基于决策树模型的个人无创血糖值预测方法及装置

技术领域

本发明涉及于血糖检测技术领域，尤其涉及一种基于决策树模型的个人无创血糖值预测方法及装置。

背景技术

糖尿病已成为威胁人类健康的疾病之一，已诊断糖尿病人数约为总人口的2％，两千六百万人。当前，血糖测试仍普遍采用有创或微创的测试仪，尽管这种测试仪只需2～10μL末稍血，但因有痛感患者仍尽量回避这种有创测试。因此，无创血糖测试仪就成为糖尿病人的期盼。无创测血糖的原理，一般都是通过皮下间质液、红外线等进行检测，可以避免疼痛，但是有可能会受到光线、温度等的影响而出现误差，所以结果并不十分准确，有可能会存在误差。为了解决上述问题，本发明通过指定的单台光谱血糖仪采集个人皮下间质液特征数据，规避了不同个体特征数据的噪声数据影响，对标权威的血糖测试仪标注特征数据血糖值作为训练数据，训练数据训练决策树模型生成个人血糖检测模型，提出了一种基于决策树模型的个人无创血糖值预测方法及装置。

发明内容

本发明的目的是提供一种基于决策树模型的个人无创血糖值预测方法及装置，本发明解决的问题是提高无创测血糖的结果准确率；

本发明公开了一种基于决策树模型的个人无创血糖值检测装置，包括光谱仪、安卓端、主处理模块、系统存储器和电源模块，其中：

所述光谱仪与所述安卓端电性连接，所述光谱仪用于采集个体指尖皮下间质液光谱特征数据，采集待测个体指尖皮下间质液光谱特征数据，并将所有光谱数据传到所述安卓端处理；

所述主处理模块通过接口与所述安卓端电性连接，用于将特征提取好的数据存储在所述系统存储器中，然后用机器学习方式训练数据，再处理数据实现个人血糖值预测；

所述安卓端模块与所述主处理模块电性连接，用于将采集和处理信号过程中的执行状态显示出来；

所述电源模块与所述主处理模块电性连接，用于提供整个系统的工作电源。

本发明另外公开了一种基于决策树模型的个人无创血糖值预测方法，利用上述一种基于决策树模型的个人无创血糖值检测装置进行检测，包括以下步骤：

步骤1：为了实现个人无创血糖值准确预测的目标，需先采集训练数据，再采集待测个体指尖皮下间质液光谱特征数据，具体采集方法如下：

所述训练数据是应用上述一种基于决策树模型的个人无创血糖值检测装置直接采集个体指尖皮下间质液光谱特征数据，对标权威的血糖测试仪每条光谱特征数据标注权威血糖测试仪检测出的血糖值；

采集的个人训练数据越多，个人无创血糖预测模型越准确。

所述待测个体指尖皮下间质液光谱特征数据是应用上述一种基于决策树模型的个人无创血糖值检测装置直接采集一条个体光谱特征数据。

所述个人每条指尖皮下间质液光谱特征数据为[a

步骤2：应用步骤1已采集的训练数据作为决策树模型输入，训练非线性决策树回归模型并生成个人无创血糖回归模型，利用模型预测待测个体指尖皮下间质液光谱特征数据对应血糖值，具体计算方法如下：

决策树回归模型在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树。

生成决策树步骤：

(1)选择最优切分变量j与切分点s，求解

遍历变量j，对固定的切分变量j扫描切分点S，选择使上式达到最小值的对(j,s)。

(2)用选定的对(j,s)划分区域并决定相应的输出值：

其中，R

(3)继续对两个子区域调用(1)，(2)，直至满足停止条件。

(4)将输入空间划分为M个区域R

(5)

其中I为指示函数，

步骤3：由于无创测血糖结果与操作相关，规避操作上的波动率，可以应用步骤2连续测出的三条血糖值做均值计算输出最终血糖值，具体计算方法如下：

上式value

本发明有益效果是：

1、无创测血糖，规避了高血糖患者疼痛感。

2、能够高效准确地预测个人血糖值。

3、本发明基于决策树模型的个人无创血糖值检测装置便于携带，不受检测环境限制，检测个人血糖值准确度高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1基于决策树模型的个人无创血糖值预测方法流程图。

