CN111755127A - 一种基于代谢混合法的血糖估算方法 - Google Patents
一种基于代谢混合法的血糖估算方法 Download PDFInfo
- Publication number
- CN111755127A CN111755127A CN202010701175.0A CN202010701175A CN111755127A CN 111755127 A CN111755127 A CN 111755127A CN 202010701175 A CN202010701175 A CN 202010701175A CN 111755127 A CN111755127 A CN 111755127A
- Authority
- CN
- China
- Prior art keywords
- blood
- model
- heart rate
- estimation
- blood sugar
- 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
Links
- 239000008280 blood Substances 0.000 title claims abstract description 170
- 210000004369 blood Anatomy 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 77
- 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 49
- 239000008103 glucose Substances 0.000 title claims abstract description 49
- 230000002503 metabolic effect Effects 0.000 title claims abstract description 25
- 230000036772 blood pressure Effects 0.000 claims abstract description 63
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 45
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 45
- 239000001301 oxygen Substances 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 238000013139 quantization Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000035488 systolic blood pressure Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 229910052717 sulfur Inorganic materials 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 7
- 230000035487 diastolic blood pressure Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003205 diastolic effect Effects 0.000 claims description 3
- 230000004060 metabolic process Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 10
- 230000017531 blood circulation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000035900 sweating Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910003798 SPO2 Inorganic materials 0.000 description 2
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010008531 Chills Diseases 0.000 description 1
- 235000009161 Espostoa lanata Nutrition 0.000 description 1
- 240000001624 Espostoa lanata Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008338 local blood flow Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于代谢混合法的血糖估算方法，包括如下步骤S1第一血糖预估模型的建立；S11根据心率、血压、血氧、辐射热和血糖的关系模型，建立心率、血压、血氧、辐射热与血糖的量化关系对应模型；采集S12大数据样本，通过深度学习回归方式获取步骤S11对应模型中各量化系数的最优值。S2第二血糖预估模型的建立；S21采集大数据样本；建立所述采集的心率、血压、血氧、辐射热与血糖关系的联合概率分布模型；上述联合概率分布模型即为第二血糖预估模型；S3血糖估值的获得；通过第一血糖预估模型获得第一血糖估值G0；通过第二血糖预估模型获得第二预估血糖值G1；则血糖估计值G＝(G0+G1)/2。本发明根据宏观特性对辐射代谢理论做了改进，提高血糖估计估算精度。
Description
技术领域
