一种基于高光谱成像技术检测血糖浓度的COVID-19病毒快速筛查方法

摘要

本发明涉及了新型冠状病毒的检测技术领域，提出了一种基于高光谱成像技术检测人体血糖浓度的COVID‑19病毒快速筛查的方法。具体实现包含以下步骤：首先获取感兴趣部位的光谱图像；然后提取静脉特征谱段；接下来对特征谱段下的灰度图像进行预处理操作；下一步制作静脉图像标签；然后选择Unet语义分割算法识别静脉轮廓和位置；最后计算光谱反射率的平均值，与血糖值进行拟合。本发明作为一种基于高光谱成像技术检测血糖浓度的COVID‑19病毒快速筛查方法，采用高光谱技术进行医疗检测，降低检测成本，具有良好的经济效益；作为COVID‑19病毒前期筛查方案的有效补充，设备检测精度更高，更具备临床指导价值；拍摄图像的筛查方式相比红外测温局限性更小，操作更便捷。

说明书

技术领域

本发明涉及了新型冠状病毒检测技术领域，具体涉及一种基于高光谱成像技术检测人体血糖浓度的COVID-19病毒快速筛查方法。

背景技术

大数据显示，糖尿病和新冠的感染有着密切关系，新冠感染可使二型糖尿病风险增加40％以上。此外，研究人员还发现，感染新冠病毒后，β细胞中分泌胰岛素的颗粒数量会逐渐减少，最终导致胰岛素分泌功能下降。新冠病毒会促进一些细胞因子的释放，破坏免疫系统的功能，导致肝功能异常。

研究发现，新冠病毒可以通过破坏控制血糖的细胞来诱导一种新型糖尿病，这种疾病的发病率远远高于普通糖尿病。同时，新冠病毒容易攻击人体内的胰腺器官和肝脏器官，从而改变器官功能。此外，在治过程中服用的一些药物也容易导致血糖水平升高。大量资料显示，新冠会加重糖尿病的病情，且糖尿病患者的死亡风险明显增加，因此合理控制血糖是最好的治疗方法。

统计表明，当血糖控制不良时，新冠病毒感染者的死亡率将明显上升。因此，深入探究和发掘新冠病毒与机体血糖水平之间的关系，具有重要的临床意义。

发明内容

血糖水平对于新冠病毒感染初期的筛查、诊断和治疗评估中有着非常重要的参考价值。当前社会通过测量体温排查疑似感染新冠病毒人员，但是红外测温仪在外界温度变化的情况下难以精准测量人体温度，容易造成漏检、误检。因此，新型的COVID-19病毒快速筛查设备是科研工作者们的重点研究方向，本发明提出了一种高精准度、响应速度快、非接触式的基于高光谱成像技术的COVID-19病毒快速筛查方法，这项技术可以为COVID-19病毒诊断提供快速可靠的血糖水平指示。

本发明采用的技术方案如下：

一种基于高光谱成像技术检测血糖浓度的COVID-19病毒快速筛查方法具体实现包含以下步骤：

S1、搭建实验环境，调节软硬件设备，利用高光谱相机拍摄手背和手掌部位的光谱图像，建立静脉高光谱图像数据集。

S2、提取静脉血管区别于皮肤组织的特征谱段，手动分别在皮肤和静脉上选取多个素点，提取这些像素点的光谱反射率曲线，将数据归一化后采用特征选择算法，提取静脉血液的特征谱段。

S3、得到特征谱段后，对特征谱段下的灰度图像进行预处理操作，为完成手背和手掌处的静脉识别，首先对采集到的高光谱数据进行图像预处理包括去噪、直方图均衡化以及感兴趣区域提取。

S4、制作高光谱手背、手掌静脉图像标签，采取数字图像处理领域中的图像分割算法得到一组分割后的二值图像，再利用图像融合算法得到最后的标签。

S5、Unet网络在训练时数据预处理使用了镜像边缘算法，加权损失函数，使网络更加重视边缘像素的学习，选择Unet语义分割算法识别静脉轮廓和位置。

S6、选取多个静脉像素点，计算光谱反射率的平均值，描绘光谱曲线用于和业界标准商业血糖仪采集到的实验对象血糖值进行拟合，

得到血糖值与光谱反射率之间的函数关系。

进一步的，所述步骤S1的具体实现如下：

S101、搭建试验环境，硬件设备包括环形冷光源(近红外LED光源)、光源智能调节电源、高光谱相机、内置相机操控软件的笔记本电脑、能调节相机高度的实验台。

S102、连接好硬件设备后，打开光源、开启相机操控软件，调节曝光时间，设置白板和暗背景，成功后开始采集数据、调节相机高度和焦距使试验台底座白线清晰的呈现在视野里，并使环形光源在试验台底座上均匀打光。

S103、实验者将手掌展平置于试验台底座上，检查各个谱段下的图像是否过曝光，检查无误后，控制相机拍摄实验者手掌和手背两个区域的高光谱图像，并将文件实时上传到大数据平台进行后续的数据提取和处理。

进一步的，所述步骤S2的具体实现如下：

S201、计算选取像素点的光谱反射率曲线：

上式中θ是某一像素点，R(θ)是高光谱图像的反射率，I

S202、数据归一化和特征选择算法：

使用Sigmoid函数对各个谱段的反射率图像进行归一化处理，剔除噪声，更利于特征提取。

x为原始数据，S(x)为归一化之后的数据。

特征选择算法不仅可以降低数据维数，简化分析，还可以去除无关特征，使分析过程更加关注主特征。采用决策树特征选择算法选取手掌、手背静脉特征谱段：

根据信息增益、增益率、基尼指数这三种特征选择度量来选取主特征。

1、信息增益(ID3)

信息增益定义：特征A对训练集D的信息增益g(D,A)，定义为集合D的熵H(D)与特征A给定条件下D的条件熵H(D|A)的差，即：

g(D,A)＝H(D)-H(D|A)

信息增益表示得到特征X的信息而使得类Y的信息不确定性减少的程度。

其中|D|表示其样本容量，K表示类的个数,|C

2、增益率(C4.5)

信息增益比：特征A对训练数集D的信息增益比定义为其信息增益与训练数据集D关于特征值A的值的熵之比，即

其中

3、基尼指数(CART)

基尼指数度量数据区或训练集D的不纯度，定义为：

基尼指数数值越小，数据集的纯度越高。特征A的基尼指数定义为：

进一步的，所述步骤S3的具体实现如下：

S301、去除噪声采用双边滤波算法，双边滤波算法是一种非线性的保边滤波方法，同时考虑到图像的空间邻近度和像素值相似度，达到保边去噪的目的。具有非迭代、简洁、保边等特点，其原理如下：

上式中ω(i,j,k,l)是空间域核与像素域核的乘积，σ

S302、直方图均衡化

直方图均衡化是一种便捷、高效的图像增强技术，被广泛应用在智能驾驶、医学图像处理、以及遥感图像处理等领域。直方图均衡化能够增强图像的全局对比度。当图像的整体灰度值都处于一个较小的范围内时，直方图均衡化算法能将灰度图原本集中在一个较小的灰度区间中的直方图转换成一个在整个灰度区间中均匀分布的直方图。

直方图均衡化的数学原理表达式为：

R＝T(S)

