一种用于血糖水平预测的函數逼近方法

基于连续血糖监测（CGM）设备读数实时预测血糖（BG）水平的问题在糖尿病护理中极为重要，因此近年来吸引了大量研究，尤其是基于机器学习的研究。具有 30、60 或 90 分钟预测时域的准确预测有潜力节省数百万美元的急救护理成本。在本文中，我们将该问题视为函数逼近问题，其中时刻 $t+h$（其中 $h$ 为预测时域）的 BG 水平值被视为时间 $t$ 之前 $d$ 个读数的未知函数。该未知函数可能特别支撑于 $d$ 维欧几里得空间的某个未知子流形上。虽然流形学习经典地在半监督设定下完成，即必须事先知道全部数据，但我们使用近期思想在有监督设定中实现准确的函数逼近；即，为目标函数构建模型。我们使用最先进的临床相关 PRED-EGA 网格来评估我们的结果，并证明对于真实数据集，我们的方法优于标准深度网络，尤其在低血糖和高血糖区间。这项工作的一个值得注意的方面是训练数据与测试数据可能来自不同分布。