Heart Rate Monitoring for Early Detection of Physical Activity–Induced Hypoglycemia in Type 1 Diabetes

講者、研究團隊與臨床問題背景

本場由 Alice Adenis 報告題為 「Heart rate monitoring for early detection of physical activity–induced hypoglycemia in type 1 diabetes」 的研究。她代表同事 Pierre Gautier 進行發表；兩人皆為 Diabeloop 的 research engineers。Diabeloop 是一家法國公司，開發 closed-loop insulin delivery system；本研究與其 closed-loop 系統中的 physical activity management module 有直接關聯。

利益揭露與機構背景：研究團隊隸屬 Diabeloop SA；聯絡窗口為 Diabeloop research team（research@diabeloop.fr）。

過去一年半左右，團隊聚焦於 身體活動（physical activity, PA）在第 1 型糖尿病管理中的影響，尤其是如何把身體活動相關資料整合進 Diabeloop closed-loop system 的演算法中。對第 1 型糖尿病患者而言，身體活動是血糖控制中的重大變項：它常常造成血糖變動，並且可能導致難以預測的低血糖。若活動未事先被患者宣告，系統就缺乏提前調整胰島素的機會，因此更容易出現活動誘發的低血糖。

這項研究的核心目標，是改善現有的 physical activity management module：

偵測未宣告的身體活動（unannounced physical activity）；
判斷這類活動是否可能誘發即將發生的低血糖；
利用可穿戴裝置資料，尤其是 heart rate（HR） 與 actigraphy／step count，建立可提前反應的預測流程。

資料來源：T1DEXI 真實世界運動資料與智慧手錶訊號

本研究使用來自 Type 1 Diabetes Exercise Initiative（T1DEXI） 的資料。這個 initiative 提供大量第 1 型糖尿病患者在真實世界中進行運動與身體活動時的資料，包含智慧手錶所收集的 heart rate 與 step count。講者描述此資料來源約包含 500 位第 1 型糖尿病患者，這讓研究團隊得以在接近真實生活情境的資料中分析活動、心率變化與低血糖之間的關係。

在後續預測模型所選取的分析子集中，資料包含 10,210 個 detected activity periods，來自 377 位 patients；測試集則包含 2,629 個 periods，來自 95 位 patients。

這類資料對 closed-loop system 的開發特別重要，因為它不是單純在實驗室中控制運動型態，而是反映患者在日常環境中實際活動、使用智慧手錶、並同時接受糖尿病治療的情境。

第一階段：回溯性分析——低血糖前是否曾出現身體活動訊號？

研究的第一部分是一個 retrospective insight。團隊先從資料集中找出所有低血糖事件，接著回看每個低血糖事件發生前 2 小時 的資料，試圖回答：這些低血糖是否可能是由先前的身體活動所誘發？

在這個回溯性分析中，團隊檢查了三類線索：

患者是否曾在低血糖前宣告身體活動；
低血糖前是否出現 heart rate increase，也就是心率是否超過預先定義的心率閾值；
低血糖前是否有 step count increase，特別是步數增加是否持續超過 10 分鐘。

心率判定不是單純看絕對心率值，而是將心率與一個 threshold 進行比較，以判斷是否有活動相關的生理訊號。後續方法投影片中將此閾值標示為 HR > HRth；心率特徵工程並結合與 heart-rate reserve 及訓練負荷相關的概念，包括 Karvonen et al. 關於心率反應的工作，以及 Banister et al. 的 training impulse／TRIMP 相關指標。

回溯性分析結果：低血糖前常可看到活動訊號，尤其是心率

第一個主要結果是：在所有低血糖事件中，約 40% 的低血糖在發生前曾被偵測到身體活動訊號。

其中，多數活動偵測是由 heart rate 觸發。部分事件也同時伴隨 step count 增加，也就是心率與步數都呈現活動訊號；但若把所有類別加總，heart rate 參與了約 80% 的案例。這表示，在此資料集中，heart rate 是偵測低血糖前身體活動足跡最敏感的訊號。

團隊也計算了「被偵測到的身體活動」與「後續低血糖」之間的時間差。結果顯示，兩者之間大約有 1 小時左右的時間差。這一點在臨床與演算法設計上非常關鍵：如果系統能在低血糖發生前辨識到身體活動訊號，就可能有時間進行介入，例如調整胰島素給予或提示使用者補充碳水化合物。

不過，這個分析也有明顯限制。它是從低血糖事件出發，再往前尋找是否有身體活動，因此存在強烈的 selection bias。換句話說，這種分析可以告訴我們「低血糖前是否常有活動」，但不能回答「當系統偵測到活動時，是否能預測接下來會不會低血糖」。因此，團隊進入第二階段：從「detected activity」出發，預測其後是否發生低血糖。

第二階段：以 detected physical activity 為起點，預測 30 分鐘後低血糖

第二階段的分析更接近實際 closed-loop system 需要執行的任務：當系統偵測到未宣告的身體活動後，是否能預測患者接下來是否會發生低血糖？

團隊首先利用前述 heart rate threshold 偵測身體活動，也就是在系統使用期間尋找 HR > HRth 的事件。接著，針對每一個 detected activity，擷取其前方 120 分鐘 training window 作為模型輸入，並將模型目標設定為預測該 detected activity 後 30 分鐘 內是否會發生低血糖。

方法設計可概括為：以 detected activity 為 index event，使用其前 120 分鐘 time-series window，預測 +30 min 是否出現 hypoglycemia。資料集特別選擇 non-announced physical activity，即未由患者事先宣告、但可由 HR threshold 偵測到的活動。

為了訓練分類模型，資料集被平衡化：一半 detected activity 後續有低血糖，一半後續沒有低血糖。整體資料約有 10,000 個 data points，其中 25% 被保留作為 test set，其餘用於訓練演算法。

具體資料規模為 10,210 periods / 377 patients；測試集約占 25%，為 2,629 periods / 95 patients。資料集中 with hypoglycemia 與 without hypoglycemia 約各占 50%，形成 equilibrated dataset。

特徵工程：從代謝資料、心率與步數時間序列抽取可分類訊號

模型化的第一步是從各種 time series 中抽取 features。團隊使用的輸入包含：

glucose；
insulin；
carbohydrates；
step count；
heart rate 相關指標。

時間序列特徵抽取採用 ROCKET 系列方法。講者指出，這是一種針對 time-series classification 的 feature extractor，並引用 Tan 等人的工作。方法投影片進一步標示為 MultiRocket，其流程包含對 concatenated time series 使用 random 1-D kernels 進行 sliding dot-product，接著透過 pooling operations，例如 MAX 與 PPV（proportion of positive values），形成 feature vector，再交由 classifier 分類；引用文獻為 Tan C.W. et al., 2022, Data Mining and Knowledge Discovery。

除了原始或抽取後的 time-series features，團隊也加入 heart rate 相關的 summary features，例如：

心率超過 threshold 的程度或時間；
heart rate reserve percentage；
與訓練負荷／活動強度相關的趨勢指標。

心率相關指標的背景包括 Karvonen heart-rate reserve 概念與 Banister TRIMP 訓練負荷框架，用來將單純心率訊號轉換為更接近活動強度與生理負荷的特徵。

在完成 feature extraction 後，團隊使用一組 classification models 進行訓練，並透過預先定義的選模與 hyperparameter optimization 流程挑選較佳模型。報告中特別呈現兩類結果：

只使用 wearable inputs：heart rate + step count；
使用 glucose + insulin + carbohydrates 的代謝資料模型，並比較加入 heart rate 與 step count 後是否改善表現。

結果一：僅使用 heart rate 與 step count，可偵測到低血糖前的訊號，但分類表現有限

第一組結果只使用 heart rate 與 step count。這是為了隔離 wearable data 本身的訊號強度，檢視在不直接使用血糖資料的情況下，可穿戴裝置是否能捕捉到即將低血糖的活動相關特徵。

講者以 confusion matrix 解釋模型表現：左側為 true label，下方為 predicted label。若真實為 hypoglycemia 且模型也預測為 hypoglycemia，則屬於正確偵測。將這些正確偵測的低血糖除以所有真實低血糖事件，即為 hypoglycemia class 的 recall。在此模型中，約 70% 的低血糖事件被正確偵測到。

同時，團隊也計算 precision：在所有被模型預測為 hypoglycemia 的事件中，有多少是真正低血糖。結果顯示，約有 30% 被預測為低血糖的事件其實不是真正低血糖，也就是存在相當比例 false positives。

wearable-only 模型使用 MultiRocketHydraClassifier；balanced accuracy 為 69.6%，AUC-ROC 為 0.696。confusion matrix 中，真實 no_hypo 有 891 例被正確預測為 no_hypo、419 例被誤判為 hypo；真實 hypo 有 955 例被正確預測為 hypo、387 例被誤判為 no_hypo。對 hypoglycemia 的 recall 為 0.712，precision 為 0.695；no_hypo 的 recall 為 0.680，precision 為 0.697。

