CN106980746A - 一种基于时序分析的通用无创血糖预测方法 - Google Patents

Abstract

本发明公开了一种基于时序分析的通用无创血糖预测方法。方法包括数据输入和预处理、特征值筛选、基于时序分析的单特征值模型、多特征值融合、无创血糖预测5个步骤。无创血糖预测时输入新的无创测试数据，利用建模得到的相关特征值信息、单特征值模型和多特征值模型计算出血糖预测序列。本发明提出的预测方法易于实施，可以克服人体生理参数变化和血糖变化之间的延迟，得到更准确的无创血糖测试结果。该预测方法适用于不同的无创血糖测试方法，具有通用性。

Description

一种基于时序分析的通用无创血糖预测方法

技术领域

本发明涉及对人体进行无创血糖检测，属于无创血糖测试研究领域，具体为一种基于时序分析的通用无创血糖预测方法。

背景技术

糖尿病是一组以高血糖为特征的代谢性疾病，目前还没有根治糖尿病的方法。糖尿病的治疗以频繁地监测、控制血糖水平为主。传统的有创取血测量血糖的方法存在明显缺陷，在测量过程中给患者带来创伤和痛觉，不便于实现连续性的检测。无创血糖检测技术克服了传统检测方法的缺点，能有效地满足糖尿病人实时、频繁监测血糖浓度的需求,是血糖检测技术发展的方向。但目前无创血糖测试的准确度还不满足需求。

目前使用的无创血糖预测方法采用该时刻的无创测量参数预测该时刻的血糖，如美国专利US20120101351A1中利用测试时刻的阻抗谱特性预测血糖，中国专利CN105662434A利用测试时刻的中红外光特性预测血糖，中国专利CN104490403A中利用测试时刻的光谱信息预测血糖。

中国专利文献(CN103310113A)中公开了利用血糖的潜在时序动态特性进行血糖预测的方法，其利用的是之前一段时间通过有创方法测试的皮下血糖值，预测之后一段时间的血糖。这属于利用人体血糖本身的动态变化特性，通过有创方法采集一段时间的血糖值来预测之后一段时间的血糖。

无创血糖测试时通过测试人体与血糖水平相关的生理参数来预测血糖，人体的血糖变化和生理参数变化之间有一定的延迟，不同的生理参数的延迟可能不同，不能简单的用当前时刻的生理参数值去预测当前时刻的血糖；而利用历史血糖信息去预测血糖，虽然使用了血糖的时间序列，但历史血糖需要通过有创的方法得到，无法克服有创方法带来的创伤和感染风险。

发明内容

本发明的目的是克服现有无创血糖预测方法的不足，利用时序分析的方法建立血糖模型，克服人体生理参数和血糖水平变化之间的延迟。

本发明的技术方案如下：

一种基于时序分析的通用无创血糖预测方法，其特征在于该方法包括如下步骤：

1)数据输入和预处理：通过无创方法连续采集人体的相关生理参数得到特征值序列x_i(t)，i＝1,…,T，t＝1,…,Z，i为特征值编号，t为采样点编号，T为通过采集的生理参数计算得到的特征值个数，Z为序列长度；同时利用有创方法得到实测血糖值序列Glu(t)，将特征值序列和实测血糖值序列进行归一化处理；

2)特征值筛选：根据特征值序列和实测血糖值序列的相似性进行特征值筛选，筛选出与血糖变化相关度较大的特征值子集，记录筛选出的相关特征值信息；

3)基于时序分析的单特征值模型：采用时序分析模型表达相关特征值序列和实测血糖值序列之间的关系，得到单特征值模型和单特征值模型血糖序列；

4)多特征值融合：将各个单特征值模型血糖序列使用加权平均模型进行融合，得到多特征值模型；

5)利用建立的相关特征值信息、单特征值模型和多特征值模型进行无创血糖预测。

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于：步骤2)特征值筛选时，使用互相关函数得到特征值序列和实测血糖值序列的相似性，对于特征值序列x_i(t)，其与实测血糖值序列的相关函数为：

其中，N为设定计算的互相关序列长度，R(τ)为互相关函数值，τ是互相关函数的自变量；进行特征值筛选时，当R(τ)的最大值R_max超过设定阈值，认为两个序列相似，把这个特征值作为相关特征值，加入到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j。

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于：步骤3)基于时序分析的单特征值模型时，采用时序分析方法中的滑动平均模型表达相关特征值序列和实测血糖值序列之间的关系，如下式：

其中：m为模型阶数，0≤n<m，b_jn为模型系数，ε_j(t)为残差；

利用最小二乘法得到模型系数b_jn，从而得到中间变量g_j(t)：

由g_j(t)和Glu(t)得到两者之间的延时T_j，得到最终的单特征值模型血糖序列G_j(t)：

G_j(t)＝g_j(t-T_j)。

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于：步骤4)多特征值融合时，使用加权平均模型进行融合，得到多特征值模型参数K_j，K_j为G_j(t)对应的权重，通过线性回归模型得到如下式：

其中ε(t)为拟合残差。

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于步骤5)进行无创血糖预测时，具体步骤为：

1)通过无创方法连续采集人体的相关生理参数重新得到特征值序列x_i(t)，对特征值序列进行预处理；

2)利用建模中步骤2)得到的相关特征值信息进行特征值提取，得到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j；

3)根据建模中步骤3)得到的单特征模型模型参数m、b_jn和T_j，进行单特征值预测，得到g_j(t)和G_j(t)，其中G_j(t)＝g_j(t-T_j)；

4)根据建模中步骤4)得到的多特征值模型参数K_j，得到最终血糖预测序列

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于：无创采集的生理参数包括红外光谱特性、阻抗特性、温度、湿度、血流速、血氧饱和度、脉搏、声速、声阻抗、光声谱特性。

上述方案中的一种基于时序分析的通用无创血糖预测方法，其特征在于：特征值序列和实测血糖值序列在预处理过程中归一化后采用小波滤波进行滤波。

本发明与现有技术相比，具有以下优点及突出性效果：①本发明提出的基于时序分析的通用无创血糖预测方法简单易用，对于每位糖尿病患者，只需要通过一次约3小时的测试即可建立模型；②克服了人体生理参数变化和血糖浓度变化的延迟，使无创方法测得的血糖值更准确；③本发明提出的方法适用于多种不同的无创血糖测试方法，具有通用性。

附图说明：

图1是基于时序分析的通用无创血糖预测方法的流程框图。

图2是无创得到的特征值序列和实测血糖值序列示例。

图3是小波滤波结果示例。

图4是单特征值模型结果示例。

图5是单特征值模型和多特征值融合结果对比。

图6是数据采集流程示意图。

图7是血糖预测结果示例。

图8是基于阻抗谱-光学方法的多传感器无创血糖检测设备探头。

图中：1-低频电极；2-温湿度传感器；3-高频电极；4-发光二极管阵列；5-光电传感器；6-接触板；7-屏蔽电极；L为高频电极的匹配电感。

具体实施方式

下面结合附图对本发明提出的一种基于时序分析的通用无创血糖预测方法具体过程做进一步的说明。

基于阻抗谱-光学方法的多传感器无创血糖检测设备，检测探头如附图8，包括温湿度传感器2、发光二极管阵列4、光电传感器5、低频电极1和高频电极3。高频电极采用平行电极，电极的正极或负极上直接焊接匹配的电感，并设有屏蔽电极7。低频电极的距离位15cm，能稳定测试组织低频阻抗。

首先要使用基于阻抗谱-光学方法的多传感器无创血糖检测设备进行数据采集，数据采集的过程如附图6，具体步骤为：

1)测试者空腹状态开始测试，测试前30分钟不能进行剧烈运动，最好是在舒适的环境中以舒适的姿势静坐。

2)测试者佩戴无创测试设备，开始连续采集相关生理参数信息。这里的无创测试设备可以是基于不同原理的不同设备。

3)测试者佩戴无创设备20分钟后开始进餐，进餐在15分钟内完成；进餐的量最好能够控制。

4)餐后至少连续采集数据140分钟。最好选择采集餐后3个小时的数据，这样可以得到餐后血糖升高到降低的整个过程。每次实验采集的数据长度不需要完全一致。

在采用无创设备进行数据采集的同时，利用有创方法得到标准血糖值，可以每隔30分钟采集一次指尖血数据，得到实测血糖值序列Glu(t)。

基于阻抗谱和光学方法的无创血糖测试设备，需要采集组织的低频阻抗、高频阻抗、温度、湿度、透光性等特征值随时间的变化。各个参数每隔1分钟计算一次，并存储在文件中。

采集数据之后，根据采集的数据进行建模，具体步骤如下：

1)数据输入和预处理。通过无创方法连续采集人体的相关生理参数，包括低频阻抗、高频阻抗、谐振频率、温度、湿度、组织透光性，从生理参数中计算得到特征值序列x_i(t)，i＝1,…,T，T为特征值个数，针对基于阻抗谱和光学方法的无创血糖测试方法T取10，x_i(t)为第i个特征值的时间序列。输入利用传统方法得到实测血糖值序列Glu(t)。将特征值和实测血糖值进行归一化处理。并对特征值序列和实测血糖值序列进行插值，得到时间匹配的特征值序列与血糖值序列。

