1218 工程科学学报，第43卷，第9期 3201510 图4显示了血糖值分别为5.9、8.1和10.5mmoL 时不同志愿者的ECG波形.由图4可知，对于不 0 同个体而言相同血糖水平下的ECG信号存在差异 -0 -1.0 性，因此在建模时由于个体数据量有限可能会影 2000 3000 4000 5000 Time/ms 响血糖监测效果 (b) 2 模型建立 入AU 1.0 8 CNN由输入层、卷积层、激活层、池化层、全 0.5 连接层及输出层组成，多用于实现基于大量数据 -1. 0 1000 200030004000 5000 或图片的分类23-21设第n层卷积核为p×g的矩阵 Time/ms k,若第n层为卷积层，其输出的ixj矩阵阿表 图3ECG信号滤波前后图像.(a)未滤波的ECG信号：(b)ⅡR滤波 示为 器去噪后的ECG信号 Fig.3 Images of ECG signals before and after filtering:(a)unfiltered #-l*g-1*k+b回 (1) ECG signal;(b)ECG signal followed by IIR filter p=1q=1 1.2.2数据分类 式中，b为偏置参数、s为卷积核移动的步幅、f为 考虑到实验所采集到的CGM数据波动较大， 激活函数、输入特征映射为X,其映射的前向传播 根据CGM数据作为神经网络的标签存在数据不 可表示为 均衡问题，因此从提高血糖监测模型精准性出发， =fu) (2) 本次研究在血糖数据分类时通过重复采样的方法 扩充数据集以提升模型泛化能力.以采集到的 为了实现神经网络重要特征的自动提取和准 12名志愿者的总数据量(694413个ECG周期信号 确分类，利用损失函数计算模型输出与真实输出 及CGM数据)作为数据集为例，其血糖分类标签 之间的差异以调整CNN隐藏层的连接权重和偏 及各标签的数据量如表2所示.其中，血糖(B1ood 移量b以提高神经网络的泛化能力.根据链式法 glucose,BG)大于14.9 mmol-L、标签为9的数据 则，损失函数对卷积核的偏导数的偏差项可计 最多，共有75616个ECG周期信号及CGM数据， 算为26-291： 通过重复采样使每个标签的数据量扩充为75616 个ECG周期信号，最终神经网络训练和测试所使 用的数据集为10个标签的数据总量共计756160 (3) 个ECG周期信号 fxg-l 表2群体建模血糖分类标签及数据量 Table 2 Blood glucose classification labels and data volumes upon group modeling ab(m Data Blood glucose classification/(mmol-L-) Labels Size Ration/% ≤5.6 0 70164 10.1 式中， L表示损失函数对卷积核k求偏导， >5.6and≤6.2 1 75424 10.9 ≥6.2and≤6.6 2 66765 9.6 fu)= X duin) >6.6and≤7.2 3 75247 10.8 LSTM中的内存块由一个或多个存储单元组 >7.2and≤7.8 4 66346 9.5 成的2叨对于任意长度为n+1的数据输入序列 >7.8and≤8.4 5 61272 8.9 X(,x2,…xn,)输入到LSTM体系中，最终输出序 >8.4and≤9.1 6 68823 9.9 列0(o1,02,…0m,1)经过连续写、读和复位估计三个 >9.1and≤10.4 7 68464 9.9 乘法单元：输入门(in)、输出门(ot)和遗忘门()对 >10.4and≤14.9 8 66292 9.5 记忆单元(cl)在LSTM体系结构的递归隐含层中 >14.9 9 75616 10.9 运算，其输出是以t=1到的迭代方式.在时间步1.2.2    数据分类 考虑到实验所采集到的 CGM 数据波动较大， 根据 CGM 数据作为神经网络的标签存在数据不 均衡问题，因此从提高血糖监测模型精准性出发， 本次研究在血糖数据分类时通过重复采样的方法 扩充数据集以提升模型泛化能力. 以采集到的 12 名志愿者的总数据量（694413 个 ECG 周期信号 及 CGM 数据）作为数据集为例，其血糖分类标签 及各标签的数据量如表 2 所示. 其中，血糖 (Blood glucose，BG) 大于 14.9 mmol·L−1、标签为 9 的数据 最多，共有 75616 个 ECG 周期信号及 CGM 数据， 通过重复采样使每个标签的数据量扩充为 75616 个 ECG 周期信号，最终神经网络训练和测试所使 用的数据集为 10 个标签的数据总量共计 756160 个 ECG 周期信号. 