基于RIME和1DCNN?LSTM?Attention的無(wú)創(chuàng)血糖預(yù)測(cè)模型研究

摘 "要： 實(shí)現(xiàn)無(wú)創(chuàng)血糖檢測(cè)對(duì)于糖尿病患者來(lái)說(shuō)具有重要意義，然而目前市面上的無(wú)創(chuàng)血糖儀存在檢測(cè)精度不高的問(wèn)題。為了提高無(wú)創(chuàng)血糖檢測(cè)的準(zhǔn)確度，基于近紅外無(wú)創(chuàng)血糖檢測(cè)儀，構(gòu)建了1DCNN?LSTM?Attention混合預(yù)測(cè)模型，同時(shí)引入了霜冰優(yōu)化算法（RIME）。該模型通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）提取數(shù)據(jù)中的局部特征，將所提取的特征向量作為長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的輸入，捕捉數(shù)據(jù)中的依賴關(guān)系；采用注意力機(jī)制（Attention）為L(zhǎng)STM的輸出賦予不同的權(quán)重，增強(qiáng)關(guān)鍵信息提??；通過(guò)RIME算法優(yōu)化模型參數(shù)，避免陷入局部最優(yōu)解。結(jié)果表明，引入RIME的1DCNN?LSTM?Attention混合模型預(yù)測(cè)效果優(yōu)于1DCNN、LSTM、1DCNN?LSTM、1DCNN?LSTM?Attention等模型，預(yù)測(cè)血糖值與有創(chuàng)血糖值的平均絕對(duì)誤差為0.121 0，均方誤差為0.018 6，相關(guān)系數(shù)達(dá)到了0.982 3。該模型有助于提高近紅外無(wú)創(chuàng)血糖檢測(cè)的精確度和可靠性。

關(guān)鍵詞： 近紅外無(wú)創(chuàng)血糖檢測(cè)； 一維卷積神經(jīng)網(wǎng)絡(luò)； 霜冰優(yōu)化算法； 長(zhǎng)短期記憶網(wǎng)絡(luò)； 注意力機(jī)制； 參數(shù)優(yōu)化

中圖分類號(hào)： TN919?34； TP311 " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " "文章編號(hào)： 1004?373X（2024）18?0083?06

Research on non?invasive blood glucose prediction model based on

RIME and 1DCNN?LSTM?Attention

HE Yibo1， JIN Hong1， ZHOU Chun2， QU Shengyu1

（1. National Key Laboratory for Electronic Measurement Technology， North University of China， Taiyuan 030051， China;

2. No.705 Research Institute， China State Shipbuilding Coporation Limited， Xi’an 710075， China）

Abstract： The realization of non?invasive blood glucose detection is of great significance for diabetes patients. However， the current non?invasive blood glucose meters on the market have the problem of low detect ion accuracy. In order to improve the accuracy of non?invasive blood glucose detection， a 1DCNN?LSTM?Attention hybrid prediction model is constructed based on a near?infrared non?invasive blood glucose detector， and the rime ice optimization algorithm （RIME） is introduced. The model can extract local features from the data by means of 1?dimensional convolutional neural network （1DCNN）， and the extracted feature vectors are used as the inputs of the long short term memory （LSTM） network， to capture dependencies in the data. The attention mechanism （Attention） can be used to assign different weights to the output of LSTM to enhance key information extraction. The RIME algorithm is used to optimize model parameters so as to avoid getting stuck in local optima. The results show that the prediction effect of the 1DCNN?LSTM Attention mixed model with RIME is better than that of the 1DCNN?LSTM single model and the 1DCNN?LSTM and 1DCNN?LSTM Attention models. The mean absolute error between the predicted blood glucose value and the invasive blood glucose value is 0.121 0， the mean square error is 0.018 6， and the correlation coefficient can reach 0.982 3. The model is helpful for improving the accuracy and reliability of near?infrared non?invasive blood glucose detection.

