[论文解读] Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network

Qingnan Sun, Marko V. Jankovic+2 more|arXiv (Cornell University)|Sep 11, 2018

Diabetes Management and Research参考文献 12被引用 37

一句话总结

本研究提出了一种混合深度学习模型，结合LSTM和双向LSTM层以及全连接层，用于预测1型糖尿病患者的未来血糖水平。该模型在20个真实患者数据集上进行训练，在所有评估指标上均优于基线方法，展示了在短期和长期血糖预测方面更高的准确性，有助于预防低血糖和高血糖事件。

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.

研究动机与目标

• 开发一种能够准确预测1型糖尿病患者未来血糖水平的深度学习模型。
• 在低血糖和高血糖事件发生前，改进现有基线模型的预测能力。
• 评估一种结合单向和双向LSTM层的混合架构在真实世界连续血糖监测（CGM）数据上的性能。
• 利用多患者数据集评估模型在不同患者特异性血糖动态中的泛化能力。

提出的方法

• 设计了一种序列深度神经网络架构，包含一个LSTM层、一个双向LSTM层以及多个全连接层。
• 该模型处理序列性血糖时间序列数据，以预测多个时间点（如15、30、60分钟）后的未来血糖水平。
• 双向LSTM能够捕捉每个时间步的过去和未来上下文，从而增强时间特征的学习。
• 该网络在20名真实患者提供的26个连续血糖监测（CGM）数据集上进行端到端训练。
• 模型优化采用标准深度学习训练流程，并使用适用于回归任务的合适损失函数。
• 性能通过标准回归指标（如RMSE、MAE和R²）在不同预测时延下进行评估。

实验结果

研究问题

• RQ1 与标准模型相比，混合LSTM与双向LSTM架构是否能提高血糖预测的准确性？
• RQ2 该模型在真实世界CGM数据中，对多样化患者特异性血糖模式的泛化能力如何？
• RQ3 引入双向上下文是否能提升短期和长期血糖预测的性能？
• RQ4 该模型在预测低血糖和高血糖等关键事件方面的表现如何？

主要发现

• 所提出的模型在所有评估标准（包括RMSE、MAE和决定系数R²）上均优于基线方法。
• 该模型在短期（15–30分钟）和长期（60分钟）血糖预测中均实现了更低的预测误差。
• 双向LSTM组件显著提升了时间上下文建模能力，增强了预测的稳定性。
• 该模型在多样化患者数据集上表现出稳健性能，表明其具备强大的泛化能力。