一种基于饮食摄入GI、心率、运动步数的血糖预测方法与流程

一种基于饮食摄入gi、心率、运动步数的血糖预测方法
技术领域
1.本发明涉及血糖预测技术领域，具体是一种基于饮食摄入gi、心率、运动步数的血糖预测方法。


背景技术：

2.目前，糖尿病没有治愈的方法。糖尿病的早诊断与治疗对控制病情发展及预防不良情况出现尤为重要。同时，糖尿病患者需要不断自我管理葡萄糖、胰岛素、营养和运动来调节身体的血糖浓度，使血糖达到稳态来防止相关并发症。
3.血糖变化的主要规律是：餐前血糖偏低，餐后血糖开始升高，但不论空腹还是餐后都维持在一定的稳态。人体的血糖水平在凌晨时分可能处于最低值，在用餐后一段时间处于最高值，人的饮食情况直接影响到了血糖水平的变化。
4.gi全称为升糖指数，单一食物的gi值是指50克碳水化合物与葡萄糖引起血糖上升所产生的时间曲线下面积的百分比值。gi值反映了与标准葡萄糖相比，食物升高血糖的速度和能力，对糖尿病患者的饮食参考有指导性意义。
5.在人体长期处于高血糖的情况下，血浆渗透压会发生改变，这时，心脏的负荷便会增大，会促成人体交感神经兴奋，进而导致心率变快。同时，适度的运动能够促进身体葡萄糖的吸收，进而起到降血糖的效果，对于ⅱ型糖尿病患者控制血糖有着积极地作用。可见当人们需要对血糖水平进行严格的监控时，也应该注意运动步数与心率的变化。
6.现有技术运用血糖相关生理模型方法与数据驱动法来预测人体血糖变化情况。数据驱动法可基于既往监测得到的血糖数据，通过使用回归、机器学习与深度学习等方法对血糖数据进行一定时间步长的预测。结合日常饮食的gi值、运动、心率等与血糖变化密切相关的因素可改善血糖预测模型的准确度，帮助病人更好地管理血糖，防止因血糖水平过低或过高而引起的不良反应。


