Hearing Your Blood Sugar: Non-Invasive Glucose Measurement Through Simple Vocal Signals, Transforming any Speech into a Sensor with Machine Learning
Istanbul Technical University(伊斯坦布尔技术大学)
针对传统血糖监测有创、现有无创技术存在局限的问题,本研究提出基于语音分析的无创血糖预测方法,通过机器学习结合逻辑回归与岭正则化构建模型,验证了语音与血糖的显著相关性,为糖尿病管理提供了低成本无痛的新方案。
2024-08-15 cs.LG cs.SD eess.AS
Multi-models with averaging in feature domain for non-invasive blood glucose estimation
Guangdong University of technology(广东工业大学)
本文提出一种基于特征域平均的多模型无创血糖估计方法,通过PPG去噪、特征重要性排序及子集建模提升精度。
2025-03-01 cs.LG
Lightweight Sequential Transformers for Blood Glucose Level Prediction in Type-1 Diabetes
Department of Informatics, Systems and Communication, University of Milano-Bicocca(信息学、系统与通信系,米兰-比科卡大学)
本文提出了一种轻量级顺序变换器模型,用于1型糖尿病的血糖预测,通过结合注意力机制和循环神经网络的优势,实现高效且准确的血糖预测与不良事件检测。
2025-06-14 cs.AI cs.LG
A Critical Review of the state-of-the-art on Deep Neural Networks for Blood Glucose Prediction in Patients with Diabetes
Universidad Complutense de Madrid(马德里康普顿斯大学);Instituto de Tecnología del Conocimiento(知识技术研究所)
本文比较了十个最近提出的神经网络,并提出了两个集成神经网络为基础的血糖预测模型。所有这些都在相同的数据集、预处理工作流程和工具下使用OhioT1DM数据集在三个不同的预测范围(30、60和120分钟)进行测试。我们使用血糖预测中最常见的指标来比较它们的性能,并使用三种方法对性能最好的算法进行排名,这些方法是为了对多种算法的性能进行统计比较而设计的:scmamp,模型置信集和卓越的预测能力。我们的分析突出了那些最有可能成为最佳预测因子的模型,估计了相对于最佳模型表现更差的模型的误差增加,并为它们在临床实践中的使用提供了指导。
2021-09-02 cs.LG q-bio.QM
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data
Technical University of Denmark(丹麦技术大学);Novo Nordisk A/S(诺和诺德)
持续葡萄糖监测(CGM)为糖尿病管理提供了重要机会。本研究探讨了CGM数据作为数字决策支持工具输入的使用。我们研究了如何将递归神经网络(RNN)用于短期血糖(STBG)预测,并将RNN与使用自回归积分移动平均(ARIMA)的传统时间序列预测进行了比较。被认为是一个预测范围高达90分钟的未来。在这种情况下,我们评估了基于人群和患者特定的RNN,并将其与患者特定的ARIMA模型和预测未来观察结果的简单基线进行了对比。我们发现,基于人群的RNN模型是在所考虑的预测范围内性能最好的模型,而不需要患者特定的数据。这证明了RNN在糖尿病患者中用于STBG预测的潜力,以检测/减轻STBG中的严重事件,特别是低血糖事件。然而,需要进一步的研究方面的鲁棒性和实际使用的调查STBG预测模型。
2020-07-15 cs.LG eess.SP stat.ML
An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning
Indraprastha Institute of Information Technology, Delhi(德里印度信息技术学院)
本研究利用智能手表PPG信号和CGM血糖数据构建机器学习模型,探索无创血糖估计的可行性,初步结果显示存在预测信号但需更多数据验证。
2026-06-16 cs.LG
Forecasting with Sparse but Informative Variables: A Case Study in Predicting Blood Glucose
University of Michigan(密歇根大学)
针对低频但重要的辅助变量难以被标准预测模型有效利用的问题,本文提出一种编码器/解码器方法,通过隔离SIV效应并引入领域知识约束,在血糖预测任务中显著降低了预测误差。
2023-04-17 cs.LG
Identifying Differential Equations to predict Blood Glucose using Sparse Identification of Nonlinear Systems
