【技术实现步骤摘要】
本说明书涉及血糖预测，尤其涉及一种基于多模态数据的血糖变化预测方法及设备。
技术介绍
1、糖尿病(diabetes mellitus,dm)是一种以慢性高血糖为主要特征的代谢性内分泌疾病,长期糖尿病状态容易引发如酮症酸中毒、高渗性昏迷等急性并发症，以及糖尿病足、心血管病变、视网膜病变等各种慢性并发症，严重者会导致失明、截肢、致残、致死等问题。
2、随着社会经济的高速发展、人们生活方式的改变以及人口老龄化进程的加速，糖尿病已逐渐成为威胁人类生命健康最严重的慢性非传染性疾病之一。不管是糖尿病治疗还是预防糖尿病及其并发症，做好糖尿病管理，将血糖控制在正常水平范围内具有至关重要的作用。在血糖变化预测的过程中，人为提取特征容易受到未知特征的影响和噪声影响，导致血糖变化的预测过程使用的特征不准确；此外，为了提高血糖预测范围的准确性，通常使用患者的多种模态下的数据进行预测，但是不同模态数据之间存在长时依赖性，进一步导致血糖预测不准确。综上可知，目前血糖范围的预测受到模态数据和提取特征的限制，导致预测范围的准确性无法满足需求。
技术实现思路
1、本说明书一个或多个实施例提供了一种基于多模态数据的血糖变化预测方法及设备，用于解决如下技术问题：目前血糖范围的预测受到模态数据和提取特征的限制，导致预测范围的准确性无法满足需求。
2、本说明书一个或多个实施例采用下述技术方案：
3、本说明书一个或多个实施例提供一种基于多模态数据的血糖变化预测方法，其特征在于，所述方法包括
4、进一步地，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：获取多模态样本数据和预先构建的堆栈降噪自编码器，以通过所述多模态样本数据对所述堆栈降噪自编码器进行训练，得到训练后的指定堆栈降噪自编码器；对所述多模态血糖数据进行预处理，得到预处理后的指定多模态血糖数据；将所述指定多模态血糖数据输入至所述指定堆栈降噪自编码器中进行特征提取，输出所述多模态血糖数据对应的特征向量集合。
5、进一步地，通过所述多模态样本数据对所述堆栈降噪自编码器进行训练，得到训练后的指定堆栈降噪自编码器，具体包括：对所述多模态样本数据进行预处理，以得到各个模态下的模态数据样本，其中，所述模态数据样本包括个性化信息数据样本、离散型体测数据样本、离散生理参数数据样本、血糖传感信号数据样本和事件采集记录数据样本中的任意一项或多项；将所述各个模态下的模态数据样本，输入预先搭建的堆栈降噪自编码器，对所述堆栈降噪自编码器进行训练，得到训练后的指定堆栈降噪自编码器。
6、进一步地，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：对所述患者个性化信息以及所述患者体测数据进行数值化表征，以获取对应的第一特征向量；对所述患者生理参数测量数据进行统计化表征，以获取第二特征向量；对所述患者血糖传感信号数据进行特征提取，以获取第三特征向量；对所述患者日常活动事件数据进行文本向量投影和数值化表征，以获取第四特征向量，其中，所述患者日常活动事件数据包括事件发生时间和事件文本描述；通过所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量，确定所述多模态血糖数据对应的特征向量集合。
7、进一步地，所述多模态融合模型包括一维时间卷积层、位置嵌入、跨模态transformer模块、自注意力transformer序列模型和全连接层，所述跨模态transformer模块由多层跨模态注意力模块组成。
8、进一步地，根据预先训练的多模态融合模型，对所述特征向量集合中的多个模态的特征向量进行特征融合，以输出所述患者的血糖变化趋势范围预测结果，具体包括：将所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量，分别输入到一维时间卷积层中，以得到经过一维时间卷积层卷积后多个卷积特征向量；其中，所述卷积特征向量包括所述第一特征向量对应的第一卷积特征向量、所述第二特征向量对应的第二卷积特征向量、所述第三特征向量对应的第三卷积特征向量和所述第四特征向量对应的第四卷积特征向量；在每个所述卷积特征向量中，嵌入位置信息，得到每个模态对应的融合特征向量；将不同模态的多个所述融合特征向量，进行两两组合，以输入至多个交叉注意力模块；将所述多个交叉注意力模块的输出进行拼接，以通过每个所述自注意力transformer序列模型和所述全连接层，对所述特征向量集合中的多个模态的特征向量进行特征融合，以输出所述患者的血糖变化趋势范围预测结果。
