基于网格搜索优化高斯过程回归的无创血糖检测方法及系统与流程

本发明涉及无创血糖医疗检测，具体涉及一种基于网格搜索优化高斯过程回归的无创血糖检测方法及系统。

背景技术：

1、糖尿病已成为国内高发慢性代谢疾病，当前临床主流血糖监测手段为指尖采血与静脉采血，属于有创检测方式，反复穿刺会带来疼痛感，患者长期监测依从性较差，因此无创血糖检测技术成为行业研究热点，现有无创血糖技术主要包括近红外光谱检测、拉曼光谱检测以及代谢热整合法（metabolic heat conformation，mhc）三类，其中代谢热整合法依托葡萄糖氧化产热的生理机理，通过采集体表温度映射血糖浓度，具备传感器硬件成本低廉、生理机理清晰、采集信号稳定的优势。代谢热整合法（mhc）的理论基础是能量代谢守恒定律。人体摄入的碳水化合物经消化吸收进入血液后，在细胞内通过有氧氧化途径彻底分解，释放能量。其中约40%以atp的高能磷酸键储存，约60%以热能形式散发。这些代谢热量经由血液循环传导至体表，在身体不同部位形成与血糖浓度相关的特征性温度分布模式。通过测量体表多部位温度并结合心率等生理参数，可以建立从多源生理参数到血糖浓度的映射关系。但现有的基于代谢热整合法的无创血糖建模方案仍存在诸多缺陷：传统线性回归、支持向量机等模型难以刻画体表温度、心率与人体基础生理参数同血糖之间复杂的非线性关联，预测精度不足；现有高斯过程回归无创血糖模型的超参数依靠人工经验配置，缺少系统性寻优方案，正则化强度与迭代重启次数容易出现不合理设置，造成模型过拟合或者欠拟合，泛化能力较弱；常规模型仅输出单一血糖预测数值，无法量化预测结果的可信度，难以区分高可靠与低可靠检测数据，缺少对应的临床风险预警机制；同时缺少适配代谢热多源生理数据的标准化样本划分规则，容易出现同受试者样本跨数据集造成的数据泄露问题，模型性能仅依靠mae（平均绝对误差）、r2（决定系数）等数值指标评估，未通过clark误差网格、bland-altman一致性检验完成临床安全性验证，而且体表测温点位与输入特征组合缺少生理学层面的最优筛选方案，有效特征缺失或者特征冗余会进一步降低模型预测精度。现有技术无法同时兼顾检测精度、预测可信度量化与临床安全验证三大需求。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于网格搜索优化高斯过程回归的无创血糖检测方法及系统，该方法及系统解决了现有技术无法同时兼顾检测精度、预测可信度量化与临床安全验证的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、基于网格搜索优化高斯过程回归的无创血糖检测方法，包括：s1，采集至少50名受试者的生理特征数据；所述生理特征数据包括颈部左侧、颈部右侧、腋窝左侧、腋窝右侧、肚脐的体表温度，以及心率、体重、年龄、性别；s2，将受试者的生理特征数据作为数据集，按预设比例划分为训练集、测试集；s3，采用ν=5/2的matérn核函数作为基础协方差核，复合常数核与白噪声核形成整体协方差函数，构建高斯过程回归模型；s4，通过网格搜索对高斯过程回归模型的超参数进行全局寻优，得到最优超参数；所述超参数包括正则化参数alpha、模型优化重启次数；s5，使用最优超参数在全部训练集上重新训练，得到优化后高斯过程回归预测模型；s6，将待检测受试者的生理特征数据输入优化后高斯过程回归预测模型，同步输出血糖预测值与预测不确定性量化结果；s7，采用多维度指标体系对模型预测性能进行临床验证；所述多维度指标体系包括平均绝对误差、均方根误差、决定系数、平均绝对相对偏差、clark误差网格分析和bland-altman一致性分析；s8，根据预测不确定性量化结果构建智能安全预警机制，当预测不确定性大于预设阈值时输出预警提示。

4、在本发明中，优选的，所述s3中的matérn核函数表达式为：

5、，

6、其中，为matérn核函数，为信号方差，为输入特征间的欧氏距离，为特征长度尺度参数。

7、在本发明中，优选的，所述高斯过程回归模型的综合核函数为常数核乘以matérn核后叠加白噪声核，表达式为：

8、，

9、其中，kmatern(x, x’)为matérn核函数，c为常数核输出的信号幅度缩放因子，σ2n为白噪声方差，δ(x, x’)为kronecker delta函数。

