CN103310113A - 一种基于频带分离和数据建模的通用血糖预测方法 - Google Patents

Abstract

本发明公开了一种基于频带分离和数据建模的通用血糖预测方法，该方法针对人体皮下血糖测量信号进行分析，提取其潜在时序动态特性，并定义频带分离的阈值将皮下血糖信号划分为高低两个频段；针对低频血糖信号分析其时序自相关性，建立自回归血糖预测模型；本发明所提出的通用血糖预测方法针对新对象无需等待获取充分血糖测量信号后重新进行建模，而是可以直接调用其它个体的预测模型进行实时血糖预测，大大简化了建模工作量和复杂度，将极大地降低建模花费；且通用模型采用基于频带分离和潜变量建模的方法，提高了预测精度。本发明易于实施，为血糖预测建模方法的研究指明了新的方向。

Description

一种基于频带分离和数据建模的通用血糖预测方法

技术领域

本发明属于血糖数据分析和预测研究领域，特别是涉及一种基于频带分离和数据建模的通用血糖预测方法。

背景技术

人体血糖水平的一个显著特点就是时变性，具体体现在时序信号测量值存在显著的自相关关系。针对血糖信号进行分析、建模，可以提取其时序相关特性，根据历史血糖动态性获取未来血糖变化情况。1999年国外学者Bremer和Gough首次提出血糖时序数据具有一种潜在的相关结构，可以由一种简单的线性动态模型描述。目前，血糖预测模型的建立多采用基于数据驱动的方法。已存在的预测模型可以划分为线性(以基于最小二乘的自回归模型为其典型代表)和非线性(以神经网络方法为其典型代表)两类。线性模型由于其简单的模型结构和算法，获得了广泛应用。比较成熟的建模方法包括自回归(autoregressive,AR)、激励响应(impulse-response,IR)等。自回归(AR)方法是比较成熟的数据建模方法，它仅仅利用血糖本身的信息，通过历史血糖数据的线性组合获得未来血糖预测值。然而传统的AR模型主要缺陷有两点：(a)直接针对测量数据利用最小二乘这种最基本的辨识方法拟合血糖预测关系，无法避免该方法本身所具有的缺陷，不能得到满意的预测精度；(b)针对不同个体的血糖动态性不进行预先分析，直接建立不同的预测模型(即个体化模型)用于在线预测，这将耗费大量人力物力。

发明内容

本发明的目的在于针对现有血糖预测方法的不足，提供一种基于频带分离和数据建模的通用血糖预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于频带分离和数据建模的通用血糖预测方法，该方法包括以下步骤：

步骤1：建模血糖信号预处理：将以一定采样周期Δt获得的个体皮下血糖信号组合成一维时序数据x^T(1×Z)，其中，x是血糖信号的测量值，Z为采样个数，去除其中的尖峰噪声。该一维时序数据中包含了血糖信号的时序相关性和动态变化信息。

步骤2：血糖信号频带分离：分析血糖的动态性在高、低不同频段内的变化规律，区分关键频率段与次要频率段，确定频率段划分的最佳阈值。根据定义的分离阈值采用巴特沃斯低通滤波器对血糖信号进行频带分离。

步骤3：获取预测变量矩阵与响应矩阵：用一个长度为K个采样点的一维滑动窗口滑过x^LT(1×Z)，每次移动一个采样点，共移动Z-K+1次。将每次滑动窗口中的数据作为一个新的行向量，则可以组合为一个二维数据矩阵X^L(N×K)，其中，N=Z-K+1,K=PL+H(PH/5)。PL代表预测变量的长，H代表预测步长，PH代表预测区间，H和PH两者度量单位不同，但均表示所预测的是多少步后的血糖。因预测步长为每步5分钟，故有PH=5×H。

步骤4：基于频带分离的血糖预测建模：通过基于LV的方法进行血糖预测建模。

步骤5：根据步骤4建立的血糖预测模型对任意个体的未来血糖值进行预测。通过以下步骤来完成：

(5.1)在线预测时，在采集到任意个体新数据

后(下标new代表新样本，J=PL)，对

进行如步骤2所述的频带分离处理得到

(5.2)调用通用低频模型进行在线预测：

(5.2.1)调用基于LS建立的通用低频模型进行在线预测：对于每个新的测试数据由以下步骤生成PH个采样点后的预测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\θ}}^L;$

