[发明专利]基于深度学习的多频段光声无创血糖浓度预测系统

权利要求书

1.基于深度学习的多频段光声无创血糖浓度预测系统，其特征在于，主要包括激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块；

激光源向人体皮肤组织发射激光，人体血管内的血糖吸收光能后产生不同频段的光声信号；

n个不同频段的超声换能器分别获取不同频段的光声信号；

放大器包括低噪前置放大器和锁相放大器；

低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器；

锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡；

数据采集卡采集光声信号的时域信息，并将采集到的时域信息发送给信号处理模块；

信号处理模块具有基于深度学习的多频段光声无创血糖浓度预测模型；

在信号处理模块中写入基于深度学习的多频段光声无创血糖浓度预测模型的主要步骤如下：

1）利用静脉采血方式获取m个使用者的血糖浓度真实值，记为样本集S=（s₁， s₂， …，s_i，…，s_m）；s_i为第i个使用者的血糖浓度真实值；

2）n个不同频段的超声换能器分别采集m个使用者不同频段的光声信号，记为样本集T=（T₁， T₂， …，T_i，…，T_m）；T_i为第i个使用者在n个频段上的光声信号；T_i=（t_1i, t_2i，…t_ni）^T；t_ni为第i个测试者第n个超声换能器的光声信号的时域信息；

低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器；

锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡；

3）数据采集卡采集光声信号的时域信息，并将采集到的数据发送给信号处理模块；

4）信号处理模块根据时域信息得到样本集T的频域信息，记为样本集F=（f₁,f₂,…，f_i，…，f_m）；f_i为第i个使用者在n个频段上的光声信号的频域信息；f_i=（f_1i, f_2i，…f_ni）^T；f_ni为第i个使用者在第n个频段上的光声信号频域信息；

5）根据样本集F和样本集S建立数据集；为光声信号频域信息样本集；为血糖浓度真实值样本集；

将数据集划分为训练集train=和测试集test=；；

其中为基于深度学习的多频段光声无创血糖浓度预测模型的输入；S为基于深度学习的多频段光声无创血糖浓度预测模型监督训练的标签；

6）对训练集train和测试集test进行归一化处理；

7）利用训练集train对基于深度学习的多频段光声无创血糖浓度预测模型进行监督预训练，主要步骤为：

7.1）设置受限玻尔兹曼机RBM的输入层的节点个数为n，输出层节点个数为1，并建立l个受限玻尔兹曼机RBM；

7.2）基于l个受限玻尔兹曼机RBM建立一个深信度神经网络DBN；

7.3）确定 RBM 模型隐藏层的节点个数和学习率，并且对 RBM 的网络参数集权值和偏置进行初始化；

输入层V0 和第一个隐藏层H1构建模型 RBM1；

将训练集train中的数据作为输入数据 ，使用 CD 算法对模型 RBM1 进行训练，将重构值和输入值之间的差值作为重建误差；重建误差沿着 RBM 的权重反向传播，以迭代学习的过程不断反向传播，直到达到设定的误差阈值；训练完成后，RBM1 内的参数达到最优；

依次对DBN 中的l个受限玻尔兹曼机RBM进行无监督训练，使得每个受限玻尔兹曼机RBM 的参数达到局部最优；

8）训练好的l个受限玻尔兹曼机RBM 与顶层的 BP 网络构成一个多层 BP 网络；

利用BP 算法对多层 BP 网络进行有监督训练，并将误差逐层反向传播，微调各层的参数，进一步优化多层 BP 网络的所有权值和偏置，直至收敛；根据训练获得的权值和偏置建立基于深度学习的多频段光声无创血糖浓度预测模型；

9）将测试集test输入到基于深度学习的多频段光声无创血糖浓度预测模型中，对基于深度学习的多频段光声无创血糖浓度预测模型进行测试；

信号处理模块将光声信号的时域信息转换为频域信息，并将频域信息输入到光声无创血糖浓度预测模型中，从而获取血糖浓度值。

2.根据权利要求1所述的基于深度学习的多频段光声无创血糖浓度预测系统，其特征在于：所述超声换能器材料为压电陶瓷。