一種基於數據建模和模型移植的通用血糖預測方法
2023-04-28 06:45:56
一種基於數據建模和模型移植的通用血糖預測方法
【專利摘要】本發明公開了一種基於數據建模和模型移植的通用血糖預測方法；該方法針對人體皮下血糖測量信號、人體輸注的胰島素及攝入的飲食進行分析，提取其與未來血糖的關係，並應用到缺乏數據量的新對象上；分別採用傳統最小二乘方法和基於潛變量方法建立有外源輸入的自回歸血糖預測模型，並進行了對比；最後基於預測性能較好的潛變量方法選取基模型實現模型移植；實際應用時針對新對象無需等待獲取充分血糖測量信號後重新建模，而是可以直接將基模型移植到新對象上，根據擬合效果在線調整模型係數實現實時血糖預測，大大簡化了建模工作量和複雜度。
【專利說明】一種基於數據建模和模型移植的通用血糖預測方法
【技術領域】
[0001]本發明屬於血糖數據分析和預測研究領域，特別是涉及一種基於數據建模和模型移植的通用血糖預測方法。
【背景技術】[0002]人體血糖水平的一個顯著特點就是時變性，即時序信號測量值存在顯著的自相關關係。此外，外源輸入和血糖時序數據之間亦密切相關。這兩種相關關係是建立血糖預測模型的基礎和關鍵。
[0003]針對血糖信號、外部輸入胰島素信號和飲食信號進行分析、建模，可以根據歷史測量值獲取未來血糖變化情況。目前，血糖預測模型的建立多採用基於數據驅動的方法。已存在的預測模型可以劃分為線性(以基於最小二乘的自回歸模型為其典型代表)和非線性(以神經網絡方法為其典型代表)兩類。線性模型由於其簡單的模型結構和算法，獲得了廣泛應用。比較成熟的建模方法包括自回歸(autoregressive, AR)、激勵響應(impulse-response, IR)等。根據是否包括外源輸入(胰島素和飲食輸入等)作為建模變量，AR模型又可以區分為自回歸(AR)模型和具有外源輸入的自回歸(AR with exogenousinputs, ARX)模型。然而傳統的ARX模型主要缺陷有兩點:(a)直接針對測量數據利用最小二乘這種最基本的辨識方法擬合血糖預測關係，無法避免該方法本身所具有的缺陷，不能得到滿意的預測精度；(b)針對不同個體的血糖動態性、外源輸入不進行預先分析，直接建立不同的預測模型(即個體化模型)用於在線預測，這將耗費大量人力物力。
【發明內容】
[0004]本發明的目的在於針對現有血糖預測方法的不足，提供一種基於數據建模和模型移植的通用血糖預測方法。
[0005]本發明的目的是通過以下技術方案來實現的:一種基於數據建模和模型移植的通用血糖預測方法，該方法包括以下步驟:
[0006]步驟1:建模信號預處理:將以一定採樣周期At獲得的個體皮下血糖信號、輸注該個體的胰島素信號、該個體攝入的飲食信號分別組合成一維時序數據Gkxl、Ikxi, Mkxi，其中，G、1、M分別是血糖信號、胰島素信號和飲食信號的測量值，k為以採樣周期At獲得的採樣個數；去除血糖信號、胰島素信號和飲食信號中的尖峰噪聲。
[0007]步驟2:獲取預測變量矩陣和響應矩陣:預測區間記為ph，血糖信號和兩外源輸入信號預測變量的長度分別記為le、1Χ> 1?,則二維預測變量矩陣表示為K十=IGmk，/_，Μ_,]，其中，二維預測變量矩陣行數n=k-ph-l+l，k為以採樣周期Λ t獲得的採樣個數，Ph為預測區間，l=maX {1G, l^d-1, lM+d-l}，而d是兩外源輸入信號樣本輸入的延遲，二維預測變量矩陣列數?+h+ln。一維響應矩陣表示為Ynxi= [G1+ph, G1+ph+1, Gk]τO
[0008]步驟3:基於LV的血糖預測建模:通過基於LV的方法進行血糖預測建模。
[0009]步驟4:選取基模型進行模型移植:根據步驟3的預測效果，採用LV方法進行模型移植，該步驟通過以下子步驟來實現:
[0010](4.1)確定模型移植的基模型:先從實際角度考慮選取LV方法中胰島素前的係數識別為負值，飲食前的係數識別為正值的對象的模型係數，再從預測精度考慮，選取預測RMSE最小的對象的模型係數作為基模型。
[0011](4.2)確定模型移植調節方向判斷依據:根據預測值和真實測量值均值、波峰或波谷判斷二者的相對大小。