其中，θ^L为前面根据训练数据求出的回归系数向量。

(5.2.2)调用基于LV建立的通用低频模型进行在线预测：

对于每个新的测试数据

由以下步骤计算获得PH个采样点后的预

测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\σ}}^L;$

其中，σ^L是PLS-CCA方法求出的回归系数向量。

(5.3)衡量预测精度：将获得的质量预测结果与实际测量值进行对比。在获得一系列新的预测信号后，可以根据下式中定义的RMSE(均方根误差)性能指标计算针对新样本的血糖预测精度：

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{i\∈N}{\mathrm{\Σ}}{(y\left(i\right)-{\hat{y}}^{*}\left(i\right))}^2};$

其中，y(i)表示原始的血糖测量值，

表示采用不同模型获得的血糖预测结果，采用第一种相同个体模型或不同个体模型求得的低频血糖预测值

或者采用第二种相同个体模型求得的全频预测值

N为样本数。

与现有技术相比，本发明的有益效果是：本发明所提出的通用血糖预测方法针对新对象无需等待获取充分血糖测量信号后重新进行建模，而是可以直接调用其它个体的预测模型进行实时血糖预测，大大简化了建模工作量和复杂度，将极大地降低建模花费；且通用模型采用基于频带分离和潜变量建模的方法，提高了预测精度。本发明易于实施，为血糖预测建模方法的研究指明了新的方向。

附图说明

图1是本发明所述的通用血糖预测模型建模流程图；

图2是由CGM(连续血糖监测仪)提供的全频皮下血糖信号和频带分离后高低频段血糖信号的比较图；

图3是PL对通用低频模型(GL)血糖预测性能的影响图(纵坐标为RMSE的平均值)；

图4是PL对通用低频模型(GL)血糖预测性能的影响图(纵坐标为RMSE的MAD值)；

图5是PH对通用低频模型(GL)血糖预测性能的影响图(纵坐标为RMSE的平均值)；

图6是PH对通用低频模型(GL)血糖预测性能的影响图(纵坐标为RMSE的MAD值)；

图7是通用低频(GL)模型的血糖测量曲线与血糖预测曲线的比较图(分析对象为第一组第一人的血糖信号)。

图8是标准独立个体(SD)模型的血糖测量曲线与血糖预测曲线的比较图(分析对象为第一组第一人的血糖信号)。

图9是通用低频(GL)模型的血糖测量曲线与血糖预测曲线的比较图(分析对象为第二组第一人的血糖信号)。

图10是标准独立个体(SD)模型的血糖测量曲线与血糖预测曲线的比较图(分析对象为第二组第一人的血糖信号)。

具体实施方式

如图1所示，本发明基于频带分离和数据建模的通用血糖预测方法，该方法包括以下步骤：

步骤1：建模血糖信号预处理

针对以一定采样周期Δt获得的个体皮下血糖信号(这里Δt=5min)，可以将其组合成一维时序数据x^T(1×Z)，其中，x是血糖信号的测量值，Z为采样个数，去除其中的尖峰噪声。该一维时序数据中包含了血糖信号的时序相关性和动态变化信息。本实例中，我们共有来自于两组对象的血糖时序信号，第1组包括12人，第2组包括14人，两组共26人。每个对象的血糖时序信号包括两或三天的数据。第一天的数据用于模型确认，其余数据用于模型性能的验证。

步骤2：血糖信号频带分离

该步主要分析血糖的动态性在高、低不同频段内的变化规律，区分关键频率段与次要频率段，确定频率段划分的最佳阈值。根据定义的分离阈值采用巴特沃斯低通滤波器对血糖信号进行频带分离。主要目的是通过频带分离，去除高频段的噪声影响，保留低频段的有效血糖变化信息。

