CN106803009A - 一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 - Google Patents
一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 Download PDFInfo
- Publication number
- CN106803009A CN106803009A CN201510832642.2A CN201510832642A CN106803009A CN 106803009 A CN106803009 A CN 106803009A CN 201510832642 A CN201510832642 A CN 201510832642A CN 106803009 A CN106803009 A CN 106803009A
- Authority
- CN
- China
- Prior art keywords
- datas
- rbf neural
- dimension
- manifold learning
- blood glucose
- 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 24
- 210000004369 blood Anatomy 0.000 title claims abstract description 24
- 230000001537 neural effect Effects 0.000 title claims abstract description 17
- 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 11
- 239000008103 glucose Substances 0.000 title claims description 11
- 241001269238 Data Species 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000002835 absorbance Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G06F19/30—
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种近红外透射法无创血糖仪的校正模型算法。该算法在朗伯比尔定律的基础上进行非线性扩展和非线性降维，用RBF神经网络建立校正模型。包括以下步骤：首先对用LED‑光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括多项式扩展及对数扩展；对原始数据和扩展后的共25维数据，运用流形学习降维理论中的局部线性嵌入(Locally Linear Embedding，LLE)算法，把25维数据降为10维；用连续投影算法(Successive Projections Algorithm，SPA)从10维数据中选出5个敏感波长数据；对5个波长数据运用RBF神经网络建立校正模型。
Description
技术领域
本发明属于对近红外光谱建立校正模型的化学计量学领域，具体涉及到计算机技术、化学计量学、模式识别、机器学习等方法。
背景技术
随着现代人类生活方式、饮食习惯的改变以及人口老龄化的加剧，糖尿病发病率近年来大幅上升，糖尿病及其并发症所造成的影响己成为严重的公共卫生问题之一。越来越多的糖尿病患者需要每天多次对体内血糖浓度进行定时或者依身体情况随时监测。一般患者每天需要检测4-6次血糖，而现市场上所售的血糖仪大多为有创的，需要扎针取血，使患者遭受痛苦，而且还有可能引起伤口感染，不利于血糖的频繁检测。针对有创血糖检测的严重缺陷，人们开始将注意力转移至高效，便捷的无创血糖检测上。
人体血糖浓度的无创测量，可以运用近红外透射法测量耳垂部位，根据多个波长的吸光度来估算血糖浓度值。但是人体结构非常复杂，血液中各种成分相互影响，基于朗伯比尔定律的校正算法，如多元线性回归、偏最小二乘回归等方法，无法描述人体光谱吸光度的非线性特性，导致对血糖浓度的估计精度无法达到实用的精度标准。
发明内容
鉴于近红外光谱校正模型线性方法的局限性，本发明的目的是提供一种针对人体血糖浓度测量的非线性光谱校正算法。该算法通过扩展非线性因素和非线性降维等方法，增强了校正模型对人体的适应性，有效提高了血糖浓度的估计精度。
本发明的技术方法，包括如下步骤：
步骤一：对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括全部二项式扩展及对数扩展，如X12，X22，X32，X42，X52，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，log(X1)等；
步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(Locally linear embedding，LLE)算法，把25维数据降为10维；在LLE降维过程中，需要对参数k和d进行优化；其中k为邻域参数，d为样本本征维数，k和d均取整数；本方法采用网格搜索法选取k和d的最优值；
步骤三：用连续投影算法 (Successive Projections Algorithm , SPA)从10维数据中选出对血糖浓度预测最敏感的5个波长数据；
步骤四：对5个波长数据运用RBF神经网络建立校正模型，RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。
附图说明
图1为基于流形学习和RBF神经网络的近红外无创血糖仪校正算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当说明的是，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。
步骤一中（图1），对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式为全部二项式扩展何对数扩展，包括：X12，X22，X32，X42，X52，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，X2*X5，X3*X4，X3*X5，X4*X5，log(X1)，log(X2)，log(X3)，log(X4)，log(X5)，一共25维数据。通过扩展，把非线性因素加入到模型中，增强了模型对非线性系统的适应能力。
步骤二中（图1），对原始数据和扩展后的数据合计25维数据运用流形学习降维理论中的局部线性嵌入算法，把25维数据降为10维；局部线性嵌入算法的步骤为：
（1） 计算样本X中任意两点xi和xj间的欧氏距离dx(i,j)，则距离矩阵为Dij=dx(i,j)；（2）根据Dij找出样本集X中的距离xi最近的k个点；
（3） 以表达式为为目标函数（其中），计算各点xi和其临近点的线性重构系数；
