JP2014514110A - 適応的に選択されたカーネルパラメータおよび正則化パラメータを用いた正則化ネットワークベースのグルコース予測子 - Google Patents
適応的に選択されたカーネルパラメータおよび正則化パラメータを用いた正則化ネットワークベースのグルコース予測子 Download PDFInfo
- Publication number
- JP2014514110A JP2014514110A JP2014505644A JP2014505644A JP2014514110A JP 2014514110 A JP2014514110 A JP 2014514110A JP 2014505644 A JP2014505644 A JP 2014505644A JP 2014505644 A JP2014505644 A JP 2014505644A JP 2014514110 A JP2014514110 A JP 2014514110A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- kernel
- function
- glucose
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Obesity (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
−被験者の皮下電流読み取りなどのセンサーシグナルを受信する工程と、
−受信されたセンサー信号からグルコース濃度を推定する工程であって、所定の関数空間において推定グルコース濃度予測子関数をセンサー信号値の連続関数として決定する工程を備える推定工程と、
を備える。
a)カーネルをカーネルセットから選択する工程と、
b)推定グルコース濃度予測子関数を計算する工程であって、予測子関数として選択されたカーネルからの正則化パラメータが、トレーニングデータセットの第1のサブセットから推定グルコース濃度および基準グルコース濃度の正則化偏差を示す正則化関数を最小化する計算工程と、
c)トレーニングデータセットの第2のサブセットから計算された予測子関数および基準グルコース濃度によって予測された推定グルコース濃度の正則化偏差を示す正則化汎関数およびパフォーマンス汎関数の加重和として、エラー汎関数を計算する工程と、
d)少なくとも近似的にエラー汎関数を最小化するカーネルを決定する最小化手順における工程a)〜c)を繰り返す工程とを備える。
本記述の目的上、特定の被験者に関して、時間モーメント
,i=1,2,…,mにおける被験者の血中グルコース濃度yiのm以後の測定値が与えられることが最初に想定される。以下において、予測子構築プロセスの実施形態を詳述する。ここで、予測子によってこれらの過去の測定値
が使用され、
から
までの時間間隔における被験者の将来の血中グルコース濃度を予測する。式中のPHは予測範囲である。
[
]が成立する間、予測は時間の連続関数y=y(t)の形式で為される。
そのような予測子を構築するには、同じ被験者または別の被験者に関して前もって実施された血中グルコース(BG)測定の記録から構成されているデータプールを使用する。例えば、BG濃度
の臨床記録は、臨床試験第μ日中の時間モーメント
にてサンプリングされたものであってもよいし、また、被験者が収集したCGM測定であってもよい。代替として、データプールは、複数の被験者に関して前もって実施された血中グルコース(BG)測定の記録を含み得る。概して、本記述の目的上、データプールはQデータセグメント{(
)},μ=1,…,Qを具備するものと想定される。
)}に対して考えられる要件は次のとおりである。
・ 各セグメント
(
),j=p,p+1,…,Pは、時間間隔[
]は予測子が作動することが予期される時間間隔[
]よりも長くなるように、すなわち、予測のデータ{yi}が期間[
]中に収集され、時間[
]にわたって予測が為されるように「十分長く」なければならず、かつ
・ データプール{(
)}に高血糖事象および低血糖事象が含まれ、必須量のデータ(
)が存在し、
>180mg/dlかつ
<70mg/dlとなることが予期される。
情報断片をデータプールから選択することによってトレーニングセットを形成する。その選択手順は次のとおりである。
1)任意のp=1,2,…,が成立する間、データプールからの断片
を考慮する。そのような断片にはそれぞれ同数の測定値が含まれ、すなわち、(m+l)であり、間隔の長さ[
]が
より短いことを前提とする。記述を簡素化するために、
であることを想定する。
2)
が成立する間、線形(多項式)適合
を検索する。ここで、値
は
のばらつきを継承し、時間間隔[
]においてBG値の濃度が
に反映される。故に、
に
の主要機能が捕捉される。別法として、他の機能抽出方法、例えば、線形適合以外の多項式適合(例えば、高次多項式による適合)を実行してもよい。
3)この文脈において、断片
は、BG値
に重要な変更がない限り、情報伝達的ではないと云える。換言すれば、被験者は安定な状況にある。このシナリオは、値
に捕捉される。それ故に、
について閾値θを固定して、
が情報伝達的であるかどうか、また閾値が被験者に依存し得るかどうかを決定できる。より正確には、断片
が情報伝達的であると云えるのは、線形適合内の対応する係数
が不等式|
|≧θを満たす場合である。11人の被験者による本実験において、その中の8人について閾値をθ=0.019として固定し、他の4人の被験者にθ=0.017を使用した。
4)
が情報伝達的になるように、データプールから形式
の全ての断片を取得する。
および情報伝達的部分
のみが格納されるようになった。低血糖事象および高血糖事象に対応するそのような2つの断片の例は、図1aおよび図1bにそれぞれ示される。これらの断片は、特定の被験者(患者ID:被験者4)から取得されたCGM測定の記録から構成されるデータプールから選択された。情報伝達的部分からの点は、円形(o)でマークされる。図中のBG濃度は、より範囲の狭い値を扱うためにmmol/lで与えられる。これらの例において
分および各データセグメントを110分の時間間隔内で収集した。情報伝達的部分を含む合計49のデータ断片を、考慮の対象となった被験者のデータプールから選択された。このプールは、病院条件で2日間に収集されたCGM測定から構成されている。選択されたデータ断片は、時間間隔内でサンプリングされ、相互に交差し得る。選択された断片によって、新規のデータプール
が形成される。
与えられたm以後の測定
に関して、統計的学習理論および正則化ネットワークに基づいて予測子を構築する。そのような予測子はカーネルKおよび正則化パラメータ
に依存し、演繹的には固定されない。
を、与えられた
用に構築するためには、カーネルKにより生成されたカーネルヒルベルト空間
全体にわたって次のチホノフ型汎関数
を最小化する。予測子
=
は、形式
で明示的に与えることができる。
式中、C=(ci)=(m
I+
)−1Y,Y=(
),
=(K(
))であり、Iはサイズmの単位行列である。この方法は、チホノフ正則化方法の特殊な例である。また、反復チホノフ正則化を使用して、標準チホノフ正則化より高度な資格を有する。そのような場合、
は方程式(1)と同じ形式を有するが、C=(ci)=(m2
I+
)−1
Yである。
を正しく微調整しなければならない。これは、準平衡原理の手段によって適応的に実施できる(De Vito et al.:“Adaptive kernel methods using the balancing principle”,Found.Comput.Math.V.10,pp.445−479,2010に記載されている)。これにより、セット{
=
=
qi,i=0,1,…,M,q>1}から
が選択される。
かつ
=
qi,i=0,1,…,M,q>1が成立する間、{
}に予測子(1)を構築させる。正則化パラメータの選択は
によって与えられ、式中、
が成立する間、
、
、
、
、
、
、
かつ
となる。
について、カーネルKおよび初期パラメータ
を指定する場合、学習アルゴリズムは予測子
を構築する。時間間隔
[
]
におけるBGの値yが予測される。
}からカーネルが選択される。周知のように、他の実施形態において他のカーネルの形態を選択してもよい。
についてカーネル、Kおよび開始パラメータ
を提示する。そのようなメイン学習機械を構築するには、断片および情報伝達的部分のみが含まれる新規データプールをトレーニングセットに変換する。
メイン学習機械用のトレーニングセットは入力および出力ベクトルのペアから構成されている。
・ 入力ベクトルはBG値
に関する情報を任意の時間間隔[
]にわたって格納する。
・ 出力ベクトルは、カーネルパラメータ
およびパラメータ
から構成され、これらのパラメータは
に関連付けられており、それにより、
および
を用いた式(1)を介して、このデータに対して与えられた
が、
において
を正確に近似する。
が準平衡原理を介してカーネルパラメータ
および情報伝達的部分
によって決定されることに注意されたい。
について以下の数量を考慮する。
式中、
であり、
,
かつ
が成立する間、
は例えば
から始まる準平衡原理に従って選択された(1)により定義される。更に、ここで
のときは
A=Aであり、
のときは
A=
であり、
のときは、
A=
であり、
のときは
A=Aであり、それ以外のときは
,
であり、
Aは固定の大きい正の数である。本実験においてはA=40(mg/dl)とする。新規の測定
Aについての基本観念は、危険な事象(低血糖/高血糖)の予測において遅延または失敗がある場合、重度のペナルティを課す。
を新規データプールからパラメータセット
に割り当てることによって、メイン学習機械用のトレーニングセットを構築する。ここで、
は最小値
を実現する。
について、数量(2)は実際、変数3つのみの関数であり、カーネル
を定義する変数
の任意の値について容易に計算できることに注意されたい。故に、(2)の最小値を実現するパラメータ
は、標準的な関数最小化方法で見つけることができる。特に、(Solis,Wets:“Minimization by random search techniques”,Mathematics of Operation Research,V.6,pp.19−30,1981に記載されているように)ランダム検索技術を介して最小化を利用できる。例えば、ガウシアンランダムベクトルによってランダム検索を生成する場合、対角共分散行列が対角エントリ
を有し、かつ検索ステップの最大数に対する制限が
に設定されているときは、この技術を図1a、1bに示す2つのデータ断片
、
の関数(2)の最小化に適用すると、次のパラメータ値
2.955、
2.38
、
がそれぞれ与えられる。
とした場合、対応する関数
のグラフは、図1aおよび図1bにおいて実線で示されている。考慮されるコンテキストにおいて、それらはデータ
から
分に対する予測として解釈される。
を
に対する線形適合とした場合、
に関する必須情報は、
にキャプチャされる。問題の次元数を減らすには、新規のデータプールからの各
についてトレーニングセットを{(
,
)}として収集する。
がトレーニングの出力であるのに対し、
は入力であることに注意されたい。
図2は、適応的に選択されたカーネルおよび正則化パラメータを用い、正則化ネットワークに基づき、本発明の実施形態に従って、予測プロセス1の例示的実施形態のスキームを示す。準平衡原理においてカーネルパラメータ
および開始パラメータ
の値は、次のような各パラメータに対して形成されたトレーニングセットからの学習に基づき、メイン学習機械2を介して示唆される。
入力:
→出力:
入力:
→出力:
入力:
→出力:
入力:
→出力:
について、パラメータの値
、
、
、
は、予測子
、
、
、
を介して定義され、これらの予測子は、次のコレクションからのカーネル
を介して生成されたカーネルヒルベルト空間
において反復チホノフ正則化を用いて構築される。
式中の
は、新規のデータプールup=
、
内のデータ断片の数であり、
は
で定義される
における自然加重距離を示す。
の値を介して任意のカーネル
が完全に定義されることは、明らかである。加重係数r1およびr2の値は演繹的に選択でき、本実施形態において0または1になるように選択されるが、他の選択肢も考えられる。更に別法として、r1およびr2の値は、
の値と同じ方法で、データを介して決定することもできる。
,
,
,
から選択できる。この場合、任意のカーネル
が、α1、α3、α4の値を介して完全に定義される。これらの値は、ここで
の値について説明するような様式で決定し得る。
の選択が為され得る。
1)次の方法でトレーニングセット
(式中、任意のp、μについてup=
,hp=
)を2つの部分
および
に分割することによって、
かつ
に、例えば、最初の最も大きい2値および最初の最も小さい2値
のペア
が包含される。
2)例えば、
を取り上げて、その数量を考慮する。
式中の
は、任意のセット
、
における要素の数を意味し、
は、反復チホノフ正則化によって次の形式で定義される。
とした場合
であり、ここで、
はサイズ
の単位行列であり、
は行列およびサイズ
のベクトルであり、
となるように
を用いて数
によって形成される。そのうえ、前と同様な方法で、準平衡原理を用いて正則化パラメータ
を選択する。式中、
である。
について数量(4)は変数
の関数であり、その最小の点
が標準的な関数最小化方法により見つかることは明白である。例えば、被験者(患者ID:被験者4)のデータプールから構築されたトレーニングセット
について、
の場合(すなわち、ベクトル
の第1成分
のみを考慮に入れる場合に限り)、前述のランダム検索によって最小化を使用すると、値
が与えられる。
かつ
とした場合の、対応する関数
のグラフを図3に示す。この図において(o)でマーキングされている点は、図1aおよび図1bに示されているデータ断片に対して見つかったトレーニングセット
からの入力
に対応している。(+)でマーキングされている点は、数量(4)の定義に使用されている部分
からの入力に対応している。
によってカーネルK1が指定され、カーネルK1、サブセット
および正則化パラメータ
を指定するための上記スケジュールが共にあれば、
を入力
の関数として計算するうえで十分である。このようにして、予測子
によって
の値を指定し、カーネル
を選択する。同様の方法で、他のパラメータ予測子
、
、
、
、
、
を建築する。予測子
、
、
、
は、以降の予測プロセスを通して使用されるトレーニングプロセスの結果である。
、
、
、
を使用して、方程式(1)に使用されるカーネル
を指定する。上述したように、予測プロセス1はメイン学習機械2または予測設定段階および予測実行段階4を含む。故に、予測プロセスにおいて検討された例示的実施形態において、与えられた入力
に対し、メイン学習機械はトレーニングされた非線形関係
、
、
、
を使用して、カーネル
のパラメータ5および初期正則化パラメータ
を決定する。ここで、それらのパラメータは
=
(u)、
=
(u)、
=
(u)、
=
(u)およびu=
として与えられる。
に対して提示されたカーネルKおよび
を用い、学習アルゴリズム(1)を使用して予測実行段階4を介して予測子
を構築すると、これにより、時間間隔[
]における予測が与えられる。
(u)、
(u)、
(u)、
(u)により完全に定義される。一旦これらの関数が指定されると、この患者に関してBG予測プロセスをオンライン容易に操作できる。同時に、以下報告されるパフォーマンス試験は、特定の個体用に定義されるメイン学習機械を示し、その後、他人のために再調整なしで正しく使用できる。オンライン予測プロセスを実行する同じ装置でコンピュータ処理できる関数
(u)、
(u)、
(u)、
(u)を計算できる。例えば、予測装置によって実行されるコンピュータプログラムは、トレーニングモードで実行して関数
(u)、
(u)、
(u)、
(u)を計算できる。別法として、関数
(u)、
(u)、
(u)、
(u)は、予測装置とは異なるデータ処理システムを介して計算できる。計算を終えた後、関数
(u)、
(u)、
(u)、
(u)は、例えば、カーネルKi、i=1、…、4および圧縮データセグメントの対応するサブセット
を指定してパラメータを保管することによって、任意の好適な形式で予測装置上にインストールできる。一部の実施形態において上記のパラメータは、任意の好適な通信チャネルを使用して予測装置に転送でき、これにより、例えば、更新されたデータプールに基づいて、メイン学習機械の反復的な更新が可能になる。
文献から知られる3つの異なる評価測定基準を用いて、上記方法で構築された予測子の実施例のパフォーマンス評価を行った。それらの1つは、Clarke(Clarke et al.:“Evaluating clinical accuracy of systems for self−monitoring of blood glucose”,Diabetes Care,10(5):622−628,1987に記載)による典型的なポイントエラーグリッド解析(EGA)である。もう1つは、連続グルコースエラーグリッド解析(CG−EGA)(Kovatchev et al.:“Evaluating the accuracy of continuous glucose−monitoring Sensors:Continuous glucose error grid analysis illustrated by TheraSense Freestyle Navigator data”,Diabetes Care,27(8):1922−1928,2004およびClarke:“The original Clarke error grid analysis(EGA)”,Diabetes Techに記載)であり、両方の連続グルコースモニタの臨床的精度の評価に使用できる(Kovatchev et al.:“Comparison of the numerical and clinical accuracy of four continuous glucose monitors”,Diabetes Care,31:1160−1164,2008)およびBG予測エンジン(Zanderigo et al.:“Glucose prediction algorithms from continuous monitoring data:Assessment of accuracy via Continuous Glucose Error−Grid Analysis”,Journal of Diabetes Sci.and Tech.,1(5):645−651,2007)。第3の使用済み評価測定基準は、BG予測評価の目的に特別に設計された予測エラーグリッド解析(PRED−EGA)(Sivananthan et al.:“Assessment of Blood Glucose Predictors:The Prediction Error Grid Analysis”,Diabetes Tech.&Therapeutics,13(8):787−796,2011に記載)である。CHU(Montpellier、France)およびIKEM(Prague、Czech Republic)においてEU−プロジェクト「DIAdvisor」内で実施された2回の治験で得られた臨床データを使用して、パフォーマンス試験を行った。最初の試験において、糖尿病患者の各臨床記録には、サンプリング周波数が10分のAbbott Freestyle Navigator(登録商標)Continuous Glucose Monitoringシステムを使用して収集された約10日間のCGMデータが含まれる。各被験者について、2日間の記録を使用して、メイン学習機械をトレーニングし、試験した(試験に4時間の実験を使用した)。続いて、CGMセンサーに対して推奨される使用期間に対応する残りのほぼ8日間にわたって、評価を行った。この評価期間中に予測エンジンの再較正/再調整が全く為されなかったことが強調された。時間範囲(Time Horizon)30分間に為された予測に対するCG−EGA評価の例を、図4aおよび図4bに示す(患者ID:被験者4)。
(1,2.2,0.3,1.95,0.16)、
(1,0)、
(1,0.16,0.01,2,3)、
(1,0)、
(1,0,1,0.001,0.003)、
(1,0)、
(1,0.2,0.02,0.1,0.2)、
(1,1)、
分で定量されてレポートされる一方、5分ごとに新規の予測プロフィールが生成される。しかしながら、治験に関与するいずれの患者に対してもテスト済みシステムを再調整しなかったことは、更に重要であると思われる。より正確に言うと、上記手順に従い、次のようにして、テスト済み予測システムのMain Learning Machine内のカーネル(3)を決定した。
(1,1.6,5,0.001,0.016)、
(1,0)、
(1,1.2,0.001,3,0.01)、
(1,0)、
(1,0,1,0.001,0.003)、
(1,0)、
(1,0.2,0.02,0.1,0.2)、
(1,1)、
この決定には、別の患者(患者ID:被験者2)のデータを使用した。にもかかわらず、図11、12および13に確認できるように、テスト済み予測システムは極めて正常に実行され、範囲PH=0、10、20(分)の場合の予測に対するYSI血糖値に関してPRED−EGAで生成された評価結果を示した。なお、ここで使用するPRED−EGAは、予測評価に関して極めて厳密な測定基準であることが立証されている。PRED−EGAはCG−EGAと同じ形式を使用するが、後者とは対照的に、予測子が事前にBGの推定値を提供しかつグルコース変化率の推定が新規に可能になることを考慮する。
特殊事象(例えば食事)後の予測については、提案された予測のパフォーマンスを向上できる。これを遂行するには、新規のカーネル
、i=1,…,4によって生成された正則化ネットワークをメイン機械に組み込む。これらの新規のネットワークは、上記と同じ方法でトレーニングされるが、対応する特殊事象の後、例えば朝食後に収集される。メイン機械の新規部分は、特殊事象後の予測が必要とされるときに限りアクティブになる。この概念は、病院で2日および自宅で1日朝食後に収集された被験者1および被験者2のCGMデータを使用して例示されている。1日目のデータを使用して、メイン機械用に新規ネットワークをトレーニングする。例えば、被験者1について検索されたカーネル(パラメータ)(3)は、次のとおりである。
(0,0,1,1.5,2)、
(1,0)、
(0,0,1,0.1,2)、
(1,0)、
(0,0,1,2,1.5)、
(1,0)、
(1,0.0001,15,2,1)、
(1,1)、
適応正則化ネットワーク予測子の設計は当然、他の種類の入力からの予測に拡張できる。予測
のモーメントにおいて、その時間モーメント
にて為された過去のグルコース測定値
だけでなく、過去の固定期間に為されたインスリン注射の量
、現在の基底レベル
、最近/次回の食事の摂取量
、その他
,…,
などの情報も提供されることを想定する。そのような情報もまたデータプールに含まれている場合、トレーニングセットを
入力:
出力:
として考慮することによって教師あり学習機械を上記と同じ趣旨で構築できる。
式中、
はモーメント
にて与えられた上記情報項目の値であり、
が上述のように選択されたカーネルおよび正則化パラメータのベクトルである。
の形式を取るようになるべきである。予測のモーメント
にて任意の
の値が提供されない場合、
=0である。メイン学習機械のカーネルは、小さい方の数の変数
の関数に自動的に通分される。
;
;
i=0,1,3,4,
,
},
から選択でき、
式中、
である。
にて為された
インスリン単位注射後のBG濃度予測を考慮する。このデータによって、入力をベクトル
とすることが可能になる。式中、
を
後に為された次回の注射のモーメントとした場合、
[
]について、
[
]かつ
=0が成立する間、
(分)、
=
となる。このようにして、期間[
]外に注射された短時間作用性インスリンの影響が無視され、
(分),
(分)が成立する間、そのようなインスリン発現が約10〜15分以内に起こるという事実が反映される(故に、カーネル
は
(分))から効力を有し始めて、30〜90分でピークに達する(Snetselaar:“Nutrition counselling skills for the nutrition care process”,Jones and Bartlett Publishers,2009)。この場合、メイン学習機械のカーネルを決定する関数
は、次の形式
に通分され、カーネル
、i=1,…,4は上記のように選択され、トレーニングセットを
入力:
出力:
と見なすことによって、予測カーネルパラメータ
を学習する。
、
、
および
が固定された。
および
の値については、カーネル
ごとに異なる。ここでは、例として、被験者のうちの1人を挙げ、カーネル
について
かつ
、カーネル
について
かつ
、カーネル
について
かつ
、およびカーネル
について
かつ
としている。これは、昼食時の標準的ボーラス投与に関して収集された被験者1および被験者5のデータを用いて図示されている。トレーニングCGMデータおよびボーラス投与量については、病院で最初の3日の昼食頃に収集された
=
が使用される。トレーニングされた機械は、昼食時および夕食時のボーラス投与後、退院してから4日間にわたって、予測前の30分間試験された。上述したように、メイン学習機械のこのブロックが有効になり、
+10(分)から
+40(分)までのモーメント
における予測が為される。そのパフォーマンスをCG−EGAおよびClarkeのEGAを使用して評価し、ポンプ輸送されたインスリンに対して盲目的な予測子(盲目予測子)との比較を行った。
に関連のある新規ブロックが、メイン学習機械に追加される。
の近似最適値を決定するための方法として選択される。それに基づいて、圧縮済み入力データの一部分について、エラー関数を最小化するトレーニングカーネルパラメータのセット
が、工程25、続いて、工程26において、テストデータセグメントと所望のパラメータ値との間のトレーニングされた非線形関係が確立される。その関係を想定すれば、工程31で受信されたパーソナルセンサーデータに基づいて予測配列30において予測子が構築される。予測設定段階(工程32および33)および以後の予測実行段階(工程34)を含む多段階プロセスにおいて、予測子が構築される。工程32では、予測設定段階中に、工程22のデータセグメント圧縮に用いられるのと同様な方法で、受信されたパーソナルセンサーのデータを圧縮する。したがって、工程33では、その後、圧縮済みデータが、工程26で構築された非線形機械を通して実行され、それによって予測子カーネル用パラメータが確立される。最後に、工程34では、以降の予測実行段階の間、これらのパラメータを入力データおよび正則化パラメータと一緒に使用することによって、予測が構築される。予測の形式は、使用されるチホノフ正則化のタイプ、例えば、反復的な正則化、対非反復的な正則化で固定される。しかし、予測は概して、入力データの端から任意の恣意的な将来の時点までの予測値を生成できる連続関数である。
回帰設定において実施例から学ぶ問題は、このようにして公式化できる:
セット
をl回サンプリングして得られた例の所定のトレーニングセットz={zi=(xi,yi),i=1,2,...,l}は、X×Y上の未知の確率測度ρに従って、いわゆる予期されたリスクを最小化する回帰関数fρを近似する。
式中、λは正の正則化パラメータであり、
は対称的な正の正定関数
によって定義されたカーネルヒルベルト空間(RKHS)
内の標準ノルムである。
が成立する間、当然の結果として、(i)の最小化子は係数の実ベクトル
に対して形式
を有する。式中、
はサイズlの単位行列であり、
はエントリKij=K(xi,xj)、i,j=1,2,…,lとした場合のカーネル行列であり、
は出力のベクトルである。
として与えられることが証明されてきた。しかも、[4]においてはまた、トレーニングデータの量lがそれほど大きくない場合、実際に使用できる平衡原理の帰納的な対応物を見出すことができる。この帰納的なルールは、準平衡原理と呼ばれ、平衡原理[4]と準最適基準[13]の組み合わせであると見なしてよく、正則化理論において知られているルールのうちで最も古い。
を計算し、
を見出す必要がある。
で与えられる正則化パラメータ
の値を選択する。
、x
[0,2π]であり、トレーニングセットは点{xi=
,i=0,1,2,…,15}、それに付随するyi=fρ(xi)+
および間隔[−0.02,0.02]にて均一にサンプリングされたランダム
で構成される。[9]においてターゲット関数fρが、カーネルK(x,u)=xu+
を介して生成されたRKHSに属するように選択されたことに注意されたい。[9]で提示されたように、正則化学習アルゴリズム(i)、(ii)において、このカーネルを使用することにより、入力{xi=
,i=0,1,…,15}のスコープ間隔である[0,1.5π]の任意の点におけるターゲット関数fρの値を正しく予測できる。それは、図24に見ることができる。同時に、この図は、トレーニングセットの入力{xi}のスコープを越えた点x
[1.5π,2π]における予測の品質がかなり劣っていることを示す。観測されるように、図24は、λ0=10−6、q=1.5、v=20とし、セット(iii)から最適なλを使用した近似子(ii)のパフォーマンスを示す。「適切な」答えf=fρがわかっているため、この最適なλは「手動で」選択された。つまり、正則化パラメータλを選択しても、「理想」カーネル(すなわち、ターゲット関数fρの生成に使用されるカーネルK(x,u)=xu+
)によって与えられる近似子(i)、(ii)のパフォーマンスを向上できない(詳細は[15]を参照)。
+
が使用された近似子(ii)のパフォーマンスを示す。確認できるように、本カーネルベースの近似子は、図24と比較してはるかに高いパフォーマンスで実行される。この近似子用の正則化パラメータλは、準平衡原理(vi)を用いて、上記の同一セット
から選択された。近似値パフォーマンスを向上させるカーネルは、セット
(vii)
から選択された。
zP=z\zTに分割した。
K
を構築するために使用され、これにより正則化汎関数が最小化される。
式中、|zT|はzTからの要素の総数である。
T(K,λ,zT;f)は、z=zTに対して書き込まれる単なる汎関数(i)であることが明らかである。
のパフォーマンスを汎関数の値により測定した。
のセットに対して汎関数
Q(μ,λ,zP;f):=μT(K,λ,zT;f(K,λ,zT;・))+(1-μ)P(K,λ,zP;f(K,λ,zT;・))(x)
を最小化するK=K(
,μ,λ,z;x,u)である。ここで、パラメータμは、セットzTおよびzPに対するパフォーマンスレギュレータと考えることができることに注意されたい。外挿タイプの予測に対してμを十分に小さくすることが合理的であると思われる。(x)の最小化に基づくカーネル選択ルールは、[9]で提示されたルールの汎化と見なすことができ、カーネルセット
に対する汎関数T(K,λ,z;f(K,λ,z;・))の最小化子としてカーネルを選択するように提示されており、μ=1,z=zTとしたきに(x)に対応する。上記の考察からそのような選択は、トレーニングセットからの入力{xi}のスコープ内で主として予測を指向すると結論付けることができる。
+
(図25を参照)は、μ=0.01,λ=λ1=1.5・10−6,|zT|=|zP|を用い、(x)の近似最小化子としてセット(vii)から選択された。そのような最小化子は、(vii)からカーネルを決定するパラメータαi=10−4i,βj=10−4j,γk=10−4k,i,j,k=1,2,…のグリッドに対して完全検索によって見出された。この単純な手順を本発明者らが選択した理由は、本発明者らが考えている用途例が(x)の最小化をオフラインで遂行できるため、計算コストの問題は重要でないことである。
に対して正当化する。
XについてΩ上で汎関数ω
G(ω)(x,u)が連続的である場合、マッピングGは連続的であり、ここでG(ω)(x,u)は点(x,u)
X×XにおけるカーネルG(ω)の値である。そのような各マッピングGによってカーネルのセット
が決定される。
(Ω,G)の特殊ケースであり、式中、Ω=[10−4,3]3となるのはω=(α,β,γ)
ΩG(α,β,γ)(x,u)=(xu)α+β
の場合である。
Ωをコンパクトなハウスドルフ空間にし、GをΩからX×X上の全ての対称正定カーネルのセットにマップすることを考慮する。この場合、カーネルKo
(Ω,G)は、
のように存在する。
汎関数(viii)の最小化子f(K,λ,zT,・)は、方程式(xi)のチホノフ正則化の解と見なすことができる。
式中、
は、(
)i=f(xi),i:(xi,yi)
および
で定義されるサンプリング演算子である。
である。
患者の現在の血中グルコース濃度に関する情報は、糖尿病療法において極めて重要である。推定された血中グルコース濃度をほぼリアルタイムで提供する侵襲が最小限の連続グルコースモニタ(CGM)システムを最近開発し、これが承認された。例えば、Abbott Freestyle Navigatorなどのニードルをベースとした電気化学センサーは、間質液(ISF)において電気的信号(ADCカウント)を測定し、何らかの内部較正手順を利用してISFグルコース濃度(mg/dl)を返す。このISFグルコースの読み取り値は、糖尿病療法に有益な現在の血中グルコース濃度の推定値として解釈される。