[0012](4.3)確定模型移植的調節步長:權衡步長減小帶來的調節時間增長和精度提高之間的矛盾，確定模型移植的調節步長。
[0013](4.4)確定模型移植的調節策略:對比先調節胰島素前係數，再調節飲食前係數和先調節飲食前係數，再調節胰島素前係數的擬合效果，確定調節策略為先調節胰島素前係數，再調節飲食前係數。
[0014]步驟5:根據步驟4確定的基模型、步長和調節策略對任意個體的未來血糖值進行預測。該步驟通過以下子步驟來實現:
[0015](5.1)在線預測時，在採集到任意個體新數據 Gnewk X 1、I newk X 1、^newk X I
後(下標new代
表新樣本，一般數據量較缺乏)，對新數據按步驟2所述的預測變量矩陣排列得到測試數據輸入矩陣°
[0016](5.2)調用基模型進行在線修正預測:
[0017](5.2.1)調用基模型進行模型移植:
[0018]對於每個新的測試數據，由以下步驟計算直接移植基模型後對測試數據的預測值I
[0019]Y = XnmtlV;Cl)
[0020]其中，Xnew為對新數據按步驟2所述的步驟獲得的預測變量矩陣，σ是PLS-CCA方法求出的基模型的回歸係數向量。
[0021](5.2.2)根據預測值和測試數據的誤差不斷在線修正兩外源輸入係數，直到擬合RMSE最小，得到修正後的模型係數σ，，由以下步驟計算移植基模型在線修正後獲得ph個
採樣點後的預測值1:
[0022]Y, = XrC1 ;(2)
[0023]其中&為該個體採集的任意數據按步驟2所述的預測變量矩陣排列後的矩陣或向量，σ '為修正後的回歸係數向量。
[0024]與現有技術相比，本發明的有益效果是:本發明所提出的通用血糖預測方法實際應用時針對新對象無需等 待獲取充分血糖測量信號後重新建模，而是可以直接將基模型移植到新對象上，根據擬合效果在線調整模型係數實現實時血糖預測，大大簡化了建模工作量和複雜度，將極大地降低建模花費；且預測模型採用基於潛變量建模的方法，外源輸入經過平滑處理，提高了預測精度。本發明易於實施，為血糖預測建模方法的研究指明了新的方向。
【專利附圖】
【附圖說明】[0025]圖1是本發明所述的通用血糖預測模型建模流程圖。
[0026]圖2是採用相同條件下的訓練數據和測試數據時LS方法的預測結果圖(分析對象為兒童組第十人的血糖信號);
[0027]圖3是採用相同條件下的訓練數據和測試數據時LV方法的預測結果圖(分析對象為兒童組第十人的血糖信號);
[0028]圖4是採用不同條件下的訓練數據和測試數據時LS方法的預測結果圖(分析對象為兒童組第十人的血糖信號);
[0029]圖5是採用不同條件下的訓練數據和測試數據時LV方法的預測結果圖(分析對象為兒童組第十人的血糖信號);
[0030]圖6是只調節胰島素前係數，步長分別為1，0.1, 0.01, 0.001對13個訓練數據三
組對象的擬合精度比較圖；
[0031]圖7是只調節飲食前係數，步長分別為1，0.1, 0.01, 0.001對13個訓練數據三組
對象的擬合精度比較圖。
[0032]圖8是模型移植訓練數據個數分別為13、30、50時對一天數據預測結果比較圖(分析對象為青少年組第一人的血糖信號)。
[0033]圖9是50個訓練數據時基於LV直接建模和模型移植的預測結果比較圖(分析對象為青少年組第一人的血糖信號)。
【具體實施方式】
[0034]如圖1所示，本發明基於數據建模和模型移植的通用血糖預測方法，該方法包括以下步驟:
[0035]步驟1:建模信號預處理
[0036]針對以一定採樣周期At獲得的個體皮下血糖信號、輸注該個體的胰島素信號、該個體攝入的飲食信號(這裡At=5min)，將其分別組合成一維時序數據Gkxl、Ikxl、Mkxl，其中，G、1、M分別是血糖信號、胰島素信號和飲食信號的測量值，k為以採樣周期At獲得的採樣個數，去除其中的尖峰噪聲。本實例中，我們共有來自於三組對象的採樣信號，第I組為青少年組，第2組為成人組，第3組為兒童組，每組10人，三組共30人。每個對象的採樣信號包括四天的數據。
