基于多模型融合的连续血糖监测传感器在线故障检测方法与流程

本发明属于血糖监测技术领域，尤其涉及一种基于多模型融合的连续血糖监测传感器在线故障检测方法。

背景技术：

人工胰腺(ap)系统为1型糖尿病(t1d)患者提供血糖浓度(bgc)的自动调节，它主要由三个部分组成：连续血糖监测(cgm)传感器，基于cgm信号计算胰岛素输注速率的控制器，以及将控制器计算的胰岛素量传递给患者的胰岛素泵。患有t1d的病人通过对血糖进行连续监测，可以更加全面地了解血糖的波动情况，从而更好地实现对血糖的控制。然而，在实际生活中连续血糖监测传感器的测量结果受多种因素的影响，而造成测量结果不准确，人工胰腺控制系统根据错误的测量值输注错误数量的胰岛素，最终会引发患者发生高低血糖现象，严重时甚至危及生命。

目前一些方法已经被提出用于检测连续血糖监测传感器的不正确测量，这些方法主要分为两类，一类是基于模型的方法，它不需要大量的历史数据，仅通过对血糖数据建立模型并将模型的预测值与测量值进行比较来判断系统是否发生了故障；而另一类是基于数据驱动的方法，该方法强烈依赖于数据集的大小和性能，需要大量的历史数据，并根据统计分析来计算它们的置信限，此类方法的代表为pca方法。目前常用的建模方法有自回归滑动平均法、支持向量机(svm)、卡尔曼滤波(kf)、高斯混合模型(gmm)、递归最小二乘(rls)、基于核滤波算法的模型等，这类方法大多假设数据满足高斯分布且仅考虑当前时刻误差信息带来的影响，不能有效地区分血糖数据的快速变化和传感器信号的异常，此外上述所提到的这些方法大多采用恒定的阈值，然而血糖数据是动态变化的，恒定的阈值会导致检测系统对一些缓慢变化的故障信号和一些小故障信号不敏感。

技术实现要素：

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于多模型融合的连续血糖监测传感器在线故障检测方法解决了现有技术中检测结果准确率低等问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于多模型融合的连续血糖监测传感器在线故障检测方法，包括如下步骤：

s1、获取在线cgm监测信号数据；

s2、将获取的在线cgm监测信号数据输入多模型融合算法模型中，获取在线预测误差；

s3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；

s4、将计算获得的在线时刻的熵值ji1、ji2分别与当前时刻的阈值tkl1、tkl2比较；

若当前时刻的熵值ji1、ji2不全大于当前时刻的阈值tkl1、tkl2，则判断当前血糖监测传感器工作正常；

若当前时刻的熵值ji1、ji2均大于当前时刻的阈值tkl1、tkl2，则判断当前血糖监测传感器工作异常。

优选地，在判断当前血糖监测传感器工作正常时，所述方法还包括：

s40a1、二次检测；

s40a2、返回步骤s1。

优选地，在判断当前血糖监测传感器工作异常时，所述方法还包括：

s40b1、返回步骤s1；

s40b2、将当前的多模型融合算法模型的预测值代替步骤1中的监测信号数据。

优选地，所述步骤s40a1还包括：

a1、计算当前时刻的两个熵值ji1和ji2；

a2、将两个熵值ji1、ji2分别与阈值tkl1、tkl2进行比较；

若熵值ji1和ji2均超过阈值tkl1、tkl2；

则判断当前血糖监测传感器工作异常，用模型的预测值代替测量值，并对当前时刻的模型预测误差进行重构；

否则判断当前血糖监测传感器工作正常，利用测量值对模型的参数进行更新。

优选地，所述步骤a2中判断当前血糖监测传感器工作异常后还包括如下步骤：

b1、计算当前时刻的熵值j1和j2；

b2、判断当前时刻的熵值j1和j2的值是否上升，若上升，则执行b3，否则执行b4；

b3、判断上一时刻测量值是否为故障值，若否，则设定阈值为窗口内熵值的3δ置信区间，并存储当前时刻的熵值和上一时刻的熵值，否则更新存储当前时刻的熵值；

b4、判断上一时刻测量值是否为故障值，若是，则设定阈值为最近时刻熵值下降时最大变化值的95％，否则阈值合理。

优选地，所述步骤b1中计算当前时刻的熵值j1和j2还包括如下步骤：

c1、获取当前时刻的多模型融合算法模型的模型预测误差；

c2、获取历史时刻和最近时刻的模型预测误差；

c3、分别计算历史时刻和最近时刻模型预测误差的均值和方差，作为p(x)和p1(x)分布的均值和方差；

c4、分别计算包含当前时刻模型预测误差后的历史时刻和最近时刻模型预测误差的均值和方差，作为q(x)和q1(x)分布的均值和方差；

c5、采用kl散度的计算公式，计算当前时刻的熵值j1和j2；

优选地，所述步骤c5中的kl散度的计算公式为：

其中，p(x)和q(x)是两个单变量正态分布，且满足p～n(μ0，σ0)和q～n(μ1，σ1)。

优选地，所述多模型融合算法模型包括如下步骤：

d1、获取连续血糖监测传感器测量到的血糖数据g(t)；

d2、使用一个长度为l的滑动窗口对获取的数据进行重构，得到以下形式的输入矩阵和输出矩阵：

y(n*1)二[g(l+ph)g(l+1+ph)...g(k)]^t(2)

