[논문 리뷰] Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction

Fazle Rabby, Yazhou Tu외 4명|arXiv (Cornell University)|2021. 01. 18.

Diabetes Management and Research참고 문헌 40인용 수 4

한 줄 요약

이 논문은 당뇨병 환자의 혈액 포도당(BG) 예측 정확도를 향상시키기 위해 칼만 스무딩을 통합한 스택드 장기 단기 기억(LSTM) 순환 신경망을 제안한다. 연속적 포도당 모니터링(CGM) 데이터를 칼만 스무딩으로 센서 고장을 보정함으로써, 오하이오T1DM 데이터셋에서 30분 예측 수평선에 대해 평균 RMSE 6.45 mg/dL의 성능을 달성하였으며, 이는 현재까지의 최고 성능이다.

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.

연구 동기 및 목표

• 센서 고장으로 인한 연속적 포도당 모니터링(CGM) 데이터의 정확도 저하 문제를 해결함으로써, 제1형 당뇨병 환자에서 혈액 포도당(BG) 예측의 신뢰성을 향상시키는 것.
• 식사 탄수화물, 인슐린 볼루스, 스트립 수, 그리고 보정된 CGM 데이터와 같은 생리학적 입력을 활용하여 향상된 예측 성능를 달성하는 딥 러닝 모델을 개발하는 것.
• 예측된 CGM 값과 임상 검증에서의 기준값인 실제 손가락 찌르기 BG 측정값 간의 격차를 줄이는 것.
• 원시 CGM 데이터에 대한 칼만 스무딩이 심층 순환 신경망 모델의 정확성과 내성에 얼마나 기여하는지 입증하는 것.

제안 방법

• 시간에 따른 BG 데이터의 순차적 의존성을 모델링하기 위해 스택드 장기 단기 기억(LSTM) 순환 신경망을 사용한다.
• 모델에 입력하기 전에 원시 CGM 독서에 칼만 스무딩을 적용하여 센서로 인한 노이즈와 급격한 변동을 보정한다.
• 식사 탄수화물, 인슐린 볼루스, 고정 간격 동안의 누적 스트립 수와 같은 생리학적 특징을 입력 특징으로 통합하여 모델의 맥락을 풍부화시킨다.
• 예측된 CGM 값과 기준 손가락 찌르기 BG 측정값 간의 차이를 최소화하기 위해 모델을 훈련시키며, 주요 평가 지표로 RMSE를 사용한다.
• 개별 환자의 CGM 시계열 데이터에 대해 칼만 스무딩을 독립적으로 적용하여 개인의 생리학적 동역학을 유지한다.
• 최종 예측은 사전 처리된 보정된 CGM 데이터와 추가적인 생리학적 입력을 사용한 스택드 LSTM 모델에 의해 생성된다.

실험 결과

연구 질문

• RQ1 원시 CGM 데이터에 대한 칼만 스무딩이 심층 학습 기반 혈액 포도당 예측 모델의 정확도를 향상시키는가?
• RQ2 식사, 인슐린, 활동 등의 다수의 생리학적 입력을 스택드 LSTM 프레임워크에 통합할 경우 예측 성능에 어떤 영향을 미치는가?
• RQ3 칼만 스무딩을 통한 CGM 데이터 사전 처리가 BG 예측의 예측 불확실성과 시간 지연을 줄이는가?
• RQ4 제안된 모델은 오하이오T1DM 데이터셋에서 30분 및 60분 예측 수평선에 대해 기존 최고 성능 모델들과 비교해 어떤 성능을 보이는가?

주요 결과

• 제안된 모델은 오하이오T1DM 데이터셋에서 30분 예측 수평선에 대해 평균 RMSE 6.45 mg/dL를 달성하여, 문헌에 보고된 모든 이전 방법들을 능가하였다.
• 60분 예측 수평선에 대해 모델은 평균 RMSE 17.24 mg/dL를 기록하였으며, 이는 이전 최고 성능인 19.04 mg/dL보다 유의미하게 낮았다.
• 칼만 스무딩은 특히 변동성이 큰 환자들(예: #575 및 #591)에서 예측 곡선의 표준편차(SD)가 좁아짐으로써 예측 불확실성을 감소시켰다.
• 칼만 스무딩된 데이터로 훈련된 모델은 시간 지연이 감소하고 실제 BG 추세와 더 잘 일치하였으며, 특히 포도당 곡선의 정점과 전환점 주변에서 뚜렷하게 향상되었다.
• 칼만 스무딩 없이도 모델은 여섯 명의 환자 중 네 명에 대해 최고 또는 최고 두 번째 성능을 기록하였으며, 이는 강력한 내재된 예측 능력을 시사한다.
• 본 연구는 칼만 스무딩을 통한 센서 고장 보정이 심층 학습 기반 BG 예측에서 최고 성능을 달성하는 데 핵심적인 요소임을 입증한다.