CN117357105A - 一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 - Google Patents
一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 Download PDFInfo
- Publication number
- CN117357105A CN117357105A CN202210758885.6A CN202210758885A CN117357105A CN 117357105 A CN117357105 A CN 117357105A CN 202210758885 A CN202210758885 A CN 202210758885A CN 117357105 A CN117357105 A CN 117357105A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- spectrum
- image
- glucose concentration
- skin tissue
- 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.)
- Pending
Links
- 239000008280 blood Substances 0.000 title claims abstract description 91
- 210000004369 blood Anatomy 0.000 title claims abstract description 91
- 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 abstract description 79
- 239000008103 glucose Substances 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000003287 optical effect Effects 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000010009 beating Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000010241 blood sampling Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010183 spectrum analysis Methods 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- A61B5/1455—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
- A61B5/145—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Emergency Medicine (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于时‑谱‑空多参数融合的光学无创式血糖浓度检测的方法，属于生理信号检测领域。本发明通过同步采集受试者具有脉搏跳动部位的皮肤组织的视频以及相应的漫反射光谱，并以有创手指采血的方式获得血糖的浓度值作为真值。通过图像数据处理技术与光谱分析技术从皮肤组织视频中提取G通道的IPPG信号作为时域信号，皮肤组织的漫反射光谱作为谱域信号，以及皮肤组织视频中单帧图像的空间维度特征作为空域信号，以时‑谱‑空多参数融合以及有创方式的血糖值作为深度模型的输入信号，通过深度学习算法搭建非特异性的光学无创式血糖浓度检测模型，达到预测血糖浓度的目的。本发明实现了非特异性的无创血糖通用预测模型的建立，通过多参数特征融合提升了血糖浓度预测的精度，便捷、快速、准确的得到了受试者的血糖浓度值。
Description
技术领域
本发明涉及生理信号检测领域，具体涉及一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法。
背景技术
糖尿病是一种会导致死亡的非传染性代谢疾病，已经成为世界上继心脑血管病、肿瘤之后的第三位严重威胁人类健康的疾病。对血糖浓度频繁规律的检测并以此作为依据进行药物治疗是预防和治疗糖尿病及并发症的有效手段。光学无创检测技术以其快速、无创伤、信息多维化等特点，作为获取活体组织光学参数信息的一种方式，成为了目前无创血糖测量的研究热点。然而，血糖在人体组织的血液成分以及体液中含量很低，人体组织中多种成分的光谱响应也会与葡萄糖的特征峰有重叠，因此测量由血糖浓度变化引起的光学信息变化也相对微弱。另外，测量过程中人体生理背景信息的变动，如新陈代谢、情绪、血压、体温的波动以及出汗和健康状况等个体差异尚不能明确解释或精确定量其对血糖浓度测量的干扰。这些因素导致现有光学无创方法检测血糖浓度的信噪比低，提高血糖浓度的检测精度一直是光学无创血糖测量系统尚未攻克的焦点研究课题。
发明内容
本发明的目的是为了解决目前光学无创方法在血糖检测方面所面临的检测精度不高，信噪比低的问题，本发明提出一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法。该方法基于时域，谱域以及空域三个维度的生理参数信息作为血糖模型的输入信号，结合深度学习算法搭建无创血糖通用模型。本发明拓展了不同维度的生理参数信息作为血糖模型的输入信号，其信息相互补充，结合深度学习算法建立了非自适应性的无创血糖浓度检测模型，有效提升了模型的血糖检测的准确度。本发明提出了一种多参数融合避免了低精度的血糖浓度检测方法，能够有效改善目前光学无创检测方式的局限性。本发明的目的是通过下述技术方案实现的。
