CN115188474B - 一种基于神经网络的血糖浓度预测及高低血糖预警方法 - Google Patents

一种基于神经网络的血糖浓度预测及高低血糖预警方法 Download PDF

Info

Publication number
CN115188474B
CN115188474B CN202210818212.5A CN202210818212A CN115188474B CN 115188474 B CN115188474 B CN 115188474B CN 202210818212 A CN202210818212 A CN 202210818212A CN 115188474 B CN115188474 B CN 115188474B
Authority
CN
China
Prior art keywords
prediction
blood glucose
neural network
network
early warning
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
CN202210818212.5A
Other languages
English (en)
Other versions
CN115188474A (zh
Inventor
王嫣然
金浩宇
刘文平
陈婷
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.)
Guangdong Food and Drugs Vocational College
Original Assignee
Guangdong Food and Drugs Vocational College
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 Guangdong Food and Drugs Vocational College filed Critical Guangdong Food and Drugs Vocational College
Priority to CN202210818212.5A priority Critical patent/CN115188474B/zh
Publication of CN115188474A publication Critical patent/CN115188474A/zh
Application granted granted Critical
Publication of CN115188474B publication Critical patent/CN115188474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于神经网络的血糖浓度预测及高低血糖预警方法，包括：采集病人的实时血糖数据；构建适合血糖数据计算的网络架构搜索空间；使用自动网络架构搜索方法训练并构建神经网络回归预测模型；使用自动网络架构搜索方法训练并构建神经网络分类预测模型；根据回归预测结果和分类预测结果预设联合预测机制，采用预设的联合预测机制预测出病人的高低血糖情况，并提前30分钟进行预警；将测试血糖数据集输入到神经网络回归预测模型和神经网络分类预测模型，测试血糖浓度预测精度以及提前30分钟进行高低血糖预警的精度。本发明采用多网络模型融合预测的方法，将分类预测与回归预测结合，可以同时实现血糖预测及高低血糖预警双重目标。

