CN110623678A - 一种血糖测量装置及其数据处理方法、存储介质 - Google Patents

一种血糖测量装置及其数据处理方法、存储介质 Download PDF

Info

Publication number
CN110623678A
CN110623678A CN201810652655.5A CN201810652655A CN110623678A CN 110623678 A CN110623678 A CN 110623678A CN 201810652655 A CN201810652655 A CN 201810652655A CN 110623678 A CN110623678 A CN 110623678A
Authority
CN
China
Prior art keywords
features
pulse wave
wave signals
data processing
processing method
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
CN201810652655.5A
Other languages
English (en)
Inventor
张跃
王子亮
宿影
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.)
Shenzhen Youyi Technology Co Ltd
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Youyi Technology Co Ltd
Shenzhen Graduate School Tsinghua University
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 Shenzhen Youyi Technology Co Ltd, Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Youyi Technology Co Ltd
Priority to CN201810652655.5A priority Critical patent/CN110623678A/zh
Publication of CN110623678A publication Critical patent/CN110623678A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Cardiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种血糖测量装置及其数据处理方法、存储介质。其方法包括：S1.采集生理参数，所述生理参数包括脉搏波信号；S2.将所述生理参数中的脉搏波信号进行预处理；S3.将预处理后的脉搏波信号进行特征提取，得到提取后的特征；S4.将提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；S5.将筛选后的特征进行模型训练获得优化模型。通过将采集的脉搏波信号预处理及特征提取，然后利用遗传算法对提取后的特征进行筛选，可以有效减少需要模型训练过程中需要计算的特征值的维度，减少运算开销和时间开销；同时更有力于将其算法集成到嵌入式设备中；同时估计精度高。

