[发明专利]近红外光谱无创血糖检测网络模型训练方法

权利要求书

1.近红外光谱无创血糖检测网络模型训练方法，其特征在于，该方法包括如下步骤：

1)针对指定的多个个体对象，在不同检测时段分别对各个个体对象进行人体血糖的近红外光吸光度、有创血糖浓度、收缩压、舒张压和脉率的检测，以及环境温度、环境湿度的采集；将每个个体对象每天检测得到的以上7个输入参数和有创血糖浓度值作为相应个体对象在当天的样本数据时间序列，从而得到多个个体对象的样本数据组；其中一部分个体对象的样本数据作为训练样本数据组，一部分个体对象的样本数据作为验证样本数据组，剩余个体对象的样本数据则作为测试样本数据组；

2)将训练样本数据组中的7个输入参数和有创血糖浓度值分别作为输入变量和目标变量输入到BP人工神经网络，对人工神经网络进行训练，进而得到一个参数和结构确定的人工神经网络；

3)在训练好的BP网络的基础上进行敏感度分析；全部的样本用于敏感度分析，根据分析结果来排除不重要的变量，直到没有变量可以排除为止，保留下来的变量即为对血糖浓度影响明显的重要变量；

4)由筛选后的变量建立新的样本数据组，其中一部分个体对象的样本数据作为训练样本数据组，剩余个体对象的样本数据则作为测试样本数据组；筛选后的变量和有创血糖浓度值分别作为输入变量和目标变量输入到NARX网络，对网络进行训练，得到检测模型用于近红外无创血糖浓度检测。

2.根据权利要求1所述的近红外光谱无创血糖检测网络模型训练方法，其特征在于，所述步骤2)具体为：

21)确定网络结构共包含三层，输出层、输出层和一个隐含层；输入神经元个数为7，对应输出变量的个数，输出神经元个数为1，对应血糖浓度预测值；隐含层神经元个数根据Kolmogorov公式确定为15；

22)采用Levenberg-Marquardt算法对网络进行训练；将全部的样本根据血糖浓度参考值随机选取出60％作为训练集，在训练过程中对网络进行训练；20％作为验证集，用来测量网络的泛化能力并终止网络训练过程；剩下的20％作为测试集对训练后的模型预测性能进行评价。

3.根据权利要求1所述的近红外光谱无创血糖检测网络模型训练方法，其特征在于，所述步骤4)具体为：

41)考虑到临床应用场景，对于每个用户，要保证较好的预测准确性的前提下尽可能的减少指尖采血的次数，故确定延迟阶数d＝2；

42)同样根据Kolmogorov公式确定隐含层神经元个数；

43)采用Levenberg-Marquardt算法对网络进行训练；NARX网络训练过程中，网络采用开环模式，该模式在预测当前输出时提供的过去输出值为标准参考值，有利于提高模型的准确性；训练结束后，网络转换为闭环模式，用于实际问题中的预测。

4.根据权利要求1所述的近红外光谱无创血糖检测网络模型训练方法，其特征在于，所述红外光谱为1550nm单波长的近红外光。

5.基于权利要求1～4中任一项所述训练方法的近红外光谱无创血糖检测方法，其特征在于，该方法包括如下步骤：

A)获取得到的NARX检测模型，用于近红外无创血糖检测；

B)对待侧个体对象进行筛选后的输入参数的采集，得到该待测个体对象的输入样本数据；

C)将输入样本数据输入到上述方法得到的NARX检测模型，得到待测个体对象的血糖浓度预测值，作为该待测个体对象的近红外无创血糖检测结果。