下载此文档

基于近红外光谱和机器学习的无创血糖浓度回归研究.pdf


文档分类:论文 | 页数:约6页 举报非法文档有奖
1/6
下载提示
  • 1.该资料是网友上传的,本站提供全文预览,预览什么样,下载就什么样。
  • 2.下载该文档所得收入归上传者、原创者。
  • 3.下载的文档,不会出现我们的网址水印。
1/6 下载此文档
文档列表 文档介绍
该【基于近红外光谱和机器学习的无创血糖浓度回归研究 】是由【学习的一点】上传分享,文档一共【6】页,该文档可以免费在线阅读,需要了解更多关于【基于近红外光谱和机器学习的无创血糖浓度回归研究 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。李莹,等:基于近红外光谱和机器学****的无创血糖浓度回归研究
453Vol.45No.3
第卷第期
20226长春理工大学学报(自然科学版)Jun.2022
年月JournalofChangchunUniversityofScienceandTechnology(NaturalScienceEdition)
基于近红外光谱和机器学****的
无创血糖浓度回归研究
李莹,周林华
130022
(长春理工大学数学与统计学院,长春)
摘要:无创血糖浓度预测是目前的热点研究问题,其预测精度容易受到各种不同因素干扰。针对基于近红外光谱
OGTT
的无创血糖浓度回归问题,重点分析了指端相邻位置光谱散射对回归精度的影响。实验是无创血糖浓度预测
OGTT
问题中的采集数据的经典方法,通过实验采集了指端区域近红外光谱及对应的血糖浓度数据,并利用支持向量
3
机回归算法预测血糖浓度。总共设计了组实验,实验结果表明,多区域数据的采集和平均能有效降低指端相邻位
置对光谱不同散射带来的回归误差。
关键词:无创血糖;近红外光谱;支持向量回归;光谱散射
O141.4A1672-9870202203-0138-06
中图分类号:文献标志码:文章编号:()
ResearchonNon-invasiveBloodGlucoseConcentrationRegression
BasedonNear-infraredSpectroscopyandMachineLearning
LIYing,ZHOULinhua
(SchoolofMathematicsandStatistics,ChangchunUniversityofScienceandTechnology,Changchun130022)
Abstract:Non-invasivebloodglucoseconcentrationpredictionisahotresearchissueatpresent,anditspredictionaccuracy
iseasilyinterferedbyvariousfactors.Aimingattheproblemofnon-invasivebloodglucoseconcentrationregressionbased
onnear-infraredspectroscopy,inthispaper,theanalysisoftheinfluenceofspectralscatteringisfocusedonattheadjacent
positionofthefingertipontheregressionaccuracy.TheOGTTexperimentisaclassicmethodofcollectingdatainthe
problemofnon-invasivebloodglucoseconcentrationprediction.ThroughtheOGTTexperiment,thenear-infraredspec-
trumofthefingertipareaandthecorrespondingbloodglucoseconcentrationdataarecollected;andthesupportvectorma-
chineregressionalgorithmisusedtopredictthebloodglucoseconcentration.Atotalof3setsofexperimentsaredesigned.
Theexperimentalresultsshowthatthecollectionandaveragingofmulti-regiondatacaneffectivelyreducetheregression
errorcausedbythedifferentscatteringofthespectrumattheneighboringpositionofthefinger.
