專利名稱：用于測量血流中的成份的方法和系統的制作方法
技術領域：
本發(fā)明涉及一種用于測量血流中的成份的方法和系統。本發(fā)明特別適合于通過至 少一個神經網處理人的一組血糖測量值，以獲得整體血糖水平，并且將在該上下文中描述 本發(fā)明。
背景技術：
本發(fā)明的背景技術的以下討論旨在便于理解本發(fā)明。但是，應當理解，討論不是確 認或者承認在本申請的優(yōu)先權日期的任何權限內，引用的任何材料被公布、得知或者作為 公知常識的一部分。用于測量人的血糖水平的一種傳統方式是使用細針來刺破人的手指。這種創(chuàng)傷性 技術允許通過由針引起的開口將血流從人的血管吸出。然后，該血流被置于包含了與血糖 反應以形成色基(chromophor)的試劑的帶子上。帶子隨后被具有分析器(例如，血糖儀) 的反射系數色度計讀取，以確定血流中出現的血糖水平。這種創(chuàng)傷性手段在人一天需要數次監(jiān)控他的/她的血糖水平的情況下是不期望 的。這是由于以該方式可以得到多個測量值的事實-會引起不必要的疼痛和麻煩；-在重新使用針的情況下增加了污染的風險。相反，如果不重新使用針，則針處置 的成本與每日所需進行的測量值的數量相一致地增加；并且-生物排泄物與每日所需進行的測量值的數量相一致地增加，這必須適當地進行處理。創(chuàng)傷性技術的這些問題導致開發(fā)用于測量血糖水平的無創(chuàng)傷性技術。在各種無創(chuàng)傷性技術中，用于量化血糖的光學吸收技術證明是用于無創(chuàng)傷性血糖 檢測/監(jiān)視的有前途的手段。光學吸收技術原理主要是通過光纖使用向測量位置提供的特 定波長的入射紅外線輻射源。紅外線輻射的波長使得其易于被血流中的血糖吸收。因此，當紅外線輻射被引導通過測量位置時，輻射的一部分被血流中的血糖吸收 或者反射到光纖傳感器。然后，由傳感器測量的紅外線輻射的量用于計算血糖水平。為了 消除在這個過程中的誤差，額外的光纖傳感器可以圍繞在傳感器周圍，并且將每個接收的 紅外線輻射的水平傳送到用于包括在其計算中的主傳感器。由無創(chuàng)傷性血糖測量系統引發(fā)的問題有很多。在如上的光學吸收技術的情況下， 問題包括-由光纖施加的電壓的差值影響獲得的血糖測量。因此，有可能在不同時間從同一 測量位置獲得不同的血糖水平測量。作為在兩個測量值之間的電壓的變化的結果，可以產 生在順序的血糖測量中的變化。-使用的波長易于受到軟組織干擾，這可能導致較高的血糖測量值；-人的皮膚類型可能影響紅外線輻射穿透組織的能力，或者可能吸收紅外線輻射， 再次不利地影響得到的血糖測量值的精度。
-選擇的波長除了血糖之外還易于被血流中諸如尿素、水等其他元素吸收。一種用于立即處理上述的問題的方法實現了依賴于用不同波長的多個紅外線輻 射光束來測量血糖水平的系統。然后，使用用于計算血糖水平的部分最小平方(partial least-square)方法來處理這些測量值。但是，這種情況的問題是血糖測量值的精度依賴于用于獲取測量的不同波長的數 量。雖然更多數量的不同波長改善了這種精度，但是它們確實提高了成本。最終結果是不 能以有效的成本水平通過基于光學吸收原理的無創(chuàng)傷性測量技術來獲得對應于創(chuàng)傷性技 術的精度。因此，本發(fā)明的目的是開發(fā)一種系統，其能夠測量并確定諸如血糖的血流成份，同 時改善上述問題，由此視圖實現在成本和精度之間的平衡。

發(fā)明內容
在本文中，除非相反地指示，短語“包括”和“由…成份”等被理解為包含性的，而 不是窮舉性的。根據本發(fā)明的第一方面，提供了一種用于測量血流的成份的系統，包括至少一個 神經網，用于處理由無創(chuàng)傷性測量單元獲得的多個測量值以確定在血流中的成份的整體測量值。根據本發(fā)明的另一個方面，提供了一種用于測量血流的成份的系統，包括無創(chuàng)傷 性測量單元，用于測量成份；以及，至少一個神經網，用于處理由無創(chuàng)傷性測量單元獲得的 多個測量值以確定在血流中的成份的整體測量值。根據本發(fā)明的另一個方面，提供了一種用于測量血流中的成份的方法，包括步驟 從無創(chuàng)傷性測量單元獲得多個測量值，并且通過至少一個神經網來處理多個測量值以確定 在血流中的成份的整體測量值。優(yōu)選的是，至少一個神經網實現反向傳播算法。在輸入層中的節(jié)點的數量優(yōu)選地匹配無創(chuàng)傷性測量單元獲得的多個測量值中的 測量值的數量。此外，優(yōu)選的是，隱藏層包括至少四個節(jié)點?？梢栽谟柧毸鲋辽僖粋€神經網之前，從受控源確定與每個輸出節(jié)點相關聯的線 性方程?？梢酝ㄟ^自動的處理來確定與每個隱藏的節(jié)點相關聯的線性方程。隱藏節(jié)點的輸出值可以是加權測量的和。輸出節(jié)點的輸出值也可以是加權的標準 化的隱藏節(jié)點輸出值的和?？梢詤⒖驾敵鎏荻日`差來計算對于在隱藏節(jié)點和輸出節(jié)點之間的每個鏈路的權 重的調整?？