一种基于血糖监测的异常事件识别方法、设备及介质技术

本申请公开了一种基于血糖监测的异常事件识别方法、设备及介质，方法包括：采集数据集，将数据集转化为序列化数据，并将序列化数据划分为多个子序列；将多个子序列输入至卷积神经网络模型，对卷积神经网络模型进行扩张因果卷积处理，通过扩张因果卷积处理后的卷积神经网络模型确定时序特征，并将时序特征进行残差连接，以对卷积神经网络模型进行加速；通过加速后的卷积神经网络模型确定传感器的报错类别，并根据时序特征和报错类别进行GRU建模，以得到时序关系，并根据时序关系确定血糖值。本申请使用卷积神经网络处理，动态关注数据中的重要时间点，处理长期依赖性，从而更好地捕捉血糖值的时序关系。

【技术实现步骤摘要】

本申请涉及计算机，尤其涉及一种基于血糖监测的异常事件识别方法、设备及介质。

技术介绍

1、糖尿病是一种全球范围内广泛存在的慢性代谢性疾病，它会导致患者的血糖水平异常波动，从而引发一系列严重的健康问题，如心血管疾病、肾脏疾病、失明等。因此，能够准确预测血糖水平对于帮助患者管理疾病、优化治疗计划至关重要。深度学习作为人工智能领域的重要分支，近年来在医学领域取得了巨大的成功。针对血糖预测，深度学习模型能够自动学习复杂的特征和模式，利用时间序列数据中的时变性、非线性关系和长期依赖性，提高预测的准确性和适用性。

2、传统的血糖预测方法主要基于统计学和数学模型，且需要大量的手工特征工程，无法适应不同病人的个体差异，还会受到多种因素的制约，如饮食、药物、锻炼等，难以准确捕捉糖尿病患者血糖水平的复杂变化。

技术实现思路

1、为了解决上述问题，本申请提出了一种基于血糖监测的异常事件识别方法，包括：采集数据集，将所述数据集转化为序列化数据，并将所述序列化数据划分为多个子序列；将所述多个子序列输入至卷积神经网络模型，对本文档来自技高网...

【技术保护点】

1.一种基于血糖监测的异常事件识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述数据集转化为序列化数据，具体包括：

3.根据权利要求1所述的方法，其特征在于，将所述序列化数据划分为多个子序列，具体包括：

4.根据权利要求1所述的方法，其特征在于，对所述卷积神经网络模型进行扩张因果卷积处理，具体包括：

5.根据权利要求1所述的方法，其特征在于，将所述时序特征进行残差连接，具体包括：

6.根据权利要求1所述的方法，其特征在于，通过加速后的所述卷积神经网络模型确定传感器的报错类别，具体包括：

7...

【技术特征摘要】

1.一种基于血糖监测的异常事件识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述数据集转化为序列化数据，具体包括：

3.根据权利要求1所述的方法，其特征在于，将所述序列化数据划分为多个子序列，具体包括：

4.根据权利要求1所述的方法，其特征在于，对所述卷积神经网络模型进行扩张因果卷积处理，具体包括：

5.根据权利要求1所述的方法，其特征在于，将所述时序特征进行残差连接，具体包括：

6...

【专利技术属性】
技术研发人员：刘思行，许硕洋，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：