An Efficient Attention-Based LSTM Framework for Blood Glucose Level Prediction
Notice bibliographique
Résumé
Predicting blood glucose is highly significant for patients with diabetes to manage their condition efficiently.Deep learning (DL) approaches have demonstrated great potential in blood glucose prediction modeling.By leveraging time-series data from continuous glucose monitoring (CGM) devices, this model can capture complicated temporal dependencies and patterns in glucose dynamics.DL based blood glucose prediction models learn from insulin dosages, past glucose readings, physical activity levels, meal intake, and other related features to forecast future blood glucose levels with maximum accuracy.Thus, this study presents an Optimal Attention-based Long Short-Term Memory for Blood Glucose Level Prediction (OALSTM BGLP) model.Firstly, it employs Min-Max scaling to normalize the input data, ensuring consistent and meaningful comparisons across different features.Additionally, the model generates time series data for multiple forecasting horizons, including 15, 30, 45, and 60-minute(m) intervals, enabling flexible and dynamic predictions to accommodate various planning and decision-making needs.Moreover, the OALSTM-BGLP technique uses the ALSTM model, which incorporates an attention mechanism to selectively concentrate on relevant information within the input sequence while capturing long-term dependencies.This attention mechanism permits the method to effectively extract salient features from the input data, enhancing its predictive capabilities.Furthermore, the model is optimized using the RMSProp optimizer, which adjusts the rate of learning dependent on the magnitude of recent gradients, facilitating efficient training and convergence.The performance evaluation of the developed technique on the OhioT1DM dataset shows its promising performance over recent state-of-the-art methods.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».