基于時(shí)頻域綜合分析的無(wú)創(chuàng)血糖檢測(cè)技術(shù)研究

陳劍虹, 任軍怡, 楊 佳, 郭亞亞, 喬衛(wèi)東

西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院, 陜西 西安 710048

引 言

自1969年Tom Clemens發(fā)明出第一臺(tái)血糖儀以來(lái), 血糖檢測(cè)技術(shù)已歷經(jīng)多次改革發(fā)展, 目前普及的血糖檢測(cè)手段采用微創(chuàng)式自我血糖監(jiān)測(cè)(self-monitoring of blood glucose, SMBG), 這種檢測(cè)手段無(wú)法實(shí)現(xiàn)血糖連續(xù)監(jiān)測(cè), 且會(huì)給受測(cè)者帶來(lái)疼痛, 操作不當(dāng)甚至?xí)l(fā)感染[1-2]。 隨著科學(xué)技術(shù)的發(fā)展, 無(wú)創(chuàng)血糖檢測(cè)技術(shù)作為一種不損傷人體組織間接測(cè)量血液中葡萄糖含量的方法, 其安全、 快捷、 無(wú)痛苦的特點(diǎn), 吸引了大量國(guó)內(nèi)外學(xué)者對(duì)其進(jìn)行研究[3]。 目前該技術(shù)主要分為光學(xué)技術(shù)和非光學(xué)技術(shù)兩種, 其中基于光學(xué)技術(shù)的光譜分析對(duì)無(wú)創(chuàng)血糖檢測(cè)具有優(yōu)異的解釋性[4-5]。 相較于其他光譜學(xué)方法, 近紅外光譜學(xué)在無(wú)創(chuàng)血糖檢測(cè)研究中局限性小, 已取得了廣泛進(jìn)展[6]。 因此使用基于近紅外的光學(xué)傳感器來(lái)確定血糖含量的非侵入性解決方案是本研究的主要關(guān)注點(diǎn)。

光電容積脈搏波描記法[7]是一種通過(guò)光電檢測(cè)的方式無(wú)創(chuàng)測(cè)量生物組織中血液容積變化的方法, 脈搏波由心臟搏動(dòng)沿血管向外傳播形成, 其中包含許多心血管等微循環(huán)信息[8]。 Hina等基于一種256快速傅里葉變換(fast Fourier transform, FFT)的二維結(jié)構(gòu), 利用高斯過(guò)程回歸模型(Gaussian process regression, GPR)在現(xiàn)場(chǎng)可編程門(mén)陣列(field programmable gate array, FPGA)上對(duì)光電容積脈搏波信號(hào)(photoplethysmography, PPG)特征進(jìn)行提取, 預(yù)測(cè)了血糖水平, 該系統(tǒng)成為第一個(gè)實(shí)現(xiàn)單波長(zhǎng)近紅外光波譜用于血糖水平監(jiān)測(cè)的FPGA系統(tǒng)[9]。 劉光達(dá)等利用近紅外雙波系統(tǒng)采集光電容積脈搏波信號(hào)以最小二乘方法建立了單人血糖回歸模型[10]。 Zhang等結(jié)合PPG信號(hào)中提取出的生理特征與環(huán)境參數(shù)利用支持向量機(jī)建立了無(wú)創(chuàng)血糖回歸模型[11]。 陳劍虹等通過(guò)將光電容積脈搏波信號(hào)進(jìn)行頻譜分解, 篩選出與葡萄糖分子基團(tuán)振動(dòng)吸收相關(guān)聯(lián)的頻率信號(hào)的光譜分量, 以此建模, 有效地估計(jì)了血糖水平值[12]。 上述研究證明了光電容積脈搏波信號(hào)確實(shí)存在對(duì)血糖進(jìn)行理論估計(jì)的特征量, 但均是在單一時(shí)間域或者頻率域?qū)ふ姨囟▍⒘窟M(jìn)行建模, 并未考慮信號(hào)的綜合分析。

本文結(jié)合光電容積脈搏波描記法和近紅外光檢測(cè)手段, 提出一種基于時(shí)頻域綜合分析的無(wú)創(chuàng)血糖檢測(cè)新方法。 該方法不僅彌補(bǔ)了PPG時(shí)域信號(hào)與血糖相關(guān)性較弱的不足, 還對(duì)采集信號(hào)的時(shí)域與頻域進(jìn)行了綜合考量。 分別提取時(shí)間域、 頻率域的特征參量研究其與血糖濃度的變化關(guān)系, 提取各個(gè)域與血糖相關(guān)程度較高的特征參數(shù)進(jìn)行機(jī)器學(xué)習(xí)建模, 將有創(chuàng)采集的血糖濃度作為評(píng)估標(biāo)準(zhǔn)。 口服葡萄糖耐量試驗(yàn)(oral glucose tolerance test, OGTT)結(jié)合Parkers CEG分析結(jié)果表明了該無(wú)創(chuàng)血糖檢測(cè)技術(shù)測(cè)定血糖值的可行性。

1 PPG信號(hào)時(shí)頻域分析

1.1 時(shí)域分析

提取多周期PPG信號(hào)特征參數(shù)時(shí), 通常利用常規(guī)方法求取全部周期特征參數(shù)均值。 該方法一方面增加了數(shù)據(jù)運(yùn)算量, 另一方面容易誤選PPG信號(hào)的失真波形導(dǎo)致提取特征點(diǎn)的誤差增大。 如圖1所示即為包含“失真”波形的PPG信號(hào)。

圖1 包含“失真”波形的PPG信號(hào)

聚類分析是一種無(wú)監(jiān)督的分類方法, 將數(shù)據(jù)劃分為多個(gè)不相交的集合, 每個(gè)集合稱為一個(gè)簇[13]。 劃分之后, 每個(gè)簇可能有一定特征或?qū)傩? 使得簇內(nèi)相似性高、 簇間相似性低[14]。 本文使用經(jīng)典的K_means算法, 根據(jù)輪廓系數(shù)確定分類簇?cái)?shù)k, 以DB指數(shù)評(píng)估分類結(jié)果。 對(duì)PPG信號(hào)進(jìn)行聚類運(yùn)算, 選取脈搏波代表波形。 具體流程框圖如圖2所示。

圖2 K-Means算法流程圖

分析脈搏波走勢(shì)及波形特征, 選擇以hb、hf、S3作為提取代表脈搏波的性能參數(shù), 如圖3所示。 其中hb與hf分別表示主波峰值[15]、 重搏波峰值,S3則表示脈搏波起始點(diǎn)到重搏波起始點(diǎn)面積Stabftf與單周期脈搏波總面積Stabfta′的比值。

圖3 PPG時(shí)域分析的特征參數(shù)圖

原脈搏波特征值、 人工去除“失真”波形特征值及聚類之后的特征值如表1所示。

表1 原始PPG、 去除“失真”P(pán)PG、 聚類PPG的特征值

常規(guī)方法受失真波形影響, 性能參數(shù)hb的計(jì)算均值結(jié)果為80.71mV。 人工去除失真波形消除其引起的偶然誤差后,hb均值為84.29 mV。 通過(guò)聚類運(yùn)算選取第6個(gè)周期的波形為代表波形, 該波形的hb值為83.74 mV、hf為44.38 mV、S3為0.54。 對(duì)比常規(guī)方法, 聚類分析結(jié)果更接近人為剔除失真波形后的數(shù)值, 有效減小了采集過(guò)程中由失真波形造成的特征點(diǎn)提取偏差。

通過(guò)聚類分析, 提取到脈搏波序列代表周期, 從代表周期中選取特征值點(diǎn)。 計(jì)算血糖值與各參數(shù)的相關(guān)程度如表2所示。

表2 血糖值與特征參數(shù)相關(guān)性分析結(jié)果

表2中, 時(shí)間參數(shù)相關(guān)性總體高于其他類型參數(shù), 因此選擇相關(guān)性較高的特征參數(shù)ta′,hb,t2作為提取的時(shí)域特征參數(shù)。

