用于血糖预测和低血糖检测的运动感知基于 Transformer 的多任务学习

《IFAC Journal of Systems and Control》:Exercise-aware transformer-based multitask learning for glucose prediction and hypoglycemia detection

【字体: 大 中 小 】 时间:2026年10月24日 来源:IFAC Journal of Systems and Control 1.9

编辑推荐:

   摘要 运动可引发快速、延迟及夜间血糖变化,这使 1 型糖尿病患者(T1D)的血糖预测和低血糖检测变得复杂。我们评估了一种多模态双头多任务框架,其中共享编码器预测未来的连续血糖监测轨迹,并单独分类血糖是否在 30、60 或 120 分钟的预测视野内降至 70 mg/dL 以下。

  

摘要
运动可引发快速、延迟及夜间血糖变化,这使 1 型糖尿病患者(T1D)的血糖预测和低血糖检测变得复杂。我们评估了一种多模态双头多任务框架,其中共享编码器预测未来的连续血糖监测轨迹,并单独分类血糖是否在 30、60 或 120 分钟的预测视野内降至 70 mg/dL 以下。输入包括来自 T1DEXI 数据集 404 名参与者的葡萄糖、胰岛素、碳水化合物摄入量、心率和体力活动信号。使用按参与者隔离的训练、验证和测试划分,比较了 DLinear、iTransformer、PatchTST 和 TimeXer 骨干网络,并进行参与者级别的预测评估和统计比较。预测误差随着预测视野的增加而增加。iTransformer 在 30 分钟时的最低总体均方根误差(RMSE)为 13.49 mg/dL,60 分钟时为 21.96 mg/dL,而 TimeXer 在 120 分钟时为 32.62 mg/dL。低血糖检测显示出一致的灵敏度与警报负担权衡。iTransformer 在三个视野内的总体召回率分别为 0.87、0.84 和 0.81,而 DLinear 产生了最低的交付假警报负担,分别为每位参与者每天 5.12、10.36 和 29.37 次警报。先预测后阈值法保持了近乎完美的特异性和每位参与者每天少于一次的交付假警报,但召回率较低。单任务检测器提高了灵敏度,但可能产生不利的警报负担,而双头多任务学习通常提供更温和的操作特征,但并非始终占优。这些回顾性结果表明,血糖预测和低血糖检测提供了互补信息。

引言
1 型糖尿病(T1D)管理旨在将血糖维持在 70–180 mg/dL 的目标范围内,同时限制低血糖(<70 mg/dL)和高血糖(>180 mg/dL)。连续血糖监测(CGM)每几分钟提供一次测量,并可实现数据驱动的血糖预测,但当生理状况快速变化时,预测变得更加困难。CGM 技术还促成了血糖(BG)预测模型的发展,这些模型可预测未来的血糖变化,并可能支持及时调整胰岛素输送或碳水化合物摄入量。生理模型明确表征了潜在的代谢过程,而数据驱动方法直接从 CGM 和上下文信号中推断预测模式。机器学习和深度学习方法特别适合整合大规模生理和行为时间序列数据(Jacobs 等人,2024;Shuvo 和 Islam,2023)。

CGM 提供了丰富的时间序列数据,使得可以在大规模、高分辨率数据集上训练数据饥渴的深度学习模型进行 BG 预测。深度神经网络如循环神经网络(RNN)、卷积神经网络(CNN)和 Transformer 推动了重大进展,早期作品包括:Zecchin 等人(2014)提出了一种跳跃神经网络,使用历史 CGM 和碳水化合物摄入量进行 30 分钟 BG 预测;Zhu 等人(2020)开发了基于 RNN 的模型,以捕捉长期时间依赖关系用于短期预测;Martinsson 等人(2020)引入了一种 RNN,使用 CGM 信号预测最长 60 分钟后的 BG。在 RNN 中,长短期记忆(LSTM)网络被广泛用于建模非线性动力学和长程依赖关系,通常纳入膳食、胰岛素和其他生理或行为因素(Mosquera-Lopez 和 Jacobs,2022;Rabby 等人,2021)。

