Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Neinvazivní stanovení glykémie z fotopletysmografických signálů nasnímaných pomocí chytrých zařízení

Identifikátory výsledku

  • Kód výsledku v 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>

  • Výsledek na webu

    <a href="https://dspace.vutbr.cz/handle/11012/214374" target="_blank" >https://dspace.vutbr.cz/handle/11012/214374</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Neinvazivní stanovení glykémie z fotopletysmografických signálů nasnímaných pomocí chytrých zařízení

  • Popis výsledku v původním jazyce

    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

  • Název v anglickém jazyce

    Non-invasive estimation of blood glucose level using photoplethysmographic signals sensed by smart devices

  • Popis výsledku anglicky

    This paper deals with possibilities of non-invasive blood glucose level estimation from photoplethysmographic (PPG) signals captured by a smart wristband and a smartphone. Two methods have been developed and implemented to classify glycaemia into two groups (low and high glycaemia). Machine learning models have been developed to predict specific glycaemia values. The reference was obtained by invasive measurement of glycemia using a glucometer. Methods based on random forest (RF) and support vector machine (SVM) with rbf kernel achieved the best results for classifying PPG records into two groups. The aforementioned models achieved accuracies Acc = 76% (SVM) and Acc = 75% (RF) on the smart wristband test dataset. The performance of the proposed models was then verified on a smartphone test dataset, where both models achieved similar results: Acc = 74% (SVM) and Acc = 75% (RF). RF was the best predictor of glycaemia for the regression, achieving an average absolute error MAE = 1.25 mmol/l on the smart

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů