論文の概要: Online Meal Detection Based on CGM Data Dynamics

• arxiv url: http://arxiv.org/abs/2507.00080v1
• Date: Sun, 29 Jun 2025 14:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.332862
• Title: Online Meal Detection Based on CGM Data Dynamics
• Title（参考訳）: CGMデータダイナミクスに基づくオンライン食事検出
• Authors: Ali Tavasoli, Heman Shakeri,
• Abstract要約: 連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データから得られる特徴として, 動的モードを用いて食事のイベントを検出する。 このアプローチは食事検出の精度を向上するだけでなく、基礎となるグルコース動態の解釈可能性を高める。
• 参考スコア（独自算出の注目度）: 0.35516599670943777
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We utilize dynamical modes as features derived from Continuous Glucose Monitoring (CGM) data to detect meal events. By leveraging the inherent properties of underlying dynamics, these modes capture key aspects of glucose variability, enabling the identification of patterns and anomalies associated with meal consumption. This approach not only improves the accuracy of meal detection but also enhances the interpretability of the underlying glucose dynamics. By focusing on dynamical features, our method provides a robust framework for feature extraction, facilitating generalization across diverse datasets and ensuring reliable performance in real-world applications. The proposed technique offers significant advantages over traditional approaches, improving detection accuracy,
• Abstract（参考訳）: 連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データから得られる特徴として, 動的モードを用いて食事のイベントを検出する。 基礎となる力学の性質を活用することで、これらのモードはグルコースの変動の重要な側面を捉え、食事摂取に関連するパターンや異常を識別することができる。 このアプローチは食事検出の精度を向上するだけでなく、基礎となるグルコース動態の解釈可能性を高める。 本手法は,動的特徴に着目し,特徴抽出のための堅牢なフレームワークを提供し,多様なデータセットをまたいだ一般化を容易にし,実世界のアプリケーションにおける信頼性の高い性能を保証する。 提案手法は従来の手法に比べて大きな利点があり,検出精度が向上した。

関連論文リスト

• Dynamic Attention Analysis for Backdoor Detection in Text-to-Image Diffusion Models [70.03122709795122]
  従来のバックドア検出手法は主にバックドアサンプルの静的特徴に焦点を当てていた。 本研究では、動的注意分析(DEA)と呼ばれる新しいバックドア検出視点を導入し、これらの動的特徴がバックドア検出の指標となることを示す。 我々の手法は既存の検出方法を大きく上回り、平均F1スコアは79.49%、AUCは87.67%に達した。
  論文  参考訳（メタデータ） (2025-04-29T07:59:35Z)
• Skeleton-Based Intake Gesture Detection With Spatial-Temporal Graph Convolutional Networks [1.5228527154365612]
  本研究では,拡張時空間グラフ畳み込みネットワーク (ST-GCN) と双方向長短メモリ (BiLSTM) を組み合わせ,インテークジェスチャーを検出するモデルを用いたスケルトンベースのアプローチを提案する。 その結果,スケルトンデータを用いた摂取ジェスチャー検出の実現可能性を確認し,クロスデータセット検証における提案手法の堅牢性を強調した。
  論文  参考訳（メタデータ） (2025-04-14T18:35:32Z)
• AVadCLIP: Audio-Visual Collaboration for Robust Video Anomaly Detection [57.649223695021114]
  本稿では,ロバストなビデオ異常検出に音声と視覚の協調を利用する,弱教師付きフレームワークを提案する。 本フレームワークは,複数のベンチマークにおいて優れた性能を示し,オーディオ統合により異常検出精度が大幅に向上する。
  論文  参考訳（メタデータ） (2025-04-06T13:59:16Z)
• RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration [2.879328762187361]
  本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。 ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。 実際のデータセットでは,70.7%から88.6%に精度が向上した。
  論文  参考訳（メタデータ） (2025-03-04T17:20:43Z)
• GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks [0.12564343689544843]
  連続血糖モニター (Continuous glucose monitors, CGM) は、血糖値を一定間隔で測定する小さな医療機器である。 CGMデータに基づくグルコーストラジェクトリの予測は、糖尿病管理を大幅に改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-10-08T08:01:09Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
  本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。 なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
  論文  参考訳（メタデータ） (2023-06-28T03:00:28Z)

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。