一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质

摘要

本申请涉及一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质，其包括S1、建立包含所有相关值的总参数集以及预设的目标子集；S2、更新目标子集，基于目标子集生成且满足精度条件的组合子集；S3、基于目标子集建立系统模型，将系统模型存储于模型库中，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值，若是则执行S5；若否则执行S4；S4、基于判断结果更新迭代值M，并返回S2；S5、基于判断结果，获取对应的系统模型为最终模型。本申请在回归模型的精度和回归模型的简化上取得合理的平衡，减少了系统预测计算的负担，降低过拟合现象发生的风险，最终获取一个较为精确且可靠的回归模型，更易于满足实际需求。

说明书

技术领域

本申请涉及血红蛋白检测分析的领域，尤其是涉及一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质。

背景技术

血红蛋白浓度是一个与人体健康评估相关的重要参数，当人体出现与贫血、出血有关的疾病时，人体的血红蛋白浓度往往会降低。检测血红蛋白浓度的方法检测有很多，可以分为有创检测、微创检测和无创检测，其中有创检测或微创检测需要先对人体进行采取血样，然后使用血细胞分析仪等仪器进行分析；无创检测则省去了采取血液血样的步骤，只需把受检者手指或者其他部位放入相关仪器，短时间内即可得到血红蛋白的浓度值。

近红外光谱分析法是常用的无创血红蛋白分析方法之一，近红外光谱法的原理为，根据朗伯特-比尔(lambert-beer)定律，光线通过溶液后其被吸收的程度与该溶液的吸收系数、浓度、光程、光线波长等参数相关，将多个波段的光线透射人体组织，经过人体内血液吸收之后，其光线的吸收程度包含了血液中血红蛋白成分的浓度信息，因而通过两者之间的联系，可以计算出总血红蛋白浓度、碳氧血红蛋白浓度及高铁血红蛋白浓度等生理参数。

由于人体组织结构复杂，血液成分也多种多样，往往需要通过实验数据分析来获得其模型。相关技术中如申请公布号为CN105286883A的中国发明专利申请公开了一种脉搏血红蛋白浓度无创测量方法及装置，该申请的方法包括以下步骤：a)同步采集一段时间内三个不同波长的光电脉搏波信号；b)利用线性回归算法提取所有任意两组光电脉搏波信号的特征值；c)根据特征值计算氧合血红蛋白浓度与脱氧血红蛋白浓度；d)将氧合血红蛋白浓度与脱氧血红蛋白浓度相加即得到血红蛋白浓度。

针对上述技术方案，发明人认为，对于不同的血红蛋白衍生物来说，对不同波长光线的吸收程度也不同；当血红蛋白浓度仪需要检测不同的血红蛋白衍生物浓度，或需要提高血红蛋白衍生物检测浓度的精确度时，应采用多个波长的光线进行检测，而随着光线数量的增大，血红蛋白浓度仪分析的参数数据量也越大，不仅增加了系统预测计算的负担，且由于各个参数之间可能存在线性关系而使得部分参数冗余，导致过拟合现象发生的风险较大，难以满足实际需求。

发明内容

本申请目的一是提供一种无创血红蛋白浓度值的检测方法，具有减少系统预测计算的负担的特点。

本申请的上述发明目的一是通过以下技术方案得以实现的：

一种无创血红蛋白浓度值的检测方法，包括，

S1、获取多个光电脉搏波信号和多个与各个光电脉搏波信号相关的浓度值，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的相关值，建立包含所有相关值的总参数集以及预设的目标子集；

S2、按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集，组合子集用于抽取可更新目标子集的精准元素；

S3、基于目标子集建立系统模型，将系统模型存储于模型库中，模型库用于存储多个对应于不同的迭代值M的系统模型，按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值，若是则执行S5；若否则执行S4；

S4、基于判断结果更新迭代值M，并返回S2；

S5、基于判断结果，获取对应的系统模型为最终模型；

S6、获取多个光电脉搏波信号，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的输入值，建立包含所有输入值的总输入集；

S7、按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

通过采用上述技术方案，从总参数集中，可抽取多个满足精度条件的元素作为精准元素，按照模型生成策略，可基于精准元素更新目标子集；随着迭代更新次数的增加，目标子集内的精准元素的数量也增加，因此在经过迭代值M次数的迭代更新后，可获取较能表征系统特征的目标子集，在后续步骤中也越可能获取精确的回归模型。由于目标子集内的各个元素精度较高，通过数据分析和处理，建立目标子集内的各个元素与对应的多个浓度值之间的回归模型后，可得到一个精确性较高、更具代表性的回归模型。另一方面，目标子集取代总参数集的方式减少拟合参数的数量，减少对系统预测计算带来的负担，降低过拟合现象发生的风险，进而得到更加可靠的回归模型。建立了可靠的高精度回归模型之后，可从各个迭代值M中选取满足系统精度条件的最小值，并获取对应于该迭代值M的回归模型作为最终模型。由于目标子集迭代次数的增加意味着系统的计算量随之增加，选取满足系统精度条件的最小迭代次数，可在回归模型的精度和回归模型的简化上取得合理的平衡，减少了系统预测计算的负担，降低过拟合现象发生的风险，最终获取一个较为精确且可靠的回归模型，更易于满足实际需求。

