本發(fā)明涉及對人體進(jìn)行無創(chuàng)血糖檢測，屬于無創(chuàng)血糖測試研究領(lǐng)域，具體為一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法。

背景技術(shù)：

糖尿病是一組以高血糖為特征的代謝性疾病，目前還沒有根治糖尿病的方法。糖尿病的治療以頻繁地監(jiān)測、控制血糖水平為主。傳統(tǒng)的有創(chuàng)取血測量血糖的方法存在明顯缺陷，在測量過程中給患者帶來創(chuàng)傷和痛覺，不便于實(shí)現(xiàn)連續(xù)性的檢測。無創(chuàng)血糖檢測技術(shù)克服了傳統(tǒng)檢測方法的缺點(diǎn)，能有效地滿足糖尿病人實(shí)時、頻繁監(jiān)測血糖濃度的需求,是血糖檢測技術(shù)發(fā)展的方向。但目前無創(chuàng)血糖測試的準(zhǔn)確度還不滿足需求。

目前使用的無創(chuàng)血糖預(yù)測方法采用該時刻的無創(chuàng)測量參數(shù)預(yù)測該時刻的血糖，如美國專利us20120101351a1中利用測試時刻的阻抗譜特性預(yù)測血糖，中國專利cn105662434a利用測試時刻的中紅外光特性預(yù)測血糖，中國專利cn104490403a中利用測試時刻的光譜信息預(yù)測血糖。

中國專利文獻(xiàn)(cn103310113a)中公開了利用血糖的潛在時序動態(tài)特性進(jìn)行血糖預(yù)測的方法，其利用的是之前一段時間通過有創(chuàng)方法測試的皮下血糖值，預(yù)測之后一段時間的血糖。這屬于利用人體血糖本身的動態(tài)變化特性，通過有創(chuàng)方法采集一段時間的血糖值來預(yù)測之后一段時間的血糖。

無創(chuàng)血糖測試時通過測試人體與血糖水平相關(guān)的生理參數(shù)來預(yù)測血糖，人體的血糖變化和生理參數(shù)變化之間有一定的延遲，不同的生理參數(shù)的延遲可能不同，不能簡單的用當(dāng)前時刻的生理參數(shù)值去預(yù)測當(dāng)前時刻的血糖；而利用歷史血糖信息去預(yù)測血糖，雖然使用了血糖的時間序列，但歷史血糖需要通過有創(chuàng)的方法得到，無法克服有創(chuàng)方法帶來的創(chuàng)傷和感染風(fēng)險。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有無創(chuàng)血糖預(yù)測方法的不足，利用時序分析的方法建立血糖模型，克服人體生理參數(shù)和血糖水平變化之間的延遲。

本發(fā)明的技術(shù)方案如下：

一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于該方法包括如下步驟：

1)數(shù)據(jù)輸入和預(yù)處理：通過無創(chuàng)方法連續(xù)采集人體的相關(guān)生理參數(shù)得到特征值序列xi(t)，i＝1,…,t，t＝1,…,z，i為特征值編號，t為采樣點(diǎn)編號，t為通過采集的生理參數(shù)計算得到的特征值個數(shù)，z為序列長度；同時利用有創(chuàng)方法得到實(shí)測血糖值序列g(shù)lu(t)，將特征值序列和實(shí)測血糖值序列進(jìn)行歸一化處理；

2)特征值篩選：根據(jù)特征值序列和實(shí)測血糖值序列的相似性進(jìn)行特征值篩選，篩選出與血糖變化相關(guān)度較大的特征值子集，記錄篩選出的相關(guān)特征值信息；

3)基于時序分析的單特征值模型：采用時序分析模型表達(dá)相關(guān)特征值序列和實(shí)測血糖值序列之間的關(guān)系，得到單特征值模型和單特征值模型血糖序列；

4)多特征值融合：將各個單特征值模型血糖序列使用加權(quán)平均模型進(jìn)行融合，得到多特征值模型；

5)利用建立的相關(guān)特征值信息、單特征值模型和多特征值模型進(jìn)行無創(chuàng)血糖預(yù)測。

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于：步驟2)特征值篩選時，使用互相關(guān)函數(shù)得到特征值序列和實(shí)測血糖值序列的相似性，對于特征值序列xi(t)，其與實(shí)測血糖值序列的相關(guān)函數(shù)為：

其中，n為設(shè)定計算的互相關(guān)序列長度，r(τ)為互相關(guān)函數(shù)值，τ是互相關(guān)函數(shù)的自變量；進(jìn)行特征值篩選時，當(dāng)r(τ)的最大值rmax超過設(shè)定閾值，認(rèn)為兩個序列相似，把這個特征值作為相關(guān)特征值，加入到特征值子集，特征值子集中相關(guān)特征值個數(shù)為m，相關(guān)特征值編號為j。

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于：步驟3)基于時序分析的單特征值模型時，采用時序分析方法中的滑動平均模型表達(dá)相關(guān)特征值序列和實(shí)測血糖值序列之間的關(guān)系，如下式：

其中：m為模型階數(shù)，0≤n<m，bjn為模型系數(shù)，εj(t)為殘差；

利用最小二乘法得到模型系數(shù)bjn，從而得到中間變量gj(t)：

由gj(t)和glu(t)得到兩者之間的延時tj，得到最終的單特征值模型血糖序列g(shù)j(t)：

gj(t)＝gj(t-tj)。

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于：步驟4)多特征值融合時，使用加權(quán)平均模型進(jìn)行融合，得到多特征值模型參數(shù)kj，kj為gj(t)對應(yīng)的權(quán)重，通過線性回歸模型得到如下式：

其中ε(t)為擬合殘差。

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于步驟5)進(jìn)行無創(chuàng)血糖預(yù)測時，具體步驟為：

1)通過無創(chuàng)方法連續(xù)采集人體的相關(guān)生理參數(shù)重新得到特征值序列xi(t)，對特征值序列進(jìn)行預(yù)處理；

2)利用建模中步驟2)得到的相關(guān)特征值信息進(jìn)行特征值提取，得到特征值子集，特征值子集中相關(guān)特征值個數(shù)為m，相關(guān)特征值編號為j；

3)根據(jù)建模中步驟3)得到的單特征模型模型參數(shù)m、bjn和tj，進(jìn)行單特征值預(yù)測，得到gj(t)和gj(t)，其中gj(t)＝gj(t-tj)；

4)根據(jù)建模中步驟4)得到的多特征值模型參數(shù)kj，得到最終血糖預(yù)測序列

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于：無創(chuàng)采集的生理參數(shù)包括紅外光譜特性、阻抗特性、溫度、濕度、血流速、血氧飽和度、脈搏、聲速、聲阻抗、光聲譜特性。

上述方案中的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法，其特征在于：特征值序列和實(shí)測血糖值序列在預(yù)處理過程中歸一化后采用小波濾波進(jìn)行濾波。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)及突出性效果：①本發(fā)明提出的基于時序分析的通用無創(chuàng)血糖預(yù)測方法簡單易用，對于每位糖尿病患者，只需要通過一次約3小時的測試即可建立模型；②克服了人體生理參數(shù)變化和血糖濃度變化的延遲，使無創(chuàng)方法測得的血糖值更準(zhǔn)確；③本發(fā)明提出的方法適用于多種不同的無創(chuàng)血糖測試方法，具有通用性。

附圖說明：

圖1是基于時序分析的通用無創(chuàng)血糖預(yù)測方法的流程框圖。

圖2是無創(chuàng)得到的特征值序列和實(shí)測血糖值序列示例。

圖3是小波濾波結(jié)果示例。

圖4是單特征值模型結(jié)果示例。

圖5是單特征值模型和多特征值融合結(jié)果對比。

圖6是數(shù)據(jù)采集流程示意圖。

圖7是血糖預(yù)測結(jié)果示例。

圖8是基于阻抗譜-光學(xué)方法的多傳感器無創(chuàng)血糖檢測設(shè)備探頭。

圖中：1-低頻電極；2-溫濕度傳感器；3-高頻電極；4-發(fā)光二極管陣列；5-光電傳感器；6-接觸板；7-屏蔽電極；l為高頻電極的匹配電感。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明提出的一種基于時序分析的通用無創(chuàng)血糖預(yù)測方法具體過程做進(jìn)一步的說明。

基于阻抗譜-光學(xué)方法的多傳感器無創(chuàng)血糖檢測設(shè)備，檢測探頭如附圖8，包括溫濕度傳感器2、發(fā)光二極管陣列4、光電傳感器5、低頻電極1和高頻電極3。高頻電極采用平行電極，電極的正極或負(fù)極上直接焊接匹配的電感，并設(shè)有屏蔽電極7。低頻電極的距離位15cm，能穩(wěn)定測試組織低頻阻抗。