表1高血糖患者1训练数据。

表2高血糖患者2训练数据。

表3高血糖患者1预测数据结果表。

表4高血糖患者2预测数据结果表。

具体实施方式

以下结合具体实施过程对本方明作进一步描述，但并不因此而限制本发明的保护范围。

为了提高无创测血糖的结果准确率，结合图1，表1-表4对本发明进行了详细说明，其具体实施步骤如下：

实施示例一

针对高血糖患者用户1、用户2，本发明公开了一种基于决策树模型的个人无创血糖值检测装置，包括光谱仪、安卓端、主处理模块、系统存储器和电源模块，其中：

所述光谱仪与所述安卓端电性连接，所述光谱仪用于采集高血糖患者用户1、用户2指尖皮下间质液光谱特征数据如表1、表2中7-44列，采集高血糖患者用户1、用户2指尖皮下间质液待测光谱特征数据，并将所有光谱数据传到所述安卓端处理；

所述主处理模块通过接口与所述安卓端电性连接，用于将特征提取好的数据存储在所述系统存储器中，然后用机器学习方式训练数据，再处理数据实现个人血糖值预测；

所述安卓端模块与所述主处理模块电性连接，用于将采集和处理信号过程中的执行状态显示出来；

所述电源模块与所述主处理模块电性连接，用于提供整个系统的工作电源。

如图1所示，本发明公开了一种基于决策树模型的个人无创血糖值预测方法，利用上述一种基于决策树模型的个人无创血糖值检测装置进行检测，包括以下步骤：

步骤1：为了实现个人无创血糖值准确预测的目标，需先采集训练数据，再采集待测个体指尖皮下间质液光谱特征数据，具体采集方法如下：

所述训练数据是应用上述一种基于决策树模型的个人无创血糖值检测装置直接采集高血糖患者用户1、用户2指尖皮下间质液光谱特征数据，对标权威的血糖测试仪每条光谱特征数据标注权威血糖测试仪检测出的血糖值如表1、表2；

表1、表2记录了每条光谱7至44中36-44维部分特征数据，表1、表2权威血糖仪血糖值是血糖测试仪检测出的血糖值。

应用上述一种基于决策树模型的个人无创血糖值检测装置直接采集高血糖患者用户1、用户2指尖皮下间质液待测光谱特征数据如表3、表4中7-44中36-44维部分特征数据。

步骤2：应用表1、表2训练数据分别作为决策树模型输入，分别训练非线性决策树回归模型并生成高血糖患者用户1、用户2个人无创血糖回归模型，分别利用高血糖患者用户1、用户2个人无创血糖回归模型预测高血糖患者用户1、用户2指尖皮下间质液待测光谱特征数据对应血糖值，预测结果如表3、表4中预测血糖值列。

所述高血糖患者用户1、用户2个人无创血糖回归模型参数如下：

迭代次数NUM_ITERATIONS:1000

L1正则化系数LAMBDA_L1:0.1

L2正则化系数LAMBDA_L2:0.2

最小树上的叶子节点数MIN_DATA_IN_LEAF:5

树的最大深度MAX_DEPTH:10

并行数N_JOBS:8

步骤3：由于无创测血糖结果与操作相关，规避操作上的波动率，可以应用步骤2高血糖患者用户1、用户2连续测出的三条血糖值做均值计算输出最终血糖值，最终血糖结果值如表3、表4中最终血糖值列。

表1高血糖患者1训练数据

表2高血糖患者2训练数据

表3高血糖患者1预测数据结果表

从表3高血糖患者1预测数据结果表中可以得出连测高血糖患者1三次血糖值有稍小波动范围，与真实血糖值近似相等，最终血糖值与真实血糖值近似相等。

表4高血糖患者2预测数据结果表

从表4高血糖患者2预测数据结果表中可以得出连测高血糖患者2三次血糖值有稍小波动范围，与真实血糖值近似相等，最终血糖值与真实血糖值近似相等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。