CN118078277A - 一种基于高光谱数据分析的无创血糖检测方法 - Google Patents
一种基于高光谱数据分析的无创血糖检测方法 Download PDFInfo
- Publication number
- CN118078277A CN118078277A CN202410243314.8A CN202410243314A CN118078277A CN 118078277 A CN118078277 A CN 118078277A CN 202410243314 A CN202410243314 A CN 202410243314A CN 118078277 A CN118078277 A CN 118078277A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- blood glucose
- target
- data
- regression model
- 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 154
- 210000004369 blood Anatomy 0.000 title claims abstract description 154
- 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 130
- 239000008103 glucose Substances 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000007405 data analysis Methods 0.000 title claims abstract description 61
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 79
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 241000282414 Homo sapiens Species 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010521 absorption reaction Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002792 vascular Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual 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
- A61B5/0059—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, 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
- A61B5/72—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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Emergency Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及医疗技术领域，公开了一种基于高光谱数据分析的无创血糖检测方法，该方法包括：获取人体皮肤血管区域的高光谱图像数据集，高光谱图像数据集包括二维空间数据以及一维光谱数据；根据二维空间数据确定血管位置处的目标像元，并提取目标像元对应的目标光谱数据；基于目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，预测回归模型用于对被测目标的血糖浓度进行无创检测。本发明通过获取高光谱图像数据集，根据高光谱图像数据集中的二维空间数据以及一维光谱数据训练初始回归模型，使用训练获得的预测回归模型进行无创检测，无需穿刺患者皮肤，避免了引起患者局部不适或轻微疼痛，有效提高了患者的治疗体验。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种基于高光谱数据分析的无创血糖检测方法。
背景技术
糖尿病(Diabetes Mellitus，DM)是一种典型的以高血糖临床表现为特征的慢性代谢障碍疾病。随着糖尿病患者患病时间的延长、症状逐渐加重，其血管和肾脏等重要器官极易受到损伤并引发系列并发症，严重危害人类的生命健康。因此，血糖浓度的快速、简易和便利的检测方法和仪器不仅是降糖药物剂量选择的依据，还在糖尿病患者的日常生活中起到自我健康诊断、疾病早期预防和治疗方面的重要作用。
目前，在糖尿病患者的血糖调控和健康管理上，通常采用微创检测方法，该方法通过使用各种先进的手术器械和视觉图像设备，通过小切口或自然腔道进入人体内部进行治疗。但是上述方法需要穿刺患者皮肤，会引起局部不适或轻微疼痛，导致患者治疗体验不佳。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于高光谱数据分析的无创血糖检测方法，旨在解决现有技术需要穿刺患者皮肤，会引起局部不适或轻微疼痛，导致患者治疗体验不佳的技术问题。