本申请在一较佳示例中可以进一步配置为：

在S2的步骤中，包括，

S21、按照子集更新策略，基于抽取的精准元素更新目标子集；

S22、预设迭代值M，基于目标子集内元素的数量，从目标子集在总参数集的补集中随机抽取补充子集，获取目标子集和补充子集的并集作为组合子集，组合子集的数量为预设的迭代值M；

S23、基于各个组合子集建立多个回归模型，判断当前的多个回归模型是否满足数量条件，若是则执行S24；若否则执行S21；

S24、按照精准值抽取策略，从补充子集中获取预设数量的精准元素；

S25、获取目标子集内元素的数量，基于目标子集建立回归模型并计算回归模型的均方差值，判断当前的目标子集是否满足模型精度条件，若是则执行S3；若否则执行S21。

通过采用上述技术方案，目标子集内的元素为精准元素，目标子集在总参数集的补集中包含的元素皆为非精准元素，从该补集中随机抽取多个元素构成补充子集，即是建立由预设数量个随机抽取的元素的组成的集合；随着补充子集的抽取数量的增多，各个元素被抽取的概率也更为接近，使各个元素可更加公平地获得被选取精准元素的机会，使更新迭代后的目标子集更加具有代表性。合并目标子集和补充子集获取组合子集后，可建立对应于各个组合子集的回归模型，对回归模型内的各个元素进行估值，然后选取预设数量个精度较高的元素作为新的精准元素。

本申请在一较佳示例中可以进一步配置为：

在S24的步骤中，包括，

S241、计算各个回归模型的均方差值，按照权值赋予策略，基于各个回归模型的均方差值，赋予各个补充子集中各个元素对应的权值，均方差值越小权值越大；

S242、预设更新值G，计算每一个元素对应的各个权值之和获取权值和，按照权值比较策略，获取更新值G个权值和较大的元素为精准元素。

通过采用上述技术方案，计算各个回归模型的均方差值，可以对各个回归模型进行精度评估；按照均方差值越小权值越大的规则，对每一组补充子集内的各个元素赋予权值，使每一个元素均会获得多个对应于不同回归模型的权值，因此对每一个元素所有的权值求和，即是通过多次抽取的方式，基于多个回归模型对元素进行精度估值，使获取的精准元素更加具有代表性。

本申请在一较佳示例中可以进一步配置为：

在S3的步骤中，包括，

S31、预设模型库，基于当前迭代值M的目标子集建立系统模型，按照模型对比策略，判断当前的模型库中是否存在待对比模型，若是则执行S33；若否则执行S32；

S32、将当前的系统模型作为判准模型,判断判准模型是否满足精度条件，并执行S4；

S33、将当前的系统模型作为判准模型；

S34、判断待对比模型是否满足精度条件，基于判断结果选取对应于判准模型的模型判断策略；

S35、基于选取的模型判断策略，判断判准模型是否满足当前的系统精度条件，若是则执行S5；若否则执行S4；

在S4的步骤中，基于判断结果，更新迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2；

在S5的步骤中，获取当前的待对比模型为最终模型。

通过采用上述技术方案，当系统模型建立之后，会判断模型库内是否存在待对比模型，若不存在待对比模型，则判断当前系统模型是否满足精度条件，并基于判断结果更新迭代值M。若存在待对比模型，则将当前的系统模型作为判准模型。判准模型生成之后，会与模型库中的待对比模型进行对比，由于判准模型为基于待对比模型迭代值M更新后生成的模型，判准模型和待对比模型之间的对比，即是迭代值M更前后两个回归模型之间的对比；通过上述的对比方式，可基于判断迭代值M更后的判准模型是否满足系统精度条件，从而判断待对比模型的迭代值M是否为满足系统精度条件的最小值。

