基于RIME和1DCNN?LSTM?Attention的無創血糖預測模型研究

摘 "要： 實現無創血糖檢測對于糖尿病患者來說具有重要意義，然而目前市面上的無創血糖儀存在檢測精度不高的問題。為了提高無創血糖檢測的準確度，基于近紅外無創血糖檢測儀，構建了1DCNN?LSTM?Attention混合預測模型，同時引入了霜冰優化算法（RIME）。該模型通過一維卷積神經網絡（1DCNN）提取數據中的局部特征，將所提取的特征向量作為長短期記憶（LSTM）網絡的輸入，捕捉數據中的依賴關系；采用注意力機制（Attention）為LSTM的輸出賦予不同的權重，增強關鍵信息提取；通過RIME算法優化模型參數，避免陷入局部最優解。結果表明，引入RIME的1DCNN?LSTM?Attention混合模型預測效果優于1DCNN、LSTM、1DCNN?LSTM、1DCNN?LSTM?Attention等模型，預測血糖值與有創血糖值的平均絕對誤差為0.121 0，均方誤差為0.018 6，相關系數達到了0.982 3。該模型有助于提高近紅外無創血糖檢測的精確度和可靠性。

關鍵詞： 近紅外無創血糖檢測； 一維卷積神經網絡； 霜冰優化算法； 長短期記憶網絡； 注意力機制； 參數優化

中圖分類號： TN919?34； TP311 " " " " " " " " " 文獻標識碼： A " " " " " " " " " " "文章編號： 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

根據相關研究，目前全球有5.29億糖尿病患者，預計到2050年，患者人數[1]將達到13億。第10版《全球糖尿病概覽》數據顯示，中國糖尿病患者人數已經位居全球首位[2]。

糖尿病常引發血管、眼睛、腎臟疾病以及癌變等并發癥[3]，目前尚無可完全治愈的方法，臨床上主要通過生化分析儀和針刺指尖采血的方式檢測血糖[4]，但有創檢測會給患者帶來生理疼痛以及心理壓力。無創血糖檢測方式具有快捷、舒適、安全的特點，可以連續、實時檢測血糖，是血糖檢測技術的重要發展方向。

國內外現有的無創血糖檢測方法主要包括近紅外光譜法、中紅外光譜法、拉曼光譜法、超聲檢測法、離子滲透法、生物電阻抗法等[5]。目前市面上的無創血糖儀存在精度不高的問題，只能用于指導生活習慣，因此，如何提高無創血糖儀的檢測精度是目前面臨的重要問題。

檢測方法中近紅外光譜法檢測精度高、效率高、成本低，有非常好的應用前景，是提高無創血糖儀檢測精度的關鍵技術之一。另外，實現血糖的準確檢測離不開高泛化性的預測模型，基于近紅外無創血糖檢測方法，研究者們引入了不同的檢測模型，如：陳真誠等人采取偏最小二乘法建模預測，預測血糖值與有創血糖值的相關系數[6]達到了0.86。文獻[7]中建立了基于人工神經網絡的血糖預測模型，該模型的相關系數為0.95。呂亞帥提出了一種基于RNN神經網絡的無創血糖算法[8]，預測結果的相關系數為0.921 9。程錦繡引入了非線性自回歸神經網絡模型（NARX）[9]，該模型的相關系數為0.85。王朱宇提出了基于深度置信網絡（DBN）的血糖光譜特征提取算法，并建立了DBNSVR預測模型[10]。葉東海等人提出了一種基于粒子群算法PSO和BP神經網絡的混合模型[11]，Clarke誤差網格分析中落入A區域的比例為84.39%。彭秀麗建立了長短期記憶（LSTM）網絡與門控循環單元（GRU）的混合模型進行血糖預測[12]，結果表明，該模型預測性能優于LSTM和GRU，其平均絕對誤差為0.17。李瑩建立了深度孿生殘差網絡（SimResNet）和支持向量機（SVR）的混合模型[13]，該模型的平均絕對誤差為0.465 1，均方誤差為0.377 2。事實證明，深度學習算法可以有效提高血糖濃度的預測精度，但是現有模型仍存在泛化能力不足的問題，需要進一步提升模型預測的準確度和穩定性，從頁滿足應用要求。

