CN113205884B - 一种血糖预测方法、系统及其应用 - Google Patents

一种血糖预测方法、系统及其应用 Download PDF

Info

Publication number
CN113205884B
CN113205884B CN202110518780.9A CN202110518780A CN113205884B CN 113205884 B CN113205884 B CN 113205884B CN 202110518780 A CN202110518780 A CN 202110518780A CN 113205884 B CN113205884 B CN 113205884B
Authority
CN
China
Prior art keywords
blood sugar
prediction
candidate
algorithm
blood glucose
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110518780.9A
Other languages
English (en)
Other versions
CN113205884A (zh
Inventor
聂泽东
李景振
刘宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110518780.9A priority Critical patent/CN113205884B/zh
Publication of CN113205884A publication Critical patent/CN113205884A/zh
Priority to PCT/CN2021/138105 priority patent/WO2022237162A1/zh
Application granted granted Critical
Publication of CN113205884B publication Critical patent/CN113205884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请属于医疗健康技术领域，特别是涉及一种血糖预测方法、系统及其应用。目前的血糖预测算法在血糖变化比较平稳阶段具有较高准确度，但在血糖波动较大的阶段(如餐后)其血糖预测准确度明显降低。本申请提供了一种血糖预测方法，所述方法包括获取血糖数据，对血糖值进行初步预测，对所述初步预测结果进行融合后显示预测结果。能更好的适用于不同人群的血糖预测，且准确度更高。

