基于多模型融合的连续血糖监测传感器在线故障检测方法技术

本发明专利技术涉及一种基于多模型融合的连续血糖监测传感器在线故障检测方法，包括如下步骤：S1、获取在线CGM监测信号数据；S2、将获取的在线CGM监测信号数据输入多模型融合算法模型中，获取在线预测误差；S3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；S4、将计算获得的在线时刻的熵值Ji1、Ji2分别与当前时刻的阈值Tkl1、Tkl2比较；若当前时刻的熵值Ji1、Ji2不全大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作正常；若当前时刻的熵值Ji1、Ji2均大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作异常。本发明专利技术提供的检测方法具有检测精度高的优点。

On-line fault detection method for continuous blood glucose monitoring sensor based on Multi-model fusion

The invention relates to an on-line fault detection method for continuous blood glucose monitoring sensor based on multi-model fusion, which includes the following steps: S1, acquiring on-line CGM monitoring signal data; S2, inputting the acquired on-line CGM monitoring signal data into the multi-model fusion algorithm model to obtain on-line prediction error; S3, combining the acquired on-line prediction error with the historical prediction error to obtain in-line prediction error. Line time's entropy value; S4. Compare the calculated online time's entropy value Ji1 and Ji2 with the current time's threshold Tkl1 and Tkl2 respectively; If the current time's entropy value Ji1 and Ji2 are not all greater than the current time's threshold Tkl1 and Tkl2, then judge the current blood sugar monitoring sensor works normally; If the current time's entropy value Ji1 and Ji2 are greater than the current time's threshold Tkl1 and Tkl2, then judge the current time's entropy value Ji1 and Ji2. The blood sugar monitoring sensor works abnormally. The detection method provided by the invention has the advantages of high detection accuracy.

