基于堆叠LSTM的深度循环神经网络结合卡尔曼平滑的血糖预测
机器学习
2021-01-19 v1 人工智能
摘要
血糖(BG)管理对1型糖尿病患者至关重要,使得可靠的人工胰腺或胰岛素输注系统成为必要。近年来,深度学习技术已被用于更精确的血糖水平预测系统。然而,连续血糖监测(CGM)读数易受传感器误差影响。因此,即便使用最优机器学习模型,不准确的CGM读数也会影响血糖预测并使其不可靠。本工作中,我们提出一种考虑传感器故障、基于堆叠长短期记忆(LSTM)深度循环神经网络(RNN)模型的血糖水平预测新方法。我们使用卡尔曼平滑技术校正因传感器误差导致的不准确CGM读数。对于包含六名不同患者八周数据的OhioT1DM数据集,我们在30分钟和60分钟预测时域(PH)下分别取得平均RMSE为6.45和17.24 mg/dl。据我们所知,这是OhioT1DM数据集上领先的平均预测精度。不同的生理信息,例如卡尔曼平滑后的CGM数据、餐食碳水化合物、推注胰岛素和固定时间间隔内的累计步数,被构建为有意义的特征作为模型输入。我们方法的目标是缩小预测CGM值与指尖血糖读数(真值)之间的差异。我们的结果表明,所提方法对更可靠的血糖预测是可行的,可能改善人工胰腺和胰岛素输注系统在T1D糖尿病管理中的性能。
引用
@article{arxiv.2101.06850,
title = {Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction},
author = {Md Fazle Rabby and Yazhou Tu and Md Imran Hossen and Insup Le and Anthony S Maida and Xiali Hei},
journal= {arXiv preprint arXiv:2101.06850},
year = {2021}
}