为实现上述目的，本发明提供了一种基于高光谱数据分析的无创血糖检测方法，所述方法包括：
获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据；
根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据；
基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
可选地，所述根据所述二维空间数据确定血管位置处的目标像元的步骤，包括：
检测所述人体皮肤血管区域的区域类型；
若所述区域类型为人体皮肤血管凸显区域类型，则识别凸显血管的空间维度信息；
从所述二维空间数据中选取与所述空间维度信息匹配的像元作为目标像元。
可选地，所述检测所述人体皮肤血管区域的区域类型的步骤之后，还包括：
若所述区域类型为毛细血管密集区域类型，则选取所述二维空间数据中的各像元作为目标像元。
可选地，所述基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型的步骤，包括：
确定所述目标光谱数据中的目标血糖吸收特征；
确定所述目标像元对应的目标血糖浓度真值标签；
根据所述目标血糖吸收特征和所述目标血糖浓度真值标签对所述初始回归模型进行训练，获得所述预测回归模型。
可选地，所述确定所述目标光谱数据中的目标血糖吸收特征的步骤，包括：
在所述目标光谱数据中确定反射光波的反射光强；
确定所述反射光波对应的入射光波的入射光强；
根据所述反射光强和所述入射光强的强度差异确定目标血糖吸收特征。
可选地，所述获取人体皮肤血管区域的高光谱图像数据集的步骤之前，还包括：
通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像；
确定所述初始高光谱图像中各像元的血糖浓度真值标签；
对所述初始高光谱图像进行降噪处理，获得处理后高光谱图像；
根据所述处理后高光谱图像和各血糖浓度真值标签构建高光谱图像数据集。
可选地，所述通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像的步骤之前，还包括：
通过高光谱仪拍摄携带预设标志的样本模型的样本图像；
在所述样本图像符合预设清晰条件时，通过所述高光谱仪采集白板参考图像和黑色背景图像；
根据所述白板参考图像和所述黑色背景图像对所述高光谱仪进行校正。
此外，为实现上述目的，本发明还提出一种基于高光谱数据分析的无创血糖检测装置，所述装置包括：
信息采集模块，用于获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据；
数据处理模块，用于根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据；
血糖检测模块，用于基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
此外，为实现上述目的，本发明还提出一种基于高光谱数据分析的无创血糖检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于高光谱数据分析的无创血糖检测程序，所述基于高光谱数据分析的无创血糖检测程序配置为实现如上文所述的基于高光谱数据分析的无创血糖检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于高光谱数据分析的无创血糖检测程序，所述基于高光谱数据分析的无创血糖检测程序被处理器执行时实现如上文所述的基于高光谱数据分析的无创血糖检测方法的步骤。
本发明提供了一种基于高光谱数据分析的无创血糖检测方法，该方法包括通过获取人体皮肤血管区域的高光谱图像数据集，高光谱图像数据集包括二维空间数据以及一维光谱数据；根据二维空间数据确定血管位置处的目标像元，并提取目标像元对应的目标光谱数据；基于目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，预测回归模型用于对被测目标的血糖浓度进行无创检测。本发明通过获取高光谱图像数据集，由高光谱图像数据集中的二维空间数据确定血管位置处的目标像元，然后根据目标像元对应的目标光谱数据训练初始回归模型，使用训练获得的预测回归模型进行无创检测，无需穿刺患者皮肤，避免了引起患者局部不适或轻微疼痛，有效提高了患者的治疗体验。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的基于高光谱数据分析的无创血糖检测设备结构示意图；
图2为本发明基于高光谱数据分析的无创血糖检测方法第一实施例的流程示意图；
图3为本发明基于高光谱数据分析的无创血糖检测方法第一实施例中无创血糖检测系统示意图；
图4为本发明基于高光谱数据分析的无创血糖检测方法第二实施例的流程示意图；
图5为本发明基于高光谱数据分析的无创血糖检测方法第三实施例的流程示意图；
图6为本发明基于高光谱数据分析的无创血糖检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于高光谱数据分析的无创血糖检测设备结构示意图。
