| Title: | An Evolution-based Machine Learning Approach for Inducing Glucose Prediction Models |
| Other Titles: | Odvozování modelů predikce glykémie pomocí strojového učení založeného na evoluci |
| Authors: | De Falco, Ivanoe Della Cioppa, Antonio Koutný, Tomáš Scafuri, Umberto Tarantino, Ernesto Úbl, Martin |
| Citation: | DE FALCO, I. DELLA CIOPPA, A. KOUTNÝ, T. SCAFURI, U. TARANTINO, E. ÚBL, M. An Evolution-based Machine Learning Approach for Inducing Glucose Prediction Models. In 2022 IEEE Symposium on Computers and Communications (ISCC) Proceedings. Piscataway: IEEE Xplore Conference Publishing, 2022. s. 1-6. ISBN: 978-1-66549-792-3 , ISSN: 1530-1346 |
| Issue Date: | 2022 |
| Publisher: | IEEE Xplore Conference Publishing |
| Document type: | konferenční příspěvek ConferenceObject |
| URI: | 2-s2.0-85141137548 http://hdl.handle.net/11025/51887 |
| ISBN: | 978-1-66549-792-3 |
| ISSN: | 1530-1346 |
| Keywords: | gramatická evoluce;diabetes;dynamika glukózy |
| Keywords in different language: | grammatical evolution;diabetes;glucose dynamics |
| Abstract: | V tomto představujeme algoritmus gramatické evoluce k odvození personalizovaných a interpretovatelných modelů předpovědi glukózy pro diabetické pacienty na základě historických měření glukózy, sacharidů a injekčně podaného inzulínu. K hodnocení odvozených modelů se používá soubor dat pacientů s diabetem 1. typu. Experimentální testy ukazují, že výkon těchto modelů je srovnatelný s modely získanými jinými nejmodernějšími technikami, které vyžadují větší výpočetní výkon. |
| Abstract in different language: | Within this paper a Grammatical Evolution algorithm is exploited to induce personalized and interpretable glucose forecasting models for diabetic patients based on the historical measurements of the glucose, the carbohydrates, and the injected insulin. A real-world data set of Type 1 diabetic patients is used to assess the induced models. The experimental trials show that the performance of extracted models is comparable with that obtained by other state–of–the–art techniques that require a more significant computational effort. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům © IEEE |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| An_Koutný a kol. Evolution-based_Machine_Learning_Approach_.pdf | 562,25 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/51887Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.