CN107192690B - 近红外光谱无创血糖检测方法及其检测网络模型训练方法 - Google Patents
近红外光谱无创血糖检测方法及其检测网络模型训练方法 Download PDFInfo
- Publication number
- CN107192690B CN107192690B CN201710359335.6A CN201710359335A CN107192690B CN 107192690 B CN107192690 B CN 107192690B CN 201710359335 A CN201710359335 A CN 201710359335A CN 107192690 B CN107192690 B CN 107192690B
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- artificial neural
- detection
- data group
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 210000004369 blood Anatomy 0.000 title claims abstract description 139
- 239000008280 blood Substances 0.000 title claims abstract description 138
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 121
- 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 104
- 239000008103 glucose Substances 0.000 title claims abstract description 104
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 118
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 64
- 210000002569 neuron Anatomy 0.000 claims description 42
- 238000002939 conjugate gradient method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004566 IR spectroscopy Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 206010033372 Pain and discomfort Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000002795 fluorescence method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种近红外光谱无创血糖检测方法及其检测网络模型训练方法,通过先利用近红外光谱数据及其对应的有创血糖浓度数据训练获得多个人工神经网络,并优选其中两个人工神经网络为基本结构,在此基础上利用粒子群算法优化两个人工神经网络的权重系数得到检测网络模型,并利用权重系数调整检测网路模型中两个人工神经网络的贡献比例来克服单个个体每天生理规律的差异性和个体差异性;利用本发明所得的检测网络模型进行近红外光谱无创血糖检测时,只需要对待测个体对象进行人体血糖的近红外光谱数据采集,便能够得到近红外光谱无创血糖检测结果,利用该检测网络模型进行近红外光谱无创血糖检测具有较高检测精度,能够很好的满足临床应用需求。
Description
技术领域
本发明涉及生理信号采集技术和数字信号分析技术领域,具体涉及一种近红外光谱无创血糖检测方法及其检测网络模型训练方法。
背景技术
糖尿病严重威胁着人们的生命健康,但临床还未出现根治糖尿病的方法,临床上常常借助频繁的血糖浓度检测和药物控制使糖尿病患者的血糖浓度维持在正常的水平。国内外的学者在血糖浓度检测技术中投入了大量的精力和资源,并取得了一定的研究成果。目前的血糖检测方法包含无创、微创和有创三大类,其中有创和微创检测精度较高,能够满足临床血糖检测要求,但是有创和微创的检测都会给糖尿病患者带来痛苦和不适,因此血糖的无创检测需求顺势而生。
无创血糖检测方法有近红外光谱法、荧光法、偏振光旋光等,近红外光谱检测法因为成本低、精度高、速度快、无污染等优点成为最具潜力的血糖无创检测方法之一。随着人们对近红外光谱无创检测技术研究的不断深入,近红外光谱技术有望在人体血糖浓度的检测中发挥重要的作用,实现血糖的精确测量。
近红外光谱定量分析的理论基础是比尔-朗伯定律: ,其中A λ 为特定波长λ下血糖的吸光度,I 0(λ)为透射光强度,I(λ)为经过人体组织后的透射光强度,ε(λ)为吸光系数,l为光程长,c为血糖的浓度。比尔-朗伯定律适用于均匀的非散射体系,要求吸光质点之间不存在相互作用。
近红外光谱技术在血糖无创检测中的关键技术是稳健精确的定量模型的建立。传统的近红外光谱技术定量分析方法有多元线性回归、主成分回归和偏最小二乘法。这些传统的近红外光谱技术定量分析方法都是线性模型,对比尔-朗伯定律具有较好的解释能力。人体组织体系比较复杂,由于人体成分之间的相互作用、人体本身的噪声和光谱的基线漂移,使得基于比尔-朗伯定律的血糖和光谱不再是单纯的线性关系,因此比尔-朗伯定律导向的线性模型至今都没有达到血糖检测的临床标准。另外,这些方法近红外光谱的采集设备是光谱仪,捕获的影响因子很多,但是常常会导致信息的冗余,因此不利于无创血糖检测的家用推广;并且,大部分的建模方法都没有考虑个体差异性和单个个体每天生理规律的差异性。因此亟需一种具有较高检测精度、能够满足临床应用需求的新型近红外光谱无创血糖检测技术。
发明内容
针对现有技术中存在的不足,本发明的目的在于提供一种近红外光谱无创血糖检测方法,其不需要完全依靠比尔-朗伯定律的先验假设,能够具备较高的检测精度、满足临床应用的需求,解决现有技术中近红外光谱无创血糖检测方案存在误差较大、难以满足临床应用要求、不利于家用推广的问题。
为实现上述目的,本发明采用了如下技术方案:
用于近红外光谱无创血糖检测的检测网络模型训练方法,包括如下步骤:
1)针对指定的多个个体对象,在不同检测时段分别对各个个体对象进行人体血糖的近红外光谱检测和有创血糖浓度检测,将每个个体对象检测获取的近红外光谱数据和有创血糖浓度数据作为相应个体对象的血糖样本数据组,从而得到多个个体对象的血糖样本数据组,并将其中一部分个体对象的血糖样本数据组作为训练样本数据组,剩余个体对象的血糖样本数据组作为测试样本数据组;
