基于多范数聚类和双层离散网络的血糖分类方法及系统与流程

1.本发明涉及血糖分类检测技术领域，具体而言，涉及基于多范数聚类和双层离散网络的血糖分类方法及系统。


背景技术：

2.糖尿病是一种终身性代谢性疾病，由胰岛素分泌受损、生物效应受损等多种原因引起，以慢性高血糖为特征。目前糖尿病尚无有效的治疗方法，但定期监测血糖水平可以减少或延缓并发症的发生。自我监测被认为是控制糖尿病最直接、最可行的方法之一。
3.成熟的检测技术是使用血糖分析仪，通过穿刺患者的手指顶部获得的血液样本来测量血糖水平。这种方法不仅因频繁采血给患者带来痛苦和负担，而且无法实时监测。无创血糖技术可以克服上述缺点，成为智能医疗研究的热门课题。然而，用于自我监测的无创血糖监测系统仍处于开发的早期阶段，远未准备好部署到家庭护理中。
4.光体积变化描记图法(photoplethysmography，简称ppg)技术已被应用于测量人体某些部位的血容量变化，因为ppg信号包含与呼吸、循环系统、血流和心跳有关的信息，所以可以利用一些数据挖掘和机器学习的手段来实现血糖浓度状态的初步诊断。但是，传统的单一血糖分类模型存在着模型分类准确率不高、模型鲁棒性差等缺点，上述缺点是因为在传统建立血糖分类模型的方法中，仅仅是从ppg信号中提取出特征后，就用来训练分类模型，这种做法得到的模型性能是不能够达到理想状态，并没有最大限度地挖掘出特征与血糖浓度状态变化的重要信息，往往导致分类准确率欠佳，因此，急需一种新的血糖分类方法，进而解决有创血糖仪的不便性和单一血糖分类模型性能欠佳的问题，实现连续监测血糖浓度状态，及时发现糖尿病。


技术实现要素：

5.为了解决上述问题，本发明的目的是提供基于多范数聚类和双层离散网络的血糖分类方法及系统，在于预先将相似的特征通过多范数k-means聚类到相同的簇，然后再使用设计的双层离散循环神经网络对不同的簇分别进行训练，得到不同簇的模型，由于每个模型都是使用极为相似的特征训练而来，进而提高了血糖分类准确率，并增强了模型的鲁棒性。
6.为了实现上述技术目的，本技术提供了基于多范数聚类和双层离散网络的血糖分类方法，包括以下步骤：
7.采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态，在指尖ppg信号中，提取与血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；
8.构建具有自反馈特性的双层离散循环神经网络，通过特征簇进行训练，构建血糖分类模型；
9.基于血糖分类模型，通过采集待测目标的指尖ppg信号，获取待测目标的血糖浓度状态。
10.优选地，在获取指尖ppg信号的过程中，将不同血糖状态人群分成低血糖组人群、高血糖组人群和正常血糖组人群，通过波长为535nm的信号传感器，对不同血糖状态人群进行采集，获取指尖ppg信号。
11.优选地，在提取特征数据集的过程中，对指尖ppg信号使用位平面奇异谱分析进行去噪处理后，提取去噪后的指尖ppg信号与血糖浓度状态变化相关的特征数据集。
12.优选地，在使用位平面奇异谱分析对指尖ppg信号进行去噪处理的过程中，基于指尖ppg信号，令滑动窗口在ppg信号中以步长为1从左往右进行滑动取值，生成轨迹矩阵；
13.对轨迹矩阵进行平方后，执行奇异值分解，生成奇异值矩阵、左奇异矩阵和右奇异矩阵；
14.基于奇异值矩阵的奇异值，根据奇异值对应的左奇异矩阵的左奇异列向量，以及右奇异矩阵的右奇异列向量，对轨迹矩阵进行重构，实现对指尖ppg信号的滤波处理；
15.对重构后的轨迹矩阵，通过对角平均化处理，生成滤波后的指尖ppg信号。
16.优选地，在对滤波后的指尖ppg信号进行聚类处理的过程中，通过多范数k-means聚类，获取特征簇。
17.优选地，在构建双层离散循环神经网络的过程中，双层离散循环神经网络为具有双层神经元、输出为二值的循环反馈网络，其中第0层和第2层作为网络的输入，无计算功能，第一层和第三层是神经元，执行对输入信息与权系数的乘积求累加和，并经非线性函数处理后产生输出信息。
18.优选地，在构建血糖分类模型的过程中，将特征簇以6：2：2的比例划分出训练集、验证集和测试集，使用训练集根据搭建好的双层离散循环神经网络训练出3个初始分类模型；使用验证集验证3个初始分类模型的性能，并根据验证结果调整模型的参数，当将参数调整至最优后，使用测试集测试最终训练出来的血糖分类模型的分类准确率后，生成血糖分类模型。
19.本发明公开了基于多范数聚类和双层离散网络的血糖分类系统，包括：
20.数据采集模块，用于采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态；
21.数据提取模块，用于在指尖ppg信号中，提取与血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；
22.血糖分类检测模块，用于依据构建的具有自反馈特性的双层离散循环神经网络，通过特征簇进行训练，构建血糖分类模型，并基于血糖分类模型，通过采集待测目标的指尖ppg信号，获取待测目标的血糖浓度状态。
23.本发明公开了以下技术效果：
24.1.本发明实现了无创连续检测血糖状态，同时实现人体日常血糖情况健康监测。
25.2.本发明通过同时采集不同人群的ppg信号和记录血糖浓度状态(高血糖、低血糖和正常血糖)，构建一个具有多样性的血糖数据集，从而能够挖掘与血糖浓度状态变化相关的重要信息。
26.3.本发明对ppg信号进行特征提取后，使用多范数k-means对特征数据集进行聚类，得到不同类别的特征簇。
27.4.本发明对不同的特征簇使用双层离散循环神经网络进行训练，在循环迭代的过
程中不断更新调整权重，提高血糖分类的准确率。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
29.图1是本发明所述的双层离散循环神经网络结构示意图；
30.图2是本发明所述的方法流程示意图。
具体实施方式
31.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.如图1-2所示，本发明公开了基于多范数聚类和双层离散网络的血糖分类方法，包括以下步骤：
33.采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态，在指尖ppg信号中，提取与血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；
34.构建具有自反馈特性的双层离散循环神经网络，通过特征簇进行训练，构建血糖分类模型；
35.基于血糖分类模型，通过采集待测目标的指尖ppg信号，获取待测目标的血糖浓度状态。
36.进一步优选地，在获取指尖ppg信号的过程中，本发明将不同血糖状态人群分成低血糖组人群、高血糖组人群和正常血糖组人群，通过波长为535nm的信号传感器，对不同血糖状态人群进行采集，获取指尖ppg信号。
37.进一步优选地，在提取特征数据集的过程中，本发明对指尖ppg信号使用位平面奇异谱分析进行去噪处理后，提取去噪后的指尖ppg信号与血糖浓度状态变化相关的特征数据集。
38.进一步优选地，在使用位平面奇异谱分析对指尖ppg信号进行去噪处理的过程中，基于指尖ppg信号，令滑动窗口在ppg信号中以步长为1从左往右进行滑动取值，生成轨迹矩阵；
39.对轨迹矩阵进行平方后，执行奇异值分解，生成奇异值矩阵、左奇异矩阵和右奇异矩阵；
40.基于奇异值矩阵的奇异值，根据奇异值对应的左奇异矩阵的左奇异列向量，以及右奇异矩阵的右奇异列向量，对轨迹矩阵进行重构，实现对指尖ppg信号的滤波处理；
41.对重构后的轨迹矩阵，通过对角平均化处理，生成滤波后的指尖ppg信号。
42.进一步优选地，在对滤波后的指尖ppg信号进行聚类处理的过程中，本发明通过多范数k-means聚类，获取特征簇。
43.进一步优选地，在构建双层离散循环神经网络的过程中，本发明提到的双层离散循环神经网络为具有双层神经元、输出为二值的循环反馈网络，其中第0层和第2层作为网络的输入，无计算功能，第一层和第三层是神经元，执行对输入信息与权系数的乘积求累加和，并经非线性函数处理后产生输出信息。
44.进一步优选地，在构建血糖分类模型的过程中，本发明将特征簇以6：2：2的比例划分出训练集、验证集和测试集，使用训练集根据搭建好的双层离散循环神经网络训练出3个初始分类模型；使用验证集验证3个初始分类模型的性能，并根据验证结果调整模型的参数，当将参数调整至最优后，使用测试集测试最终训练出来的血糖分类模型的分类准确率后，生成血糖分类模型。
45.本发明公开了基于多范数聚类和双层离散网络的血糖分类系统，包括：
