1.一种基于ELM-BiLSTM-attention的血糖浓度预测方法,其特征在于,包括以下步骤:获取多名糖尿病患者不同时期的血糖数据以及光谱数据并进行预处理;
基于注意力机制,构建ELM-BiLSTM-attention模型;
训练所述ELM-BiLSTM-attention模型,并优化模型参数,获取ELM-BiLSTM-attention预训练模型;
基于所述ELM-BiLSTM-attention预训练模型,对无创血糖浓度进行预测以及评估。
2.根据权利要求1所述的方法,其特征在于,所述获取多名糖尿病患者不同时期的光谱数据并进行预处理的方法,包括:基于多个角质层厚度不大于206um的患者选择30天的分析期,每天多次血糖浓度测量;其中,每次所述血糖浓度测量由两个测量子段组成;
将两个所述测量子段的光谱数据按测量时间比例进行加权组合,获取第一光谱数据;
将所述第一光谱数据中噪声超过预设阈值的数据去除,获取第二光谱数据;
将所述第二光谱数据中血糖浓度超过30mmo l/L的光谱数据删除,获取第三光谱数据;
对所述第三光谱数据进行平滑处理、基线校正以及去噪处理,获取第四光谱数据;
对所述第四光谱数据进行矢量归一化,获取预处理数据;
将所述预处理数据按照预设比例划分为训练集以及测试集。
3.根据权利要求1所述的方法,其特征在于,所述基于注意力机制,构建ELM-BiLSTM-attention模型的方法,包括:基于ELM的神经元输出值以及RELU激活函数,获取最终激活值;
将所述最终激活值进行重塑并给予数据时间维度,获取临时变量;
基于所述临时变量,构建LSTM的遗忘门;
基于所述LSTM的遗忘门,构建LSTM的输入门;
基于所述LSTM的输入门,获取所述LSTM中下一个隐藏状态的输出门限以及对应的单元输出值;
基于前向LSTM和后向LSTM的单元输出值,获取BiLSTM的单元输出值;
基于所述BiLSTM的单元输出值以及构建的模型attention层,获取所述ELM-BiLSTM-attention模型。
4.根据权利要求3所述的方法,其特征在于,所述基于ELM的神经元输出值以及RELU激活函数,获取最终激活值的方法:搭建ELM的多个隐藏层,每个隐藏层包含多个神经元,获取所述隐藏层中的神经元输出值;
基于RELU激活函数,获取神经元输出值的激活值;
重复执行上述步骤三次,获取所述最终激活值。
5.根据权利要求2所述的方法,其特征在于,所述训练所述ELM-BiLSTM-attention模型,并优化模型参数,获取ELM-BiLSTM-attention预训练模型的方法,包括:将所述训练集中的光谱数据输入至所述ELM-BiLSTM-attention模型;其中每一个训练段后,所述ELM-BiLSTM-attention模型的输出层会输出预测值以及精度;
基于所述ELM-BiLSTM-attention模型的损失函数,更新所述ELM-BiLSTM-attention模型的模型参数;
响应于每一个所述训练段的训练次数达到预设的次数,选择输出准确度最高的训练段的模型参数作为所述ELM-BiLSTM-attention模型的最优模型参数,获取所述ELM-BiLSTM-attention预训练模型。
6.根据权利要求5所述的方法,其特征在于,获取所述ELM-BiLSTM-attention模型的损失函数的方法,包括:基于公式(1),获取所述ELM-BiLSTM-attention模型的输出值和真实值之间的损失;其中,所述公式(1)为:其中,表示第i个样本血糖浓度的预测值,yi表示第i个样本血糖浓度的真实值,N表示样本总数。
7.根据权利要求5所述的方法,其特征在于,所述基于所述ELM-BiLSTM-attention预训练模型对无创血糖浓度进行预测以及评估的方法,包括:基于所述ELM-BiLSTM-attention预训练模型,将所述测试集中的血糖浓度及对应的光谱数据输入至所述ELM-BiLSTM-attention预训练模型,获取所述测试集中样本的血糖浓度预测值;
计算所述血糖浓度预测值与血糖浓度真实值之间的误差指标RMSE;
绘制所述血糖浓度预测值与所述血糖浓度真实值的模型图,评估所述ELM-BiLSTM-attention预训练模型的稳定性;
对所述测试集中的输入数据进行微小扰动,评估所述ELM-BiLSTM-attention预训练模型的鲁棒性。