CN116919395A - 一种结合大数据模型和个性化模型的血糖预测方法和装置 - Google Patents
一种结合大数据模型和个性化模型的血糖预测方法和装置 Download PDFInfo
- Publication number
- CN116919395A CN116919395A CN202210380666.9A CN202210380666A CN116919395A CN 116919395 A CN116919395 A CN 116919395A CN 202210380666 A CN202210380666 A CN 202210380666A CN 116919395 A CN116919395 A CN 116919395A
- Authority
- CN
- China
- Prior art keywords
- data
- personalized
- meal
- calibration
- big data
- 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.)
- Pending
Links
- 239000008280 blood Substances 0.000 title claims abstract description 633
- 210000004369 blood Anatomy 0.000 title claims abstract description 633
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 406
- 239000008103 glucose Substances 0.000 title claims abstract description 406
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013499 data model Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000012216 screening Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 473
- 235000012054 meals Nutrition 0.000 claims description 209
- 238000012545 processing Methods 0.000 claims description 100
- 230000003287 optical effect Effects 0.000 claims description 75
- 230000002503 metabolic effect Effects 0.000 claims description 70
- 238000006243 chemical reaction Methods 0.000 claims description 37
- 230000000291 postprandial effect Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000002360 preparation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013186 photoplethysmography Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 16
- 238000010606 normalization Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000004060 metabolic process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 210000001015 abdomen Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/145—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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及一种结合大数据模型和个性化模型的血糖预测方法和装置，所述方法包括：对大数据血糖预测模型进行训练；接收指定对象的第一采集数据集合；当第一数据类型为标签类型时根据第一采集数据集合对个性化数据库进行更新；更新成功则统计个性数据记录总数生成第一总数；第一总数大于或等于第一阈值则筛选个性数据标定记录；第一总数等于第二阈值则对个性化血糖预测模型进行训练；当第一数据类型为预测类型时，统计个性数据记录总数生成第二总数；第二总数小于第二阈值则基于大数据血糖预测模型进行预测；第二总数等于第二阈值则结合大数据、个性化血糖预测模型进行个性化血糖预测。通过本发明可避免有创血糖检测带来的不便。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种结合大数据模型和个性化模型的血糖预测方法和装置。
背景技术
血中的葡萄糖称为血糖(Glu)。血糖保持在一定水平才能维持体内各器官和组织的正常工作。当前常见的血糖观测手段主要是基于有创方式对人体血液进行提取，并根据提取血液进行化学分析从而得到血糖观测值。因为这种观测手段是会给人体造成创伤的，若使用这种观测手段对人体进行长期血糖观测，无疑会给用户带来很多不便。
基于比尔-朗伯定律我们可知溶液对透射光的吸收度与溶质浓度有关，进而可知血液中葡萄糖浓度越高则透过人体组织的光强就越小，那么通过采集反映人体血液透射光强变化的光电容积描记(Photoplethysmography,PPG)信号就能对血糖变化进行观测。
基于代谢热构象(Metabolic Heat Conformation,MHC)理论我们可知人体不同时段的能量节律与人体代谢之后释放的能量有一定相关性，而葡萄糖氧化与产生的能量可以热能形式从人体散发到环境中，因此人体代谢热与葡萄糖水平和供氧量相关。也即是说在供氧保证的情况下，基于代谢热构象理论可以人体代谢热为参考对血糖变化进行观测。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种结合大数据模型和个性化模型的血糖预测方法、装置、电子设备及计算机可读存储介质，预先基于光学、代谢热与血糖三者的关联关系创建大数据血糖预测模型和个性化血糖预测模型；在个性化数据沉淀不够充分的情况下基于大数据血糖预测模型进行血糖预测；在个性化数据沉淀充分的情况下为每个指定对象训练出一个对应的个性化血糖预测模型，并基于大数据血糖预测模型+个性化血糖预测模型对各个对象进行个性化血糖预测。通过本发明，不但可以解决有创血糖检测带来的不便，还可以为不同对象提供不同的预测模型方案，从而达到降低观测难度、提高预测定制化水平的目的。
为实现上述目的，本发明实施例第一方面提供了一种结合大数据模型和个性化模型的血糖预测方法，所述方法包括：
基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录；
接收指定对象的第一采集数据集合；所述第一采集数据集合包括第一数据类型；所述第一数据类型包括预测类型和标签类型；
当所述第一数据类型为标签类型时，根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新；所述数据库更新成功，则对所述个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若所述第一总数大于或等于预设的第一阈值，则基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若所述第一总数等于预设的第二阈值，则基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练；所述第一阈值小于所述第二阈值；
当所述第一数据类型为预测类型时，对所述个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若所述第二总数小于所述第二阈值，则基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若所述第二总数等于所述第二阈值，则基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
优选的，所述大数据血糖预测模型的神经网络采用全连接网络结构；
所述个性化血糖预测模型的模型结构采用支持向量机模型结构、随机森林模型结构或决策树模型结构。
优选的，所述大数据库包括多个大数据记录；所述大数据记录包括第一餐前子记录和第一餐后子记录；所述第一餐前子记录包括第一采集时间、第一时间间隔、第一光学数据组、第一代谢热数据组、第一生理信息数据组和第一测量血糖值；所述第一餐后子记录包括第二采集时间、第二时间间隔、第二光学数据组、第二代谢热数据组、第二生理信息数据组和第二测量血糖值；所述第一、第二测量血糖值分别对应餐前、餐后测量血糖值；
所述第一数据类型为标签类型时，所述第一采集数据集合还包括第一餐前采集记录和第一餐后采集记录，所述第一餐前采集记录包括第三采集时间、第三时间间隔、第三光学数据组、第三代谢热数据组、第三生理信息数据组和第三测量血糖值；所述第一餐后采集记录包括第四采集时间、第四时间间隔、第四光学数据组、第四代谢热数据组、第四生理信息数据组和第四测量血糖值；所述第三、第四测量血糖值分别对应餐前、餐后测量血糖值；
所述第一数据类型为预测类型时，所述第一采集数据集合还包括第五采集时间、第五时间间隔、第五光学数据组、第五代谢热数据组和第五生理信息数据组；
所述个性化数据库包括多个所述个性数据记录；所述个性数据记录包括第二餐前子记录和第二餐后子记录；所述第二餐前子记录包括第六采集时间、第六时间间隔、第六光学数据组、第六代谢热数据组、第六生理信息数据组和第五测量血糖值；所述第二餐后子记录包括第七采集时间、第七时间间隔、第七光学数据组、第七代谢热数据组、第七生理信息数据组和第六测量血糖值；所述第五、第六测量血糖值分别对应餐前、餐后测量血糖值；所述个性化数据库的最大记录总数为所述第二阈值。
优选的，所述基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录，具体包括：
从所述大数据库中提取多个所述大数据记录构成大数据集合；
并对所述大数据集合中的各个所述第一餐前子记录或所述第一餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第一特征向量；并将与各个所述第一特征向量对应的所述第一测量血糖值或所述第二测量血糖值记为对应的第一特征血糖值；
并从所述大数据集合中选出一个大数据记录作为所述大数据标定记录；并将所述大数据标定记录的两个第一特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第一特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
将除所述大数据餐前标定向量和所述大数据餐后标定向量之外的其他所述第一特征向量都记为第二特征向量；并由各个所述第二特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值，组成对应的第一模型训练向量；
基于所述大数据血糖预测模型，对任一所述第一模型训练向量进行大数据模型预测处理得到对应的第一预测数据，并根据所述大数据餐后标定血糖值与所述第一预测数据相加的和生成对应的当前预测血糖数据；并使用所述大数据血糖预测模型的损失函数计算所述当前预测血糖数据与当前第一模型训练向量对应的所述第一特征血糖值的训练误差；并在所述训练误差不满足预设的合理误差范围时，基于所述训练误差对所述大数据血糖预测模型进行调制，并选择下一个所述第一模型训练向量对调制后的所述大数据血糖预测模型继续进行训练；并在所述训练误差满足所述合理误差范围时停止训练。
优选的，所述根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新，具体包括：
对所述个性化数据库的个性数据记录总数进行统计生成对应的当前总数；并在所述当前总数小于所述第二阈值时，在所述个性化数据库中新增一个所述个性数据记录作为当前记录；并在所述当前总数等于所述第二阈值时，将所述个性化数据库中添加时间最早的所述个性数据记录作为所述当前记录；
从所述第一采集数据集合中提取出所述第一餐前采集记录作为所述当前记录的所述第二餐前子记录存入所述个性化数据库中，并提取出所述第一餐后采集记录作为所述当前记录的所述第二餐后子记录存入所述个性化数据库中。
优选的，所述基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录，具体包括：
对所述个性化数据库中的各个所述个性数据记录的所述第二餐前子记录或所述第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第三特征向量；并将与各个所述第三特征向量对应的所述第五测量血糖值或所述第六测量血糖值记为对应的第二特征血糖值；
在所述个性化数据库中，依次提取所述个性数据记录作为当前标定记录；并将所述当前标定记录的两个第三特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第二特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；并将除所述当前标定记录之外的其他所述个性数据记录的第三特征向量均记为第四特征向量，并由各个所述第四特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第一模型输入向量；并基于所述大数据血糖预测模型，对各个所述第一模型输入向量进行大数据模型预测处理得到对应的第二预测数据，并根据所述大数据餐后标定血糖值与所述第二预测数据相加的和生成对应的第一模型预测血糖数据；并计算各个所述第一模型预测血糖数据与当前第一模型输入向量对应的所述第二特征血糖值的绝对差值得到对应的第一预测误差；并对得到的所有所述第一预测误差进行总和计算从而得到与所述当前标定记录对应的第一预测误差总和；
以最小预测误差总和为最优标定个性记录组筛选原则，将所述个性化数据库中所述第一预测误差总和为最小值的所述个性数据记录作为最新的所述个性数据标定记录。
优选的，所述基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练，具体包括：
对所述个性化数据库中的各个所述个性数据记录的所述第二餐前子记录或所述第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第五特征向量；并将与各个所述第五特征向量对应的所述第五测量血糖值或所述第六测量血糖值记为对应的第三特征血糖值；
将所述个性数据标定记录的两个第五特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第三特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
将所述个性化数据库中除所述个性数据标定记录之外的其他所述个性数据记录的所述第五特征向量均记为第六特征向量；并由各个所述第六特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第二模型训练向量；
基于所述大数据血糖预测模型对各个所述第二模型训练向量进行大数据模型预测处理得到对应的第三预测数据，并根据所述大数据餐后标定血糖值与所述第三预测数据相加的和生成对应的大数据预测血糖数据；
根据预设的大数据-个性化特征关联状态，从各个所述第二模型训练向量对应的所述第六特征向量中提取部分特征数据组成对应的第七特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；并由所述第七特征向量以及所述个性化餐前标定向量、所述个性化餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值、所述大数据预测血糖数据组成对应的第三模型训练向量；
基于所述个性化血糖预测模型对任一所述第三模型训练向量进行个性化模型预测处理得到对应的第四预测数据，并根据所述大数据预测血糖数据与所述第四预测数据相加的和生成对应的当前预测血糖数据；并计算所述当前预测血糖数据与当前第三模型训练向量对应的所述第三特征血糖值的绝对差值作为当前测量误差；并在所述当前测量误差与预设的合理误差范围不匹配时对所述个性化血糖预测模型进行调制；并接着选择下一个所述第三模型训练向量对所述个性化血糖预测模型进行训练，直到最后一个所述第三模型训练向量训练完成为止。
进一步的，所述根据预设的大数据-个性化特征关联状态，从各个所述第二模型训练向量对应的所述第六特征向量中提取部分特征数据组成对应的第七特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量，具体包括：
对所述大数据-个性化特征关联状态的各个状态位是否为关联状态进行识别，若是则将所述第六特征向量、所述大数据餐前标定向量和所述大数据餐后标定向量中各个状态位的匹配特征数据向对应的所述第七特征向量、所述个性化餐前标定向量和所述个性化餐后标定向量中添加；所述大数据-个性化特征关联状态包括第一、第二、第三和第四状态位；所述第一状态位的匹配特征数据为时间间隔特征数据，所述第二状态位的匹配特征数据为光学特征序列，所述第三状态位的匹配特征数据为代谢热特征序列，所述第四状态位的匹配特征数据为生理特征序列。
优选的，所述基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据，具体包括：
对所述第二总数是否小于所述第一阈值进行判断；若所述第二总数小于所述第一阈值，则对所述大数据标定记录的所述第一餐前子记录和所述第一餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的大数据餐前标定向量和大数据餐后标定向量，并将所述大数据标定记录的所述第一测量血糖值和所述第二测量血糖值作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；若所述第二总数大于或等于所述第一阈值，则对所述个性数据标定记录的所述第二餐前子记录和所述第二餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的所述大数据餐前标定向量和所述大数据餐后标定向量，并将所述个性数据标定记录的所述第五测量血糖值和所述第六测量血糖值作为对应的所述大数据餐前标定血糖值和所述大数据餐后标定血糖值；
对所述第一采集数据集合进行第一特征向量转换处理生成对应的第八特征向量；并由所述第八特征向量、所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值和所述大数据餐后标定血糖值构成对应的第二模型输入向量；
基于所述大数据血糖预测模型对所述第二模型输入向量进行大数据模型预测处理得到对应的第五预测数据；并根据所述大数据餐后标定血糖值与所述第五预测数据相加的和生成对应的所述第一预测血糖数据。
优选的，所述基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据，具体包括：
对所述个性数据标定记录的所述第二餐前子记录和所述第二餐后子记录分别进行第一特征向量转换处理得到两个第九特征向量，并将所述两个第九特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，并将所述个性数据标定记录的所述第五、第六测量血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
并对所述第一采集数据集合进行第一特征向量转换处理生成对应的第十特征向量；并由所述第十特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第三模型输入向量；
并基于所述大数据血糖预测模型对所述第三模型输入向量进行大数据模型预测处理得到对应的第六预测数据；并根据所述大数据餐后标定血糖值与所述第六预测数据相加的和生成对应的大数据预测血糖数据；
根据预设的大数据-个性化特征关联状态，从所述第十特征向量中提取部分特征数据组成对应的第十一特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；
并由所述第十一特征向量以及所述个性化餐前标定向量、所述个性化餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值、所述大数据预测血糖数据组成对应的第四模型输入向量；
基于所述个性化血糖预测模型对所述第四模型输入向量进行个性化模型预测处理得到对应的第七预测数据；并根据所述大数据预测血糖数据与所述第七预测数据相加的和生成对应的所述第二预测血糖数据。
本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置，包括：大数据模型准备模块、数据接收模块、个性化模型准备模块和血糖预测处理模块；
所述大数据模型准备模块用于基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录；
所述数据接收模块用于接收指定对象的第一采集数据集合；所述第一采集数据集合包括第一数据类型；所述第一数据类型包括预测类型和标签类型；
所述个性化模型准备模块用于当所述第一数据类型为标签类型时，根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新；所述数据库更新成功，则对所述个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若所述第一总数大于或等于预设的第一阈值，则基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若所述第一总数等于预设的第二阈值，则基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练；所述第一阈值小于所述第二阈值；
所述血糖预测处理模块用于当所述第一数据类型为预测类型时，对所述个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若所述第二总数小于所述第二阈值，则基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若所述第二总数等于所述第二阈值，则基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种结合大数据模型和个性化模型的血糖预测方法、装置、电子设备及计算机可读存储介质，首先对体现光学、代谢热与血糖变化三者关联关系的大数据血糖预测模型进行训练，并从大数据库中选择一个数据记录作为模型的标定记录。并为指定对象创建个性化数据库用于存储当前对象的标签数据也就是个性化记录；并在个性化数据库中存储了足够数量的个性化记录之后，基于训练成熟的大数据血糖预测模型从个性化数据库中筛选出更适合指定对象的个性化标定记录；并在个性化记录数量达到指定阈值时，基于训练成熟的大数据血糖预测模型、个性化标定记录和个性化数据库对个性化血糖预测模型进行训练。在对指定对象的血糖进行预测时，若个性化记录总数尚未达到指定阈值则使用大数据血糖预测模型对指定对象进行血糖预测；若个性化记录总数达到指定阈值则使用大数据血糖预测模型+个性化血糖预测模型对指定对象进行血糖预测。通过本发明，在个性化数据沉淀不够充分的情况下可以基于大数据血糖预测模型进行血糖预测，在个性化数据沉淀充分的情况下可以为每个指定对象训练出一个对应的个性化血糖预测模型并基于大数据血糖预测模型+个性化血糖预测模型对各个对象进行个性化预测，如此一来不但可以解决有创血糖检测带来的不便，还可以为不同对象提供不同的预测模型方案，从而大大降低了观测难度，也提高了预测的定制化水平。
附图说明
图1为本发明实施例一提供的一种结合大数据模型和个性化模型的血糖预测方法示意图；
图2为本发明实施例二提供的一种结合大数据模型和个性化模型的血糖预测装置的模块结构图；
