論文の概要: Deep Personalized Glucose Level Forecasting Using Attention-based
Recurrent Neural Networks
- arxiv url: http://arxiv.org/abs/2106.00884v1
- Date: Wed, 2 Jun 2021 01:36:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 14:21:04.155511
- Title: Deep Personalized Glucose Level Forecasting Using Attention-based
Recurrent Neural Networks
- Title(参考訳): 注意型リカレントニューラルネットワークを用いた深部個人化グルコースレベル予測
- Authors: Mohammadreza Armandpour, Brian Kidd, Yu Du, Jianhua Z. Huang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.250950284616893
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we study the problem of blood glucose forecasting and provide
a deep personalized solution. Predicting blood glucose level in people with
diabetes has significant value because health complications of abnormal glucose
level are serious, sometimes even leading to death. Therefore, having a model
that can accurately and quickly warn patients of potential problems is
essential. To develop a better deep model for blood glucose forecasting, we
analyze the data and detect important patterns. These observations helped us to
propose a method that has several key advantages over existing methods: 1- it
learns a personalized model for each patient as well as a global model; 2- it
uses an attention mechanism and extracted time features to better learn
long-term dependencies in the data; 3- it introduces a new, robust training
procedure for time series data. We empirically show the efficacy of our model
on a real dataset.
- Abstract(参考訳): 本稿では,血糖予測の問題点を考察し,深いパーソナライズド・ソリューションを提供する。
糖尿病患者の血糖値を予測することは、異常な血糖値の健康上の合併症が深刻であり、時には死亡につながるため、大きな価値がある。
したがって、潜在的な問題の患者に正確かつ迅速に警告できるモデルを持つことが不可欠である。
より深い血糖予測モデルを構築するため,データを解析し,重要なパターンを検出する。
1-- 患者ごとにパーソナライズされたモデルとグローバルモデルの両方を学習する、2- 注意機構と抽出された時間特徴を使用してデータの長期的な依存関係をよりよく学習する、3- 時系列データのための新しい堅牢なトレーニング手順を導入する。
実データセット上でモデルの有効性を実証的に示す。
関連論文リスト
- Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - 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) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - 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 Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2020-09-25T01:50:15Z) - Enhancing the Interpretability of Deep Models in Heathcare Through
Attention: Application to Glucose Forecasting for Diabetic People [4.692400531340393]
我々は,タイプ2 IDIABとタイプ1 OhioT1DMデータセットのRETAINモデルを評価する。
我々は、RETAINモデルが精度と解釈可能性の間に非常に良い妥協をもたらすことを示した。
論文 参考訳(メタデータ) (2020-09-08T13:27:52Z) - Interpreting Deep Glucose Predictive Models for Diabetic People Using
RETAIN [4.692400531340393]
糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。
2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
論文 参考訳(メタデータ) (2020-09-08T13:20:15Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳(メタデータ) (2020-06-29T11:34:41Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - 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。