基于 Transformer 的多模态血糖预测模型 AttenGluco
机器学习
2025-02-17 v1 人工智能
摘要
糖尿病是一种慢性代谢紊乱，持续高血糖水平 (BGL) 可导致心血管疾病、神经病变和视网膜病变等严重并发症。预测 BGL 有助于患者维持血糖在安全范围内，也允许照护者通过生活方式调整采取积极措施。持续血糖监测 (CGM) 系统提供实时跟踪，为监测 BGL 提供了有价值的工具。然而，由于受体力活动、饮食等因素影响，准确预测 BGL 仍具有挑战性。最近的深度学习模型在改善 BGL 预测方面显示出前景。尽管如此，如何从多模态、不规则采样的数据上长期预测 BGL 仍是具有挑战性的研究问题。本文提出 AttenGluco，一个基于多模态 Transformer 的长期血糖预测框架。AttenGluco 采用跨注意力有效集成 CGM 和活动数据，解决了异构采样率数据融合的挑战。此外，它采用多尺度注意力捕捉时序数据的长期依赖关系，提升预测准确性。为评估 AttenGluco 的性能，我们在最近发布的 AIREADI 数据集上进行预测实验，分析了其在包括健康人、糖尿病前期患者和2型糖尿病患者等不同主体队列中的预测准确性。此外，我们研究了其在新引入不同队列时的性能改进和遗忘行为。我们的评估表明，AttenGluco 在所有误差指标上（如均方根误差 RMSE、平均绝对误差 MAE 和相关系数）均优于多模态 LSTM 模型。相较于基线模型，AttenGluco 在 RMSE 和 MAE 上的提升分别约为 10% 和 15%。
引用
@article{arxiv.2502.09919,
title = {AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset},
author = {Ebrahim Farahmand and Reza Rahimi Azghan and Nooshin Taheri Chatrudi and Eric Kim and Gautham Krishna Gudur and Edison Thomaz and Giulia Pedrielli and Pavan Turaga and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2502.09919},
year = {2025}
}