CN114530250A - 基于数据增强的可穿戴血糖检测方法、系统及存储介质 - Google Patents
基于数据增强的可穿戴血糖检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114530250A CN114530250A CN202210432606.7A CN202210432606A CN114530250A CN 114530250 A CN114530250 A CN 114530250A CN 202210432606 A CN202210432606 A CN 202210432606A CN 114530250 A CN114530250 A CN 114530250A
- Authority
- CN
- China
- Prior art keywords
- blood sugar
- model
- blood glucose
- data
- wearable
- 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
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
- G16H50/30—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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开的一种基于数据增强的可穿戴血糖检测方法、系统及存储介质,包括:通过采集固定时间段的血糖真实值和对应特征矩阵作为训练集进行随机森林模型的搭建;将日常无创检测所新增的特征矩阵输入随机森林模型中,得到对应的N个血糖预测值,将N个血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练数据补充到原先的数据集里从而不断扩大训练样本数;根据新的训练样本通过RNN模型构建血糖预测模型;将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征输入血糖预测模型中,获取血糖预测结果,本发明通过数据增强,提高了模型的鲁棒性,并有效提高了预测的准确性。
Description
技术领域
本发明涉及血糖检测技术领域,更具体的,涉及一种基于数据增强的可穿戴血糖检测方法、系统及存储介质。
背景技术
糖尿病作为四大慢病之一,早已成为威胁人民身心健康的一重大疾病,根据现有医疗技术水平,糖尿病是不能够完全治愈的。而且糖尿病不仅会带来并发症的病痛折磨,而且会长期影响人们的饮食、生活习惯,带来心理上的难受困扰,不断危害人民身心健康。因此,人们要形成“早预防”、“早发现”、“早治疗”糖尿病的观念,其中测量血糖是必不可少的一步。在传统检测血糖的方法中,是通过扎手指抽血利用生化血糖仪检测血糖值。但对于患者而言,长期检测不仅费用高,而且进行有创检测会带来痛苦,不可避免产生创口感染的风险。另外,传统血糖仪检测有耗材多、不便携、数据不连续等诸多弊端。
但是,可穿戴无创检测血糖方法解决了传统检测方法带来的有创口、易感染、耗材多、不便携、不连续等问题,可以减轻患者长期检测的痛苦。实现可穿戴无创血糖检测需前期采集用户的实际血糖值数据,后期根据采集到的用户特征通过算法模型等预测出血糖值,但无创检测的初衷是减少患者痛苦,所以只能前期进行采集有限的有创检测数据,而关键问题是——数据量少会造成预测结果准确率低。所以,为了减弱数据量少造成结果精度低的影响,如今提出一种数据扩充技术——数据增强,即在不实质性的增加数据的情况下,让现有的有限数据产生尽可能多的利用价值。因此在贫数据的条件下,提出一种基于数据增强的融合随机森林及RNN的可穿戴无创血糖检测方法,用原始有限数据创造更多利用价值,实现数据增强,增强模型的鲁棒性,有效提高了预测的准确性,满足了糖尿病患者以及普通用户可穿戴无创血糖检测的需求,保证血糖测量的准确性,减少传统有创检测,实现无创连续实时检测血糖,提高了人们的生活幸福指数。
发明内容
为了解决上述技术问题,本发明提出了一种基于数据增强的可穿戴血糖检测方法、系统及存储介质。
本发明第一方面提供了一种基于数据增强的可穿戴血糖检测方法,包括:
通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
本方案中,在固定时间段的血糖采集后,获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵;
根据所述新增特征矩阵通过随机森林模型生成血糖预测值,将所述血糖预测值作为真实值后,根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量,达到数据增强的目的。
本方案中,通过血糖预测模型获取血糖预测值,具体为:
基于循环神经网络模型构建血糖预测模型,并根据训练集进行血糖预测模型的训练;
本方案中,将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型,将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练,并得到血糖预测结果,将得到的预测值继续作为下一次血糖预测时的训练数据,进一步实现数据增强。
本发明第二方面还提供了一种基于数据增强的可穿戴血糖检测系统,该系统包括:存储器、处理器,所述存储器中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被所述处理器执行时实现如下步骤:
通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
本方案中,在固定时间段的血糖采集后,获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵;
根据所述新增特征矩阵通过随机森林模型生成血糖预测值,将所述血糖预测值作为真实值后,根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量,达到数据增强的目的。
本方案中,通过血糖预测模型获取血糖预测值,具体为:
基于循环神经网络模型构建血糖预测模型,并根据训练集进行血糖预测模型的训练;
本方案中,将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型,将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练,并得到血糖预测结果,将得到的预测值继续作为下一次血糖预测时的训练数据,进一步实现数据增强。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被处理器执行时,实现如上述任一项所述的一种基于数据增强的可穿戴血糖检测方法的步骤。
本发明解决了背景技术中存在的缺陷,具备以下有益效果:
本发明将随机森林和循环神经网模型联合起来,避免了单一模型的数据少量片面导致预测结果不准确的问题,而联合模型可以不断补充数据和扩大训练样本,实现数据增强,提高数据利用率,在贫数据的基础上通过RF模型不断得到新的血糖值结果,从而增多血糖有关数据,提高训练模型和预测结果准确率;
本发明中利用的循环神经网络模型可以对前面数据进行记忆并应用于下一次预测,即前后血糖值、特征矩阵等信息不再是无连接而是有连接的,使先后时间数据的关联问题导致模型精准性降低的影响减弱,提高了数据间的关联性,利用贫数据得到越来越多的训练数据,不断更新训练模型,从而使建立的随机森林模型和循环神经网络模型的训练集更加庞大、合理,增强模型的鲁棒性,得到持续不断、更加精准、真实可信的预测结果;
本发明中基于可穿戴无创血糖检测的数据增强方法可以充分循环利用每次采集到的特征矩阵,实现数据少、精度高的贫数据建模方法,保证预测的准确性。不需要患者长期扎手指采血测量血糖,减少了他们的痛苦,规避了长期有创检测带来的费用高、耗材多、不便携等问题,本发明可以提高使用者对于可穿戴无创血糖检测的可信度与接受度。
附图说明
图1示出了本发明一种基于数据增强的可穿戴血糖检测方法的流程图;
图2示出了本发明一种基于数据增强的可穿戴血糖检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数据增强的可穿戴血糖检测方法的流程图。
如图1所示,本发明第一方面提供了一种基于数据增强的可穿戴血糖检测方法,包括:
S102,通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
S104,将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
S106,将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
S108,将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
需要说明的是,进行为期三天、每天固定七个时间段的共21次血糖真实值和所需特征的采集,再将这21次血糖真实值和对应特征矩阵的原始小样本作为训练集,实现随机森林模型的搭建,在固定时间段的血糖采集后,获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵;根据所述新增特征矩阵通过随机森林模型生成血糖预测值,将所述血糖预测值作为真实值后,根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量,达到数据增强的目的,不断扩充模型的训练数据,提高模型训练效果。
需要说明的是,通过血糖预测模型获取血糖预测值,具体为:
基于循环神经网络模型构建血糖预测模型,并根据训练集进行血糖预测模型的训练,通过随机森林模型进行数据增强后的庞大训练数据作为训练集,训练循环神经网络模型,其中训练数据通过上述方式是在不断扩充的,使循环神经网络模型越来越精准,且循环神经网络模型把时间先后数据对模型精准性的影响降到最低
根据时刻的训练样本及时刻的模型记忆生成时刻的模型记忆,也就
是在时刻对当前输入的训练样本和以之前的血糖值、特征矩阵为训练样本时对血糖预测
模型训练的记忆,根据所述模型记忆得到血糖预测模型在时刻的血糖预测值。
需要说明的是,将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型,将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练,并得到血糖预测结果,将得到的预测值继续作为下一次血糖预测时的训练数据,利用贫数据不断训练得到新数据,扩充数据库,进一步实现数据增强,通过循环神经网络模型得到准确率更高的血糖预测值,提高了实际使用可穿戴设备进行无创血糖检测的精准度。
图2示出了本发明一种基于数据增强的可穿戴血糖检测系统的框图。
本发明第二方面还提供了一种基于数据增强的可穿戴血糖检测系统2,该系统包括:存储器21、处理器22,所述存储器中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被所述处理器执行时实现如下步骤:
通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
需要说明的是,进行为期三天、每天固定七个时间段的共21次血糖真实值和所需特征的采集,再将这21次血糖真实值和对应特征矩阵的原始小样本作为训练集,实现随机森林模型的搭建,在固定时间段的血糖采集后,获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵;根据所述新增特征矩阵通过随机森林模型生成血糖预测值,将所述血糖预测值作为真实值后,根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量,达到数据增强的目的,不断扩充模型的训练数据,提高模型训练效果。
需要说明的是,通过血糖预测模型获取血糖预测值,具体为:
基于循环神经网络模型构建血糖预测模型,并根据训练集进行血糖预测模型的训练,通过随机森林模型进行数据增强后的庞大训练数据作为训练集,训练循环神经网络模型,其中训练数据通过上述方式是在不断扩充的,使循环神经网络模型越来越精准,且循环神经网络模型把时间先后数据对模型精准性的影响降到最低
根据时刻的训练样本及时刻的模型记忆生成时刻的模型记忆,也就
是在时刻对当前输入的训练样本和以之前的血糖值、特征矩阵为训练样本时对血糖预测
模型训练的记忆,根据所述模型记忆得到血糖预测模型在时刻的血糖预测值。
需要说明的是,将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型,将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练,并得到血糖预测结果,将得到的预测值继续作为下一次血糖预测时的训练数据,利用贫数据不断训练得到新数据,扩充数据库,进一步实现数据增强,通过循环神经网络模型得到准确率更高的血糖预测值,提高了实际使用可穿戴设备进行无创血糖检测的精准度。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被处理器执行时,实现如上述任一项所述的一种基于数据增强的可穿戴血糖检测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于数据增强的可穿戴血糖检测方法,其特征在于,包括以下步骤:
通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
2.根据权利要求1所述的一种基于数据增强的可穿戴血糖检测方法,其特征在于,在固定时间段的血糖采集后,获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵;
根据所述新增特征矩阵通过随机森林模型生成血糖预测值,将所述血糖预测值作为真实值后,根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量,达到数据增强的目的。
5.根据权利要求1所述的一种基于数据增强的可穿戴血糖检测方法,其特征在于,将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型,将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练,并得到血糖预测结果,将得到的预测值继续作为下一次血糖预测时的训练数据,进一步实现数据增强。
6.一种基于数据增强的可穿戴血糖检测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被所述处理器执行时实现如下步骤:
通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型;
将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中,得到血糖预测值;
将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合,作为新的训练样本补充到原先的训练集,根据不断更新的训练集通过循环神经网络模型构建血糖预测模型;
将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中,获取血糖预测结果。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种基于数据增强的可穿戴血糖检测方法程序,所述一种基于数据增强的可穿戴血糖检测方法程序被处理器执行时,实现如权利要求1至5中任一项所述的一种基于数据增强的可穿戴血糖检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210432606.7A CN114530250B (zh) | 2022-04-24 | 2022-04-24 | 基于数据增强的可穿戴血糖检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210432606.7A CN114530250B (zh) | 2022-04-24 | 2022-04-24 | 基于数据增强的可穿戴血糖检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114530250A true CN114530250A (zh) | 2022-05-24 |
CN114530250B CN114530250B (zh) | 2022-08-02 |
Family
ID=81628175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210432606.7A Active CN114530250B (zh) | 2022-04-24 | 2022-04-24 | 基于数据增强的可穿戴血糖检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114530250B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203700A (zh) * | 2017-07-14 | 2017-09-26 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112767266A (zh) * | 2021-01-11 | 2021-05-07 | 之江实验室 | 一种面向深度学习的显微内窥镜图像数据增强方法 |
CN112784930A (zh) * | 2021-03-17 | 2021-05-11 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
CN114093521A (zh) * | 2022-01-20 | 2022-02-25 | 广东工业大学 | 基于随机森林的均匀化样本重构血糖估计方法及系统 |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
-
2022
- 2022-04-24 CN CN202210432606.7A patent/CN114530250B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203700A (zh) * | 2017-07-14 | 2017-09-26 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112767266A (zh) * | 2021-01-11 | 2021-05-07 | 之江实验室 | 一种面向深度学习的显微内窥镜图像数据增强方法 |
CN112784930A (zh) * | 2021-03-17 | 2021-05-11 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114093521A (zh) * | 2022-01-20 | 2022-02-25 | 广东工业大学 | 基于随机森林的均匀化样本重构血糖估计方法及系统 |
Non-Patent Citations (2)
Title |
---|
商逸凡: "基于数据增强的糖尿病性视网膜病变检测", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
孟宗 等: "基于二次数据增强和深度卷积的滚动轴承故障诊断研究", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114530250B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eom et al. | End-to-end deep learning architecture for continuous blood pressure estimation using attention mechanism | |
Lujan et al. | Past, present, and future of multisensory wearable technology to monitor sleep and circadian rhythms | |
Shrivastava et al. | A new machine learning method for predicting systolic and diastolic blood pressure using clinical characteristics | |
CN101524267A (zh) | 用于检查个人身心健康的综合评测系统及方案 | |
CN109171756A (zh) | 基于深度置信网络模型的糖尿病指标预测方法及其系统 | |
WO2021238810A1 (zh) | 获得血糖检测结果的方法、装置及设备 | |
Chen et al. | Machine learning method for continuous noninvasive blood pressure detection based on random forest | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
WO2022095331A1 (zh) | 压力评估方法、装置、计算机设备和存储介质 | |
CN103093112B (zh) | 预警装置 | |
CN114530250B (zh) | 基于数据增强的可穿戴血糖检测方法、系统及存储介质 | |
Zhou et al. | Analysis of health changes and the association of health indicators in the elderly using TCM pulse diagnosis assisted with ICT devices: a time series study | |
CN112336379A (zh) | 一种骨质疏松症数据收集与分析平台 | |
Yamanaka et al. | Calibration-free cuffless blood pressure estimation based on a population with a diverse range of age and blood pressure | |
CN114903475A (zh) | 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 | |
CN112967802A (zh) | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 | |
WO2020133497A1 (zh) | 院内病人恢复状态的评估方法、装置、系统及存储介质 | |
CN206080503U (zh) | 智能健康一体机 | |
Roomkham | The potential of personal devices in large-scale sleep studies | |
Oliver et al. | Introducing the BlendedICU dataset, the first harmonized, international intensive care dataset | |
CN106994020A (zh) | 一种基于古琴的焦虑症综合诊疗平台 | |
Xing et al. | A hybrid sleep staging model based on heart rate variability | |
Liu et al. | Intelligent assessment and prediction system for somatic fitness and healthcare using machine learning | |
CN113066589B (zh) | 采集数据分析方法、装置、电子设备以及存储介质 | |
Zhang et al. | Exercise and Rehabilitation of Chronically Ill Patients Assisted by Small Digital Bio‐Pulse Sensors |
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 |