一种基于LSTM编码器-解码器架构的血糖预测方法

本发明涉及深度学习领域，具体涉及一种基于lstm编码器-解码器架构的血糖预测方法。

背景技术：

1、糖尿病已成为危及人类生命和影响经济发展的全球公共卫生问题。血糖数据的分析与预测结果可以辅助医师及时对患者治疗并规避血糖风险，因此，对糖尿病患者进行血糖预测，一直是关于糖尿病风险预测的热点问题。

2、血糖预测模型主要分为两大类：基于生理模型的血糖预测和基于数据驱动的血糖预测。生理模型一般较为复杂，使用过程涉及大量参数，而人体血糖是一个动态调节过程，易受各种因素的干扰，这导致建模过程中个性化的参数识别过程困难，因而预测精度较低。随着传感器技术的发展，基于数据驱动的模型利用传感器获取的血糖和其他数据指标进行建模。深度学习可以利用深层结构挖掘隐藏在数据中的深层信息，解决许多传统方法难以解决的问题，如不易建立数学模型、系统具有较强的非线性、捕获隐藏或不完整信息、数据置乱等，为血糖预测开辟了新思路，提供了新的预测方法和广阔的前景。

技术实现思路

1、针对背景技术中存在的问题，本发明提供了一种基于lstm编码器-解码器架构的血糖预测方法，通过准确预测血糖水平的波动，可以有效预防糖尿病患者出现并发症，并帮助医生和患者确定最佳的胰岛素注射时间和剂量，从而维持血糖在正常范围内，降低高血糖和低血糖的风险。

2、一种基于lstm编码器-解码器架构的血糖预测方法，包括如下步骤：

3、步骤1，对获取到的糖尿病患者的血糖数据进行缺失值填补、平滑、降噪以及滑窗的预处理，得到符合模型输入输出要求的血糖数据；

4、步骤2，基于处理后的血糖数据，构建基于lstm编码器-解码器架构的血糖预测模型，其中编码器负责将输入序列转换为隐藏状态向量，解码器利用隐藏状态向量进行预测输出；

5、步骤3，在编码器-解码器结构中，引入基于学习相似模式的注意力机制，并构建基于dtw的链地址搜索算法寻找相似窗口序列，以增强神经元记忆并减少误差传播的积累；

6、步骤4，基于注意力特征和隐藏状态向量，将其共同输入到解码器中，通过投影层将解码器的输出映射到符合输出维度大小的向量，从而获得血糖预测结果。

7、本发明达到的有益效果为：

8、(1)通过准确预测血糖水平的波动，可以有效预防糖尿病患者出现并发症，并帮助医生和患者确定最佳的胰岛素注射时间和剂量，从而维持血糖在正常范围内，降低高血糖和低血糖的风险。

9、(2)在编码器-解码器结构中，引入了一种基于学习相似模式的注意力机制，并构建基于dtw的链地址搜索算法寻找相似窗口序列，能够增强神经元记忆并减少误差传播的积累。

10、(3)基于学习相似模式的注意力机制允许网络动态地关注先前时间步的相关信息，并将其集成到当前的rnn单元中。通过这种方式，模型能够保留并利用先前时间步的关键信息，有助于更好地处理长序列间的依赖性，从而提高模型的预测性能。

11、(4)本方法具有强大的学习能力，且经实验认证能够有效提高血糖浓度预测精度。

技术特征：

1.一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：所述方法包括如下步骤：

2.根据权利要求1所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：所述步骤1中，对获取到的糖尿病患者的血糖数据进行预处理，得到所述符合模型输入输出要求的血糖数据，具体包括：

3.根据权利要求1所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：所述步骤2中，基于符合模型输入输出要求的血糖数据，构建基于lstm编码器-解码器架构的血糖预测模型，具体包括：

4.根据权利要求3所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：构建的seq2seq预测模型f(.)分为三步：(1)拼接输入：将特征向量c、前一个时刻的预测值yt-1和前一个时刻的隐藏状态st-1拼接成一个单一的输入向量；(2)通过lstm单元：将拼接后的输入向量传递给当前时刻的lstm单元，更新lstm的隐藏状态和细胞状态；(3)全连接层：将lstm单元输出的隐藏状态传递给一个全连接层，将其转换为所需的输出维度，即当前时刻的血糖预测值

5.根据权利要求1所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：所述步骤3中，基于构建的编码器-解码器结构，引入了一种基于学习相似模式的硬注意力机制；注意力机制的计算公式如下所示：

6.根据权利要求1所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：所述步骤3中，基于学习相似模式的注意力机制，构建了基于dtw的链地址搜索算法寻找相似窗口序列，以实现注意力特征的构建；具体包括：

7.根据权利要求6所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：基于dtw的链地址搜索算法的具体步骤如下所示：

8.根据权利要求6所述的一种基于lstm编码器-解码器架构的血糖预测方法，其特征在于：考虑到搜索时间复杂度和训练效果，将候选数n设置为5。

技术总结一种基于LSTM编码器‑解码器架构的血糖预测方法，包括，对获取到的糖尿病患者的血糖数据进行平滑、降噪以及滑窗等处理；构建基于LSTM编码器‑解码器架构的血糖预测模型，其中编码器负责将输入序列转换为隐藏状态向量，解码器利用隐藏状态向量进行预测输出；为增强神经元记忆并减少误差传播的积累，在编码器‑解码器结构中，引入了一种基于学习相似模式的注意力机制，并构建基于DTW的链地址搜索算法寻找相似窗口序列；结合注意力特征和隐藏状态向量，共同输入到解码器中，通过投影层将解码器的输出映射到符合输出维度大小的向量，从而获得更为准确的血糖预测结果。本方法具有强大的学习能力，且经实验认证能够有效提高血糖浓度预测精度。技术研发人员：张怡,徐鹤,季一木,刘尚东,刘思行,张笑宇,袁帅祥受保护的技术使用者：南京邮电大学技术研发日：技术公布日：2024/11/14