CN112515667A - 一种无创血糖估计方法 - Google Patents
一种无创血糖估计方法 Download PDFInfo
- Publication number
- CN112515667A CN112515667A CN202011384703.0A CN202011384703A CN112515667A CN 112515667 A CN112515667 A CN 112515667A CN 202011384703 A CN202011384703 A CN 202011384703A CN 112515667 A CN112515667 A CN 112515667A
- Authority
- CN
- China
- Prior art keywords
- light intensity
- training data
- state
- pressure control
- state light
- 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 62
- 210000004369 blood Anatomy 0.000 title claims abstract description 62
- 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 36
- 239000008103 glucose Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001678 irradiating effect Effects 0.000 claims abstract description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000006837 decompression Effects 0.000 claims description 3
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000037149 energy metabolism Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/145—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
- A61B5/72—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种无创血糖估计方法，包括：用多波长LED对患者软组织部位进行照射，获取第一状态光强训练数据；对所述软组织部位进行人为压力控制，并同时采集所述压力控制过程中照射的第二状态光强训练数据；先去除所述压力控制，将测试部位血液回归到无所述压力控制状态，获取第三状态光强训练数据；重复前述步骤，得到训练数据集；对所述训练数据集进行预处理和特征变量提取，得到预处理后训练数据集；应用预处理后训练数据集，建立与血糖值相关的线性回归校正模型，作为无创血糖预测模型；将从患者身体获取的第一状态光强测量数据、第二状态光强测量数据、第三状态光强测量数据带入所述无创血糖预测模型，得到血糖测量值。
Description
技术领域
本发明涉及医疗器械领域，具体涉及一种无创血糖估计方法。
背景技术
近年来，国内糖尿病患病率呈逐渐攀升趋势。据调查数据显示：“在我国20岁以上的人群中，男性和女性的糖尿病患病率分别达10.6％和8.8％，总体糖尿病患病率为9.7％，由此，推算出全国糖尿病总患病人数约为9200万人。”2019年中国糖尿病患病人数约为1.16亿人，中国已成为全球糖尿病患病人数最多的国家；糖尿病患者数量的快速增长导致血糖仪特别是无创血糖仪的需求日渐加大。
公开号CN104665840B的发明专利公开了一种无创血糖估计方法，应用于包括测量主机和指端测量探头的无创血糖估计方法仪中，包括：在测量主机中预存随机森林算法以及神经网络预测算法；指端测量探头测量待测个体指端的能量代谢参数，并发送至测量主机；测量主机调用随机森林算法预测待测个体指端的能量代谢参数的血糖类别，并调取对应的神经网络预测算法计算待测个体指端的血糖值。该发明还提供一种指端测量探头。该发明公开的无创血糖估计方法可以用于血糖的无创检测，也可以用于人体能量代谢相关参数，心血管健康参数等的无创检测。
公开号CN109330608A的发明公开了一种血糖测量方法及装置，该方法包括：将光源照射在测量体上，光源透过测量体得到特征光源；采集所述的特征光源，并将特征光源信号转化成特征电信号；将所述特征电信号转化成特征数字信号；通过分析、计算特征数字信号从而得出测量体的血糖值。该装置包括：控制模块、光照模块、光电转换模块，所述光电转换模块与控制模块电连接，所述光照模块与控制模块电连接。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种无创血糖估计方法，包括以下步骤，
S1：用多波长LED对患者软组织部位进行照射，获取第一状态光强训练数据；
S2：对所述软组织部位进行人为压力控制，让所述软组织部位的血液随所述压力控制减少，并同时采集所述压力控制过程中照射的第二状态光强训练数据；
S3：先去除所述压力控制，将测试部位血液回归到无所述压力控制状态，获取第三状态光强训练数据；
S4：应用有创血糖仪测量所述患者血糖值作为目标数据；
S5：重复步骤S1、S2、S3和S4，得到训练数据集；对所述训练数据集进行预处理和特征变量提取，得到预处理后训练数据集；
S6：应用预处理后训练数据集，建立与血糖值相关的线性回归校正模型，作为无创血糖预测模型；
S7：对患者应用步骤S1、S2、S3，获取在线第一状态光强测量数据、在线第二状态光强测量数据、在线第三状态光强测量数据；
S8：将所述第一状态光强测量数据、第二状态光强测量数据、第三状态光强测量数据带入所述无创血糖预测模型，得到血糖测量值。
优选的，所述多波长LED采用双波长红外LED。
优选的，所述双波长红外LED包括，第一波长LED和第二波长LED；所述第一波长LED选用的波长为940nm，所述第二波长LED选用的波长为730nm。
优选的，所述软组织部位为耳垂或嘴唇。
优选的，根据传感器位置的不同，所述照射为透射或者反射。
优选的，所述压力控制为增压压力控制或者减压压力控制。
优选的，所述预处理包括，去除异常数据点和数据滤波。
优选的，所述特征变量提取，提取到的特征变量为第二状态光强训练数据与第一状态光强训练数据的比值。
优选的，所述线性回归校正模型为，
其中c：血糖预测值；
a0、a1、b0、b0：为常数。
优选的，所述建立与血糖值相关的线性回归校正模型的方法选用偏最小二乘方法。
有益效果：本发明提出的无创血糖估计方法，人为压力方式改变人体测量部位血液容量，产生较大血容积差，提高检测血液波动的信息量，从而提高检测精度。相比于通过人体脉搏波无创检测血糖法有更高的信噪比。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是无创血糖估计方法的流程示意图；
