具体实施方式

下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种基于鸿蒙操作系统的臂戴式血糖仪，如图1所示，包括：数据采集模块1、基于鸿蒙操作系统的智能终端2，所述数据采集模块1与所述智能终端2通信连接；

如图2所示，所述数据采集模块1包括壳体11、数据采集单元12；所述壳体11包括两个弧形部件111和至少两个弹性部件112，两个所述弧形部件111的两端分别通过所述弹性部件112连接；所述数据采集单元12包括光源模组和光检测模组，所述光源模组用于发射照向检测对象手臂上指定位置的光线，所述光检测模组用于检测所述指定位置的反射光信息；

所述智能终端2获取所述数据采集模块1输出的数据并输入训练好的人工智能模型，根据所述人工智能模型的输出确定检测对象的血糖值或血糖值范围，所述数据采集模块1输出的数据包括所述反射光信息。

本实施例提供的血糖仪可以实现快速、便捷、准确且无损的血糖检测，以便随时监控血糖变化，达到有效控制血糖的目的。另外，所述弹性部件112可以使得所述数据采集模块1佩戴至检测对象的手臂上时能够与检测对象的手臂相对固定，避免晃动影响检测结果的准确性。弹性部件112与弧形部件111配合使用，还可以使得光源模组和光检测模组均紧贴检测对象的手臂，增加与手臂的贴合度，避免外界光线和皮肤表面反射光对检测精确的影响。

可选的，所述数据采集单元12设置于其中一个所述弧形部件111上，为所述数据采集单元12供电的储能模块(例如包括蓄电池)可以设置在另一个所述弧形部件111上，所述储能模块与所述数据采集单元12之间的电连接线可以穿设于所述弹性部件112内。

所述数据采集模块1包括第一无线通信模块，所述智能终端2包括第二无线通信模块，所述第一无线通信模块用于将所述数据采集单元12采集的数据发送至所述第二无线通信模块，所述第二无线通信模块用于接收所述第一无线通信模块发送的数据。

可选的，所述光源模组包括平行光二极管，且所述平行光二极管围绕所述光检测模组均匀设置；

所述平行光二极管包括管芯和封装体，所述封装体包覆于所述管芯外；

所述封装体包括围绕所述管芯侧面设置的不透光部件，所述不透光部件的顶部包覆所述管芯的顶部边缘部分，所述封装体还包括设置于所述管芯底侧的吸光部件以及设置于所述管芯顶侧的球面准直透镜；

所述管芯是通过在基板上形成外延层并对所述外延层进行图案化得到，所述管芯具有竖直侧面或顶部向中心倾斜的侧面。

具体的，通过对所述外延层进行图案化得到所述管芯后，可将管芯粘接至载体晶圆，然后再形成包覆管芯和载体晶圆的粘接体的封装体得到所述平行光二极管。

具体的，所述不透光部件顶部仅包覆管芯顶部边缘部分，因此不透光部件顶部存在可以透光的孔，所述球面准直透镜可以嵌设在该孔中。

进一步可选的，所述平行光二极管包括至少两种，该至少两种平行光二极管发出的光线不同，每一种平行光二极管都围绕所述光检测模组均匀设置，与其他的平行光二极管间隔设置。或者，所述平行光二极管在不同的激发电信号下发出的光线不同，例如光线随着激发电流的不同而不同或者随着激发电压的不同而不同。

可选的，所述人工智能模型包括：N个分别对所述反射光信息进行特征提取的第一神经网络模型，N为大于1的正整数；N个所述第一神经网络模型包括用于提取所述反射光信息中波数维度的特征的神经网络模型以及用于提取所述反射光信息中频域维度的特征的神经网络模型；

金字塔模型，用于分别对所述第一神经网络提取的、多个层次的第一特征信息进行整合得到N个第二特征信息；

分类器模型，用于根据N个所述第二特征信息输出检测对象的血糖值属于各血糖值范围的概率；所述分类器模型包括多个通过加权求和方式集成的分类器。

具体的，所述第一神经网络模型可以包括VGG神经网络模型、GoogleNet神经网络模型等，还可以包括多层加权自编码器构成的神经网络。

可选的，所述智能终端2还用于对所述数据采集模块1输出的数据进行预处理，所述预处理包括通过采用最小二乘拟合系数建立滤波函数，对移动窗口内的数据进行多项式最小二乘拟合，多项式拟合的表达式为：

z^*(i)＝a₀+a₁i+a₂i²+...+a_bi^b

其中，z^*(i)为Savitzky-Golay卷积平滑法建立多次拟合曲线后中心点位置得到的拟合值，a₀，a₁，a₂…a_b是通过以下公式计算得到：

其中，所述移动窗口内的数据为z(i),i＝-M,…,0,…,M，μ＝0,1,2…,b。

本实施例中的预处理用于对所述反射光信息进行平滑处理。

另外，所述预处理还包括对所述反射光信息进行一阶求导、多元散射校正等。

可选的，所述分类器模型是通过以下方式构建：

获取l条训练样本：{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}，x_j为N个所述第二特征信息，y_j为血糖值范围，血糖值范围总数为K个，初始化权值

令t＝1,2,…,T，T为最大训练次数；

按照权值w^t，选择训练样本；

对训练样本进行血糖值范围的分类识别，h_t:X→Y；

令k＝1,2,…,K，循环计算各血糖值范围中，分到各血糖值范围样本的权值和：判断各血糖值范围中分类正确的样本权值和是否大于分到其他血糖值范围的样本的权值和若是则进行下一次循环，否则转至对样本进行血糖值范围的分类识别步骤重新开始计算；

计算h_t的伪错误率：

令

计算新的权重向量：

归一化得到所述分类器模型为：

其中，多个所述分类器h_t(x)可以包括最小距离分类器、线性判别分类器、K最近邻分类器、支持向量机和/或极限学习机等。

可选的，所述人工智能模型的训练样本包括：利用所述数据采集模块1采集到的检测对象的所述指定位置的反射光信息，以及在采集到所述反射光信息时通过采血检测方式获取到的检测对象的血糖值所属的血糖值范围。

本实施例中，训练样本的标签为多个血糖值范围。

可选的，所述智能终端2还用于接收用户输入的第一血糖值范围，所述第一血糖值范围是在使用所述血糖仪时通过采血检测方式获取到的所述检测对象的血糖值所属的血糖值范围；

所述智能终端2还用于基于所述第一血糖值范围对所述人工智能模型进行迁移学习训练。

其中，用户可以是所述检测对象也可以不是所述检测对象。

本实施例中，为保证血糖仪检测结果的可靠性，在对新的检测对象进行血糖值范围检测之前，可以使用新检测对象的数据对所述人工智能模型进行迁移学习训练，在新的检测对象使用过程中也可以定期或不定期通过采血检测方式验证血糖仪的准确性，若准确度不满足，则可以再次进行迁移学习训练。

人工智能模型初次训练使用的设备可以不是所述智能终端2。另外，智能终端2还可以从其他设备获取最新优化的人工智能模型，例如服务器可以基于最新收集到的数据对人工智能模型进行优化训练，然后推送给智能终端2。

另外，所述智能终端2还用于接收用户的操作输入，并根据所述操作输入生成相应的控制信号发送至所述数据采集模块1，以控制所述数据采集模块1的工作，例如开始工作(具体可以是控制光源模组发射光线，光检测模组在光源发射光线后检测反射光)、停止工作、暂停工作等，这里不再详列。

可选的，所述智能终端2用于获取使用所述血糖仪时所述数据采集模块1输出的数据、所述人工智能模型输出的检测对象的血糖值属于所述第一血糖值范围的第一概率值和属于第二血糖值范围的第二概率值，所述第二血糖值范围为使用所述血糖仪时输出的血糖值范围；

所述智能终端2还用于根据所述第一概率值与所述第二概率值之间的差值确定参数调整初始步长；

所述智能终端2还用于根据所述人工智能模型中各神经网络模型对输出结果的影响程度，确定各神经网络模型中参数调整对应的权重值，并根据所述权重值与所述初始步长确定各神经网络模型的参数调整步长；

所述智能终端2还用于根据所述参数调整步长调整相应神经网络模型中的参数，得到调整后的人工智能模型，将使用所述血糖仪时所述数据采集模块1输出的数据输入至调整后的人工智能模型，得到检测对象的血糖值属于各血糖值范围的概率值，并判断是否满足确定所述第一血糖值范围为所述检测对象的血糖值范围的条件，若否，则继续根据所述参数调整步长调整相应神经网络模型中的参数直至调整后的人工智能模型输出的各血糖值范围的概率值能够确定所述第一血糖值范围为所述检测对象的血糖值范围。

可选的，所述数据采集单元12还包括以下至少之一：温度传感器、皮肤成分检测传感器；

所述数据采集模块1输出的数据还包括所述温度传感器和/或所述皮肤成分检测传感器输出的数据。

也即，所述温度传感器和/或所述皮肤成分检测传感器输出的数据也作为所述人工智能模型的输入。

本实施例提供的血糖仪还考虑了温度、皮肤成分等对利用反射光进行血糖检测时的影响，提高血糖检测精度。

可选的，所述数据采集模块1还包括与所述数据采集单元12邻近设置的压力传感器，所述智能终端2根据所述压力传感器采集的压力信息判断所述数据采集单元12与检测对象手臂之间的压力是否满足预设条件，并在所述压力不满足预设条件的情况下输出提示信息。

由于压力会导致手臂内的血流和组织形态发生变化，而这些变化会影响光的反射，因此本实施例中，在检测过程中会对数据采集模块施加的压力进行检测，以免由于压力过大影响血糖检测精度。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。