一种基于范数值目标函数的无创血糖估算方法

1.本发明涉及无创血糖估算的技术领域，更具体的，涉及一种基于范数值目标函数的无创血糖估算方法。


背景技术：

2.糖尿病是一种慢性代谢疾病，其特征是血糖水平升高，随着时间的推移会严重损害身体各类器官。传统的血糖值检测方式一般为侵入式血糖测试，通过扎破手指，然后利用试纸蘸取少量血液来检测血糖值。这种方式易造成伤口感染，且长期使用的话消耗试纸较多。
3.因此，无创血糖检测的必要性日益增加。为了实现血糖值的无创连续监测，目前一般通过红外技术采集特征进行血糖值估算。但目前的血糖估算技术只通过提取平均值、中位数、极差、四分位距和方差之类的基础统计特征进行血糖值估算，导致准确性不够高。


技术实现要素：

4.本发明为克服目前的血糖估算技术准确性不够高的技术缺陷，提供一种基于范数值目标函数的无创血糖估算方法。
5.为解决上述技术问题，本发明的技术方案如下：
6.一种基于范数值目标函数的无创血糖估算方法，包括以下步骤：
7.s1：获取多组血糖数据，所述血糖数据包括红外光谱数据和红外光谱数据对应的血糖值，并将各组的红外光谱数据进行排序，得到红外光谱序列；
8.s2：计算所述红外光谱序列的第一统计特征；
9.s3：根据所述第一统计特征构建范数值目标函数；
10.s4：求解所述范数值目标函数得到新的核向量；
11.s5：使用血糖值的数据向量与新的核向量进行内积计算得到第二统计特征，并将所述第二统计特征拼接生成特征矩阵；
12.s6：利用特征矩阵对预搭建的神经网络模型进行无创血糖估算训练，得到无创血糖估算模型并用于无创血糖估算。
13.上述方案中，根据红外光谱序列的第一统计特征构建范数值目标函数，通过求解范数值目标函数得到新的核向量并计算得到新的统计特征(第二统计特征)，利用新的统计特征对神经网络模型进行无创血糖估算训练，提高了无创血糖估算的准确性。
14.优选的，还包括将步骤s1获取的所有血糖数据按照7∶3的比例划分为训练集和测试集；其中，训练集用于对预搭建的神经网络模型进行无创血糖估算训练，测试集用于进行模型验证。
15.优选的，在步骤s1中，将训练集中各组血糖数据的红外光谱数据按升序排列，得到红外光谱序列。
16.上述方案中，将数据按升序排列，使数据更加直观和便于计算。
17.优选的，所述第一统计特征为平均数。
18.优选的，通过以下公式计算所述红外光谱序列的平均数：
[0019][0020]
其中，表示红外光谱序列，[1
ꢀ…ꢀ
1]
t
表示与红外光谱序列长度相同的元素全为1的矩阵向量，n表示血糖数据的组数。
[0021]
优选的，根据所述红外光谱序列的平均数构建范数值目标函数：
[0022][0023]
其中，x表示需要求解的核向量，j
∞
(x)表示无穷范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0024]
上述方案中，通过求解l
∞
范数优化问题的目标函数得到新的核向量。
[0025]
优选的，所述第一统计特征为中位数。
[0026]
优选的，通过以下公式计算所述红外光谱序列的中位数：
[0027][0028]
其中，表示红外光谱序列，n表示血糖数据的组数，n≥3且n为奇数。
[0029]
优选的，根据所述红外光谱序列的中位数构建范数值目标函数：
[0030][0031]
其中，x表示需要求解的核向量，j1(x)表示一范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0032]
上述方案中，通过求解l1范数优化问题的目标函数得到新的核向量。
[0033]
优选的，还包括将所述范数值目标函数进一步定义为：
[0034][0035]
其中，j(x)表示无穷范数优化问题和一范数优化问题的凸组合的目标函数，λ表示一范数优化问题在凸组合中所占的比例，λ∈[0，1]。
[0036]
上述方案中，通过调整λ得到一系列新的核向量，比如当λ＝0时，求得的是无穷范数优化问题对应的解，当λ＝1时求得的是一范数优化问题对应的解，而当λ在0到1之间则是两种优化问题解的不同组合。
[0037]
与现有技术相比，本发明技术方案的有益效果是：
[0038]
本发明提供了一种基于范数值目标函数的无创血糖估算方法，根据红外光谱序列的第一统计特征构建范数值目标函数，通过求解范数值目标函数得到新的核向量并计算得到新的统计特征(第二统计特征)，利用新的统计特征对神经网络模型进行无创血糖估算训练，提高了无创血糖估算的准确性。