Description

一种血糖测量装置及其数据处理方法、存储介质
技术领域
本发明涉及无创血糖检测技术领域，尤其涉及一种血糖测量装置及其数据处理方法、存储介质。
背景技术
糖尿病是一种代谢性疾病，它的特征是患者的血糖长期高于标准值。主要症状有多食、多饮、尿频及体重下降。糖尿病是一种慢性病，当胰脏不能产生足够的胰岛素或者当身体不能有效利用产生的胰岛素时，就会出现糖尿病。
由于糖尿病初期没有明显发病症状，等发现时，往往已经引发了并发症并对其他器官造成了不可逆转的伤害。依靠现有的医疗手段，无法彻底治愈糖尿病。所以无论是对于糖尿病高危人群的早期筛查，还是对于糖尿病患者的病情诊治，血糖浓度作为重要的参考标准，都发挥着至关重要的作用。实时监测血糖浓度并对其进行有效控制，可以对糖尿病起到防治作用，并大大缓解其并发症带来的严重后果，达到“未病预警”的效果。
现有血糖检测方法大致分为三类：有创血糖监测、微创血糖监测和无创血糖检测。传统的血糖检测方法主要是有创血糖检测和微创血糖检测，包括血糖试纸测血糖、静脉抽血测定血糖等。这些是目前医疗领域主流的检测方法，主要优点是检测精度高，但也存在容易引起感染、给患者带来心理和生理上的痛苦、无法实时测量、费用高昂等缺点。在此背景下，无创血糖检测成为血糖检测领域的热点研究问题。无创血糖检测方法主要利用近红外光谱分析法，使用血糖来调节光学参数，从而达到测量血糖的目的。而传统广泛应用于近红外光谱分析方法中的线性相关分析(包括多元线性回归分析MLR，主成分回归分析PCR，偏最小二乘法PLS)对于无创血糖的检测并不理想；非线性相关分析例如人工神经网络(ANN)和支持向量机(SVM)可以达到更好的效果，但其训练过程中需要输入的特征太多，运算过程复杂、耗时长，如果输入的特征不合适，则严重影响估计结果的准确性。
发明内容
为解决上述问题，本发明提出一种血糖测量装置及其数据处理方法、存储介质，其能够有效减少运算开销和时间开销，更有利于将其算法集成到嵌入式设备上；同时估计精度高。
本发明提供的血糖测量装置的数据处理方法包括：S1.采集生理参数，所述生理参数包括脉搏波信号；S2.将所述生理参数中的脉搏波信号进行预处理；S3.将预处理后的脉搏波信号进行特征提取，得到提取后的特征；S4.将提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；S5.将筛选后的特征进行模型训练获得优化模型。
优选地，所述步骤S2的所述预处理包括：基于小波变换去除脉搏波信号中的噪声和基线漂移。
优选地，所述步骤S3中提取的特征包括：Kaiser-Teager能量特征、光谱熵特征、光谱能量。
优选地，所述步骤S4包括：S41.初始化：设置进化代数计数器t＝0，设置最大进化代数为T，随机生成M个个体作为初始群体；S42.对群体执行选择算子，生成下一代群体，并进入步骤S43；S43.判断是否满足Rondom[0,1]＜Pc；如果满足，则进入步骤S44；如果不满足，则进入步骤S45；S44.对群体执行交叉算子，生成下一代群体，并进入步骤S45；S45.判断是否满足Rondom[0,1]＜Pm，如果满足，则进入步骤S46；如果不满足，则进入步骤S47；S46.对群体执行变异算子，得到下一代群体，并进入步骤S47；S47.判断群体迭代次数是否满足收敛准则t＝T，若不满足，则进入步骤S42；若满足，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，该个体作为筛选后的特征。
优选地，所述步骤S5包括：基于支持向量回归模型，将筛选后的特征进行模型训练获得优化模型。
优选地，所述步骤S1中的生理参数还包括：性别、年龄、身高、体重、是否有糖尿病、脉搏率、血红蛋白浓度、血流速率、血氧饱和度；所述步骤S4中，将提取后的特征以及除脉搏波信号外的生理参数作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征。
优选地，所述步骤S1中还采集环境参数；所述步骤S4中将环境参数、提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；所述环境参数包括：环境温度、环境湿度、体表温度、体表湿度。
优选地，还包括：基于所述优化模型进行血糖值估计。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的数据处理方法。
本发明还提供一种血糖测量装置，包括：采集单元，用于采集生理参数，所述生理参数包括脉搏波信号；处理器，与所述采集单元相连，用于：将所述生理参数中的脉搏波信号进行预处理；将预处理后的脉搏波信号进行特征提取，得到提取后的特征；基于遗传算法，将提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；将筛选后的特征进行模型训练获得优化模型。
本发明的有益效果：通过将采集的脉搏波信号预处理及特征提取，然后利用遗传算法在特征选择方面的有效性，对提取后的特征进行筛选；基于筛选后得到的特征进行模型训练，可以有效减小训练过程中需要计算的特征值的维度，减少运算开销和时间开销，从而更有利于将其算法集成到嵌入式设备上。
附图说明
