本發(fā)明涉及生理信號(hào)采集技術(shù)和數(shù)字信號(hào)分析技術(shù)領(lǐng)域，具體涉及一種近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方法及其檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法。

背景技術(shù)：

糖尿病嚴(yán)重威脅著人們的生命健康，但臨床還未出現(xiàn)根治糖尿病的方法，臨床上常常借助頻繁的血糖濃度檢測(cè)和藥物控制使糖尿病患者的血糖濃度維持在正常的水平。國(guó)內(nèi)外的學(xué)者在血糖濃度檢測(cè)技術(shù)中投入了大量的精力和資源，并取得了一定的研究成果。目前的血糖檢測(cè)方法包含無(wú)創(chuàng)、微創(chuàng)和有創(chuàng)三大類(lèi)，其中有創(chuàng)和微創(chuàng)檢測(cè)精度較高，能夠滿足臨床血糖檢測(cè)要求，但是有創(chuàng)和微創(chuàng)的檢測(cè)都會(huì)給糖尿病患者帶來(lái)痛苦和不適，因此血糖的無(wú)創(chuàng)檢測(cè)需求順勢(shì)而生。

無(wú)創(chuàng)血糖檢測(cè)方法有近紅外光譜法、熒光法、偏振光旋光等，近紅外光譜檢測(cè)法因?yàn)槌杀镜?、精度高、速度快、無(wú)污染等優(yōu)點(diǎn)成為最具潛力的血糖無(wú)創(chuàng)檢測(cè)方法之一。隨著人們對(duì)近紅外光譜無(wú)創(chuàng)檢測(cè)技術(shù)研究的不斷深入，近紅外光譜技術(shù)有望在人體血糖濃度的檢測(cè)中發(fā)揮重要的作用，實(shí)現(xiàn)血糖的精確測(cè)量。

近紅外光譜定量分析的理論基礎(chǔ)是比爾-朗伯定律：，其中aλ為特定波長(zhǎng)λ下血糖的吸光度，i0(λ)為透射光強(qiáng)度，i(λ)為經(jīng)過(guò)人體組織后的透射光強(qiáng)度，ε(λ)為吸光系數(shù)，l為光程長(zhǎng)，c為血糖的濃度。比爾-朗伯定律適用于均勻的非散射體系，要求吸光質(zhì)點(diǎn)之間不存在相互作用。

近紅外光譜技術(shù)在血糖無(wú)創(chuàng)檢測(cè)中的關(guān)鍵技術(shù)是穩(wěn)健精確的定量模型的建立。傳統(tǒng)的近紅外光譜技術(shù)定量分析方法有多元線性回歸、主成分回歸和偏最小二乘法。這些傳統(tǒng)的近紅外光譜技術(shù)定量分析方法都是線性模型，對(duì)比爾-朗伯定律具有較好的解釋能力。人體組織體系比較復(fù)雜，由于人體成分之間的相互作用、人體本身的噪聲和光譜的基線漂移，使得基于比爾-朗伯定律的血糖和光譜不再是單純的線性關(guān)系，因此比爾-朗伯定律導(dǎo)向的線性模型至今都沒(méi)有達(dá)到血糖檢測(cè)的臨床標(biāo)準(zhǔn)。另外，這些方法近紅外光譜的采集設(shè)備是光譜儀，捕獲的影響因子很多，但是常常會(huì)導(dǎo)致信息的冗余，因此不利于無(wú)創(chuàng)血糖檢測(cè)的家用推廣；并且，大部分的建模方法都沒(méi)有考慮個(gè)體差異性和單個(gè)個(gè)體每天生理規(guī)律的差異性。因此亟需一種具有較高檢測(cè)精度、能夠滿足臨床應(yīng)用需求的新型近紅外光譜無(wú)創(chuàng)血糖檢測(cè)技術(shù)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于提供一種近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方法，其不需要完全依靠比爾-朗伯定律的先驗(yàn)假設(shè)，能夠具備較高的檢測(cè)精度、滿足臨床應(yīng)用的需求，解決現(xiàn)有技術(shù)中近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方案存在誤差較大、難以滿足臨床應(yīng)用要求、不利于家用推廣的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法，包括如下步驟：

1）針對(duì)指定的多個(gè)個(gè)體對(duì)象，在不同檢測(cè)時(shí)段分別對(duì)各個(gè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)和有創(chuàng)血糖濃度檢測(cè)，將每個(gè)個(gè)體對(duì)象檢測(cè)獲取的近紅外光譜數(shù)據(jù)和有創(chuàng)血糖濃度數(shù)據(jù)作為相應(yīng)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組，從而得到多個(gè)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組，并將其中一部分個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為訓(xùn)練樣本數(shù)據(jù)組，剩余個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為測(cè)試樣本數(shù)據(jù)組；

2）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為自變量和因變量輸入到人工神經(jīng)網(wǎng)絡(luò)，并對(duì)該人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而得到一個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)；從而，針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段、以及各個(gè)不同個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段，分別訓(xùn)練得到多個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)；

3）將各測(cè)試樣本數(shù)據(jù)組分別輸入到訓(xùn)練所得的各個(gè)人工神經(jīng)網(wǎng)絡(luò)中，分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)分別輸入到各個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值，并分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到每個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差，用以分別判斷每個(gè)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性，選取其中血糖濃度預(yù)測(cè)準(zhǔn)確性最優(yōu)和次最優(yōu)的兩個(gè)人工神經(jīng)網(wǎng)絡(luò)，分別標(biāo)記為netm和netn；

