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: 翻訳完了
• 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

• Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate [6.300322064585917]
  我々は,血糖値を予測する機械学習手法であるGLIMMERを開発した。 GLIMMERは、グルコース値を正常および異常な範囲に分類し、ジグリセミック事象の精度を優先する新しいカスタム損失関数を考案する。
  論文  参考訳（メタデータ） (2025-02-20T01:26:00Z)
• AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset [8.063401183752347]
  糖尿病は、持続的な高血糖値(BGL)を特徴とする慢性代謝異常である 近年のディープラーニングモデルでは,BGL予測の改善が期待できる。 本研究では,長期血糖予測のためのマルチモーダルトランスフォーマーベースのフレームワークであるAttenGlucoを提案する。
  論文  参考訳（メタデータ） (2025-02-14T05:07:38Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Let Curves Speak: A Continuous Glucose Monitor based Large Sensor Foundation Model for Diabetes Management [3.8195320624847833]
  AIと継続的グルコースモニタリングを統合することは、近い将来のグルコース予測を約束する。 CGM-LSMは592人の糖尿病患者からの1596万のブドウ糖の記録に基づいて、近未来のグルコース予測のために事前訓練されている。 LSMは1型糖尿病患者29.81mg/dL、23.49mg/dLである。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting [6.466206145151128]
  GlucoNetは、行動と生理の健康を継続的に監視するAI駆動のセンサーシステムである。 本稿では,患者の行動・生理的データを組み込んだ分解型トランスフォーマーモデルを提案する。 GGlucoNetは、T1-Diabetesの12人を含むデータを用いて、RMSEの60%の改善とパラメータ数の21%削減を実現している。
  論文  参考訳（メタデータ） (2024-11-16T05:09:20Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
  GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。 今後4年間の健康状態も予測できる。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• GARNN: An Interpretable Graph Attentive Recurrent Neural Network for Predicting Blood Glucose Levels via Multivariate Time Series [12.618792803757714]
  マルチモーダルデータをモデル化するための解釈可能なグラフ減衰ニューラルネットワーク(GARNN)を提案する。 GARNNは最高の予測精度を達成し、高品質な時間的解釈性を提供する。 これらの知見は糖尿病治療改善のための堅牢なツールとしてのGARNNの可能性を示している。
  論文  参考訳（メタデータ） (2024-02-26T01:18:53Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Machine Learning-Based Diabetes Detection Using Photoplethysmography Signal Features [0.0]
  糖尿病は世界中で何百万人もの人々の健康を損なう慢性疾患である。 そこで本研究では,非侵襲性光胸腺撮影による糖尿病検出の問題点を克服する別の方法を提案する。 PPG信号とアルゴリズムを用いて非糖尿病患者と糖尿病患者を分類し,ロジスティック回帰とeXtreme Gradient Boostingを訓練した。 以上の結果から,糖尿病の検出・予防のための遠隔・非侵襲・連続計測装置の開発に機械学習が期待できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-02T14:10:03Z)
• Learning Difference Equations with Structured Grammatical Evolution for Postprandial Glycaemia Prediction [0.0]
  グルコース予測は、糖尿病患者の治療において、食事後の危険な合併症を避けるために不可欠である。 ニューラルネットワークのような従来の手法は高い精度を示している。 本稿では,解釈可能性を重視した新しいグルコース予測法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:22:04Z)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。