一种PPG信号血糖预测模型的处理方法和装置与流

本发明涉及数据处理，特别涉及一种ppg信号血糖预测模型的处理方法和装置。背景技术：1、血糖观测值是一项重要的健康评判参数。目前常规的血糖观测手段主要是基于有创方式进行。再对人体进行长期血糖观测时，这种有创观测手段会给用户带来诸多不良体验，例如创口疼痛、创口感染等。基于比尔-朗伯定律我们可知溶液对透射光的吸收度与溶质浓度有关，进而可知血糖值越高则透过人体组织的光强就越小，也就是说通过采集反映人体血液透射光强变化的光电容积脉搏波(photop l ethysmography,ppg)信号就能对血糖变化进行观测。因为ppg信号采集是一种无创方式，所以如果能给出一个基于ppg信号进行血糖观测/预测的技术方案就能有效改善用户体验，提高用户自测积极性。技术实现思路1、本发明的目的，就是针对现有技术的缺陷，提供一种ppg信号血糖预测模型的处理方法、装置、电子设备及计算机可读存储介质。本发明构建了一个ppg信号血糖预测模型记为第一预测模型，并通过数据采集构建对应的第一原始数据集，并对第一原始数据集进行数据预处理得到对应的第一训练数据集，并基于第一训练数据集对第一预测模型进行模型训练；并在模型训练结束后，基于第一预测模型对任意被测者进行血糖预测处理。在本发明方案中被测者只需在初期通过光学信号采集和有创方式的血糖值采集留存几个历史标定记录，在随后的任意时刻就能基于本发明提供的第一预测模型根据历史标定记录和实时采集的ppg信号进行实时血糖预测。通过本发明提供的无创血糖预测方案可以有效地改善用户体验、提高用户自测积极性。2、为实现上述目的，本发明实施例第一方面提供了一种ppg信号血糖预测模型的处理方法，所述方法包括：3、构建ppg信号血糖预测模型记为对应的第一预测模型；4、通过数据采集构建对应的第一原始数据集；5、对所述第一原始数据集进行数据预处理得到对应的第一训练数据集；6、基于所述第一训练数据集对所述第一预测模型进行模型训练；7、模型训练结束后，基于所述第一预测模型对任意被测者进行血糖预测处理。8、优选的，所述第一预测模型对应一个模型信号采样时长和一个模型信号采样频率；9、所述第一预测模型具备三个模型输入端和一个模型输出端；所述三个模型输入端分别为对应的第一、第二和第三模型输入端；10、所述第一预测模型包括第一支路网络、第二支路网络、支路输出拼接层和末端线性层；11、所述第一支路网络的第一、第二输入端与对应的第一、第二模型输入端连接，输出端与所述支路输出拼接层的第一输入端连接；所述第一支路网络包括编码器、解码器、全连接层和支路线性层；所述编码器的输入端与所述第一支路网络的第一输入端连接，输出端与所述解码器的第一输入端连接；所述解码器的第二输入端与所述第一支路网络的第二输入端连接，输出端与所述全连接层的输入端连接；所述全连接层的输出端与所述支路线性层连接；所述支路线性层的输出端与所述支路输出拼接层的第一输入端连接；12、所述第二支路网络的输入端与对应的第三模型输入端连接，输出端与所述支路输出拼接层的第二输入端连接；所述第二支路网络包括elu函数层、门控线性层、残差层和标准化层；所述elu函数层的输入端与所述第二支路网络的输入端连接，输出端与所述门控线性层的输入端连接；所述门控线性层的输出端与所述残差层的输入端连接；所述残差层的输出端与所述标准化层的输入端连接；所述标准化层的输出端与所述支路输出拼接层的第二输入端连接；13、所述支路输出拼接层的输出端与所述末端线性层的输入端连接；14、所述末端线性层的输出端与模型输出端连接。15、优选的，所述第一预测模型用于根据模型输入的输入张量x1、输入张量x2和输入张量x3进行血糖预测并输出对应的预测向量y；所述第一预测模型的第一、第二和第三模型输入端分别用于接收对应的所述输入张量x1、所述输入张量x2和所述输入张量x3；所述第一预测模型的模型输出端用于输出对应的所述预测向量y；16、所述输入张量x1的形状为b×h1×w1；批次总数b为大于或等于1的整数；所述输入张量x1由b个形状为h1×w1的输入张量x1,i组成，1≤批次索引i≤b；张量高度h1为正整数，张量宽度w1＝4×f l oor(模型信号采样时长/模型信号采样频率)，f l