[0037]步驟2:獲取預測變量矩陣和響應矩陣
[0038]該步主要用於將步驟I中採集的信號進行整合排列，得到訓練數據輸入輸出矩陣，測試數據輸入矩陣。預測區間記為ph，血糖信號和兩外源輸入信號預測變量的長度分別記為?。、ιχ> ιΜ，則二維預測變量矩陣表示為X,,、=[(--4;5/,<風唚]，其中，二維預測變量矩陣行數n=k-ph-l+l，k為以採樣周期At獲得的採樣個數，Ph為預測區間，l=max{lG, l^d-1, lM+d_l}，而d是兩外源輸入信號樣本輸入的延遲，二維預測變量矩陣列數Jx=Ig+Ii+Imo 一維響應矩陣表示為 Ynxi= [G1+Ph，G1+Ph+1, GJt0
[0039]具體步驟為用一個長度為ph+le個採樣點的一維滑動窗口滑過一維時序血糖信號數據Gkxi，每次移動 一個採樣點，共移動η次。將每次滑動窗口中的數據作為一個新的行向量，則可以組合為一個二維數據矩陣，截取該矩陣的前IG列，則為C ;，截取該矩陣的最後一列則為Υη>α。分別用一個長度為I1和Im個米樣點的一維滑動窗口從第l(；-d個米樣點滑過一維時序胰島素信號數據Ikxi和一維時序飲食信號數據Mkxi，每次移動一個採樣點，共移動η次。分別將每次滑動窗口中的數據作為一個新的行向量，則組合為/,?
[0040]對個體模型的研究表明，當有7-8個歷史血糖樣本，1-2個外源輸入樣本，以及5-6個輸入樣本的延遲會獲得比較好的預測模型。下面我們針對7個歷史血糖樣本，即1g=7 ;胰島素和飲食輸入均為I階，即Ii=Im=I ；5個輸入樣本延遲，即d=5進行研究。這樣l=max{7, 1+5-1，1+5-1} =7, jx=7+l+l=9。一般預測區間ph=6,即預測30分鐘後的血糖值,這對未來血糖預測較為有意義，可以保證一定的預測精度和可靠性。
[0041]所以用一個長度為13個採樣點的一維滑動窗口滑過Gkxi，每次移動一個採樣點，共移動k-12次。將每次滑動窗口中的數據作為一個新的行向量，則可以組合為一個二維數據矩陣，截取該矩陣的前7列，則為G(k_12)X7，截取該矩陣的最後一列則為Y(k_12)xl。分別用一個長度為I和I個採樣點的一維滑動窗口從第2個採樣點開始滑過Ikxi和Mkxi，每次移動一個採樣點，共移動k-12次。分別將每次滑動窗口中的數據作為一個新的行向量，則組合
為 I (k-12) X I 和 M(k-12) X I。
[0042]步驟3:基於LV的血糖預測建模:
[0043]預測模型建立有兩種方法，一種是現有的基於LS (least square，最小二乘)的方法，另一種是基於LV (latent variable,潛變量)的建模方法。具體步驟如下:
[0044](3.1)根據血糖信號和兩外源輸入信號組成步驟2所述的預測變量矩陣和響應矩陣。
[0045]每個對象採樣信號的前三天的數據用於每個對象ARX模型訓練，稱為訓練數據，最後一天的數據用於每個對象A`RX模型性能的測試，稱為測試數據。則此時訓練數據有864個，測試數據有288個。則此時步驟2中訓練數據的k=864，測試數據的k=288。
[0046](3.2)如果通過基於LS的方法進行血糖預測建模，則根據血糖信號和兩外源輸入信號採用LS方法建立ARX預測模型:
[0047]Ys = XQ +F = Ys+F.,(I)
[0048]其中，Ys為血糖真實值，X為用步驟2獲取的預測變量矩陣，Θ為回歸係數，F為模型誤差，Fi為用LS方法獲得的血糖預測值。
[0049]如果通過基於LV的方法進行血糖預測建模，根據血糖信號和兩外源輸入信號採用LV方法建立ARX預測模型:
[0050]基於LV 的 ARX 預測模型米用 PLS-CCA (partial least square-canonicalcorrelation analysis,偏最小二乘-典型相關性分析)的特徵提取方法進行建模。先用PLS提取初步潛變量組，由於PLS方法提取的潛變量LVs不能保證其與響應變量的密切相關關係，再用CCA對其進行後處理，從而提取其中與相應變量密切相關的部分進行回歸建模與預測。步驟如下:
[0051 ] (3.2.1)外源輸入平滑處理
