An Evolution-based Machine Learning Approach for Inducing Glucose Prediction Models

De Falco, Ivanoe; Della Cioppa, Antonio; Koutný, Tomáš; Scafuri, Umberto; Tarantino, Ernesto; Úbl, Martin

Full metadata record

DC pole	Hodnota	Jazyk
dc.contributor.author	De Falco, Ivanoe
dc.contributor.author	Della Cioppa, Antonio
dc.contributor.author	Koutný, Tomáš
dc.contributor.author	Scafuri, Umberto
dc.contributor.author	Tarantino, Ernesto
dc.contributor.author	Úbl, Martin
dc.date.accessioned	2023-05-22T10:00:13Z	-
dc.date.available	2023-05-22T10:00:13Z	-
dc.date.issued	2022
dc.identifier.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	cs
dc.identifier.isbn	978-1-66549-792-3
dc.identifier.issn	1530-1346
dc.identifier.uri	2-s2.0-85141137548
dc.identifier.uri	http://hdl.handle.net/11025/51887
dc.description.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.	cs
dc.format	6 s.	cs
dc.format.mimetype	application/pdf
dc.language.iso	en	en
dc.publisher	IEEE Xplore Conference Publishing	en
dc.relation.ispartofseries	2022 IEEE Symposium on Computers and Communications (ISCC) Proceedings	en
dc.rights	Plný text je přístupný v rámci univerzity přihlášeným uživatelům	cs
dc.rights	© IEEE	en
dc.subject	gramatická evoluce	cs
dc.subject	diabetes	cs
dc.subject	dynamika glukózy	cs
dc.title	An Evolution-based Machine Learning Approach for Inducing Glucose Prediction Models	en
dc.title.alternative	Odvozování modelů predikce glykémie pomocí strojového učení založeného na evoluci	cs
dc.type	konferenční příspěvek	cs
dc.type	ConferenceObject	en
dc.rights.access	restrictedAccess	en
dc.type.version	publishedVersion	en
dc.description.abstract-translated	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.	en
dc.subject.translated	grammatical evolution	en
dc.subject.translated	diabetes	en
dc.subject.translated	glucose dynamics	en
dc.identifier.doi	10.1109/ISCC55528.2022.9912918
dc.type.status	Peer-reviewed	en
dc.identifier.document-number	935799600095
dc.identifier.obd	43937043
dc.project.ID	SGS-2022-015/Nové metody pro medicínská, prostorová a komunikační data	cs
Vyskytuje se v kolekcích:	Konferenční příspěvky / Conference Papers (KIV) OBD

Soubory připojené k záznamu:

Soubor	Velikost	Formát
An_Koutný a kol. Evolution-based_Machine_Learning_Approach_.pdf	562,25 kB	Adobe PDF	Zobrazit/otevřít Vyžádat kopii

Zobrazit minimální záznam Zobrazit statistiky

Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/51887

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání

navigace