[논문 리뷰] Using Contextual Information to Improve Blood Glucose Prediction

Mohammad Akbari, Rumi Chunara|arXiv (Cornell University)|2019. 08. 24.

Diabetes Management and Research참고 문헌 34인용 수 4

한 줄 요약

이 논문은 혈액 포도당 모니터링(CGM) 데이터와 함께 소셜 미디어 텍스트 및 자가 보고 설문지와 같은 노이즈가 많고 희박하며 다중 모odal인 개인이 생성한 건강 데이터(PGHD)를 통합하는 다중 신호 가우시안 프로세스 모델을 제안한다. 이는 혈액 포도당 예측 성능을 향상시킨다. 이 방법은 시간적 의존성을 효과적으로 모델링하고 이질적인 맥락 신호를 융합함으로써 표준 기준 모델을 능가하며, 두 개의 다른 데이터셋에서 모두 예측 정확도 향상이 뚜렷하게 나타난다.

ABSTRACT

Blood glucose value prediction is an important task in diabetes management. While it is reported that glucose concentration is sensitive to social context such as mood, physical activity, stress, diet, alongside the influence of diabetes pathologies, we need more research on data and methodologies to incorporate and evaluate signals about such temporal context into prediction models. Person-generated data sources, such as actively contributed surveys as well as passively mined data from social media offer opportunity to capture such context, however the self-reported nature and sparsity of such data mean that such data are noisier and less specific than physiological measures such as blood glucose values themselves. Therefore, here we propose a Gaussian Process model to both address these data challenges and combine blood glucose and latent feature representations of contextual data for a novel multi-signal blood glucose prediction task. We find this approach outperforms common methods for multi-variate data, as well as using the blood glucose values in isolation. Given a robust evaluation across two blood glucose datasets with different forms of contextual information, we conclude that multi-signal Gaussian Processes can improve blood glucose prediction by using contextual information and may provide a significant shift in blood glucose prediction research and practice.

연구 동기 및 목표

• 혈액 포도당 예측에 다양한 실생활 맥락적 요인(기분, 신체 활동, 식사 등)을 통합하는 모델의 부족을 해결하기 위해.
• 개인의 건강 데이터(PGHD)에서 흔히 발생하는 노이즈, 희박성, 비정규적 샘플링을 처리할 수 있는 강건한 프레임워크를 개발하기 위해.
• 다양한 맥락 신호(예: 소셜 미디어 텍스트, 자가 보고 설문지)를 생리적 포도당 데이터와 융합하면 예측 성능이 향상되는지 평가하기 위해.
• 비정형 텍스트(예: 트윗)에서 유도된 잠재 표현을 사용하여 포도당 예측에 의미 있는 맥락 특징을 추론할 수 있는지 탐색하기 위해.
• 다중 신호 가우시안 프로세스가 단변량 또는 표준 다변량 모델보다 포도당 예측에서 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 혈액 포도당 수치와 맥락 데이터의 잠재 표현을 동시에 모델링할 수 있는 다중 신호 가우시안 프로세스(GP) 프레임워크를 제안하여 불확실성 인식 및 순차적 예측을 가능하게 한다.
• 소셜 미디어에서 맥락 특징을 추출하기 위해 세 가지 표현 방식을 사용한다: 유니그램(빈도 기반), 워드 임베딩(W2V-E), 브라운 클러스터링으로 희박성을 줄이고 의미를 포착한다.
• 사용자 중심 특징(예: 트윗 빈도, 재트윗 비율)과 콘텐츠 중심 특징(예: 정서, 주제 분포)을 사용자 타임라인에서 유도하여 행동적 및 정서적 맥락을 표현한다.
• 복합 커널을 사용하여 포도당 수치와 맥락 신호 간의 시간적 상관관계와 비선형 관계를 포착하며, 주기성 및 최근성 효과까지 고려한다.
• 자신의 보고 설문지와 트위터 기반 소셜 미디어 데이터를 포함한 두 개의 CGM 데이터셋에서 종합적으로 학습한다.
• 다중 시각, 다중 모odal 융합 전략을 적용하여 텍스트, 행동 지표 등 다양한 데이터 유형을 불확실성과 누락 데이터를 고려한 통합 확률 프레임워크에 통합한다.

실험 결과

연구 질문

• RQ1 희박하고 노이즈가 많으며 다중 모달인 개인이 생성한 건강 데이터(PGHD)를 통합하면 단기 혈액 포도당 예측 정확도가 향상되는가?
• RQ2 맥락 정보가 포함된 경우, 다중 신호 가우시안 프로세스 모델은 표준 다변량 시계열 모델보다 포도당 수치 예측에서 어떻게 비교되는가?
• RQ3 소셜 미디어 텍스트의 다양한 표현 방식(유니그램, 워드 임베딩, 브라운 클러스터링)이 포도당 예측에 얼마나 기여하는가?
• RQ4 자신의 보고 및 소셜 미디어 데이터에서 유도된 잠재 특징이 기분, 스트레스와 같은 생리적 관련 맥락 요소를 효과적으로 포착할 수 있는가?
• RQ5 제안된 모델은 다양한 데이터 수집 방식과 데이터 품질 수준에서도 강건성을 보여주는가?

주요 결과

• 제안된 다중 신호 GP 모델은 두 개의 다른 데이터셋에서 모두 단변량 CGM 전용 모델과 표준 다변량 기준 모델을 뛰어넘는 성능을 보이며 향후 포도당 수치 예측에서 뚜렷한 우월성을 입증한다.
• 특히 자가 보고 설문지와 소셜 미디어 데이터에서 유도된 맥락 정보의 통합은 노이즈가 많고 희박한 데이터일지라도 예측 정확도 향상에 실질적인 기여를 한다.
• 기존의 유니그램 특징만을 사용하는 것보다 신경망 기반 워드 임베딩(W2V-E)과 브라운 클러스터링을 활용한 텍스트 표현 방식이 더 높은 예측 성능을 보였다.
• 모델은 RMSE와 R² 지표 향상으로써 맥락 신호와 포도당 수치 간의 시간적 의존성과 비선형 관계를 효과적으로 포착하고 있음을 입증한다.
• 다양한 형태의 맥락 데이터를 포함한 데이터셋 간에서도 모델의 강건성이 입증되어 실제 PGHD 원천으로의 일반화 가능성은 높다.
• 결과적으로 다중 신호 가우시안 프로세스는 복잡한 실생활 행동 및 정서적 맥락을 통합하는 데 있어 향후 혈액 포도당 예측에 강력한 패러다임이 될 수 있음을 시사한다.