本發(fā)明涉及計算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法及系統(tǒng)。

背景技術(shù)：

糖尿病是嚴(yán)重危害人類健康的慢性殺手，潛在的早期糖尿病患者將近5000萬。如果糖尿病人能夠有規(guī)律的檢測血糖，對控制體內(nèi)糖的分量具有重要意義。傳統(tǒng)的糖尿病自檢測設(shè)備多為有創(chuàng)采血，并且需要配合一次性試紙，長期使用價格不菲。而隨著科技的發(fā)展，無創(chuàng)血糖檢測儀也漸漸普及，其基本原理是通過紅外采集人的體征信息后，通過預(yù)設(shè)的算法估算相應(yīng)的血糖濃度。

現(xiàn)有的血糖數(shù)據(jù)處理方法包括基于分?jǐn)?shù)階微分方程或Volterra級數(shù)來實現(xiàn)血糖濃度評估，但是由于分?jǐn)?shù)階微分方程屬于線性系統(tǒng)，而血糖信號具有非線性的特性，使得測量結(jié)果并不準(zhǔn)確。而基于Volterra級數(shù)的評估系統(tǒng)，其表示在s域中的分?jǐn)?shù)階Volterra成分僅僅由分母組成，其逼近能力仍然有限，系統(tǒng)估計精度不高。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法及系統(tǒng)，提高血糖數(shù)據(jù)的估計精度。

本發(fā)明實施例提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法，包括：

獲取若干組血糖數(shù)據(jù)；每組血糖數(shù)據(jù)包括紅外信號和所述紅外信號所對應(yīng)的血糖值；

通過奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸?，將所述極大值紅外信號分解，分別獲得第一數(shù)據(jù)組和第二數(shù)據(jù)組，并將所述第一數(shù)據(jù)組中的成分?jǐn)?shù)據(jù)根據(jù)所述第二數(shù)據(jù)組中IMF數(shù)據(jù)的個數(shù)和IMF數(shù)據(jù)之間的相關(guān)性進(jìn)行分組，將分組后同組的成分?jǐn)?shù)據(jù)相加后，按照成分?jǐn)?shù)據(jù)由大到小的順序?qū)Ω鹘M進(jìn)行排序；其中，所述第一數(shù)據(jù)組包含若干個歸一化成分?jǐn)?shù)據(jù)，所述第二數(shù)據(jù)組包含若干個IMF數(shù)據(jù)；分別提取所述極大值紅外信號和前N組所述成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；其中，N≥1；

根據(jù)所述特征信號和所述若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣；

獲取待測者的待測信號，并將所述待測信號導(dǎo)入所述映射矩陣，獲得待測映射矩陣；

使用預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，對所述待測映射矩陣進(jìn)行優(yōu)化，并輸出優(yōu)化結(jié)果；其中，所述特征映射層以徑向基函數(shù)作為激活函數(shù)；所述池化層用于降低信號維數(shù)。

進(jìn)一步的，所述根據(jù)所述若干組血糖數(shù)據(jù)中的紅外信號，計算獲得極大值紅外信號，具體為：

根據(jù)所述若干組血糖數(shù)據(jù)中的紅外信號和以下計算公式，計算獲得極大值紅外信號：

(x(n)-x(n-1))(x(n+1)-x(n))＜0；

其中，所述紅外信號為X_k；所述極大值紅外信號為x_k。

進(jìn)一步的，所述分別提取所述極大值紅外信號和前N組所述成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號，具體為：

分別提取x_k和前5組成分?jǐn)?shù)據(jù)s_1k，s_2k，s_3k，s_4k和s_5k的均值、方差、斜率和峰值，構(gòu)建特征信號v_k＝[p₁(x_k) … p₄(x_k) p₁(s_1,k) … p₄(s_1,k) … p₁(s_5,k) … p₄(s_5,k)]^T；其中，N＝5。

進(jìn)一步的，所述根據(jù)所述特征信號和所述若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣，具體為：

對所述特征信號v_k做離散余弦變換，獲得并構(gòu)建映射矩陣w，其中，y為所述若干組血糖數(shù)據(jù)的血糖值。

進(jìn)一步的，獲取待測者的待測信號，并將所述待測信號導(dǎo)入所述映射矩陣，獲得待測映射矩陣，具體為：

獲取待測者的待測信號z，并將z導(dǎo)入到映射矩陣w中，獲得待測映射矩陣q；其中，q＝w^Tz。

進(jìn)一步的，所述特征映射層以徑向基函數(shù)作為激活函數(shù)，形式如下：

所述特征映射層的優(yōu)化問題為：

其中，c＝0…C為特征映射層神經(jīng)元個數(shù)，k＝0…K-1為訓(xùn)練特征向量數(shù)，u_c和C_c分別為均值和協(xié)方差矩陣。

進(jìn)一步的，所述卷積神經(jīng)網(wǎng)絡(luò)池化層是由所述特征映射層輸出信號的Lp范數(shù)池化而獲得，并形成如下優(yōu)化問題：

其中，0＜p＜1；f_k，m為所述特征映射層輸出信號。

相應(yīng)地，本發(fā)明實施例還提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理系統(tǒng)，包括：

數(shù)據(jù)獲取模塊，用于獲取若干組血糖數(shù)據(jù)；每組血糖數(shù)據(jù)包括紅外信號和所述紅外信號所對應(yīng)的血糖值；

極大值計算模塊，用于根據(jù)所述若干組血糖數(shù)據(jù)中的紅外信號，計算獲得極大值紅外信號；

分組排序模塊，用于通過奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸?，將所述極大值紅外信號分解，分別獲得第一數(shù)據(jù)組和第二數(shù)據(jù)組，并將所述第一數(shù)據(jù)組中的成分?jǐn)?shù)據(jù)根據(jù)所述第二數(shù)據(jù)組中IMF數(shù)據(jù)的個數(shù)和IMF數(shù)據(jù)之間的相關(guān)性進(jìn)行分組，將分組后同組的成分?jǐn)?shù)據(jù)相加后，按照成分?jǐn)?shù)據(jù)由大到小的順序?qū)Ω鹘M進(jìn)行排序；其中，所述第一數(shù)據(jù)組包含若干個歸一化成分?jǐn)?shù)據(jù)，所述第二數(shù)據(jù)組包含若干個IMF數(shù)據(jù)；

特征信號構(gòu)建模塊，用于分別提取所述極大值紅外信號和前N組成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；其中，N≥1；

第一映射矩陣構(gòu)建模塊，用于根據(jù)所述特征信號和所述若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣；

第二映射矩陣構(gòu)建模塊，用于獲取待測者的待測信號，并將所述待測信號導(dǎo)入所述映射矩陣，獲得待測映射矩陣；

優(yōu)化模塊，用于使用預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，對所述待測映射矩陣進(jìn)行優(yōu)化，并輸出優(yōu)化結(jié)果；其中，所述特征映射層以徑向基函數(shù)作為激活函數(shù)；所述池化層用于降低信號維數(shù)。

實施本發(fā)明實施例，具有如下有益效果：

本發(fā)明實施例提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法及系統(tǒng)，先對若干組血糖數(shù)據(jù)進(jìn)行奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸?，并對分解后的歸一化成分分組排序，然后提取極大值紅外信號和前N組成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；再根據(jù)該特征信號和若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣；最后獲取待測者的待測信號，將其導(dǎo)入映射矩陣后通過卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層的優(yōu)化，輸出優(yōu)化結(jié)果。相比于現(xiàn)有技術(shù)無創(chuàng)血糖濃度估計存在精度低的問題，本發(fā)明使用卷積神經(jīng)網(wǎng)絡(luò)來對紅外設(shè)備所測得的人體血糖信號進(jìn)行處理，并針對性地優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，提高了系統(tǒng)的估計精度。

附圖說明

圖1是本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法的一種實施例的流程示意圖；

圖2是本發(fā)明提供的仿真實驗的一種實施例的仿真數(shù)據(jù)圖；

圖3是本發(fā)明提供的仿真實驗的另一種實施例的仿真數(shù)據(jù)圖；

圖4是本發(fā)明提供的仿真實驗的又一種實施例的仿真數(shù)據(jù)圖；

圖5是本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理系統(tǒng)的一種實施例的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

參見圖1，是本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法的一種實施例的流程示意圖。如圖1所示，該方法包括步驟101至步驟107，具體步驟如下：

步驟101：獲取若干組血糖數(shù)據(jù)；每組血糖數(shù)據(jù)包括紅外信號和該紅外信號所對應(yīng)的血糖值。

在本實施例中，若干組血糖數(shù)據(jù)可預(yù)先輸入到本系統(tǒng)中，以滿足優(yōu)化模型和映射矩陣的建立。每組血糖數(shù)據(jù)包括紅外信號X_k和該紅外信號所對應(yīng)的血糖值y_k，其中k＝1…K。該血糖值y_k可以為血糖試紙所測數(shù)據(jù)。

