CN113063753B - 一种基于近红外光的血糖预测模型自校正方法 - Google Patents

Abstract

本发明涉及一种基于近红外光的血糖预测模型自校正方法，属于生物医学信号采集和处理技术领域。该方法以基于对应时刻人体近红外光谱检测的相邻两个血糖预测值的差异度为判别依据，根据差异度与容许值的对应关系，结合人体血糖短期波动的规律性、个体生活习惯和健康状态，自动识别血糖检测异常点并由血糖无创检测系统自动提醒用户输入当天饮食情况和用药情况，通过提问了解被测者当前生理病理状态，由系统自动评估及判断血糖异常值产生原因，排除偶发因素，根据差异度产生的不同原因，进入不同的血糖预测模型自校正流程，保证血糖预测模型总是与被测者当前的生理病理状态相一致。本发明能保持血糖无创检测系统长时间应用时的精度稳定性。

Description

一种基于近红外光的血糖预测模型自校正方法

技术领域

本发明属于生物医学信号采集和处理技术领域，涉及一种基于近红外光血糖无创预测模型的自校正方法。

背景技术

随着老龄化，糖尿病已成为危害人类健康并导致死亡的最主要疾病之一。在目前糖尿病无法根治的前提下，如何更方便地实现血糖浓度的监测和控制，对于糖尿病的防治具有深远意义。

目前血糖浓度测量主要有两种方法，一种为自动生化仪测量法，该方法从静脉取血，并对血液采用离心方法获得血清，再使用大型生化仪器测量得到血糖浓度。该方法测量精度高，但其测量仪器体积较大，需求血量多，测量时间长，一般在医院中使用。另一种是快速血糖仪测量法，其通常利用针刺指尖来获取1～3微升的血，经一次性试纸虹吸作用吸入血样，并由微型血糖仪在短时间内计算出测量值。其因体积小、操作简单、易于携带、快速测量的优点而在住院病人及家庭得到广泛应用。上述两种测量方式有其局限性，它们为有创或微创测量法，测量过程中需要收集人体血液样本，并使用相应耗材来测得血糖浓度。糖尿病患者理论上每日需测量4次以上的血糖浓度。虽然理论上现在普遍使用的便携式血糖仪可以满足随时进行血糖检测的需要，但如此频繁地检测将给患者带来不必要的麻烦与精神压力，长期的针刺会给患者留下疼痛甚至心理阴影，若处理不当会留下被感染的可能。当然，每次测量所需的一次性试纸也给血糖测量带来不小的费用开支。因此，有创血糖测量法在一定程度上约束了血糖测量的频率，对患者血糖浓度的变化和药物剂量的精确调节造成了影响。实际上，大多数糖尿病患者因测量麻烦、经济因素等原因并不能保持自我持续监测血糖的状态，不能实现医学上所期待的频繁血糖监测，不能将血糖浓度控制在合理的范围内，患者不能及时地治疗和控制血糖，由此带来了各种糖尿病并发症的严重后果和治疗负担。因而，一种无创伤血糖浓度监测方法及设备对于糖尿病患者而言具有非常重要的现实意义，可减轻患者苦痛，方便患者了解自己的血糖水平，更有效地控制血糖依赖相关的药物，从而降低糖尿病并发症的发病风险，提高患者的生活质量，延长人民的健康寿命。

在血糖浓度的无创检测领域，国内外已进行了大量研究并取得了一定的研究成果，但实际应用效果尚需进一步验证。而被广泛研究的基于近红外光谱的无创血糖检测方法，绝大多数尚处于离体研究阶段，已有设备的在体应用的检测精度和稳定性尚不足以满足日常血糖浓度监测的需求。在现有的血糖预测模型中所使用的校正模型，需要样本数量多(约60多个)，而且目前的预测模型不具有长期跟随能力。

发明内容

有鉴于此，本发明的目的在于提供一种基于近红外光的血糖预测模型自校正方法，解决无创、稳定精度、操作方便、无耗材的基于近红外光谱的血糖无创检测仪器应用的技术瓶颈——血糖浓度单点检测的精度问题和长时间应用时血糖预测模型校正问题，基于患者个体差异-特征参数平均影响值-非线性自回归神经网络的血糖预测模型，通过对血糖浓度无创检测值变化原因的自动评估，自主确定该次血糖检测值是否纳入自校正学习数据库及是否进入自校正流程，从而实现无创血糖预测模型的自我修正，保证模型长时间应用时的预测精度。

为达到上述目的，本发明提供如下技术方案：

一种基于近红外光的血糖预测模型自校正方法，以基于对应时刻人体近红外光谱检测的相邻两个血糖预测值的差异度为判别依据，根据差异度与容许值的对应关系，结合人体血糖短期波动的规律性、个体生活习惯和健康状态，自动识别血糖检测异常点并由血糖无创检测系统自动提醒用户输入当天饮食情况和用药情况，通过提问了解被测者当前生理病理状态，由系统自动评估及判断血糖异常值产生原因，排除偶发因素，根据差异度产生的不同原因，进入不同的血糖预测模型自校正流程，从而在有效减少有创校正次数的前提下保证血糖预测模型总是与被测者当前的生理病理状态相一致，提高血糖预测模型的长期检测的精度和适应性。

进一步，根据相邻两个血糖预测值差异度及血糖无创检测系统判断引起差异度原因的不同，分别采用三种方式对血糖预测模型进行处理：

1)血糖预测值差异度在容许值范围内，则本次血糖预测值保存入系统血糖检测数据库中，系统根据偏差值大小，结合数据库中历史血糖预测结果进行自我学习，对血糖预测模型结构进行自我修正；

2)血糖预测值差异度超过了容许值范围，且系统确认本次血糖预测值符合用户实际生理病理状态，则本次血糖预测值保存入系统血糖检测数据库中，同时系统提示输入一次当前时刻的血糖有创检测值，系统根据当前时刻血糖预测值、血糖检测有创值和历史血糖预测结果进行血糖预测模型校正，从而实现在极少有创血糖检测值的条件下实现血糖预测模型的自我校正；

3)血糖预测值差异度超过了容许值范围，且系统确认本次血糖预测值出现较大偏差为偶然因素造成，系统提示忽略本次检测值，不改变原来血糖预测模型结构，不对血糖预测模型进行修正。

进一步，所述容许值的计算，为空腹、餐前(或餐后4小时)、餐后(餐后2小时)，以及随机时间血糖测量对应时间点的前3天记录的平均值。

进一步，所述血糖预测模型采用非线性自回归网络结构，基于系统数据库中保存的历史血糖预测结果和当前时刻近红外光谱检测值，实现当前时刻血糖的预测，从而实现血糖的无创检测。

进一步，所述非线性自回归网络结构采用如下形式：

y(t)＝f[y(t-1),y(t-2),...,y(t-n_y),x(t-1),x(t-2),...,x(t-n_d)]

其中，y(t-1),y(t-2),...,y(t-n_y)表示过去的输出时间序列，x(t-1),x(t-2),...,x(t-n_d)表示多维输入时间序列，映射f(·)表示非线性过程，d为延迟阶数，用以确定有创校正所需的次数；非线性自回归网络结构中的隐含层神经元的个数是根据血糖预测模型的输入参数个数确定。

进一步，用于特定的个体对象时，该方法包括以下步骤：

1)初次使用时，根据血糖无创检测系统提示输入个体生理病理特征信息，包括个体的年龄、性别、身高、体重、腰围、糖尿病所处阶段，以及其他基础性疾病信息，血糖无创检测系统基于遗传算法(GA)，调整血糖预测模型相关控制变量的权重系数；

2)分时段进行d次有创血糖测量，同步检测与血糖相关的近红外光谱、同时刻对应的个体收缩压、心率和体温等参数，对血糖预测模型进行个性化校正；

3)实际应用时，血糖无创检测系统自动检测与血糖相关的近红外光谱，并按要求输入个体收缩压、心率和体温等参数作为血糖预测模型的输入变量，血糖预测模型输出血糖预测结果。

进一步，进行血糖预测模型自校正时，利用当前时刻血糖检测结果差异度、血糖相关近红外光谱检测结果、人体相关生理病理参数、当前时刻相邻前两次的血糖检测和预测历史数据作为输入，血糖当前时刻模型预测值或当前时刻血糖有创检测值作为模型输出对血糖预测模型进行自校正训练，使血糖预测模型结构与个体当前生理病理状态相适应，从而使血糖预测模型保持较高的预测精度。

本发明的有益效果在于：

(1)本发明充分考虑了被测者个体差异信息，在构建模型时不仅利用了近红外光吸光度信息，亦引入了反映被测者生理病理和个体差异的相关消息，构建了非线性自回归血糖预测模型，可以有效利用血糖浓度的时序波动规律，提高预测的准确性。

