[論文レビュー] Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction

Fazle Rabby, Yazhou Tu+4 more|arXiv (Cornell University)|Jan 18, 2021

Diabetes Management and Research参考文献 40被引用数 4

ひとこと要約

本稿では、タイプ1糖尿病患者における血糖値（BG）予測の正確性を向上させるために、カルマンスムージングを組み込んだスタックドLSTM（長短期記憶）再帰ニューラルネットワークを提案する。連続的血糖モニタリング（CGM）データをカルマンスムージングでセンサーエラーを補正した後処理により、オハイオT1DMデータセットにおいて30分予測の平均RMSEが6.45 mg/dLにまで低下し、これまでに報告された中で最先端の性能を達成した。

ABSTRACT

Blood glucose (BG) management is crucial for type-1 diabetes patients resulting in the necessity of reliable artificial pancreas or insulin infusion systems. In recent years, deep learning techniques have been utilized for a more accurate BG level prediction system. However, continuous glucose monitoring (CGM) readings are susceptible to sensor errors. As a result, inaccurate CGM readings would affect BG prediction and make it unreliable, even if the most optimal machine learning model is used. In this work, we propose a novel approach to predicting blood glucose level with a stacked Long short-term memory (LSTM) based deep recurrent neural network (RNN) model considering sensor fault. We use the Kalman smoothing technique for the correction of the inaccurate CGM readings due to sensor error. For the OhioT1DM dataset, containing eight weeks' data from six different patients, we achieve an average RMSE of 6.45 and 17.24 mg/dl for 30 minutes and 60 minutes of prediction horizon (PH), respectively. To the best of our knowledge, this is the leading average prediction accuracy for the ohioT1DM dataset. Different physiological information, e.g., Kalman smoothed CGM data, carbohydrates from the meal, bolus insulin, and cumulative step counts in a fixed time interval, are crafted to represent meaningful features used as input to the model. The goal of our approach is to lower the difference between the predicted CGM values and the fingerstick blood glucose readings - the ground truth. Our results indicate that the proposed approach is feasible for more reliable BG forecasting that might improve the performance of the artificial pancreas and insulin infusion system for T1D diabetes management.

研究の動機と目的

• センサーエラーによる連続的血糖モニタリング（CGM）データの不正確さに対処することで、タイプ1糖尿病患者における血糖値（BG）予測の信頼性を向上させること。
• 食事の炭水化物量、インスリンボリュス、歩数などの生理的入力を活用し、予測性能を向上させる深層学習モデルを開発すること。
• 予測CGM値と臨床的検証における基準となる指一本測定BG値との乖離を低減すること。
• 生のCGMデータに対するカルマンスムージングが、BG予測における深層再帰ニューラルネットワークモデルの頑健性と正確性を顕著に向上させることを示すこと。

提案手法

• 時間的依存性を捉えるために、時系列BGデータにスタックド長短期記憶（LSTM）再帰ニューラルネットワークを適用する。
• 生のCGM読み取り値に対してカルマンスムージングを適用し、センサー由来のノイズや急激な変動を補正した後、モデルに入力する。
• 食事の炭水化物量、インスリンボリュス、固定時間窓内の累積歩数といった生理的特徴を入力特徴として組み込み、モデルの文脈を豊かにする。
• 予測CGM値と基準となる指一本測定BG測定値との差を最小化するようにモデルを学習し、主評価指標としてRMSEを用いる。
• 個々の患者のCGM時系列に対してカルマンスムージングを独立して適用することで、個々の生理的ダイナミクスを保持する。
• 最終的な予測は、事前処理済みの平滑化CGMデータおよび追加の生理的入力を用いたスタックドLSTMモデルによって生成される。

実験結果

リサーチクエスチョン

• RQ1 生のCGMデータに対するカルマンスムージングは、深層学習ベースの血糖値予測モデルの正確性を向上させることができるか？
• RQ2 食事、インスリン、活動といった複数の生理的入力をスタックドLSTMフレームワークに統合すると、予測性能にどのような影響を与えるか？
• RQ3 カルマンスムージングによるCGMデータの事前処理は、BG予測の不確実性と時間遅れを低減するか？
• RQ4 本研究で提案するモデルの性能は、オハイオT1DMデータセットにおける30分および60分予測時間窓において、最先端手法と比較してどうなるか？

主な発見

• 提案モデルは、オハイオT1DMデータセットにおいて30分予測時間窓で平均RMSEが6.45 mg/dLに達し、文献に報告されたすべての先行手法を上回った。
• 60分予測時間窓では、平均RMSEが17.24 mg/dLにまで低下し、過去最高の結果（19.04 mg/dL）を著しく下回った。
• カルマンスムージングにより予測の不確実性が低減され、特に変動が激しい患者（例：#575および#591）において、予測曲線の標準偏差（SD）が狭くなった。
• カルマンスムージング済みデータで学習したモデルは、時間遅れが低減され、特にグルコース推移のピークや転換点周辺で実際のBGトレンドと良好に一致した。
• カルマンスムージングを適用しなくても、6名の患者のうち4名では、最良または第2位の性能を達成しており、強力な本質的予測能力を示した。
• 本研究では、カルマンスムージングによるセンサー障害補正が、深層学習ベースのBG予測で最先端の正確性を達成するための重要な要因であることを示した。