論文の概要: Multi-models with averaging in feature domain for non-invasive blood glucose estimation

• arxiv url: http://arxiv.org/abs/2503.01918v1
• Date: Sat, 01 Mar 2025 19:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:30.128917
• Title: Multi-models with averaging in feature domain for non-invasive blood glucose estimation
• Title（参考訳）: 非侵襲的血糖推定のための機能領域における平均値を持つマルチモデル
• Authors: Yiting Wei, Bingo Wing-Kuen Ling, Qing Liu, Jiaxin Liu,
• Abstract要約: 本論文は、血糖値の異なる範囲に基づいて、血糖推定を行うための異なるモデルを用いている。 提案手法は,芸術的手法と比較して,推定精度を効果的に向上させることができる。
• 参考スコア（独自算出の注目度）: 8.535338291936288
• License:
• Abstract: Diabetes is a serious chronic metabolic disease. In the recent years, more and more consumer technology enterprises focusing on human health are committed to implementing accurate and non-invasive blood glucose algorithm in their products. However, due to the interference from the external environment, these wearable non-invasive methods yield the low estimation accuracy. To address this issue, this paper employs different models based on different ranges of the blood glucose values for performing the blood glucose estimation. First the photoplethysmograms (PPGs) are acquired and they are denoised via the bit plane singular spectrum analysis (SSA) method. Second, the features are extracted. For the data in the training set, first the features are averaged across the measurements in the feature domain via the optimization approach. Second, the random forest is employed to sort the importance of each feature. Third, the training set is divided into three subsets according to the reference blood glucose values. Fourth, the feature vectors and the corresponding blood glucose values in the same group are employed to build an individual model. Fifth, for each feature, the average of the feature values for all the measurements in the same subset is computed. For the data in the test set, first, the sum of the weighted distances between the test feature values and the average values obtained in the above is computed for each model. Here, the weights are defined based on the importance sorted by the random forest obtained in the above. The model corresponding to the smallest sum is assigned. Finally, the blood glucose value is estimated based on the corresponding model. Compared to the state of arts methods, our proposed method can effectively improve the estimation accuracy.
• Abstract（参考訳）: 糖尿病は重篤な慢性代謝性疾患である。 近年、人間の健康に焦点を当てた消費者技術企業は、その製品に正確で非侵襲的な血糖アルゴリズムを実装することに注力している。 しかし、外部環境からの干渉により、これらのウェアラブル非侵襲的手法は低い推定精度が得られる。 この問題に対処するために,本論文では,血糖値の異なる範囲に基づいて異なるモデルを用いて,血糖値を推定する。 まず、光胸腺X線写真(PPG)を取得し、ビット平面特異スペクトル分析(SSA)法により分解する。 次に特徴を抽出する。 トレーニングセット内のデータについては、まず最適化アプローチを通じて、機能領域内の測定値の平均化を行います。 第二に、ランダムな森林はそれぞれの特徴の重要性を分類するために使用される。 第3に、基準血糖値に従ってトレーニングセットを3つのサブセットに分割する。 第4に、同一群の特徴ベクトルと対応する血糖値を用いて個々のモデルを構築する。 第5に、各特徴について、同じサブセット内のすべての測定値に対する特徴値の平均が計算される。 テストセット内のデータについて、まず、テスト特徴値と上記の平均値との重み付き距離の和をモデル毎に算出する。 ここでは、上記のランダムな森林によって分類された重要性に基づいて重みが定義される。 最小和に対応するモデルが割り当てられる。 最後に、対応するモデルに基づいて血糖値を推定する。 提案手法は,芸術的手法と比較して,推定精度を効果的に向上させることができる。

関連論文リスト

• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• A Critical Review of the state-of-the-art on Deep Neural Networks for Blood Glucose Prediction in Patients with Diabetes [0.0]
  本稿では、最近提案された10のニューラルネットワークを比較し、血糖予測のための2つのアンサンブルニューラルネットワークモデルを提案する。 血液グルコース予測において最も一般的な指標を用いてそれらの性能を比較し、統計比較のために考案された3つの手法を用いて最も優れた指標をランク付けする。 本分析では, 最高の予測因子となる確率が最も高いモデルに注目し, 最良なモデルに対して, より粗悪な性能を示すモデルの誤差の増加を推定し, 臨床実習におけるそれらの使用指針を提供する。
  論文  参考訳（メタデータ） (2021-09-02T09:08:26Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• 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)
• 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)
• Enhancing the Interpretability of Deep Models in Heathcare Through Attention: Application to Glucose Forecasting for Diabetic People [4.692400531340393]
  我々は,タイプ2 IDIABとタイプ1 OhioT1DMデータセットのRETAINモデルを評価する。 我々は、RETAINモデルが精度と解釈可能性の間に非常に良い妥協をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-09-08T13:27:52Z)
• 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)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。