通过异步去中心化联邦学习来解决糖尿病患者面临的高质量血糖预测模型的难题以及隐私保护的问题。GluADFL 方法在四个不同的 T1D 数据集上经过与八种对照方法的比较，展示了在跨患者分析中准确预测血糖水平的优越性能，同时适用于各种社交网络的通讯网络中的数据存储和分享，提供了实际应用的隐私保护解决方案，显著提高了糖尿病管理的质量。
Jun, 2024
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
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
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
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。
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
基于 CGM 时间序列数据的短期血糖预测模型 TimeGlu，在没有额外个人数据的情况下，在实际世界中提供了有效的糖尿病血糖管理指导。
Apr, 2024
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
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
基于患者的外部活动而无需涉及任何生理参数，我们提出了 CrossGP，这是一种新颖的机器学习框架，用于跨日血糖预测。通过与三种基准模型进行比较，对 Anderson 的数据集进行了大量实验，强烈证明了 CrossGP 的卓越性能，并证明了其在未来实际应用中的潜力。