Dec, 2023

野外餐食水平血糖控制的可解释机理表示

PDF
TL;DR我们提出了一种混合变分自编码器的方法，用于学习可解释的连续葡萄糖监测和餐饮数据的表示，这一方法通过基于机制的微分方程将潜在空间与输入联系起来，产生反映胰岛素敏感性、葡萄糖有效性和基础血糖水平等生理量的嵌入。在糖尿病类型 2 和糖尿病前期个体的连续葡萄糖监测和自报餐饮数据集上，我们的无监督表示发现了与疾病严重程度成比例的个体之间的分离。我们的嵌入产生的聚类效果比天真、专家、黑盒和纯机理特征好 4 倍，为比较个体内外的血糖控制提供了细致而可解释的嵌入空间，可以直接从实际环境的数据中学习得到。
diabetesglycemic controlvariational autoencoderphysiological quantitiesembedding space
发现论文，激发创造
  • 使用结构化语法进化学习差分方程进行餐后血糖预测

    该研究提出了一种新的葡萄糖预测方法，其中结合聚类方法和可解释的语法演化算法，生成有限差分方程，为餐后两小时内的餐后血糖水平提供预测，并通过可解释的表达式生成安全预测，同时提高了预测准确性。

    Jul, 2023

  • 利用语法演化对人类血糖水平进行建模

    使用基于文法进化的演化计算技术可获得个性化的糖尿病患者血糖水平和胰岛素、饮食等因素之间的相关模型，其平均误差率为 13.69％。

    Apr, 2023

  • 感染性患者个性化血糖控制的表示学习与强化学习

    本研究使用自编码器和强化学习方法，通过学习数据驱动的策略，确定重症感染病人的个性化最佳血糖控制方法，建立血糖水平与预计 90 天死亡率的关系，从而减少患者的预测死亡率。

    Dec, 2017

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019

  • GARNN: 一种可解释的图注意力循环神经网络用于预测多元时间序列中的血糖水平

    精确预测未来血糖水平能有效改善糖尿病患者的血糖管理，降低并发症发生率，提高生活质量。本研究提出了可解释的图注意力循环神经网络（GARNN）用于建模多变量时间序列数据，不仅在预测准确性上表现最佳，同时提供高质量的时间解释性，进而在改善糖尿病护理方面发挥了潜在作用。

    Feb, 2024

  • 血糖水平预测：基于图像的可解释方法与联邦学习

    使用图注意力内存模型和联邦学习方法进行血糖水平预测，在类型 1 糖尿病患者中取得了稳定而有效的结果。

    Dec, 2023

  • 基于相位图像表征学习的深度学习增强可穿戴式实时血糖监测

    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

  • 从膳食协变量中学习葡萄糖 - 胰岛素动力学的吸收率

    本文提出了一种利用神经网络预测个体葡萄糖吸收率，从而通过微分方程建立个性化葡萄糖动力学模型的方法，本方法可以更好地处理餐后葡萄糖吸收与人体健康的关系。

    Apr, 2023

  • 基于数据驱动学习的多步血糖预测模型预测控制 (Model Predictive Control) 人工胰脏

    我们提出了一种闭环胰岛素输送算法的设计和 extit {体外} 评估，该算法用于治疗 1 型糖尿病（T1D），其中包括基于数据驱动的多步血糖（BG）预测器，集成到线性时变（LTV）模型预测控制（MPC）框架中。

    Jul, 2023

  • 同一领域内的视觉表示学习无法进行强泛化

    通过对 17 种无监督，弱监督和完全监督的表征学习方法进行测试，本文观察到这些模型对于简单数据集中存在的发生因素都无法正确学习机制，且随着测试数据集的现实性增强，它们的泛化能力显著下降。

    Jul, 2021