本發明涉及醫療，具體為一種妊娠期糖尿病追蹤隨訪調控裝置。

背景技術：

1、糖尿病是一種常見的代謝性疾病，會影響患者的身體和健康。隨著現代生活方式和飲食習慣的改變，妊娠期糖尿病的發生率逐年上升。在妊娠期間，糖尿病患者需要特別注意血糖水平，以避免對母體和胎兒造成不良影響，從而對妊娠期糖尿病的追蹤隨訪變得尤為重要。傳統的糖尿病管理方式主要包括醫生定期對患者進行身體檢查、血糖檢測和用藥指導等，但這種方法存在一些問題，如時間成本高，需要多次往返醫院，并且患者主觀能動性不足，難以長期堅持健康的生活方式；因此，不滿足現有的需求，對此我們提出了一種妊娠期糖尿病追蹤隨訪調控裝置。

技術實現思路

1、本發明的目的在于提供一種妊娠期糖尿病追蹤隨訪調控裝置，通過收集并預處理孕婦的大量歷史血糖數據，然后進行特征提取并構建血糖預測模型，從而能夠對隨訪所收集的孕婦血糖數據進行分析，以預測孕婦的血糖狀況，預測結果以圖表或圖形的形式進行展示，為醫生提供重要的病情評估、診斷和制定后續治療方案依據，解決了上述背景技術中提出的問題。

2、為實現上述目的，本發明提供如下技術方案：一種妊娠期糖尿病追蹤隨訪調控裝置，包括：

3、數據獲取模塊，用于：

4、制定隨訪計劃，并根據制定的隨訪計劃對孕婦血糖數據進行收集，同時，收集孕婦大量的歷史血糖數據，并對收集到的血糖數據與歷史血糖數據分別進行預處理；

5、特征提取模塊，用于：

6、對預處理后的歷史血糖數據進行特征提取，并將歷史血糖數據劃分為訓練集和測試集；

7、模型預測模塊，用于：

8、利用數據獲取模塊處理好的歷史血糖數據，采用深度學習構建血糖預測模型；

9、使用訓練集的數據訓練血糖預測模型，使用測試集的數據評估血糖預測模型的性能；

10、將訓練好的血糖預測模型部署到實際應用中，通過血糖預測模型對隨訪所收集的血糖數據進行分析，預測孕婦的血糖情況；

11、輔助決策模塊，用于：

12、將模型預測模塊的預測結果轉化為圖表或圖形的形式進行展示；

13、展示的預測結果供醫生進行病情評估、診斷和后續治療方案的制定。

14、進一步地，所述數據獲取模塊，包括：

15、收據收集模塊，用于：

16、制定隨訪計劃，包括隨訪的時間和頻率；

17、按照制定的隨訪計劃，通過可穿戴設備或傳感器實時監測孕婦的血糖信息，收集孕婦的血糖數據；

18、同時，收集孕婦大量的歷史血糖數據；

19、數據處理模塊，用于：

20、分別對收集到的血糖數據與歷史血糖數據進行預處理，包括數據清洗、格式轉換和數據縮減；

21、數據存儲模塊，用于：

22、將隨訪收集到的血糖數據上傳至云端數據庫進行存儲；

23、其中，模型預測模塊在訓練好血糖預測模型之后，從云端數據庫調取血糖數據進行預測。

24、進一步地，所述預處理，具體為：

25、數據清洗：識別并修正血糖數據與歷史血糖數據中的缺失值和異常值；

26、對于缺失值，采用刪除含有缺失值的數據，或者采用均值和中位數填補缺失值；

27、對于異常值，采用直接刪除含有異常值的數據；

28、格式轉換：將血糖數據與歷史血糖數據轉換為統一的格式；

29、數據縮減：刪除血糖數據與歷史血糖數據中重復、無效和冗余的數據。

30、進一步地，在數據縮減之后，判定血糖數據的樣本數量是否滿足模型訓練需求，包括：

31、提取數據縮減之前的血糖數據；

32、利用所述數據縮減之前的血糖數據獲取單位觀測周期時長；

33、其中，所述單位觀測周期時長通過如下公式獲取：

34、

35、其中，s表示單位觀測周期時長；tcp表示血糖數據采集的時間間隔平均值；s0表示預設的單位觀測周期時長基準值；n表示血糖數據所包含的孕婦人數；xbi表示第i個孕婦對應的血糖數值標準差；tbi表示第i個孕婦對應的血糖采集時間間隔標準差；

36、提取數據縮減之后的血糖數據，利用單位觀測周期時長判定血糖數據的樣本數量是否滿足模型訓練需求。

37、進一步地，提取數據縮減之后的血糖數據，利用單位觀測周期時長判定血糖數據的樣本數量是否滿足模型訓練需求，包括：

38、提取數據縮減之后的血糖數據；

39、利用所述數據縮減之后的血糖數據和數據縮減之前的血糖數據獲取單位觀測周期時長調節系數；

40、其中，所述單位觀測周期時長調節系數通過如下公式獲取：

41、

42、其中，j表示單位觀測周期時長調節系數；xbx表示數據縮減之前的整體血糖數據標準差；xbh表示數據縮減之后的整體血糖數據標準差；tbx表示數據縮減之前的整體血糖數據采集時間間隔標準差；tbh表示數據縮減之后的整體血糖數據采集時間間隔標準差；mh表示數據縮減之后的整體血糖數據的樣本數量；mx表示數據縮減之前的整體血糖數據的樣本數量；

43、利用所述單位觀測周期時長調節系數對所述單位觀測周期時長進行調節，獲取調整后的單位觀測周期時長；

44、其中，所述調整后的單位觀測周期時長通過如下公式獲取：

45、

46、其中，st表示調整后的單位觀測周期時長；j表示單位觀測周期時長調節系數；s表示單位觀測周期時長；

47、對于數據縮減之后的血糖數據提取每個調整后的單位觀測周期時長內的血糖數據的樣本數量，并且，獲取每個調整后的單位觀測周期時長對應的血糖數據的樣本數量平均值；

48、當所述每個調整后的單位觀測周期時長對應的血糖數據的樣本數量平均值低于預設的樣本數量閾值時，則判定血糖數據的樣本數量不滿足模型訓練需求，并進行樣本數量不足預警。

49、進一步地，所述云端數據庫，包括以下功能：

50、分類存儲功能：按照時間順序將隨訪收集到的血糖數據進行分類存儲；

51、將每次隨訪收集的血糖數據視為一個時間條目，包含名稱、日期和時間戳；

52、數據備份功能：預先設定備份策略，包括備份周期和頻率；

53、按照備份策略定期執行備份操作，實現對存儲的血糖數據進行備份保存。

54、進一步地，所述特征提取模塊，包括：

55、數據特征提取模塊，用于：

56、采用多種特征提取方法，對預處理后的歷史血糖數據進行特征提取，其中，特征提取方法包括均值特征提取、中位數特征提取、標準差特征提取和相關系數特征提取；

57、數據劃分模塊，用于：

58、確定劃分比例，訓練集和測試集的劃分比例為7:3或8:2；

59、按照劃分比例，從歷史血糖數據中提取相應比例的數據樣本作為訓練集和測試集；

60、訓練集用于訓練血糖預測模型，測試集用于評估血糖預測模型性能。

61、進一步地，所述數據特征提取模塊，具體為：

62、均值特征提取：計算歷史血糖數據每個時間點上血糖的平均值，作為血糖水平的總體代表；

63、中位數特征提取：計算歷史血糖數據每個時間點上血糖的中位數，反映血糖水平的變化趨勢；

64、標準差特征提取：計算歷史血糖數據每個時間點上血糖的標準差，反映血糖水平的離散程度；

65、相關系數特征提取：計算歷史血糖數據相鄰時間點上血糖的相關系數，反映血糖變化的同步性和連續性。

66、進一步地，所述模型預測模塊，包括：

67、模型構建模塊，用于：

68、基于數據獲取模塊處理好的歷史血糖數據，采用深度學習構建血糖預測模型；

69、其中，深度學習采用卷積神經網絡模型或循環神經網絡模型構建血糖預測模型；

70、模型訓練模塊，用于：

71、設置模型參數，包括模型的大小、學習率和正則化參數；

72、利用訓練集的數據訓練血糖預測模型，訓練過程中不斷更新模型參數；

73、模型優化模塊，用于：

74、利用測試集的數據評估血糖預測模型的性能，包括評估血糖預測模型的準確率、精確率和召回率；

75、若血糖預測模型性能不佳，對血糖預測模型進行優化，包括增加或刪除特征和調整參數；

76、模型部署模塊，用于：

77、將經過訓練和優化的血糖預測模型部署到實際應用中，通過血糖預測模型對隨訪所收集的血糖數據進行預測，根據預測結果了解孕婦的血糖情況，發現孕婦潛在的血糖風險。

78、進一步地，所述輔助決策模塊，包括：

79、結果展示模塊，用于：

80、從模型預測模塊中獲取預測結果，并將預測結果轉化為圖表或圖形的形式進行展示，其中，圖表包括柱狀圖、餅圖和折線圖，圖形包括柱狀圖、餅狀圖、熱力圖和散點圖；

81、用戶界面模塊，用于：

82、提供一個用戶界面，醫生通過用戶界面訪問和查看所展示的預測結果；

83、方案推薦模塊，用于：

84、醫生根據訪問和查看的預測結果進行病情評估、診斷和后續治療方案的制定，并將制定的治療方案以短信或郵件的方式推薦給孕婦。

85、與現有技術相比，本發明的有益效果是：

86、本發明對于妊娠期糖尿病的追蹤隨訪調控，通過收集大量的歷史血糖數據，并結合數據預處理、特征提取和模型構建等步驟，可以建立一個有效的糖尿病預測模型，將數據與深度學習技術相結合，可以更好地實現數據的分析和預測，從而提高疾病的早期發現和干預，而通過血糖預測模型對隨訪所收集的孕婦血糖數據進行分析，可幫助醫生及時、準確地判斷孕婦的血糖狀況，進而制定出更加合理的隨訪計劃和治療方案，從而可以降低孕婦和胎兒的風險，也可以節省醫療資源。