随着时代的发展和科技的进步,大家对于自身的健康管理程度也随之提高,原本不受重视的糖尿病也出现在了大众的视线内,并迅速拥有了一席之地。虽然糖尿病本身并不会直接给人们带来生命威胁,可是糖尿病患者长时间处于一个高血糖的状态,这种情况就会对患者本身各种组织器官造成慢性伤害,导致各种并发症。除此之外,如果糖尿病患者由于运动中或睡眠期间发生了低血糖事件,前期没有办法察觉,等到有症状的时候非常容易陷入昏迷,甚至是休克死亡。因此,针对患有糖尿病的人们来说,日常生活中无论是葡萄糖的自行监督还是自身生活习惯的相对调整都对糖尿病病情的把控起到了举足轻重的影响。这就需要实时监测血糖变化,甚至是提前预测血糖浓度来降低病发的风险。一个有用的血糖预测方法不仅能够确切地帮助医生和患者得到未来的血糖变化走势,还能够帮助判别低血糖事件并给出提前警报,这样就能够更好地帮助患者维持血糖浓度在正常范围,进一步控制了并发症的患病风险。本文主要贡献如下:(1)首次验证了典型相关分析方法(CCA)在血糖浓度预测领域的可用性:首先考虑了自变量与因变量自相关性以及两者之间的互相关性,重构输入(历史血糖值)和输出(预测血糖值)数据之后得到新的综合变量,从而使得数据里包含的信息可以更好的在血糖预测中被利用。之后,利用在典型相关变量之间寻找到的线性模型,进而计算出初始血糖数据间的关联。方法在血糖预测中的可用性通过临床数据来进行测试,得到的实验结果给出了分析印证。在此基础上,针对时间序列预测中普遍存在的时滞现象,本文提出了误差补偿策略有效地解决了该问题,并极大地减小了预测误差。(2)针对血糖变化的非线性特性,本文提出将核函数与线性CCA相结合。核典型相关分析(KCCA)在高维下重新构造典型相关变量找到其非线性特征。由于引入的核函数中存在可调节的参数会影响预测的精度,在核函数参数调节过程中使用粒子群算法(PSO)来自动寻优。最后,PSO-KCCA预测血糖的过程使用了临床数据实施测试,良好的结果证明了 PSO-KCCA在血糖预测中的可用性。将得到的PSO-KCCA的预测结果应用于低血糖预警中,在此过程中,本文考虑了预测模型存在的误差,一改以往固定的低血糖阈值。将每位病人的预测误差与低血糖阈值相结合形成个性化的阈值。实验数据同样来自于糖尿病人的测量值。实验结果表明这种方法既可以使漏报率达到极低,又能保证良好的敏感性和特异性。