图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
本发明实施例一提供的一种结合大数据模型和个性化模型的血糖预测方法，先从大数据库中选择大数据标定记录和训练集对大数据血糖预测模型进行训练；大数据血糖预测模型训练成熟后，对接收到的指定对象采集数据进行识别；若接收到的采集数据的是标签类型的数据，那么将采集数据作为个性数据记录补充到对应的个性化数据库中，并在记录数量达到一定数量(第一阈值)时在个性化数据库中筛选出个性数据标定记录，并在记录数量达到指定阈值(第二阈值)时以个性数据标定记录作为大数据血糖预测模型的标定记录、以个性化数据库作为训练集结合大数据血糖预测模型的预测结果对个性化血糖预测模型进行训练；若接收到的采集数据的是预测类型的数据，在记录数量<第一阈值时采用以大数据标定记录标定的大数据血糖预测模型对采集数据进行血糖预测，在第一阈值≤记录数量<第二阈值时采用以个性数据标定记录标定的大数据血糖预测模型进行预测，在记录数量＝第二阈值时采用以个性数据标定记录标定的大数据血糖预测模型和个性化血糖预测模型进行预测。如此一来在兼顾大数据预测的同时，还能随着指定对象标签数据的持续更新达到持续提高指定对象个性化预测准确度的目的，提高了预测定制化水平。图1为本发明实施例一提供的一种结合大数据模型和个性化模型的血糖预测方法示意图，如图1所示，本方法主要包括如下步骤：
步骤1，基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录；
其中，大数据血糖预测模型的神经网络采用全连接网络结构；大数据库包括多个大数据记录；大数据记录包括第一餐前子记录和第一餐后子记录；第一餐前子记录包括第一采集时间、第一时间间隔、第一光学数据组、第一代谢热数据组、第一生理信息数据组和第一测量血糖值；第一餐后子记录包括第二采集时间、第二时间间隔、第二光学数据组、第二代谢热数据组、第二生理信息数据组和第二测量血糖值；第一、第二测量血糖值分别对应餐前、餐后测量血糖值；
这里，大数据血糖预测模型的输入数据向量由待测特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值构成；模型使用的神经网络采用全连接网络结构予以实现；模型以大数据餐前标定向量+大数据餐后标定向量为标定参考向量、以大数据餐前标定血糖值+大数据餐后标定血糖值为标定参考血糖值，通过全连接网络对待测特征向量进行全连接计算得到一个预测值，并以该预测值为浮动值基于大数据餐后标定血糖值+浮动值得到最终的预测血糖值。
大数据血糖预测模型在使用之前，需要基于预设的大数据库进行训练，该大数据库中存储了大量的由不同对象采集而来的大数据记录，每条大数据记录都包括一对餐前、餐后子记录也就是第一餐前子记录和第一餐后子记录，这对餐前、餐后子记录对应一个对象一次用餐前后的采集信息；第一、第二采集时间即为当前子记录的实际采集时间信息；第一、第二时间间隔即为采集对象当次采集时间与上次用餐时间的间隔时长；第一、第二光学数据组均包括四个光学信号，分别为：三个波段(1050nm波段、940nm波段和650nm波段)的PPG信号和一个环境光信号；第一、第二代谢热数据组均包括七个代谢热信号，分别为：接触热信号、人体近端温度信号、人体近端湿度信号、人体近端辐射热信号、辐射热传感器校准信号、人体远端温度信号和人体远端湿度信号；第一、第二生理信息数据组均包括五个生理信息，分别为：年龄信息、性别信息、身高信息、体重信息和身体质量指数BMI信息；第一、第二测量血糖值则分别对应采集对象餐前、餐后的实际测量血糖值，该血糖值测量方式有多种，其中一种就是采用常规有创测量方式进行测量，这样可以保证测量值的准确性。
步骤1具体包括：
步骤11，从大数据库中提取多个大数据记录构成大数据集合；
步骤12，对大数据集合中的各个第一餐前子记录或第一餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第一特征向量；并将与各个第一特征向量对应的第一测量血糖值或第二测量血糖值记为对应的第一特征血糖值；
其中，第一特征向量转换处理实际为：对第一餐前子记录或第一餐后子记录分别进行基础特征提取处理得到对应的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列；并对预设的第一特征向量结构参数进行识别；当第一特征向量结构参数为第一结构时，由时间间隔特征数据、光学特征序列和代谢热特征序列组成对应的第一特征向量输出；当第一特征向量结构参数为第二结构时，由时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列组成对应的第一特征向量输出；此处，第一特征向量结构参数默认为第一结构；
这里，实际就是将大数据集合中的各个第一餐前子记录或第一餐后子记录的采集数据转换成与大数据血糖预测模型所需的待测特征向量结构匹配的第一特征向量，各个第一特征向量对应的第一特征血糖值会用在后续训练步骤中进行误差计算；
步骤13，从大数据集合中选出一个大数据记录作为大数据标定记录；并将大数据标定记录的两个第一特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第一特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
这里，由前文可知大数据血糖预测模型有4个标定数据：大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值；当前步骤实际就是从大数据库中选择大数据标定记录来确认这组标定数据的具体内容；
需要说明的是，从大数据集合中选出一个大数据记录作为大数据标定记录的实现方式有多种，其中一种实现方式为：以一组预设的正常餐前血糖值范围和正常餐后血糖值范围，对大数据集合中各个大数据记录进行筛选，选出一组第一、第二测量血糖值与预设的正常餐前血糖值范围和正常餐后血糖值范围匹配的大数据记录，并从中任选一个大数据记录作为大数据标定记录；
步骤14，将除大数据餐前标定向量和大数据餐后标定向量之外的其他第一特征向量都记为第二特征向量；并由各个第二特征向量和大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值，组成对应的第一模型训练向量；
这里，将除大数据餐前、餐后标定向量之外的其他第一特征向量都记为第二特征向量是为了将大数据标定记录对应的两个第一特征向量排除在外，第二特征向量实际就是前文中提到的大数据血糖预测模型输入数据向量中的待测特征向量；前文中提到，大数据血糖预测模型的输入数据向量由待测特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值构成，所以各个第一模型训练向量应由对应第二特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值构成；
步骤15，基于大数据血糖预测模型，对任一第一模型训练向量进行大数据模型预测处理得到对应的第一预测数据，并根据大数据餐后标定血糖值与第一预测数据相加的和生成对应的当前预测血糖数据；并使用大数据血糖预测模型的损失函数计算当前预测血糖数据与当前第一模型训练向量对应的第一特征血糖值的训练误差；并在训练误差不满足预设的合理误差范围时，基于训练误差对大数据血糖预测模型进行调制，并选择下一个第一模型训练向量对调制后的大数据血糖预测模型继续进行训练；并在训练误差满足合理误差范围时停止训练。
这里，大数据血糖预测模型以大数据餐前标定向量+大数据餐后标定向量为标定参考向量、以大数据餐前标定血糖值+大数据餐后标定血糖值为标定参考血糖值，通过全连接网络对第二特征向量进行全连接计算得到对应的第一预测数据，并以第一预测数据为浮动值基于大数据餐后标定血糖值+第一预测数据得到当前预测血糖数据。又已知每个第二特征向量对应一个实际测量血糖值也就是第一特征血糖值；那么，以当前预测血糖数据为预测数据、以第一特征血糖值为观测数据，就可以基于大数据血糖预测模型的损失函数计算出对应的当前预测血糖数据与对应的第一特征血糖值的训练误差，此处的损失函数常规有多种实现方式，诸如均方差损失函数、指数损失函数、交叉熵损失函数等，在此不做一一赘述。在得到训练误差之后，基于预先设定的合理误差范围对其进行判断；若处于该合理误差范围内则说明模型已经收敛可以停止训练；若未处于该合理误差范围内则说明模型尚未收敛需要对大数据血糖预测模型进行调制，并选择下一个第一模型训练向量对调制后的大数据血糖预测模型继续进行训练，此处对大数据血糖预测模型的全连接网络进行调制的实现方式有多种，诸如按梯度下降反向传播算法等，在此不做一一赘述。
到此，由上述步骤1完成大数据血糖预测模型之后，可对需要进行长期持续血糖观测的个体采集对象也就是指定对象按以下步骤2的数据采集方式进行数据采集。
步骤2，接收指定对象的第一采集数据集合；
其中，第一采集数据集合包括第一数据类型；第一数据类型包括预测类型和标签类型；第一数据类型为标签类型时，第一采集数据集合还包括第一餐前采集记录和第一餐后采集记录，第一餐前采集记录包括第三采集时间、第三时间间隔、第三光学数据组、第三代谢热数据组、第三生理信息数据组和第三测量血糖值；第一餐后采集记录包括第四采集时间、第四时间间隔、第四光学数据组、第四代谢热数据组、第四生理信息数据组和第四测量血糖值；第三、第四测量血糖值分别对应餐前、餐后测量血糖值；第一数据类型为预测类型时，第一采集数据集合还包括第五采集时间、第五时间间隔、第五光学数据组、第五代谢热数据组和第五生理信息数据组。
这里，指定对象就是一个指定的个体对象，第一采集数据集合就是在指定对象侧对其进行光学信号、代谢热信号、生理信息以及血糖信息采集得到的采集数据集合。
在指定对象侧进行数据采集的方式有两种：标签数据采集方式和预测数据采集方式；若指定对象选择标签数据采集方式，则对该指定对象单次用餐的一组餐前-餐后的光学信号、代谢热信号、生理信息、测量血糖信息进行采集得到由一对第一餐前采集记录和第一餐后采集记录组成的第一采集数据集合；若指定对象选择预测数据采集方式，则对该指定对象当前时刻的光学信号、代谢热信号、生理信息进行采集得到第一采集数据集合。
为了对接收到的采集数据集合的数据结构有更为清楚的认识，下文对在指定对象侧的具体采集步骤予以说明：
步骤A1，当指定数据采集方式为标签数据采集方式时，设置第一数据类型为标签类型；并对指定对象进行餐前数据采集和餐后数据采集得到对应的第一餐前采集记录和第一餐后采集记录；并由得到的第一数据类型、第一餐前采集记录和第一餐后采集记录组成对应的第一采集数据集合；
其中，在进行餐前数据采集或餐后数据采集时，具体对指定对象的光学信号、代谢热信号和生理信息进行采集得到对应的采集时间、时间间隔、光学数据组、代谢热数据组和生理信息数据组，并测量指定对象的当前血糖信息作为对应的测量血糖值，并由当次得到的采集时间、时间间隔、光学数据组、代谢热数据组、生理信息数据组和测量血糖值构成对应的第一餐前采集记录或第一餐后采集记录；
这里，也就是由当次餐前数据采集得到的采集时间、时间间隔、光学数据组、代谢热数据组、生理信息数据组和测量血糖值作为第一餐前采集记录的第三采集时间、第三时间间隔、第三光学数据组、第三代谢热数据组、第三生理信息数据组和第三测量血糖值；由当次餐后数据采集得到的采集时间、时间间隔、光学数据组、代谢热数据组、生理信息数据组和测量血糖值作为第一餐后采集记录的第四采集时间、第四时间间隔、第四光学数据组、第四代谢热数据组、第四生理信息数据组和第四测量血糖值；再由具体为标签类型的第一数据类型、第一餐前采集记录、第一餐后采集记录组成第一采集数据集合；
步骤A2，当指定数据采集方式为预测数据采集方式时，设置第一数据类型为预测类型；并对指定对象的光学信号、代谢热信号和生理信息进行采集得到对应的采集时间、时间间隔、光学数据组、代谢热数据组和生理信息数据组；由第一数据类型和当次采集得到的采集时间、时间间隔、光学数据组、代谢热数据组和生理信息数据组构成对应的第一采集数据集合。
这里，也就是由当次采集得到的采集时间、时间间隔、光学数据组、代谢热数据组、生理信息数据组作为对应的第五采集时间、第五时间间隔、第五光学数据组、第五代谢热数据组、第五生理信息数据组，并由具体为预测类型的第一数据类型、第五采集时间、第五时间间隔、第五光学数据组、第五代谢热数据组、第五生理信息数据组构成对应的第一采集数据集合。