Description

一种基于神经网络的血糖浓度预测及高低血糖预警方法
技术领域
本发明涉及智能医疗技术领域，具体地，涉及一种基于神经网络的血糖浓度预测及高低血糖预警方法。
背景技术
糖尿病是一种代谢紊乱性慢性疾病，影响着全球超过4亿人。该疾病的主要特点是血糖升高，导致血糖升高的原因主要有两种：一种是由于胰腺不能产生胰岛素造成的，被称为Ⅰ型糖尿病；另一种是由于胰岛素分泌或作用紊乱导致的，被称为Ⅱ型糖尿病。目前糖尿病的治疗主要通过病人每天3～4次的自我血糖监测来进行相关的饮食、体育锻炼和胰岛素等药物补给。但这种方法并不理想，常常会由于血糖监控不及时导致血糖浓度超过正常范围(70～180mg/dl)，从而引发高血糖或低血糖。
近年来，随着连续血糖监测传感器(Continuous Glucose Monitoring,CGM)的出现，血糖监测发生了革命性的变化。该CGM传感器由可穿戴的皮下针头和微创设备组成，可以连续1～5分钟测量采样周期为几天或几周的血糖浓度。由于这一优势，CGM传感器已成为有效改善糖尿病管理和血糖控制的关键工具，基于CGM传感器数据的研究也日益兴起。
1999年，Bremer和Gough首次尝试了使用过去的血糖值来预测未来的血糖水平，从那时起，许多研究人员开始利用统计学和机器学习的方法开发低血糖和高血糖预测模型。如Bequette等人提出使用线性回归模型和卡尔曼滤波器实现血糖预测，该方法使用过去的患者血糖数据进行函数计算，可以嵌入到检测设备中使用，但只能进行短期血糖预测。Plis等人提出了一种用于预测血糖水平和低血糖发生的机器学习方法，使用支持向量回归方法预测血糖水平，可以实现提前30分钟预测23％的低血糖事件。Sudharsan等人提出了一种通过使用稀疏数据来预测个体低血糖风险的技术，其中稀疏数据用于修改机器学习算法的性能并提供准确的低血糖预测。Bertachi等人使用多层感知器和支持向量机生成个性化预测模型，可以避免超过70％的夜间低血糖。Zhu等人通过建立长短期记忆循环神经网络，处理来自CGM传感器的血糖测量值，对血糖进行实时预测。此外许多研究学者从回归模型、人工神经网络、基于内核的方法等着手，探索了仅使用CGM历史数据进行血糖预测。另有学者考虑到由于血糖浓度水平受摄入的碳水化合物的量、注射的胰岛素以及身体各种活动等的影响，提出考虑使用这些影响因素中的一些甚至全部来预测血糖浓度，使用的研究方法主要包括具有外源性的自回归移动平均输入模型、随机森林、基于支持向量的算法、高斯过程、线性预测器、神经网络和多模型系统等。
尽管已有许多关于血糖预测方面的尝试，目前商用CGM传感器仍然没有嵌入任何用于早期检测低血糖和高血糖的预测算法，主要原因在于现有的血糖预测算法精确度不如人意，尤其缺乏对高低血糖的预警机制。因此提前预测未来血糖浓度水平，给患者充足的预防和治疗时间，避免低血糖和高血糖事件，或减轻其发生的频率和持续时间，仍然是一个具有重大意义的挑战。
发明内容
为了克服现有技术中存在的缺点和不足，本发明的目的在于采用神经网络方法分析实时血糖监测数据，提出一种新的基于神经网络的血糖预测及高低血糖预警算法，对患者血糖浓度进行实时超前跟踪预测，同时对可能发生的高血糖和低血糖进行预警。
为实现上述目的，本发明提供的技术方案如下：
一种基于神经网络的血糖浓度预测及高低血糖预警方法，包括如下步骤：
S1.采集病人的实时血糖数据；
S2.构建适合血糖数据计算的网络架构搜索空间；
S3.根据步骤S1采集到的实时血糖数据，依据步骤S2构建的网络架构搜索空间，使用自动网络架构搜索方法训练并构建神经网络回归预测模型；
S4.依据步骤S2构建的网络架构搜索空间，使用与步骤S3相同的自动网络架构搜索方法训练并构建神经网络分类预测模型；
S5.通过所述神经网络回归预测模型得到回归预测结果，跟踪预测病人的血糖浓度情况，并通过所述神经网络分类预测模型得到分类预测结果，根据所述回归预测结果和所述分类预测结果预设联合预测机制，采用预设的联合预测机制预测出病人的高低血糖情况，并提前一段时间进行预警；
S6.根据步骤S1得到的实时血糖数据构建测试血糖数据集，将测试血糖数据集输入到所述神经网络回归预测模型和所述神经网络分类预测模型，测试血糖浓度预测精度以及提前一段时间进行高低血糖预警的精度。
