论文部分内容阅读
由于生活方式的改变,糖尿病患病群体呈年轻化趋势,已成为严重影响人类健康的疾病。血糖预测是人工胰脏血糖闭环控制的关键,可通过调控胰岛素注射剂量和时间强化糖尿病患者体内的血糖控制并降低并发症的发生,为医生和患者进行血糖控制提供数据支持。因此提高血糖预测精度、增加预测时间具有十分重要意义。血糖预测是根据人体内的历史血糖值来预测未来一段时间血糖浓度的变化趋势。本文在研究已有的血糖预测技术基础上,提出了一种基于自适应白噪声完整聚合经验模态分解-极限学习机(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Extreme Learning Machine,CEEMDAN-ELM)的短期血糖预测模型。为提高血糖预测的精确度,模型首先运用信号分析技术,利用CEEMDAN方法对糖尿病患者血糖值时间序列进行平稳化处理,逐级分解患者血糖数据中存在的不同尺度下的波动或变化趋势以降低血糖值时间序列的非线性和非平稳性,获得一组含有不同频段特征的血糖分量;然后对各血糖分量分别利用ELM进行预测;最后融合各血糖分量的预测结果,获得糖尿病患者最终的血糖预测值。论文在CEEMDAN-ELM短期血糖预测模型基础上进行了低血糖预警研究,设计了一种新的低血糖预警方法。本文利用60例Ⅱ型糖尿病患者的血糖数据进行血糖预测实验,并采用克拉克网格分析法、配对t检验等对预测模型的性能进行了检验,采用虚警率和漏警率来评估低血糖预警效果。结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45min的血糖预测达到了较高的精确度(60例患者的平均RMSE=0.2046,MAPE=2.0855%);提前45min的患者血糖预测值基本落在了Clarke网格误差图的A区域。在CEEMDAN-ELM短期血糖预测模型的基础上提出的低血糖预警方法使得26例具有低血糖事件的糖尿病患者的虚警率为0.77%,漏警率为8.71%。CEEMDAN-ELM血糖预测模型提高了预测精度,延长了预测时间,对提高糖尿病的治疗效果具有重要意义。