基于GRU网络的血糖预测方法研究

摘要

针对连续血糖监测数据(Continues Glucose Monitoring,CGM)存在强烈的时变性、复杂非线性和非平稳性等问题,提出一种基于门控循环网络(Gated Recurrent Unit,GRU)的血糖预测模型.对原始时间序列数据进行平稳化处理,利用自相关系数确立模型输入序列长度,进而将原始数据序列转化为监督型学习样本.在此基础上构建GRU血糖预测模型,并与基本RNN网络、长短记忆网络、支持向量回归进行对比.结果表明,该方法具有较高预测精度,其预测步长为20步的均方根误差和平均绝对百分误差分别为0.7612 mmol/L和7.3427％,可为血糖闭环控制系统提供支持.