一种基于深度学习的七点血糖预测模型构建方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的七点血糖预测模型构建方法及装置，所述方法包括：采集若干名病患状态特征数据；对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；对处理后的数据进行划分，按照比例将数据分为训练集和验证集；构建七点血糖预测的神经网络模型；通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型；将选取的最终模型作为七点血糖预测模型用于预测。本发明专利技术基于深度学习的七点血糖预测模型构建方法，能通过历史血糖变化进行未来七点血糖预测，为临床指导提供参考。为临床指导提供参考。为临床指导提供参考。

【技术实现步骤摘要】
一种基于深度学习的七点血糖预测模型构建方法及装置


[0001]本专利技术涉及七点血糖预测
，具体地，涉及一种基于深度学习的七点血糖预测模型构建方法及装置。

技术介绍

[0002]既往基于点血糖的血糖预测模型大多通过输入患者血糖及部分病史特征、运动及饮食情况，使用诸如自回归模型、多项式模型、隐变量模型以及机器学习等方法构建短时间内的血糖预测，常存在预测时间较短、训练人群与真实世界存在差异等缺陷。此外，现有的血糖预测模型多用于1型糖尿病患者、ICU或者门诊患者，在住院的2型糖尿病患者中的研究还较少，只能进行短时血糖数值预测，还无法做到预测患者长时间血糖水平。

技术实现思路

[0003]针对现有技术中的缺陷，本专利技术的目的在于提供一种基于深度学习的七点血糖预测模型构建方法及装置，能通过以往血糖变化进行血糖数值范围预测预警，准确、科学，为临床用药指导提供参考和预警。
[0004]为解决上述问题，本专利技术的技术方案为：
[0005]一种基于深度学习的七点血糖预测模型构建方法，包括以下步骤：
[0006]采集若干名病患状态特征数据；
[0007]对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；
[0008]对处理后的数据进行划分，按照比例将数据分为训练集和验证集；
[0009]构建七点血糖预测的神经网络模型；
[0010]通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型；
[0011]将选取的最终模型作为七点血糖预测模型用于预测。
[0012]优选地，所述采集若干名病患状态特征数据的步骤具体包括：通过医院信息系统获取病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据以及通过指尖血糖采集获取七点血糖记录的时序数据。
[0013]优选地，所述对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理的步骤具体包括：
[0014]从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入，通过固定的缺失编码和平均编码对缺失的特征进行填充，并通过深度学习模型中的编码器编码得到病患的非时序信息特征编码；
[0015]对胰岛素注射记录与口服药物记录时间进行离散化处理，处理间隔为1小时；
[0016]对连续血糖记录的时序数据进行切片处理，切片长度为24小时。
[0017]优选地，所述对处理后的数据进行划分，按照比例将数据分为训练集和验证集的步骤中，按照0.7:0.3的比例将数据分为训练集和验证集。
[0018]优选地，所述构建七点血糖预测的神经网络模型的步骤具体包括：
[0019]构建多层全连接层组成的非时序编码器，对非时序信息进行编码得到对应的高维特征表示；
[0020]构建编码层对离散类的时序数据转换至连续特征，在时间维度上与七点血糖值进行拼接，通过LSTM层和Transformer层分别处理得到对应高维特征表达；
[0021]将LSTM层和Transformer层处理结果拼接融合，得到状态向量；
[0022]构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
[0023]优选地，所述构建编码层对离散类的时序数据进行转换至连续特征的步骤具体包括：
[0024]采用编码层将类别信息转换至连续特征；
[0025]将用量信息与编码后的类别信息在时间维度上拼接，同时在时间维度上与七点血糖值进行拼接。
[0026]优选地，所述通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型的步骤中，对模型进行训练，使用Adam优化器，设定学习率，学习率为七点调整，调整范围为0.01至0.001，训练次数为400次，并根据验证集最优的原则选取最终的模型。
[0027]进一步地，本专利技术还提供一种基于深度学习的七点血糖预测模型构建装置，所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器，所述处理器配置为经由执行所述可执行指令来执行如上所述的基于深度学习的七点血糖预测模型构建方法。
[0028]与现有技术相比，本专利技术基于深度学习的七点血糖预测模型构建方法通过指尖血糖仪采取患者七点血糖，配合病患基本信息及化验检验信息，构建七点血糖预测的神经网络模型，进行训练，再通过深度学习的神经网络模型进行预测，可预测糖尿病患者接下来一整天的血糖变化趋势，为临床用药指导提供参考和预警。
附图说明
[0029]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0030]图1为本专利技术实施例提供的基于深度学习的七点血糖预测模型构建方法流程框图；
[0031]图2为本专利技术实施例提供的神经网络模型的内部数据处理结构示意图。
具体实施方式
[0032]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，将使本专利技术的技术方案及其有益效果显而易见。
[0033]具体地，图1为本专利技术实施例提供的基于深度学习的七点血糖预测模型构建方法流程框图，如图1所示，所述方法包括以下步骤：
[0034]S1：采集若干名病患状态特征数据；
[0035]具体地，采集若干名病患状态特征数据，包括有通过医院信息系统(Hospital Information System，HIS)获取的病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据，还包括有通过指尖血糖采集获取的七点血糖记录的时
序数据，所述七点血糖记录的时序数据包括早餐前、早餐后、午餐前、午餐后、晚餐前、晚餐后、睡前的血糖数据。
[0036]利用医院收集的7372名住院病人的病史、化验检验、胰岛素注射记录、口服药物记录、七点血糖记录作为模型输入数据。其中病人的病史作为基本信息在入院时由医生录入，为非时序信息；化验检验通常在病人住院期间的前1～2天完成，同样是非时序信息。胰岛素注射记录和口服药物记录是时序信息，它们包括具体使用时间(精确到分钟)和使用剂量。
[0037]S2：对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；
[0038]具体地，采集的数据中，胰岛素记录较为稀疏，不同品牌的胰岛素在注射记录在时序信息出现次数不均匀，有的胰岛素出现次数很少，直接学习会造成深度学习模型有不平衡的问题。为此我们对胰岛素做了一些处理，在网络中融入了胰岛素的分类信息(预混胰岛素、短效胰岛素和基础胰岛素)、起效时间、峰值时间、持续时间、注射值。
[0039]经过筛选与糖尿病相关的信息，从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入，但并不是每一位病人都做了详尽的检查，会造成了非时序信息的缺失。对于缺失的特征，通过使用固定的缺失编码和平均编码对缺失的特征进行填充，并通过深度学习模型中的编码器编码，得到病患的非时序信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的七点血糖预测模型构建方法，其特征在于，所述方法包括以下步骤：采集若干名病患状态特征数据；对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理；对处理后的数据进行划分，按照比例将数据分为训练集和验证集；构建七点血糖预测的神经网络模型；通过训练集数据对模型进行训练，并根据验证集最优的原则选取最终模型；将选取的最终模型作为七点血糖预测模型用于预测。2.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法，其特征在于，所述采集若干名病患状态特征数据的步骤具体包括：通过医院信息系统获取病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据以及通过指尖血糖采集获取七点血糖记录的时序数据。3.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法，其特征在于，所述对采集的数据进行处理，对非时序数据进行缺失填充，对时序数据进行数据切片处理的步骤具体包括：从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入，通过固定的缺失编码和平均编码对缺失的特征进行填充，并通过深度学习模型中的编码器编码得到病患的非时序信息特征编码；对胰岛素注射记录与口服药物记录时间进行离散化处理，处理间隔为1小时；对连续血糖记录的时序数据进行切片处理，切片长度为24小时。4.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法，其特征在于，所述对处理后的数据进行划分，按照比例将数据分为训练集和验证集的步骤中，按照0.7:0.3的比例将数据分为训练集和验证集。5....

【专利技术属性】
技术研发人员：李彪，何昊伟，范玉娟，应真，李小英，袁洋，
申请(专利权)人：上海期智研究院，
类型：发明
国别省市：