进一步地，步骤S2中，所述的网络架构搜索空间包含感知器和激活函数，所述感知器的计算公式为：z＝ωx+b；其中，z表示感知器的输出结果，为血糖预测的中间结果，其单位为mg/dl；x表示输入血糖，其单位为mg/dl，ω表示输入x的权重，其无特别物理意义，无单位；b表示误差，其无特别物理意义，无单位。
进一步地，所述激活函数包含Sigmoid函数tanh函数Relu函数f(z)＝max(0,z)；其中，所述sigmoid函数将感知器的结果映射到(0，1)之间，所述tanh将感知器结果映射到(-1，1)，所述Relu函数为分段线性映射函数，其中，f(z)为映射的结果，单位为mg/dl；e为数学中的自然常数，其取值为2.72，无单位；z为感知器的计算输出，为血糖预测的中间结果，其单位为mg/dl。
进一步地，所述感知器和激活函数之间的连接方式通过以下公式表示：
yi＝δi(yi-1)，δ∈Δ (1)
yi＝δi(yi-1+yj)，j<i-1，δi∈Δ (2)
其中，y表示每一个神经元的输出值，i，j分别表示第i个神经元和第j个神经元，集合Δ表示激活函数、拼接或加法。
进一步地，步骤S3具体包括：
S31.依据步骤S2中已构建的网络架构搜索空间，使用马尔科夫决策过程进行网络空间搜索，训练和构建神经网络回归预测模型；
S32.采用低质近似的方法对构建的神经网络回归预测模型的性能进行评估，并对搜索过程进行引导，直到构建出最优的神经网络回归预测模型。
进一步地，步骤S31中，所述使用马尔科夫决策过程进行网络空间搜索，具体包括如下步骤：
S311.构建一个四元组M＝<S,A,R,Π>，其中S表示网络状态集，A表示可选的动作集，可参考已构建的搜索空间，R为回报函数，Π表示经过马尔科夫决策过程选择出的最优策略集；
S312.定义马尔科夫决策过程的目标函数J(s)，其中s代表状态，初始化目标函数J(s)中参数为近似0的随机数，随机初始化策略π0为搜索空间中的任一动作，得到初始化的目标函数J(s)及策略π0；
S313.采用梯度下降法对目标函数J(s)进行求解，计算各状态的动作目标函数J(s)，选择使目标函数J(s)值最大的策略，得到使目标函数最优的状态-动作组合；
S314.根据计算的目标函数值的波动情况，判断目标函数J(s)是否收敛，若收敛，则输出最优策略πi＝πθ(si,ai)和参数，其中，θ为神经网络的权重参数，si为第i步网络状态，π为依据状态si所选择的搜索空间中的最优动作ai的概率；完成神经网络回归预测模型的训练和构建；若还未收敛，则返回步骤S313。
进一步地，所述步骤S312具体包括：
将所述目标函数J(s)根据下式定义为累计回报的期望：
其中E表示期望，N表示搜索轨迹中包含的状态-动作个数，θ为待优化的网络参数，πθ为当前选取到的最优策略，R(si,ai)表示si-ai组合的回报；
通过网络状态集S中的动作概率表示πθ，将所述式(3)表达为：
其中，R(si,ai)表示si-ai组合的回报；P(si,ai)表示在si状态下选择ai的概率，θ为待优化的网络参数；max表示取累计回报的最大值；
采用梯度下降法进行求解，对上式(4)进行求导得到：
根据将上述(5)式转化为对数似然估算：
对可能的状态-动作组合进行采样，使用经验平均估算拟合该目标函数，将上述(6)式的求解转化为：
其中，m表示采样的个数，k表示当前第k个所选的状态-动作轨迹采样，R(si,ai)表示si-ai组合的回报，P(si,ai)表示在si状态下选择ai的概率，θ为待优化的网络参数；
将R(si,ai)定义为：
当网络均方根误差为0～k1mg/dl时，回报为λ1；
当网络均方根误差为k1～k2mg/dl时，回报为λ2；
当网络均方根误差为k1～k2mg/dl时，回报为λ3；
根据状态-动作的似然率P(si,ai；θ)＝P(si+1|si,ai)·πθ(si,ai)，其中，P(si+1,ai)表示在Si状态下，经过ai动作，转换到Si+1状态的概率，与参数θ无关，对logP(si,ai；θ)进行求导得到：
将上述(8)式代入(7)式，得到马尔科夫决策目标函数梯度的计算公式为：
其中，πθ(si,ai)为搜索到的最优策略和参数，R(si,ai)表示si-ai组合的回报。
