CN112998687A - 一种基于生物电阻抗的胆固醇检测仪及检测方法 - Google Patents
一种基于生物电阻抗的胆固醇检测仪及检测方法 Download PDFInfo
- Publication number
- CN112998687A CN112998687A CN202110202825.1A CN202110202825A CN112998687A CN 112998687 A CN112998687 A CN 112998687A CN 202110202825 A CN202110202825 A CN 202110202825A CN 112998687 A CN112998687 A CN 112998687A
- Authority
- CN
- China
- Prior art keywords
- human body
- data set
- cholesterol
- bioelectrical impedance
- module
- 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
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 title claims abstract description 96
- 235000012000 cholesterol Nutrition 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 45
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 230000005284 excitation Effects 0.000 claims abstract description 19
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000000577 adipose tissue Anatomy 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 5
- 210000002027 skeletal muscle Anatomy 0.000 claims description 5
- 230000037396 body weight Effects 0.000 claims description 3
- 235000013861 fat-free Nutrition 0.000 claims description 3
- 229910017053 inorganic salt Inorganic materials 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003834 intracellular effect Effects 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 208000015181 infectious disease Diseases 0.000 abstract description 6
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000002790 cross-validation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 208000031226 Hyperlipidaemia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于生物电阻抗的胆固醇检测仪及检测方法，激励电极和测量电极贴附于人体手臂进行阻抗检测；人体成分分析仪用于对人体参数指标进行分段测量；数据优化模块用于对无效数据进行清除；特征降维模块用于基于主成分分析法选择主成分；正则化参数选取模块用于指标数据集的切分以及回归模型正则化参数的选取；预测模块用于得到胆固醇浓度的预测值。采用四电极法对人体手臂进行阻抗检测，将分段测量的人体成分分析仪的指标参数引入到生物电阻抗谱组成指标数据集；采用主成分分析法进行预处理；切分主成分数据集，并选取回归模型正则化参数；建立回归模型对胆固醇浓度进行预测，从而可以实时检测，不会发生感染。
Description
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种基于生物电阻抗的胆固醇检测仪及检测方法。
背景技术