(2.1)选取形式如下的一阶低通巴特沃斯滤波器：

$\tilde{x}\left(k\right)={\mathrm{\β}}_{1}x\left(k\right)+{\mathrm{\β}}_{2}x(k-1)-\mathrm{\α}\tilde{x}\left(k\right);$ (1)

设置其阀值周期为P(min)。其中，x是血糖信号的测量值，

是其滤波值，α，β₁和β₂是滤波参数，k为采样点。故滤波输出是历史滤波值，历史及当前测量值的线性组合。根据实际对血糖动态性的了解，P取值一般为40min～80min。(2.2)对步骤1中采集的数据x^T(1×Z)用一阶巴特沃斯低通滤波器进行滤波,分离出低频血糖数据x^LT(1×Z)和高频血糖数据x^HT(1×Z)。高频血糖数据被认为是噪声，可以去除，步骤为：

x^LT(1×Z)=x^T(1×Z)-x^HT(1×Z)；(2)

其中，上标L、H分别表示低频和高频数据。

步骤3：获取预测变量矩阵与响应矩阵：

用一个长度为K个采样点的一维滑动窗口滑过x^LT(1×Z)，每次移动一个采样点，共移动Z-K+1次。将每次滑动窗口中的数据作为一个新的行向量，则可以组合为一个二维数据矩阵X^L(N×K)，其中，N=Z-K+1,K=PL+H(PH/5)。PL(Predictor Length)代表预测变量的长，H代表预测步长，PH(Prediction Horizon)代表预测区间，H和PH两者度量单位不同，但均表示所预测的是多少步(一般每步为5min)后的血糖。因本发明中预测步长为每步5分钟，故有PH=5×H。

步骤4：基于频带分离的血糖预测建模：

预测模型建立有两种方法，一种是现有的基于LS(least square，最小二乘)的方法，另一种是基于LV(latent variable，潜变量)的建模方法。具体步骤如下：

(4.1)选取预测变量和输出变量：根据PL的取值，选取X ^L(N×K)前PL列作为预测矩阵X^L(N×J)，J=PL；则X^L(N×K)第PL+PH列作为输出变量y^L(N×1)。

(4.2.)如果通过基于LS的方法进行血糖预测建模，则根据低频血糖信号采用LS方法建立低频AR预测模型：

$y^L=X^L{\mathrm{\θ}}^L+f={\hat{y}}^L+f;$ (3)

其中，

为获得的低频血糖预测值，θ^L(J×1)为回归系数，f(N×1)为模型误差。

如果通过基于LV的方法进行血糖预测建模，根据低频血糖信号采用LV方法建立AR预测模型：

基于LV的AR低频预测模型采用PLS-CCA(partial least square-canonicalcorrelation analysis，偏最小二乘-典型相关性分析)的特征提取方法进行建模。先用PLS提取初步潜变量组，由于PLS方法提取的潜变量LVs不能保证其与响应变量的密切相关关系，再用CCA对其进行后处理，从而提取其中与相应变量密切相关的部分进行回归建模与预测。步骤如下：

(4.2.1)数据预处理

将所有个体的预测变量矩阵和响应矩阵组合到一起，针对组合后的预测变量矩阵和响应矩阵内任意一点的变量x_i,j，对该变量进行减均值、除以标准差的全局标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：

$x_{i,j}=\frac{x_{i,j}-{\stackrel{\‾}{x}}_j}{s_j};$ (4)

其中：

是组合后的矩阵任一列的均值，s_j是相应列的标准差。其计算公式如下：

${\stackrel{\‾}{x}}_j=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{x}_{i,j}$

$s_j=\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(x_{i,j}-{\stackrel{\‾}{x}}_j)}^2/(M-1)};$ (5)

其中：M是组合后矩阵中的样本总量。

(4.2.2)利用PLS提取潜变量组T：

T＝X^LR；

R＝W(P^TW)^-1    (6)

其中，T是由多个PLS潜变量构成的潜变量矩阵，R是PLS方法的系数矩阵，W是由PLS求出的权重矩阵，P是对应于T的负载矩阵。

(4.2.3)利用CCA对PLS潜变量进行后处理，得到最终潜变量u：

u=Tv；(7)