图1为本发明实施例中的方法流程图。
图2为本发明实施例中的原始PPG信号和经小波变换后的PPG信号。
图3为本发明实施例中基于遗传算法的特征筛选的方法流程图。
图4为本发明实施例中优化模型训练和基于优化模型进行血糖值估计的流程图。
图5为本发明实施例中克拉克误差网络分析图。
具体实施方式
下面结合具体实施方式并对照附图对本发明作进一步详细说明，应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
本实施例提供一种血糖测量装置的数据处理方法，如图1所示，包括如下步骤：
S101、采集生理参数，所述生理参数包括脉搏波信号。
采集的生理参数主要包括脉搏波信号，脉搏波信号承载着血糖浓度信息。本实施例中，脉搏波信号优选为光电容积脉搏波信号(Photoplethysmograph，PPG)。本实施例中，脉搏波信号的采样频率为100Hz，采样时长为10s，时间t的范围为[0，1000]。
生理参数除了脉搏波信号外，还可以包括：性别、年龄、身高、体重、是否有糖尿病、脉搏率、血红蛋白浓度、血流速率、血氧饱和度等。
步骤S101中，除了采集生理参数外，还可以采集环境参数，环境参数主要包括：环境温度、环境湿度、体表温度、体表湿度等。
S102、将所述生理参数中的脉搏波信号进行预处理。
本实施例中，将所采集到的生理参数中的脉搏波信号利用小波变换去除噪声和基线漂移。小波变换是一种新的变换分析方法，它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化的缺点，能够提供一个随频率改变的“时间-频率”窗口，为信号时频分析和处理的理想工具，从而可以有效地从脉搏波信号中提取信息。
选择合适的小波函数和分解层次后，脉搏波信号被多尺度分解为小波变换序列。低频信号用于逼近脉搏波信号中的基线漂移。通过在数据重建过程中选择合适的小波系数，实现校正脉搏波信号基线漂移的目的。如图2所示，a为原始PPG信号，b为经小波变换后的PPG信号。
S103、将预处理后的脉搏波信号进行特征提取，得到提取后的特征。
特征提取是指将机器学习算法不能识别的原始数据转化为可以识别的特征的过程。光电容积脉搏波是借助光电技术在活体组织中监测血液容积变化获得的波形信号，其信号中包含了人体循环系统、呼吸系统等许多生理病理信息，但是光电容积脉搏波信号无法直接作为训练模型的输入特征，所以需要先针对脉搏波信号进行特征提取。
经预处理后的脉搏波信号以SPPG(t)表示(t代表时间)，为了进一步消除干扰信号(变形、抖动、噪音等)，SPPG(t)被分解为成若干帧，且每帧以Sframe(t,n)表示，n代表每一帧的序号。每一帧包含200个采样点，相邻两帧的重叠率为50％。优选地，其n＝10。
从脉搏波信号中提取的特征包括：Kaiser-Teager能量特征、光谱熵特征、光谱能量对数特征。
(1)Kaiser-Teager能量特征(KTE)
对于每帧脉搏波信号，其Kaiser-Teager能量特征的公式为：
KTEn(t)＝Sframe(t,n)2-Sframe(t+1,n)×Sframe(t-1,n) 公式(1)
其中，n表示每一帧脉搏波信号的序号，t＝1,2,...Lframe-1，Lframe表示每一帧的长度，其Lframe＝200。
根据如上的公式，每一帧脉搏波信号的平均值方差四分间距偏斜度都可以计算获得。将每一帧脉搏波信号求取平均值，从而可以得到SPPG(t)的Kaiser-Teager能量平均值KTEμ，Kaiser-Teager能量方差KTEσ，Kaiser-Teager能量四分间距KTEqi以及Kaiser-Teager能量偏斜度KTEskew。
(2)光谱熵特征(H)
首先，对Sframe(t,n)进行快速傅里叶变换：
Xn←FFT(Sframe(t,n),LFFT) 公式(2)
其中，LFFT＝256。
然后，对Xn进行归一化：
其中，k＝1,...LFFT。
最后，计算的的光谱熵：
H←P[k]Log(P[k]) 公式(4)
根据如上的公式，SPPG(t)的光谱熵平均值Hμ，光谱熵方差Hσ，光谱熵四分间距Hqi，光谱熵偏斜度Hskew都可以通过平均Sframe(t,n)上的计算结果获得。
(3)光谱能量对数特征(LogE)
对于每帧脉搏波信号，其光谱能量对数公式为：
LogE←Log(Sframe(t,n)) 公式(5)
根据如上的公式，SPPG(t)的光谱能量对数方差LogEσ，光谱能量四分间距LogEqi都可以平均Sframe(t,n)计算获得。
S104、将提取后的特征作为输入特征，利用遗传算法进行特征筛选，得到筛选后的特征。
由于人工设计的特征存在冗余现象，对于血糖估计，人工设计的有些特征不一定有效，故需要进行特征筛选。
遗传算法(GA)是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解(成为个体)可抽象表示为染色体，使种群向更好的解进化。传统上，解用二进制(即0和1的串)表示。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中评价整个种群的适应度，从当前种群中随机的选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。
