用于1型糖尿病患者运动检测的集成学习方法
信号处理
2023-05-18 v1 机器学习
网络与互联网体系结构
摘要
1型糖尿病是一种严重疾病，患者无法调节其血糖水平，导致各种医学并发症。人工胰腺（AP）系统已作为1型糖尿病患者模仿胰腺行为并调节血糖水平的解决方案被开发。然而，当前AP系统缺乏针对运动诱导葡萄糖摄入的检测能力，该摄入可持续长达4至8小时。这种无能可导致低血糖，若不加治疗可能产生严重后果，包括死亡。现有运动检测方法要么局限于单一传感器数据，要么使用不精确的运动检测模型，使其在实践中效果较差。在本工作中，我们提出一种集成学习框架，结合数据驱动的生理模型和Siamese网络，以利用多生理信号流进行高精度运动检测。为评估我们所提方法的有效性，我们使用了一个来自8周临床试验、包含12名糖尿病患者的公开数据集。我们的方法实现了86.4%的运动检测真阳性率和99.1%的真阴性率，优于最先进的解决方案。
引用
@article{arxiv.2305.10353,
title = {An Ensemble Learning Approach for Exercise Detection in Type 1 Diabetes Patients},
author = {Ke Ma and Hongkai Chen and Shan Lin},
journal= {arXiv preprint arXiv:2305.10353},
year = {2023}
}
备注
10 pages, 7 figures, 2 tables