CN108542402B - 基于自组织竞争神经网络模型和红外光谱的血糖检测方法 - Google Patents

Abstract

本发明涉及基于自组织竞争神经网络模型和红外光谱的血糖检测方法，包括以下步骤：步骤1：采集人体皮肤表面血糖红外光谱；步骤2：对采集的光谱进行预处理；步骤3：建立光谱数据库；并对受试者进行血糖值检测，记录数值，建立血糖红外光谱数据与血糖检测数值匹配模型；步骤4：对数据库红外光谱进行分类；步骤5：将光谱数据进行格式转换，利用自组织竞争神经网络对血糖数据库进行深度学习和训练，建立其神经网络模型；步骤6：按照与步骤1的方法对糖尿病患者人体皮肤表面进行光谱采集；步骤7：按照步骤2的方法对采集的光谱进行预处理，输入步骤5构建的神经网络模型，即输出血糖数值。该方法可快速、准确、无损、低成本、实时检测血糖。

Description

基于自组织竞争神经网络模型和红外光谱的血糖检测方法

技术领域

本发明属于医疗检测领域，具体涉及一种利用自组织竞争神经网络并结合体表红外光谱采集设备的血糖检测方法。

背景技术

糖尿病是一种常见的代谢内分泌疾病，是由于人体内缺乏胰岛素或其受体异常所致，以高血糖为主要特征，为一种世界范围内的流行疾病。近年来其发病呈显著上升趋势，目前全世界约有10％的成年人身患此病，且发病年龄有年轻化的趋势。在我国，糖尿病患者约有四千万人。血糖的测量对于临床诊断和糖尿病人血糖的控制极为重要。

目前针对糖尿病的权威检测方法仍然是体外静脉抽血检测法或指尖血检测法，该方法会给病人带来一定的痛苦，导致不能随时监测血糖的变化，同时增加了感染机会。随着糖尿病患者数量的逐年增加，为了控制血糖并提高自身的生活质量，患者本人和糖尿病高危人群已不满足于传统检测方法。因此，急需一种快速、便捷、灵敏、准确度高、无损、价格相对低廉的检测方法及仪器来完成日常检测，以便随时临近血糖变化，达到有效控制血糖的目的。

在有机物分子中，组成化学键或官能团的原子处于不断振动的状态，其振动频率与红外光的振动频率相当。所以，用红外光照射有机物分子时，分子中的化学键或官能团可发生振动吸收，不同的化学键或官能团吸收频率不同，在红外光谱上处于不同位置，从而可获得分子中含有何种化学键或官能团的信息。红外光谱具有测试迅速、操作方便、重复性好、灵敏度高、试样用量少等特点。因此，它是现代结构化学和分析化学中常用的和不可或缺的工具。

近年来，红外光谱法作为一种无损、快速的检测手段逐步应用于体表血糖检测的研究，但是由于体外检测干扰大、仪器价格较为昂贵、光谱处理方法不完善等原因，这种检测方法仍停留在理论研究阶段并没有普及开来。张洪艳等利用近红外光谱研究了人体血糖无损检测；吴云江等研究了近血糖近红外光谱检测的一些关键技术，但该方面的研究偏重于大型仪器的血糖无损检测，其结果仍只适用于精度较高的专业研究型仪器。针对小型化仪器光谱质量差，区分度不明显的情况考虑较少。

自组织竞争神经网络是一种无教师学习方式的神经网络模型，无期望输出，只是根据数据样本进行学习，并调节自身权重达到学习的目的，学习样本多则输出结果更加准确。因此，可以考虑利用自组织竞争神经网络来完善现有近红外光谱检测体表血糖的弊端。

发明内容

为了克服上述红外光谱检测血糖时只适用于精度较高的专业研究型仪器，本发明提供一种基于自组织竞争神经网络模型和红外光谱的血糖检测方法，利用红外光谱数据和自组织竞争神经网络建立数据处理模型，通过数据处理模型即可实现快速、准确、无损、低成本、实时检测血糖的目的。

为了实现上述目的，本发明是采用如下技术方案实现的：

步骤1：利用便携式红外光谱仪对人体皮肤表面进行光谱采集，采集大量人体皮肤表面血糖红外光谱，建立基础数据库；

步骤2：对步骤1采集的光谱进行预处理，利用欧氏距离判断离散点，并剔除无效光谱，利用小波变换去噪法去干扰噪声，采用峰谷点扯平、偏置扣减、微分处理和基线倾斜方法去基线，对被测样品红外光谱进行归一化处理，归一化后光谱数据强度在-1到1之间；

步骤3：将处理后的光谱建立光谱数据库，数据库中至少600个有效光谱；按照传统血液检测法对受试者进行血糖值检测，记录数值，并对相应受试者红外光谱进行标定，建立血糖红外光谱数据与传统血液血糖检测数值匹配模型；

步骤4：根据血糖数值对数据库红外光谱进行分类，共分为6个子数据库：(1)血糖值<5.0mmol/L；(2)血糖值在5.1～6.0mmol/L之间；(3)血糖值在6.1～7mmol/L之间；(4)血糖值在7.1～8.0mmol/L之间；(5)血糖值在8.1～9.0mmol/L之间；(6)血糖值在9.1～10.0mmol/L之间；

