血糖预测模型的训练方法、装置、终端及存储介质制造方法及图纸

本发明专利技术实施例公开了一种血糖预测模型的训练方法、装置、终端及存储介质，该方法包括：获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组；将目标考数据组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练，得到目标血糖预测数据；其中，初始血糖预测模型包括聚类层、分簇变换层和GRU。本发明专利技术的技术方案，通过聚类层对历史血糖检测数据进行聚类，生成聚类簇；通过分簇变换层分别对各组历史血糖检测数据进行变换；将变换后的各组历史血糖检测数据输入至GRU中，对线性变化参数和GRU参数进行更新训练,能够解决预测精度不够高以及预测鲁棒性较低等技术问题，实现血糖数据的准确预测。

Training Method, Device, Terminal and Storage Medium of Blood Glucose Prediction Model

The embodiment of the present invention discloses a training method, device, terminal and storage medium of a blood glucose prediction model, which includes: acquiring at least two sets of historical blood glucose detection data corresponding to each collection time point as a target training group; inputting each historical blood glucose detection data of the target test data group into the pre-established initial blood glucose prediction model for parameter updating training. The target blood glucose prediction data are obtained, and the initial blood glucose prediction model includes clustering layer, clustering transformation layer and GRU. The technical scheme of the present invention includes clustering historical blood sugar detection data by clustering layer to generate clustering clusters, transforming each group of historical blood sugar detection data by clustering transformation layer, inputting the transformed historical blood sugar detection data into GRU, updating and training the linear change parameters and GRU parameters, which can solve the problem of insufficient prediction accuracy and better prediction robustness. Low-level technical issues to achieve accurate prediction of blood sugar data.