本申请在一较佳示例中可以进一步配置为：

在S34的步骤中，判断待对比模型是否满足精度条件，

若是则执行S351；若否则执行S352；

在S35的步骤中，包括，

S351、按照多精度对比策略，判断判准模型是否满足系统精度条件，

若是则执行S41；若否则执行S5；

S352、按照多精度对比策略，判断判准模型是否满足系统精度条件，

若是则执行S5；若否则执行S42；

在S4的步骤中，

S41、基于预设数量减少迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2；

S42、基于预设数量增大迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2。

通过采用上述技术方案，当待对比模型的精度满足条件时，可减少待对比模型迭代值M的数量，即令回归模型的精度朝减少的趋势变化，然后建立对应的判准模型，再判断判准模型是否满足系统精度条件；若判准模型依然满足精度条件，则将判准模型作为新的待对比模型，按照相同的策略先减少迭代值M再进行判断；当获得不满足精度条件的判准模型后，则表示对待比模型的迭代值M为更新后会令回归模型不满足精度条件的临界值，即为当前的对待比模型的迭代值M为满足系统精度条件的最小值。同理，当待对比模型的精度不满足条件时，可增加待对比模型迭代值M的数量，即令回归模型的精度朝增大的趋势变化，然后建立对应的判准模型，再判断判准模型是否满足系统精度条件；若判准模型依然不满足精度条件，则将判准模型作为新的待对比模型，按照相同的策略先增加迭代值M再进行判断；当获得满足精度条件的判准模型后，则表示待对比模型的迭代值M为更新后会令回归模型满足精度条件的临界值，即为当前的对待比模型的迭代值M为满足系统精度条件的最小值。

本申请在一较佳示例中可以进一步配置为：

在S352的步骤中，包括，

S3521、计算判准模型的均方差值err

S3522、计算待对比模型的均方差值和判准模型的均方差值之间的差值E

通过采用上述技术方案，由于随着迭代值M的减少，目标子集的迭代次数会减少，越容易得到精确度较低的回归模型，对回归模型进行精度恶化处理。通过判断判准模型的均方值是否满足精度条件，可直接判断待对比模型的迭代值M减少后是否会直接使回归模型不满足精度条件；通过判断待对比模型均方差值与判断模型均方差值之间的差值，可判断改变迭代值M后，回归模型的恶化效果是否显著。若判准模型的均方差值不满足精度条件，或者判断模型的恶化效果显著，则可获取待对比模型的迭代值M为满足系统精度条件的最小值。

本申请在一较佳示例中可以进一步配置为：

在S352的步骤中，包括，

S3521、计算判准模型的均方差值err

S3522、计算待对比模型的均方差值和判准模型的均方差值之间的差值E

通过采用上述技术方案，由于随着迭代值M的增大，目标子集的迭代次数会增多，越容易得到精确度较高的回归模型，对回归模型进行精度优化处理。通过判断判准模型的均方值是否满足精度条件，可直接判断待对比模型的迭代值M减少后是否会直接使回归模型满足精度条件；通过判断待对比模型均方差值与判断模型均方差值之间的差值，可判断改变迭代值M后，回归模型的优化效果是否显著。若判准模型的均方差值不满足精度条件，且判断模型的优化效果显著，则可获取待对比模型的迭代值M为满足系统精度条件的最小值。

本申请目的二是提供一种无创血红蛋白检测装置，具有减少系统预测计算的负担的特点。

本申请的上述发明目的二是通过以下技术方案得以实现的：

参数集建立模块，用于取多个光电脉搏波信号、多个与各个光电脉搏波信号相关的浓度值以及多个与各个光电脉搏波信号相关的相关值，并建立包含所有相关值的总参数集以及预设的目标子集；以及，

元素更新模块，按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集；以及，

迭代值选取模块，用于基于目标子集建立系统模型，将系统模型存储于模型库中，并按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值；以及，

