·1220 工程科学学报，第43卷，第9期 表3CNN-LSTM模型参数设置 Table 3 Parameter setting of the CNN-LSTM model Layers Type Neurons Filters Kernel-size Strides Padding Pool-size 1 Convld (1,1,700) 2 BatchNormld (8,1,698) 3 ReLU (8,1,698) 4 MaxPoolld (8,1,698) 5 Convld (8,1,348) 16 6 BatchNormld (16,1,344) 一 7 ReLU (16,1,344) 8 MaxPoolld (16,1,344) 2 9 Convld (16,1,172) 32 0 一 10 BatchNormld (32,1,165) 1 ReLU (32,1,165) 12 MaxPool1d (32,1,165) 0 2 Convld (32,1,83) 128 0 尔 BatchNormld (128,1,82) 15 ReLU (128,1,82) 一 16 LSTM (128,1,82) 128 17 Fully-connected (1,128) 一 伊 Fully-connected (1,64) 19 Output 10 函数和学习率，最终选择Adam优化器及交叉熵函 3.2.2群体建模 数作为损失函数.为了达到更快的收敛速度，学习 使用12名志愿者共计756160个ECG周期信 率设置为0.001，模型迭代的次数为402为研究 号，并利用CNN-LSTM模型对数据进行训练和测 数据集对血糖监测模型分类性能的影响，研究分 试.计算得到的血糖水平10分类监测的精确率为 别选取两名健康志愿者和两名糖尿病患者志愿者 88.4%,血糖监测模型的混淆矩阵和性能评估如 进行个体建模、12名志愿者群体建模分别评估分 表5、表6所示 类性能 3.3结果分析及展望 3.2.1个体建模 本文提出了将血糖水平分为10类，利用卷积 分别以A1、A2、B1、B2作为数据集，经数据 神经网络和长短期记忆网络相结合的CNN- 分类后输入CNN-LSTM血糖监测模型中，对神经 LSTM对人体血糖水平进行高精度监测.首先提 网络进行训练和测试，其性能评估如表4所示.神 取ECG信号并使用IR滤波器滤除噪声，然后利 经网络对4名志愿者血糖监测的精确率分别为 用Acg及Matlab软件分离出完整的ECG周期信 79%、80%、81%和86% 号，将ECG周期信号及CGM数据集作为输入，利 用CNN-LSTM神经网络模型分别对个体模型和群 表4A1、A2、B1和B2分别进行个体建模性能评估 体模型进行训练和测试.研究表明，群体建模的血 Table 4 Individual modeling performance evaluations for Al,A2,B1 糖监测性能优于个体建模. and B2 相比基于回归算法或人工神经网络模型1刀， Volunteer Precision Recall F1-score 本文所提出的CNN-LSTM模型监测血糖可达 Al 0.79 0.79 0.79 10分类，精度更高.随着可穿戴技术的发展，实时 A2 0.80 0.80 0.80 的心电信号和血糖数据可便捷保存为数字信号， BI 0.81 0.79 0.79 存储在计算机中，为可穿戴的无创血糖系统研究 B2 0.86 0.86 0.86 提供了条件2-2]前人的研究大多基于人体生理函数和学习率，最终选择 Adam 优化器及交叉熵函 数作为损失函数. 为了达到更快的收敛速度，学习 率设置为 0.001，模型迭代的次数为 40[24] . 为研究 数据集对血糖监测模型分类性能的影响，研究分 别选取两名健康志愿者和两名糖尿病患者志愿者 进行个体建模、12 名志愿者群体建模分别评估分 类性能. 3.2.1    个体建模 分别以 A1、A2、B1、B2 作为数据集，经数据 分类后输入 CNN‒LSTM 血糖监测模型中，对神经 网络进行训练和测试，其性能评估如表 4 所示. 神 经网络对 4 名志愿者血糖监测的精确率分别为 79%、80%、81% 和 86%. 表 4  A1、A2、B1 和 B2 分别进行个体建模性能评估 Table 4   Individual modeling performance evaluations for A1, A2, B1, and B2 Volunteer Precision Recall F1-score A1 0.79 0.79 0.79 A2 0.80 0.80 0.80 B1 0.81 0.79 0.79 B2 0.86 0.86 0.86 3.2.2    群体建模 使用 12 名志愿者共计 756160 个 ECG 周期信 号，并利用 CNN‒LSTM 模型对数据进行训练和测 试. 计算得到的血糖水平 10 分类监测的精确率为 88.4%，血糖监测模型的混淆矩阵和性能评估如 表 5、表 6 所示. 3.3    结果分析及展望 本文提出了将血糖水平分为 10 类，利用卷积 神经网络和长短期记忆网络相结合 的 CNN ‒ LSTM 对人体血糖水平进行高精度监测. 首先提 取 ECG 信号并使用 IIR 滤波器滤除噪声，然后利 用 Acq 及 Matlab 软件分离出完整的 ECG 周期信 号，将 ECG 周期信号及 CGM 数据集作为输入，利 用 CNN-LSTM 神经网络模型分别对个体模型和群 体模型进行训练和测试. 研究表明，群体建模的血 糖监测性能优于个体建模. 相比基于回归算法或人工神经网络模型[15−17] ， 本文所提出 的 CNN ‒LSTM 模型监测血糖可 达 10 分类，精度更高. 随着可穿戴技术的发展，实时 的心电信号和血糖数据可便捷保存为数字信号， 存储在计算机中，为可穿戴的无创血糖系统研究 提供了条件[22−25] . 前人的研究大多基于人体生理 表 3  CNN‒LSTM 模型参数设置 Table 3 Parameter setting of the CNN‒LSTM model Layers Type Neurons Filters Kernel-size Strides Padding Pool-size 1 Conv1d (1,1,700) 8 3 1 0 — 2 BatchNorm1d (8,1, 698) — — — — — 3 ReLU (8,1, 698) — — — — — 4 MaxPool1d (8,1, 698) — — — 0 2 5 Conv1d (8,1, 348) 16 5 1 0 — 6 BatchNorm1d (16,1, 344) — — — — — 7 ReLU (16,1, 344) — — — — — 8 MaxPool1d (16,1, 344) — — — 0 2 9 Conv1d (16,1, 172) 32 8 1 0 — 10 BatchNorm1d (32,1, 165) — — — — — 11 ReLU (32,1, 165) — — — — — 12 MaxPool1d (32,1,165) — — — 0 2 13 Conv1d (32,1, 83) 128 2 1 0 ‒ 14 BatchNorm1d (128,1, 82) — — — — — 15 ReLU (128,1, 82) — — — — — 16 LSTM (128,1, 82) 128 — — — — 17 Fully-connected (1,128) — — — — — 18 Fully-connected (1, 64) — — — — — 19 Output 10 — — — — — · 1220 · 工程科学学报，第 43 卷，第 9 期