典型文献
基于长短时记忆的1型糖尿病患者运动模式下的血糖预测
文献摘要：
目的 基于长短时记忆(long short-term memory,LSTM)网络,构建1型糖尿病(type 1 diabetes mellitus,T1DM)患者运动模式下的血糖预测模型,并研究该模型预测精度.方法 使用UVa/Padova 1型糖尿病血糖代谢仿真器(type 1 diabetes metabolic simulator,T1DMS)模拟了30名受试者在不同的运动时间及运动时长下的血糖数据.利用LSTM神经网络构建糖尿病患者运动模式下的血糖预测模型.将预测结果与支持向量回归(support vector regression,SVR)、循环神经网络(recurrent neural network,RNN)进行对比.研究不同输入特征对模型预测性能的影响,并分析仅使用历史血糖值作为模型输入时高、低血糖预测的准确率,通过克拉克误差网络分析(error grid analysis,EGA)对血糖预测结果进行评估.结果 在运动模式下,相比于SVR与RNN,基于LSTM的血糖预测模型在不同预测时长下均具有更小的预测误差.当模型输入序列时长达25 min时,高、低血糖事件在20 min预测时长下的预测准确率分别可达94.12％和90.59％,EGA的A、B区域占比可达100％.结论 在运动模式下,基于LSTM的血糖预测模型表现突出.基于LSTM的血糖预测模型在仅使用历史血糖值作为模型输入的条件下,也可以实现血糖的短期预测,且能够较准确预测到高、低血糖事件的发生.
文献关键词：
血糖预测;长短时记忆;运动模式;Ⅰ型糖尿病;克拉克误差网络分析
中图分类号：
作者姓名：
刘昱鑫;郁磊;常利利;李嘉旭;张晴
作者机构：
山西大学复杂系统研究所,太原 030006;山西大学疾病防控的数学技术与大数据分析山西省重点实验室;路易斯维尔大学数学系;澳大利亚联邦科学与工业研究院
文献出处：
引用格式：
[1]刘昱鑫;郁磊;常利利;李嘉旭;张晴-.基于长短时记忆的1型糖尿病患者运动模式下的血糖预测)[J].山西医科大学学报,2022(02):215-220
A类：
UVa,Padova,T1DMS,克拉克误差网络分析
B类：
长短时记忆,糖尿病患者,运动模式,血糖预测,long,short,term,memory,type,diabetes,mellitus,糖尿病血糖,血糖代谢,仿真器,metabolic,simulator,运动时间,运动时长,网络构建,支持向量回归,support,vector,regression,SVR,循环神经网络,recurrent,neural,network,RNN,输入特征,预测性能,使用历史,血糖值,模型输入,error,grid,analysis,EGA,预测误差,长达,低血糖事件,预测准确率,短期预测,准确预测
AB值：
0.287045
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