步骤5：步骤5：将光谱数据进行格式转换，利用自组织竞争神经网络对血糖数据库进行深度学习和训练，建立其神经网络模型；所述自组织竞争神经网络分为输入层和竞争层，网络竞争层的各神经元通过竞争来获取对输入模式的响应机会，最后只有一个神经元成为胜利者，并将与获胜神经元的各联接权值向着更有利于其竞争的方向调整；

其中，所述输入层由N个神经元构成，竞争层有M个神经元；网络的连接权值为w_ij(i＝1，2，…，N；j＝1，2，…，M)，且满足约束条件

输入层输入样本为二值向量，各元素取值0或者1，竞争层神经元j的状态的计算方式如下：

式(1)中，x_i为输入样本向量的第i个元素，根据竞争机制，竞争层中具有最大加权值的神经元k赢得竞争胜利，输出为

竞争后的权值按照如下方式进行修正，

式(2)中，a为学习参数，0＜a＜＜1；m为输入层中输入为1的神经元个数，即

权值调整公式中的

项表示当x_i为1时，权值增加；而当x_i为0时，权值减小；当x_i活跃时，对应的第i个权值就增加，否则就减小；当达到预设的迭代次数，结束算法；

步骤6：按照与步骤1同样的方法对待测血糖的糖尿病患者人体皮肤表面进行光谱采集；

步骤7：按照与步骤2同样的方法对采集的光谱进行预处理，并将处理后的光谱数据输入步骤5构建的神经网络模型，即输出血糖数值。

本发明的优点和积极效果：

(1)本发明通过对红外光谱数据的预处理，同时利用数据库里的基础数据为依据，不断训练神经网络模型，将与获胜神经元的各联接权值不断向着更有利于其竞争的方向调整，使其在训练次数较少的情况下就能达到较好的效果，并能实现自动对测量光谱作聚类分析，实现快速、准确、无损、低成本、实时检测血糖的目的，有效解决现有红外光谱检测血糖时只适用于精度较高的专业研究型仪器。该方法具有成本低，操作简单，运行稳定可靠，血糖判别准确度高等特点，可用于普通用户个人家庭检测、医疗检测机构快速检测分析。

(2)本发明结合便携式红外光谱检测设备，可为用户在不同场合进行快速、无损、实时、精确的血糖检测，可在血糖波动时提供预警，进而防止血糖的进一步升高，有效预防糖尿病的进一步恶化；而且对于糖尿病边缘人群，通过该检测方法，可以达到随时监控血糖，降低糖尿病的发病风险，提高生活质量；对于普通人群，亦可达到预防的目的。

附图说明

图1是基于自组织竞争神经网络模型的光谱检测方法的流程图。

图2是原始光谱图。

图3是原始光谱图经去噪声处理后谱图。

图4是图3经归一化处理后光谱图。

图5是自组织竞争神经网络示意图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面通过具体实施例来对本发明作进一步的说明，但这些实施例只是为了说明，而不是对本发明的限制。

参阅图1至图5，基于自组织竞争神经网络模型的血糖光谱检测方法，包括如下步骤：

步骤1：采集大量人体皮肤表面血糖红外光谱，建立基础数据库；具体为，利用便携式红外光谱仪对人体皮肤表面进行光谱采集，采集部位选择为指尖端面，指尖侧面，手腕，舌尖；

步骤2：对步骤1采集的光谱进行预处理，包括剔除无效光谱、去干扰噪声、去基线、归一化；

因便携式红外光谱检测受外界因素影响较大，光谱噪声也会对信号产生影响，因此对光谱进行去干扰噪声、去基线、归一化等数据处理，同时，利用欧氏距离判断离散点，并剔除无效光谱，进行光谱范围的优化选择，建立样品数据处理模型；

所述去干扰噪声，考虑到个人用户的使用情况，外界环境对光谱质量的影响较大，背景噪声的干扰是影响光谱分析的主要因素，因此针对光谱采集时要对其实时去噪声的处理，主要去除高频噪声对信号的干扰，利用小波变换去噪法进行处理；

所述去基线，主要扣除背景或漂移对信号的影响，采用峰谷点扯平、偏置扣减、微分处理和基线倾斜等方法；

所述归一化，为防止输入光谱绝对值过大引起神经元输出过饱和，及避免输出数据中光谱强度过小而导致识别错误，首先对被测样品红外光谱进行归一化处理，归一化后光谱数据强度在-1到1之间，方便进一步对其分析、归类，提高输出结果的准确性；

所述未知样品光谱数据也是在相同便携式红外光谱仪下获取，其光谱同样存在较大的噪声干扰，建立统一标准的数据处理模型可提高分析结果的准确度和可信度。

步骤3：将处理后的光谱建立光谱数据库，数据库中至少600个有效光谱；按照传统血液检测法对受试者进行血糖值检测，记录数值，并对相应受试者红外光谱进行标定，建立血糖红外光谱数据与传统血液血糖检测数值匹配模型；

