一种基于迁移学习的葡萄糖浓度预测方法及设备与流程

本技术涉及模型预测领域，尤其涉及一种基于迁移学习的葡萄糖浓度预测方法及设备。

背景技术：

1、糖尿病是一种由遗传和生活方式共同作用而引起的临床综合症，已成为严重威胁人类健康的四大疾病之一。对糖尿病的治疗最重要的是经常进行血糖测定，以血糖浓度为依据通过饮食、口服药物或胰岛素注射等进行血糖控制。只依赖血糖采集无法实时地监测血糖浓度变化，而近几年出现的持续葡萄糖监测(continuous glucose monitoring，cgm)设备能够提供的连续、全面、可靠的全天血糖数据。它通过葡萄糖感应器监测皮下组织间的葡萄糖浓度，以此来反应血糖的浓度。血糖的预测值可以帮助病人获得更加精准的治疗，从而更准确地控制病人的血糖浓度。其中，空腹血糖值、餐后2小时血糖值对于血糖浓度的控制具有极大的参考意义。

2、现代的智能诊断系统已经可以帮助医生准确全面地分析处理和管理大量的病人数据，而随着现代计算机技术的发展成熟，研究人员正在为了高效的治疗追求更加精确的糖尿病分类和血糖检测技术，同时不同医疗机构之间葡萄糖浓度预测模型的复用，往往容易造成样本的不足，并且医疗机构间样本分布的差异过大，现有的葡萄糖浓度预测模型，让样品量少的医院无法更好地应用葡萄糖浓度预测模型，造成了预测结果的不准确。

技术实现思路

1、本技术实施例提供了一种基于迁移学习的葡萄糖浓度预测方法及设备，用于解决如下技术问题：现有的不同医疗机构之间葡萄糖浓度预测模型难以互相复用，以及样本分布少的医疗机构难以准确根据现有的葡萄糖浓度预测模型，准确预测出葡萄糖浓度。

2、本技术实施例采用下述技术方案：

3、一方面，本技术实施例提供了一种基于迁移学习的葡萄糖浓度预测方法，包括：对第一医院以及第二医院分别进行葡萄糖浓度样本的数据获取，得到第一数据集以及第二数据集；基于数据集的特征数据以及标签数据，对所述第一数据集以及第二数据集分别进行数据重组，得到与第一数据集对应的源域数据以及与第二数据集对应的目标域数据；其中，所述源域数据以及所述目标域数据均包含训练样本与测试样本；基于预设elm网络模型的输出权重，并根据所述源域数据中训练样本的损失特征，得到关于所述输出权重的优化目标函数；根据所述优化目标函数，对所述目标域数据进行迁移重构学习，得到域适应迁移算法daelm模型；通过所述域适应迁移算法daelm模型，对目标域数据中的葡萄糖浓度数据进行浓度预测，得到预测结果；并对所述预测结果进行评估，得到评估指标。

4、本技术实施例通过训练后的daelm模型进行目标域数据中葡萄糖浓度的预测，实现了以小样本训练预测精度较高的模型，大大减少了样本的标记成本，同时，基于迁移学习将迁移算法引入葡糖糖浓度预测领域，可以有效地实现不同医疗机构之间葡萄糖浓度预测模型的复用，解决样本不足的问题，降低医疗机构间样本分布的差异，优化原有的葡萄糖浓度预测模型，让数据库样本较小的医院也能够应用或更好地应用葡萄糖浓度预测模型。

5、在一种可行的实施方式中，基于数据集的特征数据以及标签数据，对所述第一数据集以及第二数据集分别进行数据重组，得到与第一数据集对应的源域数据以及与第二数据集对应的目标域数据，具体包括：获取第一医院所对应的第一数据集以及第二医院所对应的第二数据集；其中，所述第一数据集中的葡萄糖浓度样本数量要远大于所述第二数据集中的葡萄糖浓度样本数量；对所述第一数据集与所述第二数据集进行错误数据的剔除，并基于所述第一数据集与所述第二数据集中包含的特征数据以及标签数据的分组原则，对所述第一数据集与所述第二数据集分别进行数据重组，得所述源域数据与所述目标域数据；其中，所述源域数据与所述目标域数据为elm网络训练模型的特征数据。

6、在一种可行的实施方式中，在基于预设elm网络模型的输出权重，并根据所述源域数据中训练样本的损失特征，得到关于所述输出权重的优化目标函数之前，所述方法还包括：根据h(x)＝[h1(x)，...，hl(x)]，得到所述elm网络模型的隐藏层h(x)；其中，l为elm网络模型的隐藏单元数量，hi(x)是第i个隐藏层节点的输出；根据得到所述elm网络模型的前馈神经网络输出fl(x)；其中，β＝[β1，...，βl]t是第i个隐藏层和输出之间的权重向量，i为常数，输出权重β；根据得到权重向量β的极限目标函数其中，n为样本中训练集数据的数量，d2代表输出数据的维度，c是模型的惩罚参数，yi-hβ是第i个训练样本的预测误差，标签数据为避免参数过拟合的正则项；根据得到所述elm网络模型的逆矩阵输出权重β*；其中，il和in分别表示维度为n和l的单位矩阵，ht为elm非线性映射的转置矩阵。

7、在一种可行的实施方式中，在得到所述elm网络模型的隐藏层h(x)之后，所述方法还包括：根据得到激活函数g(x)；其中，x为特征数据的输入向量，e为数学常数；根据hi(x)＝g(wi，bi，x)＝g(wix+bi)，得到隐藏层节点的第i个输出hi(x)；其中，bi是隐藏层中第i个节点的偏差，g(wi，bi，x)是隐藏层的激活函数且由sigmoid函数组成。

8、在一种可行的实施方式中，在得到所述elm网络模型的逆矩阵输出权重β*之后，所述方法还包括：根据得到约束目标函数其中，n为样本中训练集数据的数量，d2代表输出数据的维度，c是模型的惩罚参数，标签数据输出权重β，h为隐藏层的矩阵；根据得到重构后elm网络模型的输出权重β；其中，il和in分别表示维度为n和l的单位矩阵，ht为elm非线性映射的转置矩阵，c为惩罚系数。

9、在一种可行的实施方式中，基于预设elm网络模型的输出权重，并根据所述源域数据中训练样本的损失特征，得到关于所述输出权重的优化目标函数，具体包括：根据

10、得到优化权重其中，il和in分别表示维度为n和l的单位矩阵，ht为elm非线性映射的转置矩阵，c为对角矩阵且其对角元素分别为c1，c2，...cn，λ和γ分别表示联合分布匹配正则项和流形正则项的平衡系数，mm为边缘mmd矩阵，mc为条件mmd矩阵，g表示目标域数据的拉普拉斯举证，表示源域数据和目标域数据的隐藏层特征矩阵，ns和nt分别为源域数据中训练样本数和目标域数据中的训练样本数，标签数据d2代表输出数据的维度，ht为隐藏层特征矩阵的转置矩阵；根据，得到关于所述输出权重的优化目标函数ldaelm；其中，tr(·)为矩阵的迹，yj为标签数据，βt为优化权重的权重转置矩阵，β为优化权重的一个权重解，y为标签数据的一个中间量，为源域数据的分类损失，为目标域数据的流形正则损失，为联合概率分布差异损失，λ为流形正则损失中间量，γ联合概率分布差异损失中间量。

11、在一种可行的实施方式中，在得到优化权重之前，所述方法还包括：根据得到梯度函数其中，βt为优化权重的权重转置矩阵，λ为流形正则损失中间量，γ联合概率分布差异损失中间量，c为对角矩阵，ht为隐藏层特征矩阵的转置矩阵，β为优化权重的一个权重解，g表示目标域数据的拉普拉斯举证，mm为边缘mmd矩阵，mc为条件mmd矩阵，表示源域数据和目标域数据的隐藏层特征矩阵，ns和nt分别为源域数据中训练样本数和目标域数据中的训练样本数，yj为标签数据。

12、在一种可行的实施方式中，通过所述域适应迁移算法daelm模型，对目标域数据中的葡萄糖浓度数据进行浓度预测，得到预测结果，具体包括：根据得到标准目标域数据x′；其中，x是未经标准化处理的目标域数据，σ是根据源域数据与目标域数据之间的差异所得到的标准差；将所述标准目标域数据x′输入到训练后的域适应迁移算法daelm模型中；通过所述训练后的域适应迁移算法daelm模型，将所述源域数据的数据特征进行迁移重构至所述标准目标域数据的数据特征中；并对所述标准目标域数据的数据特征进行葡萄糖浓度预测，得到所述预测结果；其中，所述预测结果为预测葡萄糖浓度。

13、在一种可行的实施方式中，在对目标域数据中的葡萄糖浓度数据进行浓度预测，得到预测结果之后，所述方法还包括：根据得到所述评估指标rmse；其中，表示标准目标域数据中的真实葡萄糖浓度数据，yi为基于域适应迁移算法daelm模型的预测葡萄糖浓度，k表示目标域数据中测试样本包含样本个数，i表示常数。

14、另一方面，本技术实施例还提供了一种基于迁移学习的葡萄糖浓度预测设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施例所述的一种基于迁移学习的葡萄糖浓度预测方法。

15、本技术提供了一种基于迁移学习的葡萄糖浓度预测方法及设备，通过训练后的daelm模型进行目标域数据中葡萄糖浓度的预测，实现了以小样本训练预测精度较高的模型，大大减少了样本的标记成本，同时，基于迁移学习将迁移算法引入葡糖糖浓度预测领域，可以有效地实现不同医疗机构之间葡萄糖浓度预测模型的复用，解决样本不足的问题，降低医疗机构间样本分布的差异，优化原有的葡萄糖浓度预测模型，让数据库样本较小的医院也能够应用或更好地应用葡萄糖浓度预测模型。