高血脂症是指血中胆固醇和(或)甘油三酯过高或高密度脂蛋白过低，该病症容易诱发多种心脑血管疾病且存在很多并发症，严重危害人体健康。而胆固醇浓度值是检测高血脂症很重要的指标。目前常用的血脂检测方法多为生化检测或微创方法，给患者造成疼痛的同时，也增加了感染风险，且实时性较差。
发明内容
本发明的目的在于提供一种基于生物电阻抗的胆固醇检测仪及检测方法，旨在解决了生化检测的感染风险及实时性较差的问题。
为实现上述目的，第一方面，本发明提供了一种基于生物电阻抗的胆固醇检测仪，包括激励电极、测量电极、人体成分分析仪、数据优化模块、特征降维模块、正则化参数选取模块和预测模块，所述激励电极、所述测量电极、所述人体成分分析仪分别与所述数据优化模块连接，所述数据优化模块、所述特征降维模块、所述正则化参数选取模块和所述预测模块依次连接；
所述激励电极，用于和所述测量电极配合贴附于人体手臂进行阻抗检测；
所述人体成分分析仪，用于对人体参数指标进行分段测量；
所述数据优化模块，用于对无效数据进行清除；
所述特征降维模块，用于基于主成分分析法选择主成分；
所述正则化参数选取模块，用于指标数据集的切分以及回归模型正则化参数的选取；
所述预测模块，用于得到胆固醇浓度的预测值。
其中，所述人体参数指标包括蛋白质、无机盐、腰臀比、体脂率、体质参数、骨骼肌、去脂体重、细胞内外水分和细胞总水分。
第二方面，本发明还提供一种生物电阻抗的胆固醇检测方法，包括：采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱；
将分段测量的人体成分分析仪的指标参数引入到生物电阻抗谱组成指标数据集；
采用主成分分析法对指标数据集进行预处理；
切分主成分数据集，并选取回归模型正则化参数；
建立回归模型对胆固醇浓度进行预测。
其中，所述采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱的具体步骤是：激励电极与测量电极保持间距贴附于人体手臂，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱。
其中，所述采用主成分分析法对指标数据集进行预处理的具体步骤是：对指标数据集进行标准化处理；计算指标数据集系数矩阵；计算系数矩阵特征值和特征向量；计算综合评价值，计算特征值的信息贡献率和累积贡献率；获取主成分数据集。
其中，所述切分主成分数据集，并选取回归模型正则化参数的具体步骤是：将主成分数据集均分成5折；使用每一折作为测试集，剩下的4折子集作为训练集来训练，获取5个模型和5个精度值；5个模型最终的验证集的分类准确率的平均数作为此交叉验证下分类器的性能指标，正则化参数值λ选择平均评分最优值。
其中，所述建立回归模型对胆固醇浓度进行预测的具体步骤是：基于平均评分最优值采用回归算法进行迭代；在每次迭代中随机更新回归系数；得到胆固醇浓度的预测值，根据测试集交叉验证得到的5次验证集结果的均值来评估回归模型的精度。
本发明的一种基于生物电阻抗的胆固醇检测仪及检测方法，通过将所述激励电极和所述测量电极贴在人体手臂的中间段，为了有效减少极化效应对测量结果的影响，进一步提高测量结果的准确度，所述激励电极与所述测量电极要保持一定的间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱；通过所述人体成分分析仪可以获取包括骨骼肌、蛋白质、细胞内外水分比率、体脂百分比、体质指数、腰臀比等数据，可以进一步完善胆固醇浓度预测模型的指标数据集，从而提高模型的准确性以及泛化能力；所述数据优化模块，用于对无效数据进行清除，因为指标数据集中存在集重复、缺失以及明显偏离整体分布的数据；所述特征降维模块，用于基于主成分分析法选择主成分，为解决各变量信息间的重叠问题，胆固醇浓度预测模型的指标数据集引用主成分分析法进行特征降维，该方法在对原始数据指标变量进行变换后会得到彼此相互独立的主成分，可消除评估指标之间的相关影响，且各主成分是按方差大小以及信息贡献率来依次排列顺序的，在分析问题时，可以舍弃一部分主成分，只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量。所述正则化参数选取模块，用于指标数据集的切分以及回归模型正则化参数的选取，采用交叉验证和网格搜索的方式来切分主成分数据集以及选择最优参数；所述预测模块，使用机器学习中的套索(Lasso)回归方法，该方法是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。为防止过拟合、平衡拟合训练的血脂指标、保持参数值较小，加入L正则化项，采用坐标轴下降法和最小角回归法求解损失函数的极小值。从而可以基于生物电阻抗无创检测人体血脂成分，解决了生化检测的感染风险及实时性较差的问题；另外本发明采用了机器学习的回归算法来建立胆固醇浓度预测模型，同时加入了交叉验证和网格搜索的方法来切分主成分数据集、评估模型精度以及选择最优的正则化参数，使得模型的可解释性更强、泛化能力更优。
