基于机器学习的血糖趋势预测模型构建方法与流程
本发明涉及医疗健康数据处理，尤其涉及基于机器学习的血糖趋势预测模型构建方法。
背景技术：
1、随着糖尿病患病率持续攀升及连续血糖监测技术的普及，血糖趋势预测已成为糖尿病管理的关键依据。准确的血糖趋势预测能够帮助患者及医护人员提前识别高血糖或低血糖风险，及时采取干预措施。
2、目前现有血糖预测方法存在明显局限：其一，依赖单一域特征进行预测，无法同时刻画血糖波动的快速变化与周期节律特性，导致特征表示片面，预测精度受限；其二，受个体生理差异影响显著，预测精度不稳定，难以适应不同患者的血糖波动模式；其三，预测结果缺乏可解释性，无法提供预测依据的全过程追溯，导致临床用户对预测结果的信任度不足。
3、因此，迫切需要一种血糖趋势预测方法，能够融合多维度特征信息，适应个体差异，并提供可解释的预测依据，以满足连续血糖监测场景下实时趋势预测与模型自适应优化的需求。
技术实现思路
1、本发明的主要目的在于提供基于机器学习的血糖趋势预测模型构建方法，以解决现有技术中依赖单一域特征导致预测精度不稳定的技术问题。
2、为实现上述目的，本发明提供的基于机器学习的血糖趋势预测模型构建方法，包括以下步骤：
3、s1、获取连续血糖监测装置输出的血糖采样值、采样时间戳及采样间隔参数，生成血糖时序数据流；
4、s2、对所述血糖时序数据流执行空缺填补与异常剔除，得到洁净血糖时序数据；
5、s3、对所述洁净血糖时序数据同步提取时域特征向量与频域特征向量，将所述时域特征向量与所述频域特征向量按通道维度拼接为跨域融合特征向量；
6、s4、调用预存的血糖波动模式库，采用模式匹配工作模式与相似度计算模式，将所述跨域融合特征向量与所述血糖波动模式库中各典型波动模式的模式特征向量进行相似度计算，取相似度数值最大的典型波动模式作为当前匹配模式；
7、s5、基于所述当前匹配模式调取对应的趋势判定边界参数，将所述跨域融合特征向量输入带模式自适应分裂约束的梯度提升树模型，输出未来预设时段内的血糖趋势强度等级值；
8、s6、将所述血糖趋势强度等级值与对应的预测概率值进行加权融合，生成血糖趋势预测结果，同时将所述血糖趋势预测结果反馈至模型训练端，触发所述梯度提升树模型的参数迭代更新。
9、可选地，步骤s1采集血糖时序数据流包括：
10、以固定采样频率读取连续血糖监测装置的数据帧，从所述血糖采样值中提取瞬时血糖浓度与累积采样点数，从所述采样时间戳中提取当前时刻与基准时刻的相对偏移量，从所述采样间隔参数中提取实际间隔时长与标称间隔时长的偏差率；
11、将上述数据按时序维度拼接生成所述血糖时序数据流；
12、当检测到所述瞬时血糖浓度超出生理有效范围或所述偏差率超过预设容限时，生成数据质量异常标识，将所述血糖时序数据流标记为待校验状态，冻结当前数据缓存队列并保留异常触发前时间窗口至异常触发后时间窗口内的全部数据。
13、可选地，步骤s2确定空缺填补策略包括：
14、识别所述血糖时序数据流中的空缺点集合，提取空缺点前后相邻时刻的血糖采样值，以所述前后相邻时刻血糖采样值的算术平均值作为空缺填补值；
15、计算所述血糖时序数据流的血糖中位数及血糖绝对中位差，以所述血糖中位数加减三倍血糖绝对中位差作为异常剔除阈值，将超出所述异常剔除阈值的血糖采样值标记为异常点并移除，得到所述洁净血糖时序数据。
16、可选地，步骤s3控制时域特征向量与频域特征向量提取包括：
17、监测所述洁净血糖时序数据的当前状态，当检测到数据质量异常标识时，触发时域特征提取通道与频域特征提取通道组成的跨域特征提取系统接管；
18、基于所述跨域特征提取系统激活状态，在所述洁净血糖时序数据上执行血糖变化速率计算、血糖变化加速度计算及血糖波动幅度计算，得到所述时域特征向量；
19、基于所述跨域特征提取系统激活状态，在所述洁净血糖时序数据上执行血糖波动主频率识别与血糖波动能量分布计算，得到所述频域特征向量；
20、将所述时域特征向量与所述频域特征向量按通道维度拼接，得到所述跨域融合特征向量。
21、可选地，步骤s3还包括生成跨域融合特征向量关联数据链，具体为：
22、当检测到所述数据质量异常标识时，中断常规特征提取流程，冻结当前窗口数据块的指针位置，提取缓存队列中的历史数据与实时数据组成待融合数据包；
23、基于所述待融合数据包的有效数据密度动态调整所述时域特征向量与所述频域特征向量的采样粒度参数，控制所述跨域特征提取系统启用多通道并行融合模式同时执行跨域拼接操作；