這組結果的意義是雙重的。一方面，heart rate 與 step count 確實捕捉到某種與後續 glycemic drop 相關的 signature；也就是說，即使不直接追蹤 glucose，wearable data 仍能提供低血糖風險的線索。另一方面，AUC 約 0.70，雖然代表模型有訊號，但仍不足以稱為非常強的分類器，因此團隊進一步檢視代謝資料模型。

整體結論投影片將 wearable-only predictive models 概括為「modest performance」，AUC 約 0.75；本次呈現的 heart rate + step count 具體模型 AUC-ROC 為 0.696，可解讀為：wearable 訊號存在，但單獨使用時仍有明顯效能限制。

結果二：glucose、insulin、carbohydrates 模型提供較強 baseline

第二組模型使用 glucose、insulin 與 carbohydrates，也就是更直接反映代謝狀態與治療輸入的資料。這個模型的表現明顯優於僅使用 wearable inputs 的模型。

講者指出，使用 glucose、insulin、carb data 後，低血糖的 recall 約為 91%，代表模型能捕捉到大部分即將發生的 hypoglycemia events。precision 也有所改善，但仍約有 30% 左右的 predicted hypoglycemia 並非真正低血糖，因此 false alarms 仍然是問題。AUC 約為 91%，相較 wearable-only 模型有顯著提升。

代謝資料模型使用 RandomForestClassifier。metabolic-only baseline（glucose + insulin + carbs）可捕捉 91.1% 的 upcoming hypoglycemic events，AUC-ROC 約 0.910–0.911，balanced accuracy 為 77.4%；hypoglycemia precision 約 0.720，對應 false alarm rate 約 28%。

這表示，在 detected physical activity 事件已經被 heart rate threshold 預先選出之後，單靠後續的 glucose、insulin 與 carbohydrate dynamics，模型已能推斷出未宣告運動對生理狀態造成的影響。也就是說，雖然活動偵測需要心率作為 trigger，但一旦進入低血糖預測階段，代謝資料本身已包含相當強的訊號。

加入 wearable data 至代謝模型後，表現並未改善，反而降低 precision

研究中一個有趣結果是：雖然 heart rate 與 step count 單獨使用時能捕捉低血糖前的 signature，但把它們加入 glucose、insulin、carbohydrate 模型後，並沒有提升整體預測表現。講者說明，在 fused model 中，recall 大致維持，但 precision 變差，AUC 也下降。

加入 heart rate 與 step count 後，balanced accuracy 從 77.4% 降至 74.0%；AUC-ROC 從約 0.910 降至 0.903；hypoglycemia precision 從 0.720 降至 0.678，false alarm rate 從約 28% 增加到 32%。

因此，在這個分析框架中，最佳 baseline 反而是 glucose + insulin + carbohydrates 模型，而不是加入 wearable data 的 combined model。不過這並不表示 heart rate 沒有價值。關鍵在於：整個分析流程一開始就是依靠 heart rate threshold 來偵測未宣告活動，因此 heart rate 對系統實作仍是必要的 trigger。

換言之，heart rate 的角色可能更適合作為 activity detection / event preselection，而低血糖風險預測則主要由 glucose、insulin、carb dynamics 來完成。

模型結論可表述為：metabolic-only baseline 能在 heart-rate preselection 之後，從下游 insulin 與 glucose dynamics 推斷未宣告運動的生理影響；但 wearable features 直接加入分類器後，並未在此資料切分與模型設定中改善 precision 或 AUC。

系統開發意義：從未宣告活動偵測到 30 分鐘低血糖預測

本研究並非單純建立一個離線分類器，而是服務於 Diabeloop closed-loop system 中 physical activity management module 的開發。現有模組可處理患者宣告的身體活動，並在活動前後調整 insulin delivery，以降低低血糖風險。然而在真實世界中，許多活動並不會被事先宣告，因此系統需要能夠在活動發生時即時反應。

本研究提出的架構可分為兩步：

使用 smartwatch heart rate 偵測未宣告身體活動
當 heart rate 超過 threshold 時，系統可判定可能存在 unannounced physical activity。
在 detected activity 後執行 forecasting model
以近期 glucose、insulin、carbohydrates 等資料預測接下來 30 分鐘是否會發生 hypoglycemia。

臨床 takeaway 是：智慧手錶資料，尤其是 heart rate，可以用於辨識未宣告運動；接著可在 closed-loop 系統中啟動 forecasting model，在低血糖事件發生前約 30 分鐘提供預警或介入機會。

最後，研究團隊感謝 Type 1 Diabetes Exercise Initiative（T1DEXI） 與參與者，使這項真實世界資料分析得以進行。致謝中並列出 Diabeloop 與 DBL Diabetes 網站：www.diabeloop.com、www.dbl-diabetes.com。

現場問答與討論

與既有文獻及 prior AID systems 的關係

第一個問題要求團隊將本研究放在既有文獻脈絡中。提問者指出，早在 2010 年左右就已有 AID systems 使用 heart rate 在運動期間調整 insulin delivery；此外，OHSU 團隊在 2023 年也曾基於 T1DEXI 資料進行 random forest 等分析，使用 heart rate 與 steps 預測相關結果，AUC 約在 0.8 以及 0.6–0.7 的範圍。提問者希望了解本研究與這些既有工作的差異，以及下一步方向。

回答中強調，本研究是在 Diabeloop 產品開發目標下進行，核心目的是改善 closed-loop system 的 physical activity module。現有模組主要處理患者已宣告的運動，透過在運動前後降低 insulin delivery，來處理活動帶來的長時間影響。現在團隊希望加強的是更 reactive 的部分：當未宣告活動實際發生時，系統能立即偵測並回應，尤其是偵測即將到來的低血糖風險。

當提問者追問是否已與 prior literature 做直接比較時，回答是：這項比較仍在進行中，未來會進一步與既有研究結果對照。

是否使用 GPS、location 或其他感測資料？

另一個問題詢問，除了 heart rate 與 steps，是否考慮使用 GPS、location 等資料來幫助判斷患者是否正在活動。

回答中指出，在目前分析中，heart rate 的效果較好；相對地，step count 並沒有呈現非常強的訊號。團隊目前因此更聚焦於 heart rate。換言之，雖然步數與其他感測器資料可能有潛力，但在這套資料與此分析目標中，heart rate 是最具辨識力的 wearable footprint。

資料不平衡問題

最後一個問題來自同樣從事 classifier 開發的提問者，關注 imbalanced dataset。在真實世界中，某位 participant 一天可能只有一兩次 hypoglycemia events，其餘時間都在正常範圍，這會使資料高度不平衡，並增加 random forest 等分類器訓練的難度。

回答中說明，目前的分析流程是先用 heart rate threshold 偵測身體活動，將其視為 event，再針對這些 detected activity 預測後續是否發生低血糖。因此模型不是在全天候每個時間點上直接分類，而是先做 activity-based event selection。至於在真實世界資料中，hypoglycemia 與 non-hypoglycemia 的事件比例、不同受試者低血糖頻率差異、以及如何在模型訓練中處理這些不平衡，仍是未來研究需要處理的問題。

在本次呈現的主要建模資料集中，團隊先建構了 with hypoglycemia 與 without hypoglycemia 各 50% 的平衡資料集；但這不等同於真實部署場景中的事件比例，因此 subject-level 與 real-world deployment imbalance 仍需後續分析。

Take-home Summary

第 1 型糖尿病患者的身體活動常造成難以預測的低血糖，尤其是 未宣告活動 對 closed-loop system 是重大挑戰。
回溯性分析顯示，約 40% 低血糖事件前可偵測到身體活動訊號；其中 heart rate 是最敏感的 footprint，參與約 80% 的相關案例。
detected activity 與後續低血糖之間約有 1 小時 時間差，代表若能早期偵測活動，可能有時間介入。
以 heart rate threshold 偵測未宣告活動後，使用前 120 分鐘 資料預測後 30 分鐘 低血糖，是本研究的主要建模架構。
僅使用 heart rate + step count 的 wearable-only 模型可捕捉低血糖前訊號，但表現中等：AUC-ROC 約 0.696，hypoglycemia recall 約 0.71。
使用 glucose + insulin + carbohydrates 的 metabolic-only model 表現較佳：hypoglycemia recall 約 91.1%，AUC-ROC 約 0.91。
將 heart rate 與 step count 加入 metabolic model 後，precision 與 AUC 反而下降；因此 heart rate 在此架構中更像是 未宣告活動偵測與事件觸發工具，而低血糖預測主要仰賴代謝資料。
臨床與系統開發重點是：smartwatch heart rate 可用於偵測 unannounced exercise，並啟動 forecasting model，在低血糖前約 30 分鐘預測風險，支援 closed-loop system 更即時的 physical activity response。