CN108680748B - 基于丙酮传感器的血糖检测仪及其检测方法 - Google Patents
基于丙酮传感器的血糖检测仪及其检测方法 Download PDFInfo
- Publication number
- CN108680748B CN108680748B CN201810507071.9A CN201810507071A CN108680748B CN 108680748 B CN108680748 B CN 108680748B CN 201810507071 A CN201810507071 A CN 201810507071A CN 108680748 B CN108680748 B CN 108680748B
- Authority
- CN
- China
- Prior art keywords
- acetone
- blood sugar
- detection unit
- sensor
- array detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 title claims abstract description 276
- 239000008280 blood Substances 0.000 title claims abstract description 104
- 210000004369 blood Anatomy 0.000 title claims abstract description 104
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims description 48
- 239000008103 glucose Substances 0.000 title claims description 48
- 238000012545 processing Methods 0.000 claims abstract description 51
- 229910052982 molybdenum disulfide Inorganic materials 0.000 claims abstract description 19
- 229910052961 molybdenite Inorganic materials 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 52
- 238000013507 mapping Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 229910001308 Zinc ferrite Inorganic materials 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 11
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 10
- 229910052710 silicon Inorganic materials 0.000 claims description 10
- 239000010703 silicon Substances 0.000 claims description 10
- 239000000758 substrate Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 206010012601 diabetes mellitus Diseases 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 8
- 210000000214 mouth Anatomy 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 3
- CWQXQMHSOZUFJS-UHFFFAOYSA-N molybdenum disulfide Chemical compound S=[Mo]=S CWQXQMHSOZUFJS-UHFFFAOYSA-N 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 208000012266 Needlestick injury Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Hematology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Diabetes (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于丙酮传感器的血糖检测仪及其检测方法，其中的血糖检测仪包括传感阵列检测单元，用于检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至信号采集处理电路；其中，在传感阵列检测单元中设置有具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器；信号采集处理电路，用于对传感阵列检测单元输出的电信号进行滤波、放大处理；单片机微处理单元，用于确定用户的血糖含量。利用本发明，能够解决现有的血糖检测仪需要进行针刺取血进行检测血糖的问题，以实现对患者的无创伤糖尿病检测。
Description
技术领域
本发明涉及血糖检测仪技术领域，更为具体地，涉及一种基于丙酮传感器的血糖检测仪及其检测方法。
背景技术