其中，v是对应于T的权重向量。因y是单变量输出响应，由于CCA方法本身的特点，故最终只需提取一个潜变量。

需要指出的是，PLS与CCA方法的权重矩阵都可以通过求取特定矩阵的特征向量而求得，是一种有效的分析数据变量间相关关系的统计分析方法。

(4.2.4)建立低频AR模型：

用最小二乘法求取潜变量与响应变量间的回归系数q：

q=(u^Tu)^-1u^Ty^L；(8)

故最终基于LV方法建立的AR模型为：

${\hat{y}}^L=X^L{\mathrm{\σ}}^L$ ；(9)

σ^L=Rvq

其中，σ^L是通过PLS与CCA两种方法结合获得的预测模型回归系数，

为获得的低频血糖预测值。

在获得针对不同对象建立的预测模型后，需要对预测模型的通用性进行验证。模型通用性的验证即验证是否不同个体的潜在血糖时序动态性具有相似的自相关性；针对任意个体建立的模型是否可应用到其他个体上进行实时血糖预测。因此针对任意一个对象需要对比两种模型的预测精度，一种是利用相同个体信息建立的模型(相同个体模型)，一种是利用其它个体信息建立的模型(不同个体模型)。这里，我们考虑两种相同个体模型，第一种是基于频带分离获得的低频血糖信号建立的个体预测模型，第二种是基于原始或者全频血糖测量信号建立的个体预测模型。这两种相同个体模型的对比将说明高频信号的去除是否会影响预测精度。

其中，基于原始或者全频血糖信号的预测建模具体步骤如下：

针对原始血糖信号，无需进行步骤2的频带分离，直接执行步骤3和4。因此，这里建模利用的是全频的血糖信号。

故最终基于原始或者全频血糖信号采用LS方法建立的AR模型为：

$\hat{y}=\mathrm{X\θ};$ (10)

其中，θ是通过PLS与CCA两种方法结合获得的预测模型回归系数，

为获得的血糖预测值。

同理，最终基于原始或者全频血糖信号采用LV方法建立的AR模型为：

$\hat{y}=\mathrm{X\σ}$ ；(11)

σ=Rvq

其中，σ是通过PLS与CCA两种方法结合获得的预测模型回归系数，

为获得的血糖预测值。

对个体模型的研究表明，在PL<7时，预测精度随PL增加而增加；而随着PH的增加，模型的预测精度呈现下降趋势，PH一般选取30～60min时未来血糖预测较为有意义，可以保证一定的预测精度和可靠性。下面我们针对PL=7以及PH=30min对模型的通用性进行验证。具体步骤如下：

(I)利用相同个体模型进行血糖预测

(a)对每一个对象，采用步骤2中的频带分离方法对血糖信号处理后，调用第一种相同个体模型进行血糖预测。

首先，调用基于LS建立的低频AR模型进行血糖预测，得到预测值

其中，θ^L为前面根据训练数据求出的回归系数向量。

然后，调用基于LV建立的低频AR模型进行血糖预测，得到预测值

其中，σ^L是PLS-CCA方法求出的回归系数向量。

(b)对每一个对象，针对原始血糖测量信号，调用第二种相同个体模型进行血糖预测。

首先，调用基于LS建立的AR模型进行血糖预测，得到预测值

其中，θ为前面根据训练数据求出的回归系数向量。

然后，调用基于LV建立的AR模型进行血糖预测，得到预测值

其中，σ是PLS-CCA方法求出的回归系数向量。

(II)利用不同个体模型进行血糖预测

对每一个对象，调用不同个体模型进行血糖预测。这里我们针对每个个体，可以采用26个不同个体模型对其进行血糖预测。

首先，调用基于LS的低频AR模型进行血糖预测，得到预测值

然后，调用基于LV的低频AR模型进行血糖预测，得到预测值

(III)对比两种模型的预测精度

首先，针对同一个个体用(6.1)和(6.2)所述方法进行血糖预测后，按如下方式计算RMSE(均方根误差)性能指标：

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{i\&Element;N}{\mathrm{\&Sigma;}}{(y\left(i\right)-{\hat{y}}^{*}\left(i\right))}^2};$ (13)

