[发明专利]一种基于流形学习和RBF神经网络的近红外无创血糖仪校正算法

说明书

技术领域

本发明属于对近红外光谱建立校正模型的化学计量学领域，具体涉及到计算机技术、化学计量学、模式识别、机器学习等方法。

背景技术

随着现代人类生活方式、饮食习惯的改变以及人口老龄化的加剧，糖尿病发病率近年来大幅上升，糖尿病及其并发症所造成的影响己成为严重的公共卫生问题之一。越来越多的糖尿病患者需要每天多次对体内血糖浓度进行定时或者依身体情况随时监测。一般患者每天需要检测4-6次血糖，而现市场上所售的血糖仪大多为有创的，需要扎针取血，使患者遭受痛苦，而且还有可能引起伤口感染，不利于血糖的频繁检测。针对有创血糖检测的严重缺陷，人们开始将注意力转移至高效，便捷的无创血糖检测上。

人体血糖浓度的无创测量，可以运用近红外透射法测量耳垂部位，根据多个波长的吸光度来估算血糖浓度值。但是人体结构非常复杂，血液中各种成分相互影响，基于朗伯比尔定律的校正算法，如多元线性回归、偏最小二乘回归等方法，无法描述人体光谱吸光度的非线性特性，导致对血糖浓度的估计精度无法达到实用的精度标准。

发明内容

鉴于近红外光谱校正模型线性方法的局限性，本发明的目的是提供一种针对人体血糖浓度测量的非线性光谱校正算法。该算法通过扩展非线性因素和非线性降维等方法，增强了校正模型对人体的适应性，有效提高了血糖浓度的估计精度。

本发明的技术方法，包括如下步骤：

步骤一：对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括全部二项式扩展及对数扩展，如X1²，X2²，X3²，X4²，X5²，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，log(X1)等；

步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(Locally linear embedding，LLE)算法，把25维数据降为10维；在LLE降维过程中，需要对参数k和d进行优化；其中k为邻域参数，d为样本本征维数，k和d均取整数；本方法采用网格搜索法选取k和d的最优值；

步骤三：用连续投影算法 (Successive Projections Algorithm , SPA)从10维数据中选出对血糖浓度预测最敏感的5个波长数据；

步骤四：对5个波长数据运用RBF神经网络建立校正模型，RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。

附图说明

图1为基于流形学习和RBF神经网络的近红外无创血糖仪校正算法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当说明的是，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。

步骤一中（图1），对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式为全部二项式扩展何对数扩展，包括：X1²，X2²，X3²，X4²，X5²，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，X2*X5，X3*X4，X3*X5，X4*X5，log(X1)，log(X2)，log(X3)，log(X4)，log(X5)，一共25维数据。通过扩展，把非线性因素加入到模型中，增强了模型对非线性系统的适应能力。

步骤二中（图1），对原始数据和扩展后的数据合计25维数据运用流形学习降维理论中的局部线性嵌入算法，把25维数据降为10维；局部线性嵌入算法的步骤为：

（1） 计算样本X中任意两点x_i和x_j间的欧氏距离d_x(i,j)，则距离矩阵为D_ij=d_x(i,j)；（2）根据D_ij找出样本集X中的距离x_i最近的k个点；

（3） 以表达式为为目标函数（其中），计算各点x_i和其临近点的线性重构系数；