摘要
当今社会，糖尿病患者愈来愈多，长期糖尿病引发各种并发症，严重威胁患者的健康和生命。因此利用预测模型预测未来血糖，进而帮助糖尿病患者控制血糖水平有重要意义。 但在对糖尿病患者血糖浓度进行预测时，由于血糖浓度序列的时变性、非线性和非平稳等特点，严重影响了预测的精度。为提高血糖浓度预测精度，本文在经验小波变换(EWT)和长短期记忆网络(LSTM)的基础上，提出了一种二阶段EWT-LSTM短期血糖预测模型。 在第一阶段，首先，用经验小波变换方法对血糖时间序列进行分解，得到一组具有不同特征尺度的经验模态函数(EMF)子序列;然后，对各EMF子序列采用LSTM进行预测，并运用最终预测误差(FPE)准则优化LSTM结构参数，提高模型预测精度;进而，对各个EMF子序列的预测结果进行累加，得到血糖浓度的初始预测序列。在第二阶段，计算原始序列与初始预测序列之间的误差，利用LSTM模型对误差序列进行预测处理，得到误差序列的预测结果;最后，将第一阶段中得到初始预测序列和误差序列预测进行线性求和，得到最终的血糖浓度预测结果。 本文采用四个患者实测血糖浓度序列进行实验分析，对比了BP网络模型、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、LSTM、EWT-LSTM和本文方法在一步和多步预测时的精度。实验结果表明，随着步数的增加，各个模型预测精度均在下降。在一步预测和六步预测中，本文方法的预测精度均最高，分别为99.55％和97.15％。二阶段EWTILSTM血糖预测模型提高了预测精度，延长了预测时间，对提高糖尿病的治疗效果具有一定的指导意义。
NETL