[1,1024]は、昇順に順序付けられた電流値(ADCはカウント)である一方、yi
[0,450]は血中グルコース濃度(mg/dl)の対応する値である。
を汎関数(x)の近似最小化子として選択した。被験者9人全てについてこのカーネルKを使用して、生の電気信号x
[1,1024]から始まる血中グルコース濃度の正則化推定子(i)、(ii)を構築し、血中グルコース濃度y=f(K,λ,z,x)を返す。式中、z={zi=(xi,yi),i=1,2,…,30}は第1日目中に収集された被験者データであり、λは原理(vi)に従って(iii)から選択された。
糖尿病のインスリン療法は最も遂行しづらい治療法であるが、近い将来の血中グルコースの展望に関する情報をいつでも患者に提供する血中グルコース予測子を利用できれば、極めて有益である。
を与えられたことを想定する。目標は、これらの過去の測定値/推定値を使用して、時間間隔t=tiからt=ti+n=ti+nΔtまで、すなわちn工程前に、将来の血中グルコース濃度
を予測する予測子を構成することにある。
を生成する十分なカーネルKを選択する際にトレーニングされ、将来の血中グルコースプロファイル
を再現する。更に、また、教師ありアルゴリズムは、幾何学配列(iii)内の初期期間λ0で選択する。この配列から正則化パラメータλが選択される。リマーク0.2に記載されているように、もう1つの正則化学習アルゴリズムは、教師ありアルゴリズムと呼ばれ、
および
と連携して機能し、教師ありアルゴリズムによって示唆され、反復チホノフ正則化を介して与えられた将来の血中グルコースプロファイルを関数
(K,λ+,zT;・)の形式で予測する。ここで、準平衡原理(vi)に従ってλ+は
から選択される。zTは予測のモーメントの前に為された2、3の血中グルコース測定値から構成される。
・ 時系列予測モデルを識別するために、経時的に順序付けられた過去のグルコースデータの比較的大きい部分を必要とする一方、FARLアルゴリズムは測定値の必須の時間ギャップを有する「断片単位の」データを使用してトレーニングできる。
・ 下記にレポートされたFARLアルゴリズムの数値実験において、過去5分間に為された2つの測定値だけから将来の血中グルコース濃度が予測された。他方、時系列予測子は、通常よりも多くのデータおよび長いサンプリング履歴が必要とされた。例えば、[5]において過去15〜25分で得られた3〜5の測定値が常に利用可能であることが想定される。
,i=p,p+1,…,p+r}を「十分に長く」確保することによって、予測子が作動すると予期される時間間隔[tp,tp+r]の長さrΔtを間隔の長さ(m+n−1)Δtよりも長くすることである(血中グルコース測定値/推定値
iは期間(m−1)Δt中に収集され、時間範囲nΔtの予測に使用されることを想起する)。更に、
i<70(mg/dl)または
i>180(mg/dl)のとき、データプールに低血糖および高血糖の例{
}が含まれることが予期される。
,i=p,p+1,…,p+r}を含むデータプールを想定する。その場合、本発明者らは、それを教師あり学習アルゴリズムを構築するために使用されるトレーニングセットに変換する必要がある。そのような変換は次のように実施できる。最初に、汎関数(x)の形式が、血中グルコース予測の問題に合わせて調整される。この目的のために、本発明者らは
と想定し、
式中
c=min{
:
zP}、d=max{
:
zP}、およびA(mg/dl)は、固定された大きい正数である。本発明者らの実験において、A=40mg/dlである。
の背後には、低血糖または高血糖の危険事象の予測における遅延または失敗にペナルティを課すという概念がある。
,i=p,p+1,…,p+r}をzT={
,i=p,p+1,…,p+r−m}、zP={
,i=p+r−m+1,…,p+r}の2つに分割し、数μ>0が成立する間、変換済み汎関数Q(μ,λ,z,K)(viii)、(x)、(xiii)をセット(vii)および(iii)に対して最小化することによって、カーネルK(t,τ)および正則化パラメータλを選択する。本発明者らの実験において、μ=0.01であることを想定する。この方法において、パラメータα=αp,β=βp,γ=γp,λ=λp,0であり、この場合、値
}
を各データ断片zT={
,i=p,p+1,…,p+r−m}に割り当てることが可能になり、予測子
(K,λp,0,zT;t)の構築に使用される。他方、データzTに反映された血中グルコース傾向は、
として決定される最良線形適合の係数
でキャプチャできる。
は、教師あり学習アルゴリズムのトレーニングセットの入力と見なされる。
,i=p,p+1,…,p+r}に対応する値セットを通して実行される。
を生成する正則化学習アルゴリズムを含む。これらは、(vii)からのカーネルKのパラメータおよび(iii)内の初期期間λ0を各係数ベクトルx=(x(1),x(2))に割り当てるために使用される。これらの関数は、K=Ki、zT=
、i=1,2,3,4が成立する間、(ii)の形式を有し、汎関数(viii)を最小化する。ここで、Kiは放射基底関数
のセットから選択される。
式中、
は標準ユークリッドの基準である。なお、[8]から、a1、a2、a4が同時にゼロに等しい場合、当然の結果として、(xiv)からのカーネルが正の正定関数になる。
}および
,i=1,2,…,
1となるように、セットz(l)={(xp,αp)}を再構成する。その後、本発明者らは再構成されたセットを
={
,i=3,…,lT}、lT=
2、
=
\
の2つの部分に分割し、カーネルK1
をzT=
、zP=
とし、汎関数(x)の最小化子として選択する。
を得た。
、i=1,2,3,4が成立する間は汎関数(viii)の最小化子を構築でき、準平衡原理(vi)に従ってパラメータ
を選択する。このようにして、関数α=α(K1,x),β=β(K2,x),γ=γ(K3,x),λ=λ(K4,x)が構築された。
・ 学習モード。利用可能なデータプールを使用して、カーネルKi,i=1,2,3,4および関数α=α(K1,x),β=β(K2,x),γ=γ(K3,x),λ=λ(K4,x)を再計算した。
・ 操作モード。
入力:モーメントti>ti−1>…>ti−m+1にて時間間隔Δtでサンプリングされた患者の血中グルコースのm個の測定値
。
ステップI:入力データzT={
}の最良線形適合x(l)t+x(2)の係数ベクトルx=(x(l),x(2))を検索する。
ステップ2:カーネル
=
+
を選択する。式中、α=α(K1,x),β=β(K2,x),γ=γ(K3,x)である。
ステップ3:カーネルK(t,τ)を使用して、
が成立する間、反復チホノフ正則化(リマーク0.2)の平均により正則化近似子
(K,λ,zT,t)を計算する。式中、λ0=λ(K4,x)である。
ステップ4:期間t
[ti,ti+nΔt]が成立する間、患者の血中グルコース濃度
(K,λ+,zT,t)の予測子を構築し、式中、準平衡原理(vi)に従ってλ+を
から選択する。
}にマップした。予測の必要な将来の血中グルコース濃度に関する情報が、このような方法で、間接的に予測子に提供されることは、容易にわかる。そのような種類の試験ストラテジーは、時には「インバースクライム(inverse crime)」と呼ばれることもある。これは、参照データが入力の合成に使用されるときに発生する(例えば、[7]を参照)。
、
サンプルの2つのみが予測子の入力として使用される場合(すなわち、m=2)に対応していることに留意する必要がある。本発明者らが知る限り、そのように「不十分な入力」は、血中グルコース濃度の予測に以前使用されたことがなかったにもかかわらず、臨床的に重要な20分前の血中グルコース予測に関しては、FARLアルゴリズムに基づく予測子の信頼性が血液グルコースメーターの信頼性と同等のレベルであることは、報告された結果から明らかである。
[1] F.Bauer,S.V.Pereverzev and L.Rosasco,On regularization algorithms in learing theory,J.of Complexity,23(2007),pp.52−72.
[2] A.Caponneto and Y.Yao,Adaptation for Regularization Operators in learning Theory,Technical Report CBCL Paper 265,MIT−CSAIL−TR 2006−063.
