論文の概要: Model Predictive Control (MPC) of an Artificial Pancreas with
Data-Driven Learning of Multi-Step-Ahead Blood Glucose Predictors
- arxiv url: http://arxiv.org/abs/2307.12015v1
- Date: Sat, 22 Jul 2023 08:24:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 18:29:33.118963
- Title: Model Predictive Control (MPC) of an Artificial Pancreas with
Data-Driven Learning of Multi-Step-Ahead Blood Glucose Predictors
- Title（参考訳）: 多段階血糖値予測器のデータ駆動学習による人工膵のモデル予測制御(mpc)
- Authors: Eleonora Maria Aiello, Mehrad Jaloli, Marzia Cescon
- Abstract要約: 本稿では,LTV(Linear Time-Varying) Model Predictive Control (MPC) フレームワークに組み込まれたデータ駆動型多段階血糖予測器を提案する。
本手法は,MPCコントローラのグルコース濃度の予測精度とクローズドループ性能について検討した。
- 参考スコア（独自算出の注目度）: 0.4125187280299248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the design and \textit{in-silico} evaluation of a closed-loop
insulin delivery algorithm to treat type 1 diabetes (T1D) consisting in a
data-driven multi-step-ahead blood glucose (BG) predictor integrated into a
Linear Time-Varying (LTV) Model Predictive Control (MPC) framework. Instead of
identifying an open-loop model of the glucoregulatory system from available
data, we propose to directly fit the entire BG prediction over a predefined
prediction horizon to be used in the MPC, as a nonlinear function of past
input-ouput data and an affine function of future insulin control inputs. For
the nonlinear part, a Long Short-Term Memory (LSTM) network is proposed, while
for the affine component a linear regression model is chosen. To assess
benefits and drawbacks when compared to a traditional linear MPC based on an
auto-regressive with exogenous (ARX) input model identified from data, we
evaluated the proposed LSTM-MPC controller in three simulation scenarios: a
nominal case with 3 meals per day, a random meal disturbances case where meals
were generated with a recently published meal generator, and a case with 25$\%$
decrease in the insulin sensitivity. Further, in all the scenarios, no
feedforward meal bolus was administered. For the more challenging random meal
generation scenario, the mean $\pm$ standard deviation percent time in the
range 70-180 [mg/dL] was 74.99 $\pm$ 7.09 vs. 54.15 $\pm$ 14.89, the mean $\pm$
standard deviation percent time in the tighter range 70-140 [mg/dL] was
47.78$\pm$8.55 vs. 34.62 $\pm$9.04, while the mean $\pm$ standard deviation
percent time in sever hypoglycemia, i.e., $<$ 54 [mg/dl] was 1.00$\pm$3.18 vs.
9.45$\pm$11.71, for our proposed LSTM-MPC controller and the traditional
ARX-MPC, respectively. Our approach provided accurate predictions of future
glucose concentrations and good closed-loop performances of the overall MPC
controller.
- Abstract（参考訳）: 本稿では,リニア時間変動(ltv)モデル予測制御(mpc)フレームワークに統合されたデータ駆動マルチステップ・アヘッド血糖(bg)予測器を用いた1型糖尿病(t1d)に対するクローズドループインスリンデリバリーアルゴリズムの設計と評価について述べる。
グルコレギュレーションシステムのオープンループモデルを利用可能なデータから同定する代わりに,MPCで使用する予測水平線上でのBG予測全体を,過去の入力出力データの非線形関数と将来のインスリン制御入力のアフィン関数として直接適合させることを提案する。
非線形部分では,long short-term memory (lstm)ネットワークが提案され,アフィン成分では線形回帰モデルが選択される。
データから同定した自己回帰(ARX)入力モデルに基づく従来の線形MPCと比較して,1日3食という名目例,最近発行した食事生成装置で無作為な食事障害例,インスリン感受性の25$\%の低下例の3つのシミュレーションシナリオで,LSTM-MPCコントローラの有効性と欠点を評価した。
さらに,すべての症例において飼料前進食は投与されなかった。
For the more challenging random meal generation scenario, the mean $\pm$ standard deviation percent time in the range 70-180 [mg/dL] was 74.99 $\pm$ 7.09 vs. 54.15 $\pm$ 14.89, the mean $\pm$ standard deviation percent time in the tighter range 70-140 [mg/dL] was 47.78$\pm$8.55 vs. 34.62 $\pm$9.04, while the mean $\pm$ standard deviation percent time in sever hypoglycemia, i.e., $<$ 54 [mg/dl] was 1.00$\pm$3.18 vs. 9.45$\pm$11.71, for our proposed LSTM-MPC controller and the traditional ARX-MPC, respectively.
本手法は,MPCコントローラのグルコース濃度の予測精度と閉ループ性能を向上する。
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) - Using Reinforcement Learning to Simplify Mealtime Insulin Dosing for
People with Type 1 Diabetes: In-Silico Experiments [0.40792653193642503]
1型糖尿病(T1D)の患者は、食事時に最適なインスリン摂取量を計算するのに苦労する。
定性食事(QM)戦略に対応する最適な食事関連インスリン投与を推奨するRLエージェントを提案する。
論文 参考訳（メタデータ） (2023-09-17T01:34:02Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Machine Learning based prediction of Glucose Levels in Type 1 Diabetes
Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。
将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文 参考訳（メタデータ） (2023-02-24T19:10:40Z) - Preconditioned Score-based Generative Models [49.88840603798831]
直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。
本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。
PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
論文 参考訳（メタデータ） (2023-02-13T16:30:53Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - A function approximation approach to the prediction of blood glucose
levels [0.0]
30、60、または90分の予測地平線での正確な予測は、何百万ドルもの緊急医療費を節約できる可能性がある。
本稿では,この問題を関数近似の1つとして扱い,時刻$t+h$におけるBGレベルの値が,時刻$t$より前の$d$の未知関数であると考えられる。
我々は,最先端の臨床的に関連するpred-egaグリッドを用いて結果を評価し,本手法が通常のディープネットワークよりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-12T18:28:16Z) - 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) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳（メタデータ） (2020-06-29T11:34:41Z) - 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。