基于經(jīng)驗小波變換與LSTM的二階段血糖濃度精準預(yù)測模型研究一、引言1.1研究背景與意義糖尿病作為一種全球性的慢性代謝疾病，正以驚人的速度蔓延，給人類健康和社會經(jīng)濟帶來了沉重負擔(dān)。國際糖尿病聯(lián)盟（IDF）發(fā)布的最新數(shù)據(jù)顯示，全球糖尿病患者數(shù)量持續(xù)攀升，預(yù)計到[具體年份]，糖尿病患者人數(shù)將達到[X]億。糖尿病的危害不僅在于其本身的癥狀，更在于長期高血糖引發(fā)的一系列嚴重并發(fā)癥，如糖尿病腎病、糖尿病視網(wǎng)膜病變、糖尿病神經(jīng)病變和糖尿病足等，這些并發(fā)癥嚴重影響患者的生活質(zhì)量，甚至危及生命。對于糖尿病患者而言，血糖濃度的穩(wěn)定控制至關(guān)重要，而準確的血糖預(yù)測則是實現(xiàn)有效血糖管理的關(guān)鍵。精準的血糖預(yù)測能夠提前預(yù)知血糖的變化趨勢，幫助患者及時調(diào)整飲食、運動和藥物治療方案，從而有效預(yù)防高血糖和低血糖事件的發(fā)生。高血糖會導(dǎo)致身體各器官長期處于高糖環(huán)境，加速并發(fā)癥的發(fā)展；低血糖則可能引發(fā)頭暈、心慌、乏力等不適癥狀，嚴重時甚至?xí)?dǎo)致昏迷和休克。因此，準確的血糖預(yù)測對于糖尿病患者的健康管理具有不可替代的重要性。傳統(tǒng)的血糖預(yù)測方法主要依賴于經(jīng)驗和簡單的數(shù)學(xué)模型，然而這些方法存在諸多局限性。一方面，傳統(tǒng)方法難以全面考慮血糖變化過程中的復(fù)雜因素，如飲食、運動、藥物、生理節(jié)律以及個體差異等。飲食中的碳水化合物、脂肪和蛋白質(zhì)含量，運動的強度、時長和類型，藥物的種類、劑量和服用時間，以及人體自身的生物鐘和代謝特點等，都會對血糖水平產(chǎn)生顯著影響，而傳統(tǒng)方法往往無法準確捕捉這些因素之間的復(fù)雜關(guān)系。另一方面，傳統(tǒng)方法在處理非線性和非平穩(wěn)的血糖數(shù)據(jù)時表現(xiàn)欠佳。血糖數(shù)據(jù)具有明顯的非線性和非平穩(wěn)特性，其變化受到多種因素的綜合作用，且不同個體之間的血糖變化規(guī)律也存在較大差異。傳統(tǒng)的線性模型和簡單的統(tǒng)計方法難以準確描述血糖數(shù)據(jù)的這種復(fù)雜特征，導(dǎo)致預(yù)測精度較低。隨著人工智能技術(shù)的飛速發(fā)展，機器學(xué)習(xí)和深度學(xué)習(xí)算法在各個領(lǐng)域取得了顯著成果，為血糖預(yù)測提供了新的思路和方法。長短時記憶網(wǎng)絡(luò)（LSTM）作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠有效處理時間序列數(shù)據(jù)中的長期依賴問題，在血糖預(yù)測領(lǐng)域展現(xiàn)出了巨大的潛力。LSTM通過引入門控機制，能夠選擇性地記憶和遺忘信息，從而更好地捕捉血糖數(shù)據(jù)中的動態(tài)變化規(guī)律。同時，經(jīng)驗小波變換（EWT）作為一種新興的信號處理方法，能夠自適應(yīng)地對非平穩(wěn)信號進行分解，將復(fù)雜的信號分解為一系列具有不同特征的固有模態(tài)函數(shù)（IMF），為后續(xù)的數(shù)據(jù)分析和處理提供了有力支持。本研究將經(jīng)驗小波變換與LSTM相結(jié)合，提出一種基于經(jīng)驗小波變換和LSTM的二階段血糖濃度預(yù)測方法。該方法旨在充分利用EWT在信號分解方面的優(yōu)勢和LSTM在時間序列預(yù)測方面的能力，實現(xiàn)對血糖濃度的高精度預(yù)測。具體而言，首先利用EWT對原始血糖數(shù)據(jù)進行分解，得到多個IMF分量，每個IMF分量代表了血糖信號在不同時間尺度上的變化特征；然后，將這些IMF分量分別輸入到LSTM模型中進行預(yù)測，充分挖掘各分量中的潛在信息；最后，將各個LSTM模型的預(yù)測結(jié)果進行融合，得到最終的血糖預(yù)測值。通過這種二階段的預(yù)測方式，能夠更全面、準確地捕捉血糖數(shù)據(jù)的復(fù)雜特征，提高預(yù)測精度。本研究的成果對于糖尿病的管理和治療具有重要的理論意義和實際應(yīng)用價值。從理論角度來看，本研究提出的方法為血糖預(yù)測提供了一種新的模型框架，豐富了時間序列預(yù)測的研究內(nèi)容，有助于深入理解血糖變化的內(nèi)在機制和規(guī)律。通過對血糖數(shù)據(jù)的多尺度分析和建模，能夠揭示血糖信號在不同時間尺度上的特征和變化規(guī)律，為進一步研究糖尿病的發(fā)病機制和病理生理過程提供了新的視角和方法。從實際應(yīng)用角度來看，準確的血糖預(yù)測結(jié)果可以為糖尿病患者提供個性化的健康管理建議，幫助患者更好地控制血糖水平，減少并發(fā)癥的發(fā)生，提高生活質(zhì)量。同時，也可以為醫(yī)生制定治療方案提供科學(xué)依據(jù)，輔助醫(yī)生進行臨床決策，提高糖尿病的治療效果和管理水平。此外，本研究的方法還具有一定的通用性和擴展性，可以為其他慢性疾病的預(yù)測和管理提供參考和借鑒，推動智能醫(yī)療的發(fā)展。1.2國內(nèi)外研究現(xiàn)狀在血糖預(yù)測領(lǐng)域，國內(nèi)外學(xué)者開展了廣泛而深入的研究，取得了一系列有價值的成果。早期的研究主要集中在基于傳統(tǒng)數(shù)學(xué)模型和統(tǒng)計學(xué)方法的血糖預(yù)測。這些方法雖然在一定程度上能夠?qū)ρ亲兓M行建模和預(yù)測，但由于其對數(shù)據(jù)的線性假設(shè)和對復(fù)雜因素的考慮不足，預(yù)測精度往往受到限制。例如，一些研究采用線性回歸模型來預(yù)測血糖濃度，通過建立血糖與相關(guān)因素（如飲食攝入量、運動時間等）之間的線性關(guān)系來進行預(yù)測。然而，實際的血糖變化過程是非線性的，受到多種因素的綜合影響，線性回歸模型難以準確捕捉這些復(fù)雜的關(guān)系，導(dǎo)致預(yù)測結(jié)果與實際值存在較大偏差。隨著人工智能技術(shù)的興起，機器學(xué)習(xí)和深度學(xué)習(xí)算法逐漸成為血糖預(yù)測領(lǐng)域的研究熱點。支持向量機（SVM）、決策樹、隨機森林等機器學(xué)習(xí)算法被廣泛應(yīng)用于血糖預(yù)測。這些算法能夠自動從數(shù)據(jù)中學(xué)習(xí)特征和模式，在一定程度上提高了預(yù)測精度。有學(xué)者利用SVM算法對血糖數(shù)據(jù)進行分類和預(yù)測，通過選擇合適的核函數(shù)和參數(shù)，能夠較好地處理非線性問題，取得了比傳統(tǒng)方法更優(yōu)的預(yù)測效果。但機器學(xué)習(xí)算法在處理長時間序列數(shù)據(jù)和復(fù)雜數(shù)據(jù)特征時仍存在局限性，對于血糖數(shù)據(jù)中的長期依賴關(guān)系和復(fù)雜的動態(tài)變化難以有效捕捉。長短時記憶網(wǎng)絡(luò)（LSTM）作為一種專門為處理時間序列數(shù)據(jù)而設(shè)計的深度學(xué)習(xí)模型，在血糖預(yù)測領(lǐng)域展現(xiàn)出了獨特的優(yōu)勢。LSTM通過引入門控機制，能夠有效地解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）中的梯度消失和梯度爆炸問題，從而更好地捕捉時間序列數(shù)據(jù)中的長期依賴信息。國內(nèi)外眾多研究表明，LSTM在血糖預(yù)測方面具有較高的準確性和可靠性。國內(nèi)有研究團隊利用LSTM模型對連續(xù)血糖監(jiān)測數(shù)據(jù)進行預(yù)測，通過對歷史血糖數(shù)據(jù)的學(xué)習(xí)和分析，能夠準確預(yù)測未來一段時間內(nèi)的血糖變化趨勢，為糖尿病患者的血糖管理提供了有力支持。國外也有學(xué)者將LSTM與其他技術(shù)相結(jié)合，如與注意力機制相結(jié)合，進一步提高了模型對重要信息的關(guān)注和學(xué)習(xí)能力，從而提升了血糖預(yù)測的精度。經(jīng)驗小波變換（EWT）作為一種新興的信號處理方法，近年來也逐漸應(yīng)用于血糖預(yù)測領(lǐng)域。EWT能夠自適應(yīng)地對非平穩(wěn)信號進行分解，將復(fù)雜的信號分解為一系列具有不同特征的固有模態(tài)函數(shù)（IMF）。這些IMF分量能夠更清晰地反映信號在不同時間尺度上的變化特征，為后續(xù)的數(shù)據(jù)分析和處理提供了更豐富的信息。在血糖預(yù)測中，利用EWT對原始血糖數(shù)據(jù)進行分解，可以將血糖信號中的高頻噪聲和低頻趨勢分離出來，從而更好地分析血糖變化的規(guī)律。相關(guān)研究發(fā)現(xiàn)，經(jīng)過EWT分解后的數(shù)據(jù)能夠更有效地被機器學(xué)習(xí)模型所學(xué)習(xí)，有助于提高預(yù)測模型的性能。將EWT與LSTM相結(jié)合的血糖預(yù)測方法逐漸受到關(guān)注。這種方法充分發(fā)揮了EWT在信號分解方面的優(yōu)勢和LSTM在時間序列預(yù)測方面的能力，能夠更全面、準確地捕捉血糖數(shù)據(jù)的復(fù)雜特征。一些研究先利用EWT對血糖數(shù)據(jù)進行分解，得到多個IMF分量，然后將這些IMF分量分別輸入到LSTM模型中進行預(yù)測，最后將各個LSTM模型的預(yù)測結(jié)果進行融合，得到最終的血糖預(yù)測值。實驗結(jié)果表明，這種二階段的預(yù)測方法相比單一的LSTM模型或其他傳統(tǒng)方法，能夠顯著提高血糖預(yù)測的精度和可靠性。盡管國內(nèi)外在血糖預(yù)測領(lǐng)域取得了一定的進展，但仍存在一些問題和挑戰(zhàn)。一方面，現(xiàn)有的預(yù)測模型在處理個體差異和復(fù)雜環(huán)境因素時的魯棒性有待提高。不同糖尿病患者的生理特征、生活習(xí)慣和治療方案存在較大差異，這些因素都會對血糖變化產(chǎn)生影響，而目前的模型往往難以充分考慮這些個體差異，導(dǎo)致預(yù)測結(jié)果在不同個體之間的適應(yīng)性較差。