2)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的近红外光谱数据及其对应的有创血糖浓度数据分别作为自变量和因变量输入到人工神经网络,并对该人工神经网络进行训练,进而得到一个参数和结构均确定的人工神经网络;从而,针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段,分别训练得到多个参数和结构均确定的人工神经网络;
3)将各测试样本数据组分别输入到训练所得的各个人工神经网络中,分别计算各个测试样本数据组中的近红外光谱数据分别输入到各个人工神经网络所得的血糖浓度预测值,并分别计算各个测试样本数据组输入到每个人工神经网络所得的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差,用以分别判断每个人工神经网络的血糖浓度预测准确性,选取其中血糖浓度预测准确性最优和次最优的两个人工神经网络,分别标记为Netm和Netn;
4)构建用于近红外光谱无创血糖检测的检测网络模型Net=a*Netm+(1-a)*Netn,其中a为检测网络模型Net的比例参数;
5)以每个测试样本数据组中的有创血糖浓度数据值与相应测试样本数据组中的近红外光谱数据输入到检测网络模型Net所得血糖浓度预测值之间的均方根误差为目标函数,以在[0,1]的解空间内取值的比例参数a作为粒子的位置向量,利用粒子群算法优化求解比例参数a,得到以目标函数值最小为目标的比例参数a的取值,从而确定用于近红外光谱无创血糖检测的检测网络模型Net,所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系。
上述用于近红外光谱无创血糖检测的检测网络模型训练方法中,具体而言,所述步骤2)具体为:
21)确定人工神经网络的输入层神经元个数和输出层神经元个数分别为1个;
22)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的每个血糖样本数据组中的近红外光谱数据及其对应的有创血糖浓度数据分别作为一个人工神经网络的自变量和因变量,针对人工神经网络中隐含层神经元为不同个数的情况,分别采用量化共轭梯度法对一个人工神经网络进行训练,并分别统计出隐含层神经元为相同个数的每种情况下由各不同血糖样本数据组对人工神经网络进行训练所得的训练预测血糖值与相应测试样本数据组中的有创血糖浓度数据值之间的均方根误差,比较隐含层神经元为不同个数的情况所对应的均方根误差,根据均方根误差小于预设误差阈值的最少隐含层神经元数来确定隐含层神经元的个数,从而根据训练结果确定相应人工神经网络的权重项参数和阈值项参数;
23)重复步骤21)~22),针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段检测获得的血糖样本数据组,分别进行人工神经网络的训练,从而得到各个不同个体对象在各个不同检测时段所对应的多个参数和结构均确定的人工神经网络。
上述用于近红外光谱无创血糖检测的检测网络模型训练方法中,作为优选方案,对个体对象进行人体血糖的近红外光谱检测时,所采用的红外光谱为1550nm单波长近红外光。
相应地,本发明还提供了利用上述训练方法所得的检测网络模型进行近红外光谱无创血糖检测的方法。为此,本发明采用了如下的技术方案:
一种近红外光谱无创血糖检测方法,包括如下步骤:
A)获取上述方法得到的检测网络模型Net,所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系;
B)对待测个体对象进行人体血糖的近红外光谱检测,获得待测个体对象的近红外光谱数据;
C)将待测个体对象的近红外光谱数据输入到检测网络模型Net中进行计算,得到待测个体对象的血糖浓度数据值,作为待测个体对象的近红外光谱无创血糖检测结果。
相比于现有技术,本发明具有如下有益效果:
1、本发明用于近红外光谱无创血糖检测的检测网络模型训练方法中,训练过程中的自变量是基于近红外光谱数据,克服了现有近红外光谱无创血糖检测几百个自变量的信息冗余的缺点,方便后期家用的推广。
2、本发明用于近红外光谱无创血糖检测的检测网络模型训练方法中,以择优选取的两个人工神经网络作为模型的基本结构,充分考虑了因为仪器接口、光谱基线漂移以及外界环境等因素导致的基于比尔-朗伯定律的线性关系的破坏,不需要完全依靠比尔-朗伯定律的先验假设,直接从近红外光谱和实测血糖数据出发,构建数据和结论之间的检测网络模型。
3、本发明用于近红外光谱无创血糖检测的检测网络模型训练方法中,通过PSO算法优化两个人工神经网络的权重系数,既能克服因为外界环境、心情、精神状态等因素导致的每天血糖规律变化的差异性,又能克服由于年龄、性别、地理环境等因素导致的个体差异性,并且这种差异性只需要通过调节一个参数修正。
4、利用本发明所得的PSO-2ANN检测网络模型进行近红外光谱无创血糖检测时,只需要对待测个体对象进行人体血糖的近红外光谱数据采集,便能够得到近红外光谱无创血糖检测结果,操作简单方便,便于家庭的推广使用。
5、本发明基于PSO-2ANN检测网络模型的近红外光谱血糖无创检测方法,一方面提高了检测的精度,另一方面提升了模型的稳健性和泛化能力。
附图说明
图1为本发明用于近红外光谱无创血糖检测的检测网络模型训练方法的流程图。
图2为典型的人工神经网络结构图。
图3为本发明PSO-2ANN检测网络模型的总拓扑结构。
图4为实施例中同一个个体对象不同天数的有创血糖浓度实测值和PSO-2ANN检测网络模型得到的血糖浓度预测值之间的拟合程度曲线图。
图5为实施例中不同个体对象的有创血糖浓度实测值和PSO-2ANN检测网络模型得到的血糖浓度预测值之间的拟合程度曲线图。
图6为本发明利用PSO-2ANN检测网络模型进行近红外光谱无创血糖检测的克拉克误差网格图。
具体实施方式
针对现有近红外光谱无创血糖检测技术中存在的不足,本发明针对目前近红外光谱无创血糖方法只考虑线性关系、变量冗余以及因个体差异性和生理差异性等因素带来的不确定性等问题,提出了一种基于粒子群算法(Particle Swarm Optimization,PSO)和双人工神经网络(Artificial Neural Network,ANN)的近红外光谱无创血糖检测方法,及其检测网络模型训练方法。本发明用于近红外光谱无创血糖检测的检测网络模型训练方法,是通过先利用近红外光谱数据及其对应的有创血糖浓度数据训练获得多个人工神经网络,并优选其中两个人工神经网络为基本结构,在此基础上利用粒子群算法优化两个人工神经网络的权重系数,从而得到预测性能满足血糖无创检测精度要求的网络模型。由于该检测网路模型中两个人工神经网络的权重系数仅依赖一个参数进行修正加以确定,因此对检测网路模型中权重系数的确定只需要利用1个样本数据即可,并且利用该权重系数调整检测网路模型中两个人工神经网络的贡献比例来克服单个个体每天生理规律的差异性和个体差异性,本发明将其称为PSO-2ANN检测网络模型。
