CN117379044A - 基于阵列式阻抗检测和图神经网络的无创血糖监测方法 - Google Patents
基于阵列式阻抗检测和图神经网络的无创血糖监测方法 Download PDFInfo
- Publication number
- CN117379044A CN117379044A CN202311519895.5A CN202311519895A CN117379044A CN 117379044 A CN117379044 A CN 117379044A CN 202311519895 A CN202311519895 A CN 202311519895A CN 117379044 A CN117379044 A CN 117379044A
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- data
- layer
- impedance
- 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 68
- 210000004369 blood Anatomy 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 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 45
- 239000008103 glucose Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000547 structure data Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 6
- 230000005284 excitation Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000002847 impedance measurement Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 44
- 238000005259 measurement Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002848 electrochemical method Methods 0.000 description 4
- 210000003722 extracellular fluid Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003491 skin Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 210000002977 intracellular fluid Anatomy 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229920001817 Agar Polymers 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000483002 Euproctis similis Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000011871 bio-impedance analysis Methods 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0531—Measuring skin impedance
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Dermatology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于阵列式阻抗检测和图神经网络的无创血糖监测方法，涉及医工融合技术领域。基于阵列式阻抗检测和图神经网络的无创血糖监测方法，包括以下步骤：S1、阵列式阻抗数据采集；S2、基于阵列式阻抗数据的图神经网络算法；其中，步骤S1中采用n*n阵列式阻抗采集板卡进行四线式阻抗数据采集；步骤S2中对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络进行模型训练，最后实现血糖浓度的精确估计。本发明采用上述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，能够解决现有的血糖监测方法精度不高的问题。
Description
技术领域
本发明涉及医工融合技术领域，尤其是涉及基于阵列式阻抗检测和图神经网络的无创血糖监测方法。
背景技术
血糖检测是糖尿病监测管理中的主要工作。目前,主流的血糖检测设备都是有创的,这种方式会给病患带来采血的疼痛,存在细菌、病毒通过血液感染的危险,也不便于进行连续的动态血糖检测，因此，无创、迅速、高效的血糖检测技术是目前血糖检测技术发展的新趋势。
