LSTM-GRU模型对1型糖尿病和2型糖尿病患者低血糖的预警价值

目的探讨长短期记忆网络与门循环单元(LSTM-GRU)模型对1型糖尿病(T1DM)和2型糖尿病(T2DM)患者低血糖的预警价值。方法回顾性分析2015年7月至2017年3月于河南省人民医院内分泌科住院期间曾发生低血糖事件的50例糖尿病(DM)患者的临床资料,其中T1DM患者18例,T2DM患者32例。以连续72 h的血糖数据为研究对象,运用Python 3.6运行LSTM-GRU模型,得到15、30、45、60 min的预测血糖值,以均方根误差(RMSE)、平均绝对百分误差(MAPE)及克拉克(Clarke)误差网格分析评价模型预测性能。采用灵敏度、特异度和准确度评价模型低血糖预警效果,进一步比较模型在T1DM和T2DM患者的低血糖预警差异。结果15 min预测时,LSTM-GRU模型的RMSE、MAPE分别为0.24、2.64;30 min预测时,RMSE、MAPE分别为0.26、2.84;45 min预测时,RMSE、MAPE分别为0.27、2.89;60 min预测时,RMSE、MAPE分别为0.27、2.85。Clarke误差网格分析表明该模型对血糖的预测准确度均满足ISO 15197—2013标准。LSTM-GRU模型在15 min低血糖预警时,T1DM和T2DM患者的灵敏度、特异度、准确度分别为95.54%、98.41%、98.10%,88.82%、99.47%、99.05%;30 min预警时,T1DM和T2DM患者的灵敏度、特异度、准确度分别为94.49%、98.41%、97.98%,87.94%、99.44%、99.01%;45 min预警时,T1DM和T2DM患者的灵敏度、特异度、准确度分别为94.52%、98.49%、98.02%,85.53%、99.48%、98.98%;60 min预警时,T1DM和T2DM患者的灵敏度、特异度、准确度分别为92.78%、98.54%、97.92%,85.15%、99.46%、98.95%。无论在哪个预测时长下,LSTM-GRU模型对T1DM和T2DM患者的低血糖预警效果比较,差异有统计学意义(P<0.05)。结论LSTM-GRU模型能有效进行低血糖预警,且对T1DM患者的低血糖预警效果优于T2DM患者。

最小窥视孔长短时记忆模型

由于循环神经网络拥有复杂的模型结构,使训练模型达到最优变得困难。因此,提出一种最小窥视孔长短时记忆模型,它只有一个唯一门来更新信息,拥有两个网络层,通过减少一定的模型参数降低模型训练的难度,提高模型性能。实验结果表明,在不同数据集上,该模型性能高于长短期记忆模型,部分高于门循环单元模型,在参数个数、运行时间方面,其远小于长短期记忆模型以及门循环单元模型。