CN117612737A - 一种糖尿病护理数据智能优化方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种糖尿病护理数据智能优化方法。该方法包括：获取第一历史血糖数据序列以及第一实时血糖数据序列；根据第一历史血糖数据序列得到第一平滑系数以及第一平滑系数的基准适用范围，根据第一实时血糖数据序列得到第一实时血糖数据下的第一平滑系数的适用范围；根据第一实时血糖数据下的第一平滑系数的适用范围得到第一平滑系数的适用时间区间，获取其他平滑系数，以及其他平滑系数的适用时间区间；根据平滑系数来预测所述平滑系数的适用时间区间内的每个时刻的血糖数据。从而通过为未来每个时刻设置合适的平滑系数，来实现准确的血糖预测。

Description

一种糖尿病护理数据智能优化方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种糖尿病护理数据智能优化方法。

背景技术

糖尿病是一种常见的慢性疾病，严重影响了患者的生活质量和健康水平。糖尿病患者需要时常监测血糖，根据血糖情况来判断患者是否进行相应治疗。由于糖尿病患者血糖超出参考标准时，就会对患者的正常生活产生影响。因而为了降低糖尿病对患者生活的影响，需要在患者的血糖还未超出参考标准，并且在未来可能会超出参考标准时，就给出预警，及时让患者接受相应的治疗。

为了将降低糖尿病对患者生活的影响，需对糖尿病患者的血糖状态进行预测。指数平滑法作为一种常用预测方法，该方法中平滑参数设置的好坏会影响预测的准确性。一般情况下，平滑参数是人们根据经验去设置一个固定的参数。在指数平滑法中平滑参数是用来决定预测未来时刻数据时，对最近数据的参考权重。其中平滑参数越大对最近数据参考的权重就越大，即最近数据对预测的未来数据决定程度就越大。由于人们一天血糖状态在不同时刻的变动是不同的，尤其在吃饭前后的变动尤为剧烈。因而在变动剧烈的时候，前面数据与后面数据的差异较大。因而在变动剧烈时，说明数据的变规律变动较大，应该更少的参考前面的预测规律，应该更多的参考与当前时刻最近的数据。在变动平缓时，前面数据与后面数据的差异较小。因而在变动平缓时，说明数据的变动规律变化较少，应该更多的参考前面的预测规律，应该较少的参考距离当前时刻最近的数据。因而在对糖尿病患者的血糖状态进行预测时，不能采用固定的平滑参数。因而如何通过为糖尿病患者的血糖数据设置合适的平滑参数，来实现血糖的准确预测，成为亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种糖尿病护理数据智能优化方法，所采用的技术方案具体如下：

获取第一历史血糖数据序列以及第一实时血糖数据序列；

根据第一历史血糖数据序列中血糖数据的方差得到第一平滑系数，获取第一历史血糖数据序列的若干窗口，根据第一历史血糖数据序列的窗口中数据方差得到第一平滑系数的基准适用范围，根据第一历史血糖数据序列中血糖数据以及第一实时血糖数据序列中第一实时血糖数据得到第一实时血糖数据下的第一平滑系数的适用范围修正因子，利用第一实时血糖数据下的第一平滑系数的适用范围修正因子对第一平滑系数的基准适用范围进行调整得到第一实时血糖数据下的第一平滑系数的适用范围；

根据第一实时血糖数据下的第一平滑系数的适用范围得到第一平滑系数的适用时间区间，根据第一历史血糖数据序列，第一实时血糖数据序列以及第一平滑系数的适用时间区间得到其他平滑系数，以及其他平滑系数的适用时间区间；

根据平滑系数来预测所述平滑系数的适用时间区间内的每个时刻的血糖数据。

优选的，所述根据第一历史血糖数据序列中血糖数据的方差得到第一平滑系数，包括的具体步骤为：

其中，表示第一历史血糖数据序列中所有血糖数据的方差，/>以自然常数为的指数函数，/>表示第一平滑系数。

优选的，所述获取第一历史血糖数据序列的若干窗口，包括的具体步骤为：

预设窗口尺寸W，首先将1*W窗口的左侧与第一历史血糖数据序列的左侧对齐，然后让窗口以1作为滑动步长向右滑动，直至窗口的右侧与第一历史血糖数据序列的右侧对齐，完成窗口的滑动，在第一历史血糖数据序列中获取每次滑动时窗口中数据。

优选的，所述根据第一历史血糖数据序列的窗口中数据方差得到第一平滑系数的基准适用范围，包括的具体步骤为：

获取每个窗口中所有血糖数据的方差，记为每个窗口的方差，将每个窗口的方差与前一个窗口的方差的差值，记为每个窗口的波动变化程度；

第一平滑系数的基准适用范围的计算方法为：

其中，表示第一历史血糖数据序列的第i个窗口的波动变化程度，/>表示窗口数量，/>表示反正切函数，/>表示以自然常数为底的指数函数，/>表示第一平滑系数，/>表示预设的第一超参数，/>表示第一平滑系数的基准适用范围，/>表示向上取整处理。

优选的，所述根据第一历史血糖数据序列中血糖数据以及第一实时血糖数据序列中第一实时血糖数据得到第一实时血糖数据下的第一平滑系数的适用范围修正因子，包括的具体步骤为：

其中，表示第一实时血糖数据以及第一历史血糖数据序列中所有血糖数据的方差，/>表示第一历史血糖数据序列中所有血糖数据的方差，/>表示以自然常数为底的指数函数；/>表示第一实时血糖数据下的第一平滑系数的适用范围修正因子。

优选的，所述利用第一实时血糖数据下的第一平滑系数的适用范围修正因子对第一平滑系数的基准适用范围进行调整得到第一实时血糖数据下的第一平滑系数的适用范围，包括的具体步骤为：

其中，表示第一实时血糖数据下的第一平滑系数的适用范围修正因子，/>表示预设的第二超参数，/>表示第一平滑系数的基准适用范围，/>表示第一实时血糖数据下的第一平滑系数的适用范围。

优选的，所述根据第一实时血糖数据下的第一平滑系数的适用范围得到第一平滑系数的适用时间区间，包括的具体步骤为：

对于第一历史血糖数据序列，设置一个空的分析数据集合，将第一实时血糖数据序列中的第一实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第一实时血糖数据获取第一实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第一实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第一实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第一实时血糖数据下的第一平滑系数的适用范围；

当分析数据集合的数据数量小于第一实时血糖数据下的第一平滑系数的适用范围时，将第一实时血糖数据序列中的第二实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第二实时血糖数据获取第二实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第二实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第二实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第二实时血糖数据下的第一平滑系数的适用范围；

以此类推，直至当分析数据集合的数据数量大于等于实时血糖数据下的第一平滑系数的适用范围时结束，得到第一平滑系数的最终适用范围；

将当前时刻作为第一平滑系数的上限时刻，将第一平滑系数的上限时刻与最终适用范围的累加和，记为第一平滑系数的下限时刻，将第一平滑系数的上限时刻与下限时刻之间的时间区间，记为第一平滑系数的适用时间区间。

优选的，所述根据第一历史血糖数据序列，第一实时血糖数据序列以及第一平滑系数的适用时间区间得到其他平滑系数，以及其他平滑系数的适用时间区间，包括的具体步骤为：

根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列，根据第二历史血糖数据序列和第二实时血糖数据序列得到第二平滑系数以及第二平滑系数的最终适用范围，根据第二平滑系数的最终适用范围、第二历史血糖数据序列以及第二实时血糖数据序列得到第三历史血糖数据序列和第三实时血糖数据序列，以此类推，直至所有平滑系数的最终适用的范围累加和大于第一实时血糖数据序列的长度时结束，得到若干平滑系数以及每个平滑系数的最终适用范围；

将第一平滑系数的下限时刻与1的累加和，记为第二平滑系数的上限时刻，将第二平滑系数的上限时刻与最终适用范围的累加和，记为第二平滑系数的下限时刻，将第二平滑系数的上限时刻与下限时刻之间的时间区间，记为第二平滑系数的适用时间区间；获取每个平滑系数的适用时间区间。

优选的，所述根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列，包括的具体步骤为：

将第一实时血糖数据序列中去除前个实时血糖数据，得到第二实时血糖数据序列，/>表示第一平滑系数的最终适用范围；将第一历史血糖数据序列中最后/>个血糖数据以及第一实时血糖数据序列中前/>个实时血糖数据，按时序排列得到第二历史血糖数据序列，N表示第一历史血糖数据序列的长度。

优选的，所述根据平滑系数来预测所述平滑系数的适用时间区间内的每个时刻的血糖数据，包括的具体步骤为：

基于每个平滑系数，利用指数平滑法预测该平滑系数的适用时间区间中的每个时刻的血糖数据。

本发明具有如下有益效果：

获取第一实时血糖数据序列和第一历史血糖数据序列，根据第一历史血糖数据序列中数据的方差得到第一平滑系数，通过该方法得到的第一平滑系数，无论第一历史血糖数据序列中血糖数据怎么变动，都能够较为准确的预测出未来时刻的血糖数据。根据第一历史血糖数据序列和第一实时血糖数据序列得到第一平滑系数的适用时间区间，第一平滑系数的适用时间区间能够反映第一平滑系数适用于未来哪些时刻的血糖预测。根据第一实时血糖数据序列，第一历史血糖数据序列和第一平滑系数的适用时间区间得到其他平滑系数以及其他平滑系数的适用时间区间。通过该方式能够较为准确的为未来每个时刻设置合适的平滑系数，进而来提高血糖预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种糖尿病护理数据智能优化方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种糖尿病护理数据智能优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

实施例1：

该实施例1如图1所示，结合图1对实施例1进行介绍，具体步骤如下：

S001：采集糖尿病患者的第一历史血糖数据序列和第一实时血糖数据序列，获取参考血糖范围。

具体的，连续血糖监测设备（CGM）是通过埋植于皮下组织的微电极，记录组织间液葡萄糖氧化反应产生的电信号，间接反映测量血糖的新型微创血糖监测技术。CGM的佩戴设备体积很小，是微创可穿戴式设备。该设备通过插入在腹部皮下组织的探测头采集血糖信号，探测头采集到的血糖信号通过细微软管连接仪器传输至设备的内置芯片处，通过调用芯片中的数据处理模块对采集到的血糖信号进行处理分析得到血糖数据，设备的显示模块将血糖数据呈现显示屏上。

在连续血糖监测设备（CGM）的历史记录中采集截止到当前时刻前面一天的血糖数据，在采集前面一天的血糖数据时，是以n小时为采集间隔，采集时长为24小时的方法进行采集。将在历史记录中采集到的所有血糖数据按时序排列得到第一历史血糖数据序列。本实施例以n取1为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。

进一步的，利用连续血糖监测设备采集当前时刻的血糖数据，记为第一实时血糖数据；从当前时刻开始，过一个小时后，再采集一个血糖数据，记为第二实时血糖数据；过两个小时后，再采集一个血糖数据，记为第三实时数据，以此类推，直至获得的实时血糖数据的数量大于预设数量U时，停止获取，并将获得的所有实时血糖数据按时序排列得到第一实时血糖数据序列。本实施例以U取500为例进行叙述。

需要说明的是，截止到当前时刻，只能采集到当前时刻的血糖数据，其中第二实时血糖数据属于未来时刻采集到的血糖数据。由于未来时刻还未发生，因而从第二实时血糖数据开始的之后采集到的实时血糖数据，均是为了方便介绍本实施例中所述方法而假设已经获取到的数据。