表 2 群体建模血糖分类标签及数据量 Table  2    Blood  glucose  classification  labels  and  data  volumes  upon group modeling Blood glucose classification/(mmol·L−1) Labels Data Size Ration/% ≤5.6 0 70164 10.1 >5.6 and ≤6.2 1 75424 10.9 >6.2 and ≤6.6 2 66765 9.6 >6.6 and ≤7.2 3 75247 10.8 >7.2 and ≤7.8 4 66346 9.5 >7.8 and ≤8.4 5 61272 8.9 >8.4 and ≤9.1 6 68823 9.9 >9.1 and ≤10.4 7 68464 9.9 >10.4 and ≤14.9 8 66292 9.5 >14.9 9 75616 10.9 图4 显示了血糖值分别为5.9、8.1 和10.5 mmol·L−1 时不同志愿者的 ECG 波形. 由图 4 可知，对于不 同个体而言相同血糖水平下的 ECG 信号存在差异 性，因此在建模时由于个体数据量有限可能会影 响血糖监测效果. 2    模型建立 p×q k (n) p,q n i× j u (n) i, j CNN 由输入层、卷积层、激活层、池化层、全 连接层及输出层组成，多用于实现基于大量数据 或图片的分类[23−25] . 设第 n 层卷积核为 的矩阵 ，若第 层为卷积层，其输出的 矩阵 可表 示为 u (n) i, j = ∑s p=1 ∑s q=1 χ (n−1) i+p−1, j+q−1 ∗ k (n) p,q +b (n) （1） b s f χ 式中， 为偏置参数、 为卷积核移动的步幅、 为 激活函数、输入特征映射为 ，其映射的前向传播 可表示为 χ (n) i, j = f(u (n) i, j ) （2） b L 为了实现神经网络重要特征的自动提取和准 确分类，利用损失函数计算模型输出与真实输出 之间的差异以调整 CNN 隐藏层的连接权重和偏 移量 以提高神经网络的泛化能力. 根据链式法 则，损失函数 [26] 对卷积核的偏导数的偏差项可计 算为[26−29] ： ∂L ∂k (n) p,q = ∑ i ∑ j   ∂L ∂χ (n) i, j · ∂χ (n) i, j ∂k (n) p,q   = ∑ i ∑ j   ∂L ∂χ (n) i, j · f ′ (u (n) i, j )·χ (n−1) i+p−1, j+q−1   （3） ∂L ∂b (n) = ∑ i ∑ j   ∂L ∂χ (n) i, j · ∂χ (n) i, j ∂b (n)   = ∑ i ∑ j   ∂L ∂χ (n) i, j · f(u (n) i, j )   （4） ∂L ∂k (n) p,q k (n) p,q f ′ (u (n) i, j ) = ∂χ (n) i, j ∂u (n) 式中 ， 表示损失函数对卷积核 求偏导 ， . n+1 X(x1, x2,··· xn,l) O(o1,o2,···on,l ′ ) t = 1 t LSTM 中的内存块由一个或多个存储单元组 成的[27] . 对于任意长度为 的数据输入序列 输入到 LSTM 体系中，最终输出序 列 经过连续写、读和复位估计三个 乘法单元：输入门 (in)、输出门 (ot) 和遗忘门 (fr) 对 记忆单元 (cl) 在 LSTM 体系结构的递归隐含层中 运算，其输出是以 到 的迭代方式. 在时间步 2.5 2.0 (a) Time/ms 0 1000 2000 3000 4000 5000 1.5 1.0 Voltage/mV 0.5 −0.5 −1.0 0 2.5 2.0 (b) Time/ms 0 1000 2000 3000 4000 5000 1.5 1.0 Voltage/mV 0.5 −0.5 −1.0 0 图 3    ECG 信号滤波前后图像. （a）未滤波的 ECG 信号；（b）IIR 滤波 器去噪后的 ECG 信号 Fig.3     Images  of  ECG  signals  before  and  after  filtering:  (a)  unfiltered ECG signal; (b) ECG signal followed by IIR filter · 1218 · 工程科学学报，第 43 卷，第 9 期