Keywords： near infrared non?invasive blood glucose detection; one?dimensional convolutional neural network; rime ice optimization algorithm; long short?term memory network; attention mechanism; parameter optimization

0 "引 "言

根據(jù)相關(guān)研究，目前全球有5.29億糖尿病患者，預(yù)計(jì)到2050年，患者人數(shù)[1]將達(dá)到13億。第10版《全球糖尿病概覽》數(shù)據(jù)顯示，中國(guó)糖尿病患者人數(shù)已經(jīng)位居全球首位[2]。

糖尿病常引發(fā)血管、眼睛、腎臟疾病以及癌變等并發(fā)癥[3]，目前尚無(wú)可完全治愈的方法，臨床上主要通過(guò)生化分析儀和針刺指尖采血的方式檢測(cè)血糖[4]，但有創(chuàng)檢測(cè)會(huì)給患者帶來(lái)生理疼痛以及心理壓力。無(wú)創(chuàng)血糖檢測(cè)方式具有快捷、舒適、安全的特點(diǎn)，可以連續(xù)、實(shí)時(shí)檢測(cè)血糖，是血糖檢測(cè)技術(shù)的重要發(fā)展方向。

國(guó)內(nèi)外現(xiàn)有的無(wú)創(chuàng)血糖檢測(cè)方法主要包括近紅外光譜法、中紅外光譜法、拉曼光譜法、超聲檢測(cè)法、離子滲透法、生物電阻抗法等[5]。目前市面上的無(wú)創(chuàng)血糖儀存在精度不高的問(wèn)題，只能用于指導(dǎo)生活習(xí)慣，因此，如何提高無(wú)創(chuàng)血糖儀的檢測(cè)精度是目前面臨的重要問(wèn)題。

檢測(cè)方法中近紅外光譜法檢測(cè)精度高、效率高、成本低，有非常好的應(yīng)用前景，是提高無(wú)創(chuàng)血糖儀檢測(cè)精度的關(guān)鍵技術(shù)之一。另外，實(shí)現(xiàn)血糖的準(zhǔn)確檢測(cè)離不開高泛化性的預(yù)測(cè)模型，基于近紅外無(wú)創(chuàng)血糖檢測(cè)方法，研究者們引入了不同的檢測(cè)模型，如：陳真誠(chéng)等人采取偏最小二乘法建模預(yù)測(cè)，預(yù)測(cè)血糖值與有創(chuàng)血糖值的相關(guān)系數(shù)[6]達(dá)到了0.86。文獻(xiàn)[7]中建立了基于人工神經(jīng)網(wǎng)絡(luò)的血糖預(yù)測(cè)模型，該模型的相關(guān)系數(shù)為0.95。呂亞帥提出了一種基于RNN神經(jīng)網(wǎng)絡(luò)的無(wú)創(chuàng)血糖算法[8]，預(yù)測(cè)結(jié)果的相關(guān)系數(shù)為0.921 9。程錦繡引入了非線性自回歸神經(jīng)網(wǎng)絡(luò)模型（NARX）[9]，該模型的相關(guān)系數(shù)為0.85。王朱宇提出了基于深度置信網(wǎng)絡(luò)（DBN）的血糖光譜特征提取算法，并建立了DBNSVR預(yù)測(cè)模型[10]。葉東海等人提出了一種基于粒子群算法PSO和BP神經(jīng)網(wǎng)絡(luò)的混合模型[11]，Clarke誤差網(wǎng)格分析中落入A區(qū)域的比例為84.39%。彭秀麗建立了長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)與門控循環(huán)單元（GRU）的混合模型進(jìn)行血糖預(yù)測(cè)[12]，結(jié)果表明，該模型預(yù)測(cè)性能優(yōu)于LSTM和GRU，其平均絕對(duì)誤差為0.17。李瑩建立了深度孿生殘差網(wǎng)絡(luò)（SimResNet）和支持向量機(jī)（SVR）的混合模型[13]，該模型的平均絕對(duì)誤差為0.465 1，均方誤差為0.377 2。事實(shí)證明，深度學(xué)習(xí)算法可以有效提高血糖濃度的預(yù)測(cè)精度，但是現(xiàn)有模型仍存在泛化能力不足的問(wèn)題，需要進(jìn)一步提升模型預(yù)測(cè)的準(zhǔn)確度和穩(wěn)定性，從頁(yè)滿足應(yīng)用要求。

