首页 > 文献资料
-
基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测
糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型.首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量1MF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警.利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,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45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.1164%);低血糖预警虚警率和漏警率分别为0.97%和7.55%.血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果.
关键词: 血糖预测 低血糖预警 自适应噪声完整聚合经验模态分解 极限学习机 -
自适应血糖预测模型在低血糖预警中的应用
目的 基于CGMS提出了一种血糖预测模型和低血糖预警技术.方法 利用CGMS采集糖尿病患者的血糖数据,使用卡尔曼滤波对采集的数据进行滤波,减少噪声干扰;然后依据血糖信号的非平稳性特征,运用自回归模型(AR)建立血糖预测模型,模型参数由自适应遗忘因子小二乘法确定,以适应患者的个体差异及自身状态的变化.结果 通过50例血糖数据的临床验证,预测模型能动态捕捉血糖变化,预测未来30分钟的血糖值;且能够利用建立的自适应血糖预测模型进行低血糖预警,均方根误差(RMSE)、血糖预测误差的平方和(SSGPE)分别为6.423、4.409.结论 自适应血糖预测模型能有效预测低血糖,具有较好的推广应用价值.
-
基于集成学习融合模型的血糖预测
介绍集成学习预测方法,阐述集成学习在血糖预测中的应用,基于个体常规体检数据,使用集成学习的方法,融合线性回归、梯度提升决策树、随机森林等模型对血糖进行预测,实验结果表明该方法对血糖具有更高的预测精度并能更准确地识别血糖异常个体.