一种基于CATPCA的无创血糖膳食分类方法及系统与流程

一种基于catpca的无创血糖膳食分类方法及系统
技术领域
1.本发明涉及膳食监测与无创血糖检测技术领域，具体而言，涉及一种基于catpca的无创血糖膳食分类方法及系统。


背景技术：

2.血糖监测是糖尿病患者自我管理中的重要组成部分，其结果有助于评估糖尿病患者糖代谢紊乱的程度，制定合理的降糖方案，反映降糖治疗的效果。传统的血糖监测方法为通过血糖仪每日定点采集指尖血的有创检测方式，但是由于糖尿病是慢性病，长此以往的进行指尖血采集会给患者带来心理和生理的双重负担。市面上逐渐出现以雅培公司的瞬感微创血糖仪为代表的微创检测方法，但其由于耗材多、传感器成本较贵，最重要的是由于检测原理是通过组织间液的葡萄糖水平来估计人体当下的血糖水平，组织间液中的葡萄糖水平与静脉血或者指尖末梢血存在生理延迟关系，所以微创血糖检测始终无法做到高度精准。因此，无创血糖检测逐渐进入人们的视野，目前提出的方法大致上分为光学方法和非光学方法两类，光学方法包括光学方法又可以分为近/中红外光谱法、拉曼光谱法、光声光谱法、光学相关层析成像法、光学旋光法以及荧光光谱法等，非光学方法包括代谢热整合法、微波检测法、电磁检测法、血液替代物测定法、生物电阻抗谱测量法、人体成分分析法等。
3.近红外光谱由于其灵敏度，选择性，低成本和便携性而被选择。其基本原理如下：近红外光谱法对人体血糖分析基于的波段范围为750-2500nm。近红外光可以检测的组织深度为1-100mm，波长越长可以检测的深度越浅。在近红外检测中，照射在人体某部位的近红外光一部分能够透过组织，另一部分则被人体组织所反射。人体的骨骼、肌肉、脂肪、皮肤及体液等在近红外光谱区吸收系数小，近红外光谱区范围内的光容易穿透人的体表，从而得到组织深层丰富的较强吸收信号。葡萄糖是血糖的主要成分，葡萄糖分子中含有的-oh、-ch、-c＝o在近红外区域有强吸收，并且葡萄糖在人体组织和血液中分布广泛。当近红外光进入人体组织时被吸收和散射，出射光为包含人体组织多种成分信息的漫反射光谱。现在一般采用多组分分析的技术测量多个近红外波长的能量的吸收和反射，由于葡萄糖和其它体内成分吸收和反射每一波长的一小部分，而且各种不同的化学成分在某个波段的吸收和反射的强度不同，所以对每一波长的光谱吸收和反射值进行测量及标定，就可以检测出血糖浓度，进而实现了无创血糖测量的技术事实；并且，由于无创血糖方案为糖尿病患者提供的是血糖监测的功能，即替代传统的有创采血来为患者的对糖尿病的监控及治疗提供参考。因此，基于此背景，膳食检测也是其中需要被考虑的部分。根据对于膳食状态的估计，对于糖尿病患者判断学堂范围以及对于医生或者是医疗辅助产品判断用药也能提供参考与帮助；目前出现的膳食检测的概念多是建立在使用cgm系统进行微创血糖检测的情况下的，cgm的方法和真正的无创血糖检测还是有较大的区别的，因此，急需为无创血糖检测方案提出一种能够实现膳食检测的新思路。


技术实现要素：

4.为了解决上述问题，本发明的目的是提供一种基于catpca的无创血糖膳食分类方法及系统，用于改进现有通过近红外光谱实现无创血糖检测的问题，并将膳食检测融入其中，进而为无创血糖检测提供新的技术思路。
5.为了实现上述技术目的，本技术提供了一种基于catpca的无创血糖膳食分类方法，包括以下步骤：
6.将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号，并依据人体ppg信号的关键信息点，构建基于人体ppg信号的特征矩阵；
7.基于数据采集时间，通过catpca方法，对特征矩阵进行分类，使得特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。
8.优选地，在采集人体ppg信号的过程中，基于光电容积脉搏波描记法获取的ppg信号，结合近红外光谱法，获取人体ppg信号，其中，通过光电容积脉搏波描记法采集光电容积脉搏波，获取血流容积的变化，通过与血糖值对应，输入到回归模型中训练，进而实现无创血糖值的估计。