24、将所述跨域融合特征向量与对应窗口数据块的批次编号、通道编号及特征提取时刻进行关联绑定，生成可追溯至单次特征提取全过程的数据链。
25、可选地，步骤s4同步调用血糖波动模式库包括：
26、调用模式匹配工作模式与相似度计算模式，分别采集所述跨域融合特征向量的待匹配特征值与所述血糖波动模式库中各典型波动模式的模式特征向量；
27、将所述待匹配特征值按特征维度与所述模式特征向量进行对齐，利用所述模式特征向量的权重分布对所述待匹配特征值进行加权校正，所述模式特征向量的权重分布是由各典型波动模式的历史匹配频次统计得到的，校正后生成所述相似度数值；
28、将所述相似度数值与对应典型波动模式的模式编号、匹配时刻及当前匹配模式标识进行关联绑定，生成可追溯至单次模式匹配全过程的数据链。
29、可选地，步骤s5生成血糖趋势强度等级值包括：
30、调用所述血糖波动模式库中预存的典型波动曲线、趋势转折特征及幅度分级参数，将所述跨域融合特征向量与所述当前匹配模式对应的趋势判定边界参数进行比对计算，生成所述血糖趋势强度等级值；
31、所述血糖趋势强度等级值依据血糖变化速率划分为五个区间，具体为：血糖下降速率大于等于1.5mmol/l·h为第一等级，血糖下降速率大于等于0.5mmol/l·h且小于1.5mmol/l·h为第二等级、血糖变化速率绝对值小于0.5mmol/l·h为第三等级，血糖上升速率大于等于0.5mmol/l·h且小于1.5mmol/l·h为第四等级，血糖上升速率大于等于1.5mmol/l·h为第五等级。
32、可选地，步骤s6生成血糖趋势预测结果包括：
33、对各时间窗口的血糖趋势强度等级值进行加权融合运算，所述加权融合运算以各窗口的预测概率值为第一权重、以趋势延续系数为第二权重，对所述血糖趋势强度等级值进行加权求和并归一化处理，得到融合后的血糖趋势预测结果；
34、所述趋势延续系数用于修正窗口边界处的趋势跳变误差，其取值依据前序窗口与当前窗口的重叠区域内的趋势一致性指数确定，所述趋势一致性指数为所述重叠区域内前序窗口预测趋势方向与当前窗口预测趋势方向相同的采样点数占所述重叠区域总采样点数的比例；
35、生成包含各趋势等级预测概率、趋势转折预警标识及置信度不足提示的血糖趋势预测报告，通过数据通信链路向血糖监测终端发送显示指令，触发趋势可视化界面的颜色编码切换或预警图标闪烁。
36、可选地，步骤s6生成模型参数更新指令包括：
37、解析所述血糖趋势预测报告中的预测偏差水平，生成所述模型参数更新指令并传输至模型训练端；
38、所述模型训练端监测到所述模型参数更新指令后，将连接至所述梯度提升树模型的学习率参数从当前值切换至更新值，并在状态寄存器中设置再训练标识；
39、当检测到第一等级预测概率值超过预设阈值时，将所述趋势判定边界参数的下限值收紧以降低极端趋势误判风险；当检测到第五等级预测概率值超过预设阈值时，将所述趋势判定边界参数的上限值收紧以降低极端趋势误判风险；当检测到第三等级预测概率值超过预设阈值时，将所述时间窗口的重叠长度参数增大以捕捉更多趋势转折信息；当检测到置信度不足提示频率超过预设阈值时，将所述血糖波动模式库的模板更新周期缩短以加速模式自适应，各调节参数独立作用于对应趋势等级的预测通道。其中，所述等级预测概率值对应血糖下降速率等级。
40、可选地，所述血糖波动模式库包括：
41、餐后波动模式，其模式特征向量包括血糖上升段斜率大于餐后上升阈值、峰值位置出现在采样开始后第一时段且下降段斜率绝对值小于餐后下降阈值；
42、夜间平稳模式，其模式特征向量包括血糖波动幅度值小于夜间幅度阈值、频域能量分布集中于低频段且变化速率绝对值小于夜间速率阈值；
43、黎明现象模式，其模式特征向量包括血糖变化加速度值大于黎明加速度阈值、主频率值对应凌晨时段且上升段斜率呈递增态势；
44、运动响应模式，其模式特征向量包括血糖下降段斜率绝对值大于运动下降阈值、波动幅度值在运动后时段突增且能量分布向高频段迁移；
45、药物干预模式，其模式特征向量包括血糖变化速率绝对值在干预后时段骤降、峰值位置与给药时刻关联且下降段斜率呈阶梯状分布。
46、本发明有益效果在于：通过时域特征提取通道与频域特征提取通道的跨域融合生成多维特征表示，经预存的血糖波动模式库进行典型波动模式匹配，调用对应趋势判定边界参数驱动带模式自适应分裂约束的梯度提升树模型输出血糖趋势强度等级值，实现全过程可追溯的个性化趋势预测，并将预测结果转化为可执行的模型参数更新指令，满足连续血糖监测场景下实时趋势预测与模型自适应优化的需求。