[發(fā)明專利]基于模型融合的葡萄糖濃度預(yù)測方法及相關(guān)設(shè)備

在審

• 申請?zhí)枺?/td>: 202210958683.6
• 申請日: 2022-08-09
• 公開（公告）號: CN115394440A
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)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(quán)）人: 江蘇躍凱生物技術(shù)有限公司;南京郵電大學(xué)
• 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(fēng)雅頌專利代理有限公司 11403
• 代理人: 陳莉

本申請?zhí)峁┮环N基于模型融合的葡萄糖濃度預(yù)測方法及相關(guān)設(shè)備，在獲取到初始樣本數(shù)據(jù)集后，采用卡爾曼濾波算法對初始樣本數(shù)據(jù)集中的傳感器電流信號進(jìn)行降噪平滑處理，使電流信號更接近真實值，提高預(yù)測結(jié)果的精度；基于K折交叉驗證，將優(yōu)化后的LSTM模型得到的對葡萄糖濃度的初步預(yù)測結(jié)果輸入優(yōu)化后的XGBoost模型，得到葡萄糖濃度的最終預(yù)測結(jié)果。利用模型融合的思想，將LSTM模型的初步預(yù)測結(jié)果作為XGBoost模型輸入，充分發(fā)揮LSTM模型和XGBoost模型的各自優(yōu)勢，提高葡萄糖濃度預(yù)測的精度。采用K折交叉驗證的方式可以降低模型在構(gòu)建和融合過程中出現(xiàn)過擬合的風(fēng)險并提高模型的泛化能力，提高預(yù)測結(jié)果的精度。

技術(shù)領(lǐng)域

本申請涉及醫(yī)學(xué)技術(shù)技術(shù)領(lǐng)域，尤其涉及一種基于模型融合的葡萄糖濃度預(yù)測方法及相關(guān)設(shè)備。

背景技術(shù)

血糖濃度是指人體血液中葡萄糖的濃度，機(jī)體許多組織、臟器都是以葡萄糖來作為能源，尤其是大腦細(xì)胞，主要的能源是依靠葡萄糖，所以血液中葡萄糖的濃度應(yīng)該在一個恒定的水平，因此通過葡萄糖濃度監(jiān)測有效地了解自身葡萄糖濃度控制的水平及葡萄糖濃度變化的影響因素是非常有意義的。連續(xù)血糖監(jiān)測(Continues Glucose Monitoring，CGM)是通過葡萄糖傳感器監(jiān)測皮下組織液的葡萄糖濃度來間接反映葡萄糖濃度水平的監(jiān)測技術(shù)，可提供連續(xù)、全面、可靠的血糖信息，了解血糖波動的趨勢，發(fā)現(xiàn)不易監(jiān)測的高血糖和低血糖。

在人工智能普遍應(yīng)用的當(dāng)下，一些主流的機(jī)器學(xué)習(xí)算法被應(yīng)用在葡萄糖濃度預(yù)測，如線性回歸、支持向量回歸、AR(自回歸)模型等。雖然單個可以對葡萄糖濃度進(jìn)行一定的預(yù)測，但葡萄糖濃度受很多因素的影響，并且任何一種單一的模型都有其局限性，且模型構(gòu)建過程存在較大的過擬合風(fēng)險，而傳感器監(jiān)測采集到的數(shù)據(jù)也存在一定的噪聲干擾，都會降低映葡萄糖濃度預(yù)測的精度。

發(fā)明內(nèi)容

有鑒于此，本申請的目的在于提出一種基于模型融合的葡萄糖濃度預(yù)測方法及相關(guān)設(shè)備。

基于上述目的，本申請的第一方面提供了一種基于模型融合的葡萄糖濃度預(yù)測方法，包括：

獲取初始樣本數(shù)據(jù)集；

利用卡爾曼濾波算法對所述初始樣本數(shù)據(jù)集進(jìn)行降噪平滑處理，得到樣本數(shù)據(jù)集；其中，所述樣本數(shù)據(jù)集包括第一測試集和第一訓(xùn)練集；

基于K折交叉驗證，將所述樣本數(shù)據(jù)集輸入優(yōu)化后的LSTM模型，得到葡萄糖濃度的初步預(yù)測結(jié)果；

基于所述K折交叉驗證，將所述初步預(yù)測結(jié)果輸入優(yōu)化后的XGBoost模型，得到葡萄糖濃度的最終預(yù)測結(jié)果。

可選地，所述基于K折交叉驗證，將所述樣本數(shù)據(jù)集輸入優(yōu)化后的LSTM模型，得到葡萄糖濃度的初步預(yù)測結(jié)果，包括：

將所述第一訓(xùn)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(xùn)練樣本；基于所述第一訓(xùn)練樣本，利用所述K折交叉驗證訓(xùn)練LSTM模型；利用所述粒子群優(yōu)化算法優(yōu)化所述LSTM模型的超參數(shù)，得到所述優(yōu)化后的LSTM模型；利用所述優(yōu)化后的LSTM模型對所述第一驗證集進(jìn)行預(yù)測，得到第一預(yù)測數(shù)據(jù)；利用所述優(yōu)化后的LSTM模型對所述第一測試集進(jìn)行預(yù)測，得到第二預(yù)測數(shù)據(jù)；

將K次驗證得到的K個所述第一預(yù)測數(shù)據(jù)進(jìn)行組合，得到第二訓(xùn)練集，將K次驗證得到的K個所述第二預(yù)測數(shù)據(jù)的平均值作為第二測試集；其中，每次驗證選取不同的所述第一子樣本作為所述第一驗證集，所述初步預(yù)測結(jié)果包括所述第二訓(xùn)練集和所述第二測試集。

可選地，所述基于所述K折交叉驗證，將所述初步預(yù)測結(jié)果輸入優(yōu)化后的XGBoost模型，得到葡萄糖濃度的最終預(yù)測結(jié)果，包括：

將所述第二訓(xùn)練集分為K個第二子樣本；