近红外光谱无创血糖检测模型研究

发布时间：2020-10-15 21:18

　　 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。
【学位单位】：重庆大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R587.1
【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 近红外光谱无创血糖校正模型研究现状
        1.2.1 多元线性回归
        1.2.2 主成分分析
        1.2.3 偏最小二乘回归
        1.2.4 人工神经网络
        1.2.5 研究现状综述
    1.3 研究内容及技术路线
        1.3.1 研究内容
        1.3.2 技术路线
2 近红外光谱分析技术
    2.1 近红外光谱分析技术的理论基础
        2.1.1 近红外分子振动光谱
        2.1.2 比尔-朗伯(Beer-Lambert)定律
    2.2 无创血糖检测基础性问题研究
        2.2.1 测量波长的选择
        2.2.2 测量方式的选择
        2.2.3 检测部位的选择
    2.3 近红外无创血糖检测流程
    2.4 近红外无创血糖检测模型评价指标
        2.4.1 均方根误差
        2.4.2 相对误差率
        2.4.3 相关系数
        2.4.4 克拉克误差网格
3 血糖近红外光谱信号检测系统
    3.1 血糖近红外光谱信号检测系统的组成
    3.2 近红外光谱数据有效性和重复性检验
        3.2.1 实验数据的采集
        3.2.2 近红外光谱数据有效性检验
        3.2.3 近红外光谱数据重复性检验
4 基于PSO-2ANN的无创血糖检测模型设计
    4.1 基本原理介绍
        4.1.1 粒子群算法
        4.1.2 人工神经网络
    4.2 数据采集
    4.3 传统ANN模型的建立与评价
        4.3.1 传统ANN模型的建立
        4.3.2 传统ANN模型的评价
    4.4 PSO-2ANN模型的建立与评价
        4.4.1 PSO-2ANN模型的建立
        4.4.2 PSO-2ANN模型的评价
    4.5 讨论
5 基于PCA-NARX的无创血糖检测模型设计
    5.1 数据采集及分析
        5.1.1 数据采集
        5.1.2 数据相关性分析
    5.2 基本原理介绍
        5.2.1 主成分分析
        5.2.2 非线性自回归网络
    5.3 PCA-ANN预测模型的建立与评价
        5.3.1 模型建立过程
        5.3.2 预测结果
    5.4 PCA-NARX预测模型的建立与评价
        5.4.1 模型建立过程
        5.4.2 预测结果
    5.5 两个模型的对比分析
        5.5.1 均方根误差
        5.5.2 克拉克误差网格
    5.6 讨论
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录
    A 作者在攻读学位期间发表的论文目录
    B 作者在攻读学位期间参与的科研项目

【参考文献】

相关期刊论文 前10条

1 王楠;侯铁珊;;基于NARX网络的人民币汇率预测研究[J];东北大学学报(社会科学版);2015年01期

2 程权;杨方;王丹红;林振宇;邱彬;;近红外光谱技术对闽南乌龙茶品种的识别研究[J];光谱学与光谱分析;2014年03期

3 李庆波;黄政伟;;净信号预处理结合径向基偏最小二乘回归在血糖无创检测中的应用[J];光谱学与光谱分析;2014年02期

4 邓波;沈才洪;敖宗华;卢中明;;基于主成分分析与近红外光谱技术的窖泥聚类研究[J];酿酒科技;2011年08期

5 黄华;;基于SPSS的PCA-RBF神经网络模型的仿真试验[J];新疆农业大学学报;2010年06期

6 谢军;潘涛;陈洁梅;陈华舟;任小焕;;血糖近红外光谱分析的Savitzky-Golay平滑模式与偏最小二乘法因子数的联合优选[J];分析化学;2010年03期

7 李鹏飞;王加华;曹楠宁;韩东海;;BiPLS结合GA优选可见/近红外光谱MLR变量[J];光谱学与光谱分析;2009年10期

8 张艳洁;杨艳芳;张文华;周志尊;;近红外光谱无创血糖检测模拟样品的试验研究[J];中国医学物理学杂志;2008年04期

9 陈斌;邹贤勇;朱文静;;PCA结合马氏距离法剔除近红外异常样品[J];江苏大学学报(自然科学版);2008年04期

10 方利民;林敏;;基于独立分量和神经网络的近红外多组分分析方法[J];分析化学;2008年06期

相关博士学位论文 前2条

1 余振芳;光学无创血糖检测技术研究[D];电子科技大学;2017年

2 刘蓉;近红外无创血糖测量—信号构成和拾取的理论及实验研究[D];天津大学;2006年

相关硕士学位论文 前9条

1 杨猛;基于遗传算法与人工神经网络的加热炉建模方法研究[D];中国科学技术大学;2017年

2 谢志斌;神经网络软测量模型优化方法在血糖浓度预测中的应用[D];江苏大学;2016年

3 马爽;基于PPG的无创血糖检测系统模型与算法研究[D];中国科学院研究生院(沈阳计算技术研究所);2016年

4 吴云江;近红外无创血糖检测关键技术的研究[D];电子科技大学;2015年

5 邹达;近红外无创血糖测量[D];天津大学;2012年

6 曾博;基于分布式近红外多波长传感器信息融合的无创血糖监测系统[D];兰州大学;2012年

7 王娟;基于近红外光谱无创血糖数据处理研究[D];长春工业大学;2012年

8 赵博;近红外光谱无创血糖检测中的偶然相关及波长选择的研究[D];天津大学;2012年

9 肖君;基于近红外三波长血糖检测系统的研制[D];华中科技大学;2006年

本文编号：2842257