消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法

本发明涉及无创血糖检测领域，特别涉及一种消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法。

背景技术：

1、在无创血糖检测中，生物个体生理背景复杂多变，导致血糖信号难以准确提取，而且血糖检测精度低。针对生物个体生理背景复杂多变，导致血糖信号难以准确提取的瓶颈问题，构建皮肤组织血糖模型，并提出基于多源传感数据融合分析和大数据分析的血糖检测数据处理智能算法，消除生理背景差异化带来的干扰，提高血糖检测精度。

技术实现思路

1、本发明的目的是针对生物个体生理背景复杂多变，导致血糖信号难以准确提取的瓶颈问题，提供一种消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法。本发明构建皮肤组织血糖模型，并提出基于多源传感数据融合分析和大数据分析的血糖检测数据处理智能算法，消除生理背景差异化带来的干扰，提高血糖检测精度。

2、一种消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法，该方法是：

3、首先，从系统硬件和样品测量两方面研究与糖浓度信息无关的主要背景噪声信号分布情况；针对系统漂移的干扰，采用“sandwich”背景扣除法，可有效降低系统漂移干扰。

4、针对样品特性变化的影响，采用相近背景扣除法，可有效提高活体实验中的葡萄糖浓度测量精度。

5、同时采用基准波长背景扣除法，根据基准波长点的漫反射光强对葡萄糖浓度变化不敏感的特性，以此波长下的检测信号作为人体血糖测量的内部基准，从而消除人体生理背景变化的干扰。

6、在纯吸收介质和浑浊介质中实验验证基准波长点的存在，在此基础上，推导基于基准波长的背景扣除公式，并应用于活体实验中，白蛋白三成分和 intralipid-2%溶液的葡萄糖浓度预测精度均可提高。

7、然后，基于深度置信网络的血糖光谱-阻抗谱深度特征提取算法和回归模型及模型评价，包括数据采集及处理、深度特征提取、dbnsvr模型训练及测试和模型评价4大模块；在进行深度特征提取之前，将预处理后的数据划分为训练集和测试集，并记录对应的实际血糖浓度值。

8、基于深度置信网络理论，首先设置dbn网络结构，该结构由有7个可见单位元的可见层、3个rbm和输出单元为1的全链接层组成；然后利用训练数据集进行训练，得到血糖光谱的深度特征；其作为模型的输入进行预测，并对模型进行评价；通过rmse、r2(%)和p(%)这三个评判标准对比分析使用dbn提取光谱-阻抗谱特征前后回归模型的性能。

9、本发明的有益技术效果：

10、本发明构建皮肤组织血糖模型，并提出基于多源传感数据融合分析和大数据分析的血糖检测数据处理智能算法，消除生理背景差异化带来的干扰，提高了血糖检测精度。

技术特征：

1.一种消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法，该方法是：

技术总结
一种消除无创血糖检测中个体皮肤背景差异的模型和数据分析算法，针对系统漂移的干扰，采用“Sandwich”背景扣除法，针对样品特性变化的影响，采用相近背景扣除法，同时采用基准波长背景扣除法，消除人体生理背景变化的干扰。推导基于基准波长的背景扣除公式，白蛋白三成分和intralipid‑2%溶液的葡萄糖浓度预测精度均可提高。基于深度置信网络的血糖光谱‑阻抗谱深度特征提取算法和回归模型及模型评价；通过RMSE、R2(%)和P(%)这三个评判标准对比分析使用DBN提取光谱‑阻抗谱特征前后回归模型的性能。本发明能消除生理背景差异化带来的干扰，提高了血糖检测精度。

技术研发人员：唐熠达,王文尧,张阔,崔晓娟,孟祥彬,李凯伟,邵春丽,高峻,汪京嘉,温军,罗鸿幸
受保护的技术使用者：北京大学第三医院（北京大学第三临床医学院）
技术研发日：
技术公布日：2024/1/13