針對(duì)上述問(wèn)題，本文基于近紅外無(wú)創(chuàng)血糖檢測(cè)儀搭建了一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）、長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)和注意力機(jī)制（Attention）的混合預(yù)測(cè)模型，并利用霜冰優(yōu)化算法（RIME）獲取模型的最優(yōu)參數(shù)。

1 "基本原理

1.1 "一維卷積神經(jīng)網(wǎng)絡(luò)

1DCNN能夠有效地分析一維數(shù)據(jù)，適用于從整個(gè)數(shù)據(jù)集的子集中提取潛在特征[14]。其網(wǎng)絡(luò)是通過(guò)疊加卷積層和池化層來(lái)構(gòu)建的，在每個(gè)卷積層與池化層之間使用激活函數(shù)以促進(jìn)模型的收斂。

卷積層通過(guò)卷積運(yùn)算提取輸入數(shù)據(jù)中的特征，具體運(yùn)算為：

[xlk=fi=1jxl-1i?ωli+bli] " " " "（1）

式中：[xlk]為第l層第k個(gè)神經(jīng)元的輸出；f為激活函數(shù)；j為該層神經(jīng)元的個(gè)數(shù)；[xl-1i]為第l-1層第i個(gè)神經(jīng)元的輸出；“[*]”為卷積運(yùn)算符；[ωli]為第l層對(duì)應(yīng)的卷積核；[bli]為第l層的偏置。

采用ReLU激活函數(shù)來(lái)提高網(wǎng)絡(luò)的非線性，表達(dá)式如下：

[fx=max0，x] " " " " " （2）

池化層用于降低維度，提升計(jì)算速度，并有效避免過(guò)擬合問(wèn)題。最大池化的表達(dá)式如下：

[plki=maxi-1a+1≤t≤iaql-1kt] " " " （3）

式中：[ql-1kt]為第l-1層第k個(gè)特征矢量中第t個(gè)神經(jīng)元的值；a為池化的寬度。

1.2 "長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都由遺忘門、輸入門、輸出門三部分構(gòu)成，三個(gè)門函數(shù)用于決定信息的過(guò)濾和保存，可以有效捕捉數(shù)據(jù)中的依賴關(guān)系，緩解RNN網(wǎng)絡(luò)中的梯度消失問(wèn)題[15]。LSTM單元結(jié)構(gòu)如圖1所示。

LSTM過(guò)程公式如下：

[ft=σWf?ht-1，xt+bf] " " " （4）

[it=σWi?ht-1，xt+bi] " " " （5）

[Ct=tanhWC?ht-1，xt+bC] " " "（6）

[Ct=ft?Ct-1+it?Ct] " " " "（7）

[Ot=σWO?ht-1，xt+bO] " " " （8）

[ht=Ot?tanhCt] " " " " "（9）

式中：[ft]、[it]、[Ct]、[Ct]、[Ot]分別為遺忘門、輸入門、候選細(xì)胞狀態(tài)、新的細(xì)胞狀態(tài)、輸出門；[σ]和[tanh]為激活函數(shù)；[Wf]、[Wi]、[WC]、[WO]分別為遺忘門、輸入門、候選細(xì)胞、輸出門的權(quán)重矩陣；[bf]、[bi]、[bC]、[bO]為對(duì)應(yīng)的偏置。

1.3 "注意力機(jī)制

Attention是深度學(xué)習(xí)中一種基于人類視覺(jué)神經(jīng)系統(tǒng)的模型。在模型預(yù)測(cè)過(guò)程中，通過(guò)賦予不同時(shí)刻輸入序列隱藏層向量相應(yīng)的權(quán)重，從而達(dá)到降低無(wú)關(guān)信息干擾、提高模型預(yù)測(cè)精度的效果[16]。Attention機(jī)制結(jié)構(gòu)如圖2所示。