Keywords:non-invasivebloodglucose;nearinfraredspectroscopy;supportvectorregression;spectralscattering
糖尿病是一种内分泌疾病,患者的胰岛素分体器官产生病变,特别是对眼睛、肾脏、神经、心
1
泌不足或身体未能有效利用胰岛素,导致体内脏、血管造成的慢性损害尤为严重[]。据国际糖
20194.63
血糖过高。糖尿病患者的持续高血糖会导致身尿病联盟公布的数据,年全球约有亿年
2021-11-05
收稿日期:
1142604520180101229JC
基金项目:国家自然科学基金();吉林省自然科学基金学科布局项目()
1996-E-******@qq.com
作者简介:李莹(),女,硕士研究生,:
1981-E-******@cust.edu.cn
通讯作者:周林华(),男,博士,教授,:
3139
第期李莹,等:基于近红外光谱和机器学****的无创血糖浓度回归研究
20~792045
龄在岁的***患有糖尿病,预计到本文的目的是消除测量区域中不同位置点
7OGTT
年,这一数字将上升到亿。目前临床尚无治疗的光谱数据差异,使用的数据来自于实验
OGTT1338~
糖尿病的药物,只能使用有创技术控制人体血获得的实验数据。在实验中,选取
1667nm70
糖水平以达到控制糖尿病的目的。范围内共个波长作为实验的测量波
11
有创技术易对患者造成伤害的缺点促进了长,以手指指腹为测量区域。选取测量区域内
微创和无创血糖技术的发展。微创血糖检测技个位置点的数据作为实验数据,支持向量回归
SVR
术对皮肤的损伤较小,常见的微创技术有皮下()作为回归模型,验证不同位置点数据的差
2-3
植入式生物传感器、超声渗析、微渗析等[]。异情况及减小不同位置点数据差异的可行性。
4
无创血糖检测技术主要集中在光学领域[],光学
1数据采集及处理
方法优点是安全、快速、简单、经济,无创血糖测
量技术在光学领域的应用主要集中于近红外光1.1数据采集
5-7
谱法、中红外光谱法、拉曼光谱法等[]。OGTT
本次实验采用葡萄糖耐量实验,参与
近红外光导检测器的灵敏度高且近红外光800-1100
1~100mm实验的志愿者一名,实验时间为上午::,
对皮肤的穿透能力高达,使近红外方
实验持续三天。实验所需设备有硬件计算机、
法成为光学技术的研究重点。葡萄糖耐量实验Hyperspec™NIR
OGTT近红外光谱扫描成像仪。近红
()为无创血糖研究中采集数据的经典方
外光谱仪采用固定位置扫描模式,光谱波长范
法,可以在短时间内采集实验所需的光谱数据1338~1667nm5nm
围为,光谱分辨率为;积分
8
和血糖浓度数据[],但由于实验条件限制,采集35ms100
时间为,采样帧频为。具体实验仪器
的样本量是有限的。在近红外光测量人体葡萄1
和采集系统如图所示。
糖浓度的研究中,通常选择的测量部位为手指、
前臂、手掌等,但测得的葡萄糖光谱极易受到环
境变化、个体差异、散射等多个因素影响,采集
9-10
的数据存在较大误差[]。
多因素干扰是近红外光测量血糖技术难以
向前推进的重要原因,这些因素引起的误差直
+
接影响回归模型预测血糖浓度的精确性。“MN”
理论认为误差来源主要为内部误差和外部误a
()近红外光谱仪
差,内部误差是血液中非目标成分对光谱的影
响,外部误差成分则较为复杂,包括测量过程中
11-12
产生的随机误差、皮肤的散射等[]。一般最常
用的方法是使用数据预处理方法和非线性回归
模型联合的方法消弱多因素导致的误差。数据
b
预处理可以有效减轻随机误差的影响,常用方()光谱数据采集系统
法有归一化处理、叠加平均处理、多元散射校正图1光谱数据采集设备和采集系统示意图
131a1b
等[]。常用的非线性回归模型如支持向量机、图()为近红外光谱仪,图()为光谱数
神经网络、随机森林等算法可以从采集光谱中据的采集系统。采集过程中志愿者将手指放入
提取血糖的有效信息,提高无创血糖的预测精光谱仪固定位置,由光源照射手指产生的反射
14-17
度[]。光进入光谱仪,由光谱仪成像并传入终端的计
1402022
长春理工大学学报(自然科学版)年
算机中保存。采集光谱数据的同时进行血糖浓éy1ù
êú
度数据的采集,具体过程为刺取指尖一滴血,将=êy2ú1
Yê⋮ú()
êú
其转移至酶测试纸和传感器进行测量,其精度êú
CEDINENISO15197ëyû
符合标准()。m
其中,m表示光谱条数;n表示波长个数。本文
1.2数据处理=3000=70
的实验数据中m,n。
实验中以手指指腹为测量区域,以测量区域
2.2支持向量机SVR算法
的中心点位置和左右两侧各五个位置点的数据
11SVR
为实验数据,共组位置点数据,分别记为中心支持向量机是支持向量机在回归问题
12345123
点、左、左、左、左、左、右、右、右、右上的应用。根据上述给定的吸光度数据和血糖
452Beer-LambertSVR
、右,如图所示。通过定律计浓度数据。的训练数据为D=
11{(,),(,),⋯,(,)}
算出个位置点的吸光度数据。每个位置点含x1y1x2y2xy,最终得到一个回归模
mm
300070()=+()
有条光谱数据,每条光谱数据有个波长型fxωTxb,使得fx与y接近,其中ω和
100
数据,其中每条光谱数据对应同一个浓度标
3011b是参数。在回归问题中,给定一个边界值ϕ,即
签,总共个浓度标签。同一浓度对应的个()->
当|fxy|ϕ时计算损失。
位置的吸光度存在明显的数据差异,因此将实ii
SVR
验数据进行归一化处理。的优化目标为:
1
min2+∑m(()-)2
2ωClfxy()
ϕii
=1
i
其中,C为正则化常数;l为损失函数。表示为:
ϕ
0 ,  ()-<
((),)=|fxy|ϕ3
lfxy{ii()
()-- ,otherwise
ϕii|fxy|ϕ
ii
引入松弛变量ξ和拉格朗日乘子u,优化目
ii
标变为:
图2手指测量区域示意图1
(,,,̂,,̂,,̂)=2+
Lωbaaξξμμ2ω
2方法
∑m(+̂)-∑m-∑m̂̂+
Cξξξuξu
iiiiii
=1=1=14
2.1iii()
数据集∑m(()---)+
afxyϕξ
iiii
=1
实验中采集到的光谱信号为手指的反射光,i
∑̂
Beer-Lambertm̂(-()--)
ayfxϕξ
根据定律计算吸光度。吸光度数iiii
=1
SVRi
据作为模型的特征数据,对应的血糖浓度(̂̂̂)̂
令Lω,b,a,a,ξ,ξ,μ,μ对ω,b,ξ,ξ偏导
11ii
数据作为标签数据。个位置的吸光度数据共0
1111为,得:
有组,组吸光度数据对应同一组浓度标签。
=∑m(̂-)5
ωaax()
每一个位置点的吸光度数据X和血糖浓度数据iii
=1
i
Y可表示为:()
⋯即fx的解为:
éx1ùéx1,1x1,2x1,ù
⋯n∑m
êúêú()=(̂-)T+6
=x2=x2,1x2,2x2,fxaaxxb()
êúênúiii
Xê⋮úê⋮⋮⋮⋮ú=1
êúêúi
êúê⋯ú0<<=0
xx,1x,2x,若aC,必有ξ,则:
ëmûëmmmnûii
3141
第期李莹,等:基于近红外光谱和机器学****的无创血糖浓度回归研究
∑10
=+-m(̂-)T7置数据作为训练集,其他个位置的数据依次
byϕaaxx()
iiiii
=1SVR
i作为测试集,使用回归模型得到测试集预
在高维空间中,xTx的计算需要引入核函11
ii测结果,如表所示。在表中,对于两个相邻
数,通过核函数可以直接计算高维空间的内积,12SVR
位置点,如左、左,的预测效果较好;对于
()
kxTx代表核函数,在本文中使用的核函数为高
ii不相邻的位置点,预测效果较差,而且位置间隔
斯核函数,即最终的回归模型为:越远,训练效果越差。这表明邻近位置点的数
()=∑m(̂-)()+8
fxaakxTxb()据的信息相似度更高,距离较远的位置点的数
iiii
=1
i据相似度越低。
3实验设计与结果分析表1第一组实验结果
A
3平均绝对值区克拉克
本节共设计了组实验。第一组实验验证训练集测试集均方差/%
误差误差概率
151.01061.711578.80
不同位置点的数据存在明显差异;第二组实验左左
SVR140.95631.917880.37
证明了依次增加位置点的数据作为的训练左左
130.86331.464878.27
左左
集,从剩余位置点的数据中随机选取数据作为120.62510.820390.33
左左
测试集,仍然不能减小位置差异的影响;因此在10.57190.674690.53
左中心点
11110.79201.085581.63
第三组实验中进行改进,将个位置点分成两左右
120.91051.361971.90
部分,一部分数据平均后作为训练集,另一部分左右
130.89851.223276.37
左右
平均后作为测试集,验证该种方法是否可以减141.06751.635062.50
左右
小不同位置点的数据差异。151.04301.679767.87
左右
3.2.2
3.1评价指标第二组实验
OGTT
在本文中,评价模型的预测效果使用克拉格第二组实验考虑到使用实验采集数据
误差网格中的平均克拉克网格误差(P为落在网的过程中,每次手指放置在近红外光谱仪的位
MAEMSE
格A区的概率)和、作为评价指标。克置有偏差,不能保证每次采集到同一位置的光
拉克误差网格是评价血糖预测准确度的一个经谱数据,因此在实验设计中测试数据和训练数
典方法,网格的A区域代表预测效果最好的区据属于不同的位置点数据。
MSE31
域;为均方差,是指预测值与真实值之差平位置点个数为,即以中心点位置和左、右
MAE18
方的期望值;为平均绝对值误差,是观测值位置的混合数据作为训练集,从剩余个位置
1000
与真实值的误差绝对值的平均值。公式如下:的数据中随机选取条作为测试集,使用
1SVR5
MSE(,̂)=∑m(-̂)回归模型得到预测结果;位置点个数为,
yyYY2
ii1212
m=19即以中心点位置和左、左、右、右位置的混
1i()
MAE(,̂)=∑m-̂6
yy|YY|合数据作为训练集,从剩余个位置的数据中随
ii
m=1
i1000
机选取条作为测试集,在实验数据上依次
3.2
实验设计及结果分析累加两个位置点的数据作为测试集,从未被训
3.2.11000
第一组实验练过的位置点的数据中随机抽取条数据
2
第一组实验中一次选择两个不同位置点数作为测试集,重复上述步骤。实验结果如表所
据,一个位置点数据作为训练集,另一个位置点示,未参与训练的位置点数据作为测试集的预
175%
数据作为测试集。为方便进行比较,固定左位测结果整体在左右,预测效果较差。
1422022
长春理工大学学报(自然科学版)年
表2第二组实验结果由实验结果可以看出,经过平均处理的两组
A
平均绝对值区克拉克数据的位置差异明显减小,并且克拉克误差网
位置点个数均方差/%
误差误差概率SVR
31.03002.153472.4格图表明模型的预测效果良好,两次实验
A99%
50.91751.585577.0在网格图中区的样本量达到以上,表明第
71.00851.776572.9
三组实验可以有效降低位置差异的影响。
90.93991.511876.9
3.2.3
第三组实验4结论
1153OGTT
原有组位置点的数据,选取左、左、左在无创血糖监测领域,实验是采集血
11356OGTT
、右、右、右共组数据进行数据平均处理糖数据的经典方法,本文使用实验获得光
115
为组数据,记为新数据,剩余个位置的数据谱数据和血糖浓度数据。针对实验数据中不同
123
进行数据平均处理为组数据,记为新数据。位置点存在的数据差异问题,设计组实验验证
21
将平均处理过后的组新数据,组作为训练集,并成功减小了不同位置点的数据差异。从另一
SVR
另一组作为测试集,使用回归模型得到测方面来看,减小不同位置点数据的差异一定程
3
试集预测结果,得到的结果如表所示,克拉克度上增加了可用的样本量,在血糖预测的深度
3
误差网格图如图所示。回归模型中,大样本量对模型的最终预测有一
表3第三组实验结果定的帮助。
A
平均绝对值区克拉克
训练集测试集均方差/%
误差误差概率参考文献
120.20660.093999.1
新数据新数据
210.24270.108999.61SNEHANGANGILT.Analysisofdiabetesmellitusfor
新数据新数据[],
earlypredictionusingoptimalfeaturesselectionJ.
[]
JournalofBigData20196131-19.
,,():
2CHENYHLUSY.Skin-likebiosensorsystemvia
[],
electrochemicalchannelsfornoninvasivebloodglucose
monitoringJ.ScienceAdvances20173121-7.
