多源生理信息驱动的人工胰腺系统血糖动态预报与异常状态智能评估

In recent years, with the miniaturization and intellectualization of wearable devices, the blood glucose management systems, such as "Artificial Pancreas", can obtain more real-time physiological information besides blood glucose dynamics. On this basis, the approaches of blood glucose dynamic prediction and intelligent assessment for abnormal status driven by multi-source physiological information will become a hot issue in the field of "artificial pancreas". Firstly，this project will study on feature extraction and dynamic fusion for "large-scale" physiological information provided by multi-wearable devices, and identify the physiological status and critical parameters that affect blood glucose fluctuations；Secondly, a data and knowledge driven multi-model fusion method will be designed, and the model selection mechanism and fusion rules are optimized to approach the online prediction of blood glucose dynamics；Then, based on physiological status recognition and blood glucose prediction results, a “hyper/hypo glycemia” early warning system will be designed according to clinical safety requirements, and an intelligent abnormal assessment co-inference method based on qualitative and quantitative information will be proposed to analysis the underlying causes of pathoglycemia. All such work would have important theoretical research significance and clinical application value for the approaches of intelligent blood glucose management of "insulin-dependent" diabetes mellitus. Meanwhile, it also lays a theoretical foundation and technical guarantee for the application and popularization of artificial intelligence methods in the field of bioengineering.

近年来，随着可穿戴设备的小型化与智能化，使“人工胰腺”这一血糖管理系统能够获得除血糖动态外更多的实时生理监测信息。在此基础上，实现多源生理信息驱动下的血糖动态预报与异常状态智能化评估，成为了新模式下“人工胰腺”领域的研究热点问题。本项目首先对多类别可穿戴设备的“大规模”生理信息进行特征提取与动态融合，对影响血糖波动的生理状态及关键参数进行识别；其次，设计知识与数据共同驱动的多模型融合建模方法，并基于这一框架优化模型选择机制及融合规则，实现在线血糖动态预报；随后，基于生理状态识别与血糖预测结果，设计符合临床安全性要求的“高/低血糖”预警系统，并提出定性信息与定量信息协同推理的异常状态智能评估方法，对造成血糖异常的原因进行分析。上述方法对实现“胰岛素依赖型”糖尿病的智能化血糖管理具有重要的理论研究意义与临床应用价值，同时也将为人工智能方法在生物工程领域的应用与推广奠定理论基础与技术保障。

中国糖尿病患者具有基数大，病程长，个体化差异明显，医院集中化管理难度高，医疗支出庞大等特性，随着可穿戴设备及智能化方法的发展，使得“精准控糖，个性化血糖管理”逐渐成为未来的发展趋势，其核心在于：对血糖异常模式的准确认知，如血糖动态模式的识别、预测及风险评估等。其研究关键在于：疾病发展模式复杂、患者间个体化差异显著、数据量大、维度高、标准化程度差等。项目通过建立糖尿病细分模型、知识提取、深度迁移学习等一系列智能化方法，给出了全面且有针对性的解决方案。主要研究工作包括：首先，研究了可穿戴设备的数据采集和心率相关的特征提取与分类方法，并针对糖尿病患者普遍存在的个体差异性，分析了糖尿病族群个体关联与亚群一致性特征，提出了多层次聚类糖尿病亚型划分方法；其次，提出了多源自主通道的深度学习方法以及基于残差补偿的在线血糖动态预测方法。针对多源混合数据噪声强、信息缺失及数据分布差异明显等问题，提出了基于域自适应深度循环网络（DADRN）的多变量时间序列预测方法；同时，研究数据不充分情境下的深度学习建模问题，并提出片段化数据的迁移学习建模方法以及多尺度LSTM网络，针对个体化建模初期，血糖数据缺失问题，设计了有限历史数据场景下的血糖波动预测网络；最后，针对临床对低血糖实时预警的要求，提出基于血糖序列模式挖掘的多等级低血糖异常预警方法，以及基于多尺度多模态特征挖掘的低血糖预警及风险评估方法。项目执行期间，发表高水平国际期刊论文13篇，其中领域Top期刊4篇，SCI收录13篇，第一/通讯作者论文9篇；申请国家发明专利5项；软件著作权2项。共培养硕士研究生8名，相关成果转化科研立项2项。