将步骤S103中提取后的特征：SPPG(t)的Kaiser-Teager能量特征(包括KTEμ，KTEσ，KTEqi，KTEskew)、光谱熵特征(包括Hμ，Hσ，Hqi，Hskew)以及光谱能量对数特征(包括LogEσ，LogEqi)，利用遗传算法进行特征筛选。
除了将脉搏波信号中提取后的特征作为待筛选特征外，其他的生理参数和/或环境参数也可以一起作为待筛选特征。
优选的，本实施例中采用如下表格中的23个特征以及相应的血糖值作为待筛选的训练矩阵。
基于遗传算法的特征筛选的方法流程图如图3所示，主要包括如下步骤：
S41.初始化：设置迭代次数计数器t＝0，设置最大迭代次数为T，随机生成M个个体作为初始群体。
S42.对群体执行选择算子，生成下一代群体，并进入步骤S43；
执行选择算子的目的是将优秀的个体直接遗传到下一代或将通过交叉变异产生的新个体遗传到下一代。选择算子根据适应度函数对初始群体中的个体进行筛选，这里适应度函数选择为：在验证集上的血糖值真值和预测值之间的相关系数。
S43.判断是否满足Rondom[0,1]＜Pc；如果满足，则进入步骤S44；如果不满足，则进入步骤S45；
其中，Rondom[0,1]＜Pc是模拟遗传进化的交叉过程，Random[0,1]表示随机产生0到1之间的一个数字，Pc为根据实际情况自行设置的一个阈值。
S44.对群体执行交叉算子，生成下一代群体，并进入步骤S45；交叉算子是指将种群中两个个体中的部分基因位进行交换。
S45.判断是否满足Rondom[0,1]＜Pm，如果满足，则进入步骤S46；如果不满足，则进入步骤S47；
其中，Rondom[0,1]＜Pm是模拟遗传进化的变异过程，Random[0,1]表示随机产生0到1之间的一个数字，Pm为根据实际情况自行设置的一个阈值。
S46.对群体执行变异算子，得到下一代群体，并进入步骤S47；
变异算子是指将种群中个体的某些基因位进行改变。
S47.判断群体是否满足收敛准则t＝T，若不满足，则进入步骤S42；若满足，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，该个体作为筛选后的特征。
S105、将筛选后的特征进行模型训练获得优化模型。
支持向量回归(SVR)方法是一种多维矩阵回归方法，适用于各种复杂的实验环境。本实施例中基于支持向量回归模型，将筛选后的特征进行模型训练获得优化模型。
利用遗传算法筛选后的特征对SVR模型进行训练。将对应的特征值和血糖真值组成特征矩阵，并将特征矩阵输入SVR模型进行训练。训练好的SVR模型可用于血糖值预测。
S106、基于上述的优化模型进行血糖值估计。
上述的优化模型训练流程以及利用优化模型进行血糖值估计的整体过程如图4所示。
对比试验
采集的数据包含18至26岁的18名实验参与者的基本信息，PPG信号，环境参数和生理参数。从每个实验参与者处采集10s的PPG信号，采样率为100Hz。在采集PPG信号的同时采集真实的血糖水平。筛选后，有251个可用波形段，其中60％用作训练数据集，20％用作验证数据集，20％用作测试数据集。
遗传算法的结果如表1所示。位串表示特征是否被选择。人为设计的特征有些是多余的，某些特征对预测血糖值有用，但有些特征不适用。所以我们选择使用遗传算法进行特征选择。遗传算法中初始群体个数设置为30(M＝30)，个体大小设置为23，存活率设置为0.6，交叉概率设置为0.7(Pc＝0.7)，变异概率设置为0.3(Pm＝0.3)，最大迭代次数设置为100(T＝100)。
为了验证遗传算法的作用，我们训练了GA(遗传算法)+SVR(支持向量回归)模型和无GA(遗传算法)的SVR(支持向量回归)模型。表2使用均方根误差作为参考，显示了这些模型的性能。
通过比较SVR模型和GA+SVR模型的性能，可以发现，与单一的SVR模型相比，GA+SVR模型具有更好的效果。在测试集上，使用SVR+GA模型可以获得95.05％的相关系数，比仅使用SVR模型的方法高1.74％。
本实施例中应用克拉克误差网格分析来进一步验证所提出模型的准确性。如图5所示，模型血糖预测值100％分布在区域A，该区域被认为是临床正确的。实验结果证实了该方法的正确性。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的数据处理方法。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述部分中描述的根据本发明各种示例性实施方式的步骤。其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如便携检测设备、手环、指环等上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本实施例提供一种血糖测量装置，包括：采集单元以及处理器。待测者的手指可以放置于采集单元的采集区域，采集单元用于采集包括脉搏波信号在内的生理参数以及环境参数。处理器与采集单元相连，用于对采集的数据进行处理，以得到待测者的血糖值。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

