【技术实现步骤摘要】
本专利技术涉及血糖预测，尤其是涉及一种基于生理信息高斯过程和元学习的餐后血糖预测系统。
技术介绍
1、近期在智能测量和监测技术方面的进展增强了医学数据的可用性，这有利于疾病的诊断和治疗，以及支持个性化的医疗服务。具体来说，糖尿病是一种以高血糖为特征的慢性新陈代谢紊乱，多数是无法合成胰岛素(1型糖尿病)或胰岛素分泌减少以及胰岛素作用的敏感性降低(2型糖尿病)导致的。由于长期持续性的高血糖水平，常常出现严重的并发症，如视网膜病变和肾病变。
2、外源性胰岛素注射是糖尿病的最终治疗方法，负责血糖控制。每日多次注射(mdi)为传统治疗方法，需要患者通过胰岛素笔手动注射基础胰岛素剂量和餐时剂量；或通过连续皮下胰岛素输注泵(csii)来注射胰岛素。随着血糖调节技术的发展，胰岛素剂量可由人工胰腺(ap)以及决策支持系统自行决定，二者都基于连续血糖监控(cgm)测量。前者可逐次提供由控制算法计算的微注射剂量，而后者主要根据常用的标准剂量计算器来调整胰岛素剂量。
3、尽管结构不同，在人造胰腺和决策支持系统中都有血糖预测这一主要部分，这可能为控制算法的一部分，或用于高低血糖的监控和预警中。特别的，基于模型的算法是控制相关预测的主流方法，其中模型预测控制在人工胰腺系统中受到青睐，其通过描述血糖动态响应的模型来预测轨迹，并在有限时间内通过迭代优化确定控制动作。
4、然而模型预测的明显缺陷就是难以对非线性的时变糖代谢过程精准建模，且个性化的参数调优同样耗时。基于上述原因，许多研究采取数据驱动的方法，其主要分为时间序列方法
5、值得注意的是，虽然不少研究致力于采用人工智能方法实现血糖预测。多数方法仅考虑了30分钟和60分钟的短期预测结果，且主要用于ap控制。然而，获知长期血糖变化对餐时胰岛素剂量决策至关重要，但极少研究关注用来改善决策支持系统的长时餐后血糖预测问题。与人工胰腺相比，mdi疗法的使用负担更小，大多数通过胰岛素治疗的糖尿病患者更愿意接受mdi治疗。因此，提供长期餐后血糖预测信息对糖尿病治疗来说很关键，因为餐时胰岛素剂量显著影响了一天的整体血糖水平。然而，使用数据驱动的方法进行长期餐后预测是相当具有挑战性的，因为其中一些是黑盒模型，缺乏可解释性，无法获得医生对临床使用的信心。另一个值得注意的问题是，用于模型学习的可用数据有限，这可能导致对潜在生理过程的把握不足，从而导致有偏差的血糖预测。
技术实现思路
1、本专利技术的目的是提供一种基于生理信息高斯过程和元学习的餐后血糖预测系统，在元学习的框架下，将先验的血糖变化规律融入到模型的优化学习过程中，既能考虑到糖尿病患者的一致群体特征，又能学习不同个体间的血糖变化特异性，实现小样本下个体化的长时餐后血糖预测。
2、为实现上述目的，本专利技术提供了一种基于生理信息高斯过程和元学习的餐后血糖预测系统，包括具有神经网络均值函数的高斯过程血糖预测模块、生理信息融合的优化模块以及元学习模块；
3、所述具有神经网络均值函数的高斯过程血糖预测模块中的神经网络均值函数用于捕捉非线性葡萄糖动力学，其在贝叶斯框架下，对血糖预测的不确定性信息进行量化，进一步评估高血糖和低血糖的潜在风险；
4、所述生理信息融合的优化模块，将葡萄糖动力学的先验知识通过偏微分不等式描述，并以代价函数的形式嵌入到模型优化过程中，将模型训练引导到预期的方向；
5、所述元学习模块，通过元学习方法maml提高模型的快速学习和泛化能力，在元训练阶段经过内循环和外循环的迭代学习，首先得到初始模型，然后，在元测试阶段中得到多个个体化的血糖预测模型。
6、优选的，所述具有神经网络均值函数的高斯过程gp血糖预测模块，将gp＝[gpre,gpost]定义为进餐事件p的葡萄糖测量序列；
7、其中gpre＝[g1,…,gm]由m个餐前葡萄糖数据组成，gpost＝[gm+1,…,gl]包含相应的餐后葡萄糖数据，输入样本其中nk＝(l-m)np是患者k的样本量，up表示进餐事件p的胰岛素输注剂量，dp表示相应的碳水化合物摄入量，δt:＝tm+j-tm是待预测葡萄糖与进餐之间的时间差，将序列gp分为多个样本，相应的输出标签为
8、将和省去上标，直接写成xj和yj，随机变量的各个有限子集的联合分布描述为多变量高斯分布其中随机函数均值函数协方差函数
9、考虑测量输出yj＝h(xj)+∈中包含的噪声干扰∈，多变量高斯分布改写为其中，∈遵循独立的分布，δ(xj,x'j)为kronecker函数，设为训练数据集，通过最大化边际对数似然mll函数：
10、
11、来确定均值函数和协方差函数的超参数φ和θ，其中k(x,x)是x的协方差矩阵，元素kjk＝k(xj,xk)，gp模型中的平方指数se协方差核函数为
12、se核函数的超参数包含信号方差噪声方差和长度标度即对角矩阵σ-1的元素，在训练前进行了归一化处理，模型训练完成后，根据联合先验高斯分布通过后验推理得到新输入x*的预测输出
13、
14、的最终后验分布为：
15、
16、
17、
18、其中k(x,x*)＝[k(x*,x1),…,k(x*,xn)]t，得到预测平均值和估计不确定性，然后通过将上一步预测的葡萄糖平均值连续反馈到当前预测的输入中，确定长期餐后葡萄糖序列
19、优选的，在gp中引入神经网络均值函数，采用长短期记忆lstm神经网络来描述葡萄糖的平均水平，在标准递归神经网络的基础上引入了一个单元、一个遗忘门、一个输入门和一个输出门：
20、遗忘门f＝β(wf·[st-1,xj]+bf)用于确定隐藏状态st-1中的哪些信息需要在sigmoid函数β(·)映射后被遗忘；
21、输入门i＝β(wi·[st-1,xj]+bi)与tanh层g＝tanh(wg·[st-1,xj]+bg)一起决定当前单元状态ct＝f⊙ct-1+i⊙g中存储了哪些信息，算子⊙表示哈达玛乘积；
22、当前的隐藏状态ht是根据输出门o得到的，计算公式为o＝β(wo·[st-1,xj]+bo)，ht＝o⊙tanh(ct)，wf,wi,wg,wo是相应的权重矩阵，bf,bi,bg,bo是相应的偏置向量；设为lstm的映射，w＝[wf,wi,wg,wo]，b＝[bf,bi,bg,bo]，则带有神经网络的gp模型表示为：
23、其中φ＝[w,b]，在贝叶斯学习框架下，lstm平均函数和核函数的参数通过获得，餐后血糖将根据后验分布进行预测。
24、优选的，所述生理信息融合的优化模块，采用偏微分不等式描本文档来自技高网...
【技术保护点】
1.一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：包括具有神经网络均值函数的高斯过程血糖预测模块、生理信息融合的优化模块以及元学习模块；
2.根据权利要求1所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：所述具有神经网络均值函数的高斯过程GP血糖预测模块，将Gp＝[Gpre,Gpost]定义为进餐事件p的葡萄糖测量序列；
3.根据权利要求2所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：在GP中引入神经网络均值函数，采用长短期记忆LSTM神经网络来描述葡萄糖的平均水平，在标准递归神经网络的基础上引入了一个单元、一个遗忘门、一个输入门和一个输出门：
4.根据权利要求3所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：所述生理信息融合的优化模块，采用偏微分不等式描述受胰岛素和碳水化合物对血糖变化的影响，设计成本函数在训练过程中嵌入先验的偏微分不等式，其中
5.根据权利要求4所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：所述元学习模块
...【技术特征摘要】
1.一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：包括具有神经网络均值函数的高斯过程血糖预测模块、生理信息融合的优化模块以及元学习模块；
2.根据权利要求1所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：所述具有神经网络均值函数的高斯过程gp血糖预测模块，将gp＝[gpre,gpost]定义为进餐事件p的葡萄糖测量序列；
3.根据权利要求2所述的一种基于生理信息高斯过程和元学习的餐后血糖预测系统，其特征在于：在gp中引入神经网络均值函数，采用长短期记忆lstm神经网络来描述葡...
【专利技术属性】
技术研发人员：史大威，陈婧，蔡德恒，薛敬茂，赵晋银，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。