Online Classification of Unstructured Free-Living Exercise Sessions in People with Type 1 Diabetes
Notice bibliographique
Résumé
Background: Managing exercise in type 1 diabetes is challenging, in part, because different types of exercises can have diverging effects on glycemia. The aim of this work was to develop a classification model that can classify an exercise event (structured or unstructured) as aerobic, interval, or resistance for the purpose of incorporation into an automated insulin delivery (AID) system. Methods: A long short-term memory network model was developed with real-world data from 30-min structured sessions of at-home exercise (aerobic, resistance, or mixed) using triaxial accelerometer, heart rate, and activity duration information. The detection algorithm was used to classify 15 common free-living and unstructured activities and relate each to exercise-associated change in glucose. Results: A total of 1610 structured exercise sessions were used to train, validate, and test the model. The accuracy for the structured exercise sessions in the testing set was 72% for aerobic , 65% for interval , and 77% for resistance . In addition, we tested the classifier on 3328 unstructured sessions. We validated the session-associated change in glucose against the expected change during exercise for each type. Mean and standard deviation of the change in glucose of −20.8 (40.3) mg/dL were achieved for sessions classified as aerobic , −16.2 (39.0) mg/dL for sessions classified as interval , and −11.6 (38.8) mg/dL for sessions classified as resistance . Conclusions: The proposed algorithm reliably identified physical activity associated with expected change in glucose, which could be integrated into an AID system to manage the exercise disturbance in glycemia according to the predicted class.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».