9.优选地，在获取关键信息点的过程中，根据光电容积脉搏波，结合通过近红外光谱法获取的数据集，并依据血糖值，获取用于表征血糖值的数据特征，作为关键信息点。
10.优选地，在通过catpca方法进行膳食分类的过程中，构建目标函数，通过控制目标函数的取值达到最小，完成膳食分类任务，其中，目标函数表示为：
[0011][0012]
其中，n表示数据采集次数，m表示特征，j代表其中的第j个变量k个变量组，准备提取的典型相关系数共有p个，x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，gj为变量j的指示矩阵，w为诊断矩阵，n
ω
表示第ω次采集，(x-gjyj)'表示x-gjyj的转置，mj表示变量j对应的特征矩阵，c表示分量全为常数的n维向量。
[0013]
优选地，在控制目标函数的取值达到最小的过程中，设置目标函数的限制条件，基于限制条件，控制目标函数的取值达到最小，其中，限制条件表示为：
[0014]
xm*wx＝n
ωmωi[0015]
其中，其中i则为p阶单位阵，m
ω
表示第ω列特征，mk表示完整的特征矩阵。
[0016]
本发明还提供了一种基于catpca的无创血糖膳食分类系统，包括：
[0017]
数据采集模块，用于将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号；
[0018]
数据处理模块，用于依据人体ppg信号的关键信息点，构建基于人体ppg信号的特征矩阵；
[0019]
膳食分类融合模块，用于基于数据采集时间，通过catpca方法，对特征矩阵进行分类，使得特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。
[0020]
优选地，数据采集模块，还用于基于光电容积脉搏波描记法获取的ppg信号，结合
近红外光谱法，获取人体ppg信号，其中，通过光电容积脉搏波描记法采集光电容积脉搏波，获取血流容积的变化，通过与血糖值对应，输入到回归模型中训练，进而实现无创血糖值的估计。
[0021]
优选地，数据处理模块，还用于根据光电容积脉搏波，结合通过近红外光谱法获取的数据集，并依据血糖值，获取用于表征血糖值的数据特征，作为关键信息点。
[0022]
优选地，膳食分类融合模块，还用于通过构建目标函数，并控制目标函数的取值达到最小，完成膳食分类任务，其中，目标函数表示为：
[0023][0024]
其中，n表示数据采集次数，m表示特征，j代表其中的第j个变量k个变量组，准备提取的典型相关系数共有p个，x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，-为变量j的指示矩阵，w为诊断矩阵，n
ω
表示第ω次采集，(x-gjyj)'表示x-gjyj的转置，mj表示变量j对应的特征矩阵，c表示分量全为常数的n维向量。
[0025]
优选地，膳食分类融合模块，还用于通过设置目标函数的限制条件，并依据限制条件，控制目标函数的取值达到最小，其中，限制条件表示为：
[0026]
x
′
m*wx＝n
ωmωi[0027]
其中，其中i则为p阶单位阵，m
ω
表示第ω列特征，mk表示完整的特征矩阵。
[0028]
本发明公开了以下技术效果：
[0029]
本发明实现了对传统的近红外光谱法进行无创血糖检测的技术改进，并在无创血糖检测方案中实现了对于膳食的检测及分类。
附图说明
[0030]
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。
[0031]
图1是本发明所述的方法流程示意图；
[0032]
图2是本发明所述的系统结构示意图。
具体实施方式
[0033]
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。
[0034]
如图1-2所示，本发明提供了一种基于catpca的无创血糖膳食分类方法，包括以下步骤：
[0035]
将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号，并依据人体ppg信号的关键信息点，构建基于人体ppg信号的特征矩阵；