如图1所示，该基于高光谱数据分析的无创血糖检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的非易失性存储器(Non-VolatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于高光谱数据分析的无创血糖检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于高光谱数据分析的无创血糖检测程序。
在图1所示的基于高光谱数据分析的无创血糖检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于高光谱数据分析的无创血糖检测设备中的处理器1001、存储器1005可以设置在基于高光谱数据分析的无创血糖检测设备中，所述基于高光谱数据分析的无创血糖检测设备通过处理器1001调用存储器1005中存储的基于高光谱数据分析的无创血糖检测程序，并执行本发明实施例提供的基于高光谱数据分析的无创血糖检测方法。
本发明实施例提供了一种基于高光谱数据分析的无创血糖检测方法，参照图2，图2为本发明基于高光谱数据分析的无创血糖检测方法第一实施例的流程示意图。
本实施例中，所述基于高光谱数据分析的无创血糖检测方法包括以下步骤：
步骤S10：获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据。
需要说明的是，本实施例方法的执行主体可以是具有无创血糖检测、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，还可以是实现相同或相似功能的其他电子设备。以下以上述基于高光谱数据分析的无创血糖检测设备(简称检测设备)对本实施例和下述各实施例进行说明。
可理解的是，上述人体皮肤血管区域可为被测目标身体部位中包含静脉血管或动脉血管的皮肤区域，如手背或手指。
需要说明的是，上述高光谱图像数据集可为同一人体皮肤血管区域在不同血糖浓度的下的高光谱图像集合。
如图3所示，图3为本发明基于高光谱数据分析的无创血糖检测方法第一实施例中无创血糖检测系统示意图。图3中，无创血糖检测系统包括：光源1、高光谱仪2、被测目标3、实验平台4以及检测设备5。以波长范围为380～1100nm的卤素灯光源作为光源1、以人体手背血管凸显区域作为被测目标3、以近红外增强镜头作为高光谱仪2的镜头、以460～1000nm的光谱测量范围进行举例说明。在检测开始时，高光谱仪2可以通过数据线与检测设备5的图像采集软件端口连接，将光源1、高光谱仪2和检测设备5接通电源，被测目标3放置于实验平台4上。光源1为高光谱仪2提供环境光，在暗室环境，使用上述光源1照射手背血管区域之后，高光谱仪2能够对被测目标3的人体皮肤血管区域进行多次拍摄，获得不同浓度的高光谱图像，然后将获得的多个高光谱图像发送至检测设备5，由检测设备5进行汇总，获得由二维空间数据以及一维光谱数据构成的高光谱图像数据集。
可理解的是，上述二维空间数据可为表征高光谱图像中各像元所处空间位置的坐标数据。
需要说明的是，被高光谱仪接收和成像的部分反射光深入血管内部，一部分反射光能被血糖吸收，使得该反射光在反射前后的光强存在强度差异，该强度差异映射了血糖浓度，故而，一维光谱数据具备血糖吸收信息。
进一步地，本实施例中，所述获取人体皮肤血管区域的高光谱图像数据集的步骤之前，还包括：
步骤S01：通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像。
在具体实现中，上述高光谱仪在完成一次人体皮肤血管区域的初始高光谱图像拍摄后，可以在更换被测目标的血糖浓度之后，重复上述过程，获得不同血糖浓度的初始高光谱图像，然后将获得的多个初始高光谱图像反馈至检测设备。
进一步地，本实施例中，所述步骤S01之前，还包括：
步骤S011：通过高光谱仪拍摄携带预设标志的样本模型的样本图像。
需要说明的是，上述预设标志可为预先设定的，用于确保测量准确性的图案。
在具体实现中，如图3所示，可以先将携带预设标志的样本模型放置于实验平台4上，由高光谱仪2对该样本模型进行拍摄，检测设备5可获取高光谱仪2拍摄获得的样本图像。
步骤S012：在所述样本图像符合预设清晰条件时，通过所述高光谱仪采集白板参考图像和黑色背景图像。
需要说明的是，上述预设清晰条件可为判断高光谱仪拍摄获得的图像是否清晰的条件。
可理解的是，上述白板参考图像可为具有高反射率表面的图像。
需要说明的是，上述黑色背景图像可为用于获取成像系统的最小反射强度的图像。
在具体实现中，上述检测设备在获得样本图像之后，判断上述样本图像是否符合预设清晰条件，在不符合该预设清晰条件时，可以调节高光谱仪的相关参数，如镜头焦距、实验平台高度、光斑亮度以及光斑大小等，然后在相关参数调节后重复上述过程，直至获取到的样本图像符合预设清晰条件，在样本图像符合清晰条件时，即可判定高光谱仪能够拍摄获得清晰的图像，以确保后续过程能够获取到清晰的体皮肤血管区域的光谱图像，提高无创血糖的检测精度。
此外，上述检测设备在判定样本图像符合预设清晰条件时，可以通过高光谱仪采集白板参考图像和黑色背景图像。
步骤S013：根据所述白板参考图像和所述黑色背景图像对所述高光谱仪进行校正。
在具体实现中，上述检测设备可以通过该白板参考图像确定成像系统的最大反射强度，以便于归一化其他图像的反射强度，消除由于光源强度变化或仪器响应不一致等因素导致的系统误差。通过该黑色背景图像确定成像系统的最小反射强度，通过比较白板参考图像和黑色背景图像的反射强度可以校准图像数据的动态范围，确保在不同光照条件下采集的数据具有一致性，完成高光谱仪的校正。
