本研究使用深度强化学习技术,比较了不同的控制算法。模拟糖尿病患者的数据分析表明,该技术可大幅降低糖尿病患者在控制血糖水平方面面临的风险,而无需专业知识的参与。
Sep, 2020
本文评估了离线强化学习方法,用于开发临床有效的药量策略,通过对 UVA/Padova 血糖动力学模拟器内的九个虚拟患者的血糖控制进行了研究,发现离线强化学习可以显著提高健康血糖范围内的时间,而不增加低血糖事件。
Apr, 2022
本文提出了一种 HyCPAP 的混合控制策略,将 MPC 和集成 DRL 策略相结合,利用两种策略的优势并补偿各自的限制,并进一步将元学习技术纳入 HyCPAP 中,以实现对 T1DM 患者的快速个性化适应。结果表明,我们的方法在闭环葡萄糖管理方面表现优越。
Jul, 2023
该研究探讨利用连续血糖监测设备和机器学习模型进行血糖浓度的预测,旨在为糖尿病治疗提供便利以及为人工胰腺系统认证和监管提供可靠性支持。
Feb, 2023
使用离线强化学习代理人和个性化流程提高闭环系统的性能,消除对模拟器的依赖,实现糖尿病的血糖控制。
Oct, 2023
美国有超过三分之一的成年人是糖尿病前期患者,其中 80%不知晓自己的状况。为了预防 2 型糖尿病和相关心脏疾病,需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性,因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法,即使在有限数据集下,也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合,提取更有意义的特征。我们使用历史数据对我们的方法进行了测试,结果显示我们的方法在预测实时间质血糖水平方面超过了当前的 87%准确性基准。
Jun, 2024
本研究提出了一种结合数据驱动的生理模型和 Siamese 网络的集成学习框架,用于在人工胰腺系统中准确检测运动,并在临床试验数据集上表现出了高达 86.4%的真正阳性率和 99.1%的真正阴性率。
May, 2023
2 型糖尿病患者通过人工智能和个性化反馈改善每日步数、总卡路里和总碳水化合物摄入,并提供预测控制模型以精确管理病情。
Jan, 2024
通过使用自我关注编码器网络的强化学习代理,本研究展示了如何有效地模拟和改善人们在计算进餐后胰岛素剂量方面的直觉过程,以实现更简化治疗的潜力,并为 T1D 患者提供改善生活质量和糖尿病结果的希望。
通过深度强化学习和多步算法,本研究在血糖控制方面验证了多步强化学习的有效性,可能有助于探索最佳血糖控制措施,提高糖尿病患者的生存率。
Mar, 2024