文摘

糖尿病是一种严重威胁人类健康。因此,研究无创血糖检测已成为至关重要的本地和海外。近红外透射光谱无创血糖检测中具有重要的应用价值。提取有用的信息并选择合适的建模方法可以提高预测模型的鲁棒性和准确性的血糖浓度。因此,提出一种改进的信号重建和标定建模方法在这项研究中。的基础上改进的完整的集成经验模态分解与自适应噪声(CEEMDAN)和相关系数,选择敏感的固有模式函数重建光谱信号的校准模型使用支持向量回归(SVR)的方法。SVR的径向基函数内核被选中,和三个参数,即不敏感损失系数 惩罚参数 ,和宽度系数 ,事先确定相应的模型。粒子群优化(PSO)采用优化的同时选择三个参数。比较实验结果使用PSO-SVR和偏最小二乘回归表明,该信号重构方法是可行的,可以消除噪声的光谱信号。模型使用PSO-SVR方法的预测精度也发现比其他方法近红外无创血糖检测。

1。介绍

糖尿病是一种慢性疾病,对人类健康构成了严重的威胁。根据国际糖尿病联合会(IDF) 2014年,糖尿病影响世界各地的3.87亿人,这个数字预计将增加到5.92亿年的2035 (1]。糖尿病、癌症和心血管疾病死亡的主要原因是自2005年以来,(2]。目前,糖尿病治疗通过检测血糖浓度调整降糖药物的剂量,因此控制血糖水平,防止和减少糖尿病及其并发症的症状(3]。血糖浓度的准确检测是重要的糖尿病预防和治疗。

糖尿病监测通常是在医院或通过自我监控(4];一般糖尿病监测包括入侵检测,使用大量的生化试剂,需要长时间的测试,导致不可避免的痛苦和不便的病人。相比之下,无创血糖检测(5- - - - - -7)提供了许多优点,如分析速度快、无创伤,成本低,环境友好。非侵入式光学检测技术(8- - - - - -10)是一个重要的研究课题领域的无创血糖检测。自1970年代以来,科学家们应用光学来确定人体的化学成分。非侵入式光学检测技术包括各种方法,如近红外光谱(11,12)、红外光谱(13],偏振测定[14],造影[15),拉曼光谱(16,光散射系数法(17]。

近红外光的波长,这变化从780纳米到2526纳米之间的电磁波是可见光和中红外光线可以穿透人体皮肤和组织。血糖浓度之间存在良好的线性相关和近红外光谱的吸收。近年来,近红外光谱测量已广泛采用,因此成为快速发展的技术进行分析,特别是在医学应用(11,18,19]。对近红外光谱结合化学计量学的研究被认为是一个有效的血糖浓度的无创检测方法11,20.]。

经验模态分解(EMD),这是一种自适应时间频率数据分析方法,广泛应用于非稳定和非线性系统21]。然而,混合模式发生在EMD。例如,不同的振荡存在于相同的固有模态函数(IMF),或类似的振动中存在不同的货币。这个问题是解决集成经验模态分解(EEMD),雇佣了EMD集成信号与高斯白噪声(22]。然而,与添加噪声信号会产生不同数量的货币,和重建信号分解后含有残留噪声。在互补的整体经验模态分解(CEEMD),它可以完全消除残余噪声在重构信号23),对积极和消极的声音被添加到一个信号来改善原始噪声辅助方法的效率。EEMD或CEEMD将产生错误成分组件,并通过分解获得的货币可能无法满足国际货币基金组织的定义,当参数选择是无效的。解决这些限制与另一个噪声辅助算法,称为CEEMDAN,用于实现一个精确重建原始信号和纯光谱分解模式(24]。迭代的CEEMDAN不到EEMD迭代的一半。此外,CEEMDAN可以精确地重构原始信号和恢复的特点缺乏EEMD EMD。然而,CEEMDAN仍然有一些需要改进的问题;例如,模式包含一些残留噪声,信号显示了一些虚假的信息模式的早期阶段分解(25]。为了克服这两个问题,改进CEEMDAN方法应用于本文获取模式,并更少的噪音和更多的物理意义。