1.2 頻域分析

傅里葉變換能直觀反應(yīng)時(shí)域信號(hào)頻率特性, 將信號(hào)分解成基頻倍頻等各頻率分量的簡(jiǎn)諧振動(dòng)[16]。 在已知人體血糖值變化趨勢(shì)的前提下, 從快速傅里葉變換后的頻譜圖中獲取與其變化相關(guān)的頻率分量信息。 通過(guò)分析13組樣本(OGTT實(shí)驗(yàn))的脈搏波信號(hào)與血糖值, 得到頻率分量的幅值與血糖相關(guān)性如表3所示。

表3 血糖值與頻域特征參數(shù)相關(guān)性分析結(jié)果

表3反映出不同個(gè)體的頻率分量與血糖相關(guān)性在一定范圍內(nèi)波動(dòng), 所以選取1.17與2.15 Hz處對(duì)應(yīng)幅值作為特征參數(shù)的一部分, 分別用Af1,Af2表示。

由于頻譜譜峰對(duì)應(yīng)不同器官的能量[17], 因此從頻譜圖中提取前六個(gè)波峰的頻率及其對(duì)應(yīng)幅值, 分析譜峰與血糖值的變化關(guān)系。 在這一過(guò)程中發(fā)現(xiàn)各譜峰之間顯著相關(guān), 若選擇全部峰值作為特征參數(shù), 會(huì)使后續(xù)分析中攜帶重復(fù)信息, 為此采用主成分分析法降維使得較少的變量攜帶大部分的譜峰信息。 通過(guò)對(duì)23組數(shù)據(jù)6個(gè)譜峰信息進(jìn)行主成分分析, 得前兩個(gè)主成分的累計(jì)可信度已達(dá)90.12%, 如表4所示, 由此選擇兩個(gè)主成分PC1, PC2作為另一部分的頻域特征參數(shù)來(lái)表示譜峰的主要信息。

表4 主成分累計(jì)可信度

頻域分析采取快速傅里葉變換, 通過(guò)相關(guān)性分析和主成分分析, 最終選取Af1,Af2, PC1, PC2作為頻域特征參數(shù)。

2 實(shí)驗(yàn)部分

血糖預(yù)測(cè)模型的建立: 神經(jīng)網(wǎng)絡(luò)是具有相互連接節(jié)點(diǎn)的計(jì)算系統(tǒng), 通過(guò)模仿生物大腦中神經(jīng)元傳遞信號(hào)的方式進(jìn)行運(yùn)算, 其學(xué)習(xí)過(guò)程是一個(gè)對(duì)超參數(shù)、 權(quán)值和閾值不斷調(diào)整的過(guò)程。 對(duì)于BP神經(jīng)網(wǎng)絡(luò), 調(diào)整權(quán)值閾值的方法是將網(wǎng)絡(luò)輸出誤差反向傳播, 根據(jù)梯度下降原則對(duì)參數(shù)進(jìn)行調(diào)整。 通過(guò)對(duì)光電容積脈搏波信號(hào)進(jìn)行時(shí)頻域綜合分析, 本文選取7個(gè)特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入實(shí)現(xiàn)對(duì)于血糖濃度值的預(yù)測(cè), 將真實(shí)血糖濃度值作為標(biāo)準(zhǔn), 建立脈搏波特征參數(shù)與血糖值的函數(shù)映射關(guān)系, 構(gòu)建出初級(jí)血糖檢測(cè)模型。

遺傳算法通過(guò)模擬自然遺傳原理, 種群中的個(gè)體進(jìn)行基因重組、 突變, 經(jīng)歷數(shù)次迭代不斷靠近問(wèn)題最優(yōu)解[18], 其無(wú)需外在信息, 適用于優(yōu)化連續(xù)、 離散以及多目標(biāo)問(wèn)題, 具備高速、 高效、 擴(kuò)展性好的優(yōu)點(diǎn)[19]。 而B(niǎo)P神經(jīng)網(wǎng)絡(luò)收斂速度慢, 易造成過(guò)擬合現(xiàn)象, 為了改進(jìn)網(wǎng)絡(luò)的綜合能力, 通過(guò)遺傳算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值, 使得神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)結(jié)果[20]。 其算法流程如圖4所示。

圖4 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型流程圖

通過(guò)10折交叉驗(yàn)證確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù), 網(wǎng)絡(luò)輸入層個(gè)數(shù)為7、 隱含層節(jié)點(diǎn)數(shù)為9、 輸出層為1; 學(xué)習(xí)速率為0.007, 迭代次數(shù)為5 000次, 根據(jù)實(shí)際預(yù)測(cè)需求設(shè)置模型誤差為0.01; 72個(gè)權(quán)值, 10個(gè)閾值, 因此遺傳算法個(gè)體編碼長(zhǎng)度為82。 從實(shí)測(cè)數(shù)據(jù)中隨機(jī)將樣本劃分為3∶1∶1, 獲取213組訓(xùn)練集訓(xùn)練模型, 71組驗(yàn)證集來(lái)選擇最優(yōu)模型, 最終將71組測(cè)試集用來(lái)評(píng)估模型誤差。 為更好地減小預(yù)測(cè)誤差, 將模型輸出誤差之和作為個(gè)體的適應(yīng)度值。

具體算法步驟如下所示:

(1) 種群初始化; 主要包括需要進(jìn)行調(diào)整優(yōu)化的權(quán)值、 閾值以及編碼方式, 為了便于計(jì)算采用實(shí)數(shù)進(jìn)行編碼。 種群規(guī)模為10; 進(jìn)化次數(shù)選擇20次; 交叉概率為0.3; 變異概率為0.2。

(2) 確定適應(yīng)度函數(shù); 將模型預(yù)測(cè)的絕對(duì)誤差E和作為適應(yīng)度值F, 具體公式如式(1), 由此式可以計(jì)算每個(gè)個(gè)體的適應(yīng)度值。

F=kE

(1)

式(1)中,k為系數(shù)。

(3) 選擇操作; 使用比例選擇方法, 適應(yīng)度越好的個(gè)體被選擇的幾率越大, 最終適應(yīng)度較優(yōu)的個(gè)體組成新的種群。

(4) 采用實(shí)數(shù)交叉法, 將第k個(gè)染色體ak和第l個(gè)染色體al在j位的交叉, 得到新的個(gè)體。

(5) 選取第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異, 得到新的個(gè)體。

(6) 判斷結(jié)果是否滿足約束條件, 進(jìn)化是否結(jié)束, 否返回步驟2, 是則記錄最優(yōu)個(gè)體適應(yīng)度值。

(7) 將進(jìn)化產(chǎn)生的最優(yōu)個(gè)體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、 閾值。

(8) 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最終血糖值。

對(duì)BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集、 驗(yàn)證集和測(cè)試集進(jìn)行誤差分析, 從平均絕對(duì)誤差和均方根誤差兩個(gè)指標(biāo)評(píng)估各模型誤差如表5所示。 對(duì)比結(jié)果可以看到遺傳算法優(yōu)化之后的BP神經(jīng)網(wǎng)絡(luò)更加穩(wěn)定, 預(yù)測(cè)結(jié)果的平均絕對(duì)誤差與均方根誤差均有減小, 提升了模型的預(yù)測(cè)效果。

表5 BP神經(jīng)網(wǎng)絡(luò)模型誤差與GA-BP神經(jīng)網(wǎng)絡(luò)模型誤差

3 結(jié)果與討論

口服葡萄糖耐量試驗(yàn)(OGTT)基于人體的生理化學(xué)反應(yīng), 檢測(cè)人體對(duì)葡萄糖的負(fù)載能力。 實(shí)驗(yàn)時(shí)配制250 mL含有75 g葡萄糖的溶液, 5 min內(nèi)飲盡, 檢測(cè)葡萄糖直接進(jìn)入血液的血糖濃度變化情況。 整個(gè)實(shí)驗(yàn)過(guò)程持續(xù)2 h, 每隔5 min采集被測(cè)者的血糖數(shù)據(jù)與脈搏波數(shù)據(jù), 脈搏波數(shù)據(jù)是由指夾式脈搏波傳感器采集到的光電容積脈搏波, 血糖數(shù)據(jù)采用德國(guó)羅氏血糖儀測(cè)得。 整個(gè)實(shí)驗(yàn)期間要求實(shí)驗(yàn)者不準(zhǔn)進(jìn)食、 如廁, 盡可能避免血液中其他成分變化產(chǎn)生干擾。

本次實(shí)驗(yàn)征集了85名年齡介于20～55歲之間的志愿者, 包含25名女性、 60名男性, 對(duì)志愿者進(jìn)行OGTT實(shí)驗(yàn)與PPG信號(hào)檢測(cè), 采集PPG信號(hào)的長(zhǎng)度定為30s, 設(shè)備的采樣頻率為 200 Hz。 采集PPG信號(hào)前被試者靜坐5 min, 采集過(guò)程中被試者保持平靜。 采集完P(guān)PG信號(hào)后立刻測(cè)定被試者血糖, 保證采集數(shù)據(jù)的時(shí)間對(duì)應(yīng)性, 實(shí)驗(yàn)共采集數(shù)據(jù)355組, 其中以血糖儀同步采集的血糖值分布范圍如圖5所示。

圖5 血糖樣本分布圖

將血糖值作為真值, 通過(guò)分析無(wú)創(chuàng)檢測(cè)系統(tǒng)采集的PPG信號(hào)獲得血糖預(yù)測(cè)值。 GA-BP神經(jīng)網(wǎng)絡(luò)輸出的實(shí)際血糖值與模型預(yù)測(cè)血糖值如圖6所示。

圖6 血糖濃度預(yù)測(cè)值和實(shí)際值的擬合程度

目前Parkers CEG已成為自我血糖檢測(cè)的行業(yè)標(biāo)準(zhǔn), 它不僅可以評(píng)價(jià)測(cè)試結(jié)果且可分析該方法的臨床風(fēng)險(xiǎn)。

由圖7可以看出, 血糖濃度值預(yù)測(cè)結(jié)果80.3%均在網(wǎng)格的A區(qū)域臨床準(zhǔn)確區(qū), 19.7%在網(wǎng)格的B區(qū)域臨床可接受區(qū)。 說(shuō)明本文所建立的血糖模型預(yù)測(cè)的血糖濃度值均在可接受范圍內(nèi), 未出現(xiàn)誤檢現(xiàn)象。 因?yàn)椴杉瘶颖緜€(gè)體差異性較大, 本結(jié)果證實(shí)基于近紅外檢測(cè)技術(shù)及光電容積脈搏波信號(hào)檢測(cè)血糖的可行性, 通過(guò)時(shí)頻域綜合分析及特征參數(shù)提取, 使得該普適性較高的無(wú)創(chuàng)檢測(cè)系統(tǒng)具有較為理想的測(cè)量精度和穩(wěn)定性。

圖7 血糖模型的Parkers CEG網(wǎng)格誤差圖

4 結(jié) 論

提出一種基于光電容積脈搏波時(shí)頻域綜合分析的無(wú)創(chuàng)血糖檢測(cè)新方法。 對(duì)信號(hào)進(jìn)行時(shí)頻域綜合分析, 通過(guò)聚類算法提取脈搏波的代表波形。 提取23個(gè)特征參數(shù)進(jìn)行分析, 選取其中與血糖值相關(guān)性較高的三個(gè)特征參數(shù)ta′,hb,t2作為時(shí)域特征參數(shù)。 頻域分析采取快速傅里葉變換, 通過(guò)相關(guān)性分析和主成分分析, 選取四個(gè)特征參數(shù)Af1,Af2, PC1, PC2作為頻域特征參數(shù), 綜合時(shí)頻域特征參數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)血糖檢測(cè)模型, 使用遺傳算法優(yōu)化模型。 實(shí)驗(yàn)結(jié)果表明血糖預(yù)測(cè)模型的平均絕對(duì)誤差MAE為1.13 mmol·L-1, 均方根誤差RMSE為1.42 mmol·L-1。 彌補(bǔ)了時(shí)域信號(hào)與血糖相關(guān)性較弱的不足, 結(jié)合共識(shí)網(wǎng)絡(luò)柵格誤差分析, 該無(wú)創(chuàng)血糖檢測(cè)系統(tǒng)完全滿足日常自我監(jiān)測(cè)血糖需求。 后續(xù)將嘗試?yán)么四Ｐ蛯?duì)臨床采集的糖尿病患者數(shù)據(jù)進(jìn)行監(jiān)測(cè)。