[发明专利]基于平滑处理及融合的血糖预测方法、系统及医疗设备

权利要求书

1.一种基于平滑处理及融合的血糖预测方法，其特征在于，包括：

S1.确定个体饮食行为及数据采集时段，采集N次个体在不同饮食行为下的生理指标数据作为原始特征值，并实测生理指标数据同步对应的血糖值，作为血糖参考值；

S2.基于原始特征值形成原始特征值矩阵，对原始特征值矩阵中的原始特征值进行归一化处理，得到新特征值，形成新特征值矩阵；

S3.计算新特征值的相关系数，基于相关系数对新特征值进行平滑处理，得到平滑特征值，并将平滑特征值划分为训练集、验证集和测试集；

设原始特征值组成N×K的原始特征值矩阵：

其中，原始特征值矩阵中每一行代表N个数据样本中每一个数据样本含有K个特征值,设某一列代表N个数据样本的相同类型特征值，记为y；对每一个y进行归一化，归一化公式为：

其中，y′表示某一列代表N个数据样本的相同类型特征值归一化后的新特征值，归一化后形成新特征值矩阵X＇：

某一列代表N个数据样本的相同类型特征值归一化后的新特征值为y′，y′∈IR^N×1，设新特征值矩阵X＇中不同数据样本下相同类型特征值的相关系数为w₁，y′对应的该列代表N个数据样本的相同类型特征值平滑处理后得到的平滑特征值为x，x∈IR^N×1利用x＝y′·w₁将N个数据样本的相同类型特征值y′平滑处理，过程为：

建立目标函数：在最大时，即：时，x^Ty′^Tw₁0，w₁^Ty′y′^Tw₁＝C成立，C是常数，求解出相关系数为w₁，根据x＝y′·w₁求得该列平滑特征值x，重复以上过程，直至求出新特征值矩阵中所有列代表的相同类型特征值的平滑特征值，形成平滑特征值矩阵X，表式为：

将N个样本数据集平滑处理后的N个平滑样本数据集划分为含a个平滑样本的训练集、含b个平滑样本的验证集及含c个平滑样本的测试集，即N＝a+b+c；

S4.引入随机森林模型，利用随机森林模型计算平滑特征值的特征贡献率并排序，并选择特征贡献率大于零的平滑特征值；

S5.从训练集中选择排序在前e位的平滑特征值并抽取，作为固定集合，剩余的平滑特征值均分为f组集合，将均分的f组集合与e位平滑特征值组合成新的特征向量，并形成f个特征矩阵；

S6.利用f个特征矩阵以及其同步对应的血糖参考值训练随机森林模型，得到f个血糖预测模型；

S7.将验证集依次输入f个血糖预测模型，得到第一血糖预测结果矩阵；

S8.基于第一血糖预测结果矩阵，计算f个血糖预测模型的最优相关系数；

S9.将测试集依次输入f个血糖预测模型，得到第二血糖预测结果矩阵，利用S8得到的最优相关系数对第二血糖预测结果矩阵进行融合，得到最终的血糖预测值；

设f个血糖预测模型的相关系数为w₂，设r为b个平滑样本验证集对应的实测血糖值组成的矩阵，在步骤S8中，基于第一血糖预测结果矩阵F，F∈IR^b×f，r∈IR^b，利用F·w₂＝r的关系，得到w₂∈IR^f，求解2范数取得最小值时的相关系数w₂，求得的w₂即为最佳相关系数w₂^*；

步骤S9的具体过程为：

将含c个平滑样本的测试集依次输入f个血糖预测模型，每一个血糖预测模型得到的第二预测结果矩阵表征为：[F_g1,F_g2，…,F_gf]，g＝1,…,c；

将每一个血糖预测模型得到的第二预测结果矩阵组合，得到整体的第二血糖预测结果矩阵，表征为：

利用S8得到的最优相关系数w₂^*对整体的第二血糖预测结果矩阵进行融合，得到最终的血糖预测值，表达式为：

其中，Z1,…,Zc表示含c个平滑样本的测试集对应的最终的血糖预测值。