Attention具體表達(dá)式如下：

[αn=pz=nX，q=softmaxsxn，q=expsxn，qj=1Nsxj，q] （10）

[attentionX，q=n=1Nanxn] （11）

式中：X是包含N個(gè)元素的向量序列；q是一個(gè)查詢向量；[an]是第n個(gè)元素的權(quán)重；[sxn，q]是注意力評(píng)分函數(shù)，用來(lái)衡量[xn]和查詢向量q之間的相似度；[attentionX，q]為注意力向量。

1.4 "霜冰優(yōu)化算法

霜冰優(yōu)化算法（Rime Optimization Algorithm， "RIME）[17]是由Su Hang于2023年提出的一種基于霜冰物理現(xiàn)象的參數(shù)尋優(yōu)算法。RIME算法通過(guò)模擬霜冰的軟霜和硬霜生長(zhǎng)過(guò)程，構(gòu)造軟霜搜索策略和硬霜穿刺機(jī)制，并對(duì)元啟發(fā)式算法的選擇機(jī)制進(jìn)行了改進(jìn)，提出了避免陷入局部最優(yōu)陷阱的正貪婪選擇機(jī)制。相較于PSO、WOA、HHO、MFO等經(jīng)典算法，RIME收斂速度快，能較好地平衡資源的探索和利用，在面對(duì)復(fù)雜問(wèn)題時(shí)具有更強(qiáng)的尋優(yōu)能力和較高的穩(wěn)定性。霧凇粒子的位置更新公式如下：

[Rnewij=Rbest，j+r1?cosθ?β?h?Ubij-Lbij+Lbij， " " " " " " r2lt;E] " " "（12）

[θ=π?t10T] " " " " " " "（13）

[β=1-w?tTw] " " " " （14）

[E=tT] " " " " " "（15）

式中：[Rnewij]表示更新粒子的新位置；i和j表示第i個(gè)時(shí)間和第j個(gè)粒子；[Rbest，j]表示霧凇種群中最佳霧凇劑的第j個(gè)粒子；[r1]和[r2]表示隨機(jī)數(shù)；[cosθ]為粒子運(yùn)動(dòng)的方向；[β]表示環(huán)境因素；h是黏附度；[Ubij]和[Lbij]是逃逸空間的上下界；t是當(dāng)前迭代次數(shù)；T是最大迭代次數(shù)；w表示階躍函數(shù)的段數(shù)。

2 "模型建立與優(yōu)化

2.1 "1DCNN?LSTM?Attention模型

1DCNN?LSTM?Attention混合預(yù)測(cè)模型包含三個(gè)部分：第一部分采用1DCNN網(wǎng)絡(luò)來(lái)獲取數(shù)據(jù)集的特征；第二部分利用LSTM模型來(lái)捕捉數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系；第三部分引入Attention注意力機(jī)制來(lái)進(jìn)一步提高模型的預(yù)測(cè)精度。本文設(shè)計(jì)的模型結(jié)構(gòu)框圖如圖3所示。

首先，將數(shù)據(jù)集作為輸入節(jié)點(diǎn)，卷積層通過(guò)使用多種卷積核，有效地融合多個(gè)特征信號(hào)，提取數(shù)據(jù)的初步特征，使用ReLU激活函數(shù)引入非線性變換，增加模型的表達(dá)能力。1DCNN與LSTM之間直接通過(guò)池化層連接，降低維度的同時(shí)最大程度地獲取有效特征。其次，利用LSTM層進(jìn)一步提取和分析關(guān)鍵特征，在LSTM層后引入Attention注意力機(jī)制，對(duì)不同時(shí)間步的特征進(jìn)行加權(quán)，使得模型更加關(guān)注重要的信息，從而更好地利用數(shù)據(jù)中的關(guān)鍵信息。最后，通過(guò)全連接層綜合特征得到最終的預(yù)測(cè)結(jié)果。本文模型能夠有效地學(xué)習(xí)到關(guān)鍵數(shù)據(jù)特征，在不同規(guī)模的數(shù)據(jù)集上實(shí)現(xiàn)了較高精度的數(shù)據(jù)預(yù)測(cè)。在本文構(gòu)建的1DCNN?LSTM?Attention血糖預(yù)測(cè)模型中，將數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測(cè)試集，選擇Adam作為模型的優(yōu)化器。Adam算法相較于其他隨機(jī)優(yōu)化方法具有更好的效果，更不容易陷入局部最優(yōu)，并且更新速度更快。同時(shí)，設(shè)置epoch為400，batch_size為15，初始學(xué)習(xí)率為 0.01。