进一步地，步骤S32中，所述采用低质近似的方法对构建的神经网络回归预测模型的性能进行评估，具体包括：选择步骤S1采集到的血糖数据组成的数据集的子集即{g0,g1,g2,…,gn}∈G，其中G为每隔5分钟采集到的血糖集合，g是G集合中时间连续的血糖子集，作为网络训练的数据，采用均方根误差其中/>表示第i步网络预测的血糖值，yi表示第i步血糖的真实值；对构建的神经网络回归预测模型的性能进行评估，并对搜索过程进行引导。
进一步地，所述步骤S5中，所述预设联合预测机制，包括：
S51.统一所述回归预测结果与所述分类预测结果，得到神经网络预测结果；
将神经网络预测结果按如下类别进行划分：
当预测血糖浓度g<μ1mg/dl时，定义为低血糖，将该时刻血糖预测划分为ζ0类别；
当预测血糖浓度μ1mg/dl≤g≤μ2mg/dl时，定义为正常血糖，将该时刻血糖预测划分为ζ1类别；
当预测血糖浓度g>μ2mg/dl时，定义为高血糖，将该时刻血糖预测划分为ζ2类别；
S52.进行联合投票，判断病人血糖预测的类别：
若t时刻，回归预测结果ζt 回与分类预测结果ζt 分一致，则神经网络预测结果为ζt＝ζt 回或ζt 分；
若t时刻，回归预测ζt 回与分类预测结果ζt 分不一致，则神经网络预测结果为ζt＝min(min(|ζt-1-ζt 回|，|ζt-1-ζt 分|)+ζt-1,ζ2)
与现有技术相比，本发明的有益效果在于：
本发明提供的方法以实时血糖数据为输入，使用网络架构搜索技术，训练搭建能够适合糖尿病人血糖数据的神经网络回归模型，实现糖尿病人实时血糖浓度跟踪预测。同时，为减少网络模型在高低血糖发生时的误判率，为患者预留出足够的治疗时间，采用多网络模型融合预测的方法，将分类预测与回归预测结合，更好的实现提前一段时间进行高血糖或低血糖预警。本发明中采用的多网络模型融合的方式可以同时实现血糖预测及高低血糖预警双重目标，应用于任何可以提供实时血糖数据的糖尿病患者治疗中，为患者的干预治疗提供依据，降低糖尿病人高血糖或低血糖发生的风险，从而改善广大糖尿病患者的生存质量。
附图说明
图1为实施例的结构示意图；
图2为实施例构建的搜索空间示意图；
图3为马尔科夫决策过程进行网络空间搜索的流程图；
图4为实施例在2号成人病人中的实验结果；
图5为实施例在1号青少年病人中的实验结果；
图6为实施例和其他方法在血糖浓度预测中的对比结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于神经网络的糖尿病人血糖预测及高低血糖预警方法，由神经网络回归预测模型完成病人血糖浓度预测，由神经网络回归及分类联合预测完成高低血糖提前预警。具体包括以下步骤：
步骤S1:通过实时血糖监测仪采集病人实时血糖数据。
步骤S2:构建适合血糖数据计算的网络架构搜索空间，如图2所示，该搜索空间包含感知器和激活函数。其中感知器为神经网络计算的基本单元，计算公式为：z＝ωx+b。其中，z为感知器输出值，这不算是最终的血糖预测值，只是血糖预测的一个中间结果，其)单位为mg/dl；x表示输入血糖，单位为mg/dl；ω表示输入x的权重，无特别物理意义，无单位；b表示误差，无特别物理意义，无单位，可在模型初始化时赋予初值，通过网络模型训练得到优化，f(z)为激活函数输出值。
激活函数Sigmoid函数tanh函数/>Relu函数f(z)＝max(0,z)。
上述sigmoid函数将感知器的结果映射到(0，1)之间，f(z)即为映射的结果，单位为mg/dl；e为数学中的自然常数，取值为2.72，无单位；z为感知器的计算输出，是血糖预测的中间结果，单位为mg/dl。上述tanh将感知器结果映射到(-1，1)，f(z)即为映射的结果，单位为mg/dl；e为数学中的自然常数，取值为2.72，无单位；z为感知器的计算输出，是血糖预测的中间结果，单位为mg/dl。上述Relu函数是一种分段线性映射函数，f(z)即为映射的结果，单位为mg/dl；z为感知器的计算输出，是血糖预测的中间结果，单位为mg/dl。
上述函数都是激活函数，都有非线性映射的功能，各有利弊，一次仅选择一种激活函数使用，这些函数之间没有关联。
上述感知器和激活函数可组成链式网络结构和残差网络结构，其连接方式分别表示为：
yi＝δi(yi-1)，δ∈Δ (1)
yi＝δi(yi-1+yj)，j<i-1，δi∈Δ (2)
其中，y表示每一个神经元的输出值，i，j分别表示第i个神经元和第j个神经元，集合Δ表示激活函数、拼接或加法等基本操作。
步骤S3:设置初始学习率为0.05，目标误差为0.00001，迭代10000次。依据步骤S1采集到的病人实时血糖数据，以及步骤S2已构建的搜索空间，使用马尔科夫决策过程，训练搜索可重复使用的感知器和激活函数，并采用一个感知器一个激活函数的组合方式连接成单元块，可选的将组合成的单元块连接成链式网络结构或残差网络结构，并重复以上过程，同时采用低质近似的方法对产生的神经网络性能进行评估，直到构建最优的神经网络回归预测模型，并使用该模型预测病人未来的血糖浓度值。
上述低质近似的方法是一种为了减少计算负担，用子数据代替完整数据集来评估网络模型的方法。该低质近似方法为已经公开的方法，具体可参考公开的文献资料。
其中，所述马尔科夫决策过程搜索网络单元和结构的具体操作流程如图3所示，具体描述如下：
S311.构建一个四元组M＝<S,A,R,Π>，其中S表示网络状态集，A表示可选的动作集，可参考已构建的搜索空间，R为回报函数，Π表示经过马尔科夫决策过程选择出的最优策略集；
S312.定义马尔科夫决策过程的目标函数J(s)，其中s代表状态，初始化目标函数J(s)中参数为近似0的随机数，随机初始化策略π0为搜索空间中的任一动作，得到初始化的目标函数J(s)及策略π0；
S313.采用梯度下降法对目标函数J(s)进行求解，计算各状态的动作目标函数J(s)，选择使目标函数J(s)值最大的策略，得到使目标函数最优的状态-动作组合；
S314.根据计算的目标函数值的波动情况，判断目标函数J(s)是否收敛，若收敛，则输出最优策略πk＝πθ(si,ai)和参数，其中θ为神经网络的权重参数，si为第i步网络状态，π为依据状态si所选择的搜索空间中的最优动作ai的概率；完成神经网络回归预测模型的训练和构建；若还未收敛，则返回步骤S313。
进一步地，具体的描述如下：
马尔科夫决策过程的目标函数J(s)定义为累计回报的期望：
其中θ为待优化的网络参数，πθ为当前选取到的最优策略。
执行某动作获得的回报越大，一般希望网络选择该动作的概率也越大。由于πθ是经过决策选取的最优动作，可通过状态S中的动作概率表示πθ，上式(3)可表达为：
其中，R(si,ai)表示si-ai组合的回报，P(si,ai)表示在si状态下选择ai的概率，该参数与当前网络状态有关，因此受到网络参数θ的影响，θ为待优化的网络参数，max表示取累积回报的最大值。
由于该方法的目标是寻找最优的参数及动作，使J(s)的值最大。这时，该目标函数的求解变成了优化问题，可采用梯度下降法进行求解。对上式(4)进行求导可得：
由于上述(5)式可转化为对数似然估算：
为简化计算，对可能的状态-动作组合进行采样，使用经验平均估算拟合该目标函数，则上述(6)式的求解可转化为：
其中，R(si,ai)表示si-ai组合的回报，可定义为：
当网络均方根误差为0～5mg/dl时，回报为10；
当网络均方根误差为5～10mg/dl时，回报为5；
当网络均方根误差为10～20mg/dl时，回报为1；
由状态-动作的似然率P(si,ai；θ)＝P(si+1|si,ai)·θ(si,ai),其中，P(si+1,ai)表示在Si状态下，经过ai动作，转换到Si+1状态的概率，与参数θ无关，因此，对logP(si,ai；θ)进行求导可得
将上述(8)式代入(7)式，可得马尔科夫决策目标函数梯度的计算公式为：
步骤D：判断公式(9)是否收敛，若收敛则πθ(si,ai)即为搜索到的最优网络结构和参数，若还未收敛则返回上一步。
其中，上述“采用低质近似的方法对产生的神经网络性能进行评估”的特点在于：
为减少计算负担，选择数据集的子集{g0,g1,g2,…,gn}∈G，其中G为每隔5分钟采集到的血糖集合，g是G集合中时间连续的血糖子集。作为网络训练的数据，采用均方根误差对产生的神经网络性能进行评估，并对搜索过程进行引导；其中/>表示第i步网络预测的血糖值，yi表示第i步血糖的真实值。
其中，数据集是指步骤S1采集到的病人血糖数据组成的数据集。
步骤S4:设置初始学习率为0.05，目标误差为0.00001，迭代10000次。使用自动网络架构搜索方法训练构建神经网络分类模型，并与步骤S2构建的神经网络回归模型采用联合预测机制，对病人高低血糖情况提前一段时间进行预警。
上述使用自动网络架构搜索方法与步骤S3相同，在此不再展开说明。
上述提前一段时间可具体为提前30min，也可以是其它的时间段。
多神经网络模型联合预测机制包括以下流程：
流程1：统一神经网络回归预测与分类预测结果。
将神经网络预测结果分为3类：
当预测血糖浓度g<70mg/dl时，定义为低血糖，将该时刻血糖预测划分为类别0；
当预测血糖浓度70mg/dl≤g≤180mg/dl时，定义为正常血糖，将该时刻血糖预测划分为类别1；
当预测血糖浓度g>180mg/dl时，定义为高血糖，将该时刻血糖预测划分为类别2；
流程2：进行联合投票，预测高/低血糖结果。
若t时刻,回归预测与分类预测结果ζt 回＝ζt 分，则双网络模型联合结果为ζt＝ζt 回或ζt 分；
若t时刻,回归预测与分类预测结果ζt 回≠ζt 分，则双网络模型联合结果为ζt＝min(min(|ζt-1-ζt 回|，|ζt-1-ζt 分|)+ζt-1,2)。
步骤S5:将测试血糖数据集输入到所述经过训练的神经网络分类预测与回归预测模型，测试血糖浓度预测的精度以及测试提前30分钟进行高低血糖预警的精度，具体精度对比可采用本领域常规的手段执行，将预测结果与实际数据作比对，计算误差值的大小，来判断血糖浓度预测的精度及存在到低血糖时的预警的精度，在此不再展开。
其中，从步骤S1采集的病人血糖数据分割一部分出来作为测试血糖数据集。血糖的预警是通过预警装置实现，预警装置能够在检测到高血糖或低血糖出现后，进行报警。预警装置本身以及预警原理均采用现有预警装置及预警原理，属于本领域的公知技术，在此不再展开说明。
以下对本实例的测试环境和病人血糖数据来源进行说明。
本实施例的测试环境如下：
Dell Precision Tower T7920工作站，其配置为CPU：Intel Xeon Silver 4114，10核20线程，主频为2.2GHz，内存：64GB，GPU：NVIDIA Geforce GTX 1080TI，显存：11G。
本实施例数据来源：
本实施例数据来源于美国FDA批准的可代替动物实验的糖尿病模拟治疗测试软件T1DMS，该软件包括了10个虚拟的糖尿病成人患者、10个青少年患者，选定测试对象并设定进餐计划，就可以获得病人血糖数据。
本实例的实验结果如下：
本实施例在成年病人群体以及青少年病人群体中都能得到较好应用。例如，本实施例能够对成年2号病人血糖浓度进行较准确的预测追踪，其预测均方根误差为6.8mg/dl,但其在血糖曲线拐点，即高低血糖发生处易预测失误，因此本实施例引入多种预测融合思想，及时准确地对病人高低血糖进行预警，多预测模型融合预警结果为：低血糖预测精确度为96.2％，高血糖预测的精度为92.7％，其表现如图4所示。此外，本实施例对1号青少年病人血糖浓度预测的均方根误差为16.2mg/dl,多预测模型融合预警结果为低血糖预测精确度为98.1％，高血糖预测的精度为91.2％，其表现如图5所示。
实施例和其他方法在血糖浓度预测中的对比结果如图6所示。时间序列模型在成人患者群体中预测的均方根误差的平均值为11.7mg/dl，在青少年患者群体中预测的均方根误差的平均值为14.6mg/dl；比例微积分模型在成人患者群体中预测的均方根误差的平均值为11.6mg/dl，在青少年患者群体中预测的均方根误差的平均值为17.5mg/dl；模型预测模型模型在成人患者群体中预测的均方根误差的平均值为8.8mg/dl，在青少年患者群体中预测的均方根误差的平均值为16.8mg/dl；BP神经网络模型在成人患者群体中预测的均方根误差的平均值为8.6mg/dl，在青少年患者群体中预测的均方根误差的平均值为12.8mg/dl；本实施例在成人患者群体中预测的均方根误差的平均值为7.2mg/dl，在青少年患者群体中预测的均方根误差的平均值为10.9mg/dl。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。例如，针对不同病人，设置不同的初始学习率，最大目标误差，迭代次数等网络超参数。又或者，定义不同的网络状态回报分段及回报值等。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求和保护范围之内。

Claims (8)

1.一种基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：包括如下步骤：
S1.采集病人的实时血糖数据；
S2.构建适合血糖数据计算的网络架构搜索空间；
S3.根据步骤S1采集到的实时血糖数据，依据步骤S2构建的网络架构搜索空间，使用自动网络架构搜索方法训练并构建神经网络回归预测模型；
S4.依据步骤S2构建的网络架构搜索空间，使用与步骤S3相同的自动网络架构搜索方法训练并构建神经网络分类预测模型；
S5.通过所述神经网络回归预测模型得到回归预测结果，跟踪预测病人的血糖浓度情况，并通过所述神经网络分类预测模型得到分类预测结果，根据所述回归预测结果和所述分类预测结果预设联合预测机制，采用预设的联合预测机制预测出病人的高低血糖情况，并提前一段时间进行预警；
其中所述预设联合预测机制，包括：
S51.统一所述回归预测结果与所述分类预测结果，得到神经网络预测结果；
将神经网络预测结果按如下类别进行划分：
当预测血糖浓度g<μ1mg/dl时，定义为低血糖，将该时刻血糖预测划分为ζ0类别；
当预测血糖浓度μ1mg/dl≤g≤μ2mg/dl时，定义为正常血糖，将该时刻血糖预测划分为ζ1类别；
当预测血糖浓度g>μ2mg/dl时，定义为高血糖，将该时刻血糖预测划分为ζ2类别；
S52.进行联合投票，判断病人血糖预测的类别：
若t时刻，回归预测结果ζt 回与分类预测结果ζt 分一致，则神经网络预测结果为ζt＝ζt 回或ζt 分；
若t时刻，回归预测ζt 回与分类预测结果ζt 分不一致，则神经网络预测结果为ζt＝min(min(|ζt-1-ζt 回|，|ζt-1-ζt 分|)+ζt-1,ζ2)；
S6.根据步骤S1得到的实时血糖数据构建测试血糖数据集，将测试血糖数据集输入到所述神经网络回归预测模型和所述神经网络分类预测模型，测试血糖浓度预测精度以及测试提前以预设时间T进行高低血糖预警的精度。
2.根据权利要求1所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：步骤S2中，所述的网络架构搜索空间包含感知器和激活函数，
所述感知器的计算公式为：z＝ωx+b；
其中，z表示感知器的输出结果，其为血糖预测的中间结果，其单位为mg/dl；x表示输入血糖，其单位为mg/dl，ω表示输入x的权重，其无特别物理意义，无单位；b表示误差，其无特别物理意义，无单位。
3.根据权利要求2所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：所述激活函数包含Sigmoid函数tanh函数/>Relu函数f(z)＝max(0,z)；其中，所述sigmoid函数将感知器的结果映射到(0，1)之间，所述tanh将感知器结果映射到(-1，1)，所述Relu函数为分段线性映射函数，其中，f(z)为映射的结果，单位为mg/dl；e为数学中的自然常数，其取值为2.72，无单位；z为感知器的计算输出，为血糖预测的中间结果，其单位为mg/dl。
4.根据权利要求2所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：所述感知器和激活函数可组成链式网络结构和残差网络结构，所述感知器和激活函数之间的连接方式分别通过以下公式(1)和公式(2)表示，公式(1)表示感知器和激活函数组成链式网络结构的感知器和激活函数之间的连接方式，公式(2)表示感知器和激活函数组成残差网络结构的感知器和激活函数之间的连接方式：
yi＝δi(yi-1)，δ∈Δ (1)
yi＝δi(yi-1+yj)，j＜i-1，δi∈Δ (2)
其中，y表示每一个神经元的输出值，i，j分别表示第i个神经元和第j个神经元，集合Δ表示激活函数、拼接或加法。
5.根据权利要求1所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：步骤S3具体包括：
S31.依据步骤S2中已构建的网络架构搜索空间，使用马尔科夫决策过程进行网络空间搜索，训练和构建神经网络回归预测模型；
S32.采用低质近似的方法对构建的神经网络回归预测模型的性能进行评估，并对搜索过程进行引导，直到构建出最优的神经网络回归预测模型。
6.根据权利要求5所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：步骤S31中，所述使用马尔科夫决策过程进行网络空间搜索，具体包括如下步骤：
S311.构建一个四元组M＝<S，A，R，∏>，其中S表示网络状态集，A表示可选的动作集，可参考已构建的搜索空间，R为回报函数，∏表示经过马尔科夫决策过程选择出的最优策略集；
S312.定义马尔科夫决策过程的目标函数J(s)，其中s代表状态，初始化目标函数J(s)中参数为近似0的随机数，随机初始化策略π0为搜索空间中的任一动作，得到初始化的目标函数J(s)及策略π0；
S313.采用梯度下降法对目标函数J(s)进行求解，计算各状态的动作目标函数J(s)，选择使目标函数J(s)值最大的策略，得到使目标函数最优的状态-动作组合；
S314.根据计算的目标函数值的波动情况，判断目标函数J(s)是否收敛，若收敛，则输出最优策略πi＝πθ(si，ai)和参数，其中，θ为待优化的网络参数，si为第i步网络状态，π为依据状态si所选择的搜索空间中的最优动作ai的概率；完成神经网络回归预测模型的训练和构建；若还未收敛，则返回步骤S313。
7.根据权利要求6所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：所述步骤S312具体包括：
将所述目标函数J(s)根据下式定义为累计回报的期望：
其中E表示期望，N表示搜索轨迹中包含的状态-动作个数，θ为待优化的网络参数，πθ为当前选取到的最优策略，R(si，ai)表示si-ai组合的回报；
通过网络状态集S中的动作概率表示πθ，将所述式(3)表达为：
其中，R(si,ai)表示si-ai组合的回报；P(si，ai)表示在si状态下选择ai的概率，θ为待优化的网络参数；max表示取累计回报的最大值；
采用梯度下降法进行求解，对上式(4)进行求导得到：
根据将上述(5)式转化为对数似然估算：
对可能的状态-动作组合进行采样，使用经验平均估算拟合该目标函数，将上述(6)式的求解转化为：
其中，m表示采样的个数，k表示当前第k个所选的状态-动作轨迹采样，R(si，ai)表示si-ai组合的回报，P(si，ai)表示在si状态下选择ai的概率，θ为待优化的网络参数；
将R(si,ai)定义为：
当网络均方根误差为0～k1 mg/dl时，回报为λ1；
当网络均方根误差为k1～k2 mg/dl时，回报为λ2；
当网络均方根误差为k1～k2mg/dl时，回报为λ3；
根据状态-动作的似然率P(si,ai；θ)＝P(si+1|si,ai)·πθ(si,ai)，其中，P(si+1，ai)表示在Si状态下，经过ai动作，转换到Si+1状态的概率，与参数θ无关，对logP(si,ai；θ)进行求导得到：
将上述(8)式代入(7)式，得到马尔科夫决策目标函数梯度的计算公式为：
其中，πθ(si,ai)为搜索到的最优策略和参数。
8.根据权利要求5所述的基于神经网络的血糖浓度预测及高低血糖预警方法，其特征在于：步骤S32中，所述采用低质近似的方法对构建的神经网络回归预测模型的性能进行评估，具体包括：选择步骤S1采集到的血糖数据组成的数据集的子集即{g0,g1，g2，...，gn}∈G，其中G为每隔5分钟采集到的血糖集合，g是G集合中时间连续的血糖子集，作为网络训练的数据，采用均方根误差其中/>表示第i步网络预测的血糖值，yi表示第i步血糖的真实值；对构建的神经网络回归预测模型的性能进行评估，并对搜索过程进行引导。
CN202210818212.5A 2022-07-13 2022-07-13 一种基于神经网络的血糖浓度预测及高低血糖预警方法 Active CN115188474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210818212.5A CN115188474B (zh) 2022-07-13 2022-07-13 一种基于神经网络的血糖浓度预测及高低血糖预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210818212.5A CN115188474B (zh) 2022-07-13 2022-07-13 一种基于神经网络的血糖浓度预测及高低血糖预警方法

