我正在编写一个应用程序，让糖尿病用户输入他/她的“血糖”读数，然后在图表上从左到右绘制它们。由于血液读数每天只进行几次，因此算法将很方便：
a) 填补读数之间的图表上的空白（曲线比生涩的线条更真实）并允许更准确的“血糖水平”每日平均值
b) 粗略预测未来会发生什么（如果用户不吃任何会影响他的血液水平的东西）
我很讨厌微积分。我希望这里有人知道这些东西的图书馆？我希望有人知道已经针对此特定问题量身定制的算法（例如：有人将其与糖尿病患者的真实数据进行了比较）
免责声明：我非常清楚任何此类算法都会因用户而异。我只是想改进直角线。无论糖尿病患者如何，血糖上升和下降的速度都是有限度的。
我正在使用 Javascript，但由于它只是数学，我可以从 C、Java 或其他任何东西移植它。
血糖行为非常复杂。它受
非常难的问题。您选择的任何启发式方法——任何启发式方法都将具有高度误导性。这么简短的回答：
不要这样做。
这部分来自于将糖尿病患者的 24 小时连续血糖记录与同时进行的约 10 次手指刺痛进行了比较。即我的建议是数据驱动的。
编辑：显然我没有说清楚。
你甚至无法靠近。
用手指刺破的数据做的任何事情都不可能是远程可靠的。
用任何线（甚至是直线段）连接点是完全错误的。它不反映现实。一点儿都没有。
我是一名实验粒子物理学家。复杂的数据集是我所做的。我的生活中有一个糖尿病患者（你猜到了吗？）。这对我很重要。
但我已经看到了高频数据日志，与手指刺痛、运动、食物和胰岛素的日子日志并排显示。
如果你能得到每十五分钟的数据，我会说继续使用样条曲线。这不会是危险的误导。但是，如果您一天中有 6 到 10 次测量结果，您将一无所知。
好消息：持续监测的价格正在下降。它已经走出实验室，即使现在也可以使用一些泵。
对于那些不熟悉这一点的人：顺从的糖尿病患者（非常不科学的民意调查的结果）理所当然地每天进行 4-6 次以上的葡萄糖测试，并且在任何意外旅行后的 1-2 小时内再进行几次（他们会出现身体症状，使他们能够发现严重的偏移）。
这可以让患者大致了解他们在控制血糖水平方面的表现，但他们也会去实验室每季度（左右）抽取一次血红蛋白 A1C。A1C 结果主要取决于他们的平均血糖。
我已经和那些连续几个月每天四次打卡在 80-110（非常有利的数字）的人交谈，并得到 A1C 表明平均高于 150（根本不理想）。据推测，他们在夜间走高。我从那些我们可能会睡得很低——非常低——的人那里听到过类似的故事。
教训是：
手指点刺读数有其作用，但不要试图将它们外推到采样不充分的时间。
If you want to do just a straight fit of the data to make things easier to view then something like what Charlie Martin recommended would likely work well. However, as noted by dmckee this data really wouldn't mean anything.
What you are trying to do is actually more in line with pharmacokenetics which is an entire scientific study in and of itself. In this case I'm not even sure it would entirely apply except in the case of Type I Diabetes as most of what I know about pharamcokenetics only applies drug studies, but if something is being produced by the body then you are likely looking at entirely different types of analysis. If you are interested in the subject then there are quite a few book previews on Google Books if you do a search for "pharmacokienetics" but due to the nature of the subject they are very math heavy and assume that you have an understanding of chemistry and biology as well.
好的，您将要寻找一些拟合曲线。与此有关的是，对于 n 个点，有符合要求的多项式...我认为是 n-1。有一阵子了。 是的。天哪，我是对的。 当您有很多点并且不想要复杂的函数（您不需要）时，常见的事情是使用最小二乘近似。
可能最好的办法是寻找可以使用的罐装程序；这些存在于大多数统计数据包中。给我们更多关于您想要的环境的详细信息，我们可能会更接近地为您指出合适的环境。
This is most likely not going to work but Artificial Neural Networks may, and i repeat may be able to get something out of a good data set. By good, i mean like weeks or months of continuous recording, and even then i wouldn't trust the data set unless i had very good reason to. I also don't think you'll get predictive data out of it, but it may depend on how you implement it. Overall if you were to do this it would seem to be more of a hobby thing to see if it even even come close, like "oh neat i got a neural network to within X amount of accuracy". Again, i must stress, don't use this in any sort of production situations or anywhere where it could possibly hurt or kill someone!