基于生物特征检测技术的无创血糖检测数据分析

基于生物特征检测技术的无创血糖检测数据分析

传统扎针检测法优缺点自20世纪80年代以来，中国的糖尿病患者呈现出逐年增加的趋势。2010年，中国约有13亿糖尿病患者，预计2020年超过2亿人。目前，中国糖尿病患者的诊断率仅为40%。由这些数据可知,血糖值的检测对糖尿病患者和处于亚健康的群体有着重要的意义。目前,血糖检测的主要方法还是传统的针扎式取血测量,但传统扎针检测法具有较多缺点:让受测者有疼痛感,体验较差;每次都需要一条试纸,仪器更换电池频繁,测量成本较高;需要有扎针、采血、测量等繁琐步骤,操作不便;试纸保存需要特定条件,要与测试机器匹配。目前自我血糖浓度监测一般是采用快速血糖仪进行测量,由于该方法需要采集血样,容易引起患者的生理疼痛并伴有感染的危险,因此这种有创的测量方法在很大程度上限制了血糖测量的频率。国内外无创血糖测量方法主要有以下几类:测量皮下渗出组织液中的血糖浓度、微波无创血糖检测、皮下植入传感器、人体的射频阻抗无创检测血糖值、利用唾液进行无创血糖检测、超声波血糖检测仪、聚光断层摄影、旋光法、激光拉曼光谱法、红外光谱法从国内外的公开研究资料和报道来看,基于多波长的无创血糖检测具有良好的应用前景,且在重复性和稳定性等方面还有很多值得我们去研究,本文对一种多信息融合无创血糖检测数据处理方法进行研究。1无创血糖检测参数的选择如何采用无创血糖测试方法准确测量血糖值一直受到人们的广泛关注(包括测量那些参数来标定血糖值,以及如何准确测量各种参数的方法)2红外光透射能量测试多信息融和算法主要涉及数据预处理和模型建立。对采集的数据通过MATLAB进行处理,以剔除原始数据中异常点造成结果不精确的影响。由文献[6-7]可知,选定的血氧饱和度指标与红外光(ir)和红光(red)透射率有关,其中利用氧合血红蛋白(HbO式中:AC在数据采集后,发现每个样本的红外光透射能量在29000个数据点中前5000个和后5000个数据都存在较大的异常波动。下面对MATLAB导出的一个样本的红外光透射图进行分析。图1为某一样本红外透射能量图,由图可以看到29000个数据点中,中段(5500~24000)数据较为平稳,前后5000个数据点都出现较大范围的波动,由于同一个样本数据采集的是同一人,因此数据点偏差不应该过大。产生波动的原因是测量开始及结束时,手指在传感器中在一个相对运动的状态,此时记录数据为非正常工作状态。所以,我们将输入红外光透射的前后5000个数据点进行删除,只截取中段数据,最后得到有效红外光透射能量图,如图2所示。由图2可以看出,除了个别异常点外,相对图1,此时的数据点波动显然较小。我们同时也将同一个样本的红光透射谱用MATLAB导出,得到了图3所示的手指透射red能量的全部数据。在图3的29000个数据点中,中段(5500~24000)数据较为平稳,前后5000的数据点都出现较大范围的波动,由于同一个样本数据采集的是同一人,因此数据点偏差不应该过大。因此我们将前后5000个数据点进行删除,只截取中段数据,最后得到图4所示的有效红光透射能量图。由图4可以看出,除了个别异常点外,相对图3,此时的透射能量波动显然较小,仅在(1±0.025)×10现在我们将有效数据点的红外光和红光透射能量绘制在同一张图中,如图5所示。图中透射能量仍然存在一定的波动,以下对其进一步处理。首先标定红外光与红光透射能量的峰值点,图6为红光和红外光峰值点标定图。由图6可以看出,前后两个数据点不如中段数据稳定,因此,我们同样剔除前后两个峰值点。接着用差分函数求相邻两个峰值点能量差求平均,以及计算最大峰值与所有数据点透射能量的偏差后也用差分函数求相邻能量差求平均。最终的波动偏差由上述两种方法得出的结果取平均,此时能量误差达到了4.5%左右。于是在对整体数据取平均时,不会存在较大误差。我们将测量的指尖温度作为体表温度。由于体温会受到环境的影响,所以还需测量环境温度,图7是所测的体表温度与环境温度曲线。体表温度应为此时人体指尖温度的一个测量值,通过图7我们可以发现,在最后10个点时温度趋向稳定,因此我们体表温度用最后10个点的均值表示。环境温度波动情况较小,我们对其整段取均值。与体表温度、环境温度分析同理,测得的体表辐射能量和环境辐射能量如图8所示。体表辐射能量是人体指尖辐射能量的一个测量值,通过图8我们可以发现,在最后10个点时辐射能量趋向稳定,因此我们体表辐射能量用最后10个点的均值表示。环境辐射能量波动情况较小,我们对其整段取均值。3多信息融合拟合与交叉有效性检验针对预处理后的血氧饱和度、心率、被测部位体表温度、被测部位热辐射温度、环境温度建立数学模型。由于变量之间存在相关性,因此我们将对变量进行相关性分析,之后进行主成分分析提取得分向量将结构简化首先将这些参数和传统有创血糖仪检测数据进行标准化:式中:m为自变量;n为数据点点数;E(1)计算E式中wt设θθ即w(2)假定回归模型为式中:E(3)用E设E′(4)设r(E即得多信息融合算法表达式(5)进行交叉有效性检验。多信息融合算法可像主成分分析一样,仅通过前l个成分(l≤r),即可得到较好预测能力的回归模型。可通过交叉有效性检验来确定提取的主成分个数l。抽取h个成分时y记第i个样本点的预测值为y定义Q4无创血糖测量为验证多信息无创血糖检测数据处理方法的正确性,在附近医院对20~30岁之间的18名健康志愿者分别进行了测试。被测者在测量前一天晚上保证良好的睡眠,在早上8:30左右接受测试。测量时,要求被测者手指洁净干燥,保持静坐姿势,心情平静,被测手指无大幅运动,通过医用指夹将传感器固定在手指上,并保持手掌平直。用无创血糖仪检测各项特征信息并经数据处理得到血糖浓度,同时还采用医院的血液分析仪测量18名志愿者的血糖浓度并将其作为标准值,测试数据如表1所示。图9为无创测量与有创测量结果对比曲线。通过对健康人体的测试发现,利用本文所建数据处理模型得到无创血糖测量结果与传统的有创测量结果之间的相关系数达到了85.4%,同时验证了血糖浓度与所选的几项人体特征信息具有相关性,无创血糖检测系统可有效反映血糖浓度的动态变化趋势。