买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春理工大学

摘要：本发明是一种无创血糖浓度预测方法。本发明涉及无创血糖检测技术领域，本发明进行光谱数据采集得到原始光谱数据，对采集到的数据进行预处理；对预处理后的数据划分训练集、验证集和测试集，并进行超参数设置；搭建无创血糖浓度回归预测模型，进行迭代计算得到最优的无创血糖浓度回归预测模型；根据最优的无创血糖浓度回归预测模型，对血糖浓度进行预测。本发明提高了无创血糖浓度回归预测的性能和稳定性，减少误差和波动，为血糖浓度的非侵入性测量提供了一种新的思路和技术手段，有助于推动临床诊断、药物治疗、毒物鉴定等领域的发展，提高人类的健康水平和生活质量。

主权项：1.一种无创血糖浓度预测方法，其特征是：所述方法包括以下步骤：步骤1：进行光谱数据采集得到原始光谱数据，对采集到的数据进行预处理；步骤2：对预处理后的数据划分训练集、验证集和测试集，并进行超参数设置；步骤3：搭建无创血糖浓度回归预测模型，进行迭代计算得到最优的无创血糖浓度回归预测模型；所述步骤3具体为：步骤3.1：根据阈值间隙划分三元组后，根据随机梯度下降更新权重反复训练，直至损失值足够小或已达到最大训练批次结束训练，输出血糖光谱数据的特征；将输出的特征数据转入支持向量回归机中，进行回归算法的训练和测试；在三胞胎神经网络的训练过程中，需要三条相对应的样本数据作为输入，在划分样本时不使用固定分组，而是依据锚点信息固定阈值间隔，定义锚点标签值为，和为两个数值不同的阈值，正样本对应标签所属范围为，负样本对应标签所属范围为，和之间的距离形成一个间隙，以指导网络学习区分性的样本；将构建的三元组记为，其中，是原始锚点特征数据；，是原始正例特征数据；，是原始负例特征数据；对于给定的数据集和，其中、和分别是相应的锚点、正例和负例标签数据，原始特征通过三胞胎残差神经网络映射至高维特征空间中，得到深度特征；步骤3.2：通过深度三胞胎残差神经网络预训练更新网络参数得到具有三胞胎特征性质的深度特征，在三胞胎残差神经网络后增加一层全连接层，模型基于损失函数计算训练数据的损失值，并反向传播梯度更新网络参数，以完成特征提取过程；并根据随机梯度下降更新权重反复训练，直至损失值足够小或已达到最大训练批次结束训练，输出血糖光谱数据的特征；将输出的特征数据转入支持向量回归机中，进行回归算法的训练和测试；步骤3.3：构建的三胞胎残差神经网络作为深度三胞胎残差支持向量机的特征提取模块，在孪生网络中，输入是两组数据构成的数据对，在三胞胎神经网络中输入是三组数据构成的三元组，即锚点（Anchor，）、正例（Positive，）和负例（Negative，）；将三元组输入具有三胞胎结构的残差神经网络ResNet-18中，三元组数据经过阈值间隙的划分后输入至共享网络Netx进行特征提取得到、和，通过损失函数计算变量梯度，更新网络权重，增强数据特征在高维空间中的表征，三胞胎神经网络的训练目标是使锚点与正例间的高维度表征距离最小化，同时使锚点与负例间的高维度表征距离最大化；结合三元组损失函数和对比损失函数建立三元对比损失TCLoss，通过、和来度量锚点、正例和负例间距，并引入含有的自适应超参数增强模型的泛化能力，通过下式表示TCLoss函数： 其中，是锚点与正例标签值之差的绝对值，是锚点与负例标签值之差的绝对值，，和分别是锚点、正例和负例通过共享网络结构处理后得到的特征数据，是锚点与正例特征数据间的余弦值，是锚点与负例特征数据间的余弦值，是边际参数；将TCLoss函数与三胞胎残差神经网络结构结合，将特征提取部分通过如下优化问题： ；步骤3.4：使用三胞胎残差神经网络进行特征提取，使用随机梯度下降法计算三元对比损失函数TCLoss关于网络变量的梯度来优化网络，使网络输出的锚点与正例特征数据相近，锚点与负例特征数据相远，根据TCLoss损失函数： 当，则梯度；当，则梯度为： 由于包含和，包含和，因此分别对、和求偏导，更新梯度： 步骤3.5：令表示第第迭代的参数，，则表示第第迭代的损失值，表示第第迭代的学习率；步骤4：根据最优的无创血糖浓度回归预测模型，对血糖浓度进行预测。

全文数据：

权利要求：

百度查询： 长春理工大学 一种无创血糖浓度预测方法