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

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>

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.

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)

Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

Podobné výsledky(10)