Claims (10)

1.一种血糖测量装置的数据处理方法，其特征在于，包括：
S1.采集生理参数，所述生理参数包括脉搏波信号；
S2.将所述生理参数中的脉搏波信号进行预处理；
S3.将预处理后的脉搏波信号进行特征提取，得到提取后的特征；
S4.将提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；
S5.将筛选后的特征进行模型训练获得优化模型。
2.如权利要求1所述的数据处理方法，其特征在于，所述步骤S2的所述预处理包括：基于小波变换去除脉搏波信号中的噪声和基线漂移。
3.如权利要求1所述的方法，其特征在于，所述步骤S3中提取后的特征包括：Kaiser-Teager能量特征、光谱熵特征、光谱能量。
4.如权利要求1所述的数据处理方法，其特征在于，所述步骤S4包括：
S41.初始化：设置进化代数计数器t＝0，设置最大进化代数为T，随机生成M个个体作为初始群体；
S42.对群体执行选择算子，生成下一代群体，并进入步骤S43；
S43.判断群体是否满足Rondom[0,1]＜Pc；如果满足，则进入步骤S44；如果不满足，则进入步骤S45；
S44.对群体执行交叉算子，生成下一代群体，并进入步骤S45；
S45.判断是否满足Rondom[0,1]＜Pm，如果满足，则进入步骤S46；如果不满足，则进入步骤S47；
S46.对群体执行变异算子，得到下一代群体，并进入步骤S47；
S47.判断群体迭代次数是否满足收敛准则t＝T，若不满足，则进入步骤S42；若满足，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，该个体作为筛选后的特征。
5.如权利要求1所述的数据处理方法，其特征在于，所述步骤S5包括：基于支持向量回归模型，将筛选后的特征进行模型训练获得优化模型。
6.如权利要求1所述的数据处理方法，其特征在于，所述步骤S1中的生理参数还包括：性别、年龄、身高、体重、是否有糖尿病、脉搏率、血红蛋白浓度、血流速率、血氧饱和度；所述步骤S4中，将提取后的特征以及除脉搏波信号外的生理参数作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征。
7.如权利要求1所述的数据处理方法，其特征在于，
所述步骤S1中还采集环境参数；
所述步骤S4中将环境参数、提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；
所述环境参数包括：环境温度、环境湿度、体表温度、体表湿度。
8.如权利要求1所述的数据处理方法，其特征在于，还包括：基于所述优化模型进行血糖值估计。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的数据处理方法。
10.一种血糖测量装置，其特征在于，包括：
采集单元，用于采集生理参数，所述生理参数包括脉搏波信号；
处理器，与所述采集单元相连，用于：
将所述生理参数中的脉搏波信号进行预处理；将预处理后的脉搏波信号进行特征提取，得到提取后的特征；基于遗传算法，将提取后的特征作为输入特征，基于遗传算法进行特征筛选，得到筛选后的特征；将筛选后的特征进行模型训练获得优化模型。
CN201810652655.5A 2018-06-22 2018-06-22 一种血糖测量装置及其数据处理方法、存储介质 Pending CN110623678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810652655.5A CN110623678A (zh) 2018-06-22 2018-06-22 一种血糖测量装置及其数据处理方法、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810652655.5A CN110623678A (zh) 2018-06-22 2018-06-22 一种血糖测量装置及其数据处理方法、存储介质

Publications (1)

Publication Number Publication Date
CN110623678A true CN110623678A (zh) 2019-12-31

Family

ID=68967271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810652655.5A Pending CN110623678A (zh) 2018-06-22 2018-06-22 一种血糖测量装置及其数据处理方法、存储介质

Country Status (1)