粒子群算法(Particle Swarm Optimization,PSO),也称粒子群优化算法或鸟群觅食算法,是由J. Kennedy和R. C. Eberhart等开发的一种进化算法。PSO算法是从随机解出发,通过迭代寻找最优解,通过适应度来评价解的品质,但它比遗传算法规则更为简单,它没有遗传算法的“交叉”和“变异”操作,它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。
人工神经网络(Artificial Neural Network,即ANN),是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(Activation Function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
按照本发明的设计思路,要实现较高精度的近红外光谱无创血糖检测,需要先训练得到其检测网络模型。因此本发明提出了一种用于近红外光谱无创血糖检测的检测网络模型训练方法,其训练流程如图1所示,包括如下步骤:
1)针对指定的多个个体对象,在不同检测时段分别对各个个体对象进行人体血糖的近红外光谱检测和有创血糖浓度检测,将每个个体对象检测获取的近红外光谱数据和有创血糖浓度数据作为相应个体对象的血糖样本数据组,从而得到多个个体对象的血糖样本数据组,并将其中一部分个体对象的血糖样本数据组作为训练样本数据组,剩余个体对象的血糖样本数据组作为测试样本数据组。
该步骤中,对个体对象进行人体血糖的近红外光谱检测时,可以采用现有技术中进行近红外光谱血糖检测的近红外光谱采集装置实施检测,所采用的红外光谱可以优选为1550nm单波长近红外光,这是用于血糖检测的近红外光谱采集装置较为常用的红外光谱,易于普及应用。而获取有创血糖浓度检测的有创血糖浓度数据是为了用以作为较为准确的血糖浓度数据参照。需要分别对多个个体对象在不同检测时段进行检测,是为了克服单个个体不同时段生理规律的差异性和个体差异性。具体实施时,检测时段的周期可以按天为单位,以体现个体每天生理规律的差异性,当然也可以按照数小时、数天等时间作为检测时段的周期,根据实际应用的需求而定。
2)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的近红外光谱数据及其对应的有创血糖浓度数据分别作为自变量和因变量输入到人工神经网络,并对该人工神经网络进行训练,进而得到一个参数和结构均确定的人工神经网络;从而,针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段,分别训练得到多个参数和结构均确定的人工神经网络。该步骤具体为:
21)确定人工神经网络的输入层神经元个数和输出层神经元个数分别为1个。
以近红外光谱数据作为人工神经网络的自变量,以相应的有创血糖浓度数据作为人工神经网络的自变量,所以输入层神经元和输出层神经元个数分别为1,如图2所示。
22)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的每个血糖样本数据组中的近红外光谱数据及其对应的有创血糖浓度数据分别作为一个人工神经网络的自变量和因变量,针对人工神经网络中隐含层神经元为不同个数的情况,分别采用量化共轭梯度法对一个人工神经网络进行训练,并分别统计出隐含层神经元为相同个数的每种情况下由各不同血糖样本数据组对人工神经网络进行训练所得的训练预测血糖值与相应测试样本数据组中的有创血糖浓度数据值之间的均方根误差,比较隐含层神经元为不同个数的情况所对应的均方根误差,根据均方根误差小于预设误差阈值的最少隐含层神经元数来确定隐含层神经元的个数,从而根据训练结果确定相应人工神经网络的权重项参数和阈值项参数。
如图2所示,隐含层神经元个数将会决定人工神经网络中参数W1、b1、W2、b2的维数,W1和W2为权重项、b1和b2为阈值项;例如,若隐含层神经元的个数为5,则W1、b1、W2分别为包含5个元素的向量,b2为包含1个元素的向量。采用量化共轭梯度法(Scaled ConjugateGradient)对人工神经网络进行训练,就能够确定相应人工神经网络的隐含层神经元个数、以及权重项参数和阈值项参数,隐含层神经元个数确定了人工神经网络的结构,权重项参数和阈值项参数确定了人工神经网络的运算参数,从而人工神经网络的参数和结构均得以确定了。量化共轭梯度法是介于最速下降法与牛顿法之间的一个方法,它仅需利用一阶导数信息,但克服了最速下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点,共轭梯度法不仅是解决大型线性方程组最有用的方法之一,也是解大型非线性最优化最有效的算法之一。在各种优化算法中,共轭梯度法是非常重要的一种,其优点是所需存储量小,具有步收敛性,稳定性高,而且不需要任何外来参数。在神经网络预测技术中,选择共轭梯度法作为训练算法,在很大程度上提高了神经网络的收敛速度和精度。
23)重复步骤21)~22),针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段检测获得的血糖样本数据组,分别进行人工神经网络的训练,从而得到各个不同个体对象在各个不同检测时段所对应的多个参数和结构均确定的人工神经网络。
训练样本数据组中包含的个体对象数量以及每个个体对象进行检测的检测时段数量,决定了最多可训练得到的人工神经网络数量;例如,若训练得到了k个人工神经网络,则可以分别标记为Net1、Net2、……、Netk。在本发明方法中,由于需要利用两个人工神经网络来建立近红外光谱无创血糖检测的检测网络模型,因此步骤2)中训练得到的人工神经网络数量应当至少大于两个。例如,实际应用操作中,可以只训练三个人工神经网络;当然,训练得到的人工神经网络数量越多,越有利于择优选择用于构建近红外光谱无创血糖检测的检测网络模型,即越有利于保证检测网络模型的精准度。
3)将各测试样本数据组分别输入到训练所得的各个人工神经网络中,分别计算各个测试样本数据组中的近红外光谱数据分别输入到各个人工神经网络所得的血糖浓度预测值,并分别计算各个测试样本数据组输入到每个人工神经网络所得的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差,用以分别判断每个人工神经网络的血糖浓度预测准确性,选取其中血糖浓度预测准确性最优和次最优的两个人工神经网络,分别标记为Netm和Netn。
