| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-23页 |
| 1.1 研究背景及意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 近红外光谱无创血糖校正模型研究现状 | 第13-20页 |
| 1.2.1 多元线性回归 | 第14-15页 |
| 1.2.2 主成分分析 | 第15-16页 |
| 1.2.3 偏最小二乘回归 | 第16-17页 |
| 1.2.4 人工神经网络 | 第17-19页 |
| 1.2.5 研究现状综述 | 第19-20页 |
| 1.3 研究内容及技术路线 | 第20-23页 |
| 1.3.1 研究内容 | 第20页 |
| 1.3.2 技术路线 | 第20-23页 |
| 2 近红外光谱分析技术 | 第23-33页 |
| 2.1 近红外光谱分析技术的理论基础 | 第23-24页 |
| 2.1.1 近红外分子振动光谱 | 第23页 |
| 2.1.2 比尔-朗伯(Beer-Lambert)定律 | 第23-24页 |
| 2.2 无创血糖检测基础性问题研究 | 第24-28页 |
| 2.2.1 测量波长的选择 | 第24-25页 |
| 2.2.2 测量方式的选择 | 第25-27页 |
| 2.2.3 检测部位的选择 | 第27-28页 |
| 2.3 近红外无创血糖检测流程 | 第28-29页 |
| 2.4 近红外无创血糖检测模型评价指标 | 第29-33页 |
| 2.4.1 均方根误差 | 第29页 |
| 2.4.2 相对误差率 | 第29页 |
| 2.4.3 相关系数 | 第29-30页 |
| 2.4.4 克拉克误差网格 | 第30-33页 |
| 3 血糖近红外光谱信号检测系统 | 第33-39页 |
| 3.1 血糖近红外光谱信号检测系统的组成 | 第33-34页 |
| 3.2 近红外光谱数据有效性和重复性检验 | 第34-39页 |
| 3.2.1 实验数据的采集 | 第34-35页 |
| 3.2.2 近红外光谱数据有效性检验 | 第35-37页 |
| 3.2.3 近红外光谱数据重复性检验 | 第37-39页 |
| 4 基于PSO-2ANN的无创血糖检测模型设计 | 第39-55页 |
| 4.1 基本原理介绍 | 第39-41页 |
| 4.1.1 粒子群算法 | 第39-40页 |
| 4.1.2 人工神经网络 | 第40-41页 |
| 4.2 数据采集 | 第41-42页 |
| 4.3 传统ANN模型的建立与评价 | 第42-48页 |
| 4.3.1 传统ANN模型的建立 | 第42-45页 |
| 4.3.2 传统ANN模型的评价 | 第45-48页 |
| 4.4 PSO-2ANN模型的建立与评价 | 第48-53页 |
| 4.4.1 PSO-2ANN模型的建立 | 第48-52页 |
| 4.4.2 PSO-2ANN模型的评价 | 第52-53页 |
| 4.5 讨论 | 第53-55页 |
| 5 基于PCA-NARX的无创血糖检测模型设计 | 第55-69页 |
| 5.1 数据采集及分析 | 第55-57页 |
| 5.1.1 数据采集 | 第55-56页 |
| 5.1.2 数据相关性分析 | 第56-57页 |
| 5.2 基本原理介绍 | 第57-58页 |
| 5.2.1 主成分分析 | 第57-58页 |
| 5.2.2 非线性自回归网络 | 第58页 |
| 5.3 PCA-ANN预测模型的建立与评价 | 第58-60页 |
| 5.3.1 模型建立过程 | 第58-59页 |
| 5.3.2 预测结果 | 第59-60页 |
| 5.4 PCA-NARX预测模型的建立与评价 | 第60-61页 |
| 5.4.1 模型建立过程 | 第60页 |
| 5.4.2 预测结果 | 第60-61页 |
| 5.5 两个模型的对比分析 | 第61-66页 |
| 5.5.1 均方根误差 | 第61页 |
| 5.5.2 克拉克误差网格 | 第61-66页 |
| 5.6 讨论 | 第66-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79页 |
| A 作者在攻读学位期间发表的论文目录 | 第79页 |
| B 作者在攻读学位期间参与的科研项目 | 第79页 |