（4）已知ωij，以表达式为目标函数，计算低维映射，即求解矩阵M=（I-W）T（I-W）的第2个到d+1个最小特征值对应的特征向量Y，其中I为单位 矩阵，W为N×N的方阵，若xi和xj为临近点，Wij=ωij，否则Wij=0。
对紧邻个数k和样本本征维数d, 本方法采用网格搜索法选取k和d的最优值。
步骤三中（图1），对降维后的10维数据，从中选择对血糖浓度预测最敏感的5个波长数据，SPA的步骤如下：
（1）初始化：n=1（第一次迭代），在光谱矩阵中任选一列向量xi，记为xk(0)（即k(0)=j）；
（2）集合S定义为：，即还没有被选择进波长链的列向量，分别计算xj对S中向量的投影向量
（3）记录最大投影的序号
（4）将最大的投影作为下轮的投影向量
（5）n=n+1,如果n<N ，回到（2）继续投影。
这样得到N×K对波长组合，对每一对xk(0)和N所决定的组合分别建立定标模型，使用预测RMSEP来判断所建模型的优劣。选出最小的RMSEP，它所对应的xk(0) *和N*即为最佳的波长组合。
步骤四中（图1），对5个波长数据运用RBF神经网络建立校正模型。多变量插值的RBF神经网络具有优秀的离散数据内插特性，可以提供最优逼近功能，其网络结构域与多层前向型网络类似，是一种3层前向型网络，由输入层、隐含层、输出层组成，隐含层神经元传递函数是对中心点径向对称且衰减的非负非线性 函数 ，从输入层空间到隐含层的空间变换是线性的，从隐含层空间到输出层空 间变换也是线性的。RBF具有结构简单、训练速度快、函数逼近能力和分类能力强、不存在局部最优问题等优点。本发明中RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。径向基函数（RBF）形式为：
。
以上是本发明的较佳实施方式，但本发明的保护范围不限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，未经创造性劳动想到的变换或替换，都应涵盖在本发明的保护范围之内。因此本发明的保护范围应以权利要求所限定的保护范围为准。
Claims (5)
1.一种基于流形学习和RBF神经网络的近红外无创血糖仪校正算法,其特征在于，包括以下步骤：
步骤一：对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括多项式扩展及对数扩展，如X12,,X1*X2,log(X1)等；
步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(Locally Linear Embedding，LLE)算法，把25维数据降为10维；
步骤三：用连续投影算法 ( Successive Projections Algorithm , SPA)从10维数据中选出5个敏感波长数据；
步骤四：对5个波长数据运用RBF神经网络建立校正模型。
2.根据权利要求1所述的基于流形学习和RBF神经网络的近红外无创血糖仪校正算法，其特征在于：步骤一中，对原始数据的非线性扩展方式为二次多项式扩展和对数扩展。
3.根据权利要求1所述的基于流形学习和RBF神经网络的近红外无创血糖仪校正算法，其特征在于：步骤二中，局部线性嵌入把25维数据降为10维，局部线性嵌入的参数在LLE降维过程中，需要对参数k和d进行优化，其中k为邻域参数，d为样本本征维数，k和d均取整数.本方法采用网格搜索法选取k和d的最优值。
4.根据权利要求1所述的基于流形学习和RBF神经网络的近红外无创血糖仪校正算法，其特征在于：步骤三中，用SPA方法从10维数据中选出对血糖浓度预测最敏感的5个波长数据。
5.根据权利要求1所述的基于流形学习和RBF神经网络的近红外无创血糖仪校正算法，其特征在于：步骤四中，RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510832642.2A CN106803009A (zh) | 2015-11-26 | 2015-11-26 | 一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510832642.2A CN106803009A (zh) | 2015-11-26 | 2015-11-26 | 一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106803009A true CN106803009A (zh) | 2017-06-06 |
Family
ID=58975779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510832642.2A Pending CN106803009A (zh) | 2015-11-26 | 2015-11-26 | 一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106803009A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112450919A (zh) * | 2020-11-11 | 2021-03-09 | 云南省第一人民医院 | 一种用于评估2型糖尿病患者夜间低血糖的血糖监测装置 |
| CN113598763A (zh) * | 2021-08-05 | 2021-11-05 | 重庆大学 | 一种基于mic-pca-narx校正算法的无创血糖检测装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020193671A1 (en) * | 2000-08-21 | 2002-12-19 | Ciurczak Emil W. | Near infrared blood glucose monitoring system |
| CN102198004A (zh) * | 2010-03-25 | 2011-09-28 | 葛歆瞳 | 无创式近红外电子血糖仪 |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
-
2015
- 2015-11-26 CN CN201510832642.2A patent/CN106803009A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020193671A1 (en) * | 2000-08-21 | 2002-12-19 | Ciurczak Emil W. | Near infrared blood glucose monitoring system |
| CN102198004A (zh) * | 2010-03-25 | 2011-09-28 | 葛歆瞳 | 无创式近红外电子血糖仪 |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
Non-Patent Citations (3)
| Title |
|---|
| JYOTI YADAV ET.AL: "Noninvasive Prediction of Glucose by Near-Infrared Diffuse Reflectance Spectroscopy", 《CLINICAL CHEMISTRY》 * |
| 刘创: "近红外血糖无创检测校正模型研究", 《中国优秀博硕士学位论文全文数据库 (硕士)》 * |
| 成忠 等: "连续投影算法及其在小麦近红外光谱波长选择中的应用", 《光谱学与光谱分析》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112450919A (zh) * | 2020-11-11 | 2021-03-09 | 云南省第一人民医院 | 一种用于评估2型糖尿病患者夜间低血糖的血糖监测装置 |
| CN112450919B (zh) * | 2020-11-11 | 2022-11-04 | 云南省第一人民医院 | 一种用于评估2型糖尿病患者夜间低血糖的血糖监测装置 |
| CN113598763A (zh) * | 2021-08-05 | 2021-11-05 | 重庆大学 | 一种基于mic-pca-narx校正算法的无创血糖检测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104287706B (zh) | 一种人体健康状态实时监测及诊疗推荐系统 | |
| CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
| US8986207B2 (en) | Systems and methods for providing sensor arrays for detecting physiological characteristics | |
| US8457706B2 (en) | Estimation of a physiological parameter using a neural network | |
| EP4093270A1 (en) | Method and system for personalized prediction of infection and sepsis | |
| US20250325230A1 (en) | Blood glucose prediction method and device based on optical signal features and metabolic thermal features | |
| WO2011041216A1 (en) | Systems and method for identifying non-corrupted signal segments for use in determining physiological parameters | |
| US20250261866A1 (en) | Blood pressure detection apparatus based on arteriolar photoplethysmogram | |
| CN111358453A (zh) | 一种血压分类预测方法和装置 | |
| US20240194298A1 (en) | Method for classifying quality of biological sensor data | |
| Premalatha et al. | Wireless IoT and cyber-physical system for health monitoring using honey badger optimized least-squares support-vector machine | |
| CN106446765A (zh) | 一种基于多维生理大数据深度学习的健康状态评价系统 | |
| Ma et al. | A prediction method for transport stress in meat sheep based on GA-BPNN | |
| CN120225115A (zh) | 用于血糖监测的装置、系统和方法 | |
| Cheng et al. | Study of a noninvasive blood glucose detection model using the near-infrared light based on SA-NARX | |
| CN106803009A (zh) | 一种基于流形学习和rbf神经网络的近红外无创血糖仪校正算法 | |
| Ong et al. | Characteristic wavelength optimization for partial least squares regression using improved flower pollination algorithm | |
| US11903699B2 (en) | Method and apparatus for light-weight, non-invasive, point of care diabetes screening device | |
| CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
| CN114869276A (zh) | 一种无创血红蛋白浓度检测方法及系统 | |
| Li et al. | Prediction of total volatile basic nitrogen (TVB‐N) in fish meal using a metal‐oxide semiconductor electronic nose based on the VMD‐SSA‐LSTM algorithm | |
| Baciu et al. | Anomaly detection in multi-wavelength photoplethysmography using lightweight machine learning algorithms | |
| Sambo et al. | A Bayesian network for probabilistic reasoning and imputation of missing risk factors in type 2 diabetes | |
| TW202531254A (zh) | 基於光體積描記圖之信號品質評估系統及血糖值預測系統 | |
| CN117558441A (zh) | 一种无创血糖预测方法、系统及芯片 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170606 |
|
| WD01 | Invention patent application deemed withdrawn after publication |