在具体应用中,根据各个测试样本数据组输入到一个人工神经网络所得的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差,来判断相应人工神经网络的血糖浓度预测准确性时,可以将每个测试样本数据组输入到该人工神经网络得到的血糖浓度预测值与相应测试样本数据组中有创血糖浓度数据值所存在的均方根误差和相对误差进行加权求和作为样本误差值,再统计各个测试样本数据组输入到该人工神经网络的样本误差值之和,样本误差值之和越小则可以表明相应个人工神经网络的血糖浓度预测准确性越优。当然,也可以采用其它方法根据均方根误差和相对误差对人工神经网络的血糖浓度预测准确性进行择优判定。
4)构建用于近红外光谱无创血糖检测的检测网络模型Net=a*Netm+(1-a)*Netn,其中a为检测网络模型Net的比例参数。图4示出了所确定的PSO-2ANN检测网络模型Net的拓扑结构。
5)一个每个测试样本数据组作为一个粒子,从而以各个测试样本数据组的集合作为粒子群,以每个测试样本数据组中的有创血糖浓度数据值与相应测试样本数据组中的近红外光谱数据输入到检测网络模型Net所得血糖浓度预测值之间的均方根误差为目标函数,以在[0,1]的解空间内取值的比例参数a作为例子的位置向量,利用粒子群算法优化求解比例参数a,得到以目标函数值最小为目标的比例参数a的取值,从而确定用于近红外光谱无创血糖检测的检测网络模型Net,由此所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系。
得到检测网络模型之后,就能够用以进行近红外光谱无创血糖检测,其检测方法包括以下步骤:
A)获取得到的检测网络模型Net,所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系;
B)对待测个体对象进行人体血糖的近红外光谱检测,获得待测个体对象的近红外光谱数据;
C)将待测个体对象的近红外光谱数据输入到检测网络模型Net中进行计算,得到待测个体对象的血糖浓度数据值,作为待测个体对象的近红外光谱无创血糖检测结果。
可以看到,利用本发明所得的检测网络模型进行近红外光谱无创血糖检测时,只需要对待测个体对象进行人体血糖的近红外光谱数据采集,便能够得到近红外光谱无创血糖检测结果,操作简单方便,便于家庭的推广使用。并且,该检测网络模型的训练不需要完全依靠比尔-朗伯定律的先验假设,直接从近红外光谱数据和实测血糖浓度数据出发,构建二者之间的对应关系模型,利用该检测网络模型进行近红外光谱无创血糖检测具有较高检测精度,能够很好的满足临床应用需求。
下面通过实施例对本发明进行进一步的说明。
实施例:
本实施例以多个志愿者作为检测网络模型训练的个体对象,将人体手指的1550nm近红外光谱经过调理放大后,经数据采集卡传输至计算机中进行叠加平均滤波处理,得到1550nm单波长近红外光的近红外光谱。具体采集时,1550nm近红外光谱的采样频率为200Hz,连续采样15秒,将15秒的近红外光谱叠加求平均作为最后人体血糖检测的近红外光谱数据。为了避免手指结构差异性的影响,将1550nm近红外光谱的测量部位固定为各个志愿者个体对象的左手食指。同时,分别对各个个体对象进行有创血糖浓度检测,因为有创血糖浓度的测量具有一定的创伤性,所以在检测之前告知了志愿者可能存在的风险,在征得志愿者同意后,使用强生稳豪倍易型血糖仪采集志愿者个体对象的血糖浓度。本实施例的检测时段周期以天为单位,每一天(每一个检测时段)对每个个体对象进行一次或多次人体血糖的近红外光谱检测和有创血糖浓度检测,并且在不同天(不同检测时段)分别对各个个体对象进行人体血糖的近红外光谱检测和有创血糖浓度检测,使得对每个个体对象在共采集得到14组血糖样本数据组。
然后,按照本发明的检测网络模型训练方法,来训练用于近红外光谱无创血糖检测的检测网络模型:
1)获得上述多个个体对象的血糖样本数据组候,将其中3个个体对象的血糖样本数据组作为训练样本数据组,剩余个体对象的血糖样本数据组作为测试样本数据组。
2)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的近红外光谱数据及其对应的有创血糖浓度数据分别作为自变量和因变量输入到人工神经网络,并对该人工神经网络进行训练,进而得到一个参数和结构均确定的人工神经网络;从而,针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段,分别训练得到多个参数和结构均确定的人工神经网络。该步骤具体为:
21)确定人工神经网络的输入层神经元个数和输出层神经元个数分别为1个。
以近红外光谱数据作为人工神经网络的自变量,以相应的有创血糖浓度数据作为人工神经网络的自变量,所以输入层神经元和输出层神经元个数分别为1,如图2所示。
22)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的每个血糖样本数据组中的近红外光谱数据及其对应的有创血糖浓度数据分别作为一个人工神经网络的自变量和因变量,针对人工神经网络中隐含层神经元为不同个数的情况,分别采用量化共轭梯度法对一个人工神经网络进行训练,并分别统计出隐含层神经元为相同个数的每种情况下由各不同血糖样本数据组对人工神经网络进行训练所得的训练预测血糖值与相应测试样本数据组中的有创血糖浓度数据值之间的均方根误差,比较隐含层神经元为不同个数的情况所对应的均方根误差,根据均方根误差小于预设误差阈值的最少隐含层神经元数来确定隐含层神经元的个数,从而根据训练结果确定相应人工神经网络的权重项参数和阈值项参数。
如图2所示,隐含层神经元个数将会决定人工神经网络中参数W1、b1、W2、b2的维数,W1和W2为权重项、b1和b2为阈值项。本实施例中,利用训练样本数据组中3个个体对象在一天(一个检测时段)检测获得的血糖样本数据组可训练3个人工神经网络,分别标记为Net1、Net2、Net3;表1示出了Net1、Net2、Net3这3个人工神经网络中隐含层神经元为不同个数的情况下进行训练所对应的均方根误差。
表1 人工神经网络Net1、Net2、Net3中不同隐含层神经元个数所对应的均方根误差
