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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。