其中，x(i)＝[g(i)g(i+1)…g(i+l-1)]，n＝k-ph-l+1是用来预测的样本数，k是原始时间序列的样本数，ph表示超前预测的步数，i表示当前时刻；

d3、使用svm和rls算法分别对重构后的数据进行建模，产生模型的预测值ysvm和yrls；

d4、计算各模型历史预测误差的均值；

d5、判断各模型上一时刻的模型预测误差是否大于3，如果是，执行步骤d6，否则执行步骤d7；

d6、比较两个模型预测误差meansvm和meanrls的大小，如果meansvm＜meanrls，则模型的最终预测值为y＝ysvm，否则y＝yrls’，并结束；

d7、根据各模型的预测误差，计算各模型的权重；

d8、计算多模型融合后的模型预测值的表达式如下式：

y＝ysvm×wsvm+yrls×wrls

其中，wsvm+vrls＝1。

优选地，所述步骤d4中计算各模型的历史预测误差的均值的计算公式如下所示：

其中，errorsvm和errorrls分别为svm和rls模型的预测误差，n为模型预测误差的数量且满足i＞n；

优选地，所述步骤d7中计算各模型权重的公式如下所示：

其中，wsvm为svm模型所占的权重；wrls为rls模型所占的权重。

(三)有益效果

本发明的有益效果是：本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法,依据采集的历史数据通过多模型融合方法产生当前时刻的模型预测值，并利用模型预测的历史误差对当前时刻的预测误差进行分析，同时考虑血糖数据的动态性，设计一种动态阈值更新策略，可有效区分血糖数据的快速变化和传感器信号的异常。此外，本发明可以对故障信号进行处理，可有效避免胰岛素泵根据错误的血糖数据信息注入错误数量的胰岛素，进而减小对患者生命安全造成的影响。

多模型融合预测方法可以提高模型的预测能力，减小模型预测误差对结果产生的影响，考虑到血糖数据的动态性，本发明提出一种基于递归最小二乘和支持向量机的多模型融合预测方法用于提高模型的预测精度。其中，递归最小二乘方法收敛速度快，能够快速地跟随血糖数据的波动，而支持向量机方法则是通过内积核函数，将非线性数据映射到高维空间转化为线性数据进行处理，它能够较好的拟合非线性数据，但是在波动较大的极值点附近，预测误差较大，因此基于上述分析采用两种方法相融合的多模型预测方法来提高模型的预测精度。

附图说明

图1为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法的流程示意图；

图2为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中多模型融合算法模型的流程示意图；

图3为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中动态阈值更新的流程示意图；

图4为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法的算法流程示意图；

图5为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中多模型融合算法模型的算法流程示意图；

图6为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中不同模型对血糖数据预测的对比结果示意图；

图7为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中基于kl散度的在线故障检测示意图；

图8为本发明提供的一种基于多模型融合的连续血糖监测传感器在线故障检测方法中kl散度的计算流程示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

如图1和图4所示：本实施例公开了一种基于多模型融合的连续血糖监测传感器在线故障检测方法，包括如下步骤：

s1、获取在线cgm监测信号数据；

s2、将获取的在线cgm监测信号数据输入多模型融合算法模型中，获取在线预测误差；

s3、将获取的在线预测误差和历史预测误差结合计算获得在线时刻的熵值；

s4、将计算获得的在线时刻的熵值ji1、ji2分别与当前时刻的阈值tkl1、tkl2比较；

若当前时刻的熵值ji1、ji2不全大于当前时刻的阈值tkl1、tkl2，则判断当前血糖监测传感器工作正常；

若当前时刻的熵值ji1、ji2均大于当前时刻的阈值tkl1、tkl2，则判断当前血糖监测传感器工作异常。

本实施例中在判断当前血糖监测传感器工作正常时，所述方法还包括：

s40a1、二次检测；

s40a2、返回步骤s1。

本实施例中在判断当前血糖监测传感器工作异常时，所述方法还包括：

s40b1、返回步骤s1；

s40b2、将当前的多模型融合算法模型的预测值代替步骤1中的监测信号数据。

本实施例中所述步骤s40a1还包括：

a1、计算当前时刻的两个熵值ji1和ji2；

a2、将两个熵值ji1、ji2分别与阈值tkl1、tkl2进行比较；

若熵值ji1和ji2均超过阈值tkl1、tkl2；

则判断当前血糖监测传感器工作异常，用模型的预测值代替测量值，并对当前时刻的模型预测误差进行重构；

否则判断当前血糖监测传感器工作正常，利用测量值对模型的参数进行更新。

这里的二次检测能够更加全面地检查出传感器的工作是否异常，极大地提高了检测结果的准确性。

如图3所示：本实施例中所述步骤a2中判断当前血糖监测传感器工作异常后还包括如下步骤：

b1、计算当前时刻的熵值j1和j2；

b2、判断当前时刻的熵值j1和j2的值是否上升，若上升，则执行b3，否则执行b4；

b3、判断上一时刻测量值是否为故障值，若否，则设定阈值为窗口内熵值的3δ置信区间，并存储当前时刻的熵值和上一时刻的熵值，否则更新存储当前时刻的熵值；

b4、判断上一时刻测量值是否为故障值，若是，则设定阈值为最近时刻熵值下降时最大变化值的95％，否则阈值合理。

这里提供的动态阈值更新策略，可有效区分血糖数据的快速变化和传感器信号的异常。

如图8所示：本实施例中所述步骤b1中计算当前时刻的熵值j1和j2还包括如下步骤：

c1、获取当前时刻的多模型融合算法模型的模型预测误差；

c2、获取历史时刻和最近时刻的模型预测误差；

c3、分别计算历史时刻和最近时刻模型预测误差的均值和方差，作为p(x)和p1(x)分布的均值和方差；

c4、分别计算包含当前时刻模型预测误差后的历史时刻和最近时刻模型预测误差的均值和方差，作为q(x)和q1(x)分布的均值和方差；

c5、采用kl散度的计算公式，计算当前时刻的熵值j1和j2；

本实施例中所述步骤c5中的kl散度的计算公式为：

其中，p(x)和q(x)是两个单变量正态分布，且满足p～n(μ0，σ0)和q～n(μ1，σ1)。

如图2和图5所示：本实施例中所述多模型融合算法模型包括如下步骤：

d1、获取连续血糖监测传感器测量到的血糖数据g(t)；

d2、使用一个长度为l的滑动窗口对获取的数据进行重构，得到以下形式的输入矩阵和输出矩阵：

y(n*1)二[g(l+ph)g(l+1+ph)...g(k)]^t(2)

其中，x(i)＝[g(i)g(i+1)…g(i+l-1)]，n＝k-ph-l+1是用来预测的样本数，k是原始时间序列的样本数，ph表示超前预测的步数，i表示当前时刻；

d3、使用svm和rls算法分别对重构后的数据进行建模，产生模型的预测值ysvm和yrls；

d4、计算各模型历史预测误差的均值；

d5、判断各模型上一时刻的模型预测误差是否大于3，如果是，执行步骤d6，否则执行步骤d7；

d6、比较两个模型预测误差meansvm和meanrls的大小，如果meansvm＜meanrls，则模型的最终预测值为y＝ysvm，否则y＝yrls’，并结束；

d7、根据各模型的预测误差，计算各模型的权重；

d8、计算多模型融合后的模型预测值的表达式如下式：

y＝ysvm×wsvm+yrls×wrls

其中，wsvm+wrls＝1。

本实施例中多模型融合算法模型依据采集的历史数据通过多模型融合方法产生当前时刻的模型预测值，并利用模型预测的历史误差对当前时刻的预测误差进行分析，检测的结果更加准确。

应说明的是：所述步骤d4中计算各模型的历史预测误差的均值的计算公式如下所示：

其中，errorsvm和errorrls分别为svm和rls模型的预测误差，n为模型预测误差的数量且满足i＞n；

应说明的是：所述步骤d7中计算各模型权重的公式如下所示：

其中，wsvm为svm模型所占的权重；wrls为rls模型所占的权重。

1.多模型融合预测方法的性能验证

本实施例中提出的方法在美国费吉尼亚大学/意大利帕多瓦大学的i型糖尿病代谢模拟器上进行了验证。实验数据以五分钟为间隔通过采样获取，数据集中包含成年人、青少年和儿童三类患者6天的血糖数据，通过采取一步预测的方法对各模型的性能进行评估，结果如图6所示。表1中给出了使用单一模型和多模型融合方法的模型预测性能对比结果，通过分析各模型对三类病人血糖数据的预测结果，可以得出相较于单一模型预测方法，多模型融合预测方法与血糖数据之间的拟合度较好，从而说明本发明提出的算法的合理性。

表1单一模型和多模型混合预测方法的预测性能对比

2.在线故障检测算法的性能验证

连续血糖监测传感器常见的故障类型有六种，分别是尖峰、漂移、阶跃、压力感应传感器衰减、信号丢失和停滞。其中信号丢失和停滞很容易被检测出来，仿真过程中以4小时为周期随机的添加其余四种故障信号到正常的血糖数据中，故障信号的幅值设置为10％，图7为在线故障检测算法在儿童血糖数据上的故障检测结果。从图中可以看出，本发明中提出的检测方法能够及时有效地检测出四种类型故障的小故障信号，并能对故障信号进行重构，以减小连续血糖监测传感器出现故障时造成的危害，有效地提升了连续血糖监测传感器的性能。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。