引言

从1980年至今, 我国糖尿病患者呈现逐年递增趋势, 到2010年全国共有糖尿病患者约1.13亿人, 预计到2020年将超过2亿人, 目前我国糖尿病患者诊断率不足40%。由这些数据可知, 血糖值的检测对糖尿病患者和处于亚健康的群体有着重要的意义。目前, 血糖检测的主要方法还是传统的针扎式取血测量, 但传统扎针检测法具有较多缺点:让受测者有疼痛感, 体验较差; 每次都需要一条试纸, 仪器更换电池频繁, 测量成本较高; 需要有扎针、采血、测量等繁琐步骤, 操作不便; 试纸保存需要特定条件, 要与测试机器匹配。

目前自我血糖浓度监测一般是采用快速血糖仪进行测量, 由于该方法需要采集血样, 容易引起患者的生理疼痛并伴有感染的危险, 因此这种有创的测量方法在很大程度上限制了血糖测量的频率。

国内外无创血糖测量方法主要有以下几类:测量皮下渗出组织液中的血糖浓度、微波无创血糖检测、皮下植入传感器、人体的射频阻抗无创检测血糖值、利用唾液进行无创血糖检测、超声波血糖检测仪、聚光断层摄影、旋光法、激光拉曼光谱法、红外光谱法^[1]。其中光学和辐射方法中的红外光谱法是目前研究比较多的一种方法, 但这种技术单纯使用红外技术来检测血糖值, 由于数据单一, 同时测量环境对红外线的干扰较大, 导致单纯的红外光无法准确稳定地检测血糖值。

从国内外的公开研究资料和报道来看, 基于多波长的无创血糖检测具有良好的应用前景, 且在重复性和稳定性等方面还有很多值得我们去研究, 本文对一种多信息融合无创血糖检测数据处理方法进行研究。

1 无创血糖检测参数选取

如何采用无创血糖测试方法准确测量血糖值一直受到人们的广泛关注(包括测量那些参数来标定血糖值, 以及如何准确测量各种参数的方法)^[2-4]。葡萄糖在被人体消耗的过程中, 由于会消耗血液中氧气的同时还生成相应的热量, 因此可以采用能量守恒的办法间接测量血糖值。其中代谢产生能量的主要去向是与外界发生热交换^[4-5], 通过可见光和近红外双波段与人体血液中相互作用, 得出一个参数值, 用于血糖指标检测。目前, 无创血糖检测参数选取主要有血氧饱和度、心率(血液流速)、被测部位体表温度、被测部位热辐射温度及环境温度。血氧饱和度(SpO₂)表示血液中血氧的浓度, 它是呼吸循环的重要生理参数, 如果血糖异常影响呼吸功能的话, 会出现血氧饱和度偏低的情况; 心跳快慢与耗氧速度直接有关; 血糖代谢会释放能量, 产生热量, 使体表有温度; 体温会受到环境的影响, 测量环境温度可降低干扰; 光电检测中的红光和红外光有辐射, 因此还需考虑环境辐射温度, 被测部位辐射温度。因此选取这些参数作为血糖浓度的数据来源, 并对这些数据进行多信息融合算法探讨及处理。

2 数据预处理

多信息融和算法主要涉及数据预处理和模型建立。对采集的数据通过MATLAB进行处理, 以剔除原始数据中异常点造成结果不精确的影响。

由文献[6-7]可知, 选定的血氧饱和度指标与红外光(ir)和红光(red)透射率有关, 其中利用氧合血红蛋白(HbO₂)和血红蛋白(Hb)对红光和红外光吸收的差异, 可以得出两束光的吸收比率, 即特征值

(1)

式中:AC_red和DC_red分别为red透射光的交流成分和直流成分; AC_ir和DC_ir分别为ir透射光的交流成分和直流成分。SpO₂血氧饱和度作为应变量与自变量R满足一元二次方程关系, 因此我们通过采集红外光和红光经血样后的透射能量以获得R值。

