血糖水平预测：一种基于图的可解释联邦学习方法
机器学习
2023-12-21 v1
摘要
在英国，约有 400,000 名 1 型糖尿病 (T1D) 患者因胰腺胰岛素分泌不足而依赖胰岛素输送。管理血糖 (BG) 水平至关重要，其中连续血糖监测 (CGM) 发挥着关键作用。CGM 每 5 分钟追踪一次 BG，通过考虑碳水化合物摄入和胰岛素输送等因素，实现了有效的血糖水平预测 (BGLP)。最近的研究专注于利用历史 BG 数据开发用于 BGLP 的序列模型，并纳入碳水化合物摄入、胰岛素输送和时间等附加属性。这些方法在 BGLP 方面显示出显著成功，部分方法还提供了时间解释。然而，它们往往缺乏属性之间及其对 BGLP 影响的清晰关联。此外，某些方法通过聚合参与者数据来学习群体模式，引发了隐私担忧。针对这些局限性，我们引入了一种图注意力记忆 (GAM) 模型，结合了图注意力网络 (GAT) 与门控循环单元 (GRU)。GAT 应用图注意力对属性相关性进行建模，提供透明、动态的属性关系。注意力权重动态评估属性随时间的重要性。为确保隐私，我们采用了联邦学习 (FL)，促进了安全的群体模式分析。我们的方法使用来自 12 名参与者的 OhioT1DM'18 和 OhioT1DM'20 数据集进行了验证，重点关注 6 个关键属性。我们通过超参数影响分析证明了模型的稳定性和有效性。
引用
@article{arxiv.2312.12541,
title = {Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning},
author = {Chengzhe Piao and Ken Li},
journal= {arXiv preprint arXiv:2312.12541},
year = {2023}
}