另一方面，血糖數(shù)據(jù)的質(zhì)量和完整性也對預(yù)測結(jié)果有重要影響。實際采集的血糖數(shù)據(jù)可能存在噪聲、缺失值等問題，如何有效地處理這些數(shù)據(jù)問題，提高數(shù)據(jù)質(zhì)量，是進一步提升血糖預(yù)測精度的關(guān)鍵。此外，模型的可解釋性也是一個重要的研究方向，目前大多數(shù)深度學(xué)習(xí)模型屬于黑盒模型，難以直觀地解釋模型的預(yù)測過程和結(jié)果，這在一定程度上限制了模型在臨床實踐中的應(yīng)用。未來的研究需要在這些方面進一步深入探索，以推動血糖預(yù)測技術(shù)的不斷發(fā)展和完善。1.3研究內(nèi)容與方法1.3.1研究內(nèi)容本研究的核心是利用經(jīng)驗小波變換（EWT）和長短時記憶網(wǎng)絡(luò)（LSTM）構(gòu)建二階段血糖濃度預(yù)測模型，具體研究內(nèi)容包括以下幾個方面：血糖數(shù)據(jù)預(yù)處理：收集來自臨床實驗或糖尿病患者日常監(jiān)測的連續(xù)血糖數(shù)據(jù)，對數(shù)據(jù)進行清洗，去除明顯錯誤值、異常值和缺失值。采用插值法、均值填充法或基于機器學(xué)習(xí)的缺失值填補算法，對缺失數(shù)據(jù)進行合理補充，確保數(shù)據(jù)的完整性和連續(xù)性，為后續(xù)分析和建模提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。經(jīng)驗小波變換分解：運用EWT對預(yù)處理后的血糖數(shù)據(jù)進行自適應(yīng)分解，將其分解為多個固有模態(tài)函數(shù)（IMF）分量。每個IMF分量代表了血糖信號在不同時間尺度上的特征，如高頻分量反映了血糖的短期快速波動，低頻分量體現(xiàn)了血糖的長期趨勢變化。通過對各IMF分量的分析，深入了解血糖信號的內(nèi)在特征和變化規(guī)律。LSTM模型預(yù)測：構(gòu)建多個LSTM模型，分別將不同的IMF分量作為輸入，讓模型學(xué)習(xí)各分量的時間序列特征和變化模式，預(yù)測各IMF分量的未來值。利用LSTM的門控機制，有效捕捉血糖數(shù)據(jù)中的長期依賴關(guān)系，提高預(yù)測的準確性。同時，對LSTM模型的超參數(shù)進行優(yōu)化，如隱藏層節(jié)點數(shù)、學(xué)習(xí)率、迭代次數(shù)等，通過交叉驗證等方法確定最優(yōu)參數(shù)組合，提升模型性能。預(yù)測結(jié)果融合：將各個LSTM模型的預(yù)測結(jié)果進行融合，得到最終的血糖預(yù)測值?？梢圆捎煤唵渭訖?quán)平均、自適應(yīng)加權(quán)平均或基于機器學(xué)習(xí)的融合算法，根據(jù)各IMF分量的重要性和預(yù)測精度，合理分配權(quán)重，實現(xiàn)預(yù)測結(jié)果的最優(yōu)融合。模型評估與優(yōu)化：使用多種評估指標(biāo)，如均方根誤差（RMSE）、平均絕對誤差（MAE）、決定系數(shù)（R2）等，對預(yù)測模型的性能進行全面評估。與其他常見的血糖預(yù)測方法，如傳統(tǒng)的ARIMA模型、支持向量回歸（SVR）模型等進行對比實驗，驗證本研究提出方法的優(yōu)越性。根據(jù)評估結(jié)果，對模型進行進一步優(yōu)化和改進，如調(diào)整模型結(jié)構(gòu)、增加訓(xùn)練數(shù)據(jù)、改進數(shù)據(jù)處理方法等，不斷提高模型的預(yù)測精度和泛化能力。1.3.2研究方法文獻研究法：全面收集和分析國內(nèi)外關(guān)于血糖預(yù)測、經(jīng)驗小波變換、長短時記憶網(wǎng)絡(luò)等相關(guān)領(lǐng)域的文獻資料，了解研究現(xiàn)狀和發(fā)展趨勢，掌握已有研究成果和存在的問題，為本研究提供理論基礎(chǔ)和研究思路。數(shù)據(jù)收集與分析法：通過多種渠道收集血糖數(shù)據(jù)，包括醫(yī)院臨床數(shù)據(jù)庫、糖尿病患者自我監(jiān)測數(shù)據(jù)以及公開的數(shù)據(jù)集等。對收集到的數(shù)據(jù)進行深入分析，了解數(shù)據(jù)的特征、分布規(guī)律以及各因素之間的相關(guān)性，為模型的構(gòu)建和訓(xùn)練提供數(shù)據(jù)支持。實驗研究法：設(shè)計并開展實驗，對比不同模型和方法的性能。在實驗過程中，嚴格控制實驗條件，確保實驗結(jié)果的可靠性和可重復(fù)性。通過實驗，驗證基于經(jīng)驗小波變換和LSTM的二階段血糖預(yù)測模型的有效性和優(yōu)越性，并對模型的參數(shù)和結(jié)構(gòu)進行優(yōu)化。對比分析法：將本研究提出的方法與其他已有的血糖預(yù)測方法進行對比分析，從預(yù)測精度、穩(wěn)定性、泛化能力等多個方面進行評估，突出本方法的優(yōu)勢和創(chuàng)新點，為糖尿病患者的血糖管理提供更有效的技術(shù)手段。二、相關(guān)理論基礎(chǔ)2.1經(jīng)驗小波變換（EWT）原理2.1.1EWT的基本概念經(jīng)驗小波變換（EmpiricalWaveletTransform，EWT）是由Jér?meGilles于2013年提出的一種新型信號處理方法，旨在解決傳統(tǒng)信號處理方法在處理非線性、非平穩(wěn)信號時的局限性。在實際應(yīng)用中，許多信號如生物醫(yī)學(xué)信號、機械振動信號、通信信號等都具有非線性和非平穩(wěn)的特性，其頻率成分隨時間變化而變化，傳統(tǒng)的傅里葉變換和小波變換難以準確地刻畫這類信號的特征。傅里葉變換將信號分解為不同頻率的正弦和余弦波的疊加，它只能提供信號的全局頻率信息，無法反映信號在時間上的局部變化情況。而傳統(tǒng)小波變換雖然能夠在一定程度上實現(xiàn)時頻局部化分析，但它依賴于預(yù)先定義的小波基函數(shù)，對于不同特性的信號缺乏自適應(yīng)性。EWT的基本思想是根據(jù)信號本身的特征，自適應(yīng)地對信號的傅里葉譜進行劃分，將其劃分為多個連續(xù)的頻帶區(qū)間，然后在每個區(qū)間上構(gòu)造相應(yīng)的小波濾波器組，通過濾波操作提取出不同頻率成分的信號分量。這種自適應(yīng)的頻帶劃分方式使得EWT能夠更好地捕捉信號的局部特征和動態(tài)變化，克服了傳統(tǒng)方法對信號的固定假設(shè)和局限性。與傳統(tǒng)小波變換使用固定的小波基函數(shù)不同，EWT根據(jù)信號的傅里葉譜特征來確定小波濾波器的參數(shù)，使得濾波器能夠與信號的頻率成分相匹配，從而實現(xiàn)對信號的高效分解。具體來說，EWT首先對輸入信號進行傅里葉變換，得到信號的頻譜。然后，通過搜索頻譜的局部極大值來確定頻帶的邊界，將頻譜劃分為多個相鄰的頻帶區(qū)間。在每個頻帶區(qū)間上，EWT構(gòu)造一對滿足特定條件的尺度函數(shù)和小波函數(shù)，形成一個小波濾波器組。利用這些濾波器組對信號進行濾波，得到一系列具有不同頻率特征的分量，這些分量被稱為經(jīng)驗?zāi)B(tài)函數(shù)（EmpiricalModeFunction，IMF），每個IMF分量代表了信號在特定頻率范圍內(nèi)的變化特征。通過對這些IMF分量的分析，可以更深入地了解信號的內(nèi)在特性和變化規(guī)律，為后續(xù)的信號處理和分析提供更豐富的信息。2.1.2EWT的算法流程傅里葉變換與頻譜歸一化：對輸入的原始信號x(t)進行傅里葉變換，得到其頻譜X(f)。為了便于后續(xù)處理，將頻譜歸一化到[0,\pi]的范圍。在實際應(yīng)用中，信號的頻率范圍可能各不相同，通過歸一化可以將不同信號的頻譜統(tǒng)一到一個標(biāo)準的區(qū)間內(nèi)，方便進行頻帶劃分和濾波器設(shè)計。假設(shè)采樣頻率為f_s，則歸一化后的頻率f_n=\frac{f}{f_s/2}\pi，其中f為原始頻率。頻帶劃分：確定頻帶劃分的數(shù)量N。通過搜索歸一化頻譜X(f_n)中的局部極大值點，來確定頻帶的邊界。設(shè)找到的局部極大值點個數(shù)為M，當(dāng)M\geqN時，保留前N-1個極大值點，這些極大值點對應(yīng)的頻率即為頻帶邊界；當(dāng)M<N時，保留全部M個極大值點，并相應(yīng)地調(diào)整N的值為M。這樣，頻譜被劃分為N個相鄰的頻帶區(qū)間\Lambda_n，n=1,2,\cdots,N，每個區(qū)間的中心頻率為\omega_n。例如，對于一個包含多個頻率成分的復(fù)雜信號，通過這種方法可以準確地找到各個頻率成分的大致范圍，將它們劃分到不同的頻帶中。濾波器構(gòu)建：根據(jù)頻帶劃分的結(jié)果，構(gòu)建經(jīng)驗小波濾波器組。對于每個頻帶\Lambda_n，設(shè)計一個尺度函數(shù)\hat{\varphi}_n(\omega)和一個小波函數(shù)\hat{\psi}_n(\omega)。尺度函數(shù)用于提取低頻成分，小波函數(shù)用于提取高頻成分。這些函數(shù)的構(gòu)建基于Meyer小波的理論，并通過一個過渡函數(shù)\beta(x)來實現(xiàn)頻帶之間的平滑過渡，以避免在濾波過程中出現(xiàn)頻譜泄漏的問題。過渡函數(shù)\beta(x)的設(shè)計使得濾波器在頻域上具有良好的局部化特性，能夠準確地提取出每個頻帶內(nèi)的信號成分。信號濾波與重構(gòu)：利用構(gòu)建好的濾波器組對原始信號進行濾波。將原始信號x(t)分別與各個尺度函數(shù)和小波函數(shù)進行卷積操作，得到不同頻帶的濾波結(jié)果，即各個IMF分量u_n(t)和細節(jié)分量v_n(t)。最后，通過信號重構(gòu)公式，將這些IMF分量和細節(jié)分量進行疊加，得到重構(gòu)后的信號\hat{x}(t)，確保重構(gòu)信號能夠準確地還原原始信號的特征。在重構(gòu)過程中，需要保證各個分量的權(quán)重和相位關(guān)系正確，以實現(xiàn)信號的精確重構(gòu)。