【技术实现步骤摘要】
本专利技术涉及血糖检测，更具体地说，涉及基于时空特征融合的ecg无创血糖测量方法及系统。
技术介绍
1、由于糖尿病目前为止没有有效的治疗手段。根据国际糖尿病管理共识，以监测血糖指标为主的预防手段是糖尿病管理的重要组成部分。
2、血糖(bg)水平的变化刺激自主神经系统，导致人体心电图(ecg)的改变。然而，基于ecg的血糖估计相关研究较少，并且目前的相关研究中主要存在以下问题:首先，直接从原始ecg信号中提取形态或时间特征，由于血糖变化频率显著低于ecg变化频率并且两者变化是非线性且不平稳的，因此不能简单的对其进行特征分析。其次，不同个体之间的血糖与ecg变化关系具有较高的差异性，针对个体模式的血糖监测准确率通常较低且泛化性差，往往对于一个新的个体需要重新训练一个模型，消耗大量时间和资源。最后，上述研究主要关注血糖的范围变化，而不是血糖值的测量，并且大部分研究会参考历史血糖值的变化趋势，而非完全利用ecg信号进行预测。以上的研究的不足对于糖尿病管理工作而言，并不能提供可能与糖尿病并发症相关的血糖变化率全天信息。
3、最近，snn与transformer以低功耗和强大的时序数据处理能力在长时间序列预测领域崭露头角，并开始得到普及。同时，一些研究人员通过优化，已经将snn和transformer用于ecg信号的分类与特征提取过程中,并取得了优秀的成果。例如有一种基于transformer和cnn的生成对抗网络(tcgan)，用以进行心跳信号的生成从而缓解原始数据中的不平衡问题。或是将snn部署到神经形态硬件上，
4、综上所述，基于snn与transformer的ecg信号的特征提取与分类正在成为近期ecg领域的热门方向，然而许多研究者已经证明ecg的变化往往是非线性的，通常会受到外界条件以及自身健康状况的影响。直接或简单的进行特征分析往往难以提取出所需要的有效信息，并且目前只有很少的工作专门涉及使用脉冲神经网络和transformer在特征提取后进行bg监测。此外，大部分此类研究主要集中在私有数据集以及对于公开数据集上的单个对象进行，从而导致模型的泛化性较差，难以说明其通用性。
技术实现思路
1、本专利技术提供一种基于时空特征融合的ecg无创血糖测量方法及系统，旨在解决上述
技术介绍
提到的问题。
2、本专利技术为解决技术问题采用如下技术手段：
3、一种基于时空特征融合的ecg无创血糖测量系统，包括以下步骤：
4、数据采集步骤：用于提供针对多个受试者的原始数据集，所述原始数据集包括多个样本，所述样本为在给定采样率下获得的具有时间戳的ecg信号，和与ecg信号对应的bg值；
5、数据预处理步骤：包括：对每个样本中的ecg信号进行预处理以构建中间特征图，并根据bg值大小对样本进行标签分类，以及根据时间戳对样本进行排序；
6、特征提取步骤：内置卷积脉冲神经网络模型以及itransformer模型，所述卷积脉冲神经网络模型用于通过输入中间特征图以获取空间特征，所述itransformer模型用于通过输入历史窗口数据以获取时间特征，所述卷积脉冲神经网络为基于注意力机制的卷积脉冲神经网络，所述中间特征图是经过预处理后的ecg信号数据的图形化表示，所述历史窗口数据是在预设时间范围内收集的经过预处理后的连续ecg信号数据；
7、模型预测步骤：对时间特征与空间特征使用哈达玛积进行融合以获取融合特征，并将空间特征、时间特征和融合特征三个特征均输入n个不同的机器学习模型，使每个模型针对三个特征输出三个预测结果，对3*n个预测结果进行融合获得最终预测结果。
8、优选的，所述卷积脉冲神经网络模型用于第一卷积步骤、第二卷积步骤和特征压缩步骤，所述第一卷积步骤包括空间重建步骤、通道重建步骤，其中，
9、所述空间重建步骤：通过分离与重建将信息量不同的特征图分开并进行增强，具体包括：
10、首先，对输入的中间特征图进行标准化处理并计算归一化权重，以表示不同特征图的重要性，然后，通过sigmoid函数将归一化权重映射到[0,1]范围，并通过阈值门控将归一化权重分离出信息权重和非信息权重，通过将中间特征图分别与信息权重、非信息权重相乘获得两个分离特征，将两个分离特征通过交叉重构重新融合，得到空间细化特征；
11、所述通道重建步骤：通过分割-转换-熔断策略处理空间细化特征图以获得通道细化特征，具体包括：
12、分割策略：将空间细化特征的通道分割为两部分，对于分割的两部分，进行特征压缩以降低维度，从而将空间细化特征分割为富特征和稀疏特征；
13、转换策略：对富特征执行k×kgwc和1×1pwc操作并输出，将输出的两个特征合并成上层特征，对稀疏特征执行1×1pwc操作并输出，将输出的特征与稀疏特征连接生成下层特征；
14、融合策略：首先使用全局平均池化层来收集通道的全局空间信息，获得两个通道的全局平均值，然后使用通道软注意力生成特征重要性向量，最后根据重要性向量合并上层特征和下层特征合并得到通道细化特征。
15、优选的，所述第二卷积步骤包括时间注意力步骤、通道注意力步骤和空间注意力步骤，所述通道注意力步骤和空间注意力步骤并联设置，其中，
16、时间注意力步骤：接收第一卷积步骤输出的经过空间细化和通道细化的增强特征，并对增强特征进行平均池化和最大池化，并通过时间注意力函数生成一维的时间权重向量，然后通过时间权重向量与输入的增强特征相乘，得到基于时间注意力的细化特征，执行通道注意力步骤和空间注意力步骤；
17、通道注意力步骤：对输入的特征进行平均池化和最大池化，并通过通道注意力函数生成通道权重向量，然后通过通道权重向量与输入的特征相乘，得到基于通道注意力的细化特征；
18、空间注意力步骤：对输入的特征进行平均池化和最大池化，并通过空间注意力函数生成二维的空间权重向量，然后通过空间权重向量与输入的特征相乘，得到基于空间注意力的细化特征；
19、将基于空间注意力的细化特征与基于通道注意力的细化特征通过哈达玛积融合运算获得初步的空间特征。
20、优选的，所述特征压缩步骤：通过多个线性层对第二卷积层输出的初步的空间特征进行特征压缩，且相邻两个线性层之间设有dropout层。
21、优选的，所述itransformer模型包括嵌入层步骤、编码步骤和前馈神经网络，其中，
22、嵌入层步骤：处理输入的数据集，具体通过mlp将每个输入样本从原始维度映射到另一维度空间，形成初始嵌入表示并输入码器步骤；
23、编码步骤：设置多个编码器，每个编码器均包括自注意力机制层和layernorm层，通过自注意力机制层分析并处理不同变量之间的相互依赖性和相关性，每个变量在通过自注意力机制处理后通过layer norm层进行标准化处理；
本文档来自技高网...【技术保护点】
1.一种基于时空特征融合的ECG无创血糖测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述卷积脉冲神经网络模型用于第一卷积步骤、第二卷积步骤和特征压缩步骤，所述第一卷积步骤包括空间重建步骤、通道重建步骤，其中，
3.根据权利要求2所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述第二卷积步骤包括时间注意力步骤、通道注意力步骤和空间注意力步骤，所述通道注意力步骤和空间注意力步骤并联设置，其中，
4.根据权利要求3所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述特征压缩步骤：通过多个线性层对第二卷积层输出的初步的空间特征进行特征压缩，且相邻两个线性层之间设有Dropout层。
5.根据权利要求1所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述itransformer模型包括嵌入层步骤、编码步骤和前馈神经网络，其中，
6.根据权利要求1所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述模型预测步骤包
7.根据权利要求1-6任一所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述模型预测步骤：通过AdaBoost、RandomForest和Bagging三种机器学习模型各自处理输入的时间特征、空间特征和融合特征三种不同的特征，每个模块输出对应输入特征的三个预测结果，共计九个预测结果，并采用Choquet积分方法融合九个预测结果。
8.根据权利要求7所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，在Choquet积分方法中，首先定义一个模糊测度函数，模糊测度函数满足边界条件和单调性，以确保结果的一致性和逻辑性；其次，将每个模型的预测结果按照大小进行排序，并使用Choquet积分公式来聚合各个模型的预测结果来计算综合预测结果；然后，根据每个模型的历史性能，计算权重，最后根据各模型的Choquet积分结果和对应权重，计算最终的BG值预测。
9.根据权利要求1所述的基于时空特征融合的ECG无创血糖测量方法，其特征在于，所述数据预处理步骤包括降噪步骤、分类步骤和排序步骤，其中，
10.一种ECG无创血糖测量系统，基于权利要求1-8所述的ECG无创血糖预测方法，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种基于时空特征融合的ecg无创血糖测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征融合的ecg无创血糖测量方法，其特征在于，所述卷积脉冲神经网络模型用于第一卷积步骤、第二卷积步骤和特征压缩步骤，所述第一卷积步骤包括空间重建步骤、通道重建步骤，其中，
3.根据权利要求2所述的基于时空特征融合的ecg无创血糖测量方法，其特征在于，所述第二卷积步骤包括时间注意力步骤、通道注意力步骤和空间注意力步骤，所述通道注意力步骤和空间注意力步骤并联设置，其中，
4.根据权利要求3所述的基于时空特征融合的ecg无创血糖测量方法，其特征在于，所述特征压缩步骤：通过多个线性层对第二卷积层输出的初步的空间特征进行特征压缩，且相邻两个线性层之间设有dropout层。
5.根据权利要求1所述的基于时空特征融合的ecg无创血糖测量方法，其特征在于，所述itransformer模型包括嵌入层步骤、编码步骤和前馈神经网络，其中，
6.根据权利要求1所述的基于时空特征融合的ecg无创血糖测量方法，其特征在于，所述模型预测步骤包括融合步骤：所述融合步骤包括将时间特征与空间特征使用哈达玛积进行融合以获取融合...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。