一种基于生物电阻抗的胆固醇检测仪及检测方法

技术领域

本发明涉及医疗器械技术领域，尤其涉及一种基于生物电阻抗的胆固醇检测仪及检测方法。

背景技术

高血脂症是指血中胆固醇和(或)甘油三酯过高或高密度脂蛋白过低，该病症容易诱发多种心脑血管疾病且存在很多并发症，严重危害人体健康。而胆固醇浓度值是检测高血脂症很重要的指标。目前常用的血脂检测方法多为生化检测或微创方法，给患者造成疼痛的同时，也增加了感染风险，且实时性较差。

发明内容

本发明的目的在于提供一种基于生物电阻抗的胆固醇检测仪及检测方法，旨在解决了生化检测的感染风险及实时性较差的问题。

为实现上述目的，第一方面，本发明提供了一种基于生物电阻抗的胆固醇检测仪，包括激励电极、测量电极、人体成分分析仪、数据优化模块、特征降维模块、正则化参数选取模块和预测模块，所述激励电极、所述测量电极、所述人体成分分析仪分别与所述数据优化模块连接，所述数据优化模块、所述特征降维模块、所述正则化参数选取模块和所述预测模块依次连接；

所述激励电极，用于和所述测量电极配合贴附于人体手臂进行阻抗检测；

所述人体成分分析仪，用于对人体参数指标进行分段测量；

所述数据优化模块，用于对无效数据进行清除；

所述特征降维模块，用于基于主成分分析法选择主成分；

所述正则化参数选取模块，用于指标数据集的切分以及回归模型正则化参数的选取；

所述预测模块，用于得到胆固醇浓度的预测值。

其中，所述人体参数指标包括蛋白质、无机盐、腰臀比、体脂率、体质参数、骨骼肌、去脂体重、细胞内外水分和细胞总水分。

第二方面，本发明还提供一种生物电阻抗的胆固醇检测方法，包括：采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱；

将分段测量的人体成分分析仪的指标参数引入到生物电阻抗谱组成指标数据集；

采用主成分分析法对指标数据集进行预处理；

切分主成分数据集，并选取回归模型正则化参数；

建立回归模型对胆固醇浓度进行预测。

其中，所述采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱的具体步骤是：激励电极与测量电极保持间距贴附于人体手臂，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱。

其中，所述采用主成分分析法对指标数据集进行预处理的具体步骤是：对指标数据集进行标准化处理；计算指标数据集系数矩阵；计算系数矩阵特征值和特征向量；计算综合评价值，计算特征值的信息贡献率和累积贡献率；获取主成分数据集。

其中，所述切分主成分数据集，并选取回归模型正则化参数的具体步骤是：将主成分数据集均分成5折；使用每一折作为测试集，剩下的4折子集作为训练集来训练，获取5个模型和5个精度值；5个模型最终的验证集的分类准确率的平均数作为此交叉验证下分类器的性能指标，正则化参数值λ选择平均评分最优值。

其中，所述建立回归模型对胆固醇浓度进行预测的具体步骤是：基于平均评分最优值采用回归算法进行迭代；在每次迭代中随机更新回归系数；得到胆固醇浓度的预测值，根据测试集交叉验证得到的5次验证集结果的均值来评估回归模型的精度。

本发明的一种基于生物电阻抗的胆固醇检测仪及检测方法，通过将所述激励电极和所述测量电极贴在人体手臂的中间段，为了有效减少极化效应对测量结果的影响，进一步提高测量结果的准确度，所述激励电极与所述测量电极要保持一定的间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱；通过所述人体成分分析仪可以获取包括骨骼肌、蛋白质、细胞内外水分比率、体脂百分比、体质指数、腰臀比等数据，可以进一步完善胆固醇浓度预测模型的指标数据集，从而提高模型的准确性以及泛化能力；所述数据优化模块，用于对无效数据进行清除，因为指标数据集中存在集重复、缺失以及明显偏离整体分布的数据；所述特征降维模块，用于基于主成分分析法选择主成分，为解决各变量信息间的重叠问题，胆固醇浓度预测模型的指标数据集引用主成分分析法进行特征降维，该方法在对原始数据指标变量进行变换后会得到彼此相互独立的主成分，可消除评估指标之间的相关影响，且各主成分是按方差大小以及信息贡献率来依次排列顺序的，在分析问题时，可以舍弃一部分主成分，只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量。所述正则化参数选取模块，用于指标数据集的切分以及回归模型正则化参数的选取，采用交叉验证和网格搜索的方式来切分主成分数据集以及选择最优参数；所述预测模块，使用机器学习中的套索(Lasso)回归方法，该方法是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。为防止过拟合、平衡拟合训练的血脂指标、保持参数值较小，加入L正则化项，采用坐标轴下降法和最小角回归法求解损失函数的极小值。从而可以基于生物电阻抗无创检测人体血脂成分，解决了生化检测的感染风险及实时性较差的问题；另外本发明采用了机器学习的回归算法来建立胆固醇浓度预测模型，同时加入了交叉验证和网格搜索的方法来切分主成分数据集、评估模型精度以及选择最优的正则化参数，使得模型的可解释性更强、泛化能力更优。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于生物电阻抗的胆固醇检测仪的结构图；