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是本发明的一种基于生物电阻抗的胆固醇检测仪的结构图；
图2是本发明的一种基于生物电阻抗的胆固醇检测方法的流程图；
图3是本发明采用主成分分析法对指标数据集进行预处理的流程图；
图4是本发明切分主成分数据集，并选取回归模型正则化参数的流程图；
图5是本发明建立回归模型对胆固醇含量进行预测的流程图。
1-激励电极、2-测量电极、3-人体成分分析仪、4-数据优化模块、5-特征降维模块、6-正则化参数选取模块、7-预测模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
第一方面，本发明提供一种基于生物电阻抗的胆固醇检测仪，包括：
激励电极1、测量电极2、人体成分分析仪3、数据优化模块4、特征降维模块5、正则化参数选取模块6和预测模块7，所述激励电极1、所述测量电极2、所述人体成分分析仪3分别与所述数据优化模块4连接，所述数据优化模块4、所述特征降维模块5、所述正则化参数选取模块6和所述预测模块7依次连接；
所述激励电极1，用于和所述测量电极2配合贴附于人体手臂进行阻抗检测；
所述人体成分分析仪3，用于对人体参数指标进行分段测量；
所述数据优化模块4，用于对无效数据进行清除；
所述特征降维模块5，用于基于主成分分析法选择主成分；
所述正则化参数选取模块6，用于指标数据集的切分以及回归模型正则化参数的选取；
所述预测模块7，用于通过交叉验证和网格搜索相结合的方式来切分主成分数据集以及选择最优参数，得到胆固醇浓度的预测值。
在本实施方式中，通过将所述激励电极1和所述测量电极贴在人体手臂的中间段，为了有效减少极化效应对测量结果的影响，进一步提高测量结果的准确度，所述激励电极1与所述测量电极2要保持一定的间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱；通过所述人体成分分析仪3可以获取包括骨骼肌、蛋白质、细胞内外水分比率、体脂百分比、体质指数、腰臀比等数据，可以进一步完善胆固醇浓度预测模型的指标数据集，从而提高模型的准确性以及泛化能力；所述数据优化模块4，用于对无效数据进行清除，因为指标数据集中存在集重复、缺失以及明显偏离整体分布的数据；所述特征降维模块5，用于基于主成分分析法选择主成分，为解决各变量信息间的重叠问题，胆固醇浓度预测模型的指标数据集引用主成分分析法进行特征降维，该方法在对原始数据指标变量进行变换后会得到彼此相互独立的主成分，可消除评估指标之间的相关影响，且各主成分是按方差大小以及信息贡献率来依次排列顺序的，在分析问题时，可以舍弃一部分主成分，只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量。所述正则化参数选取模块6，用于指标数据集的切分以及回归模型正则化参数的选取，采用交叉验证和网格搜索的方式来切分主成分数据集以及选择最优参数；所述预测模块7，使用机器学习中的套索(Lasso)回归方法，该方法是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。为防止过拟合、平衡拟合训练的血脂指标、保持参数值较小，加入L1正则化项，采用坐标轴下降法和最小角回归法求解损失函数的极小值。从而可以基于生物电阻抗无创检测人体血脂成分，解决了生化检测的感染风险及实时性较差的问题；另外本发明采用了机器学习的回归算法来建立胆固醇浓度预测模型，同时加入了交叉验证和网格搜索的方法来切分主成分数据集、评估模型精度以及选择最优的正则化参数，使得模型的可解释性更强、泛化能力更优。
第二方面，本发明还提供一种基于生物电阻抗的胆固醇检测方法，包括：
S101采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱；
其中四电极的两个激励电极1与两个测量电极2要保持间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱。在不同频段的信号激励作用下，生物组织会有不同的阻性与容性变化。在选定测试频段之后，对该频段下的人体组织等效阻抗进行实验分析，其检测过程是通过贴附于人体手臂的电极进行激励信号的输入与测试两个过程。在测试过程中，输入电流符合人体安全电流，人体不会产生危害。其无创检测的优势在于非侵入性且携带丰富的信息，不仅避免了生化检测带来的感染风险，同时也使得检测过程变的更方便快捷、高效准确。
S102将分段测量的人体成分分析仪3的指标参数引入到生物电阻抗谱组成指标数据集；