2.2 "參數(shù)優(yōu)化

由于1DCNN?LSTM?Attention網(wǎng)絡(luò)在處理數(shù)據(jù)時(shí)容易受到局部最優(yōu)解的影響，故本文引入RIME算法對(duì)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化，以降低誤差并提升模型性能。建立了RIME?1DCNN?LSTM?Attention模型，步驟如下。

1） 確定1DCNN?LSTM?Attention網(wǎng)絡(luò)的結(jié)構(gòu)。

2） 初始化RIME算法的參數(shù)。設(shè)置搜索個(gè)體的數(shù)量為100，最大迭代次數(shù)為200，軟霜冰參數(shù)為5，同時(shí)設(shè)置學(xué)習(xí)率的下界和上界分別為0.001、0.01，卷積核大小的下界和上界分別為1、10，神經(jīng)元個(gè)數(shù)的下界和上界分別為10、60。

3） 計(jì)算初始位置的適應(yīng)度值。計(jì)算每個(gè)搜索體的適應(yīng)度值，進(jìn)行貪婪選擇。

4） 根據(jù)軟霜冰搜索策略、硬霜冰穿刺機(jī)制、正向貪婪選擇機(jī)制來(lái)更新個(gè)體最佳適應(yīng)度值和個(gè)體最佳位置，同時(shí)更新群體的全局最佳適應(yīng)度值和全局最佳位置。

5） 判斷是否達(dá)到預(yù)定精度或最大迭代次數(shù)，如果未達(dá)到則轉(zhuǎn)到步驟4），否則停止迭代，并從全局最佳位置獲取最優(yōu)解，即1DCNN?LSTM?Attention網(wǎng)絡(luò)的最佳參數(shù)。

RIME?1DCNN?LSTM?Attention算法流程如圖4所示。

3 "實(shí) "驗(yàn)

本文研究需要采集的數(shù)據(jù)包括血糖濃度檢測(cè)值和無(wú)創(chuàng)血糖參考值。血糖濃度檢測(cè)值由市場(chǎng)上現(xiàn)有精度較高的有創(chuàng)血糖儀測(cè)得，無(wú)創(chuàng)血糖參考值由本課題組自行研發(fā)的近紅外無(wú)創(chuàng)血糖檢測(cè)儀獲取。考慮到手指壓力、位置和血液中其他干擾成分對(duì)光譜的影響，本課題組自行研發(fā)的血糖儀從裝置結(jié)構(gòu)、光源設(shè)置等方面進(jìn)行了優(yōu)化。近紅外光源為兩個(gè)激光二極管，其波長(zhǎng)分別為1 550 nm和1 610 nm，采用光電探測(cè)器采集手指表面近紅外漫反射光，以實(shí)現(xiàn)光信號(hào)到電信號(hào)的轉(zhuǎn)換，從而獲得血糖信息。

實(shí)驗(yàn)步驟：在測(cè)試之前，志愿者先使用酒精對(duì)手指進(jìn)行消毒，待酒精揮發(fā)后，志愿者以放松舒適的姿態(tài)坐在椅子上，右手握著檢測(cè)裝置，食指、中指骨間關(guān)節(jié)放置于蝸殼內(nèi)的凹槽處，確保每次測(cè)量為同一位置，左手通過(guò)手機(jī)APP點(diǎn)擊開始測(cè)量。為獲得準(zhǔn)確的數(shù)據(jù)，每次測(cè)量需重復(fù)3次，并取平均值作為最終的參考值，采集過(guò)程如圖5所示。

本實(shí)驗(yàn)共征集了4位志愿者（2名男性和2名女性）。實(shí)驗(yàn)開始前已向志愿者詳細(xì)介紹了實(shí)驗(yàn)的具體過(guò)程以及可能涉及的風(fēng)險(xiǎn)，并在獲得志愿者同意后進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的采集。采集志愿者餐前、餐后0.5 h、餐后1 h、餐后2 h這4個(gè)時(shí)間段的數(shù)據(jù)，連續(xù)10天共收集到160組樣本數(shù)據(jù)，每組數(shù)據(jù)包括1 550 nm、1 610 nm近紅外光的測(cè)量信息和有創(chuàng)血糖檢測(cè)濃度，為預(yù)測(cè)模型的驗(yàn)證提供了數(shù)據(jù)支持。

4 "結(jié)果分析

首先，為了驗(yàn)證1DCNN?LSTM?Attention混合模型在血糖預(yù)測(cè)方面的效果，分別建立了單一的1DCNN模型、LSTM模型和1DCNN?LSTM模型；其次，在混合模型的基礎(chǔ)上引入了RIME優(yōu)化算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，并使用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。通過(guò)RIME算法獲得最佳參數(shù)，即學(xué)習(xí)率為0.007，卷積核大小為4，神經(jīng)元個(gè)數(shù)為51。1DCNN模型、LSTM模型、1DCNN?LSTM模型、1DCNN?LSTM?Attention模型、RIME?1DCNN?LSTM?Attention模型的血糖預(yù)測(cè)值與有創(chuàng)血糖檢測(cè)值對(duì)比圖分別如圖6～圖10所示。

本模型選用平均絕對(duì)誤差（MAE）、均方誤差（MSE）、相關(guān)系數(shù)（[R2]）作為評(píng)價(jià)指標(biāo)來(lái)評(píng)估血糖預(yù)測(cè)模型的效果，公式如下：

[MAE=1ni=1nyi-yi] " " " （16）

[MSE=1ni=1nyi-yi2] " " "（17）

[R2=1-i=1nyi-yi2i=1nyi-yi2] " " " " （18）

式中：n為樣本數(shù)量；[yi]為血糖真實(shí)值；[yi]為模型的預(yù)測(cè)值；[yi]為真實(shí)值的平均值。

模型評(píng)價(jià)指標(biāo)對(duì)比結(jié)果如表1所示。

由表1可知，與1DCNN和LSTM單一模型相比，1DCNN?LSTM模型融合了一維卷積神經(jīng)網(wǎng)絡(luò)在特征提取方面的優(yōu)點(diǎn)以及長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的長(zhǎng)時(shí)記憶功能，可以挖掘數(shù)據(jù)相關(guān)性，彌補(bǔ)了1DCNN和LSTM的缺陷，從而有效提高了血糖預(yù)測(cè)的準(zhǔn)確性。而1DCNN?LSTM?Attention混合模型在1DCNN?LSTM的基礎(chǔ)上引入了注意力機(jī)制，能夠更加有效地捕捉關(guān)鍵信息，提高特征的權(quán)重，可以更好地聚焦于與血糖變化密切相關(guān)的特征。此外，結(jié)合RIME優(yōu)化算法，本文模型能夠進(jìn)一步優(yōu)化模型參數(shù)，解決了容易陷入局部最優(yōu)解的問(wèn)題，提高了對(duì)血糖變化預(yù)測(cè)的準(zhǔn)確性。因此，相較于其他四種模型，RIME?1DCNN?LSTM?Attention模型在血糖預(yù)測(cè)方面具有明顯的優(yōu)勢(shì)。

5 "結(jié) "論

本文基于深度學(xué)習(xí)算法中的一維卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)和注意力機(jī)制建立了1DCNN?LSTM?Attention混合預(yù)測(cè)模型，并引入了RIME優(yōu)化算法。其中，1DCNN提取數(shù)據(jù)特征，LSTM捕捉數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，Attention機(jī)制聚焦關(guān)鍵信息，RIME獲取模型最優(yōu)參數(shù)，避免陷入局部最優(yōu)解，從而提高模型的預(yù)測(cè)精度。

通過(guò)與1DCNN、LSTM單一模型和1DCNN?LSTM、1DCNN?LSTM?Attention混合模型進(jìn)行對(duì)比，結(jié)果表明結(jié)合RIME優(yōu)化算法的1DCNN?LSTM?Attentio模型有著更高的準(zhǔn)確率，在血糖預(yù)測(cè)方面更加可靠。

參考文獻(xiàn)

[1] 劉霞.2050年全球糖尿病患者將達(dá)13億[N].科技日?qǐng)?bào)，2023?06?26（4）.

[2] Anon. Classification and diagnosis of diabetes [J]. Primary care： clinics in office practice， 2022， 49（2）： 191?200.

[3] 張紫鵬，王偉.基于混合回歸算法的電子鼻無(wú)創(chuàng)血糖檢測(cè)技術(shù)研究[J].國(guó)外電子測(cè)量技術(shù)，2023，42（10）：126?132.

[4] 方旭超，張培茗，饒?zhí)m，等.連續(xù)血糖檢測(cè)技術(shù)研究進(jìn)展[J].傳感器與微系統(tǒng)，2019，38（8）：1?4.

[5] LI Z， LI G， YAN W J， et al. Classification of diabetes and measurement of blood glucose concentration noninvasively using near infrared spectroscopy [J]. Infrared physics and technology， 2014， 29： 574?582.

[6] 陳真誠(chéng)，張楊，徐北平，等.近紅外無(wú)創(chuàng)血糖檢測(cè)系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2016，35（5）：103?106.

[7] YAO H， AFANASIEV A， LAHDESMAKI I， et al. A dual microscale glucose sensor on a contact lens， tested in conditions mimicking the eye [C]// IEEE International Conference on Micro Electro Mechanical Systems. Cancun， Mexico： IEEE， 2011： 25?28.

[8] 呂亞帥.無(wú)創(chuàng)血糖檢測(cè)系統(tǒng)的研究與設(shè)計(jì)[D].南京：南京郵電大學(xué)，2019.

[9] 程錦繡.基于近紅外光無(wú)創(chuàng)檢測(cè)的血糖檢測(cè)模型研究[D].重慶：重慶大學(xué)，2020.

[10] 王朱宇.基于機(jī)器學(xué)習(xí)的血糖光譜數(shù)據(jù)挖掘研究[D].長(zhǎng)春：長(zhǎng)春理工大學(xué)，2021.

[11] 葉東海，程錦繡，季忠.基于粒子群和反向傳播神經(jīng)網(wǎng)絡(luò)的近紅外光無(wú)創(chuàng)血糖檢測(cè)方法研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2022，39（1）：158?165.

[12] 彭秀麗.基于LSTM?GRU模型的血糖預(yù)測(cè)及低血糖預(yù)警評(píng)價(jià)[D].開封：河南大學(xué)，2022.

[13] 李瑩.基于深度學(xué)習(xí)的近紅外無(wú)創(chuàng)血糖濃度回歸分析[D].長(zhǎng)春：長(zhǎng)春理工大學(xué)，2022.

[14] WANG K， MA C， QIAO Y， et al. A hybrid deep learning model with 1DCNN?LSTM?attention networks for short?term traffic flow prediction [J]. Physica a： statistical mechanics and its applications， 2021（12）： 126293.

[15] 韓文杰，李勇，李云鵬.基于注意力機(jī)制的BILSTM?CNN景區(qū)客流量預(yù)測(cè)模型[J].現(xiàn)代電子技術(shù)，2022，45（19）：105?110.

[16] 張加勁.基于注意力機(jī)制和CNN?BiLSTM模型的航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2022，36（8）：231?237.

[17] SU H， ZHAO D， ALIASGHAR H， et al. RIME： Aphysics based optimization [J]. Neurocomputing， 2023， 532： 183?214.