[发明专利]基于OVMD-SE-PSO-BP的在线血糖预测方法

权利要求书

1.一种基于OVMD-SE-PSO-BP的在线血糖预测方法，其特征在于，包括如下步骤：

A1、对待预测的原始血糖数据进行预处理，得到原始血糖序列，采用最优变分模态分解与样本熵结合的方法，将原始血糖序列分解为多个血糖子序列；

A2、对所述多个血糖子序列进行重构；

A3、对重构后的每一血糖子序列分别训练粒子群优化的神经网络模型，将每一血糖子序列输入该子序列的粒子群优化的神经网络模型，获得每一血糖子序列的血糖预测结果；

A4、将每一血糖子序列的血糖预测结果进行融合，得到待测试样本的血糖预测结果。

2.根据权利要求1所述的在线血糖预测方法，其特征在于，所述步骤A1包括如下步骤：

A11、获取待预测的原始血糖数据进行预处理，得到原始血糖序列；

A12、分解原始血糖序列并重构得到分解残差和变分模态分解的最优参数；

A13、当获得最优参数时，使用最优变分模态分解方法将原始血糖数据进行分解，得到多个子模态；

A14、分别计算各子模态的样本熵，对具有相似样本熵的子模态进行归类叠加，得到多个血糖子序列。

3.根据权利要求2所述的在线血糖预测方法，其特征在于，所述步骤A12包括：初始化变分模态分解的参数τ，分解原始血糖序列并重构得到分解残差minerr,更新参数τ进行迭代得到分解残差err，直到minerr＝err，获得误差最小时的参数值，即最优参数τ。

4.根据权利要求1所述的在线血糖预测方法，其特征在于，所述步骤A2中，对所述多个血糖子序列进行重构包括：

对于每一血糖子序列Ti，都有T_i＝[t_i1,t_i2,...t_im]；

对每一血糖子序列Ti进行重构，得到输入矩阵和输出矩阵，其中，输入矩阵输出矩阵其中k是输入数据维度，g是预测步数，m是训练样本数。

5.根据权利要求4所述的在线血糖预测方法，其特征在于，所述步骤A3中训练粒子群优化的神经网络模型，包括如下步骤：

A31、初始化粒子群的速度和位置；

A32、评估粒子群中每个粒子的初始适应度，根据初始适应度更新每个粒子的历史最优位置和粒子群的历史最优位置，进行迭代；

A33、更新每个粒子的速度和位置，并考虑更新后的速度和位置是否满足要求；

A34、若满足要求，则将粒子群优化后的最优解作为神经网络的初始权值阈值，否则返回步骤A32，继续迭代；

A35、将重构后的每一血糖子序列的输入矩阵和输出矩阵输入神经网络模型中进行训练，得到每一血糖子序列的粒子群优化的神经网络模型。

6.根据权利要求1所述的在线血糖预测方法，其特征在于，所述步骤A1中的原始血糖序列是以一定采样周期进行采样后获得的以时间顺序排列的血糖信号组合。

7.根据权利要求6所述的在线血糖预测方法，其特征在于，所述步骤A1中的原始血糖序列是待预测的原始血糖数据经过预处理得到的；

或者是根据预先定义的待预测血糖序列更新规则对采集的多个时间段的血糖信号组合进行更新后的待预测血糖序列，

通过更新后的待预测血糖时间序列经过步骤A1至步骤A4，获得血糖预测结果。