Description

一种血糖预测方法、系统及其应用
技术领域
本申请属于医疗健康技术领域，特别是涉及一种血糖预测方法、系统及其应用。
背景技术
糖尿病是一种严重危害人类健康的代谢性疾病。血糖预测是指根据当前和历史血糖值估计未来一段时间内血糖的变化，是糖尿病管理中不可或缺的一部分。糖尿病患者通过预测血糖，根据预测结果采取一定的措施，可预防日常生活中低血糖、高血糖等不良血糖事件的发生，提高生活质量。
血糖预测是指根据当前和历史血糖值估计未来一段时间内血糖的变化，是糖尿病管理系统的重要组成部分。准确的血糖预测有助于糖尿病患者提前采取适当措施，预防日常生活中低血糖、高血糖等不良血糖事件的发生。此外，血糖预测是闭环人工胰腺系统中不可缺少的部分，血糖的预测值决定了胰岛素输注的剂量等。目前血糖预测方法主要是基于自回归模型、跳跃神经网络、递归神经网络、长短期记忆网络等算法。然而，由于人体血糖变化受饮食、情绪、运动等多重因素影响，血糖变化具有时变性、非线性和个性化，导致目前的血糖预测算法在一部分人群中具有较高的准确度，但在另一部分人群中则准确度较低。此外，对于同一个人，目前的血糖预测算法在血糖变化比较平稳阶段具有较高准确度，但在血糖波动较大的阶段(如餐后)其血糖预测准确度明显降低。
发明内容
1.要解决的技术问题
基于对于同一个人，目前的血糖预测算法在血糖变化比较平稳阶段具有较高准确度，但在血糖波动较大的阶段(如餐后)其血糖预测准确度明显降低，本申请提供了一种血糖预测方法、系统及其应用。
2.技术方案
为了达到上述的目的，本申请提供了一种血糖预测方法，所述方法包括获取血糖数据，对血糖值进行初步预测，对所述初步预测结果进行融合后显示预测结果。
本申请提供的另一种实施方式为：所述血糖数据包括当前血糖值和历史血糖值，所述对血糖值进行初步预测采用候选血糖预测算法，所述候选血糖预测算法根据所述当前血糖值和所述历史血糖值初步进行血糖预测。
本申请提供的另一种实施方式为：所述候选血糖预测算法包括支持向量机、偏最小二乘法、岭回归、核岭回归、长短期记忆网络、自回归、随机森林、决策树多种机器学习及深度学习算法。
本申请提供的另一种实施方式为：所述对所述初步预测结果进行融合包括采用多个指标对不同所述候选血糖预测算法的预测性能进行评估得到评估结果，根据所述评估结果对不同所述候选血糖预测算法进行综合评分，筛选出综合得分最高的2种所述候选血糖预测算法，对2种所述候选血糖预测算法进行融合。
本申请提供的另一种实施方式为：所述对2种所述候选血糖预测算法进行融合采用群集智能优化算法。
本申请还提供一种血糖预测系统，包括依次连接的血糖数据获取模块、若干候选血糖预测模块、融合模块和输出模块；所述血糖数据获取模块，用于获取血糖值，并将所述血糖值传输至所述候选血糖预测模块；所述候选血糖预测模块，用于对血糖进行预测；所述融合模块，用于将不同的血糖预测结果进行融合；所述输出模块，用于显示血糖预测结果。
本申请提供的另一种实施方式为：所述融合模块包括依次连接的多指标评估子模块、综合评分子模块和预测结果融合子模块；所述多指标评估子模块，用于采用多个不同的指标对不同候选血糖预测模块的预测性能进行评估；所述综合评分子模块，用于根据评估结果对不同候选血糖预测模块进行综合评分；所述预测结果融合子模块，用于综合评分结果，选择出综合得分最高的2种候选血糖预测模块，根据所述2种候选血糖预测模块的血糖预测值，采用群集智能优化算法实现候选血糖预测算法的融合。
本申请提供的另一种实施方式为：所述预测结果融合子模块适应度函数计算如下：
Figure BDA0003063080040000021
其中pi表示第i个历史时刻的预测血糖值的遗忘因子；p表示当前时刻预测血糖值的遗忘因子；pre1his_i表示候选血糖预测算法1在第i个历史时刻的血糖预测值，pre2his_i表示候选血糖预测算法2在第i个历史时刻的血糖预测值；truehis_i表示在第i个历史时刻的血糖真实值；pre1cur表示表示候选血糖预测算法1在当前时刻的血糖预测值；pre2cur表示表示候选血糖预测算法2在当前时刻的血糖预测值；prepso表示将两种候选血糖预测算法融合后的当前时刻血糖预测值；k1为候选血糖预测算法1的权重值，k2为候选血糖预测算法2的权重值；y为适应度函数的值；通过利用蚂蚁算法或者粒子群优化等群集智能优化算法，求解k1，k2，prepso，从而得出当前时刻的血糖预测结果。