[3] W.L.Clarke,D.J.Cox,L.A.Gonder−Frederick,W.Carter and S.L.Pohl,Evaluating clinical accuracy of systems for self−monitoring of blood glucose,Diabetes Care,10(1987),Issue 5,pp.622−628.
[4] E.De Vito,S.V.Pereverzev and L.Rosasco,Adaptive Kernel Methods Using the Balancing Principle,Technical Report CBCL Paper 275,MIT−CSAIL−TR−2008−062.
[5] M.Eren−Oruklu,A.Cinar,L.Quinn and D.Smith,Estimation of future glucose concentrations with subject−specific recursive linear models,Diabetes Tech.&Therapeutics,11(2009),Issue 4,pp.243−253.
[6] A.Facchinetti,G.Sparacino and C.Cobelli,Reconstruction of glucose in plasma from interstitial fluid continuous glucose monitoring data:Role of sensor calibration,J.of Diabetes Sci.and Tech.,1(2007),Issue 5,pp.617−623.
[7] J.Kaipio,E.Somersalo,Statistical inverse problems:Discretization,model reduction and inverse crimes,J.of computational and Applied Math.,198(2007),pp.493−504.
[8] C.A.Micchelli,Interpolation of scattered data:Distance matrices and conditionally positive functions,Constr.Approxiam.,2(1986),pp.11−22.
[9] C.A.Micchelli and M.Pontil,Learning the kernel function via regularization,J.of Machine Learning Research,6(2005),pp.10991125.
[10] V.Naumova,S.V.Pereverzyev and S.Sivananthan,Extrapolation in variable RKHSs with application to the blood glucose reading,Inverse Problems,27(2011),075010,13pp.
[11] J.Reifman,S.Rajaraman,A.Gribok and W.K.Ward,Predictive monitoring for improved management of glucose levels,J.of Diabetes Sci.and Tech.,1(2007),Issue 4,pp.478−486.
[12] G.Sparacino,F.Zanderigo,S.Corazza,A.Maran,A,Facchinetti and C.Cobelli,Glucose concentration can be predicted ahead in time from continuous glucose monitoring sensor time−series,IEEE Trans.on Biomedical Eng.,54(2007),Issue 5,pp.931−937.
[13] A.N.Tikhonov and V.B.Glasko,Use of the regularization methods in non−linear problems,USSR Comput.Math.Math.Phys.,bf 5(1965),pp.93−107.
[14] G.Wahba,Splines models for observational data,Series in Applied Mathematics,59,SIAM,Philadelphia,1990.
[15] H.Wang,Adaptive regularization algorithms in learning theory,Master thesis,Johannes Kepler University Linz,2008.
被験者の生理学的条件を示す情報を受信すべく適合された入力手段と、
入力手段で受信された情報に基づいて被験者の将来の血糖状態を予測すべく適合された処理手段と、
予測された将来の血糖状態と関連する情報を伝達すべく適合された出力手段とを具備するグルコース予測装置であって、
前記処理手段が、予測用の関数空間を指定する予測設定段階と、関数空間において被験者の予測された将来の血糖状態を時間の連続関数gp(t)として指定する実行段階とを含む多段階アルゴリズムを使用する、グルコース予測装置。
指定された関数gp(t)が、カーネルパラメータおよび正則化パラメータに依存し、これらが演繹的に固定されない、実施形態1に記載の装置。
予測設定段階が、a)入力手段を介して受信された情報を格納するデータセグメントをラベル付けする工程と、b)カーネルおよび初期正則化パラメータを提示してデータセグメントの各々のラベルに基づいて提示されたカーネルおよび初期正則化パラメータを使用して、予測実行段階が予測された血糖状態を指定して、gp(t)を構築する工程とを備える、実施形態1または2に記載の装置。
データセグメントをラベル付けする工程が線形適合を含み、カーネルおよび初期正則化パラメータの提示が線形適合の各々の係数に基づく、実施形態3に記載の方法。
gp(t)がカーネルヒルベルト空間
における正則化学習アルゴリズムによって構築される、実施形態1〜4のいずれかに記載の装置。
予測設定段階によって、所定のデータプールから取得された情報に基づいて予測用の関数空間が指定される、実施形態1〜5のいずれかに記載の装置。
予測設定段階が、継続的に更新されるデータプールから取得された情報に基づいて予測の関数空間を指定する、実施形態1〜5のいずれかに記載の装置。
被験者の生理学的条件を示す情報が、身体特性の少なくとも1つの測定値に関連する情報を含む、実施形態1〜7のいずれかに記載の装置。
身体特性が血液または組織グルコースである、実施形態8に記載の装置。
入力手段が、治療的処置に関連する情報を受信すべく更に適合された、実施形態1〜9のいずれかに記載の装置。
治療的処置に関連する情報が、グルコース調整剤の過去の送達に関連する、実施形態10に記載の装置。
入力手段が、被験者により消費された食事または消費される食事に関連する情報を受信すべく更に適合された、実施形態1〜11のいずれかに記載の装置。
被験者のグルコースプロファイルを予測するための方法であって、
身体特性に関する少なくとも1つの測定値に関連する情報を受信する工程と、
受信された情報に基づいて予測用の関数空間を指定する工程と、
関数空間において被験者について予測された将来の血糖状態を時間の連続関数として指定する工程とを備える方法。
予測用の関数空間を指定する工程が、入力手段を介して受信された情報を格納するデータセグメントをラベル付けする工程と、カーネルおよび初期正則化パラメータを各々のデータセグメントラベルに基づいて提示する工程とを備える、実施形態13に記載の方法。
関数空間において被験者について予測された将来の血糖状態を指定する工程が、提示されたカーネルおよび初期正則化パラメータを使用して予測子を構築する工程備える、実施形態14に記載の方法。
Claims (26)
- グルコース予測装置であって、
−被験者の生理学的条件を示す情報を受信すべく適合された入力手段(130、140)と、
−前記入力手段を介して受信された情報に基づいて被験者の血糖状態を予測すべく適合された処理手段(110)と、
−前記予測された血糖状態と関連する情報を伝達すべく適合された出力手段(120)と
を具備し、前記処理手段が、前記予測用の関数空間を指定する予測設定段階(32、33)と、前記関数空間において前記被験者について予測された血糖状態を時間の連続関数として指定する実行段階(34)とを含む多段階予測プロセスを実行すべく適合されている、グルコース予測装置。 - 前記予測設定段階によって、前記入力手段を介して受信された前記情報に基づいて前記関数空間が指定される、請求項1に記載の装置。
- 前記指定された時間の連続関数がカーネルパラメータおよび正則化パラメータに依存し、前記予測設定段階が前記カーネルおよび前記正則化パラメータの初期値を決定するのに適している、請求項1または2に記載の装置。
- 前記予測設定段階が、a)前記入力手段を介して受信された情報を格納するデータセグメントをラベル付けする工程(32)と、b)前記データセグメントの各々のラベルに基づいて、カーネルおよび初期正則化パラメータを決定する工程(33)とを含み、前記予測実行段階が、前記決定されたカーネルおよび初期正則化パラメータを使用して時間の連続関数を構築することによって、予測された血糖状態を指定する(34)、請求項1〜3のいずれか一項に記載の装置。
- データセグメントの前記ラベル付けが線形適合を含み、カーネルおよび初期正則化パラメータの前記提示が前記線形適合の各々の係数に基づく、請求項4に記載の装置。
- 前記時間の連続関数がカーネルヒルベルト空間における正則化学習アルゴリズムによって構築される、請求項1〜5のいずれか一項に記載の装置。
- 前記カーネルヒルベルト空間がトレーニングデータセグメントのデータプールに基づいて選択され、各トレーニングデータセグメントが各々の時点で被験者の生理学的状態を示す、請求項6に記載の装置。
- 前記予測設定段階によって、所定のデータプールから取得された情報に基づいて前記予測用の関数空間が指定される、請求項1〜7のいずれか一項に記載の装置。
- 前記予測設定段階によって、継続的に更新されるデータプールから取得された情報に基づいて前記予測用の関数空間が指定される、請求項1〜7のいずれか一項に記載の装置。
- 被験者の生理学的条件を示す前記情報が、身体特性の少なくとも1つの測定値に関連する情報を含む、請求項1〜9のいずれか一項に記載の装置。
- 前記身体特性が血液または組織グルコースである、請求項10に記載の装置。
- 前記入力手段が、治療的処置に関連する情報を受信すべく更に適合されている、請求項1〜11のいずれか一項に記載の装置。
- 治療的処置に関連する前記情報が、グルコース調整剤の過去の送達に関連する情報を含んでいる、請求項12に記載の装置。
- 前記入力手段が、前記被験者により消費された食事または消費される食事に関連する情報を受信すべく更に適合されている、請求項1〜13のいずれか一項に記載の装置。
- 被験者のグルコースプロファイルを予測するためのコンピュータ実行方法であって、
・処理装置を介して、身体特性に関する少なくとも1つの測定値に関連する情報を受信する工程(31)と、
・前記処理装置を介して、受信された前記情報に基づいて前記予測用の関数空間を指定する工程(32、33)と、
前記処理装置を介して、前記関数空間における前記被験者について予測された血糖状態を時間の連続関数として指定する工程(34)と
を含む方法。 - 前記予測用の関数空間を指定する工程が、前記入力手段を介して受信された情報を格納するデータセグメントをラベル付けする工程と、カーネルおよび初期正則化パラメータを各々のデータセグメントラベルに基づいて決定する工程とを含む、請求項15に記載の方法。
