CN113288132A - 用于预测血糖值的方法、装置、存储介质及处理器 - Google Patents
用于预测血糖值的方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN113288132A CN113288132A CN202110489716.2A CN202110489716A CN113288132A CN 113288132 A CN113288132 A CN 113288132A CN 202110489716 A CN202110489716 A CN 202110489716A CN 113288132 A CN113288132 A CN 113288132A
- Authority
- CN
- China
- Prior art keywords
- pulse signal
- predicting
- signal
- blood glucose
- residual error
- 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.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 67
- 210000004369 blood Anatomy 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 57
- 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 42
- 239000008103 glucose Substances 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000013186 photoplethysmography Methods 0.000 description 31
- 108010076504 Protein Sorting Signals Proteins 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/02—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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供一种用于预测血糖值的方法、装置、存储介质及处理器，属于信号处理和血糖预测领域。上述用于预测血糖值的方法包括：获取用户的脉搏信号；基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号；基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号；对去冗余后的脉搏信号进行特征提取，以得到对应的特征信息；根据特征信息，使用预先训练的血糖预测模型预测血糖值。采用本发明的方法可以提高血糖值预测的准确度。
Description
技术领域
本发明涉及信号处理和血糖预测领域，具体地涉及一种用于预测血糖值的方法、装置、存储介质及处理器。
背景技术
据世界卫生组织数据显示，全球估计有4.22亿成人患有糖尿病，而中国约有1.1亿糖尿病人以及5亿以上糖尿病前期的成年人。中国每年投入糖尿病管理的费用超过1734亿人民币，其直接医疗费用已经达到中国医疗支出的13％，而这个数字每年还在大幅度攀升中。在然而，人们在基于光电容积脉搏波(photoplethysmogram，PPG)信号进行血糖值预测时，需要对PPG信号进行去噪处理，因而最常使用的是经验模态分解(empirical modedecomposition，EMD)信号处理方法，然而，传统的采用EMD算法进行信号处理的方法，在去除噪声的同时，过多信号成分被过滤掉，导致血糖值预测的准确度不高。
发明内容
本发明实施例的目的是提供一种用于预测血糖值的方法、装置、存储介质及处理器，以解决血糖值预测的准确度不高的问题。
为了实现上述目的，本发明第一方面提供一种用于预测血糖值的方法，方法包括：
获取用户的脉搏信号；
基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号；
基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号；
对去冗余后的脉搏信号进行特征提取，以得到对应的特征信息；
根据特征信息，使用预先训练的血糖预测模型预测血糖值。
在本发明实施例中，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，包括：采用经验模式分解算法对脉搏信号进行一次分解，以得到一次分解后的一级残差；确定一级残差中频率最高的第一残差；采用经验模式分解算法对第一残差进行二次分解，以得到二次分解后的二级残差；确定二级残差中频率最高的第二残差；根据除第一残差之外的一级残差和除第二残差之外的二级残差，得到去噪后的脉搏信号。
在本发明实施例中，采用多尺度经验模式分解算法对脉搏信号进行一次分解，以得到一次分解后的一级残差，包括：确定脉搏信号的极大值和极小值；根据极大值和极小值确定均值；确定脉搏信号与均值之间的差值，以得到一次分解后的一级残差。
在本发明实施例中，根据极大值和极小值确定均值，包括：根据极大值和极小值，基于插值法得到上包络线和下包络线；根据上包络线和下包络线确定均值。
