[发明专利]一种基于数据建模和模型移植的通用血糖预测方法

说明书

技术领域

本发明属于血糖数据分析和预测研究领域，特别是涉及一种基于数据建模和模型移植的通用血糖预测方法。 

背景技术

人体血糖水平的一个显著特点就是时变性，即时序信号测量值存在显著的自相关关系。此外，外源输入和血糖时序数据之间亦密切相关。这两种相关关系是建立血糖预测模型的基础和关键。 

针对血糖信号、外部输入胰岛素信号和饮食信号进行分析、建模，可以根据历史测量值获取未来血糖变化情况。目前，血糖预测模型的建立多采用基于数据驱动的方法。已存在的预测模型可以划分为线性(以基于最小二乘的自回归模型为其典型代表)和非线性(以神经网络方法为其典型代表)两类。线性模型由于其简单的模型结构和算法，获得了广泛应用。比较成熟的建模方法包括自回归(autoregressive,AR)、激励响应(impulse-response,IR)等。根据是否包括外源输入(胰岛素和饮食输入等)作为建模变量，AR模型又可以区分为自回归(AR)模型和具有外源输入的自回归(AR with exogenous inputs,ARX)模型。然而传统的ARX模型主要缺陷有两点：（a）直接针对测量数据利用最小二乘这种最基本的辨识方法拟合血糖预测关系，无法避免该方法本身所具有的缺陷，不能得到满意的预测精度；（b）针对不同个体的血糖动态性、外源输入不进行预先分析，直接建立不同的预测模型(即个体化模型)用于在线预测，这将耗费大量人力物力。 

发明内容

本发明的目的在于针对现有血糖预测方法的不足，提供一种基于数据建模和模型移植的通用血糖预测方法。 

本发明的目的是通过以下技术方案来实现的：一种基于数据建模和模型移植的通用血糖预测方法，该方法包括以下步骤： 

步骤1：建模信号预处理：将以一定采样周期Δt获得的个体皮下血糖信号、输注该个体的胰岛素信号、该个体摄入的饮食信号分别组合成一维时序数据G_k×1、I_k×1、M_k×1，其中，G、I、M分别是血糖信号、胰岛素信号和饮食信号的测量值，k为以采样周期Δt获得的采样个数；去除血糖信号、胰岛素信号和饮食信号中的尖峰噪声。 

步骤2：获取预测变量矩阵和响应矩阵：预测区间记为ph，血糖信号和两外源输入信号预测变量的长度分别记为l_G、l_I、l_M，则二维预测变量矩阵表示为 其中，二维预测变量矩阵行数n=k-ph-l+1，k为以采样周期Δt获得的采样个数，ph为预测区间，l=max{l_G,l_I+d-1,l_M+d-1}，而d是两外源输入信号样本输入的延迟，二维预测变量矩阵列数j_x=l_G+l_I+l_M。一维响应矩阵表示为Y_n×1=[G_l+ph,G_l+ph+1,G_k]^T。 

步骤3：基于LV的血糖预测建模：通过基于LV的方法进行血糖预测建模。 

步骤4：选取基模型进行模型移植：根据步骤3的预测效果，采用LV方法进行模型移植，该步骤通过以下子步骤来实现： 

（4.1）确定模型移植的基模型：先从实际角度考虑选取LV方法中胰岛素前的系数识别为负值，饮食前的系数识别为正值的对象的模型系数，再从预测精度考虑，选取预测RMSE最小的对象的模型系数作为基模型。 

（4.2）确定模型移植调节方向判断依据：根据预测值和真实测量值均值、波峰或波谷判断二者的相对大小。 

（4.3）确定模型移植的调节步长：权衡步长减小带来的调节时间增长和精度提高之间的矛盾，确定模型移植的调节步长。 

（4.4）确定模型移植的调节策略：对比先调节胰岛素前系数，再调节饮食前系数和先调节饮食前系数，再调节胰岛素前系数的拟合效果，确定调节策略为先调节胰岛素前系数，再调节饮食前系数。 

步骤5：根据步骤4确定的基模型、步长和调节策略对任意个体的未来血糖值进行预测。该步骤通过以下子步骤来实现： 

（5.1）在线预测时，在采集到任意个体新数据G_newk×1、I_newk×1、M_newk×1后（下标new代表新样本，一般数据量较缺乏），对新数据按步骤2所述的预测变量矩阵排列得到测试数据输入矩阵