[发明专利]一种基于预训练和数据分解两阶段的血糖预测方法

权利要求书

1.一种基于预训练和数据分解两阶段的血糖预测方法，包括以下步骤：

S1、结合健康人群和糖尿病人群的血糖数据，开发预训练模型；

S2、采集待预测的糖尿病患者的数据；

S3、对步骤2的数据进行缺值补充处理和平滑处理；

S4、对步骤3所得的数据进行模态分解，分解为一系列含有不同频率信息的固有模态分量；

S5、对步骤4分解得到的模态分量进行样本熵分析，对样本熵最大的分量进行二次分解；

S6、加载步骤1的预训练模型的权重，导入步骤5处理过的糖尿病患者的数据至集成学习模块，所述集成学习模块用于预测未来30分钟和未来60分钟的血糖值。

2.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤1包括以下步骤：

S101、导入第一数据库，第一数据库的样本包括糖尿病人群的血糖数据和健康人群的血糖数据；

S102、筛选出过去30分钟、过去1小时、过去2小时、过去4小时和过去8小时的历史血糖数据；

S103、将筛选出的血糖数据送入LSTM模型，将训练结果保存为权重文件，作为预训练模型，用作后续训练模型的默认参数。

3.根据权利要求2所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤S101中的血糖数据为连续50天的血糖动态监测数据；样本的群体包括若干名儿童、若干名青少年和若干名成年人。

4.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤2包括以下步骤：

S201、采集待预测糖尿病患者的历史血糖数据，作为第二数据库；

S202、导入第二数据库。

5.根据权利要求4所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤S201的采集血糖数据要求包括：血糖检测仪器必须在连续7天中至少采集4天；必须收集至少96小时的动态血糖监测数据。

6.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤3包括以下步骤：

S301、利用数据缺值补充法处理含有缺失值的病患血糖数据；

S302、利用数据平滑滤波法使血糖数据平滑。

7.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，数据缺值补充法包括双线性插值和线性外推，数据平滑滤波法包括卡尔曼滤波、中值滤波。

8.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤4包括以下步骤：

S401、选取过去1小时，过去3小时，过去8小时的历史血糖数据；

S402、采用集合经验模态分解模型对选出的数据进行滚动分解，滚动分解的时间步长设置为两天，获得不同频率信号，即若干imf分量。

9.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤5包括以下步骤：

S501、计算imf分量之间的混乱程度，对计算得到的熵值按结果从大到小进行排序；

S502、对熵值最大的分量进行二次分解，使得所有分解分量的熵值维持在一定区间内，降低血糖数据的非线性和非平稳性。

10.根据权利要求1所述的基于预训练和数据分解两阶段的血糖预测方法，其特征在于，步骤6中的集成学习模块包括若干不同的机器学习算法，所述导入步骤5处理过的糖尿病患者的数据具体包括以下步骤：

S601、先送入三个不同的机器学习算法：LSTM、GRU和SRNN，获得若干预测结果；

S602、将若干预测结果组合，作为基础预测结果；

S603、将步骤602获得的基础预测结果作为训练集，送入模型Nested-LSTM，得出最终的预测结果。