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