9、进一步地，根据预先训练的多模态融合模型，对所述特征向量集合中的多个模态的特征向量进行特征融合，以输出所述患者的血糖变化趋势范围预测结果之前，所述方法还包括：构建血糖样本测试集，以通过所述血糖样本测试集，确定每个血糖样本的实际血糖变化区间和预测血糖变化区间；通过均方误差损失函数rmse、每个血糖样本的实际血糖变化区间和预测血糖变化区间，对所述多模态融合模型的训练，计算公式如下：其中，表示实际血糖变化区间，yi表示预测血糖变化区间，k表示测试集包含需要预测血糖样本的个数。
10、进一步地，对所述多模态血糖数据进行预处理，得到预处理后的指定多模态血糖数据，具体包括：将所述患者个性化信息和所述患者体测数据转换为数值表示方式，得到预处理后的患者数值个性化信息和患者数值体测数据；对每个所述患者的患者生理参数测量数据进行单位根检验，以判断所述患者生理参数测量数据的平稳性，其中，所述患者生理参数测量数据为原始离散序列数据；当所述患者生理参数测量数据的平稳性不满足预设的平稳性要求时，获取所述患者生理参数测量数据中的非平稳数据，以对所述非平稳数据进行差分处理，得到差分后的差分生理参数测量数据；使用最值归一化方法对所述差分生理参数测量数据进行归一化处理，以得到预处理后的患者生理参数测量数据；对每个所述患者血糖传感信号数据进行离散小波变换，进行不同层次的信号分解，得到不同层次对应的信号细节系数；利用小波信号的重构原理，分别对不同细节系数的信号进行逆变换，从而得到第一重构信号；将每个所述患者血糖传感信号数据的第一重构信号与所述患者血糖传感信号数据进行融合，得到数据块矩阵，其中，所述数据块矩阵包括每个所述患者血糖传感信号数据的信息；将所述患者日常活动事件数据中的事件开始时间和本文档来自技高网...
【技术保护点】
1.一种基于多模态数据的血糖变化预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：
3.根据权利要求2所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过所述多模态样本数据对所述堆栈降噪自编码器进行训练，得到训练后的指定堆栈降噪自编码器，具体包括：
4.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：
5.根据权利要求4所述的一种基于多模态数据的血糖变化预测方法，其特征在于，所述多模态融合模型包括一维时间卷积层、位置嵌入、跨模态Transformer模块、自注意力Transformer序列模型和全连接层，所述跨模态Transformer模块由多层跨模态注意力模块组成。
6.根据权利要求5所述的一种基
7.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，根据预先训练的多模态融合模型，对所述特征向量集合中的多个模态的特征向量进行特征融合，以输出所述患者的血糖变化趋势范围预测结果之前，所述方法还包括：
8.根据权利要求2所述的一种基于多模态数据的血糖变化预测方法，其特征在于，对所述多模态血糖数据进行预处理，得到预处理后的指定多模态血糖数据，具体包括：
9.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，所述患者个性化信息包括患者性别和患者年龄中的任意一项或多项；
10.一种基于多模态数据的血糖变化预测设备，其特征在于，所述设备包括：
...【技术特征摘要】
1.一种基于多模态数据的血糖变化预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：
3.根据权利要求2所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过所述多模态样本数据对所述堆栈降噪自编码器进行训练，得到训练后的指定堆栈降噪自编码器，具体包括：
4.根据权利要求1所述的一种基于多模态数据的血糖变化预测方法，其特征在于，通过预先训练的堆栈降噪自编码器，对所述多模态血糖数据进行特征提取，确定所述多模态血糖数据对应的特征向量集合，具体包括：
5.根据权利要求4所述的一种基于多模态数据的血糖变化预测方法，其特征在于，所述多模态融合模型包括一维时间卷积层、位置嵌入、跨模态transformer模块、自注意力transformer序列模型和全连接层，所述跨模态tra...
【专利技术属性】
技术研发人员：刘思行，杨丹丹，吴海杰，闵钰春，陈旭东，张笑宇，徐鹤，季一木，刘尚东，袁帅祥，
申请(专利权)人：江苏鱼跃凯立特生物科技有限公司，
类型：发明
国别省市：
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。