分析表1,第2列数据表明Net1隐含层神经元个数超过4以后,其均方根误差变化趋势不大;第3列数据表明Net2隐含层神经元个数为5时,其预测均方根误差有显著性的变化;同理对第4列数据进行分析。由此,可以设定预设误差阈值为1.00E-17;同时,为了减少模型的复杂度,防止“过拟合”现象的出现以及后续参数的对比,在均方根误差小于预设误差阈值的情况下,选择最少隐含层神经元数来确定隐含层神经元的个数,因此统一确定Net1、Net2、Net3的隐含层神经元个数为5个。然后,以隐含层神经元个数为5个的情况所对应的训练结果,确定相应人工神经网络的权重项参数和阈值项参数。
23)重复步骤21)~22),针对训练样本数据组所对应的3个个体对象,利用该3个个体对象在一天(一个检测时段)检测获得的血糖样本数据组,分别训练得到3个对应的人工神经网络Net1、Net2、Net3。
本实施例中,训练的到的3个人工神经网络Net1、Net2、Net3各自的权重项参数和阈值项参数如下。
表2 人工神经网络Net1、Net2、Net3的参数(自变量为1/PD)
3)将各测试样本数据组分别输入到训练所得的各个人工神经网络中,分别计算各个测试样本数据组中的近红外光谱数据分别输入到各个人工神经网络所得的血糖浓度预测值,并分别计算各个测试样本数据组输入到每个人工神经网络所得的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差,用以分别判断每个人工神经网络的血糖浓度预测准确性,选取其中血糖浓度预测准确性最优和次最优的两个人工神经网络,分别标记为Netm和Netn。
表3示出了各个测试样本数据组输入到Net1、Net2、Net3这3个人工神经网络各自对应的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差。
表3 人工神经网络Net1、Net2、Net3的均方根误差(RMSE)和相对误差(p)对比分析
分析表3数据可以知道,Net2的预测性能比较差,故而选择Net1和Net3。分别作为Netm和Netn,即令Netm= Net1,Netn= Net3。
4)构建用于近红外光谱无创血糖检测的检测网络模型Net=a*Netm+(1-a)*Netn,其中a为检测网络模型Net的比例参数。
5)一个每个测试样本数据组作为一个粒子,从而以各个测试样本数据组的集合作为粒子群,以每个测试样本数据组中的有创血糖浓度数据值与相应测试样本数据组中的近红外光谱数据输入到检测网络模型Net所得血糖浓度预测值之间的均方根误差为目标函数,以在[0,1]的解空间内取值的比例参数a作为例子的位置向量,利用粒子群算法优化求解比例参数a,得到以目标函数值最小为目标的比例参数a的取值,从而确定用于近红外光谱无创血糖检测的检测网络模型Net,由此所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系。
分别用14组数据中的第1个数据样本作为训练集,剩余数据样本作为测试集,利用粒子群算法对模型参数a1进行优化,得到各组数据的最优参数和均方根误差,见表4。
表4 14组数据的最优参数(mmol/L)
图4表示的是本实施例中同一个个体对象不同天数的有创血糖浓度实测值和PSO-2ANN检测网络模型得到的血糖浓度预测值之间的拟合程度曲线图,图5表示的是本实施例中不同个体对象的有创血糖浓度实测值和PSO-2ANN检测网络模型得到的血糖浓度预测值之间的拟合程度曲线图。图4和图5中,横标的标注形式为“a-b-c”,其中a表示检测的个体对象标记符号,b表示检测的天数标记(检测时段标记),c表示相应天数内(相应检测时段内)的血糖样本数据组个数标记;例如“subject6-0423-3”表示的是标记为“subject6”的个体对象在第“0423”这一天内检测的第“3”个血糖样本数据组。
为了进一步说明本发明PSO-2ANN检测网络模型的性能,分别使用均方根误差(RMSE)、相对误差率(RER)和克拉克误差曲线指标(P)对其进行描述。
表5 本发明PSO-2ANN检测网络模型的性能指标
对比表3和表5,可以看出,本发明的PSO-2ANN检测网络模型无论是在均方根误差、相对误差率还是相关系数上都比单一的人工神经网络性能更优。在克服单个个体每天生理规律差异性和个体差异性上具有比较理想的效果。
图6为本发明采用PSO-2ANN检测网络模型进行近红外光谱无创血糖检测的方法的克拉克误差网格分析图,统计得到14组数据(共93个样本点)落于A区域的点所占比重为64%,落于B区域所占比重为29%,落于AD临界线上的点所占比重为7%。表明本发明基于PSO-2ANN检测网络模型的近红外光谱无创血糖检测方法具有较高的检测精度。
综上所述,本发明用于近红外光谱无创血糖检测的检测网络模型训练方法,通过先利用近红外光谱数据及其对应的有创血糖浓度数据训练获得多个人工神经网络,训练过程中的自变量是基于近红外光谱数据,克服了现有近红外无创血糖检测技术中由于自变量太多导致的信息冗余的缺点,有助于近红外光谱无创血糖检测技术的家用推广;其次,考虑到仪器接口、光谱基线漂移及外界环境因素的影响,人体血糖浓度及其近红外吸收光谱之间兼具线性和非线性关系,而人工神经网络对非线性关系的刻画具有较好的性能,因此利用近红外光谱数据及其对应的有创血糖浓度数据训练获得多个人工神经网络作为用于近红外光谱无创血糖检测的检测网络模型的基本结构;最后,外界环境、心情、精神状态等因素导致单个个体每天的血糖变化规律存在差异性,年龄、性别以及地理环境等因素导致血糖存在个体差异性,为了更好的克服这些差异性,因此其训练过程以择优选取的两个人工神经网络为模型的基本结构,不需要完全依靠比尔-朗伯定律的先验假设,直接从近红外光谱和实测血糖数据出发,构建数据和结论之间的PSO-2ANN检测网络模型,并且检测网络模型中通过PSO算法优化两个人工神经网络的权重系数,能够很好的满足血糖无创检测精度要求。利用本发明所得的PSO-2ANN检测网络模型进行近红外光谱无创血糖检测时,只需要对待测个体对象进行人体血糖的近红外光谱数据采集,便能够得到近红外光谱无创血糖检测结果,操作简单方便,便于家庭的推广使用;并且,通过实验结果表明,本发明基于PSO-2ANN检测网络模型的近红外光谱血糖无创检测方法,一方面提高了检测的精度,另一方面提升了模型的稳健性和泛化能力。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.用于近红外光谱无创血糖检测的检测网络模型训练方法,包括如下步骤:
1)针对指定的多个个体对象,在不同检测时段分别对各个个体对象进行人体血糖的近红外光谱检测和有创血糖浓度检测,将每个个体对象检测获取的近红外光谱数据和有创血糖浓度数据作为相应个体对象的血糖样本数据组,从而得到多个个体对象的血糖样本数据组,并将其中一部分个体对象的血糖样本数据组作为训练样本数据组,剩余个体对象的血糖样本数据组作为测试样本数据组;
其特征在于,还包括如下步骤:
2)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的近红外光谱数据及其对应的有创血糖浓度数据分别作为自变量和因变量输入到人工神经网络,并对该人工神经网络进行训练,进而得到一个参数和结构均确定的人工神经网络;从而,针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段,分别训练得到多个参数和结构均确定的人工神经网络;
3)将各测试样本数据组分别输入到训练所得的各个人工神经网络中,分别计算各个测试样本数据组中的近红外光谱数据分别输入到各个人工神经网络所得的血糖浓度预测值,并分别计算各个测试样本数据组输入到每个人工神经网络所得的血糖浓度预测值相应测试样本数据组中的有创血糖浓度数据值所存在的均方根误差和相对误差,用以分别判断每个人工神经网络的血糖浓度预测准确性,选取其中血糖浓度预测准确性最优和次最优的两个人工神经网络,分别标记为Netm和Netn;
4)构建用于近红外光谱无创血糖检测的检测网络模型Net=a*Netm+(1-a)*Netn,其中a为检测网络模型Net的比例参数;
5)以每个测试样本数据组中的有创血糖浓度数据值与相应测试样本数据组中的近红外光谱数据输入到检测网络模型Net所得血糖浓度预测值之间的均方根误差为目标函数,以在[0,1]的解空间内取值的比例参数a作为粒子的位置向量,利用粒子群算法优化求解比例参数a,得到以目标函数值最小为目标的比例参数a的取值,从而确定用于近红外光谱无创血糖检测的检测网络模型Net,所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系。
2.根据权利要求1所述用于近红外光谱无创血糖检测的检测网络模型训练方法,其特征在于,所述步骤2)具体为:
21)确定人工神经网络的输入层神经元个数和输出层神经元个数分别为1个;
22)针对训练样本数据组所对应的每个个体对象,将该个体对象在同一检测时段内检测获得的每个血糖样本数据组中的近红外光谱数据及其对应的有创血糖浓度数据分别作为一个人工神经网络的自变量和因变量,针对人工神经网络中隐含层神经元为不同个数的情况,分别采用量化共轭梯度法对一个人工神经网络进行训练,并分别统计出隐含层神经元为相同个数的每种情况下由各不同血糖样本数据组对人工神经网络进行训练所得的训练预测血糖值与相应测试样本数据组中的有创血糖浓度数据值之间的均方根误差,比较隐含层神经元为不同个数的情况所对应的均方根误差,根据均方根误差小于预设误差阈值的最少隐含层神经元数来确定隐含层神经元的个数,从而根据训练结果确定相应人工神经网络的权重项参数和阈值项参数;
23)重复步骤21)~22),针对训练样本数据组所对应的每个个体对象的每个检测时段、以及各个不同个体对象的每个检测时段检测获得的血糖样本数据组,分别进行人工神经网络的训练,从而得到各个不同个体对象在各个不同检测时段所对应的多个参数和结构均确定的人工神经网络。
3.根据权利要求1所述用于近红外光谱无创血糖检测的检测网络模型训练方法,其特征在于,对个体对象进行人体血糖的近红外光谱检测时,所采用的红外光谱为1550nm单波长近红外光。
4.一种近红外光谱无创血糖检测方法,其特征在于,包括如下步骤:
A)获取如权利要求1所述方法得到的检测网络模型Net,所得到的检测网络模型Net用于指示进行人体无创血糖检测的近红外光谱数据与血糖浓度数据值之间的对应关系;
B)对待测个体对象进行人体血糖的近红外光谱检测,获得待测个体对象的近红外光谱数据;
C)将待测个体对象的近红外光谱数据输入到检测网络模型Net中进行计算,得到待测个体对象的血糖浓度数据值,作为待测个体对象的近红外光谱无创血糖检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710359335.6A CN107192690B (zh) | 2017-05-19 | 2017-05-19 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710359335.6A CN107192690B (zh) | 2017-05-19 | 2017-05-19 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107192690A CN107192690A (zh) | 2017-09-22 |
CN107192690B true CN107192690B (zh) | 2019-04-23 |
Family
ID=59874117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710359335.6A Active CN107192690B (zh) | 2017-05-19 | 2017-05-19 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107192690B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI678630B (zh) * | 2018-01-16 | 2019-12-01 | 中央研究院 | 非侵入式估測hba1c與血糖值之系統與方法 |
CN110057757B (zh) * | 2018-01-18 | 2022-04-26 | 深圳市理邦精密仪器股份有限公司 | 血红蛋白及其衍生物的识别、识别网络构建方法及装置 |
CN108324286B (zh) * | 2018-01-26 | 2020-11-10 | 重庆大学 | 一种基于pca-narx校正算法的红外光无创血糖检测装置 |
KR102095959B1 (ko) * | 2018-07-11 | 2020-04-01 | 주식회사 아이센스 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
CN109977957A (zh) * | 2019-03-04 | 2019-07-05 | 苏宁易购集团股份有限公司 | 一种基于深度学习的发票识别方法及系统 |
CN109872821A (zh) * | 2019-04-24 | 2019-06-11 | 北京信息科技大学 | 一种构建血糖预测模型的方法及装置 |
CN110575181A (zh) * | 2019-09-10 | 2019-12-17 | 重庆大学 | 近红外光谱无创血糖检测网络模型训练方法 |
CN111466876B (zh) * | 2020-03-24 | 2021-08-03 | 山东大学 | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 |
CN112881303A (zh) * | 2021-01-09 | 2021-06-01 | 吉林大学 | 一种基于高光谱成像技术的血糖浓度检测方法 |
CN112683836B (zh) * | 2021-01-12 | 2022-11-01 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
CN116602668B (zh) * | 2023-07-06 | 2023-10-31 | 深圳大学 | 一种全自动智能血糖检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995013739A1 (de) * | 1993-11-16 | 1995-05-26 | Jenoptik Gmbh | Verfahren und anordnung zur nichtinvasiven, transkutanen bestimmung von stoffkonzentrationen in körperflüssigkeit oder gewebe des menschen |
CN101923649A (zh) * | 2010-06-22 | 2010-12-22 | 中国海洋大学 | 一种基于荧光光谱的溢油种类识别方法 |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN103076035A (zh) * | 2012-12-28 | 2013-05-01 | 徐州工程学院 | 一种基于双支持向量机的传感器测量方法 |
CN104020132A (zh) * | 2014-06-09 | 2014-09-03 | 江西农业大学 | 一种无糖可乐中阿斯巴甜含量的快速检测方法及装置 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106308814A (zh) * | 2016-08-09 | 2017-01-11 | 上海润寿智能科技有限公司 | 基于近红外光谱分析的血糖无创检测仪及其实现方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4071113B2 (ja) * | 2001-01-26 | 2008-04-02 | センシス メディカル インク | 組織の光学特性によるグルコースの非侵襲的測定 |
US20160203419A1 (en) * | 2013-03-09 | 2016-07-14 | Bigwood Technology, Inc. | Metaheuristic-guided trust-tech methods for global unconstrained optimization |
-
2017
- 2017-05-19 CN CN201710359335.6A patent/CN107192690B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995013739A1 (de) * | 1993-11-16 | 1995-05-26 | Jenoptik Gmbh | Verfahren und anordnung zur nichtinvasiven, transkutanen bestimmung von stoffkonzentrationen in körperflüssigkeit oder gewebe des menschen |
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN101923649A (zh) * | 2010-06-22 | 2010-12-22 | 中国海洋大学 | 一种基于荧光光谱的溢油种类识别方法 |
CN103076035A (zh) * | 2012-12-28 | 2013-05-01 | 徐州工程学院 | 一种基于双支持向量机的传感器测量方法 |
CN104020132A (zh) * | 2014-06-09 | 2014-09-03 | 江西农业大学 | 一种无糖可乐中阿斯巴甜含量的快速检测方法及装置 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106308814A (zh) * | 2016-08-09 | 2017-01-11 | 上海润寿智能科技有限公司 | 基于近红外光谱分析的血糖无创检测仪及其实现方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
Non-Patent Citations (5)
Title |
---|
A Comparison Analysis Between Partial Least;Chuah Zheng Ming et al.;《2009 International Conference on Biomedical and Pharmaceutical Engineering》;20100115;1-4页 |
A Fuzzy Classifier Based on Modified Particle Swarm;Hamid Reza Sahebi, Sara Ebrahimi;《Advances in Computer Science: an International Journal》;20150531;第4卷(第3期);11-17页 |
基于分布式近红外多波长传感器信息融合的无创血糖监测系统;曾博;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20120915(第09期);第3页1.3近红外无创血糖检测方法的研究背景和国内外研究现状;26-34页 第五章 试验 |
基于粒子群优化的Elman 神经网络无模型控制;张俊玲等;《智能系统学报》;20160229;第11卷(第1期);49-54页 |
神经网络软测量模型优化方法在血糖浓度预测中的应用;谢志斌;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20161115(第11期);E060-23页 |
Also Published As
Publication number | Publication date |
---|---|