各特征值序列和实测血糖值序列归一化的示例如附图2，图中列出了组织谐振频率、透光性、温度、湿度参数序列和实测血糖值序列的归一化结果。

为了消除高频噪声用小波滤波对原始时间序列进行滤波。小波滤波首先选定小波基，这里可以采用db8小波，对原始信号做六层分解，取第一层和第二层信号进行重构，消除高频噪声。小波滤波的效果如附图3。

2)特征值筛选：根据特征值序列和实测血糖值序列的相似性进行特征值筛选，筛选出与血糖变化相关度较大的特征值子集，记录筛选出的相关特征值信息；使用互相关函数得到特征值序列和实测血糖值序列的相似性，对于特征值序列x_i(t)，其与实测血糖值序列的相关函数为：

其中N为设定计算的互相关序列长度，R(τ)为互相关函数值，τ是互相关函数的自变量。进行特征值筛选时，当特征值与实测血糖值序列的互相关函数的最大值R_max超过设定阈值，认为两个信号相似，把这个特征值作为相关特征值，加入到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j。

3)基于时序分析的单特征值模型：采用时序分析方法中的滑动平均模型表达相关特征值序列和实测血糖值序列之间的关系，如下式：

其中：m为模型阶数，0≤n<m，b_jn为模型系数，ε_j(t)为残差；

利用最小二乘法得到模型系数b_jn，从而得到中间变量g_j(t)：

由g_j(t)和Glu(t)得到两者之间的延时T_j，得到最终的单特征值模型血糖序列G_j(t)：

G_j(t)＝g_j(t-T_j) ⑷

可以使用互相关函数得到g_j(t)和Glu(t)的延时T_j，互相关函数如式(5)：

其中N为设定计算的互相关序列长度，R(τ)为互相关函数值，τ是互相关函数的自变量。互相关函数的最大值R_max对应的τ值就是T_j。

这里可以设置模型阶数为10，单特征值血糖模型结果如图4，其中给出了实测血糖值、原始特征值和单特征值模型血糖序列的关系。

无创血糖测试时通过测试人体与血糖水平相关的生理参数来预测血糖，人体的血糖变化和生理参数变化之间有一定的延迟，不同的生理参数的延迟可能不同，不能简单的用当前时刻的生理参数值去预测当前时刻的血糖。这里采用时序分析的方法建立模型可以克服生理参数和血糖值之间的延迟。

4)多特征值融合：将各个单特征值模型血糖序列使用加权平均模型进行融合，得到多特征值模型参数，G_j(t)对应的权重K_j通过线性回归模型得到：

其中ε(t)为拟合残差；

得到K_j后，通过加权平均得到多特征值血糖模型序列：

其中，G(t)是多特征值血糖模型序列；

多特征值血糖模型序列的会比单特征值模型血糖序列要好，综合了各个特征值的信息，预测结果也更稳定，如图5。

5)利用建立的模型进行无创血糖预测：

1)通过无创方法连续采集人体的相关生理参数得到新的特征值序列x_i(t)，对特征值序列进行预处理；

2)利用建模中步骤2)得到的相关特征值信息进行特征值提取，得到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j；

3)根据建模中步骤3)得到的单特征模型模型参数m、b_jn和T_j，进行单特征值预测，得到g_j(t)和G_j(t)，其中G_j(t)＝g_j(t-T_j)；

4)根据建模中步骤4)得到的多特征值模型参数K_j，得到最终血糖预测序列

利用上述方法进行血糖预测的结果见图7。对1个使用者进行3次测试，利用其中一次实验进行建模，对其余两次实验进行预测。其中灰色背景的图片表示建模结果，白色背景是预测结果。图中虚线为模型预测结果，实现为实测血糖结果。可以看出使用该方法预测血糖的结果较准确。