一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法，包括如下步骤：
步骤1、同步采集受试者具有脉搏跳动部位的皮肤组织的视频以及相应的漫反射光谱，并以有创手指采血的方式获得血糖的浓度值作为真值；
步骤2、对步骤1采集到的皮肤组织的视频进行图像处理，得到IPPG信号；
1)、针对采集的受试者皮肤组织视频的第一帧图像，以矩形矩阵选取[a1,b1]含有皮肤组织图像的任意像素点区域作为IPPG信号提取的感兴趣区域；其中，a1为高度，b1为宽度，a1和b1小于CCD相机采集的图像尺寸；
2)、计算所述感兴趣区域的像素均值，得到原始IPPG信号；
3)、对所述原始IPPG信号进行RGB颜色通道分离以及采用去除非生理参数干扰的预处理算法，随后提取出G通道的IPPG信号；
4)、将所述预处理后的G通道的IPPG信号作为血糖的时域信号；
步骤3、对步骤1采集到的皮肤组织漫反射光谱进行处理，得到人体皮肤组织的的漫反射光谱；
1)、采集受试者皮肤组织的漫反射光谱，将多个漫反射光谱数据求均值得到人体组织的平均漫反射光谱。
2)、将所述平均漫反射光谱作为血糖的谱域信号；
步骤4、对步骤1采集到的皮肤组织视频进行图像处理，得到单帧图像。选择单帧图像的任一帧，得到图像空间维度特征。
1)、针对单帧图像的任一帧，选择含有皮肤组织图像的区域，以矩形矩阵选取[a2,b2]的任意像素点位置作为图像空间维度特征提取的感兴趣区域；其中，a2为高度，b2为宽度，a2和b2小于CCD相机采集的图像尺寸(a2和b2可以与a1和b1相同)；
2)、利用降噪自编码算法提取感兴趣区域图像的的空间维度特征；
3)、对所述空间维度特征进行处理，进行冗余特征的去除，得到和血糖浓度相关的空间维度特征作为血糖的空域信号；
步骤5、重复步骤1，2，3和4，对不同的受试者进行多次时域，谱域，空域信号的采集，以及血糖值的采集，得到多个受试者的G通道的IPPG信号作为血糖的时域信号，漫反射光谱作为血糖的谱域信号以及空间维度特征作为血糖的空域信号以及有创血糖值作为真值；
步骤6、将步骤5得到的时-谱-空信号以及有创血糖参考值作为数据集。将数据集划分为训练集和测试集，采用深度学习算法在训练集上训练出通用的血糖浓度预测模型，再将测试集输入到通用血糖浓度预测模型中，得到测试集中每一位受试者的预测血糖浓度值。
有益效果
1、本发明一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法，是基于多参数融合的光学无创式血糖浓度测量方法，能有效改善血糖浓度检测精度信噪比低下的问题。
2、本发明适用于人体不同部位的时-谱-空多参数信号的获取以及多参数特征的融合。
3、本发明利用非接触的光学检测方式无创伤、准确、便捷的实现不同受试者的通用血糖浓度检测模型的建立，其结果可以作为辅助医生作为专业判断的依据。
附图说明
图1为实施例提供的基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法的装置示意图；
图2为实施例提供的基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法的总体流程图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明提出的一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法作进一步详细说明。需要说明的是：附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，附图所展示的结构是实际结构的一部分；本发明所述人体皮肤组织不局限于手指，人体其他组织能提取到脉搏波以及得到皮肤组织漫反射光谱的部位同样适用。本发明中所采用的深度学习算法不局限于某种回归模型算法。
一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法，其装置示意图如图1所示，总体流程图如图2所示。
步骤1、使用可见光源对人体不同部位的皮肤组织进行光照，同时开启光谱仪以及CCD相机采集相应光照区域含有脉搏信息的视频以及相应的漫反射光谱；
1)、启动光源，CCD相机以及光谱仪：
受试者静止坐在椅子上，使用可见光源对人体不同部位的皮肤组织进行均匀光照，同时开启CCD相机以及光谱仪。在可见光光源前放置起偏器，CCD相机前放置检偏器。起偏器和检偏器去除镜面反射光的影响。所述人体不同部位的皮肤组织指面部、手臂、手指等可以提取出脉搏波的部位。所述实施例以人体手指视频作为检测部位进行说明。
2)、同步采集受试者手指部位的视频以及相应的漫反射光谱，以及通过有创方式获得血糖浓度值作为真值；光谱仪光纤聚焦到光照下的手指皮肤组织区域进行采集，采集帧率为30fps，采集时间为30秒(或30秒以上)；CCD相机采集包含有光纤采集的光照下手指皮肤组织区域的视频，采集时间同步光谱仪采集时间，CCD相机帧率为30fps，采集图像尺寸为1920×1000；拍摄期间受试者保持相对静止的状态。
步骤2、对步骤1采集到的视频进行图像处理，得到IPPG信号；
1)、针对采集的受试者皮肤组织视频的第一帧图像，以矩形矩阵选取[a1,b1]含有皮肤组织图像的任意像素点区域作为IPPG信号提取的感兴趣区域；其中，a1为高度，b1为宽度，a1和b1小于CCD相机采集的图像尺寸；
