基于经验小波变换和LSTM的二阶段血糖浓度预测的任务书.docx

基于经验小波变换和LSTM的二阶段血糖浓度预测的任务书
任务书
一、任务背景
血糖监测对于糖尿病患者来说显得尤为重要，准确的血糖预测可以帮助患者更好地控制血糖，避免糖尿病低血糖或高血糖的发生。近年来，随着深度学习技术的发展，越来越多的研究将其应用于血糖预测中，得到了较好的效果。
本次任务旨在基于经验小波变换和LSTM的二阶段血糖浓度预测，提高血糖预测的准确性和稳定性，为糖尿病患者提供更为精准的血糖预测服务。
二、任务要求
1.数据集：使用血糖数据集进行训练和测试。
2.经验小波变换：对原始数据进行预处理，使用经验小波变换将数据分解为多个子频带。
3.LSTM模型：使用LSTM模型对每个子频带进行预测。
4.二阶段预测：将多个子频带的预测结果综合起来，进行二阶段血糖浓度预测。
5.模型评估：使用均方根误差（RMSE）和平均绝对误差（MAE）对模型进行评估。
6.结果分析：对模型的预测结果进行分析，提出针对改进和优化的建议。
三、参考文献
1.Choudhury,A.,&McKenna,S.J.(2017).Bloodglucosepredictionusingfeedforwardneuralnetworkbasedondataassimilation.Journalofdiabetesscienceandtechnology,11(2),256-263.
2.Kavakiotis,I.,Tsave,O.,Salifoglou,A.,Maglaveras,N.,&Vlahavas,I.(2018).Machinelearninganddataminingmethodsindiabetesresearch.Computationalandstructuralbiotechnologyjournal,16,97-118.
3.Wang,Y.,Shang,H.,Wang,L.,Li,K.,Wang,Q.,&Jia,H.(2019).Bloodglucosepredictionbasedonacombinationofconvolutionalneuralnetworkandlongshort-termmemory.IEEEjournalofbiomedicalandhealthinformatics,24(10),2791-2801.
4.Zhang,Y.,Liu,Y.,Wang,Y.,&Chen,S.(2019).Two-stagebloodglucosepredictionusingwaveletdecompositionandconvolutionalneuralnetwork.IEEEAccess,7,10268-10276.
四、参考工具
1.Python编程语言
2.PyWavelets库实现经验小波变换
3.Keras实现LSTM模型
4.Scikit-Learn库实现模型评估
五、成果要求
1.完成二阶段血糖浓度预测模型的开发，达到预期的预测效果。
2.撰写能够完整描述模型的设计和实现过程的实验报告，包含模型的整体架构、数据处理方法、神经网络模型的设计和训练过程及结果分析等内容。
3.提供完整可运行的源代码。
六、任务提示
1.增加数据预处理环节的时候，注意不要破坏数据的时序关系。
2.在LSTM模型中，可以通过添加Dropout层来避免过拟合现象。
3.结果分析阶段，可以通过可视化的方式更为直观地观察模型的性能情况。
7、任务周程安排
任务周期为4周，具体安排如下：
第1周：熟悉任务背景和要求，查找相关文献并进行阅读。
第2周：实现经验小波变换和LSTM模型，并进行训练优化。
第3周：进行模型评估和结果分析，并提供可视化展示。
第4周：撰写实验报告，整理源代码并提交任务。