基于特征优化的机器学习血糖无创检测方法，系统及模型

本申请涉及光电传感，特别涉及一种基于特征优化的机器学习血糖无创检测方法，系统及模型。

背景技术：

1、目前居家进行自我血糖检测的方法是有创血糖检测，需要患者刺破手指表皮，采取皮下血液样本来进行血糖检测。这一方法在痛苦的同时由于多次进行伤口创伤，可能会导致血液病的产生。因此无创血糖检测技术的需求刻不容缓。

2、近红外血糖检测技术是一种基于光电容积脉搏波描记法(ppg,photoplethysmography)的光电无创血糖检测技术，通过检测透过手指并随血容量变化而不断变化的光电流曲线。这一方法简便且有效，但由于个体肤色、指围、皮下静脉分布、心脏跳动活力等不同，其准确率受到了一定程度的限制。目前，提取ppg波形的特征用于训练机器学习模型时，确实存在一些技术问题：(1)ppg波形受到环境噪声、运动噪声、光电传感器噪声等的影响；(2)个体差异、指围大小、肤色、环境温度等因素都会对ppg波形产生影响，会引入额外的变异性，可能导致特征提取的困难和准确性下降；(3)从ppg波形中提取的特征可能存在冗余和相关性，特征数据选择上存在不科学数据。因此如何有效地提取ppg波形的特征用于训练机器学习模型是提升准确率必须解决的问题。

技术实现思路

1、本申请为解决现有的血糖检测不精准的技术问题，提供一种基于特征优化的机器学习血糖无创检测方法，系统及模型。

2、具体的，本申请提供一种基于特征优化的机器学习血糖无创检测方法，包括以下步骤：

3、采集一段时间内光传感器检测到的连续ppg波形，存于csv文件中；

4、使用python代码读取csv文件，遍历csv文件中ppg波形上每一个关键点，获取该段时间内ppg波形上所有相同类型的ppg波形信号的特征后对其取平均，并将取平均后的特征整合成一组ppg特征数据；

5、将所述ppg特征数据输入至梯度提升决策树模型评估以获得最终血糖无创检查结果。

6、所述ppg波形上每一个关键点，至少包括：

7、ppg波形上的最低点值，舒张峰值，收缩峰值，重搏切迹值，舒张峰，收缩峰，重搏切迹，双尖峰宽，上升斜率，下降斜率以及单个波形宽。

8、所述ppg波形上每一个关键点，还包括：

9、舒张峰值＝测试得到舒张峰值-最低点值；

10、收缩峰值＝测试得到收缩峰值-最低点值；

11、重搏切迹值＝测试得到重搏切迹值-最低点值；

12、舒张峰＝(舒张峰值-最低点值)/最低点值；

13、收缩峰＝(收缩峰值-最低点值)/最低点值；

14、重搏切迹＝(重搏切迹值-最低点值)/最低点值；

15、双尖峰宽＝舒张峰值的时间横坐标–收缩峰值的时间横坐标；

16、上升斜率＝(舒张峰值-最低点值)/(舒张峰值时间横坐标–最低点值时间横坐标)；

17、下降斜率＝(舒张峰值-最低点值)/(舒张峰值时间横坐标–下一个最低点值时间横坐标)；

18、单个波形宽＝两个相邻最低点值时间横坐标相减。

19、所述最低点值，还包括：

20、获取ppg波形上每一个关键点，判断该关键点前后预设时间内的值均大于该关键点，则该关键点为最低点值，并将其记录，采集整段ppg波形的所有最低点值后将其求和取平均值，记录为最低点值特征。

21、所述将所述ppg特征数据输入至梯度提升决策树模型评估以获得最终血糖无创检查结果，具体为：

22、步骤1：将所述ppg特征数据划分为将数据集划分为训练集和测试集；

23、步骤2：使用测试集数据对gbdt模型进行性能训练；

24、步骤3：将所述测试集数据输入至训练好的gbdt模型中进行预测，输出血糖水平值作为最终血糖无创检查结果。

25、所述gbdt模型集成多个学习算法，包括线性回归，自适应增强回归，bagging回归，极度随机树，梯度提升回归，支持向量机，k邻近回归，随机森林回归，决策树回归，卷积神经网络以及岭回归。

26、所述采集一段时间内光传感器检测到的连续ppg波形，具体为：

27、使用近红外光照射皮肤肌肉组织，所述近红外光穿射所述皮肤肌肉组织到达血糖检测光传感器；

28、光传感器的金属电极与所述皮肤肌肉组织贴合，所述近红外光抵达至血糖检测传感器的吸光层，使得所述吸光层在受到光辐射时，吸收光子产生激子，并分别向两侧的金属电极和玻璃电极扩散形成电势差，将所述传感器构成闭合回路产生电流，测得血糖ppg信号，将ppg信号与当下血糖检测传感器测试的真实血糖值作为一组数据，反复测试不同情况下的ppg信号，得到连续ppg波形。

29、基于同一构思，本发明还提供一种基于特征优化的机器学习血糖无创检测系统，所述系统包括：

30、采集单元，采用光传感器对皮肤肌肉组织进行检测，并采集一段时间内光传感器检测到的连续ppg波形，存于csv文件中；

31、预处理单元，使用python代码读取csv文件，遍历csv文件中ppg波形上每一个关键点，获取该段时间内ppg波形上所有相同类型的ppg波形信号的特征后对其取平均，并将取平均后的特征整合成一组ppg特征数据；

32、数据处理单元，将所述ppg特征数据划分为将数据集划分为训练集和测试集，使用测试集数据对gbdt模型进行性能训练，将所述测试集数据输入至训练好的gbdt模型中进行预测。

33、其中，所述gbdt模型集成多个学习算法，包括线性回归，自适应增强回归，bagging回归，极度随机树，梯度提升回归，支持向量机，k邻近回归，随机森林回归，决策树回归，卷积神经网络以及岭回归。

34、基于同一构思，本发明还提供一种机器学习血糖无创检测模型，所述机器学习血糖无创检测模型采用gbdt模型以实现如上所述的一种基于特征优化的机器学习血糖无创检测方法，获得最终血糖无创检查结果。

35、与现有技术相比，本申请的有益效果在于：

36、本发明的目的在于提供一种基于特征优化的机器学习血糖无创检测方法，通过优先对采集的ppg波形进行处理，可以通过将连续的ppg波形数据转化为一组稳定和可靠的特征数据，然后通过梯度提升决策树模型进行评估，从而实现精准的血糖无创检测。

37、本发明可以有效提高特征选择和提取的准确性、模型的训练和优化、数据质量和标签的准确性。通过准确的特征选择和提取方法以及充足的数据样本和准确的标签数据，全面提高模型的准确性和稳定性。

技术特征：

1.一种基于特征优化的机器学习血糖无创检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述ppg波形上每一个关键点，至少包括：

3.根据权利要求2所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述ppg波形上每一个关键点，还包括：

4.根据权利要求3所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述最低点值，还包括：

5.根据权利要求4所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述将所述ppg特征数据输入至梯度提升决策树模型评估以获得最终血糖无创检查结果，具体为：

6.根据权利要求5所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述gbdt模型集成多个学习算法，包括线性回归，自适应增强回归，bagging回归，极度随机树，梯度提升回归，支持向量机，k邻近回归，随机森林回归，决策树回归，卷积神经网络以及岭回归。

7.根据权利要求6所述的一种基于特征优化的机器学习血糖无创检测方法，其特征在于，所述采集一段时间内光传感器检测到的连续ppg波形，具体为：

8.根据权利要求1-7任一所述的一种基于特征优化的机器学习血糖无创检测方法的系统，其特征在于，所述系统包括：

9.根据权利要求8所述的系统，其特征在于，所述gbdt模型集成多个学习算法，包括线性回归，自适应增强回归，bagging回归，极度随机树，梯度提升回归，支持向量机，k邻近回归，随机森林回归，决策树回归，卷积神经网络以及岭回归。

10.一种机器学习血糖无创检测模型，其特征在于，所述机器学习血糖无创检测模型采用gbdt模型以实现如权利要求1-7任一所述的一种基于特征优化的机器学习血糖无创检测方法，获得最终血糖无创检查结果。

技术总结
本申请提供一种基于特征优化的机器学习血糖无创检测方法，系统及模型，所述方法通过采集一段时间内光传感器检测到的连续PPG波形，使用python代码读取csv文件，遍历csv文件中PPG波形上每一个关键点，获取该段时间内PPG波形上所有相同类型的PPG波形信号的特征后对其取平均，并将取平均后的特征整合成一组PPG特征数据，将所述PPG特征数据输入至梯度提升决策树模型评估以获得最终血糖无创检查结果。本发明通过优先对采集的PPG波形进行处理，将连续的PPG波形数据转化为一组稳定和可靠的特征数据，然后通过梯度提升决策树模型进行评估，从而实现精准的血糖无创检测，有效提高特征选择和提取的准确性、模型的训练和优化、数据质量和标签的准确性。

技术研发人员：陈秋兰,郑咏剑,詹镇业,卢月恒,谢伟广
受保护的技术使用者：广东食品药品职业学院
技术研发日：
技术公布日：2024/4/29