从上述过程可以发现，经过一次测试就可以建立模型，整个过程大约3个小时。如果更换不同的测试方法，只是得到的特征值不同，建模方法不需要改变，具有通用性。可以采用光学方法无创采集组织的光谱特征，如中红外波段、近红外波段、可见光波段等。从光谱提取与血糖变化相关的特征光谱，得到特征值。可以采用超声波方法无创采集组织的声学特性，从中提取出声速、声阻抗等特性作为特征值。

Claims (7)

1.一种基于时序分析的通用无创血糖预测方法，其特征在于该方法包括如下步骤：

1)数据输入和预处理：通过无创方法连续采集人体的相关生理参数得到特征值序列x_i(t)，i＝1,…,T，t＝1,…,Z，i为特征值编号，t为采样点编号，T为通过采集的生理参数计算得到的特征值个数，Z为序列长度；同时利用有创方法得到实测血糖值序列Glu(t)，将特征值序列和实测血糖值序列进行归一化处理；

2)特征值筛选：根据特征值序列和实测血糖值序列的相似性进行特征值筛选，筛选出与血糖变化相关度较大的特征值子集，记录筛选出的相关特征值信息；

3)基于时序分析的单特征值模型：采用时序分析模型表达相关特征值序列和实测血糖值序列之间的关系，得到单特征值模型和单特征值模型血糖序列；

4)多特征值融合：将各个单特征值模型血糖序列使用加权平均模型进行融合，得到多特征值模型；

5)利用建立的相关特征值信息、单特征值模型和多特征值模型进行无创血糖预测。

2.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于：步骤2)中特征值筛选时，使用互相关函数得到特征值序列和实测血糖值序列的相似性，对于特征值序列x_i(t)，其与实测血糖值序列的相关函数为：

$R\left(\mathrm{\&tau;}\right)={\mathrm{\&Sigma;}}_{t=0}^{N-1}\left(x_i\right(t\left)Glu\right(t+\mathrm{\&tau;}\left)\right)/N$

其中，N为设定计算的互相关序列长度，R(τ)为互相关函数值，τ是互相关函数的自变量；进行特征值筛选时，当R(τ)的最大值R_max超过设定阈值，认为两个序列相似，把这个特征值作为相关特征值，加入到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j。

3.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于：步骤3)中基于时序分析的单特征值模型时，采用时序分析方法中的滑动平均模型表达相关特征值序列和实测血糖值序列之间的关系，如下式：

$Glu\left(t\right)={\mathrm{\&Sigma;}}_{n=0}^{m-1}{x}_j(t-n)\&times;b_{jn}+{\mathrm{\&epsiv;}}_j\left(t\right)$

其中：m为模型阶数，0≤n<n，b_jn为模型系数，ε_j(t)为残差；

利用最小二乘法得到模型系数b_jn，从而得到中间变量g_j(t)：

$g_j\left(t\right)={\mathrm{\&Sigma;}}_{n=0}^{m-1}{x}_j(t-n)\&times;b_{jn}$

由g_j(t)和Glu(t)得到两者之间的延时T_j，得到最终的单特征值模型血糖序列G_j(t)：

G_j(t)＝g_j(t-T_j)。

4.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于，步骤4)中多特征值融合时，使用加权平均模型进行融合，得到多特征值模型参数K_j，K_j为G_j(t)对应的权重，通过线性回归模型得到如下式：

其中ε(t)为拟合残差。

5.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于，步骤5)进行无创血糖预测时，具体步骤为：

1)通过无创方法连续采集人体的相关生理参数重新得到特征值序列x_i(t)，对特征值序列进行预处理；

2)利用建模中步骤2)得到的相关特征值信息进行特征值提取，得到特征值子集，特征值子集中相关特征值个数为M，相关特征值编号为j；

3)根据建模中步骤3)得到的单特征模型模型参数m、b_jn和T_j，进行单特征值预测，得到g_j(t)和G_j(t)，其中

4)根据建模中步骤4)得到的多特征值模型参数K_j，得到最终血糖预测序列

$G\left(t\right)={\mathrm{\&Sigma;}}_{j=1}^M{G}_j\left(t\right)\&times;K_j.$

6.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于：无创采集的生理参数包括红外光谱特性、阻抗特性、温度、湿度、血流速、血氧饱和度、脉搏、声速、声阻抗、光声谱特性。

7.如权利要求1所述的一种基于时序分析的通用无创血糖预测方法，其特征在于：特征值序列和实测血糖值序列在预处理过程中归一化后采用小波滤波进行滤波。