-06 2021-08-24 广东工业大学 基于图卷积网络的无创血糖检测方法、处理器及装置
CN113288134A (zh) * 2021-05-06 2021-08-24 广东工业大学 用于训练血糖分类模型的方法、装置、手环设备及处理器
CN114091729A (zh) * 2021-10-21 2022-02-25 中国电建集团华东勘测设计研究院有限公司 基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析
CN103190914A (zh) * 2012-01-04 2013-07-10 胡吉 一种用于血糖仪数据无线传输的装置
CN104739421A (zh) * 2015-04-09 2015-07-01 深圳市一体太赫兹科技有限公司 血糖检测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101896115A (zh) * 2006-06-15 2010-11-24 海博安有限公司 用于检测低血糖症的eeg信号分析
CN103190914A (zh) * 2012-01-04 2013-07-10 胡吉 一种用于血糖仪数据无线传输的装置
CN104739421A (zh) * 2015-04-09 2015-07-01 深圳市一体太赫兹科技有限公司 血糖检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIN WU 等: "Optimal design of both rectified layer and pooling layer of convolutional neural network for noninvasive blood glucose estimation system", 《INDUSTRIAL INFORMATICS》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019049126A1 (en) * 2017-09-05 2019-03-14 Cnoga Medical Ltd. METHOD AND APPARATUS FOR NON-INVASIVE GLUCOSE MEASUREMENT
CN111065332A (zh) * 2017-09-05 2020-04-24 西诺嘉医药有限公司 用于非侵入性葡萄糖测量的方法及装置
US10687739B2 (en) 2017-09-05 2020-06-23 Cnoga Medical Ltd. Method and apparatus for non-invasive glucose measurement
CN107748895B (zh) * 2017-10-29 2021-06-25 北京工业大学 基于dct-cnn模型的无人机着陆地貌图像分类方法
CN107748895A (zh) * 2017-10-29 2018-03-02 北京工业大学 基于dct‑cnn模型的无人机着陆地貌图像分类方法
CN109448855A (zh) * 2018-09-17 2019-03-08 大连大学 一种基于cnn和模型融合的糖尿病血糖预测方法
CN109919054A (zh) * 2019-02-25 2019-06-21 电子科技大学 一种基于机器视觉的试剂卡自动分类的检测方法
CN109919054B (zh) * 2019-02-25 2023-04-07 电子科技大学 一种基于机器视觉的试剂卡自动分类的检测方法
WO2020228141A1 (zh) * 2019-05-13 2020-11-19 清华大学 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
CN113008860A (zh) * 2021-04-25 2021-06-22 广东工业大学 血脂分类方法、系统、储存介质及计算机设备
CN113288131A (zh) * 2021-05-06 2021-08-24 广东工业大学 基于图卷积网络的无创血糖检测方法、处理器及装置
CN113288134A (zh) * 2021-05-06 2021-08-24 广东工业大学 用于训练血糖分类模型的方法、装置、手环设备及处理器
CN113288131B (zh) * 2021-05-06 2022-07-12 广东工业大学 基于图卷积网络的无创血糖检测方法、处理器及装置
CN114091729A (zh) * 2021-10-21 2022-02-25 中国电建集团华东勘测设计研究院有限公司 基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法

Similar Documents

Publication Publication Date Title
CN106446777A (zh) 基于卷积神经网络的无创血糖数据处理方法及系统
CN102512158B (zh) 一种基于高维模糊识别的心电信号质量评估方法和装置
CN106108889B (zh) 基于深度学习算法的心电图分类方法
CN109907752A (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统
Kumar et al. Improved modified AZTEC technique for ECG data compression: Effect of length of parabolic filter on reconstructed signal
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
CN102178514A (zh) 一种基于非线性与复杂性多重指标的昏迷程度评价方法
CN105030279A (zh) 一种基于超声射频时间序列的组织定征方法
CN102670190A (zh) 基于心率变异性非线性特性的充盈性心衰自动诊断方法
CN109106345A (zh) 脉搏信号特征检测方法和装置
Lyakhov et al. System for neural network determination of atrial fibrillation on ECG signals with wavelet-based preprocessing
CN113116300A (zh) 一种基于模型融合的生理信号分类方法
CN114324549B (zh) 基于呼出气质谱检测的肺结核风险评估方法及系统
CN107516019A (zh) 无创健康预测系统及方法
Lin et al. Approximate entropy as acoustic emission feature parametric data for crack detection
CN110141245A (zh) 一种心电图特征向量提取方法
CN109009005A (zh) 一种可穿戴式中医脉象采集与分析系统
CN112307996A (zh) 一种指尖心电身份识别装置及方法
Zeng et al. Deep arrhythmia classification based on SENet and lightweight context transform
CN106805943A (zh) 基于分数阶微分方程的血糖数据处理方法及装置
CN114145725B (zh) 一种基于无创连续血压测量的ppg采样率估算方法
AU2007266311A1 (en) Impedance measurements
Rakshit et al. Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system
CN112784887B (zh) 一种植物生命状态评价方法及装置
CN111616686A (zh) 基于Heaviside核函数的生理信号非平衡性分析方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170222

RJ01 Rejection of invention patent application after publication