本申请提供的另一种实施方式为：所述输出模块包括预警子模块，所述预警子模块用于当预测的血糖值为低血糖或者高血糖值，发出预警。
本申请还提供一种血糖预测方法的应用，将所述的血糖预测方法应用于不同人群的血糖预测。
3.有益效果
与现有技术相比，本申请提供的一种血糖预测方法、系统及其应用的有益效果在于：
本申请提供的血糖预测方法，一种基于动态多指标评估及群集智能优化的多模融合方法用于实现血糖预测，为糖尿病患者提供一种实时、高准确度的血糖预测方案。
本申请提供的血糖预测方法，对不同的人群、不同的时间均可以实现高准确度的血糖预测，具有良好的泛化性和通用性。
本申请提供的血糖预测方法，能更好的适用于不同人群的血糖预测，且准确度更高。
本申请提供的血糖预测方法，基于多指标评估和综合评分的候选血糖预测算法性能评估方法。
本申请提供的血糖预测方法，基于群集智能优化的融合方法及适应度函数的设计。
附图说明
图1是本申请的血糖预测系统示意图；
图2是本申请的血糖预测融合模块示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
参见图1～2，本申请提供一种血糖预测方法，所述方法包括获取血糖数据，对血糖值进行初步预测，对所述初步预测结果进行融合后显示预测结果。
进一步地，所述血糖数据包括当前血糖值和历史血糖值，所述对血糖值进行初步预测采用候选血糖预测算法，所述候选血糖预测算法根据所述当前血糖值和所述历史血糖值初步进行血糖预测。
进一步地，所述候选血糖预测算法包括支持向量机、偏最小二乘法、岭回归、核岭回归、长短期记忆网络、自回归、随机森林、决策树多种机器学习及深度学习算法。
进一步地，所述对所述初步预测结果进行融合包括采用多个指标对不同所述候选血糖预测算法的预测性能进行评估得到评估结果，根据所述评估结果对不同所述候选血糖预测算法进行综合评分，筛选出综合得分最高的2种所述候选血糖预测算法，对2种所述候选血糖预测算法进行融合。
进一步地，所述对2种所述候选血糖预测算法进行融合采用群集智能优化算法。
本申请还提供一种血糖预测系统，包括依次连接的血糖数据获取模块、若干候选血糖预测模块、融合模块和输出模块；所述血糖数据获取模块，用于获取血糖值，并将所述血糖值传输至所述候选血糖预测模块；所述候选血糖预测模块，用于对血糖进行预测；所述融合模块，用于将不同的血糖预测结果进行融合；所述输出模块，用于显示血糖预测结果。
血糖数据获取模块主要功能是通过利用植入式微创血糖监测传感器或者可穿戴无创血糖监测传感器实时获取糖尿病患者的血糖值，并将所获取的血糖值通过有线或者无线的方式传输至候选血糖预测模块。
通过所述候选血糖预测模块，分别实现血糖值的初步预测，并将预测结果传输至融合模块。
进一步地，所述融合模块包括依次连接的多指标评估子模块、综合评分子模块和预测结果融合子模块；所述多指标评估子模块，用于采用多个不同的指标对不同候选血糖预测模块的预测性能进行评估；所述综合评分子模块，用于根据评估结果对不同候选血糖预测模块进行综合评分；所述预测结果融合子模块，用于综合评分结果，选择出综合得分最高的2种候选血糖预测模块，根据所述2种候选血糖预测模块的血糖预测值，采用群集智能优化算法实现候选血糖预测算法的融合。
1)多指标评估子模块：
该子模块主要是采用多个不同的指标对不同候选血糖预测算法的预测性能进行评估。具体来说，分别计算每一种候选血糖预测算法的预测值与真实值的误差，并从三个指标评估每种候选血糖预测误差：指标1，计算每一种候选血糖预测算法的前N(N可以取不同的整数，以N＝5为例)个时刻的历史的预测值及历史真实值的误差的平均值；指标2，计算每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的标准差；指标3：计算每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的方向趋势，方向趋势计算如表1所示，共有6种变化趋势，包括一直下降、先上升后下降(总体为下降)、先下降后上升(总体为下降)、先上升后下降(总体为上升)、先下降后上升(总体为上升)、一直上升。各种趋势的判定方法如表1，其中r1表示前N-5时刻的血糖预测值与真实值的误差，r3表示前N-3时刻的血糖预测值与真实值的误差，r5表示前N-1时刻的血糖预测值与真实值的误差。