Country Link
CN (1) CN110623678A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111134689A (zh) * 2020-03-31 2020-05-12 电子科技大学 一种基于时频Teager-Kaiser能量的血糖浓度检测方法
CN112133442A (zh) * 2020-09-22 2020-12-25 博邦芳舟医疗科技（北京）有限公司 一种连续无创血糖检测装置及方法
CN113288132A (zh) * 2021-05-06 2021-08-24 广东工业大学 用于预测血糖值的方法、装置、存储介质及处理器
WO2022042356A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 血糖检测模型训练方法、血糖检测方法、系统及电子设备
WO2022063047A1 (zh) * 2020-09-22 2022-03-31 博邦芳舟医疗科技（北京）有限公司 一种基于光电容积脉搏波的无创糖尿病预测系统及方法
CN114869249A (zh) * 2022-07-12 2022-08-09 慧医谷中医药科技(天津)股份有限公司 脉搏波特征参数的获取方法、装置、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102217940A (zh) * 2011-06-14 2011-10-19 中国科学院长春光学精密机械与物理研究所 利用容积脉搏波特征值实现无创伤测量人体血糖的方法
CN102715902A (zh) * 2012-06-15 2012-10-10 天津大学 特殊人群的情绪监护方法
CN106845051A (zh) * 2015-12-04 2017-06-13 北京光巨力信息技术有限公司 一种基于组合优化的近红外无创血糖检测波长变量筛选方法
CN107374646A (zh) * 2017-07-31 2017-11-24 中国科学院半导体研究所 基于近红外技术的血糖检测装置及方法、电子装置
CN107405114A (zh) * 2015-03-13 2017-11-28 国立大学法人信州大学 非侵入式血糖值测定方法以及非侵入式血糖值测定装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102217940A (zh) * 2011-06-14 2011-10-19 中国科学院长春光学精密机械与物理研究所 利用容积脉搏波特征值实现无创伤测量人体血糖的方法
CN102715902A (zh) * 2012-06-15 2012-10-10 天津大学 特殊人群的情绪监护方法
CN107405114A (zh) * 2015-03-13 2017-11-28 国立大学法人信州大学 非侵入式血糖值测定方法以及非侵入式血糖值测定装置
CN106845051A (zh) * 2015-12-04 2017-06-13 北京光巨力信息技术有限公司 一种基于组合优化的近红外无创血糖检测波长变量筛选方法
CN107374646A (zh) * 2017-07-31 2017-11-24 中国科学院半导体研究所 基于近红外技术的血糖检测装置及方法、电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JALAL A. NASIRI 等: "ECG Arrhythmia Classification with Support Vector Machines and Genetic Algorithm", 2009 THIRD UKSIM EUROPEAN SYMPOSIUM ON COMPUTER MODELING AND SIMULATION, pages 187 - 191 *
YUE ZHANG 等: "Non-invasive Blood Glucose Estimation using Near-Infrared Spectroscopy based on SVR", 2017 IEEE 3RD INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC), pages 595 - 597 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111134689A (zh) * 2020-03-31 2020-05-12 电子科技大学 一种基于时频Teager-Kaiser能量的血糖浓度检测方法
CN111134689B (zh) * 2020-03-31 2021-05-14 电子科技大学 一种基于时频Teager-Kaiser能量的血糖浓度检测方法
WO2022042356A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 血糖检测模型训练方法、血糖检测方法、系统及电子设备
CN112133442A (zh) * 2020-09-22 2020-12-25 博邦芳舟医疗科技（北京）有限公司 一种连续无创血糖检测装置及方法
WO2022063047A1 (zh) * 2020-09-22 2022-03-31 博邦芳舟医疗科技（北京）有限公司 一种基于光电容积脉搏波的无创糖尿病预测系统及方法
CN112133442B (zh) * 2020-09-22 2024-02-13 博邦芳舟医疗科技（北京）有限公司 一种连续无创血糖检测装置及方法
CN113288132A (zh) * 2021-05-06 2021-08-24 广东工业大学 用于预测血糖值的方法、装置、存储介质及处理器
CN114869249A (zh) * 2022-07-12 2022-08-09 慧医谷中医药科技(天津)股份有限公司 脉搏波特征参数的获取方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110623678A (zh) 一种血糖测量装置及其数据处理方法、存储介质
US20190026430A1 (en) Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
JP2020520734A (ja) 生体電磁界における異常の機械識別
CN114376564B (zh) 一种基于心冲击信号的睡眠分期方法、系统、装置及介质
US20220093215A1 (en) Discovering genomes to use in machine learning techniques
CN114010171B (zh) 一种基于心跳数据的分类器设置方法
Zhang et al. Using Lempel–Ziv complexity to assess ECG signal quality
CN101449974A (zh) 一种自动实时估计麻醉深度的方法
RU2657384C2 (ru) Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
Roy et al. On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks
Liang et al. Obstructive sleep apnea detection using combination of CNN and LSTM techniques
CN115363586A (zh) 一种基于脉搏波信号的心理压力等级评估系统及方法
CN111789629A (zh) 一种基于深度学习的呼吸音智能诊疗系统及方法
Singh et al. Short and noisy electrocardiogram classification based on deep learning
Hossain et al. A deep convolutional autoencoder for automatic motion artifact removal in electrodermal activity
Rizal et al. Comparison of multilevel wavelet packet entropy using various entropy measurement for lung sound classification
Taşkıran et al. A deep learning based decision support system for diagnosis of Temporomandibular joint disorder
Pan et al. Improved blood pressure estimation using photoplethysmography based on ensemble method
Lucena et al. The Performance of Short‐Term Heart Rate Variability in the Detection of Congestive Heart Failure
Signorini et al. Applying nonlinear noise reduction in the analysis of heart rate variability
CN113851224B (zh) 一种用于ams风险评估的数字仿真器
Shuzan et al. Machine Learning-Based Respiration Rate and Blood Oxygen Saturation Estimation Using Photoplethysmogram Signals. Bioengineering 2023, 10, 167
Zhang et al. Non-invasive blood glucose detection using NIR based on GA and SVR
CN115702778A (zh) 一种睡眠阶段分期方法、装置、电子设备及计算机可读存储介质
CN111466877A (zh) 一种基于lstm网络的氧减状态预测方法

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