4）構(gòu)建用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net=a*netm+(1-a)*netn，其中a為檢測(cè)網(wǎng)絡(luò)模型net的比例參數(shù)；

5）以每個(gè)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)輸入到檢測(cè)網(wǎng)絡(luò)模型net所得血糖濃度預(yù)測(cè)值之間的均方根誤差為目標(biāo)函數(shù)，以在[0,1]的解空間內(nèi)取值的比例參數(shù)a作為粒子的位置向量，利用粒子群算法優(yōu)化求解比例參數(shù)a，得到以目標(biāo)函數(shù)值最小為目標(biāo)的比例參數(shù)a的取值，從而確定用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net，所得到的檢測(cè)網(wǎng)絡(luò)模型net用于指示進(jìn)行人體無(wú)創(chuàng)血糖檢測(cè)的近紅外光譜數(shù)據(jù)與血糖濃度數(shù)據(jù)值之間的對(duì)應(yīng)關(guān)系。

上述用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法中，具體而言，所述步驟2）具體為：

21）確定人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)分別為1個(gè)；

22）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的每個(gè)血糖樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為一個(gè)人工神經(jīng)網(wǎng)絡(luò)的自變量和因變量，針對(duì)人工神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元為不同個(gè)數(shù)的情況，分別采用量化共軛梯度法對(duì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并分別統(tǒng)計(jì)出隱含層神經(jīng)元為相同個(gè)數(shù)的每種情況下由各不同血糖樣本數(shù)據(jù)組對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所得的訓(xùn)練預(yù)測(cè)血糖值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值之間的均方根誤差，比較隱含層神經(jīng)元為不同個(gè)數(shù)的情況所對(duì)應(yīng)的均方根誤差，根據(jù)均方根誤差小于預(yù)設(shè)誤差閾值的最少隱含層神經(jīng)元數(shù)來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)，從而根據(jù)訓(xùn)練結(jié)果確定相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)；

23）重復(fù)步驟21）~22），針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段、以及各個(gè)不同個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段檢測(cè)獲得的血糖樣本數(shù)據(jù)組，分別進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，從而得到各個(gè)不同個(gè)體對(duì)象在各個(gè)不同檢測(cè)時(shí)段所對(duì)應(yīng)的多個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)。

上述用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法中，作為優(yōu)選方案，對(duì)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)時(shí)，所采用的紅外光譜為1550nm單波長(zhǎng)近紅外光。

相應(yīng)地，本發(fā)明還提供了利用上述訓(xùn)練方法所得的檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的方法。為此，本發(fā)明采用了如下的技術(shù)方案：

一種近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方法，包括如下步驟：

a）獲取上述方法得到的檢測(cè)網(wǎng)絡(luò)模型net，所得到的檢測(cè)網(wǎng)絡(luò)模型net用于指示進(jìn)行人體無(wú)創(chuàng)血糖檢測(cè)的近紅外光譜數(shù)據(jù)與血糖濃度數(shù)據(jù)值之間的對(duì)應(yīng)關(guān)系；

b）對(duì)待測(cè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)，獲得待測(cè)個(gè)體對(duì)象的近紅外光譜數(shù)據(jù)；

c）將待測(cè)個(gè)體對(duì)象的近紅外光譜數(shù)據(jù)輸入到檢測(cè)網(wǎng)絡(luò)模型net中進(jìn)行計(jì)算，得到待測(cè)個(gè)體對(duì)象的血糖濃度數(shù)據(jù)值，作為待測(cè)個(gè)體對(duì)象的近紅外光譜無(wú)創(chuàng)血糖檢測(cè)結(jié)果。

相比于現(xiàn)有技術(shù)，本發(fā)明具有如下有益效果：

1、本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法中，訓(xùn)練過(guò)程中的自變量是基于近紅外光譜數(shù)據(jù)，克服了現(xiàn)有近紅外光譜無(wú)創(chuàng)血糖檢測(cè)幾百個(gè)自變量的信息冗余的缺點(diǎn)，方便后期家用的推廣。

2、本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法中，以擇優(yōu)選取的兩個(gè)人工神經(jīng)網(wǎng)絡(luò)作為模型的基本結(jié)構(gòu)，充分考慮了因?yàn)閮x器接口、光譜基線漂移以及外界環(huán)境等因素導(dǎo)致的基于比爾-朗伯定律的線性關(guān)系的破壞，不需要完全依靠比爾-朗伯定律的先驗(yàn)假設(shè)，直接從近紅外光譜和實(shí)測(cè)血糖數(shù)據(jù)出發(fā)，構(gòu)建數(shù)據(jù)和結(jié)論之間的檢測(cè)網(wǎng)絡(luò)模型。

3、本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法中，通過(guò)pso算法優(yōu)化兩個(gè)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，既能克服因?yàn)橥饨绛h(huán)境、心情、精神狀態(tài)等因素導(dǎo)致的每天血糖規(guī)律變化的差異性，又能克服由于年齡、性別、地理環(huán)境等因素導(dǎo)致的個(gè)體差異性，并且這種差異性只需要通過(guò)調(diào)節(jié)一個(gè)參數(shù)修正。