針對上述問題，本文基于近紅外無創血糖檢測儀搭建了一維卷積神經網絡（1DCNN）、長短期記憶（LSTM）網絡和注意力機制（Attention）的混合預測模型，并利用霜冰優化算法（RIME）獲取模型的最優參數。

1 "基本原理

1.1 "一維卷積神經網絡

1DCNN能夠有效地分析一維數據，適用于從整個數據集的子集中提取潛在特征[14]。其網絡是通過疊加卷積層和池化層來構建的，在每個卷積層與池化層之間使用激活函數以促進模型的收斂。

卷積層通過卷積運算提取輸入數據中的特征，具體運算為：

[xlk=fi=1jxl-1i?ωli+bli] " " " "（1）

式中：[xlk]為第l層第k個神經元的輸出；f為激活函數；j為該層神經元的個數；[xl-1i]為第l-1層第i個神經元的輸出；“[*]”為卷積運算符；[ωli]為第l層對應的卷積核；[bli]為第l層的偏置。

采用ReLU激活函數來提高網絡的非線性，表達式如下：

[fx=max0，x] " " " " " （2）

池化層用于降低維度，提升計算速度，并有效避免過擬合問題。最大池化的表達式如下：

[plki=maxi-1a+1≤t≤iaql-1kt] " " " （3）

式中：[ql-1kt]為第l-1層第k個特征矢量中第t個神經元的值；a為池化的寬度。

1.2 "長短期記憶神經網絡

LSTM網絡中的每個神經元都由遺忘門、輸入門、輸出門三部分構成，三個門函數用于決定信息的過濾和保存，可以有效捕捉數據中的依賴關系，緩解RNN網絡中的梯度消失問題[15]。LSTM單元結構如圖1所示。

LSTM過程公式如下：

[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、候選細胞狀態、新的細胞狀態、輸出門；[σ]和[tanh]為激活函數；[Wf]、[Wi]、[WC]、[WO]分別為遺忘門、輸入門、候選細胞、輸出門的權重矩陣；[bf]、[bi]、[bC]、[bO]為對應的偏置。

1.3 "注意力機制

Attention是深度學習中一種基于人類視覺神經系統的模型。在模型預測過程中，通過賦予不同時刻輸入序列隱藏層向量相應的權重，從而達到降低無關信息干擾、提高模型預測精度的效果[16]。Attention機制結構如圖2所示。

Attention具體表達式如下：

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

[attentionX，q=n=1Nanxn] （11）

式中：X是包含N個元素的向量序列；q是一個查詢向量；[an]是第n個元素的權重；[sxn，q]是注意力評分函數，用來衡量[xn]和查詢向量q之間的相似度；[attentionX，q]為注意力向量。

1.4 "霜冰優化算法

霜冰優化算法（Rime Optimization Algorithm， "RIME）[17]是由Su Hang于2023年提出的一種基于霜冰物理現象的參數尋優算法。RIME算法通過模擬霜冰的軟霜和硬霜生長過程，構造軟霜搜索策略和硬霜穿刺機制，并對元啟發式算法的選擇機制進行了改進，提出了避免陷入局部最優陷阱的正貪婪選擇機制。相較于PSO、WOA、HHO、MFO等經典算法，RIME收斂速度快，能較好地平衡資源的探索和利用，在面對復雜問題時具有更強的尋優能力和較高的穩定性。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個時間和第j個粒子；[Rbest，j]表示霧凇種群中最佳霧凇劑的第j個粒子；[r1]和[r2]表示隨機數；[cosθ]為粒子運動的方向；[β]表示環境因素；h是黏附度；[Ubij]和[Lbij]是逃逸空間的上下界；t是當前迭代次數；T是最大迭代次數；w表示階躍函數的段數。