梢詫⑤敵鎏荻日`差計算如下δ k = (tk-nk) · nk · (l_nk)其中，Sk是輸出梯度誤差。nk是輸出節(jié)點k的標準化輸出值。tk是由與輸出節(jié)點k相關聯的線性方程確定的輸出節(jié)點k的目標輸出值。根據下面的公式來計算對于在隱藏節(jié)點和輸出節(jié)點之間的每個鏈路的權重的調 整 其中n表示學習速率。m表示動量成份。Sk是輸出梯度誤差。ΔwhoJk(p+1)表示在加權中的更新的改變。AwhoJk(p)表示在加權中的先前的改變。f(netj)是隱藏節(jié)點j的標準化的輸出值。優(yōu)選的是，參考隱藏層梯度誤差來計算對于在輸入節(jié)點和隱藏節(jié)點之間的每個鏈 路的權重的調整。所述隱藏層梯度誤差被計算如下 其中Y是在所涉及的神經網的輸出層中的神經元的總數。f(netj)是隱藏節(jié)點j的標準化的輸出值。Sk是輸出梯度誤差。whoJk(p)表示在隱藏節(jié)點j和輸出節(jié)點k之間的鏈路的當前權重?？梢詫τ谠谳斎牍?jié)點和隱藏節(jié)點之間的每個鏈路的權重的調整計算如下Δ Wihij (ρ+1) = η · δ j · Xi+m Δ Wihij (ρ)其中，n表示學習速率。m表示動量成份。δ ^是隱藏層梯度誤差。Xi是輸入節(jié)點i的值。Wihij (p+1)表示在權重中的更新的改變。Wihij (ρ)表示在權重中的先前的改變?？梢栽谟柧毱陂g自動地調整學習速率(η)和動量參數(m)。優(yōu)選的是，學習速率 (n)是在范圍O. 01到0. 1內的值，并且動量參數(m)是在范圍0. 8到0. 9內的值。理想上，所述至少一個神經網包括至少一個偏差。隱藏節(jié)點的輸出值可以是加權測量和至少一個加權輸入偏差的和。輸出節(jié)點的輸出值也可以是加權的標準化的隱藏節(jié)點輸出值和至少一個加權輸 出偏差的和。可以參考輸出梯度誤差來計算對于在每個輸出偏差和輸出節(jié)點之間的每個鏈路 的權重的調整。理想情況下，這是通過使用下面的方程Δ who0k = η · δ k其中n表示學習速率。Sk是輸出梯度誤差。可以通過下面的方程來確定要對于輸出節(jié)點(Iietok)的輸出值進行的調整
8
其中X是所涉及的神經網的隱藏層中的節(jié)點的總數。Who0k是應用輸出節(jié)點k的輸出偏差的加權。bok是輸出節(jié)點k的輸出偏差。Whojk是被應用到在隱藏節(jié)點j和輸出節(jié)點k之間的鏈路的加權。f(netj)是隱藏節(jié)點j的標準化的輸出值。理想上，所述至少一個神經網包括第一神經網和第二神經網，所述第一神經網被 配置以在將預處理的測量傳送到第二神經網以確定成份的整體測量值之前，預處理所述多 個測量值。所述第一和第二神經網可以實現反向傳播算法。由第一神經網實現的反向傳播 算法可以與由第二神經網實現的反向傳播算法相同?？梢杂柧氈辽僖粋€神經網，直到發(fā)生以下中的一個為止每個訓練組的均方誤差 在預定范圍內；突觸加權穩(wěn)定；偏差水平穩(wěn)定；系統的均方誤差在預定范圍內；在整個訓練 組上的均方誤差在預定范圍內；執(zhí)行了預定數量的訓練迭代。在一個優(yōu)選實施例中，所述至 少一個神經網被訓練，直到系統的全局均方誤差小于0. 0008。在所述至少一個神經網的訓練后，可以通過將訓練的神經網的結果與通過創(chuàng)傷性 測量技術獲得的物質的測量相比較，驗證所述神經網。無創(chuàng)傷性測量單元可以包括多個激光二極管，其每一個用成份可吸收的唯一波長 發(fā)光，由每個激光二極管獲得的測量值形成所述多個測量值。要測量的成份最好是血糖，并且由所述多個激光二極管中的每一個發(fā)出的光的波 長落在1600納米到1800納米的范圍內?；蛘?，所述無創(chuàng)傷性測量單元包括至少一個激光二極管，其能夠用所述成份可吸 收的不同波長發(fā)光，由所述至少一個激光二極管用這些不同的波長的每一個獲得的測量值 形成所述多個測量值。所述無創(chuàng)傷性測量單元可以還包括控制激光二極管，其用所述成份不可吸收的波
長發(fā)光。根據本發(fā)明的另一個方面，提供了一種計算機可讀介質，其上記錄了 用于接收血 流的成份的多個測量值的模塊和至少一個神經網，所述神經網用于處理所述血流的成份的 多個測量值，以便確定在血流中的成份的整體測量值。


將參考下面的附圖來描述下面的本發(fā)明，其中圖1是用于測量血流中的成份的系統的示意圖示。圖2是圖1中所示的系統的第一神經網形成部分的示意圖。圖3是一系列血糖濃度的圖形，其中，為了訓練如圖2中所示的第一神經網，根據 所述圖形手工地確定線性方程。圖4是形成圖1中所示的系統的一部分的第二神經網的示意圖。圖5是無創(chuàng)傷性血糖測量設備的一種版本的等比例視圖。