迭代值更新模块，用于基于所述迭代值选取模块的判断结果更新迭代值M；以及，

模型确认模块，用于基于所述迭代值判断子模块的判断结果，获取最终模型；以及，

输入模块，用于获取多个光电脉搏波信号以及获取多个与各个光电脉搏波信号相关的输入值，并建立包含所有输入值的总输入集；以及，

输出模块，用于按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

本申请目的三是提供一种智能终端，具有减少系统预测计算的负担的特点。

本申请的上述发明目的三是通过以下技术方案得以实现的：

一种智能终端，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述一种无创血红蛋白检测方法的计算机程序。

本申请目的四是提供一种计算机存储介质，能够存储相应的程序，具有减少系统预测计算的负担的特点。

本申请的上述发明目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种无创血红蛋白检测方法的计算机程序。

附图说明

图1是本申请的无创血红蛋白浓度值的检测方法的流程示意图。

图2是本申请的无创血红蛋白浓度值的检测方法中更新目标子集的流程示意图。

图3是本申请的无创血红蛋白浓度值的检测方法中选取满足系统精度条件的最小迭代值的流程示意图。

图4是本申请的选取满足系统精度条件的最小迭代值的方法中判断模型库是否存在待对比模型的流程示意图。

图5是本申请的选取满足系统精度条件的最小迭代值的方法中判断判准模型是否满足系统精度条件的流程示意图。

图6是本申请的无创血红蛋白浓度值的检测装置的模块示意图。

图中，1、参数集建立模块；2、元素更新模块；3、迭代值选取模块；4、迭代值更新模块；5、模型确认模块；6、输入模块；7、输出模块。

具体实施方式

相关技术中，无创血红蛋白仪通常采用近红外光谱法检测人体血红蛋白浓度。常用的方法是，选择在600nm～1300nm范围内的n个波长的光线，使n个光线分别依序透射手指，n个光线被手指中血液吸收部分光线后分别被光电转换传感器接收而转换为电信号；同时通过采集血液并利用血气分析仪获得有创血红蛋白浓度作为参考数据；然后通过数据分析和处理，建立光线数字信号与血红蛋白浓度的回归模型并用来估计/预测血红蛋白浓度。但是，当血红蛋白浓度仪需要检测不同的血红蛋白衍生物浓度，或者需要提高血红蛋白衍生物检测浓度的精确度时，这种检测方法应采用多个波长的光线进行检测，而随着光线数量的增大，即n值的增大，血红蛋白浓度仪分析的参数的计算量也越大，增加了系统预测计算的负担，降低了回归模型的鲁棒性。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

下面结合说明书附图1-6对本申请实施例作进一步详细描述。

实施例一

本申请实施例提供一种无创血红蛋白浓度值的检测方法，所述方法的主要流程描述如下。

参照图1，

S1、获取多个光电脉搏波信号和多个与各个光电脉搏波信号相关的浓度值，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的相关值，建立包含所有相关值的总参数集以及预设的目标子集，目标子集内的各个元素用于与对应的浓度值建立回归模型。

其中，光电脉搏波信号指的是通过将预设的多个波长不同的光线分别依序透射手指，各个光线被手指中的血液吸收部分光线后分别被光电转换传感器接收而转换为电信号，然后将该电信号经过硬件电路放大、滤波、数据采集等处理后进入 CPU中成为的数字信号。在实施例中，采用波长在600nm～1300nm范围内的8个不同的光线进行数据分析，在其他实施例中，也可根据血红蛋白吸收系数采用满足测试条件的n个光线进行检测。

浓度值指的是通过采集血液并利用血气分析仪获得的有创血红蛋白浓度，在建立回归模型的过程中作为参考数据使用。在本实施例中，浓度值可以为总血红蛋白浓度，也可以为碳氧血红蛋白浓度，也可以为高铁血红蛋白浓度，或者采用其他的血红蛋白衍生物浓度。

相关值指的是与血红蛋白浓度值密切相关，且用于与浓度值的回归模型的参数。本实施例中，设接收到的光线强度为I

根据朗伯特-比尔定律，血红蛋白浓度值与R

总参数集指的是包含所有相关值的参数集，在本实施例中参数集X即为总参数集，总参数集内元素的数量为224（8*7*4）。

目标子集指的是用于取代总参数集与对应的浓度值建立回归模型，从而减少参数数量，降低预测计算对系统带来的负担，可得到更加可靠的回归模型。在本实施例中，目标子集的初始状态为空集；在其他实施例中，也可根据实际实验将具有代表性的经验参数添加进目标子集中。

参照图2，S2、按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集，组合子集用于抽取可更新目标子集的精准元素。

其中，组合集生成策略指的是通过从总参数集中随机抽取元素并与目标子集合并生成新的参数集的方法；组合子集为通过组合集生成策略生成的子集；精准元素为基于组合子集的精度比较，从目标子集在组合子集中的补集中选取的具有代表性的元素。目标子集可通过精准元素逐步进行更新。

由于总参数集内元素的数量为224，若直接从总参数集中抽取目标子集，以目标子集内元素的数量为30为例，则共有C

在S2的步骤中，包括，

S21、按照子集更新策略，基于抽取的精准元素更新目标子集。

其中，子集更新策略指的是将抽取的所有精准元素加入当前的目标子集中，令目标子集内元素的数量增加，使目标子集更新成新的目标子集。

S22、预设迭代值M，基于目标子集内元素的数量，从目标子集在总参数集的补集中随机抽取补充子集，获取目标子集和补充子集的并集作为组合子集，组合子集的数量为预设的迭代值M。

具体地，迭代值M为组合子集内元素的数量，即组合子集建立回归模型后的参数数量；在本实施例中，迭代值M为30，在其他实施例中，迭代值M可根据数据测试的经验参数进行调整。

补充子集是根据蒙特卡洛法从目标子集在总参数集的补集中随机抽取的子集，用于提供可成为精准元素的元素。由于补充子集的各个元素均通过为随机抽取的方式，从目标子集在总参数集的补集中选出，从而使总参数集中除现有精准元素以外的各个元素，均有被抽取成为精准元素的机会，使精准元素的抽取更加具有公平性。

由于组合子集内元素的数量限定为迭代值M，随着目标子集的逐步更新，目标子集内元素的数量逐步增大，补充子集内元素的数量逐步减少，从总参数集中随机抽取的元素的数量也逐步减少。