EMD-based方法可以将信号分解成一系列的货币基金模式包含的模式和信息。因此,它可以是强大的自适应工具提取敏感的固有模式函数来重构信号。问题是如何选择敏感模式区分相关货币基金和无关紧要的货币在一个有效的方法。文献[26)使用一个连续模拟方法基于均方误差(CMSE)标准。信号的重构模式的标准是最小的。在[27),作者提出了一个直观的选择模式方法的一个新标准基于豪斯多夫距离(HD)。此外,(28]介绍了互信息(MI),选择敏感的货币可以反映信号特征信号重建。本文相关系数用于选择相关货币基金来提取有用的光谱信息。

在1994年提出的化学计量学,保护好(29日),采用多元统计分析的校准方法和计算技术来计算每个组件的示例内容结合近红外光谱。常见的线性化学计量学建模方法包括多元线性回归、主成分回归、偏最小二乘(PLS)回归。非线性建模方法的例子包括人工神经网络和支持向量回归(SVR)。一般来说,选择参数建模的过程和方法。SVR可以获得全局最优解在频谱检测和转换的线性回归到非线性回归,以及核函数的线性映射高维空间。SVR的基本原则,这是一个由支持向量机回归方法,是将原始数据映射到高维特征空间通过非线性映射和建立回归模型。在近红外光谱定量分析应用SVR建模产生了良好的效果。常用的核函数包括线性核函数,多项式核函数,径向基核函数和乙状结肠内核函数。许多研究和实验表明,径向基核函数更可取的选择如果先前的知识是不够的。粒子群优化(PSO)提出了SVR方法选择 , , 同时进行。结果显示与PSO-SVR满意的学习精度和泛化能力。

本文组织如下。部分2提供了一个基于改进CEEMDAN光谱重建方法的描述和PSO-SVR模型。CEEMDAN算法,改善了CEEMDAN算法,相关系数,算法,SVR。部分3介绍了近红外光谱实验解决方案和葡萄糖的结果不同的建模方法。部分4提出了研究的结论。

2。方法

2.1。CEEMDAN算法

CEEMDAN是EEMD的基础。因此,EEMD方法的分解理论是描述第一(24]。(1)集 ,在那里 是一个不同的高斯白噪声。(2)模式 每一个 可以通过EMD,哪里 代表模式。(3)的 th模式 被设置为 和相应的平均水平 是

在EEMD,每个独立分解 产生的残渣 。然而,被称为分解模式 ,第一个渣 ,在那里 通过雇佣EEMD。 结果的平均值。 用不同的噪声是由EMD分解。下一个残留 。其他方式继续这个过程,直到满足停止条件。

操作符 是 th给定信号进行EMD分解,模式 的白噪声是零均值和方差。

如果 是信号,那么CEEMDAN的步骤描述如下:(1)信号 通过EMD分解 次获得第一个模式: 。(2)当 ,第一个残留 计算。(3) 直到第一次EMD分解模式。第二个模式是然后计算: (4)当 , th残留 计算。(5) 直到第一次EMD分解模式。的 th模式定义: (6)重复步骤(4)-(6)直到获得残渣不能分解;即残留有最大的一个极端。最后残留符合 ,在那里 是总模式数量。因此信号的表达 是

2.2。改进CEEMDAN算法

根据(25),改进基于CEEMDAN CEEMDAN算法描述如下:(1)为 ,计算当地的手段 实现通过EMD获得第一个残留物, ,在那里 和 是操作产生信号的地方平均。(2)当 ,计算第一个模式: 。(3)第二残留的平均估计当地的手段实现 ;第二个模式定义 (4)计算 th残渣和 th模式( ): (5)(4)在未来重演 。

2.3。相关系数

相关系数是广泛应用于几乎所有的科学技术领域。相关系数是一个无量纲指标用于多变量统计代表统计两组变量之间的关系。它的值范围从−1比1,它分为三类,即正相关,不相关的相关和负相关。一般来说,计算中的某些处理必须结合负相关和正相关。相关系数的值范围从0到1,显示很强的相关性和高价值。设置两组变量后,即 ,相关系数 是 在哪里 , , , , 。

因此,相关系数可以表示为

2.4。信号重构方法

信号特征并不明显,因为氢吸收峰重叠的近红外光谱。此外,使用原始光谱数据的建模结果较低,和准确性不高。因此,删除无用的组件可以产生令人满意的预测模型和简化。根据改进的CEEMDAN和相关系数,信号重构方法可以采用以下步骤。(1)原始信号分解成 通过使用改进的CEEMDAN算法 是货币的数量。(2)所有的值之间的相关系数 和原始信号计算使用公式(9)。敏感的选择首先根据相关系数阈值(30.)所示公式(10)。 在上面的公式中, 代表之间的相关系数 和原始信号,用相关系数的最大数量 。如果相关系数值之间 和原始信号大于 ,那么相关的国际货币基金组织是维护敏感模式。否则,有关国际货币基金组织(IMF)删除错误的组件。(3)敏感的货币选择重建信号的建模。

2.5。PSO-SVR建模方法

PSO算法是一种并行全局搜索策略是基于人口。它很容易实现,其概念是相对简单;在算法中,许多参数不再需要调整。更显示出其较快的收敛速度和PSO展品处理高维问题的能力。

速度位置模型中使用PSO算法。在 维的解决方案空间的位置 粒子组中 ,速度比 。个体极值在当前时间 和全局极值 。在每次迭代过程中,粒子调整当前时间的位置和速度跟踪个体极值和全局极值和国家在前面的时间。所示的迭代公式如下: 在哪里 速度和位置在当前时刻和下一个时刻,分别; 随机数在吗 , 是学习的因素通常是等于2。 是应该自动减少算法的权重因子迭代加快收敛速度;它通常被定义为 在哪里 和 分别是最大和最小加权因素 是当前迭代数,然后呢 是总迭代数。

示例数据集 ,通过SVR回归函数拟合 在哪里 和 拉格朗日算子, 是阈值。考虑以下:

PSO-SVR,每个粒子的位置和速度是由3 d参数( )。均方误差(MSE),它可以直接反映SVR的回归性能,作为适应度函数: 在哪里 是新样本的估计价值。

参数的最优选择的步骤( )PSO-SVR描述如下。(1)粒子群的 正在初始化。组大小 决定,算法的最大和最小加权因素 , 和最大迭代数,确定吗 是集。(2)个体极值 每个粒子集的当前位置。每个粒子的适应度设置使用适应度函数,即公式(13)和(15)。个体极值对应的粒子与最好的健身全局极值 。(3)根据步骤(1)-(3)迭代计算,更新粒子的位置和速度。(4)每个粒子的适应度评估使用公式(13)和(15)。(5)如果每个粒子的适应度比相应的健身 ,然后 是更新。否则,保留原始值。(6)如果更新 每个粒子的比全局极值 , 是更新。否则,保留原始值。(7)如果达到最大迭代或者解决方案不会改变,迭代停止。否则,返回步骤(3)的过程。

3所示。实验结果和讨论

3.1。模拟信号重建的实验

考虑到原始信号 。数据的长度是1024,如图1。高斯白噪声添加到原始信号与输入信号噪声比(信噪比)固定在5分贝。噪声信号 (图2)分解成八个模式。图3表明,第六个和第七个模式是纯粹的两个组件的信号。在拟议的方法中,每个国际货币基金组织(IMF)和噪声信号之间的相关系数 计算,获得的阈值与公式(7)。重构信号的相关系数是货币的总和大于阈值。噪声信号 IMF6和IMF7的相关系数大于阈值(0.16721),表所示1。imf的频率从高到低排列,和周围的噪音通常是集中第一货币基金。前三个模式应该删除重建信号的相关系数是否大于阈值的方法。提出了重构信号图4。

表1
每个模式和噪声信号之间的相关系数。

图1
纯信号的波形。

图2
噪声信号的波形。

图3
货币基金的波形。

图4
波形重建原始信号。

模拟信号 是有效地重构光谱信号重构,和EMD的重建结果,EEMD, CEEMD, CEEMDAN,改善CEEMDAN进行了比较。在实验中,整体数量和高斯白噪声是固定的(合奏号码是100,白噪声的信噪比是5 dB)。重建效果评估通过引入信噪比、均方根误差(RMSE)和相关系数的方法。信噪比和RMSE被定义为 在哪里 重建信号吗 是原始信号。图5表明EMD和改进CEEMDAN产生高信噪比和小RMSE值。因此,这些方法的重建误差更小。然而,EMD展品严重的混合模式。此外,这五种方法的相关系数值近似,重建效果不能确定(图5)。结合信噪比、均方根误差、相关系数结果(表2),改进CEEMDAN方法与相关系数表现出强烈的健壮性信号重建和提取有用信号的信息。

表2
值信噪比、均方根误差、相关系数重建信号。

图5
信噪比、均方根误差和相关系数 。

实验结果图5和表2表明,改进CEEMDAN方法优于EMD, EEMD CEEMD, CEEMDAN。它更适合的非平稳信号的分解。的信号 基于相关系数,提出了选择模式方法改善CEEMDAN分解方法相比(26- - - - - -28]。结果如表所示3这四种方法的相关系数值近似;然而,重建效果的方法信噪比是18.2289和0.1289 RMSE是优于其他三种方法。因此,该方法基于改进CEEMDAN小重建误差和较强的去噪能力。

表3
值信噪比、均方根误差、相关系数不同的方法。
3.2。近红外光谱实验
3.2.1之上。葡萄糖溶液的近红外光谱

该仪器用于近红外光谱是Antaris II FT-NIR,由美国公司热。它是用来进行全谱扫描透射光谱中从833纳米到2630纳米。15 75个样本群体的近红外光谱与不同浓度(范围50 - 1000 mg / dL)的葡萄糖的解决方案被选中建立光谱校正模型。在实际的实验中,同一样品的透射光谱进行几次,以避免不稳定的近红外光谱的影响,提高精度。因此,在建模过程中,平均信号从五个测量时间获得一个解决方案被认为是训练数据样本。葡萄糖溶液的光谱数据如图6。样品的近红外光谱分解和重建采用CEEMDAN改善,它可以消除一些不确定因素造成的噪声,如分光计精度或试验条件,可以准确地提供校准光谱信息模型。


图6
葡萄糖溶液的光谱。
3.2.2。近红外光谱校正模型建立

最大化的样本数据,我们使用交叉验证,直到所有的样品都测试一次。独立样本光谱收集。因此,任何个人都可以选为测试样本,以及其他被认为是作为训练样本评估建模方法。PSO-SVR只需要少量的选择样本进行训练,尤其是对噪声敏感的数据集,可以反映SVR的优势和智能优化算法。实现PSO-SVR,宪法和SVR预测算法嵌入的步骤来计算PSO算法的健身价值。文献[31日)提供的近似范围 作为 , , ; , , 一般为0.9、0.4,分别和10。这些初始化参数可以避免选择失明。

请回归,一个经典标定方法,可以提取潜变量与因变量的相关光谱并建立回归方程。在这部作品中,请是PSO-SVR比较法。PSO-SVR和请利用光谱数据之间建立校正模型和真正的葡萄糖浓度。

建立校正模型后,必须验证结果证实了模型的可靠性。相关系数和预测的均方根误差(RMSEP)是用来评估模型的相关性。相关系数可以描述光谱矩阵之间的线性相关程度 和浓度矩阵 ;它通常用 。当 值接近1,模型的回归效果令人满意。此外,当RMSEP很小,模型的预测精度高。计算相关系数和RMSEP 在哪里 校正集的样本数量, 的真正价值 th样本, 的预测价值吗 th样本, 的平均值吗 所有样品的校准设置。

前面介绍两种类型的校准模型用来预测葡萄糖浓度葡萄糖在15个样品的解决方案。预测值与真实值之间的误差计算。结果如图所示7。图中提供的预测值和真实值8。表4表明PSO-SVR,基于改进的预测和CEEMDAN 和RMSEP分别是0.9999997和0.5352,比请更健壮的和准确的 和RMSEP分别是0.9999825和0.91。的 和RMSEP值校正模型的建立与光谱数据,这是重建和改善的请CEEMDAN PSO-SVR方法,比那些校准模型与原始光谱数据。因此,PSO-SVR,基于改进CEEMDAN,表现出良好的性能在检测葡萄糖浓度。PSO-SVR出色的预测结果表明,近红外光谱技术可以用来检测葡萄糖浓度。

表4
的值 和RMSEP校准模型。

图7
预测值和真实值之间的误差。

图8
交叉验证的预测值和真实值。

4所示。结论

近红外光谱数据的定量分析表明无创血糖检测的发展潜力。PSO-SVR是一种有效的方法来解决回归问题在高维数据矩阵。本研究提出了PSO-SVR建模方法,基于改进的CEEMDAN算法。该方法可以去除噪声,提取有用的信息从近红外光谱,在SVR和优化参数。PSO-SVR的近红外光谱分析模型建立了基于改进CEEMDAN方法是稳定、准确、可行的,将会呈现出一种良好的预测效果。当前实验关注血糖的解决方案。在未来,我们将扩展实验人体组织。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的“中央大学”基础研究基金(批准号HIT.IBRSEM.201307)和程序对哈尔滨市科技创新人才专项基金项目(批准号2014 rfxxj065)。