Josef Ressel Centre for Symbolic Regression(约瑟夫·雷塞尔符号回归中心);Heuristic and Evolutionary Algorithms Laboratory(启发式与进化算法实验室);University of Applied Sciences Upper Austria(上奥地利应用科学大学);Universidad Complutense de Madrid(马德里康普顿斯大学)
使用机器学习描述动态医疗系统是一个具有广泛应用的具有挑战性的课题。在这项工作中,糖尿病患者的血糖水平建模的可能性纯粹的测量数据的基础上进行描述。胰岛素和卡路里的影响变量的组合被用来找到一个可解释的模型。外部物质在人体内的吸收速度强烈依赖于外部影响,这就是为什么为影响变量添加时移的原因。重点是确定最佳时移,提供强大的模型,具有良好的预测精度,是独立于其他未知的外部影响。建模完全基于使用非线性动力学稀疏识别的测量数据。确定从初始值开始模拟血糖动态的微分方程。通过将最佳模型应用于测试数据,我们可以表明,使用微分方程和少量影响变量来模拟长期血糖动态是可能的。
2022-09-28 cs.LG
GlucoTune: A Unified Framework for Blood Glucose Preprocessing, Forecasting, and Benchmarking in Diabetes
Department of Informatics, Systems and Communication, University of Milano-Bicocca(米兰比可卡大学信息、系统与通信系)
GlucoTune框架解决糖尿病血糖数据预处理等缺乏标准流程与评估协议问题,通过可配置管道实现可重复预处理,提供统一接口和基准测试排行榜,集成数据集,经实验验证有效。
2026-07-24 cs.AI cs.LG
Nonparametric modeling of the composite effect of multiple nutrients on blood glucose dynamics
Aalto University(阿尔托大学);University of Helsinki(赫尔辛基大学)
针对生物医学中多组分治疗的生理反应估算及组分效应分离需求,提出扩展的概率非参数方法与基于卷积的可解释复合反应模型,经膳食碳水、脂肪对血糖影响的验证,该方法预测精度更优且可解释组分效应。
2023-11-06 cs.LG stat.ML
Offline Reinforcement Learning for Safer Blood Glucose Control in People with Type 1 Diabetes
University of Bristol(布里斯托大学);University Hospital Southampton(南安普顿大学医院)
本研究针对在线强化学习用于1型糖尿病血糖控制存在学习不稳定、易选不安全动作的问题,评估了三种离线强化学习算法,在仅用在线RL十分之一以下训练样本的情况下,显著提升了血糖处于健康范围的时长且未增加低血糖事件,还能应对多种复杂控制场景。
2023-05-05 cs.AI cs.LG
Deep Reinforcement Learning for Closed-Loop Blood Glucose Control
University of Michigan(密歇根大学)
1型糖尿病(T1D)患者缺乏产生身体所需胰岛素的能力。因此,他们必须不断地决定自己注射多少胰岛素以充分控制血糖水平。从可穿戴设备(如连续血糖监测仪)捕获的纵向数据流可以帮助这些人管理他们的健康,但目前大部分决策负担仍然在用户身上。为了减轻这一负担,研究人员正在研究闭环解决方案,将连续葡萄糖监测仪和胰岛素泵与“人工胰腺”中的控制算法结合起来。“这样的系统旨在估计和输送适当的胰岛素量。在这里,我们开发了用于自动血糖控制的强化学习(RL)技术。通过一系列的实验,我们比较了不同的深度强化学习方法和非强化学习方法的性能。我们强调了RL方法的灵活性,展示了它们如何在几乎没有额外数据的情况下适应新的个体。在来自30名模拟患者的超过210万小时的数据中,我们的RL方法优于基线控制算法:导致中位血糖风险从8.34降至4.24,降低近50%,低血糖总时间从4,610天降至6天,降低99.8%。此外,这些方法能够适应可预测的用餐时间(随着膳食可预测性的增加,平均风险降低了24%)。这项工作证明了深度RL帮助T1D患者在不需要专业知识的情况下管理血糖水平的潜力。我们所有的代码都是公开的,允许复制和扩展。
2020-09-18 cs.AI cs.LG stat.ML
Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation
University of Virginia, College of William \& Mary, Louisiana State University
本研究提出TSODE,结合强化学习与神经微分方程预测,实现安全且稳健的血糖调节。
2026-01-21 cs.LG
Deep Multi-Output Forecasting: Learning to Accurately Predict Blood Glucose Trajectories
University of Michigan(密歇根大学)