S23、基于各个组合子集建立多个回归模型，判断当前的多个回归模型是否满足数量条件，若是则执行S24；若否则执行S21。

具体地，组合子集内的迭代值M个元素与各个对应的浓度值建立回归模型，用于在下个步骤中对补充子集内的各个元素进行精度评估；在本实施例中，回归模型可通过最小二乘法建立。

回归模型的数量条件指的是回归模型的数量是否等于抽取值P。当回归模型满足数量条件后，相当于有抽取值P个补充子集与抽取值P个目标子集组合形成了抽取值P个组合子集，即从目标子集在总参数集的补集中随机抽取P次的补充子集。因此若将预设的抽取值P的增大，则各个元素被抽取的概率也更为接近，使各个元素可更加公平地获得被选取精准元素的几率，使更新迭代后的目标子集更加具有代表性。若回归模型的数量小于抽取值P，则返回S21，直到获得抽取值P个回归模型。本实施例中，考虑到系统计算量的负担和测试精度的需求，抽取值P设定为1000。

S24、按照精准值抽取策略，从补充子集中获取预设数量的精准元素。

其中，精准值抽取策略指的是基于建立的各个回归模型对补充子集内的各个元素进行精度评估，从补充子集中选取最有代表性且最能表征系统特性的参数作为精准元素。

在S24的步骤中，包括，

S241、计算各个回归模型的均方差值，按照权值赋予策略，基于各个回归模型的均方差值，赋予各个补充子集中各个元素对应的权值，均方差值越小权值越大。

具体地，获取各个回归模型的均方差值后，可反映各个回归模型的离散程度，从而评估组合子集各个的元素的不确定性。权值赋予策略指的是基于回归模型的均方差值，对补充子集内的各个元素赋予可评估精度的权值的方法，其中回归模型的均方差值越小，则对应的组合子集的权值越大。

S242、预设更新值G，计算每一个元素对应的各个权值之和获取权值和，按照权值比较策略，获取更新值G个权值和较大的元素为精准元素。

其中，权值比较策略指的是通过多个权值之间的比较，反映出多个元素的精度之间的比较的方法。当各个组合子集被赋予不同的权值后，相当于每一个元素均具有多个对应于不同组合子集的权值，因此对每一个元素所有的权值求和，即是基于多个回归模型对各个元素进行精度估值，使获取的精准元素更加具有代表性。当各个元素获得权值和后，根据权值和从大到小的顺序排列各个元素，并选取权值和最大的前更新值G个元素为精准元素，从而得到更新值G个精准元素。在本实施例中，更新值G取值为1，即目标子集每更新一次后增加1个精准元素；在其他实施例中，为了更快速地得到足够元素数量的目标子集，也可增大更新值G的预设值。

参照图2和图3，S25、获取目标子集内元素的数量，基于目标子集建立回归模型并计算回归模型的均方差值，判断当前的目标子集是否满足模型精度条件，若是则执行S3；若否则执行S21。

其中，目标子集是否满足模型精度条件的判准有两个，其中一个判准指的是目标子集内元素的数量满足数量条件，另外一个判准指的是基于目标子集建立的归回模型的均方差值满足精度条件，两个判准中满足任意一个判准即可执行S3；反之则返回S21。在本实施例中不限定上述两个判准的发生顺序。

在S25的步骤中，包括，

S251、获取目标子集内元素的数量，判断目标子集内元素的数量是否满足数量条件，若是则执行S3；若否则执行S252。

其中，数量条件指的是目标子集内元素的数量是否大于等于迭代值M；若目标子集内元素的数量大于等于迭代值M，则目标子集满足模型精度条件并执行下一步；若目标子集内元素的数量小于迭代值M，则执行S252的判断。

在本实施例中，当目标子集内具有迭代值M个精准元素时，表示精准元素的数量从0增加到迭代值M，相当于当前的目标子集共更新了迭代值M次。

由于精准元素需要从通过蒙特卡洛法随机抽取的各个元素中选出，基于蒙特卡罗法的理论，实验次数越多，所得到的结果越趋于精确，即目标子集的迭代次数与回归模型的精度之间存在密切关系；随着随机抽取的数量越多，即迭代值M越大，基于目标子集建立的回归模型中越可能获得精确的回归模型。相反的，若精准元素的数量过少，则难以通过目标子集建立可靠且精确的回归模型。

S252、基于目标子集建立回归模型并计算回归模型的均方差值，判断均方差值是否满足精度条件，若是则执行S3；若否则执行S21。

其中，精度条件指的是回归模型的均方差值是否小于等于精度阈值err

参照图1，S3、基于目标子集建立系统模型，将系统模型存储于模型库中，模型库用于存储多个对应于不同的迭代值M的系统模型，按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值，若是则执行S5；若否则执行S4。

其中，模型库用于存储不同于当前目标子集迭代值M的系统模型，目标子集建立了系统模型之后，可通过模型库中取出更新前的目标子集的系统模型进行对比。

在系统模型的建立过程中，迭代值M相当于系统模型的参数个数，随着迭代值M的增大，系统的计算量也越大，提高过拟合发生的风险；为了根据系统精度需求折中选择合适的迭代值M，本实施例在建立了系统模型之后，会更新迭代值M，并通过模型判断策略从不同的迭代值M中搜索到满足系统精度条件的最小值。当按照模型判断策略可以从模型库中获取满足系统精度条件的最小迭代值M后，则执行S5；反之则执行S4，更新迭代值M重新进行建模。

其中，模型判断策略包括有两个步骤，第一个步骤是通过对比迭代值M更新前的系统模型和迭代值M更新后的系统模型，获取迭代值M更新后导致精度显著变化的临界值，即最小值；第二个步骤是在取得临界值之后，结合更新后的系统模型是否满足系统精度条件，从而获取满足系统精度条件的迭代值M；本实施例中不限定上述两个步骤的发生顺序。

参照图4，S31、预设模型库，基于当前迭代值M的目标子集建立系统模型，按照模型对比策略，判断当前的模型库中是否存在待对比模型，若是则执行S33；若否则执行S32。

具体地，可预设目标子集建立的回归模型：

其中H

将目标子集内的各个元素和预先获得对应的浓度值代入回归模型后，可获得系统模型。

其中，待对比模型指的是存储于模型库中，等待与系统模型进行对比的回归模型。对于当前的系统模型来说，待对比模型为该系统模型在迭代值M更新前所建立的回归模型，相当于上一个系统模型。

模型对比策略指的是判断模型库中是否存在待对比模型，即判断在当前的系统模型之前是否存在上一个系统模型，若是则执行S33；若否则执行S32，此时当前的系统模型处于缺失可对比的回归模型的状态，是建模过程中生成的第一个系统模型。

S32、将当前的系统模型作为判准模型,判断判准模型是否满足精度条件，并执行S4。

其中，精度条件指的是回归模型的均方差值是否小于等于精度阈值err

S33、将当前的系统模型作为判准模型。

其中，判准模型指的是用于与待对比模型进行对比的模型，基于对比结果，当迭代值M改变之后，判断模型会作为新的待对比模型存储于模型库中。

参照图3，S34、判断待对比模型是否满足精度条件，基于判断结果选取对应于判准模型的模型判断策略。

其中，精度条件指的是待对比模型的均方差值是否小于等于精度阈值err

若均方差值err

参照图1和图3，S35、基于选取的模型判断策略，判断判准模型是否满足当前的系统精度条件，若是则执行S5；若否则执行S4。

其中，系统精度条件用于判断判准模型是否满足系统精度条件，从而判断模型库中是否存在满足系统精度条件的最小迭代值M。

参照图3和图5，S351、按照多精度对比策略，判断判准模型是否满足系统精度条件，若是则执行S41；若否则执行S5。

其中，多精度对比策略包括有直接精度条件的判断和间接精度条件的判断，直接精度条件的判断用于反映迭代值M更新后的回归模型的是否满足精度条件；间接精度条件的判断用于反映迭代值M更新后对待对比模型的精度恶化是否显著。

在多精度对比策略中，判准模型不满足精度条件或判准模型恶化效果显著，均可反映出判准模型已不满足系统精度条件，可获取不满足系统精度条件的回归模型，从而得到迭代值M的临界值。在本实施例中，不限定直接精度条件和间接精度条件之间的判断顺序。

在S351的步骤中，包括，

S3511、计算判准模型的均方差值err

其中，直接精度条件指的是判准模型的均方差值是否小于等于精度阈值err

若均方差值err

S3512、计算待对比模型的均方差值err

其中，差值E

若差值E

S352、按照多精度对比策略，判断判准模型是否满足系统精度条件，若是则执行S5；若否则执行S42。

其中，多精度对比策略包括有直接精度条件的判断和间接精度条件的判断，直接精度条件的判断用于反映迭代值M更新后的回归模型的是否满足精度条件；间接精度条件的判断用于反映迭代值M更新后对待对比模型的精度优化是否显著。

在多精度对比策略中，判准模型需要满足精度条件且判准模型优化效果微弱，才可反映出判准模型满足系统精度条件，可获取满足系统精度条件的回归模型，从而得到迭代值M的临界值。在本实施例中，不限定直接精度条件和间接精度条件之间的判断顺序。

在S352的步骤中，包括，

S3521、计算判准模型的均方差值err

其中，直接精度条件指的是判准模型的均方差值是否小于等于精度阈值err

若均方差值err

S3522、计算待对比模型的均方差值err

其中，差值E

若差值E

参照图4和图5，S4、基于判断结果，更新迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2。

具体地，判断结果可以决定迭代值M的更新方式，即减少或增加迭代值M。迭代值M更新后，将当前的判准模型作为待对比模型，等待与通过S2的建模方法重新建立的判准判准模型进行对比。需要注意的是，迭代值M更新后应不失一般性。

S41、基于预设数量减少迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2。

其中，迭代值M减少，使通过S2的建模方法重新建立的系统模型的精度朝降低的趋势变化，即对当前的判准模型进行精度恶化。判准模型作为待对比模型存储于模型库中，等待与新的判准模型进行对比，相当于恶化前的回归模型等待与通过更定迭代值M恶化后的回归模型进行对比。通过判准模型和待对比模型之间的转换，可使判准模型一直精度恶化，直到出现满足系统精度条件的最小迭代值M。迭代值M的预设减少数量影响回归模型的精度变化幅度，考虑到间接精度条件会基于恶化效果是否显著进行判断，在本实施例中迭代值M预设的变化数量为1。

S42、基于预设数量增大迭代值M，将当前的判准模型作为待对比模型存储于模型库，并返回S2。

其中，迭代值M增大，使通过S2的建模方法重新建立的系统模型的精度朝增大的趋势变化，即对当前的判准模型进行精度优化。判准模型作为待对比模型存储于模型库中，等待与新的判准模型进行对比，相当于优化前的回归模型等待与通过更定迭代值M优化后的回归模型进行对比。通过判准模型和待对比模型之间的转换，可使判准模型一直精度优化，直到出现满足系统精度条件的最小迭代值M。迭代值M的预设增加数量影响回归模型的精度变化幅度，考虑到间接精度条件会基于优化效果是否显著进行判断，在本实施例中迭代值M预设的变化数量为1。

S5、基于判断结果，获取当前的待对比模型为最终模型。

其中，若基于S3511中的判断结果，表示当前的满足精度条件的待对比模型减少迭代值M后，会得到不满足直接精度条件的回归模型，从而判断待对比模型的迭代值M为满足系统精度条件的最小值。

若基于S3512中的判断结果，表示当前的满足精度条件的待对比模型减少迭代值M后，会得到精度恶化效果显著的回归模型，从而判断待对比模型的迭代值M为满足系统精度条件的最小值。

若基于S3522中的判断结果，表示当前的满足不精度条件的待对比模型增加迭代值M后，会得到满足直接精度条件且精度优化效果微弱的回归模型，从而判断待对比模型的迭代值M为满足系统精度条件的最小值。

综合上述三个步骤的判断结果，可选取当前的待对比模型为最终模型，

即

其中H

参照1，S6、获取多个光电脉搏波信号，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的输入值，建立包含所有输入值的总输入集。

其中，光电脉搏波信号指的是通过将预设的8个波长不同的光线分别依序透射手指，各个光线被手指中的血液吸收部分光线后分别被光电转换传感器接收而转换为电信号，然后将该电信号经过硬件电路放大、滤波、数据采集等处理后进入 CPU中成为的数字信号。

输入值可通过S1中的方法计算获得，且与S1中的相关值相对应。

总输入集指的是包含所有输入值的参数集，总输入集内元素的数量为224，且与S1中的总参数集相对应。

S7、按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

其中，目标子集抽取策略指的是，根据目标子集内各个元素在总参数集中的各个位置，从输入集中选取对应于各个位置的输入值，并将各个输入值代入最终模型中，最终可获得浓度输出值。

本实施例的具体实施过程：先建立总参数集和预设目标子集，通过蒙特卡洛法从目标子集在总参数集的补集中随机抽取多个元素建立补充子集。补充子集和目标子集组合形成组合子集，组合子集可通过最小二乘法建立回归模型。反复随机抽取多次补充子集后，可获得多个组合子集和对应的回归模型。然后通过计算各个回归模型的均方差值，评估补充子集内各个元素的权值，从而可选出补充子集中选取精度最高的元素，将该元素作为精准元素加入目标子集中。目标子集通过不断地加入精准元素而持续进行更新，直到目标子集内元素的数量达到迭代值M，或者基于目标子集建立的回归模型满足精度条件，则将基于目标子集建立的回归模型作为系统模型。

在建立系统模型的过程中，从众多参数中选取最具代表性、最能表征系统特征的精准元素，并利用精准元素更新目标子集的策略，减少了系统预测计算带来的负担，降低了过拟合现象发生的风险，易于满足实际需求。

完成系统模型的初步选取后，开始进行迭代值M的选取。基于蒙特卡罗法的理论，目标子集的迭代次数与回归模型的精度之间存在密切关系；若减少迭代值M，重新建立的系统模型的精度会朝减少的趋势变化；若增大迭代值M，重新建立的系统模型的精度会朝增大的趋势变化。