在本发明实施例中，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，包括：将去噪后的脉搏信号映射成三维矩阵信号；采用塔克分解将三维矩阵信号分解成多个三维信号成分；将多个三维信号成分分别映射成多个一维信号成分；确定多个一维信号成分的能量；去除脉搏信号中能量低于预设能量阈值的脉搏信号，以得到去冗余后的脉搏信号。
在本发明实施例中，将去噪后的脉搏信号映射成三维矩阵信号，包括：将去噪后的脉搏信号映射成二维矩阵信号；通过双向移动窗口将二维矩阵信号映射成三维矩阵信号。
在本发明实施例中，预先训练的血糖预测模型为支持向量机回归模型。
本发明第二方面提供一种处理器，处理器被配置成执行上述的用于预测血糖值的方法。
本发明第三方面提供一种用于预测血糖值的装置，包括：脉搏信号检测设备；以及上述处理器。
本发明第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器执行上述的用于预测血糖值的方法。
上述技术方案，通过获取用户的脉搏信号，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，对去冗余后的脉搏信号进行特征提取以得到对应的特征信息，并根据特征信息，使用预先训练的血糖预测模型预测血糖值。上述方法采用多尺度经验模式分解算法和张量奇异谱分析算法，有效地将脉搏信号的噪声与纯脉搏信号分离，极好地避免了传统EMD算法将部分信号滤除的弊端，再者，通过张量奇异谱分析算法将一维数据转换为三维数据，更好地分离了单通道数据，在信号分解阶段更有效地利用了数据的非平稳性，提高了血糖值预测的准确度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了本发明一实施例中用于预测血糖值的方法的流程示意图；
图2示意性示出了本发明一实施例中用于预测血糖值的装置的结构框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了本发明一实施例中用于预测血糖值的方法的流程示意图。如图1所示，在本发明实施例中，提供了一种用于预测血糖值的方法，以该方法应用于处理器为例进行说明，该方法可以包括以下步骤：
步骤S102，获取用户的脉搏信号。
具体地，处理器可以通过脉搏信号检测设备获取检测到的光电容积脉搏波信号(photoplethysmogram，PPG)。
步骤S104，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号。
具体地，处理器在采集到脉搏(PPG)信号之后，基于多尺度经验模式分解算法(Multiresolution Empirical Mode Decomposition，MEMD)对采集到的脉搏信号进行处理，去除频率相对较高的多尺度本征模态函数(IMF)，以得到去完噪的脉搏(PPG)信号。
在一个实施例中，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，包括：采用经验模式分解算法对脉搏信号进行一次分解，以得到一次分解后的一级残差；确定一级残差中频率最高的第一残差；采用经验模式分解算法对第一残差进行二次分解，以得到二次分解后的二级残差；确定二级残差中频率最高的第二残差；根据除第一残差之外的一级残差和除第二残差之外的二级残差，得到去噪后的脉搏信号。
可以理解，一级残差、第一残差、二级残差以及第二残差即残差细节，也叫本征模态函数(IMF)，其中，一级残差为第一次采用经验模式分解算法(EMD)对脉搏信号进行分解得到的残差细节，二级残差为第二次采用经验模式分解算法(EMD)对第一残差进行分解得到的残差细节，第一残差为一级残差中频率最高的残差，第二残差为二级残差中频率最高的残差。
具体地，处理器采用经验模式分解算法(EMD)将第一次分解出来的对应频率最高的本征模态函数(IMF)，即第一残差再进行一次分解，将除去第二次分解所得到的对应频率最高的IMF即第二残差、第一残差之外的所有IMF进行重构，得到去完噪的脉搏(PPG)信号。
本实施例中，通过多尺度经验模式分解算法(MEMD)进行去噪处理，即采取经验模式分解算法(EMD)进行两次分解，将高频噪声滤除，可以最大限度地保留脉搏信号的非噪声成分。
步骤S106，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号。
具体地，处理器可以基于张量奇异谱分析算法(TSSA)对去噪后的脉搏信号进行去冗余处理，选择能量相对较大的成分，以得到去冗余后的脉搏信号。
在一个实施例中，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，包括：将去噪后的脉搏信号映射成三维矩阵信号；采用塔克分解将三维矩阵信号分解成多个三维信号成分；将多个三维信号成分分别映射成多个一维信号成分；确定多个一维信号成分的能量；去除脉搏信号中能量低于预设能量阈值的脉搏信号，以得到去冗余后的脉搏信号。
可以理解，预设能量阈值为预先设置的最小能量界限值。
具体地，处理器可以将去噪后的脉搏信号映射成三维矩阵信号，使用基于交替最小二乘算法的塔克分解将此三维矩阵X分解为以下形式：
