CN117084677B - 一种多维度ppg血糖值预估方法 - Google Patents
一种多维度ppg血糖值预估方法 Download PDFInfo
- Publication number
- CN117084677B CN117084677B CN202311341172.0A CN202311341172A CN117084677B CN 117084677 B CN117084677 B CN 117084677B CN 202311341172 A CN202311341172 A CN 202311341172A CN 117084677 B CN117084677 B CN 117084677B
- Authority
- CN
- China
- Prior art keywords
- data set
- near infrared
- photoelectric measurement
- body temperature
- sequence
- 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.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 82
- 210000004369 blood Anatomy 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 45
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims description 41
- 239000008103 glucose Substances 0.000 title claims description 41
- 238000005259 measurement Methods 0.000 claims abstract description 91
- 230000036760 body temperature Effects 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 18
- 210000000707 wrist Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 241000212977 Andira Species 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- OIPILFWXSMYKGL-UHFFFAOYSA-N acetylcholine Chemical compound CC(=O)OCC[N+](C)(C)C OIPILFWXSMYKGL-UHFFFAOYSA-N 0.000 description 1
- 229960004373 acetylcholine Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- A61B5/14532—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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种多维度PPG血糖值预估方法，属于血糖预估技术领域。方法包括步骤：在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集；将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L；筛选序号存在序列L中的第一光电测量数据集、第一体温数据集和第一近红外数据集的数据点，得到第二光电测量数据集、第二体温数据集和第二近红外数据集；将第二光电测量数据集、第二体温数据集和第二近红外数据集输入血糖预估模型，得到血糖预估值。本申请将光电测量数据集、体温数据集和近红外数据集作为血糖预估模型的输入，并通过序列L筛选输入的数据集，可以获取准确可靠的血糖预估值。
Description
技术领域
本发明涉及血糖预估技术领域，具体是一种多维度PPG血糖值预估方法。
背景技术
现有的血糖值预估方式主要包括ECG与PPG结合方式和近红外光预估方式。其中，ECG与PPG结合方式原理为：血糖浓度变化刺激人体交感神经系统触发肾上腺素或者乙酰胆碱激素的释放，引起心脏活动改变，从而导致ECG与PPG的检测结果变化。但是，血糖浓度并非导致ECG与PPG的检测结果变化的唯一因素，例如人体的活动状态、温饱状态均会引起ECG与PPG的检测结果发生相应的改变。该方式不确定变量较多，且同时获取所有变量数据难度较大，进而导致检测结果的精度难以得到保证。
而近红外光预估方式原理为：通过近红外光对含氢基团X-H的振动吸收，由于不同的有机物含有不同的基团，不同的基团有不同的能级，故不同有机物在不同物理化学环境中对近红外光的吸收波长有明显差别；因此选用连续改变频率的近红外光照射某样品时，由于样品对不同频率近红外光的选择性吸收，通过样品后的近红外光在某些波长范围内会变弱，透射出来的近红外光则携带有机物组分和结构的信息。然而，人体体温容易对近红外光的吸收效果产生影响。当人体受到近红外线照射时，人体组织会吸收近红外线并将其转化为热能。当人体温度升高，例如在发热或者剧烈运动后，则将导致血管扩张和血流加快，从而导致人体组织对近红外线的吸收增加。因此，独立使用近红外光预估方式也难以保证检测结果的精度。
发明内容
为解决上述背景技术中存在的问题，本发明提出了一种多维度PPG血糖值预估方法，包括以下步骤：
在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集；所述第一光电测量数据集、第一体温数据集和第一近红外数据集均包括n个数据点，分别表示为PPGAi、TEMPAi和IRAi；其中n = T×f，i为表示序号的正整数，i∈M，M={1,2,...n}；
将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，L∈M；
筛选序号存在序列L中的第一光电测量数据集、第一体温数据集和第一近红外数据集的数据点，得到第二光电测量数据集、第二体温数据集和第二近红外数据集；
将第二光电测量数据集、第二体温数据集和第二近红外数据集输入血糖预估模型，得到血糖预估值；
所述将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，具体包括以下步骤：
将第一光电测量数据集输入序列筛选模型拟合得到光电测量信号曲线；
通过序列筛选模型，获取光电测量信号曲线的二阶导函数S(i)，并通过主波峰阈值获取主波峰序列，将主波峰序列作为表示收缩压起始点的序列L。
作为优选方案，所述主波峰序列为所有主波峰的横坐标i的集合；所述主波峰为满足条件S(i)>Ts和(S(i)<S(i+1)且S(i)>S(i-1))的数据点，S(i)表示所述光电测量信号曲线的二阶导函数，Ts表示所述主波峰阈值。
作为优选方案，所述主波峰阈值表示为Ts = λ×max(S(i))，max(S(i))表示二阶导函数S(i)的最大值，λ为预设的主波峰系数。
作为优选方案，所述在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集，具体包括以下步骤：
在时间T内以相同的频率f采集第一光电测量数据集、手腕温度数据集和第一近红外数据集；所述手腕温度数据集包括n个数据点；
对第一光电测量数据集、手腕温度数据集和第一近红外数据集进行数据预处理；
将手腕温度数据集输入体温模型得到第一体温数据集。
作为优选方案，所述第一光电测量数据集、手腕温度数据集和第一近红外数据集分别通过光电测量传感器、温度传感器和近红外光传感器采集；所述光电测量传感器、温度传感器和近红外光传感器集成。
作为优选方案，所述体温模型表示为：
TEMPAi= k×TEMPHi+ b，
其中，TEMPAi表示序号为i的第一体温数据点，TEMPHi表示序号为i的手腕温度数据点；k和b均为通过手腕温度样本数据集和体温样本数据集拟定的参数，分别表示线性关系的斜率和截距。
作为优选方案，所述数据预处理，包括以下步骤：
计算第一光电测量数据集的均值PPGAmean和标准差PPGAstd，手腕温度数据集的均值TEMPHmean和标准差TEMPHstd，第一近红外数据集的均值IRAmean和标准差IRAstd；
遍历第一光电测量数据集、手腕温度数据集和第一近红外数据集中的每个数据点；
在遍历过程中，若PPGAi不在[PPGAmean- 3×PPGAstd,PPGAmean+ 3×PPGAstd]范围内，则过滤数据点PPGAi；
若TEMPHi不在[TEMPHmean- 3×TEMPHstd,TEMPHmean+ 3×TEMPHstd]范围内，则过滤数据点TEMPHi；
若IRAi不在[IRAmean- 3×IRAstd,IRAmean+ 3×IRAstd]范围内，则过滤数据点IRAi。
作为优选方案，所述血糖预估模型的建立通过以下步骤：
采集建模样本数据集；
提取建模样本数据集的关键特征并进行标定，得到建模训练数据集和建模测试数据集；
通过机器学习算法和所述建模训练数据集对血糖预估模型进行训练；
使用所述建模测试数据集对血糖预估模型进行评估。
作为优选方案，所述建模样本数据集包括光电测量样本数据集、体温样本数据集、近红外样本数据集和血糖样本数据集。
本发明还提供一种多维度PPG血糖值预估装置，用于执行如上所述的多维度PPG血糖值预估方法，包括光电测量传感器、温度传感器、近红外光传感器和微型控制单元；
所述微型控制单元存储体温模型、序列筛选模型和血糖预估模型，用于控制光电测量传感器、温度传感器和近红外光传感器的采集时间和采集频率，接收光电测量传感器、温度传感器和近红外光传感器传输的数据并通过所述体温模型、序列筛选模型和血糖预估模型处理得到血糖预估值。
与现有技术相比，本发明具有如下有益效果：
本申请实施例通过计算收缩压起始点的序列L，并通过序列L筛选光电测量数据集、体温数据集和近红外数据集输入血糖预估模型得到血糖预估值。其中，收缩压是心脏收缩时血液对动脉血管壁的压力，与血糖水平存在关联；并且，收缩压起始点在每个心脏收缩周期内出现的一次，相对稳定且容易测量，可以提供稳定的数据。因此本申请将光电测量数据集、体温数据集和近红外数据集组合作为血糖预估模型的输入，并通过序列L筛选输入的数据集，可以获取准确可靠的血糖预估值。
本申请实施例通过使用序列筛选模型，可以准确地获取收缩压起始点的序列L，进而保证血糖预估值的准确性。
本申请实施例中第一体温数据集通过手腕温度数据集获取，因此实施本方法所需的各个传感器可集成于一个采集装置中，如智能手环、智能手表等设备，使得采集和测量过程非常简便，无需繁琐的操作或在特定的场合实施。
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，下面将对实施例或现有技术描述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为本发明一实施例的多维度PPG血糖值预估方法的流程示意图；
图2为本发明一实施例的步骤S2的具体流程示意图；
图3为本发明一实施例的血糖预估模型的建立的流程示意图。
具体实施方式
下面将结合实施例对本发明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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1，本发明提供了一种多维度PPG血糖值预估方法，包括以下步骤：
S1、在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集；所述第一光电测量数据集、第一体温数据集和第一近红外数据集均包括n个数据点，分别表示为PPGAi、TEMPAi和IRAi。其中n = T×f，i为表示序号的正整数，i∈M，M表示1到n的所有正整数的集合，即M={1,2,...n}。在一实施例中，T=60s，f=100Hz。
S2、将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，L∈M。
S3、筛选序号存在序列L中的第一光电测量数据集、第一体温数据集和第一近红外数据集的数据点，得到第二光电测量数据集、第二体温数据集和第二近红外数据集。
S4、将第二光电测量数据集、第二体温数据集和第二近红外数据集输入血糖预估模型，得到血糖预估值。
其中，收缩压是心脏收缩时血液对动脉血管壁的压力，与血糖水平存在关联，因此可以间接反映血糖水平；并且，收缩压起始点在每个心脏收缩周期内出现的一次，相对稳定且容易测量，可以提供稳定的数据。基于前述内容，本申请通过计算收缩压起始点的序列L，并通过序列L筛选光电测量数据集、体温数据集和近红外数据集输入血糖预估模型，从而获取准确和可靠的血糖预估值。
作为优选实施例，所述在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集，具体包括以下步骤：
S11、在时间T内以相同的频率f采集第一光电测量数据集、手腕温度数据集和第一近红外数据集；所述手腕温度数据集中包括n个数据点。其中，第一光电测量数据集、手腕温度数据集和第一近红外数据集分别通过光电测量传感器、温度传感器和近红外光传感器采集，所述光电测量传感器、温度传感器和近红外光传感器集成。
S12、对第一光电测量数据集、手腕温度数据集和第一近红外数据集进行数据预处理；
S13、将手腕温度数据集输入体温模型得到第一体温数据集。
需要说明，在本申请中“体温”表示被测量者的体内温度。可以理解，体温的准确测量在日常生活中并不便捷。为此，在本实施例中，第一体温数据集通过手腕温度数据集获取，因此实施本方法所需的各个传感器可集成于一个采集装置中，如智能手环、智能手表等设备，使得采集和测量过程非常简便，无需繁琐的操作或在特定的场合实施。
作为优选实施例，所述体温模型为手腕温度数据和体温数据的线性关系模型。所述体温模型通过线性回归算法拟合预先收集用于训练的手腕温度样本数据集和体温样本数据集的线性关系建立。在步骤S13中，将手腕温度数据集输入体温模型计算每个手腕温度数据点对应的第一体温数据点，从而将所有第一体温数据点整理得到第一体温数据集。其中，体温模型表示为：
TEMPAi= k×TEMPHi+ b，
其中，TEMPAi表示序号为i的第一体温数据点，TEMPHi表示序号为i的手腕温度数据点；k和b均为通过手腕温度样本数据集和体温样本数据集拟定的参数，分别表示线性关系的斜率和截距。
作为优选实施例，所述数据预处理，包括以下步骤：
S121、计算第一光电测量数据集的均值PPGAmean和标准差PPGAstd，手腕温度数据集的均值TEMPHmean和标准差TEMPHstd，第一近红外数据集的均值IRAmean和标准差IRAstd；
S122、遍历第一光电测量数据集、手腕温度数据集和第一近红外数据集中的每个数据点；
在遍历过程中，若PPGAi不在[PPGAmean- 3×PPGAstd,PPGAmean+ 3×PPGAstd]范围内，则过滤数据点PPGAi；
若TEMPHi不在[TEMPHmean- 3×TEMPHstd,TEMPHmean+ 3×TEMPHstd]范围内，则过滤数据点TEMPHi；
若IRAi不在[IRAmean- 3×IRAstd,IRAmean+ 3×IRAstd]范围内，则过滤数据点IRAi。
基于前述内容，本申请实施例根据均值和标准差的过滤数据点，能够有效地减少数据集中的噪声和异常点，提高数据集的可靠性和鲁棒性，提高了后续计算的准确性。
作为优选实施例，请参阅图2，所述步骤S2，即将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，具体包括以下步骤：
S21、将第一光电测量数据集输入序列筛选模型拟合得到光电测量信号曲线；
S22、通过序列筛选模型，获取光电测量信号曲线的二阶导函数S(i)，并通过主波峰阈值获取主波峰序列，将主波峰序列作为表示收缩压起始点的序列L。
具体的，所述主波峰阈值表示为Ts = λ×max(S(i))，max(S(i))表示二阶导函数S(i)的最大值，λ为预设的主波峰系数，在本实施例中，0.55<λ<0.8。在二阶导函数S(i)的一个周期中存在若干波峰，其中主波峰为二阶导函数S(i)的一个周期中的最大值。基于前述内容，主波峰为满足条件S(i)>Ts和(S(i)<S(i+1)且S(i)>S(i-1))的数据点，主波峰序列为所有主波峰的横坐标i的集合。本实施例通过主波峰系数λ设定主波峰阈值，可以准确地筛选主波峰，过滤其它波峰，以获取主波峰序列并作为收缩压起始点的序列L。
作为优选实施例，请参阅图3，所述血糖预估模型的建立通过以下步骤：
S41、采集建模样本数据集。建模样本数据集包括光电测量样本数据集、体温样本数据集、近红外样本数据集和血糖样本数据集；
在血糖预估模型的建模阶段，光电测量样本数据集和近红外样本数据集同样可分别通过光电测量传感器和近红外光传感器采集，而体温样本数据集通过电子温度计直接采集体内温度获取，血糖样本数据集通过有创血糖仪直接采集血糖数据获取，在一实施例中血糖仪采用罗氏指尖血糖仪。可以理解，本实施例中获取的光电测量样本数据集还可以用于前述序列筛选模型的建模，体温样本数据集还可以用于前述体温模型的建模。
S42、提取建模样本数据集的关键特征并进行标定，得到建模训练数据集和建模测试数据集。例如，对于光电测量样本数据集，可以提取或转化为心率、脉搏波形特征、收缩压起始点的序列；对于体温样本数据集，可以提取体温数据；对于近红外样本数据集，可以提取光反射的强度和波形特征；对于血糖样本数据集，可以提取血糖值和时间信息。这些特征可以通过常见的特征提取算法或信号处理技术来实现。
其中，标定是指通过对多个不同的测量系统进行比较和校准，来确定它们之间的关系并建立相应的转换模或方法。在本实施例中中，标定是指通过对光电测量样本数据集、体温样本数据集、近红外样本数据集和血糖样本数据集进行比较和校准，并将标定的结果划分为建模训练数据集和建模测试数据集。
S43、通过机器学习算法和建模训练数据集对血糖预估模型进行训练。在训练过程中，可以采用交叉验证评估和优化血糖预估模型的性能，以提高预测准性和泛化能力。在本实施例中，机器学习算法采用线性回归算法或深度学习算法。
S44、使用建模测试数据集对血糖预估模型进行评估。具体的，本实施例通过将血糖预估模型预测结果与血糖样本数据集中的实际结果进行比较，计算评估指标评估模型的预测精度和性能。评估指标包括均方根误差、相关系数等。
本发明还提供一种多维度PPG血糖值预估装置，用于执行上述多维度PPG血糖值预估方法，包括光电测量传感器、温度传感器、近红外光传感器和微型控制单元。
所述微型控制单元存储体温模型、序列筛选模型和血糖预估模型，用于控制所述光电测量传感器、温度传感器和近红外光传感器的采集时间和采集频率，接收所述光电测量传感器、温度传感器和近红外光传感器传输的数据并通过所述体温模型、序列筛选模型和血糖预估模型进行数据处理得到血糖预估值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块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，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，read-onlymemory）、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。
Claims (7)
1.一种多维度PPG血糖值预估方法，其特征在于：包括以下步骤：
在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集；所述第一光电测量数据集、第一体温数据集和第一近红外数据集均包括n个数据点，分别表示为PPGAi、TEMPAi和IRAi；其中n = T×f，i为表示序号的正整数，i∈M，M={1,2,...,n}；
将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，L∈M；
筛选序号存在序列L中的第一光电测量数据集、第一体温数据集和第一近红外数据集的数据点，得到第二光电测量数据集、第二体温数据集和第二近红外数据集；
将第二光电测量数据集、第二体温数据集和第二近红外数据集输入血糖预估模型，得到血糖预估值；
所述将第一光电测量数据集输入序列筛选模型，获取用于表示收缩压起始点的序列L，具体包括以下步骤：
将第一光电测量数据集输入序列筛选模型拟合得到光电测量信号曲线；
通过序列筛选模型，获取光电测量信号曲线的二阶导函数S(i)，并通过主波峰阈值获取主波峰序列，将主波峰序列作为表示收缩压起始点的序列L；
所述主波峰序列为所有主波峰的横坐标i的集合；所述主波峰为满足条件S(i)>Ts、S(i)<S(i+1)、S(i)>S(i-1)的数据点，S(i)表示所述光电测量信号曲线的二阶导函数，Ts表示所述主波峰阈值；所述主波峰阈值表示为Ts = λ×max(S(i))，max(S(i))表示二阶导函数S(i)的最大值，λ为预设的主波峰系数；
所述血糖预估模型的建立通过以下步骤：
采集建模样本数据集；
提取建模样本数据集的关键特征并进行标定，得到建模训练数据集和建模测试数据集；对于光电测量样本数据集，提取或转化为心率、脉搏波形特征、收缩压起始点的序列；对于体温样本数据集，提取体温数据；对于近红外样本数据集，提取光反射的强度和波形特征；对于血糖样本数据集，提取血糖值和时间信息；所述标定是指通过对光电测量样本数据集、体温样本数据集、近红外样本数据集和血糖样本数据集进行比较和校准，并将标定的结果划分为建模训练数据集和建模测试数据集；
通过机器学习算法和所述建模训练数据集对血糖预估模型进行训练；
使用所述建模测试数据集对血糖预估模型进行评估。
2.根据权利要求1所述的多维度PPG血糖值预估方法，其特征在于：所述在时间T内以相同的频率f获取第一光电测量数据集、第一体温数据集和第一近红外数据集，具体包括以下步骤：
在时间T内以相同的频率f采集第一光电测量数据集、手腕温度数据集和第一近红外数据集；所述手腕温度数据集包括n个数据点；
对第一光电测量数据集、手腕温度数据集和第一近红外数据集进行数据预处理；
将手腕温度数据集输入体温模型得到第一体温数据集。
3.根据权利要求2所述的多维度PPG血糖值预估方法，其特征在于：所述第一光电测量数据集、手腕温度数据集和第一近红外数据集分别通过光电测量传感器、温度传感器和近红外光传感器采集；所述光电测量传感器、温度传感器和近红外光传感器集成。
4.根据权利要求2所述的多维度PPG血糖值预估方法，其特征在于：所述体温模型表示为：
TEMPAi = k×TEMPHi + b，
其中，TEMPAi表示序号为i的第一体温数据点，TEMPHi表示序号为i的手腕温度数据点；k和b均为通过手腕温度样本数据集和体温样本数据集拟定的参数，分别表示线性关系的斜率和截距。
5.根据权利要求2所述的多维度PPG血糖值预估方法，其特征在于：所述数据预处理，包括以下步骤：
计算第一光电测量数据集的均值PPGAmean和标准差PPGAstd，手腕温度数据集的均值TEMPHmean和标准差TEMPHstd，第一近红外数据集的均值IRAmean和标准差IRAstd；
遍历第一光电测量数据集、手腕温度数据集和第一近红外数据集中的每个数据点；
在遍历过程中，若PPGAi不在[PPGAmean - 3×PPGAstd,PPGAmean + 3×PPGAstd]范围内，则过滤数据点PPGAi；
若TEMPHi不在[TEMPHmean - 3×TEMPHstd,TEMPHmean + 3×TEMPHstd]范围内，则过滤数据点TEMPHi；
若IRAi不在[IRAmean - 3×IRAstd,IRAmean + 3×IRAstd]范围内，则过滤数据点IRAi。
6.根据权利要求1所述的多维度PPG血糖值预估方法，其特征在于：所述建模样本数据集包括光电测量样本数据集、体温样本数据集、近红外样本数据集和血糖样本数据集。
7.一种多维度PPG血糖值预估装置，其特征在于：用于执行如权利要求1-6任一项所述的多维度PPG血糖值预估方法，包括光电测量传感器、温度传感器、近红外光传感器和微型控制单元；
所述微型控制单元存储体温模型、序列筛选模型和血糖预估模型，用于控制光电测量传感器、温度传感器和近红外光传感器的采集时间和采集频率，接收光电测量传感器、温度传感器和近红外光传感器传输的数据并通过所述体温模型、序列筛选模型和血糖预估模型处理得到血糖预估值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341172.0A CN117084677B (zh) | 2023-10-17 | 2023-10-17 | 一种多维度ppg血糖值预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341172.0A CN117084677B (zh) | 2023-10-17 | 2023-10-17 | 一种多维度ppg血糖值预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117084677A CN117084677A (zh) | 2023-11-21 |
| CN117084677B true CN117084677B (zh) | 2023-12-19 |
Family
ID=88780580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311341172.0A Active CN117084677B (zh) | 2023-10-17 | 2023-10-17 | 一种多维度ppg血糖值预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117084677B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4349034A (en) * | 1978-04-10 | 1982-09-14 | Johnson & Johnson | Automatic mean blood pressure reading device |
| JP2000258343A (ja) * | 1999-03-12 | 2000-09-22 | Mitsui Mining & Smelting Co Ltd | 血糖値測定方法及びその装置 |
| CN105433953A (zh) * | 2015-11-28 | 2016-03-30 | 深圳市前海安测信息技术有限公司 | 基于光电信号的血糖数据采集系统及方法 |
| CN110575181A (zh) * | 2019-09-10 | 2019-12-17 | 重庆大学 | 近红外光谱无创血糖检测网络模型训练方法 |
| EP3936036A1 (en) * | 2020-07-06 | 2022-01-12 | Stichting IMEC Nederland | A method and a system for estimating a measure of cardiovascular health of a subject |
| CN114739945A (zh) * | 2022-05-16 | 2022-07-12 | 四川启睿克科技有限公司 | 一种双向修正无创检测血糖近红外光谱数据的方法 |
| KR20220107909A (ko) * | 2021-01-25 | 2022-08-02 | 삼성전자주식회사 | 혈압 추정 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160317816A1 (en) * | 2015-04-29 | 2016-11-03 | Atcor Medical Pty Ltd | Optimization of Pacemaker Settings with Electrogram |
| KR20200058845A (ko) * | 2018-11-20 | 2020-05-28 | 삼성전자주식회사 | 사용자의 혈당과 관련된 정보를 획득하기 위한 전자 장치 및 방법 |
| US20220183569A1 (en) * | 2020-12-10 | 2022-06-16 | Anhui Huami Health Technology Co., Ltd. | Blood Pressure Assessment Using Features Extracted Through Deep Learning |
-
2023
- 2023-10-17 CN CN202311341172.0A patent/CN117084677B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4349034A (en) * | 1978-04-10 | 1982-09-14 | Johnson & Johnson | Automatic mean blood pressure reading device |
| JP2000258343A (ja) * | 1999-03-12 | 2000-09-22 | Mitsui Mining & Smelting Co Ltd | 血糖値測定方法及びその装置 |
| CN105433953A (zh) * | 2015-11-28 | 2016-03-30 | 深圳市前海安测信息技术有限公司 | 基于光电信号的血糖数据采集系统及方法 |
| CN110575181A (zh) * | 2019-09-10 | 2019-12-17 | 重庆大学 | 近红外光谱无创血糖检测网络模型训练方法 |
| EP3936036A1 (en) * | 2020-07-06 | 2022-01-12 | Stichting IMEC Nederland | A method and a system for estimating a measure of cardiovascular health of a subject |
| KR20220107909A (ko) * | 2021-01-25 | 2022-08-02 | 삼성전자주식회사 | 혈압 추정 장치 및 방법 |
| CN114739945A (zh) * | 2022-05-16 | 2022-07-12 | 四川启睿克科技有限公司 | 一种双向修正无创检测血糖近红外光谱数据的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117084677A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
| Natarajan et al. | Photoplethysmography fast upstroke time intervals can be useful features for cuff-less measurement of blood pressure changes in humans | |
| CN107028603A (zh) | 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法 | |
| EP2854620A1 (en) | Narrow band feature extraction from cardiac signals | |
| Yang et al. | Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases | |
| CN112133442A (zh) | 一种连续无创血糖检测装置及方法 | |
| US20110270059A1 (en) | Signal processing for pulse oximetry | |
| CN106923812B (zh) | 一种基于心音信号自相关分析的心率计算方法 | |
| KR20160000810A (ko) | 파형종류 도수분포를 이용한 가속도맥파 분석 장치 및 분석 방법 | |
| CN113662538A (zh) | 一种基于时频域综合分析的无创血糖检测方法 | |
| Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
| Roy et al. | BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning | |
| EP3923785A1 (en) | Method of predicting fluid responsiveness in patients | |
| CN117084677B (zh) | 一种多维度ppg血糖值预估方法 | |
| CN113662520A (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| JP2018068556A (ja) | 胸腔内圧推定装置 | |
| Leitner et al. | Personalized blood pressure estimation using photoplethysmography and wavelet decomposition | |
| WO2023031243A1 (en) | Process and analyte monitor for estimating a quantity in mathematical relationship with an analyte concentration level in a target | |
| CN106504235B (zh) | 基于图像处理的心率监测方法 | |
| CN111631733B (zh) | 一种动脉血液光谱检测方法及装置 | |
| JP7293506B2 (ja) | 心血管パラメータを決定するための方法及びシステム | |
| CN114692668A (zh) | 一种压力值确定系统、方法、装置及可读存储介质 | |
| Moukadem et al. | Phonocardiogram signal processing module for auto-diagnosis and telemedicine applications |
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 |