由于人体各异性会导致不同被测者有不同程度的生物电阻抗波动，因此，引入人体成分分析仪3的指标参数来完善胆固醇浓度的预测模型，从而降低人体各异性，提高测量的准确性。所述人体成分的指标参数包括蛋白质、无机盐、腰臀比、体脂率、体质参数、骨骼肌、去脂体重、细胞内外水分、细胞总水分等，通过数学统计软件将人体成分与血脂相关参数进行相关分析，并对被测者的人体成分进行多次分段测量，主要是对手臂的测量，全身阻抗测量可能由于测量的极小误差使人体成分分析的结果具有更大的误差。因此，分段测量就更具优越性，阻抗谱的获取以及人体成分都是对手臂的测量，进一步减小了测量误差。
S103采用主成分分析法对指标数据集进行预处理；
具体步骤包括：
S201对指标数据集进行标准化处理；
对指标数据集X进行标准化处理，该指标数据集是由生物电阻抗谱的阻抗值、相位角以及与人体成分分析仪3相关性较高的指标参数构成，将各指标参数xij转换成标准化指标Zij，其中，
i代表有n个被测试者，j代表数据集的m维特征变量，
sj分别为第j个指标的样本均值和标准差，
为标准化指标变量。
S202计算指标数据集相关系数矩阵W；
S203计算系数矩阵特征值和特征向量；
特征值为λ1,λ2,....,λm，特征向量为u1,u2,...,um，由特征向量组成新的特征指标
然后，将标准化后的指标变量转换为主成分ym,其中，y1是第1主成分，y2是第2主成分，...，ym是第m主成分。
S204计算综合评价值，计算特征值的信息贡献率和累积贡献率；
计算综合评价值，计算特征值λj(j＝1,2,...,m)的信息贡献率和累积贡献率，主成分yj的信息贡献率为
为主成分y1,y2,...,yp的累积贡献率，本发明的αp选择0.95，即累计贡献率≥95％。
S205获取主成分数据集。
选择前p个指标变量y1,y2,...,yp作为p个主成分，用选出来的p个主成分代替原来的m个指标变量作为最终的指标数据集，用于胆固醇浓度的回归分析。相比原始指标数据集，新的指标数据集具有更优越的性质且彼此不相关。
S104切分主成分数据集，并选取回归模型正则化参数；
胆固醇浓度预测模型采用交叉验证和网格搜索相结合的方式来切分主成分数据集以及选择最优参数，其中，交叉验证的目的是为了让模型评估准确度更高，交叉验证通常有Holdout验证、K-折交叉验证以及留一验证三种方法，本发明采用的是K-折交叉验证。网格搜索算法是一种通过遍历给定的参数组合来优化模型表现的方法，本发明需要的参数组合是{正则化参数，模型的最大迭代次数}，主要目的是采用每组超参数训练模型来挑选测试集误差最小的超参数组合。根据实验验证，k取5会使得网格搜索的超参数组合最优。
具体步骤是：
S301将主成分数据集均分成5折；
S302使用每一折作为测试集，剩下的4折子集作为训练集来训练，获取5个模型和5个精度值；
使用第一折作为测试集，剩下的4折子集作为训练集来训练第一个模型，即指标数据集的80％为训练集用于构建模型，20％为测试集用来评估精度。之后构建另一个模型，这次使用2折作为测试集，1、3、4、5折子集作为训练集，以此类推，将每个子集数据分别做一次验证集，其余的4折子集数据作为训练集，这样会得到5个模型和5个精度值。
S3035个模型最终的验证集的分类准确率的平均数作为此交叉验证下分类器的性能指标，正则化参数值λ选择平均评分最优值。
S105建立回归模型对胆固醇浓度进行预测。
S401基于平均评分最优值采用回归算法进行迭代；
S402在每次迭代中随机更新回归系数；
S403得到胆固醇浓度的预测值，根据测试集交叉验证后5次结果的均值来评估回归模型的精度。
胆固醇浓度预测模型的建立采用机器学习中的Lasso回归算法，Lasso回归的惩罚项采用的是L1正则化，它可以使得部分系数变小，甚至还可以使得一些绝对值较小的系数直接变为0，因此特别适用于在疾病预测模型中用来估计稀疏参数。Lasso回归的损失函数表达式如下：
J(β)＝∑(y-Xβ)2+λ||β||1
＝∑(y-Xβ)2+∑λ|β|
＝ESS(β)+λl1(β)
其中，X代表协变量，即数据集的特征变量，y代表响应变量，即胆固醇浓度的预测值，ESS(β)表示误差的平方和，λl1(β)表示正则化项，λ为正则化参数，将其设置为一个超参数，利用交叉验证法以及网格搜索相结合的方法来选择平均评分最优值作为该回归模型的正则化参数值。由于惩罚项有绝对值的存在，则在零点处就不可导，故采用坐标轴下降法来求解损失函数的极小值来提高预测模型的精度。
其中，坐标轴下降法的优化目标是在每个特征向量的方向上，对损失函数做迭代的下降，当所有方向上的特征变量都达到收敛时，此时Lasso回归的损失函数最小，具体的算法过程如下：
1.首先，我们把β向量随机取一个初值，其中，β向量表征的是指标数据集的n个维度，记为β(0)，表示当前迭代次数为0，以此类推.
