【技术实现步骤摘要】
本专利技术涉及糖尿病类型诊断，尤其涉及一种基于长短期记忆神经网络的gck-mody鉴别诊断方法。
技术介绍
1、糖尿病是一种慢性代谢性疾病，其病因主要涉及胰岛素分泌不足及胰岛素抵抗。
2、fatemeh等人设计了应用支持向量机、k近邻以及鲸鱼优化算法的集成分类器进行糖尿病的诊断。但其仅仅对是否患有糖尿病进行诊断，未对糖尿病进行分类。liu等人通过利用扫描式葡萄糖检测(fgm)数据中包含的特征，结合图卷积网络与长短期记忆网络提出一种数据驱动的糖尿病分类模型。王磊等人构建了具有双注意力机制的耦合长短期记忆网络与卷积神经网络利用异质性数据对1型糖尿病与2型糖尿病进行分类，达到了94％的准确率。
3、前人对发生率较高的1型糖尿病与2型糖尿病进行了分类，但对于易误诊断的2型糖尿病与gck基因突变型糖尿病的分类研究仍有所空缺，并且传统的基因检测方法较为繁琐。因此，本专利技术使用患者的短期血糖变化数据进行模型构建，并对患者的2型糖尿病与gck基因突变型糖尿病进行初步诊断。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，基于动态血糖监测系统(cgm)记录的糖尿病患者单日内血糖数据变化曲线，对2型糖尿病患者与gck基因突变型糖尿病患者进行二分类，旨在从时间序列数据中构建血糖变化特征与糖尿病类型之间的映射关系。
2、为实现上述目的，本专利技术提供了一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，包
3、数据采集与预处理模块，将采集完成的糖尿病患者的血糖数据和分类标签对应整理，对血糖数据进行预处理；
4、将预处理后的血糖数据作为分类模块的输入，分类标签作为分类模块的输出，进行lstm模型训练。
5、优选地，血糖数据和分类标签通过动态血糖监测系统记录的糖尿病患者单日内血糖数据变化曲线获取；分类标签为0-1标签，其中0标签代表2型糖尿病，1标签代表gck基因突变型糖尿病。
6、优选地，预处理包括：
7、(1)噪声和缺失值处理：删除含有缺失值的样本；利用中值滤波对噪声数据进行平滑处理；
8、(2)数据标准化：通过最大最小值归一化方法，将数据标准化到[0,1]范围内，使模型更容易学习和收敛；
9、(3)数据重塑：将归一化后的数据重塑成3d张量形式，使其适合lstm网络输入的格式；
10、(4)数据集划分：建立血糖数据和对应分类标签的数据集，对数据集进行随机排列后使用80％的数据作为训练集和20％的数据作为测试集。
11、优选地，在基于lstm模型的基因突变分类模块中构建了共3层的神经网络模型，包括lstm层、dropout层和dense层。
12、优选地，lstm层使用60个神经元处理时间序列数据并提取时序特征；dropout层设置丢弃比例为20％提高模型的性能和鲁棒性；dense层用于全连接，dense层使用sigmoid激活函数，将输出值映射到[0,1]之间输出二分类结果。
13、优选地，使用训练集lstm模型训练，将训练好的lstm模型用于验证集，通过设置阈值0.5将预测结果转换为二分类标签。
14、本专利技术一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，具有以下有益效果：
15、(1)构建糖尿病类型二分类系统，该系统基于深度学习，运用长短期记忆(lstm)神经网络在处理时间序列数据时能够捕捉时间依赖性的特征，构造一种辅助医师诊断和决策的短期时间序列预测模型，解决了机器学习在糖尿病诊断问题中数据复杂和高度不稳定的问题；
16、(2)基于lstm模型的基因突变分类模块运用keras库搭建的lstm模型训练，创新了小样本时间序列分类方法，经过多次迭代，显著提高了网络学习性能；
17、(3)利用北京大学人民医院提供的真实医学临床数据对本专利技术提出的系统进行了验证，基于50名受试者的14天24小时的真实cgm数据集，糖尿病类型的平均分类准确率达到81.12％。
18、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于：包括数据收集与预处理模块和基于LSTM模型的基因突变分类模块；
2.根据权利要求1所述的一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于：血糖数据和分类标签通过动态血糖监测系统记录的糖尿病患者单日内血糖数据变化曲线获取；分类标签为0-1标签，其中0标签代表2型糖尿病，1标签代表GCK基因突变型糖尿病。
3.根据权利要求2所述的一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于，预处理包括：
4.根据权利要求1所述的一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于：在基于LSTM模型的基因突变分类模块中构建了共3层的神经网络模型，包括LSTM层、Dropout层和Dense层。
5.根据权利要求4所述的一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于：LSTM层使用60个神经元处理时间序列数据并提取时序特征；Dropout层设置丢弃比例为20％提高模型的性能和鲁棒性；Dense层用于全
6.根据权利要求3所述的一种基于长短期记忆神经网络的GCK-MODY鉴别诊断方法，其特征在于：使用训练集LSTM模型训练，将训练好的LSTM模型用于验证集，通过设置阈值0.5将预测结果转换为二分类标签。
7.一种如权利要求1～6任一项所述的基于长短期记忆神经网络的GCK-MODY鉴别诊断方法在非医疗目的区分2型和GCK-MODY基因突变型糖尿病中应用。
...【技术特征摘要】
1.一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，其特征在于：包括数据收集与预处理模块和基于lstm模型的基因突变分类模块；
2.根据权利要求1所述的一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，其特征在于：血糖数据和分类标签通过动态血糖监测系统记录的糖尿病患者单日内血糖数据变化曲线获取；分类标签为0-1标签，其中0标签代表2型糖尿病，1标签代表gck基因突变型糖尿病。
3.根据权利要求2所述的一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，其特征在于，预处理包括：
4.根据权利要求1所述的一种基于长短期记忆神经网络的gck-mody鉴别诊断方法，其特征在于：在基于lstm模型的基因突变分类模块中构建了共3层的神经网络模型，包括lstm层、dropout...
【专利技术属性】
技术研发人员：纪立农，任倩，刘蔚，韩学尧，史大威，陈婧，李美潼，巴天皓，赵鑫垚，肖伊晨，方辰宇，
申请(专利权)人：北京大学人民医院，
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。