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1所示，一种无创血糖估计方法，包括以下步骤，
S1：用多波长LED对患者软组织部位进行照射，根据传感器位置的不同，所述照射为透射或者反射，获取第一状态光强训练数据；所述多波长LED采用双波长红外LED；所述双波长红外LED包括，第一波长LED和第二波长LED；所述第一波长LED选用的波长为940nm，所述第二波长LED选用的波长为730nm；所述软组织部位为耳垂或嘴唇。
S2：对所述软组织部位进行人为压力控制，让所述软组织部位的血液随所述压力控制减少，并同时采集所述压力控制过程中照射的第二状态光强训练数据；所述压力控制为增压压力控制或者减压压力控制。
S3：先去除所述压力控制，将测试部位血液回归到无所述压力控制状态，获取第三状态光强训练数据；
S4：应用有创血糖仪测量所述患者血糖值作为目标数据；
S5：重复步骤S1、S2、S3和S4，得到训练数据集；对所述训练数据集进行预处理和特征变量提取，得到预处理后训练数据集；所述预处理包括，去除异常数据点和数据滤波；所述特征变量提取，提取到的特征变量为第二状态光强训练数据与第一状态光强训练数据的比值。
S6：应用预处理后训练数据集，建立与血糖值相关的线性回归校正模型，作为无创血糖预测模型；所述线性回归校正模型为，
其中c：血糖预测值；
a0、a1、b0、b0：为常数；
所述建立与血糖值相关的线性回归校正模型的方法选用偏最小二乘方法。
S7：对患者应用步骤S1、S2、S3，获取在线第一状态光强测量数据、在线第二状态光强测量数据、在线第三状态光强测量数据；
S8：将所述第一状态光强测量数据、第二状态光强测量数据、第三状态光强测量数据带入所述无创血糖预测模型，得到血糖测量值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种无创血糖估计方法，其特征在于，包括以下步骤，
S1：用多波长LED对患者软组织部位进行照射，获取第一状态光强训练数据；
S2：对所述软组织部位进行人为压力控制，让所述软组织部位的血液随所述压力控制减少，并同时采集所述压力控制过程中照射的第二状态光强训练数据；
S3：先去除所述压力控制，将测试部位血液回归到无所述压力控制状态，获取第三状态光强训练数据；
S4：应用有创血糖仪测量所述患者血糖值作为目标数据；
S5：重复步骤S1、S2、S3和S4，得到训练数据集；对所述训练数据集进行预处理和特征变量提取，得到预处理后训练数据集；
S6：应用预处理后训练数据集，建立与血糖值相关的线性回归校正模型，作为无创血糖预测模型；
S7：对患者应用步骤S1、S2、S3，获取在线第一状态光强测量数据、在线第二状态光强测量数据、在线第三状态光强测量数据；
S8：将所述第一状态光强测量数据、第二状态光强测量数据、第三状态光强测量数据带入所述无创血糖预测模型，得到血糖测量值。
2.如权利要求1所述的无创血糖估计方法，其特征在于，所述多波长LED采用双波长红外LED。
3.如权利要求2所述的无创血糖估计方法，其特征在于，所述双波长红外LED包括，第一波长LED和第二波长LED；所述第一波长LED选用的波长为940nm，所述第二波长LED选用的波长为730nm。
4.如权利要求1所述的无创血糖估计方法，其特征在于，所述软组织部位为耳垂或嘴唇。
5.如权利要求1所述的无创血糖估计方法，其特征在于，根据传感器位置的不同，所述照射为透射或者反射。
6.如权利要求1所述的无创血糖估计方法，其特征在于，所述压力控制为增压压力控制或者减压压力控制。
7.如权利要求1所述的无创血糖估计方法，其特征在于，所述预处理包括，去除异常数据点和数据滤波。
8.如权利要求1所述的无创血糖估计方法，其特征在于，所述特征变量提取，提取到的特征变量为第二状态光强训练数据与第一状态光强训练数据的比值。
9.如权利要求8所述的无创血糖估计方法，其特征在于，所述线性回归校正模型为，
其中c：血糖预测值；
R：
a0、a1、b0、b0：为常数。
10.如权利要求1所述的无创血糖估计方法，其特征在于，所述建立与血糖值相关的线性回归校正模型的方法选用偏最小二乘方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384703.0A CN112515667A (zh) | 2020-12-01 | 2020-12-01 | 一种无创血糖估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384703.0A CN112515667A (zh) | 2020-12-01 | 2020-12-01 | 一种无创血糖估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112515667A true CN112515667A (zh) | 2021-03-19 |
Family
ID=74995819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011384703.0A Pending CN112515667A (zh) | 2020-12-01 | 2020-12-01 | 一种无创血糖估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112515667A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1550209A (zh) * | 2003-03-19 | 2004-12-01 | 三星电子株式会社 | 无创测量血液成分浓度的方法和装置 |
| US20050159658A1 (en) * | 2004-01-20 | 2005-07-21 | Jeon Kye-Jin | Non-invasive body component concentration measuring apparatus and method of noninvasively measuring a concentration of a body component using the same |
| CN203861234U (zh) * | 2014-04-12 | 2014-10-08 | 吉林大学 | 近红外双波长无创血糖测量仪 |
| CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
| CN109984725A (zh) * | 2017-12-29 | 2019-07-09 | 天津先阳科技发展有限公司 | 漫反射测量中接触压力干扰抑制方法、装置及测量方法 |
| CN210494078U (zh) * | 2019-07-03 | 2020-05-12 | 深圳市经纬科技有限公司 | 双波长差分近红外无创伤血糖仪 |
| CN111466921A (zh) * | 2020-04-23 | 2020-07-31 | 中国科学院上海技术物理研究所 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
