Non-invasive estimation of blood glucose level using photoplethysmographic signals sensed by smart devices
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APU149512" target="_blank" >RIV/00216305:26220/23:PU149512 - isvavai.cz</a>
Result on the web
<a href="https://dspace.vutbr.cz/handle/11012/214374" target="_blank" >https://dspace.vutbr.cz/handle/11012/214374</a>
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Neinvazivní stanovení glykémie z fotopletysmografických signálů nasnímaných pomocí chytrých zařízení
Original language description
Tento příspěvek se zabývá možnostmi neinvazivního stanovení glykémie z fotopletysmografických (PPG) signálů nasnímaných pomocí chytrého náramku a chytrého telefonu. Byly navrženy a implementovány dvě metody pro klasifikaci glykémie do dvou skupin (nízká a vysoká glykémie). Byly také vytvořeny modely strojového učení pro predikci konkrétní hodnoty glykémie. Reference byla získána invazivním měřením glykémie pomocí glukometru. Nejlepších výsledků klasifikace PPG záznamů do dvou skupin dosahuje metoda náhodný les (RF) a metoda podpůrných vektorů (SVM) s rbf jádrem. Zmíněné modely dosahují přesnosti na testovací sadě dat z chytrého náramku Acc = 76 % (SVM) a Acc = 75 % (RF). Ověření funkčnosti navržených modelů bylo následně provedeno na testovací sadě dat z chytrého telefonu, kde oba modely dosahují obdobných výsledků: Acc = 74 % (SVM) a Acc = 75 % (RF). Konkrétní hodnotu glykémie nejlépe predikoval RF pro regresi, který dosahuje průměrné absolutní chyby MAE = 1,25 mmol/l na testovací sadě dat z chytrého
Czech name
Neinvazivní stanovení glykémie z fotopletysmografických signálů nasnímaných pomocí chytrých zařízení
Czech description
Tento příspěvek se zabývá možnostmi neinvazivního stanovení glykémie z fotopletysmografických (PPG) signálů nasnímaných pomocí chytrého náramku a chytrého telefonu. Byly navrženy a implementovány dvě metody pro klasifikaci glykémie do dvou skupin (nízká a vysoká glykémie). Byly také vytvořeny modely strojového učení pro predikci konkrétní hodnoty glykémie. Reference byla získána invazivním měřením glykémie pomocí glukometru. Nejlepších výsledků klasifikace PPG záznamů do dvou skupin dosahuje metoda náhodný les (RF) a metoda podpůrných vektorů (SVM) s rbf jádrem. Zmíněné modely dosahují přesnosti na testovací sadě dat z chytrého náramku Acc = 76 % (SVM) a Acc = 75 % (RF). Ověření funkčnosti navržených modelů bylo následně provedeno na testovací sadě dat z chytrého telefonu, kde oba modely dosahují obdobných výsledků: Acc = 74 % (SVM) a Acc = 75 % (RF). Konkrétní hodnotu glykémie nejlépe predikoval RF pro regresi, který dosahuje průměrné absolutní chyby MAE = 1,25 mmol/l na testovací sadě dat z chytrého
Classification
Type
O - Miscellaneous
CEP classification
—
OECD FORD branch
20601 - Medical engineering
Result continuities
Project
—
Continuities
S - Specificky vyzkum na vysokych skolach
Others
Publication year
2023
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů