CN107505268A - 血糖检测方法及系统 - Google Patents

Abstract

本发明提供一种血糖检测方法及系统，所述检测方法包括：获取待检测部位的高光谱图像数据；S2、提取高光谱图像数据中的静脉区域光谱图像数据；S3、基于静脉区域光谱图像数据，计算得到血糖浓度。本发明提出的血糖检测方法及系统，由于血糖分布在人体静脉中，通过识别采集的高光谱图像中的人体静脉区域，提取位于静脉区域中像元点光谱数据的特征，对血糖数据进行定量分析，相比于使用全部区域光谱数据进行分析的传统方法，该方法降低了不含血糖成分的脂肪、肌肉等人体组织光谱数据对分析结果的影响，使得光谱分析更加准确和稳定。

Description

血糖检测方法及系统

技术领域

本发明属于健康监测领域，更具体地，涉及一种血糖检测方法及系统。

背景技术

目前，糖尿病已经成为现代社会危害人类健康的主要疾病之一。血糖的过高或过低，不仅影响患者的新陈代谢，还有可能引起一些并发症，例如心血管疾病和神经病变，这些并发症对患者的身体健康均有着很大的威胁。根据世界卫生组织的报告，到2025年全世界将会有3亿糖尿病患者，其中，中国的糖尿病患者将占据绝大部分；且近年来，糖尿病的患者不仅存在于一些老年人当中，一些年轻人也开始出现糖尿病病症。

糖尿病是一种慢性疾病，很难通过一次性的治疗达到很好的效果，所以糖尿病患者需要实时准确的了解自己的血糖水平。而目前对于血糖检测的方法，不论在医院或者患者自己在家中，均采用有创的血糖检测方法进行检测，即直接抽取患者血液，根据电化学的方法检测患者的血糖水平。这种检测方法会对患者造成一定的生理痛苦，而且由于经常检测需反复抽血，这容易造成感染，且电化学反应试纸价格昂贵，对于糖尿病患者而言，也是一种较大的经济负担。

针对上述有创检测血糖存在的问题，现有技术已经开始进行无创血糖检测，即不损伤人体组织而获得血糖浓度，一般的采用光谱分析技术对人体的待测部位进行红外光扫描，再根据光谱图分析人体的血糖浓度。但是，人体血糖含量低，且生物组织复杂，其中含有大量水分、蛋白质、脂肪等，使得能够反应血糖浓度变化的有效信号非常微弱，故而血糖浓度的光谱分析结果不够准确且稳定性较差。

发明内容

基于以上问题，本发明的主要目的在于提出一种血糖检测方法及系统，用于解决以上技术问题的至少之一。

为了实现上述目的，作为本发明的一个方面，本发明提出一种血糖检测方法，包括以下步骤：

S1、获取待检测部位的高光谱图像数据；

S2、提取高光谱图像数据中的静脉区域光谱图像数据；

S3、基于静脉区域光谱图像数据，计算得到血糖浓度。

在本发明的一些实施例中，上述步骤S1包括：近红外光照射待检测部位，以反射/透射得到近红外反射/透射光；基于该近红外反射/透射光，获取待检测部位的光谱图像数据。

在本发明的一些实施例中，上述步骤S2包括：提取所述高光谱图像数据的静脉图像特征；基于所述静脉图像特征，提取得到静脉区域光谱图像数据。

在本发明的一些实施例中，上述步骤S2之前，血糖检测方法还包括：从高光谱图像数据中包含的所有波段的光谱图像数据中，基于预设的选取条件，确定优选光谱图像数据；对所述优选光谱图像数据进行预处理；其中，预设的选取条件包括静脉目标信息量大、相关性小、光谱差异大或可分性好。

在本发明的一些实施例中，上述对优选光谱图像数据进行预处理，包括以下步骤：从优选光谱图像数据中，提取图像中的感兴趣区域；对感兴趣区域进行归一化，使得归一化后的图像数据与优选光谱图像数据尺寸一致；对归一化后的图像数据进行去噪；其中去噪采用的方法包括基于滤波、直方图、同态滤波(Retinex)或全局阈值与局部均值去噪，优选采用基于全局阈值和局部均值去噪。

在本发明的一些实施例中，上述步骤S3包括：基于静脉区域光谱图像数据，获取静脉区域光谱图像数据在各个波长下的光谱强度均值；基于光谱强度均值，计算血糖浓度。

在本发明的一些实施例中，上述步骤S3之后还包括：获取待检测部位的温度和湿度信息；基于温度和湿度信息，对血糖浓度进行修正。

为了实现上述目的，作为本发明的另一方面，本发明提出一种血糖检测系统，包括：获取单元，用于获取待检测部位的高光谱图像数据；图像处理单元，用于提取高光谱图像数据中的静脉区域光谱图像数据；预测单元，用于基于静脉区域光谱图像数据，计算得到血糖浓度。

在本发明的一些实施例中，上述系统还包括：修正单元，用于获取待检测部位的温度和湿度信息，并基于该温度和湿度信息，对血糖浓度进行修正。

本发明提出的一种血糖检测方法及系统，具有以下有益效果：

1、通过识别采集的高光谱图像中的人体静脉区域，提取位于静脉区域中像元点光谱数据的特征，对血糖数据进行定量分析，相比于使用全部区域光谱数据进行分析的传统方法，该方法降低了不含血糖成分的脂肪、肌肉等人体组织光谱数据对分析结果的影响，使得光谱分析更加准确和稳定；

2、本采用高光谱成像得到高光谱图像数据，可以丰富成像信息，且分辨率更高，有利于后续对图像数据处理的进行；

3、提取静脉区域光谱图像数据之前，先对光谱图像数据进行预处理，消除噪声点，从而增强图像的质量，提高图像的对比度，使得图像中的静脉区域更明显，以便于后续的处理分析；

4、同时获取待检测部位的温度和湿度信息，并根据此信息对血糖浓度进行修正，可使得检测结果更精确，不受环境条件的影响。

附图说明

图1是本发明实施例提供的一种血糖检测方法的流程图；

图2是本发明实施例提供的一种血糖检测系统结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图1所示，本发明提出一种血糖检测方法，包括以下步骤：

S1、获取待检测部位的高光谱图像数据；

S2、提取高光谱图像数据中的静脉区域光谱图像数据；

S3、基于静脉区域光谱图像数据，计算得到血糖浓度。

因此，本发明的方法通过识别采集的光谱图像中的人体静脉区域，提取位于静脉区域中像元点光谱数据的特征，对血糖数据进行定量分析，相比于使用全部区域光谱数据进行分析的传统方法，该方法降低了不含血糖成分的脂肪、肌肉等人体组织光谱数据对分析结果的影响，使得光谱分析更加准确和稳定。

可以理解的是，在本发明的一些实施例中，S1中的待检测部位为血糖检测常用的部位，如：手指、耳垂。但本发明实施例不对具体的检测部位做限制，所有能采集高光谱数据的部位均可。

其中，所述高光谱图像数据为：物体对任一波段电磁波的反射或透射所形成的图像，所述电磁波包括可见光、红外线、紫外线、毫米波、x射线等，且高光谱图像为一系列光波在不同波长处的光学图像，通常包含数十到数百个波段，且光谱分辨率一般小于10nm。

在本发明的一些实施例中，步骤S1中将近红外光作为电磁波对待检测部位进行检测，并采用高光谱成像，得到高光谱图像数据，可以理解的是，采用高光谱成像丰富了信息，并且分辨率更高，便于后续对图像数据进行处理。需要说明的是，此处的高光谱图像数据也可更换为多光谱图像数据。

在本发明的一些实施例中，上述步骤S1包括：红外光照射待检测部位，以反射/透射得到近红外反射/透射光；基于近红外反射/透射光，确定所述待检测部位的高光谱图像数据。

具体的，本实施例提供近红外光源，用于对待检测部位进行覆盖照射；待测部位反射或透射的复合光通过设置在待检测部位上方或下方的色散原件后，由近红外探测器接收色散后的入射光，从而获得待检测部位的高光谱图像数据。可以理解的是，经由待检测部位得到的近红外反射/透射光中，携带有待检测部位的血糖浓度信息。

在本发明的一些实施例中，步骤S2提取高光谱图像数据中的静脉区域光谱图像数据，即为在高光谱图像数据识别出属于静脉区域的图像，由于静脉区域具有线形及方向特征，所以可以根据静脉区域所具有的特征提取出静脉区域光谱图像数据。可以理解的是，静脉区域中的蛋白质、脂肪等人体组织的成分较少，采用静脉区域的图像能充分反映光强对应的血糖浓度变化，因此通过检测人体静脉区域的光谱数据，对血糖数据进行估计，可使得光谱分析更加准确和稳定。

在本发明的一些实施例中，步骤S2包括以下步骤：

S21、提取高光谱图像数据的静脉图像特征；

S22、基于静脉图像特征，提取高光谱图像数据中的静脉区域光谱图像数据。

可以理解的是，提取高光谱图像数据中的静脉区域光谱图像数据，主要根据静脉图像具有的特征，对高光谱图像数据中的静脉区域光谱图像数据进行识别，故实质上是对静脉图像特征的识别过程。

在本发明的一些实施例中，采用重复线性跟踪法对静脉图像特征进行识别，但本发明实施例不限于此方法。

由于人体静脉呈线状，且静脉的横截面灰度曲线呈谷型分布，据此来检测静脉纹路走向，具体流程包括：

在高光谱图像数据中随机选择一个点作为当前追踪点，记为Qc；

以点Q_c为圆心，r为半径画圆，设Q为圆上的一个像素点，检测其切线方向上的横截面灰度分布曲线，计算Q点的谷型深度为：

H＝f(A)+f(B)-2f(Q)； (1)

其中，f(A)、f(B)、f(Q)分别表示点A、B、Q的灰度值，A、B点为依据经验设置一定宽度所取的Q点切线方向上的点，通常A、B点与Q点的距离应大于血管宽度，如可设置A、B点与Q点的距离为1.5r；如果H＞0，那么点Q的横截面分布灰度曲线呈谷型分布；

检测圆上所有像素的横截面灰度分布曲线；如果存在呈谷型的曲线，则Q_c属于静脉区域；然后选择圆上横截面谷型深度值最大的像素点作为下一个跟踪点，重新检测剩下的像素点是否属于静脉区域。

需要说明的是，本实施例提供的重复线性跟踪法中使用被称为“轨迹空间(Locusspace)”的矩阵，来存储图像中某个像素点成为当前追踪点的次数，像素点被检测为当前追踪点的次数越多，说明这个像素点是静脉的可能性越大。

通过本实施例提供的静脉区域检测的方法，可以准确检测出高光谱图像数据中的静脉区域光谱图像数据。

在本发明的一些实施例中，步骤S21之前，血糖检测方法还包括：从高光谱图像数据中包含的所有波段的光谱图像数据中，基于预设的选取条件，确定优选光谱图像数据(该优选光谱图像数据相当于多光谱图像数据)；对优选光谱图像数据进行预处理。可以理解的是，高光谱图像数据是采集了近红外反射/透射光的所有波长的光谱图像数据，但不是所有波段的光谱图像数据都需要分析，并且传统的光谱图像具有噪声，为了获得更优化的结果，需要对高光谱图像数据进行优化处理。

其中，预设的选取条件包括了预识别静脉目标信息量大、相关性小、光谱差异大、可分性好等多种判别条件的其中一种作为选取条件，本发明实施例不对选取条件的类型做具体限定，所有能获得优选光谱图像数据的方案均在本发明实施例保护范围内。

例如，在本发明的一些实施例中，采用光谱特征差异性最大的方式进行选取，即首先对所述高光谱图像数据进行波段选择，该波段选择为：从所有波段光谱图像中选出预识别的、静脉目标的光谱特征差异性最大的波段子集。本实施例提供了一种最优波段指数来衡量波段选择标准的方法，但本发明不限于此方法，任何可以实现选取光谱特征差异性最大的优选光谱图像数据的方法，均在本发明实施例的保护范围之内。具体的，采用双层地毯法(Double Blanket Method，DBM)计算所采集图像的分形维数，然后运用最优波段系数进行处理，公式如下：

OBC_i＝σ_i/R_si； (2)

其中，OBC_i为第i个波段的最优波段系数，σ_i为第i个波段的标准差，R_si为第i个波段与其余波段的相关系数的和。计算每个波段最优波段系数的值并排序，选择出波段系数值最高的n个最优波段。

本实施例提供的最优波段指数衡量波段选择标准的方法，能够准确从高光谱图像数据中的所有波段光谱图像中优选出预识别静脉目标的光谱特征差异性最大的波段子集。

在本发明的一些实施例中，上述对优选光谱图像数据进行预处理包括以下步骤：从优选光谱图像数据中，提取图像中的感兴趣区域；对感兴趣区域进行归一化，使得归一化后的图像数据与优选光谱图像数据尺寸一致；对归一化后的图像数据进行去噪。

可以理解的是，图像预处理的目的是由于光照等原因，采集到的图像往往会存在噪声点、模糊化、不清晰等质量问题，因此在进行后续的处理前需要先对图像做一定的预处理，消除噪声点，增强图像的质量，提高图像的对比度，使得图像中静脉更明显以便于后续的处理分析。

在本发明的一些实施例中，提供了一种基于感兴趣区域(region of interest，ROI)的图像预处理方法，其中，提取图像中的感兴趣区域的方法包括以下步骤：切除高光谱图像采集设备的轮廓部分；采用罗盘算子提取待测部位轮廓；确定待测部位上下边缘以及中线位置；对图像做倾斜校正；取出ROI区域。

其中，罗盘算子的公式为：

f(x，y)＝max{|f_k(x，y)|}； (3)

其中，f_k(x，y)表示在(x，y)处经过差分操作后的图像。待测部位边缘提取可采用sobel算子、Canny算子等边缘提取方法，提取后由于会存在不连续的边缘，之后采用形态学方法进行边缘连续性修复。

可以理解的是，对图像进行去噪的方法现有技术已有许多，一般采用的方法包括基于滤波、基于直方图、基于Retinex等。

在本发明的一些实施例中，提供了一种基于全局阈值与局部均值的方法进行去噪，但本发明不对图像去噪的方法进行限定。该基于全局阈值与局部均值去噪的方法包括：根据Otus法计算阈值T；统计图像的像素值，并根据像素值比例设定高低阈值T1、T2；选取每个像素点的邻域m×m，计算去除该点后的均值M；判定该像素点是否为噪声点，若是则强制改变；若不是则保留原值x。判断准则为：如果该点的像素值x大于高阈值T1，且均值M小于阈值T2，则判定为噪声点，并将该点的值置为均值M；如果该点的像素值小于低阈值T2，且均值M大于阈值T1，则判定为噪声点，并将该点的值置为均值M。其函数表达式如下：

其中，T1为高阈值，T2为低阈值，M为去除待处理像素点后邻域的均值。

本实施例通过使用提取图像中ROI区域的方法对图像进行了有限预处理，使得预处理后的图像检测血糖更加精准。

在本发明的一些实施例中，步骤S3包括以下步骤：基于静脉区域光谱图像数据，获取静脉区域光谱图像数据在各个波长下的光谱强度均值；基于所述光谱强度均值，计算血糖浓度。即计算静脉区域中所有像元在同一波长点下光谱数据的均值，利用所有波长点下光谱数据均值，进行血糖浓度的定量分析，得出血糖浓度值。

在本发明的一些实施例中，通过进行血糖浓度分析，得到血糖浓度值的方法具体为：将光谱强度均值代入预训练好的血糖定量分析模型，得到血糖浓度值。其中，血糖定量定量分析模型是前期时，采用本发明提出的方法采集到的光谱强度均值及传统血糖仪检测的血糖浓度真值进行训练，采用偏最小二乘回归法建立的血糖浓度预测模型。可以理解的是，在本方法中训练模型时也不局限于偏最小二乘回归，也可以使用其他方法建立此血糖浓度预测模型。

可以理解的是，由于测量部位的温度、湿度等测量条件的变化都将直接影响光的传播，从而导致更为强烈的光强变化，掩盖了由血糖浓度而引起的变化，使得血糖浓度分析结果不够准确。因此，在本发明的一些实施例中，步骤S3之后还包括以下步骤：获取待检测部位的温度和湿度信息；基于温度和湿度信息，对血糖浓度进行修正。

在本发明的一些实施例中，上述对血糖浓度进行修正的方法具体为：在待检测部位设置多个温度传感器和多个湿度传感器，用于获取待检测部位的温度和湿度信息，将温度和湿度信息发送给处理器，处理器采用预设的血糖修正方案，来对计算的血糖浓度进行修正。则，由于本实施例通过使用温度和湿度信息，来对计算的血糖浓度进行补偿，提高了血糖浓度分析结果的准确性。

其中，在本发明的一些实施例中，基于温度和湿度信息，对血糖浓度进行修正的方法包括以下步骤：基于血糖修正系数f(δ，θ)，计算获取的温度δ和湿度θ信息对应的血糖修正系数；将血糖修正系数与步骤S3中计算的血糖浓度相乘，如下式所示：

y′＝f(δ，θ)y； (5)

其中，y′为修正后的血糖浓度、y为预测的血糖浓度，f(δ，θ)为不同温湿条件下对应的修正系数。

可以理解的是，血糖修正系数f(δ，θ)为根据多次试验统计得到的。

在本发明的一些实施例中，使用多光谱图像数据替换高光谱图像数据来完成血糖浓度的计算。可以理解的是，高光谱图像数据是囊括了多光谱图像数据的，优选的，本发明实施例也可采用多光谱图像数据进行血糖计算，具体的计算方法本实施例不再赘述。

如图2所示，本发明一实施例提出了一种血糖检测系统结构图，包括：获取单元1、图像处理单元2以及预测单元3，其中，获取单元1用于获取待检测部位的高光谱图像数据；图像处理单元2用于提取高光谱图像数据中的静脉区域光谱图像数据；预测单元3用于基于静脉区域光谱图像数据，计算血糖浓度。

在本发明的一些实施例中，上述血糖检测系统还包括：修正单元，用于获取待检测部位的温度和湿度信息，并基于温度和湿度信息，对血糖浓度进行修正。

可以理解的是，在本发明的一些实施例中，在上述提供的血糖检测系统的4个功能单元的同时，本实施例提供的血糖检测系统还包括：显示单元，用于为用户显示血糖浓度检测结果；数据管理单元，用于管理每次采集的高光谱图像数据和血糖浓度检测结果数据，为用户提供查看历史记录详细信息和选定时间范围内的血糖浓度曲线。

其中，在本发明的一些实施例中，上述血糖检测系统能够将检测到的血糖浓度值，通过蓝牙、WIFI等无线通讯方式发送至手机、平板电脑等移动终端。

本实施例提供的血糖检测系统通过获取单元获取待检测部位的高光谱图像数据，然后图像处理单元对高光谱图像数据进行识别，选取静脉区域的光谱图像数据作为光谱分析数据，最后预测单元对静脉区域的光谱图像数据进行计算，得到人体的血糖浓度。

以上所述的具体实施例，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，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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 (9)

1.一种血糖检测方法，其特征在于，包括以下步骤：

S1、获取待检测部位的高光谱图像数据；

S2、提取所述高光谱图像数据中的静脉区域光谱图像数据；

S3、基于所述静脉区域光谱图像数据，计算得到血糖浓度。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

近红外光照射所述待检测部位，以反射/透射得到近红外反射/透射光；

基于所述近红外反射/透射光，获取所述待检测部位的高光谱图像数据。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

提取所述高光谱图像数据的静脉图像特征；

基于所述静脉图像特征，提取得到所述静脉区域光谱图像数据。

4.根据权利要求1所述的方法，其特征在于，步骤S2之前，所述方法还包括：

从所述高光谱图像数据中包含的所有波段的光谱图像数据中，基于预设的选取条件，确定优选光谱图像数据；

对所述优选光谱图像数据进行预处理；

优选地，所述预设的选取条件包括静脉目标信息量大、相关性小、光谱差异大或可分性好。

5.根据权利要求4所述的方法，其特征在于，对所述优选光谱图像数据进行预处理，包括以下步骤：

从所述优选光谱图像数据中，提取图像中的感兴趣区域；

对所述感兴趣区域进行归一化，使得归一化后的图像数据与所述优选光谱图像数据尺寸一致；

对所述归一化后的图像数据进行去噪；

所述去噪采用的方法包括基于滤波、直方图、同态滤波或全局阈值与局部均值去噪，优选采用基于全局阈值和局部均值去噪。

6.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

基于所述静脉区域光谱图像数据，获取所述静脉区域光谱图像数据在各个波长下的光谱强度均值；

基于所述光谱强度均值，计算血糖浓度。

7.根据权利要求1所述的方法，其特征在于，步骤S3之后还包括：

获取所述待检测部位的温度和湿度信息；

基于所述温度和湿度信息，对所述血糖浓度进行修正。

8.一种血糖检测系统，其特征在于，包括：

获取单元，用于获取待检测部位的高光谱图像数据；

图像处理单元，用于提取所述高光谱图像数据中的静脉区域光谱图像数据；

预测单元，用于基于所述静脉区域光谱图像数据，计算得到血糖浓度。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：

修正单元，用于获取所述待检测部位的温度和湿度信息，并基于所述温度和湿度信息，对所述血糖浓度进行修正。