46.数据采集模块，用于采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态；
47.数据提取模块，用于在指尖ppg信号中，提取与血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；
48.血糖分类检测模块，用于依据构建的具有自反馈特性的双层离散循环神经网络，通过特征簇进行训练，构建血糖分类模型，并基于血糖分类模型，通过采集待测目标的指尖ppg信号，获取待测目标的血糖浓度状态。
49.本发明还公开了一种计算机程序，通过计算机程序的方式实现了血糖分类方法的逻辑过程，进而行了一种可执行程序，嵌入到智能装置中，使得该装置具备对血糖进行分类检测的功能。
50.本发明还公开了一种可移动存储装置，用于承载血糖分类系统，并与智能设备进行数据交互，从而使得该智能设备具备了血糖分类系统的系统逻辑功能，进而通过可移动存储装置作为智能设备的外设装置，进而为智能设备添加了血糖分类检测功能。
51.实施例1：本发明提供了一种基于多范数k-means聚类和双层离散循环神经网络的血糖分类方法，包括以下步骤：
52.步骤s1：使用波长为535nm的传感器和血糖仪来采集不同血糖状态人群的指尖ppg信号和同步的血糖浓度状态。
53.步骤s2：对采集到的ppg信号使用位平面奇异谱分析进行去噪处理，得到光滑的ppg信号，再对ppg信号进行特征提取步骤，提取出与血糖浓度状态变化相关的重要特征。
54.步骤s3：对提取出来的特征数据集使用多范数k-means聚类，将整个特征集划分成不同的特征簇。
55.步骤s4：设计神经网络的神经元计算公式，搭建具有自反馈特性的双层离散循环神经网络。
56.步骤s5：根据多范数k-means划分出来的不同特征簇进行分别训练，得到不同的血糖分类模型，并进行模型分类性能测试，得到分类准确率评估。
57.基于上述公开的方法，本发明的具体实现方法如下：
58.s1：使用波长为535nm的传感器和血糖仪来采集不同血糖状态人群的指尖ppg信号和同步的血糖浓度状态。
59.为了最大限度地增加血糖数据集的丰富性和多样性，增加能够提取到的特征的数目，从而增强血糖分类模型的鲁棒性和分类准确率，实现对ppg信号特征的有效表征，首先使用波长为535nm的信号传感器对低血糖组、高血糖组和正常血糖组人群的指尖ppg信号和对应血糖浓度状态进行了采集，并创建血糖数据集作为数据分析的对象。
60.s2：对采集到的ppg信号使用奇异谱分析进行去噪处理，得到光滑的ppg信号，再对ppg信号进行特征提取步骤，提取出与血糖浓度状态变化相关的重要特征。
61.设一长度为n的原始ppg信号x＝[x1，...，xn]，滑动窗口长度为l，则令滑动窗口在ppg信号中以步长为1从左往右进行滑动取值，每一次滑动的取值窗口为[xj，...，x
j+l-1
]，其中j＝1，...，k，k＝n-l+1，k为总共滑动的次数。将所有通过滑动窗口得到的值构成轨迹矩阵g，即下一步，将轨迹矩阵g进行平方得到gg
t
，t为转置标志，对新矩阵gg
t
执行奇异值分解，获得分解后的奇异值矩阵a、左奇异矩阵p和右奇异矩阵q。因为奇异值矩阵a是一个对角矩阵，即a＝diag(λ1，...，λ
l
)，diag(λ1，...，λ
l
)是由特征值λi组成的对角矩阵。设左奇异矩阵由左奇异列向量组成，即p＝[p1，...，p
l
]，同理右奇异矩阵由右奇异列向量组成，即q＝[q1，...，q
l
]，显然矩阵gg
t
能够由奇异值和对应的特征向量组成，gg
t
＝paq
t
。
[0062]
由于奇异值矩阵a中的奇异值是从大到小排序的，所以选择前t个能量大的奇异值和对应的奇异向量就能够重构出去噪后的信号，设重构后的轨迹矩阵为设将轨迹矩阵通过对角平均化来计算出重构后的干净ppg信号，对角平均化的公式为：
[0063][0064]
计算出去除噪声后的ppg信号为最后，根据人工预先定义的特征点，对ppg信号执行特征提取步骤，提取出与血糖状态变化相关的重要特征。
[0065]
s3：对提取出来的特征数据集使用多范数k-means聚类，将整个特征集划分成不同的特征簇。
[0066]
设步骤s3中提取出来的特征集为f＝{f1，f2，...，fu}，包含u个样本，其中每个fi＝(t
i1
，t
i2
，...，t
id
)是一个d维的特征向量，d为每段ppg信号提取出来的特征数量。令聚类所得簇的划分为c＝{c1，c2，c3}，即通过多范数k-means聚类将特征集f里面的u个样本划分出3大簇，具体实现过程如下所述：
[0067]
(1)先从特征集f中随机选择3个样本作为初始均值向量{h1，h2，h3}，这三个样本作为{c1，c2，c3}簇的初始质心，其中hi＝(y
i1
，y
i2
，...，y
id
)；
[0068]
(2)为了将特征集f中的所有样本都分配到{c1，c2，c3}三个不同的簇中，首先需要计算每一个样本与三个簇对应的初始质心{h1，h2，h3}的距离，然后将分配到样本离最近的那个质心对应的簇中。对每个样本fi计算与三个初始质心的一范数距离为计算二范数距离为:
[0069][0070]
计算余弦相似度为分子代表fi与hi的点乘，分母为fi与hi所有维度值的平方相加后开方再相乘。下一步，计算出基于多范数的距离：
[0071][0072]
化简得d(fi，hi)＝d1d2d3-d22d3+d2d3。
[0073]
(3)根据距离最近的质心确定fi的簇标记，即将样本fi分配进相应的簇，即对特征集f中的所有样本进行同样的聚类划分操作，得到第一轮分配完成的簇{c1，c2，c3}，三个簇包含特征集f的所有样本。
[0074]
(4)计算新的均值向量，即新质心，新质心的计算公式为然后重复执行步骤(2)、(3)、(4)，重新进行样本簇的聚类划分，直至新的质心不再变化为止，则说明迭代完成，样本的簇不再变化，已达到最优的聚类划分。
[0075]
s4：设计神经网络的神经元计算公式，搭建有自反馈特性的双层离散循环神经网络。
[0076]
双层离散循环神经网络是一种具有双层神经元、输出为二值的循环反馈网络，由六个神经元组成，其中第0层和第2层仅仅作为网络的输入，它不是实际神经元，所以无计算功能。第一层和第三层是神经元，执行对输入信息与权系数的乘积求累加和，并经非线性函数处理后产生输出信息。是一个简单的阈值函数，如果神经元的输出信息大于阈值θ，那么神经元的输出取值为1，小于阈值θ，则神经元的输出取值为-1。
[0077]
对于第一层的二值神经元μj的计算公式为μj＝∑iw
ij
+xj，对于第三层的式中二值神经元φj的计算公式为φj＝∑iw
ij
yj+xj，xj为外部输入，这里神经网络的状态是输出神经元信息的集合，对于一个输出层是n个神经元的网络，其t时刻的状态为一个n维向量y(t)＝[y1(t)，y2(t)，...，yn(t)]
t
，因为yi(t)(i＝1，2，...，n)可以取值为-1或1，故n维向量y(t)有2n种状态，即网络有2n种状态。考虑网络的一般节点状态，用yj(t)表示第j个神经元，即节点j在时刻t的状态，则节点的下一刻(t+1)的状态可以如下求得：
[0078][0079]
搭建的双层离散循环神经网络结构如图1所示，在下一个步骤中，将使用已经通过多范数k-means聚类好的特征集来训练血糖浓度状态分类模型。
[0080]
s5：根据多范数k-means划分出来的不同特征簇进行分别训练，得到不同的血糖分类模型，并进行模型分类性能测试，得到分类准确率评估。
[0081]
由步骤s3得到的三种不同分类的簇为{c1，c2，c3}，三个簇中保存了原本特征集f＝{f1，f2，...，fu}包含的数据样本f，并将样本表示符号f更改为相应的c以便理解，即：
[0082][0083][0084][0085]
其中b为每个特征向量对应的血糖浓度状态，也就是标签，τ1+τ2+τ3＝u。随后，将每个簇以6：2：2的比例划分出训练集、验证集和测试集，首先使用训练集根据搭建好的双层离散循环神经网络训练出3个血糖分类模型，接下来使用验证集验证3个分类模型的性能，并根据验证结果调整模型的参数，当将参数调整至最优后，使用测试集测试最终训练出来的血糖分类模型的分类准确率。
[0086]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0087]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0088]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.基于多范数聚类和双层离散网络的血糖分类方法，其特征在于，包括以下步骤：采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态，在所述指尖ppg信号中，提取与所述血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；构建具有自反馈特性的双层离散循环神经网络，通过所述特征簇进行训练，构建血糖分类模型；基于所述血糖分类模型，通过采集待测目标的指尖ppg信号，获取所述待测目标的血糖浓度状态。2.根据权利要求1所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在获取指尖ppg信号的过程中，将不同血糖状态人群分成低血糖组人群、高血糖组人群和正常血糖组人群，通过波长为535nm的信号传感器，对不同血糖状态人群进行采集，获取所述指尖ppg信号。3.根据权利要求2所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在提取特征数据集的过程中，对所述指尖ppg信号使用位平面奇异谱分析进行去噪处理后，提取去噪后的所述指尖ppg信号与所述血糖浓度状态变化相关的所述特征数据集。4.根据权利要求3所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在使用位平面奇异谱分析对指尖ppg信号进行去噪处理的过程中，基于所述指尖ppg信号，令滑动窗口在ppg信号中以步长为1从左往右进行滑动取值，生成轨迹矩阵；对所述轨迹矩阵进行平方后，执行奇异值分解，生成奇异值矩阵、左奇异矩阵和右奇异矩阵；基于所述奇异值矩阵的奇异值，根据所述奇异值对应的所述左奇异矩阵的左奇异列向量，以及所述右奇异矩阵的右奇异列向量，对所述轨迹矩阵进行重构，实现对所述指尖ppg信号的滤波处理；对重构后的所述轨迹矩阵，通过对角平均化处理，生成滤波后的所述指尖ppg信号。5.根据权利要求4所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在对滤波后的指尖ppg信号进行聚类处理的过程中，通过多范数k-means聚类，获取所述特征簇。6.根据权利要求5所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在构建双层离散循环神经网络的过程中，所述双层离散循环神经网络为具有双层神经元、输出为二值的循环反馈网络，其中第0层和第2层作为网络的输入，无计算功能，第一层和第三层是神经元，执行对输入信息与权系数的乘积求累加和，并经非线性函数处理后产生输出信息。7.根据权利要求6所述基于多范数聚类和双层离散网络的血糖分类方法，其特征在于：在构建血糖分类模型的过程中，将所述特征簇以6：2：2的比例划分出训练集、验证集和测试集，使用所述训练集根据搭建好的双层离散循环神经网络训练出3个初始分类模型；使用所述验证集验证3个初始分类模型的性能，并根据验证结果调整模型的参数，当将参数调整至最优后，使用所述测试集测试最终训练出来的血糖分类模型的分类准确率后，生成所述血糖分类模型。8.基于多范数聚类和双层离散网络的血糖分类系统，其特征在于，包括：
数据采集模块，用于采集不同血糖状态人群的指尖ppg信号以及对应的血糖浓度状态；数据提取模块，用于在所述指尖ppg信号中，提取与所述血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；血糖分类检测模块，用于依据构建的具有自反馈特性的双层离散循环神经网络，通过所述特征簇进行训练，构建血糖分类模型，并基于所述血糖分类模型，通过采集待测目标的指尖ppg信号，获取所述待测目标的血糖浓度状态。

技术总结
本发明公开了基于多范数聚类和双层离散网络的血糖分类方法及系统，包括：采集不同血糖状态人群的指尖PPG信号以及对应的血糖浓度状态，在指尖PPG信号中，提取与血糖浓度状态变化相关的特征数据集，并进行聚类处理，形成不同的特征簇；构建具有自反馈特性的双层离散循环神经网络，通过特征簇进行训练，构建血糖分类模型；基于血糖分类模型，通过采集待测目标的指尖PPG信号，获取待测目标的血糖浓度状态；本发明实现了无创连续检测血糖状态，同时实现人体日常血糖情况健康监测。人体日常血糖情况健康监测。人体日常血糖情况健康监测。


技术研发人员：邓兴华 凌永权 袁昊 姚强
受保护的技术使用者：迈德医疗科技（深圳）有限公司
技术研发日：2023.07.27
技术公布日：2023/9/26