【技术实现步骤摘要】
基于多模型融合的连续血糖监测传感器在线故障检测方法
本专利技术属于血糖监测
，尤其涉及一种基于多模型融合的连续血糖监测传感器在线故障检测方法。
技术介绍
人工胰腺(AP)系统为1型糖尿病(T1D)患者提供血糖浓度(BGC)的自动调节，它主要由三个部分组成：连续血糖监测(CGM)传感器，基于CGM信号计算胰岛素输注速率的控制器，以及将控制器计算的胰岛素量传递给患者的胰岛素泵。患有T1D的病人通过对血糖进行连续监测，可以更加全面地了解血糖的波动情况，从而更好地实现对血糖的控制。然而，在实际生活中连续血糖监测传感器的测量结果受多种因素的影响，而造成测量结果不准确，人工胰腺控制系统根据错误的测量值输注错误数量的胰岛素，最终会引发患者发生高低血糖现象，严重时甚至危及生命。目前一些方法已经被提出用于检测连续血糖监测传感器的不正确测量，这些方法主要分为两类，一类是基于模型的方法，它不需要大量的历史数据，仅通过对血糖数据建立模型并将模型的预测值与测量值进行比较来判断系统是否发生了故障；而另一类是基于数据驱动的方法，该方法强烈依赖于数据集的大小和性能，需要大量的历史数据，并根据统计分析来计算它们的置信限，此类方法的代表为PCA方法。目前常用的建模方法有自回归滑动平均法、支持向量机(SVM)、卡尔曼滤波(KF)、高斯混合模型(GMM)、递归最小二乘(RLS)、基于核滤波算法的模型等，这类方法大多假设数据满足高斯分布且仅考虑当前时刻误差信息带来的影响，不能有效地区分血糖数据的快速变化和传感器信号的异常，此外上述所提到的这些方法大多采用恒定的阈值，然而血糖数据是动态变化的，恒定的阈值会导致检测系统对一些缓慢变化的故障信号和一些小故障信号不敏感。
技术实现思路
(一)要解决的技术问题针对现有存在的技术问题，本专利技术提供一种基于多模型融合的连续血糖监测传感器在线故障检测方法解决了现有技术中检测结果准确率低等问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于多模型融合的连续血糖监测传感器在线故障检测方法，包括如下步骤：S1、获取在线CGM监测信号数据；S2、将获取的在线CGM监测信号数据输入多模型融合算法模型中，获取在线预测误差；S3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；S4、将计算获得的在线时刻的熵值Ji1、Ji2分别与当前时刻的阈值Tkl1、Tkl2比较；若当前时刻的熵值Ji1、Ji2不全大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作正常；若当前时刻的熵值Ji1、Ji2均大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作异常。优选地，在判断当前血糖监测传感器工作正常时，所述方法还包括：S40A1、二次检测；S40A2、返回步骤S1。优选地，在判断当前血糖监测传感器工作异常时，所述方法还包括：S40B1、返回步骤S1；S40B2、将当前的多模型融合算法模型的预测值代替步骤1中的监测信号数据。优选地，所述步骤S40A1还包括：A1、计算当前时刻的两个熵值Ji1和Ji2；A2、将两个熵值Ji1、Ji2分别与阈值Tkl1、Tkl2进行比较；若熵值Ji1和Ji2均超过阈值Tkl1、Tkl2；则判断当前血糖监测传感器工作异常，用模型的预测值代替测量值，并对当前时刻的模型预测误差进行重构；否则判断当前血糖监测传感器工作正常，利用测量值对模型的参数进行更新。优选地，所述步骤A2中判断当前血糖监测传感器工作异常后还包括如下步骤：B1、计算当前时刻的熵值J1和J2；B2、判断当前时刻的熵值J1和J2的值是否上升，若上升，则执行B3，否则执行B4；B3、判断上一时刻测量值是否为故障值，若否，则设定阈值为窗口内熵值的3δ置信区间，并存储当前时刻的熵值和上一时刻的熵值，否则更新存储当前时刻的熵值；B4、判断上一时刻测量值是否为故障值，若是，则设定阈值为最近时刻熵值下降时最大变化值的95％，否则阈值合理。优选地，所述步骤B1中计算当前时刻的熵值J1和J2还包括如下步骤：C1、获取当前时刻的多模型融合算法模型的模型预测误差；C2、获取历史时刻和最近时刻的模型预测误差；C3、分别计算历史时刻和最近时刻模型预测误差的均值和方差，作为p(x)和p1(x)分布的均值和方差；C4、分别计算包含当前时刻模型预测误差后的历史时刻和最近时刻模型预测误差的均值和方差，作为q(x)和q1(x)分布的均值和方差；C5、采用KL散度的计算公式，计算当前时刻的熵值J1和J2；优选地，所述步骤C5中的KL散度的计算公式为：其中，p(x)和q(x)是两个单变量正态分布，且满足p～N(μ0，σ0)和q～N(μ1，σ1)。优选地，所述多模型融合算法模型包括如下步骤：D1、获取连续血糖监测传感器测量到的血糖数据g(t)；D2、使用一个长度为L的滑动窗口对获取的数据进行重构，得到以下形式的输入矩阵和输出矩阵：Y(N*1)二[g(L+PH)g(L+1+PH)...g(K)]T(2)其中，x(i)＝[g(i)g(i+1)…g(i+L-1)]，N＝K-PH-L+1是用来预测的样本数，K是原始时间序列的样本数，PH表示超前预测的步数，i表示当前时刻；D3、使用SVM和RLS算法分别对重构后的数据进行建模，产生模型的预测值ySVM和yRLS；D4、计算各模型历史预测误差的均值；D5、判断各模型上一时刻的模型预测误差是否大于3，如果是，执行步骤D6，否则执行步骤D7；D6、比较两个模型预测误差meansvm和meanrls的大小，如果meansvm＜meanrls，则模型的最终预测值为Y＝ySVM，否则Y＝yRLS’，并结束；D7、根据各模型的预测误差，计算各模型的权重；D8、计算多模型融合后的模型预测值的表达式如下式：Y＝ySVM×wsvm+yRLS×wrls其中，wsvm+vrls＝1。优选地，所述步骤D4中计算各模型的历史预测误差的均值的计算公式如下所示：其中，errorsvm和errorrls分别为SVM和RLS模型的预测误差，n为模型预测误差的数量且满足i＞n；优选地，所述步骤D7中计算各模型权重的公式如下所示：其中，wsvm为SVM模型所占的权重；wrls为RLS模型所占的权重。(三)有益效果本专利技术的有益效果是：本专利技术提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法,依据采集的历史数据通过多模型融合方法产生当前时刻的模型预测值，并利用模型预测的历史误差对当前时刻的预测误差进行分析，同时考虑血糖数据的动态性，设计一种动态阈值更新策略，可有效区分血糖数据的快速变化和传感器信号的异常。此外，本专利技术可以对故障信号进行处理，可有效避免胰岛素泵根据错误的血糖数据信息注入错误数量的胰岛素，进而减小对患者生命安全造成的影响。多模型融合预测方法可以提高模型的预测能力，减小模型预测误差对结果产生的影响，考虑到血糖数据的动态性，本专利技术提出一种基于递归最小二乘和支持向量机的多模型融合预测方法用于提高模型的预测精度。其中，递归最小二乘方法收敛速度快，能够快速地跟随血糖数据的波动，而支持向量机方法则是通过内积核函数，将非线性数据映射到高维空间转化为线性数据进行处理，它能够较好的拟合非线性数据，但是在波动较大的极值本文档来自技高网...