oor()为向下取整函数；17、所述输入张量x2的形状为b×h2×w2；所述输入张量x2由b个形状为h2×w2的输入张量x2,i组成；张量高度h2＝h1-1、张量宽度w2＝2；18、所述输入张量x3的形状为b×w3；所述输入张量x3由b个向量宽度为w3的输入向量x3,i组成；向量宽度w3＝7；19、所述预测向量y由b个预测血糖值yi组成；20、所述第一支路网络中，所述编码器和所述解码器基于transformer模型的编、解码器结构实现，所述全连接层基于全连接神经网络实现，所述支路线性层基于一个线性层神经网络实现；所述第一支路网络用于根据所述输入张量x1和所述输入张量x2进行编码运算、解码运算、全连接运算和线性运算得到对应的线性网络张量xl向所述支路输出拼接层输出；所述线性网络张量xl由b个向量宽度为wl的线性计算向量xl,i组成；向量宽度wl＝7；21、所述第二支路网络中，所述门控线性层基于glu模型结构实现，所述残差层基于一个残差模块或多个顺次连接的残差模块实现；所述第二支路网络用于根据所述输入张量x3进行elu函数激活、门控线性运算、残差运算和标准化处理得到对应的标准化张量xnm向所述支路输出拼接层输出；所述标准化张量xnm的形状为b×wnm，由b个向量宽度为wnm的标准化向量xnm,i组成；向量宽度wnm＝7；22、所述支路输出拼接层用于对所述线性网络张量xl和所述标准化张量xnm进行张量拼接得到对应的拼接张量xcat向所述末端线性层输出；所述拼接张量xcat的形状为b×wcat，由b个向量宽度为wcat的拼接向量xcat,i组成；向量宽度wcat＝wl+wnm；23、所述末端线性层基于一个线性层神经网络实现；所述末端线性层用于根据所述拼接张量xcat的各个所述拼接向量xcat,i进行线性计算得到对应的所述预测血糖值yi，并由得到的b个所述预测血糖值yi组成对应的所述预测向量y并输出。24、进一步的，所述第一支路网络用于根据所述输入张量x1和所述输入张量x2进行编码运算、解码运算、全连接运算和线性运算得到对应的线性网络张量xl向所述支路输出拼接层输出，具体包括：25、由所述编码器对所述输入张量x1的各个所述输入张量x1,i进行特征编码处理得到对应编码张量xen,i，并由得到的b个编码张量xen,i组成对应的编码张量xen向所述解码器输出；所述编码张量xen由b个形状为hen×wen的所述编码张量xen,i组成；张量高度hen、张量宽度wen为正整数；26、由所述解码器根据所述编码张量xen的各个所述编码张量xen,i以及所述输入张量x2中对应的所述输入张量x2,i进行解码处理得到对应的解码张量xde,i，并由得到的b个所述解码张量xde,i组成对应的解码张量xde向所述全连接层输出；所述解码张量xde由b个形状为hde×wde的所述解码张量xde,i组成；张量高度hde、张量宽度wde为正整数；27、由所述全连接层对所述解码张量xde的各个所述解码张量xde,i进行一维向量展开处理得到对应的展开向量xfc,i，并由得到的b个所述展开向量xfc,i组成形状为b×wfc的全连接张量xfc向所述支路线性层输出；所述全连接张量xfc由b个向量宽度为wfc的所述展开向量xfc,i组成；向量宽度wfc＝hde×wde；28、由所述支路线性层用于根据所述全连接张量xfc的各个所述展开向量xfc,i进行线性计算得到对应的所述线性计算向量xl,i，并由得到的b个所述线性计算向量xl,i组成形状为b×wl的所述线性网络张量xl向所述支路输出拼接层输出。29、进一步的，所述第二支路网络用于根据所述输入张量x3进行elu函数激活、门控线性运算、残差运算和标准化处理得到对应的标准化张量xnm向所述支路输出拼接层输出，具体包括：30、由所述elu函数层将所述输入张量x3的各个所述输入向量x3,i带入elu激活函数进行函数运算得到对应的激活向量xelu,i，并由得到的b个所述激活向量xelu,i组成形状为b×welu的激活张量xelu向所述门控线性层输出；所述激活张量xelu由b个向量宽度为welu的所述激活向量xelu,i组成；向量宽度welu为正整数；31、由所述门控线性层对所述激活张量xelu的各个所述激活向量xelu,i进行时序特征提取处理得到对应的门控