本发明涉及医疗检测领域，具体涉及一种基于代谢混合法的血糖估算方法。
背景技术
血糖关乎人的健康，传统的血糖检测方法是采血化验即侵入式的有创检测，其带来的创伤与疼痛感导致很多用户放弃血糖检测；并且有创检测无法实时监测或者受制于用户的采血感受极限。因此，无创的检测方式是未来发展趋势。
无创的方式方法很多，但易于实际操作的方式不多，代谢法是其中较为易操作的一种。辐射代谢法，利用心率、血氧、血液流速、辐射温度等参数，获取这些参数与学提纲的线性的映射关系。代谢法模型认为人体的血糖是关于人体产热量、人体局部血液流速和人体动脉血氧饱和度的函数，其常用数学模型如下：BG＝f(H,SPO2,Bv,HR,ζ)
BG为血糖浓度(Blood Glucose)；H为代谢产热量，或者辐射热，SPO2为血氧饱和度，Bv为血流速度，HR为心率或者脉搏，而ζ即算法修正因子，为常数。
模型的实用化，在于如何将BG与H、SPO2、Bv、HR等准确对应起来。在现有技术中比较常用的对应方法是使用一次函数叠加，通过多次对应的测试，形成批量训练数据；而后利用偏最小二乘法等回归拟合方法获取对应的关系系数包括ζ，构建起完整的模型。
基于此代谢法模型，国内外研究者、企业研制研发相关样机或者产品，但发现问题较大，主要包括：第一，代谢法本身的模型可能存在偏差，有的参数影响较小，而有其他生理参数未有考虑；第二，模型是一次函数叠加，精细程度不足；第三，由于在0～∞宽波段的血糖范围下，难以实现较好的数据拟合训练而获得通用性较好的系数；模型计算的血糖精度欠佳，或是用有创的手段获得血糖值，不能做到完全无创。
发明内容
本发明的目的是提供一种基于代谢混合法的血糖估算方法，可以解决上述技术问题中的一个或是多个。
为了达到上述目的，本发明提出的技术方案如下：
一种基于代谢混合法的血糖估算方法，包括如下步骤
S1第一血糖预估模型的建立；
S11根据心率、血压、血氧、辐射热和血糖的关系模型，建立心率、血压、血氧、辐射热与血糖的量化关系对应模型；
S12采集心率、血压、血氧、辐射热与血糖对应的大数据样本，通过深度学习回归方式获取步骤S11对应模型中各量化系数的最优值；
S13将步骤S12中各量化系数的最优值代回到步骤S11中的对应模型中获得第一血糖预估模型；
S2第二血糖预估模型的建立；
S21采集心率、血压、血氧、辐射热与血糖对应的大数据样本；以血糖从低到高变化时，所对应的心率、血压、血氧、辐射热的波动情况，建立所述采集的心率、血压、血氧、辐射热与血糖关系的联合概率分布模型；上述联合概率分布模型即为第二血糖预估模型；
S3血糖估值的获得
采集待测血糖人员的心率、血压、血氧、辐射热数据，分别记做R0，P0，S0，H0；
通过第一血糖预估模型获得第一血糖估值G0；通过第二血糖预估模型获得第二预估血糖值G1；则血糖估计值G＝(G0+G1)/2。
本发明通过总结当前数据表征的宏观特性先验知识，立足代谢法，引入血压分析，将血糖估计与心率、血压、血氧、辐射热/代谢热的关系对应起来(舍去血流速度Bv，体表出汗等会特别影响血流速度的估计而引入较大误差)，且构建为非线性单调对应关系，并建立联合概率分布，提高血糖估计估算精度。
本发明是从辐射代谢理论出发的，但又根据宏观特性做了改进，混合了血压的估计与血压与血糖的关系分析，故称为一种基于代谢混合法的血糖估算方法。
进一步的：所述步骤S12中的大数据样本不低于500。
进一步的：所述步骤S21中的大数据样本不低于500。
大数据样本的训练通常是数量越大结果约准确，但是太多的数据也降低运算速度，通过综合试验确定500是比较合适的样本数。
进一步的：所述步骤S11中的关系模型为：G＝function(R,P,S,H,δ)；其中G为待求血糖浓度，R为心率，P为血压，S为血氧饱和度，H为辐射温度，δ为修正参数即常数。
进一步的：所述步骤S12中量化的具体过程如下：
首先，建立一个二次非线性函数：
g＝α42×R2+α41×R1+α32×P2+α31×P1+α22×S2+α21×S1+α12×H2+α11×H1+δ，其中g为中间变量；
将上述二次方非线性函数再嵌套于Logistic函数中；
最终所获得的血糖浓度G与中间变量g对应关系为：
于是四参数(R心率、P血压、S血氧、H辐射热)与血糖的量化关系对应模型构建完毕；αij(i＝1,2,3,4；j＝1,2),δ,βk(k＝1,2,3)为12个未知量化系数。
进一步的：所述第二预估血糖值G1的获得条件为：
G1＝argminG[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]；即从步骤S21的大数据样本中遍历(R，P，S，H)，当[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]取得最小的时对应的G，即G1。
进一步的：所述心率可通过脉搏波直接计算获取；具体过程如下：首先获取脉搏波信号,进行尖峰提取，并计算间隔即周期估计，获取的周期T，所述周期T的倒数即心率/脉搏。
进一步的：所述血压通过校准学习实现估算获取；具体过程如下：
首先获取脉搏波信号；对脉搏波信号，进行尖峰提取，并计算间隔即周期估计，获取的周期T，提取脉搏波传输速率，主波峰和反射峰的间隔为T1，而T2为反射峰与下一个脉动周期起点之间的时间差；
根据测量部位与心脏之间的体表距离L，计算脉搏波速度有以下关系：
收缩压脉搏波速度
舒张压脉搏波速度
公式中涉及的两个常数k0与b0是波速校正系数；
再由于脉搏波速率与血压BP之间存在下述关系(∝即正比于)：
(BP)收缩压∝(V(T1))2；
(BP)舒张压∝(V(T2))2；既可以采用收缩压也可使用舒张压获得血压模型；
以收缩压为例，引入一次函数以解决血压的精细度问题，将距离L影响并入系数α1、α2中以减少变量，最终血压模型为：
通过血压仪测量M次真实血压，M次脉搏波，利用最小二乘方法获取αi(i＝1,2,3)；这里M≥10。
本发明的技术效果是：
