机构名称：
¥ 1.0
随着现代数字技术的出现，正在从便携式可穿戴设备中获取生理信号（例如心电图），这些设备用于非侵入性慢性疾病管理（例如1型糖尿病）。糖尿病管理需要对血糖进行实时评估，这对于临床复杂性和侵入性而导致小儿人群繁琐。因此，实时非侵入性血糖估计现在对于有效的糖尿病管理是关键的。在本文中，我们提出了一个自动提取的BEAT形态的小儿种群实时非侵入性血糖估计的自我发作的深神网络回归。第一阶段基于由卷积神经网络驱动的基于自我注意的长短期记忆的形态学提取器，以根据时间上下文突出局部特征。第二阶段基于由多层感知器驱动的形态回归剂，并具有辍学和批准化，以避免过度拟合。我们通过logit模型进行了特征选择，然后是Spearman在功能之间的相关性，以避免功能冗余。我们对我们的模型进行了培训，该模型是从T1D儿科人群中获得的公开可用的MIT/BIH-PHYSIONET数据库和生理信号。我们通过Clarke的网格误差进行了评估，以分析不同血糖条件下血值范围的估计精度。结果表明，在临床上可接受的范围内，我们的工具以89％的精度优于现有的回归模型。基于BEAT形态的建议模型显着超过了基于HRV特征的模型。
生物医学信号处理和控制 - 包裹：沃里克
主要关键词
相关文件推荐