通過以上步驟，EWT能夠?qū)⒁粋€復(fù)雜的非線性、非平穩(wěn)信號分解為多個具有不同頻率特征的分量，為后續(xù)的信號分析和處理提供了有力的工具。2.1.3EWT在信號處理中的優(yōu)勢自適應(yīng)選擇頻帶：與傳統(tǒng)的傅里葉變換和小波變換相比，EWT能夠根據(jù)信號的局部特征自動確定頻帶的位置和寬度。傳統(tǒng)方法使用固定的頻率范圍或預(yù)先定義的小波基函數(shù)，對于不同特性的信號缺乏靈活性。而EWT通過分析信號的傅里葉譜，自適應(yīng)地劃分頻帶，能夠更準確地捕捉信號的動態(tài)特性。在處理生物醫(yī)學(xué)信號時，不同生理狀態(tài)下的信號頻率特征差異較大，EWT可以根據(jù)信號的實際情況，靈活地調(diào)整頻帶劃分，從而更好地提取出與生理狀態(tài)相關(guān)的特征信息?？朔B(tài)混疊：在處理非線性、非平穩(wěn)信號時，模態(tài)混疊是一個常見的問題，它會導(dǎo)致信號分解結(jié)果中不同頻率成分的混淆，影響對信號的分析和理解。EWT通過合理的頻帶劃分和濾波器設(shè)計，能夠有效地克服模態(tài)混疊問題。它將信號的不同頻率成分準確地分離到不同的IMF分量中，使得每個IMF分量都具有明確的物理意義，便于對信號進行深入分析。在機械故障診斷中，振動信號往往包含多種故障特征頻率，EWT可以將這些不同頻率的故障特征清晰地分離出來，為故障診斷提供準確的依據(jù)。多尺度分析能力：EWT具備多尺度分析的能力，能夠?qū)⑿盘柗纸鉃椴煌叨鹊姆至?，從而揭示信號在不同時間尺度上的變化特征。通過對不同尺度分量的分析，可以獲取信號的低頻趨勢、高頻細節(jié)以及不同尺度之間的相互關(guān)系。在圖像處理中，EWT可以將圖像信號分解為不同尺度的分量，用于圖像的邊緣檢測、特征提取和圖像壓縮等任務(wù)。低頻分量可以保留圖像的大致輪廓和背景信息，高頻分量則包含了圖像的細節(jié)和紋理信息，通過對這些分量的處理，可以實現(xiàn)對圖像的高效分析和處理。計算效率較高：EWT的算法基于傅里葉變換和簡單的濾波操作，計算過程相對簡單，計算效率較高。與一些復(fù)雜的信號處理方法相比，如經(jīng)驗?zāi)B(tài)分解（EMD）及其改進算法，EWT在保證分解效果的同時，能夠更快地完成信號分解任務(wù)，適用于實時性要求較高的應(yīng)用場景。在通信信號處理中，需要對大量的信號數(shù)據(jù)進行實時分析和處理，EWT的高效性使得它能夠滿足這種實時性的需求，及時提取出通信信號中的有用信息。2.2長短期記憶網(wǎng)絡(luò)（LSTM）原理2.2.1LSTM的網(wǎng)絡(luò)結(jié)構(gòu)長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN），專門為解決傳統(tǒng)RNN在處理長序列數(shù)據(jù)時面臨的長期依賴問題而設(shè)計。傳統(tǒng)RNN在處理長序列時，由于梯度消失或梯度爆炸問題，很難有效地捕捉序列中相隔較遠的信息之間的依賴關(guān)系。LSTM通過引入記憶單元和門控機制，成功地解決了這一難題，使得模型能夠更好地處理長期依賴信息，在自然語言處理、語音識別、時間序列預(yù)測等諸多領(lǐng)域取得了顯著的成果。LSTM的基本單元結(jié)構(gòu)如圖1所示，它主要由輸入門（InputGate）、遺忘門（ForgetGate）、輸出門（OutputGate）和細胞狀態(tài)（CellState）組成。這些組件協(xié)同工作，實現(xiàn)對信息的選擇性記憶和遺忘，從而有效地處理時間序列數(shù)據(jù)。[此處插入LSTM網(wǎng)絡(luò)結(jié)構(gòu)示意圖]輸入門負責(zé)控制當(dāng)前輸入信息進入細胞狀態(tài)的程度。它由一個Sigmoid層和一個tanh層組成，Sigmoid層輸出一個介于0和1之間的值，表示當(dāng)前輸入中需要更新到細胞狀態(tài)的信息比例；tanh層則生成一個新的候選值向量，用于添加到細胞狀態(tài)中。遺忘門決定從上一個時間步的細胞狀態(tài)中丟棄哪些信息，它通過一個Sigmoid層實現(xiàn)，輸出值同樣介于0和1之間，越接近0表示丟棄該信息的程度越高，越接近1表示保留該信息的程度越高。輸出門控制細胞狀態(tài)的哪些部分將作為當(dāng)前時刻的輸出，它由一個Sigmoid層和一個tanh層組成，Sigmoid層確定輸出的比例，tanh層對細胞狀態(tài)進行處理后與Sigmoid層的輸出相乘，得到最終的輸出。細胞狀態(tài)是LSTM的核心，它就像一個傳送帶，貫穿LSTM單元的整個鏈條，負責(zé)存儲和傳遞長期信息。在每個時間步，細胞狀態(tài)會根據(jù)輸入門和遺忘門的控制進行更新，從而保留有用的信息并丟棄無用的信息。在實際應(yīng)用中，LSTM網(wǎng)絡(luò)通常由多個LSTM單元組成，形成一個鏈式結(jié)構(gòu)。每個時間步的輸入不僅包括當(dāng)前時刻的輸入數(shù)據(jù)，還包括上一個時間步的隱藏狀態(tài)。通過這種方式，LSTM網(wǎng)絡(luò)能夠捕捉到時間序列數(shù)據(jù)中的長期依賴關(guān)系，實現(xiàn)對未來數(shù)據(jù)的準確預(yù)測。例如，在文本生成任務(wù)中，LSTM網(wǎng)絡(luò)可以根據(jù)前文的內(nèi)容生成后續(xù)的文本，通過記憶單元和門控機制，它能夠記住前文的關(guān)鍵信息，從而生成連貫、合理的文本。在時間序列預(yù)測中，LSTM網(wǎng)絡(luò)可以根據(jù)歷史數(shù)據(jù)預(yù)測未來的趨勢，通過對長期依賴關(guān)系的捕捉，它能夠準確地預(yù)測出數(shù)據(jù)的變化趨勢，為決策提供有力的支持。2.2.2LSTM的工作機制LSTM的工作機制主要圍繞遺忘門、輸入門、輸出門和細胞狀態(tài)展開，通過這些組件的協(xié)同作用，實現(xiàn)對信息的有效處理和長期記憶。在每個時間步t，LSTM單元接收當(dāng)前輸入x_t和上一個時間步的隱藏狀態(tài)h_{t-1}作為輸入。首先，遺忘門根據(jù)當(dāng)前輸入和上一個時間步的隱藏狀態(tài)計算出一個遺忘系數(shù)f_t，其計算公式為：f_t=\sigma(W_f\cdot[h_{t-1},x_t]+b_f)其中，\sigma是Sigmoid激活函數(shù)，它將輸入值映射到0到1之間，W_f是遺忘門的權(quán)重矩陣，[h_{t-1},x_t]表示將上一個時間步的隱藏狀態(tài)和當(dāng)前輸入進行拼接，b_f是遺忘門的偏置項。遺忘系數(shù)f_t決定了上一個時間步的細胞狀態(tài)C_{t-1}中哪些信息應(yīng)該被保留，哪些信息應(yīng)該被遺忘。當(dāng)f_t接近0時，表示對應(yīng)的信息將被大量遺忘；當(dāng)f_t接近1時，表示對應(yīng)的信息將被大量保留。接著，輸入門計算兩個值：輸入門系數(shù)i_t和候選細胞狀態(tài)\tilde{C}_t。輸入門系數(shù)i_t的計算公式為：i_t=\sigma(W_i\cdot[h_{t-1},x_t]+b_i)候選細胞狀態(tài)\tilde{C}_t的計算公式為：\tilde{C}_t=\tanh(W_c\cdot[h_{t-1},x_t]+b_c)其中，W_i和W_c分別是輸入門和候選細胞狀態(tài)的權(quán)重矩陣，b_i和b_c分別是它們的偏置項，\tanh是雙曲正切激活函數(shù)，它將輸入值映射到-1到1之間。輸入門系數(shù)i_t決定了當(dāng)前輸入中哪些信息將被更新到細胞狀態(tài)中，候選細胞狀態(tài)\tilde{C}_t則提供了可能需要添加到細胞狀態(tài)的新信息。然后，根據(jù)遺忘門和輸入門的計算結(jié)果，更新細胞狀態(tài)C_t：C_t=f_t\cdotC_{t-1}+i_t\cdot\tilde{C}_t上式中，f_t\cdotC_{t-1}表示保留上一個時間步細胞狀態(tài)中被遺忘門允許保留的信息，i_t\cdot\tilde{C}_t表示將當(dāng)前輸入中被輸入門允許更新的信息添加到細胞狀態(tài)中。通過這種方式，細胞狀態(tài)能夠在保留有用歷史信息的同時，融入新的信息。最后，輸出門根據(jù)當(dāng)前輸入、上一個時間步的隱藏狀態(tài)和更新后的細胞狀態(tài)計算出當(dāng)前時間步的輸出h_t。輸出門系數(shù)o_t的計算公式為：o_t=\sigma(W_o\cdot[h_{t-1},x_t]+b_o)當(dāng)前時間步的輸出h_t的計算公式為：h_t=o_t\cdot\tanh(C_t)其中，W_o是輸出門的權(quán)重矩陣，b_o是輸出門的偏置項。輸出門系數(shù)o_t決定了細胞狀態(tài)中哪些部分將被輸出，\tanh(C_t)對細胞狀態(tài)進行處理后與輸出門系數(shù)o_t相乘，得到當(dāng)前時間步的隱藏狀態(tài)h_t，該隱藏狀態(tài)既作為當(dāng)前時間步的輸出，又將傳遞到下一個時間步作為輸入。通過上述過程，LSTM能夠根據(jù)不同的任務(wù)需求，靈活地控制信息的流動和存儲，有效地處理時間序列數(shù)據(jù)中的長期依賴關(guān)系。例如，在股票價格預(yù)測中，LSTM可以通過遺忘門遺忘過去一些對當(dāng)前預(yù)測影響較小的價格波動信息，通過輸入門及時更新最新的市場動態(tài)和公司財務(wù)信息等，從而更準確地預(yù)測未來股票價格走勢。在自然語言處理中的情感分析任務(wù)中，LSTM可以通過記憶單元記住文本中前面出現(xiàn)的關(guān)鍵詞和語義信息，結(jié)合當(dāng)前輸入的詞匯，判斷整個文本表達的情感傾向。2.2.3LSTM在時間序列預(yù)測中的應(yīng)用優(yōu)勢避免梯度消失/爆炸問題：傳統(tǒng)RNN在處理長序列數(shù)據(jù)時，由于梯度在反向傳播過程中會不斷累乘，當(dāng)序列長度增加時，容易出現(xiàn)梯度消失或梯度爆炸問題。梯度消失會導(dǎo)致模型難以學(xué)習(xí)到長距離的依賴關(guān)系，梯度爆炸則會使模型訓(xùn)練不穩(wěn)定甚至無法收斂。LSTM通過引入門控機制，特別是遺忘門和輸入門，有效地控制了信息在時間序列中的流動，使得梯度能夠穩(wěn)定地反向傳播，避免了梯度消失和梯度爆炸問題，從而能夠處理更長的時間序列數(shù)據(jù)，捕捉到數(shù)據(jù)中的長期依賴關(guān)系。在預(yù)測電力負荷的時間序列時，電力負荷數(shù)據(jù)受到季節(jié)、天氣、工作日/休息日等多種因素的影響，具有復(fù)雜的長期依賴關(guān)系。LSTM能夠通過門控機制，在處理長時間序列的電力負荷數(shù)據(jù)時，穩(wěn)定地傳播梯度，準確地捕捉到這些復(fù)雜的依賴關(guān)系，從而實現(xiàn)對電力負荷的準確預(yù)測。適應(yīng)長期記憶需求：時間序列數(shù)據(jù)通常具有長期依賴特性，即當(dāng)前時刻的數(shù)據(jù)往往與過去較長時間內(nèi)的數(shù)據(jù)存在關(guān)聯(lián)。LSTM的細胞狀態(tài)和門控機制使其能夠有效地存儲和更新長期信息，通過遺忘門選擇性地保留或丟棄過去的信息，通過輸入門將新的信息融入細胞狀態(tài)，從而能夠很好地適應(yīng)時間序列預(yù)測中對長期記憶的需求。在預(yù)測交通流量時，交通流量不僅受到當(dāng)前時刻的路況、時間等因素影響，還與過去一段時間內(nèi)的交通狀況密切相關(guān)。LSTM可以通過記憶單元記住過去不同時間段的交通流量變化模式，結(jié)合當(dāng)前的路況信息，準確地預(yù)測未來的交通流量。靈活性強：LSTM具有很強的靈活性，它可以根據(jù)不同的時間序列數(shù)據(jù)特點和預(yù)測任務(wù)需求，靈活地調(diào)整門控機制的參數(shù)，從而學(xué)習(xí)到數(shù)據(jù)中的復(fù)雜模式和特征。此外，LSTM還可以與其他深度學(xué)習(xí)模型或技術(shù)相結(jié)合，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、注意力機制等，進一步提升模型的性能和泛化能力。將LSTM與CNN相結(jié)合，可以充分利用CNN在提取局部特征方面的優(yōu)勢和LSTM在處理時間序列數(shù)據(jù)方面的能力，在處理圖像時間序列數(shù)據(jù)時，能夠同時提取圖像的空間特征和時間序列特征，提高預(yù)測的準確性。在預(yù)測血糖濃度時，將注意力機制引入LSTM模型中，可以使模型更加關(guān)注對血糖變化影響較大的時間步和特征，從而提高血糖預(yù)測的精度。三、基于經(jīng)驗小波變換的血糖數(shù)據(jù)預(yù)處理3.1血糖數(shù)據(jù)采集與整理本研究的數(shù)據(jù)來源主要包括兩個方面：一是從某大型醫(yī)院內(nèi)分泌科收集的糖尿病患者臨床監(jiān)測數(shù)據(jù)，涵蓋了不同年齡、性別、糖尿病類型及病程的患者；二是通過與部分糖尿病患者合作，獲取其日常使用連續(xù)血糖監(jiān)測設(shè)備記錄的數(shù)據(jù)。采集設(shè)備采用目前臨床上常用的連續(xù)血糖監(jiān)測系統(tǒng)（CGMS），如雅培瞬感血糖儀、美敦力GuardianRT動態(tài)血糖儀等。這些設(shè)備能夠?qū)崟r、連續(xù)地監(jiān)測患者的血糖濃度，每隔5-15分鐘記錄一次數(shù)據(jù)，為研究提供了高時間分辨率的血糖數(shù)據(jù)。采集時間范圍為連續(xù)7-14天，確保獲取到足夠的血糖數(shù)據(jù)以反映患者血糖變化的規(guī)律和趨勢。在數(shù)據(jù)采集過程中，詳細記錄了患者的基本信息，如年齡、性別、身高、體重、糖尿病類型、病程、治療方案（包括藥物治療、胰島素注射劑量和時間、飲食控制計劃、運動習(xí)慣等），以及采集期間患者的日?；顒?、飲食攝入情況等信息。這些額外信息對于后續(xù)分析血糖變化的影響因素和建立準確的預(yù)測模型具有重要價值。采集到的數(shù)據(jù)首先進行初步的整理，按照時間順序?qū)ρ菙?shù)據(jù)進行排序，并將其與對應(yīng)的患者信息和時間戳進行關(guān)聯(lián)，確保數(shù)據(jù)的一致性和可追溯性。對于存在時間戳錯誤或缺失的數(shù)據(jù)點，通過與患者溝通確認或參考其他相關(guān)記錄進行修正和補充。同時，對數(shù)據(jù)進行初步的可視化檢查，繪制血糖濃度隨時間變化的折線圖，直觀地觀察數(shù)據(jù)的整體趨勢和異常情況。初步清洗主要包括去除明顯錯誤值和異常值。明顯錯誤值如血糖濃度為負數(shù)或超出正常生理范圍（一般認為空腹血糖在3.9-6.1mmol/L，餐后2小時血糖在7.8-11.1mmol/L，超出此范圍且無合理臨床解釋的數(shù)據(jù)視為異常）的數(shù)據(jù)點。對于異常值，進一步分析其產(chǎn)生的原因，如設(shè)備故障、操作失誤、患者特殊生理狀態(tài)（如應(yīng)激、疾病發(fā)作等）。如果是設(shè)備故障或操作失誤導(dǎo)致的異常值，將其刪除；如果是患者特殊生理狀態(tài)引起的，結(jié)合臨床信息進行合理的標(biāo)記和處理。此外，對于存在少量缺失值的數(shù)據(jù)，采用線性插值法進行補充。對于缺失值較多的時間段（如連續(xù)缺失超過3個數(shù)據(jù)點），則考慮結(jié)合患者的整體血糖變化趨勢、飲食運動等信息，利用基于機器學(xué)習(xí)的缺失值填補算法進行填補，以保證數(shù)據(jù)的完整性，為后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。3.2經(jīng)驗小波變換在血糖數(shù)據(jù)分解中的應(yīng)用3.2.1確定EWT的分解參數(shù)在將經(jīng)驗小波變換（EWT）應(yīng)用于血糖數(shù)據(jù)分解時，合理確定分解參數(shù)至關(guān)重要，這些參數(shù)直接影響到分解結(jié)果的質(zhì)量和后續(xù)分析的準確性。對于分解層數(shù)的確定，需要綜合考慮血糖數(shù)據(jù)的特征和分析目的。血糖數(shù)據(jù)具有復(fù)雜的非線性和非平穩(wěn)特性，其變化受到多種因素的影響，如飲食、運動、藥物作用以及人體自身的生理節(jié)律等。通過多次實驗和分析發(fā)現(xiàn)，當(dāng)分解層數(shù)過少時，無法充分揭示血糖信號在不同時間尺度上的變化特征，可能會丟失一些重要的細節(jié)信息；而當(dāng)分解層數(shù)過多時，會導(dǎo)致分解出的IMF分量過于細化，其中一些分量可能包含過多的噪聲或冗余信息，反而不利于后續(xù)的分析和處理。在本研究中，結(jié)合血糖數(shù)據(jù)的實際情況和實驗結(jié)果，經(jīng)過反復(fù)試驗和對比，確定將血糖數(shù)據(jù)分解為[X]層較為合適。這一分解層數(shù)能夠在保留血糖信號主要特征的同時，有效地去除噪聲和冗余信息，為后續(xù)的LSTM模型預(yù)測提供高質(zhì)量的輸入數(shù)據(jù)。頻帶劃分方式是EWT中的關(guān)鍵環(huán)節(jié)，它決定了如何將血糖信號的頻譜劃分為不同的頻帶，以便提取出具有不同頻率特征的IMF分量。由于血糖信號的頻率成分較為復(fù)雜，且不同個體之間存在一定差異，因此采用自適應(yīng)的頻帶劃分方式能夠更好地適應(yīng)血糖數(shù)據(jù)的特點。具體而言，首先對血糖數(shù)據(jù)進行傅里葉變換，得到其頻譜分布。然后，通過搜索頻譜的局部極大值點來確定頻帶的邊界。這些局部極大值點對應(yīng)著血糖信號中不同頻率成分的能量集中區(qū)域，將它們作為頻帶邊界能夠有效地將不同頻率的成分分離出來。在實際操作中，為了避免頻帶劃分過于粗糙或精細，還需要根據(jù)經(jīng)驗和實驗結(jié)果對確定的頻帶邊界進行適當(dāng)?shù)恼{(diào)整。例如，對于一些相鄰的局部極大值點，如果它們之間的頻率間隔過小，可能會將它們合并為一個頻帶，以減少頻帶數(shù)量，提高分解的效率和穩(wěn)定性；反之，如果頻率間隔過大，可能會進一步細分頻帶，以更精確地捕捉血糖信號的頻率特征。通過這種自適應(yīng)的頻帶劃分方式，能夠根據(jù)血糖數(shù)據(jù)的具體特征，靈活地確定頻帶的位置和寬度，從而實現(xiàn)對血糖信號的有效分解。3.2.2血糖數(shù)據(jù)的分解與重構(gòu)在確定了EWT的分解參數(shù)后，即可對預(yù)處理后的血糖數(shù)據(jù)進行分解。將血糖數(shù)據(jù)輸入到EWT算法中，經(jīng)過傅里葉變換、頻帶劃分和濾波器構(gòu)建等步驟，得到一系列固有模態(tài)函數(shù)（IMF）分量。每個IMF分量都代表了血糖信號在特定頻率范圍內(nèi)的變化特征，從高頻到低頻依次反映了血糖的短期快速波動、中期變化以及長期趨勢等信息。以[具體患者的血糖數(shù)據(jù)]為例，對其進行EWT分解后，得到了[X]個IMF分量，分別記為IMF1、IMF2、...、IMF[X]。IMF1通常包含了血糖信號中的高頻成分，主要反映了血糖在短時間內(nèi)的快速變化，如進食后血糖的迅速上升以及身體對血糖的快速調(diào)節(jié)過程；IMF2包含了相對較低頻率的成分，反映了血糖在稍長時間段內(nèi)的波動，可能與日?；顒印⑺幬镒饔玫某掷m(xù)影響等因素有關(guān)；隨著IMF分量序號的增加，頻率逐漸降低，IMF[X]主要體現(xiàn)了血糖的長期趨勢，如患者在一段時間內(nèi)整體的血糖控制水平以及身體的基礎(chǔ)代謝狀態(tài)對血糖的影響等。通過對這些IMF分量進行可視化分析，可以更直觀地了解血糖信號在不同時間尺度上的變化特征。如圖[IMF分量可視化圖編號]所示，展示了各IMF分量隨時間的變化曲線。從圖中可以清晰地看到，不同的IMF分量具有不同的變化模式和特征，它們共同構(gòu)成了血糖信號的完整信息。[此處插入IMF分量可視化圖]在得到IMF分量后，有時需要根據(jù)具體的分析需求對部分分量進行重構(gòu)。例如，在進行血糖預(yù)測時，可能發(fā)現(xiàn)某些高頻IMF分量中包含了較多的噪聲，對預(yù)測結(jié)果的準確性產(chǎn)生負面影響。此時，可以選擇去除這些高頻IMF分量，僅保留低頻和中頻的IMF分量進行重構(gòu)。重構(gòu)過程通過將選定的IMF分量進行疊加來實現(xiàn)，即將保留的IMF1、IMF2、...