其中y(i)表示原始的血糖测量值，

表示采用不同模型获得的血糖预测结果，这里可以是采用第一种相同个体模型或不同个体模型求得的低频血糖预测值或者采用第二种相同个体模型求得的全频预测值

N为样本数。这里需要指出的是，采用不同个体模型进行血糖预测时，将获得的不同血糖预测结果先进行平均，将该平均值作为预测结果与参考量进行对比。同时，衡量预测精度时，需要将原始血糖测量值作为参考量，预测误差是血糖预测结果和原始血糖测量值的对比。

然后，基于RMSE指标，用配对的t假设检验方法对两个模型(相同个体模型与不同个体模型)的预测精度进行对比。

结果(如表1所示)表明，采用LV方法建立的AR模型预测精度要优于LS方法。此外，采用相同的建模方法，基于两种相同个体模型获得的血糖预测结果与基于不同个体模型进行血糖预测具有统计相似的预测精度。因此，对任意一个个体建立的模型均可应用到其他个体上进行实时的血糖预测，并且LV和LS方法不会影响通用性。基于频带分离建立的低频AR预测模型即为通用低频模型。此外，既然采用两种相同个体模型获得的预测精度相似，说明去除一定截止频率下的高频信号对血糖预测没有影响。

表1针对组1(12对象)和组2(14对象)两组个体采用不同LS/LV模型获得的血糖预测结果对比(RMSE(mg/dL)(MEAN±MAD)。MEAN为平均值，MAD是平均绝对偏差。)

此外，对个体模型的研究表明，P(频带分离的阈值)、PL(预测变量长度)、PH(预测区间)的选取对模型的精度均有影响。本发明结合了两组个体信息对P、PL、PH的选取进行了分析研究。

(a)P的选取：首先，图2以P=60min为例显示了采用频带分离后的效果图。由图可知，低频数据能反映总体的变化趋势且曲线更为平滑，这也体现出了采用频带分离方法可以去除血糖信号一定的噪声信息。其次，我们来分析P的选取对模型精度的影响。用r_m,n表示根据对象n观测数据所建立的通用低频模型进行对象m血糖预测的RMSE值。对象m的RMSE均值r_m通过平均其他25个对象的结果计算而得：

这些计算在不同阈值周期P下重复进行。测试对象m的r_m值和阈值周期可以被排列在于一个向量，因为不同对象的RMSE值有不同的范围，r_m值被标准化转化为0到100%间的百分数以便绘图。对象m被转化的r_m的标准值

被定义为：组1、2的26个个体作为通用低频模型的测试对象。在范围20min<P<80min，由配对的t假设检验(α=0.05)可知，通用低频模型的准确度并不因特定P值而在统计上有所优越。而随着P继续增大，通用模型的准确度出现较明显的降低。

(b)PL的选取：对于每组对象，预测长度PL对一定PH(这里以60min为例)预测精确性的影响通过所有26个对象来评定。先确定每个对象的通用低频模型，再以其平均值作为每个对象的测试模型，应用于该组不同对象的60min血糖预测。RMSE指标的平均值(MEAN)和平均绝对偏差(MAD)通过每组测试对象平均而得。计算不同PL下两组测试对象预测结果的RMSE，其结果如图3和图4所示，模型的预测精度随PL增加而增加直至PL>7。

(c)PH的选取：与PL的选取类似，PH对于一定PL(这里以PL=7为例)预测精确性的影响通过所有26个对象来评定。先确定每个对象的通用低频模型，再以其平均值作为每个对象的测试模型，应用于该组不同对象的血糖预测。RMSE指标的平均值和中值平均偏差通过每组测试对象平均而得。计算不同PH下两组测试对象预测结果的RMSE，其结果如图5和图6所示，模型预测精度随PH的增加而下降。故PH一般选取30～60min时未来血糖预测较为有意义，一方面可以保证足够的外部输入动作时间以消除未来异常血糖，另一方面可以保证一定的预测精度和可靠性。