【技术实现步骤摘要】
血糖预测模型的训练方法、装置、终端及存储介质
本专利技术实施例涉及计算机应用
，尤其涉及一种血糖预测模型的训练方法、装置、终端及存储介质。
技术介绍
作为一种严重危害人类健康的慢性非传染病性疾病，长期的糖尿病可能会带来一系列的并发症，如心肌梗塞、肾衰竭、糖尿病眼以及糖尿病足等。因此，及时预测血糖数据，有效控制血糖波动成为糖尿病管理与控制的主要任务。目前针对血糖预测主要有两种方法：一种是基于生理模型的方法，该方法精度相对较高，然而，该方法需要基于大量的生理学知识，并且人体生理学参数非常复杂且不易确定；另一种是完全基于历史血糖数据的预测方法。本专利技术采用后者，即数据驱动方法。虽然很多基于历史数据的血糖预测方法已经被提出，比如：自回归移动平均方法(AutoregressiveIntegratedMovingAveragemethod，ARIMA)以及支持向量回归(SupportVectorRegression，SVR)等，虽然取得了一定的效果，但仍存在预测精度不够高，预测鲁棒性较低等问题。
技术实现思路
本专利技术实施例提供了一种血糖预测模型的训练方法、装置、终端及存储介质，以解决预测精度不够高以及预测鲁棒性较低等技术问题，实现血糖数据的准确预测。第一方面，本专利技术实施例提供了一种血糖预测模型的训练方法，该方法包括：获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组，其中，每个所述目标训练组包括与至少两个采集时间对应的历史血糖检测数据；将所述目标训练组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练，得到目标血糖预测模型；其中，所述将所述目标考数据组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练包括：通过所述初始血糖预测模型的聚类层对所述至少两个目标训练组中的历史血糖检测数据进行聚类，生成至少一个聚类簇；通过所述初始血糖预测模型的分簇变换层基于与各个所述聚类簇对应的线性和非线性变换函数分别对各个所述聚类簇中的各组历史血糖检测数据进行变换，其中，各聚类簇对应的线性变换函数的变换参数均不相同；将各个聚类簇中的变换后的各组历史血糖检测数据输入至所述初始血糖预测模型的门控循环单元GRU中，对初始血糖预测模型中的线性变化参数和GRU参数进行更新训练。第二方面，本专利技术实施例还提供一种血糖预测模型的训练装置，该装置包括：训练数据获取模块，用于获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组，其中，每个所述目标训练组包括与至少两个采集时间对应的历史血糖检测数据；模型训练模块，用于将所述目标训练组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练，得到目标血糖预测模型；其中，模型训练模块用于：通过所述初始血糖预测模型的聚类层对所述至少两个目标训练组中的历史血糖检测数据进行聚类，生成至少一个聚类簇；通过所述初始血糖预测模型的分簇变换层基于与各个所述聚类簇对应的线性和非线性变换函数分别对各个所述聚类簇中的各组历史血糖检测数据进行变换，其中，各聚类簇对应的线性和非线性变换函数的线性变换参数均不相同；将各个聚类簇中的变换后的各组历史血糖检测数据输入至所述初始血糖预测模型的门控循环单元GRU中，对初始血糖预测模型中的线性变化参数和GRU参数进行更新训练。第三方面，本专利技术实施例还提供了一种终端，所述终端包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术中任一实施例所提供的血糖预测模型的训练方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术中任一实施例所述的血糖预测模型的训练方法。本专利技术实施例的技术方案，通过将各个目标训练组历史血糖检测数据进行聚类生成聚类簇，能够有效将具有群体相似性的血糖数据进行分类，进而采用不相同的线性和非线性变换函数的线性变换参数对各个所述聚类簇中的各组历史血糖检测数据进行变换，即能够针对各组历史血糖检测数据分别选取适合该组历史血糖检测数据需求的线性和非线性变换参数，能够更好地捕获数据变化特性，同时增加模型预测能力，最后将各个聚类簇中的变换后的各组历史血糖检测数据输入门控循环单元GRU中，进行参数更新训练，相对于现有技术中针对ARIMA模型、SVR模型进行训练，得到的血糖预测模型，解决了现有技术方案预测精度不够高以及预测鲁棒性较低等技术问题，能够预测更长时间的数据，而且具有预测数据更高的精度。附图说明为了更加清楚地说明本专利技术示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。图1A是本专利技术实施例一所提供的一种血糖预测模型的训练方法的流程图；图1B是本专利技术实施例一所提供的一种血糖预测模型中各层具体训练方法的流程图；图1C是本专利技术实施例一所提供的一种基于卡尔曼滤波方法滤波前后血糖序列的示意图；图1D是本专利技术实施例一所提供的一种血糖预测模型的训练方法优选实例的流程图；图1E是本专利技术实施例一所提供的I型、Ⅱ型糖尿病患者30分钟预测结果对比图；图1F是本专利技术实施例一所提供的I型、Ⅱ型糖尿病患者45分钟预测结果对比图；图1G是本专利技术实施例一所提供的I型、Ⅱ型糖尿病患者60分钟预测结果对比图；图2是本专利技术实施例二所提供的一种血糖预测模型的训练装置的结构图；图3是本专利技术实施例三所提供的一种终端的结构示意图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1A为本专利技术实施例一所提供的一种血糖预测模型的训练方法的流程图，本实施例可适用于基于现有的血糖检测数据对未来一段时间内的血糖数据进行预测的情况，该方法可以由血糖预测模型的训练装置来执行，该装置可以通过软件和/或硬件的方式来实现，并且一般可独立配置于终端或服务器中实现本实施例的方法。如图1A所示，本实施例的方法具体包括：S110、获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组。其中，每个所述目标训练组包括与至少两个采集时间对应的历史血糖检测数据。可选地，所述至少两组历史血糖检测数据中各组的历史血糖检测数据的数量可以相同。可以理解是，模型训练往往是需要依赖大量数据的数学分析方法，因此。每个所述目标训练组包括的历史血糖检测数据的数量越多，对训练得到的血糖预测模型的精准度的提升越大。可选地，可采用连续血糖监测(C本文档来自技高网...