(2)在血糖预测值出现突变时，本发明能充分考虑人体血糖短期波动的规律性，自动评估及判断血糖变化产生的原因，避免偶然因素干扰，根据不同情况启动对应的血糖预测模型自校正流程，实现血糖预测模型在长时检测应用过程中的自我修正，从而可以在有效减少有创校正次数的前提下，提高并保持血糖无创预测模型的长时检测精度和适用性、稳定性、可靠性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明血糖预测模型自校正方法流程图；

图2为本发明中血糖预测模型的内部结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图2，本发明提供的一种基于近红外光的血糖预测模型自校正方法，以基于对应时刻人体近红外光谱检测的相邻两个血糖预测值的差异度为判别依据，根据差异度与容许值的对应关系，结合人体血糖短期波动的规律性、个体生活习惯和健康状态，自动识别血糖检测异常点并由血糖无创检测系统自动提醒用户输入当天饮食情况和用药情况、通过提问了解被测者当前生理病理状态，由系统自动评估及判断血糖异常值产生原因，排除偶发因素，根据差异度产生的不同原因，进入不同的血糖预测模型自校正流程，从而在有效减少有创校正次数的前提下保证血糖预测模型总是与被测者当前的生理病理状态相一致，提高血糖预测模型的长期检测的精度和适应性。

容许值△t的计算，为空腹、餐前(餐后4小时)、餐后(餐后2小时)、随机时间血糖测量对应时间点的前3天记录的平均值。

如图1所示，根据相邻两个血糖预测值差异度及系统判断引起差异度原因的不同，分别采用3种方式对血糖预测模型进行处理：

1)血糖预测值差异度△＝y(t)-y(t-1)在容许值△t范围内，则本次血糖预测值y(t)保存入系统血糖检测数据库中，系统根据偏差值大小，结合数据库中历史血糖预测结果进行自我学习，对血糖预测模型结构进行自我修正；

2)血糖预测值差异度△超过了容许值△t范围，且系统确认本次血糖预测值y(t)符合用户实际生理病理状态，则本次血糖预测值保存入系统血糖检测数据库中，同时系统提示输入1次当前时刻的血糖有创检测值，系统根据当前时刻血糖预测值、血糖检测有创值和历史血糖预测结果进行血糖预测模型校正，从而实现在极少有创血糖检测值的条件下实现血糖预测模型的自我校正；

3)血糖预测值差异度△超过了容许值△t范围，且系统确认本次血糖预测值出现较大偏差为偶然因素造成，系统提示忽略本次检测值，不改变原来血糖预测模型结构，不对血糖预测模型进行修正。

如图2所示，本发明中的血糖预测模型采用非线性自回归网络结构，基于系统数据库中保存的历史血糖预测结果和当前时刻近红外光谱检测值，实现当前时刻血糖的预测，从而实现血糖的无创检测。非线性自回归网络结构采用如下形式：

y(t)＝f[y(t-1),y(t-2),...,y(t-n_y),x(t-1),x(t-2),...,x(t-n_d)]

其中，y(t-1),y(t-2),...,y(t-n_y)表示过去的输出时间序列，x(t-1),x(t-2),...,x(t-n_d)表示多维输入时间序列，映射f(·)表示非线性过程，d为延迟阶数，用以确定有创校正所需的次数。非线性自回归网络结构中的隐含层神经元的个数m是根据血糖预测模型的输入参数个数确定。

优选的，血糖预测模型具体可采用近红外光谱无创血糖检测网络模型或其它具有时间序列处理能力的非线性网络模型。

实施例1：应用于特定的个体对象时，本发明的血糖预测模型自校正方法方法包括如下步骤：

1)初次使用时，根据系统提示输入个体生理病理特征信息，包括个体的年龄、性别、身高、体重、腰围、糖尿病所处阶段、其它基础性疾病信息，系统基于遗传算法(GA)，调整模型相关控制变量的权重系数；

2)分时段进行d次有创血糖测量，同步检测与血糖相关的近红外光谱、同时刻对应的个体收缩压、心率、体温等参数，对血糖预测模型进行个性化校正；

3)实际应用时，系统自动检测与血糖相关的近红外光谱，并按要求输入个体收缩压、心率、体温等参数作为血糖预测模型的输入变量，血糖预测模型输出血糖预测结果；

4)本次血糖预测结果和前一次对应时刻的血糖预测结果相减得到两次预测结果的偏差，系统自动与容许偏差比较，根据图1所示自校正流程判断进入不同的自校正模式；

5)当进入自校正模式后，系统利用血糖预测历史数据和当前预测数据，基于图2所示血糖预测模型校正网络结构，实现模型结构的自我调整和校正。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于近红外光的血糖预测模型自校正方法，其特征在于，以基于对应时刻人体近红外光谱检测的相邻两个血糖预测值的差异度为判别依据，其中，相邻两个血糖预测值的差异度具体是血糖预测结果和前一次对应时刻的血糖预测结果相减得到两次预测结果的偏差；根据差异度与容许值的对应关系，结合人体血糖短期波动的规律性、个体生活习惯和健康状态，自动识别血糖检测异常点并由血糖无创检测系统自动提醒用户输入当天饮食情况和用药情况，通过提问了解被测者当前生理病理状态，由系统自动评估及判断血糖异常值产生原因，排除偶发因素，根据差异度产生的不同原因，进入不同的血糖预测模型自校正流程，保证血糖预测模型总是与被测者当前的生理病理状态相一致；

所述血糖预测模型自校正流程具体是：根据相邻两个血糖预测值差异度及血糖无创检测系统判断引起差异度原因的不同，分别采用三种方式对血糖预测模型进行处理：

1）血糖预测值差异度在容许值范围内，则本次血糖预测值保存入系统血糖检测数据库中，系统根据偏差值大小，结合数据库中历史血糖预测结果进行自我学习，对血糖预测模型结构进行自我修正；

2）血糖预测值差异度超过了容许值范围，且系统确认本次血糖预测值符合用户实际生理病理状态，则本次血糖预测值保存入系统血糖检测数据库中，同时系统提示输入一次当前时刻的血糖有创检测值，系统根据当前时刻血糖预测值、血糖检测有创值和历史血糖预测结果进行血糖预测模型校正，从而实现在极少有创血糖检测值的条件下实现血糖预测模型的自我校正；

3）血糖预测值差异度超过了容许值范围，且系统确认本次血糖预测值出现较大偏差为偶然因素造成，系统提示忽略本次检测值，不改变原来血糖预测模型结构，不对血糖预测模型进行修正。

2.根据权利要求1所述的血糖预测模型自校正方法，其特征在于，所述容许值的计算，为空腹、餐前、餐后，以及随机时间血糖测量对应时间点的前3天记录的平均值。

3.根据权利要求1所述的血糖预测模型自校正方法，其特征在于，所述血糖预测模型采用非线性自回归网络结构，基于系统数据库中保存的历史血糖预测结果和当前时刻近红外光谱检测值，实现当前时刻血糖的预测。

4.根据权利要求3所述的血糖预测模型自校正方法，其特征在于，所述非线性自回归网络结构采用如下形式：

y(t)= f [y(t-1), y(t-2),…, y(t-n _y ), x(t-1), x(t-2),…, x(t- n _d ) ]

其中，y(t-1), y(t-2),…, y(t-n _y )表示过去的输出时间序列，x(t-1), x(t-2),…, x(t- n _d )表示多维输入时间序列，映射f (·)表示非线性过程，d为延迟阶数，用以确定有创校正所需的次数；非线性自回归网络结构中的隐含层神经元的个数是根据血糖预测模型的输入参数个数确定。

5.根据权利要求1所述的血糖预测模型自校正方法，其特征在于，用于特定的个体对象时，该方法包括以下步骤：

1）初次使用时，根据血糖无创检测系统提示输入个体生理病理特征信息，包括个体的年龄、性别、身高、体重、腰围、糖尿病所处阶段，以及其他基础性疾病信息，血糖无创检测系统基于遗传算法，调整血糖预测模型相关控制变量的权重系数；

2）分时段进行d次有创血糖测量，同步检测与血糖相关的近红外光谱、同时刻对应的个体收缩压、心率和体温，对血糖预测模型进行个性化校正；

3）实际应用时，血糖无创检测系统自动检测与血糖相关的近红外光谱，并按要求输入个体收缩压、心率和体温作为血糖预测模型的输入变量，血糖预测模型输出血糖预测结果。

6.根据权利要求1所述的血糖预测模型自校正方法，其特征在于，进行血糖预测模型自校正时，利用当前时刻血糖检测结果差异度、血糖相关近红外光谱检测结果、人体相关生理病理参数、当前时刻相邻前两次的血糖检测和预测历史数据作为输入，血糖当前时刻模型预测值或当前时刻血糖有创检测值作为模型输出对血糖预测模型进行自校正训练，使血糖预测模型结构与个体当前生理病理状态相适应。

Images