换一批摘要现有的血糖检测方法多具创伤性,带来诸多不便和潜在风险.若能通过可穿戴设备获取生理数据及用户自输入的饮食数据,实时预测用户是否为高血糖,将能显著简化血糖检测过程.为了提高预测的精确度,本文提出一种基于深度学习的时间序列分类模型—FA-CGRNet.首先,对生理数据进行降噪、重采样等预处理,提取其统计特征.随后,设计残差卷积网络,通过卷积和残差连接实现特征的提取和融合,同时利用特征增强模块计算特征权重,对特征进行筛选.最后,采用LSTM模型提取时间序列的长期依赖特征,以充分捕捉时序特征.在杜克大学BIG IDEAs实验室发布的公开数据集上进行测试,实验结果表明,在无创血糖检测领域,本文提出的特征提取方法和网络模型,与现有的时间序列分类模型相比,能更好地区分正负例,加权F1分数提高了6.1%以上,AUC提高了2.5%以上.
更多相关知识
关键词
无创高血糖预测残差卷积长短期记忆网络特征增强模块神经网络non-invasive hyperglycemia predictionresidual convolutionalLSTMfeature enhancement moduleneural network
栏目名称
DOI
10.3969/j.issn.1006-2475.2025.10.008
发布时间
2025-11-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62261001）
江西省核地学数据科学与系统工程技术研究中心基金资助项目（JELRGBDT202202）
江西省放射性地学大数据技术工程实验室开放基金资助项目（JELRGBDT202103）
- 浏览3
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