【技术保护点】
1.一种血糖预测模型的训练方法，其特征在于，包括：获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组，其中，每个所述目标训练组包括与至少两个采集时间对应的历史血糖检测数据；将所述目标训练组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练，得到目标血糖预测模型；其中，所述将所述目标考数据组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练包括：通过所述初始血糖预测模型的聚类层对所述至少两个目标训练组中的历史血糖检测数据进行聚类，生成至少一个聚类簇；通过所述初始血糖预测模型的分簇变换层基于与各个所述聚类簇对应的线性和非线性变换函数分别对各个所述聚类簇中的各组历史血糖检测数据进行变换，其中，各聚类簇对应的线性和非线性变换函数的线性变换参数均不相同；将各个聚类簇中的变换后的各组历史血糖检测数据输入至所述初始血糖预测模型的门控循环单元GRU中，对初始血糖预测模型中的线性变化参数和GRU参数进行更新训练。

【技术特征摘要】
1.一种血糖预测模型的训练方法，其特征在于，包括：获取与各个采集时间点对应的至少两组历史血糖检测数据作为目标训练组，其中，每个所述目标训练组包括与至少两个采集时间对应的历史血糖检测数据；将所述目标训练组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练，得到目标血糖预测模型；其中，所述将所述目标考数据组中的各历史血糖检测数据输入至预先建立的初始血糖预测模型中进行参数更新训练包括：通过所述初始血糖预测模型的聚类层对所述至少两个目标训练组中的历史血糖检测数据进行聚类，生成至少一个聚类簇；通过所述初始血糖预测模型的分簇变换层基于与各个所述聚类簇对应的线性和非线性变换函数分别对各个所述聚类簇中的各组历史血糖检测数据进行变换，其中，各聚类簇对应的线性和非线性变换函数的线性变换参数均不相同；将各个聚类簇中的变换后的各组历史血糖检测数据输入至所述初始血糖预测模型的门控循环单元GRU中，对初始血糖预测模型中的线性变化参数和GRU参数进行更新训练。2.根据权利要求1所述的方法，其特征在于，所述对所述至少两个目标训练组中的历史血糖检测数据进行聚类，生成至少一个聚类簇，包括：获取所述至少两组历史血糖检测数据中的每组血糖检测数据作为均作为一个目标数据组，并将每个目标数据组中历史血糖检测数据进行差分处理生成与各个目标数据组对应的差分数据组；将各个所述差分数据组分别变换为各个符号函数，将各个所述符号函数的输出序列作为特征，输入至基于距离的聚类算法中进行聚类，并根据聚类结果以及与所述符号函数对应的各目标数据组，生成至少一个聚类簇。3.根据权利要求2所述的方法，其特征在于，所述将每个目标数据组中的历史血糖检测数据进行差分处理生成与各个目标数据组对应的差分数据组，包括：获取目标数据组中相邻两个历史血糖检测数据作为差分数据对，将所述差分数据对中第二采集时间对应的历史血糖检测数据减去第一采集时间对应的历史血糖检测数据的差值作为目标元素，其中，第一采集时间早于第二采集时间；计算出目标数据组中各个差分数据对所对应的目标元素，并根据所述目标数据组中各差分数据对中的历史血糖检测数据的采集顺序确定各目标元素的目标排列顺序，基于所述目标排列顺序和各所述目标元素生成差分数据组。4.根据权利要求1所述的方法，其特征在于，所述线性和非线性变换函数包括：x＝tanh(wnx)其中，n为聚类簇的标识信息，wn为线性变换参数，tanh为激活函数。5.根据权利要求1所述的方法，其特征在于，在所述将所述目...

【专利技术属性】
技术研发人员：董宇涵，文瑞，李征，于东方，
申请(专利权)人：清华伯克利深圳学院筹备办公室，深圳市光聚通讯技术开发有限公司，
类型：发明
国别省市：广东,44