Fugu-MT 論文翻訳(概要): An Ensemble Learning Approach for Exercise Detection in Type 1 Diabetes Patients

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

Chronic Disease Diagnoses Using Behavioral Data [42.96592744768303]
高血糖(糖尿病)、高脂血症、高血圧(総称3H)を独自の行動データを用いて診断することを目的としている。
論文参考訳（メタデータ） (2024-10-04T12:52:49Z)
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)
Hearing Your Blood Sugar: Non-Invasive Glucose Measurement Through Simple Vocal Signals, Transforming any Speech into a Sensor with Machine Learning [0.0]
本稿では,音声解析を用いて血糖値を予測する変換的,簡便な手法を提案する。高度な機械学習アルゴリズムを適用することで,音声信号の変動を分析し,血糖値と有意な相関性を確立した。以上の結果から,音声分析はグルコースモニタリングの非侵襲的代替手段として有用である可能性が示唆された。
論文参考訳（メタデータ） (2024-08-15T12:13:23Z)
Attention Networks for Personalized Mealtime Insulin Dosing in People with Type 1 Diabetes [0.30723404270319693]
本稿では,自己注意型エンコーダネットワークを用いた強化学習エージェントが,この直感的な処理を効果的に模倣し,強化する方法を実証する。その結果、センサー強化ポンプのシナリオでは16.5から9.6に、自動インスリンデリバリーのシナリオでは9.1から6.7に、血糖リスクは著しく低下した。
論文参考訳（メタデータ） (2024-06-18T17:59:32Z)
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)
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)
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。