FedGlu: 基于个人化联邦学习的糖胰岛素预测算法
机器学习
2025-12-17 v1 人工智能
摘要
连续血糖监测 (CGM) 设备提供实时血糖监测和及时警报，用于血糖波动，改善糖尿病患者的血糖控制。然而，由于罕见事件（如低血糖和高血糖）的发生频率较低，仍然面临识别这些事件的挑战。此外，受限于对敏感患者数据的获取，阻碍了健壮机器学习模型的开发。我们的目标是准确预测血糖波动，同时解决数据隐私问题。为解决波动预测问题，我们提出了一种新型的 Hypo-Hyper (HH) 损失函数，该函数显著改进了血糖波动区域的性能。HH 损失函数在 125 名患者中相对于均方误差 (MSE) 损失实现了 46% 的改进。为解决隐私问题，我们提出了 FedGlu，一个在联邦学习 (FL) 框架下训练的机器学习模型。FL 允许在不共享敏感数据的情况下进行协作学习，通过在本地训练模型并仅在其他患者之间共享模型参数来实现。FedGlu 在血糖波动检测率上比本地模型高出 35%。这种改进提高了对 125 名患者中 105 名患者的低血糖和高血糖的预测性能。这些结果凸显了所提出 HH 损失函数在增强血糖预测能力方面的有效性。此外，在联邦学习框架中实现模型不仅确保更好的预测能力，还能在保护敏感数据方面发挥作用。
引用
@article{arxiv.2408.13926,
title = {FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions},
author = {Darpit Dave and Kathan Vyas and Jagadish Kumaran Jayagopal and Alfredo Garcia and Madhav Erraguntla and Mark Lawley},
journal= {arXiv preprint arXiv:2408.13926},
year = {2025}
}