顾 爽， 陈真诚， 张振强， 韩慧茹

(桂林电子科技大学电子工程与自动化学院， 桂林 541004)

根据国际糖尿病联盟(The International Diabetes Federation,IDF)官网2019年发布的最新糖尿病分布地图显示，2019年全球患者大约4.63×108，多数为20～79岁成年患者[1]。在中国，相关患者人数已经高达1.164×108人，在糖尿病相关医疗支出中已经达到了1 090×108美元，给社会带来了庞大的经济负担。考虑到人体生理生化参数之间的联系，能够预测建立回归模型，但由于回归因子较多，容易使得系数矩阵产生“病态问题”。因此，中外学者采用了Bergman模型进行胰岛素-血糖动态研究。近年来，许多非线性的人工智能算法，如反向传播(back propagation，BP)神经网络，也开始应用于胰岛素的评价预测，但传统神经网络算法结构复杂，需要花费大量时间通过反向调整阈值和权重，同时也容易陷入局部最优解陷阱。

极限学习机(extreme learning machine，ELM)是一种单隐含层的前馈神经网络算法[2]，能够随机生成隐含参数，不需要多次迭代，在训练和分类方面存在优势。将ELM算法模型引入胰岛素-血糖相关数据的学习训练，建立评价预测模型，将实验得到的结果与搭建的BP神经网络进行对比，用以验证ELM模型的准确性，用于糖尿病的辅助诊断研究。

1 基于ELM算法的评价模型

1.1 极限学习机

ELM是一种非线性的快速学习算法，通过设置隐含神经元个数，计算输出矩阵的广义逆，能够产生唯一的最优解。而传统的神经网络学习过程中需要人为设置大量参数，且在梯度下降过程中容易陷入局部最优解[3]。对于给定样本集有