换一批摘要糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型.首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量1MF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警.利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.1164％);低血糖预警虚警率和漏警率分别为0.97％和7.55％.血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果.
更多相关知识
关键词
血糖预测低血糖预警自适应噪声完整聚合经验模态分解极限学习机glucose predictionhypoglycemia alarmCEEMDANextreme learning machine
分类号
R318
栏目名称
DOI
10.3969/j.issn.0258-8021.2017.06.010
发布时间
2018-01-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览112
- 被引13
- 下载45
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