首先要使用基于阻抗譜-光學(xué)方法的多傳感器無創(chuàng)血糖檢測設(shè)備進(jìn)行數(shù)據(jù)采集，數(shù)據(jù)采集的過程如附圖6，具體步驟為：

1)測試者空腹?fàn)顟B(tài)開始測試，測試前30分鐘不能進(jìn)行劇烈運(yùn)動，最好是在舒適的環(huán)境中以舒適的姿勢靜坐。

2)測試者佩戴無創(chuàng)測試設(shè)備，開始連續(xù)采集相關(guān)生理參數(shù)信息。這里的無創(chuàng)測試設(shè)備可以是基于不同原理的不同設(shè)備。

3)測試者佩戴無創(chuàng)設(shè)備20分鐘后開始進(jìn)餐，進(jìn)餐在15分鐘內(nèi)完成；進(jìn)餐的量最好能夠控制。

4)餐后至少連續(xù)采集數(shù)據(jù)140分鐘。最好選擇采集餐后3個小時的數(shù)據(jù)，這樣可以得到餐后血糖升高到降低的整個過程。每次實(shí)驗采集的數(shù)據(jù)長度不需要完全一致。

在采用無創(chuàng)設(shè)備進(jìn)行數(shù)據(jù)采集的同時，利用有創(chuàng)方法得到標(biāo)準(zhǔn)血糖值，可以每隔30分鐘采集一次指尖血數(shù)據(jù)，得到實(shí)測血糖值序列g(shù)lu(t)。

基于阻抗譜和光學(xué)方法的無創(chuàng)血糖測試設(shè)備，需要采集組織的低頻阻抗、高頻阻抗、溫度、濕度、透光性等特征值隨時間的變化。各個參數(shù)每隔1分鐘計算一次，并存儲在文件中。

采集數(shù)據(jù)之后，根據(jù)采集的數(shù)據(jù)進(jìn)行建模，具體步驟如下：

1)數(shù)據(jù)輸入和預(yù)處理。通過無創(chuàng)方法連續(xù)采集人體的相關(guān)生理參數(shù)，包括低頻阻抗、高頻阻抗、諧振頻率、溫度、濕度、組織透光性，從生理參數(shù)中計算得到特征值序列xi(t)，i＝1,…,t，t為特征值個數(shù)，針對基于阻抗譜和光學(xué)方法的無創(chuàng)血糖測試方法t取10，xi(t)為第i個特征值的時間序列。輸入利用傳統(tǒng)方法得到實(shí)測血糖值序列g(shù)lu(t)。將特征值和實(shí)測血糖值進(jìn)行歸一化處理。并對特征值序列和實(shí)測血糖值序列進(jìn)行插值，得到時間匹配的特征值序列與血糖值序列。

各特征值序列和實(shí)測血糖值序列歸一化的示例如附圖2，圖中列出了組織諧振頻率、透光性、溫度、濕度參數(shù)序列和實(shí)測血糖值序列的歸一化結(jié)果。

為了消除高頻噪聲用小波濾波對原始時間序列進(jìn)行濾波。小波濾波首先選定小波基，這里可以采用db8小波，對原始信號做六層分解，取第一層和第二層信號進(jìn)行重構(gòu)，消除高頻噪聲。小波濾波的效果如附圖3。

2)特征值篩選：根據(jù)特征值序列和實(shí)測血糖值序列的相似性進(jìn)行特征值篩選，篩選出與血糖變化相關(guān)度較大的特征值子集，記錄篩選出的相關(guān)特征值信息；使用互相關(guān)函數(shù)得到特征值序列和實(shí)測血糖值序列的相似性，對于特征值序列xi(t)，其與實(shí)測血糖值序列的相關(guān)函數(shù)為：

其中n為設(shè)定計算的互相關(guān)序列長度，r(τ)為互相關(guān)函數(shù)值，τ是互相關(guān)函數(shù)的自變量。進(jìn)行特征值篩選時，當(dāng)特征值與實(shí)測血糖值序列的互相關(guān)函數(shù)的最大值rmax超過設(shè)定閾值，認(rèn)為兩個信號相似，把這個特征值作為相關(guān)特征值，加入到特征值子集，特征值子集中相關(guān)特征值個數(shù)為m，相關(guān)特征值編號為j。

3)基于時序分析的單特征值模型：采用時序分析方法中的滑動平均模型表達(dá)相關(guān)特征值序列和實(shí)測血糖值序列之間的關(guān)系，如下式：

其中：m為模型階數(shù)，0≤n<m，bjn為模型系數(shù)，εj(t)為殘差；

利用最小二乘法得到模型系數(shù)bjn，從而得到中間變量gj(t)：

由gj(t)和glu(t)得到兩者之間的延時tj，得到最終的單特征值模型血糖序列g(shù)j(t)：

gj(t)＝gj(t-tj)⑷

可以使用互相關(guān)函數(shù)得到gj(t)和glu(t)的延時tj，互相關(guān)函數(shù)如式(5)：

其中n為設(shè)定計算的互相關(guān)序列長度，r(τ)為互相關(guān)函數(shù)值，τ是互相關(guān)函數(shù)的自變量?；ハ嚓P(guān)函數(shù)的最大值rmax對應(yīng)的τ值就是tj。

這里可以設(shè)置模型階數(shù)為10，單特征值血糖模型結(jié)果如圖4，其中給出了實(shí)測血糖值、原始特征值和單特征值模型血糖序列的關(guān)系。

無創(chuàng)血糖測試時通過測試人體與血糖水平相關(guān)的生理參數(shù)來預(yù)測血糖，人體的血糖變化和生理參數(shù)變化之間有一定的延遲，不同的生理參數(shù)的延遲可能不同，不能簡單的用當(dāng)前時刻的生理參數(shù)值去預(yù)測當(dāng)前時刻的血糖。這里采用時序分析的方法建立模型可以克服生理參數(shù)和血糖值之間的延遲。

4)多特征值融合：將各個單特征值模型血糖序列使用加權(quán)平均模型進(jìn)行融合，得到多特征值模型參數(shù)，gj(t)對應(yīng)的權(quán)重kj通過線性回歸模型得到：

其中ε(t)為擬合殘差；

得到kj后，通過加權(quán)平均得到多特征值血糖模型序列：

其中，g(t)是多特征值血糖模型序列；

多特征值血糖模型序列的會比單特征值模型血糖序列要好，綜合了各個特征值的信息，預(yù)測結(jié)果也更穩(wěn)定，如圖5。

5)利用建立的模型進(jìn)行無創(chuàng)血糖預(yù)測：

1)通過無創(chuàng)方法連續(xù)采集人體的相關(guān)生理參數(shù)得到新的特征值序列xi(t)，對特征值序列進(jìn)行預(yù)處理；

2)利用建模中步驟2)得到的相關(guān)特征值信息進(jìn)行特征值提取，得到特征值子集，特征值子集中相關(guān)特征值個數(shù)為m，相關(guān)特征值編號為j；

3)根據(jù)建模中步驟3)得到的單特征模型模型參數(shù)m、bjn和tj，進(jìn)行單特征值預(yù)測，得到gj(t)和gj(t)，其中gj(t)＝gj(t-tj)；

4)根據(jù)建模中步驟4)得到的多特征值模型參數(shù)kj，得到最終血糖預(yù)測序列

利用上述方法進(jìn)行血糖預(yù)測的結(jié)果見圖7。對1個使用者進(jìn)行3次測試，利用其中一次實(shí)驗進(jìn)行建模，對其余兩次實(shí)驗進(jìn)行預(yù)測。其中灰色背景的圖片表示建模結(jié)果，白色背景是預(yù)測結(jié)果。圖中虛線為模型預(yù)測結(jié)果，實(shí)現(xiàn)為實(shí)測血糖結(jié)果?？梢钥闯鍪褂迷摲椒A(yù)測血糖的結(jié)果較準(zhǔn)確。

從上述過程可以發(fā)現(xiàn)，經(jīng)過一次測試就可以建立模型，整個過程大約3個小時。如果更換不同的測試方法，只是得到的特征值不同，建模方法不需要改變，具有通用性?？梢圆捎霉鈱W(xué)方法無創(chuàng)采集組織的光譜特征，如中紅外波段、近紅外波段、可見光波段等。從光譜提取與血糖變化相關(guān)的特征光譜，得到特征值。可以采用超聲波方法無創(chuàng)采集組織的聲學(xué)特性，從中提取出聲速、聲阻抗等特性作為特征值。