用于血糖预测的卷积循环神经网络

血糖控制对糖尿病管理至关重要。当前针对 1 型糖尿病（T1DM）患者的数字治疗方法，如人工胰腺和胰岛素大剂量计算器，利用机器学习技术预测皮下葡萄糖以改善控制。深度学习近期已应用于医疗与健康研究，在包括疾病诊断和患者状态预测等一系列任务中取得最先进结果。在本工作中，我们提出一种深度学习模型，能够在模拟病例（30 分钟 horizon 的 RMSE = 9.38$\pm$0.71 [mg/dL]，60 分钟 horizon 的 RMSE = 18.87$\pm$2.25 [mg/dL]）和真实病例（30 分钟 RMSE = 21.07$\pm$2.35 [mg/dL]，60 分钟 RMSE = 33.27$\pm$4.79\%）中以领先精度预测葡萄糖水平。此外，该模型在提供有效预测时域（$PH_{eff}$）且最小时间滞后方面表现具竞争力，无论在模拟患者数据集（30 分钟 $PH_{eff}$ = 29.0$\pm$0.7，60 分钟 $PH_{eff}$ = 49.8$\pm$2.9）还是真实患者数据集（30 分钟 $PH_{eff}$ = 19.3$\pm$3.1，60 分钟 $PH_{eff}$ = 29.3$\pm$9.4）中。该方法在由 UVa/Padova 模拟器生成的 10 个模拟病例数据集和包含 10 个真实病例的临床数据集上评估，每个病例含葡萄糖读数、胰岛素大剂量和进餐（碳水化合物）数据。循环卷积神经网络的性能以四种算法为基准进行比较。所提算法在安卓手机上实现，手机上执行时间为 $6$ms，而笔记本上执行时间为 $780$ms。