論文の概要: A unified data format for managing diabetes time-series data: DIAbetes eXchange (DIAX)

• arxiv url: http://arxiv.org/abs/2604.11944v1
• Date: Mon, 13 Apr 2026 18:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.062376
• Title: A unified data format for managing diabetes time-series data: DIAbetes eXchange (DIAX)
• Title（参考訳）: DIAbetes eXchange (DIAX)
• Authors: Elliott C. Pryor, Marc D. Breton, Anas El Fathi,
• Abstract要約: 糖尿病デバイスは、研究や機械学習で広く使われている豊富な時系列データを生成する。 糖尿病データを統一するための標準化されたフォーマットであるDIAX(DIAbetes eXchange)を提案する。 オープンソースリポジトリは、コンバージョン、クロスフォーマット互換性、可視化、コミュニティコントリビューションのためのツールを提供する。
• 参考スコア（独自算出の注目度）: 0.22940141855172036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetes devices, including Continuous Glucose Monitoring (CGM), Smart Insulin Pens, and Automated Insulin Delivery systems, generate rich time-series data widely used in research and machine learning. However, inconsistent data formats across sources hinder sharing, integration, and analysis. We present DIAX (DIAbetes eXchange), a standardized JSON-based format for unifying diabetes time-series data, including CGM, insulin, and meal signals. DIAX promotes interoperability, reproducibility, and extensibility, particularly for machine learning applications. An open-source repository provides tools for dataset conversion, cross-format compatibility, visualization, and community contributions. DIAX is a translational resource, not a data host, ensuring flexibility without imposing data-sharing constraints. Currently, DIAX is compatible with other standardization efforts and supports major datasets (DCLP3, DCLP5, IOBP2, PEDAP, T1Dexi, Loop), totaling over 10 million patient-hours of data. https://github.com/Center-for-Diabetes-Technology/DIAX
• Abstract（参考訳）: Continuous Glucose Monitoring (CGM)、Smart Insulin Pens、Automated Insulin Delivery Systemなどの糖尿病デバイスは、研究や機械学習で広く使用されている豊富な時系列データを生成する。 しかし、ソース間の一貫性のないデータフォーマットは、共有、統合、分析を妨げる。 CGM,インスリン,食事信号を含む糖尿病時系列データを統一するための標準化されたJSONベースのフォーマットであるDIAX(DIAbetes eXchange)を提案する。 DIAXは、特に機械学習アプリケーションにおいて、相互運用性、再現性、拡張性を促進する。 オープンソースリポジトリは、データセット変換、クロスフォーマット互換性、可視化、コミュニティコントリビューションのためのツールを提供する。 DIAXはデータホストではなく翻訳リソースであり、データ共有の制約を課さずに柔軟性を確保する。 現在、DIAXは他の標準化活動と互換性があり、主要なデータセット(DCLP3、DCLP5、IOBP2、PEDAP、T1Dexi、Loop)をサポートし、合計1000万以上の患者時間データをサポートしている。 https://github.com/Center-for-Diabetes-Technology/DIAX

関連論文リスト

• MetaboNet: The Largest Publicly Available Consolidated Dataset for Type 1 Diabetes Management [3.015362156937042]
  現在のデータセットは構造的に大きく異なり、アクセスと処理に時間がかかる。 複数の公開可能なT1Dデータセットは、MetaboNetデータセットと呼ばれる統一リソースに統合された。
  論文  参考訳（メタデータ） (2026-01-16T18:38:33Z)
• AZT1D: A Real-World Dataset for Type 1 Diabetes [6.102406188211489]
  AZT1Dは、自動インスリンデリバリーシステム上で、タイプ1糖尿病(T1D)を持つ25人の個人から収集されたデータを含むデータセットである。 AZT1Dはリッチで博物学的なデータを提供することで、幅広い人工知能と機械学習アプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-05-27T21:54:53Z)
• Scaling Laws for Data Filtering -- Data Curation cannot be Compute Agnostic [99.3682210827572]
  ビジョン言語モデル(VLM)は、慎重にキュレートされたWebデータセット上で数千のGPU時間でトレーニングされる。 データキュレーション戦略は通常、トレーニングに利用可能な計算を知らないように開発されている。 ウェブデータの非均一性を考慮したニューラルスケーリング法則を導入する。
  論文  参考訳（メタデータ） (2024-04-10T17:27:54Z)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• DiaTrend: A dataset from advanced diabetes technology to enable development of novel analytic solutions [0.0]
  このデータセットは、合計27,561日連続血糖測定データと、糖尿病患者54人のインスリンポンプデータ8,220日を含む、ウェアラブル医療機器からの集中的な経時的データで構成されている。 このデータセットは、糖尿病患者の疾患負担を軽減し、外来患者の慢性的な状態管理に関する知識を増大させる新しい分析ソリューションの開発に有用である。
  論文  参考訳（メタデータ） (2023-04-04T00:59:04Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
  我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。 自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。 我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
  論文  参考訳（メタデータ） (2020-10-03T03:18:52Z)
• Can x2vec Save Lives? Integrating Graph and Language Embeddings for Automatic Mental Health Classification [91.3755431537592]
  グラフと言語の埋め込みモデル(metapath2vec と doc2vec)がリソース制限を回避する方法を示します。 統合されると、両データは高度に正確な予測を生成する(90%、偽陽性10%、偽陰性12%)。 これらの結果は、大規模ネットワークにおける行動と言語を同時に分析することの重要性の研究を拡大する。
  論文  参考訳（メタデータ） (2020-01-04T20:56:21Z)

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。