此外，在通过白板参考图像和黑色背景图像完成高光谱仪的校正后，便可以将样本模型替换为人体皮肤血管区域的被测目标。
步骤S02：确定所述初始高光谱图像中各像元的血糖浓度真值标签。
在具体实现中，上述检测设备可以在获得初始高光谱图像之后，获取初始高光谱图像中各像元的实际血糖浓度，将该实际血糖浓度作为血糖浓度真值标签。其中，上述实际血糖浓度用于预测回归模型的训练，在完成预测回归模型的训练之后，便无需再测量像元的实际血糖浓度，而是由预测回归模型进行预测。
步骤S03：对所述初始高光谱图像进行降噪处理，获得处理后高光谱图像。
在具体实现中，上述检测设备可以采用最小噪声分离对初始高光谱图像进行降噪预处理，获得处理后高光谱图像，以在光谱和空间维度实现信噪比的提高。
步骤S04：根据所述处理后高光谱图像和各血糖浓度真值标签构建高光谱图像数据集。
在具体实现中，上述检测设备可以将处理后高光谱图像中的各像元与对应血糖浓度真值标签关联，获得包含血糖浓度真值标签的高光谱图像数据集。
步骤S20：根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据。
在具体实现中，上述检测设备可以在二维空间数据中确定表征血管位置的坐标，并将该坐标对应的像元作为血管位置处的目标像元，然后在一维光谱数据中确定该目标像元对应的目标光谱数据。
步骤S30：基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
需要说明的是，上述初始回归模型可为按照误差逆向传播算法进行训练的模型，例如反向传播神经网络模型。该初始回归模型在训练过程中，可以通过计算实际输出值和目标输出值之间的误差，并反向传播误差来更新网络中的权重，从而不断提高网络的预测性能。
在具体实现中，上述检测设备可以将目标光谱数据作为模型输入，将目标像元的血糖浓度真值标签作为模型输出对初始回归模型进行训练，获得预测回归模型，由于目标光谱数据携带了血糖吸收信息，因此，训练获得的预测回归模型中包含了血糖浓度与血糖吸收特征的关系，通过该预测回归模型便可实现对被测目标的血糖浓度进行无创检测。
应理解的是，本实施例获取的高光谱图像数据包含二维空间数据和一维光谱数据，每一像元在空间位置上采集的光谱维度数据作为预测回归模型的样本输入，有效解决了机器学习算法对数据样本量需求的问题。
本实施例通过获取人体皮肤血管区域的高光谱图像数据集，高光谱图像数据集包括二维空间数据以及一维光谱数据；根据二维空间数据确定血管位置处的目标像元，并提取目标像元对应的目标光谱数据；基于目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，预测回归模型用于对被测目标的血糖浓度进行无创检测。本实施例通过获取高光谱图像数据集，由高光谱图像数据集中的二维空间数据确定血管位置处的目标像元，然后根据目标像元对应的目标光谱数据训练初始回归模型，使用训练获得的预测回归模型进行无创检测，无需穿刺患者皮肤，避免了引起患者局部不适或轻微疼痛，有效提高了患者的治疗体验。
参考图4，图4为本发明基于高光谱数据分析的无创血糖检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述根据所述二维空间数据确定血管位置处的目标像元的步骤，包括：
步骤S201：检测所述人体皮肤血管区域的区域类型。
在具体实现中，当人体皮肤血管区域为血管凸显区域(如近皮肤表层下的动、静脉血管，如手背)时，对应的区域类型为人体皮肤血管凸显区域类型，当人体皮肤血管区域为毛细血管密集区域(如手指)时，对应的区域类型为毛细血管密集区域类型。故而，上述检测设备可以检测人体皮肤血管区域的具体区域类型，以根据不同区域类型获取不同的光谱图像，确保获得的光谱图像包含血管位置，提高血糖浓度的检测精度。
步骤S202：若所述区域类型为人体皮肤血管凸显区域类型，则识别凸显血管的空间维度信息。
在具体实现中，上述检测设备在检测到上述区域类型为人体皮肤血管凸显区域类型，即人体皮肤血管区域为人体皮肤血管凸显区域时，可以通过相关图像识别算法，识别凸显血管的空间维度信息，即凸显血管的实际坐标位置。
步骤S203：从所述二维空间数据中选取与所述空间维度信息匹配的像元作为目标像元。
在具体实现中，上述检测设备可以从高光谱图像中的二维空间数据中选取与图像血管的空间维度信息匹配的目标二维空间数据，然后将该目标二维空间数据对应的像元作为目标像元。
进一步地，本实施例中，所述步骤S201之后，还包括：
若所述区域类型为毛细血管密集区域类型，则选取所述二维空间数据中的各像元作为目标像元。
在具体实现中，上述检测设备在检测得到上述区域类型为毛细血管密集区域类型，即人体皮肤血管区域为毛细血管密集区域时，判定该区域的像元均为血管位置，可以将人体皮肤血管区域内，即二维空间数据中的各像元作为目标像元。
本实施例通过检测所述人体皮肤血管区域的区域类型；若所述区域类型为人体皮肤血管凸显区域类型，则识别凸显血管的空间维度信息；从所述二维空间数据中选取与所述空间维度信息匹配的像元作为目标像元；若所述区域类型为毛细血管密集区域类型，则选取所述二维空间数据中的各像元作为目标像元，从而实现了不同区域类型采取不同的方式获取准确的目标像元，有效提高了血糖检测精度。
参考图5，图5为本发明基于高光谱数据分析的无创血糖检测方法第三实施例的流程示意图。
基于上述第二实施例，在本实施例中，所述步骤S10之后，所述方法还包括：
基于上述各实施例，提出本发明基于高光谱数据分析的无创血糖检测方法第四实施例。
在本实施例中，所述基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型的步骤，包括：
步骤S301：确定所述目标光谱数据中的目标血糖吸收特征。
在具体实现中，由于上述一维光谱数据携带了血糖吸收信息，故而上述检测设备可以在确定人体皮肤血管区域的目标光谱数据之后，可以将目标光谱数据对应的血糖吸收信息作为目标血糖吸收特征进行提取。
进一步地，本实施例中，所述步骤S301包括：
步骤S3011：在所述目标光谱数据中确定反射光波的反射光强。
在具体实现中，上述检测设备可以在确定目标光谱数据之后，确定反射光波的反射光强，该反射光波可为深入血管内部，被高光谱仪接收和成像的部分反射光。
步骤S3012：确定所述反射光波对应的入射光波的入射光强。
在具体实现中，上述检测设备可在入射光波深入血管内部时，确定该入射光波的入射光强，该入射光波即可为产生上述反射光波的输入光。
步骤S3013：根据所述反射光强和所述入射光强的强度差异确定目标血糖吸收特征。
在具体实现中，当反射光波的一部分波长被血管吸收时，反射光波会与入射光波产生强度差异，上述检测设备基于该强度差异便可确定目标像元处的目标血糖吸收信息，并将该目标血糖吸收信息作为目标血糖吸收特征。
步骤S302：确定所述目标像元对应的目标血糖浓度真值标签。
在具体实现中，上述检测设备可以从高光谱图像数据集中确定目标像元所对应的目标血糖浓度真值标签，即目标像元对应的实际血糖浓度。
步骤S303：根据所述目标血糖吸收特征和所述目标血糖浓度真值标签对所述初始回归模型进行训练，获得所述预测回归模型。
在具体实现中，上述检测设备可以将目标血糖吸收特征作为样本输入，目标血糖浓度真值标签作为样本输出对初始回归模型进行训练，获得上述预测回归模型，使该预测回归模型能够提取血糖浓度与吸收特征的规律，从而实现对血糖浓度的准确预测，有效提高了血糖浓度的检测精度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于高光谱数据分析的无创血糖检测程序，所述基于高光谱数据分析的无创血糖检测程序被处理器执行时实现如上文所述的基于高光谱数据分析的无创血糖检测方法的步骤。
参照图6，图6为本发明基于高光谱数据分析的无创血糖检测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的基于高光谱数据分析的无创血糖检测装置包括：
信息采集模块501，用于获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据。
数据处理模块502，用于根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据。
血糖检测模块503，用于基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
本实施例通过获取人体皮肤血管区域的高光谱图像数据集，高光谱图像数据集包括二维空间数据以及一维光谱数据；根据二维空间数据确定血管位置处的目标像元，并提取目标像元对应的目标光谱数据；基于目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，预测回归模型用于对被测目标的血糖浓度进行无创检测。本实施例通过获取高光谱图像数据集，由高光谱图像数据集中的二维空间数据确定血管位置处的目标像元，然后根据目标像元对应的目标光谱数据训练初始回归模型，使用训练获得的预测回归模型进行无创检测，无需穿刺患者皮肤，避免了引起患者局部不适或轻微疼痛，有效提高了患者的治疗体验。
作为一种实施方式，所述信息采集模块501，还用于通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像；确定所述初始高光谱图像中各像元的血糖浓度真值标签；对所述初始高光谱图像进行降噪处理，获得处理后高光谱图像；根据所述处理后高光谱图像和各血糖浓度真值标签构建高光谱图像数据集。
作为一种实施方式，所述信息采集模块501，还用于通过高光谱仪拍摄携带预设标志的样本模型的样本图像；在所述样本图像符合预设清晰条件时，通过所述高光谱仪采集白板参考图像和黑色背景图像；根据所述白板参考图像和所述黑色背景图像对所述高光谱仪进行校正。
基于本发明上述基于高光谱数据分析的无创血糖检测装置第一实施例，提出本发明基于高光谱数据分析的无创血糖检测装置的第二实施例。
在本实施例中，所述数据处理模块502，还用于检测所述人体皮肤血管区域的区域类型；若所述区域类型为人体皮肤血管凸显区域类型，则识别凸显血管的空间维度信息；从所述二维空间数据中选取与所述空间维度信息匹配的像元作为目标像元。
作为一种实施方式，所述数据处理模块502，还用于若所述区域类型为毛细血管密集区域类型，则选取所述二维空间数据中的各像元作为目标像元。
基于本发明上述基于高光谱数据分析的无创血糖检测装置第二实施例，提出本发明基于高光谱数据分析的无创血糖检测装置的第三实施例。
在本实施例中，所述血糖检测模块503，还用于确定所述目标光谱数据中的目标血糖吸收特征；确定所述目标像元对应的目标血糖浓度真值标签；根据所述目标血糖吸收特征和所述目标血糖浓度真值标签对所述初始回归模型进行训练，获得所述预测回归模型。
