[發明專利]基于模型融合的葡萄糖濃度預測方法及相關設備

在審

• 申請號: 202210958683.6
• 申請日: 2022-08-09
• 公開（公告）號: CN115394440A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 張笑宇;閔鈺春;陳旭東;鮑善軍;丁淳悅;徐鑫;徐鶴;季一木;劉尚東;李鵬
• 申請（專利權）人: 江蘇躍凱生物技術有限公司;南京郵電大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;A61B5/145;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 陳莉

1.一種基于模型融合的葡萄糖濃度預測方法，其特征在于，包括：

獲取初始樣本數據集；

利用卡爾曼濾波算法對所述初始樣本數據集進行降噪平滑處理，得到樣本數據集；其中，所述樣本數據集包括第一測試集和第一訓練集；

基于K折交叉驗證，將所述樣本數據集輸入優化后的LSTM模型，得到葡萄糖濃度的初步預測結果；

基于所述K折交叉驗證，將所述初步預測結果輸入優化后的XGBoost模型，得到葡萄糖濃度的最終預測結果。

2.根據權利要求1所述的方法，其特征在于，所述基于K折交叉驗證，將所述樣本數據集輸入優化后的LSTM模型，得到葡萄糖濃度的初步預測結果，包括：

將所述第一訓練集分為K個第一子樣本；

對于K折交叉驗證中的任意一次驗證：

選取一個所述第一子樣本作為第一驗證集，其余K-1個所述第一子樣本作為第一訓練樣本；基于所述第一訓練樣本，利用所述K折交叉驗證訓練LSTM模型；利用所述粒子群優化算法優化所述LSTM模型的超參數，得到所述優化后的LSTM模型；利用所述優化后的LSTM模型對所述第一驗證集進行預測，得到第一預測數據；利用所述優化后的LSTM模型對所述第一測試集進行預測，得到第二預測數據；

將K次驗證得到的K個所述第一預測數據進行組合，得到第二訓練集，將K次驗證得到的K個所述第二預測數據的平均值作為第二測試集；其中，每次驗證選取不同的第一子樣本作為所述第一驗證集，所述初步預測結果包括所述第二訓練集和所述第二測試集。

3.根據權利要求2所述的方法，其特征在于，所述基于所述K折交叉驗證，將所述初步預測結果輸入優化后的XGBoost模型，得到葡萄糖濃度的最終預測結果，包括：

將所述第二訓練集分為K個第二子樣本；

對于K折交叉驗證中的任意一次驗證：

選取一個所述第二子樣本作為第二驗證集，其余K-1個所述第二子樣本作為第二訓練樣本；基于所述第二訓練樣本，利用所述K折交叉驗證訓練XGBoost模型；利用所述粒子群優化算法優化所述XGBoost模型的超參數，得到所述優化后的XGBoost模型；利用所述優化后的XGBoost模型對所述第二測試集進行預測，得到第三預測數據；

將K次驗證得到的K個所述第三預測數據的平均值作為所述最終預測結果；其中，每次驗證選取不同的第二子樣本作為所述第二驗證集。

4.根據權利要求2所述的方法，其特征在于，在基于所述第一訓練樣本，利用所述K折交叉驗證訓練LSTM模型之前，還包括：

對所述第一訓練樣本進行缺省值處理；

其中，所述缺省值處理包括：確定所述第一訓練樣本中的缺失值及所述缺失值鄰域的非缺失值；根據所述非缺失值，采用k最近鄰算法對所述缺失值進行插補。

5.根據權利要求3所述的方法，其特征在于，在基于所述第二訓練樣本，利用所述K折交叉驗證訓練XGBoost模型之前，還包括：

對所述第二訓練樣本進行歸一化處理和時間序列轉化處理：

其中，所述歸一化處理包括：將所述第二訓練樣本中的數據統一映射到[0,1]區間上；

所述時間序列轉化處理包括：將所述第二訓練樣本中的數據轉化為帶有時間序列的N維矩陣。

6.根據權利要求1所述的方法，其特征在于，在利用卡爾曼濾波算法對所述初始樣本數據集進行降噪平滑處理，得到樣本數據集之前，還包括：

通過皮爾遜相關系數對所述初始樣本數據集進行篩選。

7.根據權利要求1所述的方法，其特征在于，所述利用卡爾曼濾波算法對所述初始樣本數據集進行降噪平滑處理，得到樣本數據集，包括：

利用卡爾曼濾波算法對樣所述初始本數據集進行降噪平滑處理，將所述初始本數據集中的傳感器電流信號轉化為去噪電流信號，得到所述樣本數據集。