基于人体血清荧光光谱和改进变量选择方法对血糖浓度测定的研究

发布时间：2019-07-27 12:51

【摘要】：利用人体血清240nm激发波长荧光光谱在220~900nm波段针对血糖浓度进行建模分析。在模拟退火算法和偏最小二乘算法的基础上进行建模波长变量筛选方法的改进。基于变量入选模型统计频率和无关变量消除法,分别进行了波长的初选和精选过程。同时,加入了主成分数自适应特性等加快收敛速度、减小计算量的措施。该模型对比了线性、三次样条函数、高斯函数作为偏最小二乘法插入基函数的情况下,分别对原始光谱、Daubechies小波分解第三层和第四层细节信号光谱建模。结果显示,该模型避免了主成分参数尝试导致的时间成本,在参数自适应的过程中很快趋于稳定并得到对应条件下的最佳建模主成分数。其波长变量筛选能力使得对独立样本的分析预测效果有了显著的提升,最佳建模预测效果达到0.25mmol·L~(-1),达到了血糖检测的医用要求。加入了非线性建模条件使得模型有明显的改善,基于样条函数的效果总体最好,其次为基于高斯函数的情况。对原始光谱进行小波分解,得到的细节信号光谱建模效果更为可观。总体而言第四层细节信号光谱建模效果略优于第三层细节信号光谱。模型筛选波长变量的频率意味着在所给实验条件下的血糖浓度信息在不同波段的分布情况,这为血糖在血清成分中的物理化学特性提供了一定程度上的统计解释。
【图文】：

相关系数越大，拟合效果越好；同时训练集和验证集各自对应的相关系数相差越小，说明过拟合现象越小，训练和检验样本结果的相关性越接近。无论哪种情况，μ都应该更校所以，越小的μ值对应初选阶段的越高质量的种群，因此设置μ的倒数作为种群的适应度。主成分数的自适应特性如下：每一轮计算对结果进行评估，，若Ｒｃ大于Ｒｖ某个临界值（文中设为０．０８）时，下一轮计算将主成分数减１。否则搜索之前计算结果中最小μ值结果对应的主成分数，在下一轮将其加１作为新的主成分数。如图１所示，基于样条函数的第四层小波分解细节信号的建模过程中，主成分数逐渐趋于稳定，此时模型在避免严重过拟合情况下得到了相对最好的拟合结果。表１模拟退火算法设置参数Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇｆｏｒｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇａｌｇｏｒｉｔｈｍ参数取值初始温度／℃１２０终止温度／℃５退火比率／％０．９０种群数量３０种群大小１０变异个数３图１主成分参数自适应过程图Ｆｉｇ．１Ｔｈｅｐｒｏｃｅｓｓｏｆｓｅｌｆ－ａｄａｐｔｉｖｅＰＬＳｆａｃｔｏｒｓｄｅｔｅｒｍｉｎａｔｉｏｎ在每一轮退火计算的过程中，种群的最终结果往往会落到能在相当程度上解释血糖信息的波长变量上。在５００轮的运算中，入选次数越多的波长包含的血糖信息更丰富，在后续的建模过程中也更值得关注和利用。类似的统计诠释应用见文献［１１］。因此，初选过程波长变量的确定主要基于整个运算过程中各波长的统计频率。如图２，研究中选取信息密度较大和结果最好的波长组合及范围作为初选波长变量。２８１８光谱学与光谱分析第３７

基于人体血清荧光光谱和改进变量选择方法对血糖浓度测定的研究

确定初选波长范围后，在μ参数的评估标准下，将不同基函数和原始光谱及其细节信号导入模型进行训练拟合。表２是初选阶段的建模结果，ＲＭＳＥＣ，ＲＭＳＥＶ，ＲＭＳＥＰ以及Ｒ２分别代表训练集、检验集测试集的建模结果与实际数据的均方根误差和预测结果的相关系数，ｆａｃｔｏｒｓ代表该条件下建模最终稳定的偏最小二乘法主成分数。表２显示，通过模型对独立于训练过程的测试集样本血糖浓度的预测，小波分解第三层和第四层细节信号得到了０．５０～０．７０ｍｍｏｌ·Ｌ－１误差范围的预测结果，与文献［１２］达到了接近的预测水平，好于原始光谱建模的结果。这可能是因为原始光谱中的背景光谱和噪声信号对血糖成分荧光信息的干扰所导致。总体来说，训练集的训练效果从好到差依次来自高斯基函数、样条基函数和线性的建模条件。最佳结果来自基于三次样条基函数的第四层细节信号建模过程。训练集、验证集和预测集的误差分别为０．３６，０．３８和０．５３ｍｍｏｌ·Ｌ－１。图２初选阶段波长信息分布密度图Ｆｉｇ．２Ｔｈｅｉｎｆｏｒｍａｔｉｏｎｄｅｎｓｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｆｉｒｓｔｓｅｌｅｃｔｅｄｗａｖｅｌｅｎｇｔｈｓ表２波长变量初选阶段建模结果Ｔａｂｌｅ２Ｍｏｄｅｌｉｎｇｒｅｓｕｌｔｏｆｔｈｅｆｉｒｓｔｗａｖｅｌｅｎｇｔｈｄｅｔｅｒｍｉｎａｔｉｏｎ线性样条高斯ＲＭＳＥＣＲＭＳＥＶＲ２ＲＭＳＥＰ（ｆａｃｔｏｒｓ）ＲＭＳＥＣＲＭＳＥＶＲ２ＲＭＳＥＰ（ｆａｃｔｏｒｓ）ＲＭＳＥＣＲＭＳＥＶＲ２ＲＭＳＥＰ（ｆａｃｔｏｒｓ）原始光谱０．５７０．４８０．７２０．８３（１３）０．４９０．９３
【作者单位】：河海大学理学院;中交建机场勘测设计研究院;中交第四航务工程勘察设计院有限公司;南京航空航天大学理学院;
【基金】：国家自然科学基金项目(61378037)资助
【分类号】：O433;R587.1

【相似文献】