具體實施例方式圖1說明了用于測量血流42中的血糖的系統10的第一實施例。系統10包括無 創(chuàng)傷性血糖測量設備12、數據收集模塊14、第一神經網16和第二神經網18。在本發(fā)明的上 下文中，血流由被稱為血漿的液體中懸浮的血細胞成份。血漿包括55 %的血流，大部分是水 (大約90%)，并且包含可溶的蛋白質、血糖、礦物離子、激素類、二氧化碳、血小板和血細胞 本身。在血流中的血細胞主要是紅血細胞(也稱為RBC或者紅血球)和白血細胞，所述白 血細胞包括白血球和血小板(也稱為凝血細胞)。血流是在脊椎動物活有機體內排泄產物 輸送的主要介質?？梢酝ㄟ^指甲在該位置測量血流，或者可以在體外的毛細血管中提取和 測量血流。無創(chuàng)傷性血糖測量設備12包括源盤22、選擇器盤24和檢測器盤26。選擇器盤24 位于源盤22和檢測器盤26之間。在圖5中示出了無創(chuàng)傷性血糖測量設備12。源盤22具有附著到其的6個激光二極管28。6個激光二極管28在源盤22的周 邊均勻地相隔。每個激光二極管28被定位在與每個其他激光二極管28相同的方向上。激光二極管28被配置以發(fā)出在ieOOnm到ISOOnm的范圍內的單個紅外線波長。激 光二極管28不發(fā)出與任何其他激光二極管28的紅外線波長相同的紅外線波長。選擇器盤24可圍繞軸38旋轉。選擇器盤24具有偏移軸38的孔32。以這種方 式，當旋轉時，在選擇器盤24中的孔32允許每個激光二極管28發(fā)出的紅外線光束通過。設 計孔32的大小，使得在任何一個時間由激光二極管28發(fā)出的僅一個紅外線光束能夠通過。 固定模塊(在附圖中未示出)保持選擇器盤24的位置。在這個實施例中的固定模塊采取 可釋放的夾子的形式。因此，當夾子咬合選擇器盤24時，選擇器盤24不能旋轉，但是當從 選擇器盤24釋放夾子時，選擇器盤24可自由地圍繞繞軸38旋轉。檢測器盤26上安裝了 6個光纖頭34。以與激光二極管28相同的方式布置光纖頭 34。這允許在每個光纖頭34與其對應的激光二極管28之間的軸對齊。詳細而言，光纖頭 34a與激光二極管28a軸對齊，光纖頭34b與激光二極管28b軸對齊，以此類推。每個光纖頭34與數據收集模塊14進行數據通信。數據收集模塊14繼而與第一 神經網16進行數據通信。第一神經網16繼而與第二神經網18進行單向數據通信。在這 個示例中，第一神經網16包括輸入層100、隱藏層102和輸出層104。輸入層100由6個輸 入神經元106成份。每個輸入神經元106與在隱藏層102中的每個隱藏神經元108進行通 信。每個隱藏神經元108繼而連接到在輸出層104中的每個輸出神經元110。另外，存在在 輸入層100中的偏差輸入112和在隱藏層102中的偏差輸入114。偏差輸入112、114的值 被初始設置在+1。第二神經網18包括輸入層200、隱藏層202和輸出層204。輸入層200由6個輸 入神經元206成份。每個輸入神經元206與在隱藏層202中的每個隱藏神經元208進行通 信。每個隱藏神經元208繼而連接到在輸出層204中的單獨的輸出神經元210。另外，存在 在輸入層200中的偏差輸入212和在隱藏層202中的偏差輸入214。偏差輸入212、214的 值被初始設置在+1。在每個輸入神經元206和每個隱藏神經元208之間的連接被加權。如在附圖和方 程中所示，這個加權被指定為Wihij, i表示所連接的輸入神經元206，j表示所連接的隱藏神經元208?，F在在其操作的上下文中描述本發(fā)明。也可以在下面的示例的上下文中介紹對于 系統10的操作所需的另外的特征。準備一組40個血糖溶液，其每一個在水中具有已知濃度的血糖。在每個溶液之間 的血糖濃度不同。每個血糖溶液繼而被每個激光二極管28輻射。這創(chuàng)建了用于每個血糖 溶液的一組激光二極管測量。一旦對于所有的血糖溶液獲得了激光二極管測量值，然后將用于每個血糖濃度的 激光二極管獲得的一組測量繪制在血糖濃度對激光二極管測量值的圖形上。在這個示例的 上下文中，產生了代表性圖形，并且在圖3中示出了用于四個激光二極管的這種圖形的示 例。然后，對每個圖形進行手工檢查，并且進行“最優(yōu)擬合線(line of bestfit)”評 估。然后，對于每個圖形計算由“最優(yōu)擬合線”表示的線性方程。結果是使用數據收集模塊 14記錄的一組6個線性方程，用于訓練第一神經網16。為了訓練神經網，要求人42將他的/她的指甲放在由選擇器盤24和檢測器盤26 描述的區(qū)域中。一旦如此放置了指甲，則操作員(未示出)將夾子從選擇器盤24釋放。然 后，操作員旋轉選擇器盤24，直到孔34與激光二極管28和光纖頭34的期望組合共軸對齊。 一旦正確地對齊，則激光二極管28被激活，以便在指甲處發(fā)出紅外線光束。未被人的血流 中的血糖吸收的紅外線光束的部分隨后被共軸對齊的光纖頭34檢測。然后，光纖頭34向 數據收集模塊14提供反映由其接收的紅外線光的量的測量值。一旦用于特定的激光二極管28的數據收集模塊14接收到紅外線光測量值，則操 縱選擇器盤24，以便可以接收另一個激光二極管28的紅外線光測量值。這個處理重復，直 到每個激光二極管28接收到紅外線光測量值。以規(guī)則的間隔對人重復進行另外59次整個處理，直到獲得60個測量值的訓練組。 訓練組的每個元素包括一組6個紅外線光測量值。每個這種紅外線光測量值涉及激光二極 管28。為了保證訓練組不包括具有基本上相同的紅外線光測量值的元素，要求人在啟動建 立訓練組的處理之前，喝掉隨著時間提高血糖水平的液體。為了設置用于訓練組的每個元素的基準血糖測量，在使用無創(chuàng)傷性血糖測量設備 12來獲得測量的同時，也使用創(chuàng)傷性技術來獲得測量。在這個實施例中，創(chuàng)傷性技術包括如 本領域內的技術人員公知的，刺破人的手指，并且測量如此獲得的血流。這60個對應的創(chuàng) 傷性血糖測量形成了驗證組。如上，形成訓練組和驗證組的血糖測量被傳送到數據收集模塊14。數據收集模塊 14操縱在訓練組和驗證組中包含的數據，以形成訓練數據庫44。在訓練數據庫44中的每 個記錄46包括⑴來自訓練組的元素；以及(ii)在驗證組中的其對應元素。在這個示例中，訓練數據庫44的40個記錄46被隨機選擇并標注為訓練采樣。剩 余的20個記錄被標注為測試采樣。然后，標注為訓練采樣的記錄46用于訓練第一神經網16。將參考圖2來描述第一 神經網16的訓練，其中
Xi表示了用于表示第i個輸入節(jié)點的光測量。Wihij表示在輸入節(jié)點i和隱藏節(jié)點j之間的關系的加權。在偏差節(jié)點bh和每個 隱藏節(jié)點j之間的關系的加權被指定為Wihtljt5bhj表示隱藏節(jié)點j的偏差。Whojk表示在隱藏節(jié)點j和第k個輸出節(jié)點η之間的關系的加權。在偏差節(jié)點bok 和每個輸出節(jié)點η之間的關系的加權被指定為wh0(lk。bok表示第k個輸出節(jié)點η的偏差。yi表示了用于表示第i個輸出節(jié)點的處理的光測量。在下面的第一神經網的訓練處理中，這些符號保持一致，第一神經網的訓練處理 包含下面的步驟1、初始化每個加權值(即，Wihij和WhOjk)。初始化處理包含向每個加權值分配在 范圍-0.5到+0.5內的隨機數。對于這個示例，在初始化后的加權值如下 2、每個偏差值b、和bok被設置為1?，F在參考xi值，這個示例將按照如下繼續(xù)X1 = -0. 8096 X2 = —0. 2140 X3 = —0. 7366X4 = -0. 8120 X5 = -0. 2866 X6 = -0. 5204從具有血糖水平5. 95的人獲得這些值。此外，用于設置每個xi值的目標值(、) 的方程如下ti = -0. 0129x^0. 3996t2 = -0. 0130x2+0. 5072t3 = -0. 0380xs+0. 8920t4 = -0. 0159x4+0. 4271t5 = -0. 0079x5+0. 5377t6 = -0. 0264x6+0. 6863使用這些方程，在第一神經網的這個迭代中的每個xi值的目標值、如下ti = 0. 410 t2 = 0. 510 t3 = 0. 920t4 = 0.440 t5 = 0.540 t6 = 0. 7003、根據下面的方程來計算每個隱藏神經元j的輸出值Iietj
ο 在這個示例中，得到的net」值如下neti = -0. 3646 net2 = -0. 2075 net3 = 0. 1466 net4 = 0. 03714、然后，netj被標準化以獲得f (net」)值。根據下面的方程來獲得f (net」)值 因此，f (net」)變?yōu)樵诜秶?-1內的值。在這個示例中，f (net」)值如下Mnet1) = 0. 4099 f (net2) = 0. 4483f (net3) = 0. 5366 f (net4) = 0. 5093
5、然后，根據下面的方程來計算輸出神經元nk的輸出值Iietok

這產生了下面的netok值netOi = 0. 4106 neto2 = _0. 0072 neto3 = 0. 1376neto4 = 0. 3035 neto5 = 0. 2379 neto6 = _0. 12886、之后，Iietok的值被標準化以獲得nk值。根據下面的方程來將Nk計算為在0和 1之間的值 因此，得到的值是rii = 0. 6012 n2 = 0. 4982 n3 = 0. 5343n4 = 0. 5753 n5 = 0. 5592 n6 = 0. 46937、一旦獲得神經元輸出nk，則根據下面的方程來計算在輸出層中的第k個輸出神 經元的輸出梯度誤差Sk:δ k = (tk_nk) · nk · (l-nk)這導致下面的輸出梯度誤差(δ k)值δ ！ = -0. 0458 δ 2 = 0. 0030 δ 3 = 0. 0960δ 4 = -0. 0331 δ 5 = -0. 0047 δ 6 = 0. 05748、也需要輸出梯度誤差Sk來計算要用于第一神經網的當前迭代中的隱藏層梯度 誤差~。通過下面的方程來計算Sj: 其中whoJk(p)表示在第一神經網的當前迭代中使用的Whojk值。這產生了下面的一組值S1 = -O. 0023δ 2 = -0. 0056δ 3 = -0. 0049δ 4 = 0. 00799、需要輸出梯度誤差Sk來計算在第一神經網的下一迭代中使用的加權中的改變 Awhojko通過下面的方程來計算這個改變Awhojk (ρ+1) = η · δ k · f (net」)+m · Δ whoJk (ρ)其中η表示學習速率。m表示動量成份。ΔwhoJk(ρ+1)表示在加權中的更新的改變。AwhoJk(p)表示在加權中的先前的改變。
這產生下面的一組值 注意，這個公式是遞歸函數。為了便于這個遞歸函數，每個Whojk值被存儲在陣列 中以由第一神經網絡的未來迭代來進行引用。項η和m將貫穿在本說明書的剩余部分中使用，以分別表示學習速率和動量成份 (momentum composition)010、然后，通過根據下面的公式首先確定校正值來修訂輸出偏差值Whotlk的加權Δ who0k = η · δ k得到的校正值是Δ who01 = -0· 0046 Awho02 = 0. 0003 Awho03 = 0. 0096Δ who04 = -0· 0033 Awho05 = _0· 0005 Awho06 = 0. 005711、在計算了 δ」后，有可能使用下面的公式來計算WihijW校正值Awihij^p+l) = η· δ j. Xi+m Δ Wihij (ρ) 因為這也是遞歸函數，因此每個Wihij值被存儲在陣列中以由第一神經網16的未 來迭代來引用。
12、然后，使用下面的公式來確定偏差加權校正值Wihcu Δ wih0J = η · δ j得到的校正值是Awih01 = -0. 0002 Awih02 = —0. 0006Awih03 = -0. 0005 Awih04 = 0. 000813、在確定了校正值的情況下，根據下面的公式來更新加權whoJk。whoJk (p+1) = whOjk (ρ)+ Awhojk (p+1)這個方程也適用于偏差加權值，因此，導致新一組加權如下 14、以幾乎相同的方式，根據下面的公式來更新加權Wihu Wihij (ρ+1) = ￥ Κ^.(ρ) + Δ Κ^.(ρ+1)這個方程也適用偏差加權值，因此，導致新一組加權如下 然后，處理使用從訓練組獲得的新一組Xi值在步驟3再一次開始。該處理繼續(xù)對在需要時從使用或者重新使用的訓練組獲得的Xi值進行處理，直到 系統的全局均方誤差小于0. 0008時。通常，在幾千次迭代后實現這一點。一旦訓練了第一神經網，則以相同的方式來訓練第二神經網，除了僅有一個輸出 節(jié)點Ii1的情況外。同樣，在此將不重復訓練第二神經網所需的處理的說明。一旦被訓練， 則由第一神經網計算的輸出層值被用作第二神經網的Xi值。一旦使用訓練組訓練了兩個神經網，則使用在驗證組中包含的值來測試作為整體 的系統。如果使用驗證組測試的系統顯示了顯著的誤差，則使用表示驗證組的新訓練組來 重新訓練系統?，F在說明系統10的第二實施例，其用于分析血流的成份的測量，其中，相似的附 圖標號表示相似的部分。系統10包括數據收集模塊14、第一神經網16和第二神經網18。 現在在分析在血流中的血糖水平的測量的上下文中描述本發(fā)明，目的是確定血流中的成份 的整體測量值。也在下面的示例的上下文中介紹系統10的操作所需的另外的特征。數據收集模塊14被配置以接收下面的信息。a.經由無創(chuàng)傷性血糖測量模塊可獲得的一組60個無創(chuàng)傷性血糖測量。一組60個 無創(chuàng)傷性血糖測量形成訓練組。b. 一組線性方程。每個線性方程描述了在不同水平的血糖溶液和無創(chuàng)傷性血糖 測量模塊的測量的單元之間的關系。在本實施例的上下文中，無創(chuàng)傷性血糖測量模塊是如 在第一實施例中描述的血糖測量設備12，因此獲得了對應于6個激光二極管的6個線性方程。c.訓練組的每個元素的對應的基準血糖測量，使用創(chuàng)傷性技術來獲得測量，其中， 創(chuàng)傷性技術例如包含如本領域內的技術人員公知的、刺破人的手指并且測量如此獲得的血 流的技術。這60個對應的創(chuàng)傷性血糖測量形成驗證組。數據收集模塊14操縱在訓練組和驗證組中獲得的數據，以形成訓練數據庫44。在 訓練數據庫44中每個記錄46包括(iii)來自訓練組的元素；以及(iv)在驗證組中的其對應的元素。在這個示例中，訓練數據庫44的40個記錄46被隨機選擇并且標注為訓練采樣。剩余的20個記錄被標注為測試采樣。然后，標注為訓練采樣的記錄46用于訓練第一神經網16。將參考圖2來描述第一 神經網16的訓練，其中Xi表示用于表示第i個輸入節(jié)點的光測量。Wihij表示在輸入節(jié)點i和隱藏節(jié)點j之間的關系的加權。在偏差節(jié)點bh和每個 隱藏節(jié)點j之間的關系的加權被指定為Wihtljt5bhj表示隱藏節(jié)點j的偏差。Whojk表示在隱藏節(jié)點j和第k個輸出節(jié)點η之間的關系的加權。在偏差節(jié)點bok 和每個輸出節(jié)點η之間的關系的加權被指定為wh0(lk。bok表示第k個輸出節(jié)點η的偏差。Yi表示了用于表示第i個輸出節(jié)點的處理的光測量。在下面的第一神經網的訓練處理中，這些符號保持一致，第一神經網的訓練處理 包括如在第一實施例中描述的步驟1-14。然后，處理使用從訓練組獲得的新一組Xi值在步 驟3再一次開始。這個處理繼續(xù)對在需要時從使用或者重新使用的訓練組獲得的Xi值進行處理，直 到系統的全局均方誤差小于0. 0008時。通常，在幾千次迭代后實現這一點。一旦訓練了第一神經網，則以相同的方式來訓練第二神經網，除了僅有一個輸出 節(jié)點Ii1的情況外。同樣，在此將不重復訓練第二神經網所需的處理的說明。一旦被訓練， 則由第一神經網計算的輸出層值被用作第二神經網的Xi值。一旦使用訓練組訓練了兩個神經網，則使用在驗證組中包含的值來測試作為整體 的系統。如果使用驗證組測試的系統顯示了顯著的誤差，則使用表示驗證組的新訓練組來 重新訓練系統。由驗證組驗證的、訓練的神經網提供了表示在血流中的血糖水平的血糖的 成份的整體測量值。本領域內的技術人員應當理解，本發(fā)明不限于上述示例。特別地，在不脫離本發(fā)明 的范圍的情況下，可以進行下面的增加和/或修改 可以為波長源盤22增加至少一個控制激光二極管。控制激光二極管也可以是6 個激光二極管28中的任何一個。控制激光二極管被配置以發(fā)出不能被血糖吸收的紅外線 波長?；诋斍暗闹R，落在1600nm-2200nm的范圍中的這種波長可被血糖吸收。 控制激光二極管可以用于確定當沒有吸收血糖時測量的紅外線波長的基本強 度。因此，可以使用信號處理器48來獲得并處理控制電子電壓讀取。 可以手工地執(zhí)行波長選擇器盤24的旋轉，或者可以使用例如步進電機來自動 地旋轉波長選擇器盤24。 取代使用6個激光二極管28，其中每個激光二極管28a、28b、28C、28d、28e、28f 發(fā)出固定的紅外線波長，可以使用能夠發(fā)出多個不同的紅外線波長的單個激光二極管。 可以從波長源盤增加或者去除更多或更少的激光二極管。 取代指甲底座(bed)，診斷的區(qū)域可以是本領域內的技術人員公知的適合診斷 的人42的任何部分。 系統10可以用于測量血流中除了血糖之外的其他成份。在這種替代設備中，需 要針對成份的峰值吸收波長重新校準并且優(yōu)化由6個激光二極管28發(fā)出的紅外線波長。
無創(chuàng)傷性血糖測量設備12可以被替換為本領域內的技術人員公知的、用于無 創(chuàng)傷性血糖測量的任何替代配置。 用于停止神經網16、18的訓練處理的停止準則可以是本領域內的技術人員公 知的任何停止準則。一些示例包括考慮每個訓練組的均方誤差中的改變的絕對速度；突觸 (synaptic)加權的穩(wěn)定性和偏差水平；在整個訓練組上的均方誤差、迭代的固定數量等。 可以基于技術人員已知的并顯而易見的任何一組規(guī)則來確定每個時期ρ的學 習速率η和動量常數m。 可以采用技術人員公知的替代激活函數(activation function)來取代S形激 活函數。但是，這些激活函數應當是可微分的。 雖然學習速率和動量成份可以是在0和1之間的任何值，但是獲得了更精確的 結果，其中，在學習速率和動量成份之間存在某種折衷。獲得了最佳結果，其中，學習速率是 在0. 01和0. 1之間的值，而動量成份在0. 8到0. 9的范圍內。 可以在第一或者第二神經網絡的訓練期間的任何階段處手工地調整學習速率 和動量成份。通常，在誤差波動的情況下調整學習速率。 為了保證在神經網的訓練中的最大精度，訓練組應當從血糖測量的不同范圍提 供代表性采樣。為了如此進行，需要一些手工介入。 在神經網中包括的隱藏層中的節(jié)點的數量可以是超過4的任何數。 用于確定在神經網中的每個鏈路的加權的小數位的數量可以不同。但是，為了 精度的原因，確定應當使用最少3個小數位。 可以消除偏差和偏差加權。但是，消除偏差和偏差加權可以意味著將增加訓練 神經網所需的時間。 加權可以落入除了如上的-0.5到0.5之外的其他范圍組中。例如，也可以使用 加權值范圍-0. 25到0. 25。 雖然參考反向傳播算法的一種形式說明了在本說明書中的本發(fā)明，但是應當意 識到，本發(fā)明不限于這種特定變化形式的使用?？梢允褂闷渌兓问降姆聪騻鞑ニ惴?，并 且其落入本發(fā)明的范圍內。 也可能在不脫離本發(fā)明的范圍的情況下，使用如上所述其他激活函數?？梢岳?解，可以使用將得到的值限制到范圍-ι到1的任何激活函數。 如上的系統的訓練是順序訓練模式的示例。但是，同樣也可以用批處理模式來 進行訓練。在這種情況下，在向訓練的神經網提供了整個訓練組后，調整加權。 在上述實施例的其它變化中，可以省略血糖溶液。在其位置，從血糖測量的訓練 組建立線性方程組。理想上，這個線性方程組具有40個元素。然后，通過繪制已知的血糖 水平(由創(chuàng)傷性血糖測量系統確定)對于信號電壓讀取的每個激光二極管的圖形，手工地 確定線性方程。然后根據繪制的圖形確定“最優(yōu)擬合線”。本領域內的技術人員還可以明白，如上的特征和修改(不是替代或者替換)可以 被組合來形成落在的本發(fā)明的范圍內的其他實施例。
