现有的血糖检测方法多具创伤性，带来诸多不便和潜在风险。若能通过可穿戴设备获取生理数据及用户自输入的饮食数据，实时预测用户是否为高血糖，将能显著简化血糖检测过程。为了提高预测的精确度，本文提出了一种基于深度学习的时间序列分类模型—FA-CGRNET。首先，对生理数据进行降噪、重采样等预处理，提取其统计特征。随后，设计残差卷积网络，通过卷积和残差连接实现特征的提取和融合，同时利用特征增强模块计算特征权重，对特征进行筛选。最后，采用LSTM模型提取时间序列的长期依赖特征，以充分捕捉时序特征。在杜克大学BIG IDEAs实验室发布的公开数据集上进行测试，实验结果表明，在无创血糖检测领域，本文提出的特征提取方法和网络模型，与现有的时间序列分类模型相比，能更好的区分正负例，加权F1分数提高了6.1%以上，AUC提高了2.5%以上。