[0052]為提高預測的精度，分別使用如下兩式對胰島素和飲食兩外源輸入進行平滑處理:
[0053]H, =...........................r---.....................................1(2)
1?50s2+55i + l
【權利要求】
1.一種基於數據建模和模型移植的通用血糖預測方法，其特徵在於，該方法包括以下步驟: 步驟1:建模信號預處理:將以一定採樣周期At獲得的個體皮下血糖信號、輸注該個體的胰島素信號、該個體攝入的飲食信號分別組合成一維時序數據Gkxl、Ikxl、Mkxl，其中，G、1、M分別是血糖信號、胰島素信號和飲食信號的測量值，k為以採樣周期At獲得的採樣個數；去除血糖信號、胰島素信號和飲食信號中的尖峰噪聲。 步驟2:獲取預測變量矩陣和響應矩陣:預測區間記為ph，血糖信號和兩外源輸入信號預測變量的長度分別記為le、lx> 1Μ，則二維預測變量矩陣表示為HGfrxkJmttiMlmlJ,其中，二維預測變量矩陣行數n=k-ph-l+l，k為以採樣周期At獲得的採樣個數，ph為預測區間，l=max{le，^+d-l, lM+d_l}，而d是兩外源輸入信號樣本輸入的延遲,二維預測變量矩陣列數?+W —維響應矩陣表示為Ynxi= [G1+Ph，G1+Ph+1, GJt0 步驟3:基於LV的血糖預測建模:通過基於LV的方法進行血糖預測建模。 步驟4:選取基模型進行模型移植:根據步驟3的預測效果，採用LV方法進行模型移植，該步驟通過以下子步驟來實現: (4.1)確定模型移植的基模型:先從實際角度考慮選取LV方法中胰島素前的係數識別為負值，飲食前的係數識別為正值的對象的模型係數，再從預測精度考慮，選取預測RMSE最小的對象的模型係數作為基模型。 (4.2)確定模型移植調節方向判斷依據:根據預測值和真實測量值均值、波峰或波谷判斷二者的相對大小。 (4.3)確定模型移植的調節步長:權衡步長減小帶來的調節時間增長和精度提高之間的矛盾，確定模型移植的調節步長。 (4.4)確定模型移植的調節策略:對比先調節胰島素前係數，再調節飲食前係數和先調節飲食前係數，再調節胰島素前係數的擬合效果，確定調節策略為先調節胰島素前係數，再調節飲食前係數。 步驟5:根據步驟4確定的基模型、步長和調節策略對任意個體的未來血糖值進行預測。該步驟通過以下子步驟來實現:
(5.1)在線預測時，在採集到任意個體新數據 Gnewk X 1、I newk X 1、^newk X I後(下標new代表新樣本，一般數據量較缺乏)，對新數據按步驟2所述的預測變量矩陣排列得到測試數據輸入^巨夏'hm.nx j' ° (5.2)調用基模型進行在線修正預測: (5.2.1)調用基模型進行模型移植: 對於每個新的測試數據^ ?由以下步驟計算直接移植基模型後對測試數據的預測?丨.值r:? =(O 其中，Xnrat為對新數據按步驟2所述的步驟獲得的預測變量矩陣，σ是PLS-CCA方法求出的基模型的回歸係數向量。 (5.2.2)根據預測值和測試數據的誤差不斷在線修正兩外源輸入係數，直到擬合RMSE最小，得到修正後的模型係數O '，由以下步驟計算移植基模型在線修正後獲得Ph個採樣點後的預測值1: ^ -(D JL V 一* \β n\ J 其中I為該個體採集的任意數據按步驟2所述的預測變量矩陣排列後的矩陣或向量，σ/為修正後的回歸係數向量。
2.根據權利要求1所述的基於數據建模和模型移植的通用血糖預測方法，，其特徵在於，所述步驟2具體為:用一個長度為ph+le個採樣點的一維滑動窗口滑過一維時序血糖信號數據Gkxi，每次移動一個採樣點，共移動η次。將每次滑動窗口中的數據作為一個新的行向量，則可以組合為一個二維數據矩陣，截取該矩陣的前Ie列，則為，截取該矩陣的最後一列則為ΥηΧ1。分別用一個長度為I1和Im個米樣點的一維滑動窗口從第l(；-d個米樣點滑過一維時序胰島素信號數據Ikxi和一維時序飲食信號數據Mkxi，每次移動一個採樣點，共移動η次。分別將每次滑動窗口中的數據作為一個新的行向量，則組合為和M,,./u.