權利要求
一種用于測量血流的成份的系統，包括至少一個神經網，用于處理由無創(chuàng)傷性測量單元獲得的多個測量值以確定血流中的成份的整體測量值。
2.一種用于測量血流的成份的系統，包括無創(chuàng)傷性測量單元，用于測量所述成份；以及，至少一個神經網，用于處理由所述無創(chuàng)傷性測量單元獲得的多個測量值以確定血流中 的成份的整體測量值。
3.一種用于測量血流中的成份的方法，包括從無創(chuàng)傷性測量單元獲得多個測量值；并且通過至少一個神經網來處理所述多個測量值以確定血流中的成份的整體測量值。
4.根據權利要求1-3的任何一個的用于測量血流中的成份的系統或者方法，其中，所 述至少一個神經網實現反向傳播算法。
5.根據權利要求4所述的用于測量血流中的成份的系統或者方法，其中，所述至少一 個神經網的輸入層中的節(jié)點的數量匹配所述無創(chuàng)傷性測量單元獲得的多個測量值中的測 量值的數量。
6.根據權利要求4或者權利要求5所述的用于測量血流中的成份的系統或者方法，其 中，所述至少一個神經網包括具有至少四個節(jié)點的隱藏層。
7.根據權利要求4-6中的任何一個所述的用于測量血流中的成份的系統或者方法，其 中，在訓練所述至少一個神經網之前，從受控源確定與所述至少一個神經網中的每一個輸 出節(jié)點相關聯的線性方程。
8.根據權利要求7所述的用于測量血流中的成份的系統或者方法，其中，通過自動的 處理來確定與每個隱藏的節(jié)點相關聯的線性方程。
9.根據權利要求4-8中的任何一個所述的用于測量血流中的成份的系統或者方法，其 中，所述隱藏節(jié)點的輸出值是加權測量值之和。
10.根據權利要求4-9中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，所述輸出節(jié)點的輸出值是加權的標準化的隱藏節(jié)點輸出值之和。
11.根據權利要求4-10中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，參考輸出梯度誤差來計算對于在隱藏節(jié)點和輸出節(jié)點之間的每個鏈路的權重的調
12.根據權利要求11所述的用于測量血流中的成份的系統或者方法，其中，所述輸出 梯度誤差被計算如下5 k = (tk-nk) · nk · (l-nk)其中、是輸出梯度誤差，nk是輸出節(jié)點k的標準化輸出值，tk是由與輸出節(jié)點k相關聯的線性方程確定的輸出節(jié)點k的目標輸出值。
13.根據權利要求12所述的用于測量血流中的成份的系統或者方法，其中，根據下面 的公式來計算對于在隱藏節(jié)點和輸出節(jié)點之間的每個鏈路的權重的調整Δ whoJk (ρ+1) = η · δ k · f (netj) +m · Awhojk(P其中η表示學習速率， m表示動量成份， 、是輸出梯度誤差， whoJk (ρ+1)表示對權重的更新的改變， Whojk(P)表示在對權重的先前的改變， f(netj)是隱藏節(jié)點j的標準化的輸出值。
14.根據權利要求4-13中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，參考隱藏層梯度誤差來計算對于在輸入節(jié)點和隱藏節(jié)點之間的每個鏈路的權重的調iF. ο
15.根據權利要求14所述的用于測量血流中的成份的系統或者方法，其中，所述隱藏 層梯度誤差被計算如下δ j=( f(netj) · (1- f(netj )X δ k . whoJk(p)其中Y是在所涉及的神經網的輸出層中的神經元的總數， f(netj)是隱藏節(jié)點j的標準化的輸出值， 、是輸出梯度誤差，whoJk(p)表示在隱藏節(jié)點j和輸出節(jié)點k之間的鏈路的當前加權。
16.根據權利要求15所述的用于測量血流中的成份的系統或者方法，其中，將對于在 輸入節(jié)點和隱藏節(jié)點之間的每個鏈路的權重的調整計算如下Δψ Η^·(ρ+1) = η · δ j · X^mAwihij (ρ)其中，n表示學習速率， m表示動量成份， Sj是隱藏層梯度誤差， Xi是輸入節(jié)點i的值， wihjk(p+l)表示對權重的更新的改變， wihJk(p)表示對權重的先前的改變。
17.根據權利要求13或者權利要求16所述的用于測量血流中的成份的系統或者方法， 其中，在訓練期間自動地調整所述學習速率(η)和動量參數(m)。
18.根據權利要求13、權利要求16或者權利要求17所述的用于測量血流中的成份的 系統或者方法，其中，所述學習速率(Π)是在范圍0.01到0.1內的值，并且動量參數(m) 是在范圍0.8到0.9內的值。
