TY -的A2 Angelova玛雅AU -金,Dae-Yeon盟——崔Dong-Sik盟——康啊Reum盟——哇,Jiyoung盟——汉Yechan AU - Chun唱万盟——金正日Jaeyun PY - 2022 DA - 2022/10/05 TI -血糖预测智能合奏深度学习系统使用遗传算法SP - 7902418六世- 2022 AB -预测病人的血糖(BG)值可以帮助防止低血糖和高血糖事件。为此,本研究提出了一种智能合奏深度学习系统来预测BG值在15、30、60分钟预测视野(小灵通)基于历史BG值收集通过连续葡萄糖监测设备作为一个内生因素和碳水化合物摄入量和胰岛素管理信息(次)作为外生因素。尽管有许多深刻的学习算法,本研究应用五个算法,即递归神经网络(RNN),这是优化序列数据(例如,时间序列),和RNN-based算法(例如,长期短期记忆(LSTM)堆放LSTM,双向LSTM,复发和封闭的单元)。然后,遗传算法(GA)应用于五个预测模型来优化他们的重量通过整体技术和产量(输出)最后预测BG值。该模型的性能比较的自回归综合移动平均(ARIMA)模型作为基准。结果表明,该模型明显优于基线的均方根误差(RMSE)和连续葡萄糖网格误差分析。为有效29糖尿病患者多变量模型,RMSE为11.08 ( ± 3.19),19.25 ( ± 5.28),和31.30 ( ± 8.81 mg / DL 15、30和60分钟的PH值。当相同的数据被应用于单变量模型、RMSE为11.28 ( ± 3.34),19.99 ( ± 5.59),和33.13 ( ± 9.27 mg / DL 15、30和60分钟的PH值。单变量和多变量模型与基线相比显示出统计上的显著差异在5%的统计显著性水平。而不是使用一个模型用一个算法,应用GA与多个算法基于模型的每个输出被发现在改善模型性能发挥重要作用。SN - 1076 - 2787你——https://doi.org/10.1155/2022/7902418——10.1155 / 2022/7902418 JF - PB - Hindawi KW - ER -复杂性