生物信息感知型循环神经网络在血糖-胰岛素动力学建模中的集成
机器学习
2025-11-03 v2 定量方法
摘要
1 型糖尿病患者管理复杂，受多种可变因素的影响。人工胰岛素系统通过先进的控制算法实现自动化胰岛素输注，显著减轻了患者负担。然而，这些系统的有效性依赖于对血糖-胰岛素动力学的准确建模，而传统数学模型常因无法适应患者特异性变化而难以捕捉这些动态。本研究引入生物信息感知型循环神经网络（Biological-Informed Recurrent Neural Network, BIRNN）框架，以解决上述局限性。BIRNN 采用门控循环单元（Gated Recurrent Units, GRU）架构，并引入物理感知损失函数嵌入生理约束，实现预测精度与生物学原理一致性之间的平衡。该框架采用商业仿真器 UVA/Padova 进行验证，在血糖预测精度和无测量状态重构方面均优于传统线性模型，即便在胰岛素敏感性昼夜变化的情况下亦如此。结果表明，BIRNN 具有潜力用于个体化血糖调控及人工胰岛素系统的未来自适应控制策略。
引用
@article{arxiv.2503.19158,
title = {Integrating Biological-Informed Recurrent Neural Networks for Glucose-Insulin Dynamics Modeling},
author = {Stefano De Carli and Nicola Licini and Davide Previtali and Fabio Previdi and Antonio Ferramosca},
journal= {arXiv preprint arXiv:2503.19158},
year = {2025}
}
备注
Accepted for pubblication in the proceedings of the Engineering Diabetes Technologies (EDT 2025). 7 pages, 2 figures and 1 table