[發(fā)明專利]基于Stacking模型融合的無創(chuàng)血糖估計方法、系統(tǒng)及存儲介質

在審

• 申請?zhí)枺?/td>: 202210440845.7
• 申請日: 2022-04-26
• 公開（公告）號: CN114550940A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設計）人: 韋怡婷;凌永權;黎樂怡;陳燚瀚;劉慶
• 申請（專利權）人: 廣東工業(yè)大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06K9/62;A61B5/145;A61B5/1455;A61B5/0205;A61B5/318
• 代理公司: 佛山粵進知識產(chǎn)權代理事務所(普通合伙) 44463
• 代理人: 耿鵬

1.一種基于Stacking模型融合的無創(chuàng)血糖估計方法，其特征在于，包括以下步驟：

獲取目標對象的PPG信號（光電容積脈搏波信號）、同步ECG信號（心電圖信號）、同步心率、同步血糖數(shù)值、同步血壓數(shù)值及各項身體參數(shù)并進行數(shù)據(jù)預處理；

根據(jù)預處理后的數(shù)據(jù)進行特征提取；

基于改良后Stacking模型融合策略選擇SVM回歸模型、隨機森林回歸模型以及嶺回歸模型進行血糖值共同預測，生成血糖最終估計結果；

同時對融合模型進行性能判斷。

2.根據(jù)權利要求1所述的一種基于Stacking模型融合的無創(chuàng)血糖估計方法，其特征在于，所述的數(shù)據(jù)預處理，具體為：

對采集到的PPG信號以及ECG信號利用經(jīng)驗模態(tài)分解的方式進行去噪處理，包括：

步驟S1：給定信號序列，初始化，為常數(shù)；

步驟S2：計算第個固有模式函數(shù)：

步驟S2-1:初始化；

步驟S2-2：確定的所有局部最大值和最小值；

步驟S2-3：通過插值函數(shù)生成的上下包絡，通常使用三次樣條插值，將上插值函數(shù)和下插值函數(shù)表示為和；

步驟S2-4：將和的局部均值表示為，并將其定義為；

步驟S2-5：應用移位運算符，；

步驟S2-6：如果，為常數(shù)，則定義；否則，設置并轉到步驟S2;

步驟S3：定義；

步驟S4：如果是固有函數(shù)或單調函數(shù)，則分解完成；否則，設置并轉到步驟S2；

完成信號去噪處理后將所述同步血糖數(shù)值及同步血壓數(shù)值進行均值處理，將均值處理后的數(shù)據(jù)作為最終使用的血糖值及血壓值，同時進行特征歸一化處理。

3.根據(jù)權利要求1所述的一種基于Stacking模型融合的無創(chuàng)血糖估計方法，其特征在于，所述特征提取，具體為：

通過PPG信號獲取人體光電容積脈搏波峰-峰值的變化；

計算PPG信號序列的均值及方差，將所述PPG信號序列的均值及方差；

通過同步ECG信號與PPG信號共同解得PWTT值，所述PWTT值指的是脈搏波在體內動脈樹中從一點傳播到遠心端另外一點所用的時間；

通過心率及ECG信號解析出能表征心臟活動的心率相關特征及HRV相關特征，同時獲取同步血壓值的高壓值及低壓值。

4.根據(jù)權利要求1所述的一種基于Stacking模型融合的無創(chuàng)血糖估計方法，其特征在于，所述的選擇SVM回歸模型、隨機森林回歸模型以及嶺回歸模型進行血糖值共同預測，具體為：

選擇隨機森林回歸模型、SVM回歸模型、嶺回歸模型進行血糖值預測，進行三種模型的初始化參數(shù)設置；

將數(shù)據(jù)集劃分為訓練集及測試集，并將訓練集被隨機、均勻地分為五部分，基于Stacking策略通過所述訓練集及測試集利用5折交叉驗證對隨機森林回歸模型、SVM回歸模型、嶺回歸模型進行訓練生成預測結果RF_A、SVM_A、RR_A；

將隨機森林回歸模型、SVM回歸模型、嶺回歸模型中五種不同組合的測試集訓練得到的模型對測試集進行五次預測，將五次預測結果取平均得到RF_B、SVM_B、RR_B；

通過用克拉克誤差網(wǎng)格分析獲取RF_A、SVM_A以及RR_A與對應的參考值的關系圖，生成三個A區(qū)準確率；

將所述A區(qū)準確率作為權重加權至RF_B、SVM_B、RR_B，得到血糖最終估算結果。

5.根據(jù)權利要求1所述的一種基于Stacking模型融合的無創(chuàng)血糖估計方法，其特征在于，根據(jù)血糖最終估算結果與測試集中對應的參考值對融合模型的性能進行評估判斷。