其中，g是张量核，A是模式一矩阵，B是模式二矩阵，C是模式三矩阵，gpqr指核张量元素，ap称为模式一向量，bq称为模式二向量，cr称为模式三向量，“。”表示向量外积操作，×1表示模一乘法操作，×2表示模二乘法操作，×3表示模三乘法操作，Xpqr表示塔克分解的三维信号成分，I、J、K分别是三维矩阵X在模式一方向、模式二方向以及模式三方向上的秩，p、q、r表示的是在不同维度的累和的系数。
这意味着X可以分解为若干个Xi成分，由于从PPG信号
映射到三维矩阵X是一个一一对应的过程，因此，可以将Xi通过汉克化和去汉克化的步骤将其复原为与PPG信号成分一一对应的一维信号成分xpqr：
其中，x为去噪后的脉搏信号，xpqr是一维信号成分，也就是张量奇异谱分析成分。
由此，一维PPG信号可以通过张量奇异谱分析算法分解为若干一维信号成分，为了去除PPG信号的冗余，可以采用能量阈值τ来决定是否丢弃成分，通过分别计算所有成分的能量，当能量低于τ时，处理器将其视为冗余并丢弃，以得到去冗余后的脉搏信号。
步骤S108，对去冗余后的脉搏信号进行特征提取，以得到对应的特征信息。
可以理解，提取的特征信息可以包括以下10个特征：(1)当前R波和下一个R波的间隔；(2)信号能量；(3)信号熵值；(4)平均绝对偏差值；(5)方差；(6)范数；(7)范数；(8)范数；(9)四分位距；(10)全距。
步骤S110，根据特征信息，使用预先训练的血糖预测模型预测血糖值。
在一个实施例中，预先训练的血糖预测模型为支持向量机(SVM)回归模型。
具体地，处理器可以使用预先训练的血糖预测模型，例如支持向量机(SVM)回归模型，输入特征信息，则可以得到预测的血糖值。
血糖预测模型的训练过程为：已知原始的n个PPG信号x1……xn所对应的血糖值为g1……gn，随机抽取总样本的百分之七十作为训练样本，并且将这些训练样本投入SVM回归模型中做训练。可以针对不同的训练集调整优化参数，得到训练完成的支持向量机(SVM)回归模型后，将测试集通过该模型进行预测，并计算其预测的误差准确率。
上述用于预测血糖值的方法，通过获取用户的脉搏信号，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，对去冗余后的脉搏信号进行特征提取以得到对应的特征信息，并根据特征信息，使用预先训练的血糖预测模型预测血糖值。上述方法采用多尺度经验模式分解算法和张量奇异谱分析算法，有效地将脉搏信号的噪声与纯脉搏信号分离，极好地避免了传统EMD算法将部分信号滤除的弊端，再者，通过张量奇异谱分析算法将一维数据转换为三维数据，更好地分离了单通道数据，在信号分解阶段更有效地利用了数据的非平稳性，提高了血糖值预测的准确度。
在一个实施例中，采用多尺度经验模式分解算法对脉搏信号进行一次分解，以得到一次分解后的一级残差，包括：确定脉搏信号的极大值和极小值；根据极大值和极小值确定均值；确定脉搏信号与均值之间的差值，以得到一次分解后的一级残差。
可以理解，处理器在采用多尺度经验模式分解算法(MEMD)处理一条脉搏(PPG)输入信号序列时，首先定位出该条脉搏信号序列的所有极值点，可以理解该条脉搏信号序列可以包括多个极大值点和多个极小值点。处理器根据极大值和极小值可以确定该条脉搏信号序列的均值，再根据每个脉搏信号与均值之间的差值确定对应的一级残差，即d＝x-m，其中，d为残差，x为脉搏信号，m为均值。
在一个实施例中，根据极大值和极小值确定均值，包括：根据极大值和极小值，基于插值法得到上包络线和下包络线；根据上包络线和下包络线确定均值。
可以理解，上包络线包括了该条脉搏信号序列所有的极大值点，下包络线包括了该条脉搏信号序列所有的极小值点。
具体地，在确定了该条脉搏信号序列的极大值和极小值之后，处理器可以基于插值法得到包括所有极大值点的上包络线和包括所有极小值点的下包络线，从而根据上包络线和下包络线确定上下包络线的均值，具体可以参见以下公式：
其中，m为均值，eup为上包络线，edown为下包络线。
在另一个实施例中，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，包括以下步骤：
(1)定位出信号x的所有极值点；
(2)针对极大值和极小值使用插值法形成上下包络线eup和edown；
(3)计算上下包络线的均值：
(4)计算残差细节d＝x-m；
(5)重复上述过程直至d的均值为零则停止迭代。
到停止迭代为止所得到的残差细节d我们称为IMF，并且由MEMD的算法特性可知IMF从第一次迭代到最后一次迭代的频率是依次降低的，传统的EMD算法对PPG信号的去噪处理基本是去除第一个IMF以除去高频噪声，而由于EMD算法的局限性，即对于不同的信号EMD所分解出来的IMF个数和频率是不确定的，因此当只是简单地去除第一个IMF时，PPG信号的去噪效果往往没有那么好，甚至将原本属于PPG信号的一部分信息连同第一个IMF一起去除了，因此采用本实施例的方法可以增强PPG信号的去噪效果，并且保留了更多的脉搏信号。
在一个实施例中，将去噪后的脉搏信号映射成三维矩阵信号，包括：将去噪后的脉搏信号映射成二维矩阵信号；通过双向移动窗口将二维矩阵信号映射成三维矩阵信号。
具体地，处理器可以将上述步骤S104得到的去噪后的PPG信号
映射成为传统的二维汉克矩阵，再通过一个双向移动窗口将这个汉克矩阵映射为一个三维矩阵X。
图2示意性示出了本发明一实施例中用于预测血糖值的装置的结构框图。如图2所示，在本发明实施例中，提供了一种用于预测血糖值的装置200，包括：脉搏信号检测设备210和处理器220，其中：
脉搏信号检测设备210，用于检测用户的脉搏信号。
