43、血糖水平预测与可解释模糊分类器的创新研究

血糖水平预测与可解释模糊分类器的创新研究

一、p - LSTM在血糖水平预测中的应用

1.1 p - LSTM的优势

在血糖水平预测领域，p - LSTM展现出了卓越的性能。与现有的时间序列预测方法，如普通LSTM、移动平均法和ARIMA相比，p - LSTM的平均绝对百分比误差（MAPE）显著降低。具体数据如下表所示：
| 预测时间 | p - LSTM平均MAPE | 普通LSTM MAPE | 移动平均MAPE | ARIMA MAPE |
| ---- | ---- | ---- | ---- | ---- |
| 15分钟 | 6.0398% | 9 - 18% | ~12% | ~22% |
| 30分钟 | 9.1% | 15 - 21% | ~16% | ~28 - 30% |
| 45分钟 | 13.1482% | 14 - 26% | ~21% | ~33% |

从表中可以清晰地看出，p - LSTM在不同的预测时间范围内，其MAPE都远低于其他方法，大约是现有方法的2 - 2.5倍。例如，对于患者570，使用tanh激活函数在15分钟预测时MAPE为16.598%，而使用p - Elliott激活函数和因果特征后，MAPE降低到了3.718%，这一显著差异充分体现了p - LSTM的优势。

1.2 设计理念与创新点

p - LSTM的设计超越了标准的Vanilla - LSTM和传统的“tanh”激活函数。其创新之处在于引入了p - Elliott激活函数，并允许该函数的参数通过反向传播进行学习。这种设计基于坚实的理论基础，能够从数据中更好地学习，从而在现有基准