无创血糖检测方式种类繁多，根据所用的不同技术分支主要可分为光学法与非光学法。但是，光学法的检测位置难以控制，每次测量点并不能完全重合，而人体结构的复杂性直接决定了每个测量点光反射的强度与光谱吸收的种类，所以测量精度往往得不到保证。非光学法血糖检测中，较为常见的有电化学法、生物电阻抗分析两种。其中，电化学法主要是通过对人体表皮施加弱电场改变人体内环境中组织液离子的运动方向，使其向皮肤表层聚集，进而在皮肤表面利用特殊的化学特性材料与其相互作用得到不同血糖浓度下的信号差异。电化学的血糖检测方式具备测量结果一致性好、精度高的优点。但是电化学法对检测材料依赖性强，制备与生产成本高且易消耗，利用其制作长期动态血糖监控设备存在系统鲁棒性不强、有失效风险的不足。
基于生物电阻抗的无创血糖检测方式，主要是将人体组织等效为阻容混合电路，血糖浓度的变化转化为段内皮肤的电阻抗信息。基于生物电阻抗信息的血糖检测方法具备检测材料无消耗、测量方式简单，因此相比与电化学法其具备长期监控血糖的能力。
图神经网络(GNN)是一种深度学习方法，专门设计用于处理图数据结构。这种网络模型可以有效地处理不规则的图结构数据和节点和边之间的复杂关系，提取图数据的潜在特征，从而进行分类、预测和聚类等任务。
图神经网络在实际应用中已经取得了很好的效果。例如，对于化学分子，可以利用图神经网络将其分类。在电子商务中，基于图的推荐系统可以通过学习用户和产品之间的交互关系来做出更加精准的推荐。在社交网络的分析中，图神经网络可以有效地发现用户之间的潜在关系，从而提供更加准确的分析结果。
通过对现有生物电阻抗无创血糖监测方法的了解，发现生物电阻抗的影响因素众多，血糖浓度的准确监测存在以下困难：
1、传统建模思路是利用血糖浓度与阻抗值的线性关系预测血糖浓度，建立单一频率或多频率数据的回归，模型相对简陋，缺少对更多信息的挖掘和建模，测量精度不高。
2、外部环境(如温度、湿度)、人体内环境组分复杂，且动态变化，会对阻抗大小产生影响，干扰对血糖浓度变化造成的阻抗变化的检测。血糖的信号容易淹没，无法提取出血糖浓度对于电阻抗的单独影响部分，因此传统的阻抗方式精度不高。
3、血糖监测时检测设备佩戴时存在位置移动，需要保证位置移动后，不同位置的人体组织会影响阻抗值大小，因此当重复测量时，难以保证测量位置一致，难以还原历史测量场景。
发明内容
本发明的目的是提供基于阵列式阻抗检测和图神经网络的无创血糖监测方法，以解决上述背景技术中存在的技术问题。
为实现上述目的，本发明提供了基于阵列式阻抗检测和图神经网络的无创血糖监测方法，包括以下步骤：
S1、阵列式阻抗数据采集；
S2、基于阵列式阻抗数据的图神经网络算法；
其中，步骤S1中采用n*n阵列式阻抗采集板卡进行四线式阻抗数据采集；步骤S2中对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络进行模型训练，最后实现血糖浓度的精确估计。
优选的，所述步骤S1具体步骤如下：
S1-1、激励点位与采集点位选取横向或纵向距离为1的一对电极作为检测点位，共有m种电极对组合，四线式阻抗测量中获得m*m种不同检测位点的组合；
S1-2、激励频率在0hz-200khz范围内对数式或等间距增长q次，对于血糖监测对象，通过检测位点的不同组合，可以获得m*m*q个阻抗数据用于推断血糖浓度。
优选的，所述步骤S2具体步骤如下：
S2-1、图数据构建：将采集到的阻抗数据构建为图数据，其中图数据构建方法为，将电极对抽象为图的节点，当两个节点中有共同电极，则为这两个节点建立一条连边，检测的阻抗数据存在每个节点的属性中；
S2-2、位置信息归一化：构建一个描述激励与采集位点之间距离的指标dij，对阻抗、相位乘上距离的权重进行变换，即Rij′＝Rij/dij，随后进行数据的归一化；其中Rki和φki分别代表激励点为k，采集点为i时的电阻、相位，dij的描述激励与采集位点之间距离的指标，Rij′代表距离归一化后的阻抗值；
S2-3、建立图神经网络模型Diff-PNA：建立图结构数据后利用Diff-PNA进行模型训练，具体模型结构包括差分层，PNA层，归一化层，池化层，全连接层。
优选的，所述步骤S2-3中差分层具体运算步骤如下：
a、首先，构建对照空白图，对照空白图是在不存在血糖影响时，阵列式采样数据构成的图结构数据；
然后，进行差分处理，用空白情形减去存在血糖情形下的阻抗数据，差分后，形成新的图数据，并对其进行归一化处理。
优选的，步骤S2-3中PNA层通过聚合节点与其邻居节点的特征，更新节点的特征表示，具体运算步骤如下：
通过使用节点的邻居信息进行特征传播，使得每个节点的特征可以受到相邻节点的影响，具体而言，PNA层的输出是更新后的节点特征矩阵，其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示，公式为：
其中，M和U是线性层的神经网络，U将级联消息的大小从减小回/>其中F是网络中隐藏特征的维度；
其中是张量积；
其中，d是节点的度。
优选的，所述步骤S2-3中归一化层为更新后的图节点属性做归一化，经过批归一化后，PNA层可以输出更加稳定的分布结果，让激活函数更好地发挥作用；归一化后，使用Relu(·)7max(0,)作为激活函数。
优选的，所述步骤S2-3中池化层为在图卷积神经网络中用于减少图中节点的数量，并保留重要的信息；池化操作将一组节点聚合为一个节点，从而减小图的规模；对全图的节点嵌入进行全局平均池化，从而获得全部节点的平均属性，作为整个图的表征。
优选的，所述步骤S2-3中全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测；全连接层中的每个节点与前一层的所有节点都有连接，每个连接都具有权重；全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合，以生成最终的预测结果。
本发明所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法的优点和积极效果是：
1、本发明采用阵列式阻抗采集，并将检测数据重构为图结构数据，考虑采用图神经网络进行整图分类，将检测结果划分到不同血糖浓度的类别中，获得血糖浓度的检测结果。
2、本发明在图神经网络中加入差分层，构建新的图神经网络模型(Diff-PNA)，以实现深度挖掘有效信息。
3、本发明在图神经网络构建时，增加对位置距离的归一化，在PNA层中加入将位置有效性事件信息，减少位置的影响。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明中电极点位图；
图2为本发明中原始的阵列式采集阻抗数据组织形成的图结构；
图3为本发明中图神经网络模型结构图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例
基于阵列式阻抗检测和图神经网络的无创血糖监测方法，包括以下步骤：
S1、阵列式阻抗数据采集；
S2、基于阵列式阻抗数据的图神经网络算法。
生物组织由大量形状各异的细胞构成，而这些细胞由细胞的内液、外液组成。在电学特性上，细胞内液和细胞外液表现电阻特性，细胞膜则表现出电容特性。因此，在生物组织施加的激励信号频率不同时，其表现的阻抗特性不一。Schwan的频散理论表明，生物组织存在α(1Hz～100Hz)、β(10kHz～100MHz)、γ(大于10MHz)三种频段的散射。在生物组织中，葡萄糖在细胞内、外液均有分布，因此本文选取属于主要表现细胞外液和内液的电特性的[10khz～150khz]频段进行无创血糖检测技术的研究。
在生物阻抗的测量中，接触阻抗会产生激励电压波形畸变、引入温度误差、影响频率特性等问题，而四电极阻抗测量通过分离激励回路和测量回路，有效降低接触阻抗的影响。本申请设计如图1和2所示的阵列式电极，采用四电极测量的方式进行生物阻抗的采集。各项尺寸及点位编号如图1和2所示，其中，采用4*4点阵排布，共16个。选取相对位置为1的电极对构成电极对集合EP＝[01，04，……ef]，且EEP，AEP∈EP。
一、阵列式阻抗数据采集
四线式阻抗测量法主要用于电阻阻值的精确测量，原理是利用欧姆定律来计算被测电阻的阻值，由两个两激励电极、两测量电极组成。在四线式测量法中，可以消除由于导线电阻引起的电压下降对测量结果的影响，被认为是目前为止最好的消除导线电阻引入误差(或将其将至最小的)的测试方案。
为了获得更加丰富的信息，采用4*4阵列式阻抗采集板卡进行四线式阻抗数据采集，电极点位如图1所示。
对于激励点位与采集点位考虑选取横向或纵向距离为1的一对电极作为检测点位，共有24种电极对组合，具体为[0-1、0-4、1-2、1-5、2-3、2-6、3-7、4-8、4-5、5-6、5-9、6-7、6-a、7-b、8-9、8-c、9-a、9-d、a-b、a-e、b-f、c-d、d-e、e-f]。因为四线式阻抗测量中，需要一对电极作为激励点位，一对电极作为采集点位，所以可以获得24*24种不同检测位点的组合。
此外，激励频率在1000hz-150000hz范围内对数式(或等间距)增长50次。对于一个血糖监测对象，通过检测位点的不同组合，可以获得24*24*50个阻抗数据用于推断血糖浓度。
二、基于阵列式阻抗数据的图神经网络算法
为了更好地挖掘数据中特征，充分利用不同检测位点组合之间的拓扑关联，增加血糖浓度检测的准确性。本部分对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络(Diff-PNA)进行模型训练，最后实现血糖浓度的精确估计。
1、图数据构建
将采集到的阻抗数据构建为图数据，为了能够将检测数据信息保留于节点属性中，考虑一种变换的图数据建构方法：将上述电极对(2个电极，而非单个电极)抽象为图的节点，如果两个节点中有共同电极(如“0-1”与“0-4”)，则为这两个节点建立一条连边，检测的阻抗数据存在每个节点的属性中。原始的阵列式采集阻抗数据可以组织成如图2所示的图结构。
为了包含尽量全面的信息，每个节点中存储的属性特征是：其作为采集点时，采集到的24个不同激励点刺激下的全部阻抗数据。
对于每一组激励-采集点对，都有对应的阻抗数据Z(R，φ)。因此，某一采集点i下，24个不同激励点刺激的所产生的阻抗数据(电阻、相位)和位置标记可以构成一个的24*3的矩阵。将这个矩阵拉直，形成一个72*1的向量，嵌入到节点中。图的节点的属性构成的矩阵记作：X＝[x1，x2，...，x24]′，满足xi＝[I1i，R1i，φ1i，…，I24i，R24i，φ24i]′，式中，xi代表图的第i个节点(作为采集点时)的属性，Rki和φki分别代表激励点为k，采集点为i时的电阻、相位。
2、位置信息归一化
考虑到不同位置信息的异质性，同时减弱检测位点相距较远时可能带来的潜在噪声。对于不同的位置的，构建一个描述激励与采集位点之间距离的指标dij，对阻抗、相位乘上距离的权重进行变换，即Rij′＝Rij/dij，式中，Rki和φki分别代表激励点为k，采集点为i时的电阻、相位，dij的描述激励与采集位点之间距离的指标，Rij′代表距离归一化后的阻抗值，随后进行数据的归一化。
3、建立图神经网络模型Diff-PNA
建立图结构数据后利用Diff-PNA进行模型训练，具体模型结构如图3所示，包括差分层，PNA层，归一化层，池化层，全连接层。
对于模型中不同的层，具体如下：
(1)差分层
首先，构建对照空白图。对照空白图是一种对环境噪声的刻画，即在不存在血糖影响时，阵列式采样数据构成的图结构数据。(测量不同激励频率下的数据)该图与上文所构建的图结构一样，节点是24个采集点，每个节点有24*3＝72个属性。
然后，进行差分处理。我们的差分步骤主要针对于节点属性。由于空白情形下的阻值往往大于存在血糖情形下的阻值，所以考虑用空白情形减去存在血糖情形下的阻抗数据。差分后，形成新的图数据，并对其进行归一化处理。具体公式为：
图的节点的属性构成的矩阵记作：X＝[x1，x2，…，x24]′，满足
xi＝[I1i，ΔR1i，Δφ1i，...，I24i，ΔR24i，Δφ24i]′。
(2)PNA层：通过聚合节点与其邻居节点的特征，更新节点的特征表示。
1.PNA层是图卷积神经网络的核心组成部分，用于在图结构数据上进行特征传播和学习。
2.通过使用节点的邻居信息进行特征传播，使得每个节点的特征可以受到相邻节点的影响。
具体而言，PNA层的输出是更新后的节点特征矩阵，其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示，公式为：
式中，M和U是线性层的神经网络，U将级联消息的大小从减小回/>其中F是网络中隐藏特征的维度。
式中，是张量积。
式中，d是节点的度。
(3)批归一化层：为更新后的图节点属性做归一化。
经过批归一化后，PNA层可以输出更加稳定的分布结果，让激活函数更好地发挥作用。归一化后，使用Relu(·)＝max(0，·)作为激活函数。
(4)池化层：在图卷积神经网络中用于减少图中节点的数量，并保留重要的信息。
池化操作将一组节点聚合为一个节点，从而减小图的规模。常见的图池化方法包括最大池化和平均池化，其中最大池化选取聚合节点中最大的特征值，而平均池化计算聚合节点的特征平均值。
由于本算法主要解决的问题是图分类问题，所以为了获得图的表征，考虑对全图的结点嵌入进行全局平均池化，从而获得全部节点的平均属性，作为整个图的表征。
(5)全连接层：全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测。全连接层中的每个节点与前一层的所有节点都有连接，每个连接都具有权重。全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合，以生成最终的预测结果。
对于图的分类问题，考虑一个线性的全连接层加上log-softmax函数作为分类器，并使用交叉熵损失函数，如下：
式中，各元素代表m是分类的个数，y为算法的分类标签，y^是分类的真实标签
三、算法结果
本发明利用琼脂及10种不同浓度的糖水溶液(1mol/L-10mol/L)，通过对同一个平台，修改不同浓度的糖水浓度，进行葡萄糖浓度分类，5折交叉验证的平均正确率为94％左右。
本发明采用阵列式阻抗采集，并将检测数据重构为图结构数据，考虑采用图神经网络进行整图分类，将检测结果划分到不同血糖浓度的类别中，获得血糖浓度的检测结果。本发明在图神经网络中加入差分层，构建新的图神经网络模型(Diff-PNA)，以实现深度挖掘有效信息。本发明在图神经网络构建时，增加对位置距离的归一化，在PNA层中加入将位置有效性事件信息，减少位置的影响。
因此，本发明采用上述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，能够解决现有的血糖监测方法精度不高的问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，包括以下步骤：
S1、阵列式阻抗数据采集；
S2、基于阵列式阻抗数据的图神经网络算法；
其中，步骤S1中采用n*n阵列式阻抗采集板卡进行四线式阻抗数据采集；步骤S2中对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络进行模型训练，最后实现血糖浓度的精确估计。
2.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S1具体步骤如下：
S1-1、激励点位与采集点位选取横向或纵向距离为1的一对电极作为检测点位，共有m种电极对组合，四线式阻抗测量中获得m*m种不同检测位点的组合；
S1-2、激励频率在0hz-200khz范围内对数式或等间距增长q次，对于血糖监测对象，通过检测位点的不同组合，可以获得m*m*q个阻抗数据用于推断血糖浓度。
3.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2具体步骤如下：
S2-1、图数据构建：将采集到的阻抗数据构建为图数据，其中图数据构建方法为，将电极对抽象为图的节点，当两个节点中有共同电极，则为这两个节点建立一条连边，检测的阻抗数据存在每个节点的属性中；
S2-2、位置信息归一化：构建一个描述激励与采集位点之间距离的指标dij，对阻抗、相位乘上距离的权重进行变换，即Rij′＝Rij/dij，随后进行数据的归一化；其中Rki和φki分别代表激励点为k，采集点为i时的电阻、相位，dij的描述激励与采集位点之间距离的指标，Rij′代表距离归一化后的阻抗值；
S2-3、建立图神经网络模型Diff-PNA：建立图结构数据后利用Diff-PNA进行模型训练，具体模型结构包括差分层，PNA层，归一化层，池化层，全连接层。
4.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中差分层具体运算步骤如下：
a、首先，构建对照空白图，对照空白图是在不存在血糖影响时，阵列式采样数据构成的图结构数据；
然后，进行差分处理，用空白情形减去存在血糖情形下的阻抗数据，差分后，形成新的图数据，并对其进行归一化处理。
5.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，步骤S2-3中PNA层通过聚合节点与其邻居节点的特征，更新节点的特征表示，具体运算步骤如下：
通过使用节点的邻居信息进行特征传播，使得每个节点的特征可以受到相邻节点的影响，具体而言，PNA层的输出是更新后的节点特征矩阵，其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示，公式为：
其中，M和U是线性层的神经网络，U将级联消息的大小从减小回/>其中F是网络中隐藏特征的维度；
其中是张量积；
其中，d是节点的度。
6.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中归一化层为更新后的图节点属性做归一化，经过批归一化后，PNA层可以输出更加稳定的分布结果，让激活函数更好地发挥作用；归一化后，使用Relu(•)＝max(0，·)作为激活函数。
7.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中池化层为在图卷积神经网络中用于减少图中节点的数量，并保留重要的信息；池化操作将一组节点聚合为一个节点，从而减小图的规模；对全图的节点嵌入进行全局平均池化，从而获得全部节点的平均属性，作为整个图的表征。
8.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测；全连接层中的每个节点与前一层的所有节点都有连接，每个连接都具有权重；全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合，以生成最终的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519895.5A CN117379044A (zh) | 2023-11-15 | 2023-11-15 | 基于阵列式阻抗检测和图神经网络的无创血糖监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519895.5A CN117379044A (zh) | 2023-11-15 | 2023-11-15 | 基于阵列式阻抗检测和图神经网络的无创血糖监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117379044A true CN117379044A (zh) | 2024-01-12 |
Family
ID=89464923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311519895.5A Pending CN117379044A (zh) | 2023-11-15 | 2023-11-15 | 基于阵列式阻抗检测和图神经网络的无创血糖监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117379044A (zh) |
-
2023
- 2023-11-15 CN CN202311519895.5A patent/CN117379044A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9615767B2 (en) | Fluid level indicator determination | |
| RU2626672C2 (ru) | Устройство (варианты) и способ автоматического мониторинга привычек питания | |
| Ashok et al. | Determination of blood glucose concentration by using wavelet transform and neural networks | |
| Ling et al. | Genetic-algorithm-based multiple regression with fuzzy inference system for detection of nocturnal hypoglycemic episodes | |
| MX2011009610A (es) | Sistemas y metodos para estimacion de parametros caracteristicos de espectros de impedancia gastrica en humanos. | |
| Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
| CN111887847A (zh) | 基于人体成分仪的内脏脂肪测量方法、装置、计算机设备和存储介质 | |
| Bera et al. | A multifrequency Electrical Impedance Tomography (EIT) system for biomedical imaging | |
| Wang et al. | Combined approach to estimate blood glucose level in noninvasive monitoring: Ultra-wide band microwave and cascaded general regression neural network | |
| Bera et al. | Studies on thin film based flexible gold electrode arrays for resistivity imaging in electrical impedance tomography | |
| Zhang et al. | Fast detection and data compensation for electrodes disconnection in long-term monitoring of dynamic brain electrical impedance tomography | |
| Bayford et al. | Focus on recent advances in electrical impedance tomography | |
| Rifai et al. | Quantification of dermis sodium concentration in skin layers by power spectral density drop of square-wave electrical impedance spectroscopy (PSDd-sEIS) | |
| CN117379044A (zh) | 基于阵列式阻抗检测和图神经网络的无创血糖监测方法 | |
| Yoshida et al. | The theory of peripheral nerve recording | |
| Wang et al. | Non-invasive, intelligent, and continuous monitoring of human blood glucose with UWB dual-antenna and cascade CNN | |
| CN116869504A (zh) | 一种用于脑缺血电导率分布重建的数据补偿方法 | |
| Griffiths | Tissue spectroscopy with electrical impedance tomography: computer simulations | |
| CN115517682A (zh) | 基于胃肠电信号的认知功能障碍预测系统及构建方法 | |
| Teklemariam et al. | A finite element model approach to determine the influence of electrode design and muscle architecture on myoelectric signal properties | |
| Schooling et al. | Modelling and analysis of electrical impedance myography of the lateral tongue | |
| Brehm et al. | Modeling the Design Characteristics of Woven Textile Electrodes for Long− Term ECG Monitoring | |
| Copot et al. | In vitro glucose concentration estimation by means of fractional order impedance models | |
| Copot et al. | Fractional order modeling of diffusion processes: A new approach for glucose concentration estimation | |
| Wang et al. | Modeling and analysis of cardioimpedance signals using polynomial models and fuzzy rule-based models |
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 |