[0023] resulttest＝resulttest,1∨resulttest,2∨...∨resulttest,k
[0024] 其中resulttest,i是测试数据在第i类PCA模型下检测结果，其中resulttest,i＝1代表检测结果正常，resulttest,i＝0代表检测结果异常；∨为取并集的逻辑运算；resulttest为最终检测结果，为所有类PCA模型下检测结果的并集，当连续若干时刻的故障检测结果均为异常，则可说明血糖仪发生故障。
[0025] 进一步地，所述步骤(3)具体包括以下子步骤：
[0026] (3.1)对于某个特定病人选取足量血糖仪正常工作时的血糖数据作为训练数据，用于病人血糖分类；并将这些训练数据如步骤(2)铺展成n个采样点组成的n×m维数据矩阵X。假定全部训练数据属于同一类(即第一类)，即：
[0027] X1＝X＝[x(1),x(2),...x(n)]T；
[0028] (3.2)利用PCA迭代的方法将血糖分为若干类，具体步骤如下：
[0029] (3.2.1)根据步骤(2)对第一类的数据矩阵建立PCA模型：
[0030] E1＝X1-X1P1P1T
[0031] SPE1(i)＝e1(i)Te1(i)
[0032]
[0033] (3.2.2)通过PCA模型控制限SPE_Limit1可以将数据X1分为两类，即SPE在控制限以下的 和SPE在控制限以上的 其中 传入第二类，而作为新的第一类，即
[0034] (3.2.3)重复步骤(3.2.1)和(3.2.2)直至符合第一类迭代终止条件；
[0035] (3.2.4)根据步骤(3.2.1)——(3.2.3)，可以获得第二类及之后各类，直至所有类都停止迭代且没有新的类分离出来，则判定完成分类；
[0036] (3.2.5)利用各类的最终分类结果建立各类最终的PCA模型；
[0037] 进一步地，所述步骤(3.2.3)中，所述迭代终止条件判定包括线性判定和SPE离散程度判定。
[0038] 所述线性判定是基于PCA模型，检验分类后血糖信号间是否为线性关系：
[0039] a)提取第i类Xi的主元Ti，并进行K均值聚类将Xi分为m个区域；
[0040] b)分别计算每个区域的相关系数矩阵，记为R(h)，h＝1,2,...,m。根据每个变量的均值和方差可计算出R(h)中每个元素的置信限，用矩阵表示为：
[0041]
[0042] 其中 和 分别为第i变量和第j变量的相关系数 的下界和上界， 和 Cα是标准正态分布检验
水平为α时的临界值，n(h)是第h区域的样本数；
[0043] c)利用粒子群优化算法获得相关系数矩阵的第k个特征值λk的上下限 和满足：
[0044]
[0045]
[0046] 并计算残差矩阵的弗罗贝尼乌斯范数边界限： 以及其中n为PCA模型保留主元个数，ΔRmax和ΔRmin中的元素分别是R中非对角元素的波动，用于决定最大值 和最小值
[0047] d)比较各区域的残差矩阵的弗罗贝尼乌斯范数 是否落在边界内，若所有范数均落在边界以内，则说明数据为线性数据；
[0048] 所述SPE离散程度判定即相关特性判定：
[0049] 若类内数据的SPE满足：
[0050]
[0051] 且只有少数采样点超出SPE控制限，即：
[0052]
[0053] 则说明类内数据的相关特性近似，即血糖波动情况相同。其中mi为第i类SPE的均值，α为控制线的置信度。
[0054] 本发明的有益效果是：本发明所提出的含血糖分类功能故障检测模块的连续血糖监测设备能够根据病人血糖信号间不同的相关特性将血糖分为若干类，再分别进行故障检测，以便提高PCA监测图的检测精度，从而提升血糖信号的可信度。本发明易于实施，为血糖处理和分析的研究指明了新的方向。
附图说明
[0055] 图1是本发明连续血糖监测设备的结构框图；
[0056] 图2是本发明连续血糖监测设备中血糖分类的流程图；
[0057] 图3是本发明连续血糖监测设备中在线故障检测的实现流程图；
[0058] 图4是原始PCA的SPE监测图；
[0059] 图5是通过PCA迭代分类的SPE监测图，(a)第一类SPE监测图(b)第二类SPE监测图(c)第三类SPE监测图；
[0060] 图6是PCA迭代分类的检测结果(正常情况)，(a)正常血糖信号(b)最终检测结果(c)第一类SPE监测图(d)第二类SPE监测图(e)第三类SPE监测图；
[0061] 图7是PCA迭代分类的检测结果(故障情况)，(a)故障血糖信号(b)最终检测结果(c)第一类SPE监测图(d)第二类SPE监测图(e)第三类SPE监测图。
具体实施方式
[0062] 下面结合附图和具体实施例对本发明作进一步详细说明。
[0063] 如图1所示，本发明提供的一种包含血糖分类功能故障检测模块的连续血糖监测设备，该设备包括：用于采集人体血糖信息，输出血糖可用信号的传感器；用于对传感器的输出信号进行放大处理的信号放大器；用于对信号放大器输出的模拟信号进行数字转换的单片机；用于对单片机输出的数字信号进行数据处理的故障检测模块，故障检测模块可以集成在单片机中，也可以单独使用；用于将故障检测模块输出的血糖监测值SPE显示的显示器；用于数据存储的存储器；所述故障检测模块进行数据处理的过程包括以下步骤：
[0064] 步骤1：血糖数据预处理
[0065] 将以采样周期为5分钟所获得的连续血糖监测信号组合成一维时序数据xg1×l，其中，y表示检测到的血糖信号，l为样个数:本实例中，共有三组对象的采样信号，采样周期为5分钟，第1组为青少年组，第2组为成人组，第3组为儿童组，每组2人，三组共6人，每个对象的采样信号包括五天的数据。分别添加单时刻数据异常的尖峰类(spike)故障以及持续一段时间数据异常的丧失敏感性类(lose sensitivity)故障；
[0066] 步骤2：对于连续血糖信号建立PCA模型：将连续m个血糖信号作为PCA模型维多维输入，即x(k)＝[xg(k-m+1),xg(k-m+2),...xg(k)]T，令m＝7
[0067] T＝XP
[0068] E＝X-XPPT
[0069] 其中X＝[x(1),x(2),...x(n)]T是由n×m维的血糖数据组成的训练矩阵；P为m×r维负载矩阵，r为保留的主元个数，r≤m；T为n×r维得分矩阵，为血糖数据矩阵X在主元空间的投影；E＝[e(1),e(2),...,e(n)]T为n×m维的残差矩阵。通过统计量SPE对血糖数据进行监测：
[0070] SPE(i)＝e(i)Te(i)
[0071] SPE的控制限可以通过以下公式近似求取：
[0072]
[0073] 其中g＝v/2m，h＝2m2/v，m为全部SPE的均值，v为全部SPE的方差，α为控制线的置信度。
[0074] 步骤3：通过PCA迭代的方法将病人的血糖信号进行分类，并建立相应的PCA模型；
[0075] (3.1)对于某个特定病人选取一天血糖仪正常工作时的血糖数据作为训练数据，(l＝288)用于病人血糖分类；并将这些训练数据如步骤(2)铺展成n个采样点组成的n×m维数据矩阵X。假定全部训练数据属于同一类(即第一类)，即：
[0076] X1＝X＝[x(1),x(2),...x(n)]T；
[0077] (3.2)利用PCA迭代的方法将血糖分为若干类，具体步骤如下：
[0078] (3.2.1)根据步骤(2)对第一类的数据矩阵建立PCA模型：
[0079] E1＝X1-X1P1P1T
[0080] SPE1(i)＝e1(i)Te1(i)
[0081]
[0082] (3.2.2)通过PCA模型控制限SPE_Limit1可以将数据X1分为两类，即SPE在控制限以下的 和SPE在控制限以上的 其中 传入第二类，而作为新的第一类，即
[0083] (3.2.3)重复步骤(3.2.1)和(3.2.2)直至符合第一类迭代终止条件(详见步骤3.3)；
[0084] (3.2.4)根据步骤(3.2.1)——(3.2.3)，可以获得第二类及之后各类，直至所有类都停止迭代且没有新的类分离出来，则判定完成分类；
[0085] (3.2.5)利用各类的最终分类结果建立各类最终的PCA模型；
[0086] (3.3)PCA迭代终止条件判定包括线性判定和SPE离散程度判定。
[0087] (3.3.1)线性判定是基于PCA模型，检验分类后血糖信号间线性是否提升：
[0088] a)提取第i类Xi的主元Ti，并进行K均值聚类将Xi分为m个区域；
[0089] b)分别计算每个区域的相关系数矩阵，记为R(h)，h＝1,2,...,m。根据每个变量的均值和方差可计算出R(h)中每个元素的置信限，用矩阵表示为：
[0090]
[0091] 其中 和 分别为第i变量和第j变量的相关系数 的下界和上界， 和 Cα是标准正态分布检验
水平为α时的临界值，n(h)是第h区域的样本数；
[0092] c)利用粒子群优化算法获得相关系数矩阵的第k个特征值λk的上下限 和满足：
[0093]
[0094]
[0095] 并计算残差矩阵的弗罗贝尼乌斯范数边界限： 以及其中n为PCA模型保留主元个数，ΔRmax和ΔRmin中的元素分别是R中非对角元素的波动，用于决定最大值 和最小值
[0096] d)比较各区域的残差矩阵的弗罗贝尼乌斯范数 是否落在边界内，若所有范数均落在边界以内，则说明数据为线性数据；
[0097] 所述SPE离散程度判定即相关特性判定：
[0098] 若类内数据的SPE满足：
[0099]
[0100] 且只有少数采样点超出SPE控制限，即：
[0101]
[0102] 则说明类内数据的相关特性近似，即血糖波动情况相同。其中mi为第i类SPE的均值，α为控制线的置信度。
[0103] (3.3.2)SPE离散程度判定即相关特性判定：若类内数据的SPE满足：
[0104]
[0105] 且只有少数采样点超出SPE控制限，即：
[0106]
[0107] 则说明类内数据的相关特性近似，即血糖波动情况相同。其中mi为第i类SPE的均值。
[0108] (4)根据步骤(3)的分类结果，建立血糖仪在线故障检测的PCA监测图，具体包括以下子步骤：
[0109] (4.1)将在线传入的血糖数据分别代入各类PCA模型，计算SPE值：
[0110] etest,iT＝xtestT-xtestTPiPiT
[0111] SPEnew,i＝etest,iTetest,i
[0112] 其中xtest是当前时刻输入的m×1维的血糖测试数据，Pi是第i类PCA模型的负载矩阵，而etest,i是测试数据代入第i类PCA模型所得的残差向量，SPEtest,i是etest,i对应的SPE值；
[0113] (4.2)确定测试数据的检测结果：
[0114] resulttest,i＝SPEtest,i
[0115] resulttest＝resulttest,1∨resulttest,2∨...∨resulttest,k
[0116] 其中resulttest,i是测试数据在第i类PCA模型下检测结果，其中resulttest,i＝1代表检测结果正常，resulttest,i＝0代表检测结果异常；∨为取并集的逻辑运算；resulttest为最终检测结果，为所有类PCA模型下检测结果的并集，当连续若干时刻的故障检测结果均为异常，则可说明血糖仪发生故障。
[0117] (4.3)采用以下两个指标作为检测性能的评价指标：
[0118] (4.3.1)误报率
[0119]
[0120] 误报样本点是本为正常样本点但发生故障警报；误报率越低则说明检测性能越好；
[0121] (4.3.2)漏报率
[0122]
[0123] 漏报样本点是本为故障样本点但没发生故障警报；漏报率越低则说明检测性能越好；
[0124] 从表1表2中可以看出，基于PCA迭代分类的PCA监测图要明显好于原始PCA监测图，误报率、漏报率都有明显的下降。
[0125] 表1针对3组(青少年组、成人组和儿童组)共6个对象的血糖采样数据分别采用分类PCA和原始PCA的故障检测的误报率结果对比(结果用均值±标准差表示)
[0126]对象# 分类PCA 原始PCA
1 1.51 5.41
2 1.42 3.37
3 5.14 5.05
4 1.33 5.14
5 0.27 4.61
6 4.52 6.56
均值±标准差 2.36±1.8 5.02±0.95
[0127] 表2针对3组(青少年组、成人组和儿童组)共6个对象的血糖采样数据分别采用分类PCA和原始PCA的故障检测的漏报率结果对比(结果用均值±标准差表示)
[0128]
