[发明专利]近红外光谱无创血糖检测网络模型训练方法

摘要

本发明涉及一种近红外光谱无创血糖检测网络模型训练方法，属于生理信号采集技术和数字信号分析技术领域。先利用环境温度、环境湿度、收缩压、舒张压、脉率、体温和单波长近红外吸光度及对应的有创血糖浓度数据训练得到BP人工神经网络，在其基础上进行敏感度分析，筛选出收缩压、脉率、体温和单波长近红外吸光度共4个变量作为NARX模型的输入变量，训练得到最终的NARX检测模型；利用本发明所得的检测模型进行近红外光无创血糖检测时，只需采集上述4个变量，和两次有创血糖浓度值，便能够得到后续的近红外光无创血糖浓度检测结果，利用该检测网络模型进行近红外光无创血糖检测具有较高的检测精度能够很好的满足临床需求。

主权项

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：/n1)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；/n2)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；/n3)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；/n4)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。/n