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 PDF

Info

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
Application number
CN202210432606.7A
Other languages
English (en)
Other versions
CN114530250B (zh
Inventor
马思琪
刘庆
陈燚瀚
韦怡婷
林潇
凌永权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210432606.7A priority Critical patent/CN114530250B/zh
Publication of CN114530250A publication Critical patent/CN114530250A/zh
Application granted granted Critical
Publication of CN114530250B publication Critical patent/CN114530250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于数据增强的可穿戴血糖检测方法、系统及存储介质
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；
获取用户在
Figure 34223DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵 和血糖值数据作为
Figure 898274DEST_PATH_IMAGE001
时刻的训练样本
Figure 915908DEST_PATH_IMAGE002
；
根据
Figure 472792DEST_PATH_IMAGE001
时刻的训练样本
Figure 943087DEST_PATH_IMAGE002
及
Figure 345250DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 981505DEST_PATH_IMAGE001
时刻的模型记忆
Figure 974869DEST_PATH_IMAGE004
，根据 所述模型记忆
Figure 932461DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 138314DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 130541DEST_PATH_IMAGE005
。
本方案中，所述血糖预测模型中
Figure 763647DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 474114DEST_PATH_IMAGE005
的计算公式，具体为：
Figure 483659DEST_PATH_IMAGE006
Figure 834787DEST_PATH_IMAGE007
其中，
Figure 904374DEST_PATH_IMAGE004
、
Figure 836558DEST_PATH_IMAGE008
分别表示
Figure 649793DEST_PATH_IMAGE001
时刻及
Figure 616612DEST_PATH_IMAGE003
时刻的模型记忆，
Figure 325942DEST_PATH_IMAGE002
表示在
Figure 11001DEST_PATH_IMAGE001
时刻训练样 本的输入，
Figure 595304DEST_PATH_IMAGE009
、
Figure 416629DEST_PATH_IMAGE010
表示激活函数，
Figure 562440DEST_PATH_IMAGE009
为
Figure 469216DEST_PATH_IMAGE011
函数，
Figure 624254DEST_PATH_IMAGE010
为
Figure 34507DEST_PATH_IMAGE012
函数，
Figure 616798DEST_PATH_IMAGE013
表示输入的权重，
Figure 509405DEST_PATH_IMAGE014
表示此刻输入的样本的权重，
Figure 202555DEST_PATH_IMAGE015
表示输出的样本权重。
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；
获取用户在
Figure 998472DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵 和血糖值数据作为
Figure 751665DEST_PATH_IMAGE001
时刻的训练样本
Figure 367454DEST_PATH_IMAGE002
；
根据
Figure 864294DEST_PATH_IMAGE001
时刻的训练样本
Figure 514718DEST_PATH_IMAGE002
及
Figure 173233DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 40433DEST_PATH_IMAGE001
时刻的模型记忆
Figure 75385DEST_PATH_IMAGE004
，根据 所述模型记忆
Figure 580315DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 675310DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 265692DEST_PATH_IMAGE005
。
本方案中，所述血糖预测模型中
Figure 104335DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 729351DEST_PATH_IMAGE005
的计算公式，具体为：
Figure 995247DEST_PATH_IMAGE006
Figure 565600DEST_PATH_IMAGE016
其中，
Figure 942355DEST_PATH_IMAGE004
、
Figure 421878DEST_PATH_IMAGE008
分别表示
Figure 858676DEST_PATH_IMAGE001
时刻及
Figure 423649DEST_PATH_IMAGE003
时刻的模型记忆，
Figure 604095DEST_PATH_IMAGE002
表示在
Figure 203703DEST_PATH_IMAGE001
时刻训练样 本的输入，
Figure 811402DEST_PATH_IMAGE009
、
Figure 96628DEST_PATH_IMAGE010
表示激活函数，
Figure 80764DEST_PATH_IMAGE009
为
Figure 534879DEST_PATH_IMAGE011
函数，
Figure 47900DEST_PATH_IMAGE010
为
Figure 587466DEST_PATH_IMAGE012
函数，
Figure 844135DEST_PATH_IMAGE013
表示输入的权重，
Figure 152757DEST_PATH_IMAGE014
表示此刻输入的样本的权重，
Figure 335214DEST_PATH_IMAGE015
表示输出的样本权重。
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
获取用户在
Figure 362076DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵 和血糖值数据作为
Figure 422436DEST_PATH_IMAGE001
时刻的训练样本
Figure 851143DEST_PATH_IMAGE002
；
根据
Figure 971546DEST_PATH_IMAGE001
时刻的训练样本
Figure 220125DEST_PATH_IMAGE002
及
Figure 84175DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 367389DEST_PATH_IMAGE001
时刻的模型记忆
Figure 891649DEST_PATH_IMAGE017
，也就 是在
Figure 627524DEST_PATH_IMAGE001
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
Figure 295266DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 432986DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 895191DEST_PATH_IMAGE005
。
需要说明的是，所述血糖预测模型中
Figure 118362DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 589795DEST_PATH_IMAGE005
的计算公式，具体为：
在
Figure 820837DEST_PATH_IMAGE018
时刻，一般初始化输入
Figure 453944DEST_PATH_IMAGE019
,随机初始化
Figure 164411DEST_PATH_IMAGE020
，这里的
Figure 439534DEST_PATH_IMAGE020
在每个时刻都是相等的，进行下面的公式计算
Figure 20688DEST_PATH_IMAGE006
Figure 355855DEST_PATH_IMAGE016
其中，
Figure 22459DEST_PATH_IMAGE004
、
Figure 835695DEST_PATH_IMAGE008
分别表示
Figure 35469DEST_PATH_IMAGE001
时刻及
Figure 275958DEST_PATH_IMAGE003
时刻的模型记忆，
Figure 695438DEST_PATH_IMAGE002
表示在
Figure 46785DEST_PATH_IMAGE001
时刻训练样 本的输入，
Figure 868110DEST_PATH_IMAGE009
、
Figure 279500DEST_PATH_IMAGE010
表示激活函数，
Figure 186276DEST_PATH_IMAGE009
为
Figure 341314DEST_PATH_IMAGE011
函数，
Figure 250102DEST_PATH_IMAGE010
为
Figure 832393DEST_PATH_IMAGE012
函数，
Figure 226465DEST_PATH_IMAGE013
表示输入的权重，
Figure 919615DEST_PATH_IMAGE014
表示此刻输入的样本的权重，
Figure 715532DEST_PATH_IMAGE015
表示输出的样本权重。
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
获取用户在
Figure 203146DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵 和血糖值数据作为
Figure 84514DEST_PATH_IMAGE001
时刻的训练样本
Figure 79890DEST_PATH_IMAGE002
；
根据
Figure 730314DEST_PATH_IMAGE001
时刻的训练样本
Figure 654407DEST_PATH_IMAGE002
及
Figure 757493DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 792445DEST_PATH_IMAGE001
时刻的模型记忆
Figure 562955DEST_PATH_IMAGE017
，也就 是在
Figure 657950DEST_PATH_IMAGE001
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
Figure 248331DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 603087DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 228104DEST_PATH_IMAGE005
。
需要说明的是，所述血糖预测模型中
Figure 494000DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 571677DEST_PATH_IMAGE005
的计算公式，具体为：
在
Figure 948432DEST_PATH_IMAGE018
时刻，一般初始化输入
Figure 427955DEST_PATH_IMAGE019
,随机初始化
Figure 599173DEST_PATH_IMAGE020
，这里的
Figure 164147DEST_PATH_IMAGE020
在每个时刻都是相等的，进行下面的公式计算
Figure 843127DEST_PATH_IMAGE006
Figure 177157DEST_PATH_IMAGE016
其中，
Figure 784856DEST_PATH_IMAGE004
、
Figure 837125DEST_PATH_IMAGE008
分别表示
Figure 821262DEST_PATH_IMAGE001
时刻及
Figure 9798DEST_PATH_IMAGE003
时刻的模型记忆，
Figure 788398DEST_PATH_IMAGE002
表示在
Figure 327964DEST_PATH_IMAGE001
时刻训练样 本的输入，
Figure 348747DEST_PATH_IMAGE009
、
Figure 657369DEST_PATH_IMAGE010
表示激活函数，
Figure 810132DEST_PATH_IMAGE009
为
Figure 836994DEST_PATH_IMAGE011
函数，
Figure 897354DEST_PATH_IMAGE010
为
Figure 60482DEST_PATH_IMAGE012
函数，
Figure 944999DEST_PATH_IMAGE013
表示输入的权重，
Figure 193578DEST_PATH_IMAGE014
表示此刻输入的样本的权重，
Figure 57629DEST_PATH_IMAGE015
表示输出的样本权重。
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。
3.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，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；
获取用户在
Figure 767785DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵和血 糖值数据作为
Figure 285354DEST_PATH_IMAGE001
时刻的训练样本
Figure 496762DEST_PATH_IMAGE002
；
根据
Figure 62872DEST_PATH_IMAGE001
时刻的训练样本
Figure 161278DEST_PATH_IMAGE002
及
Figure 787432DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 722021DEST_PATH_IMAGE001
时刻的模型记忆
Figure 91822DEST_PATH_IMAGE004
，根据所述 模型记忆
Figure 310314DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 107369DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 30719DEST_PATH_IMAGE005
。
4.根据权利要求3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，所述 血糖预测模型中
Figure 938632DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 11630DEST_PATH_IMAGE005
的计算公式，具体为：
Figure 979586DEST_PATH_IMAGE006
Figure 888768DEST_PATH_IMAGE007
其中，
Figure 662688DEST_PATH_IMAGE004
、
Figure 793456DEST_PATH_IMAGE008
分别表示
Figure 243897DEST_PATH_IMAGE001
时刻及
Figure 561746DEST_PATH_IMAGE003
时刻的模型记忆，
Figure 139358DEST_PATH_IMAGE002
表示在
Figure 124632DEST_PATH_IMAGE001
时刻训练样本的 输入，
Figure 247440DEST_PATH_IMAGE009
、
Figure 52584DEST_PATH_IMAGE010
表示激活函数，
Figure 168308DEST_PATH_IMAGE009
为
Figure 8088DEST_PATH_IMAGE011
函数，
Figure 803262DEST_PATH_IMAGE010
为
Figure 423599DEST_PATH_IMAGE012
函数，
Figure 15118DEST_PATH_IMAGE013
表示输入的权重，
Figure 788033DEST_PATH_IMAGE014
表 示此刻输入的样本的权重，
Figure 439594DEST_PATH_IMAGE015
表示输出的样本权重。
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。
7.根据权利要求6所述的一种基于数据增强的可穿戴血糖检测系统，其特征在于，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；
获取用户在
Figure 281648DEST_PATH_IMAGE001
时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵和血 糖值数据作为
Figure 676857DEST_PATH_IMAGE001
时刻的训练样本
Figure 802814DEST_PATH_IMAGE002
；
根据
Figure 625276DEST_PATH_IMAGE001
时刻的训练样本
Figure 954627DEST_PATH_IMAGE002
及
Figure 153527DEST_PATH_IMAGE003
时刻的模型记忆生成
Figure 635455DEST_PATH_IMAGE001
时刻的模型记忆
Figure 628819DEST_PATH_IMAGE004
，根据所述 模型记忆
Figure 445465DEST_PATH_IMAGE004
得到血糖预测模型在
Figure 448056DEST_PATH_IMAGE001
时刻的血糖预测值
Figure 285955DEST_PATH_IMAGE005
。
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。
CN202210432606.7A 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 Active CN114530250B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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