基于麻雀搜索算法的混合神经网络模型及其血糖预测应用

糖尿病是当今危害人类健康的常见疾病之一，有效管理和控制血糖对患者至关重要。传统的血糖预测模型大多为单一的深度学习模型，存在精度不足或效率太低的缺陷，制约了其在实际应用中的效果，为此，本文提出了一种基于麻雀搜索的混合神经网络模型，将其应用到血糖预测中。该模型结合了时域卷积网络（Temporal convolutional network，TCN）和门控循环单元（Gated recurrent unit，GRU），是基于端到端方式训练的时序神经网络，根据患者的血糖水平历史记录预测血糖。为确保该模型的泛化能力，使用两个不同来源的数据集进行验证。首先，对多源时序监测数据的特征采样频率进行设定，时间间隔为5 min，接着对数据做平滑处理和标准化，并通过TCN对时序数据捕捉时序模式和依赖特征；然后通过构建基于注意力机制的GRU（GRU-Attention）模型进一步提取特征并建模；最后使用麻雀搜索算法对TCN和GRU-Attention模型进行超参数优化，实现血糖预测模型。为了证明本文所提模型的有效性，将其预测结果与其他模型进行对比，包括LSTM、ARIMA和RNN等。研究结果表明，提出的基于麻雀搜索算法的TCN和GRU-Attention模型在血糖值预测任务中表现良好，两个数据集的均方根误差（Root mean square error，RMSE）和平均绝对误差（Mean absolute error， MAE）分别为0.552和0.402、0.531和0.388，均优于其他模型。