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”

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

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F22%3A43966043" target="_blank" >RIV/49777513:23520/22:43966043 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://diabetes.zcu.cz" target="_blank" >https://diabetes.zcu.cz</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/ISCC55528.2022.9912918" target="_blank" >10.1109/ISCC55528.2022.9912918</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

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

  • Popis výsledku v původním jazyce

    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.

  • Název v anglickém jazyce

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

  • Popis výsledku anglicky

    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.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    2022 IEEE Symposium on Computers and Communications (ISCC) Proceedings

  • ISBN

    978-1-66549-792-3

  • ISSN

    1530-1346

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    1-6

  • Název nakladatele

    IEEE Xplore Conference Publishing

  • Místo vydání

    Piscataway

  • Místo konání akce

    Rhodes Island, Greece

  • Datum konání akce

    30. 6. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000935799600095