[],,():
3RHEESYCHONS.Clinicalexperienceofaniontopho⁃‐
[],
resisbasedglucosemeasuringsystemJ.JournalofKo⁃‐
[]
reanMedicalScience20072217073.
,,():–
4YADAVJ.Prospectsandlimitationsofnon-invasive
[]
a2bloodglucosemonitoringusingnear-infraredspectrosco⁃‐
()新数据为测试集的克拉克误差网格图
pyJ.BiomedicalSignalProcessingandControl2015
[],,
181214-227.
():
5LILIENFELDTOALHVWEIDENMÜLLERM.Anov⁃‐
[],
elapproachtonon-invasiveglucosemeasurementby
mid-infraredspectroscopyThecombinationofquantum
:
cascadelasersQCLandphotoacousticdetectionJ.
()[]
VibrationalSpectroscopy2005381209-215.
,,():
6DELBECKSVAHLSINGT.Non-invasivemonitoringof
[],
bloodglucoseusingopticalmethodsforskinspectrosco⁃‐
b1pyopportunitiesandrecentadvancesJ.Analytical
()新数据为测试集的克拉克误差网格图—[]
andBioanalyticalChemistry2019411163-77.
图3两组实验的误差网格图,,():
3143
第期李莹,等:基于近红外光谱和机器学****的无创血糖浓度回归研究
7.13RINNANS.Reviewofthemostcommonpre-processing
[]桂铭成,朱卫华基于人体血清荧光光谱和改进变[]
J.techniquesfornear-infraredspectraJ.TrACtrends
量选择方法对血糖浓度测定的研究[]光谱学与[]
20173792817-2821.inanalyticalchemistry200928101201-1222.
光谱分析,,():,,():
8.1100~1700nm14JAINPMADDILAR.Aprecisenon-invasiveblood
[]陈文亮,崔厚欣近红外光谱无创血[],
OGTTJ.glucosemeasurementsystemusingNIRspectroscopy
糖测量的实验研究[]生物医学工程学杂
2004215824-827.andHubersregressionmodelJ.OpticalandQuan⁃‐
志,,():’[]
9KHALILOS.Non-invasiveglucosemeasurementtech⁃‐tumElectronics20195121-15.
[],,():
nologiesanupdatefrom1999totheDawnofthenew15RAMASAHAYAMS.Noninvasivebloodglucosesens⁃‐
:[]
millenniumJ.DiabetesTechnolTher200465ingusingnearinfra-redspectroscopyandartificialneu⁃‐
[],,():
660-697.ralnetworksbasedoninversedelayedfunctionmodel
10PELEDNWONGDl.ComparisonofglucoselevelsinofneuronJ.JournalofMedicalSystems201539
[],[],,
capillarybloodsamplesobtainedfromavarietyofbody11-15.
():
sitesJ.DiabetesTechnolTher20024135-44.16LIUWJWANGP.Overcomingindividualdiscrepan⁃‐
[],,():[],
11WANXHLIG.AreviewonM+Ntheoryanditsciesalearningmodelfornon-invasivebloodglucose
[],,
strategiestoimprovetheaccuracyofspectrochemicalmeasurementJ.AppliedSciences2019911-
[],,():
compositionanalysisofcomplexliquidsJ.Applied18.
[]
SpectroscopyReviews202055287-104.17YANGWMLIAONF.DeterminationofNIRinforma⁃‐
,,():[],
12WANGYYLIG.Dynamicspectrumfornoninvasivetivewavebandsfortransmissionnon-invasiveblood
[],
bloodcomponentanalysisanditsadvancesJ.AppliedglucosemeasurementusingaFouriertransformspec⁃‐
[]
SpectroscopyReviews2019549736-757.trometerJ.AIPAdvances2018831-11.
,,():[],,():

基于近红外光谱和机器学习的无创血糖浓度回归研究 来自淘豆网www.taodocs.com转载请标明出处.

相关文档 更多>>
非法内容举报中心
文档信息
  • 页数6
  • 收藏数0 收藏
  • 顶次数0
  • 上传人学习的一点
  • 文件大小1.72 MB
  • 时间2022-09-21