基于粒子群和人工神经网络的近红外光谱血糖建模方法研究

现有的近红外光谱无创血糖建模方法大多是基于多波长近红外光谱信号，不利于无创血糖仪在家庭中普及，并且这些建模方法没有考虑单个个体每天血糖变化规律的差异性。针对这些问题，本文以血糖吸收最强的 1 550 nm 近红外光吸光度为自变量、血糖浓度为因变量，结合粒子群（PSO）算法和人工神经网络（ANN）建立了一种无创血糖检测模型——PSO-2ANN 模型。该模型以两个结构和参数确定的人工神经网络为基本的子模块，通过粒子群算法优化两个子模块的权重系数得到最终的模型。使用 PSO-2ANN 模型对 10 名志愿者的实验数据进行预测。结果表明，其中 9 名志愿者的预测相对误差率均小于 20%；通过 PSO-2ANN 模型得到的血糖浓度预测值分布在克拉克误差网格 A、B 区域的比重为 98.28%，证实了 PSO-2ANN 模型具有比传统人工神经网络模型更为理想的预测精度和稳健性。另外，单个个体由于外界环境、心情、精神状态等因素的影响，每天血糖的变化规律可能会出现一定程度的差异性，PSO-2ANN 模型只需要调节一个参数便能修正这种差异性。本文提出的 PSO-2ANN 模型为克服血糖浓度预测的个体差异性提供了新的思路