Lightweight Sequential Transformers for Blood Glucose Level Prediction in Type-1 Diabetes

要約

1型糖尿病（T1D）は世界中の数百万人に影響を及ぼし、重度の低血糖イベントを防ぐために継続的な監視が必要です。
継続的なグルコースモニタリングにより血糖管理が改善されましたが、ウェアラブルデバイスに予測モデルを展開することは、計算およびメモリの制約のために依然として困難です。
これに対処するために、T1Dの血糖予測のために設計された新しい軽量シーケンシャルトランスモデルを提案します。
トランスの注意メカニズムの強度と再発性ニューラルネットワークの連続的な処理を統合することにより、当社のアーキテクチャは計算効率を維持しながら長期依存関係を捉えています。
このモデルは、リソース制約のあるエッジデバイスの展開に最適化されており、バランスの取れた損失関数を組み込んで、低血糖および高血糖イベントの固有のデータの不均衡を処理します。
2つのベンチマークデータセット、Ohiot1DMとDiatrendの実験は、提案されたモデルがグルコースレベルを予測し、有害事象を検出する際に最先端の方法を上回ることを示しています。
この作業は、高性能モデリングと実用的な展開とのギャップを埋め、信頼できる効率的なT1D管理ソリューションを提供します。

要約(オリジナル)

Type 1 Diabetes (T1D) affects millions worldwide, requiring continuous monitoring to prevent severe hypo- and hyperglycemic events. While continuous glucose monitoring has improved blood glucose management, deploying predictive models on wearable devices remains challenging due to computational and memory constraints. To address this, we propose a novel Lightweight Sequential Transformer model designed for blood glucose prediction in T1D. By integrating the strengths of Transformers’ attention mechanisms and the sequential processing of recurrent neural networks, our architecture captures long-term dependencies while maintaining computational efficiency. The model is optimized for deployment on resource-constrained edge devices and incorporates a balanced loss function to handle the inherent data imbalance in hypo- and hyperglycemic events. Experiments on two benchmark datasets, OhioT1DM and DiaTrend, demonstrate that the proposed model outperforms state-of-the-art methods in predicting glucose levels and detecting adverse events. This work fills the gap between high-performance modeling and practical deployment, providing a reliable and efficient T1D management solution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google