图2是本发明的一种基于生物电阻抗的胆固醇检测方法的流程图；

图3是本发明采用主成分分析法对指标数据集进行预处理的流程图；

图4是本发明切分主成分数据集，并选取回归模型正则化参数的流程图；

图5是本发明建立回归模型对胆固醇含量进行预测的流程图。

1-激励电极、2-测量电极、3-人体成分分析仪、4-数据优化模块、5-特征降维模块、6-正则化参数选取模块、7-预测模块。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

第一方面，本发明提供一种基于生物电阻抗的胆固醇检测仪，包括：

激励电极1、测量电极2、人体成分分析仪3、数据优化模块4、特征降维模块5、正则化参数选取模块6和预测模块7，所述激励电极1、所述测量电极2、所述人体成分分析仪3分别与所述数据优化模块4连接，所述数据优化模块4、所述特征降维模块5、所述正则化参数选取模块6和所述预测模块7依次连接；

所述激励电极1，用于和所述测量电极2配合贴附于人体手臂进行阻抗检测；

所述人体成分分析仪3，用于对人体参数指标进行分段测量；

所述数据优化模块4，用于对无效数据进行清除；

所述特征降维模块5，用于基于主成分分析法选择主成分；

所述正则化参数选取模块6，用于指标数据集的切分以及回归模型正则化参数的选取；

所述预测模块7，用于通过交叉验证和网格搜索相结合的方式来切分主成分数据集以及选择最优参数，得到胆固醇浓度的预测值。

在本实施方式中，通过将所述激励电极1和所述测量电极贴在人体手臂的中间段，为了有效减少极化效应对测量结果的影响，进一步提高测量结果的准确度，所述激励电极1与所述测量电极2要保持一定的间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱；通过所述人体成分分析仪3可以获取包括骨骼肌、蛋白质、细胞内外水分比率、体脂百分比、体质指数、腰臀比等数据，可以进一步完善胆固醇浓度预测模型的指标数据集，从而提高模型的准确性以及泛化能力；所述数据优化模块4，用于对无效数据进行清除，因为指标数据集中存在集重复、缺失以及明显偏离整体分布的数据；所述特征降维模块5，用于基于主成分分析法选择主成分，为解决各变量信息间的重叠问题，胆固醇浓度预测模型的指标数据集引用主成分分析法进行特征降维，该方法在对原始数据指标变量进行变换后会得到彼此相互独立的主成分，可消除评估指标之间的相关影响，且各主成分是按方差大小以及信息贡献率来依次排列顺序的，在分析问题时，可以舍弃一部分主成分，只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量。所述正则化参数选取模块6，用于指标数据集的切分以及回归模型正则化参数的选取，采用交叉验证和网格搜索的方式来切分主成分数据集以及选择最优参数；所述预测模块7，使用机器学习中的套索(Lasso)回归方法，该方法是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。为防止过拟合、平衡拟合训练的血脂指标、保持参数值较小，加入L1正则化项，采用坐标轴下降法和最小角回归法求解损失函数的极小值。从而可以基于生物电阻抗无创检测人体血脂成分，解决了生化检测的感染风险及实时性较差的问题；另外本发明采用了机器学习的回归算法来建立胆固醇浓度预测模型，同时加入了交叉验证和网格搜索的方法来切分主成分数据集、评估模型精度以及选择最优的正则化参数，使得模型的可解释性更强、泛化能力更优。

第二方面，本发明还提供一种基于生物电阻抗的胆固醇检测方法，包括：

S101采用四电极法对人体手臂进行阻抗检测，得到生物电阻抗谱；

其中四电极的两个激励电极1与两个测量电极2要保持间距，经测试得到不同频率下的幅值和相位角信息建立生物电阻抗谱。在不同频段的信号激励作用下，生物组织会有不同的阻性与容性变化。在选定测试频段之后，对该频段下的人体组织等效阻抗进行实验分析，其检测过程是通过贴附于人体手臂的电极进行激励信号的输入与测试两个过程。在测试过程中，输入电流符合人体安全电流，人体不会产生危害。其无创检测的优势在于非侵入性且携带丰富的信息，不仅避免了生化检测带来的感染风险，同时也使得检测过程变的更方便快捷、高效准确。

S102将分段测量的人体成分分析仪3的指标参数引入到生物电阻抗谱组成指标数据集；

由于人体各异性会导致不同被测者有不同程度的生物电阻抗波动，因此，引入人体成分分析仪3的指标参数来完善胆固醇浓度的预测模型，从而降低人体各异性，提高测量的准确性。所述人体成分的指标参数包括蛋白质、无机盐、腰臀比、体脂率、体质参数、骨骼肌、去脂体重、细胞内外水分、细胞总水分等，通过数学统计软件将人体成分与血脂相关参数进行相关分析，并对被测者的人体成分进行多次分段测量，主要是对手臂的测量，全身阻抗测量可能由于测量的极小误差使人体成分分析的结果具有更大的误差。因此，分段测量就更具优越性，阻抗谱的获取以及人体成分都是对手臂的测量，进一步减小了测量误差。

S103采用主成分分析法对指标数据集进行预处理；

具体步骤包括：

S201对指标数据集进行标准化处理；

对指标数据集X进行标准化处理，该指标数据集是由生物电阻抗谱的阻抗值、相位角以及与人体成分分析仪3相关性较高的指标参数构成，将各指标参数x

S202计算指标数据集相关系数矩阵W；

S203计算系数矩阵特征值和特征向量；

特征值为λ

S204计算综合评价值，计算特征值的信息贡献率和累积贡献率；

计算综合评价值，计算特征值λ

S205获取主成分数据集。

选择前p个指标变量y

S104切分主成分数据集，并选取回归模型正则化参数；

胆固醇浓度预测模型采用交叉验证和网格搜索相结合的方式来切分主成分数据集以及选择最优参数，其中，交叉验证的目的是为了让模型评估准确度更高，交叉验证通常有Holdout验证、K-折交叉验证以及留一验证三种方法，本发明采用的是K-折交叉验证。网格搜索算法是一种通过遍历给定的参数组合来优化模型表现的方法，本发明需要的参数组合是{正则化参数，模型的最大迭代次数}，主要目的是采用每组超参数训练模型来挑选测试集误差最小的超参数组合。根据实验验证，k取5会使得网格搜索的超参数组合最优。

具体步骤是：

S301将主成分数据集均分成5折；

S302使用每一折作为测试集，剩下的4折子集作为训练集来训练，获取5个模型和5个精度值；

使用第一折作为测试集，剩下的4折子集作为训练集来训练第一个模型，即指标数据集的80％为训练集用于构建模型，20％为测试集用来评估精度。之后构建另一个模型，这次使用2折作为测试集，1、3、4、5折子集作为训练集，以此类推，将每个子集数据分别做一次验证集，其余的4折子集数据作为训练集，这样会得到5个模型和5个精度值。

S3035个模型最终的验证集的分类准确率的平均数作为此交叉验证下分类器的性能指标，正则化参数值λ选择平均评分最优值。

S105建立回归模型对胆固醇浓度进行预测。

S401基于平均评分最优值采用回归算法进行迭代；

S402在每次迭代中随机更新回归系数；

S403得到胆固醇浓度的预测值，根据测试集交叉验证后5次结果的均值来评估回归模型的精度。

胆固醇浓度预测模型的建立采用机器学习中的Lasso回归算法，Lasso回归的惩罚项采用的是L1正则化，它可以使得部分系数变小，甚至还可以使得一些绝对值较小的系数直接变为0，因此特别适用于在疾病预测模型中用来估计稀疏参数。Lasso回归的损失函数表达式如下：

J(β)＝∑(y-Xβ)

＝∑(y-Xβ)

＝ESS(β)+λl

其中，X代表协变量，即数据集的特征变量，y代表响应变量，即胆固醇浓度的预测值，ESS(β)表示误差的平方和，λl

其中，坐标轴下降法的优化目标是在每个特征向量的方向上，对损失函数做迭代的下降，当所有方向上的特征变量都达到收敛时，此时Lasso回归的损失函数最小，具体的算法过程如下：

1.首先，我们把β向量随机取一个初值，其中，β向量表征的是指标数据集的n个维度，记为β(0)，表示当前迭代次数为0，以此类推.

2.对于第k轮的迭代，阻抗谱指标数据集从

如果β

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。