、IMF[n]（n<X）按照一定的權(quán)重進行相加，得到重構(gòu)后的血糖信號。通過合理選擇重構(gòu)的IMF分量，可以有效地去除噪聲，突出血糖信號的主要特征，為后續(xù)的LSTM模型預(yù)測提供更可靠的數(shù)據(jù)。同時，重構(gòu)后的信號也能夠更好地反映出血糖的真實變化趨勢，有助于更準確地分析血糖變化的規(guī)律和機制。3.3分解結(jié)果分析與特征提取3.3.1分析各分量的特征經(jīng)過經(jīng)驗小波變換分解得到的各個固有模態(tài)分量（IMF）具有不同的頻率和幅值特征，這些特征與血糖變化密切相關(guān)，對血糖預(yù)測具有重要的潛在作用。從頻率角度來看，高頻IMF分量如IMF1和IMF2，其頻率范圍相對較高，主要反映了血糖的短期快速波動。這些波動通常是由一些即時性的因素引起的，如進食后碳水化合物的快速消化吸收導(dǎo)致血糖迅速上升，身體在短時間內(nèi)對血糖的快速調(diào)節(jié)反應(yīng)等。在進食后的1-2小時內(nèi)，血糖會出現(xiàn)明顯的升高，這一變化會在高頻IMF分量中得到顯著體現(xiàn)，表現(xiàn)為信號的快速起伏。高頻分量的變化較為劇烈，其頻率成分相對復(fù)雜，可能包含多個不同的頻率子成分，這些子成分對應(yīng)著不同的短期血糖變化事件。中頻IMF分量，如IMF3和IMF4，其頻率適中，反映了血糖在中期時間段內(nèi)的波動情況。這些波動與日?；顒?、藥物作用的持續(xù)影響等因素相關(guān)。進行中等強度的運動時，身體對葡萄糖的消耗增加，血糖會在一段時間內(nèi)逐漸下降，這一過程會在中頻IMF分量中表現(xiàn)為相對平穩(wěn)的下降趨勢。藥物的作用也會在中頻分量中有所體現(xiàn)，例如胰島素注射后，其降血糖作用會在一段時間內(nèi)持續(xù)發(fā)揮，導(dǎo)致血糖在數(shù)小時內(nèi)逐漸降低，這一變化模式會在中頻IMF分量中呈現(xiàn)出來。低頻IMF分量，如IMF5及之后的分量，頻率較低，主要體現(xiàn)了血糖的長期趨勢。它們反映了患者在較長時間內(nèi)整體的血糖控制水平以及身體的基礎(chǔ)代謝狀態(tài)對血糖的影響?；颊叩娘嬍沉?xí)慣、運動量長期穩(wěn)定時，血糖會在一個相對穩(wěn)定的水平上波動，低頻IMF分量會呈現(xiàn)出相對平緩的趨勢，反映出這種長期的穩(wěn)定狀態(tài)。而當(dāng)患者的身體狀況發(fā)生變化，如患上其他疾病導(dǎo)致代謝紊亂，或者長期的飲食結(jié)構(gòu)改變等，低頻IMF分量會相應(yīng)地發(fā)生變化，體現(xiàn)出血糖長期趨勢的改變。從幅值角度分析，幅值較大的IMF分量通常包含了血糖信號中的主要能量成分，對血糖變化的貢獻較大。高頻IMF分量雖然波動頻繁，但幅值相對較小，這是因為短期的血糖波動雖然快速，但幅度相對有限。中頻IMF分量的幅值適中，它們在一定程度上積累了血糖在中期的變化信息。低頻IMF分量的幅值相對較大，因為它們反映的是血糖的長期趨勢變化，這種變化是在較長時間內(nèi)逐漸積累形成的，包含了更多的能量和信息。在分析各IMF分量時，幅值的大小可以作為判斷該分量對血糖變化影響程度的一個重要指標(biāo)，幅值越大，說明該分量所攜帶的信息對血糖整體變化的影響越顯著。不同的IMF分量在血糖預(yù)測中具有不同的潛在作用。高頻IMF分量可以幫助捕捉血糖的短期變化趨勢，對于預(yù)測短期內(nèi)的血糖波動，如進食后1-2小時內(nèi)的血糖峰值具有重要意義。中頻IMF分量能夠反映血糖在日?；顒雍退幬镒饔孟碌淖兓?guī)律，有助于預(yù)測未來數(shù)小時到數(shù)天內(nèi)的血糖變化。低頻IMF分量則為長期血糖預(yù)測提供了基礎(chǔ)，通過分析低頻分量的變化趨勢，可以對患者未來一周甚至更長時間內(nèi)的血糖總體水平進行預(yù)測。通過綜合分析各IMF分量的頻率和幅值特征，可以更全面、深入地了解血糖變化的內(nèi)在機制和規(guī)律，為后續(xù)的血糖預(yù)測模型提供豐富的信息和有力的支持。3.3.2提取有效特征用于后續(xù)預(yù)測為了提高血糖預(yù)測模型的準確性和效率，需要從分解得到的各IMF分量中篩選和提取與血糖濃度變化密切相關(guān)的有效特征。這些特征將作為后續(xù)LSTM模型的輸入，幫助模型更好地學(xué)習(xí)和預(yù)測血糖的變化趨勢。首先，計算各IMF分量的統(tǒng)計特征。均值能夠反映IMF分量在一段時間內(nèi)的平均水平，代表了該分量所包含的血糖變化的平均趨勢。對于反映血糖長期趨勢的低頻IMF分量，其均值可以作為一個重要的特征，用于描述患者在較長時間內(nèi)的平均血糖水平。標(biāo)準差用于衡量IMF分量的波動程度，標(biāo)準差越大，說明該分量的波動越劇烈，反映出血糖變化的不穩(wěn)定性。高頻IMF分量的標(biāo)準差可以幫助判斷血糖短期波動的幅度和頻率，對于預(yù)測短期內(nèi)的血糖波動情況具有重要參考價值。其次，提取各IMF分量的時域特征。自相關(guān)系數(shù)能夠衡量IMF分量在不同時間點之間的相關(guān)性，反映了血糖變化的記憶性和趨勢延續(xù)性。如果一個IMF分量的自相關(guān)系數(shù)較高，說明該分量在前后時間點上的變化具有較強的相關(guān)性，血糖變化具有一定的趨勢延續(xù)性，這對于預(yù)測未來血糖的變化方向具有重要意義。峰值和谷值以及它們出現(xiàn)的時間也是重要的時域特征。血糖在進食后會出現(xiàn)峰值，在運動后可能出現(xiàn)谷值，通過提取這些峰值和谷值以及它們出現(xiàn)的時間，可以準確地捕捉到血糖變化的關(guān)鍵時間點和幅度，為血糖預(yù)測提供關(guān)鍵信息。此外，還可以考慮提取各IMF分量的頻域特征。通過對IMF分量進行傅里葉變換或小波變換等頻域分析方法，可以得到其頻率分布特征。頻率分布能夠揭示IMF分量中不同頻率成分的能量分布情況，幫助了解血糖變化在不同頻率上的特征。在高頻IMF分量中，某些特定頻率成分的能量較高，可能對應(yīng)著血糖的快速消化吸收或身體的快速調(diào)節(jié)反應(yīng)等特定生理過程，提取這些頻率特征可以為血糖預(yù)測提供更深入的信息。在提取特征時，還需要進行特征選擇和降維處理。特征選擇是從提取的眾多特征中選擇對血糖預(yù)測最有貢獻的特征，去除冗余和不相關(guān)的特征，以提高模型的訓(xùn)練效率和預(yù)測準確性。可以采用相關(guān)性分析、互信息分析等方法，計算每個特征與血糖濃度之間的相關(guān)性或互信息，選擇相關(guān)性高或互信息大的特征。降維處理則是通過主成分分析（PCA）、線性判別分析（LDA）等方法，將高維的特征向量轉(zhuǎn)換為低維的特征向量，在保留主要信息的同時減少特征的維度，降低模型的復(fù)雜度。通過這些特征提取和處理方法，可以得到一系列與血糖濃度變化密切相關(guān)的有效特征，為后續(xù)的LSTM模型預(yù)測提供高質(zhì)量的輸入數(shù)據(jù)，從而提高血糖預(yù)測的精度和可靠性。四、基于LSTM的二階段血糖濃度預(yù)測模型構(gòu)建4.1模型總體架構(gòu)設(shè)計基于經(jīng)驗小波變換和LSTM的二階段血糖濃度預(yù)測模型的總體架構(gòu)如圖[模型架構(gòu)圖編號]所示。該模型主要由數(shù)據(jù)輸入層、LSTM層、全連接層和輸出層構(gòu)成，各層之間相互協(xié)作，共同完成血糖濃度的預(yù)測任務(wù)。[此處插入模型架構(gòu)圖]數(shù)據(jù)輸入層負責(zé)接收經(jīng)過經(jīng)驗小波變換分解和特征提取后的血糖數(shù)據(jù)。這些數(shù)據(jù)以時間序列的形式輸入到模型中，每個時間步的輸入包含了從不同IMF分量中提取的特征向量。輸入層的主要作用是將數(shù)據(jù)進行預(yù)處理和格式轉(zhuǎn)換，使其能夠滿足后續(xù)模型層的輸入要求，同時對數(shù)據(jù)進行歸一化處理，以加速模型的收斂和提高訓(xùn)練效率。通過歸一化，將不同特征的取值范圍統(tǒng)一到一定區(qū)間，避免因特征取值范圍差異過大而導(dǎo)致模型訓(xùn)練不穩(wěn)定。LSTM層是模型的核心部分，它由多個LSTM單元按順序連接而成，形成一個鏈式結(jié)構(gòu)。每個LSTM單元通過遺忘門、輸入門和輸出門的協(xié)同作用，對輸入數(shù)據(jù)進行處理，有效地捕捉時間序列數(shù)據(jù)中的長期依賴關(guān)系。在本模型中，設(shè)置了[具體層數(shù)]層LSTM層，各層之間層層遞進，逐步學(xué)習(xí)和提取血糖數(shù)據(jù)中的復(fù)雜特征和模式。隨著層數(shù)的增加，模型能夠?qū)W習(xí)到更高級、更抽象的特征表示，從而更好地對血糖濃度進行預(yù)測。不同層的LSTM單元可以捕捉不同時間尺度上的依賴關(guān)系，底層LSTM單元主要關(guān)注短期的血糖變化特征，而高層LSTM單元則能夠捕捉到長期的趨勢和周期性變化。例如，在處理一天內(nèi)的血糖數(shù)據(jù)時，底層LSTM單元可以學(xué)習(xí)到進食、運動等短期因素對血糖的影響，而高層LSTM單元則可以捕捉到患者長期的血糖控制趨勢以及生理節(jié)律對血糖的影響。全連接層位于LSTM層之后，它的作用是將LSTM層輸出的特征向量進行進一步的處理和整合。全連接層中的神經(jīng)元與上一層的所有神經(jīng)元都有連接，通過權(quán)重矩陣對輸入的特征進行線性變換，將高維的特征向量映射到低維空間，從而提取出對血糖預(yù)測最關(guān)鍵的特征信息。全連接層可以看作是對LSTM層輸出的特征進行篩選和強化，突出與血糖濃度預(yù)測密切相關(guān)的特征，同時減少特征維度，降低模型的復(fù)雜度，提高計算效率。在全連接層中，通常會使用激活函數(shù)（如ReLU函數(shù)）來增加模型的非線性表達能力，使模型能夠?qū)W習(xí)到更復(fù)雜的函數(shù)關(guān)系。輸出層是模型的最后一層，它根據(jù)全連接層的輸出結(jié)果進行預(yù)測，輸出最終的血糖濃度預(yù)測值。輸出層通常采用線性回歸的方式，通過一個線性變換將全連接層輸出的特征向量轉(zhuǎn)換為一個標(biāo)量值，即預(yù)測的血糖濃度。在訓(xùn)練過程中，模型通過最小化預(yù)測值與真實值之間的誤差（如均方根誤差、平均絕對誤差等）來調(diào)整模型的參數(shù)，使模型的預(yù)測結(jié)果盡可能接近真實的血糖濃度。在實際應(yīng)用中，輸出層的預(yù)測結(jié)果將用于指導(dǎo)糖尿病患者的飲食、運動和藥物治療等決策，幫助患者更好地控制血糖水平。4.2第一階段預(yù)測：短期血糖濃度預(yù)測4.2.1確定輸入特征和預(yù)測時長在短期血糖濃度預(yù)測中，準確選擇輸入特征和確定預(yù)測時長對于構(gòu)建有效的預(yù)測模型至關(guān)重要。輸入特征應(yīng)全面反映影響血糖變化的各種因素，以提高模型的預(yù)測能力。本研究選擇的輸入特征包括歷史血糖值、飲食信息、運動數(shù)據(jù)以及其他相關(guān)生理指標(biāo)。歷史血糖值是預(yù)測血糖濃度的關(guān)鍵因素，它包含了血糖變化的趨勢和規(guī)律等重要信息?？紤]到血糖變化的短期相關(guān)性，選擇過去[X]個時間步的血糖值作為輸入特征。若時間步間隔為15分鐘，選擇過去4個時間步的血糖值，即過去1小時內(nèi)的血糖數(shù)據(jù)，能較好地捕捉血糖的短期變化趨勢。這些歷史血糖值能夠反映出身體對之前飲食、運動等因素的血糖響應(yīng)，為預(yù)測未來血糖濃度提供了直接的依據(jù)。飲食信息對血糖濃度有著顯著的影響。不同食物的種類、攝入量以及進食時間都會導(dǎo)致血糖的不同變化。將飲食信息量化為碳水化合物攝入量、蛋白質(zhì)攝入量、脂肪攝入量以及進食時間等特征。對于碳水化合物攝入量，精確記錄每餐攝入的碳水化合物的克數(shù)，因為碳水化合物在消化后會迅速轉(zhuǎn)化為葡萄糖進入血液，是影響血糖升高的主要因素。蛋白質(zhì)和脂肪的攝入量雖然對血糖的影響相對較緩，但它們在體內(nèi)的代謝過程也會間接影響血糖水平，因此也納入輸入特征。進食時間則可以表示為距離上次進食的時間間隔，這有助于模型了解血糖在進食后的變化階段。運動數(shù)據(jù)同樣是不可忽視的輸入特征。運動強度、運動時長和運動時間等因素都會對血糖產(chǎn)生影響。通過運動手環(huán)或其他運動監(jiān)測設(shè)備獲取運動數(shù)據(jù)，將運動強度分為低、中、高三個等級進行量化，運動時長記錄為具體的分鐘數(shù)，運動時間記錄為運動開始和結(jié)束的時間點。進行30分鐘中等強度的有氧運動，如慢跑，會使身體對葡萄糖的消耗增加，導(dǎo)致血糖在運動后一段時間內(nèi)下降。將這些運動數(shù)據(jù)作為輸入特征，能夠使模型更好地考慮運動對血糖的調(diào)節(jié)作用。其他相關(guān)生理指標(biāo)，如心率、血壓、胰島素注射劑量等，也與血糖變化密切相關(guān)。心率和血壓的變化可以反映身體的代謝狀態(tài)和應(yīng)激水平，這些因素都會影響血糖的調(diào)節(jié)機制。胰島素注射劑量則是糖尿病患者控制血糖的重要手段，其劑量的大小直接決定了血糖的下降幅度和速度。將這些生理指標(biāo)作為輸入特征，能夠更全面地描述身體的生理狀態(tài)，提高模型對血糖變化的預(yù)測能力。確定短期預(yù)測時長為未來30分鐘。這是因為在實際應(yīng)用中，30分鐘內(nèi)的血糖預(yù)測對于糖尿病患者的日常管理具有重要的指導(dǎo)意義。在進食前，患者可以根據(jù)未來30分鐘的血糖預(yù)測結(jié)果，合理調(diào)整飲食計劃，避免進食后血糖過高。在進行運動前，也可以依據(jù)預(yù)測結(jié)果提前做好血糖監(jiān)測和應(yīng)對措施，防止運動過程中出現(xiàn)低血糖。未來30分鐘的血糖預(yù)測能夠及時反映出當(dāng)前身體狀態(tài)和外部因素對血糖的短期影響，為患者提供及時的決策依據(jù)。4.2.2構(gòu)建第一階段LSTM模型構(gòu)建適用于短期血糖濃度預(yù)測的LSTM模型時，需綜合考慮多個關(guān)鍵因素，包括隱藏層數(shù)量、神經(jīng)元個數(shù)以及激活函數(shù)的選擇，以確保模型能夠準確捕捉血糖數(shù)據(jù)的復(fù)雜特征和變化規(guī)律。在確定隱藏層數(shù)量方面，通過多次實驗和對比分析來尋找最優(yōu)值。隱藏層數(shù)量過少，模型的學(xué)習(xí)能力有限，無法充分提取血糖數(shù)據(jù)中的復(fù)雜特征，導(dǎo)致預(yù)測精度較低；而隱藏層數(shù)量過多，會使模型變得復(fù)雜，容易出現(xiàn)過擬合現(xiàn)象，且計算成本增加。經(jīng)過一系列實驗，發(fā)現(xiàn)設(shè)置[X]個隱藏層時，模型在訓(xùn)練集和驗證集上的表現(xiàn)較為平衡，能夠較好地學(xué)習(xí)血糖數(shù)據(jù)的特征，同時避免過擬合。在第一個隱藏層中，神經(jīng)元可以學(xué)習(xí)到血糖數(shù)據(jù)的基本特征，如趨勢、季節(jié)性等；隨著隱藏層的加深，神經(jīng)元能夠?qū)W習(xí)到更高級、更抽象的特征表示，從而提高模型的預(yù)測能力。對于每個隱藏層的神經(jīng)元個數(shù)，同樣通過實驗進行優(yōu)化。神經(jīng)元個數(shù)決定了模型的學(xué)習(xí)能力和表達能力。神經(jīng)元個數(shù)過少，模型無法學(xué)習(xí)到數(shù)據(jù)的復(fù)雜模式；神經(jīng)元個數(shù)過多，會增加模型的復(fù)雜度，導(dǎo)致訓(xùn)練時間延長和過擬合風(fēng)險增加。根據(jù)血糖數(shù)據(jù)的特點和實驗結(jié)果，確定第一個隱藏層設(shè)置[X1]個神經(jīng)元，第二個隱藏層設(shè)置[X2]個神經(jīng)元，以此類推。第一個隱藏層的[X1]個神經(jīng)元可以對輸入的血糖數(shù)據(jù)進行初步的特征提取和處理，將數(shù)據(jù)映射到一個新的特征空間；第二個隱藏層的[X2]個神經(jīng)元則在第一個隱藏層的基礎(chǔ)上，進一步學(xué)習(xí)和提取更高級的特征，通過這種層層遞進的方式，提高模型對血糖數(shù)據(jù)的學(xué)習(xí)和預(yù)測能力。激活函數(shù)的選擇對模型的性能也有著重要影響。常見的激活函數(shù)有Sigmoid、ReLU、Tanh等。Sigmoid函數(shù)將輸入值映射到0到1之間，在早期的神經(jīng)網(wǎng)絡(luò)中廣泛應(yīng)用，但它存在梯度消失問題，在處理深層神經(jīng)網(wǎng)絡(luò)時效果不佳。ReLU函數(shù)則能夠有效地解決梯度消失問題，當(dāng)輸入大于0時，輸出等于輸入；當(dāng)輸入小于0時，輸出為0。它能夠加快模型的收斂速度，提高訓(xùn)練效率。Tanh函數(shù)將輸入值映射到-1到1之間，其輸出均值為0，在一些需要對數(shù)據(jù)進行歸一化處理的場景中表現(xiàn)較好。在本模型中，經(jīng)過實驗對比，選擇ReLU函數(shù)作為隱藏層的激活函數(shù)。ReLU函數(shù)的簡單性和高效性使得模型在訓(xùn)練過程中能夠快速收斂，同時有效地避免了梯度消失問題，提高了模型的訓(xùn)練效果和預(yù)測精度。在輸出層，由于血糖預(yù)測是一個回歸問題，需要預(yù)測具體的血糖濃度值，因此選擇線性激活函數(shù)，它能夠直接輸出預(yù)測的血糖值，符合回歸任務(wù)的要求。4.2.3模型訓(xùn)練與優(yōu)化在完成第一階段LSTM模型的構(gòu)建后，進行模型訓(xùn)練與優(yōu)化是提高模型預(yù)測性能的關(guān)鍵步驟。首先進行訓(xùn)練數(shù)據(jù)劃分，將收集到的血糖數(shù)據(jù)按照一定比例劃分為訓(xùn)練集、驗證集和測試集。通常采用70%的數(shù)據(jù)作為訓(xùn)練集，用于模型的參數(shù)學(xué)習(xí)；20%的數(shù)據(jù)作為驗證集，用于調(diào)整模型的超參數(shù)和評估模型的訓(xùn)練效果，防止模型過擬合；剩下10%的數(shù)據(jù)作為測試集，用于最終評估模型在未知數(shù)據(jù)上的泛化能力。在劃分過程中，要確保各個集合中的數(shù)據(jù)具有代表性，且保持數(shù)據(jù)的時間順序，避免打亂時間序列導(dǎo)致數(shù)據(jù)特征丟失。對于按時間順序排列的血糖數(shù)據(jù)，依次將前70%的數(shù)據(jù)劃分為訓(xùn)練集，接著的20%劃分為驗證集，最后的10%劃分為測試集。選擇合適的損失函數(shù)和優(yōu)化器對于模型的訓(xùn)練至關(guān)重要。損失函數(shù)用于衡量模型預(yù)測值與真實值之間的差異，在血糖預(yù)測中，常用的損失函數(shù)有均方根誤差（RMSE）和平均絕對誤差（MAE）。RMSE能夠突出較大誤差的影響，對預(yù)測值與真實值之間的偏差較為敏感，其計算公式為：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}其中，n是樣本數(shù)量，y_i是真實值，\hat{y}_i是預(yù)測值。MAE則直接計算預(yù)測值與真實值之間差值的絕對值的平均值，它更能反映預(yù)測值的平均誤差程度，計算公式為：MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|在本研究中，綜合考慮選擇RMSE作為損失函數(shù)，以更有效地優(yōu)化模型對血糖預(yù)測誤差的控制。優(yōu)化器負責(zé)調(diào)整模型的參數(shù)，以最小化損失函數(shù)。常見的優(yōu)化器有隨機梯度下降（SGD）、Adagrad、Adadelta、Adam等。SGD是最基本的優(yōu)化器，它每次迭代使用一個小批量的數(shù)據(jù)來計算梯度并更新參數(shù)，但學(xué)習(xí)率固定，可能導(dǎo)致收斂速度較慢或陷入局部最優(yōu)。Adagrad能夠自適應(yīng)地調(diào)整學(xué)習(xí)率，對于頻繁更新的參數(shù)采用較小的學(xué)習(xí)率，對于不頻繁更新的參數(shù)采用較大的學(xué)習(xí)率，但它在訓(xùn)練后期學(xué)習(xí)率會變得非常小，導(dǎo)致收斂速度變慢。