随着人们生活水平的提高,糖尿病患者的人数呈现出逐年递增的趋势。糖尿病是一种人体血糖失衡的疾病,会引发一系列的并发症,甚至会威胁到人们的生命。现阶段尚没有可完全根治糖尿病的方法,只能通过调控注射胰岛素的剂量和时间,对患者体内的血糖浓度进行实时控制。因此高精度的血糖预测是有效控制血糖浓度必不可少的部分,可以为患者和医生控制血糖提供可靠的数据依据。同时增加血糖预测的时间也是非常重要的环节,可为患者和医生提供更多的时间设计治疗方案和对策。为了进一步提高血糖预测精度、增加血糖预测时间,本文提出了一种基于变分模态分解和麻雀搜索算法优化极限学习机（VMD-SSA-ELM）的血糖浓度预测模型。首先,为了有效降低血糖浓度序列的非线性和非平稳性,本文利用变分模态分解（VMD）对采集到的原始血糖浓度序列进行多尺度分解,将原始血糖浓度序列分解为一系列不同频段的本征模态函数（IMF）分量。然后,采用麻雀搜索算法优化的极限学习机（ELM）模型对分解得到的每一个IMF分量分别进行预测。考虑到ELM模型随机产生输入层的权重和隐藏层的偏置,会造成预测结果的不稳定,影响血糖浓度的预测精度,本文通过麻雀搜索算法（SSA）对ELM的权重和偏置参数进行寻优,得到最优的参数组合,有效地提高ELM模型的预测精度。最后,对不同IMF分量的预测结果进行累加求和,得到最终的血糖浓度预测值。本文利用提出的VMD-SSA-ELM预测模型对六位不同的糖尿病患者分别进行提前30分钟、提前45分钟和提前60分钟的血糖浓度预测,将其与ELM模型、SSA-ELM模型和EMD-SSA-ELM模型进行对比,采用四种经典的性能评价指标和克拉克网格分析法评价模型的预测性能。实验结果表明,对于不同的血糖预测时间,VMD-SSA-ELM模型的预测性能均为最优。尤其在提前60分钟预测时,对于不同的患者均能实现较高的预测精度,所有的预测值基本都落在了Clarke网格误差图的A区域。为了增加对比模型的多样性,并将该模型与SVM模型、LSTM模型的预测结果对比,实验结果表明VMD-SSA-ELM模型的预测性能显著优于其他两种模型。最后通过时间复杂度的角度分析,发现该模型能以较小的时间成本获得最佳的预测性能。这可以全面地看出,本文提出的VMD-SSA-ELM模型在延长预测时间的同时,仍具有较高的预测准确性,为糖尿病患者的血糖浓度实时预测提供了一种新的思路和方法。