論文の概要: An Ensemble Learning Approach for Exercise Detection in Type 1 Diabetes
Patients
- arxiv url: http://arxiv.org/abs/2305.10353v1
- Date: Thu, 11 May 2023 07:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 10:34:12.525713
- Title: An Ensemble Learning Approach for Exercise Detection in Type 1 Diabetes
Patients
- Title(参考訳): 1型糖尿病患者の運動検出のためのアンサンブル学習アプローチ
- Authors: Ke Ma, Hongkai Chen, Shan Lin
- Abstract要約: 本研究では,データ駆動型生理モデルとシームズネットワークを組み合わせたアンサンブル学習フレームワークを提案する。
提案手法は,運動検出における正の86.4%,正の負の99.1%を達成し,最先端のソリューションを上回った。
- 参考スコア(独自算出の注目度): 9.491537214222756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Type 1 diabetes is a serious disease in which individuals are unable to
regulate their blood glucose levels, leading to various medical complications.
Artificial pancreas (AP) systems have been developed as a solution for type 1
diabetic patients to mimic the behavior of the pancreas and regulate blood
glucose levels. However, current AP systems lack detection capabilities for
exercise-induced glucose intake, which can last up to 4 to 8 hours. This
incapability can lead to hypoglycemia, which if left untreated, could have
serious consequences, including death. Existing exercise detection methods are
either limited to single sensor data or use inaccurate models for exercise
detection, making them less effective in practice. In this work, we propose an
ensemble learning framework that combines a data-driven physiological model and
a Siamese network to leverage multiple physiological signal streams for
exercise detection with high accuracy. To evaluate the effectiveness of our
proposed approach, we utilized a public dataset with 12 diabetic patients
collected from an 8-week clinical trial. Our approach achieves a true positive
rate for exercise detection of 86.4% and a true negative rate of 99.1%,
outperforming state-of-the-art solutions.
- Abstract(参考訳): 1型糖尿病は、個人が血糖値を調節できない重篤な疾患であり、様々な合併症を引き起こす。
人工膵(AP)システムは1型糖尿病患者の膵の挙動を模倣し、血糖値を調節するソリューションとして開発された。
しかし、現在のAPシステムは運動によるグルコース摂取の検出能力に欠けており、最大4時間から8時間持続する。
この障害は低血糖を引き起こす可能性があり、もし未治療のままにしておけば、死を含む深刻な結果をもたらす可能性がある。
既存のエクササイズ検出方法は、単一のセンサーデータに制限されるか、またはエクササイズ検出に不正確なモデルを使用するかのいずれかであり、実際は効果が低い。
本研究では,データ駆動型生理モデルとシャムネットワークを組み合わせたアンサンブル学習フレームワークを提案する。
提案手法の有効性を評価するため, 糖尿病患者12名を対象に, 8週間の臨床試験を行った。
提案手法は,運動検出における正の86.4%,正の負の99.1%を達成し,最先端のソリューションを上回った。
関連論文リスト
- Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2023-08-28T15:54:14Z) - 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) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳(メタデータ) (2023-01-08T19:10:20Z) - Learning shape distributions from large databases of healthy organs:
applications to zero-shot and few-shot abnormal pancreas detection [56.4729555813972]
健康臓器の大規模データベースから形状分布を学習するための,スケーラブルでデータ駆動型アプローチを提案する。
得られた潜在形状表現は、異常な形状検出のためのゼロショット法と少数ショット法を導出するために活用される。
論文 参考訳(メタデータ) (2022-10-21T16:39:59Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction [4.040272012640556]
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。
論文 参考訳(メタデータ) (2021-01-18T02:31:38Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳(メタデータ) (2020-10-13T15:20:21Z) - Deep Reinforcement Learning for Closed-Loop Blood Glucose Control [12.989855325491163]
自動血糖コントロールのための強化学習技術を開発した。
30人のシミュレーション患者から得られた2100万時間以上のデータに基づいて、我々のRLアプローチはベースライン制御アルゴリズムより優れています。
論文 参考訳(メタデータ) (2020-09-18T20:15:02Z) - Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement
Learning: An In Silico Validation [16.93692520921499]
単一ホルモン(インスリン)と二重ホルモン(インスリンとグルカゴン)のデリバリーのための新しい深層強化学習モデルを提案する。
成体コホートでは、目標範囲のパーセンテージは77.6%から80.9%に改善した。
青年コホートでは、目標範囲のパーセンテージが55.5%から65.9%に改善され、単一ホルモンが制御された。
論文 参考訳(メタデータ) (2020-05-18T20:13:16Z) - Automated Diabetic Retinopathy Grading using Deep Convolutional Neural
Network [0.7646713951724012]
糖尿病網膜症を正確に検出するコンピュータ支援検出システムの能力は、研究者の間で普及した。
本研究では,事前トレーニングされたDenseNet121ネットワークを利用して,いくつかの修正を加え,APTOS 2019データセットでトレーニングした。
提案手法は早期発見において他の最先端ネットワークよりも優れており,糖尿病網膜症の重症度評価において96.51%の精度でマルチラベル分類を行った。
論文 参考訳(メタデータ) (2020-04-14T07:37:21Z)
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。