步驟102：根據(jù)若干組血糖數(shù)據(jù)中的紅外信號，計算獲得極大值紅外信號。

在本實施例中，步驟102具體為：根據(jù)若干組血糖數(shù)據(jù)中的紅外信號和以下計算公式，計算獲得極大值紅外信號：

(x(n)-x(n-1))(x(n+1)-x(n))＜0；

其中，紅外信號為X_k；極大值紅外信號為x_k。

步驟103：通過奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸猓瑢O大值紅外信號分解，分別獲得第一數(shù)據(jù)組和第二數(shù)據(jù)組，獲得若干個歸一化成分?jǐn)?shù)據(jù)，并將第一數(shù)據(jù)組中的成分?jǐn)?shù)據(jù)根據(jù)第二數(shù)據(jù)組中IMF數(shù)據(jù)的個數(shù)和IMF數(shù)據(jù)之間的并根據(jù)各歸一化成分?jǐn)?shù)據(jù)的相關(guān)性程度進(jìn)行分組，將分組后同組的成分?jǐn)?shù)據(jù)相加后，按照成分?jǐn)?shù)據(jù)由大到小的順序?qū)Ω鹘M進(jìn)行排序；其中，第一數(shù)據(jù)組包含若干個歸一化成分?jǐn)?shù)據(jù)，第二數(shù)據(jù)組包含若干個IMF數(shù)據(jù)。

在本實施例中，奇異譜分析(Singular Spectrum Analysis，簡稱SSA)是根據(jù)所觀測到的時間序列構(gòu)造出軌跡矩陣，并對軌跡矩陣進(jìn)行分解、分組、重構(gòu)，從而提取出代表原時間序列不同成分的信號，如長期趨勢信號、周期信號、噪聲信號等，從而對時間序列的結(jié)構(gòu)進(jìn)行分析，并可進(jìn)一步預(yù)測。經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，簡稱EMD)是依據(jù)數(shù)據(jù)自身的時間尺度特征來進(jìn)行信號分解，無須預(yù)先設(shè)定任何基函數(shù)。這一點與建立在先驗性的諧波基函數(shù)和小波基函數(shù)上的傅里葉分解與小波分解方法具有本質(zhì)性的差別。

在本實施例中，將極大值紅外信號x_k進(jìn)行SSA分解之后的每一個歸一化成分根據(jù)IMF的個數(shù)和與IMF之間的相關(guān)性進(jìn)行分組，最后將分組后的同組成分進(jìn)行相加，并按照由大到小的順序進(jìn)行排序。

步驟104：分別提取極大值紅外信號和前N組所述成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；其中，N≥1。

在本實施例中，優(yōu)選N＝5。步驟104具體為：分別提取x_k和前5組成分?jǐn)?shù)據(jù)s_1k，s_2k，s_3k，s_4k和s_5k的均值、方差、斜率和峰值，構(gòu)建特征信號v_k＝[p₁(x_k) … p₄(x_k) p₁(s_1,k) … p₄(s_1,k) … p₁(s_5,k) … p₄(s_5,k)]^T。

步驟105：根據(jù)特征信號和若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣。

在本實施例中，步驟105具體為：對特征信號v_k做離散余弦變換，獲得并構(gòu)建映射矩陣w，其中，由可以得出y為該若干組血糖數(shù)據(jù)的血糖值。

步驟106：獲取待測者的待測信號，并將待測信號導(dǎo)入映射矩陣，獲得待測映射矩陣。

在本實施例中，步驟106具體為：獲取待測者的待測信號z，并將z導(dǎo)入到映射矩陣w中，獲得待測映射矩陣q；其中，q＝w^Tz。本步驟將z導(dǎo)入到映射矩陣w中為：對z執(zhí)行步驟101至步驟106的處理后獲得q。

步驟107：使用預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，對待測映射矩陣進(jìn)行優(yōu)化，并輸出優(yōu)化結(jié)果；其中，特征映射層以徑向基函數(shù)作為激活函數(shù)；池化層用于降低信號維數(shù)。

在本實施例中，特征映射層以徑向基函數(shù)作為激活函數(shù)，形式如下：

當(dāng)q_k越接近u_c時，f_c(q_k)就越接近1。

該特征映射層的優(yōu)化問題為：這是一個非凸的優(yōu)化問題，本發(fā)明使用修正填充函數(shù)去找到該優(yōu)化問題的全局最優(yōu)解。其中，c＝0…C為特征映射層神經(jīng)元個數(shù)，k＝0…K-1為訓(xùn)練特征向量數(shù)，u_c和C_c分別為均值和協(xié)方差矩陣。

在本實施例中，卷積神經(jīng)網(wǎng)絡(luò)池化層是由特征映射層輸出信號的Lp范數(shù)池化而獲得，并形成如下優(yōu)化問題：其中，0＜p＜1；f_k，m為所述特征映射層輸出信號。p的值是通過最小化池化層的實際輸出和理想輸出信號之間的誤差來確定的，并且此優(yōu)化問題是一個光滑的優(yōu)化問題，傳統(tǒng)的基于梯度下降的方法可以應(yīng)用于找到此優(yōu)化問題的解。

為了更好的說明本發(fā)明的技術(shù)效果，參見圖2至圖4可知，本發(fā)明的技術(shù)方案相比于現(xiàn)有技術(shù)的無創(chuàng)血糖估計方法，具有更高的精度。

參見圖5，圖5是本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理系統(tǒng)的一種實施例的結(jié)構(gòu)示意圖。如圖5所述，該系統(tǒng)包括：數(shù)據(jù)獲取模塊501、極大值計算模塊502、分組排序模塊503、特征信號構(gòu)建模塊504、第一映射矩陣構(gòu)建模塊505、第二映射矩陣構(gòu)建模塊506和優(yōu)化模塊507。

其中，數(shù)據(jù)獲取模塊501用于獲取若干組血糖數(shù)據(jù)；每組血糖數(shù)據(jù)包括紅外信號和紅外信號所對應(yīng)的血糖值。

極大值計算模塊502用于根據(jù)若干組血糖數(shù)據(jù)中的紅外信號，計算獲得極大值紅外信號。

分組排序模塊503用于通過奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸?，將極大值紅外信號分解，分別獲得第一數(shù)據(jù)組和第二數(shù)據(jù)組，獲得若干個歸一化成分?jǐn)?shù)據(jù)，并將第一數(shù)據(jù)組中的成分?jǐn)?shù)據(jù)根據(jù)第二數(shù)據(jù)組中IMF數(shù)據(jù)的個數(shù)和IMF數(shù)據(jù)之間的并根據(jù)各歸一化成分?jǐn)?shù)據(jù)的相關(guān)性程度進(jìn)行分組，將分組后同組的成分?jǐn)?shù)據(jù)相加后，按照成分?jǐn)?shù)據(jù)由大到小的順序?qū)Ω鹘M進(jìn)行排序；其中，第一數(shù)據(jù)組包含若干個歸一化成分?jǐn)?shù)據(jù)，第二數(shù)據(jù)組包含若干個IMF數(shù)據(jù)。

特征信號構(gòu)建模塊504用于分別提取極大值紅外信號和前N組成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；其中，N≥1。

第一映射矩陣構(gòu)建模塊505用于根據(jù)特征信號和若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣。

第二映射矩陣構(gòu)建模塊506用于獲取待測者的待測信號，并將待測信號導(dǎo)入該映射矩陣，獲得待測映射矩陣。

優(yōu)化模塊507用于使用預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，對待測映射矩陣進(jìn)行優(yōu)化，并輸出優(yōu)化結(jié)果；其中，特征映射層以徑向基函數(shù)作為激活函數(shù)；池化層用于降低信號維數(shù)。

本系統(tǒng)更詳細(xì)的工作原理和步驟流程，可以但不限于參見上述方法的描述。

由上可見，本發(fā)明實施例提供的基于卷積神經(jīng)網(wǎng)絡(luò)的無創(chuàng)血糖數(shù)據(jù)處理方法及系統(tǒng)，先對若干組血糖數(shù)據(jù)進(jìn)行奇異譜分析和經(jīng)驗?zāi)Ｊ椒纸?，并對分解后的歸一化成分分組排序，然后提取極大值紅外信號和前N組成分?jǐn)?shù)據(jù)的均值、方差、斜率和峰值，構(gòu)建特征信號；再根據(jù)該特征信號和若干組血糖數(shù)據(jù)的血糖值，構(gòu)建映射矩陣；最后獲取待測者的待測信號，將其導(dǎo)入映射矩陣后通過卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層的優(yōu)化，輸出優(yōu)化結(jié)果。相比于現(xiàn)有技術(shù)無創(chuàng)血糖濃度估計存在精度低的問題，本發(fā)明使用卷積神經(jīng)網(wǎng)絡(luò)來對紅外設(shè)備所測得的人體血糖信號進(jìn)行處理，并針對性地優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層，提高了系統(tǒng)的估計精度。

進(jìn)一步的，本發(fā)明創(chuàng)新性地通過優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的特征映射層和池化層來提高血糖濃度估計系統(tǒng)的精確度。由于特征映射層具有非線性、無記憶特性，本發(fā)明采用高維數(shù)的高斯函數(shù)作為特征映射層的激活函數(shù)，因此特征映射層的優(yōu)化設(shè)計轉(zhuǎn)變成了高維數(shù)的高斯函數(shù)中的參數(shù)的優(yōu)化設(shè)計。另一方面，卷積神經(jīng)網(wǎng)絡(luò)的池化層主要作用是降低信號的維數(shù)，本發(fā)明采用Lp范數(shù)作為特征映射層輸出信號的池化方式，通過找到一個光滑優(yōu)化問題的解來找到P的值。通過解決卷積神經(jīng)網(wǎng)絡(luò)這兩個優(yōu)化問題，并使用這個經(jīng)過優(yōu)化過的卷積神經(jīng)網(wǎng)絡(luò)來預(yù)估人體血糖濃度。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也視為本發(fā)明的保護(hù)范圍。