在许多预测应用中,不仅预测信号在未来某个时间点的值,而且预测导致该点的值是有价值的。在临床应用中尤其如此,其中患者的未来状态可能不如患者的总体轨迹重要。这需要多步预测,一种预测变体,其目标是同时预测未来的多个值。实现这一目标的标准方法可能会在预测之间传播错误,从而降低长期的质量。鉴于这些挑战,我们提出了用于多步预测的多输出深度架构,在该架构中,我们明确地对预测范围内信号的未来值的分布进行建模。我们将这些技术应用于具有挑战性和临床相关的血糖预测任务。通过对由550K血糖测量组成的真实世界数据集的一系列实验,我们证明了我们提出的方法在捕获潜在信号动态方面的有效性。与现有的浅层和深层方法相比,我们发现我们提出的方法单独提高了性能,并捕获了补充信息,从而在组合时比基线有了很大的改善(4.87与5.31绝对百分比误差(APE))。总的来说,结果表明我们提出的方法在预测血糖水平和更普遍的多步预测方面的有效性。
2018-06-14 cs.LG stat.ML
GlucoFM-Bench: Benchmarking Time-Series Foundation Models for Blood Glucose Forecasting
Department of Computer Science(计算机科学系);Dartmouth College(达特茅斯学院);Emory University(埃默里大学);Quantitative Biomedical Sciences(定量生物医学科学)
提出GlucoFM-Bench基准,评估8种时间序列基础模型与监督深度学习模型在15个糖尿病数据集上的血糖预测性能,发现预训练模型在零样本和少样本场景表现优异,但全样本下轻量LSTM仍最优。
2026-06-05 cs.LG
Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction
The University of Louisiana at Lafayette(路易斯安那大学拉斐特分校);University of Pennsylvania(宾夕法尼亚大学)
血糖(BG)管理对于1型糖尿病患者至关重要,因此需要可靠的人工胰腺或胰岛素输注系统。近年来,深度学习技术已被用于更准确的BG水平预测系统。然而,连续葡萄糖监测(CGM)读数易受探头错误的影响。因此,不准确的CGM读数将影响BG预测并使其不可靠,即使使用最佳的机器学习模型。在这项工作中,我们提出了一种新的方法来预测血糖水平与堆叠的长短期记忆(LSTM)为基础的深度循环神经网络(RNN)模型考虑传感器故障。我们使用卡尔曼平滑技术的校正不准确的CGM读数由于传感器误差。对于OhioT 1DM数据集,包含来自6名不同患者的8周数据,我们分别在30分钟和60分钟的预测范围(PH)内实现了6.45和17.24 mg/dl的平均RMSE。据我们所知,这是OhioT 1DM数据集的领先平均预测精度。不同的生理信息,例如,卡尔曼平滑的CGM数据、膳食中的碳水化合物、餐时胰岛素和固定时间间隔内的累积步数被精心制作,以表示用作模型输入的有意义的特征。我们的方法的目标是降低预测CGM值和手指针刺血糖读数之间的差异-基础事实。我们的研究结果表明,所提出的方法是可行的,更可靠的血糖预测,可能会提高性能的人工胰腺和胰岛素输注系统的T1 D糖尿病管理。
2021-01-18 cs.AI cs.LG
Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning
University College London(伦敦大学学院)
针对现有血糖预测模型缺乏属性关联解释和隐私问题,提出图注意力记忆模型结合联邦学习,在OhioT1DM数据集上验证了其有效性和稳定性。
2023-12-19 cs.LG
Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control
University of Bristol(布里斯托尔大学);The Open University(开放大学);Cardiff University(卡迪夫大学)
在本文中,我们研究了使用基于模型的强化学习来帮助1型糖尿病患者做出胰岛素剂量决策。所提出的架构由多个回声状态网络预测血糖水平结合模型预测控制器进行规划。回声状态网络是一种递归神经网络,它允许我们以在线方式学习时间序列数据输入中的长期依赖关系。此外,我们解决了一个更强大的控制不确定性的量化。在这里,我们使用回声状态网络的集合来捕获模型(认知)的不确定性。我们使用FDA批准的UVa/Padova 1型糖尿病模拟器对该方法进行了评估,并将结果与基线算法(如基础-大剂量控制器和深度Q学习)进行了比较。结果表明,对于测试的大多数虚拟1型糖尿病患者简档,基于基于模型的强化学习算法可以与基线算法一样或更好地执行。
2020-10-13 cs.LG
The Driver-Blindness Phenomenon: Why Deep Sequence Models Default to Autocorrelation in Blood Glucose Forecasting
School of Data Science(数据科学学院);Center for Diabetes Technology(糖尿病技术中心);University of Virginia(弗吉尼亚大学)
本文研究了深度序列模型在血糖预测中忽视驱动因素的问题,提出了驱动盲现象,并通过Δ_drivers指标分析其成因,提出缓解策略并呼吁报告该指标以避免误判模型性能。
2025-11-25 cs.AI cs.LG
Can Breath Biomarkers Causally Influence Blood Glucose? Investigating VOC-Mediated Modulation in Diabetes
TCS Research(TCS研究);Department of E&ECE, IIT Kharagpur(印度理工学院Kharagpur电子与电气工程系)
本研究通过非侵入式数据驱动框架,利用挥发性有机化合物(VOCs)和生活方式变量识别糖尿病高风险个体,采用因果推断技术估计VOCs如乙酮、异丙醇、异戊二烯和乙醇对血糖水平的影响,并设计分类器区分糖尿病患者与非糖尿病患者,建立基于风险的排名系统和高斯混合模型识别自然聚类。
2026-05-21 cs.LG q-bio.QM
Deep Personalized Glucose Level Forecasting Using Attention-based Recurrent Neural Networks
Texas A&M University(德克萨斯A&M大学);Eli Lilly and Company(礼来公司)
在本文中,我们研究了血糖预测问题,并提供了一个深度个性化的解决方案。由于血糖水平异常的健康并发症严重,有时甚至导致死亡,因此预测糖尿病患者的血糖水平具有重要价值。因此,拥有一个能够准确、快速地警告患者潜在问题的模型至关重要。为了开发更好的血糖预测深度模型,我们分析数据并检测重要模式。这些观察帮助我们提出了一种方法,该方法与现有方法相比具有几个关键优势:1-它为每个患者学习个性化模型以及全局模型; 2-它使用注意力机制并提取时间特征,以更好地学习数据中的长期依赖关系; 3-它为时间序列数据引入了一种新的,强大的训练过程。我们经验性地展示了我们的模型在真实数据集上的有效性。
2021-09-06 cs.LG cs.NE
Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting
College of Health Solutions at Arizona State University(亚利桑那州立大学健康解决方案学院)
本文提出GlucoNet系统,通过特征分解和知识蒸馏提升血糖预测精度与效率,实现更准确的实时预测与干预。
2026-04-14 cs.LG eess.SP
GluMind: Multimodal Parallel Attention and Knowledge Retention for Robust Cross-Population Blood Glucose Forecasting
Arizona State University(亚利桑那州立大学);University of Miami(迈阿密大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基于Transformer的多模态框架GluMind,通过并行交叉注意力和多尺度注意力整合多源生理行为信号并捕获长程依赖,结合知识保留缓解灾难性遗忘,在AIREADI跨人群血糖预测任务中RMSE和MAE分别提升约15%和9%。
2025-09-22 cs.LG
Derivative-Based Mir Spectroscopy for Blood Glucose Estimation Using Pca-Driven Regression Models
本研究提出TBD和ADPD两种导数处理方法,结合FTIR光谱与岭回归、SVR模型进行血糖估计,经留一交叉验证和误差网格分析证实,其准确率显著优于传统方法。
2024-12-10 cs.LG eess.IV physics.med-ph
Machine learning for the diagnosis of early stage diabetes using temporal glucose profiles
Institute for Basic Science (IBS)(基础科学研究院);Seoul National University(首尔大学);Pohang University of Science and Technology(浦项科技大学)
机器学习在识别数据模式方面取得了显著的成功。在这里,我们将机器学习(ML)应用于早期糖尿病的诊断,这在医学上被认为是一项具有挑战性的任务。血糖水平受到两种反调节激素胰岛素和胰高血糖素的严格调节,并且葡萄糖稳态的失败导致常见的代谢疾病糖尿病。它是一种慢性疾病,具有很长的潜伏期,使早期检测疾病变得复杂。绝大多数糖尿病患者是由于胰岛素作用效力降低而引起的。胰岛素抵抗必然会改变血糖的时间曲线。因此,我们建议使用ML来检测葡萄糖浓度的时间模式中的细微变化。具有足够分辨率的血糖的时间序列数据目前不可用,因此我们使用由考虑葡萄糖调节和激素作用的生物物理模型产生的葡萄糖谱的合成数据来确认该提议。多层感知器、卷积神经网络和递归神经网络都以高于$85\%$的高精度识别胰岛素抵抗的程度。
2020-05-18 cs.LG eess.SP q-bio.QM
A Multitask VAE for Time Series Preprocessing and Prediction of Blood Glucose Level
Air Liquide R&D(Air Liquide 研发)
本文提出了一种多任务VAE模型,用于时间序列数据预处理和糖尿病患者血糖水平预测,通过变分自编码器和循环VAE结合,提升了预测准确性。
2025-07-25 cs.AI cs.LG eess.SP
DPA-Net: A Dual-Path Attention Neural Network for Inferring Glycemic Control Metrics from Self-Monitored Blood Glucose Data
Binghamton University, Department of Computer Science(宾夕法尼亚州立大学比恩代特分校计算机科学系);University of Virginia, School of Data Science(弗吉尼亚大学数据科学学院)
