基于长短时记忆的1型糖尿病患者运动模式下的血糖预测

目的 基于长短时记忆(long short-term memory,LSTM)网络,构建1型糖尿病(type 1 diabetes mellitus,T1DM)患者运动模式下的血糖预测模型,并研究该模型预测精度.方法 使用UVa/Padova 1型糖尿病血糖代谢仿真器(type 1 diabetes metabolic simulator,T1DMS)模拟了30名受试者在不同的运动时间及运动时长下的血糖数据.利用LSTM神经网络构建糖尿病患者运动模式下的血糖预测模型.将预测结果与支持向量回归(support vector regression,SVR)、循环神经网络(recurrent neural network,RNN)进行对比.研究不同输入特征对模型预测性能的影响,并分析仅使用历史血糖值作为模型输入时高、低血糖预测的准确率,通过克拉克误差网络分析(error grid analysis,EGA)对血糖预测结果进行评估.结果 在运动模式下,相比于SVR与RNN,基于LSTM的血糖预测模型在不同预测时长下均具有更小的预测误差.当模型输入序列时长达25 min时,高、低血糖事件在20 min预测时长下的预测准确率分别可达94.12％和90.59％,EGA的A、B区域占比可达100％.结论 在运动模式下,基于LSTM的血糖预测模型表现突出.基于LSTM的血糖预测模型在仅使用历史血糖值作为模型输入的条件下,也可以实现血糖的短期预测,且能够较准确预测到高、低血糖事件的发生.