論文の概要: Multimodal Fusion of Glucose Monitoring and Food Imagery for Caloric Content Prediction

• arxiv url: http://arxiv.org/abs/2505.09018v2
• Date: Tue, 20 May 2025 15:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.248261
• Title: Multimodal Fusion of Glucose Monitoring and Food Imagery for Caloric Content Prediction
• Title（参考訳）: 温熱量予測のためのグルコースモニタリングと食品画像のマルチモーダル融合
• Authors: Adarsh Kumar,
• Abstract要約: 我々は,CGM時系列データ,デモグラフィック/マイクロバイオーム,および食事前食品イメージを併用して,カロリー推定を向上するマルチモーダル深層学習フレームワークを提案する。 我々のモデルは0.2544のルート平均正方形相対誤差(RMSRE)を達成し、ベースラインモデルを50%以上上回った。
• 参考スコア（独自算出の注目度）: 2.189594222851135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective dietary monitoring is critical for managing Type 2 diabetes, yet accurately estimating caloric intake remains a major challenge. While continuous glucose monitors (CGMs) offer valuable physiological data, they often fall short in capturing the full nutritional profile of meals due to inter-individual and meal-specific variability. In this work, we introduce a multimodal deep learning framework that jointly leverages CGM time-series data, Demographic/Microbiome, and pre-meal food images to enhance caloric estimation. Our model utilizes attention based encoding and a convolutional feature extraction for meal imagery, multi-layer perceptrons for CGM and Microbiome data followed by a late fusion strategy for joint reasoning. We evaluate our approach on a curated dataset of over 40 participants, incorporating synchronized CGM, Demographic and Microbiome data and meal photographs with standardized caloric labels. Our model achieves a Root Mean Squared Relative Error (RMSRE) of 0.2544, outperforming the baselines models by over 50%. These findings demonstrate the potential of multimodal sensing to improve automated dietary assessment tools for chronic disease management.
• Abstract（参考訳）: 2型糖尿病の管理には効果的な食事モニタリングが重要であるが、カロリー摂取量を正確に推定することは大きな課題である。 連続グルコースモニター(CGM)は、貴重な生理的データを提供するが、個人間および食事特有の変動のため、食事の完全な栄養状態の把握に不足することが多い。 本研究では,CGMの時系列データ,デモグラフィック/マイクロバイオーム,および食事前食品イメージを併用して,カロリー推定を向上するマルチモーダルディープラーニングフレームワークを提案する。 本モデルでは,食事画像の注意に基づく符号化と畳み込み特徴抽出,CGMおよびマイクロバイオームデータのための多層パーセプトロン,および共同推論のための後期融合戦略を利用する。 CGM, デモグラフィック, マイクロバイオームデータ, 食事写真と標準カロリーラベルを併用し, 40名以上の被験者のキュレートされたデータセットに対するアプローチを評価した。 我々のモデルは0.2544のルート平均正方形相対誤差(RMSRE)を達成し、ベースラインモデルを50%以上上回った。 これらの結果から,慢性疾患管理のための食事自動評価ツールの改善に向けたマルチモーダルセンシングの可能性が示唆された。

関連論文リスト

• 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)
• 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)
• 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)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Predicting the meal macronutrient composition from continuous glucose monitors [16.911400979837417]
  食事摂取は2型糖尿病(T2DM)の臨床介入の必須成分である 食事の摂取をモニターする現在の技術は、時間集中とエラーの傾向である。 我々は, 連続グルコースモニター(CGM)を用いて, 食品の摂取状況と組成を自動的にモニタリングする技術を開発している。
  論文  参考訳（メタデータ） (2022-06-23T17:41:25Z)

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。