技术实现要素：

7.本发明提出的一种基于饮食摄入gi、心率、运动步数的血糖预测方法，可通过分析用户一段时间内的饮食摄入gi值、心率、运动步数来预测出本段时间内的血糖变化曲线，为需要管理血糖的人群提供帮助。
8.一种基于饮食摄入gi、心率、运动步数的血糖预测方法，包括如下步骤：
9.1)采集构建血糖预测模型所需的同段时间内的饮食摄入gi值、心率、运动步数、血糖数据；
10.2)将步骤1)采集到的各项数据量化为采样间隔相同的四维数据：gi时间序列gi(t iτ)、心率时间序列hr(t iτ)、运动步数时间序列am(t iτ)、血糖时间序列g(t iτ)，其中t为首个样本采样时间；τ为采样间隔；i为样本点序号，i＝0,1,...n；
11.3)将步骤2)所得的数据进行降噪、归一化处理，具体如下：
12.3-1)采用小波分解法分别对hr(t iτ)、am(t iτ)、g(t iτ)时间序列进行降噪处
理：
13.3-1-1)选择小波系并确定分解层数，对原始一维信号进行分解；
14.3-1-2)选择阈值，对各分解尺度下的高频系数进行软阈值量化处理；
15.3-1-3)根据分解信号的高低频权重系数，重构一维信号；
16.小波的每层分解将上层分解得到的低频信号再次分解为高频与低频，信号s进行小波分解的过程表示为：
17.s＝b1 b2 ... bn an18.其中n为分解层数，b1,b2,
…
,bn分别为各层分解所得的低频信号，an为最末层分解所得的高频信号；
19.3-2)数据归一化处理：对gi(t iτ)、hr(t iτ)、am(t iτ)数据进行最大最小值归一化处理，将每项数据压缩至[0-1]之间，使每项数据特征具有相同的度量尺度，最大最小值归一化公式如下：
[0020][0021]
其中i为序列样本点编号；x
min
为序列中最小值；x
max
为序列中最大值；
[0022]
4)将步骤3)所得的数据划分为数据集[gij(t iτ),hrj(t iτ),amj(t iτ)]、目标预测集[gj(t iτ)]，构建gru神经网络血糖预测模型框架，并将数据送入其中对模型进行训练，训练结束后，得到预测模型；其中数据集中的第j组的子数据表示为：
[0023][0024]
第j组目标预测数据表示为：
[0025]
[gj]
[0026]
＝[gj(t [1 m(j-1)]τ)gj(t [2 m(j-1)]τ)
…gj
(t [m m(j-1)]τ)]
t
i为样本点序号j＝0,1,...n；j为数据集子序列序号，j＝1,2,...n；m为子序列长度，且m (j-1)*m≤i，可预测的总时长为δt＝m*τ；
[0027]
所述gru神经网络血糖预测模型，采用tensorflow搭建，每层添加40％的dropout防止过拟合，使用adam优化器，使用mse作为损失函数，mse计算公式为：
[0028][0029]
其中，xi为数据的真实值；xi′
为预测值，n为样本数量；
[0030]
所述gru神经网络血糖预测模型内部重置门与更新门组成，其中r
t
表示重置门，用于控制遗忘先前信息的程度；z
t
表示更新门，用于控制信息的更新；x
t
表示当前输入信息；h
t-1
表示过去记忆信息；表示隐藏层信息；h
t
表示当前输出信息；r
t
与z
t
均需使用sigmoid激活函数，将数据映射在[0-1]之间，由x
t
与经过重置门的h
t-1
共同确定并经过tanh激活
函数，将数据映射至[-1-1]之间，h
t
由h
t-1
与经过更新门筛选的共同确定，r
t
、z
t
、h
t
的具体运算过程如公式为：
[0031]rt
＝sigmoid(wr.[h
t-1
,x
t
])
[0032]zt
＝sigmoid(wz.[h
t-1
,x
t
])
[0033][0034][0035]
wz、wr、w为血糖预测模型的待训练权重参数。
[0036]
5)将待预测的目标血糖预测时间范围内同期的饮食摄入gi、心率、运动步数数据输入步骤4)训练好的gru神经网络血糖预测模型中，输出可预测总时长为δt＝m*τ的血糖数据，其中m为模型输入数据的序列长度，τ为数据采样间隔。
[0037]
本发明提供的一种基于饮食摄入gi、心率、运动步数的血糖预测方法与现有血糖预测技术相比，具有以下优点：
[0038]
①
将与血糖变化相关的饮食摄入gi值、心率、运动步数的多元数据作为血糖预测模型的输入数据，增加了预测结果的可靠性。
[0039]
②
使用小波分解法对数据进行了降噪处理，降低了数据的非平稳性因素，从而提高预测结果的准确度。
[0040]
③
使用参数少的gru神经网络搭建血糖预测模型，提高了模型的训练速度。
[0041]
④
本方法可实现对饮食摄入gi、心率、运动步数数据采样同期血糖水平的预测，实现了血糖的无创预测，为需长时间采用有创或微创技术监测血糖的人群减轻痛苦、提供方便。
附图说明
[0042]
图1为一种基于饮食摄入gi、心率、运动步数的血糖预测方法的流程图；
[0043]
图2为gru神经网络血糖预测模型内部的结构示意图。
具体实施方式
[0044]
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
[0045]
实施例：
[0046]
如图1所示，一种基于饮食摄入gi、心率、运动步数的血糖预测方法，包括如下步骤：
[0047]
1)采集构建血糖预测模型所需的同段时间内的饮食摄入gi值、心率、运动步数、血糖数据；
[0048]
血糖时间序列数据由便携cgm设备采集组织间液中的葡萄糖浓度得出。饮食摄入总gi值为严格计算餐中的每种单一食物摄入量与其gi值计算得出，并将其量化为曲线图，经过重采样转化为时间序列数据。心率与运动步数时间序列数据由运动手环连续监测得到。
[0049]
2)由于步骤1)所得数据的采样时间间隔不一致。如，当cgm设备采集的血糖数据采样间隔为10min，使用运动手环获取的心率数据的时间采样间隔为5min时，需把血糖时间序
列数据的采样间隔重新量化补全至5min，随后对缺失值进行填充。为保持原始曲线的波动情况，缺失时间点的数值大小由相邻数据取平均值决定。
[0050]
将步骤1)采集到的各项数据量化为采样间隔相同的四维数据：gi时间序列gi(t iτ)、心率时间序列hr(t iτ)、运动步数时间序列am(t iτ)、血糖时间序列g(t iτ)，其中t为首个样本采样时间；τ为采样间隔；i为样本点序号，i＝0,1,...n；
[0051]
3)将步骤2)所得的数据进行降噪、归一化处理，具体如下：
[0052]
3-1)采用小波分解法分别对hr(t iτ)、am(t iτ)、g(t iτ)时间序列进行降噪处理：
[0053]
3-1-1)选择小波系并确定分解层数，对原始一维信号进行分解；
[0054]
3-1-2)选择阈值，对各分解尺度下的高频系数进行软阈值量化处理；
[0055]
3-1-3)根据分解信号的高低频权重系数，重构一维信号；
[0056]
小波的每层分解将上层分解得到的低频信号再次分解为高频与低频，信号s进行小波分解的过程表示为：
[0057]
s＝b1 b2 ... bn an[0058]
其中n为分解层数，b1,b2,
…
,bn分别为各层分解所得的低频信号，an为最末层分解所得的高频信号；
[0059]
3-2)数据归一化处理：对gi(t iτ)、hr(t iτ)、am(t iτ)数据进行最大最小值归一化处理，将每项数据压缩至[0-1]之间，使每项数据特征具有相同的度量尺度，最大最小值归一化公式如下：
[0060][0061]
其中i为序列样本点编号；x
min
为序列中最小值；x
max
为序列中最大值；
[0062]
4)将步骤3)所得的数据划分为数据集[gij(t iτ),hrj(t iτ),amj(t iτ)]，目标预测集[gj(t iτ)]，构建gru神经网络血糖预测模型框架，并将数据送入其中对模型进行训练，训练结束后，得到预测模型；其中数据集中的第j组的子数据表示为：
[0063][0064]
第j组目标预测数据表示为：
[0065]
[gj]
[0066]
＝[gj(t [1 m(j-1)]τ)gj(t [2 m(j-1)]τ)
…gj
(t [m m(j-1)]τ)]
t
i为样本点序号j＝0,1,...n；j为数据集子序列序号，j＝1,2,...n；m为子序列长度，且m (j-1)*m≤i，可预测的总时长为δt＝m*τ；
[0067]
所述gru神经网络血糖预测模型，采用tensorflow搭建，每层添加40％的dropout防止过拟合，使用adam优化器，使用mse作为损失函数，mse计算公式为：
[0068][0069]
其中，xi为数据的真实值；xi′
为预测值，n为样本数量；
[0070]
所述gru神经网络血糖预测模型内部重置门与更新门组成，具体结构如图2所示，其中r
t
表示重置门，用于控制遗忘先前信息的程度；z
t
表示更新门，用于控制信息的更新；x
t
表示当前输入信息；h
t-1
表示过去记忆信息；表示隐藏层信息；h
t
表示当前输出信息；r
t
与z
t
均需使用sigmoid激活函数，将数据映射在[0-1]之间，由x
t
与经过重置门的h
t-1
共同确定并经过tanh激活函数，将数据映射至[-1-1]之间，h
t
由h
t-1
与经过更新门筛选的共同确定，r
t
、z
t
、h
t
的具体运算过程如公式为：
[0071]rt
＝sigmoid(wr.[h
t-1
,x
t
])
[0072]zt
＝sigmoid(wz.[h
t-1
,x
t
])
[0073][0074][0075]
wz、wr、w为血糖预测模型的待训练权重参数。
[0076]
5)将待预测的目标血糖预测时间范围内同期的饮食摄入gi、心率、运动步数数据输入步骤4)训练好的gru神经网络血糖预测模型中，输出可预测总时长为δt＝m*τ的血糖数据，其中m为模型输入数据的序列长度，τ为数据采样间隔。
[0077]
本实施例中，建立单一食物对应gi值数据库，数据库中共包含有2300多种食物gi值数据，满足人们日常主要摄入食物种类需求。根据餐内摄入每种食物名称，数据库检索其单位gi值，计算出摄入总gi值并量化为曲线，重采样转化为gi时间序列数据作为血糖预测模型的第一维输入数据。
[0078]
使用运动手环监测得到的，饮食gi数据记录同期的心率与运动步数时间序列数据作为另两维血糖预测模型的输入数据。
[0079]
最终预测得出gi值、心率、运动步数数据采样同期血糖水平。