論文の概要: Personalized Understanding of Blood Glucose Dynamics via Mobile Sensor Data

• arxiv url: http://arxiv.org/abs/2302.01400v1
• Date: Thu, 2 Feb 2023 20:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 18:27:39.916930
• Title: Personalized Understanding of Blood Glucose Dynamics via Mobile Sensor Data
• Title（参考訳）: モバイルセンサデータによる血糖動態の個人的理解
• Authors: Sam Royston
• Abstract要約: スマートフォンによるセンサ入力で連続血糖値(CGM)データを増大させる。 このデータセットは、そのサイズ、GPSデータが含まれており、非侵襲的にフリーライフの患者から収集されたという事実という意味では、新しいものです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous Blood Glucose (CGM) monitors have revolutionized the ability of diabetics to manage their blood glucose, and paved the way for artificial pancreas systems. In this paper we augment CGM data with sensor input collected by a smart phone and use it to provide analytical tools for patients and clinicians. We collected GPS data, activity classifications, and blood glucose data with a custom iOS application over a 9 month period from a single free-living type-1 diabetic patient. This data set is novel in terms of it's size, the inclusion of GPS data, and the fact that it was collected non-intrusively from a free-living patient. We describe a method to measure the occurrence of lifestyle \textit{events} based on GPS and activity data, and show that they can capture instances of food consumption and are therefore correlated to changes in blood glucose. Finally, we incorporate these event representations into our system to create useful visualizations and notifications to aid patients in managing their diabetes.
• Abstract（参考訳）: 連続血糖モニター(CGM)は糖尿病患者が血糖値を管理する能力に革命をもたらし、人工膵システムへの道を開いた。 本稿では,携帯電話で収集したセンサ入力を用いてccmデータを拡張し,患者や臨床医に分析ツールを提供する。 GPSデータ, 活動分類, 血糖値のデータを, 単独のフリーライフ1型糖尿病患者から9カ月間, カスタムiOSアプリケーションを用いて収集した。 このデータセットは、そのサイズ、gpsデータの導入、そして自由生活の患者から非意図的に収集されたという事実という点で、斬新なものです。 本研究は,GPSおよび活動データに基づいてライフスタイル「textit{events」の発生を計測し,食事摂取事例の把握が可能であり,血糖値の変化と相関していることを示す。 最後に、これらのイベント表現をシステムに統合し、患者が糖尿病を管理するのを助ける有用な可視化と通知を作成します。

関連論文リスト

• 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)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• 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)
• Enhancing Wearable based Real-Time Glucose Monitoring via Phasic Image Representation Learning based Deep Learning [4.07484910093752]
  米国では、成人の3分の1以上がプレ糖尿病であり、80%は彼らの状態に気づいていない。 既存のウェアラブルグルコースモニターは、小さなデータセットでトレーニングされたモデルの不足によって制限されている。
  論文  参考訳（メタデータ） (2024-06-12T07:05:53Z)
• 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)
• 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)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• 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)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• 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。