本发明方法设计了依据脉搏波、血氧、辐射热传感探测进而获取心率、血压，形成心率、血压、血氧、辐射热四参数输入而实现代谢混合法血糖估算方法。
利用血糖模型、联合概率分布模型，减少偏差性，提高血糖测量精度。
经过系数获取和联合概率分布构建后，本发明应用于无创生理参数的检测估计，可较为准确的给出心率、血压、血氧、辐射温度与血糖的检测估计值，尤其是实现力血糖值的无创估算。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为脉搏波信号的获取方式流程图、脉动信号(脉搏波)示例图；
图2为一种基于代谢混合法的血糖估算方法的流程图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的不当限定。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明中是通过两个独立的模型共同估算出血糖值。
一种基于代谢混合法的血糖估算方法，包括如下步骤
S1第一血糖预估模型的建立；
S11根据心率、血压、血氧、辐射热和血糖的关系模型，所述步骤S11中的关系模型为：G＝function(R,P,S,H,δ)；其中G为待求血糖浓度，R为心率，P为血压，S为血氧饱和度，H为辐射温度，δ为修正参数即常数。
建立心率、血压、血氧、辐射热与血糖的量化关系对应模型；
所述步骤S12中量化的具体过程如下：
首先，建立一个二次非线性函数：
g＝α42×R2+α41×R1+α32×P2+α31×P1+α22×S2+α21×S1+α12×H2+α11×H1+δ，其中g为中间变量；
将上述二次方非线性函数再嵌套于Logistic函数中；
最终所获得的血糖浓度G与中间变量g对应关系为：
于是四参数(R心率、P血压、S血氧、H辐射热)与血糖的量化关系对应模型构建完毕；αij(i＝1,2,3,4；j＝1,2),δ,βk(k＝1,2,3)为12个未知量化系数。
S12采集心率、血压、血氧、辐射热与血糖对应的大数据样本，通过深度学习回归方式获取步骤S11对应模型中αij(i＝1,2,3,4；j＝1,2),δ,βk(k＝1,2,3)为12各量化系数的最优值；
S13将步骤S12中各量化系数的最优值代回到步骤S11中的对应模型中获得第一血糖预估模型；
通过上述第一血糖预估模型，可以获得一个血糖的预估值G0。
S2第二血糖预估模型的建立；
S21采集心率、血压、血氧、辐射热与血糖对应的大数据样本；以血糖从低到高变化时，所对应的心率、血压、血氧、辐射热的波动情况，建立所述采集的心率、血压、血氧、辐射热与血糖关系的联合概率分布模型；上述联合概率分布模型即为第二血糖预估模型；
由于不存在分段与区间的设置，对于其中任意一个数据点，其概率都是1/N，且都是相对独立的。
根据数据可以发现，所有的数据存在一定的聚集性，通过归类分析发现，血糖越高心率相对越快、血氧相对越低、辐射温相对越高，并且血压和血糖也存在一定在正比例特性。这就为后期估算血糖提供了先验知识和可能。
至此，血糖模型的系数估计结束，并形成了(G；R，P，S，H)的联合概率分布。
S3血糖估值的获得
采集待测血糖人员的心率、血压、血氧、辐射热数据，分别记做R0，P0，S0，H0；
通过第一血糖预估模型获得第一血糖估值G0；通过第二血糖预估模型获得第二预估血糖值G1；则血糖估计值G＝(G0+G1)/2。
在这里，G0是直接通过公式计算得出；而另一方面，利用(G；R，P，S，H)的联合概率分布，将当前的R0，P0，S0，H0数据归集到联合概率分布中，寻找最贴近的1处，也获得对应血糖值G1，即
G1＝argminG[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]
上述式子意思为：从N组数据中(N≥500)遍历(R，P，S，H)，当
[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]取得最小的时对应的G，即G1。
在上述大数据样品训练中，通常是数量越大结果越准确，但是太多的数据也降低运算速度，通过综合试验确定500是比较合适的样本数。
大数据样品的采集过程如下：
在特定的条件要求下，分别采集样本数据。特定的条件要求为：
1.要求在室内常温下，可开窗。
2.用户状态要处于自然平静，没有出汗或者颤抖等状况。
3.室内若有空调、暖气、风扇等影响温度的工作装置，用户不能处于风口位置而受到太多的影响。
4.用户用棉球清水/酒精清洗手指(食指或中指最佳)，并等待3～5分钟。
采集获取的样本数据具体包括心率、血压、血氧、辐射温度和血糖数据。其中血氧、辐射温等参数是通过检测装置获取的，心率是分析获取的，血压是通过模型计算的，血糖是通过有创的生化仪器采集的。样本数据至少500例。
进一步的：所述心率可通过脉搏波直接计算获取；具体过程如下：首先获取脉搏波信号,进行尖峰提取，并计算间隔即周期估计，获取的周期T，所述周期T的倒数即心率/脉搏。
进一步的：所述血压通过校准学习实现估算获取；具体过程如下：
首先获取脉搏波信号；对脉搏波信号，进行尖峰提取，并计算间隔即周期估计，获取的周期T，提取脉搏波传输速率，主波峰和反射峰的间隔为T1，而T2为反射峰与下一个脉动周期起点之间的时间差；
根据测量部位与心脏之间的体表距离L，计算脉搏波速度有以下关系：
收缩压脉搏波速度
舒张压脉搏波速度
公式中涉及的两个常数k0与b0是波速校正系数；
再由于脉搏波速率与血压BP之间存在下述关系(∝即正比于)：
(BP)收缩压∝(V(T1))2；
(BP)舒张压∝(V(T2))2；既可以采用收缩压也可使用舒张压获得血压模型；
以收缩压为例，引入一次函数以解决血压的精细度问题，将距离L影响并入系数α1、α2中以减少变量，最终血压模型为：
通过血压仪测量M次真实血压，M次脉搏波，利用最小二乘方法获取αi(i＝1,2,3)；这里M≥10。
本发明通过总结当前数据表征的宏观特性先验知识，立足代谢法，引入血压分析，将血糖估计与心率、血压、血氧、辐射热/代谢热的关系对应起来(舍去血流速度Bv，体表出汗等会特别影响血流速度的估计而引入较大误差)，且构建为非线性单调对应关系，并建立联合概率分布，提高血糖估计估算精度。
本发明是从辐射代谢理论出发的，但又根据宏观特性做了改进，混合了血压的估计与血压与血糖的关系分析，故称为一种基于代谢混合法的血糖估算方法。
对本发明来说任意用户只要采集测试对象的脉搏波信号，使用血氧模块获取血氧数据(获得血氧)，使用辐射传感器获取辐射热数据(获得辐射温度)，本发明即可获得四参数R0，P0，S0，H0(心率、血压、血氧、辐射热)数据。
上述参数的获得方式不做限定，现有技术中具有很多无创获得的方式。
下表1是采用本无创估计的血糖值和有创血液仪实际测量的数据对比(提取的部分数据)，从表格上可以明确看出准确度的平均值是百分之九十以上，95％以上的估值数据的准确率可以达到80％的数据在；90％以上的估值数据的准确率可以达到85％；本估算方法准确率高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于代谢混合法的血糖估算方法，其特征在于：包括如下步骤
S1第一血糖预估模型的建立；
S11根据心率、血压、血氧、辐射热和血糖的关系模型，建立心率、血压、血氧、辐射热与血糖的量化关系对应模型；
S12采集心率、血压、血氧、辐射热与血糖对应的大数据样本，通过深度学习回归方式获取步骤S11对应模型中各量化系数的最优值；
S13将步骤S12中各量化系数的最优值代回到步骤S11中的对应模型中获得第一血糖预估模型；
S2第二血糖预估模型的建立；
S21采集心率、血压、血氧、辐射热与血糖对应的大数据样本；以血糖从低到高变化时，所对应的心率、血压、血氧、辐射热的波动情况，建立所述采集的心率、血压、血氧、辐射热与血糖关系的联合概率分布模型；上述联合概率分布模型即为第二血糖预估模型；
S3血糖估值的获得
采集待测血糖人员的心率、血压、血氧、辐射热数据，分别记做R0，P0，S0，H0；
通过第一血糖预估模型获得第一血糖估值G0；通过第二血糖预估模型获得第二预估血糖值G1；则血糖估计值G＝(G0+G1)/2。
2.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述步骤S12中的大数据样本不低于500。
3.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述步骤S21中的大数据样本不低于500。
4.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述步骤S11中的关系模型为：G＝function(R,P,S,H,δ)；其中G为待求血糖浓度，R为心率，P为血压，S为血氧饱和度，H为辐射温度，δ为修正参数即常数。
5.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述步骤S12中量化的具体过程如下：
首先，建立一个二次非线性函数：
将上述二次方非线性函数再嵌套于Logistic函数中；
最终所获得的血糖浓度G与中间变量g对应关系为：
于是四参数(R心率、P血压、S血氧、H辐射热)与血糖的量化关系对应模型构建完毕；αij(i＝1,2,3,4；j＝1,2),δ,βk(k＝1,2,3)为12个未知量化系数。
6.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述第二预估血糖值G1的获得条件为：G1＝argminG[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]；即从步骤S21的大数据样本中遍历(R，P，S，H)，当[(R0-R)2+(P0-P)2+(S0-S)2+(H0-H)2]取得最小的时对应的G，即G1。
7.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于：所述心率可通过脉搏波直接计算获取；具体过程如下：首先获取脉搏波信号,进行尖峰提取，并计算间隔即周期估计，获取的周期T，所述周期T的倒数即心率/脉搏。
8.根据权利要求1所述的基于代谢混合法的血糖估算方法，其特征在于:所述血压通过校准学习实现估算获取；具体过程如下：
首先获取脉搏波信号；对脉搏波信号，进行尖峰提取，并计算间隔即周期估计，获取的周期T，提取脉搏波传输速率，主波峰和反射峰的间隔为T1，而T2为反射峰与下一个脉动周期起点之间的时间差；
根据测量部位与心脏之间的体表距离L，计算脉搏波速度有以下关系：
收缩压脉搏波速度
舒张压脉搏波速度
公式中涉及的两个常数k0与b0是波速校正系数；
再由于脉搏波速率与血压BP之间存在下述关系(∝即正比于)：
(BP)收缩压∝(V(T1))2；
(BP)舒张压∝(V(T2))2；既可以采用收缩压也可使用舒张压获得血压模型；
以收缩压为例，引入一次函数以解决血压的精细度问题，将距离L影响并入系数α1、α2中以减少变量，最终血压模型为：
通过血压仪测量M次真实血压，M次脉搏波，利用最小二乘方法获取αi(i＝1,2,3)；这里M≥10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701175.0A CN111755127A (zh) | 2020-07-20 | 2020-07-20 | 一种基于代谢混合法的血糖估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701175.0A CN111755127A (zh) | 2020-07-20 | 2020-07-20 | 一种基于代谢混合法的血糖估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111755127A true CN111755127A (zh) | 2020-10-09 |