【技术保护点】
1.一种基于多模型融合的连续血糖监测传感器在线故障检测方法，其特征在于，包括如下步骤：S1、获取在线CGM监测信号数据；S2、将获取的在线CGM监测信号数据输入多模型融合算法模型中，获取在线预测误差；S3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；S4、将计算获得的在线时刻的熵值Ji1、Ji2分别与当前时刻的阈值Tkl1、Tkl2比较；若当前时刻的熵值Ji1、Ji2不全大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作正常；若当前时刻的熵值Ji1、Ji2均大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作异常。

【技术特征摘要】
1.一种基于多模型融合的连续血糖监测传感器在线故障检测方法，其特征在于，包括如下步骤：S1、获取在线CGM监测信号数据；S2、将获取的在线CGM监测信号数据输入多模型融合算法模型中，获取在线预测误差；S3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；S4、将计算获得的在线时刻的熵值Ji1、Ji2分别与当前时刻的阈值Tkl1、Tkl2比较；若当前时刻的熵值Ji1、Ji2不全大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作正常；若当前时刻的熵值Ji1、Ji2均大于当前时刻的阈值Tkl1、Tkl2，则判断当前血糖监测传感器工作异常。2.根据权利要求1所述的检测方法，其特征在于，在判断当前血糖监测传感器工作正常时，所述方法还包括：S40A1、二次检测；S40A2、返回步骤S1。3.根据权利要求2所述的检测方法，其特征在于，在判断当前血糖监测传感器工作异常时，所述方法还包括：S40B1、返回步骤S1；S40B2、将当前的多模型融合算法模型的预测值代替步骤1中的监测信号数据。4.根据权利要求2所述的检测方法，其特征在于，所述步骤S40A1还包括：A1、计算当前时刻的两个熵值Ji1和Ji2；A2、将两个熵值Ji1、Ji2分别与阈值Tkl1、Tkl2进行比较；若熵值Ji1和Ji2均超过阈值Tkl1、Tkl2；则判断当前血糖监测传感器工作异常，用模型的预测值代替测量值，并对当前时刻的模型预测误差进行重构；否则判断当前血糖监测传感器工作正常，利用测量值对模型的参数进行更新。5.根据权利要求4所述的检测方法，其特征在于，所述步骤A2中判断当前血糖监测传感器工作异常后还包括如下步骤：B1、计算当前时刻的熵值J1和J2；B2、判断当前时刻的熵值J1和J2的值是否上升，若上升，则执行B3，否则执行B4；B3、判断上一时刻测量值是否为故障值，若否，则设定阈值为窗口内熵值的3δ置信区间，并存储当前时刻的熵值和上一时刻的熵值，否则更新存储当前时刻的熵值；B4、判断上一时刻测量值是否为故障值，若是，则设定阈值为最近时刻熵值下降时最大变化值的95％，否则阈值合理。6.根据权利要求5所述的检测方法，其特征在于，所述步骤B1中计算当前时刻的熵值J1和J2还包括如下步骤：C1、获取当前时刻的多模型融合算法模型...

【专利技术属性】
技术研发人员：于霞，崔悦，刘建昌，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21