进一步的，获取每个时刻的参考血糖范围。每个时刻的参考血糖范围为医学上通过实验研究得到的正常人的血糖变动范围。

S002：根据第一历史血糖数据序列和第一实时血糖数据序列得到若干平滑系数以及每个平滑系数的最终适用范围，根据每个平滑系数的最终适用范围得到每个平滑系数的适用时间区间。

需要说明的是，为了实现准确的血糖预测，需为未来每个时刻的血糖预测，设置合适的平滑系数。在为未来每个时刻设置平滑系数时，不是未来每个时刻都需要重新设置平滑系数，而是需要根据未来时刻采集到的血糖数据相较于前面血糖数据的变动情况，来确定多长时间重新设置一次平滑系数。

具体的，根据第一历史血糖数据序列和第一实时血糖数据序列得到第一平滑系数以及第一平滑系数的最终适用范围，根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列，根据第二历史血糖数据序列和第二实时血糖数据序列得到第二平滑系数以及第二平滑系数的最终适用范围，根据第二平滑系数的最终适用范围、第二历史血糖数据序列以及第二实时血糖数据序列得到第三历史血糖数据序列和第三实时血糖数据序列，以此类推，直至所有平滑系数的最终适用范围的累加和大于第一实时血糖数据序列的长度时结束，得到若干平滑系数以及每个平滑系数的最终适用范围。

进一步的，将当前时刻作为第一平滑系数的上限时刻，将第一平滑系数的上限时刻与最终适用范围的累加和，记为第一平滑系数的下限时刻，将第一平滑系数的上限时刻与下限时刻之间的时间区间，记为第一平滑系数的适用时间区间，第一平滑系数只用于预测第一平滑系数的适用时间区间内的每个时刻的血糖数据；将第一平滑系数的下限时刻与1的累加和，记为第二平滑系数的上限时刻，将第二平滑系数的上限时刻与最终适用范围的累加和，记为第二平滑系数的下限时刻，将第二平滑系数的上限时刻与下限时刻之间的时间区间，记为第二平滑系数的适用时间区间，第二平滑系数只用于预测第二平滑系数的适用时间区间内的每个时刻的血糖数据，以此类推，得到每个平滑系数的适用时间区间。

S003：根据每个平滑系数以及每个平滑系数的最终适用范围进行血糖预测，根据血糖预测结果和参考血糖范围进行预警提醒。

具体的，基于每个平滑系数，利用指数平滑法预测该平滑系数的适用时间区间中的每个时刻的血糖数据。

进一步的，当未来各时刻的预测血糖数据不属于该时刻参考血糖范围时，则认为患者可能存在血糖异常，给患者进行预警提醒。当未来各时刻的预测血糖数据属于该时刻参考血糖范围时，则认为患者血糖正常，无需给患者进行预警提醒。

至此，实施例1完成，通过实施例1描述了一种糖尿病护理数据智能优化方法的框架流程，在框架流程下的具体实现细节在其他实施例中展示。

实施:2：

实施例2中展示了实施例1中根据第一历史血糖数据序列和第一实时血糖数据序列得到第一平滑系数以及第一平滑系数的最终适用范围的具体方法，其具体实现过程如下：

需要说明的是，由于在指数平滑法中平滑参数是用来决定预测未来时刻数据时，对最近数据的参考权重。其中平滑参数越大对最近数据参考的权重就越大，即最近数据对预测的未来数据决定程度就越大。因为数据的变动剧烈情况，反映了数据规律变动情况，其中当数据的规律变动剧烈时，在对未来时刻的数据进行预测时，应该较少的关注前面数据的变动规律，而应该较多的关注距离当前时刻最近的数据。当数据的规律变动平缓时，在对未来时刻的数据进行预测时，应该较多的关注前面数据的变动规律，而应该较少的关注距离当前时刻最近的数据。因而需根据数据的变动情况来设置平滑系数。

具体的，根据第一历史血糖数据序列得到第一平滑系数的计算方法为：

其中，表示第一历史血糖数据序列中所有血糖数据的方差，该值反映了第一历史血糖数据序列中所有数据的变化剧烈情况，该值越大说明第一历史血糖数据序列中数据规律变动较大，因而在进行对未来时刻进行预测时，应该较多的参考距离当前时刻最近的血糖数据，因而第一平滑系数应该较大。/>以自然常数为的指数函数。/>表示第一平滑系数。

需要说明的是，由于一天中人们的各个时刻的血糖数据的变化是不同的，应该设置的第一平滑系数并不能适用于所有时刻的预测。因而需根据第一历史血糖数据序列中数据的变动差异情况，来初步定一个第一平滑系数的基准适用范围。

根据第一历史血糖数据序列和第一实时血糖数据序列得到第一平滑系数的最终适用范围的方法为：

进一步的，对于第一历史血糖数据序列，设置一个空的分析数据集合，将第一实时血糖数据序列中的第一实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第一实时血糖数据获取第一实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第一实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第一实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第一实时血糖数据下的第一平滑系数的适用范围。

当分析数据集合的数据数量小于第一实时血糖数据下的第一平滑系数的适用范围时，将第一实时血糖数据序列中的第二实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第二实时血糖数据获取第二实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第二实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第二实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第二实时血糖数据下的第一平滑系数的适用范围。

以此类推，直至当分析数据集合的数据数量大于等于实时血糖数据下的第一平滑系数的适用范围时结束，得到第一平滑系数的最终适用范围。

至此，实施例2完成。

实施例3：

实施例3中展示了实施例1中根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列的具体方法，其具体实现过程如下：

具体的，将第一实时血糖数据序列中去除前个实时血糖数据，得到第二实时血糖数据序列。/>表示第一平滑系数的最终适用范围；将第一历史血糖数据序列中最后个血糖数据以及第一实时血糖数据序列中前/>个实时血糖数据，按时序排列得到第二历史血糖数据序列，N表示第一历史血糖数据序列的长度。

至此，实施例3完成。

实施例4：

实施例4中展示了实施例2中根据第一历史血糖数据序列和第一实时血糖数据获取第一实时血糖数据下的第一平滑系数的适用范围的具体方法，其具体实现过程如下：

具体的，预设窗口尺寸W，首先将1*W窗口的左侧与第一历史血糖数据序列的左侧对齐，然后让窗口以1作为滑动步长向右滑动，直至窗口的右侧与第一历史血糖数据序列的右侧对齐，完成窗口的滑动。在第一历史血糖数据序列中获取每次滑动时窗口中数据。

本实施例以W取10为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。

获取每个窗口中所有血糖数据的方差，记为每个窗口的方差，将每个窗口的方差与前一个窗口的方差的差值，记为每个窗口的波动变化程度。

根据每个窗口的波动变化程度得到第一平滑系数的基准适用范围的计算方法为：

其中，表示第一历史血糖数据序列的第i个窗口的波动变化程度，/>表示窗口数量，/>反映了第一历史血糖数据序列的不同位置的波动变化差异，该值越大说明第一历史血糖数据序列波动规律变动较大，因而为了防止波动规律变动导致预测不够准确，需将平滑系数时常调整，因而第一平滑系数的适用范围应当较小。越接近于0，表示该平滑系数的适用范围越大，/>表示反正切函数，/>表示以自然常数为底的指数函数，/>表示第一平滑系数，/>表示预设的第一超参数，本实施例以/>取10为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。/>表示第一平滑系数的基准适用范围。/>表示向上取整处理。

需要说明的是，由于每个时刻的血糖数据是波动规律是实时变动的，因而根据历史血糖数据的波动规律得到基准适用范围只适用于历史的血糖数据。因而为了更准确的实现血糖预测，需要根据新采集的血糖数据对基准适用范围进行调整。

