CN116188946A - 一种基于神经网络的血糖浓度预测系统 - Google Patents

一种基于神经网络的血糖浓度预测系统 Download PDF

Info

Publication number
CN116188946A
CN116188946A CN202310444019.4A CN202310444019A CN116188946A CN 116188946 A CN116188946 A CN 116188946A CN 202310444019 A CN202310444019 A CN 202310444019A CN 116188946 A CN116188946 A CN 116188946A
Authority
CN
China
Prior art keywords
blood glucose
glucose concentration
layer
training
output
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
CN202310444019.4A
Other languages
English (en)
Other versions
CN116188946B (zh
Inventor
戢艳丽
徐兰
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.)
JIANYANG CITY PEOPLE'S HOSPITAL
Original Assignee
JIANYANG CITY PEOPLE'S HOSPITAL
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 JIANYANG CITY PEOPLE'S HOSPITAL filed Critical JIANYANG CITY PEOPLE'S HOSPITAL
Priority to CN202310444019.4A priority Critical patent/CN116188946B/zh
Publication of CN116188946A publication Critical patent/CN116188946A/zh
Application granted granted Critical
Publication of CN116188946B publication Critical patent/CN116188946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or 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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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 or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or 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
    • A61B5/7271—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Emergency Medicine (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种基于神经网络的血糖浓度预测系统，本发明在采用高光谱成像技术的过程中，先找到对血糖敏感的光谱波段，即该波段对不同血糖浓度的血液在成像时像素值存在较大变化，无需将高光谱图像中所有的光谱波段均进行特征提取，本发明通过寻找敏感光谱波段一方面能降低数据量，另一方面排除其他光谱波段的干扰，准确的进行血糖浓度预测，提高了预测精度。

Description

一种基于神经网络的血糖浓度预测系统
技术领域
本发明涉及血糖浓度预测技术领域，具体而言，涉及一种基于神经网络的血糖浓度预测系统。
背景技术
糖尿病是一种以高血糖为特征的代谢性疾病。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。在初期时，糖尿病没有其他明显症状，在不检测血糖浓度的情况下，患者无法获知血糖情况。现有可以通过指尖采血，得到血液样本后，进行血糖浓度检测，但是这种检测方式需要破坏人体皮肤，且实验过程较长，不便于日常使用。
因此，现有为了不破坏皮肤采用高光谱成像技术对血糖浓度检测，通过采集高光谱图像，通过图像处理的方式提取图像特征，通过神经网络对血糖浓度进行预测。但由于大多数光谱波段被皮肤或者肌肉吸收或反射，而仅小部分光谱波段被血糖吸收或反射，因此，采用高光谱成像技术对血糖浓度检测存在检测精度低的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于神经网络的血糖浓度预测系统解决了采用高光谱成像技术对血糖浓度检测存在检测精度低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于神经网络的血糖浓度预测系统，包括：敏感光谱波段提取子系统、图像采集子系统、训练集构建子系统、模型训练子系统和血糖浓度预测子系统；
所述敏感光谱波段提取子系统用于找到对血糖敏感的光谱波段，得到敏感光谱波段；
所述图像采集子系统用于采用高光谱成像设备采集人体的高光谱图像；
所述训练集构建子系统用于提取高光谱图像的敏感光谱波段的像素值序列，并标注血糖浓度，构建为训练集；
所述模型训练子系统用于将训练集用于训练血糖浓度预测模型；
所述血糖浓度预测子系统用于采用训练后的血糖浓度预测模型对待测敏感光谱波段的像素值序列进行预测，得到血糖浓度。
进一步地，所述敏感光谱波段提取子系统包括：样本准备单元、成像单元、像素值序列提取单元、光谱特征值提取单元、特征差值计算单元和敏感光谱波段筛选单元；
所述样本准备单元用于准备不同血糖浓度等级的多个血液样本；
所述成像单元用于采用高光谱成像设备对多个血液样本进行成像，得到多个高光谱实验图像；
所述像素值序列提取单元用于提取高光谱实验图像中每个光谱波段对应的像素值序列；
所述光谱特征值提取单元用于根据像素值序列，提取每个光谱波段的光谱特征值；
所述特征差值计算单元用于计算相邻血糖浓度等级的血液样本对应的高光谱实验图像之间同一光谱波段的光谱特征值的绝对差值，得到多个特征差值；
所述敏感光谱波段筛选单元用于筛选出同一光谱波段的特征差值均大于差值阈值的光谱波段，得到敏感光谱波段。
上述进一步地方案的有益效果为：通过准备不同血糖浓度等级的血液样本，在采用高光谱成像设备进行成像时，得到多个高光谱实验图像，通过提取每个光谱波段对应的像素值序列的光谱特征值，一方面降低比对时的数据量，另一方面光谱特征值可以直接表征该像素值序列的变化情况，比对相邻血糖浓度等级对应的同一光谱波段的光谱特征值的绝对差值，即比较在不同血糖浓度等级时，光谱波段的光谱特征值是否存在明显变化，若在所有不同血糖浓度等级下，光谱波段的光谱特征值都存在明显变化，则该光谱波段为敏感光谱波段。
进一步地，所述提取每个光谱波段的光谱特征值的公式为：
Figure SMS_1
其中，
Figure SMS_2
为第
Figure SMS_3
个光谱波段的光谱特征值，
Figure SMS_4
为第
Figure SMS_5
个光谱波段对应的像素值序列中的第
Figure SMS_6
个像素值，
Figure SMS_7
为像素值序列中像素值的数量。
上述进一步地方案的有益效果为：由于在不同高光谱实验图像同一光谱波段的对比，因此，可以从像素值与平均像素值的差值的总和，以及像素值自身的大小去表征像素值序列中像素值的变化情况，将需要逐一比对不同光谱波段的像素值序列中像素值的变化变成只需对比光谱特征值的变化。
进一步地，所述血糖浓度预测模型包括：多个特征提取单元、连接单元Concat1和BP神经网络，所述多个特征提取单元具体包括：第一特征提取单元至第M特征提取单元；
所述每个特征提取单元的输入端用于输入一种敏感光谱波段的像素值序列，其输出端与连接单元Concat1的输入端连接；
所述BP神经网络的输入端与连接单元Concat1的输出端连接，其输出端作为血糖浓度预测模型的输出端。
上述进一步地方案的有益效果为：本发明中的血糖浓度预测模型仅输入高光谱图像的敏感光谱波段的像素值序列，将每一敏感光谱波段的像素值序列均采用一个特征提取单元进行提取，保障特征提取的一致性，再通过BP神经网络进行血糖浓度预测。
进一步地，所述特征提取单元包括：卷积层Conv1、卷积层Conv2、最大池化层Maxpooling、平均值池化层Mean pooling、连接单元Concat2和注意力模块；
所述卷积层Conv1的输入端分别与最大池化层Max pooling的输入端和平均值池化层Mean pooling的输入端连接，并作为特征提取单元的输入端；
所述连接单元Concat2的输入端分别与最大池化层Max pooling的输出端和平均值池化层Mean pooling的输出端连接，其输出端与注意力模块的输入端连接；
所述卷积层Conv2的输入端与卷积层Conv1的输出端连接，其输出端与注意力模块的输入端连接；
所述注意力模块的输出端作为特征提取单元的输出端。
进一步地，所述注意力模块的表达式为：
Figure SMS_8
其中，
Figure SMS_9
为注意力模块的输出，
Figure SMS_10
为卷积层Conv2的输出，
Figure SMS_11
为激活函数，
Figure SMS_12
为卷积运算，
Figure SMS_13
为最大池化层Max pooling的输出，
Figure SMS_14
为平均值池化层Mean pooling的输出，
Figure SMS_15
为连接单元Concat2的连接操作。
上述进一步地方案的有益效果为：在特征提取单元中分成三路提取特征，第一路通过卷积层Conv1和卷积层Conv2提取特征，第二路通过最大池化层Max pooling提取全局最大值特征，第三路通过平均值池化层Mean pooling进行提取全局平均值特征，在连接单元Concat2处合并全局最大值特征和全局平均值特征，通过注意力模块对卷积层Conv1和卷积层Conv2提取的特征进行通道信息调整，表明最大池化层Max pooling和平均值池化层Mean pooling学习到的特征加权到卷积层Conv1和卷积层Conv2提取的特征上，实现特征通道权重的动态调整。
进一步地，所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；所述输入层的输入端作为BP神经网络的输入端，其输出端与第一隐藏层的输入端连接；所述第一隐藏层的输出端与第二隐藏层的输入端连接；所述输出层的输入端与第二隐藏层的输出端连接，其输出端作为BP神经网络的输出端。
进一步地，所述BP神经网络的表达式为：
Figure SMS_16
其中，
Figure SMS_20
为BP神经网络的输出，
Figure SMS_21
为激活函数，
Figure SMS_26
为对数函数，
Figure SMS_19
为自然对数，
Figure SMS_24
为连接单元Concat1的输出，
Figure SMS_28
，
Figure SMS_31
为第一特征提取单元的输出，
Figure SMS_18
为第二特征提取单元的输出，
Figure SMS_22
为第M特征提取单元的输出，
Figure SMS_25
为第一隐藏层的偏置，
Figure SMS_30
为第二隐藏层的偏置，
Figure SMS_17
为输出层的偏置，
Figure SMS_23
为输入层到第一隐藏层的权重，
Figure SMS_27
为第一隐藏层到第二隐藏层的权重，
Figure SMS_29
为第二隐藏层到输出层的权重。
进一步地，所述模型训练子系统用于将训练集用于训练血糖浓度预测模型包括：将训练集中血糖浓度作为训练过程中血糖浓度预测模型应当输出的目标量；将训练集中敏感光谱波段的像素值序列作为训练过程血糖浓度预测模型的输入，得到血糖浓度预测模型的实际输出；根据血糖浓度预测模型的实际输出和目标量，计算损失函数的损失量；根据损失函数的损失量，更新血糖浓度预测模型的权重和偏置，直到损失量低于损失阈值。
进一步地，所述损失函数的公式为：
Figure SMS_32
其中，
Figure SMS_34
为第
Figure SMS_37
次训练的损失量，
Figure SMS_40
为第
Figure SMS_33
次训练时血糖浓度预测模型的实际输出，
Figure SMS_36
为第
Figure SMS_39
次训练对应的目标量，
Figure SMS_42
为第
Figure SMS_35
次训练时血糖浓度预测模型的实际输出，
Figure SMS_38
为第
Figure SMS_41
次训练对应的目标量，
Figure SMS_43
为归一化系数。
上述进一步地方案的有益效果为：本发明同时取当前次训练的差量和前一次训练的差量，在当前次训练的差量较大时，重点考虑当前次训练的差量的占比，在当前次训练的差量较小时，重点考虑前一次训练的差量，综合两次训练的情况对下一次的训练进行调整，保障训练精度和效率。
进一步地，所述权重和偏置的更新公式为：
Figure SMS_44
Figure SMS_45
其中，
Figure SMS_56
为第
Figure SMS_48
次训练时更新的权重，
Figure SMS_53
为第
Figure SMS_57
次训练时更新的权重，
Figure SMS_62
为第
Figure SMS_59
次训练时更新的权重，
Figure SMS_61
为第
Figure SMS_55
次训练时得到的损失函数，
Figure SMS_60
为最大损失量，
Figure SMS_46
为第
Figure SMS_52
次训练的损失量，
Figure SMS_49
为第
Figure SMS_50
次训练时更新的偏置，
Figure SMS_54
为第
Figure SMS_58
次训练时更新的偏置，
Figure SMS_47
为第
Figure SMS_51
次训练时更新的偏置。
上述进一步地方案的有益效果为：在前期，损失量
Figure SMS_63
较大和
Figure SMS_64
较小，导致本发明的权重和偏置能快速下降，在后期损失量
Figure SMS_65
较小，
Figure SMS_66
较大，下降速度放缓，并且在下降过程中，加入权重变化量和偏置变化量防止权重和偏置过度下降。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明在采用高光谱成像技术的过程中，先找到对血糖敏感的光谱波段，即该波段对不同血糖浓度的血液在成像时像素值存在较大变化，无需将高光谱图像中所有的光谱波段均进行特征提取，本发明通过寻找敏感光谱波段一方面能降低数据量，另一方面排除其他光谱波段的干扰，准确的进行血糖浓度预测，提高了预测精度。
附图说明
图1为一种基于神经网络的血糖浓度预测系统的流程图；
图2为血糖浓度预测模型的结构示意图；
图3为特征提取单元的结构示意图；
图4为BP神经网络的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1，如图1所示，一种基于神经网络的血糖浓度预测系统，包括：敏感光谱波段提取子系统、图像采集子系统、训练集构建子系统、模型训练子系统和血糖浓度预测子系统；
所述敏感光谱波段提取子系统用于找到对血糖敏感的光谱波段，得到敏感光谱波段；
所述图像采集子系统用于采用高光谱成像设备采集人体的高光谱图像；
所述训练集构建子系统用于提取高光谱图像的敏感光谱波段的像素值序列，并标注血糖浓度，构建为训练集；
所述模型训练子系统用于将训练集用于训练血糖浓度预测模型；
所述血糖浓度预测子系统用于采用训练后的血糖浓度预测模型对待测敏感光谱波段的像素值序列进行预测，得到血糖浓度。
所述敏感光谱波段提取子系统包括：样本准备单元、成像单元、像素值序列提取单元、光谱特征值提取单元、特征差值计算单元和敏感光谱波段筛选单元；
所述样本准备单元用于准备不同血糖浓度等级的多个血液样本；
所述成像单元用于采用高光谱成像设备对多个血液样本进行成像，得到多个高光谱实验图像；
所述像素值序列提取单元用于提取高光谱实验图像中每个光谱波段对应的像素值序列；
所述光谱特征值提取单元用于根据像素值序列，提取每个光谱波段的光谱特征值；
所述特征差值计算单元用于计算相邻血糖浓度等级的血液样本对应的高光谱实验图像之间同一光谱波段的光谱特征值的绝对差值，得到多个特征差值；
所述敏感光谱波段筛选单元用于筛选出同一光谱波段的特征差值均大于差值阈值的光谱波段，得到敏感光谱波段。
所述提取每个光谱波段的光谱特征值的公式为：
Figure SMS_67
其中，
Figure SMS_68
为第
Figure SMS_69
个光谱波段的光谱特征值，
Figure SMS_70
为第
Figure SMS_71
个光谱波段对应的像素值序列中的第
Figure SMS_72
个像素值，
Figure SMS_73
为像素值序列中像素值的数量。
如图2所示，血糖浓度预测模型包括：多个特征提取单元、连接单元Concat1和BP神经网络，所述多个特征提取单元具体包括：第一特征提取单元至第M特征提取单元；
所述每个特征提取单元的输入端用于输入一种敏感光谱波段的像素值序列，其输出端与连接单元Concat1的输入端连接；
所述BP神经网络的输入端与连接单元Concat1的输出端连接，其输出端作为血糖浓度预测模型的输出端。
如图3所示，所述特征提取单元包括：卷积层Conv1、卷积层Conv2、最大池化层Maxpooling、平均值池化层Mean pooling、连接单元Concat2和注意力模块；
所述卷积层Conv1的输入端分别与最大池化层Max pooling的输入端和平均值池化层Mean pooling的输入端连接，并作为特征提取单元的输入端；
所述连接单元Concat2的输入端分别与最大池化层Max pooling的输出端和平均值池化层Mean pooling的输出端连接，其输出端与注意力模块的输入端连接；
所述卷积层Conv2的输入端与卷积层Conv1的输出端连接，其输出端与注意力模块的输入端连接；
所述注意力模块的输出端作为特征提取单元的输出端。
所述注意力模块的表达式为：
Figure SMS_74
其中，
Figure SMS_75
为注意力模块的输出，
Figure SMS_76
为卷积层Conv2的输出，
Figure SMS_77
为激活函数，
Figure SMS_78
为卷积运算，
Figure SMS_79
为最大池化层Max pooling的输出，
Figure SMS_80
为平均值池化层Mean pooling的输出，
Figure SMS_81
为连接单元Concat2的连接操作。
如图4所示，所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；所述输入层的输入端作为BP神经网络的输入端，其输出端与第一隐藏层的输入端连接；所述第一隐藏层的输出端与第二隐藏层的输入端连接；所述输出层的输入端与第二隐藏层的输出端连接，其输出端作为BP神经网络的输出端。
所述BP神经网络的表达式为：
Figure SMS_82
其中，
Figure SMS_84
为BP神经网络的输出，
Figure SMS_87
为激活函数，
Figure SMS_90
为对数函数，
Figure SMS_86
为自然对数，
Figure SMS_92
为连接单元Concat1的输出，
Figure SMS_95
，
Figure SMS_97
为第一特征提取单元的输出，
Figure SMS_85
为第二特征提取单元的输出，
Figure SMS_88
为第M特征提取单元的输出，
Figure SMS_91
为第一隐藏层的偏置，
Figure SMS_94
为第二隐藏层的偏置，
Figure SMS_83
为输出层的偏置，
Figure SMS_89
为输入层到第一隐藏层的权重，
Figure SMS_93
为第一隐藏层到第二隐藏层的权重，
Figure SMS_96
为第二隐藏层到输出层的权重。
所述模型训练子系统用于将训练集用于训练血糖浓度预测模型包括：将训练集中血糖浓度作为训练过程中血糖浓度预测模型应当输出的目标量；将训练集中敏感光谱波段的像素值序列作为训练过程血糖浓度预测模型的输入，得到血糖浓度预测模型的实际输出；根据血糖浓度预测模型的实际输出和目标量，计算损失函数的损失量；根据损失函数的损失量，更新血糖浓度预测模型的权重和偏置，直到损失量低于损失阈值。
损失函数的公式为：
Figure SMS_98
其中，
Figure SMS_100
为第
Figure SMS_103
次训练的损失量，
Figure SMS_106
为第
Figure SMS_101
次训练时血糖浓度预测模型的实际输出，
Figure SMS_102
为第
Figure SMS_105
次训练对应的目标量，
Figure SMS_108
为第
Figure SMS_99
次训练时血糖浓度预测模型的实际输出，
Figure SMS_104
为第
Figure SMS_107
次训练对应的目标量，
Figure SMS_109
为归一化系数；
所述权重和偏置的更新公式为：
Figure SMS_110
Figure SMS_111
其中，
Figure SMS_120
为第
Figure SMS_114
次训练时更新的权重，
Figure SMS_117
为第
Figure SMS_115
次训练时更新的权重，
Figure SMS_121
为第
Figure SMS_123
次训练时更新的权重，
Figure SMS_126
为第
Figure SMS_124
次训练时得到的损失函数，
Figure SMS_128
为最大损失量，
Figure SMS_113
为第
Figure SMS_118
次训练的损失量，
Figure SMS_119
为第
Figure SMS_122
次训练时更新的偏置，
Figure SMS_125
为第
Figure SMS_127
次训练时更新的偏置，
Figure SMS_112
为第
Figure SMS_116
次训练时更新的偏置。
实施例2，一种基于神经网络的血糖浓度预测方法，包括以下步骤：
S1、找到对血糖敏感的光谱波段，得到敏感光谱波段；
所述S1包括以下分步骤：
S11、准备不同血糖浓度等级的多个血液样本；
S12、采用高光谱成像设备对多个血液样本进行成像，得到多个高光谱实验图像；
在本实施例中，同一血糖浓度等级的血液样本对应一张高光谱实验图像。
S13、提取高光谱实验图像中每个光谱波段对应的像素值序列；
S14、根据像素值序列，提取每个光谱波段的光谱特征值；
S15、计算相邻血糖浓度等级的血液样本对应的高光谱实验图像之间同一光谱波段的光谱特征值的绝对差值，得到多个特征差值；
例如：第一血糖浓度等级的血液样本对应的一张高光谱实验图像A，第二血糖浓度等级的血液样本对应的一张高光谱实验图像B，计算高光谱实验图像A和B中同一光谱波段的光谱特征值的差值，并取绝对值，得到一个特征差值。
S16、筛选出同一光谱波段的特征差值均大于差值阈值的光谱波段，得到敏感光谱波段。
本发明通过准备不同血糖浓度等级的血液样本，在采用高光谱成像设备进行成像时，得到多个高光谱实验图像，通过提取每个光谱波段对应的像素值序列的光谱特征值，一方面降低比对时的数据量，另一方面光谱特征值可以直接表征该像素值序列的变化情况，比对相邻血糖浓度等级对应的同一光谱波段的光谱特征值的绝对差值，即比较在不同血糖浓度等级时，光谱波段的光谱特征值是否存在明显变化，若在所有不同血糖浓度等级下，光谱波段的光谱特征值都存在明显变化，则该光谱波段为敏感光谱波段。
所述S14中提取每个光谱波段的光谱特征值的公式为：
Figure SMS_129
其中，
Figure SMS_130
为第
Figure SMS_131
个光谱波段的光谱特征值，
Figure SMS_132
为第
Figure SMS_133
个光谱波段对应的像素值序列中的第
Figure SMS_134
个像素值，
Figure SMS_135
为像素值序列中像素值的数量。
由于在不同高光谱实验图像同一光谱波段的对比，因此，可以从像素值与平均像素值的差值的总和，以及像素值自身的大小去表征像素值序列中像素值的变化情况，将需要逐一比对不同光谱波段的像素值序列中像素值的变化变成只需对比光谱特征值的变化。
S2、采用高光谱成像设备采集人体的高光谱图像；
S3、提取高光谱图像的敏感光谱波段的像素值序列，并标注血糖浓度，构建为训练集；
S4、将训练集用于训练血糖浓度预测模型；
如图2所示，所述S4中血糖浓度预测模型包括：多个特征提取单元、连接单元Concat1和BP神经网络，所述多个特征提取单元具体包括：第一特征提取单元至第M特征提取单元；
所述每个特征提取单元的输入端用于输入一种敏感光谱波段的像素值序列，其输出端与连接单元Concat1的输入端连接；
所述BP神经网络的输入端与连接单元Concat1的输出端连接，其输出端作为血糖浓度预测模型的输出端。
本发明中的血糖浓度预测模型仅输入高光谱图像的敏感光谱波段的像素值序列，将每一敏感光谱波段的像素值序列均采用一个特征提取单元进行提取，保障特征提取的一致性，再通过BP神经网络进行血糖浓度预测。
如图3所示，所述特征提取单元包括：卷积层Conv1、卷积层Conv2、最大池化层Maxpooling、平均值池化层Mean pooling、连接单元Concat2和注意力模块；
所述卷积层Conv1的输入端分别与最大池化层Max pooling的输入端和平均值池化层Mean pooling的输入端连接，并作为特征提取单元的输入端；
所述连接单元Concat2的输入端分别与最大池化层Max pooling的输出端和平均值池化层Mean pooling的输出端连接，其输出端与注意力模块的输入端连接；
所述卷积层Conv2的输入端与卷积层Conv1的输出端连接，其输出端与注意力模块的输入端连接；
所述注意力模块的输出端作为特征提取单元的输出端。
所述注意力模块的表达式为：
Figure SMS_136
其中，
Figure SMS_137
为注意力模块的输出，
Figure SMS_138
为卷积层Conv2的输出，
Figure SMS_139
为激活函数，
Figure SMS_140
为卷积运算，
Figure SMS_141
为最大池化层Max pooling的输出，
Figure SMS_142
为平均值池化层Mean pooling的输出，
Figure SMS_143
为连接单元Concat2的连接操作。
在特征提取单元中分成三路提取特征，第一路通过卷积层Conv1和卷积层Conv2提取特征，第二路通过最大池化层Max pooling提取全局最大值特征，第三路通过平均值池化层Mean pooling进行提取全局平均值特征，在连接单元Concat2处合并全局最大值特征和全局平均值特征，通过注意力模块对卷积层Conv1和卷积层Conv2提取的特征进行通道信息调整，表明最大池化层Max pooling和平均值池化层Mean pooling学习到的特征加权到卷积层Conv1和卷积层Conv2提取的特征上，实现特征通道权重的动态调整。
如图4所示，所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；所述输入层的输入端作为BP神经网络的输入端，其输出端与第一隐藏层的输入端连接；所述第一隐藏层的输出端与第二隐藏层的输入端连接；所述输出层的输入端与第二隐藏层的输出端连接，其输出端作为BP神经网络的输出端。
所述BP神经网络的表达式为：
Figure SMS_144
其中，
Figure SMS_147
为BP神经网络的输出，
Figure SMS_152
为激活函数，
Figure SMS_159
为对数函数，
Figure SMS_146
为自然对数，
Figure SMS_150
为连接单元Concat1的输出，
Figure SMS_155
，
Figure SMS_158
为第一特征提取单元的输出，
Figure SMS_145
为第二特征提取单元的输出，
Figure SMS_149
为第M特征提取单元的输出，
Figure SMS_154
为第一隐藏层的偏置，
Figure SMS_157
为第二隐藏层的偏置，
Figure SMS_148
为输出层的偏置，
Figure SMS_151
为输入层到第一隐藏层的权重，
Figure SMS_153
为第一隐藏层到第二隐藏层的权重，
Figure SMS_156
为第二隐藏层到输出层的权重。
所述S4包括以下分步骤：
S41、将训练集中血糖浓度作为训练过程中血糖浓度预测模型应当输出的目标量；
S42、将训练集中敏感光谱波段的像素值序列作为训练过程血糖浓度预测模型的输入，得到血糖浓度预测模型的实际输出；
S43、根据血糖浓度预测模型的实际输出和目标量，计算损失函数的损失量；
S44、根据损失函数的损失量，更新血糖浓度预测模型的权重和偏置，直到损失量低于损失阈值。
所述S43中损失函数的公式为：
Figure SMS_160
其中，
Figure SMS_161
为第
Figure SMS_164
次训练的损失量，
Figure SMS_167
为第
Figure SMS_163
次训练时血糖浓度预测模型的实际输出，
Figure SMS_166
为第
Figure SMS_168
次训练对应的目标量，
Figure SMS_170
为第
Figure SMS_162
次训练时血糖浓度预测模型的实际输出，
Figure SMS_165
为第
Figure SMS_169
次训练对应的目标量，
Figure SMS_171
为归一化系数。
本发明同时取当前次训练的差量和前一次训练的差量，在当前次训练的差量较大时，重点考虑当前次训练的差量的占比，在当前次训练的差量较小时，重点考虑前一次训练的差量，综合两次训练的情况对下一次的训练进行调整，保障训练精度和效率。
所述权重和偏置的更新公式为：
Figure SMS_172
Figure SMS_173
其中，
Figure SMS_186
为第
Figure SMS_176
次训练时更新的权重，
Figure SMS_181
为第
Figure SMS_177
次训练时更新的权重，
Figure SMS_180
为第
Figure SMS_183
次训练时更新的权重，
Figure SMS_189
为第
Figure SMS_184
次训练时得到的损失函数，
Figure SMS_188
为最大损失量，
Figure SMS_175
为第
Figure SMS_178
次训练的损失量，
Figure SMS_182
为第
Figure SMS_185
次训练时更新的偏置，
Figure SMS_187
为第
Figure SMS_190
次训练时更新的偏置，
Figure SMS_174
为第
Figure SMS_179
次训练时更新的偏置。
第
Figure SMS_191
次训练时得到的损失函数
Figure SMS_192
为第
Figure SMS_193
次训练时，权重和偏置更新后得到的损失函数。
在前期，损失量
Figure SMS_194
较大和
Figure SMS_195
较小，导致本发明的权重和偏置能快速下降，在后期损失量
Figure SMS_196
较小，
Figure SMS_197
较大，下降速度放缓，并且在下降过程中，加入权重变化量和偏置变化量防止权重和偏置过度下降。
S5、采用训练后的血糖浓度预测模型对待测敏感光谱波段的像素值序列进行预测，得到血糖浓度。
在本实施例中，将高光谱成像设备用于拍摄人体身体，例如耳部位置，得到高光谱图像，提取高光谱图像的敏感光谱波段的像素值序列，则可得到血糖浓度。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明在采用高光谱成像技术的过程中，先找到对血糖敏感的光谱波段，即该波段对不同血糖浓度的血液在成像时像素值存在较大变化，无需将高光谱图像中所有的光谱波段均进行特征提取，本发明通过寻找敏感光谱波段一方面能降低数据量，另一方面排除其他光谱波段的干扰，准确的进行血糖浓度预测，提高了预测精度。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的血糖浓度预测系统，其特征在于，包括：敏感光谱波段提取子系统、图像采集子系统、训练集构建子系统、模型训练子系统和血糖浓度预测子系统；
所述敏感光谱波段提取子系统用于找到对血糖敏感的光谱波段，得到敏感光谱波段；
所述图像采集子系统用于采用高光谱成像设备采集人体的高光谱图像；
所述训练集构建子系统用于提取高光谱图像的敏感光谱波段的像素值序列，并标注血糖浓度，构建为训练集；
所述模型训练子系统用于将训练集用于训练血糖浓度预测模型；
所述血糖浓度预测子系统用于采用训练后的血糖浓度预测模型对待测敏感光谱波段的像素值序列进行预测，得到血糖浓度。
2.根据权利要求1所述的基于神经网络的血糖浓度预测系统，其特征在于，所述敏感光谱波段提取子系统包括：样本准备单元、成像单元、像素值序列提取单元、光谱特征值提取单元、特征差值计算单元和敏感光谱波段筛选单元；
所述样本准备单元用于准备不同血糖浓度等级的多个血液样本；
所述成像单元用于采用高光谱成像设备对多个血液样本进行成像，得到多个高光谱实验图像；
所述像素值序列提取单元用于提取高光谱实验图像中每个光谱波段对应的像素值序列；
所述光谱特征值提取单元用于根据像素值序列，提取每个光谱波段的光谱特征值；
所述特征差值计算单元用于计算相邻血糖浓度等级的血液样本对应的高光谱实验图像之间同一光谱波段的光谱特征值的绝对差值，得到多个特征差值；
所述敏感光谱波段筛选单元用于筛选出同一光谱波段的特征差值均大于差值阈值的光谱波段，得到敏感光谱波段。
3.根据权利要求2所述的基于神经网络的血糖浓度预测系统，其特征在于，所述提取每个光谱波段的光谱特征值的公式为：
Figure QLYQS_1
其中，
Figure QLYQS_2
为第
Figure QLYQS_3
个光谱波段的光谱特征值，
Figure QLYQS_4
为第
Figure QLYQS_5
个光谱波段对应的像素值序列中的第
Figure QLYQS_6
个像素值，
Figure QLYQS_7
为像素值序列中像素值的数量。
4.根据权利要求1所述的基于神经网络的血糖浓度预测系统，其特征在于，所述血糖浓度预测模型包括：多个特征提取单元、连接单元Concat1和BP神经网络，所述多个特征提取单元具体包括：第一特征提取单元至第M特征提取单元；
所述每个特征提取单元的输入端用于输入一种敏感光谱波段的像素值序列，其输出端与连接单元Concat1的输入端连接；
所述BP神经网络的输入端与连接单元Concat1的输出端连接，其输出端作为血糖浓度预测模型的输出端。
5.根据权利要求4所述的基于神经网络的血糖浓度预测系统，其特征在于，所述特征提取单元包括：卷积层Conv1、卷积层Conv2、最大池化层Max pooling、平均值池化层Meanpooling、连接单元Concat2和注意力模块；
所述卷积层Conv1的输入端分别与最大池化层Max pooling的输入端和平均值池化层Mean pooling的输入端连接，并作为特征提取单元的输入端；
所述连接单元Concat2的输入端分别与最大池化层Max pooling的输出端和平均值池化层Mean pooling的输出端连接，其输出端与注意力模块的输入端连接；
所述卷积层Conv2的输入端与卷积层Conv1的输出端连接，其输出端与注意力模块的输入端连接；
所述注意力模块的输出端作为特征提取单元的输出端。
6.根据权利要求5所述的基于神经网络的血糖浓度预测系统，其特征在于，所述注意力模块的表达式为：
Figure QLYQS_8
其中，
Figure QLYQS_9
为注意力模块的输出，
Figure QLYQS_10
为卷积层Conv2的输出，
Figure QLYQS_11
为激活函数，
Figure QLYQS_12
为卷积运算，
Figure QLYQS_13
为最大池化层Max pooling的输出，
Figure QLYQS_14
为平均值池化层Mean pooling的输出，
Figure QLYQS_15
为连接单元Concat2的连接操作。
7.根据权利要求4所述的基于神经网络的血糖浓度预测系统，其特征在于，所述BP神经网络包括：输入层、第一隐藏层、第二隐藏层和输出层；所述输入层的输入端作为BP神经网络的输入端，其输出端与第一隐藏层的输入端连接；所述第一隐藏层的输出端与第二隐藏层的输入端连接；所述输出层的输入端与第二隐藏层的输出端连接，其输出端作为BP神经网络的输出端。
8.根据权利要求7所述的基于神经网络的血糖浓度预测系统，其特征在于，所述BP神经网络的表达式为：
Figure QLYQS_16
其中，
Figure QLYQS_19
为BP神经网络的输出，
Figure QLYQS_23
为激活函数，
Figure QLYQS_26
为对数函数，
Figure QLYQS_20
为自然对数，
Figure QLYQS_24
为连接单元Concat1的输出，
Figure QLYQS_29
，
Figure QLYQS_31
为第一特征提取单元的输出，
Figure QLYQS_18
为第二特征提取单元的输出，
Figure QLYQS_22
为第M特征提取单元的输出，
Figure QLYQS_27
为第一隐藏层的偏置，
Figure QLYQS_30
为第二隐藏层的偏置，
Figure QLYQS_17
为输出层的偏置，
Figure QLYQS_21
为输入层到第一隐藏层的权重，
Figure QLYQS_25
为第一隐藏层到第二隐藏层的权重，
Figure QLYQS_28
为第二隐藏层到输出层的权重。
9.根据权利要求1所述的基于神经网络的血糖浓度预测系统，其特征在于，所述模型训练子系统用于将训练集用于训练血糖浓度预测模型包括：将训练集中血糖浓度作为训练过程中血糖浓度预测模型应当输出的目标量；将训练集中敏感光谱波段的像素值序列作为训练过程血糖浓度预测模型的输入，得到血糖浓度预测模型的实际输出；根据血糖浓度预测模型的实际输出和目标量，计算损失函数的损失量；根据损失函数的损失量，更新血糖浓度预测模型的权重和偏置，直到损失量低于损失阈值。
10.根据权利要求9所述的基于神经网络的血糖浓度预测系统，其特征在于，所述损失函数的公式为：
Figure QLYQS_32
其中，
Figure QLYQS_33
为第
Figure QLYQS_36
次训练的损失量，
Figure QLYQS_39
为第
Figure QLYQS_34
次训练时血糖浓度预测模型的实际输出，
Figure QLYQS_37
为第
Figure QLYQS_40
次训练对应的目标量，
Figure QLYQS_42
为第
Figure QLYQS_35
次训练时血糖浓度预测模型的实际输出，
Figure QLYQS_38
为第
Figure QLYQS_41
次训练对应的目标量，
Figure QLYQS_43
为归一化系数；
所述权重和偏置的更新公式为：
Figure QLYQS_44
Figure QLYQS_45
其中，
Figure QLYQS_57
为第
Figure QLYQS_48
次训练时更新的权重，
Figure QLYQS_53
为第
Figure QLYQS_49
次训练时更新的权重，
Figure QLYQS_52
为第
Figure QLYQS_54
次训练时更新的权重，
Figure QLYQS_56
为第
Figure QLYQS_55
次训练时得到的损失函数，
Figure QLYQS_59
为最大损失量，
Figure QLYQS_46
为第
Figure QLYQS_51
次训练的损失量，
Figure QLYQS_58
为第
Figure QLYQS_61
次训练时更新的偏置，
Figure QLYQS_60
为第
Figure QLYQS_62
次训练时更新的偏置，
Figure QLYQS_47
为第
Figure QLYQS_50
次训练时更新的偏置。
CN202310444019.4A 2023-04-24 2023-04-24 一种基于神经网络的血糖浓度预测系统 Active CN116188946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310444019.4A CN116188946B (zh) 2023-04-24 2023-04-24 一种基于神经网络的血糖浓度预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310444019.4A CN116188946B (zh) 2023-04-24 2023-04-24 一种基于神经网络的血糖浓度预测系统

Publications (2)

Publication Number Publication Date
CN116188946A true CN116188946A (zh) 2023-05-30
CN116188946B CN116188946B (zh) 2023-07-11

Family

ID=86452402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310444019.4A Active CN116188946B (zh) 2023-04-24 2023-04-24 一种基于神经网络的血糖浓度预测系统

Country Status (1)

Country Link
CN (1) CN116188946B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116741334A (zh) * 2023-08-14 2023-09-12 四川互慧软件有限公司 一种基于神经网络预测模型的用药监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5910109A (en) * 1997-02-20 1999-06-08 Emerging Technology Systems, Llc Non-invasive glucose measuring device and method for measuring blood glucose
US20090086202A1 (en) * 2003-05-27 2009-04-02 Hong Wang Non-invasive disease diagnosis using light scattering probe
US20180214088A1 (en) * 2016-09-24 2018-08-02 Sanmina Corporation System and method for obtaining health data using a neural network
US20180228415A1 (en) * 2017-02-16 2018-08-16 National Cheng Kung University Method and system for sensing glucose concentration
CN112699756A (zh) * 2020-12-24 2021-04-23 中国农业科学院农业信息研究所 一种基于高光谱图像的茶叶原产地识别方法和系统
CN112881303A (zh) * 2021-01-09 2021-06-01 吉林大学 一种基于高光谱成像技术的血糖浓度检测方法
CN113340914A (zh) * 2021-06-17 2021-09-03 重庆大学 一种基于高光谱遥感的水体富营养化状态测算方法
CN113496218A (zh) * 2021-07-27 2021-10-12 浙江省淡水水产研究所 一种高光谱遥感敏感波段选择方式的评价方法和系统
CN113516025A (zh) * 2021-04-26 2021-10-19 山东深蓝智谱数字科技有限公司 一种基于模型构建的高光谱图像处理方法、设备及介质
CN113537239A (zh) * 2021-07-08 2021-10-22 宁波大学 一种基于全局关系感知注意力的高光谱图像波段选择方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5910109A (en) * 1997-02-20 1999-06-08 Emerging Technology Systems, Llc Non-invasive glucose measuring device and method for measuring blood glucose
US20090086202A1 (en) * 2003-05-27 2009-04-02 Hong Wang Non-invasive disease diagnosis using light scattering probe
US20180214088A1 (en) * 2016-09-24 2018-08-02 Sanmina Corporation System and method for obtaining health data using a neural network
US20180228415A1 (en) * 2017-02-16 2018-08-16 National Cheng Kung University Method and system for sensing glucose concentration
CN112699756A (zh) * 2020-12-24 2021-04-23 中国农业科学院农业信息研究所 一种基于高光谱图像的茶叶原产地识别方法和系统
CN112881303A (zh) * 2021-01-09 2021-06-01 吉林大学 一种基于高光谱成像技术的血糖浓度检测方法
CN113516025A (zh) * 2021-04-26 2021-10-19 山东深蓝智谱数字科技有限公司 一种基于模型构建的高光谱图像处理方法、设备及介质
CN113340914A (zh) * 2021-06-17 2021-09-03 重庆大学 一种基于高光谱遥感的水体富营养化状态测算方法
CN113537239A (zh) * 2021-07-08 2021-10-22 宁波大学 一种基于全局关系感知注意力的高光谱图像波段选择方法
CN113496218A (zh) * 2021-07-27 2021-10-12 浙江省淡水水产研究所 一种高光谱遥感敏感波段选择方式的评价方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MONTERIRO ST，ET AL: "A particle swarm optimization-based approach for hyperspectral band selection", 《IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》, vol. 1, pages 3335 - 3340 *
左平等: "人工神经网络-红外光谱法对 人体血糖的无创监测分析", 《吉林大学学报(理学版)》, vol. 46, no. 6, pages 1131 - 1136 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116741334A (zh) * 2023-08-14 2023-09-12 四川互慧软件有限公司 一种基于神经网络预测模型的用药监测方法

Also Published As

Publication number Publication date
CN116188946B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
US20180232603A1 (en) Method and program for computing bone age by deep neural network
CN108553081B (zh) 一种基于舌苔图像的诊断系统
CN111784721B (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
WO2022088665A1 (zh) 病灶分割方法、装置及存储介质
CN112991295B (zh) 基于深度学习的淋巴结转移影像分析系统、方法及设备
CN111599438A (zh) 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法
CN116188946B (zh) 一种基于神经网络的血糖浓度预测系统
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN113288131B (zh) 基于图卷积网络的无创血糖检测方法、处理器及装置
CN115019049B (zh) 基于深度神经网络的骨显像骨病灶分割方法、系统及设备
CN111524093A (zh) 一种异常舌象的智能筛查方法及其系统
CN113222957A (zh) 一种基于胶囊镜图像的多类别病灶高速检测方法及系统
US11830624B2 (en) System and method for determining data quality for cardiovascular parameter determination
CN110610480B (zh) 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
CN111028232A (zh) 基于眼底图像的糖尿病分类方法及设备
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
CN114119511A (zh) 基于EfficientNet结构的结肠镜图像评价方法及系统
CN112990339B (zh) 胃病理切片图像分类方法、装置及存储介质
CN113763353A (zh) 一种肺部超声图像检测系统
CN113553991A (zh) 一种基于深度学习的舌象识别方法
CN117058467B (zh) 一种胃肠道病变类型识别方法及系统
KR20220075049A (ko) 빅데이터 기반의 당뇨병 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN113362334B (zh) 一种舌照处理方法及装置
Kapoor et al. Detection and Classification of Diabetic and Hypertensive Retinopathy Using CNN & Autoencoder

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