利用上述卡特蒙罗法的原理，若原系统模型满足精度条件，则可减少迭代值M并重新建立系统模型，对重新建立的系统模型进行判断，直到获得到不满足系统精度条件的系统模型，则更新前的系统模型（即上一个系统模型）的迭代值M作为满足系统精度条件的最小值。其中，新建立的系统不满足精度条件或更新前后的两系统模型之间精度差异过大，都可判断新建立的系统模型不满足系统精度条件。

若原系统模型不满足精度条件，则可增加迭代值M并重新建立系统模型，对重新建立的系统模型进行判断，直到获得到满足系统精度条件的系统模型，则更新前的系统模型（即上一个系统模型）的迭代值M作为满足系统精度条件的最小值。其中，新建立的系统满足精度条件且更新前后的两系统模型之间精度差异微弱，才可判断新建立的系统模型满足系统精度条件。得到迭代值M满足系统精度条件的最小值后，可将对应于该迭代值M的系统模型作为最终模型。

通过选取最小迭代值M的方式，可对选取的系统模型进行简化处理，同时保持迭代值M满足系统进度条件，相当于在模型的精度和模型的简化上取得一个合理的平衡，最终获得最终模型，

即

其中H

在进行血红蛋白浓度检测时，可将通过S6步骤的方法获取总输入集，并按照S7步骤中的方法，基于目标子集的选取方式，从总输入集中选取对应的输入值代入最终模型中，获取浓度输出值。

实施例二：

参照图6，在一个实施例中，提供一种无创血红蛋白检测装置，与上述实施例一中的无创血红蛋白浓度值的检测方法一一对应，应用于建立可靠精确的回归模型，减少系统预测计算的负担，该系统包括参数集建立模块1、元素更新模块2、迭代值选取模块3、迭代值更新模块4、模型确认模块5、输入模块6以及输出模块7。各功能模块详细说明如下：

参数集建立模块1，用于取多个光电脉搏波信号、多个与各个光电脉搏波信号相关的浓度值以及多个与各个光电脉搏波信号相关的相关值，并建立包含所有相关值的总参数集以及预设的目标子集；以及，

元素更新模块2，按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集；以及，

迭代值选取模块3，用于基于目标子集建立系统模型，将系统模型存储于模型库中，并按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值；以及，

迭代值更新模块4，用于基于所述迭代值选取模块3的判断结果更新迭代值M；以及，

模型确认模块5，用于基于所述迭代值判断子模块的判断结果，获取最终模型；以及，

输入模块6，用于获取多个光电脉搏波信号以及获取多个与各个光电脉搏波信号相关的输入值，并建立包含所有输入值的总输入集；以及，

输出模块7，用于按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

实施例三：

在一个实施例中，提供了一种智能终端，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中存储器存储训练模型中的训练数据、算法公式以及滤波机制等。处理器用于提供计算和控制能力，处理器执行计算机程序时实现以下步骤：

S1、获取多个光电脉搏波信号和多个与各个光电脉搏波信号相关的浓度值，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的相关值，建立包含所有相关值的总参数集以及预设的目标子集；

S2、按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集，组合子集用于抽取可更新目标子集的精准元素；

S3、基于目标子集建立系统模型，将系统模型存储于模型库中，模型库用于存储多个对应于不同的迭代值M的系统模型，按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值，若是则执行S5；若否则执行S4；

S4、基于判断结果更新迭代值M，并返回S2；

S5、基于判断结果，获取对应的系统模型为最终模型；

S6、获取多个光电脉搏波信号，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的输入值，建立包含所有输入值的总输入集；

S7、按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

实施例四：

在一个实施例中，提供了一种计算机可读存储介质，其存储有能够被处理器加载并执行上述小面积指纹图像特征提取方法的计算机程序，计算机程序被处理器执行时实现以下步骤：

S1、获取多个光电脉搏波信号和多个与各个光电脉搏波信号相关的浓度值，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的相关值，建立包含所有相关值的总参数集以及预设的目标子集；

S2、按照子集更新策略，更新目标子集，预设迭代值M，按照组合集生成策略，基于当前的目标子集从总参数集中生成元素数量为迭代值M且满足精度条件的组合子集，组合子集用于抽取可更新目标子集的精准元素；

S3、基于目标子集建立系统模型，将系统模型存储于模型库中，模型库用于存储多个对应于不同的迭代值M的系统模型，按照模型判断策略，判断当前模型库中的各个迭代值M中是否存在为满足系统精度条件的最小值，若是则执行S5；若否则执行S4；

S4、基于判断结果更新迭代值M，并返回S2；

S5、基于判断结果，获取对应的系统模型为最终模型；

S6、获取多个光电脉搏波信号，基于每一组光电脉搏波信号的计算，获取多个与各个光电脉搏波信号相关的输入值，建立包含所有输入值的总输入集；

S7、按照目标子集抽取策略，从总输入集中选取迭代值M个输入值，将各个输入值代入最终模型中，获得浓度输出值。

所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。