論文の概要: An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning
- arxiv url: http://arxiv.org/abs/2606.15927v1
- Date: Sun, 14 Jun 2026 17:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.94617
- Title: An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning
- Title（参考訳）: 機械学習を用いた光胸部画像信号からの血糖推定の探索的研究
- Abstract要約: 糖尿病と極端な血糖値は、今日では世界中で人間が直面している主要な健康問題の一つである。
まず、スマートウォッチからの連続PSG信号と、CGMデバイスを用いて記録されたグルコース値からなるペアデータセットを提案する。
予備的な結果は、いくつかの予測シグナルが存在することを示唆するが、より多くの個人からのデータでさらなる探索が必要であることを示唆している。
- 参考スコア（独自算出の注目度）: 1.4323566945483497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diabetes and extreme blood sugar levels are some of the major health problems faced by humans today across the world. While Continuous Glucose Monitoring (CGM) has emerged as an effective technology for management of diabetes as well as for monitoring blood sugar levels, this technology has traditionally been invasive (that is, requiring the piercing of the skin) and carries the risk of irritation, induration, etc. This highlights the need for accurate and non-invasive CGM methods that can be deployed at scale. With the emergence of various sensing technologies and their integration in wearables like the smart-watch, we now have the capability to continuously monitor body signals like the Photoplethysmogram (PPG) in a non-invasive manner. Having the ability to continuously monitor blood glucose through CGMs and continuously monitor PPG signals through a smart-watch offers an opportunity to get dense data on these two, opening the possibility of building machine learning and deep learning based models to estimate blood glucose level from PPG signals. In this work, we first present a paired dataset comprising continuous PPG signals from a smartwatch along with glucose values recorded using a CGM device. We also present the results of some preliminary experimental explorations performed on our dataset. These preliminary results suggest that some predictive signals may exist, though more exploration is needed with more data from a larger number of individuals. The dataset can be accessed at https://zenodo.org/records/20577959
- Abstract（参考訳）: 糖尿病と極端な血糖値は、今日では世界中で人間が直面している主要な健康問題の一つである。
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)は糖尿病の管理や血糖値のモニタリングに有効な技術として登場したが、この技術は伝統的に侵襲的(つまり皮膚のピアスを必要とする)であり、刺激やインデュレーションなどのリスクを負っている。
これは、大規模にデプロイ可能な正確で非侵襲的なCGMメソッドの必要性を強調している。
さまざまなセンサー技術の出現と、スマートウォッチのようなウェアラブルへの統合により、私たちはPhotoplethysmogram(PPG)のような身体信号を非侵襲的に継続的に監視できるようになりました。
CGMを通して血糖値を継続的に監視し、スマートウォッチを通じてPGG信号を継続的に監視する能力を持つことは、これら2つのデータを密に収集する機会となり、PPG信号から血糖値を推定するために機械学習とディープラーニングベースのモデルを構築する可能性を開く。
本研究では、まずスマートウォッチからの連続PSG信号と、CGMデバイスを用いて記録されたグルコース値からなるペアデータセットを提示する。
また,本データセットを用いて予備実験を行った結果について報告する。
これらの予備的な結果は、いくつかの予測シグナルが存在することを示唆するが、より多くの個人からのデータでさらなる探索が必要であることを示唆している。
データセットはhttps://zenodo.org/records/20577959でアクセス可能である。
関連論文リスト
- Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳（メタデータ） (2025-04-30T16:10:20Z) - Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。
その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。
今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文 参考訳（メタデータ） (2024-12-17T18:07:40Z) - 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) - emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。
1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。
sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
論文 参考訳（メタデータ） (2024-10-26T05:18:48Z) - 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) - Enhancing Wearable based Real-Time Glucose Monitoring via Phasic Image Representation Learning based Deep Learning [4.07484910093752]
米国では、成人の3分の1以上がプレ糖尿病であり、80%は彼らの状態に気づいていない。
既存のウェアラブルグルコースモニターは、小さなデータセットでトレーニングされたモデルの不足によって制限されている。
論文 参考訳（メタデータ） (2024-06-12T07:05:53Z) - Machine Learning-Based Diabetes Detection Using Photoplethysmography
Signal Features [0.0]
糖尿病は世界中で何百万人もの人々の健康を損なう慢性疾患である。
そこで本研究では,非侵襲性光胸腺撮影による糖尿病検出の問題点を克服する別の方法を提案する。
PPG信号とアルゴリズムを用いて非糖尿病患者と糖尿病患者を分類し,ロジスティック回帰とeXtreme Gradient Boostingを訓練した。
以上の結果から,糖尿病の検出・予防のための遠隔・非侵襲・連続計測装置の開発に機械学習が期待できることが示唆された。
論文 参考訳（メタデータ） (2023-08-02T14:10:03Z) - Personalized Understanding of Blood Glucose Dynamics via Mobile Sensor
Data [0.0]
スマートフォンによるセンサ入力で連続血糖値(CGM)データを増大させる。
このデータセットは、そのサイズ、GPSデータが含まれており、非侵襲的にフリーライフの患者から収集されたという事実という意味では、新しいものです。
論文 参考訳（メタデータ） (2023-02-02T20:26:05Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - 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。