提出DPA-Net双路径注意力网络,从稀疏SMBG数据估计AGP指标,结合轨迹重建与直接预测,在真实数据上实现低误差并减少偏差。
2025-10-08 cs.LG
Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach
Institute of Health Informatics, University College London(伦敦大学学院健康信息学研究所);Department of Psychiatry, University of Oxford(牛津大学精神病学系);Department of Diabetes & Endocrinology, University College London Hospitals(伦敦大学学院医院糖尿病与内分泌科);Department of Computer Science, University College London(伦敦大学学院计算机科学系)
针对1型糖尿病新患者血糖预测冷启动问题与隐私保护需求,提出异步去中心化联邦学习方法GluADFL,在多数据集上性能优于基线,支持不同网络拓扑与灵活参与,为隐私保护的跨患者血糖预测提供实用方案。
2024-06-21 cs.AI cs.LG
Glycemic-Aware and Architecture-Agnostic Training Framework for Blood Glucose Forecasting in Type 1 Diabetes
Arizona State University(亚利桑那州立大学);Mayo Clinic(梅奥诊所)
本文提出GLIMMER框架,通过结构化预处理、区域感知损失和遗传算法优化,提升血糖预测准确性,尤其在高风险区域表现优异,相比现有模型更高效。
2026-02-25 cs.AI cs.LG
Using Machine Learning to Investigate Predictors of Fasting Blood Glucose: Insights into Circadian Timing and Age Interactions
本研究利用NHANES数据构建可解释机器学习模型预测空腹血糖,发现糖化血红蛋白等为主要预测因子,并揭示睡眠中点与年龄的交互作用,为代谢健康研究提供新见解。
2026-09-29 cs.LG
GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting
College of Health Solutions, Arizona State University(亚利桑那州立大学健康解决方案学院);School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院)
研究旨在利用连续血糖监测数据进行准确血糖预测,开发了GlyRAG框架,结合大语言模型提取上下文信息并通过检索增强预测,在OhioT1DM和AZT1D数据集上评估,显著提高长期预测的均方根误差,多数预测落在临床可接受区域。
2026-09-24 cs.IT cs.LG math.IT
Patterns Detection in Glucose Time Series by Domain Transformations and Deep Learning
Universidad de Extremadura(埃斯特雷马杜拉大学);Universidad Complutense de Madrid(马德里康普顿斯大学);Instituto de Tecnología del Conocimiento(知识技术研究所)
本文提出一种利用变换函数处理葡萄糖时间序列并结合卷积神经网络的方法,用于预测糖尿病患者未来的血糖水平以提前预判低血糖事件,在4名患者真实数据上取得了良好效果。
2023-03-30 cs.CY cs.LG
Reassessing the Feasibility of PPG-Based Non-Invasive Blood Glucose Level Estimation
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
该研究提出首个可复现的PPG血糖评估流程,发现随机划分会高估模型泛化能力,严格划分下模型性能崩溃但临床区域指标掩盖失效,强调需先做稳健ML评估再临床验证。
2026-08-04 cs.HC cs.LG
Evidence-Guided Neural Architecture Selection under Uncertainty for Subject-Specific Blood Glucose Forecasting
organization= Department of Mechanical;Data-Enabled Sciences, University at Buffalo , city= Buffalo , state= NY , country= USA
提出EVIDENT框架,结合贝叶斯训练、证据排序和任务特定验证,在有限、噪声和异构数据中自动选择最优神经架构,用于个体化血糖预测。
2026-11-16 cs.LG physics.bio-ph
Subject-Conditioned Glucose Forecasting in Type-1 Diabetes
研究针对1型糖尿病血糖预测问题,提出多模态深度学习架构SCGP,基于观测数据和个体表征预测血糖,通过分离特征与建模避免早期融合,实验证明其能提高预测性能,利于个性化糖尿病管理。
2026-07-22 cs.LG q-bio.QM
GARNN: An Interpretable Graph Attentive Recurrent Neural Network for Predicting Blood Glucose Levels via Multivariate Time Series
Institute of Health Informatics, University College London(伦敦大学学院健康信息学研究所);Department of Psychiatry, University of Oxford(牛津大学精神病学系);Department of Diabetes & Endocrinology, University College London Hospitals(伦敦大学学院医院糖尿病与内分泌科);Centre for Bio-Inspired Technology(仿生技术中心)
本文提出可解释的图注意力循环神经网络GARNN,通过图注意力机制对多元时间序列建模以预测血糖,在四个数据集上优于十二种基线方法,并具备高质量时间可解释性,有望改善糖尿病护理。
2024-02-26 cs.AI cs.LG
AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset
Arizona State University(亚利桑那州立大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出 AttenGluco 多模态 Transformer 框架,利用交叉注意力和多尺度注意力融合 CGM 与活动数据,在 AI-READI 上实现长期血糖预测并显著优于多模态 LSTM。
2025-02-14 cs.AI cs.LG
Blood Glucose Control Via Pre-trained Counterfactual Invertible Neural Networks
The Artificial Intelligence Institute(人工智能研究所);Harbin Institute of Technology(哈尔滨工业大学);Faculty of Computing(计算机学院)
本文提出基于反事实可逆神经网络的反思强化学习方法,通过预训练模型提升血糖控制的稳定性和安全性。
2024-07-18 cs.AI cs.LG
Forecasting blood sugar levels in Diabetes with univariate algorithms
University of Málaga(马拉加大学)
与可穿戴设备结合的AI程序可以传达精确的瞬时血糖水平预测模型。此外,这样的模型可以根据通过观察人的生理状况和每天运动的几个部分收集的传感器信息来学习定制的葡萄糖-胰岛素元素。到目前为止,创建信息驱动预测模型的主要方法是收集“尽可能多的信息”,以帮助医生和患者理想地改变治疗。这项工作的目标是检查基本信息分类,数量和速度需要完成精确的个人驱动的小型长期预期模型。我们利用独特的AI时间安排测量策略建立了这些模型的进展,这些策略适合在可穿戴处理器内执行。我们完成了一个广泛的超然的病人检查集中在真正的条件下,以制造一个强大的信息收集。该检查包括佩戴微光葡萄糖检查框架的1型糖尿病受试者的子集。我们针对所创建的信息驱动的期望模型的呈现进行了相对定量的评估,并比较了人工智能方法。我们的结果表明,精确的瞬时预测可以通过在短时间内检查间质葡萄糖信息并利用低检查复发率来实现。所创建的模型可以预测15分钟内的血糖水平,正常错误低至15.43 mg/dL,仅利用6小时内收集的24个难忘的品质,并通过扩展检查重现以纳入72个品质,正常错误被限制在10.15 mg/dL。我们的预测模型对于可穿戴设备内部的执行是合理的,需要基本的设备必需品,同时实现高期望的精度。
2021-01-21 cs.LG
From Prediction to Practice: A Task-Aware Evaluation Framework for Blood Glucose Forecasting
Department of Computer Science University of Virginia(计算机科学系大学弗吉尼亚大学);School of Data Science University of Virginia(数据科学学院大学弗吉尼亚大学)
本文提出一种面向任务的血糖预测评估框架,通过评估低血糖预警和胰岛素剂量决策支持,揭示预测精度与任务相关实用性之间的差距。
2026-11-13 cs.LG
Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data
University of Southampton(南安普顿大学)
在糖尿病管理中,一项至关重要的临床任务是预防低/高血糖事件。越来越多地采用的连续葡萄糖监测(CGM)设备提供了对患者血糖浓度的详细、非侵入性和实时的洞察。利用先进的机器学习(ML)模型作为预测未来血糖水平的方法,可以显著改善生活质量,并为监测糖尿病提供重要工具。回归预测方法是递归实现的,一系列的机器学习模型:线性回归,隐马尔可夫模型,长短期记忆网络。通过利用患者过去11小时的血糖(BG)浓度测量值,进行60分钟的预测。将使用性能指标评估结果,包括:均方根误差(RMSE)、二阶差归一化能量(ESOD)和F1评分。通过对过去和当前方法以及可用数据集的研究,为CITY数据集建立了一种最佳训练方法,未来的模型开发可能会利用这种方法。性能与类似的最先进的ML模型一致,LSTM的RMSE为28.55,但与经典的自回归AR模型相比没有显着优势。对LSTM预测行为的深刻见解可以增加公众和立法机构的信任和理解,推进人工胰腺系统(APS)中ML模型的认证。
2023-02-24 cs.AI cs.LG
The Challenge of Predicting Meal-to-meal Blood Glucose Concentrations for Patients with Type I Diabetes
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所);Alberta Diabetes Institute(阿尔伯塔糖尿病研究所)
I型糖尿病(T1 D)患者必须接受胰岛素注射,以防止高血糖症-高血糖(BG)的严重长期影响。患者还必须注意不要注射过多的胰岛素,因为这可能会引起低血糖(低血糖),这可能是致命的。因此,患者遵循一个“方案”,决定多少胰岛素注射在某些时候。目前管理这种疾病的方法需要根据疾病的行为(记录在患者的糖尿病日记中)随时间调整患者的方案。如果我们可以从患者的当前特征(例如,预测今天的午餐BG值,给定今天的糖尿病日记中关于早餐的条目,包括胰岛素注射,以及可能更早的条目),则相对容易产生有效的方案。本研究通过将几种机器学习算法和各种数据预处理变体(对应于312种[学习者,预处理数据集]组合)应用于包含来自47名不同患者的29601个条目的新T1 D数据集,探索BG建模的挑战。我们最准确的预测是两个高斯过程回归模型的加权集合,其errL 1损失为2.70 mmol/L(48.65 mg/dl)。考虑到使用简单预测患者平均BG的简单方法可以获得2.91 mmol/L(52.43 mg/dl)的errL 1,这是一个意外的差结果。对于每个数据变量/模型组合,我们报告了几个评估指标,包括葡萄糖特异性指标,并发现类似的令人失望的结果(最佳模型仅比最简单的测量值更好)。这些结果表明,通常收集的糖尿病日记数据可能不足以产生准确的BG预测模型;可能需要额外的数据来建立准确的BG预测模型。
2019-03-29 cs.LG stat.ML
Flexible Blood Glucose Control: Offline Reinforcement Learning from Human Feedback
University of Bristol(布里斯托尔大学);University Hospital Southampton(南安普顿大学医院)
本文提出PAINT框架,通过基于草图的奖励学习和安全约束离线RL算法,从患者记录中学习灵活的胰岛素给药策略,在模拟T1D患者中显著降低血糖风险并有效结合患者偏好与专业知识。
2025-01-27 cs.AI cs.LG
Continuous Glucose Monitoring Prediction
Arizona State University(亚利桑那州立大学)
糖尿病是世界上最致命的疾病之一,影响全球近10%的成年人口。幸运的是,强大的新技术为糖尿病患者提供了一致和可靠的治疗计划。一个主要的发展是一个系统称为连续血糖监测(CGM)。在这篇综述中,我们研究了三种不同的连续进餐检测算法,这些算法是使用糖尿病患者的CGM数据开发的。从这个分析中,还利用这些方法开发了初始膳食预测算法。
2021-01-04 cs.LG q-bio.OT
Uncertainty quantification in neural network-based glucose prediction for diabetes
Gryphon Center for A.I. and Theoretical Sciences(格里芬人工智能与理论科学中心);University of Pennsylvania, Perelman School of Medicine(宾夕法尼亚大学佩雷尔曼医学院)
本文研究了用于1型糖尿病血糖预测和不良血糖事件识别的不确定性感知神经网络模型,通过LSTM、GRU和Transformer架构的三种序列模型,结合蒙特卡洛dropout或证据输出层进行不确定性量化,发现基于Transformer的模型在预测准确性和不确定性校准方面表现最佳。
2026-03-28 cs.LG physics.med-ph
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit
UNSW Sydney(新南威尔士大学悉尼分校);Australian e-Health Research Centre(澳大利亚电子健康研究中心);eHealth NSW(新南威尔士州电子健康局)
本文概述了连续时间循环神经网络(CTRNNs)的多种架构,并将其应用于重症监护中不规则采样的血糖概率预测,实验表明ODE-LSTM在概率预测指标上可与Catboost相媲美。
2023-04-14 cs.LG stat.AP stat.ML
Learning Difference Equations with Structured Grammatical Evolution for Postprandial Glycaemia Prediction
Universidad Complutense de Madrid(马德里康普顿斯大学);University of Applied Sciences of Upper Austria(上奥地利应用科学大学)
本文提出基于文法演化的可解释稀疏辨识方法,结合聚类生成差分方程预测餐后两小时血糖,在保证安全性和准确率的同时提供可解释的个性化预测模型。
2023-07-03 cs.AI cs.LG
Glucose-ML: A collection of longitudinal diabetes datasets for development of robust AI solutions
本文提出Glucose-ML,汇集10个公开纵向糖尿病数据集(含超30万天CGM数据),通过比较分析和血糖预测基准揭示数据集差异对算法性能的显著影响,为稳健AI开发提供指导。
2026-09-23 cs.AI cs.LG
Data-Driven Robust Control Using Reinforcement Learning
UiT The Arctic University of Norway(挪威北极大学(特罗姆瑟大学));Norwegian Centre for E-health Research(挪威电子健康研究中心)
针对部分未知动力系统在不确定条件下的控制问题,提出了一种基于学习的鲁棒控制设计方法。该方法扩展了最优学习算法,提出了一种基于鲁棒控制理论的新的学习方法。通过从数据中学习,该算法提出了保证闭环系统在从数据估计的不确定性内的稳定性的动作。控制策略通过求解一组线性矩阵不等式来计算。控制器进行了评估,使用模拟1型糖尿病患者的血糖模型。仿真结果表明,所提出的方法是能够安全地调节血糖在健康水平下的测量和过程噪声的影响。该控制器还显著降低了餐后血糖的波动。与现有的最优强化学习算法的比较表明,该方法提高了闭环系统的鲁棒性。
2020-04-16 cs.AI cs.LG cs.SY
On the Predictability of non-CGM Diabetes Data for Personalized Recommendation
L3S Research Center(L3S研究中心)
针对CGM系统不可用、仅有间隔数小时血糖测量的场景,研究9名患者的在线患者级血糖预测,并提出后预测方法处理噪声以小幅改善性能。
2024-04-09 cs.CY cs.LG stat.ML
LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet
School of Computing and Augmented Intelligence, Arizona State University(计算与增强智能学院,亚利桑那州立大学);College of Health Solutions, Arizona State University(健康解决方案学院,亚利桑那州立大学)
本研究提出GlucoLens系统,利用大语言模型和多模态数据预测餐后血糖及高血糖,提供可解释的治疗路径建议。
2025-07-03 cs.AI cs.LG
CUDA optimized Neural Network predicts blood glucose control from quantified joint mobility and anthropometrics
The University of the West Indies(西印度群岛大学)
神经网络训练需要大量的计算,具有明显的瓶颈。计算统一设备架构(CUDA)编程模型允许我们通过将处理工作负载从CPU传递到图形处理单元(GPU)来加速计算。在本文中,我们利用Nvidia GPU的强大功能来并行化训练中涉及的所有计算,使用CUDA和C++加速具有一个隐藏层的反向传播前馈神经网络。这个优化的神经网络的任务是从非侵入性标志物预测糖化血红蛋白(HbA 1c)的水平。糖尿病患病率的增加导致了对早期检测和准确诊断的迫切需要。然而,由于传统测试的侵入性和局限性,正在考虑替代方法。据报道,关节活动受限(LJM)是血糖控制不良的指标。定量手指的LJM,并研究其与HbA 1c的联系以及HbA 1c的其他潜在非侵入性标志物。我们在特立尼达南部的一家诊所收集了120名参与者的33个潜在标记的读数。我们的神经网络在男性参与者的训练集和测试集上分别达到了95.65%和86.67%的准确率,在女性参与者的训练集和测试集上分别达到了97.73%和66.67%的准确率。使用来自Nvidia GeForce GTX 660的960个CUDA核心,我们的并行神经网络在两个子集上的训练速度比在Intel Core(TM)i7- 3630 QM 2.40 GHz CPU上的相应CPU实现快50倍。
2019-08-19 cs.LG q-bio.QM stat.ML
Learning Insulin-Glucose Dynamics in the Wild
Apple(苹果公司)
我们开发了一种新的胰岛素-葡萄糖动力学模型,用于预测1型糖尿病患者的血糖。我们通过引入由机器学习序列模型驱动的时变动力学来增强现有的生物医学模型。我们的模型保持了生理上合理的归纳偏差和临床上可解释的参数-例如,胰岛素敏感性--同时继承了现代模式识别算法的灵活性。建模成功的关键是灵活的,但结构化的表示主题变异与序列模型。相比之下,像LSTM这样约束较少的模型无法提供可靠或生理上合理的预测。我们进行了广泛的实证研究。我们表明,允许生物医学模型动态随时间变化,提高了预测在长时间范围内,长达6小时,并产生预测与胰岛素和碳水化合物的生理效应一致。
2020-08-06 cs.LG stat.AP stat.ML
Model Predictive Control (MPC) of an Artificial Pancreas with Data-Driven Learning of Multi-Step-Ahead Blood Glucose Predictors
University of Trento(特伦托大学);University of Houston(休斯顿大学)
本研究提出一种集成数据驱动LSTM多步血糖预测的LTV MPC人工胰腺算法,在无餐前大剂量的三种仿真场景中,较传统ARX-MPC显著提升血糖达标率、降低严重低血糖风险,闭环性能更优。
2023-07-22 cs.AI cs.LG cs.SY