论文部分内容阅读
全球糖尿病患者的数量逐年上升，且低龄化趋势越来越明显。临床上只能采用保守治疗的方式对糖尿病进行一定的控制。目前为止，尚未发现能够将其彻底根治的治疗方法。血糖浓度检测在糖尿病预防、诊断和治疗过程中发挥着至关重要的作用。目前临床上普遍采用的血糖浓度测量方法主要是通过指尖采血并结合电化学分析或光化学分析方法进行测量。频繁地进行有创测量会给患者带来痛苦，且如果处理不当，患者还会有被感染的可能。因此，急需一种无创的血糖浓度测量方法。在现有的无创血糖浓度检测方法中，基于近红外光的无创测量方式因其对人体不具有伤害性，以及其较强的皮肤穿透能力、较低的仪器成本等优势，成为人体血糖浓度无创检测研究领域中最具有前景的方法之一，而测量模型的精度和稳定性是该方法能够成功应用到临床治疗过程中的一个关键因素。因此本文主要对基于近红外光无创检测的血糖检测模型进行了研究。
①考虑到人体组织的强散射、血液成分的复杂性、各血液成分间的相互作用以及人体血糖浓度波动的规律性，本文引入了带有外部输入的非线性自回归神经网络模型（nonlinear auto regressive model with exogenous input,NARX）来建立血糖检测模型。考虑到体外检测到的近红外光信号容易受到环境和生理参数的影响，本文除近红外吸光度外，还引入了环境温度、环境湿度、血压（收缩压、舒张压）、脉率和体温作为初始的输入变量。并采用敏感度分析方法（Sensitivity analysis，SA）对输入变量进行筛选，最终筛选出近红外吸光度、收缩压、脉率和体温共4个变量作为NARX模型的输入变量，得到最终的近红外无创血糖检测模型，即4Vs-NARX模型。结果表明，该模型具有较好的预测性能，其中预测均方根误差为0.72mmol/L，相关系数为0.85，克拉克误差网格分析分布在区域A和区域B中的预测结果的比例分别为90.27％和9.73％，均满足临床要求。
②NARX模型在开始无创血糖浓度测量之前需要进行两次有创血糖浓度的检测，不便于医院临床和健康体检等多人单次或多次血糖测量的应用场景，因此本文在BP神经网络模型（Back propagation neural network，BPNN）的基础上针对传统梯度下降训练算法容易陷入局部最优的缺点，引入了粒子群算法（Particle Swarm Optimization，PSO）对BP模型进行训练，即4Vs-PSO-BP模型。结果表明，该模型预测性能优于传统的BP模型，其中预测均方根误差为0.95mmol/L，相关系数为0.74，克拉克误差网格分析结果表明，模型预测结果落入A区域的比例为84.39%，落入B区域的比例为15.61%，均满足临床要求。该模型可以快速地对待测者的血糖浓度进行测量，且具有相对较高的准确度。
①考虑到人体组织的强散射、血液成分的复杂性、各血液成分间的相互作用以及人体血糖浓度波动的规律性，本文引入了带有外部输入的非线性自回归神经网络模型（nonlinear auto regressive model with exogenous input,NARX）来建立血糖检测模型。考虑到体外检测到的近红外光信号容易受到环境和生理参数的影响，本文除近红外吸光度外，还引入了环境温度、环境湿度、血压（收缩压、舒张压）、脉率和体温作为初始的输入变量。并采用敏感度分析方法（Sensitivity analysis，SA）对输入变量进行筛选，最终筛选出近红外吸光度、收缩压、脉率和体温共4个变量作为NARX模型的输入变量，得到最终的近红外无创血糖检测模型，即4Vs-NARX模型。结果表明，该模型具有较好的预测性能，其中预测均方根误差为0.72mmol/L，相关系数为0.85，克拉克误差网格分析分布在区域A和区域B中的预测结果的比例分别为90.27％和9.73％，均满足临床要求。
②NARX模型在开始无创血糖浓度测量之前需要进行两次有创血糖浓度的检测，不便于医院临床和健康体检等多人单次或多次血糖测量的应用场景，因此本文在BP神经网络模型（Back propagation neural network，BPNN）的基础上针对传统梯度下降训练算法容易陷入局部最优的缺点，引入了粒子群算法（Particle Swarm Optimization，PSO）对BP模型进行训练，即4Vs-PSO-BP模型。结果表明，该模型预测性能优于传统的BP模型，其中预测均方根误差为0.95mmol/L，相关系数为0.74，克拉克误差网格分析结果表明，模型预测结果落入A区域的比例为84.39%，落入B区域的比例为15.61%，均满足临床要求。该模型可以快速地对待测者的血糖浓度进行测量，且具有相对较高的准确度。