Sensors Based Optimized Closed Loop Control Algorithm to Minimize Hypoglycemia/Hyperglycemia using 4-Variate Time Series Data
Notice bibliographique
Résumé
The goal of this work is to create a closed-loop control system that combines continuous glucose, carbohydrates, and physiological variable readings to regulate glucose levels to treat hyperglycemia and prevent hypoglycemia, as well as a hypoglycemia early alarm module.We use an Extended Kalman filter (EKF) to estimate time-series coefficients of type 1 diabetic patient's glucose levels using a 4-variate time series data such as glucose level, insulin dose, physical activities, and food consumption.An adaptive Kalman Filter algorithm is best suitable for sensor fusion and also for real-time data, which uses the series of measurement data over the period to tend to predict the unknown variable.We proposed to provide the mealtime bolus as a prolonged bolus, with a slice of the insulin dosage delivered before food and the remainder delivered after food.Our research entails the use of a glucose monitor (CGM), physical activity monitor (accelerometer sensor), carbohydrates monitor (biosensor), an automatic insulin infusion controller that calculates the quantity of insulin to be injected, and an insulin infusion drive.Low-Power and Lossy Routing (LPLR) with 6LoWPAN are proposed for efficient routing and private networks.Our model is evaluated using the UVa/Padova simulator for 25 patients.We conducted our experiments with 25 virtual patients with a mix of all age categories.The simulator's default sample time is one minute, but we have set the 5-minute sampling time.Overall, the proposed models are good at predicting hypoglycaemic (<70 mg/dl), normal glycaemic (>70 and 180 mg/dl), and hyperglycaemic (180 mg/dl) blood sugar levels.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».