多模态 Transformer 血糖预测：从监督学习到无创估计

本文介绍由Temple大学团队开源的多模态Transformer血糖预测项目，涵盖监督式（glucose_transformer）和非侵入式（noninvasive_glucose）两个子系统，核心创新包括跨模态注意力机制、不确定性量化、模型校准等，旨在解决传统连续血糖监测（CGM）设备的植入式、高成本等痛点，提供从监督学习到完全无创估计的完整技术路径。

血糖监测是糖尿病管理核心环节。传统CGM设备需植入式传感器，存在成本高、舒适度差、依从性低等问题。开发基于非侵入性生理信号（如心率、心电图、肌电图等）的血糖估计方法，是可穿戴健康监测领域重要方向。本项目开源提供从监督学习到完全无创估计的完整技术方案，包含两个子系统：监督式预测系统glucose_transformer和非侵入式估计系统noninvasive_glucose，共享核心架构但服务不同场景。

监督式预测系统（glucose_transformer）：训练推理均用血糖数据作为输入特征之一，目标预测未来30/60分钟血糖值，采用分阶段学习路径（从单一心率逐步引入多模态）。

非侵入式估计系统（noninvasive_glucose）：训练用血糖数据为监督信号，推理时完全不依赖血糖输入，仅靠生理信号估计当前血糖，模拟真实部署场景。

两系统体现技术演进思路：监督系统为学习路径，引入自注意力等概念；非侵入系统增加约束，引入不确定性量化和模型校准。

跨模态注意力融合机制：以心率为查询，其他模态（ECG、EMG、脑血流）为键值，EEG用摘要令牌降低复杂度。

多尺度EEG处理：探索频域分带、分块处理、层次化处理三种策略，权衡信息保留与计算效率。

不确定性量化：非侵入系统输出血糖估计值和对数方差，量化预测不确定性。

模型校准：实现温度缩放等技术，确保预测概率与实际观测频率匹配，提升不确定性估计可靠性。

监督系统用OhioT1DM数据集（1型糖尿病患者多日监测记录）训练评估；非侵入系统用PhysioCGM数据集或合成数据回退方案。

评估指标：均方根误差（RMSE）、Clarke误差网格A+B区域比例。非侵入系统当前提交版本RMSE为21.81mg/dL，100%预测落在A+B区域（注：smoke test结果，非完整收敛报告）。

分阶段学习路径：五阶段渐进式设计

• PartA：仅心率信号，学习自注意力和位置编码
• PartB：引入ECG和EMG，学习跨模态融合
• PartC：加入EEG和脑血流，掌握多模态处理
• PartD：增加用户条件化，学习个性化建模
• 非侵入系统：移除血糖输入约束，整合技术并引入不确定性量化

部署考量：针对6GB VRAM优化，支持消费级GPU；代码结构清晰，依赖明确，环境配置简单；提供完整文档体系（理论、架构、训练等）。

本项目展示多模态深度学习在医疗健康领域的创新应用，通过跨模态注意力、不确定性量化、分阶段学习等策略，在资源约束下实现有竞争力的血糖预测性能。对关注可穿戴健康监测、多模态机器学习、医疗AI部署的研究者和工程师，是极具参考价值的开源项目。