一种预测血糖浓度的最小二乘法的遗忘因子设计方法

摘要

本发明是一种提高血糖浓度预测准确性的方法。主要思想是根据血糖浓度随着饮食，运动，情绪和压力的影响波动的特点，适当设计最小二乘法的遗忘因子，综合考虑了自回归滑动平均混合（ARMA）血糖预测模型的跟踪性和准确性，从而提高血糖浓度预测的准确性。

说明书

 

技术领域

    本发明是一种提高血糖浓度预测准确性的方法。主要思想是根据血糖浓度随着饮食，运动，情绪和压力的影响波动的特点，适当设计最小二乘法的遗忘因子，综合考虑了自回归滑动平均混合（ARMA）血糖预测模型的跟踪性和准确性，从而提高血糖浓度预测的准确性。

背景技术

     糖尿病是一种常见的代谢内分泌疾病，严重的糖尿病患者需要长期监测血糖浓度，并注射胰岛素。血糖浓度受到食物，情绪，运动等因素的影响，在一天之内是波动的。可靠的针对特定糖尿病人的血糖预测将会使病人的自我管理更为简单。例如，通过预测未来的血糖浓度，病人可以知道保持正常血糖浓度所需要的胰岛素剂量，从而避免高血糖/低血糖事件的发生，降低血糖水平的波动幅度。

      时间序列法是预测血糖浓度的一种常用方法，它通常采用ARMA模型建立血糖浓度的动态模型。该模型的参数是时变的，以便更好的反映血糖浓度随着进餐，情绪波动和运动等事件的变化。一般通过最小二乘法辨识ARMA模型的时变参数。遗忘因子是最小二乘法的设计参数，对ARMA模型的跟踪速度和精度有很大的影响。

     设计合适的遗忘因子以适应不同的预测对象是非常有价值也很有挑战的工作。传统的启发式的遗忘因子设计方法在检测到参数发生急剧变化后，再被动的调整遗忘因子以跟踪参数最近的变化。本发明根据典型事件信息，提供了一种改进的适用于血糖浓度预测的最小二乘法的遗忘因子设计方法。

 

发明内容

    为了提高使用ARMA血糖预测模型的精度，本发明根据血糖波动的特点，提出了一种遗忘因子的设计方法。本发明的创新之处是在影响血糖浓度的典型事件发生之初，就主动降低遗忘因子，提高最新的观测数据在辨识中的权重，以适应即将发生的血糖浓度较大的波动，事件影响结束后，遗忘因子恢复正常，恢复了历史观测数据在辨识中的权重。该方法综合考虑了ARMA血糖模型的跟随性和准确性，从了提高了预测的准确性。该方法包括：

    将病人的典型行为事件如进餐，运动，情绪波动等纳入遗忘因子的设计。

    遗忘因子采用正弦形式，以充分描述进餐等事件对血糖波动的影响。当事件i（如进餐，运动，睡眠等）发生时，记录下该事件的发生时刻和估计的持续时间，调整遗忘因子，具体如下：

λ(t)= b-a*sin(π(t-ti)/Ti)  (ti<t< ti+Ti),  0<a<b<1. 

其中λ(t)是遗忘因子，ti是事件i发生的起始时刻，Ti是该事件持续的时间，a是平滑因子（用于调整遗忘因子的大小），当多个事件同时发生时，可通过适当调整a的值以表征多个事件的影响。b是无任何事件影响时的遗忘因子。

    通过公开的糖尿病人的真实血糖数据验证，该改进的遗忘因子设计方法能够提高ARMA模型预测血糖浓度的准确性。

 

附图说明

    图1上部是某糖尿病人一天之内的血糖浓度变化曲线，菱形标记的是进餐时间，分别为早餐，午餐和晚餐，可以看出进餐前后血糖浓度变化比较大。图1下部是根据三个事件，修正后的遗忘因子曲线。其中T1和T2为进餐对血糖的影响，根据临床经验，一般取为2小时。   

具体实施方式

    本说明书仅给出了一种根据事件发生时刻和持续时间调整遗忘因子的方法，但是对于本专业的技术人员来说，将会出现许多修改、替换、变化和等效代换，比如将公式中的正弦函数更改为其他具有相同趋势的函数。因此，本发明的保护范围由所附的权利要求的范围为准。