Design of a Real-Time Physical Activity Detection and Classification Framework for Individuals With Type 1 Diabetes
Notice bibliographique
Résumé
BACKGROUND: Managing glycemia during and after exercise events in type 1 diabetes (T1D) is challenging since these events can have wide-ranging effects on glycemia depending on the event timing, type, intensity. To this end, advanced physical activity-informed technologies can be beneficial for improving glucose control. METHODS: We propose a real-time physical activity detection and classification framework, which builds upon random forest models. This module automatically detects exercise sessions and predicts the activity type and intensity from tri-axial accelerometer, heart rate, and continuous glucose monitoring records. RESULTS: Data from 19 adults with T1D who performed structured sessions of either aerobic, resistance, or high-intensity interval exercise at varying times of day were used to train and test this framework. The exercise onset and completion were both predicted within 1 minute with an average accuracy of 81% and 78%, respectively. Activity type and intensity were identified within 2.38 minutes and from the exercise onset. On participants assigned to the test set, the average accuracy for activity type and intensity classification was 74% and 73%, respectively, if exercise was announced. For unannounced exercise events, the classification accuracy was 65% for the activity type and 70% for its intensity. CONCLUSIONS: The proposed module showed high performance in detection and classification of exercise in real-time within a minute of exercise onset. Integration of this module into insulin therapy decisions can help facilitate glucose management around physical activity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».