Adadelta是對Adagrad的改進，它通過累積梯度的平方和來動態(tài)調(diào)整學(xué)習(xí)率，避免了學(xué)習(xí)率過早衰減的問題。Adam結(jié)合了Adagrad和Adadelta的優(yōu)點，不僅能夠自適應(yīng)地調(diào)整學(xué)習(xí)率，還能估計每個參數(shù)的自適應(yīng)學(xué)習(xí)率，在實際應(yīng)用中表現(xiàn)出較好的性能。本研究選擇Adam優(yōu)化器，其學(xué)習(xí)率設(shè)置為[具體學(xué)習(xí)率值]，在訓(xùn)練過程中，Adam優(yōu)化器能夠快速且穩(wěn)定地更新模型參數(shù)，使損失函數(shù)不斷減小，從而提高模型的預(yù)測精度。為了進一步優(yōu)化模型參數(shù)，采用交叉驗證的方法。交叉驗證是一種評估模型性能和選擇最優(yōu)超參數(shù)的有效技術(shù)，它將訓(xùn)練集進一步劃分為多個子集，例如將訓(xùn)練集劃分為5個子集，每次選擇其中4個子集作為訓(xùn)練數(shù)據(jù)，剩下1個子集作為驗證數(shù)據(jù)，進行5次訓(xùn)練和驗證，然后取這5次結(jié)果的平均值作為模型的性能評估指標(biāo)。通過交叉驗證，可以更全面地評估模型在不同數(shù)據(jù)子集上的表現(xiàn)，避免因數(shù)據(jù)劃分的隨機性導(dǎo)致評估結(jié)果的偏差。在交叉驗證過程中，不斷調(diào)整模型的超參數(shù)，如隱藏層數(shù)量、神經(jīng)元個數(shù)、學(xué)習(xí)率等，根據(jù)驗證集上的性能指標(biāo)（如RMSE）選擇最優(yōu)的超參數(shù)組合，從而提高模型的泛化能力和預(yù)測準確性。在調(diào)整隱藏層數(shù)量時，分別設(shè)置隱藏層數(shù)量為2、3、4，通過交叉驗證比較不同設(shè)置下模型在驗證集上的RMSE，選擇RMSE最小的隱藏層數(shù)量作為最優(yōu)設(shè)置。通過這樣的方式，能夠使模型在訓(xùn)練過程中不斷優(yōu)化，提高對血糖濃度的預(yù)測能力。4.3第二階段預(yù)測：長期血糖濃度預(yù)測4.3.1結(jié)合第一階段結(jié)果調(diào)整輸入在完成第一階段短期血糖濃度預(yù)測后，將第一階段的預(yù)測結(jié)果作為第二階段長期血糖濃度預(yù)測的重要輸入部分，同時結(jié)合其他多方面相關(guān)因素對輸入數(shù)據(jù)進行合理調(diào)整，以構(gòu)建更全面、準確的長期預(yù)測模型。第一階段預(yù)測結(jié)果包含了血糖在短期內(nèi)的變化趨勢和特征信息，這些信息對于長期預(yù)測具有重要的參考價值。將第一階段預(yù)測得到的未來30分鐘的血糖值作為新的歷史數(shù)據(jù)點，補充到用于長期預(yù)測的輸入數(shù)據(jù)序列中。這使得模型在進行長期預(yù)測時，能夠基于更接近當(dāng)前狀態(tài)的血糖信息進行分析，從而更好地捕捉血糖變化的連續(xù)性和趨勢性。如果第一階段預(yù)測顯示未來30分鐘內(nèi)血糖將呈現(xiàn)上升趨勢，那么在第二階段的輸入中，這一上升趨勢的信息將為長期預(yù)測提供重要的起始依據(jù)，幫助模型更準確地預(yù)測未來數(shù)小時甚至數(shù)天內(nèi)的血糖變化方向。除了第一階段預(yù)測結(jié)果，還需綜合考慮更多影響血糖長期變化的因素。飲食和運動習(xí)慣在長期內(nèi)對血糖的影響較為顯著。飲食方面，不僅要考慮每餐的食物攝入量和營養(yǎng)成分，還需關(guān)注長期的飲食結(jié)構(gòu)和飲食習(xí)慣。長期高碳水化合物飲食會使血糖長期維持在較高水平，而合理的飲食搭配，如增加膳食纖維、控制碳水化合物攝入量等，則有助于穩(wěn)定血糖。將一段時間內(nèi)的飲食種類、攝入量和進食時間等信息進行整合和量化，作為輸入特征?？梢越y(tǒng)計一周內(nèi)每天的碳水化合物、蛋白質(zhì)、脂肪攝入量，以及進食的時間點和頻率，形成一個時間序列的飲食特征向量。運動方面，記錄每周的運動頻率、運動強度和運動時長等信息。每周進行3-5次中等強度的有氧運動，每次運動30分鐘以上，對血糖的長期控制具有積極作用。將這些運動信息轉(zhuǎn)化為數(shù)值特征，與其他輸入數(shù)據(jù)一起輸入到第二階段模型中。藥物治療也是影響血糖長期變化的關(guān)鍵因素。對于糖尿病患者，胰島素注射或口服降糖藥物的劑量、頻率和時間等信息對血糖的長期走勢起著決定性作用。詳細記錄患者的藥物治療方案，包括胰島素的注射劑量和時間、口服降糖藥的種類和服用時間等，將這些信息作為輸入特征，能夠使模型更好地考慮藥物對血糖的調(diào)節(jié)作用。如果患者在一段時間內(nèi)逐漸調(diào)整胰島素的注射劑量，模型可以通過這些輸入信息，學(xué)習(xí)到藥物劑量變化與血糖長期變化之間的關(guān)系，從而更準確地預(yù)測血糖的長期趨勢。生理狀態(tài)和生活習(xí)慣的其他方面也不容忽視。睡眠質(zhì)量、心理壓力、疾病感染等因素都會對血糖產(chǎn)生長期影響。長期睡眠不足會影響身體的代謝功能，導(dǎo)致血糖升高；心理壓力過大時，身體會分泌一些應(yīng)激激素，這些激素會干擾血糖的正常調(diào)節(jié)。收集患者的睡眠時長、睡眠質(zhì)量評估、心理壓力水平（如通過心理量表評估）以及是否患有其他疾病等信息，將其轉(zhuǎn)化為相應(yīng)的特征值，納入第二階段的輸入數(shù)據(jù)中。通過綜合考慮這些因素，對輸入數(shù)據(jù)進行全面調(diào)整，能夠為第二階段的長期血糖濃度預(yù)測模型提供更豐富、準確的信息，從而提高長期預(yù)測的精度和可靠性。4.3.2構(gòu)建第二階段LSTM模型在構(gòu)建長期血糖濃度預(yù)測的LSTM模型時，充分考慮長期預(yù)測任務(wù)的特點和需求，對模型結(jié)構(gòu)和參數(shù)設(shè)置進行了針對性的調(diào)整，以區(qū)別于第一階段的短期預(yù)測模型，從而更有效地捕捉血糖數(shù)據(jù)在長期時間尺度上的復(fù)雜特征和變化規(guī)律。在模型結(jié)構(gòu)方面，增加了隱藏層的數(shù)量。第一階段短期預(yù)測模型可能設(shè)置了2-3層隱藏層，而對于長期預(yù)測模型，將隱藏層數(shù)量增加到3-4層。這是因為隨著預(yù)測時間跨度的增大，血糖數(shù)據(jù)中的長期依賴關(guān)系和復(fù)雜模式需要更多層次的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和提取。更多的隱藏層可以使模型逐步學(xué)習(xí)到從簡單到復(fù)雜的特征表示，從底層隱藏層對短期血糖變化特征的捕捉，到高層隱藏層對長期趨勢和周期性變化的把握。在處理一周的血糖數(shù)據(jù)時，底層隱藏層可以學(xué)習(xí)到每天內(nèi)的血糖波動特征，如進食、運動等因素對血糖的短期影響；而高層隱藏層則能夠捕捉到一周內(nèi)血糖的總體趨勢，以及可能存在的每周周期性變化，如工作日和周末由于生活規(guī)律不同導(dǎo)致的血糖差異。同時，適當(dāng)增加隱藏層中的神經(jīng)元個數(shù)。第一階段模型中每個隱藏層可能設(shè)置了[X1]-[X2]個神經(jīng)元，在長期預(yù)測模型中，將神經(jīng)元個數(shù)增加到[Y1]-[Y2]個。更多的神經(jīng)元可以增強模型的學(xué)習(xí)能力和表達能力，使其能夠處理更復(fù)雜的長期依賴關(guān)系和特征模式。隨著預(yù)測時間的延長，血糖數(shù)據(jù)受到更多因素的綜合影響，增加神經(jīng)元個數(shù)可以使模型更好地學(xué)習(xí)到這些因素之間的復(fù)雜交互關(guān)系。在考慮飲食、運動、藥物等多種因素對長期血糖的影響時，更多的神經(jīng)元可以對這些因素進行更細致的特征提取和融合，從而提高模型對長期血糖變化的預(yù)測能力。在參數(shù)設(shè)置方面，調(diào)整了學(xué)習(xí)率。第一階段短期預(yù)測模型可能采用了相對較大的學(xué)習(xí)率，如0.001，以加快模型的收斂速度。而在長期預(yù)測模型中，將學(xué)習(xí)率適當(dāng)減小，如設(shè)置為0.0001。這是因為長期預(yù)測模型需要學(xué)習(xí)更復(fù)雜的模式和特征，較小的學(xué)習(xí)率可以使模型在訓(xùn)練過程中更加穩(wěn)定，避免因?qū)W習(xí)率過大而導(dǎo)致模型在訓(xùn)練過程中跳過最優(yōu)解，從而提高模型的訓(xùn)練效果和預(yù)測精度。較小的學(xué)習(xí)率可以使模型在每次參數(shù)更新時更加謹慎，逐步優(yōu)化模型的參數(shù)，以更好地適應(yīng)長期血糖數(shù)據(jù)的復(fù)雜特征。此外，還調(diào)整了模型的訓(xùn)練步數(shù)和批量大小。長期預(yù)測模型通常需要更多的訓(xùn)練步數(shù)來充分學(xué)習(xí)血糖數(shù)據(jù)的長期特征，因此將訓(xùn)練步數(shù)增加到[具體訓(xùn)練步數(shù)]。同時，適當(dāng)調(diào)整批量大小，根據(jù)數(shù)據(jù)規(guī)模和計算資源，將批量大小設(shè)置為[具體批量大小]。較大的批量大小可以利用更多的數(shù)據(jù)信息進行參數(shù)更新，提高訓(xùn)練效率和模型的穩(wěn)定性，但也可能導(dǎo)致內(nèi)存占用過大；較小的批量大小則可以使模型在訓(xùn)練過程中更頻繁地更新參數(shù)，更靈活地適應(yīng)數(shù)據(jù)的變化。通過合理調(diào)整訓(xùn)練步數(shù)和批量大小，使模型能夠在長期預(yù)測任務(wù)中達到更好的訓(xùn)練效果和預(yù)測性能。4.3.3模型訓(xùn)練與優(yōu)化對于長期預(yù)測模型的訓(xùn)練，首先對訓(xùn)練數(shù)據(jù)進行進一步的處理和擴充。由于長期預(yù)測需要更豐富的數(shù)據(jù)來捕捉血糖變化的長期規(guī)律，不僅使用之前收集的連續(xù)血糖監(jiān)測數(shù)據(jù)，還結(jié)合患者更長時間范圍內(nèi)的健康檔案數(shù)據(jù)，包括歷史疾病診斷信息、過往治療方案的調(diào)整記錄等。這些額外的數(shù)據(jù)能夠提供更多關(guān)于患者身體狀況和治療歷程的信息，有助于模型學(xué)習(xí)到血糖在長期內(nèi)受到多種因素綜合影響的復(fù)雜模式。將患者過去一年的健康檔案數(shù)據(jù)與血糖監(jiān)測數(shù)據(jù)進行關(guān)聯(lián)，分析不同疾病發(fā)作期、治療方案調(diào)整對血糖長期變化的影響，將這些信息融入訓(xùn)練數(shù)據(jù)中。在損失函數(shù)的選擇上，依然采用均方根誤差（RMSE）作為主要的損失函數(shù)，以衡量預(yù)測值與真實值之間的誤差?？紤]到長期預(yù)測中可能存在的異常值對模型的影響較大，引入了Huber損失函數(shù)作為輔助損失函數(shù)。Huber損失函數(shù)在誤差較小時類似于均方誤差損失函數(shù)，能夠快速收斂；在誤差較大時類似于平均絕對誤差損失函數(shù)，對異常值具有較強的魯棒性。通過將RMSE和Huber損失函數(shù)相結(jié)合，能夠使模型在訓(xùn)練過程中既關(guān)注整體的預(yù)測精度，又能有效減少異常值對模型的干擾，提高模型的穩(wěn)定性和可靠性。優(yōu)化器方面，繼續(xù)使用Adam優(yōu)化器，但對其參數(shù)進行了進一步的調(diào)整。除了調(diào)整學(xué)習(xí)率外，還對Adam優(yōu)化器的β1和β2參數(shù)進行了優(yōu)化。β1控制一階矩估計的指數(shù)衰減率，β2控制二階矩估計的指數(shù)衰減率。根據(jù)長期預(yù)測模型的特點，將β1設(shè)置為[具體β1值]，β2設(shè)置為[具體β2值]，以更好地平衡模型的收斂速度和穩(wěn)定性。較小的β1值可以使模型更快地適應(yīng)新的數(shù)據(jù)，而適當(dāng)?shù)摩?值可以更好地估計梯度的二階矩，提高優(yōu)化器的性能。為了進一步優(yōu)化模型參數(shù)，采用了隨機搜索和貝葉斯優(yōu)化相結(jié)合的方法。隨機搜索可以在參數(shù)空間中隨機選擇參數(shù)組合進行試驗，快速探索參數(shù)空間的大致范圍；貝葉斯優(yōu)化則基于貝葉斯定理，通過對之前試驗結(jié)果的學(xué)習(xí)，智能地選擇下一個參數(shù)組合進行試驗，能夠更高效地找到最優(yōu)參數(shù)。在隨機搜索階段，設(shè)定參數(shù)的取值范圍，如隱藏層數(shù)量的取值范圍為[3,5]，神經(jīng)元個數(shù)的取值范圍為[100,300]等，隨機生成一定數(shù)量的參數(shù)組合進行模型訓(xùn)練和評估。在貝葉斯優(yōu)化階段，利用隨機搜索得到的結(jié)果作為初始數(shù)據(jù)，構(gòu)建一個代理模型（如高斯過程模型）來近似目標(biāo)函數(shù)（即模型在驗證集上的性能指標(biāo)），通過最大化代理模型的期望改進來選擇下一個參數(shù)組合進行試驗，不斷迭代直到找到最優(yōu)參數(shù)。通過這種方式，能夠更全面、高效地搜索模型的最優(yōu)參數(shù)，提高長期預(yù)測模型的性能。五、實驗與結(jié)果分析5.1實驗數(shù)據(jù)與環(huán)境本研究采用的血糖數(shù)據(jù)集來自[具體醫(yī)院名稱]內(nèi)分泌科收集的糖尿病患者臨床監(jiān)測數(shù)據(jù)以及部分患者通過連續(xù)血糖監(jiān)測設(shè)備記錄的日常數(shù)據(jù)。數(shù)據(jù)涵蓋了[X]名不同年齡、性別、糖尿病類型及病程的患者，共包含[具體數(shù)據(jù)量]條血糖記錄。數(shù)據(jù)采集時間跨度為連續(xù)[X]天，采集間隔為15分鐘，確保了數(shù)據(jù)具有較高的時間分辨率，能夠準確反映出血糖的動態(tài)變化。除了血糖值外，數(shù)據(jù)集中還包含了患者的基本信息（如年齡、性別、身高、體重）、飲食信息（每餐的食物種類、攝入量、進食時間）、運動信息（運動類型、運動強度、運動時間）、藥物治療信息（胰島素注射劑量和時間、口服降糖藥的種類和服用時間）以及其他相關(guān)生理指標(biāo)（如心率、血壓、睡眠質(zhì)量等）。這些豐富的信息為全面分析血糖變化的影響因素和構(gòu)建準確的預(yù)測模型提供了有力支持。實驗環(huán)境的硬件配置為：處理器采用IntelCorei7-12700K，具有12個核心和20個線程，主頻為3.6GHz，睿頻可達5.0GHz，能夠提供強大的計算能力，確保模型訓(xùn)練和數(shù)據(jù)處理的高效進行；內(nèi)存為32GBDDR43200MHz，高容量和高頻率的內(nèi)存能夠快速存儲和讀取數(shù)據(jù)，減少數(shù)據(jù)加載和處理的時間；顯卡選用NVIDIAGeForceRTX3080，擁有10GBGDDR6X顯存，在深度學(xué)習(xí)模型訓(xùn)練過程中，能夠加速神經(jīng)網(wǎng)絡(luò)的計算，顯著縮短訓(xùn)練時間，提高實驗效率。軟件環(huán)境方面，操作系統(tǒng)為Windows1064位專業(yè)版，其穩(wěn)定的性能和廣泛的兼容性為實驗提供了良好的運行平臺；編程語言使用Python3.8，Python擁有豐富的庫和工具，如NumPy、pandas、matplotlib、scikit-learn等，方便進行數(shù)據(jù)處理、分析和可視化；深度學(xué)習(xí)框架采用TensorFlow2.6，TensorFlow具有高效的計算性能、靈活的模型構(gòu)建能力和強大的分布式訓(xùn)練支持，能夠滿足本研究中復(fù)雜的LSTM模型的開發(fā)和訓(xùn)練需求；此外，還使用了JupyterNotebook作為開發(fā)工具，它提供了交互式的編程環(huán)境，方便代碼的編寫、調(diào)試和結(jié)果展示。5.2評價指標(biāo)設(shè)定為了全面、客觀地評估基于經(jīng)驗小波變換和LSTM的二階段血糖濃度預(yù)測模型的性能，本研究選擇了均方根誤差（RMSE）、平均絕對誤差（MAE）和決定系數(shù)（R2）作為主要評價指標(biāo)。這些指標(biāo)從不同角度反映了模型預(yù)測值與真實值之間的差異，能夠綜合評估模型的預(yù)測準確性、穩(wěn)定性和擬合優(yōu)度。均方根誤差（RMSE）是衡量預(yù)測值與真實值之間誤差的一種常用指標(biāo)，它能夠反映預(yù)測值與真實值之間的平均偏差程度，并且對較大的誤差給予更大的權(quán)重。RMSE的計算方法是先計算每個預(yù)測值與真實值之間的誤差平方，然后求這些誤差平方的平均值，最后對平均值取平方根。其計算公式為：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}其中，n為樣本數(shù)量，y_i為第i個樣本的真實值，\hat{y}_i為第i個樣本的預(yù)測值。RMSE的值越小，說明模型的預(yù)測值與真實值越接近，模型的預(yù)測準確性越高。由于RMSE對較大的誤差進行了平方處理，所以它對異常值較為敏感，能夠突出模型在預(yù)測較大偏差時的表現(xiàn)。平均絕對誤差（MAE）是預(yù)測值與真實值之間絕對誤差的平均值，它直接反映了預(yù)測值與真實值之間的平均誤差大小，不考慮誤差的方向。MAE的計算方法是將每個預(yù)測值與真實值之間的絕對誤差相加，然后除以樣本數(shù)量。其計算公式為：MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|MAE的值越小，表明模型的預(yù)測結(jié)果越接近真實值，模型的預(yù)測精度越高。與RMSE相比，MAE對異常值的敏感度較低，因為它沒有對誤差進行平方處理，所以在評估模型的整體預(yù)測誤差時，MAE能夠提供一個相對穩(wěn)健的指標(biāo)。決定系數(shù)（R2）用于評估模型對數(shù)據(jù)的擬合優(yōu)度，它表示因變量的變化中可以由自變量解釋的比例。R2的取值范圍在0到1之間，值越接近1，說明模型對數(shù)據(jù)的擬合效果越好，自變量對因變量的解釋能力越強；值越接近0，說明模型對數(shù)據(jù)的擬合效果越差，自變量對因變量的解釋能力越弱。R2的計算公式為：R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}其中，\bar{y}為真實值的平均值。R2不僅可以評估模型的擬合優(yōu)度，還可以用于比較不同模型對同一數(shù)據(jù)集的擬合效果，幫助選擇最優(yōu)的模型。通過綜合使用RMSE、MAE和R2這三個評價指標(biāo)，可以從不同方面全面評估血糖濃度預(yù)測模型的性能。RMSE和MAE能夠直觀地反映模型預(yù)測值與真實值之間的誤差大小，R2則可以評估模型對數(shù)據(jù)的擬合優(yōu)度，從而更準確地判斷模型的預(yù)測能力和可靠性，為模型的優(yōu)化和改進提供有力的依據(jù)。5.3實驗結(jié)果展示在完成模型訓(xùn)練后，對模型在訓(xùn)練集和測試集上的預(yù)測結(jié)果進行展示和分析，以直觀地評估模型的性能。通過繪制預(yù)測值與真實值的對比圖，能夠清晰地觀察模型的預(yù)測準確性和趨勢擬合能力。圖[訓(xùn)練集預(yù)測結(jié)果對比圖編號]展示了模型在訓(xùn)練集上的預(yù)測結(jié)果與真實值的對比情況。從圖中可以看出，模型的預(yù)測值與真實值總體趨勢基本一致，能夠較好地捕捉血糖濃度的變化趨勢。在血糖濃度上升和下降的階段，預(yù)測值都能及時響應(yīng)，與真實值的變化趨勢相匹配。在進食后血糖快速上升的階段，預(yù)測值也呈現(xiàn)出相應(yīng)的上升趨勢，且上升的幅度和時間點與真實值較為接近；在身體對血糖進行調(diào)節(jié)，血糖逐漸下降的階段，預(yù)測值同樣能夠準確地反映出這種下降趨勢。然而，也可以觀察到在某些時間點上，預(yù)測值與真實值存在一定的偏差，這可能是由于血糖變化受到多種復(fù)雜因素的影響，模