[论文解读] 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 4

一句话总结

本文提出了一种堆叠长短期记忆（LSTM）循环神经网络，结合卡尔曼平滑技术，以提高1型糖尿病患者血糖（BG）预测的准确性。通过使用卡尔曼平滑对连续血糖监测（CGM）数据进行预处理，以校正传感器故障，该模型在OhioT1DM数据集上实现了30分钟预测时延的平均RMSE为6.45 mg/dL——迄今达到的最先进性能。

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.

研究动机与目标

• 通过解决因传感器故障导致的连续血糖监测（CGM）数据不准确问题，提高1型糖尿病患者血糖（BG）预测的可靠性。
• 开发一种深度学习模型，利用餐食碳水化合物、胰岛素注射量、步数等生理输入，结合平滑后的CGM数据，以增强预测能力。
• 减少预测CGM值与实际指尖血糖读数之间的差异，后者是临床验证中的真实值。
• 证明对原始CGM数据进行卡尔曼平滑可显著提升深度循环神经网络模型在BG预测中的鲁棒性与准确性。

提出的方法

• 采用堆叠长短期记忆（LSTM）循环神经网络，以建模序列BG数据中的时间依赖性。
• 在将数据输入模型前，对原始CGM读数应用卡尔曼平滑，以校正传感器引起的噪声和突变波动。
• 将包括餐食碳水化合物、胰岛素注射量以及固定时间间隔内累计步数在内的生理特征作为输入特征，以丰富模型上下文。
• 通过最小化预测CGM值与参考指尖血糖测量值之间的差异来训练模型，使用RMSE作为主要评估指标。
• 卡尔曼平滑过程独立应用于每位患者的CGM时间序列，以保留个体生理动态特征。
• 最终预测由堆叠LSTM模型基于预处理的平滑CGM数据及附加生理输入生成。

实验结果

研究问题

• RQ1 对原始CGM数据进行卡尔曼平滑是否能提高基于深度学习的血糖预测模型的准确性？
• RQ2 在堆叠LSTM框架中，整合多种生理输入（如进餐、胰岛素、体力活动）对预测性能有何影响？
• RQ3 使用卡尔曼平滑预处理CGM数据是否能降低预测的不确定性与时间延迟？
• RQ4 所提出的模型在OhioT1DM数据集上，针对30分钟和60分钟预测时延的性能与当前最先进方法相比如何？

主要发现

• 所提模型在OhioT1DM数据集上，30分钟预测时延的平均RMSE为6.45 mg/dL，优于文献中报告的所有先前方法。
• 对于60分钟预测时延，模型实现了17.24 mg/dL的平均RMSE，显著低于先前最佳结果19.04 mg/dL。
• 卡尔曼平滑降低了预测不确定性，表现为预测曲线标准差（SD）更小，尤其在波动较大的患者（如#575和#591）中表现明显。
• 基于卡尔曼平滑数据训练的模型表现出更小的时间延迟，并且在葡萄糖轨迹的峰值和转折点附近与实际BG趋势更吻合。
• 即使不使用卡尔曼平滑，该模型在六名患者中的四名中仍达到最佳或第二佳性能，表明其具备强大的内在预测能力。
• 本研究证明，通过卡尔曼平滑实现传感器故障校正，是实现基于深度学习的BG预测最先进精度的关键因素。