[发明专利]一种基于LSTM-RNN模型的无创血糖预测方法

权利要求书

1.一种基于LSTM-RNN模型的无创血糖预测方法，其特征在于，包括如下步骤：

步骤(1)：数据采集，通过红光与红外光发射和接受设备获得红光与红外光透射信号，通过红外温度传感器获得手指指尖体表温度值及体辐射热量值，其中红光与红外光透射信号和温度值及体辐射热量值通过计算并转化为特征数据集并归入特征数据集；

步骤(2)：设计LSTM-RNN网络模型；

步骤(3)：训练模型，利用特征数据集中的训练集数据训练LSTM-RNN网络，得到基于LSTM-RNN模型的无创血糖预测方法；

步骤(4)：检测血糖值，实时进行步骤(1)并将获得的红光与红外光透射信号和温度值及体辐射热量值输入至基于LSTM-RNN模型的无创血糖预测方法，获得人体实时的血糖值；

利用所述特征数据集中的训练集数据训练LSTM-RNN网络，包括如下过程：

求得患者待测部位红光及红外光的透射能量的比例R值：

其中为透射人体待测部位的红光的交流成分，为透射人体待测部位的红光的直流成分，为透射人体待测部位的红外光的交流成分，为透射人体待测部位的红外光的直流成分；

通过求得的R值与测量的标准血糖值C进行建模，用最小二乘法拟合出初步血糖预测值C_i与R的函数曲线，再求得所述患者人体血氧值Spo₂、人体心率值Hr，手指指尖体表温度值T，人体辐射能量值E；

将训练集中的输入数据[R，Spo₂，Hr，T，E，C_i]馈入网络，经过LSTM-RNN网络的前向传播过程得到对应输出当前血糖值计算与血糖标准值C的误差，并反复进行训练，提高网络模型精度。

2.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：步骤(1)具体为光电发射管发出两种不同波段的光照射手指，光电接收管接收并将采集的光信号转换为电信号；两种不同波段的光分别为630nm的红光及950nm的红外光。

3.根据权利要求2所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：在测得红光及红外光的透射能量的比例R值后，利用最小二乘回归求得初步血糖值Ci，再将Ci加入至输入矩阵，完成初步血糖模型校正。

4.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：LSTM-RNN网络模型：包括输入层、隐藏层以及输出层三个部分；

输入层：接受样本输入，接受样本有100维，皆为传感器所探测到的人体信息值；

隐藏层：包括10个记忆模块，记忆模块包括输入单元、输出单元、输入门、输出门、遗忘门、Ceil；输入单元、输出单元、输入门、输出门、遗忘门、Ceil的维度都为32；采用的序列长度为10，按序列展开后有10个记忆模块，上一时刻的模块输出反馈到下一时刻的模块中；输入门、输出门、遗忘门的激活函数是sigmoid函数，输入单元、输出单元的激活函数为tanh函数；

输出层：激活函数为线性函数，输出人体血糖值。

5.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：所述红外温度传感器用来获得手指指尖体表温度值及体辐射热量。

6.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：获取所述特征数据集包括红光及红外光的透射能量的比例R值、人体血氧值Spo2、人体心率值Hr、手指指尖体表温度值T、人体辐射能量值E。

7.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法，其特征在于：所述LSTM-RNN模型具体公式表示如下：

其中，σ表示逻辑sigmoid函数，i_t表示输入门，f_t表示遗忘门，o_t表示输出门，c_t表示单元激活向量，h_t为隐藏层单元，W_xi、W_hi、W_ci分别表示为输入门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵，W_xf、W_hf、W_cf分别表示为遗忘门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵，W_xo、W_ho、W_co分别表示为输出门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵，W_xc、W_hc分别表示为单元激活向量与输入特征向量、隐藏层单元之间的权重矩阵；t表示采样时刻，tanh为激活函数，b_i、b_f、b_c、b_o分别表示为输入门、遗忘门、单元激活向量、输出门的偏差值。