4、利用本發(fā)明所得的pso-2ann檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)時(shí)，只需要對(duì)待測(cè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜數(shù)據(jù)采集，便能夠得到近紅外光譜無(wú)創(chuàng)血糖檢測(cè)結(jié)果，操作簡(jiǎn)單方便，便于家庭的推廣使用。

5、本發(fā)明基于pso-2ann檢測(cè)網(wǎng)絡(luò)模型的近紅外光譜血糖無(wú)創(chuàng)檢測(cè)方法，一方面提高了檢測(cè)的精度，另一方面提升了模型的穩(wěn)健性和泛化能力。

附圖說(shuō)明

圖1為本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖。

圖2為典型的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖3為本發(fā)明pso-2ann檢測(cè)網(wǎng)絡(luò)模型的總拓?fù)浣Y(jié)構(gòu)。

圖4為實(shí)施例中同一個(gè)個(gè)體對(duì)象不同天數(shù)的有創(chuàng)血糖濃度實(shí)測(cè)值和pso-2ann檢測(cè)網(wǎng)絡(luò)模型得到的血糖濃度預(yù)測(cè)值之間的擬合程度曲線圖。

圖5為實(shí)施例中不同個(gè)體對(duì)象的有創(chuàng)血糖濃度實(shí)測(cè)值和pso-2ann檢測(cè)網(wǎng)絡(luò)模型得到的血糖濃度預(yù)測(cè)值之間的擬合程度曲線圖。

圖6為本發(fā)明利用pso-2ann檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的克拉克誤差網(wǎng)格圖。

具體實(shí)施方式

針對(duì)現(xiàn)有近紅外光譜無(wú)創(chuàng)血糖檢測(cè)技術(shù)中存在的不足，本發(fā)明針對(duì)目前近紅外光譜無(wú)創(chuàng)血糖方法只考慮線性關(guān)系、變量冗余以及因個(gè)體差異性和生理差異性等因素帶來(lái)的不確定性等問(wèn)題，提出了一種基于粒子群算法（particleswarmoptimization，pso）和雙人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ann）的近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方法，及其檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法。本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法，是通過(guò)先利用近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)訓(xùn)練獲得多個(gè)人工神經(jīng)網(wǎng)絡(luò)，并優(yōu)選其中兩個(gè)人工神經(jīng)網(wǎng)絡(luò)為基本結(jié)構(gòu)，在此基礎(chǔ)上利用粒子群算法優(yōu)化兩個(gè)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，從而得到預(yù)測(cè)性能滿足血糖無(wú)創(chuàng)檢測(cè)精度要求的網(wǎng)絡(luò)模型。由于該檢測(cè)網(wǎng)路模型中兩個(gè)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)僅依賴(lài)一個(gè)參數(shù)進(jìn)行修正加以確定，因此對(duì)檢測(cè)網(wǎng)路模型中權(quán)重系數(shù)的確定只需要利用1個(gè)樣本數(shù)據(jù)即可，并且利用該權(quán)重系數(shù)調(diào)整檢測(cè)網(wǎng)路模型中兩個(gè)人工神經(jīng)網(wǎng)絡(luò)的貢獻(xiàn)比例來(lái)克服單個(gè)個(gè)體每天生理規(guī)律的差異性和個(gè)體差異性，本發(fā)明將其稱(chēng)為pso-2ann檢測(cè)網(wǎng)絡(luò)模型。

粒子群算法（particleswarmoptimization，pso），也稱(chēng)粒子群優(yōu)化算法或鳥(niǎo)群覓食算法，是由j.kennedy和r.c.eberhart等開(kāi)發(fā)的一種進(jìn)化算法。pso算法是從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡(jiǎn)單，它沒(méi)有遺傳算法的“交叉”和“變異”操作，它通過(guò)追隨當(dāng)前搜索到的最優(yōu)值來(lái)尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視，并且在解決實(shí)際問(wèn)題中展示了其優(yōu)越性。

人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，即ann），是20世紀(jì)80年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。它從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。在工程與學(xué)術(shù)界也常直接簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)或類(lèi)神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱(chēng)神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)（activationfunction）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱(chēng)之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。

按照本發(fā)明的設(shè)計(jì)思路，要實(shí)現(xiàn)較高精度的近紅外光譜無(wú)創(chuàng)血糖檢測(cè)，需要先訓(xùn)練得到其檢測(cè)網(wǎng)絡(luò)模型。因此本發(fā)明提出了一種用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法，其訓(xùn)練流程如圖1所示，包括如下步驟：

1）針對(duì)指定的多個(gè)個(gè)體對(duì)象，在不同檢測(cè)時(shí)段分別對(duì)各個(gè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)和有創(chuàng)血糖濃度檢測(cè)，將每個(gè)個(gè)體對(duì)象檢測(cè)獲取的近紅外光譜數(shù)據(jù)和有創(chuàng)血糖濃度數(shù)據(jù)作為相應(yīng)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組，從而得到多個(gè)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組，并將其中一部分個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為訓(xùn)練樣本數(shù)據(jù)組，剩余個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為測(cè)試樣本數(shù)據(jù)組。

該步驟中，對(duì)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)時(shí)，可以采用現(xiàn)有技術(shù)中進(jìn)行近紅外光譜血糖檢測(cè)的近紅外光譜采集裝置實(shí)施檢測(cè)，所采用的紅外光譜可以?xún)?yōu)選為1550nm單波長(zhǎng)近紅外光，這是用于血糖檢測(cè)的近紅外光譜采集裝置較為常用的紅外光譜，易于普及應(yīng)用。而獲取有創(chuàng)血糖濃度檢測(cè)的有創(chuàng)血糖濃度數(shù)據(jù)是為了用以作為較為準(zhǔn)確的血糖濃度數(shù)據(jù)參照。需要分別對(duì)多個(gè)個(gè)體對(duì)象在不同檢測(cè)時(shí)段進(jìn)行檢測(cè)，是為了克服單個(gè)個(gè)體不同時(shí)段生理規(guī)律的差異性和個(gè)體差異性。具體實(shí)施時(shí)，檢測(cè)時(shí)段的周期可以按天為單位，以體現(xiàn)個(gè)體每天生理規(guī)律的差異性，當(dāng)然也可以按照數(shù)小時(shí)、數(shù)天等時(shí)間作為檢測(cè)時(shí)段的周期，根據(jù)實(shí)際應(yīng)用的需求而定。

2）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為自變量和因變量輸入到人工神經(jīng)網(wǎng)絡(luò)，并對(duì)該人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而得到一個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)；從而，針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段、以及各個(gè)不同個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段，分別訓(xùn)練得到多個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)。該步驟具體為：

21）確定人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)分別為1個(gè)。

以近紅外光譜數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的自變量，以相應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的自變量，所以輸入層神經(jīng)元和輸出層神經(jīng)元個(gè)數(shù)分別為1，如圖2所示。

22）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的每個(gè)血糖樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為一個(gè)人工神經(jīng)網(wǎng)絡(luò)的自變量和因變量，針對(duì)人工神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元為不同個(gè)數(shù)的情況，分別采用量化共軛梯度法對(duì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并分別統(tǒng)計(jì)出隱含層神經(jīng)元為相同個(gè)數(shù)的每種情況下由各不同血糖樣本數(shù)據(jù)組對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所得的訓(xùn)練預(yù)測(cè)血糖值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值之間的均方根誤差，比較隱含層神經(jīng)元為不同個(gè)數(shù)的情況所對(duì)應(yīng)的均方根誤差，根據(jù)均方根誤差小于預(yù)設(shè)誤差閾值的最少隱含層神經(jīng)元數(shù)來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)，從而根據(jù)訓(xùn)練結(jié)果確定相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)。

如圖2所示，隱含層神經(jīng)元個(gè)數(shù)將會(huì)決定人工神經(jīng)網(wǎng)絡(luò)中參數(shù)w1、b1、w2、b2的維數(shù)，w1和w2為權(quán)重項(xiàng)、b1和b2為閾值項(xiàng)；例如，若隱含層神經(jīng)元的個(gè)數(shù)為5，則w1、b1、w2分別為包含5個(gè)元素的向量，b2為包含1個(gè)元素的向量。采用量化共軛梯度法（scaledconjugategradient）對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，就能夠確定相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)、以及權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)，隱含層神經(jīng)元個(gè)數(shù)確定了人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)確定了人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算參數(shù)，從而人工神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)均得以確定了。量化共軛梯度法是介于最速下降法與牛頓法之間的一個(gè)方法，它僅需利用一階導(dǎo)數(shù)信息，但克服了最速下降法收斂慢的缺點(diǎn)，又避免了牛頓法需要存儲(chǔ)和計(jì)算hesse矩陣并求逆的缺點(diǎn)，共軛梯度法不僅是解決大型線性方程組最有用的方法之一，也是解大型非線性最優(yōu)化最有效的算法之一。在各種優(yōu)化算法中，共軛梯度法是非常重要的一種，其優(yōu)點(diǎn)是所需存儲(chǔ)量小，具有步收斂性，穩(wěn)定性高，而且不需要任何外來(lái)參數(shù)。在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)中，選擇共軛梯度法作為訓(xùn)練算法，在很大程度上提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和精度。

23）重復(fù)步驟21）~22），針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段、以及各個(gè)不同個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段檢測(cè)獲得的血糖樣本數(shù)據(jù)組，分別進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，從而得到各個(gè)不同個(gè)體對(duì)象在各個(gè)不同檢測(cè)時(shí)段所對(duì)應(yīng)的多個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)。

訓(xùn)練樣本數(shù)據(jù)組中包含的個(gè)體對(duì)象數(shù)量以及每個(gè)個(gè)體對(duì)象進(jìn)行檢測(cè)的檢測(cè)時(shí)段數(shù)量，決定了最多可訓(xùn)練得到的人工神經(jīng)網(wǎng)絡(luò)數(shù)量；例如，若訓(xùn)練得到了k個(gè)人工神經(jīng)網(wǎng)絡(luò)，則可以分別標(biāo)記為net1、net2、……、netk。在本發(fā)明方法中，由于需要利用兩個(gè)人工神經(jīng)網(wǎng)絡(luò)來(lái)建立近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型，因此步驟2）中訓(xùn)練得到的人工神經(jīng)網(wǎng)絡(luò)數(shù)量應(yīng)當(dāng)至少大于兩個(gè)。例如，實(shí)際應(yīng)用操作中，可以只訓(xùn)練三個(gè)人工神經(jīng)網(wǎng)絡(luò)；當(dāng)然，訓(xùn)練得到的人工神經(jīng)網(wǎng)絡(luò)數(shù)量越多，越有利于擇優(yōu)選擇用于構(gòu)建近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型，即越有利于保證檢測(cè)網(wǎng)絡(luò)模型的精準(zhǔn)度。

3）將各測(cè)試樣本數(shù)據(jù)組分別輸入到訓(xùn)練所得的各個(gè)人工神經(jīng)網(wǎng)絡(luò)中，分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)分別輸入到各個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值，并分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到每個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差，用以分別判斷每個(gè)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性，選取其中血糖濃度預(yù)測(cè)準(zhǔn)確性最優(yōu)和次最優(yōu)的兩個(gè)人工神經(jīng)網(wǎng)絡(luò)，分別標(biāo)記為netm和netn。

在具體應(yīng)用中，根據(jù)各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到一個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差，來(lái)判斷相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性時(shí)，可以將每個(gè)測(cè)試樣本數(shù)據(jù)組輸入到該人工神經(jīng)網(wǎng)絡(luò)得到的血糖濃度預(yù)測(cè)值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差進(jìn)行加權(quán)求和作為樣本誤差值，再統(tǒng)計(jì)各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到該人工神經(jīng)網(wǎng)絡(luò)的樣本誤差值之和，樣本誤差值之和越小則可以表明相應(yīng)個(gè)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性越優(yōu)。當(dāng)然，也可以采用其它方法根據(jù)均方根誤差和相對(duì)誤差對(duì)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性進(jìn)行擇優(yōu)判定。

4）構(gòu)建用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net=a*netm+(1-a)*netn，其中a為檢測(cè)網(wǎng)絡(luò)模型net的比例參數(shù)。圖4示出了所確定的pso-2ann檢測(cè)網(wǎng)絡(luò)模型net的拓?fù)浣Y(jié)構(gòu)。

5）一個(gè)每個(gè)測(cè)試樣本數(shù)據(jù)組作為一個(gè)粒子，從而以各個(gè)測(cè)試樣本數(shù)據(jù)組的集合作為粒子群，以每個(gè)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)輸入到檢測(cè)網(wǎng)絡(luò)模型net所得血糖濃度預(yù)測(cè)值之間的均方根誤差為目標(biāo)函數(shù)，以在[0,1]的解空間內(nèi)取值的比例參數(shù)a作為例子的位置向量，利用粒子群算法優(yōu)化求解比例參數(shù)a，得到以目標(biāo)函數(shù)值最小為目標(biāo)的比例參數(shù)a的取值，從而確定用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net，由此所得到的檢測(cè)網(wǎng)絡(luò)模型net用于指示進(jìn)行人體無(wú)創(chuàng)血糖檢測(cè)的近紅外光譜數(shù)據(jù)與血糖濃度數(shù)據(jù)值之間的對(duì)應(yīng)關(guān)系。

得到檢測(cè)網(wǎng)絡(luò)模型之后，就能夠用以進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)，其檢測(cè)方法包括以下步驟：

a）獲取得到的檢測(cè)網(wǎng)絡(luò)模型net，所得到的檢測(cè)網(wǎng)絡(luò)模型net用于指示進(jìn)行人體無(wú)創(chuàng)血糖檢測(cè)的近紅外光譜數(shù)據(jù)與血糖濃度數(shù)據(jù)值之間的對(duì)應(yīng)關(guān)系；

b）對(duì)待測(cè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)，獲得待測(cè)個(gè)體對(duì)象的近紅外光譜數(shù)據(jù)；

c）將待測(cè)個(gè)體對(duì)象的近紅外光譜數(shù)據(jù)輸入到檢測(cè)網(wǎng)絡(luò)模型net中進(jìn)行計(jì)算，得到待測(cè)個(gè)體對(duì)象的血糖濃度數(shù)據(jù)值，作為待測(cè)個(gè)體對(duì)象的近紅外光譜無(wú)創(chuàng)血糖檢測(cè)結(jié)果。

可以看到，利用本發(fā)明所得的檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)時(shí)，只需要對(duì)待測(cè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜數(shù)據(jù)采集，便能夠得到近紅外光譜無(wú)創(chuàng)血糖檢測(cè)結(jié)果，操作簡(jiǎn)單方便，便于家庭的推廣使用。并且，該檢測(cè)網(wǎng)絡(luò)模型的訓(xùn)練不需要完全依靠比爾-朗伯定律的先驗(yàn)假設(shè)，直接從近紅外光譜數(shù)據(jù)和實(shí)測(cè)血糖濃度數(shù)據(jù)出發(fā)，構(gòu)建二者之間的對(duì)應(yīng)關(guān)系模型，利用該檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)具有較高檢測(cè)精度，能夠很好的滿足臨床應(yīng)用需求。

下面通過(guò)實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步的說(shuō)明。

實(shí)施例：

本實(shí)施例以多個(gè)志愿者作為檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練的個(gè)體對(duì)象，將人體手指的1550nm近紅外光譜經(jīng)過(guò)調(diào)理放大后，經(jīng)數(shù)據(jù)采集卡傳輸至計(jì)算機(jī)中進(jìn)行疊加平均濾波處理，得到1550nm單波長(zhǎng)近紅外光的近紅外光譜。具體采集時(shí)，1550nm近紅外光譜的采樣頻率為200hz，連續(xù)采樣15秒，將15秒的近紅外光譜疊加求平均作為最后人體血糖檢測(cè)的近紅外光譜數(shù)據(jù)。為了避免手指結(jié)構(gòu)差異性的影響，將1550nm近紅外光譜的測(cè)量部位固定為各個(gè)志愿者個(gè)體對(duì)象的左手食指。同時(shí)，分別對(duì)各個(gè)個(gè)體對(duì)象進(jìn)行有創(chuàng)血糖濃度檢測(cè)，因?yàn)橛袆?chuàng)血糖濃度的測(cè)量具有一定的創(chuàng)傷性，所以在檢測(cè)之前告知了志愿者可能存在的風(fēng)險(xiǎn)，在征得志愿者同意后，使用強(qiáng)生穩(wěn)豪倍易型血糖儀采集志愿者個(gè)體對(duì)象的血糖濃度。本實(shí)施例的檢測(cè)時(shí)段周期以天為單位，每一天（每一個(gè)檢測(cè)時(shí)段）對(duì)每個(gè)個(gè)體對(duì)象進(jìn)行一次或多次人體血糖的近紅外光譜檢測(cè)和有創(chuàng)血糖濃度檢測(cè)，并且在不同天（不同檢測(cè)時(shí)段）分別對(duì)各個(gè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜檢測(cè)和有創(chuàng)血糖濃度檢測(cè)，使得對(duì)每個(gè)個(gè)體對(duì)象在共采集得到14組血糖樣本數(shù)據(jù)組。

然后，按照本發(fā)明的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法，來(lái)訓(xùn)練用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型：

1）獲得上述多個(gè)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組候，將其中3個(gè)個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為訓(xùn)練樣本數(shù)據(jù)組，剩余個(gè)體對(duì)象的血糖樣本數(shù)據(jù)組作為測(cè)試樣本數(shù)據(jù)組。

2）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為自變量和因變量輸入到人工神經(jīng)網(wǎng)絡(luò)，并對(duì)該人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而得到一個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)；從而，針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段、以及各個(gè)不同個(gè)體對(duì)象的每個(gè)檢測(cè)時(shí)段，分別訓(xùn)練得到多個(gè)參數(shù)和結(jié)構(gòu)均確定的人工神經(jīng)網(wǎng)絡(luò)。該步驟具體為：

21）確定人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)和輸出層神經(jīng)元個(gè)數(shù)分別為1個(gè)。

以近紅外光譜數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的自變量，以相應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的自變量，所以輸入層神經(jīng)元和輸出層神經(jīng)元個(gè)數(shù)分別為1，如圖2所示。

22）針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的每個(gè)個(gè)體對(duì)象，將該個(gè)體對(duì)象在同一檢測(cè)時(shí)段內(nèi)檢測(cè)獲得的每個(gè)血糖樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)分別作為一個(gè)人工神經(jīng)網(wǎng)絡(luò)的自變量和因變量，針對(duì)人工神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元為不同個(gè)數(shù)的情況，分別采用量化共軛梯度法對(duì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并分別統(tǒng)計(jì)出隱含層神經(jīng)元為相同個(gè)數(shù)的每種情況下由各不同血糖樣本數(shù)據(jù)組對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所得的訓(xùn)練預(yù)測(cè)血糖值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值之間的均方根誤差，比較隱含層神經(jīng)元為不同個(gè)數(shù)的情況所對(duì)應(yīng)的均方根誤差，根據(jù)均方根誤差小于預(yù)設(shè)誤差閾值的最少隱含層神經(jīng)元數(shù)來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)，從而根據(jù)訓(xùn)練結(jié)果確定相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)。

如圖2所示，隱含層神經(jīng)元個(gè)數(shù)將會(huì)決定人工神經(jīng)網(wǎng)絡(luò)中參數(shù)w1、b1、w2、b2的維數(shù)，w1和w2為權(quán)重項(xiàng)、b1和b2為閾值項(xiàng)。本實(shí)施例中，利用訓(xùn)練樣本數(shù)據(jù)組中3個(gè)個(gè)體對(duì)象在一天（一個(gè)檢測(cè)時(shí)段）檢測(cè)獲得的血糖樣本數(shù)據(jù)組可訓(xùn)練3個(gè)人工神經(jīng)網(wǎng)絡(luò)，分別標(biāo)記為net1、net2、net3；表1示出了net1、net2、net3這3個(gè)人工神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元為不同個(gè)數(shù)的情況下進(jìn)行訓(xùn)練所對(duì)應(yīng)的均方根誤差。

表1人工神經(jīng)網(wǎng)絡(luò)net1、net2、net3中不同隱含層神經(jīng)元個(gè)數(shù)所對(duì)應(yīng)的均方根誤差

分析表1，第2列數(shù)據(jù)表明net1隱含層神經(jīng)元個(gè)數(shù)超過(guò)4以后，其均方根誤差變化趨勢(shì)不大；第3列數(shù)據(jù)表明net2隱含層神經(jīng)元個(gè)數(shù)為5時(shí)，其預(yù)測(cè)均方根誤差有顯著性的變化；同理對(duì)第4列數(shù)據(jù)進(jìn)行分析。由此，可以設(shè)定預(yù)設(shè)誤差閾值為1.00e-17；同時(shí)，為了減少模型的復(fù)雜度，防止“過(guò)擬合”現(xiàn)象的出現(xiàn)以及后續(xù)參數(shù)的對(duì)比，在均方根誤差小于預(yù)設(shè)誤差閾值的情況下，選擇最少隱含層神經(jīng)元數(shù)來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)，因此統(tǒng)一確定net1、net2、net3的隱含層神經(jīng)元個(gè)數(shù)為5個(gè)。然后，以隱含層神經(jīng)元個(gè)數(shù)為5個(gè)的情況所對(duì)應(yīng)的訓(xùn)練結(jié)果，確定相應(yīng)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)。

23）重復(fù)步驟21）~22），針對(duì)訓(xùn)練樣本數(shù)據(jù)組所對(duì)應(yīng)的3個(gè)個(gè)體對(duì)象，利用該3個(gè)個(gè)體對(duì)象在一天（一個(gè)檢測(cè)時(shí)段）檢測(cè)獲得的血糖樣本數(shù)據(jù)組，分別訓(xùn)練得到3個(gè)對(duì)應(yīng)的人工神經(jīng)網(wǎng)絡(luò)net1、net2、net3。

本實(shí)施例中，訓(xùn)練的到的3個(gè)人工神經(jīng)網(wǎng)絡(luò)net1、net2、net3各自的權(quán)重項(xiàng)參數(shù)和閾值項(xiàng)參數(shù)如下。

表2人工神經(jīng)網(wǎng)絡(luò)net1、net2、net3的參數(shù)（自變量為1/pd）

3）將各測(cè)試樣本數(shù)據(jù)組分別輸入到訓(xùn)練所得的各個(gè)人工神經(jīng)網(wǎng)絡(luò)中，分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)分別輸入到各個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值，并分別計(jì)算各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到每個(gè)人工神經(jīng)網(wǎng)絡(luò)所得的血糖濃度預(yù)測(cè)值相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差，用以分別判斷每個(gè)人工神經(jīng)網(wǎng)絡(luò)的血糖濃度預(yù)測(cè)準(zhǔn)確性，選取其中血糖濃度預(yù)測(cè)準(zhǔn)確性最優(yōu)和次最優(yōu)的兩個(gè)人工神經(jīng)網(wǎng)絡(luò)，分別標(biāo)記為netm和netn。

表3示出了各個(gè)測(cè)試樣本數(shù)據(jù)組輸入到net1、net2、net3這3個(gè)人工神經(jīng)網(wǎng)絡(luò)各自對(duì)應(yīng)的血糖濃度預(yù)測(cè)值相應(yīng)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值所存在的均方根誤差和相對(duì)誤差。

表3人工神經(jīng)網(wǎng)絡(luò)net1、net2、net3的均方根誤差（rmse）和相對(duì)誤差（p）對(duì)比分析

分析表3數(shù)據(jù)可以知道，net2的預(yù)測(cè)性能比較差，故而選擇net1和net3。分別作為netm和netn，即令netm=net1，netn=net3。

4）構(gòu)建用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net=a*netm+(1-a)*netn，其中a為檢測(cè)網(wǎng)絡(luò)模型net的比例參數(shù)。

5）一個(gè)每個(gè)測(cè)試樣本數(shù)據(jù)組作為一個(gè)粒子，從而以各個(gè)測(cè)試樣本數(shù)據(jù)組的集合作為粒子群，以每個(gè)測(cè)試樣本數(shù)據(jù)組中的有創(chuàng)血糖濃度數(shù)據(jù)值與相應(yīng)測(cè)試樣本數(shù)據(jù)組中的近紅外光譜數(shù)據(jù)輸入到檢測(cè)網(wǎng)絡(luò)模型net所得血糖濃度預(yù)測(cè)值之間的均方根誤差為目標(biāo)函數(shù)，以在[0,1]的解空間內(nèi)取值的比例參數(shù)a作為例子的位置向量，利用粒子群算法優(yōu)化求解比例參數(shù)a，得到以目標(biāo)函數(shù)值最小為目標(biāo)的比例參數(shù)a的取值，從而確定用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型net，由此所得到的檢測(cè)網(wǎng)絡(luò)模型net用于指示進(jìn)行人體無(wú)創(chuàng)血糖檢測(cè)的近紅外光譜數(shù)據(jù)與血糖濃度數(shù)據(jù)值之間的對(duì)應(yīng)關(guān)系。

分別用14組數(shù)據(jù)中的第1個(gè)數(shù)據(jù)樣本作為訓(xùn)練集，剩余數(shù)據(jù)樣本作為測(cè)試集，利用粒子群算法對(duì)模型參數(shù)a1進(jìn)行優(yōu)化，得到各組數(shù)據(jù)的最優(yōu)參數(shù)和均方根誤差，見(jiàn)表4。

表414組數(shù)據(jù)的最優(yōu)參數(shù)(mmol/l)

圖4表示的是本實(shí)施例中同一個(gè)個(gè)體對(duì)象不同天數(shù)的有創(chuàng)血糖濃度實(shí)測(cè)值和pso-2ann檢測(cè)網(wǎng)絡(luò)模型得到的血糖濃度預(yù)測(cè)值之間的擬合程度曲線圖，圖5表示的是本實(shí)施例中不同個(gè)體對(duì)象的有創(chuàng)血糖濃度實(shí)測(cè)值和pso-2ann檢測(cè)網(wǎng)絡(luò)模型得到的血糖濃度預(yù)測(cè)值之間的擬合程度曲線圖。圖4和圖5中，橫標(biāo)的標(biāo)注形式為“a-b-c”，其中a表示檢測(cè)的個(gè)體對(duì)象標(biāo)記符號(hào)，b表示檢測(cè)的天數(shù)標(biāo)記（檢測(cè)時(shí)段標(biāo)記），c表示相應(yīng)天數(shù)內(nèi)（相應(yīng)檢測(cè)時(shí)段內(nèi)）的血糖樣本數(shù)據(jù)組個(gè)數(shù)標(biāo)記；例如“subject6-0423-3”表示的是標(biāo)記為“subject6”的個(gè)體對(duì)象在第“0423”這一天內(nèi)檢測(cè)的第“3”個(gè)血糖樣本數(shù)據(jù)組。

為了進(jìn)一步說(shuō)明本發(fā)明pso-2ann檢測(cè)網(wǎng)絡(luò)模型的性能，分別使用均方根誤差（rmse）、相對(duì)誤差率（rer）和克拉克誤差曲線指標(biāo)（p）對(duì)其進(jìn)行描述。

表5本發(fā)明pso-2ann檢測(cè)網(wǎng)絡(luò)模型的性能指標(biāo)

對(duì)比表3和表5，可以看出，本發(fā)明的pso-2ann檢測(cè)網(wǎng)絡(luò)模型無(wú)論是在均方根誤差、相對(duì)誤差率還是相關(guān)系數(shù)上都比單一的人工神經(jīng)網(wǎng)絡(luò)性能更優(yōu)。在克服單個(gè)個(gè)體每天生理規(guī)律差異性和個(gè)體差異性上具有比較理想的效果。

圖6為本發(fā)明采用pso-2ann檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的方法的克拉克誤差網(wǎng)格分析圖，統(tǒng)計(jì)得到14組數(shù)據(jù)（共93個(gè)樣本點(diǎn)）落于a區(qū)域的點(diǎn)所占比重為64%，落于b區(qū)域所占比重為29%，落于ad臨界線上的點(diǎn)所占比重為7%。表明本發(fā)明基于pso-2ann檢測(cè)網(wǎng)絡(luò)模型的近紅外光譜無(wú)創(chuàng)血糖檢測(cè)方法具有較高的檢測(cè)精度。

綜上所述，本發(fā)明用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型訓(xùn)練方法，通過(guò)先利用近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)訓(xùn)練獲得多個(gè)人工神經(jīng)網(wǎng)絡(luò)，訓(xùn)練過(guò)程中的自變量是基于近紅外光譜數(shù)據(jù)，克服了現(xiàn)有近紅外無(wú)創(chuàng)血糖檢測(cè)技術(shù)中由于自變量太多導(dǎo)致的信息冗余的缺點(diǎn)，有助于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)技術(shù)的家用推廣；其次，考慮到儀器接口、光譜基線漂移及外界環(huán)境因素的影響，人體血糖濃度及其近紅外吸收光譜之間兼具線性和非線性關(guān)系，而人工神經(jīng)網(wǎng)絡(luò)對(duì)非線性關(guān)系的刻畫(huà)具有較好的性能，因此利用近紅外光譜數(shù)據(jù)及其對(duì)應(yīng)的有創(chuàng)血糖濃度數(shù)據(jù)訓(xùn)練獲得多個(gè)人工神經(jīng)網(wǎng)絡(luò)作為用于近紅外光譜無(wú)創(chuàng)血糖檢測(cè)的檢測(cè)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)；最后，外界環(huán)境、心情、精神狀態(tài)等因素導(dǎo)致單個(gè)個(gè)體每天的血糖變化規(guī)律存在差異性，年齡、性別以及地理環(huán)境等因素導(dǎo)致血糖存在個(gè)體差異性，為了更好的克服這些差異性，因此其訓(xùn)練過(guò)程以擇優(yōu)選取的兩個(gè)人工神經(jīng)網(wǎng)絡(luò)為模型的基本結(jié)構(gòu)，不需要完全依靠比爾-朗伯定律的先驗(yàn)假設(shè)，直接從近紅外光譜和實(shí)測(cè)血糖數(shù)據(jù)出發(fā)，構(gòu)建數(shù)據(jù)和結(jié)論之間的pso-2ann檢測(cè)網(wǎng)絡(luò)模型，并且檢測(cè)網(wǎng)絡(luò)模型中通過(guò)pso算法優(yōu)化兩個(gè)人工神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，能夠很好的滿足血糖無(wú)創(chuàng)檢測(cè)精度要求。利用本發(fā)明所得的pso-2ann檢測(cè)網(wǎng)絡(luò)模型進(jìn)行近紅外光譜無(wú)創(chuàng)血糖檢測(cè)時(shí)，只需要對(duì)待測(cè)個(gè)體對(duì)象進(jìn)行人體血糖的近紅外光譜數(shù)據(jù)采集，便能夠得到近紅外光譜無(wú)創(chuàng)血糖檢測(cè)結(jié)果，操作簡(jiǎn)單方便，便于家庭的推廣使用；并且，通過(guò)實(shí)驗(yàn)結(jié)果表明，本發(fā)明基于pso-2ann檢測(cè)網(wǎng)絡(luò)模型的近紅外光譜血糖無(wú)創(chuàng)檢測(cè)方法，一方面提高了檢測(cè)的精度，另一方面提升了模型的穩(wěn)健性和泛化能力。

最后說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。