GluMind：面向跨人群血糖预测的多模态并行注意力与知识保持
机器学习
2025-09-24 v1
摘要
本文提出 GluMind，一个基于 transformer 的多模态框架，用于持续和长期血糖预测。GluMind 设计了两种注意力机制，包括跨注意力和多尺度注意力，这两种机制并行运行，提供准确的预测性能。跨注意力有效地将血糖数据与其他生理和行为信号（如活动、压力和心率）集成，解决了不同采样率及其对鲁健预测的负面影响。此外，多尺度注意力机制捕获长期时序依赖性。为缓解灾难性遗忘，GluMind 整合了基于 transformer 的预测模型中的知识保持技术。知识保持模块不仅提高模型保留先前知识的能力，也提升了整体预测性能。我们在最近发布的 AIREADI 数据集上评估了 GluMind，该数据集包含来自健康人、无糖尿病前期患者和2型糖尿病患者的行为和生理数据。我们考察了 GluMind 在不断引入新患者队列时学习的性能稳定性和适应性。实验结果表明，GluMind 持续优于其他最先进的预测模型，分别在根均方误差 (RMSE) 和平均绝对误差 (MAE) 上分别提高约 15% 和 9%。
引用
@article{arxiv.2509.18457,
title = {GluMind: Multimodal Parallel Attention and Knowledge Retention for Robust Cross-Population Blood Glucose Forecasting},
author = {Ebrahim Farahmand and Reza Rahimi Azghan and Nooshin Taheri Chatrudi and Velarie Yaa Ansu-Baidoo and Eric Kim and Gautham Krishna Gudur and Mohit Malu and Owen Krueger and Edison Thomaz and Giulia Pedrielli and Pavan Turaga and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2509.18457},
year = {2025}
}