A hierarchical network model for the estimate of the energy expenditure in individuals with type 1 diabetes
Notice bibliographique
Résumé
Total daily energy expenditure (TDEE) is impacted by many medical conditions, such as diabetes. In the case of type 1 diabetes (T1D), individuals need to have an accurate assessment of the energy expenditure in real-time to avoid dietary imbalance, and improve glycemic control. This work proposes a hierarchical Long Short-Term Memory (LSTM)-based modeling approach to predict real-time continuous energy expenditure, expressed as metabolic equivalents (METs), for individuals with T1D on a 24-hour basis by leveraging the step count and heart rate data from a wrist-band smartwatch. To deal with the inter- and intra-individual variability, the proposed model uses three different LSTMs to capture population, activity-type and subject scale information. To evaluate the impact of the components of the hierarchy, the performance of the proposed hierarchical model was assessed at each level. The results show that the combination of population data, such as heart rate and step counts, with individual data in a hierarchical architecture helps to achieve superior prediction performance, than using only individual heart rate and step counts data.Additionally, compared to non-hierarchical modeling, the hierarchical modeling can provide precise and individualized prediction of the METs categories, as it allows the integration of the variation at different levels of the hierarchy. This model can be used to augment current automated insulin delivery (AID) systems to adapt insulin infusion according to the predicted activity intensity and compensate for glycemic perturbations due to exercise.
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) | 0,000 | 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 | 0,000 |
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 ».