李婷等：基于ECG信号的高精度血糖监测 ·1219· (a) (b) (c) 200400600 0200400600 0200400600 Time/ms Time/ms Time/ms A2 2 15 B2 200 400 600 0 200400 600 200 400 600 Time/ms Time/ms Time/ms A 0 200400 600 0 200400 600 0 200400600 Time/ms Time/ms Time/ms 图4不同志愿者在相同血糖水平下的一个ECG信号周期波形示例.(a)BG=5.9mmoL:(b)BG=8.1 mmol-L:(c)BG=10.5mmoL1 Fig.4 ECG signal cycle waveforms at the same BG level for different subjects:(a)BG=5.9 mmol-L-;(b)BG=8.1 mmol-L-;(c)BG=10.5 mmol-L- PXR t长处经LSTM复杂处理单元经过各层后的输出可 F1-s=2× P+R (12) 简单地用下列公式表示) 其中，P为精确率、R为召回率、F1-s为F1值； Dint =(Wx.inx:+wh.inh-1+wel.in Delt-1+bin)(5) ng表示分类正确的正样本数量、n,表示所有被 Dfrs =(wx.fr X:+wh.frh-1+Wel.fr Dclt-1+bfr)(6) 分为正样本的数量、表示真实正样本的数量. Delt Dftt Delt-1+Dint Otanh (wx.clX+ (7) 混淆矩阵为可直观的看出每种分类标签监测效 Wh.clh:-1+bel) 果的错误矩阵，其正确监测结果都在矩阵对角 O:=(WX.oLX:+Wh.oth-1+Wclot Ddl:+bot) (8) 线上 h:=0,tanh(Del) (9) 3高精度血糖监测模型 其中，c为sigmoid激活函数、h为输出、w和b为各 个门对应的参数矩阵和偏置参数 3.1模型建立 在LSTM的输出端使用全连接层作为分类神 在本文研究的CNN-LSTM网络中，CNN是 经网络模型输出层.经过预处理后的单个ECG周 由大小卷积核相结合的一维卷积、正则化过程和 期及CGM数据输入到CNN-LSTM网络中，其输 最大池化层组成，最大池化输出被馈送到后续的 出为不同的血糖标签的概率.血糖监测模型性能 LSTM层.由于模型的超参数直接影响算法的性 的评估通过血糖监测精确率(Precision)以、召回率 能，因此需要调节学习速率、隐层数、池化层步 (Recall)、FI值(F1-score)及混淆矩阵评估Bo.其原 长、卷积核大小等超参数进行不同的实验验证，以 理如下： 提高血糖监测模型的泛化能力四使其具有鲁棒 性.研究所使用的模型超参数如表3所示 (10) ner 3.2实验验证 R=Ig 本文使用单个Intel(R)Core(TMi7-7700中的 (11) nd CPU进行训练和测试数据.经过对比不同的损失t 长处经 LSTM 复杂处理单元经过各层后的输出可 简单地用下列公式表示[25] ： Din,t = σ(wX,in xt +wh,inht−1 +wcl,in Dcl,t−1 + bin) （5） Dfr,t = σ(wX,frXt +wh,frht−1 +wcl,fr Dcl,t−1 + bfr) （6） Dcl,t = Dfr,t ⊙ Dcl,t−1 + Din,t ⊙tanh( wX,clXt+ wh,clht−1 + bcl) （7） Ot = σ(wX,otXt +wh,otht−1 +wcl,ot Dcl,t + bot) （8） ht = Ot ⊙tanh(Dcl,t ) （9） 其中，σ为 sigmoid 激活函数、 h 为输出、 w 和 b 为各 个门对应的参数矩阵和偏置参数. 在 LSTM 的输出端使用全连接层作为分类神 经网络模型输出层. 经过预处理后的单个 ECG 周 期及 CGM 数据输入到 CNN-LSTM 网络中，其输 出为不同的血糖标签的概率. 血糖监测模型性能 的评估通过血糖监测精确率 (Precision)、召回率 (Recall)、F1 值 (F1-score) 及混淆矩阵评估[30] . 其原 理如下： P = nrg ncr （10） R = nrg nrl （11） F1− s = 2× P×R P+R （12） nrg ncr nrl 其中， P 为精确率、 R 为召回率、 F1-s 为 F1 值 ； 表示分类正确的正样本数量、 表示所有被 分为正样本的数量、 表示真实正样本的数量. 混淆矩阵为可直观的看出每种分类标签监测效 果的错误矩阵，其正确监测结果都在矩阵对角 线上. 3    高精度血糖监测模型 3.1    模型建立 在本文研究的 CNN‒LSTM 网络中，CNN 是 由大小卷积核相结合的一维卷积、正则化过程和 最大池化层组成，最大池化输出被馈送到后续的 LSTM 层. 由于模型的超参数直接影响算法的性 能，因此需要调节学习速率、隐层数、池化层步 长、卷积核大小等超参数进行不同的实验验证，以 提高血糖监测模型的泛化能力[29] 使其具有鲁棒 性. 研究所使用的模型超参数如表 3 所示. 3.2    实验验证 本文使用单 个 Intel(R)Core(TM)i7-7700 中 的 CPU 进行训练和测试数据. 经过对比不同的损失 B2 2 1 0 −1 A1 0 200 400 Time/ms Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 (a) 2 1 0 −1 A3 0 200 400 Time/ms Voltage/mV 600 (b) 2 1 0 −1 B1 A2 A5 A5 B1 A7 0 200 400 Time/ms Voltage/mV 600 (c) 图 4    不同志愿者在相同血糖水平下的一个 ECG 信号周期波形示例. （a）BG=5.9 mmol·L−1；（b）BG=8.1 mmol·L−1；（c）BG=10.5 mmol·L−1 Fig.4    ECG signal cycle waveforms at the same BG level for different subjects: (a) BG = 5.9 mmol·L−1; (b) BG = 8.1 mmol·L−1; (c) BG = 10.5 mmol·L−1 李    婷等： 基于 ECG 信号的高精度血糖监测 · 1219 ·