La diabetes de tipo 1 es una enfermedad crónica que está aumentando a un ritmo alarmante en todo el mundo. Los estudios revelan que las complicaciones asociadas a la diabetes pueden reducirse con un control adecuado de la enfermedad mediante la monitorización continua y la previsión del nivel de glucosa en sangre de los pacientes. Objetivo. La predicción previa del nivel de glucosa en sangre es necesaria para superar el retraso en la absorción de insulina en pacientes diabéticos de tipo 1. Método. En esta investigación, utilizamos datos de monitorización continua de glucosa (MCG) para predecir el nivel futuro de glucosa en sangre utilizando los puntos de datos anteriores. Comparamos dos técnicas de redes neuronales. Aplicamos la red neuronal feedforward óptima y, a continuación, proponemos redes neuronales autorregresivas no lineales óptimas para la predicción de la glucemia 15-30 minutos antes en pacientes diabéticos de tipo 1. Validamos el modelo propuesto con 2 sujetos virtuales utilizando sus datos de glucemia de 24 horas. Estos dos casos de estudio se han recopilado a partir de AIDA, es decir, el simulador matemático gratuito de diabetes. Resultados. En el horizonte de predicción (PH) de 15 y 30 minutos, se han mostrado resultados mejorados para entradas mínimas del nivel de glucosa en sangre de un sujeto concreto. Para calcular el rendimiento se utiliza el error cuadrático medio (RMSE). Para la red neuronal feedforward óptima, el RMSE es de 0,9984 y 3,78 ml/dl, y para la red neuronal autorregresiva no lineal óptima, reduce el RMSE a 0,60 y 1,12 ml/dl para horizontes de predicción de 15 min y 30 min, respectivamente, para el sujeto 1. De forma similar, para el sujeto 2, para la red neuronal óptima feedforward, el RMSE es de 1,43 y 3,51 ml/dl, que se mejora utilizando la red neuronal autorregresiva óptima a 0,7911 y 1,6756 ml/dl para horizontes de predicción de 15 min y 30 min, respectivamente. Validación. Además, validamos nuestro modelo propuesto utilizando los conjuntos de datos de aprendizaje automático de la UCI (Abalone y Servo), y también muestra mejores resultados. Conclusión y trabajo futuro. El modelo de red neuronal autorregresiva no lineal óptima propuesto obtiene mejores resultados que el modelo de red neuronal feedforward para estos datos de series temporales. En el futuro, nos proponemos investigar una mayor colección de escenarios y datos de AIDA que sean reales e influyan en otros factores de los BGL.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Detección de anomalías en señales de EEG: Un estudio de caso sobre la medida de similitud
Artículo:
Procesos hopping a través del modelo difusional en materiales nanocristalinos usados para aplicaciones fotovoltaicas
Artículo:
Mejora de la fluorescencia y la fotoestabilidad basada en la interacción de colorantes fluorescentes con nanopartículas de plata para concentradores solares luminiscentes
Artículo:
Momento de iniciar la terapia con glicopéptidos para la bacteriemia por Staphylococcus aureus resistente a la meticilina: El impacto en el resultado clínico
Artículo:
Membrana de PLLA/citrato de trietilo como alternativa para el tratamiento de heridas cutáneas
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.