进一步的，根据第一历史血糖数据序列和第一实时血糖数据得到第一实时血糖数据下的第一平滑系数的适用范围修正因子的计算方法为：

其中，表示第一实时血糖数据以及第一历史血糖数据序列中所有血糖数据的方差，/>表示第一历史血糖数据序列中所有血糖数据的方差，/>反映了在第一历史血糖数据序列的所有血糖数据中添加第一实时血糖数据前后的血糖数据的变动差异，该值越大说明第一实时血糖数据与历史上的血糖数据的变动规律差异较大，因而基于历史上的血糖数据得到第一平滑系数的基准适用范围太大，因而应该将第一平滑系数的适用范围调小，因而第一实时血糖数据下的第一平滑系数的修正因子应该较小。/>表示以自然常数为底的指数函数。/>表示第一实时血糖数据下的第一平滑系数的适用范围修正因子。

进一步的，第一实时血糖数据下的第一平滑系数的适用范围计算方法为：

其中，表示第一实时血糖数据下的第一平滑系数的适用范围修正因子，/>表示预设的第二超参数，本实施例以T2取0.7为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。/>表示第一平滑系数的基准适用范围。/>表示第一实时血糖数据下的第一平滑系数的适用范围。

至此，实施例4完成。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种糖尿病护理数据智能优化方法，其特征在于，所述方法包括：

获取第一历史血糖数据序列以及第一实时血糖数据序列；

根据第一历史血糖数据序列中血糖数据的方差得到第一平滑系数，获取第一历史血糖数据序列的若干窗口，根据第一历史血糖数据序列的窗口中数据方差得到第一平滑系数的基准适用范围，根据第一历史血糖数据序列中血糖数据以及第一实时血糖数据序列中第一实时血糖数据得到第一实时血糖数据下的第一平滑系数的适用范围修正因子，利用第一实时血糖数据下的第一平滑系数的适用范围修正因子对第一平滑系数的基准适用范围进行调整得到第一实时血糖数据下的第一平滑系数的适用范围；

根据第一实时血糖数据下的第一平滑系数的适用范围得到第一平滑系数的适用时间区间，根据第一历史血糖数据序列，第一实时血糖数据序列以及第一平滑系数的适用时间区间得到其他平滑系数，以及其他平滑系数的适用时间区间；

根据平滑系数来预测所述平滑系数的适用时间区间内的每个时刻的血糖数据。

2.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一历史血糖数据序列中血糖数据的方差得到第一平滑系数，包括的具体步骤为：

其中，表示第一历史血糖数据序列中所有血糖数据的方差，/>以自然常数为的指数函数，/>表示第一平滑系数。

3.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述获取第一历史血糖数据序列的若干窗口，包括的具体步骤为：

预设窗口尺寸W，首先将1*W窗口的左侧与第一历史血糖数据序列的左侧对齐，然后让窗口以1作为滑动步长向右滑动，直至窗口的右侧与第一历史血糖数据序列的右侧对齐，完成窗口的滑动，在第一历史血糖数据序列中获取每次滑动时窗口中数据。

4.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一历史血糖数据序列的窗口中数据方差得到第一平滑系数的基准适用范围，包括的具体步骤为：

获取每个窗口中所有血糖数据的方差，记为每个窗口的方差，将每个窗口的方差与前一个窗口的方差的差值，记为每个窗口的波动变化程度；

第一平滑系数的基准适用范围的计算方法为：

其中，表示第一历史血糖数据序列的第i个窗口的波动变化程度，/>表示窗口数量，表示反正切函数，/>表示以自然常数为底的指数函数，/>表示第一平滑系数，/>表示预设的第一超参数，/>表示第一平滑系数的基准适用范围，/>表示向上取整处理。

5.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一历史血糖数据序列中血糖数据以及第一实时血糖数据序列中第一实时血糖数据得到第一实时血糖数据下的第一平滑系数的适用范围修正因子，包括的具体步骤为：

其中，表示第一实时血糖数据以及第一历史血糖数据序列中所有血糖数据的方差，表示第一历史血糖数据序列中所有血糖数据的方差，/>表示以自然常数为底的指数函数；/>表示第一实时血糖数据下的第一平滑系数的适用范围修正因子。

6.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述利用第一实时血糖数据下的第一平滑系数的适用范围修正因子对第一平滑系数的基准适用范围进行调整得到第一实时血糖数据下的第一平滑系数的适用范围，包括的具体步骤为：

其中，表示第一实时血糖数据下的第一平滑系数的适用范围修正因子，/>表示预设的第二超参数，/>表示第一平滑系数的基准适用范围，/>表示第一实时血糖数据下的第一平滑系数的适用范围。

7.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一实时血糖数据下的第一平滑系数的适用范围得到第一平滑系数的适用时间区间，包括的具体步骤为：

对于第一历史血糖数据序列，设置一个空的分析数据集合，将第一实时血糖数据序列中的第一实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第一实时血糖数据获取第一实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第一实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第一实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第一实时血糖数据下的第一平滑系数的适用范围；

当分析数据集合的数据数量小于第一实时血糖数据下的第一平滑系数的适用范围时，将第一实时血糖数据序列中的第二实时血糖数据添加为分析数据集合中的一个元素，根据第一历史血糖数据序列和第二实时血糖数据获取第二实时血糖数据下的第一平滑系数的适用范围，获取分析数据集合中包含的数据数量，将分析数据集合的数据数量与第二实时血糖数据下的第一平滑系数的适用范围比较，当分析数据集合的数据数量大于等于第二实时血糖数据下的第一平滑系数的适用范围时，将第一平滑系数的最终适用范围等于第二实时血糖数据下的第一平滑系数的适用范围；

以此类推，直至当分析数据集合的数据数量大于等于实时血糖数据下的第一平滑系数的适用范围时结束，得到第一平滑系数的最终适用范围；

将当前时刻作为第一平滑系数的上限时刻，将第一平滑系数的上限时刻与最终适用范围的累加和，记为第一平滑系数的下限时刻，将第一平滑系数的上限时刻与下限时刻之间的时间区间，记为第一平滑系数的适用时间区间。

8.如权利要求7所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一历史血糖数据序列，第一实时血糖数据序列以及第一平滑系数的适用时间区间得到其他平滑系数，以及其他平滑系数的适用时间区间，包括的具体步骤为：

根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列，根据第二历史血糖数据序列和第二实时血糖数据序列得到第二平滑系数以及第二平滑系数的最终适用范围，根据第二平滑系数的最终适用范围、第二历史血糖数据序列以及第二实时血糖数据序列得到第三历史血糖数据序列和第三实时血糖数据序列，以此类推，直至所有平滑系数的最终适用的范围累加和大于第一实时血糖数据序列的长度时结束，得到若干平滑系数以及每个平滑系数的最终适用范围；

将第一平滑系数的下限时刻与1的累加和，记为第二平滑系数的上限时刻，将第二平滑系数的上限时刻与最终适用范围的累加和，记为第二平滑系数的下限时刻，将第二平滑系数的上限时刻与下限时刻之间的时间区间，记为第二平滑系数的适用时间区间；获取每个平滑系数的适用时间区间。

9.如权利要求8所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据第一平滑系数的最终适用范围、第一历史血糖数据序列以及第一实时血糖数据序列得到第二历史血糖数据序列和第二实时血糖数据序列，包括的具体步骤为：

将第一实时血糖数据序列中去除前个实时血糖数据，得到第二实时血糖数据序列，表示第一平滑系数的最终适用范围；将第一历史血糖数据序列中最后/>个血糖数据以及第一实时血糖数据序列中前/>个实时血糖数据，按时序排列得到第二历史血糖数据序列，N表示第一历史血糖数据序列的长度。

10.如权利要求1所述的一种糖尿病护理数据智能优化方法，其特征在于，所述根据平滑系数来预测所述平滑系数的适用时间区间内的每个时刻的血糖数据，包括的具体步骤为：

基于每个平滑系数，利用指数平滑法预测该平滑系数的适用时间区间中的每个时刻的血糖数据。