需要说明的是，上述步骤A1-A2中，对指定对象的光学信号、代谢热信号和生理信息进行采集得到对应的采集时间、时间间隔、光学数据组、代谢热数据组和生理信息数据组的采集实现过程是类似的，具体包括：
步骤B1，记录当前时间作为对应的采集时间；
步骤B2，计算指定对象从上次用餐时间到当前时间的间隔时长作为对应的时间间隔；
步骤B3，在指定对象的PPG采集部位的一侧分别使用三个波段的红外光源进行照射，在另一侧对三个波段红外光的光强信号分别进行采集从而得到对应的三个波段的PPG信号；并对指定对象所在环境的光信号进行采集得到对应的一个环境光信号；并将得到的三个波段的PPG信号和一个环境光信号组成对应的光学数据组；
这里，PPG采集部位是一个预先设定的采集部位，常规可将其设为手指指尖；若PPG采集部位为手指指尖，则在指定对象的PPG采集部位的一侧分别使用三个波段的红外光源进行照射就是在指定对象手指指尖的一侧进行照射，常规情况下选用手指顶部位置(诸如指甲部位)进行照射；在另一侧对三个波段红外光的光强信号分别进行采集从而得到对应的三个波段的PPG信号就是在指定对象手指指尖的另一侧进行信号采集，常规情况下选用手指指腹位置(诸如与指甲部位垂直对应的指腹部位)进行信号采集；此处，三个波段的红外光常规为1050nm波段、940nm波段和650nm波段的三个波段红外光，对应的三个波段的PPG信号也就是1050nm波段PPG信号、940nm波段PPG信号和650nm波段PPG信号；
步骤B4，在指定对象的接触热采集部位进行接触热信号采集得到对应的接触热信号；并在与接触热采集部位相距不超过预设的第一距离阈值的位置，对指定对象的人体近端温度、湿度和辐射热信号进行采集得到对应的人体近端温度信号、人体近端湿度信号和人体近端辐射热信号；并对用于辐射热采集的辐射热传感器的校准信号进行采集得到对应的辐射热传感器校准信号；并在与接触热采集部位相距超过预设的第二距离阈值的位置，对指定对象的人体远端温度和湿度信号进行采集得到对应的人体远端温度信号和人体远端湿度信号；并将得到的接触热信号、人体近端温度信号、人体近端湿度信号、人体近端辐射热信号、辐射热传感器校准信号、人体远端温度信号和人体远端湿度信号组成对应的代谢热数据组；
其中，第一距离阈值小于第二距离阈值；第一距离阈值也即是近端阈值，未超过第一距离阈值的位置视为近端位置，第二距离阈值也就是远端阈值，超过第二距离阈值的位置视为远端位置；
这里，接触热采集部位与PPG信号采集位置相关，若PPG信号采集位置为手指指尖的指腹位置，那么接触热采集部位也就是该手指指尖的指腹表皮位置；对应的接触热信号或人体近端辐射热信号则是在相较指腹表皮位置的距离为0或距离大于0且不超过第一距离阈值时采集到的两个热能信号；对应的人体近端温度信号或人体远端温度信号则是在相较指腹表皮位置的距离大于0且不超过第一距离阈值或距离超过第二距离阈值时采集到的两个温度变化信号；对应的人体近端湿度信号或人体远端湿度信号则是在相较指腹表皮位置的距离大于0且不超过第一距离阈值或距离超过第二距离阈值时采集到的两个湿度变化信号；辐射热传感器校准信号则是在相较指腹表皮位置距离超过第二距离阈值时采集到用于对人体热能信号进行校准的环境热能信号；
步骤B5，对指定对象的年龄信息、性别信息、身高信息、体重信息和身体质量指数BMI信息进行采集组成对应的生理信息数据组。
综上所述，通过上述步骤B1-B5就可按指定数据采集方式对指定对象的光学信号、代谢热信号、生理信息以及血糖信息进行采集生成对应的第一采集数据集合。
步骤3，当第一数据类型为标签类型时，根据第一采集数据集合对指定对象对应的个性化数据库进行数据库更新；数据库更新成功，则对个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若第一总数大于或等于预设的第一阈值，则基于大数据血糖预测模型在个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若第一总数等于预设的第二阈值，则基于大数据血糖预测模型、个性化数据库和个性数据标定记录对个性化血糖预测模型进行训练；
其中，第一阈值小于第二阈值；个性化血糖预测模型的模型结构采用支持向量机模型结构、随机森林模型结构或决策树模型结构；个性化数据库包括多个个性数据记录；个性数据记录包括第二餐前子记录和第二餐后子记录；第二餐前子记录包括第六采集时间、第六时间间隔、第六光学数据组、第六代谢热数据组、第六生理信息数据组和第五测量血糖值；第二餐后子记录包括第七采集时间、第七时间间隔、第七光学数据组、第七代谢热数据组、第七生理信息数据组和第六测量血糖值；第五、第六测量血糖值分别对应餐前、餐后测量血糖值；个性化数据库的最大记录总数为第二阈值。
这里，当第一数据类型为标签类型时，说明当前采集的第一采集数据集合是标签数据，需要使用该采集数据对个性化数据库进行更新；并对更新后的个性化数据库的个性数据记录总数进行统计，若总数小于第一阈值说明标签数据总量还不足够进行个性数据标定记录的筛选，若总数超过了第一阈值说明标签数据总量已经足够进行个性数据标定记录筛选继而选出个性数据标定记录，若总数达到了第二阈值说明个性化数据库中标签数据总量已满可以对个性化血糖预测模型进行训练了。本发明实施例一的个性化血糖预测模型是和大数据血糖预测模型结合使用的，所以在对个性化血糖预测模型进行训练时，先要使用个性数据标定记录对大数据血糖预测模型的标定数据进行确认，然后从个性化数据库中选择个性数据标定记录之外的其他记录作为训练数据，再结合大数据血糖预测模型的预测结果对个性化血糖预测模型进行训练。个性化血糖预测模型的模型结构采用支持向量机模型结构、随机森林模型结构或决策树模型结构，这三类结构相对全连接网络结构而言，其优点就是还能够基于个性特征创建条件分支对输入向量进行细化处理从而达到个性化输出的目的。个性化血糖预测模型是对大数据血糖预测模型的预测结果进行进一步细化计算，其输入数据结构包括：大数据模型待测特征向量的部分特征(新的待测特征向量)+大数据餐前标定向量的部分特征(个性化餐前标定向量)+大数据餐后标定向量的部分特征(个性化餐后标定向量)+大数据餐前标定血糖值+大数据餐后标定血糖值+大数据模型的预测血糖数据；其输出结果也是一个浮动值，基于此浮动值+大数据模型的预测血糖数据可得到最终的血糖预测数据。
步骤3具体包括：
步骤31，根据第一采集数据集合对指定对象对应的个性化数据库进行数据库更新，具体为：
步骤311，对个性化数据库的个性数据记录总数进行统计生成对应的当前总数；并在当前总数小于第二阈值时，在个性化数据库中新增一个个性数据记录作为当前记录；并在当前总数等于第二阈值时，将个性化数据库中添加时间最早的个性数据记录作为当前记录；
步骤312，从第一采集数据集合中提取出第一餐前采集记录作为当前记录的第二餐前子记录存入个性化数据库中，并提取出第一餐后采集记录作为当前记录的第二餐后子记录存入个性化数据库中；
这里，个性化数据库的最大记录总数为第二阈值，若第二阈值为10,也就是说个性化数据库最多只能保存10条个性数据记录；在对指定对象对应的个性化数据库进行数据库更新时，若数据库中个性数据记录总数未满也就是当前总数小于第二阈值时本发明实施例一会基于第一采集数据集合向个性化数据库中添加一条新的个性数据记录，若数据库中个性数据记录总数已满也就是当前总数等于第二阈值时本发明实施例一会基于第一采集数据集合更新个性化数据库中最早添加的那条个性数据记录；
步骤32，数据库更新成功，则对个性化数据库的个性数据记录总数进行统计生成对应的第一总数；
这里，本发明实施例一在每次数据库更新成功后，都会对个性化数据库的最新记录总数也就是第一总数进行识别；若第一总数大于或等于第一阈值说明标签数据总量已经足够进行个性数据标定记录筛选，继而通过后续步骤33选出最新的个性数据标定记录，这样就能对个性数据标定记录进行持续更新；若第一总数达到了第二阈值说明个性化数据库中标签数据总量已满可以通过后续步骤34进行模型训练了；
步骤33，若第一总数大于或等于预设的第一阈值，则基于大数据血糖预测模型在个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录，具体为：
步骤331，对个性化数据库中的各个个性数据记录的第二餐前子记录或第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第三特征向量；并将与各个第三特征向量对应的第五测量血糖值或第六测量血糖值记为对应的第二特征血糖值；
这里，与前述步骤12类似，第一特征向量转换处理具体为：对第二餐前子记录或第二餐后子记录进行基础特征提取处理得到对应的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列；并对第一特征向量结构参数进行识别；当第一特征向量结构参数为第一结构时，由时间间隔特征数据、光学特征序列和代谢热特征序列组成对应的第三特征向量输出；当第一特征向量结构参数为第二结构时，由时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列组成对应的第三特征向量输出；此处，第一特征向量结构参数默认为第一结构；
步骤332，在个性化数据库中，依次提取个性数据记录作为当前标定记录；并将当前标定记录的两个第三特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第二特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；并将除当前标定记录之外的其他个性数据记录的第三特征向量均记为第四特征向量，并由各个第四特征向量和大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值组成对应的第一模型输入向量；并基于大数据血糖预测模型，对各个第一模型输入向量进行大数据模型预测处理得到对应的第二预测数据，并根据大数据餐后标定血糖值与第二预测数据相加的和生成对应的第一模型预测血糖数据；并计算各个第一模型预测血糖数据与当前第一模型输入向量对应的第二特征血糖值的绝对差值得到对应的第一预测误差；并对得到的所有第一预测误差进行总和计算从而得到与当前标定记录对应的第一预测误差总和；
例如，第一阈值为4，个性化数据库有4条个性数据记录，分别为：个性数据记录1-4，每个个性数据记录对应2个第三特征向量，那么得到8个第三特征向量1-8；每个第三特征向量对应1个第二特征血糖值，那么得到8个第二特征血糖值1-8；
以个性数据记录1为当前标定记录时，即是以对应的第三特征向量1-2以及第二特征血糖值1-2作为大数据血糖预测模型的4个标定数据；以第三特征向量3-8作为对应的第四特征向量1-6，第四特征向量1-6对应的测量血糖值也就是第二特征血糖值3-8；按第四特征向量+4个标定数据的方式就可以得到6个第一模型输入向量1-6；将第一模型输入向量1-6依次送入大数据血糖预测模型进行大数据模型预测处理就可以得到对应的6个第二预测数据1-6，基于第二预测数据+大数据餐后标定血糖值＝第一模型预测血糖数据的计算关系就可以得到6个第一模型预测血糖数据1-6；在得到第一模型预测血糖数据1-6之后，由取(第一模型预测血糖数据i-第二特征血糖值(i+2))绝对值的方式可以得到6个第一预测误差1-6，1≤i≤6；对第一预测误差1-6进行总和，就可以得到与个性数据记录1对应的第一预测误差总和1；
依次类推，以个性数据记录2-4为当前标定记录时会得到对应的第一预测误差总和2-4；
步骤333，以最小预测误差总和为最优标定个性记录组筛选原则，将个性化数据库中第一预测误差总和为最小值的个性数据记录作为最新的个性数据标定记录；
例如，个性数据记录1-4对应的第一预测误差总和1-4中，第一预测误差总和1为最小值，那么最小预测误差总和为最优标定个性记录组筛选原则，最后个性化数据库中选出的个性数据标定记录应为个性数据记录1；
步骤34，若第一总数等于预设的第二阈值，则基于大数据血糖预测模型、个性化数据库和个性数据标定记录对个性化血糖预测模型进行训练，具体为：
步骤341，对个性化数据库中的各个个性数据记录的第二餐前子记录或第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第五特征向量；并将与各个第五特征向量对应的第五测量血糖值或第六测量血糖值记为对应的第三特征血糖值；
这里，第一特征向量转换处理与前述步骤331的第一特征向量转换处理类似，在此不做进一步赘述；