Publications (2)

Publication Number Publication Date
CN115188474A CN115188474A (zh) 2022-10-14
CN115188474B true CN115188474B (zh) 2023-07-25

Family

ID=83517137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210818212.5A Active CN115188474B (zh) 2022-07-13 2022-07-13 一种基于神经网络的血糖浓度预测及高低血糖预警方法

Country Status (1)

Country Link
CN (1) CN115188474B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841874B (zh) * 2022-11-15 2024-02-23 广东工业大学 一种连续血糖数据长期监测方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009013837A1 (de) * 2009-03-22 2010-04-08 Brandstetter Markus und Nora, als gesetzliche Vertreter des minderjährigen Brandstetter, Gregor Vorrichtung zur Bestimmung von Insulinmengenangaben im Einstellungsprozess von Diabetikern
CN110443352B (zh) * 2019-07-12 2023-12-15 创新先进技术有限公司 基于迁移学习的半自动神经网络调优方法
CN111209962B (zh) * 2020-01-06 2023-02-03 电子科技大学 一种联合热图特征回归的基于cnn特征提取网络的联合图像分类方法
CN113572742B (zh) * 2021-07-02 2022-05-10 燕山大学 基于深度学习的网络入侵检测方法

Also Published As

Publication number Publication date
CN115188474A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
Xie et al. Benchmarking machine learning algorithms on blood glucose prediction for type I diabetes in comparison with classical time-series models
Zecchin et al. A new neural network approach for short-term glucose prediction using continuous glucose monitoring time-series and meal information
Akter et al. Comprehensive performance assessment of deep learning models in early prediction and risk identification of chronic kidney disease
Prabhu et al. Deep belief neural network model for prediction of diabetes mellitus
Zhu et al. Personalized blood glucose prediction for type 1 diabetes using evidential deep learning and meta-learning
Montaser et al. Seasonal local models for glucose prediction in type 1 diabetes
WO2007149533A2 (en) System, method and article for controlling the dispensing of insulin
CN115188474B (zh) 一种基于神经网络的血糖浓度预测及高低血糖预警方法
D’Antoni et al. Auto-Regressive Time Delayed jump neural network for blood glucose levels forecasting
Freiburghaus et al. A deep learning approach for blood glucose prediction of type 1 diabetes
CN111612278A (zh) 生命状态预测方法、装置、电子设备及存储介质
CN111681209A (zh) 卵裂球分裂状态智能检测方法及系统
WO2021158796A1 (en) Forecasting and explaining user health metrics
Wang et al. Diabetes Risk Analysis Based on Machine Learning LASSO Regression Model
CN109935331A (zh) 一种基于多模型动态综合的血糖预测方法及系统
CN115482932A (zh) 一种基于迁移学习和糖化血红蛋白的多变量血糖预测算法
Yang et al. Multi-Scale Long Short-Term Memory Network with Multi-Lag Structure for Blood Glucose Prediction.
Chen et al. Committed moving horizon estimation for meal detection and estimation in type 1 diabetes
Shakil et al. A promising prediction of diabetes using a deep learning approach
Kim et al. Intelligent ensemble deep learning system for blood glucose prediction using genetic algorithms
Kiran et al. A gradient boosted decision tree with binary spotted hyena optimizer for cardiovascular disease detection and classification
WO2022216220A1 (en) Method and system for personalized prediction of infection and sepsis
CN114613497A (zh) 基于gbdt样例级的病患样本的智能医学辅助诊断方法
CN115547502A (zh) 基于时序数据的血透病人风险预测装置
CN115376638A (zh) 一种基于多源健康感知数据融合的生理特征数据分析方法

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