表1方向趋势判断表
序号 方向趋势 判断条件
1 一直下降 r<sub>1</sub>≥r<sub>3</sub>≥r<sub>5</sub>
2 先上升后下降，总体为下降 r<sub>1</sub>≤r<sub>3</sub>,r<sub>3</sub>≥r<sub>5</sub>,r<sub>1</sub>≥r<sub>5</sub>
3 先下降后上升，总体为下降 r<sub>1</sub>≥r<sub>3</sub>,r<sub>3</sub>≤r<sub>5</sub>,r<sub>1</sub>≥r<sub>5</sub>
4 先上升后下降，总体为上升 r<sub>1</sub>≤r<sub>3</sub>,r<sub>3</sub>≥r<sub>5</sub>,r<sub>1</sub>≤r<sub>5</sub>
5 先下降后上升，总体为上升 r<sub>1</sub>≥r<sub>3</sub>,r<sub>3</sub>≤r<sub>5</sub>,r<sub>1</sub>≤r<sub>5</sub>
6 一直上升 r<sub>1</sub>≤r<sub>3</sub>≤r<sub>5</sub>
2)综合评分子模块：
该子模块主要实现的功能是根据多指标评估子模块的结果对不同候选血糖预测算法进行综合评分。在本发明中以对四种候选血糖预测算法进行综合评分来说明。首先，根据多指标评估子模块的指标1结果，按误差平均值按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分。相似的，根据多指标评估子模块的指标2结果，按误差标准差按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分。根据多指标评估子模块的指标3结果，如果某候选血糖预测算法的方向趋势判定为一直下降，则该算法分配的得分为3分；如果候选血糖预测算法的方向趋势判定为先上升后下降(总体为下降)或者先下降后上升(总体为下降)，则该算法分配的得分为2分；如果候选血糖预测算法的方向趋势判定为先上升后下降(总体为上升)或者先下降后上升(总体为上升)，则该算法分配的得分为1分；如果某候选血糖预测算法的方向趋势判定为一直上升，则该算法分配的得分为0分。通过统计各个候选血糖预测算法在指标1、指标2及指标3中的综合得分，将其综合得分作为该候选血糖预测算法的性能评估标准。
进一步地，所述预测结果融合子模块适应度函数计算如下：
Figure BDA0003063080040000051
其中pi表示第i个历史时刻的预测血糖值的遗忘因子；p表示当前时刻预测血糖值的遗忘因子；pre1his_i表示候选血糖预测算法1在第i个历史时刻的血糖预测值，pre2his_i表示候选血糖预测算法2在第i个历史时刻的血糖预测值；truehis_i表示在第i个历史时刻的血糖真实值；pre1cur表示表示候选血糖预测算法1在当前时刻的血糖预测值；pre2cur表示表示候选血糖预测算法2在当前时刻的血糖预测值；prepso表示将两种候选血糖预测算法融合后的当前时刻血糖预测值；k1为候选血糖预测算法1的权重值，k2为候选血糖预测算法2的权重值；y为适应度函数的值；通过利用蚂蚁算法或者粒子群优化等群集智能优化算法，求解k1，k2，prepso，从而得出当前时刻的血糖预测结果。
进一步地，所述输出模块包括预警子模块，所述预警子模块用于当预测的血糖值为低血糖或者高血糖值，发出预警。
本申请还提供一种血糖预测方法的应用，将所述的血糖预测方法应用于不同人群的血糖预测。
血糖预测是指根据当前和历史血糖值估计未来一段时间内血糖的变化，其对糖尿病病人控制不良血糖事件发生以及减少糖尿病并发症发生具有重要的意义。例如，当预测在未来30分钟内可能发生低血糖时，糖尿病患者可以提前采取措施，如暂停胰岛素的输注、摄入食物等，以阻止低血糖症的发生。当预测在未来将会发生高血糖时，则可以提前加大胰岛素的输注，以避免酮症酸中毒等糖尿病并发症的发生。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。

Claims (4)

1.一种血糖预测方法，其特征在于：所述方法包括获取血糖数据，对血糖值进行初步预测，对初步预测结果进行融合后显示预测结果；所述血糖数据包括当前血糖值和历史血糖值，所述对血糖值进行初步预测采用候选血糖预测算法，所述候选血糖预测算法根据所述当前血糖值和所述历史血糖值初步进行血糖预测；所述对所述初步预测结果进行融合包括采用多个指标对不同所述候选血糖预测算法的预测性能进行评估得到评估结果，根据所述评估结果对不同所述候选血糖预测算法进行综合评分，筛选出综合得分最高的2种所述候选血糖预测算法，对2种所述候选血糖预测算法进行融合；所述对2种所述候选血糖预测算法进行融合采用群集智能优化算法；所述多个指标包括每一种候选血糖预测算法的前N个时刻的历史的预测值及历史真实值的误差的平均值，每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的标准差和每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的方向趋势，所述误差的方向趋势包括一直下降、先上升后下降，总体为下降、先下降后上升，总体为下降、先上升后下降，总体为上升、先下降后上升，总体为上升、一直上升；按误差平均值按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分，按误差标准差按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分，如果某候选血糖预测算法的方向趋势判定为一直下降，则血糖预测算法分配的得分为3分；如果候选血糖预测算法的方向趋势判定为先上升后下降，总体为下降或者先下降后上升，总体为下降，则血糖预测算法分配的得分为2分；如果候选血糖预测算法的方向趋势判定为先上升后下降，总体为上升或者先下降后上升，总体为上升，则血糖预测算法分配的得分为1分；如果某候选血糖预测算法的方向趋势判定为一直上升，则血糖预测算法分配的得分为0分，通过统计各个候选血糖预测算法在误差的平均值、误差的标准差及误差的方向趋势中的综合得分，将所述综合得分作为候选血糖预测算法的性能评估标准，根据
Figure FDA0004035305640000011
其中pi表示第i个历史时刻的预测血糖值的遗忘因子；p表示当前时刻预测血糖值的遗忘因子；pre1his_i表示候选血糖预测算法1在第i个历史时刻的血糖预测值，pre2his_i表示候选血糖预测算法2在第i个历史时刻的血糖预测值；truehis_i表示在第i个历史时刻的血糖真实值；pre1cur表示候选血糖预测算法1在当前时刻的血糖预测值；pre2cur表示候选血糖预测算法2在当前时刻的血糖预测值；prepso表示将两种候选血糖预测算法融合后的当前时刻血糖预测值；k1为候选血糖预测算法1的权重值，k2为候选血糖预测算法2的权重值；y为适应度函数的值；通过利用蚂蚁算法或者粒子群优化的群集智能优化算法，求解k1，k2，prepso，从而得出当前时刻的血糖预测结果。
2.如权利要求1所述的血糖预测方法，其特征在于：所述候选血糖预测算法包括支持向量机、偏最小二乘法、岭回归、核岭回归、长短期记忆网络、自回归、随机森林、决策树多种机器学习及深度学习算法。
3.一种血糖预测系统，其特征在于：包括依次连接的血糖数据获取模块、若干候选血糖预测模块、融合模块和输出模块；
所述血糖数据获取模块，用于获取血糖值，并将所述血糖值传输至所述候选血糖预测模块；
所述候选血糖预测模块，用于对血糖进行预测；
所述融合模块，用于将不同的血糖预测结果进行融合；
所述输出模块，用于显示血糖预测结果；
所述融合模块包括依次连接的多指标评估子模块、综合评分子模块和预测结果融合子模块；
所述多指标评估子模块，用于采用多个不同的指标对不同候选血糖预测模块的预测性能进行评估；所述多个指标包括每一种候选血糖预测算法的前N个时刻的历史的预测值及历史真实值的误差的平均值，每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的标准差和每一种候选血糖预测算法的前N个历史的预测值及历史真实值的误差的方向趋势，所述误差的方向趋势包括一直下降、先上升后下降，总体为下降、先下降后上升，总体为下降、先上升后下降，总体为上升、先下降后上升，总体为上升、一直上升；
所述综合评分子模块，用于根据评估结果对不同候选血糖预测模块进行综合评分；按误差平均值按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分，按误差标准差按从小到大，分别给四种候选血糖预测算法分配得分为3，2，1，和0分，如果某候选血糖预测算法的方向趋势判定为一直下降，则血糖预测算法分配的得分为3分；如果候选血糖预测算法的方向趋势判定为先上升后下降，总体为下降或者先下降后上升，总体为下降，则血糖预测算法分配的得分为2分；如果候选血糖预测算法的方向趋势判定为先上升后下降，总体为上升或者先下降后上升，总体为上升，则血糖预测算法分配的得分为1分；如果某候选血糖预测算法的方向趋势判定为一直上升，则血糖预测算法分配的得分为0分，通过统计各个候选血糖预测算法在误差的平均值、误差的标准差及误差的方向趋势中的综合得分，将所述综合得分作为候选血糖预测算法的性能评估标准；
所述预测结果融合子模块，用于综合评分结果，选择出综合得分最高的2种候选血糖预测模块，根据所述2种候选血糖预测模块的血糖预测值，采用群集智能优化算法实现候选血糖预测算法的融合；根据
Figure FDA0004035305640000031
其中pi表示第i个历史时刻的预测血糖值的遗忘因子；p表示当前时刻预测血糖值的遗忘因子；pre1his_i表示候选血糖预测算法1在第i个历史时刻的血糖预测值，pre2his_i表示候选血糖预测算法2在第i个历史时刻的血糖预测值；truehis_i表示在第i个历史时刻的血糖真实值；pre1cur表示候选血糖预测算法1在当前时刻的血糖预测值；pre2cur表示候选血糖预测算法2在当前时刻的血糖预测值；prepso表示将两种候选血糖预测算法融合后的当前时刻血糖预测值；k1为候选血糖预测算法1的权重值，k2为候选血糖预测算法2的权重值；y为适应度函数的值；通过利用蚂蚁算法或者粒子群优化的群集智能优化算法，求解k1，k2，prepso，从而得出当前时刻的血糖预测结果。
4.如权利要求3所述的血糖预测系统，其特征在于：所述输出模块包括预警子模块，所述预警子模块用于当预测的血糖值为低血糖或者高血糖值，发出预警。
CN202110518780.9A 2021-05-12 2021-05-12 一种血糖预测方法、系统及其应用 Active CN113205884B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110518780.9A CN113205884B (zh) 2021-05-12 2021-05-12 一种血糖预测方法、系统及其应用
PCT/CN2021/138105 WO2022237162A1 (zh) 2021-05-12 2021-12-14 一种血糖预测方法、系统及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110518780.9A CN113205884B (zh) 2021-05-12 2021-05-12 一种血糖预测方法、系统及其应用