2 "模型建立與優化

2.1 "1DCNN?LSTM?Attention模型

1DCNN?LSTM?Attention混合預測模型包含三個部分：第一部分采用1DCNN網絡來獲取數據集的特征；第二部分利用LSTM模型來捕捉數據中的長期依賴關系；第三部分引入Attention注意力機制來進一步提高模型的預測精度。本文設計的模型結構框圖如圖3所示。

首先，將數據集作為輸入節點，卷積層通過使用多種卷積核，有效地融合多個特征信號，提取數據的初步特征，使用ReLU激活函數引入非線性變換，增加模型的表達能力。1DCNN與LSTM之間直接通過池化層連接，降低維度的同時最大程度地獲取有效特征。其次，利用LSTM層進一步提取和分析關鍵特征，在LSTM層后引入Attention注意力機制，對不同時間步的特征進行加權，使得模型更加關注重要的信息，從而更好地利用數據中的關鍵信息。最后，通過全連接層綜合特征得到最終的預測結果。本文模型能夠有效地學習到關鍵數據特征，在不同規模的數據集上實現了較高精度的數據預測。在本文構建的1DCNN?LSTM?Attention血糖預測模型中，將數據集的80%作為訓練集，20%作為測試集，選擇Adam作為模型的優化器。Adam算法相較于其他隨機優化方法具有更好的效果，更不容易陷入局部最優，并且更新速度更快。同時，設置epoch為400，batch_size為15，初始學習率為 0.01。

2.2 "參數優化

由于1DCNN?LSTM?Attention網絡在處理數據時容易受到局部最優解的影響，故本文引入RIME算法對網絡中的參數進行優化，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網絡的結構。

2） 初始化RIME算法的參數。設置搜索個體的數量為100，最大迭代次數為200，軟霜冰參數為5，同時設置學習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，神經元個數的下界和上界分別為10、60。

3） 計算初始位置的適應度值。計算每個搜索體的適應度值，進行貪婪選擇。

4） 根據軟霜冰搜索策略、硬霜冰穿刺機制、正向貪婪選擇機制來更新個體最佳適應度值和個體最佳位置，同時更新群體的全局最佳適應度值和全局最佳位置。

5） 判斷是否達到預定精度或最大迭代次數，如果未達到則轉到步驟4），否則停止迭代，并從全局最佳位置獲取最優解，即1DCNN?LSTM?Attention網絡的最佳參數。

RIME?1DCNN?LSTM?Attention算法流程如圖4所示。

3 "實 "驗

本文研究需要采集的數據包括血糖濃度檢測值和無創血糖參考值。血糖濃度檢測值由市場上現有精度較高的有創血糖儀測得，無創血糖參考值由本課題組自行研發的近紅外無創血糖檢測儀獲取。考慮到手指壓力、位置和血液中其他干擾成分對光譜的影響，本課題組自行研發的血糖儀從裝置結構、光源設置等方面進行了優化。近紅外光源為兩個激光二極管，其波長分別為1 550 nm和1 610 nm，采用光電探測器采集手指表面近紅外漫反射光，以實現光信號到電信號的轉換，從而獲得血糖信息。

實驗步驟：在測試之前，志愿者先使用酒精對手指進行消毒，待酒精揮發后，志愿者以放松舒適的姿態坐在椅子上，右手握著檢測裝置，食指、中指骨間關節放置于蝸殼內的凹槽處，確保每次測量為同一位置，左手通過手機APP點擊開始測量。為獲得準確的數據，每次測量需重復3次，并取平均值作為最終的參考值，采集過程如圖5所示。

本實驗共征集了4位志愿者（2名男性和2名女性）。實驗開始前已向志愿者詳細介紹了實驗的具體過程以及可能涉及的風險，并在獲得志愿者同意后進行實驗數據的采集。采集志愿者餐前、餐后0.5 h、餐后1 h、餐后2 h這4個時間段的數據，連續10天共收集到160組樣本數據，每組數據包括1 550 nm、1 610 nm近紅外光的測量信息和有創血糖檢測濃度，為預測模型的驗證提供了數據支持。

4 "結果分析

首先，為了驗證1DCNN?LSTM?Attention混合模型在血糖預測方面的效果，分別建立了單一的1DCNN模型、LSTM模型和1DCNN?LSTM模型；其次，在混合模型的基礎上引入了RIME優化算法對模型參數進行優化，并使用相同的數據集進行訓練和測試。通過RIME算法獲得最佳參數，即學習率為0.007，卷積核大小為4，神經元個數為51。1DCNN模型、LSTM模型、1DCNN?LSTM模型、1DCNN?LSTM?Attention模型、RIME?1DCNN?LSTM?Attention模型的血糖預測值與有創血糖檢測值對比圖分別如圖6～圖10所示。

本模型選用平均絕對誤差（MAE）、均方誤差（MSE）、相關系數（[R2]）作為評價指標來評估血糖預測模型的效果，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為樣本數量；[yi]為血糖真實值；[yi]為模型的預測值；[yi]為真實值的平均值。

模型評價指標對比結果如表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網絡在特征提取方面的優點以及長短期記憶神經網絡的長時記憶功能，可以挖掘數據相關性，彌補了1DCNN和LSTM的缺陷，從而有效提高了血糖預測的準確性。而1DCNN?LSTM?Attention混合模型在1DCNN?LSTM的基礎上引入了注意力機制，能夠更加有效地捕捉關鍵信息，提高特征的權重，可以更好地聚焦于與血糖變化密切相關的特征。此外，結合RIME優化算法，本文模型能夠進一步優化模型參數，解決了容易陷入局部最優解的問題，提高了對血糖變化預測的準確性。因此，相較于其他四種模型，RIME?1DCNN?LSTM?Attention模型在血糖預測方面具有明顯的優勢。

5 "結 "論

本文基于深度學習算法中的一維卷積神經網絡、長短期記憶網絡和注意力機制建立了1DCNN?LSTM?Attention混合預測模型，并引入了RIME優化算法。其中，1DCNN提取數據特征，LSTM捕捉數據的長期依賴關系，Attention機制聚焦關鍵信息，RIME獲取模型最優參數，避免陷入局部最優解，從而提高模型的預測精度。

通過與1DCNN、LSTM單一模型和1DCNN?LSTM、1DCNN?LSTM?Attention混合模型進行對比，結果表明結合RIME優化算法的1DCNN?LSTM?Attentio模型有著更高的準確率，在血糖預測方面更加可靠。

參考文獻

[1] 劉霞.2050年全球糖尿病患者將達13億[N].科技日報，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創血糖檢測技術研究[J].國外電子測量技術，2023，42（10）：126?132.

[4] 方旭超，張培茗，饒蘭，等.連續血糖檢測技術研究進展[J].傳感器與微系統，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，張楊，徐北平，等.近紅外無創血糖檢測系統設計[J].傳感器與微系統，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.無創血糖檢測系統的研究與設計[D].南京：南京郵電大學，2019.

[9] 程錦繡.基于近紅外光無創檢測的血糖檢測模型研究[D].重慶：重慶大學，2020.

[10] 王朱宇.基于機器學習的血糖光譜數據挖掘研究[D].長春：長春理工大學，2021.

[11] 葉東海，程錦繡，季忠.基于粒子群和反向傳播神經網絡的近紅外光無創血糖檢測方法研究[J].生物醫學工程學雜志，2022，39（1）：158?165.

[12] 彭秀麗.基于LSTM?GRU模型的血糖預測及低血糖預警評價[D].開封：河南大學，2022.

[13] 李瑩.基于深度學習的近紅外無創血糖濃度回歸分析[D].長春：長春理工大學，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.基于注意力機制的BILSTM?CNN景區客流量預測模型[J].現代電子技術，2022，45（19）：105?110.

[16] 張加勁.基于注意力機制和CNN?BiLSTM模型的航空發動機剩余壽命預測[J].電子測量與儀器學報，2022，36（8）：231?237.

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