基于主动学习的动态血糖预测模型研究与应用.pdf

摘要

糖尿病是一种代谢性慢性疾病，以高血糖为主要特征，被列为继心血管疾病及肿瘤之后

的第三大疾病，血糖是诊断与追踪糖尿病的主要标准。当前，机器学习、深度学习等人工智

能算法结合传统传感器采集数据特征量进行建模的方法逐步应用于血糖测量之中，但由于医

疗领域内医疗数据资源少，不适合以深度学习为首的数据驱动型算法模型对血糖数值进行高

精度预测，而且单纯依赖传感器特征进行血糖即时预测并不可靠。因此，本文对小样本下人

体血糖实时预测与动态时序预测方法进行分析与研究，提出了基于主动学习的动态血糖预测

ContinuousGlucoseMonitoringCGM

（，）方法。本文主要做了以下三个方面的工作：

1ActiveLearningwith

（）提出一种基于巴氏距离度量的主动学习算法及其血糖预测模型（

BhattacharyyaDistanceforBloodGlucosePrediction）。现有的血糖预测方法有两种，一种是传

统的基于公式理论及经验的数学计算方法，但是面对复杂的人体状态无法保持较高的精度；

另一种是以机器学习、深度学习为基础的，通过大量数据进行模型训练实现血糖预测的方法，

但对数据的依赖性较高，在现有医疗实验条件下往往因数据量不足而表现不佳。本文提出的

主动学习方法可以主动挑选信息量更高的样本进行训练，基于从未标记样本中选择合适的样

本进行查询提高训练集质量的原理，能够充分利用传感器特征数据，联合巴氏距离实现不确

定性与代表性的平衡，共同应用于血糖预测。本文对比了其他的算法模型以及传统血糖预测

方法，实验结果表明，本文提出的主动学习算法模型在准确率上优于现有的CGM预测方法。

2GRU(TimeseriesGRUModelfor

（）提出了一种基于时序预测模型的血糖趋势预测方法

BloodGlucoseTrendPrediction)。本文使用的多元数据中含有时间相关的成分，这些数据具有

时间上的先后联系，在实时血糖检测这个环境中以前的状态也影响着当前以及将来的血糖状

态变化。本文在多元数据特征的基础上，引入了时间序列相关的特征量，对整体数据信息进

行补充。首先，通过主动学习预测算法将用户当前时间点的血糖值计算出来，然后使用GRU

时序预测模型从当前的历史数据中训练寻找时序上的关联性，最后用模型对未来的血糖值可

能会产生的变化进行预测与判断，以达到预测血糖趋势的目的。实验结果表明，时间序列特

征以及时间序列模型能够充分挖掘传感器数据的有效信息，完成对血糖趋势预测更精确描述。

3

（）以主动学习和时序模型预测方法为基础，设计并实现了实时血糖预测系统。模块化

设计是该系统的构造基础，用户可以通过切换模型对自身血糖情况有更具体的了解，同时也

能查看历史血糖值更好地配合医疗诊治工作。系统测试结果表明，该系统具有实用性与可靠

性的特点，同时从工程角度验证了本方法的有效性与实用性。

关键词主动学习，血糖检测，时间序列，机器学习:

I

Abstract

Diabetesisachronicmetabolicdisease,characterizedbyhighbloodglucose,whichhasmany

patientsandcannotbecured.Ithasbeenlistedasthethirdlargestdiseaseaftercardiovascular

diseaseandtumor.bloodglucoseistheonlystandardfordiagnosisandtrackingofdiabetes.

Currently,artificialintelligencealgorithmssuchasmachinelearninganddeeplearning,combined

withtrad