糖尿病是一种慢性病，它可能会引发中风、失明、心脏病、肾衰竭等。根据世界卫生组织的数据，世界范围内有4.22亿人口正在经受糖尿病的痛苦，并且，这一数字还在稳步增长。而且据相关报告指出，到2020年糖尿病或许将成为中国最为常见的慢性病。可见，家用血糖检测仪作为一种监测用户血糖实时情况、了解血糖变化趋势的产品，已逐渐成为糖尿病患者的必选之物。
传统的家用血糖检测仪的检测方法主要分为两种：一种是电化学法，一种是光化学法。它们检测的基础都是酶反应，也都需要进行血液采样。这样的检测方式对部分患者来说，这种针刺取血是一个不小的刺激。因此，研制一种新型的、无创的家用血糖监测仪是血糖监测领域的重点。
目前一些公司正在尝试通过检测人体汗液/体液/泪液中的葡萄糖水平来检测用户的血糖含量，也有一些公司正试图通过红外线侦测皮肤来测量实际葡萄糖分子散射或者吸收的光量从而确定血液中的血糖含量。前者技术的困难之处在于：人体本身的葡萄糖就比较少，且其无色、体积小、没有更多的特征，同时汗液/体液/泪液的其他成分在很大程度上会影响葡萄糖的监测；后者技术的困难之处在于：皮肤的反射率大小会影响测试结果，而且其它分子也能引起反射光的光强变化。
据临床医学报导，糖尿病患者口腔中呼出的气体丙酮含量要高于正常人(丙酮含量均高于1.71ppm)，因此可以通过检测患者呼出气体中的丙酮含量来表征血糖含量。
因此，本发明提供了一种基于丙酮传感器的血糖检测仪及其检测方法。
发明内容
鉴于上述问题，本发明的目的是提供一种基于丙酮传感器的血糖检测仪及其检测方法，以解决现有的血糖检测仪需要进行针刺取血进行检测血糖的问题。
本发明提供一种基于丙酮传感器的血糖检测仪，包括传感阵列检测单元、信号采集处理电路、单片机微处理单元；其中，
传感阵列检测单元，用于检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至所述信号采集处理电路；其中，在传感阵列检测单元中设置有具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器；
信号采集处理电路，用于对传感阵列检测单元输出的电信号进行滤波、放大处理；
单片机微处理单元，用于采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和所述传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数，并根据获取的最优参数与对所述信号采集处理电路处理后的电信号进行归一化处理的电信号，确定用户的血糖含量。
此外，优选的方案是，还包括终端显示模块和蓝牙模块，其中，
终端显示模块，用于显示单片机微处理单元获取的用户的血糖含量；
蓝牙模块，用于将单片机微处理单元获取的用户的血糖含量传输到移动终端设备。
此外，优选的方案是，还包括工作温度调整模块，其中，工作温度调整模块，用于检测调节血糖检测仪工作时的温度。
此外，优选的方案是，丙酮传感器包括硅基底、设置在硅基底的第一绝缘层、设置在第一绝缘层上方的加热层以及设置在加热层上方的第二绝缘层；
其中，
在硅基底中间设置有空腔；
在第二绝缘层上设置有加热电极和测试电极。
此外，优选的方案是，ZnFe2O4与MoS2相掺杂的敏感薄膜设置在第二绝缘层上；其中，
ZnFe2O4与MoS2掺杂比例为1∶10至1∶1。
此外，优选的方案是，在传感阵列检测单元中还设置有湿度传感器，其中，湿度传感器，用于检测用户呼出气体的湿度。
本发明还提供一种基于丙酮传感器的血糖检测仪的检测方法，采用上述基于丙酮传感器的血糖检测仪进行检测，具体方法如下：
工作温度调整模块将血糖检测仪调节至工作时所需要的温度；
传感阵列检测单元通过具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至信号采集处理电路；
信号采集处理电路对传感阵列检测单元输出的电信号进行滤波、放大处理，并传输至单片机微处理单元进行归一化处理；
采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数；
将训练学习得到的最优参数传输至单片机微处理单元；
根据最优参数和归一化处理后的电信号进行处理确定用户的血糖含量；
用户的血糖含量通过蓝牙模块传输至移动终端设备。
此外，优选的方案是，在采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数的过程中，
采用第一GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出的电信号之间的映射关系进行训练学习，获得最优第一GA-LSSVM算法模型；
第二GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获得最优第二GA-LSSVM算法模型。
此外，优选的方案是，根据最优第一GA-LSSVM算法模型与归一化处理后的电信号，确定用户呼出气体的丙酮气体浓度。
此外，优选的方案是，根据最优第二GA-LSSVM算法模型与用户呼出气体的丙酮气体浓度，确定用户的血糖含量。
从上面的技术方案可知，本发明提供的基于丙酮传感器的血糖检测仪及其检测方法，通过传感阵列检测单元中的丙酮传感器来分析糖尿病患者口腔中丙酮成分的含量，以实现对患者的无创伤糖尿病检测。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的基于丙酮传感器的血糖检测仪结构示意图；
图2为根据本发明实施例的丙酮传感器结构示意图；
图3为根据本发明实施例的基于丙酮传感器的血糖检测仪的检测方法流程示意图。
其中的附图标记包括：1、硅基底，2、第一绝缘层，3、加热层，4、第二绝缘层，5、敏感薄膜，6、测试电极，7、加热电极，8、空腔。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
针对前述提出的现有的丙酮传感器为针刺取血检测方式，本发明提供了一种基于丙酮传感器的血糖检测仪及其检测方法，以实现对患者的无创伤糖尿病检测。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于丙酮传感器的血糖检测仪，图1示出了根据本发明实施例的基于丙酮传感器的血糖检测仪结构。
如图1所示，本发明提供的基于丙酮传感器的血糖检测仪100，包括：工作温度调整模块110、传感阵列检测单元120、信号采集处理电路130、单片机微处理单元140、终端显示模块150和蓝牙模块160。
其中，工作温度调整模块110，用于检测调节血糖检测仪工作时的温度；工作温度调整模块110结合PID调节和单片机微处理单元140共同实现温度的调节和控制。
传感阵列检测单元120，用于检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至信号采集处理电路130；其中，在传感阵列检测单元120中设置有具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器。
信号采集处理电路130，用于对传感阵列检测单元输出120的电信号进行滤波、放大处理。
单片机微处理单元140，用于采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元120输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数，并根据获取的最优参数与对信号采集处理电路130处理后的电信号进行归一化处理的电信号，确定用户的血糖含量。
即：在单片机微处理单元140中，第一：对信号采集处理电路130处理后的电信号进行归一化处理；第二：采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元120输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数；第三：根据最优参数与归一化处理后的信号确定用户的血糖含量。其中，采用GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和传感阵列检测单元120输出的电信号之间的映射关系进行训练学习，获取最优第一GA-LSSVM算法模型，最优第一GA-LSSVM算法模型对归一化处理后的电信号进行训练学习，获得用户呼出气体的丙酮气体浓度。采用第二GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获得最优第二GA-LSSVM算法模型，根据最优第二GA-LSSVM算法模型与对用户呼出气体的丙酮气体浓度进行训练学习，获得用户的血糖含量。
终端显示模块150，用于显示单片机微处理单元140获取的用户的血糖含量；蓝牙模块160，用于将单片机微处理单元140获取的用户的血糖含量传输到移动终端设备。
在本发明的实施例中提供的基于丙酮传感器的血糖检测仪，采用低温高性能的双丙酮传感器来实现丙酮成分的检测。传统的丙酮传感器一般都要在较高的工作温度下才能获取满意检测效果，太高的工作温度会使血糖检测仪表现出较高的功耗，比如传统的ZnFe2O4丙酮传感器的最佳丙酮检测温度一般都高达四五百摄氏度。本发明采用对丙酮气体较为敏感的铁系复合氧化物(ZnFe2O4)作为基础气敏材料，通过掺杂兼备直系带隙、较大比表面积以及较高室温电子迁移率的二硫化钼(MoS2)材料，来提高复合传感器在低温下的丙酮检测性能。因此，在本发明中，基于上述想法，制备MoS2-ZnFe2O4丙酮传感器，同时通过调节MoS2的掺杂比例获得最优的MoS2-ZnFe2O4丙酮传感器。
其中，图2示出了根据本发明实施例的丙酮传感器结构，如图2所示，丙酮传感器包括硅基底1、设置在硅基底1的第一绝缘层2、设置在第一绝缘层2上方的加热层3以及设置在加热层3上方的第二绝缘层4；其中，在硅基底1中间设置有空腔8；在第二绝缘层4上设置有加热电极7和测试电极6。并且，ZnFe2O4与MoS2相掺杂的敏感薄膜5设置在第二绝缘层4上；其中，ZnFe2O4与MoS2掺杂比例为1∶10至1∶1。ZnFe2O4与MoS2具体的比例，根据实际需要选择合适的比例进行掺杂，从而得到合适的比例敏感薄膜。
另外，在本发明中，采用两个相同的上述丙酮传感器取代单个丙酮传感器来检测丙酮气体，即：采用两个相同的丙酮进行测试丙酮的含量，从而得出平均值的丙酮成分，是为了能够更精确地识别用户口中呼出气体里的丙酮成分。
在本发明的实施例中，在传感阵列检测单元还设置有湿度传感器，其中，湿度传感器，用于检测用户呼出气体的湿度。这是由于呼出气体的湿度波动对气体传感器有较大的影响，在传感阵列检测单元中引入湿度传感器来对呼出气体的湿度进行标定，以用来后面计算处理部分的湿度补偿。
此外，在本发明中，即使通过掺杂MoS2材料可以提高丙酮传感器的低温检测性能，但由于人口中呼出气体里的丙酮含量比较少，在室温下实现微量丙酮气体的高精度识别的可行度不高，所以考虑到实际应用，丙酮传感器一般在设计时就要在其结构中加入加热层。同时为了能够精确地对温度进行测试和控制，本发明中引入工作温度调整模块，进一步通过PID调节和微处理单元进行控制来实现温度的精准控制。
其中，在本发明中，考虑到丙酮气体浓度和传感阵列检测单元输出电信号之间可能存在复杂的非线性关系，丙酮气体浓度和血糖含量之间也可能存在复杂的非线性关系，这两种非线性关系不易用特定的关系式描述。因此，为了更准确地监测用户的血糖含量，精度地学习丙酮气体浓度和传感阵列检测单元输出电信号之间的关系以及丙酮气体浓度和血糖含量之间的关系相当重要。因此，在本发明中提出，引入两个遗传算法优化最小二乘支持向量机(GA-LSSVM)算法模型分别对训练样本数据中丙酮气体浓度和传感阵列检测单元输出电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，然后将训练学习得到的最优参数存入单片机微控制单元中，进而在实际应用时，基于新数据(将放大、滤波后的电信号进行归一化处理后的电信号)和最优参数计算用户的血糖含量。LSSVM模型具有较强的非线性学习能力，GA的优化可以提高LSSVM模型的训练速度和识别精度，两步GA-LSSVM算法模型的学习识别可实现血糖含量的精准预测。
与上述基于丙酮传感器的血糖检测仪相对应，本发明还提供一种基于丙酮传感器的血糖检测仪的检测方法，图3示出了根据本发明实施例的基于丙酮传感器的血糖检测仪的检测方法。
如图3所示，本发明提供的基于丙酮传感器的血糖检测仪的检测方法，采用上述基于丙酮传感器的血糖检测仪进行检测，具体方法如下：
S310：工作温度调整模块将血糖检测仪调节至工作时所需要的温度；
S320：传感阵列检测单元通过具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至信号采集处理电路；
S330：信号采集处理电路对传感阵列检测单元输出的电信号进行滤波、放大处理，并传输至单片机微处理单元进行归一化处理；
S340：采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数；
S350：将训练学习得到的最优参数传输至单片机微处理单元；
S360：根据最优参数和归一化处理后的电信号进行处理确定用户的血糖含量；
S370：用户的血糖含量通过蓝牙模块传输至移动终端设备。
其中，步骤S340中，在采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数的过程中，
第一GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出电信号之间的映射关系进行训练学习，获得最优第一GA-LSSVM算法模型；第二GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获得最优第二GA-LSSVM算法模型。
并且，根据最优第一GA-LSSVM算法模型与归一化处理后的电信号，确定用户呼出气体的丙酮气体浓度，根据最优第二GA-LSSVM算法模型与用户呼出气体的丙酮气体浓度，确定用户的血糖含量。
也就是说，最优第一GA-LSSVM算法模型对归一化处理后的电信号进行训练学习，获得用户呼出气体的丙酮气体浓度，最优第二GA-LSSVM算法模型对用户呼出气体的丙酮气体浓度进行训练学习，获得用户的血糖含量。
具体地，基于遗传算法优化最小二乘支持向量机(GA-LSSVM)网络模型的训练学习过程如下。
第一GA-LSSVM算法模型和第二GA-LSSVM算法模型训练学习过程类似，以第一GA-LSSVM算法模型为例，训练丙酮气体含量Y和传感器阵列输出电信号Z。
具体步骤如下：
(1)在已知的环境下得到一组训练样本。训练样本的获取方式：向血糖检测仪输入确定的丙酮气体浓度值、确定的环境湿度值，组成训练样本的输入向量，进而通过传感阵列检测单元获取三个传感器(两个丙酮传感器，一个湿度传感器)的输出电阻信号，组成训练样本的输出向量。
(2)训练样本的归一化处理。按照公式(1-1)的形式对训练样本数据进行归一化处理：
其中，xmax为训练样本数据中的最大值；xmin为训练样本数据中的最小值；xi为训练样本中第i个数据；X为第i个数据归一化之后的值。
(3)LSSVM模型结构的确定。
下面简单介绍一下LSSVM的模型结构：
LSSVM的模型结构用公式(1-2)表示：
这里，
表示核空间非线性映射函数；ω表示权重因子；b表示阈值。
利用结构风险最小化原则(SRM)进行风险最小化，则该回归模型的优化问题为：
式中，r代表惩罚因子；ei代表误差。
基于以上公式，可构造如公式(1-4)所示的拉格朗日函数：
式中，αi代表拉格朗日乘子。
根据KKT(Karush-KuhnTucker)条件可得：
消去ω和ei，可将上式转化为如公式(1-6)所示的线性方程组：
式中，Q＝(1，1，...，1)T；A＝(α1，α2，...，αn)T；Y＝(y1，y2，...，yn)T。
在此，核函数可选取RBF函数：
式中，σ代表核函数宽度。
最终，基于RBF核函数的LSSVM模型结构可表示为：
这里LSSVM的模型结构选取为
(4)基于遗传算法实现LSSVM的惩罚因子r和核函数参数σ2的优化。
根据LSSVM理论和实际模型学习过程，可明确发现：惩罚因子r和核函数参数σ2对LSSVM的训练速度、学习精度以及泛化能力均有着较大的影响，故而在此选用遗传算法对这两个参数进行优化，以来减少经验试凑法带来的较大工作量和主观盲目性。
①种群初始化：种群规模N的大小直接影响遗传算法优化模型参数的速度及精度：当N过大时，因计算量的增多会直接导致算法学习效率降低；当N过小时，因遗传算法处理模式的减少会导致算法极易陷入局部最优。在此，权衡参数优化的速度及精度，将种群规模N选取为50。另外，最大进化代数T选取为100。
②个体编码：由于实数编码方案具有良好的一致性和较高的准确性，对提高寻优的速度和所求解的精度有一定的促进作用，故在此基于如公式(5-14)所示的实数编码形式，对种群个体进行编码：
xi (t)＝(wi1 (t)，wi2 (t)，...，wiL (t))i＝0，1，2，...，N；t＝0，1，2，...，T (1-9)
式中，t是遗传代数；xi (t)是第t代中第i个个体；wil (t)是第i个个体中第l个基因。
这里，个体的串长即基因数L为：
L＝q×n+q×m+m (1-10)
式中，q是隐含层节点个数；n是输入层节点个数；m是输出层节点个数。
③适应度计算：适应度函数是引导遗传算法全局搜索的唯一信息，其选取的合适与否直接影响着网络模型的性能。在此选取网络输出的丙酮气体浓度预测值和环境湿度预测值与实验获取的丙酮气体浓度实际值和环境湿度实际值的误差平方和的倒数作为适应度函数，则第i个个体的适应度可表示为：
④种群遗传：
首先进行选择操作：这里基于轮盘赌法进行个体选择，即以适应度作为选择准则，通过公式(1-12)计算每个个体的适应度比例来决定其是否被选择复制到下一代。因为寻优结束后只需要输出一组最优参数值，所以在此可采用只保留最优解的策略，仅将适应度最大的个体复制到下一代种群中，这样既提高了算法学习的效率，又保留了种群的最优解以防其遭到退化。
其次进行交叉操作：在此采用0.85的交叉概率随机选择种群中的某对个体进行部分基因的交叉运算，从而得到具备部分父类基因且不同于父类的新个体。
随后进行变异操作：这里，变异概率取0.01，并基于此概率对经过选择、交叉操作后的群体P(t)进行变异运算，进而更新生成新一代种群P(t+1)。
⑤迭代进化：重复③、④过程，逐代优化LSSVM的惩罚因子r和核函数参数σ2，直到训练精度达到10-5或迭代次数t达到最大进化代数100次。
⑥最优解输出及模型确定：选取迭代进化中最后一代种群里拥有最大适应度的个体作为最优解，并传输给LSSVM，进而得到优化后的GA-LSSVM算法模型。
(4)实际应用：在血糖检测仪实际应用时，将传感阵列检测单元获取的电阻信号Z输入到优化后的GA-LSSVM算法模型中，就可以得到对应的丙酮气体含量Y。
通过上述实施方式可以看出，本发明提供的基于丙酮传感器的血糖检测仪及其检测方法，通过传感阵列检测单元中的丙酮传感器来分析糖尿病患者口腔中丙酮成分的含量，以实现对患者的无创伤糖尿病检测。
如上参照附图以示例的方式描述了根据本发明提出的基于丙酮传感器的血糖检测仪及其检测方法。但是，本领域技术人员应当理解，对于上述本发明所提出的基于丙酮传感器的血糖检测仪及其检测方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (8)
1.一种基于丙酮传感器的血糖检测仪，包括传感阵列检测单元、信号采集处理电路、单片机微处理单元；其中，
所述传感阵列检测单元，用于检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至所述信号采集处理电路；其中，在所述传感阵列检测单元中设置有具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器；
所述信号采集处理电路，用于对所述传感阵列检测单元输出的电信号进行滤波、放大处理；
所述单片机微处理单元，用于采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和所述传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数，并根据获取的最优参数与对所述信号采集处理电路处理后的电信号进行归一化处理的电信号，确定用户的血糖含量；
其中，所述丙酮传感器包括硅基底、设置在所述硅基底的第一绝缘层、设置在所述第一绝缘层上方的加热层以及设置在所述加热层上方的第二绝缘层；其中，
在所述硅基底中间设置有空腔；
在所述第二绝缘层上设置有加热电极和测试电极；
所述ZnFe2O4与MoS2相掺杂的敏感薄膜设置在所述第二绝缘层上；其中，
ZnFe2O4与MoS2掺杂比例为1:10至1:1。
2.如权利要求1所述的基于丙酮传感器的血糖检测仪，其中，
还包括终端显示模块和蓝牙模块，其中，
所述终端显示模块，用于显示所述单片机微处理单元获取的用户的血糖含量；
所述蓝牙模块，用于将所述单片机微处理单元确定的用户的血糖含量传输到移动终端设备。
3.如权利要求1所述的基于丙酮传感器的血糖检测仪，其中，
还包括工作温度调整模块，其中，
所述工作温度调整模块，用于检测调节血糖检测仪工作时的温度。
4.如权利要求1所述的基于丙酮传感器的血糖检测仪，其中，
在所述传感阵列检测单元中还设置有湿度传感器，其中，
所述湿度传感器，用于检测用户呼出气体的湿度。
5.一种基于丙酮传感器的血糖检测仪的检测方法，采用如权利要求1-4任意一项所述的基于丙酮传感器的血糖检测仪进行检测，具体方法如下：
工作温度调整模块将血糖检测仪调节至工作时所需要的温度；
传感阵列检测单元通过具有ZnFe2O4与MoS2相掺杂的敏感薄膜的丙酮传感器检测用户口中呼出气体的丙酮气体浓度，并将检测到的丙酮气体浓度的数据转换为电信号传输至信号采集处理电路；
所述信号采集处理电路对所述传感阵列检测单元输出的电信号进行滤波、放大处理，并传输至单片机微处理单元进行归一化处理；
采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和所述传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数；
将训练学习得到的最优参数传输至所述单片机微处理单元；
根据所述最优参数和归一化处理后的电信号进行处理确定用户的血糖含量；
所述用户的血糖含量通过蓝牙模块传输至移动终端设备。
6.如权利要求5所述的基于丙酮传感器的血糖检测仪的检测方法，其中，
在采用GA-LSSVM算法模型分别对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出的电信号之间的映射关系以及丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获取最优参数的过程中，
采用第一GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和传感阵列检测单元输出的电信号之间的映射关系进行训练学习，获得最优第一GA-LSSVM算法模型；
采用第二GA-LSSVM算法模型对训练样本数据中的丙酮气体浓度和血糖含量之间的映射关系进行训练学习，获得最优第二GA-LSSVM算法模型。
7.如权利要求6所述的基于丙酮传感器的血糖检测仪的检测方法，其中，
根据所述最优第一GA-LSSVM算法模型与归一化处理后的电信号，确定用户呼出气体的丙酮气体浓度。
8.如权利要求7所述的基于丙酮传感器的血糖检测仪的检测方法，其中，
根据所述最优第二GA-LSSVM算法模型与所述用户呼出气体的丙酮气体浓度，确定用户的血糖含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810507071.9A CN108680748B (zh) | 2018-05-24 | 2018-05-24 | 基于丙酮传感器的血糖检测仪及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810507071.9A CN108680748B (zh) | 2018-05-24 | 2018-05-24 | 基于丙酮传感器的血糖检测仪及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108680748A CN108680748A (zh) | 2018-10-19 |
| CN108680748B true CN108680748B (zh) | 2021-02-26 |
Family
ID=63808208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810507071.9A Active CN108680748B (zh) | 2018-05-24 | 2018-05-24 | 基于丙酮传感器的血糖检测仪及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108680748B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109585018A (zh) * | 2018-11-09 | 2019-04-05 | 青岛歌尔微电子研究院有限公司 | 信息处理方法、信息处理装置及生理检测设备 |
| US20210325343A1 (en) * | 2018-12-05 | 2021-10-21 | Revorn Co., Ltd. | Information processing apparatus, information processing method, learned model generation method, and program |
| CN112162019A (zh) * | 2020-09-22 | 2021-01-01 | 上海摇橹仪器设备有限公司 | 一种温湿度补偿血糖检测芯片、检测仪、基于其的血糖检测方法及电子设备 |
| CN112394172A (zh) * | 2020-12-03 | 2021-02-23 | 长春理工大学 | 一种糖尿病患者呼出气体丙酮监测装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241828A (zh) * | 2015-08-19 | 2016-01-13 | 苏州华和呼吸气体分析研究所有限公司 | 一种用于无创测量血液酮体水平的crds丙酮呼吸分析仪 |
| CN105738434A (zh) * | 2016-02-01 | 2016-07-06 | 清华大学深圳研究生院 | 一种基于电子鼻检测呼吸气体的糖尿病诊断系统 |
| CN107029251A (zh) * | 2015-07-15 | 2017-08-11 | 河北工程大学 | 一种单层二硫化钼-铁酸锌纳米复合材料及其制备方法和应用 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7417730B2 (en) * | 2006-03-31 | 2008-08-26 | Los Alamos National Security, Llc | Apparatus and method for monitoring breath acetone and diabetic diagnostics |
| US10175227B2 (en) * | 2015-05-20 | 2019-01-08 | Gm Nameplate, Inc. | Gas sensor module |
-
2018
- 2018-05-24 CN CN201810507071.9A patent/CN108680748B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107029251A (zh) * | 2015-07-15 | 2017-08-11 | 河北工程大学 | 一种单层二硫化钼-铁酸锌纳米复合材料及其制备方法和应用 |
| CN105241828A (zh) * | 2015-08-19 | 2016-01-13 | 苏州华和呼吸气体分析研究所有限公司 | 一种用于无创测量血液酮体水平的crds丙酮呼吸分析仪 |
| CN105738434A (zh) * | 2016-02-01 | 2016-07-06 | 清华大学深圳研究生院 | 一种基于电子鼻检测呼吸气体的糖尿病诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108680748A (zh) | 2018-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Machine learning‐reinforced noninvasive biosensors for healthcare | |
| CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| TWI413770B (zh) | 無線生醫監測系統 | |
| US10695005B2 (en) | Non-invasive blood sugar measuring method and fingertip measuring probe | |
| KR102095959B1 (ko) | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 | |
| CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
| JP2021512322A (ja) | 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム | |
| Li et al. | Research progress of electronic nose technology in exhaled breath disease analysis | |
| Thati et al. | Breath acetone-based non-invasive detection of blood glucose levels | |
| Lee et al. | Breath analysis system with convolutional neural network (CNN) for early detection of lung cancer | |
| Yan et al. | A novel breath analysis system for diabetes diagnosis | |
| Yan et al. | Blood glucose prediction by breath analysis system with feature selection and model fusion | |
| Feng et al. | Noninvasive blood glucose monitor via multi-sensor fusion and its clinical evaluation | |
| CN112568902A (zh) | 一种基于血糖值的无创血糖校准方法 | |
| CN116559143A (zh) | 血液中葡萄糖成分的复合型拉曼光谱数据分析方法及系统 | |
| Parte et al. | Non-invasive method for diabetes detection using CNN and SVM classifier | |
| Naresh et al. | Non-invasive glucose prediction and classification using NIR technology with machine learning | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| CN113823403A (zh) | 基于神经网络的早期肺癌呼气组分检测识别系统 | |
| Hassan et al. | Blood Glucose Level Measurement from Breath Analysis | |
| Saraoğlu et al. | A study on non‐invasive detection of blood glucose concentration from human palm perspiration by using artificial neural networks | |
| CN115349832A (zh) | 一种生命体征监测预警系统和方法 | |
| Li et al. | Self-powered sensors for biomarker detection | |
| Kapur et al. | GlucoBreath: Non-Invasive Glucometer to Detect Diabetes using Breath | |
| Luprano et al. | New generation of smart sensors for biochemical and bioelectrical applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200605 Address after: 261031 building 10, Geer phase II Industrial Park, No. 102, Ronghua Road, Ronghua community, Xincheng street, high tech Zone, Weifang City, Shandong Province Applicant after: Weifang goer Microelectronics Co.,Ltd. Address before: 261031 Dongfang Road, Weifang high tech Industrial Development Zone, Shandong, China, No. 268 Applicant before: GOERTEK Inc. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |