論文の概要: Towards Affordable, Non-Invasive Real-Time Hypoglycemia Detection Using Wearable Sensor Signals

• arxiv url: http://arxiv.org/abs/2602.10407v1
• Date: Wed, 11 Feb 2026 01:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.363999
• Title: Towards Affordable, Non-Invasive Real-Time Hypoglycemia Detection Using Wearable Sensor Signals
• Title（参考訳）: ウェアラブルセンサ信号を用いた非侵襲的リアルタイム低血糖検出に向けて
• Authors: Lawrence Obiuwevwi, Krzysztof J. Rechowicz, Vikas Ashok, Sampath Jayarathna,
• Abstract要約: 本研究は,ウェアラブルセンサ信号を用いた非侵襲性低血糖検出のための包括的,多モーダルな生理的枠組みを提案する。 我々は、先進的な前処理、時間ウィンドウ、手工とシーケンスに基づく特徴抽出、早期と後期の融合戦略、機械学習と深部時間モデルの幅広いスペクトルを統合するエンドツーエンドパイプラインを開発する。
• 参考スコア（独自算出の注目度）: 2.6564016286234406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately detecting hypoglycemia without invasive glucose sensors remains a critical challenge in diabetes management, particularly in regions where continuous glucose monitoring (CGM) is prohibitively expensive or clinically inaccessible. This extended study introduces a comprehensive, multimodal physiological framework for non-invasive hypoglycemia detection using wearable sensor signals. Unlike prior work limited to single-signal analysis, this chapter evaluates three physiological modalities, galvanic skin response (GSR), heart rate (HR), and their combined fusion, using the OhioT1DM 2018 dataset. We develop an end-to-end pipeline that integrates advanced preprocessing, temporal windowing, handcrafted and sequence-based feature extraction, early and late fusion strategies, and a broad spectrum of machine learning and deep temporal models, including CNNs, LSTMs, GRUs, and TCNs. Our results demonstrate that physiological signals exhibit distinct autonomic patterns preceding hypoglycemia and that combining GSR with HR consistently enhances detection sensitivity and stability compared to single-signal models. Multimodal deep learning architectures achieve the most reliable performance, particularly in recall, the most clinically urgent metric. Ablation studies further highlight the complementary contributions of each modality, strengthening the case for affordable, sensor-based glycemic monitoring. The findings show that real-time hypoglycemia detection is achievable using only inexpensive, non-invasive wearable sensors, offering a pathway toward accessible glucose monitoring in underserved communities and low-resource healthcare environments.
• Abstract（参考訳）: 侵襲的なグルコースセンサーを使わずに正確な低血糖を検出できることは、糖尿病管理において重要な課題であり、特に連続血糖モニタリング(CGM)が違法に高価または臨床的にアクセスできない地域では重要な課題である。 本研究は,ウェアラブルセンサ信号を用いた非侵襲性低血糖検出のための包括的,多モーダルな生理的枠組みを導入する。 単信号解析に限られる以前の研究とは異なり、この章では、OttoT1DM 2018データセットを用いて、ガルバニック皮膚反応(GSR)、心拍数(HR)、それらの融合の3つの生理的モーダルを評価している。 我々は、先進的な前処理、時間ウィンドウ、手工とシーケンスに基づく特徴抽出、早期と後期の融合戦略、CNN、LSTM、GRU、TCNを含む機械学習および深部時間モデルの幅広い範囲を統合したエンドツーエンドパイプラインを開発する。 以上の結果より,GSRとHRの併用は単一信号モデルと比較して検出感度と安定性を一貫して向上させることが明らかとなった。 マルチモーダルディープラーニングアーキテクチャは、特にリコールにおいて、最も信頼性の高いパフォーマンスを達成する。 アブレーション研究は、各モダリティの補完的貢献をさらに強調し、安価なセンサーベースの血糖モニタリングのケースを強化する。 その結果,低血糖のリアルタイム検出は安価で非侵襲的なウェアラブルセンサのみを用いて実現可能であり,未保存の地域や低リソースの医療環境におけるグルコースモニタリングへの道筋を提供することがわかった。

関連論文リスト

• GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting [3.494950334697973]
  GlyRAGは、CGMトレースから直接血糖値のセマンティック理解を導き出す、文脈対応、検索強化予測フレームワークである。 GlyRAGは最先端の手法を一貫して上回り、RMSEは最大で39%低下し、RMSEはベースラインよりもさらに1.7%減少する。
  論文  参考訳（メタデータ） (2026-01-08T20:07:59Z)
• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• SSM-CGM: Interpretable State-Space Forecasting Model of Continuous Glucose Monitoring for Personalized Diabetes Management [0.6481500397175589]
  連続グルコースモニタリング(CGM)は、糖尿病管理に不可欠な高密度なデータストリームを生成する。 我々は,マンバをベースとしたCGMとウェアラブル活動信号を統合したニューラルステートスペース予測モデルであるSSM-CGMを提案する。
  論文  参考訳（メタデータ） (2025-10-05T22:37:28Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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RMSEの60%の改善とパラメータ数の21%削減を実現し、T1-Diabetesの12名を含むデータを用いてRMSEとMAEを51%と57%改善した。
  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)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• 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。