Family
ID=72710131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010701175.0A Pending CN111755127A (zh) | 2020-07-20 | 2020-07-20 | 一种基于代谢混合法的血糖估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111755127A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113133762A (zh) * | 2021-03-03 | 2021-07-20 | 刘欣刚 | 一种无创血糖预测方法及装置 |
| CN113506632A (zh) * | 2021-06-08 | 2021-10-15 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于非周期采样数据的i型糖尿病人血糖的估算方法 |
-
2020
- 2020-07-20 CN CN202010701175.0A patent/CN111755127A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113133762A (zh) * | 2021-03-03 | 2021-07-20 | 刘欣刚 | 一种无创血糖预测方法及装置 |
| CN113133762B (zh) * | 2021-03-03 | 2022-09-30 | 刘欣刚 | 一种无创血糖预测方法及装置 |
| CN113506632A (zh) * | 2021-06-08 | 2021-10-15 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于非周期采样数据的i型糖尿病人血糖的估算方法 |
| CN113506632B (zh) * | 2021-06-08 | 2023-12-12 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于非周期采样数据的i型糖尿病人血糖的估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108498089B (zh) | 一种基于深度神经网络的无创连续血压测量方法 | |
| US10825569B2 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| Shimazaki et al. | Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN | |
| CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
| CN108261190B (zh) | 连续血压估计方法、装置以及设备 | |
| CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
| CN111755127A (zh) | 一种基于代谢混合法的血糖估算方法 | |
| CN110558960A (zh) | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 | |
| CN111631698A (zh) | 基于运动模式级联约束的可穿戴血压监测及修正方法 | |
| CN109872820B (zh) | 一种无袖带血压测量方法、装置、设备及存储介质 | |
| CN107802255B (zh) | 一种基于代谢法的血糖数据处理方法及装置 | |
| CN114145724A (zh) | 基于ecg和ppg多生理特征参数动态监测血压的方法 | |
| CN112133442A (zh) | 一种连续无创血糖检测装置及方法 | |
| CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
| CN103750832A (zh) | 实时无线血压监控系统、血压测量装置及血压分析方法 | |
| CN108261192A (zh) | 连续血压测量方法、装置以及设备 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN111466899A (zh) | 一种基于mpga-miv-bp模型簇的连续血压无创监测方法 | |
| CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| CN113040738B (zh) | 血压检测装置 | |
| CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
| CN114403865A (zh) | 一种基于神经网络的无创血糖值预测方法 | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 | |
| CN112006669A (zh) | 一种基于血压测量模型的双通道计算方法 | |
| CN106805943A (zh) | 基于分数阶微分方程的血糖数据处理方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201009 |
|
| WD01 | Invention patent application deemed withdrawn after publication |