Hypoglycemia Detection Using Hand Tremors: Home Study of Patients With Type 1 Diabetes
Notice bibliographique
Résumé
BACKGROUND: Diabetes affects millions of people worldwide and is steadily increasing. A serious condition associated with diabetes is low glucose levels (hypoglycemia). Monitoring blood glucose is usually performed by invasive methods or intrusive devices, and these devices are currently not available to all patients with diabetes. Hand tremor is a significant symptom of hypoglycemia, as nerves and muscles are powered by blood sugar. However, to our knowledge, no validated tools or algorithms exist to monitor and detect hypoglycemic events via hand tremors. OBJECTIVE: In this paper, we propose a noninvasive method to detect hypoglycemic events based on hand tremors using accelerometer data. METHODS: We analyzed triaxial accelerometer data from a smart watch recorded from 33 patients with type 1 diabetes for 1 month. Time and frequency domain features were extracted from acceleration signals to explore different machine learning models to classify and differentiate between hypoglycemic and nonhypoglycemic states. RESULTS: The mean duration of the hypoglycemic state was 27.31 (SD 5.15) minutes per day for each patient. On average, patients had 1.06 (SD 0.77) hypoglycemic events per day. The ensemble learning model based on random forest, support vector machines, and k-nearest neighbors had the best performance, with a precision of 81.5% and a recall of 78.6%. The results were validated using continuous glucose monitor readings as ground truth. CONCLUSIONS: Our results indicate that the proposed approach can be a potential tool to detect hypoglycemia and can serve as a proactive, nonintrusive alert mechanism for hypoglycemic events.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».