向量xglu,i，并由得到的b个所述门控向量xglu,i组成形状为b×wglu的门控张量xglu向所述残差层输出；所述门控张量xglu由b个向量宽度为wglu的所述门控向量xglu,i组成；向量宽度wglu为正整数；32、由所述残差层对所述门控张量xglu的各个所述门控向量xglu,i进行残差运算得到对应的残差向量xrs,i，并由得到的b个所述残差向量xrs,i组成形状为b×wrs的残差张量xrs向所述标准化层输出；所述残差张量xrs由b个向量宽度为wrs的所述残差向量xrs,i组成；向量宽度wrs＝7；33、由所述标准化层对所述残差张量xrs的wrs个特征通道进行标准化处理得到对应的所述标准化张量xnm向所述支路输出拼接层输出。34、优选的，所述第一原始数据集包括多个第一人员数据集；35、所述第一人员数据集包括第一标定数据列表和第一测试数据列表；36、所述第一标定数据列表包括第一数量n个第一标定数据记录；所述第一数量n与所述张量高度h2一致；所述第一标定数据记录包括第一采集时间、第一前次用餐时间、第一相对时间、第一a波段ppg信号、第一b波段ppg信号、第一c波段ppg信号、第一环境光信号、第一年龄、第一性别、第一身高、第一体重、第一身体质量指数和第一血糖测量值；所述第一相对时间为所述第一采集时间与所述第一前次用餐时间之间的时间间隔；a、b、c波段分别对应三个红光波段；第一a/b/c波段ppg信号为在对应的a/b/c红光波段下采集到的ppg信号；37、所述第一测试数据列表包括多个第一测试数据记录；所述第一测试数据记录的数量大于n；38、所述第一测试数据记录包括第二采集时间、第二前次用餐时间、第二相对时间、第二a波段ppg信号、第二b波段ppg信号、第二c波段ppg信号、第二环境光信号、第二年龄、第二性别、第二身高、第二体重、第二身体质量指数和第二血糖测量值；所述第二相对时间为所述第二采集时间与所述第二前次用餐时间之间的时间间隔；第二a/b/c波段ppg信号为在对应的a/b/c红光波段下采集到的ppg信号；39、所述第一训练数据集包括多个第二人员数据集；40、所述第二人员数据集包括第二标定数据列表和第二测试数据列表；41、所述第二标定数据列表包括n个第二标定数据记录；所述第二标定数据记录包括第一标定时间编码、第二标定时间编码、第三标定时间编码、第一标定信号编码向量、第二标定信号编码向量、第三标定信号编码向量、第四标定信号编码向量、第一标定年龄编码、第一标定性别编码、第一标定身高编码、第一标定体重编码、第一标定身体质量指数编码和第一标定血糖测量值；所述第一、第二、第三、第四标定信号编码向量的向量长度与所述张量宽度w1一致；42、所述第二测试数据列表包括多个第二测试数据记录；所述第二测试数据记录包括第一测试时间编码、第二测试时间编码、第三测试时间编码、第一测试信号编码向量、第二测试信号编码向量、第三测试信号编码向量、第四测试信号编码向量、第一测试年龄编码、第一测试性别编码、第一测试身高编码、第一测试体重编码、第一测试身体质量指数编码和第一测试血糖测量值；所述第一、第二、第三、第四测试信号编码向量的向量长度与所述张量宽度w1一致。43、优选的，所述通过数据采集构建对应的第一原始数据集，具体包括：44、征集大量志愿者组成第一志愿者集合；所述第一志愿者集合包括多个第一志愿者；每个所述第一志愿者对应一个第一志愿者服务时限，所述第一志愿者服务时限以天为单位；45、并将各个所述第一志愿者作为对应的当前志愿者；46、并为所述当前志愿者创建一个对应的所述第一人员数据集；并在所述第一人员数据集中初始化两个空的数据表作为对应的所述第一标定数据列表和所述第一测试数据列表；47、并通过对所述当前志愿者的n次餐后标定数据采集来填充对应的所述第一标定数据列表，具体为：在所述当前志愿者的一次或多次用餐后的指定时段内选择n个第一随机时间点；并在每个所述第一随机时间点上，基于a/b/c红光波段对所述当前志愿者进行三次ppg信号采集生成对应的所述第一a波段ppg信号、所述第一b波段ppg信号、所述第一c波段ppg信号，并对当前ppg信号采集环境的环境光信号进行采集得到对应的所述第一环境光信号，并使用血糖测量仪器对所述当前志愿者进行一次血糖值测量得到对应的所述第一血糖测量值，并对所述当前志愿者的年龄、性别、身高、体重、身体质量指数进行信息统计得到对应的所述第一年龄、所述第一性别、所述第一身高、所述第一体重、所述第一身体质量指数，并将当前所述第一随机时间点作为对应的所述第一采集时间，并将所述当前志愿者最近一次用餐的用餐结束时间作为对应的所述第一前次用餐时间，并对所述第一采集时间和所述第一前次用餐时间的时间间隔进行计算得到对应的所述第一相对时间，并由本次得到的所述第一采集时间、所述第一前次用餐时间、所述第一相对时间、所述第一a波段ppg信号、所述第一b波段ppg信号、所述第一c波段ppg信号、所述第一环境光信号、所述第一年龄、所述第一性别、所述第一身高、所述第一体重、所述第一身体质量指数和所述第一血糖测量值组成一个对应的所述第一标定数据记录；并将得到的n个所述第一标定数据记录填充到所述第一标定数据列表中；其中，所述第一a波段ppg信号、所述第一b波段ppg信号、所述第一c波段ppg信号和所述第一环境光信号的信号采集时长以及信号采集频率都相同且都大于或等于对应的所述模型信号采样时长和所述模型信号采样频率；48、并通过对所述当前志愿者的多次随机测试数据采集来更新对应的所述第一测试数据列表，具体为：将所述当前志愿者的所述第一志愿者服务时限内的任一时刻作为一个对应的第二随机时间点；并在当前所述第二随机时间点上，基于a/b/c红光波段对所述当前志愿者进行三次ppg信号采集生成对应的所述第二a波段ppg信号、所述第二b波段ppg信号、所述第二c波段ppg信号，并对当前ppg信号采集环境的环境光信号进行采集得到对应的所述第二环境光信号，并使用血糖测量仪器对所述当前志愿者进行一次血糖值测量得到对应的所述第二血糖测量值，并对所述当前志愿者的年龄、性别、身高、体重、身体质量指数进行信息统计得到对应的所述第二年龄、所述第二性别、所述第二身高、所述第二体重、所述第二身体质量指数，并将当前所述第二随机时间点作为对应的所述第二采集时间，并将所述当前志愿者最近一次用餐的用餐结束时间作为对应的所述第二前次用餐时间，并对所述第二采集时间和所述第二前次用餐时间的时间间隔进行计算得到对应的所述第二相对时间，并由本次得到的所述第二采集时间、所述第二前次用餐时间、所述第二相对时间、所述第二a波段ppg信号、所述第二b波段ppg信号、所述第二c波段ppg信号、所述第二环境光信号、所述第二年龄、所述第二性别、所述第二身高、所述第二体重、所述第二身体质量指数和所述第二血糖测量值组成一个对应的所述第一测试数据记录向所述第一标定数据列表中添加；其中，所述第二a波段ppg信号、所述第二b波段ppg信号、所述第二c波段ppg信号和所述第二环境光信号的信号采集时长以及信号采集频率都相同且都大于或等于对应的所述模型信号采样时长和所述模型信号采样频率；49、并在所有所述第一志愿者的所有所述第一志愿者服务时限都过期时，由得到的所有所述第一人员数据集组成对应的所述第一原始数据集。50、优选的，所述对所述第一原始数据集进行数据预处理得到对应的第一训练数据集，具体包括：51、对所述第一原始数据集的所有所述第一标定数据记录和所有所述第一测试数据记录的记录数量总和进行统计得到对应的第一总数l1；52、并将所述第一原始数据集的所有第一/第二采集时间提取出来组成一个数据向量记为对应的第一向量；所述第一向量包括l1个第一向量数据，每个所述第一向量数据对应一个所述第一采集时间或一个所述第二采集时间；53、并将所述第一原始数据集的所有第一/第二前次用餐时间提取出来组成一个数据向量记为对应的第二向量；所述第二向量包括l1个第二向量数据，每个所述第二向量数据对应一个所述第一前次用餐时间或一个所述第二前次用餐时间；54、并将所述第一原始数据集的所有第一/第二相对时间提取出来组成一个数据向量记为对应的第三向量；所述第三向量包括l1个第三向量数据，每个所述第三向量数据对应一个所述第一相对时间或一个所述第二相对时间；55、并将所述第一原始数据集的所有第一/第二年龄提取出来组成一个数据向量记为对应的第四向量；所述第四向量包括l1个第四向量数据，每个所述第四向量数据对应一个所述第一年龄或一个所述第二年龄；56、并将所述第一原始数据集的所有第一/第二身高提取出来组成一个数据向量