本發明涉及計算機技術領域，尤其涉及一種基于分數階微分方程的血糖數據處理方法及裝置。

背景技術：

傳統的檢測血糖的儀器主要是大型生化分析儀和便攜式血糖儀兩類。這兩種測量儀均是有創檢測，不僅造成體表創口增加感染幾率，而且限制了檢測頻率，不適用于糖尿病患者。而隨著無創監測技術的發展，出現了無創血糖檢測儀，通過第一測量信號發射器往病人皮膚發射，再由探測器接收漫反射的第一測量信號來測量病人的血糖值。但是現有測量儀的測量準確性會隨源信號的變化而變化，信號容易受到周圍噪聲影響，造成血糖測量不準確，影響醫生評估病人病情。

技術實現要素：

本發明實施例提出一種基于分數階微分方程的血糖數據處理方法及裝置，解決因信號受到周圍噪聲影響而造成的測量結果不精準的問題。

本發明實施例提供一種基于分數階微分方程的血糖數據處理方法，包括：

獲取待測者的檢測數據和血糖數據庫中所述待測者的血糖數據；所述血糖數據庫設置在無創血糖檢測儀中；所述檢測數據由所述無創血糖檢測儀獲取；

根據所述檢測數據和所述血糖數據，建立分數階微分方程模型，并確定所述分數階微分方程模型在優化過程所需求解的參數矩陣；

創建噪聲優化問題，并根據所述噪聲優化問題的最優解，計算所述參數矩陣中的最優參數；所述噪聲優化問題用于過濾環境噪聲對所述分數階微分方程模型的影響；

根據所述優化參數和所述分數階微分方程模型，建立血糖估計模型；所述血糖估計模型用于根據所述待測者的檢測數據，輸出相應的血糖估計值。

進一步的，所述根據所述檢測數據和所述血糖數據，建立分數階微分方程模型，具體為：

所述檢測數據為由所述無創血糖檢測儀的傳感器收集的第一測量信號x_k(t)，所述血糖數據為y_k(t)，k是所述傳感器在第k個算子的頻率；

則建立的分數階微分方程模型為：

其中，k＝0,…,K-1；

定義S_k為分數階微分方程模型的輸出部分的非零階集合，T_k是包含了所有的階，a_p,k和b_q,k分別是輸出部分和輸入部分的相關參數，p和q為隨機數；

則所述分數階微分方程模型的分數微分算子為：

其中

進一步的，確定所述分數階微分方程模型在優化過程所需求解的參數矩陣，具體為：

設θ_a,k和θ_b,k為分數階微分方程的輸出和輸入系數的矢量，N_k為輸入輸出采樣的對數的總和；

令i＝0,…,N_k-1，則x_k(t)和y_k(t)為輸入和輸出的采樣，同時，令矢量d_y,k(t_i)為包含了輸出采樣的非零分數階導數，d_x,k(t_i)包含了輸入采樣的所有分數階導數，則關系式為：

y_k(t_i)+d_y,k(t_i)^Tθ_a,k＝d_x,k(t_i)^Tθ_b,k，i＝0，…，N_k-1，k＝0，…，K-1；

令d_k,i＝[d_y,k(t_i)^T -d_x,k(t_i)^T]^T和

則

令和

則D_kθ_k＝-y_k；

所述參數矩陣確認為

進一步的，創建噪聲優化問題，并根據所述噪聲優化問題的最優解，計算所述參數矩陣中的最優參數，具體為：

令所述參數矩陣和D＝diag(D₀,…,D_K-1)，則Dθ＝-y；

創建優化問題為：

令所述最優解為θ^*，則得出θ^*＝-(D^TD)^-1D^Ty；

根據所述最優解，計算獲得所述參數矩陣中的最優參數。

進一步的，，所述根據所述優化參數和所述分數階微分方程模型，建立血糖估計模型，具體為：

將所述優化參數代入所述分數階微分方程模型，建立所述血糖估計模型。

相應地，本發明實施例還提供一種基于分數階微分方程的血糖數據處理裝置，所述血糖數據處理裝置設置在無創血糖檢測儀中，所述血糖數據處理裝置包括：

數據獲取模塊，用于獲取待測者的檢測數據血糖數據庫中所述待測者的血糖數據；所述血糖數據庫設置在所述無創血糖檢測儀中；所述檢測數據由所述無創血糖檢測儀獲取；

第一模型建立模塊，用于根據所述檢測數據和所述血糖數據，建立分數階微分方程模型，并確定所述分數階微分方程模型在優化過程所需求解的參數矩陣；

噪聲優化模塊，用于創建噪聲優化問題，并根據所述噪聲優化問題的最優解，計算所述參數矩陣中的最優參數；所述噪聲優化問題用于過濾環境噪聲對所述分數階微分方程模型的影響；

