神經(jīng)網(wǎng)絡軟測量模型優(yōu)化方法在血糖濃度預測中的應用.pdf

1、本文針對皮下葡萄糖濃度與血糖濃度之間存在生理延時且容易受人體、環(huán)境等多種不確定因素的影響，不能準確地測量血糖濃度的問題，提出了基于神經(jīng)網(wǎng)絡的血糖軟測量方法。該方法利用神經(jīng)網(wǎng)絡的非線性逼近能力來構造待測主導變量血糖濃度和與其相關的可測輔助變量之間的機理關系并建立軟測量模型。用 UVa/Padova T1DM仿真軟件采集的數(shù)據(jù)對模型的預測效果進行驗證，結果表明該方法不僅克服了精確數(shù)學模型或相關參數(shù)難以獲取的局限性，而且有比CGM更小的動態(tài)延

2、時、更高的精度、更大的信噪比等優(yōu)點，可以實現(xiàn)對人體血糖濃度的實時預測。
　　針對實際人體血糖代謝系統(tǒng)，由于其模型復雜，輔助變量較多，各變量之間的耦合性較強，傳統(tǒng)的神經(jīng)網(wǎng)絡血糖軟測量模型不足以提供較高的預測精度和穩(wěn)定性的問題，提出了基于NN-MIV的神經(jīng)網(wǎng)絡軟測量模型優(yōu)化方法。對輔助變量做多次篩選并和其他的變量選擇方法進行比較，說明該方法具有變量貢獻率區(qū)分度高、變量篩選結果穩(wěn)定的優(yōu)點，能夠為模型提供最優(yōu)的輔助變量集，提高血糖濃度的預

3、測精度。
　　為進一步提高血糖軟測量模型的預測精度，克服傳統(tǒng)的神經(jīng)網(wǎng)絡訓練算法收斂速度慢、泛化性能差且容易陷入局部最優(yōu)等局限性，提出了基于PSO的神經(jīng)網(wǎng)絡血糖軟測量優(yōu)化方法。該方法利用PSO算法魯棒性能高、收斂速度快、全局性搜索能力強、不需要借助問題自身的特征信息，且算法簡潔，易于與其它智能學習算法相結合等優(yōu)點，對神經(jīng)網(wǎng)絡各處理層之間的連接權值和閾值進行優(yōu)化，并將其應用于人體血糖濃度的預測中。實驗結果表明，用PSO算法優(yōu)化后血糖軟