論文の概要: Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction
- arxiv url: http://arxiv.org/abs/2101.06850v1
- Date: Mon, 18 Jan 2021 02:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 06:06:17.412305
- Title: Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction
- Title(参考訳): Kalman Smoothing を用いた重ね合わせLSTMを用いた深部繰り返しニューラルネットワークによる血糖予測
- Authors: Md Fazle Rabby, Yazhou Tu, Md Imran Hossen, Insup Le, Anthony S Maida,
Xiali Hei
- Abstract要約: 本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。
6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。
以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
- 参考スコア(独自算出の注目度): 4.040272012640556
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Blood glucose (BG) management is crucial for type-1 diabetes patients
resulting in the necessity of reliable artificial pancreas or insulin infusion
systems. In recent years, deep learning techniques have been utilized for a
more accurate BG level prediction system. However, continuous glucose
monitoring (CGM) readings are susceptible to sensor errors. As a result,
inaccurate CGM readings would affect BG prediction and make it unreliable, even
if the most optimal machine learning model is used. In this work, we propose a
novel approach to predicting blood glucose level with a stacked Long short-term
memory (LSTM) based deep recurrent neural network (RNN) model considering
sensor fault. We use the Kalman smoothing technique for the correction of the
inaccurate CGM readings due to sensor error. For the OhioT1DM dataset,
containing eight weeks' data from six different patients, we achieve an average
RMSE of 6.45 and 17.24 mg/dl for 30 minutes and 60 minutes of prediction
horizon (PH), respectively. To the best of our knowledge, this is the leading
average prediction accuracy for the ohioT1DM dataset. Different physiological
information, e.g., Kalman smoothed CGM data, carbohydrates from the meal, bolus
insulin, and cumulative step counts in a fixed time interval, are crafted to
represent meaningful features used as input to the model. The goal of our
approach is to lower the difference between the predicted CGM values and the
fingerstick blood glucose readings - the ground truth. Our results indicate
that the proposed approach is feasible for more reliable BG forecasting that
might improve the performance of the artificial pancreas and insulin infusion
system for T1D diabetes management.
- Abstract(参考訳): 血液グルコース (BG) は, 信頼性の高い人工膵臓やインスリン注入システムを必要とする1型糖尿病患者に必須である。
近年,より正確なBGレベルの予測システムとしてディープラーニング技術が活用されている。
しかし、連続グルコースモニタリング(CGM)はセンサーエラーの影響を受けやすい。
その結果、最も最適な機械学習モデルを使用しても、不正確なCGMの読み取りがBG予測に影響を与え、信頼性が低下する。
本研究では,センサの故障を考慮したLong-term memory(LSTM)に基づく深部リカレントニューラルネットワーク(RNN)モデルを用いて,血糖値の予測手法を提案する。
センサ誤差による不正確なCGM読影の補正にはカルマン平滑化法を用いる。
6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlで、それぞれ30分60分予測水平線(PH)を達成している。
我々の知る限りでは、これはOoioT1DMデータセットの平均予測精度の最上位である。
例えば、カルマンのCGMデータのスムーズ化、食事からの炭水化物、ボルスインシュリン、累積ステップ数などの異なる生理的情報は、モデルへの入力として使われる有意義な特徴を表すために作成される。
アプローチの目的は、予測されたCGM値と指先での血糖値の差を下げることである。
以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
関連論文リスト
- Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - HAD-Net: Hybrid Attention-based Diffusion Network for Glucose Level
Forecast [0.0]
HAD-Netは、生理学的モデルから深いニューラルネットワークに知識を蒸留するハイブリッドモデルである。
生体にインスパイアされたディープラーニングアーキテクチャを通じてグルコース、インスリン、炭水化物拡散をモデル化する。
論文 参考訳(メタデータ) (2021-11-14T21:32:42Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳(メタデータ) (2021-07-09T08:14:45Z) - Deep Personalized Glucose Level Forecasting Using Attention-based
Recurrent Neural Networks [5.250950284616893]
本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。
データを解析し、重要なパターンを検出する。
実データセット上でモデルの有効性を実証的に示す。
論文 参考訳(メタデータ) (2021-06-02T01:36:53Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - A function approximation approach to the prediction of blood glucose
levels [0.0]
30、60、または90分の予測地平線での正確な予測は、何百万ドルもの緊急医療費を節約できる可能性がある。
本稿では,この問題を関数近似の1つとして扱い,時刻$t+h$におけるBGレベルの値が,時刻$t$より前の$d$の未知関数であると考えられる。
我々は,最先端の臨床的に関連するpred-egaグリッドを用いて結果を評価し,本手法が通常のディープネットワークよりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-05-12T18:28:16Z) - LSTMs and Deep Residual Networks for Carbohydrate and Bolus
Recommendations in Type 1 Diabetes Management [4.01573226844961]
本研究では, LSTMを用いた血糖値予測手法について紹介する。
次に、同じ推奨タスクのための新しいアーキテクチャを導き出します。
OhioT1DMデータセットの実際の患者データを用いた実験的評価は、新しい統合アーキテクチャが以前のLSTMベースのアプローチと良好に比較できることを示している。
論文 参考訳(メタデータ) (2021-03-06T19:06:14Z) - Forecasting blood sugar levels in Diabetes with univariate algorithms [0.630926369395004]
ウェアラブルガジェットと組み合わされたAIプロシージャは、正確な一過性の血糖レベル予測モデルを伝達することができる。
この時点まで、情報駆動予測モデルを作成する主要な手法は、医師や患者が治療を理想的に変えるのに役立つ「期待できる限りの情報」を収集することであった。
我々は、ウェアラブルプロセッサ内での実行に適したAIタイムアレンジメントガイダンス戦略を利用して、これらのモデルの進歩を構築した。
論文 参考訳(メタデータ) (2021-01-12T21:52:57Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。