10、在本发明中，优选的，所述s4中的网格搜索采用3折交叉验证，正则化参数alpha搜索范围为{1×10-4,1×10-3,1×10-2}，优化重启次数搜索范围为{5,10}，共6组候选参数组合；以3折交叉验证的负平均绝对误差作为参数优劣评价标准。

11、在本发明中，优选的，所述最优超参数为：正则化参数alpha=0.001，优化重启次数=10。

12、在本发明中，优选的，所述s1中的采集受试者生理特征数据的规则为：每名受试者静坐5分钟后连续测量3次，单次测量间隔3至5分钟，单受试者生成3份独立样本。

13、在本发明中，优选的，所述s2中所述预设比例为8:2，训练集和测试集的划分过程中，禁止同一受试者样本同时进入训练集与测试集。

14、在本发明中，优选的，所述s7中的模型预测性能的达标标准为：平均绝对误差≤0.9mmol/l，均方根误差≤1.45mmol/l，决定系数≥0.75，平均绝对相对偏差≤11%，clark误差网格a+b安全区间样本占比≥99%。

15、在本发明中，优选的，所述s8中的预设阈值为2.0mmol/l；当预测标准差大于2.0mmol/l时，设备触发声光预警，提示用户重复测量或采用静脉采血法复核血糖。

16、基于网格搜索优化高斯过程回归的无创血糖检测系统，包括：数据采集模块，用于采集至少50名受试者的生理特征数据；所述生理特征数据包括颈部左侧、颈部右侧、腋窝左侧、腋窝右侧、肚脐的体表温度，以及心率、体重、年龄、性别；数据集划分模块，用于将受试者的生理特征数据作为数据集，按预设比例划分为训练集、测试集；模型构建模块，用于采用ν=5/2的matérn核函数作为基础协方差核，复合常数核与白噪声核形成整体协方差函数，构建高斯过程回归基础模型；网格搜索调优模块，用于通过网格搜索对高斯过程回归模型的超参数进行全局寻优，得到最优超参数；所述超参数包括正则化参数alpha、模型优化重启次数；训练模块，用于使用最优超参数在全部训练集上重新训练，得到优化后高斯过程回归预测模型；预测输出模块，用于将待检测受试者的生理特征数据输入优化后高斯过程回归预测模型，同步输出血糖预测值与预测不确定性量化结果；性能验证模块，用于采用多维度指标体系对模型预测性能进行临床验证；所述多维度指标体系包括平均绝对误差、均方根误差、决定系数、平均绝对相对偏差、clark误差网格分析和bland-altman一致性分析；预警模块，用于根据预测不确定性量化结果构建智能安全预警机制，当预测不确定性大于预设阈值时输出预警提示。

17、与现有技术相比，本发明的有益效果是：

18、本方法及系统采用ν=5/2阶matérn核构建复合高斯过程回归模型，并利用网格搜索结合三折交叉验证完成超参数自动寻优，相较于人工配置超参数的常规模型，有效避免了过拟合与欠拟合问题，显著提升模型泛化能力，优化后模型平均绝对相对偏差mard降至10.67%，满足无创血糖设备精度要求，平均绝对误差mae不高于0.9mmol/l，决定系数r2达到0.75以上；同步输出血糖预测均值与预测标准差，能够量化每一次检测结果的不确定性，依托预设阈值搭建分级预警机制，对低可信度测量结果及时提示复核，规避临床漏检风险；以受试者id分层拆分数据集，杜绝同受试者样本跨集导致的数据泄露问题，同时筛选出包括五处体表温度、心率及人体基础信息的九维生理特征集，贴合人体葡萄糖产热的代谢规律，减少特征冗余或有效特征缺失带来的精度损失；采用mae（平均绝对误差）、rmse（均方根误差）、r2（决定系数）、mard（平均绝对相对偏差）结合clark误差网格的多维度量化评价体系完成模型验证，优化后样本在clark误差网格a+b安全区间占比达到99.37%，不存在高风险治疗误差区间，配对检验无显著系统偏差，预测结果可与静脉采血真值互换使用，整套算法流程标准化、可复现，无需人工反复调参，能够直接嵌入无创血糖检测硬件设备，兼顾检测精度、临床安全性与居家长期监测的实用性。