一种非侵入式的人体铁离子浓度智能分析方法与流程

1.本发明涉及非侵入式检测、人工智能领域，具体为一种非侵入式的人体铁离子浓度智能分析方法。


背景技术：

2.铁作为人体新陈代谢所必需的微量元素之一，与人体的健康和疾病密切相关。人体内铁含量异常会引起许多疾病，如铁缺乏引起的免疫系统功能降低、生育障碍、贫血等；铁负荷过重会引起多种肝脏疾病、糖尿病、心脑血管疾病等。目前，对铁离子含量的检测手段已经相当成熟，但是一般都需要对待测患者进行侵入式采样，增加了患者感染的风险，同时降低了患者的医疗体验。因此，非侵入式地完成人体内铁含量的定量分析对疾病的诊断、治疗及预防均具有重要意义。
3.根据医学上的定义，正常人体内铁含量为3～5g，其中血红蛋白所占铁的比例最大，约为70％。铁是参与人体制造血红蛋白，构成红细胞的重要成分，临床上也会通过检验红细胞低血红蛋白密度(lhd)，作为诊断有无铁缺乏的参考依据，可见人体内铁含量与血红蛋白直接相关。而目前根据人体血液中的成分对不同波长光的吸收特性，已经实现了血红蛋白的非侵入式分析和应用，这为人体铁含量的非侵入式预估提供了可行思路。
4.因此，本发明提出一种非侵入式的人体铁离子浓度智能分析方法，利用人工智能技术，拟合人体铁含量与吸收光谱之间的内在联系，无创、快捷地完成人体铁离子浓度的智能分析，填补现有技术中无法利用非侵入方法对人体的铁离子浓度进行实时检测的空白。


技术实现要素：

5.为了解决现有技术中的上述问题，即利用人工智能技术，拟合人体铁含量与吸收光谱之间的内在联系，无创、快捷地完成人体铁离子浓度的智能分析，填补现有技术中无法利用非侵入方法对人体的铁离子浓度进行实时检测的空白。
6.本发明提出一种非侵入式的人体铁离子浓度智能分析方法：
7.步骤s01，采用非侵入式的数据采集方法，获取指关节正面和反面两个不同的动态序列光谱数据；采用侵入式抽血方式测定对应的铁离子浓度值；
8.步骤s02，基于步骤s01获得的数据训练铁离子浓度智能分析网络；
9.步骤s03，基于步骤s02训练完成的铁离子浓度智能分析网络可以根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析。
10.进一步的：步骤s01中采用一种非侵入式技术进行动态序列数据获取，利用血液中血红蛋白吸收光谱的特性，使用光学传感器照射指关节部位，测量反射光的吸收光谱，并保存一段时间内的序列光谱数据；
11.其中，数据集中每个样例由三个部分组成：正面指关节光谱数据集vf、反面指关节光谱数据集vb以及铁离子浓度标签y：
[0012][0013]
式中，n代表样本数量，xf和xb中包含的序列光谱数据为：
[0014][0015]
式中，t代表序列光谱数据的长度。
[0016]
进一步的：步骤s02中铁离子浓度智能分析网络由序列多角度学习模块和浓度分析模块组成，序列多角度学习模块用于探索不同视角序列光谱数据的潜在联系，浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的关系，铁离子浓度智能分析网络是一个端到端的结构，整体损失函数为：
[0017][0018]
其中，为序列多角度学习损失，为浓度分析损失。
[0019]
进一步的：所述的铁离子浓度智能分析网络，其训练过程包含以下步骤：
[0020]
步骤a10，将正面指关节光谱数据集vf和反面指关节光谱数据集vb作为序列多角度学习模块的输入，序列多角度学习模块通过正负样本对的学习，探索不同视角之间数据的联系；
[0021]
步骤a20，将序列多角度学习模块的输出表示向量z和对应铁离子浓度标签作为浓度分析模块的输入，对浓度分析模块进行训练；
[0022]
步骤a30，通过反向传播向所述损失函数值变小的方向更新时间序列多角度学习模块和浓度分析模块的参数，并选择分析准确率最高的权重作为最优权重。
[0023]
进一步的：所述的序列多角度学习模块学习过程如下：
[0024]
正面指关节光谱数据集vf和反面指关节光谱数据集vb包含的样本记作n为样本数量，正样本对为负样本对训练一个判别函数，让它能够从包含1个正样本对和k(k＜n)个负样本的集合中，准确找到正样本对，判别的方式是通过对样本对距离度量的计算，距离越小分数越高。
[0025]
进一步的：所述判别函数的实现过程，采用两个编码器和对vf和vb进行特征转换，得到相对应的特征表示记作和然后随机固定vf中的第i个样本，然后枚举vb中的k个样本，目标损失函数如下：
[0026][0027]
其中τ是超参数，用于动态调节范围，θf和θb分别为编码器和的
参数，c(
·
)是距离度量函数；
[0028]
公式(4)式中损失是固定视图vf中元素视为锚点枚举vb中元素得到的。对称地，将锚点定在vb中来枚举vf中元素以获得对比损失。然后将它们加在一起作为序列多角度学习模块损失：
[0029][0030]
经过序列多角度学习阶段之后，将特征表示zf和zb串联得到表示向量z作为下一阶段的输入。
[0031]
进一步的：所述的浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的联系，该模块以表示向量z和铁离子浓度标签作为输入，该模块损失函数为：
[0032][0033]
式中，y代表真实铁离子浓度，f
p
代表表示向量z和铁离子浓度之间的映射关系，p为浓度分析的参数。
[0034]
本发明的有益效果：本发明中非侵入式的人体铁离子浓度智能分析方法，通过非侵入式采集方式获取正反面指关节序列光谱数据，使用采集到的数据集对铁离子浓度智能分析网络进行训练，该网络的序列多角度学习模块可以探索不同视角光谱数据的潜在联系，浓度分析模块探索序列多角度学习模块的输出和铁离子浓度之间的关系，经过训练后的铁离子浓度智能分析网络可以根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析。
附图说明
[0035]
图1为为本发明方法的流程示意图。
具体实施方式
[0036]
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
[0037]
本发明的核心思想是基于不同视角指关节光谱序列数据，设计合适算法挖掘不同视角数据之间的联系，最大化数据中所包含的有效信息，然后探索光谱序列数据和铁离子浓度之间的映射关系，以达到根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析。
[0038]
本发明的一种非侵入式的人体铁离子浓度智能分析方法，如图1所示，该方法包括以下步骤：
[0039]
步骤s01，采用非侵入式的数据采集方法，获取指关节正面和反面两个不同视角的序列光谱数据；采用侵入式抽血方式测定对应的铁离子浓度值；
[0040]
步骤s02，基于步骤s01获得的数据训练铁离子浓度智能分析网络；
[0041]
步骤s03，基于步骤s02训练完成的铁离子浓度智能分析网络可以根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析；
[0042]
所述非侵入式的数据采集方法，采用一种非侵入式技术进行动态序列数据获取，利用血液中血红蛋白吸收光谱的特性，使用光学传感器照射指关节部位，测量反射光的吸收光谱，并保存一段时间内的序列光谱数据；相对应的人体内铁离子浓度值采用侵入式抽血方式测定；
[0043]
制作完成的数据集中每个样例由三个部分组成：正面指关节光谱数据集vf、反面指关节光谱数据集vb以及铁离子浓度标签y：
[0044][0045]
式中，n代表样本数量，xf和xb中包含的序列光谱数据为：
[0046][0047]
式中，t代表序列光谱数据的长度；
[0048]
可选的，将70％的数据作为训练集，10％的数据作为验证集，20％的数据作为测试集；
[0049]
步骤s02中的铁离子浓度智能分析网络由序列多角度学习模块和浓度分析模块组成，序列多角度学习模块用于探索不同视角序列光谱数据的潜在联系，浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的关系，铁离子浓度智能分析网络是一个端到端的结构，整体损失函数为：
[0050][0051]
其中，为总体损失，为序列多角度学习损失，为浓度分析损失；
[0052]
所述铁离子浓度智能分析网络的训练过程包含以下步骤：
[0053]
步骤a10，将正面指关节光谱数据集vf和反面指关节光谱数据集vb作为序列多角度学习模块的输入，序列多角度学习模块通过正负样本对的学习，探索不同视角数据之间的潜在联系，最大化数据中所包含的有效信息；
[0054]
步骤a20，将序列多角度学习模块的输出表示向量z和对应铁离子浓度标签作为浓度分析模块的输入，对浓度分析模块进行训练；
[0055]
步骤a30，通过反向传播向所述损失函数值变小的方向更新时间序列多角度学习模块和浓度分析模块的参数，并选择分析准确率最高的权重作为最优权重；
[0056]
可选的，每隔a次迭代，在验证集上进行分析浓度准确率测试，保留准确率精度大于设定的阈值的权重，迭代训练完成后，选择分析准确率最高的权重作为最优权重。
[0057]
所述序列多角度学习模块的目标就是学习一种嵌入映射，这种嵌入能够将不同视角的数据建立起联系，最大化同一铁离子含量下的交互信息，该模块的输入是序列光谱数
据。
[0058]
序列多角度学习模块的具体学习过程如下：
[0059]
正面指关节光谱数据集vf和反面指关节光谱数据集vb包含的样本记作n为样本数量，正样本对为负样本对训练一个判别函数，让它能够从包含1个正样本对和k(k＜n)个负样本的集合中，准确找到正样本对，判别的方式是通过对样本对距离度量的计算，距离越小分数越高；
[0060]
所述判别函数的实现过程，采用两个编码器和对vf和vb进行特征转换，得到相对应的特征表示记作和然后随机固定vf中的第i个样本，然后枚举vb中的k个样本，目标损失函数如下：
[0061][0062]
其中τ是超参数，用于动态调节范围，θf和θb分别为编码器和的参数，c(
·
)是距离度量函数；
[0063]
可选的，c(
·
)可使用余弦相似度作为距离度量，公式如下：
[0064][0065]
公式(4)式中损失是固定视图vf中元素视为锚点枚举vb中元素得到的。对称地，将锚点定在vb中来枚举vf中元素以获得对比损失。然后将它们加在一起作为序列多角度学习模块损失：
[0066][0067]
经过序列多角度学习阶段之后，将特征表示zf和zb串联得到表示向量z作为下一阶段的输入；
[0068]
所述浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的联系，该模块以表示向量z和铁离子浓度标签作为输入，该模块损失函数为：
[0069][0070]
式中，y代表真实铁离子浓度，f
p
代表表示向量z和铁离子浓度之间的映射关系，p为浓度分析的参数。
[0071]
可选的，利用铁离子浓度智能分析网络的系统可以根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析，并根据人体铁离子含量标准给予相应建议，标准如下：
[0072]
成年男性：11.0～30.0微摩尔/升正常；
[0073]
成年女性：9.0～27.0微摩尔/升正常；
[0074]
儿童：9.0～22.0微摩尔/升正常；
[0075]
老年人：7.16～28.6微摩尔/升正常。
[0076]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0077]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。