[논문 리뷰] Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network

Qingnan Sun, Marko V. Jankovic외 2명|arXiv (Cornell University)|2018. 09. 11.

Diabetes Management and Research참고 문헌 12인용 수 37

한 줄 요약

이 연구는 당뇨병 환자의 향후 혈액 포도당 수치를 예측하기 위해 LSTM 및 양방향 LSTM 레이어를 조합한 하이브리드 딥 러닝 모델을 제안한다. 20명의 실제 환자 데이터셋으로 훈련된 모델은 모든 평가 지표에서 베이스라인 방법을 능가하며, 단기 및 장기 포착 예측의 정확도가 향상되어 저혈당 및 고혈당 사건을 예방하는 데 기여할 수 있다.

ABSTRACT

A deep learning network was used to predict future blood glucose levels, as this can permit diabetes patients to take action before imminent hyperglycaemia and hypoglycaemia. A sequential model with one long-short-term memory (LSTM) layer, one bidirectional LSTM layer and several fully connected layers was used to predict blood glucose levels for different prediction horizons. The method was trained and tested on 26 datasets from 20 real patients. The proposed network outperforms the baseline methods in terms of all evaluation criteria.

연구 동기 및 목표

• 당형 1형 당뇨병 환자의 향후 혈액 포도당 수치를 정확하게 예측할 수 있는 딥 러닝 모델을 개발하는 것.
• 저혈당 및 고혈당 사건이 발생하기 전에 이를 개선하기 위해 기존의 베이스라인 모델을 향상시키는 것.
• 실제 연속 혈액 포도당 모니터링(CGM) 데이터에 대해 단방향 및 양방향 LSTM 레이어를 조합한 하이브리드 아키텍처의 성능을 평가하는 것.
• 다양한 환자별 포도당 역학을 고려한 다중 환자 데이터셋을 통한 모델 일반화 능력을 평가하는 것.

제안 방법

• 일반적인 순차적 딥 네트워크 아키텍처를 설계하여, 하나의 LSTM 레이어, 하나의 양방향 LSTM 레이어, 그리고 다수의 완전 연결 레이어를 포함한다.
• 모델은 향후 포도당 수준을 여러 예측 수준(예: 15, 30, 60분 후)에서 예측하기 위해 순차적 포도당 시계열 데이터를 처리한다.
• 양방향 LSTM은 각 시간 단계에 대해 과거와 미래의 맥락을 모두 캡처하여 시간적 특징 학습을 향상시킨다.
• 네트워크는 연속 혈액 포도당(CGM) 데이터를 포함한 26개의 데이터셋에서 20명의 실제 환자에게서 수집된 데이터로 엔드 투 엔드로 훈련된다.
• 모델 최적화는 회귀 작업에 적합한 손실 함수를 사용한 표준 딥 러닝 훈련 절차를 적용한다.
• 성능 평가는 다양한 예측 수준에서 RMSE, MAE, R²와 같은 표준 회귀 지표를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 표준 모델과 비교해 볼 때, 하이브리드 LSTM 및 양방향 LSTM 아키텍처가 혈액 포도당 예측 정확도를 향상시킬 수 있는가?
• RQ2 실제 CGM 데이터에서 다양한 환자별 포도당 패턴에 대해 모델의 일반화 능력은 얼마나 우수한가?
• RQ3 양방향 맥락의 포함이 단기 및 장기 포도당 예측 성능 향상에 기여하는가?
• RQ4 저혈당 및 고혈당과 같은 심각한 사건 예측에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 모델은 RMSE, MAE, 결정 계수(R²)를 포함한 모든 평가 기준에서 베이스라인 방법을 능가했다.
• 단기(15~30분) 및 장기(60분) 포도당 예측 모두에서 예측 오차가 낮아졌다.
• 양방향 LSTM 구성 요소는 시간적 맥락 모델링을 향상시켜 예측 안정성을 높이는 데 기여했다.
• 다양한 환자 데이터셋에서 뛰어난 성능을 보이며 강력한 일반화 능력을 입증했다.