步骤342，将个性数据标定记录的两个第五特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第三特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
这里，因为个性数据标定记录已经通过前述步骤33选出，所以以个性数据标定记录的2个第五特征向量和2个第三特征血糖值作为大数据血糖预测模型的4个标定数据；
步骤343，将个性化数据库中除个性数据标定记录之外的其他个性数据记录的第五特征向量均记为第六特征向量；并由各个第六特征向量和大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值组成对应的第二模型训练向量；
步骤344，基于大数据血糖预测模型对各个第二模型训练向量进行大数据模型预测处理得到对应的第三预测数据，并根据大数据餐后标定血糖值与第三预测数据相加的和生成对应的大数据预测血糖数据；
例如，第二阈值为10，个性化数据库有10条个性数据记录，分别为：个性数据记录1-10，每个个性数据记录对应2个第五特征向量，那么得到20个第五特征向量1-20；每个第五特征向量对应1个第三特征血糖值，那么得到20个第三特征血糖值1-20；已知个性数据标定记录为个性数据记录1，那么大数据血糖预测模型的4个标定数据就为第五特征向量1-2以及第三特征血糖值1-2；以第五特征向量3-20作为对应的第六特征向量1-18，第六特征向量1-18对应的测量血糖值也就是第三特征血糖值3-20；按第六特征向量+4个标定数据的方式就可以得到18个第二模型训练向量1-18；基于大数据血糖预测模型对第二模型训练向量1-18进行大数据模型预测处理就可以得到18个第三预测数据1-18，基于大数据餐后标定血糖值+第三预测数据＝大数据预测血糖数据的计算关系就能得到18个大数据预测血糖数据1-18；
步骤345，根据预设的大数据-个性化特征关联状态，从各个第二模型训练向量对应的第六特征向量中提取部分特征数据组成对应的第七特征向量，从大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；并由第七特征向量以及个性化餐前标定向量、个性化餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值、大数据预测血糖数据组成对应的第三模型训练向量；
其中，大数据-个性化特征关联状态包括第一、第二、第三和第四状态位；第一状态位的匹配特征数据为时间间隔特征数据，第二状态位的匹配特征数据为光学特征序列，第三状态位的匹配特征数据为代谢热特征序列，第四状态位的匹配特征数据为生理特征序列；
根据预设的大数据-个性化特征关联状态，从各个第二模型训练向量对应的第六特征向量中提取部分特征数据组成对应的第七特征向量，从大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量，具体为：对大数据-个性化特征关联状态的各个状态位是否为关联状态进行识别，若是则将第六特征向量、大数据餐前标定向量和大数据餐后标定向量中各个状态位的匹配特征数据向对应的第七特征向量、个性化餐前标定向量和个性化餐后标定向量中添加；
这里，个性化血糖预测模型是对大数据血糖预测模型的预测结果进行进一步细化计算，其输入数据结构也就是第三模型训练向量的数据结构包括：大数据模型待测特征向量的部分特征(也就是第七特征向量)+大数据餐前标定向量的部分特征(个性化餐前标定向量)+大数据餐后标定向量的部分特征(个性化餐后标定向量)+大数据餐前标定血糖值+大数据餐后标定血糖值+大数据预测血糖数据；其中，第七特征向量、个性化餐前标定向量、个性化餐后标定向量都是从对应的大数据模型待测特征向量也就是第六特征向量、大数据餐前标定向量、大数据餐后标定向量中提取部分特征重构的特征向量；这里的部分特征提取方式，与预设的大数据-个性化特征关联状态的四个状态位有关；
例如，大数据-个性化特征关联状态的第一、第二、第三和第四状态位分为关联状态、关联状态、关联状态和非关联状态；那么，从第六特征向量中提取时间间隔特征数据、光学特征序列和代谢热特征序列构成第七特征向量，从大数据餐前标定向量中提取时间间隔特征数据、光学特征序列和代谢热特征序列构成个性化餐前标定向量，从大数据餐后标定向量中提取时间间隔特征数据、光学特征序列和代谢热特征序列构成个性化餐后标定向量；
又例如，已知总共有第二模型训练向量1-18和对应的18个大数据预测血糖数据1-18，那么对第二模型训练向量1-18中的第六特征向量1-18、大数据餐前标定向量和大数据餐后标定向量按大数据-个性化特征关联状态进行部分特征数据提取就能得到新的18个第七特征向量1-18和新的个性化餐前标定向量、个性化餐后标定向量；继而按第七特征向量+个性化餐前标定向量+个性化餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值+大数据预测血糖数据构成第三模型训练向量的组合关系，就能得到18个第三模型训练向量1-18；
步骤346，基于个性化血糖预测模型对任一第三模型训练向量进行个性化模型预测处理得到对应的第四预测数据，并根据大数据预测血糖数据与第四预测数据相加的和生成对应的当前预测血糖数据；并计算当前预测血糖数据与当前第三模型训练向量对应的第三特征血糖值的绝对差值作为当前测量误差；并在当前测量误差与预设的合理误差范围不匹配时对个性化血糖预测模型进行调制；并接着选择下一个第三模型训练向量对个性化血糖预测模型进行训练，直到最后一个第三模型训练向量训练完成为止。
例如，已知总共有18个第三模型训练向量1-18和对应的18个大数据预测血糖数据1-18以及18个第三特征血糖值3-20；
那么，基于个性化血糖预测模型对第三模型训练向量1进行个性化模型预测处理得到第四预测数据1，并计算当前预测血糖数据1＝大数据预测血糖数据1+第四预测数据1，并计算当前预测血糖数据1与对应的第三特征血糖值3的绝对差值作为当前测量误差1，若当前测量误差1与预设的合理误差范围不匹配则对个性化血糖预测模型进行调制；接着，再基于个性化血糖预测模型对第三模型训练向量2进行个性化模型预测处理得到第四预测数据2，并计算当前预测血糖数据2＝大数据预测血糖数据2+第四预测数据2，并计算当前预测血糖数据2与对应的第三特征血糖值4的绝对差值作为当前测量误差2，若当前测量误差2与预设的合理误差范围不匹配则对个性化血糖预测模型进行调制；以此类推，直到第三模型训练向量18完成训练时可视本次个性化血糖预测模型的训练结束。
总结上述步骤3，可知本发明实施例一在每次个性化数据库更新(新记录添加或老记录替换)时，都会对个性化数据库的当前记录总数进行识别，若记录总数超过第一阈值则自动更新个性数据标定记录，若记录总数已经达到第二阈值则对个性化血糖预测模型进行一次训练。通过这种处理方式，就可以持续利用最优的个性数据标定记录对大数据血糖预测模型进行个性化标定，还可以利用指定用户最新的多个标签数据对个性化血糖预测模型进行持续训练使之与指定用户最近的状态进一步匹配。
步骤4，当第一数据类型为预测类型时，对个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若第二总数小于第二阈值，则基于第二总数、大数据标定记录、个性数据标定记录和大数据血糖预测模型对第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若第二总数等于第二阈值，则基于个性数据标定记录、大数据血糖预测模型和个性化血糖预测模型对第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
这里，当第一数据类型为预测类型时，说明当前采集的第一采集数据集合是待预测的数据，是对指定对象当前时刻的光学信号、代谢热信号、生理信息进行采集得到的数据集合；此时本发明实施例一会对个性化数据库的个性数据记录总数进行统计；若总数小于第二阈值说明个性化血糖预测模型还未被训练，因此只能使用以大数据标定记录或个性数据标定记录标定的大数据血糖预测模型进行预测；若总数等于第二阈值说明个性化血糖预测模型已经完成至少一次训练了，因此转而使用以个性数据标定记录标定的大数据血糖预测模型和个性化血糖预测模型来进行预测。
步骤4具体包括：
步骤41，对个性化数据库的个性数据记录总数进行统计生成对应的第二总数；
步骤42，若第二总数小于第二阈值，则基于第二总数、大数据标定记录、个性数据标定记录和大数据血糖预测模型对第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据，具体为：
步骤421，对第二总数是否小于第一阈值进行判断；若第二总数小于第一阈值，则对大数据标定记录的第一餐前子记录和第一餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的大数据餐前标定向量和大数据餐后标定向量，并将大数据标定记录的第一测量血糖值和第二测量血糖值作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；若第二总数大于或等于第一阈值，则对个性数据标定记录的第二餐前子记录和第二餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的大数据餐前标定向量和大数据餐后标定向量，并将个性数据标定记录的第五测量血糖值和第六测量血糖值作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
这里，参考前述步骤3，我们可知在第二总数小于第一阈值时不但个性化血糖预测模型尚未被训练出来且个性数据标定记录也未被筛选出来，所以此时只能使用大数据标定记录对大数据血糖预测模型的4个标定数据进行设置；在第二总数大于或等于第一阈值且小于第二阈值时虽然个性化血糖预测模型尚未被训练但个性数据标定记录已经被筛选出来了，所以此时转而使用个性数据标定记录对大数据血糖预测模型的4个标定数据进行设置；
步骤422，对第一采集数据集合进行第一特征向量转换处理生成对应的第八特征向量；并由第八特征向量、大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值和大数据餐后标定血糖值构成对应的第二模型输入向量；
这里，与前述步骤12类似，第一特征向量转换处理具体为：对第一采集数据集合进行基础特征提取处理得到对应的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列；并对第一特征向量结构参数进行识别；当第一特征向量结构参数为第一结构时，由时间间隔特征数据、光学特征序列和代谢热特征序列组成对应的第八特征向量输出；当第一特征向量结构参数为第二结构时，由时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列组成对应的第八特征向量输出；此处，第一特征向量结构参数默认为第一结构；
另外，由前文提及的大数据血糖预测模型的输入数据向量结构：待测特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值，可知，第二模型输入向量的结构包括第八特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值；
步骤423，基于大数据血糖预测模型对第二模型输入向量进行大数据模型预测处理得到对应的第五预测数据；并根据大数据餐后标定血糖值与第五预测数据相加的和生成对应的第一预测血糖数据；
这里，由前文提及的大数据血糖预测模型的输出预测值与最终预测值间的关系：最终预测值＝输出预测值+大数据餐后标定血糖值，可知，第一预测血糖数据＝第五预测数据+大数据餐后标定血糖值；
步骤43，若第二总数等于第二阈值，则基于个性数据标定记录、大数据血糖预测模型和个性化血糖预测模型对第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据，具体为：
步骤431，对个性数据标定记录的第二餐前子记录和第二餐后子记录分别进行第一特征向量转换处理得到两个第九特征向量，并将两个第九特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，并将个性数据标定记录的第五、第六测量血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
这里，第一特征向量转换处理与前述步骤331的第一特征向量转换处理类似，在此不做进一步赘述；
另外，参考前述步骤3，我们可知在第二总数等于第二阈值时，个性数据标定记录已经被筛选出来了且个性化血糖预测模型也已经至少被训练过一次了，所以此时应使用个性数据标定记录对大数据血糖预测模型的4个标定数据进行设置；
步骤432，对第一采集数据集合进行第一特征向量转换处理生成对应的第十特征向量；并由第十特征向量和大数据餐前标定向量、大数据餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值组成对应的第三模型输入向量；
这里，第一特征向量转换处理与前述步骤422的第一特征向量转换处理类似，在此不做进一步赘述；
另外，由前文提及的大数据血糖预测模型的输入数据向量结构，可知，第三模型输入向量的结构应包括第十特征向量+大数据餐前标定向量+大数据餐后标定向量+大数据餐前标定血糖值+大数据餐后标定血糖值；
步骤433，基于大数据血糖预测模型对第三模型输入向量进行大数据模型预测处理得到对应的第六预测数据；并根据大数据餐后标定血糖值与第六预测数据相加的和生成对应的大数据预测血糖数据；
这里，使用以个性数据标定记录标定的大数据血糖预测模型对第三模型输入向量进行预测，再由前文提及的大数据血糖预测模型的输出预测值与最终预测值间的关系：最终预测值＝输出预测值+大数据餐后标定血糖值，可知，大数据预测血糖数据＝第六预测数据+大数据餐后标定血糖值；
步骤434，根据预设的大数据-个性化特征关联状态，从第十特征向量中提取部分特征数据组成对应的第十一特征向量，从大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；
这里，部分特征数据提取的操作与前文步骤345类似，对大数据-个性化特征关联状态的各个状态位是否为关联状态进行识别，若是则将第十特征向量、大数据餐前标定向量和大数据餐后标定向量中各个状态位的匹配特征数据向对应的第十一特征向量、个性化餐前标定向量和个性化餐后标定向量中添加；
步骤435，由第十一特征向量以及个性化餐前标定向量、个性化餐后标定向量、大数据餐前标定血糖值、大数据餐后标定血糖值、大数据预测血糖数据组成对应的第四模型输入向量；
这里，由前文可知个性化血糖预测模型的输入数据结构也就是第四模型输入向量的数据结构包括：大数据模型待测特征向量的部分特征(也就是第十一特征向量)+大数据餐前标定向量的部分特征(个性化餐前标定向量)+大数据餐后标定向量的部分特征(个性化餐后标定向量)+大数据餐前标定血糖值+大数据餐后标定血糖值+大数据预测血糖数据；
步骤436，基于个性化血糖预测模型对第四模型输入向量进行个性化模型预测处理得到对应的第七预测数据；并根据大数据预测血糖数据与第七预测数据相加的和生成对应的第二预测血糖数据。
这里，第二预测血糖数据＝大数据预测血糖数据+第七预测数据＝大数据餐后标定血糖值+第六预测数据+第七预测数据。也就是说，在结合大数据血糖预测模型+个性化血糖预测模型对指定对象的采集数据集合进行个性化血糖预测时，两个模型分别会预测出一个浮动差值，最终在以个性数据标定记录标定的大数据餐后标定血糖值的基础上累加两个浮动差值就能得到最终的个性化血糖预测数据。
需要说明的是，在前文中各个步骤提到的第一特征向量转换处理，其特征向量转换的实现过程都类似，总结如下：将进行第一特征向量转换处理的第一餐前子记录、第一餐后子记录、第二餐前子记录、第二餐后子记录或第一采集数据集合均视为当前记录；并对当前记录进行基础特征提取处理得到对应的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列；并对预设的第一特征向量结构参数进行识别；当第一特征向量结构参数为第一结构时，由时间间隔特征数据、光学特征序列和代谢热特征序列组成对应的特征向量输出；当第一特征向量结构参数为第二结构时，由时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列组成对应的特征向量输出；第一特征向量结构参数默认为第一结构。需要说明的是，对当前记录进行基础特征提取处理得到对应的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列，具体为：
步骤C1，将当前记录的时间间隔作为时间间隔特征数据；
步骤C2，将当前记录的光学数据组作为第一光学特征组；并对第一光学特征组中的三个波段的PPG信号分别进行直流特征提取得到对应的三个PPG直流特征数据，并对三个波段的PPG信号分别进行交流特征提取得到对应的三个PPG交流特征数据，并对三个波段的PPG信号分别进行峰间距均值计算得到对应的三个PPG峰间距特征数据，并对三个波段的PPG信号分别进行谷间距均值计算得到对应的三个PPG谷间距特征数据；并对第一光学特征组中的一个环境光信号进行中心段信号均值计算得到对应的一个环境光特征数据；并由得到的三个PPG直流特征数据、三个PPG交流特征数据、三个PPG峰间距特征数据、三个PPG谷间距特征数据和一个环境光特征数据构成带有十三个特征信息的光学特征序列；并对光学特征序列的各个特征数据进行归一化处理；
这里，在进行直流特征提取时，具体包括：分别对三个波段的PPG信号按指定截止频率进行低通滤波得到对应的三个低通滤波信号，并对三个低通滤波信号分别进行均值计算得到对应的三个PPG直流特征数据；在进行交流特征提取时，具体包括：分别从三个波段的PPG信号的中间位置截取指定长度的子信号作为对应的三个子信号，并分别对三个子信号按指定通过频段进行带通滤波得到对应的三个带通滤波信号，并计算各个带通滤波信号的峰值均值和谷值均值的差值记为对应的第一差值，并将得到的三个第一差值作为对应的三个PPG交流特征数据；在提取环境光信号的中心段信号时，也是从环境光信号的中间位置截取指定长度的子信号作为中心段信号，例如，指定长度为20秒，那么中心段信号就是环境光信号中间20秒的信号片段；另外，当前步骤需要对光学特征序列的各个特征数据进行归一化处理，归一化方式有多种，诸如线性函数归一化(Min-Max scaling)处理方式、0均值标准化(Z-score standardization)处理方式等，在此不做进一步赘述；
步骤C3，将当前记录的代谢热数据组作为第一代谢热特征组；并对第一代谢热特征组的接触热信号进行尾段信号均值计算得到对应的接触热特征数据；并对第一代谢热特征组的人体近端温度信号进行尾段信号均值计算得到对应的近端温度特征数据；并对第一代谢热特征组的人体近端湿度信号进行尾段信号均值计算得到对应的近端湿度特征数据；并对第一代谢热特征组的人体近端辐射热信号进行尾段信号均值计算得到对应的近端辐射热特征数据；并对第一代谢热特征组的辐射热传感器校准信号进行尾段信号均值计算得到对应的辐射热校准特征数据；并对第一代谢热特征组的人体远端温度信号进行尾段信号均值计算得到对应的远端温度特征数据；并对第一代谢热特征组的人体远端湿度信号进行尾段信号均值计算得到对应的远端湿度特征数据；并由得到的接触热特征数据、近端温度特征数据、近端湿度特征数据、近端辐射热特征数据、辐射热校准特征数据、远端温度特征数据和远端湿度特征数据构成带有七个特征信息的代谢热特征序列；并对代谢热特征序列的各个特征数据进行归一化处理；
这里，上述步骤中各个代谢热信号的尾段信号即是指当前信号尾部长度为指定长度的一段信号，指定长度为10秒，那么各个代谢热信号的尾段信号即是指当前信号最后10秒部分的信号片段；另外，当前步骤需要对代谢热特征序列的各个特征数据进行归一化处理，归一化方式有多种，与步骤B2类似可使用诸如线性函数归一化处理方式、0均值标准化处理方式等，在此不做进一步赘述；
步骤C4，将当前记录的生理信息数据组作为第一生理特征组；并将第一生理特征组中的年龄信息作为对应的年龄特征数据；并对第一生理特征组中的性别信息进行数值转换得到对应的性别特征数据；并将第一生理特征组中的身高信息作为对应的身高特征数据；并将第一生理特征组中的体重信息作为对应的体重特征数据；并将第一生理特征组中的BMI信息作为对应的BMI特征数据；并由得到的年龄特征数据、性别特征数据、身高特征数据、体重特征数据和BMI特征数据构成带有五个特征信息的生理特征序列；
步骤C5，将得到的时间间隔特征数据、光学特征序列、代谢热特征序列和生理特征序列作为处理结果输出。
图2为本发明实施例二提供的一种结合大数据模型和个性化模型的血糖预测装置的模块结构图，该装置可以为实现本发明实施例方法的终端设备或者服务器，也可以为与上述终端设备或者服务器连接的实现本发明实施例方法的装置，例如该装置可以是上述终端设备或者服务器的装置或芯片系统。如图2所示，该装置包括：大数据模型准备模块201、数据接收模块202、个性化模型准备模块203和血糖预测处理模块204。
大数据模型准备模块201用于基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录。
数据接收模块202用于接收指定对象的第一采集数据集合；第一采集数据集合包括第一数据类型；第一数据类型包括预测类型和标签类型。
个性化模型准备模块203用于当第一数据类型为标签类型时，根据第一采集数据集合对指定对象对应的个性化数据库进行数据库更新；数据库更新成功，则对个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若第一总数大于或等于预设的第一阈值，则基于大数据血糖预测模型在个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若第一总数等于预设的第二阈值，则基于大数据血糖预测模型、个性化数据库和个性数据标定记录对个性化血糖预测模型进行训练；第一阈值小于第二阈值。
血糖预测处理模块204用于当第一数据类型为预测类型时，对个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若第二总数小于第二阈值，则基于第二总数、大数据标定记录、个性数据标定记录和大数据血糖预测模型对第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若第二总数等于第二阈值，则基于个性数据标定记录、大数据血糖预测模型和个性化血糖预测模型对第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
本发明实施例提供的一种结合大数据模型和个性化模型的血糖预测装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，大数据模型准备模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(Digital Subscriber Line，DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
图3为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图3中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例提供了一种结合大数据模型和个性化模型的血糖预测方法、装置、电子设备及计算机可读存储介质，首先对体现光学、代谢热与血糖变化三者关联关系的大数据血糖预测模型进行训练，并从大数据库中选择一个数据记录作为模型的标定记录。并为指定对象创建个性化数据库用于存储当前对象的标签数据也就是个性化记录；并在个性化数据库中存储了足够数量的个性化记录之后，基于训练成熟的大数据血糖预测模型从个性化数据库中筛选出更适合指定对象的个性化标定记录；并在个性化记录数量达到指定阈值时，基于训练成熟的大数据血糖预测模型、个性化标定记录和个性化数据库对个性化血糖预测模型进行训练。在对指定对象的血糖进行预测时，若个性化记录总数尚未达到指定阈值则使用大数据血糖预测模型对指定对象进行血糖预测；若个性化记录总数达到指定阈值则使用大数据血糖预测模型+个性化血糖预测模型对指定对象进行血糖预测。通过本发明，在个性化数据沉淀不够充分的情况下可以基于大数据血糖预测模型进行血糖预测，在个性化数据沉淀充分的情况下可以为每个指定对象训练出一个对应的个性化血糖预测模型并基于大数据血糖预测模型+个性化血糖预测模型对各个对象进行个性化预测，如此一来不但可以解决有创血糖检测带来的不便，还可以为不同对象提供不同的预测模型方案，从而大大降低了观测难度，也提高了预测的定制化水平。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.一种结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述方法包括：
基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录；
接收指定对象的第一采集数据集合；所述第一采集数据集合包括第一数据类型；所述第一数据类型包括预测类型和标签类型；
当所述第一数据类型为标签类型时，根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新；所述数据库更新成功，则对所述个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若所述第一总数大于或等于预设的第一阈值，则基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若所述第一总数等于预设的第二阈值，则基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练；所述第一阈值小于所述第二阈值；
当所述第一数据类型为预测类型时，对所述个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若所述第二总数小于所述第二阈值，则基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若所述第二总数等于所述第二阈值，则基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
2.根据权利要求1所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，
所述大数据血糖预测模型的神经网络采用全连接网络结构；
所述个性化血糖预测模型的模型结构采用支持向量机模型结构、随机森林模型结构或决策树模型结构。
3.根据权利要求1所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，
所述大数据库包括多个大数据记录；所述大数据记录包括第一餐前子记录和第一餐后子记录；所述第一餐前子记录包括第一采集时间、第一时间间隔、第一光学数据组、第一代谢热数据组、第一生理信息数据组和第一测量血糖值；所述第一餐后子记录包括第二采集时间、第二时间间隔、第二光学数据组、第二代谢热数据组、第二生理信息数据组和第二测量血糖值；所述第一、第二测量血糖值分别对应餐前、餐后测量血糖值；
所述第一数据类型为标签类型时，所述第一采集数据集合还包括第一餐前采集记录和第一餐后采集记录，所述第一餐前采集记录包括第三采集时间、第三时间间隔、第三光学数据组、第三代谢热数据组、第三生理信息数据组和第三测量血糖值；所述第一餐后采集记录包括第四采集时间、第四时间间隔、第四光学数据组、第四代谢热数据组、第四生理信息数据组和第四测量血糖值；所述第三、第四测量血糖值分别对应餐前、餐后测量血糖值；
所述第一数据类型为预测类型时，所述第一采集数据集合还包括第五采集时间、第五时间间隔、第五光学数据组、第五代谢热数据组和第五生理信息数据组；
所述个性化数据库包括多个所述个性数据记录；所述个性数据记录包括第二餐前子记录和第二餐后子记录；所述第二餐前子记录包括第六采集时间、第六时间间隔、第六光学数据组、第六代谢热数据组、第六生理信息数据组和第五测量血糖值；所述第二餐后子记录包括第七采集时间、第七时间间隔、第七光学数据组、第七代谢热数据组、第七生理信息数据组和第六测量血糖值；所述第五、第六测量血糖值分别对应餐前、餐后测量血糖值；所述个性化数据库的最大记录总数为所述第二阈值。
4.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录，具体包括：
从所述大数据库中提取多个所述大数据记录构成大数据集合；
并对所述大数据集合中的各个所述第一餐前子记录或所述第一餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第一特征向量；并将与各个所述第一特征向量对应的所述第一测量血糖值或所述第二测量血糖值记为对应的第一特征血糖值；
并从所述大数据集合中选出一个大数据记录作为所述大数据标定记录；并将所述大数据标定记录的两个第一特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第一特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
将除所述大数据餐前标定向量和所述大数据餐后标定向量之外的其他所述第一特征向量都记为第二特征向量；并由各个所述第二特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值，组成对应的第一模型训练向量；
基于所述大数据血糖预测模型，对任一所述第一模型训练向量进行大数据模型预测处理得到对应的第一预测数据，并根据所述大数据餐后标定血糖值与所述第一预测数据相加的和生成对应的当前预测血糖数据；并使用所述大数据血糖预测模型的损失函数计算所述当前预测血糖数据与当前第一模型训练向量对应的所述第一特征血糖值的训练误差；并在所述训练误差不满足预设的合理误差范围时，基于所述训练误差对所述大数据血糖预测模型进行调制，并选择下一个所述第一模型训练向量对调制后的所述大数据血糖预测模型继续进行训练；并在所述训练误差满足所述合理误差范围时停止训练。
5.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新，具体包括：
对所述个性化数据库的个性数据记录总数进行统计生成对应的当前总数；并在所述当前总数小于所述第二阈值时，在所述个性化数据库中新增一个所述个性数据记录作为当前记录；并在所述当前总数等于所述第二阈值时，将所述个性化数据库中添加时间最早的所述个性数据记录作为所述当前记录；
从所述第一采集数据集合中提取出所述第一餐前采集记录作为所述当前记录的所述第二餐前子记录存入所述个性化数据库中，并提取出所述第一餐后采集记录作为所述当前记录的所述第二餐后子记录存入所述个性化数据库中。
6.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录，具体包括：
对所述个性化数据库中的各个所述个性数据记录的所述第二餐前子记录或所述第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第三特征向量；并将与各个所述第三特征向量对应的所述第五测量血糖值或所述第六测量血糖值记为对应的第二特征血糖值；
在所述个性化数据库中，依次提取所述个性数据记录作为当前标定记录；并将所述当前标定记录的两个第三特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第二特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；并将除所述当前标定记录之外的其他所述个性数据记录的第三特征向量均记为第四特征向量，并由各个所述第四特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第一模型输入向量；并基于所述大数据血糖预测模型，对各个所述第一模型输入向量进行大数据模型预测处理得到对应的第二预测数据，并根据所述大数据餐后标定血糖值与所述第二预测数据相加的和生成对应的第一模型预测血糖数据；并计算各个所述第一模型预测血糖数据与当前第一模型输入向量对应的所述第二特征血糖值的绝对差值得到对应的第一预测误差；并对得到的所有所述第一预测误差进行总和计算从而得到与所述当前标定记录对应的第一预测误差总和；
以最小预测误差总和为最优标定个性记录组筛选原则，将所述个性化数据库中所述第一预测误差总和为最小值的所述个性数据记录作为最新的所述个性数据标定记录。
7.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练，具体包括：
对所述个性化数据库中的各个所述个性数据记录的所述第二餐前子记录或所述第二餐后子记录分别进行第一特征向量转换处理生成与各子记录对应的第五特征向量；并将与各个所述第五特征向量对应的所述第五测量血糖值或所述第六测量血糖值记为对应的第三特征血糖值；
将所述个性数据标定记录的两个第五特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，两个第三特征血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
将所述个性化数据库中除所述个性数据标定记录之外的其他所述个性数据记录的所述第五特征向量均记为第六特征向量；并由各个所述第六特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第二模型训练向量；
基于所述大数据血糖预测模型对各个所述第二模型训练向量进行大数据模型预测处理得到对应的第三预测数据，并根据所述大数据餐后标定血糖值与所述第三预测数据相加的和生成对应的大数据预测血糖数据；
根据预设的大数据-个性化特征关联状态，从各个所述第二模型训练向量对应的所述第六特征向量中提取部分特征数据组成对应的第七特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；并由所述第七特征向量以及所述个性化餐前标定向量、所述个性化餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值、所述大数据预测血糖数据组成对应的第三模型训练向量；
基于所述个性化血糖预测模型对任一所述第三模型训练向量进行个性化模型预测处理得到对应的第四预测数据，并根据所述大数据预测血糖数据与所述第四预测数据相加的和生成对应的当前预测血糖数据；并计算所述当前预测血糖数据与当前第三模型训练向量对应的所述第三特征血糖值的绝对差值作为当前测量误差；并在所述当前测量误差与预设的合理误差范围不匹配时对所述个性化血糖预测模型进行调制；并接着选择下一个所述第三模型训练向量对所述个性化血糖预测模型进行训练，直到最后一个所述第三模型训练向量训练完成为止。
8.根据权利要求7所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述根据预设的大数据-个性化特征关联状态，从各个所述第二模型训练向量对应的所述第六特征向量中提取部分特征数据组成对应的第七特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量，具体包括：
对所述大数据-个性化特征关联状态的各个状态位是否为关联状态进行识别，若是则将所述第六特征向量、所述大数据餐前标定向量和所述大数据餐后标定向量中各个状态位的匹配特征数据向对应的所述第七特征向量、所述个性化餐前标定向量和所述个性化餐后标定向量中添加；所述大数据-个性化特征关联状态包括第一、第二、第三和第四状态位；所述第一状态位的匹配特征数据为时间间隔特征数据，所述第二状态位的匹配特征数据为光学特征序列，所述第三状态位的匹配特征数据为代谢热特征序列，所述第四状态位的匹配特征数据为生理特征序列。
9.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据，具体包括：
对所述第二总数是否小于所述第一阈值进行判断；若所述第二总数小于所述第一阈值，则对所述大数据标定记录的所述第一餐前子记录和所述第一餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的大数据餐前标定向量和大数据餐后标定向量，并将所述大数据标定记录的所述第一测量血糖值和所述第二测量血糖值作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；若所述第二总数大于或等于所述第一阈值，则对所述个性数据标定记录的所述第二餐前子记录和所述第二餐后子记录分别进行第一特征向量转换处理并将得到的两个特征向量作为对应的所述大数据餐前标定向量和所述大数据餐后标定向量，并将所述个性数据标定记录的所述第五测量血糖值和所述第六测量血糖值作为对应的所述大数据餐前标定血糖值和所述大数据餐后标定血糖值；
对所述第一采集数据集合进行第一特征向量转换处理生成对应的第八特征向量；并由所述第八特征向量、所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值和所述大数据餐后标定血糖值构成对应的第二模型输入向量；
基于所述大数据血糖预测模型对所述第二模型输入向量进行大数据模型预测处理得到对应的第五预测数据；并根据所述大数据餐后标定血糖值与所述第五预测数据相加的和生成对应的所述第一预测血糖数据。
10.根据权利要求3所述的结合大数据模型和个性化模型的血糖预测方法，其特征在于，所述基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据，具体包括：
对所述个性数据标定记录的所述第二餐前子记录和所述第二餐后子记录分别进行第一特征向量转换处理得到两个第九特征向量，并将所述两个第九特征向量分别作为对应的大数据餐前标定向量和大数据餐后标定向量，并将所述个性数据标定记录的所述第五、第六测量血糖值分别作为对应的大数据餐前标定血糖值和大数据餐后标定血糖值；
并对所述第一采集数据集合进行第一特征向量转换处理生成对应的第十特征向量；并由所述第十特征向量和所述大数据餐前标定向量、所述大数据餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值组成对应的第三模型输入向量；
并基于所述大数据血糖预测模型对所述第三模型输入向量进行大数据模型预测处理得到对应的第六预测数据；并根据所述大数据餐后标定血糖值与所述第六预测数据相加的和生成对应的大数据预测血糖数据；
根据预设的大数据-个性化特征关联状态，从所述第十特征向量中提取部分特征数据组成对应的第十一特征向量，从所述大数据餐前标定向量中提取部分特征数据组成对应的个性化餐前标定向量，从所述大数据餐后标定向量中提取部分特征数据组成对应的个性化餐后标定向量；
并由所述第十一特征向量以及所述个性化餐前标定向量、所述个性化餐后标定向量、所述大数据餐前标定血糖值、所述大数据餐后标定血糖值、所述大数据预测血糖数据组成对应的第四模型输入向量；
基于所述个性化血糖预测模型对所述第四模型输入向量进行个性化模型预测处理得到对应的第七预测数据；并根据所述大数据预测血糖数据与所述第七预测数据相加的和生成对应的所述第二预测血糖数据。
11.一种用于实现权利要求1-10任一项所述的结合大数据模型和个性化模型的血糖预测方法步骤的装置，其特征在于，所述装置包括：大数据模型准备模块、数据接收模块、个性化模型准备模块和血糖预测处理模块；
所述大数据模型准备模块用于基于预设的大数据库对大数据血糖预测模型进行训练并确认大数据标定记录；
所述数据接收模块用于接收指定对象的第一采集数据集合；所述第一采集数据集合包括第一数据类型；所述第一数据类型包括预测类型和标签类型；
所述个性化模型准备模块用于当所述第一数据类型为标签类型时，根据所述第一采集数据集合对所述指定对象对应的个性化数据库进行数据库更新；所述数据库更新成功，则对所述个性化数据库的个性数据记录总数进行统计生成对应的第一总数；若所述第一总数大于或等于预设的第一阈值，则基于所述大数据血糖预测模型在所述个性化数据库中进行最优个性数据标定记录筛选得到最新的个性数据标定记录；若所述第一总数等于预设的第二阈值，则基于所述大数据血糖预测模型、所述个性化数据库和所述个性数据标定记录对个性化血糖预测模型进行训练；所述第一阈值小于所述第二阈值；
所述血糖预测处理模块用于当所述第一数据类型为预测类型时，对所述个性化数据库的个性数据记录总数进行统计生成对应的第二总数；若所述第二总数小于所述第二阈值，则基于所述第二总数、所述大数据标定记录、所述个性数据标定记录和所述大数据血糖预测模型对所述第一采集数据集合进行血糖预测处理生成对应的第一预测血糖数据；若所述第二总数等于所述第二阈值，则基于所述个性数据标定记录、所述大数据血糖预测模型和所述个性化血糖预测模型对所述第一采集数据集合进行个性化血糖预测处理生成对应的第二预测血糖数据。
12.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-10任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-10任一项所述的方法的指令。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210380666.9A CN116919395A (zh) | 2022-04-12 | 2022-04-12 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
| PCT/CN2022/097249 WO2023197426A1 (zh) | 2022-04-12 | 2022-06-07 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210380666.9A CN116919395A (zh) | 2022-04-12 | 2022-04-12 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116919395A true CN116919395A (zh) | 2023-10-24 |
Family
ID=88328771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210380666.9A Pending CN116919395A (zh) | 2022-04-12 | 2022-04-12 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116919395A (zh) |
| WO (1) | WO2023197426A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3847669A1 (en) * | 2018-09-07 | 2021-07-14 | Informed Data Systems Inc. d/b/a One Drop | Forecasting blood glucose concentration |
| US11883208B2 (en) * | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
| US20210256872A1 (en) * | 2020-02-17 | 2021-08-19 | GlucoGear Tecnologia LTDA | Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model |
| CN111599470B (zh) * | 2020-04-23 | 2022-07-29 | 中国科学院上海技术物理研究所 | 一种用于提高近红外无创血糖检测精度的方法 |
| CN113160970A (zh) * | 2021-04-14 | 2021-07-23 | 杭州慧钥医疗器械科技有限公司 | 指标数据的分析方法、装置、设备及存储介质 |
-
2022
- 2022-04-12 CN CN202210380666.9A patent/CN116919395A/zh active Pending
- 2022-06-07 WO PCT/CN2022/097249 patent/WO2023197426A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023197426A1 (zh) | 2023-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107981858B (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
| US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| US11783924B2 (en) | ECG information processing method and ECG workstation | |
| KR102594212B1 (ko) | 병변 특성을 자동으로 추정하기 위한 광음향 이미지 분석 방법 및 시스템 | |
| CN114098724B (zh) | 基于光学信号特征及代谢热特征的血糖预测方法和装置 | |
| CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
| CN107595249B (zh) | 基于脉搏波的怀孕女性筛查方法 | |
| US11596361B2 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
| CN105942982B (zh) | 一种基于动态光谱的肿瘤预测仪 | |
| CN113662520B (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| Sun et al. | Random forest analysis of combined millimeter-wave and near-infrared sensing for non-invasive glucose detection | |
| Xiao et al. | A deep feature fusion network for fetal state assessment | |
| CN116919395A (zh) | 一种结合大数据模型和个性化模型的血糖预测方法和装置 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN103245650A (zh) | 一种基于糖化终末产物荧光光谱的糖尿病无创检测装置 | |
| CN114081483A (zh) | 一种基于深度学习扩散相关光谱的组织血流和血氧饱和度测量方法 | |
| Maghawry et al. | An efficient approach for paroxysmal atrial fibrillation events prediction using extreme learning machine | |
| Rossi et al. | An improved model for the assessment of cutaneous microcirculation in type 1 diabetes | |
| KR102190682B1 (ko) | 다중 생체신호를 이용한 당뇨병 스크리닝 방법 및 당뇨병 스크리닝 시스템 | |
| WO2023197425A1 (zh) | 一种基于大数据特征的个性化血压预测方法和装置 | |
| CN117789972B (zh) | 一种乳腺癌复发预测模型的构建方法及其预测系统 | |
| KR102527149B1 (ko) | 질량 분석 및 기계 학습에 기초한 암 진단에 사용하는 분류 모델 최적화 장치 및 그 방법 | |
| Rizal | GRU-Based Fusion Models for Enhanced Non-Invasive Blood Pressure Estimation from PPG Signals | |
| Xiang et al. | Diagnosis of endometrial cancer based on back-propagation neural network and near-infrared spectroscopy of tissue | |
| CN115240841A (zh) | 一种基于自动化机器学习的前列腺癌风险分类方法及装置 |
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 |