其中S是初始图像，R是经过均衡化之后的图像，T为变换函数。令n

其中L是灰度图中灰度等级的总数，通常是256；n是该图像中的总像素数；p

S303、由于手掌置于试验台上，应先剔除图像中多余背景，将手掌区域分割出来，以减少后续静脉识别的噪声干扰。

首先用OTSU算法将手背和手掌部分与背景分割开来，设定好阈值可以高效地将图像二值化，其原理为找到一个阈值使得两类之间的方差最大：

首先统计图像中每个灰度值的像素点个数，设n

且有：

设阈值为k，则有：

像素被分到A的概率为p

进一步的，所述步骤S4的具体实现如下：

S401、利用六种图像分割算法处理特征谱段处的静脉图像得到六个分割后的二值图像。

基于六种不同框架选取图像分割算法：

(1)基于聚类的分割：谱聚类算法

(2)基于能量泛函的分割：活动轮廓模型

(3)基于阈值的分割方法：最大熵算法

(4)图割分割：最大流最小割算法

(5)基于区域的分割方法：分水岭算法

(6)基于边缘的分割方法：边缘检测算子

S402、将六幅二值图像融合起来作为标签图像，图像融合算法原理如下：

式中N取6，I

进一步的，所述步骤S5的具体实现如下：

S501、深度学习网络的为引入一阶动量的随机梯度下降算法：SGD+Momentum，在SGD的基础上引入一阶动量，增加惯性。

x

m

上式中超参数α为学习率，β根据经验常取为0.9，x

指数加权平均(指数衰减平均)是指增加一个衰减系数来控制历史信息的获取多少，约等于1/(1-β)历史时刻的梯度向量和的平均值。

因此SGD+Momentum具有以下优点：

1.增加了稳定性。

2.收敛速度更快。

3.具有一定摆脱局部最优的能力。

S502、损失函数选取：

式中p

w(x)就是特征图上每个像素点的权重，w

S503、将标注数据输入到调试好的语义分割网络模型中开始训练，选择在某个epoch后冻结网络一部分参数。观察验证损失和总损失是否收敛以及它们的下降速度，根据初步预测结果调节超参数以及优化算法，直到分割精度达到预期指标。

进一步的，所述步骤S6的具体实现如下：

选取XGBoost算法去拟合静脉光谱信息与血糖值之间的函数关系，其算法原理如下：

这里K是树的棵数，f(x)是函数空间中的一个函数：

上式中q(x)表示将样本x分到了某个叶子节点上，ω是叶子节点的分数。

XGBoost使用的损失函数如下：

损失函数中

对损失函数进行二级泰勒展开：

去除常数项化简得到：

首先确定底层树的结构，为使损失函数取得极小值，可令其导数为0，解得每个叶节点的最优预测分数为：

代入损失函数，解得最小损失为：

附图说明

图1：本发明的总体流程图

图2：特征谱段下采集到的手背的灰度图像

具体实施方式

本发明介绍了一种基于高光谱成像技术检测人体血糖浓度，进而完成COVID-19病毒快速筛查的方法。

本发明的具体实施方式如下：

S1、搭建实验环境，调节软硬件设备，利用高光谱相机拍摄手背和手掌部位的光谱图像，建立静脉高光谱图像数据集。

S2、提取静脉血管区别于皮肤组织的特征谱段，手动分别在皮肤和静脉上选取多个素点，提取这些像素点的光谱反射率曲线，将数据归一化后采用特征选择算法，提取静脉血液的特征谱段。

S3、得到特征谱段后，对特征谱段下的灰度图像进行预处理操作，为完成手背和手掌处的静脉识别，首先对采集到的高光谱数据进行图像预处理包括去噪、直方图均衡化以及感兴趣区域提取。

S4、制作高光谱手背、手掌静脉图像标签，采取数字图像处理领域中的图像分割算法得到一组分割后的二值图像，再利用图像融合算法得到最后的标签。

S5、Unet网络在训练时数据预处理使用了镜像边缘算法，加权损失函数，使网络更加重视边缘像素的学习，选择Unet语义分割算法识别静脉轮廓和位置。

S6、选取多个静脉像素点，计算光谱反射率的平均值，描绘光谱曲线用于和业界标准商业血糖仪采集到的实验对象血糖值进行拟合，

得到血糖值与光谱反射率之间的函数关系。

进一步的，所述步骤S1的具体实现如下：

S101、搭建试验环境，硬件设备包括环形冷光源(近红外LED光源)、光源智能调节电源、高光谱相机、内置相机操控软件的笔记本电脑、能调节相机高度的实验台。

S102、连接好硬件设备后，打开光源、开启相机操控软件，调节曝光时间，设置白板和暗背景，成功后开始采集数据、调节相机高度和焦距使试验台底座白线清晰的呈现在视野里，并使环形光源在试验台底座上均匀打光。

S103、实验者将手掌展平置于试验台底座上，检查各个谱段下的图像是否过曝光，检查无误后，控制相机拍摄实验者手掌和手背两个区域的高光谱图像，并将文件实时上传到大数据平台进行后续的数据提取和处理。

进一步的，所述步骤S2的具体实现如下：

S201、计算选取像素点的光谱反射率曲线：

上式中θ是某一像素点，R(θ)是高光谱图像的反射率，I

S202、数据归一化和特征选择算法：

使用Sigmoid函数对各个谱段的反射率图像进行归一化处理，剔除噪声，更利于特征提取。

x为原始数据，S(x)为归一化之后的数据。

特征选择算法不仅可以降低数据维数，简化分析，还可以去除无关特征，使分析过程更加关注主特征。采用决策树特征选择算法选取手掌、手背静脉特征谱段：

根据信息增益、增益率、基尼指数这三种特征选择度量来选取主特征。

1、信息增益(ID3)

信息增益定义：特征A对训练集D的信息增益g(D,A)，定义为集合D的熵H(D)与特征A给定条件下D的条件熵H(D|A)的差，即：

g(D,A)＝H(D)-H(D|A)

信息增益表示得到特征X的信息而使得类Y的信息不确定性减少的程度。

其中|D|表示其样本容量，K表示类的个数,|C

2、增益率(C4.5)

信息增益比：特征A对训练数集D的信息增益比定义为其信息增益与训练数据集D关于特征值A的值的熵之比，即

其中

3、基尼指数(CART)

基尼指数度量数据区或训练集D的不纯度，定义为：

基尼指数数值越小，数据集的纯度越高。特征A的基尼指数定义为：

进一步的，所述步骤S3的具体实现如下：

S301、去除噪声采用双边滤波算法，双边滤波算法是一种非线性的保边滤波方法，同时考虑到图像的空间邻近度和像素值相似度，达到保边去噪的目的。具有非迭代、简洁、保边等特点，其原理如下：

上式中ω(i,j,k,l)是空间域核与像素域核的乘积，σ

S302、直方图均衡化

直方图均衡化是一种便捷、高效的图像增强技术，被广泛应用在智能驾驶、医学图像处理、以及遥感图像处理等领域。直方图均衡化能够增强图像的全局对比度。当图像的整体灰度值都处于一个较小的范围内时，直方图均衡化算法能将灰度图原本集中在一个较小的灰度区间中的直方图转换成一个在整个灰度区间中均匀分布的直方图。

直方图均衡化的数学原理表达式为：

R＝T(S)

其中S是初始图像，R是经过均衡化之后的图像，T为变换函数。令n

其中L是灰度图中灰度等级的总数，通常是256；n是该图像中的总像素数；p

S303、由于手掌置于试验台上，应先剔除图像中多余背景，将手掌区域分割出来，以减少后续静脉识别的噪声干扰。

首先用OTSU算法将手背和手掌部分与背景分割开来，设定好阈值可以高效地将图像二值化，其原理为找到一个阈值使得两类之间的方差最大：

首先统计图像中每个灰度值的像素点个数，设n

且有：

设阈值为k，则有：

像素被分到A的概率为p

进一步的，所述步骤S4的具体实现如下：

S401、利用六种图像分割算法处理特征谱段处的静脉图像得到六个分割后的二值图像。

基于六种不同框架选取图像分割算法：

(1)基于聚类的分割：谱聚类算法

(2)基于能量泛函的分割：活动轮廓模型

(3)基于阈值的分割方法：最大熵算法

(4)图割分割：最大流最小割算法

(5)基于区域的分割方法：分水岭算法

(6)基于边缘的分割方法：边缘检测算子

S402、将六幅二值图像融合起来作为标签图像，图像融合算法原理如下：

式中N取6，I

进一步的，所述步骤S5的具体实现如下：

S501、深度学习网络的为引入一阶动量的随机梯度下降算法：SGD+Momentum，在SGD的基础上引入一阶动量，增加惯性。

x

m

上式中超参数α为学习率，β根据经验常取为0.9，x

指数加权平均(指数衰减平均)是指增加一个衰减系数来控制历史信息的获取多少，约等于1/(1-β)历史时刻的梯度向量和的平均值。

因此SGD+Momentum具有以下优点：

1.增加了稳定性。

2.收敛速度更快。

3.具有一定摆脱局部最优的能力。

S502、损失函数选取：

式中p

w(x)就是特征图上每个像素点的权重，w

S503、将标注数据输入到调试好的语义分割网络模型中开始训练，选择在某个epoch后冻结网络一部分参数。观察验证损失和总损失是否收敛以及它们的下降速度，根据初步预测结果调节超参数以及优化算法，直到分割精度达到预期指标。

进一步的，所述步骤S6的具体实现如下：

选取XGBoost算法去拟合静脉光谱信息与血糖值之间的函数关系，其算法原理如下：

这里K是树的棵数，f(x)是函数空间中的一个函数：

上式中q(x)表示将样本x分到了某个叶子节点上，ω是叶子节点的分数。

XGBoost使用的损失函数如下：

损失函数中

对损失函数进行二级泰勒展开：

去除常数项化简得到：

首先确定底层树的结构，为使损失函数取得极小值，可令其导数为0，解得每个叶节点的最优预测分数为：

代入损失函数，解得最小损失为：