混合架构利用了 CGM 时间序列中的互补结构。CNN-LSTM 模型共同捕捉 CGM 轨迹中的局部模式和较长期的时间依赖关系(Jaloli & Cescon,2023)。最近,针对 T1D 患者的 BG 预测已转向个性化、多模态和基于 Transformer 的架构(Fathi 等人,2024)。Transformer 特别适合较长时间视野的 BG 预测,因为它们可以表示延长的时间依赖关系和异质输入之间的相互作用(Acuna 等人,2023;Hakim 等人,2024;Xue 等人,2024;Zhu 等人,2024)。Zheng 等人(2026)提出了一种带有编码器 - 解码器 LSTM 的元迁移学习框架,用于少样本个性化 BG 预测,从有限的个体数据中获得高精度。Deng 等人(2026)开发了结合系统生物学信息神经网络与深度强化学习的患者特异性模型,以自动化胰岛素给药,同时考虑膳食和体力活动。Rigamonti 等人(2026)提出了一种多模态、患者特异性的深度学习方案,通过在个体数据上微调预训练模型来改进不良血糖事件预测。

Transformer 架构经过进一步定制以改进 CGM 时间序列分析。Koca 和 K?l??(2026)提出了趋势加权多分辨率 Transformer 以建模时间依赖关系和多尺度模式。Cichosz 等人(2026)评估了用于较长时间视野血糖预测的基础模型,Soumma 和 Ghasemzadeh(2026)引入了一种上下文感知的检索增强方法,将多模态 Transformer 与大语言模型配对。

总体而言,这些研究反映了向个性化、多模态和基于 Transformer 的血糖预测的转变。然而,大多数模型并非专门设计用来捕捉体力活动的快速和延迟血糖效应,这促使了纳入活动相关信号的运动感知方法的发展。

预测体力活动(PA)期间及之后的血糖仍然特别具有挑战性,因为运动可能产生快速、延迟甚至相反的血糖反应。有氧运动通常增加外周葡萄糖摄取,并可能导致血糖快速下降,而阻力、无氧或高强度运动最初可能会通过反调节激素反应增加血糖(Riddell 和 Perkins,2006;Yardley 等人,2013)。对这些反应的不确定性和对运动诱导低血糖的恐惧可能会阻碍规律的 PA,尽管它在 T1D 中具有心血管和代谢益处(Brazeau 等人,2008)。

运动反应取决于活动类型、强度和持续时间,以及基线血糖、血糖趋势、体内胰岛素、碳水化合物摄入量、心肺适能和个体生理。因此,同样的活动在不同个体之间以及同一个体之间的不同会话中可能产生不同的血糖反应(Tyler 等人,2022)。运动后胰岛素敏感性增加可能持续数小时,将低血糖风险延伸到恢复期(Riddell 等人,2017;Scott 等人,2021)。根据运动时间,这种风险可能会延伸到夜间时段(McCarthy 等人,2021;Scott 等人,2021)。因此,具有临床相关性的预测区间不仅限于活动本身,还包括延迟的运动后风险。

越来越多的证据表明,心率、加速度计和运动强度等运动相关信号可能提供超出 CGM 历史本身的信息。Mu?oz-Organero(2020)和 Arora 等人(2023)的综述描述了结合胰岛素、碳水化合物和运动变量的多元数据驱动模型。深度学习架构,包括跳跃神经网络、CNN-LSTM 模型、基于注意力的模型和多模态平台,也已用于评估与运动相关和自由生活血糖预测(Calzavara 等人,2025;De Paoli 等人,2021;Kalita 等人,2024;Neumann 等人,2025;Rodríguez-Rodríguez 和 Campo-Valera,2024)。

结合 CGM 和活动数据的研究检查了低血糖风险和运动后血糖轨迹(Van Doorn 等人,2021;Ying 等人,2025)。自适应和个性化方法展示了运动相关血糖反应中存在显著的和个体间变异性(Tyler 等人,2022)。心率、体内胰岛素、运动前血糖和其他上下文措施也被确定为潜在的信息预测因子(Mosquera-Lopez 等人,2023;Reddy 等人,2019)。

可穿戴设备衍生的生理信号可能在完整的血糖反应在组织间液中显现之前识别活动开始和强度。它们对连续血糖预测和低血糖检测的价值应通过经验进行评估,而不是仅从平均预测误差推断。

最近的工作已将机器学习和深度学习方法应用于低血糖预测。Shao 等人(2024)开发了一种在 1 型和 2 型糖尿病中评估的 LSTM 模型。Zhang 等人(2023)综述了低血糖预测方法,并指出专注于运动诱导低血糖的研究很少。Kodama 等人(2021)的荟萃分析强调了纳入饮食、PA 和治疗信息等上下文变量的重要性。Piersanti 等人(2025)评估了使用运动前 CGM 数据的双向 LSTM,并将其与特征工程机器学习方法进行比较。

在运动期间和之后,血糖预测可能无法识别包含低血糖的每个视野。因此,这两个头处理相关但不同的目标:回归头预测血糖轨迹,而分类头检测视野内是否发生低血糖。通过联合训练,这两个任务塑造共享表示,这在快速变化的运动相关期间可能特别有用。

章节摘要
方法
本研究使用真实的 T1DEXI 数据集评估了一个运动感知、多模态、双头多任务学习框架。DLinear、iTransformer、PatchTST 和 TimeXer 在 30、60 和 120 分钟的预测视野中进行评估。分析评估了参与者级别的血糖预测性能、全多元输入的贡献、先预测后阈值与单独单任务比较,以及预测衍生和专用低血糖决策之间的一致性。

结果
我们在多任务框架内评估了 DLinear、iTransformer、PatchTST 和 TimeXer,用于同时血糖预测和低血糖检测。血糖预测性能使用 RMSE、MAE 和 MARD 进行评估,而低血糖检测性能使用患病率、召回率、精确率、F1 分数、特异性、平衡准确率、ROC AUC、PR AUC 和每位参与者每天的交付假警报(FA/pt/day;15 分钟延迟策略)进行评估。如表 2 所示,性能

讨论
在不同视野和阶段,低血糖检测涉及明显的灵敏度与警报负担权衡。预测阈值(先预测后阈值)保持保守,实现了近乎完美的特异性和非常低的交付假警报负担,但召回率在较长视野内显著下降。专用分类器提高了召回率,但单任务训练可能在某些设置下产生不利的操作点(例如,低特异性和高警报负担)。双头 MTL 往往

结论
本研究显示血糖预测和低血糖检测是相关但不同的任务,会产生不同的操作权衡。在不同视野和生理阶段,先预测后阈值具有高度特异性但灵敏度不足,而专用分类器以额外的假警报为代价提高了灵敏度。双头 MTL 往往提供更温和的操作特征,但其效益仍取决于架构和视野。双头分析

CRediT 作者贡献声明
Meryem Altin Karagoz:撰写 – 原稿、可视化、软件、方法论。
Marc D. Breton:撰写 – 审查与编辑、监督。
Anas El Fathi:撰写 – 审查与编辑、监督。

生成式 AI 和 AI 辅助技术在写作过程中的声明
作者使用了 ChatGPT、Writefull 和 NotebookLM,以优化语言、提高清晰度并建议组织和措辞。所有使用这些工具生成或修改的文本均已由作者审查、验证和编辑,作者对最终文章负全责。

利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Meryem Altin Karagoz 通过其机构从 Tandem Diabetes Care 获得研究支持和版税。Marc D. Breton 拥有弗吉尼亚大学管理的糖尿病技术专利作品。Marc D. Breton 现在是胰岛素泵制造商 Tandem Diabetes Care 的员工。在本研究进行时,Marc D. Breton 在 UVA 中心任职。

致谢
本工作得到了国家卫生研究院(NIH)的支持,资助编号为 1R01DK133148。

Meryem Altin Karagoz|Marc D. Breton|Anas El Fathi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号