Los datos de monitoreo continuo de glucosa tienen una fuerte variabilidad temporal, así como una compleja no estacionariedad y no linealidad. Los modelos existentes de predicción de concentración de glucosa en sangre a menudo pasan por alto los impactos de los componentes residuales después de la descomposición a múltiples escalas en la precisión de la predicción. Para mejorar la precisión de la predicción, se propone un nuevo modelo de predicción de glucosa a corto plazo que integra la técnica de doble descomposición, el algoritmo no lineal de depredador marino (NMPA) y la máquina de aprendizaje profundo de aprendizaje extremo (DELM). Primero, los datos iniciales de glucosa en sangre se descomponen mediante la descomposición de modo variacional (VMD) para reducir su complejidad y no estacionariedad. Para aprovechar al máximo el componente residual descompuesto, se utiliza la descomposición de modo empírico de filtro variable en el tiempo (TVF-EMD) para descomponer el componente y realizar una descomposición completa. Luego, se utiliza el algoritmo NMPA para optimizar los parámetros de peso de la red DELM para evitar cualquier fluctuación en el rendimiento de la predicción, y todas las subsecuencias descompuestas se predicen por separado. Finalmente, los resultados de salida de cada modelo se superponen para adquirir el valor predicho de la concentración de azúcar en sangre. Utilizando datos reales de concentración de glucosa en sangre recopilados para análisis predictivo, los resultados de tres pacientes muestran lo siguiente: (i) La estrategia de doble descomposición reduce efectivamente la complejidad y volatilidad de la secuencia original y el componente residual. Aprovechar al máximo la información importante implícita en el componente residual tiene el mejor efecto de descomposición; (ii) El algoritmo NMPA optimiza los parámetros de la red DELM, lo que puede mejorar efectivamente las capacidades predictivas de la red y adquirir resultados predictivos más precisos; (iii) El modelo propuesto en este documento puede lograr una alta precisión de predicción de 45 min de anticipación, y los valores de error cuadrático medio son 5.2095, 4.241 y 6.3246, respectivamente. En comparación con los otros once modelos, tiene la mejor precisión de predicción.