论文部分内容阅读
糖尿病对人类的生命健康构成了严重的威胁。目前临床上尚无彻底根治糖尿病的方法,常结合频繁的血糖检测和药物治疗将糖尿病患者的血糖浓度控制在正常水平。临床上常通过指尖采血使用光化学法或电化学法对血糖浓度进行检测,该方法不仅带给患者疼痛,还增加了感染风险。近红外光谱检测技术是一种极具应用前景的无创血糖检测技术,其检测精度和稳健性是能否进入临床应用的关键因素。基于此,本文重点对近红外无创血糖检测模型进行了研究,以期望提升近红外无创血糖检测模型的精度和稳健性。具体工作如下:(1)根据近红外光谱无创血糖检测技术的研究现状确定了研究方向;综合多种因素,确定了近红外吸收光谱的测量波长、测量方式和检测部位;为保证后续实验可靠性,对所采集的近红外光谱信号的有效性和重复性进行了检验。(2)考虑到人体血糖浓度和近红外吸收光谱之间的非线性关系和血糖浓度检测过程中存在的个体差异性,本文以两个结构和参数均确定的人工神经网络(Artificial Neural Network,ANN)为基本子模块,通过粒子群算法(Particle Swarm Optimization,PSO)优化两个子模块的权重系数得到最终的模型,即PSO-2ANN模型。根据在体实验验证,每天对该模型校正一次能够有效克服由于环境、生理等因素造成的个体差异性,提升模型的稳健性。(3)进一步研究发现:血糖浓度检测过程受环境温湿度、体温、血压等因素影响以及人体血糖浓度存在一定的波动规律,而PSO-2ANN模型并未考虑这些因素。另外,近红外无创血糖检测技术的研究目标是帮助糖尿病患者实现血糖水平的自我管理,每天对血糖模型进行校正将不利于无创血糖仪的家用推广。故本文采集环境温度、环境湿度、收缩压、舒张压、脉率、体温和近红外吸收光谱,使用主成分分析(Principal Component Analysis,PCA)对这些变量进行降维处理以提取特征向量;再以特征变量为输入变量,血糖浓度实测值为参考变量,基于非线性自回归网络(Nonlinear Autoregressive with Exogenous Input,NARX)建立血糖无检测模型,即PCA-NARX模型。在体实验证明,该模型在精度和稳健性上均优于PSO-2ANN模型,短时间内无需校正。本文通过对近红外光谱无创血糖检测模型进行研究,提升了模型的精度和稳健性,在一定程度上推动了无创血糖检测技术的进步。