为了更清楚显示本发明所述方法建立的通用低频模型预测精度，我们将其与SD模型的预测值以及真实测量值进行了比较，如图7、图8、图9和图10所示。

步骤5：基于通用低频模型的在线预测：

基于前述4个步骤，我们可以调用所建立的通用预测模型对任意个体的未来血糖值进行预测。通过以下步骤来完成：

(5.1)在线预测时，在采集到任意个体新数据

后(下标new代表新样本，J=PL)，对

进行如步骤2所述的频带分离处理得到

(5.2)调用通用低频模型进行在线预测：

(5.2.1)调用基于LS建立的通用低频模型进行在线预测：

对于每个新的测试数据

由以下步骤生成PH个采样点后的预测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\&theta;}}^L;$ (14)

其中，θ^L为前面根据训练数据求出的回归系数向量。

(5.2.2)调用基于LV建立的通用低频模型进行在线预测：

对于每个新的测试数据

由以下步骤计算获得PH个采样点后的预测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\&sigma;}}^L;$ (15)

其中，σ^L是PLS-CCA方法求出的回归系数向量。

(5.3)衡量预测精度

将获得的质量预测结果与实际测量值进行对比。在获得一系列新的预测信号后，可以根据公式(13)中定义的RMSE(均方根误差)性能指标计算针对新样本的血糖预测精度。

Claims (3)

1.一种基于频带分离和数据建模的通用血糖预测方法，其特征在于，该方法包括以下步骤：

步骤1：建模血糖信号预处理：将以一定采样周期Δt获得的个体皮下血糖信号组合成一维时序数据x^T(1×Z)，其中，x是血糖信号的测量值，Z为采样个数，去除其中的尖峰噪声。该一维时序数据中包含了血糖信号的时序相关性和动态变化信息。

步骤2：血糖信号频带分离：分析血糖的动态性在高、低不同频段内的变化规律，区分关键频率段与次要频率段，确定频率段划分的最佳阈值。根据定义的分离阈值采用巴特沃斯低通滤波器对血糖信号进行频带分离。

步骤3：获取预测变量矩阵与响应矩阵：用一个长度为K个采样点的一维滑动窗口滑过x^LT(1×Z)，每次移动一个采样点，共移动Z-K+1次。将每次滑动窗口中的数据作为一个新的行向量，则可以组合为一个二维数据矩阵X^L(N×K)，其中，N=Z-K+1,K=PL+H(PH/5)。PL代表预测变量的长，H代表预测步长，PH代表预测区间，H和PH两者度量单位不同，但均表示所预测的是多少步后的血糖。因预测步长为每步5分钟，故有PH=5×H。

步骤4：基于频带分离的血糖预测建模：通过基于LV的方法进行血糖预测建模。步骤5：根据步骤4建立的血糖预测模型对任意个体的未来血糖值进行预测。通过以下步骤来完成：

(5.1)在线预测时，在采集到任意个体新数据

后(下标new代表新样本，J=PL)，对

进行如步骤2所述的频带分离处理得到

(5.2)调用通用低频模型进行在线预测：

(5.2.1)调用基于LS建立的通用低频模型进行在线预测：对于每个新的测试数据

由以下步骤生成PH个采样点后的预测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\&theta;}}^L;$

其中，θ^L为前面根据训练数据求出的回归系数向量。

(5.2.2)调用基于LV建立的通用低频模型进行在线预测：

对于每个新的测试数据

由以下步骤计算获得PH个采样点后的预测值

${\hat{y}}_{\mathrm{new}}^L=x_{\mathrm{new}}^{\mathrm{LT}}{\mathrm{\&sigma;}}^L;$

其中，σ^L是PLS-CCA方法求出的回归系数向量。

(5.3)衡量预测精度：将获得的质量预测结果与实际测量值进行对比。在获得一系列新的预测信号后，可以根据下式中定义的RMSE(均方根误差)性能指标计算针对新样本的血糖预测精度：

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{i\&Element;N}{\mathrm{\&Sigma;}}{(y\left(i\right)-{\hat{y}}^{*}\left(i\right))}^2};$

其中，y(i)表示原始的血糖测量值，

表示采用不同模型获得的血糖预测结果，采用第一种相同个体模型或不同个体模型求得的低频血糖预测值

或者采用第二种相同个体模型求得的全频预测值

N为样本数。

2.根据权利要求1所述基于频带分离和数据建模的通用血糖预测方法，其特征在于，所述步骤2包括以下子步骤：

(2.1)选取形式如下的一阶低通巴特沃斯滤波器：

$\tilde{x}\left(k\right)={\mathrm{\&beta;}}_{1}x\left(k\right)+{\mathrm{\&beta;}}_{2}x(k-1)-\mathrm{\&alpha;}\tilde{x}\left(k\right);$

设置其阀值周期为P(min)。其中，x是血糖信号的测量值，

是其滤波值，α，β₁和β₂是滤波参数，k为采样点。故滤波输出是历史滤波值，历史及当前测量值的线性组合。根据实际对血糖动态性的了解，P取值一般为40min～80min。

(2.2)对步骤1中采集的数据x^T(1×Z)用一阶巴特沃斯低通滤波器进行滤波,分离出低频血糖数据x^LT(1×Z)和高频血糖数据x^HT(1×Z)。高频血糖数据被认为是噪声，可以去除，步骤为：

x^LT(1×Z)=x^T(1×Z)-x^HT(1×Z)；

其中，上标L、H分别表示低频和高频数据。

3.根据权利要求1所述基于频带分离和数据建模的通用血糖预测方法，其特征在于，所述步骤4采用基于LV的建模方法进行血糖预测建模；具体步骤如下：

(4.1)选取预测变量和输出变量：根据PL的取值，选取X ^L(N×K)前PL列作为预测矩阵X^L(N×J)，J=PL；则X^L(N×K)第PL+PH列作为输出变量y^L(N×1)。

(4.2)根据低频血糖信号采用LV方法建立AR预测模型：基于LV的AR低频预测模型采用PLS-CCA的特征提取方法进行建模。先用PLS提取初步潜变量组，由于PLS方法提取的潜变量LVs不能保证其与响应变量的密切相关关系，再用CCA对其进行后处理，从而提取其中与相应变量密切相关的部分进行回归建模与预测。步骤如下：

(4.2.1)数据预处理

将所有个体的预测变量矩阵和响应矩阵组合到一起，针对组合后的预测变量矩阵和响应矩阵内任意一点的变量x_i,j，对该变量进行减均值、除以标准差的全局标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：

$x_{i,j}=\frac{x_{i,j}-{\stackrel{\&OverBar;}{x}}_j}{s_j};$

其中：

是组合后的矩阵任一列的均值，s_j是相应列的标准差。其计算公式如下：

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_{i,j}$

$s_j=\sqrt{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{(x_{i,j}-{\stackrel{\&OverBar;}{x}}_j)}^2/(M-1)};$

其中：M是组合后矩阵中的样本总量。

(4.2.2)利用PLS提取潜变量组T：

T=X^LR

R=W(P^TW)^-1；

其中，T是由多个PLS潜变量构成的潜变量矩阵，R是PLS方法的系数矩阵，W是由PLS求出的权重矩阵，P是对应于T的负载矩阵。

(4.2.3)利用CCA对PLS潜变量进行后处理，得到最终潜变量u：

u=Tv；

其中，v是对应于T的权重向量。因y是单变量输出响应，由于CCA方法本身的特点，故最终只需提取一个潜变量。

(4.2.4)建立低频AR模型：

用最小二乘法求取潜变量与响应变量间的回归系数q：

q=(u^Tu)^-1u^Ty^L；

故最终基于LV方法建立的AR模型为：

${\hat{y}}^L=X^L{\mathrm{\&sigma;}}^L$ ；

σ^L=Rvq

其中，σ^L是通过PLS与CCA两种方法结合获得的预测模型回归系数，为获得的低频血糖预测值。

Images