和，第二模型建立模塊，用于根據所述優化參數和所述分數階微分方程模型，建立血糖估計模型；所述血糖估計模型用于根據所述待測者的檢測數據，輸出相應的血糖估計值。

進一步的，所述第一模型建立模塊包括：

第一模型建立單元，用于建立分數階微分方程模型；所述分數階微分方程模型為：

其中，k＝0,…,K-1；

所述檢測數據為由所述無創血糖檢測儀的傳感器收集的第一測量信號x_k(t)，所述血糖數據為y_k(t)，k是所述傳感器在第k個算子的頻率；

定義單元，用于定義S_k為分數階微分方程模型的輸出部分的非零階集合，T_k是包含了所有的階，a_p,k和b_q,k分別是輸出部分和輸入部分的相關參數，p和q為隨機數；

和，微分算子確定單元，用于確定所述分數階微分方程模型的分數微分算子；所述分數微分算子為：

其中

進一步的，所述第一模型建立模塊還包括：

參數矩陣確定單元，所述參數矩陣確定單元用于確定所述分數階微分方程模型在優化過程所需求解的參數矩陣，具體為：

設θ_a,k和θ_b,k為分數階微分方程的輸出和輸入系數的矢量，N_k為輸入輸出采樣的對數的總和；

令i＝0,…,N_k-1，則x_k(t)和y_k(t)為輸入和輸出的采樣，同時，令矢量d_y,k(t_i)為包含了輸出采樣的非零分數階導數，d_x,k(t_i)包含了輸入采樣的所有分數階導數，則關系式為：

y_k(t_i)+d_y,k(t_i)^Tθ_a,k＝d_x,k(t_i)^Tθ_b,k，i＝0，…，N_k-1，k＝0，…，K-1；

令d_k,i＝[d_y,k(t_i)^T -d_x,k(t_i)^T]^T和

則

令和

則D_kθ_k＝-y_k；

所述參數矩陣確認為

進一步的，所述噪聲優化模塊用于創建噪聲優化問題，并根據所述噪聲優化問題的最優解，計算所述參數矩陣中的最優參數，具體為：

令所述參數矩陣和D＝diag(D₀,…,D_K-1)，則Dθ＝-y；

創建優化問題為：

令所述最優解為θ^*，則得出θ^*＝-(D^TD)^-1D^Ty；

根據所述最優解，計算獲得所述參數矩陣中的最優參數。

進一步的，所述第二模型建立單元用于根據所述優化參數和所述分數階微分方程模型，建立血糖估計模型，具體為：

將所述優化參數代入所述分數階微分方程模型，建立所述血糖估計模型。

實施本發明實施例，具有如下有益效果：

本發明實施例提供的基于分數階微分方程的血糖數據處理方法及裝置，根據獲取的待測者檢測數據和數據庫預設的血糖數據，建立分數階微分方程模型，并確定其所需求解的參數矩陣，再結合噪聲優化問題進行優化，求出參數矩陣中的最優參數。最后根據最優參數和分數階微分方程模型，建立血糖估計模型，以此來得到準確的血糖估計值。相比于現有技術無創血糖儀直接根據檢測到的數據獲得血糖數據，本發明技術方案解決因信號受到周圍噪聲影響而造成的測量結果不精準的問題，提高血糖估計的精準性。

附圖說明

圖1是本發明提供的基于分數階微分方程的血糖數據處理方法的一種實施例的流程示意圖；

圖2是本發明提供了基于分數階微分方程的血糖數據處理裝置，的一種實施例的結構示意圖；

圖3是本發明提供的第一模型建立模塊的一種實施例的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

參見圖1，是本發明提供的基于分數階微分方程的血糖數據處理方法的一種實施例的流程示意圖，該方法包括步驟101至104，各步驟具體如下：

步驟101：獲取待測者的檢測數據和血糖數據庫中該待測者的血糖數據；血糖數據庫設置在無創血糖檢測儀中；檢測數據由所述無創血糖檢測儀獲取。

在本實施例中，血糖數據庫預先存儲該待測者或其他患者的檢測數據及其對應的血糖數據，如某病人前幾次測量的檢測數據和對應輸出的血糖值。該檢測數據由無創血糖檢測儀上的測量數據采集模塊獲取，測量數據采集模塊中的第一測量信號發射器往病人皮膚發射第一測量信號，并通過第一測量信號數據采集模塊中的傳感器接收漫反射的測量信號，再經光電轉換單元或電信號轉換單元和A/D轉換器把光信號或電信號轉換為數字信號，即檢測數據。另外，無創血糖檢測儀中設置有存儲模塊，用于存儲血糖數據庫。

本實施例中所述的第一測量信號包括所有可通過光電獲得測量數據的測量信號，如近紅外，電磁波，超聲波，生物阻抗,以及其它物理信號。以紅外線信號舉例，“第一測量信號”指“紅外光”，“測量數據采集模塊”指“紅外數據采集模塊”，“第一測量信號發射器”指“紅外發射器”，“第一測量信號數據采集模塊”指“紅外數據采集模塊”。作為本實施例的一種舉例，紅外數據采集模塊所獲取的紅外數據包括一個或多個不同的紅外線的光波譜。

步驟102：根據檢測數據和血糖數據，建立分數階微分方程模型，并確定分數階微分方程模型在優化過程所需求解的參數矩陣。

在本實施例中，根據檢測數據和血糖數據，建立分數階微分方程模型具體為：檢測數據為由所述無創血糖檢測儀的傳感器收集的第一測量信號x_k(t)，血糖數據為y_k(t)，k是傳感器在第k個算子的頻率；

則建立的分數階微分方程模型為：

其中，k＝0,…,K-1；

定義S_k為分數階微分方程模型的輸出部分的非零階集合，T_k是包含了所有的階，a_p,k和b_q,k分別是輸出部分和輸入部分的相關參數，p和q為隨機數且不一定是整數；

則所述分數階微分方程模型的分數微分算子為：

其中

在本實施例中，確定分數階微分方程模型在優化過程所需求解的參數矩陣，具體為：設θ_a,k和θ_b,k為分數階微分方程的輸出和輸入系數的矢量，假設系統的輸出輸入已經采樣，設N_k為輸入輸出采樣的對數的總和；

令i＝0,…,N_k-1，則x_k(t)和y_k(t)為輸入和輸出的采樣，同時，令矢量d_y,k(t_i)為包含了輸出采樣的非零分數階導數，d_x,k(t_i)包含了輸入采樣的所有分數階導數，則關系式為：

y_k(t_i)+d_y,k(t_i)^Tθ_a,k＝d_x,k(t_i)^Tθ_b,k，i＝0，…，N_k-1，k＝0，…，K-1；

令d_k,i＝[d_y,k(t_i)^T -d_x,k(t_i)^T]^T和

則

令和

則D_kθ_k＝-y_k；

所述參數矩陣確認為

步驟103：創建噪聲優化問題，并根據噪聲優化問題的最優解，計算參數矩陣中的最優參數；該噪聲優化問題用于過濾環境噪聲對分數階微分方程模型的影響。

在本實施例中，步驟103具體為：令所述參數矩陣和D＝diag(D₀,…,D_K-1)，則Dθ＝-y；

創建優化問題為：

令所述最優解為θ^*，則得出θ^*＝-(D^TD)^-1D^Ty；

根據所述最優解，計算獲得所述參數矩陣中的最優參數。

步驟104：根據優化參數和分數階微分方程模型，建立血糖估計模型；血糖估計模型用于根據待測者的檢測數據，輸出相應的血糖估計值。

在本實施例中，步驟104具體為：將優化參數代入所述分數階微分方程模型，建立所述血糖估計模型。該血糖估計模型可根據實際獲取的檢測數據得到優化后的血糖估計值，該血糖估計值避免了環境噪聲的干擾，數據更準確。

在本實施例中，在獲得血糖估計值后，還可以通過藍牙,WIFI或LIFI等無線傳輸技術，將血糖估計值發送給遠程客戶端。客戶端可以是手機、個人電腦或者平板電腦，實現了病人隨時監測血糖濃度值。

在本實施例中，本次測量的檢測數據和血糖估計值可以存儲在血糖數據庫中，以更新血糖數據庫中的數據，便于提高下次優化的精準性。

參見圖2，圖2是本發明提供了基于分數階微分方程的血糖數據處理裝置，的一種實施例的結構示意圖。如圖2所示，血糖數據處理裝置設置在無創血糖檢測儀中，該血糖數據處理裝置包括：數據獲取模塊201、第一模型建立模塊202、噪聲優化模塊203和第二模型建立模塊204。

作為本實施例的一種舉例，本血糖數據處理裝置除了設置在無創血糖檢測儀中，還可以設置成可穿戴在耳朵、手指、虎口、手腕、手臂、四肢、身體上的設備，只需該設備具備第一測量數據采集和用于存儲血糖數據庫的存儲等功能即能實現本發明技術方案。

數據獲取模塊201，用于獲取待測者的檢測數據血糖數據庫中待測者的血糖數據；該血糖數據庫設置在無創血糖檢測儀中；該檢測數據由無創血糖檢測儀獲取。

第一模型建立模塊202，用于根據檢測數據和血糖數據，建立分數階微分方程模型，并確定分數階微分方程模型在優化過程所需求解的參數矩陣。

噪聲優化模塊203，用于創建噪聲優化問題，并根據噪聲優化問題的最優解，計算參數矩陣中的最優參數；該噪聲優化問題用于過濾環境噪聲對分數階微分方程模型的影響。

第二模型建立模塊204，用于根據優化參數和所述分數階微分方程模型，建立血糖估計模型；該血糖估計模型用于根據待測者的檢測數據，輸出相應的血糖估計值。

作為本實施例的一種舉例，參見圖3，圖3是本發明提供的第一模型建立模塊的一種實施例的結構示意圖。如圖3所述，該第一模型建立模塊包括：第一模型建立單元301、定義單元302、微分算子確定單元303和參數矩陣確定單元304。

第一模型建立單元301用于建立分數階微分方程模型。該分數階微分方程模型為：

其中，k＝0,…,K-1；

檢測數據為由無創血糖檢測儀的傳感器收集的第一測量信號x_k(t)，血糖數據為y_k(t)，k是傳感器在第k個算子的頻率。

定義單元302用于定義S_k為分數階微分方程模型的輸出部分的非零階集合，T_k是包含了所有的階，a_p,k和b_q,k分別是輸出部分和輸入部分的相關參數，p和q為隨機數且不一定為整數。

微分算子確定單元303用于確定分數階微分方程模型的分數微分算子。分數微分算子為：

其中

參數矩陣確定單元304用于確定分數階微分方程模型在優化過程所需求解的參數矩陣，具體為：設θ_a,k和θ_b,k為分數階微分方程的輸出和輸入系數的矢量，N_k為輸入輸出采樣的對數的總和；

令i＝0,…,N_k-1，則x_k(t)和y_k(t)為輸入和輸出的采樣，同時，令矢量d_y,k(t_i)為包含了輸出采樣的非零分數階導數，d_x,k(t_i)包含了輸入采樣的所有分數階導數，則關系式為：

y_k(t_i)+d_y,k(t_i)^Tθ_a,k＝d_x,k(t_i)^Tθ_b,k，i＝0，…，N_k-1，k＝0，…，K-1；

令d_k,i＝[d_y,k(t_i)^T -d_x,k(t_i)^T]^T和

則

令和

則D_kθ_k＝-y_k；

該參數矩陣確認為

在本實施例中，噪聲優化模塊203用于創建噪聲優化問題，并根據所述噪聲優化問題的最優解，計算所述參數矩陣中的最優參數，具體為：

令參數矩陣和D＝diag(D₀,…,D_K-1)，則Dθ＝-y；

創建優化問題為：

令最優解為θ^*，則得出θ^*＝-(D^TD)^-1D^Ty；

根據最優解，計算獲得參數矩陣中的最優參數。

在本實施例中，第二模型建立單元204用于根據優化參數和分數階微分方程模型，建立血糖估計模型，具體為：將優化參數代入分數階微分方程模型，建立血糖估計模型。

由上可見，本發明實施例提供的基于分數階微分方程的血糖數據處理方法及裝置，根據獲取的待測者檢測數據和數據庫預設的血糖數據，建立分數階微分方程模型，并確定其所需求解的參數矩陣，再結合噪聲優化問題進行優化，求出參數矩陣中的最優參數。最后根據最優參數和分數階微分方程模型，建立血糖估計模型，以此來得到準確的血糖估計值。相比于現有技術無創血糖儀直接根據檢測到的數據獲得血糖數據，本發明技術方案解決因信號受到周圍噪聲影響而造成的測量結果不精準的問題，提高血糖估計的精準性。

進一步的，本發明提供的血糖數據處理裝置可以將優化的血糖值發送給遠程客戶端，實現病人隨時監測血糖濃度值，便于用戶監測。

以上所述是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護范圍。