2)、计算所述感兴趣区域的像素均值，得到原始IPPG信号；
感兴趣区域[a1,b1]区域内的任意像素值可由公式(1)进行计算：
C(x,y)＝I×(ρs(t)+ρd(t))+Vn (1)
其中，C(x,y)表示坐标为(x,y)的像素对应的光强值；I表示光源光强；ρs(t)以及ρd(t)分别表示镜面反射系数和漫反射系数；Vn表示CCD相机的量化噪声。
由公式(2)在每一帧图像上进行所有像素平均化处理去除Vn，即：
其中，表示一帧图像上像素的平均光强度。起偏器和检偏器去除和镜面反射ρs(t)，则在时间序列t下所有/>集合构成的IPPG信号如公式(3)：
3)、对所述原始IPPG信号进行RGB颜色通道分离以及采用去除非生理参数干扰的预处理算法，随后提取出G通道的IPPG信号；
4)、将所述预处理后的G通道的IPPG信号作为血糖的时域信号；
步骤3、对步骤1采集到的皮肤组织漫反射光谱进行处理，得到人体皮肤组织的的漫反射光谱；
1)、采集受试者皮肤组织的漫反射光谱，将多个漫反射光谱数据求均值得到人体组织的平均漫反射光谱。
2)、将所述平均漫反射光谱作为血糖的谱域信号；
步骤4、对步骤1采集到的皮肤组织视频进行图像处理，得到单帧图像。选择单帧图像的任一帧，得到图像空间维度特征。
1)、针对单帧图像的任一帧，选择含有皮肤组织图像的区域，以矩形矩阵选取[a2,b2]的任意像素点位置作为图像空间维度特征提取的感兴趣区域；其中，a2为高度，b2为宽度，a2和b2小于CCD相机采集的图像尺寸(a2和b2可以与a1和b1相同)；
2)、利用降噪自编码算法提取感兴趣区域图像的的空间维度特征；
3)、对所述空间维度特征进行处理，进行冗余特征的去除，得到和血糖浓度相关的空间维度特征作为血糖的空域信号；
步骤5、重复步骤1，2，3和4，对不同的受试者进行多次时域，谱域，空域信号的采集，以及血糖值的采集，得到多个受试者的G通道的IPPG信号作为血糖的时域信号，漫反射光谱作为血糖的谱域信号以及空间维度特征作为血糖的空域信号以及有创血糖值作为真值；
1)所述受试者采集人数在100人以上以获取更广泛的数据集。
步骤6、将步骤5得到的时-谱-空信号以及有创血糖参考值作为数据集。将数据集划分为训练集和测试集，采用深度学习算法在训练集上训练出通用的血糖浓度预测模型，再将测试集输入到通用血糖浓度预测模型中，得到测试集中每一位受试者的预测血糖浓度值。
1)将步骤5得到的时-谱-空信号以及有创血糖参考值作为数据集，具体为每一个受试者的时-谱-空信号为数据集的输入，相应的有创血糖值为数据集的输出。将数据集随机划分不同比例的训练集和测试集；
2)采用随机森林回归模型、支持向量机回归模型等在所述训练集的基础上，输入时-谱-空血糖相关信号以及有创血糖浓度值建立非特异性的血糖浓度预测模型。
3)将测试集的时-谱-空血糖相关信号输入到所述非特异性的血糖浓度预测模型，预测出血糖浓度值；
以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法，其特征在于：包括如下步骤：
步骤1、同步采集受试者具有脉搏跳动部位的皮肤组织的视频以及相应的漫反射光谱，并以有创手指采血的方式获得血糖的浓度值作为真值；
步骤2、对步骤1采集到的皮肤组织的视频进行图像处理，得到IPPG信号；
1)、针对采集的受试者皮肤组织视频的第一帧图像，以矩形矩阵选取[a1,b1]含有皮肤组织图像的任意像素点区域作为IPPG信号提取的感兴趣区域；其中，a1为高度，b1为宽度，a1和b1小于CCD相机采集的图像尺寸；
2)、计算所述感兴趣区域的像素均值，得到原始IPPG信号；
3)、对所述原始IPPG信号进行RGB颜色通道分离以及采用去除非生理参数干扰的预处理算法，随后提取出G通道的IPPG信号；
4)、将所述预处理后的G通道的IPPG信号作为血糖的时域信号；
步骤3、对步骤1采集到的皮肤组织漫反射光谱进行处理，得到人体皮肤组织的的漫反射光谱；
1)、采集受试者皮肤组织的漫反射光谱，将多个漫反射光谱数据求均值得到人体组织的平均漫反射光谱。
2)、将所述平均漫反射光谱作为血糖的谱域信号；
步骤4、对步骤1采集到的皮肤组织视频进行图像处理，得到单帧图像。选择单帧图像的任一帧，得到图像空间维度特征。
1)、针对单帧图像的任一帧，选择含有皮肤组织图像的区域，以矩形矩阵选取[a2,b2]的任意像素点位置作为图像空间维度特征提取的感兴趣区域；其中，a2为高度，b2为宽度，a2和b2小于CCD相机采集的图像尺寸(a2和b2可以与a1和b1相同)；
2)、利用降噪自编码算法提取感兴趣区域图像的的空间维度特征；
3)、对所述空间维度特征进行处理，进行冗余特征的去除，得到和血糖浓度相关的空间维度特征作为血糖的空域信号；
步骤5、重复步骤1，2，3和4，对不同的受试者进行多次时域，谱域，空域信号的采集，以及血糖值的采集，得到多个受试者的G通道的IPPG信号作为血糖的时域信号，漫反射光谱作为血糖的谱域信号以及空间维度特征作为血糖的空域信号以及有创血糖值作为真值；
步骤6、将步骤5得到的时-谱-空信号以及有创血糖参考值作为数据集。将数据集划分为训练集和测试集，采用深度学习算法在训练集上训练出通用的血糖浓度预测模型，再将测试集输入到通用血糖浓度预测模型中，得到测试集中每一位受试者的预测血糖浓度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210758885.6A CN117357105A (zh) | 2022-06-29 | 2022-06-29 | 一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210758885.6A CN117357105A (zh) | 2022-06-29 | 2022-06-29 | 一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117357105A true CN117357105A (zh) | 2024-01-09 |