3.根據權利要求1所述基於數據建模和模型移植的通用血糖預測方法，其特徵在於，所述步驟3基於LV的血糖預測建模；具體步驟如下: (3.1)根據血糖信號和兩外源輸入信號組成步驟2所述的預測變量矩陣和響應矩陣。 (3.2)根據血糖信號和兩外源輸入信號採用LV方法建立ARX預測模型:基於LV的ARX預測模型採用PLS-CCA的特徵提取方法進行建模。先用PLS提取初步潛變量組，由於PLS方法提取的潛變量LVs不能保證其與響應變量的密切相關關係，再用CCA對其進行後處理，從而提取其中與相應變量密切相關的部 分進行回歸建模與預測。步驟如下: (3.2.1)外源輸入平滑處理 為提高預測的精度，分別使用如下兩式對胰島素和飲食兩外源輸入進行平滑處理:
I Y Yij/*\ Λ.Λ %a9\ J1 1750/+55s+1 H1 =-^;(4)
2450s2+55s +1 其中H1表示外源胰島素輸入平滑處理使用的傳遞函數，H2表示外源飲食輸入平滑處理使用的傳遞函數。 (3.2.2)數據預處理 將所有個體的預測變量矩陣和響應矩陣組合到一起，針對組合後的預測變量矩陣和響應矩陣內任意一點的變量xu，對該變量進行減均值、除以標準差的全局標準化處理，標準化處理的計算公式如下:............-* ,χ(5)
c 』 其中:i是組合後的矩陣任一列的均值，Sj是相應列的標準差。其計算公式如下:
I —U
X ? —- / Λ；
M ft ;[μ一....Sj =j - Xj f IM %(6) 其中:M是組合後任一列樣本的總量。 (3.2.3)利用PLS提取潛變量組T:
T = XR ,；(7)
Jf = U.H ； 其中，T是由多個PLS潛變量構成的潛變量矩陣，X為用步驟2獲取的預測變量矩陣，R是PLS方法的係數矩陣，W是由PLS求出的權重矩陣，P是對應於T的負載矩陣。 (3.2.4)利用CCA對PLS潛變量進行後處理，得到最終潛變量U: U=TV ；(8) 其中，V是對應於潛變量矩陣T的權重向量。因響應矩陣Y是單變量輸出響應，由於CCA方法本身的特點，故最終只需提取一個潛變量。 (3.2.5)建立ARX模型: 用最小二乘法求取潛變量與響應變量間的回歸係數q: Q=(UtU)-1UtY;(9) 故最終基於LV方法建立的ARX模型為:^ = (10)
O=RVq 其中，O是通過PLS與CCA兩種方法結合獲得的預測模型回歸係數，fv為基於LV方法獲得的血糖預測值。 (3.3)衡量預測精度:將獲得的血糖預測結果與實際測量值進行對比。在獲得一系列新的預測信號後，可以根據下式中定義的RMSE (均方根誤差)性能指標計算針對新樣本的血糖預測精度: RMSE = ^Σ(J7(O W) ；(11) 其中，y(i)表示原始的血糖測量值，表示採用不同方法獲得的血糖預測結果，N為樣本數。
【文檔編號】G06F19/00GK103605878SQ201310362553
【公開日】2014年2月26日 申請日期:2013年8月19日 優先權日:2013年8月19日
【發明者】趙春暉, 喻成俠, 李文卿 申請人:浙江大學