論文の概要: Predicting the meal macronutrient composition from continuous glucose monitors

• arxiv url: http://arxiv.org/abs/2206.11878v1
• Date: Thu, 23 Jun 2022 17:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 14:31:16.897987
• Title: Predicting the meal macronutrient composition from continuous glucose monitors
• Title（参考訳）: 連続グルコースモニターによる食餌栄養成分の予測
• Authors: Zepeng Huo, Bobak J. Mortazavi, Theodora Chaspari, Nicolaas Deutz, Laura Ruebush, Ricardo Gutierrez-Osuna
• Abstract要約: 食事摂取は2型糖尿病(T2DM)の臨床介入の必須成分である 食事の摂取をモニターする現在の技術は、時間集中とエラーの傾向である。 我々は, 連続グルコースモニター(CGM)を用いて, 食品の摂取状況と組成を自動的にモニタリングする技術を開発している。
• 参考スコア（独自算出の注目度）: 16.911400979837417
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sustained high levels of blood glucose in type 2 diabetes (T2DM) can have disastrous long-term health consequences. An essential component of clinical interventions for T2DM is monitoring dietary intake to keep plasma glucose levels within an acceptable range. Yet, current techniques to monitor food intake are time intensive and error prone. To address this issue, we are developing techniques to automatically monitor food intake and the composition of those foods using continuous glucose monitors (CGMs). This article presents the results of a clinical study in which participants consumed nine standardized meals with known macronutrients amounts (carbohydrate, protein, and fat) while wearing a CGM. We built a multitask neural network to estimate the macronutrient composition from the CGM signal, and compared it against a baseline linear regression. The best prediction result comes from our proposed neural network, trained with subject-dependent data, as measured by root mean squared relative error and correlation coefficient. These findings suggest that it is possible to estimate macronutrient composition from CGM signals, opening the possibility to develop automatic techniques to track food intake.
• Abstract（参考訳）: 2型糖尿病(T2DM)における血糖値の持続は、破滅的な長期的健康に影響を及ぼす可能性がある。 T2DMの臨床介入の重要な要素は、血漿グルコース濃度を許容範囲内に維持するために食事摂取を監視することである。 しかし、食事の摂取をモニターする現在の技術は、時間とエラーの傾向が強い。 この問題に対処するため,我々は連続グルコースモニター(CGM)を用いて食品の摂取状況と組成を自動的に監視する技術を開発している。 本報告では, CGMを装着したまま, 9種類のマクロ栄養素(炭水化物, タンパク質, 脂肪)を摂取した臨床研究の結果について述べる。 我々は,CGM信号からマクロ栄養成分を推定するマルチタスクニューラルネットワークを構築し,ベースライン線形回帰と比較した。 最適な予測結果は,平均相対誤差と相関係数で測定した被験者依存データを用いて学習したニューラルネットワークから得られた。 これらの結果から, cgm信号から栄養素組成を推定することが可能であり, 食品摂取量を追跡する自動的手法の開発が可能であることが示唆された。

関連論文リスト

• 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)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• Interpretable Mechanistic Representations for Meal-level Glycemic Control in the Wild [10.240619571788786]
  CGMと食事データの解釈可能な表現を学習するためのハイブリッド変分オートエンコーダを提案する。 本手法は, 力学微分方程式の入力に潜時空間を基底として, 生理的量に反映した埋め込みを生成する。 私たちの埋め込みは、ナイーブ、エキスパート、ブラックボックス、純粋なメカニスティックな特徴よりも最大4倍優れたクラスタを生成します。
  論文  参考訳（メタデータ） (2023-12-06T08:36:23Z)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Patterns Detection in Glucose Time Series by Domain Transformations and Deep Learning [0.0]
  本研究は,血糖値の今後の変動を予測することを目的としており,血糖値の低下が予想される可能性がある。 提案手法は, 有望な結果を得た4種類の糖尿病患者の実データを用いて検討した。
  論文  参考訳（メタデータ） (2023-03-30T09:08:31Z)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)
• 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。