基于预测相干 LSTM 的循环神经网络用于糖尿病患者更安全的血糖预测
信号处理
2020-09-09 v1 人工智能
摘要
在时间序列预测背景下，我们提出一种基于 LSTM 的循环神经网络架构与损失函数，以增强预测的稳定性。具体而言，该损失函数不仅基于预测误差（均方误差）惩罚模型，还基于预测变化误差进行惩罚。我们将该思想应用于糖尿病未来血糖值的预测，这是一项精细任务，因为不稳定的预测会使患者困惑并可能使其采取错误行动，危及生命。研究在 1 型与 2 型糖尿病患者上开展，重点关注提前 30 分钟的预测。首先，我们通过将 LSTM 模型与其他最先进模型（极限学习机、高斯过程回归器、支持向量回归器）比较，确认了 LSTM 模型在血糖预测中的优越性。随后，我们展示了通过平滑模型预测来实现稳定预测的重要性，其以轻微预测精度损失为代价，整体改善了模型的临床可接受性。最后，我们表明所提方法优于所有基线结果。更确切地说，其以预测精度下降 4.3% 换取临床可接受性提升 27.1%。与移动平均后处理方法相比，我们的方法在权衡上更为高效。
引用
@article{arxiv.2009.03722,
title = {Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People},
author = {Maxime De Bois and Mounîm A. El Yacoubi and Mehdi Ammi},
journal= {arXiv preprint arXiv:2009.03722},
year = {2020}
}