在数据采集后, 发现每个样本的红外光透射能量在29 000个数据点中前5 000个和后5 000个数据都存在较大的异常波动。下面对MATLAB导出的一个样本的红外光透射图进行分析。

图 1为某一样本红外透射能量图, 由图可以看到29 000个数据点中, 中段(5 500~24 000)数据较为平稳, 前后5 000个数据点都出现较大范围的波动, 由于同一个样本数据采集的是同一人, 因此数据点偏差不应该过大。产生波动的原因是测量开始及结束时, 手指在传感器中在一个相对运动的状态, 此时记录数据为非正常工作状态。所以, 我们将输入红外光透射的前后5 000个数据点进行删除, 只截取中段数据, 最后得到有效红外光透射能量图, 如图 2所示。

由图 2可以看出, 除了个别异常点外, 相对图 1, 此时的数据点波动显然较小。

我们同时也将同一个样本的红光透射谱用MATLAB导出, 得到了图 3所示的手指透射red能量的全部数据。在图 3的29 000个数据点中, 中段(5 500~24 000)数据较为平稳, 前后5 000的数据点都出现较大范围的波动, 由于同一个样本数据采集的是同一人, 因此数据点偏差不应该过大。因此我们将前后5 000个数据点进行删除, 只截取中段数据, 最后得到图 4所示的有效红光透射能量图。由图 4可以看出, 除了个别异常点外, 相对图 3, 此时的透射能量波动显然较小, 仅在(1±0.025)×10⁶间波动。

现在我们将有效数据点的红外光和红光透射能量绘制在同一张图中, 如图 5所示。图中透射能量仍然存在一定的波动, 以下对其进一步处理。

首先标定红外光与红光透射能量的峰值点, 图 6为红光和红外光峰值点标定图。

由图 6可以看出, 前后两个数据点不如中段数据稳定, 因此, 我们同样剔除前后两个峰值点。接着用差分函数求相邻两个峰值点能量差求平均, 以及计算最大峰值与所有数据点透射能量的偏差后也用差分函数求相邻能量差求平均。最终的波动偏差由上述两种方法得出的结果取平均, 此时能量误差达到了4.5%左右。于是在对整体数据取平均时, 不会存在较大误差。

我们将测量的指尖温度作为体表温度。由于体温会受到环境的影响, 所以还需测量环境温度, 图 7是所测的体表温度与环境温度曲线。

体表温度应为此时人体指尖温度的一个测量值, 通过图 7我们可以发现, 在最后10个点时温度趋向稳定, 因此我们体表温度用最后10个点的均值表示。环境温度波动情况较小, 我们对其整段取均值。

与体表温度、环境温度分析同理, 测得的体表辐射能量和环境辐射能量如图 8所示。

体表辐射能量是人体指尖辐射能量的一个测量值, 通过图 8我们可以发现, 在最后10个点时辐射能量趋向稳定, 因此我们体表辐射能量用最后10个点的均值表示。环境辐射能量波动情况较小, 我们对其整段取均值。

3 多信息融合无创血糖检测数据处理方法

针对预处理后的血氧饱和度、心率、被测部位体表温度、被测部位热辐射温度、环境温度建立数学模型。由于变量之间存在相关性, 因此我们将对变量进行相关性分析, 之后进行主成分分析提取得分向量将结构简化^[8], 最终建模。

首先将这些参数和传统有创血糖仪检测数据进行标准化:

(1)

式中:m为自变量; n为数据点点数; E₀为标准化后的自变量(选取和血糖有关的6个参数)矩阵; F₀为标准化后的因变量(血糖)矩阵; x_j1(j=1, 2, …, n)为血氧饱和度; x_j2(j=1, 2, …, n)为心率; x_j3(j=1, 2, …, n)为被测部位体表温度; x_j4(j=1, 2, …, n)为被测部位热辐射温度; x_j5(j=1, 2, …, n)为环境温度; x_j6(j=1, 2, …, n)为环境辐射温度。然后进行以下5个步骤。

(1) 计算E₀第一成分的得分向量, 记为t₁:

(2)

式中w₁为权重, w₁=[w₁₁ … w_1m]^T。

t₁和F₀的协方差Cov(t₁, F₀)可用t₁和F₀的内积计算, 因而求解可化为Lagrange乘数法求条件极值问题, 于是有

(3)

设θ₁=w₁^TE₀^TF₀, 即求θ₁最大值, 设M=E₀^TF₀F₀^TE₀, M为正定矩阵, α为n维向量。取f(α)=α^TMα, λ为M的最大特征值, α₀为长为1的特征向量, f(α)在α=α₀时取最大值, 即f(α₀)=α₀^TMα₀=α₀^Tλα₀=λα₀^Tα₀=λ=α₀^TE₀^TF₀F₀^TE₀α₀。

θ₁=w₁^TE₀^TF₀则θ₁^T=F₀^TE₀w₁, 则θ₁²=θ₁*θ₁^T=(w₁^TE₀^TF₀)*(F₀^TE₀w₁)=w₁^TE₀^TF₀F₀^TE₀w₁

即w₁=α₀时, θ₁=w₁^TE₀^TF₀取得最大值。

(2) 假定回归模型为

(4)

式中:E₁和F₁为残差矩阵; α₁、β₁为模型效应负荷量, 它们的估计值为

(5)

(3) 用E₁和F₁代替E₀和F₀重复(2)步骤。

设E₀^′=t₁α₁^T, F₀^′=t₁β₁^T, 则E₁=E₀-E₀^′, F₁=F₀-F₀^′。如果F₁中矩阵元素近似为0, 则认为(2)模型的回归式已满足精度需求了, 否则用E₁和F₁代替E₀和F₀重复以上步骤。

(4) 设r(E₀) < min(n－1, m), 则存在r个成分t₁, t₂, …, t_r, 使得

(6)

即得多信息融合算法表达式

(7)

(5) 进行交叉有效性检验。

多信息融合算法可像主成分分析一样, 仅通过前l个成分(l≤r), 即可得到较好预测能力的回归模型。可通过交叉有效性检验来确定提取的主成分个数l。

抽取h个成分时y_i的预测误差平方和为, 有

(8)

记第i个样本点的预测值为, 定义y_i的误差平方和为, 有

(9)

定义为交叉有效性, 在每提出一个成分后, 均进行Q_h²检验, 若在提出的第h个成分有Q_h² < 0.097 5, 则本模型的精度已达到要求, 可停止提取。

4 测试结果与分析

为验证多信息无创血糖检测数据处理方法的正确性, 在附近医院对20~30岁之间的18名健康志愿者分别进行了测试。被测者在测量前一天晚上保证良好的睡眠, 在早上8:30左右接受测试。测量时, 要求被测者手指洁净干燥, 保持静坐姿势, 心情平静, 被测手指无大幅运动, 通过医用指夹将传感器固定在手指上, 并保持手掌平直。用无创血糖仪检测各项特征信息并经数据处理得到血糖浓度, 同时还采用医院的血液分析仪测量18名志愿者的血糖浓度并将其作为标准值, 测试数据如表 1所示。

图 9为无创测量与有创测量结果对比曲线。

通过对健康人体的测试发现, 利用本文所建数据处理模型得到无创血糖测量结果与传统的有创测量结果之间的相关系数达到了85.4%, 同时验证了血糖浓度与所选的几项人体特征信息具有相关性, 无创血糖检测系统可有效反映血糖浓度的动态变化趋势。

5 结论

本文以生物特征检测技术为基础, 研究了一种无创血糖检测数据处理方法, 经无创血糖检测与传统有创血糖仪检测对比, 同一测试者两种检测结果的相关系数达到了85.4%。目前无创血糖技术还不成熟还需要较长的研究, 后续将会继续对算法进行研究, 使测量准确性进一步提高。