编辑推荐：
为解决现有血糖（BG）预测方法忽视生理因素、难以精准反映未来变化的问题，研究人员开发时空自适应（STA）模型，融合生理代谢原理与深度学习。在真实数据集验证中，30 分钟和 60 分钟预测的平均 RMSE 分别为 18.43±2.40 和 29.73±3.88，为后续研究提供新路径。
糖尿病作为威胁人类健康的第三大杀手，是一种因胰岛素分泌相对或绝对不足、胰岛素利用障碍引发的慢性代谢疾病。患者需频繁注射外源性胰岛素并监测血糖，但其自我管理的离散控制方式常具主观性与滞后性，难使血糖维持在稳定正常范围。闭环人工胰腺系统（APs）的出现带来稳定控糖可能，其控制算法基于对血糖水平未来变化的预测，是连接整合 APs 功能的关键环节，故有效血糖预测是 APs 闭环管理策略的基石。然而，血糖水平受众多生理因素影响，数据具高度非线性与个性化特征，实现高精度、强泛化预测挑战重重。
近年，尽管数据驱动模型随深度学习技术与计算机硬件发展表现优异，但仍存关键挑战：血糖受人体复杂生理相互作用影响；外源性因素对血糖的影响跨多个时间尺度，从即时到延迟效应均有；不同外源性模态空间影响各异，传统模型却常将其视为静态单向输入。因此，仅靠历史血糖数据无法描述血糖变化因果关系，开发精准血糖预测模型需深度融合生理因果关系，而单纯依赖数据驱动建模会忽视个体动态，将生理决定因素与数据驱动方法结合对开发个性化预测模型至关重要。
为应对上述问题，大连理工大学等机构的研究人员开展了相关研究，开发出时空自适应（STA）模型，将生理血糖代谢原理与深度学习深度融合用于多模态血糖预测。该研究成果发表在《Biomedical Signal Processing and Control》。
研究用到的主要关键技术方法包括：采用分段异步标志（SAF）融合编码进行模态融合编码与对齐，处理多模态数据时间步无法对齐的问题；在时间尺度上，引入反向注意力机制结合自适应位置编码，模拟人体代谢动力学，将每个外源性模态独立视为一个标记，确保不同模态生理独立性，避免特征纠缠，并自适应增强对预测结果贡献更大时间步的关注，从历史回顾窗口高效提取时间信息；在空间尺度上，通过区分外源性模态对血糖水平的直接和间接生理影响实现层级处理，提出多级多模态融合和模态候选机制，处理类型间和类型内外源性模态影响差异，间接外源性模态通过深度学习进行更深特征提取，直接外源性模态在决策层融合以避免深层融合可能的信息丢失，模态候选机制让网络自动学习特定模态对结果的贡献，防止冗余和信息丢失。
结果
研究进行了全面的方法验证和模块验证研究，将 STA 方法的预测准确性与 SVR、LSTM、TCN 和 Transformer 架构等四种既定方法进行系统基准测试，所有比较分析采用相同预处理流程和时间数据分割协议以确保方法一致性。随后对每个模块进行验证实验，包括反向时间等模块，验证结果表明各模块对模型性能均有积极贡献。通过多维指标验证了 STA 模型在血糖预测中的显著优势，其在 30 分钟预测范围的平均 RMSE 为 18.43±2.40，60 分钟预测范围的平均 RMSE 为 29.73±3.88，优于对比方法。
讨论
研究通过与过去五年国际领先期刊中的最先进方法进行基准测试，对所提出方法的先进性进行了全面评估。多维比较表明 STA 模型在血糖预测中表现更优，验证了其在整合生理因素后对血糖预测性能的提升。该模型从时空角度重新审视多模态对血糖的影响，平衡了可解释性和预测准确性，更好地模拟了多种生理因素对血糖的调节过程，为后续研究提供了新途径。
结论
STA 方法基于生理融合，从时空角度重新审视多模态对血糖的影响。时间尺度上，考虑不同模态影响血糖的不同时滞生理特性，提出反向注意力机制提取时间信息；空间尺度上，通过多级模态融合和候选机制分析区分类型间和类型内外源性模态对血糖的影响。该研究为血糖预测提供了一种结合生理原理与深度学习的新方法，有助于提升闭环人工胰腺系统的性能，为糖尿病患者的血糖管理提供更有效的支持，在糖尿病管理领域具有重要意义，为开发更精准、个性化的血糖预测模型奠定了基础。
