[发明专利]一种基于VMD-PACF-BP模型的动态血糖在线预测方法

权利要求书

1.一种基于VMD-PACF-BP模型的动态血糖在线预测方法，其特征在于，包括如下步骤：

S1、获取原始血糖时间序列数据，并对获取的原始血糖时间序列数据进行数据预处理；

S2、采用VMD分解方法将经过数据预处理后的血糖时间序列数据分解成多个子模态；

S3、采用PACF方法分别选择每个子模态的输入变量；

S4、将选出的输入变量分别利用BP神经网络进行预测，获得每个子模态的预测值，最后，再将获得的所有子模态的预测值融合，获得血糖数据的预测结果。

2.根据权利要求1所述的预测方法，其特征在于，

在步骤S2中，将原始血糖时间序列分解成一系列的含有稀疏特性的子模态，即将原始序列分解成为多个不同频率的序列。

3.根据权利要求2所述的预测方法，其特征在于，所述步骤S2还包括如下子步骤：

S201、针对每个子模态u_k通过希尔伯特变换计算与之相关的解析信号得到单侧频谱，如下：

其中，H(t)为模态解析信号，δ(t)是狄拉克分布，t是采样时间点，{u_k}＝{u₁，...，u_K}；

S202、针对各个子模态，通过对其中心频率ω_k进行指数项混叠，将每个子模态调制到对应的基频带，其公式如下：

式中为ω_k复平面上的向量描述，{ω_k}＝{ω₁，...，ω_K}；

S203、估计各模态分量的带宽，计算其梯度的平方L²范数，对应求处的约束条件变分问题为：

S204、引入增广拉格朗日函数，用二次惩罚函数项和拉格朗日乘子得到一个非约束问题，最后求解该问题的公式为：

其中，是惩罚项，λ是拉格朗日乘数。

4.根据权利要求3所述的预测方法，其特征在于，所述步骤S2还包括：

A1、通过交替更新和来寻找最优解，其收敛条件为：

其中ε代表收敛条件，代表傅立叶变换，n是迭代次数；

A2、得到u_k和ω_k函数：

其中，代表当前剩余量，代表当前模态函数功率谱的重心。

5.根据权利要求4所述的预测方法，其特征在于，

所述步骤S3中通过PACF方法找到判断血糖的时间序列间不同属性间的相关性，构建最优输入集合，获得每个子模态的输入变量。

6.根据权利要求5所述的预测方法，其特征在于，所述步骤S3还包括：

时间序列为{w₁,w₂...w_n}，滞后k处的协方差为γ_k，其估计量为公式为：

其中为序列的平均值，M是最大滞后时间且取值为n/4；

ρ_k为自相关函数，其估计量为

的公式为：

基于协方差和相关函数ACF的结果，则α_kk为滞后k时的PACF，其公式为：

其中k＝1,2，...M；

根据PACF值衡量其偏自相关性，确定子模态的输入变量。

7.根据权利要求6所述的预测方法，其特征在于，

所述步骤S4中BP神经网络的中间神经元j的输出公式为：

其中w是权值，b是阈值；

输出层的计算公式为：

BP神经网络与实际输出的误差值为e，其公式为：

e_k＝Y_k-O_k；

对权值进行调整的公式为：w_jk＝w_ik+ηH_je_k，其中η为学习效率。