步骤4；对数据库光谱进行分类；

根据血糖数值对光谱数据库进行分类，共分为6个子数据库：(1)血糖值<5.0mmol/L；(2)血糖值在5.1～6.0mmol/L之间；(3)血糖值在6.1～7mmol/L之间；(4)血糖值在7.1～8.0mmol/L之间；(5)血糖值在8.1～9.0mmol/L之间；(6)血糖值在9.1～10.0mmol/L之间；

步骤5：利用自组织竞争神经网络对血糖数据库进行深度学习和训练，建立其神经网络模型；

假定输入层由N(N＝6)个神经元构成，竞争层有M(M＝6)个神经元；网络的连接权值为w_ij(i＝1，2，…，N；j＝1，2，…，M)，且满足约束条件

在竞争层中，神经元之间相互竞争，最终只有一个神经元获胜，以适应当前的输入样本；竞争胜利的神经元就代表着当前输入样本的分类模式；竞争型网络的输入样本为二值向量，各元素取值0或者1；竞争层神经元j的状态的计算方式如下：

式(1)中，x_i为输入样本向量的第i个元素，w_ij为输入层神经元i与竞争层神经元j的权值，根据竞争机制，竞争层中具有最大加权值的神经元k赢得竞争胜利，输出为

竞争后的权值按照如下方式进行修正，

式中，a为学习参数，0＜a＜＜1，一般取值为0.01～0.03；m为输入层中输入为1的神经元个数，即

权值调整公式中的

项表示当x_i为1时，权值增加；而当x_i为0时，权值减小；也就是说，当x_i活跃时，对应的第i个权值就增加，否则就减小，当达到预设的迭代次数，结束算法；由于所有权值的和为1，所以当第i个权值增加或减小时，对应的其它权值就可能减小或增加。此外，式(2)还保证了权值的调整能够满足所有的权值调整量之和为0；

步骤6：按照与步骤1同样的方法对待测血糖的糖尿病患者人体皮肤表面进行光谱采集；

步骤7：按照与步骤2同样的方法对采集的光谱进行预处理，并将处理后的光谱数据输入步骤5构建的神经网络模型，即可输出血糖数值。

Claims (1)

1.基于自组织竞争神经网络模型和红外光谱的血糖检测方法，其特征在于，包括以下步骤：

步骤1：利用便携式红外光谱仪对人体皮肤表面进行光谱采集，采集大量人体皮肤表面血糖红外光谱，建立基础数据库；

步骤2：对步骤1采集的光谱进行预处理，利用欧氏距离判断离散点，并剔除无效光谱，利用小波变换去噪法去干扰噪声，采用峰谷点扯平、偏置扣减、微分处理和基线倾斜方法去基线，对被测样品红外光谱进行归一化处理，归一化后光谱数据强度在-1到1之间；

步骤3：将处理后的光谱建立光谱数据库，数据库中至少600个有效光谱；按照传统血液检测法对受试者进行血糖值检测，记录数值，并对相应受试者红外光谱进行标定，建立血糖红外光谱数据与传统血液血糖检测数值匹配模型；

步骤4：根据血糖数值对数据库红外光谱进行分类，共分为6个子数据库：(1)血糖值<5.0mmol/L；(2)血糖值在5.1～6.0mmol/L之间；(3)血糖值在6.1～7mmol/L之间；(4)血糖值在7.1～8.0mmol/L之间；(5)血糖值在8.1～9.0mmol/L之间；(6)血糖值在9.1～10.0mmol/L之间；

步骤5：将光谱数据进行格式转换，利用自组织竞争神经网络对血糖数据库进行深度学习和训练，建立其神经网络模型；所述自组织竞争神经网络分为输入层和竞争层，网络竞争层的各神经元通过竞争来获取对输入模式的响应机会，最后只有一个神经元成为胜利者，并将与获胜神经元的各联接权值向着更有利于其竞争的方向调整；

其中，所述输入层由N个神经元构成，竞争层有M个神经元；网络的连接权值为w_ij(i＝1，2，…，N；j= 1，2，…，M)，且满足约束条件

输入层输入样本为二值向量，各元素取值0或者1，竞争层神经元j的状态的计算方式如下：

式(1)中，x_i为输入样本向量的第i个元素，根据竞争机制，竞争层中具有最大加权值的神经元k赢得竞争胜利，输出为

竞争后的权值按照如下方式进行修正，

式(2)中，a为学习参数，0＜a＜＜1；m为输入层中输入为1的神经元个数，即

权值调整公式中的

项表示当x_i为1时，权值增加；而当x_i为0时，权值减小；当x_i活跃时，对应的第i个权值就增加，否则就减小，当达到预设的迭代次数，结束算法；

步骤6：按照与步骤1同样的方法对待测血糖的糖尿病患者人体皮肤表面进行光谱采集；

步骤7：按照与步骤2同样的方法对采集的光谱进行预处理，并将处理后的光谱数据输入步骤5构建的神经网络模型，即输出血糖数值。

Images