- 前記カーネルがカーネルパラメータセットを介してパラメータ化されており、前記カーネルおよび前記初期正則化パラメータを各々のデータセグメントラベルに基づいて決定する工程が、それぞれの事前計算済み予測子関数に基づいて前記カーネルパラメータセットを決定し、カーネルパラメータを入力データセグメントラベルの関数として予測する工程を含む、請求項16に記載の方法。
- 前記事前計算済み予測子関数がカーネルヒルベルト空間を定義し、前記カーネルパラメータを決定する工程が、エラー関数を少なくとも近似的に最小化することによって定義される前記カーネルヒルベルト空間を再生する際に正則化学習アルゴリズムを介して前記カーネルパラメータを計算する工程を含む、請求項17に記載の方法。
- 前記関数空間において前記被験者について予測された血糖状態を指定する工程が、前記決定されたカーネルおよび初期正則化パラメータを使用して予測子を構築する工程を含む、請求項15〜18のいずれか一項に記載の方法。
- 請求項1〜14のいずれか一項に記載のグルコース予測装置の予測プロセスを構築するためのコンピュータ実行方法であって、前記予測プロセスが、前記予測用の関数空間を指定する予測設定段階と、前記関数空間において被験者の予測血糖状態を時間の連続関数として指定する実行段階とを含み、
前記関数空間が第1のパラメータセットを介してパラメータ化され、前記予測設定段階によって、前記第1のパラメータセットが入力データセグメントの各々の関数として指定され、前記各々の関数がそれぞれ各々のカーネルを介して指定され、
前記方法が、
・各トレーニングデータセグメントが各々の時点で被験者の生理学的状態を示す、トレーニングデータセグメントのデータプールを受信する工程(21)と、
・前記取得されたデータプールから前記各々のカーネルセットを決定する工程(22、23、24、25、26)と
を含む方法。 - 前記取得されたデータプールから前記各々のカーネルセットを決定する工程が、
・各トレーニングデータセグメントを圧縮して、対応する圧縮トレーニングデータセグメントのセットを取得する工程(22)と、
・前記関数空間をパラメータ化するトレーニングパラメータセットを決定する工程(25)であって、前記トレーニングセットの各トレーニングパラメータが、生理学的状態と予測された生理学的状態との間の偏差を示す予測エラー関数(23)を最小化し、前記予測された生理学的状態が、前記トレーニングパラメータを介してパラメータ化された前記関数空間に基づいて予測される、工程(25)と、
・前記トレーニングパラメータセットに基づいて、圧縮済み入力データセグメントとカーネルパラメータセットとの間の非線形マッピングを構築して前記各々のカーネルをパラメータ化する工程(24、26)と
を含む、請求項20に記載の方法。 - 前記非線形マッピングを構築する工程が、チホノフ正則化パラメータを決定する工程(24)の機序を決定する工程を含む、請求項21に記載の方法。
- 前記予測エラー関数が、危険として分類された生理的事象の前記予測における遅延または失敗に対して、正常として分類された生理的事象の前記予測における遅延または失敗よりも重度のペナルティを課す、請求項21または22に記載の方法。
- グルコース濃度を定量するためのコンピュータ実行方法であって、
・被験者のセンサー信号を受信する工程と、
・前記受信されたセンサー信号からグルコース濃度を推定する工程であって、所定の関数空間において推定グルコース濃度予測子関数をセンサー信号値の連続関数として決定する工程を含む推定する工程と
を含む方法。 - コンピュータプログラムコードを含んでいるコンピュータプログラム製品であって、前記コンピュータプログラムコードがデータ処理システム上で実行された場合に請求項15から24のいずれか一項に記載の方法の工程を前記データ処理システムに実行させるように適合されている、コンピュータプログラム製品。
- コンピュータプログラムコードを格納するデータ処理システムであって、前記コンピュータプログラムコードが前記データ処理システム上で実行された場合に前記データ処理システムに請求項15〜24のいずれか一項に記載の方法の工程を実行させる、データ処理システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP11163219 | 2011-04-20 | ||
EP11163219.6 | 2011-04-20 | ||
US201161481315P | 2011-05-02 | 2011-05-02 | |
US61/481,315 | 2011-05-02 | ||
PCT/EP2012/057260 WO2012143505A2 (en) | 2011-04-20 | 2012-04-20 | Glucose predictor based on regularization networks with adaptively chosen kernels and regularization parameters |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014514110A true JP2014514110A (ja) | 2014-06-19 |
JP6173301B2 JP6173301B2 (ja) | 2017-08-02 |
Family
ID=47041974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014505644A Active JP6173301B2 (ja) | 2011-04-20 | 2012-04-20 | 適応的に選択されたカーネルパラメータおよび正則化パラメータを用いた正則化ネットワークベースのグルコース予測子 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10307109B2 (ja) |
EP (1) | EP2700031A2 (ja) |
JP (1) | JP6173301B2 (ja) |
CN (1) | CN103959291B (ja) |
WO (1) | WO2012143505A2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190066332A (ko) * | 2017-12-05 | 2019-06-13 | 아주대학교산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
JP2022506987A (ja) * | 2018-11-07 | 2022-01-17 | エフ ホフマン-ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9344777B2 (en) * | 2012-12-20 | 2016-05-17 | Abbott Diabetes Care Inc. | Wireless communication authentication for medical monitoring device |
US20150335272A1 (en) * | 2014-05-20 | 2015-11-26 | Nicholas R. Natale | Blood sugar concentration (bsc) testing and monitoring system and method |
JP2017518814A (ja) * | 2014-05-28 | 2017-07-13 | ユニバーシティ・オブ・シンシナティ | 発汗モニタリング及び薬物送達の制御 |
US10456090B2 (en) | 2014-11-22 | 2019-10-29 | Bigfoot Biomedical, Inc. | Method to determine individualized insulin sensitivity and optimal insulin dose by linear regression, and related systems |
US20170209103A1 (en) * | 2016-01-25 | 2017-07-27 | Lifeq Global Limited | Simplified Instances of Virtual Physiological Systems for Internet of Things Processing |
FR3056095B1 (fr) * | 2016-09-21 | 2018-10-12 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme automatise de regulation de la glycemie d'un patient |
EP4386533A2 (en) | 2016-09-27 | 2024-06-19 | Bigfoot Biomedical, Inc. | Personalizing preset meal sizes in insulin delivery system |
KR20180051196A (ko) * | 2016-11-08 | 2018-05-16 | 삼성전자주식회사 | 분광기, 생체정보 측정 장치 및 방법 |
US11096624B2 (en) | 2016-12-12 | 2021-08-24 | Bigfoot Biomedical, Inc. | Alarms and alerts for medication delivery devices and systems |
USD836769S1 (en) | 2016-12-12 | 2018-12-25 | Bigfoot Biomedical, Inc. | Insulin delivery controller |
USD839294S1 (en) | 2017-06-16 | 2019-01-29 | Bigfoot Biomedical, Inc. | Display screen with graphical user interface for closed-loop medication delivery |
US11389088B2 (en) | 2017-07-13 | 2022-07-19 | Bigfoot Biomedical, Inc. | Multi-scale display of blood glucose information |
US11270187B2 (en) * | 2017-11-07 | 2022-03-08 | Samsung Electronics Co., Ltd | Method and apparatus for learning low-precision neural network that combines weight quantization and activation quantization |
CN108038084A (zh) * | 2017-12-08 | 2018-05-15 | 成都谷问信息技术有限公司 | 一种有效分类的信息处理系统 |
AU2019335192A1 (en) * | 2018-09-07 | 2021-04-08 | One Health Biosensing Inc. | Forecasting blood glucose concentration |
US20220215930A1 (en) * | 2019-05-12 | 2022-07-07 | Makesense Digital Health Technologies Ltd. | A system and a method for heal th and diet management and nutritional monitoring |
CN110554838B (zh) * | 2019-06-27 | 2020-08-14 | 中南大学 | 一种基于联合优化回声状态网络的热数据预测方法 |