[0036]
基于数据采集时间，通过catpca方法，对特征矩阵进行分类，使得特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。
[0037]
进一步优选地，在采集人体ppg信号的过程中，基于光电容积脉搏波描记法获取的ppg信号，本发明结合近红外光谱法，获取人体ppg信号，其中，通过光电容积脉搏波描记法采集光电容积脉搏波，获取血流容积的变化，通过与血糖值对应，输入到回归模型中训练，进而实现无创血糖值的估计。
[0038]
进一步优选地，在获取关键信息点的过程中，本发明根据光电容积脉搏波，结合通过近红外光谱法获取的数据集，并依据血糖值，获取用于表征血糖值的数据特征，作为关键信息点。
[0039]
进一步优选地，在通过catpca方法进行膳食分类的过程中，本发明构建了目标函数，并通过控制目标函数的取值达到最小，进而完成膳食分类任务，其中，目标函数表示为：
[0040][0041]
其中，n表示数据采集次数，m表示特征，j代表其中的第j个变量k个变量组，准备提取的典型相关系数共有p个，x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，gj为变量j的指示矩阵，w为诊断矩阵，n
ω
表示第ω次采集，(x-gjyj)'表示x-gjyj的转置，mj表示变量j对应的特征矩阵，c表示分量全为常数的n维向量。
[0042]
进一步优选地，在控制目标函数的取值达到最小的过程中，本发明设置了目标函数的限制条件，基于限制条件，控制目标函数的取值达到最小，其中，限制条件表示为：
[0043]
x
′
m*wx＝n
ωmωi[0044]
其中，其中i则为p阶单位阵，m
ω
表示第ω列特征，mk表示完整的特征矩阵。
[0045]
本发明还提供了一种基于catpca的无创血糖膳食分类系统，包括：
[0046]
数据采集模块，用于将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号；
[0047]
数据处理模块，用于依据人体ppg信号的关键信息点，构建基于人体ppg信号的特征矩阵；
[0048]
膳食分类融合模块，用于基于数据采集时间，通过catpca方法，对特征矩阵进行分类，使得特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。
[0049]
本发明通过计算机程序实现了无创血糖膳食分类方法，进而行了一种可执行程序，并嵌入到智能装置或系统中，使得该智能装置或系统具备了对于人体ppg信号的处理能力，并依据上述信号的采集时间，进行膳食分类，进而完善了无创血糖检测的技术应用，从而使得该智能装置或系统，可以作为无创血糖检测的直接设备或辅助设备，实现对无创血
糖检测中融合膳食分类的技术目的。
[0050]
本发明还公开了一种可移动存储设备，用于承载无创血糖膳食分类系统，并具备该系统的逻辑功能，并作为无创血糖检测智能设备的外设设备，根据人体ppg信号的采集时间，进行膳食分类并融合到人体ppg信号中，使得无创血糖检测智能设备具备了基于采样时间的膳食分类能力，从而实现了现有的无创血糖检测智能设备的功能升级，使其在无创血糖检测的应用中，更加客观具体，对无创血糖检测技术提出了一种新的功能技术思路。
[0051]
实施例1：本发明针对传统的红外光谱法，提出了新的改进思路为：近红外光谱法
→
光电容积脉搏波法(ppg)
→
提取特征；
[0052]
光电容积脉搏波描记法(ppg，photoplethysmography)是一种利用光电手段来检测人体组织内血液容积变化的无创检测方法。用一定波长的光束照射在指端皮肤表面上，透射光或者反射光将会由广电探测器接收。由于会受到指端皮肤、肌肉以及血液的吸收作用，光电探测器接收的光信号强度会减弱。其中皮肤、肌肉和组织等在整个血液循环中对光的吸收是恒定不变的。皮肤内的血液容积会随着心脏的搏动而发生相应的搏动性变化。当心脏收缩时，指端的血液容积会变大，对光的吸收量也增多，光电探测器接收到的光信号强度会减弱。当心脏舒张时，指端的血液容积会变小，对光的吸收量也就相应减少，光电探测器接收到的光信号强度会增强。将此变化的光信号转化为电信号，就可以得到血流容积的变化，即光电容积脉搏波。接着再通过提取ppg信号中的关键特征，通过与有创血糖值对应，输入回归模型中训练模型，即能够实现无创血糖值的估计。
[0053]
实施例2：本方案提出一种基于catpca的无创血糖膳食分类方案，具体包括以下过程：首先，通过近红外光谱法采集人体ppg信号，提取ppg信号中的关键信息点汇总为特征矩阵。关于数据采集方案，首先，规定一天四个时段进行数据采集，分别是早餐前，午餐后，晚餐前以及晚餐后的一小时，一共进行为期15天的数据采集。在数据采集的过程中，除了采集ppg信号，也同时记录下采集的时间及对应时段(早餐前/午餐后/晚餐前/晚餐后)。接着将时段作为标签，分为两类，分别为餐前(早餐前/晚餐前)以及餐后(午餐后/晚餐后)，分别记为0和1，即定义为一个二分类问题，让特征和时段一一对应，利用catpca方法完成膳食分类任务。具体的catpca执行方法如下：
[0054]
设共有n次采集，m个特征，j代表其中的第j个变量k个变量组(此处即表示有k种分类标签)，准备提取的典型相关系数共有p个。x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，对于分类标签即为原始的0、1评分。对于每一个具体的问题，考虑构造如下函数：
[0055][0056]
其中，gj为变量j的指示矩阵，w为诊断矩阵。所谓最优化转化的目的就是在条件xm*wx＝n
ωmω
i的限制下(其中i则为p阶单位阵)，使得以上函数的取值达到最小。亦即该转换的实质为基于所分析问题的设定为变量的每个分类找到适当的量化评分。通过这种转换，原始的分类变量被量化为连续型变量，同时使得变量间的相关一律转换为线性关联，这样就可以用转换出的量化评分代替原变量进行标准的主成分分析，在得到分析结果后再映射回原始类别，从而得到最终的分析结论。
[0057]
基于以上，即能够实现无创血糖检测方案中的膳食检测及分类。
[0058]
上述公式中的符号解释表示如表1所示：
[0059][0060][0061]
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。
[0062]
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。
[0063]
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：
1.一种基于catpca的无创血糖膳食分类方法，其特征在于，包括以下步骤：将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号，并依据所述人体ppg信号的关键信息点，构建基于所述人体ppg信号的特征矩阵；基于所述数据采集时间，通过catpca方法，对所述特征矩阵进行分类，使得所述特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。2.根据权利要求1所述一种基于catpca的无创血糖膳食分类方法，其特征在于：在采集人体ppg信号的过程中，基于光电容积脉搏波描记法获取的ppg信号，结合所述近红外光谱法，获取所述人体ppg信号，其中，通过所述光电容积脉搏波描记法采集光电容积脉搏波，获取血流容积的变化，通过与血糖值对应，输入到回归模型中训练，进而实现无创血糖值的估计。3.根据权利要求2所述一种基于catpca的无创血糖膳食分类方法，其特征在于：在获取关键信息点的过程中，根据所述光电容积脉搏波，结合通过所述近红外光谱法获取的数据集，并依据所述血糖值，获取用于表征所述血糖值的数据特征，作为所述关键信息点。4.根据权利要求3所述一种基于catpca的无创血糖膳食分类方法，其特征在于：在通过catpca方法进行膳食分类的过程中，构建目标函数，通过控制目标函数的取值达到最小，完成膳食分类任务，其中，所述目标函数表示为：其中，n表示数据采集次数，m表示特征，j代表其中的第j个变量k个变量组，准备提取的典型相关系数共有p个，x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，g
j
为变量j的指示矩阵，w为诊断矩阵，n
ω
表示第ω次采集，(x-g
j
y
j
)'表示x-g
j
y
j
的转置，m
j
表示变量j对应的特征矩阵，c表示分量全为常数的n维向量。5.根据权利要求4所述一种基于catpca的无创血糖膳食分类方法，其特征在于：在控制目标函数的取值达到最小的过程中，设置所述目标函数的限制条件，基于所述限制条件，控制目标函数的取值达到最小，其中，所述限制条件表示为：x
′
m*wx＝n
ω
m
ω
i其中，其中i则为p阶单位阵，m
ω
表示第ω列特征，m
k
表示完整的特征矩阵。6.一种基于catpca的无创血糖膳食分类系统，其特征在于，包括：数据采集模块，用于将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体ppg信号；数据处理模块，用于依据所述人体ppg信号的关键信息点，构建基于所述人体ppg信号的特征矩阵；膳食分类融合模块，用于基于所述数据采集时间，通过catpca方法，对所述特征矩阵进行分类，使得所述特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务。
7.根据权利要求6所述一种基于catpca的无创血糖膳食分类系统，其特征在于：所述数据采集模块，还用于基于光电容积脉搏波描记法获取的ppg信号，结合所述近红外光谱法，获取所述人体ppg信号，其中，通过所述光电容积脉搏波描记法采集光电容积脉搏波，获取血流容积的变化，通过与血糖值对应，输入到回归模型中训练，进而实现无创血糖值的估计。8.根据权利要求7所述一种基于catpca的无创血糖膳食分类系统，其特征在于：所述数据处理模块，还用于根据所述光电容积脉搏波，结合通过所述近红外光谱法获取的数据集，并依据所述血糖值，获取用于表征所述血糖值的数据特征，作为所述关键信息点。9.根据权利要求8所述一种基于catpca的无创血糖膳食分类系统，其特征在于：所述膳食分类融合模块，还用于通过构建目标函数，并控制目标函数的取值达到最小，完成膳食分类任务，其中，所述目标函数表示为：其中，n表示数据采集次数，m表示特征，j代表其中的第j个变量k个变量组，准备提取的典型相关系数共有p个，x表示需要寻找的变量最优化转换评分，y表示一组分类变量的量化评分组合，g
j
为变量j的指示矩阵，w为诊断矩阵，n
ω
表示第ω次采集，(x-g
j
y
j
)'表示x-g
j
y
j
的转置，m
j
表示变量j对应的特征矩阵，c表示分量全为常数的n维向量。10.根据权利要求9所述一种基于catpca的无创血糖膳食分类系统，其特征在于：所述膳食分类融合模块，还用于通过设置所述目标函数的限制条件，并依据所述限制条件，控制目标函数的取值达到最小，其中，所述限制条件表示为：x
′
m*wx＝n
ω
m
ω
i其中，其中i则为p阶单位阵，m
ω
表示第ω列特征，m
k
表示完整的特征矩阵。

技术总结
本发明公开了一种基于CATPCA的无创血糖膳食分类方法及系统，包括：将数据采集时间，设置为四个时段，分别为早餐前，午餐后，晚餐前以及晚餐后的一小时，通过近红外光谱法采集人体PPG信号，并依据人体PPG信号的关键信息点，构建基于人体PPG信号的特征矩阵；基于数据采集时间，通过CATPCA方法，对特征矩阵进行分类，使得特征矩阵的变量间的相关转换为线性关联，进而完成膳食分类任务；本发明实现了对传统的近红外光谱法进行无创血糖检测的技术改进，并在无创血糖检测方案中实现了对于膳食的检测及分类。分类。分类。


技术研发人员：袁昊 邓兴华 李霜 陈江飞
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：2023.08.24
技术公布日：2023/10/19