| CN111700628A (zh) * | 2020-07-24 | 2020-09-25 | 合肥铭源鸿医疗科技有限公司 | 基于红外透射光路的无创血糖检测系统 |
-
2020
- 2020-12-01 CN CN202011384703.0A patent/CN112515667A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1550209A (zh) * | 2003-03-19 | 2004-12-01 | 三星电子株式会社 | 无创测量血液成分浓度的方法和装置 |
| US20050159658A1 (en) * | 2004-01-20 | 2005-07-21 | Jeon Kye-Jin | Non-invasive body component concentration measuring apparatus and method of noninvasively measuring a concentration of a body component using the same |
| CN203861234U (zh) * | 2014-04-12 | 2014-10-08 | 吉林大学 | 近红外双波长无创血糖测量仪 |
| CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
| CN109984725A (zh) * | 2017-12-29 | 2019-07-09 | 天津先阳科技发展有限公司 | 漫反射测量中接触压力干扰抑制方法、装置及测量方法 |
| CN210494078U (zh) * | 2019-07-03 | 2020-05-12 | 深圳市经纬科技有限公司 | 双波长差分近红外无创伤血糖仪 |
| CN111466921A (zh) * | 2020-04-23 | 2020-07-31 | 中国科学院上海技术物理研究所 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
| CN111700628A (zh) * | 2020-07-24 | 2020-09-25 | 合肥铭源鸿医疗科技有限公司 | 基于红外透射光路的无创血糖检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Joshi et al. | iGLU 2.0: A new wearable for accurate non-invasive continuous serum glucose measurement in IoMT framework | |
| Kao et al. | Design and validation of a new PPG module to acquire high-quality physiological signals for high-accuracy biomedical sensing | |
| US20190295729A1 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| US7010336B2 (en) | Measurement site dependent data preprocessing method for robust calibration and prediction | |
| Habbu et al. | Estimation of blood glucose by non-invasive method using photoplethysmography | |
| CN108324286B (zh) | 一种基于pca-narx校正算法的红外光无创血糖检测装置 | |
| CN107174259A (zh) | 基于多波长能量守恒法的无创血糖值采集装置及计算方法 | |
| CN113662538A (zh) | 一种基于时频域综合分析的无创血糖检测方法 | |
| WO2021040878A1 (en) | Non-invasive glucose monitoring by raman spectroscopy | |
| Shulei et al. | Non-invasive blood glucose measurement scheme based on near-infrared spectroscopy | |
| CN116327188B (zh) | 一种基于指夹式血氧仪的血氧分析方法 | |
| CN112568902A (zh) | 一种基于血糖值的无创血糖校准方法 | |
| Abdalsalam et al. | Design of simple noninvasive glucose measuring device | |
| Nanayakkara et al. | Non-invasive blood glucose monitoring using a hybrid technique | |
| Albalat et al. | Non-invasive blood glucose sensor: A feasibility study | |
| Pathirage et al. | Removing subject dependencies on non-invasive blood glucose measurement using hybrid techniques | |
| CN103690176A (zh) | 一种无创血糖检测方法 | |
| Ionescu et al. | Measuring and detecting blood glucose by methods non-invasive | |
| CN112515667A (zh) | 一种无创血糖估计方法 | |
| Devakumar et al. | Review on non invasive glucose and cholesterol measurement system | |
| JP2019198547A (ja) | 血液成分測定方法、血液成分測定装置、および血液成分測定プログラム | |
| KR20120021098A (ko) | 맥파의 주파수 영역 분석을 이용한 혈관노화 평가방법 | |
| Lin et al. | Age-Related Changes in Blood Volume Pulse Wave at Fingers and Ears | |
| CN114886421A (zh) | 一种基于近红外的高精度无创血糖浓度检测系统及方法 | |
| CN111631733B (zh) | 一种动脉血液光谱检测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
| RJ01 | Rejection of invention patent application after publication |