US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
US20220392632A1 (en) * | 2019-11-14 | 2022-12-08 | University Of Virginia Patent Foundation | System, method and computer readable medium for compressing continuous glucose monitor data |
CN111046958A (zh) * | 2019-12-13 | 2020-04-21 | 广州番禺职业技术学院 | 基于数据依赖的核学习和字典学习的图像分类及识别方法 |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN111582299B (zh) * | 2020-03-18 | 2022-11-01 | 杭州铭之慧科技有限公司 | 针对图像深度学习模型识别的自适应正则化优化处理方法 |
JP2023518762A (ja) * | 2020-03-20 | 2023-05-08 | ウェルドック インコーポレイテッド | 持続血糖モニタリングデータを分析し、解釈し、対処するためのシステム及び方法 |
US20220061774A1 (en) | 2020-09-03 | 2022-03-03 | Dexcom, Inc. | Glucose alert prediction horizon modification |
US20230129902A1 (en) * | 2021-10-27 | 2023-04-27 | Dexcom, Inc. | Disease Prediction Using Analyte Measurement Features and Machine Learning |
CN114420301B (zh) * | 2022-01-28 | 2022-08-05 | 广东工业大学 | 基于分段域rf建模预测血糖的方法、系统及存储介质 |
CN116705230B (zh) * | 2023-06-15 | 2023-12-19 | 北京理工大学 | 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005308742A (ja) * | 2004-04-24 | 2005-11-04 | F Hoffmann-La Roche Ag | ヒトや動物の生体中の被験成分濃度をモニタリングする方法並びにその装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL151720A0 (en) * | 2000-03-29 | 2003-04-10 | Univ Virginia | Method, system, and computer program product for the evaluation of glycemic control in diabetes from self-monitoring data |
US20040249254A1 (en) * | 2003-06-06 | 2004-12-09 | Joel Racchini | Devices, systems and methods for extracting bodily fluid and monitoring an analyte therein |
JP2007512588A (ja) | 2003-10-29 | 2007-05-17 | ノボ・ノルデイスク・エー/エス | 医療助言システム |
-
2012
- 2012-04-20 US US14/112,311 patent/US10307109B2/en active Active
- 2012-04-20 EP EP12718938.9A patent/EP2700031A2/en active Pending
- 2012-04-20 WO PCT/EP2012/057260 patent/WO2012143505A2/en active Application Filing
- 2012-04-20 JP JP2014505644A patent/JP6173301B2/ja active Active
- 2012-04-20 CN CN201280030099.9A patent/CN103959291B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005308742A (ja) * | 2004-04-24 | 2005-11-04 | F Hoffmann-La Roche Ag | ヒトや動物の生体中の被験成分濃度をモニタリングする方法並びにその装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190066332A (ko) * | 2017-12-05 | 2019-06-13 | 아주대학교산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
KR102008196B1 (ko) | 2017-12-05 | 2019-08-07 | 아주대학교 산학협력단 | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 |
JP2022506987A (ja) * | 2018-11-07 | 2022-01-17 | エフ ホフマン-ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
JP7381580B2 (ja) | 2018-11-07 | 2023-11-15 | エフ ホフマン-ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
Also Published As
Publication number | Publication date |
---|---|
US10307109B2 (en) | 2019-06-04 |
CN103959291A (zh) | 2014-07-30 |
WO2012143505A3 (en) | 2014-01-09 |
EP2700031A2 (en) | 2014-02-26 |
WO2012143505A2 (en) | 2012-10-26 |
US20140073892A1 (en) | 2014-03-13 |
CN103959291B (zh) | 2018-05-11 |
JP6173301B2 (ja) | 2017-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6173301B2 (ja) | 適応的に選択されたカーネルパラメータおよび正則化パラメータを用いた正則化ネットワークベースのグルコース予測子 | |
US10667759B2 (en) | Automatic recognition of known patterns in physiological measurement data | |
US10019554B2 (en) | Glycemic risk determination based on variability of glucose | |
Ali et al. | Continuous blood glucose level prediction of type 1 diabetes based on artificial neural network | |
JP6882227B2 (ja) | 分析物データの処理およびレポートを生成するためのシステムおよび方法 | |
US20180242891A1 (en) | Software applications residing on handheld analyte determining devices | |
JP6017758B2 (ja) | 治療システムのための患者情報入力インターフェイス | |
EP2399205B1 (en) | Cgm-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction insulin delivery | |
US8532933B2 (en) | Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers | |
EP2654563B1 (en) | Automatic recognition of known patterns in physiological measurement data | |
WO2011050337A1 (en) | Methods for modeling insulin therapy requirements | |
EP3423969A1 (en) | Patient diabetes monitoring system with clustering of unsupervised daily cgm profiles (or insulin profiles) and method thereof | |
JP2023509974A (ja) | ボーラス投与量の管理 | |
JP2022518109A (ja) | 分析物監視システムの食事および治療インタフェースを改善するためのシステム、デバイス、および方法 | |
CN109804436B (zh) | 具有概率碳水化合物测量的大剂量计算器 | |
US20230381414A1 (en) | Assessment of past insulin delivery outcomes to automatically tune mda systems | |
US20230181065A1 (en) | End-of-life detection for analyte sensors experiencing progressive sensor decline | |
CN109074868A (zh) | 利用概率葡萄糖测量结果的丸剂计算器 | |
US20220230751A1 (en) | Decision support system, and method in relation thereto | |
Chen | Impact of Continuous Glucose Monitoring System on Model Based Glucose Control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150318 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160226 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160301 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20160517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160823 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161122 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20170220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170522 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170704 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6173301 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |