[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

摘要

本发明公开了一种基于数据建模和模型移植的通用血糖预测方法；该方法针对人体皮下血糖测量信号、人体输注的胰岛素及摄入的饮食进行分析，提取其与未来血糖的关系，并应用到缺乏数据量的新对象上；分别采用传统最小二乘方法和基于潜变量方法建立有外源输入的自回归血糖预测模型，并进行了对比；最后基于预测性能较好的潜变量方法选取基模型实现模型移植；实际应用时针对新对象无需等待获取充分血糖测量信号后重新建模，而是可以直接将基模型移植到新对象上，根据拟合效果在线调整模型系数实现实时血糖预测，大大简化了建模工作量和复杂度。

主权项

1.一种基于数据建模和模型移植的通用血糖预测方法，其特征在于，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（5.2）调用基模型进行在线修正预测：（5.2.1）调用基模型进行模型移植：对于每个新的测试数据由以下步骤计算直接移植基模型后对测试数据的预测值Y~=Xnewσ;---(1)]]>其中，X_new为对新数据按步骤2所述的步骤获得的预测变量矩阵，σ是PLS-CCA方法求出的基模型的回归系数向量。（5.2.2）根据预测值和测试数据的误差不断在线修正两外源输入系数，直到拟合RMSE最小，得到修正后的模型系数σ′，由以下步骤计算移植基模型在线修正后获得ph个采样点后的预测值Y^v=Xrσ′;---(2)]]>其中X_r为该个体采集的任意数据按步骤2所述的预测变量矩阵排列后的矩阵或向量，σ′为修正后的回归系数向量。