Family
ID=89393356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210758885.6A Pending CN117357105A (zh) | 2022-06-29 | 2022-06-29 | 一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117357105A (zh) |
-
2022
- 2022-06-29 CN CN202210758885.6A patent/CN117357105A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11330985B2 (en) | Near-infrared optical imaging system for hemodynamic imaging, pulse monitoring, and mapping spatio-temporal features | |
| Fernandes et al. | A novel nonintrusive decision support approach for heart rate measurement | |
| CN110269600B (zh) | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 | |
| Blackford et al. | Effects of frame rate and image resolution on pulse rate measured using multiple camera imaging photoplethysmography | |
| JP5948831B2 (ja) | 測定装置、測定方法、プログラム及び記録媒体 | |
| CN111387959A (zh) | 一种基于ippg的非接触式生理参数检测方法 | |
| CN111387966B (zh) | 信号波重构方法及心率变异性信息的检测设备 | |
| CN112294282A (zh) | 基于rppg的情绪检测装置的自标定方法 | |
| Yin et al. | Heart rate estimation based on face video under unstable illumination | |
| Li et al. | An improvement for video-based heart rate variability measurement | |
| Zhang et al. | Using rear smartphone cameras as sensors for measuring heart rate variability | |
| CN114387479A (zh) | 一种基于人脸视频的非接触式心率测量方法及系统 | |
| CN117357105A (zh) | 一种基于时-谱-空多参数融合的光学无创式血糖浓度检测的方法 | |
| CN115474930A (zh) | 一种基于高光谱图像重建的无创血红蛋白检测方法 | |
| Kedir et al. | Spectranet: A deep model for skin oxygenation measurement from multi-spectral data | |
| Kuang et al. | Shuffle-rPPGNet: Efficient network with global context for remote heart rate variability measurement | |
| CN113591769A (zh) | 基于光电容积脉搏描记法的非接触式心率检测方法 | |
| Yao et al. | Research on heart rate Extraction method based on mobile phone video | |
| CN114209299B (zh) | 一种基于ippg技术的人体生理参数检测通道选择的方法 | |
| CN210990237U (zh) | 一种电磁波、脉搏波和人脸识别的无创体检设备 | |
| Zhang et al. | Analysis of factors on bvp signal extraction based on imaging principle | |
| Lee et al. | Rolling shutter speckle plethysmography for quantitative cardiovascular monitoring | |
| CN113143264B (zh) | 一种基于血液灌注成像的血糖检测区域选择的方法 | |
| CN110298902B (zh) | 一种医学红外图像重建方法、系统和计算机及存储介质 | |
| CN117542127B (zh) | 基于多光谱偏振光的皮肤检测方法及装置 |
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 |