作为一种实施方式，所述血糖检测模块503，还用于在所述目标光谱数据中确定反射光波的反射光强；确定所述反射光波对应的入射光波的入射光强；根据所述反射光强和所述入射光强的强度差异确定目标血糖吸收特征。
本发明基于高光谱数据分析的无创血糖检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于高光谱数据分析的无创血糖检测方法，其特征在于，所述方法包括：
获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据；
根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据；
基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
2.如权利要求1所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述根据所述二维空间数据确定血管位置处的目标像元的步骤，包括：
检测所述人体皮肤血管区域的区域类型；
若所述区域类型为人体皮肤血管凸显区域类型，则识别凸显血管的空间维度信息；
从所述二维空间数据中选取与所述空间维度信息匹配的像元作为目标像元。
3.如权利要求2所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述检测所述人体皮肤血管区域的区域类型的步骤之后，还包括：
若所述区域类型为毛细血管密集区域类型，则选取所述二维空间数据中的各像元作为目标像元。
4.如权利要求3所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型的步骤，包括：
确定所述目标光谱数据中的目标血糖吸收特征；
确定所述目标像元对应的目标血糖浓度真值标签；
根据所述目标血糖吸收特征和所述目标血糖浓度真值标签对所述初始回归模型进行训练，获得所述预测回归模型。
5.如权利要求4所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述确定所述目标光谱数据中的目标血糖吸收特征的步骤，包括：
在所述目标光谱数据中确定反射光波的反射光强；
确定所述反射光波对应的入射光波的入射光强；
根据所述反射光强和所述入射光强的强度差异确定目标血糖吸收特征。
6.如权利要求1至5任一项所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述获取人体皮肤血管区域的高光谱图像数据集的步骤之前，还包括：
通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像；
确定所述初始高光谱图像中各像元的血糖浓度真值标签；
对所述初始高光谱图像进行降噪处理，获得处理后高光谱图像；
根据所述处理后高光谱图像和各血糖浓度真值标签构建高光谱图像数据集。
7.如权利要求6所述的高光谱数据分析的无创血糖检测方法，其特征在于，所述通过高光谱仪采集不同血糖浓度的人体皮肤血管区域的初始高光谱图像的步骤之前，还包括：
通过高光谱仪拍摄携带预设标志的样本模型的样本图像；
在所述样本图像符合预设清晰条件时，通过所述高光谱仪采集白板参考图像和黑色背景图像；
根据所述白板参考图像和所述黑色背景图像对所述高光谱仪进行校正。
8.一种基于高光谱数据分析的无创血糖检测装置，其特征在于，所述装置包括：
信息采集模块，用于获取人体皮肤血管区域的高光谱图像数据集，所述高光谱图像数据集包括二维空间数据以及一维光谱数据；
数据处理模块，用于根据所述二维空间数据确定血管位置处的目标像元，并提取所述目标像元对应的目标光谱数据；
血糖检测模块，用于基于所述目标光谱数据对初始回归模型进行模型训练，获得预测回归模型，所述预测回归模型用于对被测目标的血糖浓度进行无创检测。
9.一种基于高光谱数据分析的无创血糖检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于高光谱数据分析的无创血糖检测程序，所述基于高光谱数据分析的无创血糖检测程序配置为实现如权利要求1至7中任一项所述的基于高光谱数据分析的无创血糖检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于高光谱数据分析的无创血糖检测程序，所述基于高光谱数据分析的无创血糖检测程序被处理器执行时实现如权利要求1至7任一项所述的基于高光谱数据分析的无创血糖检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410243314.8A CN118078277A (zh) | 2024-03-04 | 2024-03-04 | 一种基于高光谱数据分析的无创血糖检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410243314.8A CN118078277A (zh) | 2024-03-04 | 2024-03-04 | 一种基于高光谱数据分析的无创血糖检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118078277A true CN118078277A (zh) | 2024-05-28 |
Family