CN107192690A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107192690B (zh) | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 | |
Xiao et al. | Wearable heart rate monitoring intelligent sports bracelet based on Internet of things | |
Kikhia et al. | Utilizing a wristband sensor to measure the stress level for people with dementia | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
Ciolacu et al. | Education 4.0–jump to innovation with IoT in higher education | |
US20210225510A1 (en) | Human body health assessment method and system based on sleep big data | |
Tan et al. | Monash University, UEA, UCR time series extrinsic regression archive | |
Xue et al. | Commercial and scientific solutions for blood glucose monitoring—a review | |
Siirtola et al. | Using sleep time data from wearable sensors for early detection of migraine attacks | |
Ruiz-Ruiz et al. | Detecting fall risk and frailty in elders with inertial motion sensors: a survey of significant gait parameters | |
Baldoumas et al. | A prototype photoplethysmography electronic device that distinguishes congestive heart failure from healthy individuals by applying natural time analysis | |
Schneller et al. | Validation of five minimally obstructive methods to estimate physical activity energy expenditure in young adults in semi-standardized settings | |
Ferreira et al. | Fall risk assessment using wearable sensors: a narrative review | |
CN105868532B (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
Liu et al. | Effect of landscape microclimates on thermal comfort and physiological wellbeing | |
CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
Sabry et al. | Towards on-device dehydration monitoring using machine learning from wearable device’s data | |
CN109920551A (zh) | 基于机器学习的自闭症儿童社会行为表现特征分析系统 | |
Rodrigues et al. | HRV monitoring using commercial wearable devices as a health indicator for older persons during the pandemic | |
Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
Li et al. | A continuous blood pressure estimation method using Photoplethysmography by GRNN-based model | |
Siyahjani et al. | Performance evaluation of a smart bed technology against polysomnography | |
Rossi et al. | Error estimation of ultra-short heart rate variability parameters: effect of missing data caused by motion artifacts | |
Siirtola et al. | Predicting emotion with biosignals: A comparison of classification and regression models for estimating valence and arousal level using wearable sensors | |
Soangra et al. | Smartphone-based prediction model for postoperative cardiac surgery outcomes using preoperative gait and posture measures |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210201 Address after: No.27-3, Fengsheng Road, Jiulongpo District, Chongqing Patentee after: Chongqing Zhongquan Anxin intelligent medical equipment Co.,Ltd. Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |