Apr, 2024

CrossGP: 排除生理信息的跨日血糖预测

PDF
TL;DR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。
发现论文，激发创造
  • 基于 CGM 时间序列的短期血糖预测

    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

  • 隐私保护的血糖水平交叉预测：一种异步去中心化联邦学习方法

    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

  • 使用连续葡萄糖监测数据的基于机器学习的 1 型糖尿病患者血糖水平预测

    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

  • 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

  • 基于机器学习的光电容积脉搏信号特征用于糖尿病检测

    使用非侵入式的光学光容积描记术（PPG）结合机器学习方法，通过对患者的 PPG 信号和元数据进行训练和分类，成功地开发了一种远程、非侵入式和连续测量的糖尿病检测装置。

    Aug, 2023

  • 用于医学时间序列预测的稀疏多输出高斯过程

    本文提出了一种基于泊松过程的贝叶斯非参数模型（MedGP），将临床协变量和实验室协变量与病人之间的关联进行了推断和利用，实现对病人状态的高质量推断并实时预测，与现有方法相比，该方法不需要时间序列数据的对齐，具有更好的结果，该方法应用于不同疾病亚组和研究中，为近一半的协变量实现了精确预测。

    Mar, 2017

  • 深度多目标预测：学习准确预测血糖轨迹

    应用深度学习模型，基于信号动力学模型预测临床中多步预测的实际应用场景，为血糖多步预测提供了可行策略，并比现有的浅层和深层方法有更好的预测表现。

    Jun, 2018

  • 高斯过程混合效应深度模型：基于个性化和可靠的医疗预测

    我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

    Jun, 2018

  • 一种用于 1 型糖尿病患者运动检测的集成学习方法

    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