[發明專利]一種基于深度學習的七點血糖預測模型構建方法及裝置

在審

• 申請號: 202211353707.1
• 申請日: 2022-11-01
• 公開（公告）號: CN115602317A
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 李彪;何昊偉;范玉娟;應真;李小英;袁洋
• 申請（專利權）人: 上海期智研究院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/0442;G06F18/25;A61B5/157;A61B5/151;A61B5/145;A61B5/00
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

1.一種基于深度學習的七點血糖預測模型構建方法，其特征在于，所述方法包括以下步驟：

采集若干名病患狀態特征數據；

對采集的數據進行處理，對非時序數據進行缺失填充，對時序數據進行數據切片處理；

對處理后的數據進行劃分，按照比例將數據分為訓練集和驗證集；

構建七點血糖預測的神經網絡模型；

通過訓練集數據對模型進行訓練，并根據驗證集最優的原則選取最終模型；

將選取的最終模型作為七點血糖預測模型用于預測。

2.根據權利要求1所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述采集若干名病患狀態特征數據的步驟具體包括：通過醫院信息系統獲取病患基本信息及化驗檢驗信息的非時序數據、胰島素注射記錄與口服藥物記錄的時序數據以及通過指尖血糖采集獲取七點血糖記錄的時序數據。

3.根據權利要求1所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述對采集的數據進行處理，對非時序數據進行缺失填充，對時序數據進行數據切片處理的步驟具體包括：

從病患的病例信息和化驗檢驗信息中選取若干個特征組成非時序輸入，通過固定的缺失編碼和平均編碼對缺失的特征進行填充，并通過深度學習模型中的編碼器編碼得到病患的非時序信息特征編碼；

對胰島素注射記錄與口服藥物記錄時間進行離散化處理，處理間隔為1小時；

對連續血糖記錄的時序數據進行切片處理，切片長度為24小時。

4.根據權利要求1所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述對處理后的數據進行劃分，按照比例將數據分為訓練集和驗證集的步驟中，按照0.7:0.3的比例將數據分為訓練集和驗證集。

5.根據權利要求1所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述構建七點血糖預測的神經網絡模型的步驟具體包括：

構建多層全連接層組成的非時序編碼器，對非時序信息進行編碼得到對應的高維特征表示；

構建編碼層對離散類的時序數據轉換至連續特征，在時間維度上與七點血糖值進行拼接，通過LSTM層和Transformer層分別處理得到對應高維特征表達；

將LSTM層和Transformer層處理結果拼接融合，得到狀態向量；

構建多層堆疊的全連接和線性映射層對輸入的狀態向量處理以輸出常數預測值。

6.根據權利要求5所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述構建編碼層對離散類的時序數據進行轉換至連續特征的步驟具體包括：

采用編碼層將類別信息轉換至連續特征；

將用量信息與編碼后的類別信息在時間維度上拼接，同時在時間維度上與七點血糖值進行拼接。

7.根據權利要求1所述的基于深度學習的七點血糖預測模型構建方法，其特征在于，所述通過訓練集數據對模型進行訓練，并根據驗證集最優的原則選取最終模型的步驟中，對模型進行訓練，使用Adam優化器，設定學習率，學習率為動態調整，調整范圍為0.01至0.001，訓練次數為400次，并根據驗證集最優的原則選取最終的模型。

8.一種基于深度學習的七點血糖預測模型構建裝置，其特征在于，所述裝置包括處理器以及用于存儲所述處理器的可執行指令的存儲器，所述處理器配置為經由執行所述可執行指令來執行權利要求1至7中任意一項所述的基于深度學習的七點血糖預測模型構建方法。