记为对应的第五向量；所述第五向量包括l1个第五向量数据，每个所述第五向量数据对应一个所述第一身高或一个所述第二身高；57、并将所述第一原始数据集的所有第一/第二体重提取出来组成一个数据向量记为对应的第六向量；所述第六向量包括l1个第六向量数据，每个所述第六向量数据对应一个所述第一体重或一个所述第二体重；58、并将所述第一原始数据集的所有第一/第二身体质量指数提取出来组成一个数据向量记为对应的第七向量；所述第七向量包括l1个第七向量数据，每个所述第七向量数据对应一个所述第一身体质量指数或一个所述第二身体质量指数；59、并将所述第一原始数据集的所有第一/第二性别提取出来组成一个数据向量记为对应的第八向量；所述第八向量包括l1个第八向量数据，每个所述第八向量数据对应一个所述第一性别或一个所述第二性别；60、并将所述第一原始数据集的所有第一/第二a波段ppg信号提取出来组成一个信号集合记为对应的第一信号集合；所述第一信号集合包括l1个第一信号，每个所述第一信号对应一个所述第一a波段ppg信号或一个所述第二a波段ppg信号；61、并将所述第一原始数据集的所有第一/第二b波段ppg信号提取出来组成一个信号集合记为对应的第二信号集合；所述第二信号集合包括l1个第二信号，每个所述第二信号对应一个所述第一b波段ppg信号或一个所述第二b波段ppg信号；62、并将所述第一原始数据集的所有第一/第二c波段ppg信号提取出来组成一个信号集合记为对应的第三信号集合；所述第三信号集合包括l1个第三信号，每个所述第三信号对应一个所述第一c波段ppg信号或一个所述第二c波段ppg信号；63、并将所述第一原始数据集的所有第一/第二环境光信号提取出来组成一个信号集合记为对应的第四信号集合；所述第四信号集合包括l1个第四信号，每个所述第四信号对应一个所述第一环境光信号或一个所述第二环境光信号；64、并按最大最小归一化方式对所述第一、第二、第三、第四、第五、第六和第七向量进行归一化处理得到对应的第一、第二、第三、第四、第五、第六和第七归一化向量；所述第一、第二、第三、第四、第五、第六或第七归一化向量包括l1个对应的第一、第二、第三、第四、第五、第六或第七归一化数据；65、并按独热编码机制对所述第八向量进行归一化处理得到对应的第八归一化向量；所述第八归一化向量包括l1个第八归一化数据；66、并按z-score标准化方式对所述第一、第二、第三和第四信号集合的各个所述第一、第二、第三和第四信号进行标准化编码得到对应的第一、第二、第三和第四信号编码向量集合；所述第一、第二、第三或第四信号编码向量集合包括l1个对应的第一、第二、第三或第四信号编码向量；67、并由各个所述第一标定数据记录对应的所述第一、第二、第三、第四、第五、第六、第七和第八归一化数据以及所述第一、第二、第三和第四信号编码向量以及所述第一血糖测量值作为一组对应的所述第一标定时间编码、所述第二标定时间编码、所述第三标定时间编码、所述第一标定年龄编码、所述第一标定身高编码、所述第一标定体重编码、所述第一标定身体质量指数编码、所述第一标定性别编码、所述第一标定信号编码向量、所述第二标定信号编码向量、所述第三标定信号编码向量、所述第四标定信号编码向量和所述第一标定血糖测量值组成一个对应的所述第二标定数据记录；68、并由各个所述第一测试数据记录对应的所述第一、第二、第三、第四、第五、第六、第七和第八归一化数据以及所述第一、第二、第三和第四信号编码向量以及所述第一血糖测量值作为一组对应的所述第一测试时间编码、所述第二测试时间编码、所述第三测试时间编码、所述第一测试年龄编码、所述第一测试身高编码、所述第一测试体重编码、所述第一测试身体质量指数编码、所述第一测试性别编码、所述第一测试信号编码向量、所述第二测试信号编码向量、所述第三测试信号编码向量、所述第四测试信号编码向量和所述第一测试血糖测量值组成一个对应的所述第二测试数据记录；69、并由各个所述第一人员数据集对应的n个所述第二标定数据记录组成一个对应的所述第二标定数据列表；并由各个所述第一人员数据集对应的所有所述第二测试数据记录组成一个对应的所述第二测试数据列表；并由各个所述第一人员数据集对应的所述第二标定数据列表和所述第二测试数据列表组成一个对应的所述第二人员数据集；并由得到的所有所述第二人员数据集组成一个对应的所述第一训练数据集。70、进一步的，所述按最大最小归一化方式对所述第一、第二、第三、第四、第五、第六和第七向量进行归一化处理得到对应的第一、第二、第三、第四、第五、第六和第七归一化向量，具体包括：71、将所述第一、第二、第三、第四、第五、第六和第七向量依次作为对应的当前向量a，并将所述当前向量a的各个向量数据记为对应的向量数据ak，1≤数据索引k≤l1；72、并从预设的多个最大最小阈值对中选出与所述当前向量a对应的最大最小阈值对作为当前最大最小阈值对，并将所述当前最大最小阈值的最大最小阈值提取出来作为对应的第一最大阈值amax和第一最小阈值amin；所述多个最大最小阈值对包括采集时间-最大最小阈值对、用餐时间-最大最小阈值对、相对时间-最大最小阈值对、年龄-最大最小阈值对、身高-最大最小阈值对、体重-最大最小阈值对和身体质量指数-最大最小阈值对，每个最大最小阈值对都由一对最大最小阈值组成；73、并基于所述第一最大阈值amax和所述第一最小阈值amin对各个所述向量数据ak进行归一化处理得到对应的归一化数据74、并将最大和最小的所述归一化数据作为对应的第二最大阈值和第二最小阈值75、并基于所述第二最大阈值和所述第二最小阈值对各个所述归一化数据进行归一化处理得到对应的归一化数据76、并将各个所述归一化数据作为一个与所述当前向量a对应的所述第一、第二、第三、第四、第五、第六或第七归一化数据；并由本次得到的所有所述第一、第二、第三、第四、第五、第六或第七归一化数据组成一个对应的所述第一、第二、第三、第四、第五、第六或第七归一化向量。77、进一步的，所述按独热编码机制对所述第八向量进行归一化处理得到对应的第八归一化向量，具体包括：78、将性别男、女设为互斥的0-1编码得到对应的性别男编码和性别女编码；所述性别男编码和所述性别女编码的取值只有0和1两种取值，且所述性别男编码与所述性别女编码取值互斥；79、为所述第八向量中与性别男或性别女匹配的所述第八向量数据设置一个对应的所述第八归一化数据；并将与性别男对应的各个所述第八归一化数据设为对应的所述性别男编码；并将与性别女对应的各个所述第八归一化数据设为对应的所述性别女编码；并由得到的所有所述第八归一化数据组成一个对应的所述第八归一化向量。80、进一步的，所述按z-score标准化方式对所述第一、第二、第三和第四信号集合的各个所述第一、第二、第三和第四信号进行标准化编码得到对应的第一、第二、第三和第四信号编码向量集合，具体包括：81、将各个所述第一、第二、第三和第四信号依次作为对应的当前信号；82、并按所述模型信号采样频率对所述当前信号进行重采样得到对应的重采样信号；83、并将所述重采样信号前端长度为所述模型信号采样时长的信号段截取出来作为对应的截取信号s；84、并对所述截取信号s的采样点总数进行统计得到对应的采样点总数q；所述采样点总数q与所述张量宽度w1的四分之一匹配；85、并将所述截取信号s的各个采样点的信号数据记为对应的采样点数据sq，1≤采样点索引q≤q；86、并按z-score标准化方式对各个所述采样点数据sq进行标准化处理得到对应的归一化编码87、88、μ为平均值、σ为标准差；89、并由得到的所有所述归一化编码组成一个对应的归一化编码向量；并将本次得到的所述归一化编码向量作为一个与所述当前信号对应的所述第一、第二、第三或第四信号编码向量；90、并由得到的所有所述第一信号编码向量组成对应的所述第一信号编码向量集合；并由得到的所有所述第二信号编码向量组成对应的所述第二信号编码向量集合；并由得到的所有所述第三信号编码向量组成对应的所述第三信号编码向量集合；并由得到的所有所述第四信号编码向量组成对应的所述第四信号编码向量集合。91、优选的，所述基于所述第一训练数据集对所述第一预测模型进行模型训练，具体包括：92、步骤121，将所述第一训练数据集的所有所述第二测试数据记录提取出来组成第一记录序列；并对所述第一记录序列的所述第二测试数据记录的总数进行统计得到对应的第一记录总数；并将所述第一预测模型的所述批次总数b设为一个大于1但小于或等于所述第一记录总数的整数；并将所述第一记录序列的第1个所述第二测试数据记录作为对应的当前起始记录；并将所述第一记录序列的倒数第b个所述第二测试数据记录作为对应的第一结束记录；93、步骤122，将所述第一记录序列中从所述当前起始记录起的b个所述第二测试数据记录提取出来组成对应的第二记录序列；94、步骤123，并基于所述第二记录序列进行模型输入向量和模型标签向量准备得到对应的所述输入张量x1、所述输入张量x2、所述输入张量x3和标签向量y*；95、具体为：步骤1231，将所述第二记录序列的各个所述第二测试数据记录作为对应的当前数据记录；并将所述第一训练数据集中所述当前数据记录对应的所述第二标定数据列表作为对应的当前标定数据列表；96、步骤1232，并对所述当前标定数据列表的各个所述第二标定数据记录的所述第一、第二、第三、第四标定信号编码向量进行向量拼接得到一个长度为所述张量宽度w1的标定信号拼接向量；并由所述当前标定数据列表的n个所述信号拼接向量组成一个形状为n×w1＝h2×w1的标定信号拼接张量；并对所述当前数据记录的所述第一、第二、第三、第四测试信号编码向量进行向量拼接得到一个长度为所述张量宽度w1的测试信号拼接向量；并由所述标定信号拼接张量和所述测试信号拼接向量组成一个形状为(n+1)×w1＝(h2+1)×w1＝h1×w1的所述输入张量x1,i；97、步骤1233，并由所述当前标定数据列表的各个所述第二标定数据记录的所述第三标定时间编码和所述第一标定血糖测量值组成一个向量宽度与所述张量宽度w2匹配的标定编码向量；并由所述当前标定数据列表的n个所述标定编码向量组成一个形状为n×w2＝h2×w2的所述输入张量x2,i；98、步骤1234，并由所述当前数据记录的所述第一测试时间编码、所述第三测试时间编码、所述第一测试年龄编码、所述第一测试性别编码、所述第一测试身高编码、所述第一测试体重编码和所述第一测试身体质量指数编码组成一个对应的所述输入向量x3,i；99、步骤1235，并将所述当前数据记录的所述第一测试血糖测量值作为对应的标签血糖值100、步骤1236，并由所述第二记录序列对应的b个所述输入张量x1,i组成对应的所述输入张量x1、b个所述输入张量x2,i组成对应的所述输入张量x2、b个所述输入张量x3,i组成对应的所述输入张量x3、b个所述标签血糖值yi*组成对应的所述标签向量y*；101、步骤124，并将所述输入张量x1、所述输入张量x2和所述输入张量x3输入所述第一预测模型进行血糖预测得到由b个所述预测血糖值yi组成的所述预测向量y；并将所述预测向量y和所述标签向量y*带入预设的模型损失函数lossm进行计算得到对应的第一损失值；102、所述模型损失函数lossm为：103、步骤125，对所述第一损失值是否满足预设的第一损失值范围进行识别；若所述第一损失值不满足所述第一损失值范围则基于预设的模型参数优化算法对所述第一预测模型进行一轮模型参数优化，并在本轮模型参数优化结束时返回步骤124继续训练；若所述第一损失值满足所述第一损失值范围则对所述当前起始记录是否与所述第一结束记录匹配进行识别，若不匹配则将所述第一记录序列的下一个所述第二测试数据记录作为新的所述当前起始记录并返回步骤122继续训练，若匹配则停止模型训练并确认模型训练结束。104、优选的，所述基于所述第一预测模型对任意被测者进行血糖预测处理，具体包括：105、将当前被测者作为对应的第一被测者；106、并在所述第一被测者的一次或多次用餐后的指定时段内选择n个第三随机时间点；并在每个所述第三随机时间点上，基于a/b/c红光波段对所述第一被测者进行三次ppg信号采集生成对应的第三a波段ppg信号、第三b波段ppg信号、第三c波段ppg信号，并对当前ppg信号采集环境的环境光信号进行采集得到对应的第三环境光信号，并使用血糖测量仪器对所述第一被测者进行一次血糖值测量得到对应的第三血糖测量值，并对所述第一被测者的年龄、性别、身高、体重、身体质量指数进行信息统计得到对应的第三年龄、第三性别、第三身高、第三体重、第三身体质量指数，并将当前所述第三随机时间点作为对应的第三采集时间，并将所述第一被测者最近一次用餐的用餐结束时间作为对应的第三前次用餐时间，并对所述第三采集时间和所述第三前次用餐时间的时间间隔进行计算得到对应的第三相对时间，并由本次得到的所述第三采集时间、所述第三前次用餐时间、所述第三相对时间、所述第三a波段ppg信号、所述第三b波段ppg信号、所述第三c波段ppg信号、所述第三环境光信号、所述第三年龄、所述第三性别、所述第三身高、所述第三体重、所述第三身体质量指数和所述第三血糖测量值组成一个对应的第一历史标定记录；并由得到的n个所述第一历史标定记录组成对应的第一历史标定列表；其中，所述第三a波段ppg信号、所述第三b波段ppg信号、所述第三c波段ppg信号和所述第三环境光信号的信号采集时长以及信号采集频率都相同且都大于或等于对应的所述模型信号采样时长和所述模型信号采样频率；107、并在保存了所述第一历史标定列表之后的任意时刻，基于a/b/c红光波段对所述第一被测者进行三次ppg信号采集生成对应的第四a波段ppg信号、第四b波段ppg信号、第四c波段ppg信号，并对当前ppg信号采集环境的环境光信号进行采集得到对应的第四环境光信号，并对所述第一被测者的年龄、性别、身高、体重、身体质量指数进行信息统计得到对应的第四年龄、第四性别、第四身高、第四体重、第四身体质量指数，并将当前所述第四随机时间点作为对应的第四采集时间，并将所述第一被测者最近一次用餐的用餐结束时间作为对应的第四前次用餐时间，并对所述第四采集时间和所述第四前次用餐时间的时间间隔进行计算得到对应的第四相对时间，并由本次得到的所述第四采集时间、所述第四前次用餐时间、所述第四相对时间、所述第四a波段ppg信号、所述第四b波段ppg信号、所述第四c波段ppg信号、所述第四环境光信号、所述第四年龄、所述第四性别、所述第四身高、所述第四体重、所述第四身体质量指数和所述第四血糖测量值组成一个对应的第一实时检测记录；108、并将所述第一预测模型的所述批次总数b设为1；并根据所述第一历史标定列表和所述第一实时检测记录进行模型输入张量准备得到对应的所述输入张量x1、所述输入张量x2和所述输入张量x3；并将所述输入张量x1、所述输入张量x2和所述输入张量x3输入所述第一预测模型进行血糖预测得到对应的所述预测向量y；并将所述预测向量y中唯一的所述预测血糖值yi提取出来作为对应的本次预测血糖值。109、本发明实施例第二方面提供了一种用于实现上述第一方面所述的ppg信号血糖预测模型的处理方法的装置，所述装置包括：模型构建模块、数据采集模块、数据预处理模块、模型训练模块和模型应用模块；110、所述模型构建模块用于构建ppg信号血糖预测模型记为对应的第一预测模型；111、所述数据采集模块用于通过数据采集构建对应的第一原始数据集；112、所述数据预处理模块用于对所述第一原始数据集进行数据预处理得到对应的第一训练数据集；113、所述模型训练模块用于基于所述第一训练数据集对所述第一预测模型进行模型训练；114、所述模型应用模块用于在模型训练结束后，基于所述第一预测模型对任意被测者进行血糖预测处理。115、本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；116、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；117、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。118、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。119、本发明实施例提供了一种ppg信号血糖预测模型的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例构建了一个ppg信号血糖预测模型记为第一预测模型，并通过数据采集构建对应的第一原始数据集，并对第一原始数据集进行数据预处理得到对应的第一训练数据集，并基于第一训练数据集对第一预测模型进行模型训练；并在模型训练结束后，基于第一预测模型对任意被测者进行血糖预测处理。在本发明实施例的技术方案中被测者只需在初期通过光学信号采集和有创方式的血糖值采集留存几个历史标定记录，在随后的任意时刻就能基于本发明实施例提供的第一预测模型根据历史标定记录和实时采集的ppg信号进行实时血糖预测。通过本发明实施例提供的无创血糖预测方案有效地改善了用户体验、提高了用户自测积极性。