CN114869276A - 一种无创血红蛋白浓度检测方法及系统 - Google Patents
一种无创血红蛋白浓度检测方法及系统 Download PDFInfo
- Publication number
- CN114869276A CN114869276A CN202210485493.7A CN202210485493A CN114869276A CN 114869276 A CN114869276 A CN 114869276A CN 202210485493 A CN202210485493 A CN 202210485493A CN 114869276 A CN114869276 A CN 114869276A
- Authority
- CN
- China
- Prior art keywords
- hemoglobin concentration
- feature extraction
- model
- signals
- regressor
- 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.)
- Withdrawn
Links
- 108010054147 Hemoglobins Proteins 0.000 title claims abstract description 145
- 102000001554 Hemoglobins Human genes 0.000 title claims abstract description 145
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 61
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 108010061951 Methemoglobin Proteins 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000032258 transport Effects 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
- A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种无创血红蛋白浓度检测方法及系统,涉及无创检测技术领域。所述无创血红蛋白浓度检测方法包括:采集目标使用者的光电容积脉搏波描记信号;对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取;根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。本发明通过多特征提取方法和多次回归预测,提高了模型的拟合效果和泛化能力,解决了既有无创检测技术中连续、实时检测时检测结果的准确度不高的问题。
Description
技术领域
本发明涉及无创检测技术领域,特别是涉及一种无创血红蛋白浓度检测方法及系统。
背景技术
血红蛋白是红细胞内运输氧气的特殊蛋白质,是人体血液的重要组成成分。正常情况下,人体的血红蛋白浓度应当在一定范围内,当人体出现一些疾病时,血红蛋白浓度将高于或低于正常范围,因此,血红蛋白浓度可反映出人体的健康状况。
目前,检测血红蛋白浓度的方法可分为有创检测和无创检测两种。有创血红蛋白浓度检测方法包括氰化高铁血红蛋白检测法和即时检验法,都需要先对受测者进行取血采样,再通过血细胞分析仪进行分析得到血红蛋白浓度值。虽然此类检测方法所得结果的准确度较高,但存在一些不足:检测时间无法达到连续、实时效果,不能做到对重症患者的情况及时了解;容易引发伤口感染,还可能使受测者产生内心恐惧。而无创血红蛋白浓度检测方法不再需要取血采样这一过程,而是直接将受测者的手指放在仪器上,便能实时的获得其血红蛋白的浓度指标。此类方法可以较好的解决有创血红蛋白浓度检测方法存在的不足,可实现对人体的血红蛋白浓度的连续、实时的检测。
随着技术的不断发展与完善,数值处理以及预测模型的建模成为近期的研究热点,支持向量回归、反向传播人工神经网络、径向基人工神经元网络、基于B样条函数的回归、极限学习机等方法均被用来尝试构建无创血红蛋白检测模型,虽然大部分方法可以获得更快的训练速度、更高的精度,但是都由于容易过拟合、泛化能力弱等问题而导致检测准确度不高,阻碍了无创血红蛋白检测技术在实际中的应用。因此现有的大部分无创血红蛋白浓度检测方法的准确性仍存在较大的改进空间,需要一种提高血红蛋白浓度检测能力的无创血红蛋白浓度检测方法及系统。
发明内容
本发明的目的是提供一种无创血红蛋白浓度检测方法及系统,能够显著提升提高血红蛋白浓度连续、实时检测的准确度。
为实现上述目的,本发明提供了如下方案:
一种无创血红蛋白浓度检测方法,包括:
采集目标使用者的光电容积脉搏波描记信号;
对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取;
根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
可选地,所述采集目标使用者的光电容积脉搏波描记信号,具体包括:
获取反射信号;所述反射信号为采用多路不同波长的光源对所述目标使用者的检测区域进行照射,后经所述目标使用者的检测区域对所述光源进行反射的信号;
对所述反射信号依次进行放大处理、滤波处理和模数转化处理,得到光电容积脉搏波描记信号。
可选地,所述对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息,具体包括:
对所述光电容积脉搏波描记信号依次进行滤除处理及自相关运算,得到多路处理信号;
对多路所述处理信号进行手动特征提取,得到手动特征信息;
对多路所述处理信号进行自动特征提取,得到自动特征信息;
采用贝叶斯的数据关联算法对所述手动特征信息和所述自动特征信息进行数据融合,得到血红蛋白浓度特征信息。
可选地,所述对所述光电容积脉搏波描记信号依次进行滤除处理及自相关运算,得到多路处理信号,具体包括:
对所述光电容积脉搏波描记信号依次进行高频噪声滤除、运动伪迹滤除和基线漂移滤除,得到多路滤除信号;
对多路所述滤除信号进行自相关运算,得到多个自相关系数;
将小于设定阈值的自相关系数对应的滤除信号剔除,得到多路处理信号。
可选地,所述对多路所述处理信号进行手动特征提取,得到手动特征信息,具体包括:
根据多路所述处理信号和比尔-朗伯特定律建立血红蛋白浓度检测方程;
根据所述血红蛋白浓度检测方程确定血红蛋白浓度与所述处理信号之间的特征映射关系,并基于所述特征映射关系确定手动特征信息。
可选地,所述对多路所述处理信号进行自动特征提取,得到自动特征信息,具体包括:
获取第一训练数据;所述第一训练数据包括已使用者的光电容积脉搏波描记信号和对应的血红蛋白浓度;
构建卷积神经网络模型;
将所述第一训练数据输入所述卷积神经网络模型,根据第一设定迭代次数对所述卷积神经网络模型进行训练,将训练好的神经网络模型确定为自动特征提取模型;
将多路所述处理信号输入所述自动特征提取模型,得到自动特征信息。
可选地,所述根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度,具体包括:
将所述目标使用者的血红蛋白浓度特征信息输入所述血红蛋白浓度预测模型的第一层回归器,所述第一层回归器输出初步预测结果;
将所述初步预测结果输入所述血红蛋白浓度预测模型的第二层回归器,所述第二层回归器输出所述目标使用者的血红蛋白浓度。
可选地,所述第一层回归器的确定方法为:
获取第二训练数据;所述第二训练数据包括已使用者的血红蛋白浓度特征信息和对应的血红蛋白浓度;
构建多机器学习模型;
将所述第二训练数据输入所述多机器学习模型进行训练,将训练好的多机器学习模型确定为所述血红蛋白浓度预测模型中的第一层回归器。
可选地,所述第二层回归器的确定方法为:
获取第三训练数据;所述第三训练数据包括已使用者的初步预测结果和对应的血红蛋白浓度;
构建随机森林模型;
将所述第三训练数据输入所述随机森林模型进行训练,将训练好的随机森林模型确定为所述血红蛋白浓度预测模型中的第二层回归器。
本发明还提供了一种无创血红蛋白浓度检测系统,包括:
数据采集单元,用于采集目标使用者的光电容积脉搏波描记信号;
特征提取单元,用于对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取;
血红蛋白浓度预测单元,用于根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种无创血红蛋白浓度检测方法及系统,其中所述无创血红蛋白浓度检测方法通过对目标使用者的多路光电容积脉搏波描记信号进行特征提取,进而利用血红蛋白浓度预测模型得到相应的目标使用者的血红蛋白浓度,其中,特征提取包括手动特征提取和自动特征提取,实现了对光电容积脉搏波描记信号的多特征提取方法,血红蛋白浓度预测模型包括多层回归器,通过多层回归器实现了对目标使用者的光电容积脉搏波描记信号进行多次回归预测,最终可得到更加稳健的检测结果,提高了模型的拟合效果和泛化能力,该无创血红蛋白浓度检测方法解决了既有无创检测技术中连续、实时检测时检测结果的准确度不高的问题。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明无创血红蛋白浓度检测方法的流程示意图;
图2为本发明无创血红蛋白浓度检测方法的逻辑流程图;
图3为本发明卷积神经网络模型的结构示意图;
图4为本发明无创血红蛋白浓度检测系统的结构示意图。
符号说明:
1-数据采集单元;2-特征提取单元;3-血红蛋白浓度预测单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种无创血红蛋白浓度检测方法及系统,通过手动特征提取、自动特征提取和多层回归器的血红蛋白浓度预测模型,能够显著提升提高血红蛋白浓度连续、实时检测的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
对本实施例中的专业术语进行解释:
PPG,Photoplethymography的缩写,光电容积脉搏波描记法,具有精度较高、可实现性强、成本低等优点,是目前无创血红蛋白浓度值检测的主流方法。目前国际上两款产品:美国Masimo公司的Rainbow系列和以色列OrSense公司的NBM200均是基于该原理实现的,但是国内目前还未见相关产品。
Beer-Lambert方程,比尔-朗伯特定律,描述的是物质对光的吸收程度与物质的浓度、消光系数以及光在物质中传播的路径长度有关,本发明基于Beer-Lambert方程实现手动提取PPG信号的特征信息,通过推导多通道信号下的血红蛋白浓度检测方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,以该映射关系为指导,进行手动特征信息的提取。
Ada Boost是一种性能增强算法,具有较高的检测速率,且不易出现过适应现象。它通过在迭代修改的样本权重上拟合一组弱学习器,学习器的一组预测使用多数票进行组合,以获得最终预测。在平方误差和达到最小之前,权重的重新计算和重新预测将一直进行。但是该算法也存在一些缺点,如:在实现过程中为取得更高的检测精度需要较大的训练样本集,所需的计算量较大。
PCR,principle component regression的缩写,主成分回归最初是由肯德尔(Kendall,1957)提出的,用主成分分析法对回归模型中的多重共线性进行消除后,将主成分变量作为自变量进行回归分析,然后根据得分系数矩阵将原变量代回得到的新的模型。通过利用降维的思想,以主成分为自变量进行的回归分析,模型的计算量减轻。
PLSR,Partial least squares regression的缩写,偏最小二乘回归,是一种新型的多元统计方法,是在上世纪60年代由瑞典统计学家Herman Wold提出,它具有计算量小、简单稳健、无需剔除任何变量等优点,目前已经成功应用于医学、化学分析、物理化学等领域。偏最小二乘回归有效地解决了变量之间的多重相关性问题,且能够在样本容量小于变量个数的情况下进行回归建模。
SVR,support vector regression的缩写,支持向量回归,是支持向量机的对回归问题的一种运用,在解决非线性回归问题时有着极大的优势,。其核心是找到一个回归平面,让一个集合的所有数据到该平面的距离最近。
RF,Random Forests的缩写,随机森林,是一个包含多个决策树的分类器,其中每个决策树之间互不关联,并且其输出的类别是由个别树输出的类别的众数而定。随机森林具有不易发生过拟合的优点,不仅可以用来做分类,也可以做回归预测。
如图1-图2所示,本发明实施例提供的一种无创血红蛋白浓度检测方法,包括:
步骤100:采集目标使用者的光电容积脉搏波描记信号。
步骤200:对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取。
步骤300:根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
作为一种优选的实施方式,本发明实施例所述的步骤100具体包括:
第一步:获取反射信号;所述反射信号为采用多路不同波长的光源对所述目标使用者的检测区域进行照射,后经所述目标使用者的检测区域对所述光源进行反射的信号;所述多路不同波长的光源包括610nm,630nm,660nm,690nm,750nm,805nm,850nm和940nm八个波长。所述反射信号由光电探测器进行检测接收。
第二步:对所述反射信号依次进行放大处理、滤波处理和模数转化处理,得到光电容积脉搏波描记信号。
作为一种优选的实施方式,本发明实施例所述的步骤200具体包括:
第一步:对所述光电容积脉搏波描记信号依次进行滤除处理及自相关运算,得到多路处理信号,具体包括:
对所述光电容积脉搏波描记信号依次进行高频噪声滤除、运动伪迹滤除和基线漂移滤除,得到多路滤除信号。对多路所述滤除信号进行自相关运算,得到多个自相关系数。将小于设定阈值的自相关系数对应的滤除信号剔除,得到多路处理信号。在本实施例中,自相关系数用于对滤除信号的质量进行判断,并设置设定阈值为0.7。
第二步:对多路所述处理信号进行手动特征提取,得到手动特征信息,具体包括:
根据多路所述处理信号和比尔-朗伯特定律建立血红蛋白浓度检测方程;根据所述血红蛋白浓度检测方程确定血红蛋白浓度与所述处理信号之间的特征映射关系,并基于所述特征映射关系确定手动特征信息。
其中,多路所述处理信号包括训练集数据和测试集数据,且训练集数据与测试集数据之比为7:3。所述训练集数据包括第一训练数据、第二训练数据和第三训练数据。对所述测试集数据进行比尔-朗伯特定律运算,通过推导多通道信号下的血红蛋白浓度检测方程,建立血红蛋白浓度与所述处理信号之间的特征映射关系,并根据该映射关系进行特征信息提取,得到手动特征信息。
具体映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,RN,1,…RN,N-1)
其中,ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j为手动特征信息,N>i>1,N>j>1,N为历史多通道光电容积脉搏波描记信号数据的通道数。
手动特征信息Ri,j通过下式获得:
其中,ACλi和ACλi分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和ACλj分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度。
第三步:对多路所述处理信号进行自动特征提取,得到自动特征信息,具体包括:
获取第一训练数据;所述第一训练数据包括已使用者的光电容积脉搏波描记信号和对应的血红蛋白浓度。
构建卷积神经网络模型。
将所述第一训练数据输入所述卷积神经网络模型,根据第一设定迭代次数对所述卷积神经网络模型进行训练,将训练好的神经网络模型确定为自动特征提取模型;卷积神经网络模型包括1个输入层、2个卷积层、2个全连接层,如图3所示。所述第一设定迭代次数为500。
将多路所述处理信号(测试集数据)输入所述自动特征提取模型,得到自动特征信息。所述自动特征信息是由所述自动特征提取模型的最后一层输出的特征。
第四步:采用贝叶斯的数据关联算法对所述手动特征信息和所述自动特征信息进行数据融合,得到血红蛋白浓度特征信息。
作为一种优选的实施方式,本发明实施例所述的步骤300具体包括:
首先,将所述目标使用者的血红蛋白浓度特征信息输入所述血红蛋白浓度预测模型的第一层回归器,所述第一层回归器输出初步预测结果。
所述第一层回归器的确定方法为:
第一步:获取第二训练数据;所述第二训练数据包括已使用者的血红蛋白浓度特征信息和对应的血红蛋白浓度。
第二步:构建多机器学习模型;所述多机器学习模型包括Ada Boost模型、PCR模型、PLSR模型和SVR模型。
第三步:将所述第二训练数据输入所述多机器学习模型进行训练,将训练好的多机器学习模型确定为所述血红蛋白浓度预测模型中的第一层回归器,具体包括:
将所述已使用者的血红蛋白浓度特征信息分别输入到Ada Boost模型、PCR模型、PLSR模型和SVR模型中进行训练,当所述Ada Boost模型、PCR模型、PLSR模型和SVR模型的输出结果小于第一设定误差阈值或迭代次数大于第二设定迭代次数时,得到第一层回归器。
然后,将所述初步预测结果输入所述血红蛋白浓度预测模型的第二层回归器,所述第二层回归器输出所述目标使用者的血红蛋白浓度。此时的血红蛋白浓度输出结果为最终的预测结果,进而实现对血红蛋白浓度值进行无创检测。
所述第二层回归器的确定方法为:
第一步:获取第三训练数据;所述第三训练数据包括已使用者的初步预测结果和对应的血红蛋白浓度。
第二步:构建随机森林模型。在本实施例中,所述随即森林模型选用RF模型。
第三步:将所述第三训练数据输入所述随机森林模型进行训练,将训练好的随机森林模型确定为所述血红蛋白浓度预测模型中的第二层回归器,具体包括:
将所述已使用者的初步预测结果输入到RF模型中进行训练,当所述RF模型的输出结果小于第二设定误差阈值或迭代次数大于第三设定迭代次数时,得到第二层回归器。
本实施例不仅融合了自动特征信息和手动特征信息,实现特征信息的精准全覆盖提取,为后续模型训练提供精准全面的输入信息。而且还采用基于多机器学习算法集成的方法,通过多次回归预测最终可得到更加稳健的检测结果,提高了模型的拟合效果和泛化能力,从而提高了无创血红蛋白浓度值检测的准确率。
如图4所示,本发明实施例还提供了一种无创血红蛋白浓度检测系统,包括:数据采集单元1、特征提取单元2和血红蛋白浓度预测单元3。
所述数据采集单元1用于采集目标使用者的光电容积脉搏波描记信号。
所述特征提取单元2用于对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取。
所述血红蛋白浓度预测单元3用于根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种无创血红蛋白浓度检测方法,其特征在于,包括:
采集目标使用者的光电容积脉搏波描记信号;
对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取;
根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
2.根据权利要求1所述的无创血红蛋白浓度检测方法,其特征在于,所述采集目标使用者的光电容积脉搏波描记信号,具体包括:
获取反射信号;所述反射信号为采用多路不同波长的光源对所述目标使用者的检测区域进行照射,后经所述目标使用者的检测区域对所述光源进行反射的信号;
对所述反射信号依次进行放大处理、滤波处理和模数转化处理,得到光电容积脉搏波描记信号。
3.根据权利要求1所述的无创血红蛋白浓度检测方法,其特征在于,所述对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息,具体包括:
对所述光电容积脉搏波描记信号依次进行滤除处理及自相关运算,得到多路处理信号;
对多路所述处理信号进行手动特征提取,得到手动特征信息;
对多路所述处理信号进行自动特征提取,得到自动特征信息;
采用贝叶斯的数据关联算法对所述手动特征信息和所述自动特征信息进行数据融合,得到血红蛋白浓度特征信息。
4.根据权利要求3所述的无创血红蛋白浓度检测方法,其特征在于,所述对所述光电容积脉搏波描记信号依次进行滤除处理及自相关运算,得到多路处理信号,具体包括:
对所述光电容积脉搏波描记信号依次进行高频噪声滤除、运动伪迹滤除和基线漂移滤除,得到多路滤除信号;
对多路所述滤除信号进行自相关运算,得到多个自相关系数;
将小于设定阈值的自相关系数对应的滤除信号剔除,得到多路处理信号。
5.根据权利要求3所述的无创血红蛋白浓度检测方法,其特征在于,所述对多路所述处理信号进行手动特征提取,得到手动特征信息,具体包括:
根据多路所述处理信号和比尔-朗伯特定律建立血红蛋白浓度检测方程;
根据所述血红蛋白浓度检测方程确定血红蛋白浓度与所述处理信号之间的特征映射关系,并基于所述特征映射关系确定手动特征信息。
6.根据权利要求3所述的无创血红蛋白浓度检测方法,其特征在于,所述对多路所述处理信号进行自动特征提取,得到自动特征信息,具体包括:
获取第一训练数据;所述第一训练数据包括已使用者的光电容积脉搏波描记信号和对应的血红蛋白浓度;
构建卷积神经网络模型;
将所述第一训练数据输入所述卷积神经网络模型,根据第一设定迭代次数对所述卷积神经网络模型进行训练,将训练好的神经网络模型确定为自动特征提取模型;
将多路所述处理信号输入所述自动特征提取模型,得到自动特征信息。
7.根据权利要求1所述的无创血红蛋白浓度检测方法,其特征在于,所述根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度,具体包括:
将所述目标使用者的血红蛋白浓度特征信息输入所述血红蛋白浓度预测模型的第一层回归器,所述第一层回归器输出初步预测结果;
将所述初步预测结果输入所述血红蛋白浓度预测模型的第二层回归器,所述第二层回归器输出所述目标使用者的血红蛋白浓度。
8.根据权利要求7所述的无创血红蛋白浓度检测方法,其特征在于,所述第一层回归器的确定方法为:
获取第二训练数据;所述第二训练数据包括已使用者的血红蛋白浓度特征信息和对应的血红蛋白浓度;
构建多机器学习模型;
将所述第二训练数据输入所述多机器学习模型进行训练,将训练好的多机器学习模型确定为所述血红蛋白浓度预测模型中的第一层回归器。
9.根据权利要求7所述的无创血红蛋白浓度检测方法,其特征在于,所述第二层回归器的确定方法为:
获取第三训练数据;所述第三训练数据包括已使用者的初步预测结果和对应的血红蛋白浓度;
构建随机森林模型;
将所述第三训练数据输入所述随机森林模型进行训练,将训练好的随机森林模型确定为所述血红蛋白浓度预测模型中的第二层回归器。
10.一种无创血红蛋白浓度检测系统,其特征在于,包括:
数据采集单元,用于采集目标使用者的光电容积脉搏波描记信号;
特征提取单元,用于对所述光电容积脉搏波描记信号进行特征提取,得到血红蛋白浓度特征信息;所述特征提取包括手动特征提取和自动特征提取;
血红蛋白浓度预测单元,用于根据所述血红蛋白浓度特征信息和血红蛋白浓度预测模型,得到所述目标使用者的血红蛋白浓度;所述血红蛋白浓度预测模型包括多层回归器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210485493.7A CN114869276A (zh) | 2022-05-06 | 2022-05-06 | 一种无创血红蛋白浓度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210485493.7A CN114869276A (zh) | 2022-05-06 | 2022-05-06 | 一种无创血红蛋白浓度检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114869276A true CN114869276A (zh) | 2022-08-09 |
Family
ID=82673423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210485493.7A Withdrawn CN114869276A (zh) | 2022-05-06 | 2022-05-06 | 一种无创血红蛋白浓度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114869276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
-
2022
- 2022-05-06 CN CN202210485493.7A patent/CN114869276A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
CN115944293B (zh) * | 2023-03-15 | 2023-05-16 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guazzi et al. | Non-contact measurement of oxygen saturation with an RGB camera | |
CN104224197B (zh) | 双波长光电容积脉搏波特征量的动脉血氧饱和度计算方法 | |
Acharya et al. | Non-invasive estimation of hemoglobin using a multi-model stacking regressor | |
US5692503A (en) | Method for noninvasive (in-vivo) total hemoglobin, oxyhemogolobin, deoxyhemoglobin, carboxyhemoglobin and methemoglobin concentration determination | |
CN104224196B (zh) | 无创测量血液成分浓度的方法 | |
US20050240090A1 (en) | Method of processing noninvasive spectra | |
CN106264554B (zh) | 一种基于可见光的血氧饱和度检测方法及系统 | |
Parab et al. | Backpropagation neural network-based machine learning model for prediction of blood urea and glucose in CKD patients | |
CN109497977A (zh) | 人体心率和血氧饱和度检测方法和装置 | |
JP2012508050A (ja) | グルコースレベルの非観血的測定方法およびシステム | |
CN107908928A (zh) | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 | |
WO2013095861A1 (en) | Method, arrangement, sensor, and computer program product for non-invasively measuring hemoglobin concentrations in blood | |
CN114869276A (zh) | 一种无创血红蛋白浓度检测方法及系统 | |
CN100589758C (zh) | 交流分量的测量方法及测量装置 | |
Azarnoosh et al. | Assessment of photoplethysmography method in extraction of hemoglobin concentration | |
Chugh et al. | Non-invasive hemoglobin monitoring device | |
CN111466869A (zh) | 一种近红外光无创测量人眼房水组分浓度的方法及系统 | |
Huong et al. | Noninvasive diagnosis of carbon monoxide poisoning using Extended Modified Lambert Beer Model | |
US9579052B2 (en) | Temporal oximeter | |
CN114081483A (zh) | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 | |
CN113642643A (zh) | 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 | |
Ontiveros et al. | Evaluating RGB channels in remote photoplethysmography: a comparative study with contact-based PPG | |
Chen et al. | Noninvasive hemoglobin quantification across different cohorts using a wearable diffuse reflectance spectroscopy system | |
Awelisah et al. | Towards robust reduction of nonlinear errors in dynamic spectrum spectroscopy for effective noninvasive optical detection of blood components | |
CN116269391B (zh) | 一种心脑耦合分析评估方法及其系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220809 |