ID=91154787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410243314.8A Pending CN118078277A (zh) | 2024-03-04 | 2024-03-04 | 一种基于高光谱数据分析的无创血糖检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118078277A (zh) |
-
2024
- 2024-03-04 CN CN202410243314.8A patent/CN118078277A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105578953B (zh) | 用于皮肤疾病的光学检测的系统和方法 | |
| US9117133B2 (en) | Systems and methods for hyperspectral imaging | |
| JP5948831B2 (ja) | 測定装置、測定方法、プログラム及び記録媒体 | |
| JP5399485B2 (ja) | 基点を用いて勾配を決定するための信号処理システムおよび方法 | |
| CN107505268A (zh) | 血糖检测方法及系统 | |
| US20160228008A1 (en) | Image diagnosis device for photographing breast by using matching of tactile image and near-infrared image and method for aquiring breast tissue image | |
| CN107374646B (zh) | 基于近红外技术的血糖检测装置及方法、电子装置 | |
| US20220095998A1 (en) | Hyperspectral imaging in automated digital dermoscopy screening for melanoma | |
| RU2747946C1 (ru) | Способ и устройство для обработки изображения, полученного с помощью оптоволоконного жгута | |
| KR101494638B1 (ko) | 반사 스펙트럼 추정을 이용하여 생체 내의 혈관을 영상화하는 방법, 그 방법을 이용한 혈관천자 안내 장치 및 사용자 인증 장치 | |
| US12014828B2 (en) | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient | |
| Miah et al. | Non-invasive bilirubin level quantification and jaundice detection by sclera image processing | |
| US20240233961A1 (en) | Non-invasive glycated hemoglobin or blood glucose measurement system and method which use monte carlo simulation | |
| US10548520B2 (en) | Non-invasive optical measurement of blood analyte | |
| CN116831528A (zh) | 一种基于高光谱重建的多尺度信息融合的糖尿病足预测方法 | |
| CN108742549B (zh) | 一种图像信息生成方法和脉搏波测量系统 | |
| CN118078277A (zh) | 一种基于高光谱数据分析的无创血糖检测方法 | |
| KR20100112544A (ko) | 비침습 혈당 측정 장치 | |
| CN115474930A (zh) | 一种基于高光谱图像重建的无创血红蛋白检测方法 | |
| CN116385447A (zh) | 一种甲襞白细胞的监测方法、装置、设备及介质 | |
| US20230346296A1 (en) | Monitoring of Autonomic Nervous System Activity Through Sweat Pore Activation | |
| Kong et al. | High-precision hemoglobin detection based on hyperspectral reconstruction of RGB images | |
| Wang et al. | Non-invasive blood glucose measurement based on visible light and embedded system | |
| JP7165399B2 (ja) | タンパク質に関する翻訳後修飾の直接的赤外線分析 | |
| US20230000357A1 (en) | Virtual hyperspectral imaging of biological tissue for blood hemoglobin analysis |
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 |