1.一种基于激活函数的1D-CNN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的拉曼光谱数据并进行预处理;
构建LogModulus激活函数;其中,基于公式(1),获取LogModulus激活函数;其中,公式(1)为:其中,f(x)为激活函数,x为输入值,α为0和1之间的变量并且代表区域联系系数;
基于所述LogModulus激活函数,构建一维卷积神经网络;
训练所述卷积神经网络并对血糖浓度进行预测。
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的拉曼光谱数据并进行预处理的方法,包括:采集多个患者30天内每天四个时间段的第一光谱数据及对应时刻的第一血糖浓度数据;
通过标准偏差来识别并删除所述第一血糖浓度数据中的异常值,获取第二血糖浓度数据;
对所述第一光谱数据进行基线校正以及去噪处理,获取第二光谱数据;
对所述第二血糖浓度数据以及所述第二光谱数据进行向量归一化,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2所述的方法,其特征在于,所述基于所述LogModulus激活函数,构建一维卷积神经网络的方法,包括:对所述光谱数据进行卷积操作,获取卷积输出神经元;
基于所述LogModulus激活函数对所述卷积输出神经元进行激活,获取卷积激活值;
基于所述卷积激活值以及平均池化值,过滤所述卷积激活值中的局部特征,获取卷积池化值;
对所述卷积池化值进行批量归一化,获取归一化输出;
基于序列展开层和扁平层,将归一化输出重构为一系列特征向量序列,获取特征数据;
基于所述特征数据的加权汇总,构建全连接层;
基于所述全连接层,获取卷积神经网络的输出层。
4.根据权利要求3所述的方法,其特征在于,所述训练所述卷积神经网络并对血糖浓度进行预测的方法,包括:将所述训练集中的血糖浓度及对应的光谱数据输入至所述卷积神经网络;其中每一个训练段后,所述卷积神经网络的输出层会输出预测值以及精度;
基于所述卷积神经网络的损失函数,更新所述卷积神经网络的模型参数;
响应于每一个所述训练段的训练次数达到预设的次数,选择输出精度最大的训练段的模型参数作为所述卷积神经网络的最优模型参数,获取训练完成的第二卷积神经网络;
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第二卷积神经网络,获取所述测试集中样本的血糖浓度预测值。
5.根据权利要求4所述的方法,其特征在于,获取所述卷积神经网络的损失函数的方法,包括:基于公式(2),获取所述卷积神经网络的损失函数;其中,所述公式(2)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。