附图说明
[0039]
图1为本发明的技术方案实施步骤流程图。
具体实施方式
[0040]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0041]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0042]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0043]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0044]
实施例1
[0045]
如图1所示，一种基于范数值目标函数的无创血糖估算方法，包括以下步骤：
[0046]
s1：获取多组血糖数据，所述血糖数据包括红外光谱数据和红外光谱数据对应的血糖值，并将各组的红外光谱数据进行排序，得到红外光谱序列；
[0047]
s2：计算所述红外光谱序列的第一统计特征；
[0048]
s3：根据所述第一统计特征构建范数值目标函数；
[0049]
s4：求解所述范数值目标函数得到新的核向量；
[0050]
s5：使用血糖值的数据向量与新的核向量进行内积计算得到第二统计特征，并将所述第二统计特征拼接生成特征矩阵；
[0051]
s6：利用特征矩阵对预搭建的神经网络模型进行无创血糖估算训练，得到无创血糖估算模型并用于无创血糖估算。
[0052]
在具体实施过程中，根据红外光谱序列的第一统计特征构建范数值目标函数，通过求解范数值目标函数得到新的核向量并计算得到新的统计特征(第二统计特征)，利用新的统计特征对神经网络模型进行无创血糖估算训练，提高了无创血糖估算的准确性。.
[0053]
实施例2
[0054]
一种基于范数值目标函数的无创血糖估算方法，包括以下步骤：
[0055]
s1：获取多组血糖数据，所述血糖数据包括红外光谱数据和红外光谱数据对应的血糖值，并将各组的红外光谱数据进行排序，得到红外光谱序列；
[0056]
更具体的，还包括将步骤s1获取的所有血糖数据按照7：3的比例划分为训练集和测试集，其中70％的血糖数据作为训练集用于对神经网络模型进行无创血糖估算训练，另外30％的血糖数据作为测试集用来进行模型验证。
[0057]
更具体的，在步骤s1中，将训练集中各组血糖数据的红外光谱数据按升序排列，得到红外光谱序列。
[0058]
在具体实施过程中，将数据按升序排列，使数据更加直观和便于计算。
[0059]
s2：计算所述红外光谱序列的第一统计特征；
[0060]
更具体的，所述第一统计特征为平均数。
[0061]
更具体的，通过以下公式计算所述红外光谱序列的平均数：
[0062][0063]
其中，表示红外光谱序列，[1
ꢀ…ꢀ
1]
t
表示与红外光谱序列长度相同的元素全为1的矩阵向量，n表示血糖数据的组数。
[0064]
s3：根据所述第一统计特征构建范数值目标函数；
[0065]
更具体的，根据所述红外光谱序列的平均数构建范数值目标函数：
[0066][0067]
其中，x表示需要求解的核向量，j
∞
(x)表示无穷范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0068]
在具体实施过程中，通过求解l
∞
范数优化问题的目标函数得到新的核向量。
[0069]
s4：求解所述范数值目标函数得到新的核向量；
[0070]
s5：使用血糖值的数据向量与新的核向量进行内积计算得到第二统计特征，并将所述第二统计特征拼接生成特征矩阵；
[0071]
s6：利用特征矩阵对预搭建的神经网络模型进行无创血糖估算训练，得到无创血糖估算模型并用于无创血糖估算。
[0072]
实施例3
[0073]
一种基于范数值目标函数的无创血糖估算方法，包括以下步骤：
[0074]
s1：获取多组血糖数据，所述血糖数据包括红外光谱数据和红外光谱数据对应的血糖值，并将各组的红外光谱数据进行排序，得到红外光谱序列；
[0075]
更具体的，还包括将步骤s1获取的所有血糖数据按照7∶3的比例划分为训练集和测试集，其中70％的血糖数据作为训练集用于对神经网络模型进行无创血糖估算训练，另外30％的血糖数据作为测试集用来进行模型验证。
[0076]
更具体的，在步骤s1中，将训练集中各组血糖数据的红外光谱数据按升序排列，得到红外光谱序列。
[0077]
s2：计算所述红外光谱序列的第一统计特征；
[0078]
更具体的，所述第一统计特征为中位数。
[0079]
更具体的，通过以下公式计算所述红外光谱序列的中位数：
[0080][0081]
其中，表示红外光谱序列，n表示血糖数据的组数，n≥3且n为奇数。
[0082]
s3：根据所述第一统计特征构建范数值目标函数；
[0083]
更具体的，根据所述红外光谱序列的中位数构建范数值目标函数：
[0084][0085]
其中，x表示需要求解的核向量，j1(x)表示一范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0086]
在具体实施过程中，通过求解l1范数优化问题的目标函数得到新的核向量。
[0087]
s4：求解所述范数值目标函数得到新的核向量；
[0088]
s5：使用血糖值的数据向量与新的核向量进行内积计算得到第二统计特征，并将所述第二统计特征拼接生成特征矩阵；
[0089]
s6：利用特征矩阵对预搭建的神经网络模型进行无创血糖估算训练，得到无创血糖估算模型并用于无创血糖估算。
[0090]
实施例4
[0091]
一种基于范数值目标函数的无创血糖估算方法，包括以下步骤：
[0092]
s1：获取多组血糖数据，所述血糖数据包括红外光谱数据和红外光谱数据对应的血糖值，并将各组的红外光谱数据进行排序，得到红外光谱序列；
[0093]
更具体的，还包括将步骤s1获取的所有血糖数据按照7∶3的比例划分为训练集和测试集，其中70％的血糖数据作为训练集用于对神经网络模型进行无创血糖估算训练，另外30％的血糖数据作为测试集用来进行模型验证。
[0094]
更具体的，在步骤s1中，将训练集中各组血糖数据的红外光谱数据按升序排列，得到红外光谱序列。
[0095]
s2：计算所述红外光谱序列的第一统计特征；
[0096]
更具体的，所述第一统计特征为中位数或平均数。
[0097]
更具体的，通过以下公式计算所述红外光谱序列的中位数：
[0098][0099]
其中，表示红外光谱序列，n表示血糖数据的组数，n≥3且n为奇数。
[0100]
更具体的，通过以下公式计算所述红外光谱序列的平均数：
[0101][0102]
其中，表示红外光谱序列，[1
ꢀ…ꢀ
1]
t
表示与红外光谱序列长度相同的元素全为1的矩阵向量，n表示血糖数据的组数。
[0103]
s3：根据所述第一统计特征构建范数值目标函数；
[0104]
更具体的，根据所述红外光谱序列的中位数构建范数值目标函数：
[0105][0106]
其中，x表示需要求解的核向量，j1(x)表示一范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0107]
在具体实施过程中，通过求解l1范数优化问题的目标函数得到新的核向量。
[0108]
更具体的，根据所述红外光谱序列的平均数构建范数值目标函数：
[0109][0110]
其中，x表示需要求解的核向量，j
∞
(x)表示无穷范数优化问题的目标函数，a表示随机生成的m
×
n的矩阵，y表示随机生成的m
×
1的列向量。
[0111]
在具体实施过程中，通过求解l
∞
范数优化问题的目标函数得到新的核向量。
[0112]
更具体的，还包括将所述范数值目标函数进一步定义为：
[0113][0114]
其中，j(x)表示无穷范数优化问题和一范数优化问题的凸组合的目标函数，λ表示一范数优化问题在凸组合中所占的比例，λ∈[0，1]。
[0115]
在具体实施过程中，通过调整λ得到一系列新的核向量，比如当λ＝0时，求得的是
无穷范数优化问题对应的解，当λ＝1时求得的是一范数优化问题对应的解，而当λ在0到1之间则是两种优化问题解的不同组合。
[0116]
s4：求解所述范数值目标函数得到新的核向量；
[0117]
s5：使用血糖值的数据向量与新的核向量进行内积计算得到第二统计特征，并将所述第二统计特征拼接生成特征矩阵；
[0118]
s6：利用特征矩阵对预搭建的神经网络模型进行无创血糖估算训练，得到无创血糖估算模型并用于无创血糖估算。
[0119]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。