处理器220，被配置成：获取用户的脉搏信号；基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号；基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号；对去冗余后的脉搏信号进行特征提取，以得到对应的特征信息；根据特征信息，使用预先训练的血糖预测模型预测血糖值。
具体地，处理器220可以通过脉搏信号检测210设备获取检测到的光电容积脉搏波信号(photoplethysmogram，PPG)。处理器220在采集到脉搏(PPG)信号之后，基于多尺度经验模式分解算法(Multiresolution Empirical Mode Decomposition，MEMD)对采集到的脉搏信号进行处理，去除频率相对较高的多尺度本征模态函数(IMF)，以得到去完噪的脉搏(PPG)信号。处理器220可以基于张量奇异谱分析算法(TSSA)对去噪后的脉搏信号进行去冗余处理，选择能量相对较大的成分，以得到去冗余后的脉搏信号。处理器220可以基于预先训练的血糖预测模型，例如支持向量机(SVM)回归模型，输入特征信息，则可以得到预测的血糖值。
可以理解，提取的特征信息可以包括以下10个特征：(1)当前R波和下一个R波的间隔；(2)信号能量；(3)信号熵值；(4)平均绝对偏差值；(5)方差；(6)范数；(7)范数；(8)范数；(9)四分位距；(10)全距。
上述用于预测血糖值的装置200，处理器220通过获取脉搏信号检测设备210检测到的用户的脉搏信号，基于多尺度经验模式分解算法对脉搏信号进行去噪处理，以得到去噪后的脉搏信号，基于张量奇异谱分析算法对去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，对去冗余后的脉搏信号进行特征提取以得到对应的特征信息，并根据特征信息，使用预先训练的血糖预测模型预测血糖值。上述装置采用多尺度经验模式分解算法和张量奇异谱分析算法，有效地将脉搏信号的噪声与纯脉搏信号分离，极好地避免了传统EMD算法将部分信号滤除的弊端，再者，通过张量奇异谱分析算法将一维数据转换为三维数据，更好地分离了单通道数据，在信号分解阶段更有效地利用了数据的非平稳性，提高了血糖值预测的准确度。
在一个实施例中，处理器220进一步被配置成：采用经验模式分解算法对脉搏信号进行一次分解，以得到一次分解后的一级残差；确定一级残差中频率最高的第一残差；采用经验模式分解算法对第一残差进行二次分解，以得到二次分解后的二级残差；确定二级残差中频率最高的第二残差；根据除第一残差之外的一级残差和除第二残差之外的二级残差，得到去噪后的脉搏信号。
可以理解，一级残差、第一残差、二级残差以及第二残差即残差细节，也叫本征模态函数(IMF)，其中，一级残差为第一次采用经验模式分解算法(EMD)对脉搏信号进行分解得到的残差细节，二级残差为第二次采用经验模式分解算法(EMD)对第一残差进行分解得到的残差细节，第一残差为一级残差中频率最高的残差，第二残差为二级残差中频率最高的残差。
具体地，处理器220采用经验模式分解算法(EMD)将第一次分解出来的对应频率最高的本征模态函数(IMF)，即第一残差再进行一次分解，将除去第二次分解所得到的对应频率最高的IMF即第二残差、第一残差之外的所有IMF进行重构，得到去完噪的脉搏(PPG)信号。
本实施例中，通过多尺度经验模式分解算法(MEMD)进行去噪处理，即采取经验模式分解算法(EMD)进行两次分解，将高频噪声滤除，可以最大限度地保留脉搏信号的非噪声成分。
在一个实施例中，处理器220进一步被配置成：确定脉搏信号的极大值和极小值；根据极大值和极小值确定均值；确定脉搏信号与均值之间的差值，以得到一次分解后的一级残差。
可以理解，处理器220在采用多尺度经验模式分解算法(MEMD)处理一条脉搏(PPG)输入信号序列时，首先定位出该条脉搏信号序列的所有极值点，可以理解该条脉搏信号序列可以包括多个极大值点和多个极小值点。处理器220根据极大值和极小值可以确定该条脉搏信号序列的均值，再根据每个脉搏信号与均值之间的差值确定对应的一级残差，即d＝x-m，其中，d为残差，x为脉搏信号，m为均值。
在一个实施例中，处理器220进一步被配置成：根据极大值和极小值，基于插值法得到上包络线和下包络线；根据上包络线和下包络线确定均值。
可以理解，上包络线包括了该条脉搏信号序列所有的极大值点，下包络线包括了该条脉搏信号序列所有的极小值点。
具体地，在确定了该条脉搏信号序列的极大值和极小值之后，处理器220可以基于插值法得到包括所有极大值点的上包络线和包括所有极小值点的下包络线，从而根据上包络线和下包络线确定上下包络线的均值，具体可以参见以下公式：
其中，m为均值，eup为上包络线，edown为下包络线。
在一个实施例中，处理器220进一步被配置成：将去噪后的脉搏信号映射成三维矩阵信号；采用塔克分解将三维矩阵信号分解成多个三维信号成分；将多个三维信号成分分别映射成多个一维信号成分；确定多个一维信号成分的能量；去除脉搏信号中能量低于预设能量阈值的脉搏信号，以得到去冗余后的脉搏信号。
可以理解，预设能量阈值为预先设置的最小能量界限值。
具体地，处理器220可以将去噪后的脉搏信号映射成三维矩阵信号，使用基于交替最小二乘算法的塔克分解将此三维矩阵X分解为以下形式：
其中，g是张量核，A是模式一矩阵，B是模式二矩阵，C是模式三矩阵，gpqr指核张量元素，ap称为模式一向量，bq称为模式二向量，cr称为模式三向量，“。”表示向量外积操作，×1表示模一乘法操作，×2表示模二乘法操作，×3表示模三乘法操作，Xpqr表示塔克分解的三维信号成分，I、J、K分别是三维矩阵X在模式一方向、模式二方向以及模式三方向上的秩，p、q、r表示的是在不同维度的累和的系数。
这意味着X可以分解为若干个Xi成分，由于从PPG信号
映射到三维矩阵X是一个一一对应的过程，因此，可以将Xi通过汉克化和去汉克化的步骤将其复原为与PPG信号成分一一对应的一维信号成分xpqr：
其中，x为去噪后的脉搏信号，xpqr是一维信号成分，也就是张量奇异谱分析成分。
由此，一维PPG信号可以通过张量奇异谱分析算法分解为若干一维信号成分，为了去除PPG信号的冗余，可以采用能量阈值τ来决定是否丢弃成分，通过分别计算所有成分的能量，当能量低于τ时，处理器220将其视为冗余并丢弃，以得到去冗余后的脉搏信号。
在一个实施例中，处理器220进一步被配置成：将去噪后的脉搏信号映射成二维矩阵信号；通过双向移动窗口将二维矩阵信号映射成三维矩阵信号。
具体地，处理器220可以将去噪后的PPG信号
映射成为传统的二维汉克矩阵，再通过一个双向移动窗口将这个汉克矩阵映射为一个三维矩阵X。
在一个实施例中，预先训练的血糖预测模型为支持向量机回归模型。
上述用于预测血糖值的装置包括处理器和存储器，处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现提高血糖值预测的准确度的目的。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种处理器，该处理器被配置成执行根据上述实施方式中的用于预测血糖值的方法。
本发明实施例提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器执行根据上述实施方式中的用于预测血糖值的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于预测血糖值的方法，其特征在于，所述方法包括：
获取用户的脉搏信号；
基于多尺度经验模式分解算法对所述脉搏信号进行去噪处理，以得到去噪后的脉搏信号；
基于张量奇异谱分析算法对所述去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号；
对所述去冗余后的脉搏信号进行特征提取，以得到对应的特征信息；
根据所述特征信息，使用预先训练的血糖预测模型预测血糖值。
2.根据权利要求1所述的用于预测血糖值的方法，其特征在于，所述基于多尺度经验模式分解算法对所述脉搏信号进行去噪处理，以得到去噪后的脉搏信号，包括：
采用经验模式分解算法对所述脉搏信号进行一次分解，以得到一次分解后的一级残差；
确定所述一级残差中频率最高的第一残差；
采用经验模式分解算法对所述第一残差进行二次分解，以得到二次分解后的二级残差；
确定所述二级残差中频率最高的第二残差；
根据除所述第一残差之外的一级残差和除所述第二残差之外的二级残差，得到去噪后的脉搏信号。
3.根据权利要求2所述的用于预测血糖值的方法，其特征在于，所述采用多尺度经验模式分解算法对所述脉搏信号进行一次分解，以得到一次分解后的一级残差，包括：
确定所述脉搏信号的极大值和极小值；
根据所述极大值和所述极小值确定均值；
确定所述脉搏信号与所述均值之间的差值，以得到一次分解后的一级残差。
4.根据权利要求3所述的用于预测血糖值的方法，其特征在于，所述根据所述极大值和所述极小值确定均值，包括：
根据所述极大值和所述极小值，基于插值法得到上包络线和下包络线；
根据所述上包络线和所述下包络线确定均值。
5.根据权利要求1所述的用于预测血糖值的方法，其特征在于，所述基于张量奇异谱分析算法对所述去噪后的脉搏信号进行去冗余处理，以得到去冗余后的脉搏信号，包括：
将所述去噪后的脉搏信号映射成三维矩阵信号；
采用塔克分解将所述三维矩阵信号分解成多个三维信号成分；
将多个所述三维信号成分分别映射成多个一维信号成分；
确定多个所述一维信号成分的能量；
去除所述脉搏信号中所述能量低于预设能量阈值的脉搏信号，以得到去冗余后的脉搏信号。
6.根据权利要求5所述的用于预测血糖值的方法，其特征在于，所述将所述去噪后的脉搏信号映射成三维矩阵信号，包括：
将所述去噪后的脉搏信号映射成二维矩阵信号；
通过双向移动窗口将所述二维矩阵信号映射成三维矩阵信号。
7.根据权利要求1所述的用于预测血糖值的方法，其特征在于，所述预先训练的血糖预测模型为支持向量机回归模型。
8.一种处理器，其特征在于，所述处理器被配置成执行根据权利要求1至7中任意一项所述的用于预测血糖值的方法。
9.一种用于预测血糖值的装置，其特征在于，包括：
脉搏信号检测设备；以及
根据权利要求8所述的处理器。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器执行根据权利要求1至7中任意一项所述的用于预测血糖值的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110489716.2A CN113288132B (zh) | 2021-05-06 | 2021-05-06 | 用于预测血糖值的方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110489716.2A CN113288132B (zh) | 2021-05-06 | 2021-05-06 | 用于预测血糖值的方法、装置、存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113288132A true CN113288132A (zh) | 2021-08-24 |
| CN113288132B CN113288132B (zh) | 2023-04-14 |
Family
ID=77320823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110489716.2A Active CN113288132B (zh) | 2021-05-06 | 2021-05-06 | 用于预测血糖值的方法、装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113288132B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098724A (zh) * | 2021-11-22 | 2022-03-01 | 乐普（北京）医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
| CN114548158A (zh) * | 2022-01-28 | 2022-05-27 | 广东工业大学 | 一种用于血糖预测的数据处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
| EP3170449A1 (en) * | 2015-11-20 | 2017-05-24 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
| CN109171678A (zh) * | 2018-09-25 | 2019-01-11 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
| JP2019141263A (ja) * | 2018-02-19 | 2019-08-29 | Cyberdyne株式会社 | 血糖値測定システムおよび血糖値測定装置 |
| CN110623678A (zh) * | 2018-06-22 | 2019-12-31 | 深圳市游弋科技有限公司 | 一种血糖测量装置及其数据处理方法、存储介质 |
| US20200187835A1 (en) * | 2018-12-13 | 2020-06-18 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating blood glucose |
-
2021
- 2021-05-06 CN CN202110489716.2A patent/CN113288132B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110245628A1 (en) * | 2010-03-31 | 2011-10-06 | Nellcor Puritan Bennett Llc | Photoplethysmograph Filtering Using Empirical Mode Decomposition |
| EP3170449A1 (en) * | 2015-11-20 | 2017-05-24 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
| JP2019141263A (ja) * | 2018-02-19 | 2019-08-29 | Cyberdyne株式会社 | 血糖値測定システムおよび血糖値測定装置 |
| CN110623678A (zh) * | 2018-06-22 | 2019-12-31 | 深圳市游弋科技有限公司 | 一种血糖测量装置及其数据处理方法、存储介质 |
| CN109171678A (zh) * | 2018-09-25 | 2019-01-11 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
| US20200187835A1 (en) * | 2018-12-13 | 2020-06-18 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating blood glucose |
Non-Patent Citations (3)
| Title |
|---|
| SAMANEH KOUCHAKI 等: "《ensor Based Singular Spectrum Analysis for Automatic Scoring of Sleep EEG》", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, vol. 23, no. 1, 31 January 2015 (2015-01-31), pages 1 - 9 * |
| 冯培华: "《基于信号处理技术的无创血糖估计研究》", 《中国优秀博硕士论文全文数据库（硕士）医药卫生科技辑》, 15 February 2020 (2020-02-15), pages 0 * |
| 王婷: "《EMD算法研究及其在信号去噪中的应用》", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》, no. 7, 15 July 2011 (2011-07-15), pages 136 - 26 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098724A (zh) * | 2021-11-22 | 2022-03-01 | 乐普（北京）医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
| CN114098724B (zh) * | 2021-11-22 | 2024-03-26 | 乐普（北京）医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
| CN114548158A (zh) * | 2022-01-28 | 2022-05-27 | 广东工业大学 | 一种用于血糖预测的数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113288132B (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113288132B (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
| WO2022141871A1 (zh) | 时序数据异常检测方法、装置、设备及存储介质 | |
| CN110664390B (zh) | 基于腕带式ppg和深度学习的心率监测系统及方法 | |
| EP3219254B1 (en) | Method and system for removing corruption in photoplethysmogram signals for monitoring cardiac health of patients | |
| KR102399025B1 (ko) | 개선된 데이터 비교 방법 | |
| CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
| CN111291727A (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
| CN111639684A (zh) | 一种数据处理模型的训练方法及装置 | |
| CN115474941B (zh) | 心拍基准点检测方法、装置、设备及存储介质 | |
| US20110200229A1 (en) | Object Detecting with 1D Range Sensors | |
| CN108304778B (zh) | 一种基于压缩域的振动信号特征提取方法 | |
| CN113288133A (zh) | 用于预测血糖值的方法、装置、存储介质及处理器 | |
| CN116725508A (zh) | 心率的检测方法、装置、处理器以及电子设备 | |
| Tuyen et al. | An optimized algorithm for peak detection in noisy periodic and quasi-periodic signals | |
| Ukil et al. | Cardiac condition monitoring through photoplethysmogram signal denoising using wearables: can we detect coronary artery disease with higher performance efficacy? | |
| CN106251364A (zh) | 目标跟踪方法及装置 | |
| CN109036452A (zh) | 一种语音信息处理方法、装置、电子设备及存储介质 | |
| CN108201437B (zh) | 一种信号处理的方法和装置 | |
| CN110313902B (zh) | 一种血容量变化脉冲信号处理方法及相关装置 | |
| CN110837494B (zh) | 一种识别病历首页未特指诊断编码错误的方法及装置 | |
| CN114386479A (zh) | 医学数据处理方法、装置、存储介质及电子设备 | |
| Tong et al. | A robust time-frequency decomposition model for suppression of mixed Gaussian-impulse noise in audio signals | |
| US11222407B2 (en) | Apparatus, method and computer program for processing a piecewise-smooth signal | |
| CN109141885B (zh) | 基于mrsvd的轴承振动信号包络解调方法、装置及设备 | |
| Gilián et al. | Rhythm-based accuracy improvement of heart beat detection algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |