一种血糖预测模型的构建方法、血糖预测方法及

本发明属于血糖生理信号分析，更具体地，涉及一种血糖预测模型的构建方法、血糖预测方法及系统。背景技术：1、糖尿病是一种慢性疾病，正常人胰腺中的细胞和细胞通过分泌胰岛素和胰高血糖素负责维持血液中的葡萄糖水平，而糖尿病患者的身体无法产生足够的胰岛素来满足其需要，导致血糖水平异常升高。糖尿病主要分为两类：1型糖尿病是由于细胞破坏，无法生产足够的胰岛素或根本无法生产胰岛素；2型糖尿病是由于细胞对胰岛素阻抗作用异常而导致的进行性胰岛素分泌缺陷。长期来看，糖尿病会引发心脏、血管、视网膜、肾脏等部位的严重并发症。因此，正确的糖尿病管理对人类健康至关重要。2、糖尿病目前的治疗手段主要是通过服用降糖药和注射胰岛素，来维持患者正常的血糖水平，从而有利于预防糖尿病引起的一系列并发症。人工胰腺则是一种能够自动进行胰岛素推注的系统。主要包括胰岛素泵、血糖传感器和控制算法。其中胰岛素推注量的控制需要通过算法预测未来一段时间的血糖值来确定。因此，提升血糖预测的精度，是改善人工胰腺控制算法的关键一环。3、目前，在血糖预测主要面临着的挑战如下：首先，个体内部的血糖水平的时空变异性较大，这是因为血糖会受到繁多复杂的生理活动的影响，难以使用规律性模型直接建模，无法对血糖进行精准预测。其次，由于个体之间存在的生理差异，同样环境下，个体之间的血糖响应也不尽相同，传统的基于血糖动力学的生理模型通常需要先验知识，通过对不同个体设置不同生理参数，分别建立独立的模型，这大大降低了模型的普适性，难以实现工业化产品的落地。技术实现思路1、针对现有技术的以上缺陷或改进需求，本发明提供了一种血糖预测模型的构建方法、血糖预测方法及系统，其目的在于，提供一种更加普适的模型来对用户未来一段时间的血糖值进行准确预测。2、为了实现上述目的，第一方面，本发明提供了一种血糖预测模型的构建方法，包括：3、获取血糖数据样本集；血糖数据样本包括：tl时间段下的血糖值序列和血糖动力学变量序列；4、搭建血糖预测模型；血糖预测模型包括：5、编码器，用于分别提取tl时间段下的血糖值序列、血糖动力学变量序列以及时间序列的特征，得到tl时间段下的血糖隐变量序列、血糖动力学编码序列和时间编码序列；6、预测器，用于基于tl时间段下的血糖隐变量序列、血糖动力学编码序列和时间编码序列，对tn-l时间段下的血糖隐变量序列进行预测；7、解码器，用于对tn-l时间段下血糖隐变量序列的预测结果进行解码，得到tn-l时间段下血糖值序列的预测结果；8、将血糖数据样本集输入至血糖预测模型中进行训练；9、其中，tl时间段包括l个时刻；tn-l时间段包括tl时间段之后的n-l个时刻；l为正整数；n＞l。10、进一步优选地，血糖数据样本的标签为tn-l时间段下的血糖值序列；上述将血糖数据样本集输入至血糖预测模型中进行训练包括：11、将血糖数据样本集中的血糖数据样本输入至血糖预测模型中，通过最小化tn-l时间段下血糖隐变量序列的预测结果与对应真实结果之间的差异，以及tn时间段下血糖值序列的预测结果与对应真实结果之间的差异，对血糖预测模型进行训练；12、其中，tn-l时间下内血糖隐变量序列的真实结果为tn-l时间段下的血糖值序列经过编码器后所得的血糖隐变量序列；tn时间段下血糖值序列的预测结果通过将tl时间段下的血糖隐变量序列经过解码器进行解码后的结果与tn-l时间段下血糖值序列的预测结果进行拼接得到。13、进一步优选地，编码器包括：动力学特征提取模块；动力学特征提取模块包括：通道维度为m、卷积核大小为1×1的第一卷积层；14、动力学特征提取模块用于针对血糖动力学变量序列中每一个非零数据，将其之后的k-1个数据均赋值为该非零数据，得到插值序列；对插值序列进行通道拓展，得到具有m个通道维度的扩展矩阵；对血糖动力学变量序列中的每一个非零数据，将该非零数据及其之后的k-1个数据分别赋值为0,1,…,k-1，得到编码时序；将该编码时序输入至第一卷积层进行卷积后，通过relu激活函数进行激活；将激活后的结果去反后作为常数e的指数，并与扩展矩阵相乘，得到血糖动力学编码序列；其中，m为正整数；k≥2。15、进一步优选地，编码器包括：时间编码模块，用于对时间序列逐时刻进行位置编码，得到时间编码序列。16、进一步优选地，编码器包括：一个因果卷积残差模块、或多个级联的因果卷积残差模块，用于提取血糖值序列的特征，得到血糖隐变量序列；17、其中，因果卷积残差模块包括：第一主干分支和第二卷积层；第一主干分支包括：级联的因果卷积层和激活层；第二卷积层跨接在第一主干分支两端形成第一残差分支。18、进一步优选地，血糖动力学变量序列有m个；19、预测器包括：第一预测模块、第二预测模块、第三预测模块和注意力机制模块；20、第一预测模块用于提取血糖隐变量序列的特征，得到第一特征序列，并输出至注意力机制模块；血糖隐变量序列包括l个时刻下的血糖隐变量；第一预测模块的初始输入为编码器输入的tl时间段下的血糖隐变量序列；21、第二预测模块有m个，m个第二预测模块用于一一对应地提取m个血糖动力学变量序列的特征，得到m个第二特征序列，并输出至注意力机制模块；血糖动力学变量序列包括l个时刻下的血糖动力学变量；第二预测模块的初始输入为编码器输入的tl时间段下的血糖动力学变量序列；22、第三预测模块用于提取时间编码序列的特征，得到第三特征序列；时间编码序列包括l个时刻下的时间编码；第三预测模块的初始输入为编码器输入的tl时间段下的时间编码序列；23、注意力机制模块用于分别计算第二特征序列、第三特征序列与第一特征序列之间的交叉注意力分数，将各交叉注意力分数的平均值作为血糖扰动项，并输出至循环模块；24、循环模块用于将第一特征序列中的最后一个时刻的特征值与血糖扰动项相加，作为下一时刻血糖隐变量的预测值，进行输出；将下一时刻血糖隐变量的预测值分别拼接在每一个血糖动力学变量序列和时间编码序列后，并分别取各自拼接结果中的后l个时刻下的数据，作为新的血糖动力学变量序列及时间编码序列，并分别输入至对应的第二预测模块和第三预测模块中，重复上述过程，直至输出n-l个血糖隐变量的预测值。25、进一步优选地，预测模块包括：第二主干分支以及跨接在第二主干分支两端的第二残差分支；第二主干分支包括：级联的空洞lstm、第一线性层、激活层和第二线性层。26、第二方面，本发明提供了一种血糖预测方法，包括：将l个时刻下的血糖值序列、血糖动力学变量序列以及时间序列输入至血糖预测模型中，得到l个时刻之后的n-l个时刻的血糖值序列预测结果；27、血糖预测模型采用本发明第一方面所提供的血糖预测模型的构建方法构建得到；l和n的取值与本发明第一方面所提供的血糖预测模型的构建方法中的l和n的取值保持一致。28、第三方面，本发明提供了一种血糖预测系统，包括：包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时执行本发明第二方面所提供的血糖预测方法。29、第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时执行本发明第一方面所提供的血糖预测模型的构建方法和/或本发明第二方面所提供的血糖预测方法。30、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：31、1、本发明提供了一种血糖预测模型的构建方法，搭建了一个包含编码器、预测器和解码器的血糖预测模型，通过编码器分别提取了tl时间段下的血糖值序列、血糖动力学变量序列以及时间序列的特征，然后采用预测器聚合编码器所提取的各特征，来估计tn-l时间段下的血糖隐变量序列，最后解码得到tn-l时间段下的血糖值序列；本发明能够更好地从血糖动力学的角度建模各个动力学变量对于血糖的影响，充分学习有效的时序信息，得到具有更高复杂性和表现形式的隐藏特征，从而准确地拟合了复杂的人体血糖的变化情况，普适性更强，对更多的血糖动力学变量具有良好的可扩展性，血糖预测的准确性也更高。32、2、进一步地，本发明所提供的血糖预测模型的构建方法，通过最小化tn-l时间段下血糖隐变量序列的预测结果与对应真实结果之间的差异，以及tn时间段下血糖值序列的预测结果与对应真实结果之间的差异，对血糖预测模型进行训练，不仅关注了整个模型的预测结果的准确性，还关注了模型内部预测器预测的准确性，同时在整体和局部的两个层次上进行训练，进一步提高了模型预测的准确性。33、3、进一步优选地，本发明所提供的血糖预测模型的构建方法，考虑到血糖动力学变量并不是持续发生的，在时间轴上呈现一定的稀疏性，而在人体内，这些动力学变量一般呈现出在一定时间内连续衰减的特点，因此本发明采用动力学特征提取模块将血糖动力学变量编码为具有不同衰减系数的高维向量，以强化血糖预测模型对血糖动力学变量的注意力，进一步提高了血糖值预测的准确性。34、4、进一步优选地，本发明所提供的血糖预测模型的构建方法，编码器中用于提取血糖值序列的特征的因果卷积残差模块包括第一主干分支和第二卷积层；其中，第一主干分支包括：级联的因果卷积层和激活层；第二卷积层跨接在第一主干分支两端形成第一残差分支；因果卷积层仅基于局部历史信息得到卷积结果，一方面使模型只能关注历史数据，而避免了标签泄露的情况，解决了模型训练、测试时输入长度不同的问题，另一方面，使用卷积可以减少模型的参数量，有利于防止训练时的过拟合问题，以及实际应用时的大小限制；残差结构有利于深度学习网络梯度回传，加速模型收敛速度。35、5、进一步优选地，本发明所提供的血糖预测模型的构建方法，预测器中不同的血糖隐变量序列、血糖动力学编码序列和时间编码序列分别采用一个对应的预测模块进行处理，其中每一个预测模块中使用空洞lstm，lstm可以更好地捕捉时序长期依赖信息，避免梯度消失或梯度爆炸的问题，而在lstm中引入空洞结构可以更进一步地扩大其视野，对长期上下文信息进行有效学习；预测器中的注意力机制通过计算血糖与血糖动力学变量的交叉注意力分数，引导模型学习每一时刻不同血糖动力学变量对血糖的扰动，以及这些扰动导致未来血糖升高或降低的潜在生理学过程。