論文の概要: Learning Difference Equations with Structured Grammatical Evolution for
Postprandial Glycaemia Prediction
- arxiv url: http://arxiv.org/abs/2307.01238v1
- Date: Mon, 3 Jul 2023 12:22:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 19:25:21.307987
- Title: Learning Difference Equations with Structured Grammatical Evolution for
Postprandial Glycaemia Prediction
- Title（参考訳）: 表在性グリカ血症予測のための文法進化型学習方程式
- Authors: Daniel Parra, David Joedicke, J. Manuel Velasco, Gabriel Kronberger,
J. Ignacio Hidalgo
- Abstract要約: グルコース予測は、糖尿病患者の治療において、食事後の危険な合併症を避けるために不可欠である。
ニューラルネットワークのような従来の手法は高い精度を示している。
本稿では,解釈可能性を重視した新しいグルコース予測法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: People with diabetes must carefully monitor their blood glucose levels,
especially after eating. Blood glucose regulation requires a proper combination
of food intake and insulin boluses. Glucose prediction is vital to avoid
dangerous post-meal complications in treating individuals with diabetes.
Although traditional methods, such as artificial neural networks, have shown
high accuracy rates, sometimes they are not suitable for developing
personalised treatments by physicians due to their lack of interpretability. In
this study, we propose a novel glucose prediction method emphasising
interpretability: Interpretable Sparse Identification by Grammatical Evolution.
Combined with a previous clustering stage, our approach provides finite
difference equations to predict postprandial glucose levels up to two hours
after meals. We divide the dataset into four-hour segments and perform
clustering based on blood glucose values for the twohour window before the
meal. Prediction models are trained for each cluster for the two-hour windows
after meals, allowing predictions in 15-minute steps, yielding up to eight
predictions at different time horizons. Prediction safety was evaluated based
on Parkes Error Grid regions. Our technique produces safe predictions through
explainable expressions, avoiding zones D (0.2% average) and E (0%) and
reducing predictions on zone C (6.2%). In addition, our proposal has slightly
better accuracy than other techniques, including sparse identification of
non-linear dynamics and artificial neural networks. The results demonstrate
that our proposal provides interpretable solutions without sacrificing
prediction accuracy, offering a promising approach to glucose prediction in
diabetes management that balances accuracy, interpretability, and computational
efficiency.
- Abstract（参考訳）: 糖尿病患者は、特に食事後に血糖値を注意深く監視する必要がある。
血糖調節には、食物摂取とインスリン代謝の適切な組み合わせが必要である。
グルコースの予測は、糖尿病患者に対する危険な食後合併症を避けるのに不可欠である。
ニューラルネットワークなどの従来の手法は高い精度を示してきたが、解釈能力の欠如により医師によるパーソナライズされた治療には適さない場合もある。
本研究では,解釈可能性を重視した新しいグルコース予測手法を提案する。
前回のクラスタリングと組み合わせることで,食事後最大2時間までの血糖値を予測するための差分式が提供される。
データセットを4時間区分に分割し,食事前の2時間ウィンドウの血糖値に基づいてクラスタリングを行う。
予測モデルは、食事の後2時間のウィンドウで各クラスタでトレーニングされ、15分間のステップで予測が可能となり、異なる時間軸で最大8つの予測が得られる。
予測安全性はParkes Error Grid領域に基づいて評価した。
本手法は,説明可能な表現による安全な予測,ゾーンD(0.2%平均)とE(0%)の回避,ゾーンC(6.2%)の予測の削減などを実現する。
さらに,提案手法は非線形力学や人工ニューラルネットワークのスパース同定など,他の手法よりも若干精度が良い。
以上の結果から,本提案手法は,糖尿病管理におけるグルコース予測に有望なアプローチであり,精度,解釈可能性,計算効率の両立を図っている。
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) - 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) - 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) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - 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) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - 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) - Prediction-Coherent LSTM-based Recurrent Neural Network for Safer
Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。
研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文 参考訳（メタデータ） (2020-09-08T13:14:08Z) - Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。
これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。
画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-31T06:03:51Z) - 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。