[发明专利]基于OVMD-SE-PSO-BP的在线血糖预测方法

说明书

本发明属于血糖预测技术领域，尤其涉及一种基于OVMD‑SE‑PSO‑BP的血糖预测方法。包括如下步骤：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。此方法得到的血糖预测值与实际更加符合。

技术领域

本发明属于血糖预测技术领域，尤其涉及一种基于OVMD-SE-PSO-BP 的在线血糖预测方法。

背景技术

1型糖尿病是一组以高血糖为特征的慢性自身免疫疾病，长期的高血糖会导致人体内各组织器官的损害和功能障碍，严重的甚至会危及生命。人体内的血糖浓度主要受两种激素(胰高血糖素和胰岛素)的影响。1型糖尿病主要是由于胰腺中的β细胞的丢失或者破坏而导致的体内胰岛素分泌不足引起的，主要发病于青少年中。

由于还没有根治的方法，常见的治疗并发症的方法是使用胰岛素注射来控制患者体内的血糖值。目前最新的技术是使用动态血糖监测系统(CGMS) 作为检测手段，通过葡萄糖感应器检测皮下组织间液葡萄糖值而反映血糖水平，更全面地显示患者体内血糖变化及波动趋势。CGMS以一定的时间间隔持续监测血糖值，在患者出现高血糖的情况时能够及时注射胰岛素来抑制血糖的波动。为了能更好的控制患者体内的血糖水平，在患者出现大幅度的血糖波动前能够及时控制住血糖，人们尝试对未来短期内的血糖值进行预测。合适的预测方法对控制糖尿病患者血糖上起着关键的作用，可以有效避免了注射胰岛素不及时而导致的一系列问题。

目前，已经提出了很多方法来预测人体血糖值并取得了一定的成果。常用的预测方法是基于数据驱动的模型，相比于生理模型，它不考虑机体的先验知识，能够根据病人历史的血糖序列进行建模，来获得未来短期内的血糖浓度。早在1999年，Bremer和Gough等人通过每10分钟记录一次数据来获得血糖数据，并对这些血糖数据进行建模来预测未来血糖值，该实验表明可以利用过去的血糖值来预测未来血糖水平。Sparacino等人通过对历史血糖数据建立基于最小二乘的自回归模型并获得了较好的预测效果。Pérez采用三层前馈神经网络进行建模预测，得到患者提前15min和30min的血糖值，均方根误差分别为10mg/dl和17.5mg/dl。

以上的方法均能够预测人体血糖的变化趋势，但由于血糖数据的复杂性和不稳定性，使用单一模型的预测效果并不十分理想，血糖的预测值与实际值偏差较大。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于OVMD-SE-PSO-BP 的在线血糖预测方法，血糖的预测值与实际更加符合。

(二)技术方案

本发明提出一种基于OVMD-SE-PSO-BP的在线血糖预测方法，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。

进一步地，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；