Publications (2)

Publication Number Publication Date
CN113205884A CN113205884A (zh) 2021-08-03
CN113205884B true CN113205884B (zh) 2023-02-24

Family

ID=77030993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110518780.9A Active CN113205884B (zh) 2021-05-12 2021-05-12 一种血糖预测方法、系统及其应用

Country Status (2)

Country Link
CN (1) CN113205884B (zh)
WO (1) WO2022237162A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205884B (zh) * 2021-05-12 2023-02-24 中国科学院深圳先进技术研究院 一种血糖预测方法、系统及其应用
CN114550940A (zh) * 2022-04-26 2022-05-27 广东工业大学 基于Stacking模型融合的无创血糖估计方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108766578A (zh) * 2018-05-16 2018-11-06 清华大学深圳研究生院 一种血糖预测方法及装置
CN110443314A (zh) * 2019-08-08 2019-11-12 中国工商银行股份有限公司 基于机器学习的景区客流量预测方法及装置
CN111128327A (zh) * 2019-12-30 2020-05-08 中国科学院深圳先进技术研究院 一种低血糖预警方法和装置
CN111144950A (zh) * 2019-12-30 2020-05-12 北京顺丰同城科技有限公司 模型筛选方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150609A1 (en) * 2016-11-29 2018-05-31 Electronics And Telecommunications Research Institute Server and method for predicting future health trends through similar case cluster based prediction models
CN109935331B (zh) * 2019-04-02 2021-04-16 北京航空航天大学 一种基于多模型动态综合的血糖预测方法及系统
CN110517748A (zh) * 2019-08-29 2019-11-29 燕山大学 一种基于三支决策的双激素人工胰脏模型预测控制算法
CN111631704B (zh) * 2020-05-29 2021-06-25 中国科学院深圳先进技术研究院 基于心电与脑电信息结合的糖尿病前期检测系统和方法
CN112102953B (zh) * 2020-10-22 2023-06-16 平安科技（深圳）有限公司 个性化糖尿病健康管理系统、设备及存储介质
CN113205884B (zh) * 2021-05-12 2023-02-24 中国科学院深圳先进技术研究院 一种血糖预测方法、系统及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108766578A (zh) * 2018-05-16 2018-11-06 清华大学深圳研究生院 一种血糖预测方法及装置
CN110443314A (zh) * 2019-08-08 2019-11-12 中国工商银行股份有限公司 基于机器学习的景区客流量预测方法及装置
CN111128327A (zh) * 2019-12-30 2020-05-08 中国科学院深圳先进技术研究院 一种低血糖预警方法和装置
CN111144950A (zh) * 2019-12-30 2020-05-12 北京顺丰同城科技有限公司 模型筛选方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113205884A (zh) 2021-08-03
WO2022237162A1 (zh) 2022-11-17

Similar Documents

Publication Publication Date Title
US10349882B2 (en) Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
CN110251120B (zh) 基于注意力机制的深度残差神经网络的心电图分类方法
CN113205884B (zh) 一种血糖预测方法、系统及其应用
US9610012B2 (en) System and apparatus for providing baseline data for automated patient management
US20040103001A1 (en) System and method for automatic diagnosis of patient health
EP1102196A2 (en) Automated collection and analysis patient care system and method for diagnosing and monitoring congestive heart failure and outcomes therof
CN110289094B (zh) 一种基于专家规则的胰岛素精准给药决策方法
CN111105860A (zh) 面向慢性病康复的精准运动大数据智能预测、分析及优化系统
WO2019168474A1 (en) Method, computing device and wearable device for sleep stage detection
AU7157400A (en) Automated collection and analysis patient care system and method for diagnosing and monitoring myocardial ischemia and outcomes thereof
EP1107158B1 (en) System and method for determining a reference baseline of individual patient status for use in an automated collection and analysis patient care system
EP3971905A1 (en) System and method for blood glucose control
CN113421654A (zh) 创伤后失血性休克动态早期预警深度学习系统
CN118039166B (zh) 一种基于医疗大数据的健康监测管理方法
CN117423455A (zh) 一种基于数据分析的用户健康管理系统及方法
CN118213074A (zh) 一种健康体检管理终端系统
CN111916179A (zh) 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法
Gecili et al. Functional data analysis and prediction tools for continuous glucose-monitoring studies
CN114550939A (zh) 一种用于住院老年患者的老年综合征筛查评估及干预的方法
US20210401355A1 (en) Detecting, assessing and managing epilepsy using a multi-variate, metric based classification analysis
CN116705230B (zh) 具有胰岛素灵敏度自适应估计的mdi决策系统及方法
CN117854709B (zh) 一种基于深度对比聚类的糖尿病六分型方法和系统
Tašić et al. Classification of personalized daily data from continuous glucose monitoring
Arifuzzaman et al. Heart Disease Prediction through Enhanced Machine Learning and Diverse Feature Selection Approaches
Jatia et al. Interpretation and Classification of Phonocardiogram Using Principal Component Analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant