Fugu-MT 論文翻訳(概要): Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning

論文の概要: Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning

arxiv url: http://arxiv.org/abs/2312.12541v1
Date: Tue, 19 Dec 2023 19:19:35 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 18:01:39.543214
Title: Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning
Title（参考訳）: 血糖レベルの予測:フェデレート学習を用いたグラフベース説明可能な方法
Authors: Chengzhe Piao and Ken Li
Abstract要約: 英国では、1型糖尿病の約40万人が、インスリンの不足によるインスリンの供給に依存している。 5分毎にBGを追跡するCGMは、炭水化物摂取やインスリンデリバリーなどの要因を考慮し、効果的な血糖値予測(BGLP)を可能にする。
参考スコア（独自算出の注目度）: 1.6317061277457001
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the UK, approximately 400,000 people with type 1 diabetes (T1D) rely on insulin delivery due to insufficient pancreatic insulin production. Managing blood glucose (BG) levels is crucial, with continuous glucose monitoring (CGM) playing a key role. CGM, tracking BG every 5 minutes, enables effective blood glucose level prediction (BGLP) by considering factors like carbohydrate intake and insulin delivery. Recent research has focused on developing sequential models for BGLP using historical BG data, incorporating additional attributes such as carbohydrate intake, insulin delivery, and time. These methods have shown notable success in BGLP, with some providing temporal explanations. However, they often lack clear correlations between attributes and their impact on BGLP. Additionally, some methods raise privacy concerns by aggregating participant data to learn population patterns. Addressing these limitations, we introduced a graph attentive memory (GAM) model, combining a graph attention network (GAT) with a gated recurrent unit (GRU). GAT applies graph attention to model attribute correlations, offering transparent, dynamic attribute relationships. Attention weights dynamically gauge attribute significance over time. To ensure privacy, we employed federated learning (FL), facilitating secure population pattern analysis. Our method was validated using the OhioT1DM'18 and OhioT1DM'20 datasets from 12 participants, focusing on 6 key attributes. We demonstrated our model's stability and effectiveness through hyperparameter impact analysis.
Abstract（参考訳）: イギリスでは1型糖尿病(t1d)の患者約40万人が、膵臓インスリン産生不足のためインスリン分泌に依存している。血糖値 (BG) の維持は重要であり, 連続血糖モニタリング (CGM) が重要な役割を担っている。 5分毎にBGを追跡するCGMは、炭水化物摂取やインスリンデリバリーなどの要因を考慮し、効果的な血糖値予測(BGLP)を可能にする。近年の研究では、BGLPの歴史的BGデータを用いたシーケンシャルモデルの開発に焦点が当てられ、炭水化物摂取、インスリンデリバリー、時間といった付加的な属性が取り入れられている。これらの手法はBGLPで顕著な成功を示し、時間的説明を提供するものもある。しかし、属性とそれらのBGLPへの影響の間には明確な相関関係がないことが多い。さらに、参加者データを集約して人口パターンを学ぶ手法もある。これらの制約に対処するため、グラフ注意ネットワーク(GAT)とゲートリカレントユニット(GRU)を組み合わせたグラフ注意メモリ(GAM)モデルを導入した。 GATはモデル属性相関にグラフ注意を適用し、透過的で動的な属性関係を提供する。注意重みは時間とともに属性の重要度を動的に測定する。プライバシを確保するために,我々は,集団パターン分析のセキュア化を目的として,フェデレートラーニング(FL)を採用した。提案手法は,12名の参加者によるオハイオt1dm'18とオハイオt1dm'20データセットを用いて検証を行った。ハイパーパラメータ・インパクト分析により,モデルの安定性と有効性を実証した。

関連論文リスト

AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset [8.063401183752347]
糖尿病は、持続的な高血糖値(BGL)を特徴とする慢性代謝異常である近年のディープラーニングモデルでは,BGL予測の改善が期待できる。本研究では,長期血糖予測のためのマルチモーダルトランスフォーマーベースのフレームワークであるAttenGlucoを提案する。
論文参考訳（メタデータ） (2025-02-14T05:07:38Z)
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)
From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach [13.363740869325646]
新たに診断された1型糖尿病(T1D)患者は、効果的な血液グルコース(BG)予測モデルを得るのに苦慮することが多い。 Asynchronous Decentralized Federated Learning による血糖予測である「GluADFL」を提案する。
論文参考訳（メタデータ） (2024-06-21T17:57:39Z)
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)
GARNN: An Interpretable Graph Attentive Recurrent Neural Network for Predicting Blood Glucose Levels via Multivariate Time Series [12.618792803757714]
マルチモーダルデータをモデル化するための解釈可能なグラフ減衰ニューラルネットワーク(GARNN)を提案する。 GARNNは最高の予測精度を達成し、高品質な時間的解釈性を提供する。これらの知見は糖尿病治療改善のための堅牢なツールとしてのGARNNの可能性を示している。
論文参考訳（メタデータ） (2024-02-26T01:18:53Z)
Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。提案手法により,下流タスクの性能が大幅に向上した。
論文参考訳（メタデータ） (2023-03-08T03:56:31Z)
Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文参考訳（メタデータ） (2022-10-21T04:38:25Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
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)
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。