19.根據權利要求4-18中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，所述至少一個神經網包括至少一個偏差。
20.根據從屬于權利要求9的權利要求19所述的用于測量血流中的成份的系統或者方 法，其中，所述隱藏節(jié)點的輸出值是加權測量值和至少一個加權輸入偏差之和。
21.根據從屬于權利要求10的權利要求19所述的用于測量血流中的成份的系統或者方法，其中，所述輸出節(jié)點的輸出值是加權的標準化的隱藏節(jié)點輸出值和至少一個加權輸 出偏差之和。
22.根據從屬于權利要求11的權利要求19所述的用于測量血流中的成份的系統或者 方法，其中，參考所述輸出梯度誤差來計算對于在每個輸出偏差和輸出節(jié)點之間的每個鏈 路的權重的調整。
23.根據從屬于權利要求12的權利要求19所述的用于測量血流中的成份的系統或者 方法，其中，根據下面的方程來計算每個鏈路的加權Δ who0k = η · δ k其中n是學習速率，、是輸出梯度誤差。
24.根據權利要求23所述的用于測量血流中的成份的系統或者方法，其中，通過下面的方程來確定對所述輸出節(jié)點(Iietok)的輸出值進行的調整 其中X是所涉及的神經網的隱藏層中的節(jié)點的總數，Who0k是被應用輸出節(jié)點k的輸出偏差的加權，bok是輸出節(jié)點k的輸出偏差，Whojk是被應用到在隱藏節(jié)點j和輸出節(jié)點k之間的鏈路的加權，f(netj)是隱藏節(jié)點j的標準化的輸出值。
25.根據前述權利要求中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，所述至少一個神經網包括第一神經網和第二神經網，所述第一神經網被配置以在將 經預處理的測量值傳送到所述第二神經網以確定成份的整體測量值之前，預處理所述多個測量值。
26.根據權利要求25所述的用于測量血流中的成份的系統或者方法，其中，所述第一 和第二神經網實現反向傳播算法。
27.根據權利要求26所述的用于測量血流中的成份的系統或者方法，其中，所述第一 和第二神經網實現相同的反向傳播算法。
28.根據權利要求4-27中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，訓練所述至少一個神經網，直到發(fā)生以下中的一個為止每個訓練組的均方誤差在預 定范圍內；突觸加權穩(wěn)定；偏差水平穩(wěn)定；系統的均方誤差在預定范圍內；整個訓練組的均 方誤差在預定范圍內；執(zhí)行了預定數量的訓練迭代。
29.根據權利要求28所述的用于測量血流中的成份的系統或者方法，其中，所述至少 一個神經網被訓練，直到所述系統的全局均方誤差小于0. 0008為止。
30.根據前述權利要求中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，在所述至少一個神經網的訓練后，通過將經訓練的神經網的結果與通過創(chuàng)傷性測量 技術獲得的物質的測量值相比較，來驗證所述神經網。
31.根據權利要求2-30中的任何一個所述的用于測量血流中的成份的系統或者方法，其中，所述無創(chuàng)傷性測量單元包括多個激光二極管，其每一個用所述成份可吸收的唯一波 長發(fā)光，由每個激光二極管獲得的測量值形成所述多個測量值。
32.根據權利要求31所述的用于測量血流中的成份的系統或者方法，其中，要測量 的成份是血糖，并且由所述多個激光二極管中的每一個發(fā)出的光的波長落在1600納米到 1800納米的范圍內。
33.根據權利要求2-30中的任何一個所述的用于測量血流中的成份的系統或者方法， 其中，所述無創(chuàng)傷性測量單元包括至少一個激光二極管，其能夠用所述成份可吸收的不同 波長發(fā)光，由所述至少一個激光二極管用這些不同波長中的每一個獲得的測量值形成所述 多個測量值。
34.根據權利要求30-32中的任何一個所述的用于測量血流中的成份的系統或者方 法，其中，所述無創(chuàng)傷性測量單元還包括控制激光二極管，其用所述成份不可吸收的波長發(fā)光。
35.一種計算機可讀介質，其上記錄了 用于接收血流的成份的多個測量值的模塊；以及至少一個神經網，所述神經網用于處理血流的成份的多個測量值， 以便確定血流中的成份的整體測量。
全文摘要
本發(fā)明公開了一種用于測量血流的成份的系統(10)和方法。所述系統(10)包括無創(chuàng)傷性測量單元(12)，用于測量所述成份；以及，至少一個神經網(16)，用于處理由所述無創(chuàng)傷性測量單元(12)獲得的多個測量值，以確定在血流中的成份的整體測量。本發(fā)明的另一個方面公開了一種用于執(zhí)行上述方法的計算機可讀介質。
文檔編號A61B5/1455GK101917904SQ200980101782
公開日2010年12月15日 申請日期2009年4月13日 優(yōu)先權日2008年4月16日
發(fā)明者P·拉維恩德朗, 陳崇銘 申請人:格路寇斯特斯系統私人有限公司