2.对于第k轮的迭代，阻抗谱指标数据集从
开始，到
为止，依次求
的表达式如下：
如果β(k)向量和β(k-1)向量在指标数据集所有特征维度上变化都足够小，那么β(k)即为最终结果，否则执行第二步继续第k+1轮的迭代。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (7)
1.一种基于生物电阻抗的胆固醇检测仪，其特征在于，
包括激励电极、测量电极、人体成分分析仪、数据优化模块、特征降维模块、正则化参数选取模块和预测模块，所述激励电极、所述测量电极、所述人体成分分析仪分别与所述数据优化模块连接，所述数据优化模块、所述特征降维模块、所述正则化参数选取模块和所述预测模块依次连接；
所述激励电极，用于和所述测量电极配合贴附于人体手臂进行阻抗检测；
所述人体成分分析仪，用于对人体参数指标进行分段测量；
所述数据优化模块，用于对无效数据进行清除；
所述特征降维模块，用于基于主成分分析法选择主成分；
所述正则化参数选取模块，用于指标数据集的切分以及回归模型正则化参数的选取；
所述预测模块，用于得到胆固醇浓度的预测值。
2.如权利要求1所述的一种基于生物电阻抗的胆固醇检测仪，其特征在于，
所述人体参数指标包括蛋白质、无机盐、腰臀比、体脂率、体质参数、骨骼肌、去脂体重、细胞内外水分和细胞总水分。
3.一种基于生物电阻抗的胆固醇检测方法，应用于如权利要求1-2任意一项所述的一种基于生物电阻抗的胆固醇检测仪，其特征在于，
包括：采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱；
将分段测量的人体成分分析仪的指标参数引入到生物电阻抗谱组成指标数据集；
采用主成分分析法对指标数据集进行预处理；
切分主成分数据集，并选取回归模型正则化参数；
建立回归模型对胆固醇浓度进行预测。
4.如权利要求3所述的一种基于生物电阻抗的胆固醇检测方法，其特征在于，
所述采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱的具体步骤是：激励电极与测量电极保持间距贴附于人体手臂，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱。
5.如权利要求4所述的一种基于生物电阻抗的胆固醇检测方法，其特征在于，
所述采用主成分分析法对指标数据集进行预处理的具体步骤是：
对指标数据集进行标准化处理；
计算指标数据集系数矩阵；
计算系数矩阵特征值和特征向量；
计算综合评价值，计算特征值的信息贡献率和累积贡献率；
获取主成分数据集。
6.如权利要求5所述的一种基于生物电阻抗的胆固醇检测方法，其特征在于，
所述切分主成分数据集，并选取回归模型正则化参数的具体步骤是：
将主成分数据集均分成5折；
使用每一折作为测试集，剩下的4折子集作为训练集来训练，获取5个模型和5个精度值；
5个模型最终的验证集的分类准确率的平均数作为此交叉验证下分类器的性能指标，正则化参数值λ选择平均评分最优值。
7.如权利要求6所述的一种基于生物电阻抗的胆固醇检测方法，其特征在于，
所述建立回归模型对胆固醇浓度进行预测的具体步骤是：
基于平均评分最优值采用回归算法进行迭代；
在每次迭代中随机更新回归系数；
得到胆固醇浓度的预测值，根据测试集交叉验证得到的5次验证集结果的均值来评估回归模型的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110202825.1A CN112998687A (zh) | 2021-02-23 | 2021-02-23 | 一种基于生物电阻抗的胆固醇检测仪及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110202825.1A CN112998687A (zh) | 2021-02-23 | 2021-02-23 | 一种基于生物电阻抗的胆固醇检测仪及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112998687A true CN112998687A (zh) | 2021-06-22 |
Family
ID=76408119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110202825.1A Pending CN112998687A (zh) | 2021-02-23 | 2021-02-23 | 一种基于生物电阻抗的胆固醇检测仪及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112998687A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008141306A2 (en) * | 2007-05-11 | 2008-11-20 | Sigmed, Inc. | Non-invasive characterization of a physiological parameter |
| CN110634569A (zh) * | 2019-10-21 | 2019-12-31 | 无锡市人民医院 | 尿毒症患者营养和钙磷代谢状况综合评价装置 |
| CN111317473A (zh) * | 2020-03-12 | 2020-06-23 | 桂林电子科技大学 | 基于混合测量技术的血糖检测方法 |
| US20200323468A1 (en) * | 2019-04-12 | 2020-10-15 | Samsung Electronics Co., Ltd. | Apparatus and method for analyzing in vivo component and impedance measuring apparatus |
-
2021
- 2021-02-23 CN CN202110202825.1A patent/CN112998687A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008141306A2 (en) * | 2007-05-11 | 2008-11-20 | Sigmed, Inc. | Non-invasive characterization of a physiological parameter |
| US20200323468A1 (en) * | 2019-04-12 | 2020-10-15 | Samsung Electronics Co., Ltd. | Apparatus and method for analyzing in vivo component and impedance measuring apparatus |
| CN110634569A (zh) * | 2019-10-21 | 2019-12-31 | 无锡市人民医院 | 尿毒症患者营养和钙磷代谢状况综合评价装置 |
| CN111317473A (zh) * | 2020-03-12 | 2020-06-23 | 桂林电子科技大学 | 基于混合测量技术的血糖检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| BOB_TENSOR: "机器学习分类与回归模型，http：//blog.csdn.net/weixin_43461341/article/details/104964883", 《CSDN网》 * |
| MAS SAHIDAYANA MOHKTAR等: "Non-invasive approach to predict the cholesterol level in blood using bioimpedance and neural network techniques", 《BIOMEDICAL ENGINEERING APPLICATIONS BASIS AND COMMUNICATIONS》 * |
| 牟少敏等: "《模式识别与机器学习技术》", 30 June 2019, 冶金工业出版社 * |
| 白姣姣等编: "《统计与数量经济学论丛 第3辑》", 上海科学技术出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| US20090326407A1 (en) | Electrophysiological Analysis System and Method | |
| CN110897640A (zh) | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| JP2012520739A (ja) | 人間の胃のインピーダンススペクトルの特性パラメータ評価のためのシステム及び方法 | |
| CN108281192B (zh) | 基于集成学习算法的人体成分预测方法及系统 | |
| Amaral et al. | Differential diagnosis of asthma and restrictive respiratory diseases by combining forced oscillation measurements, machine learning and neuro-fuzzy classifiers | |
| CN113490987A (zh) | 用于评估肌肉相关病症的方法 | |
| CN111887847A (zh) | 基于人体成分仪的内脏脂肪测量方法、装置、计算机设备和存储介质 | |
| KR101603308B1 (ko) | 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템 | |
| CN111681759B (zh) | 慢性病风险分析装置、设备和存储介质 | |
| CN112998687A (zh) | 一种基于生物电阻抗的胆固醇检测仪及检测方法 | |
| JP2009538642A (ja) | インピーダンス測定 | |
| Ibrahim et al. | Skin layer classification by feedforward neural network in bioelectrical impedance spectroscopy | |
| CN115089147A (zh) | 一种血压测量装置 | |
| CN112545461A (zh) | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 | |
| Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network | |
| CN113705649B (zh) | 一种基于emd-svd特征提取的手部震颤检测方法及系统 | |
| CN111387939B (zh) | 心排量的测量方法、装置、计算机设备和存储介质 | |
| Lal et al. | ECG Signals Analysis based on Compressed Sensing and Learning Techniques for Heart Disease Recognition | |
| RU2752594C1 (ru) | Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации | |
| Hu et al. | Research on Human Activity Behavior Recognition Technology Based on LGBM Model | |
| CN111150411B (zh) | 基于改进遗传算法的心理压力评测分级方法 | |
| CN116959742B (zh) | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
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: 20210622 |
|
| RJ01 | Rejection of invention patent application after publication |