Title: | Comparing the PaGMO Framework to a De-randomized Meta-Differential Evolution on Calculation and Prediction of Glucose Levels |
Other Titles: | Porovnání knihovny PaGMO s derandomizovanou meta-diferenciální evolucí na výpočtech a predikci koncentrace glukózy |
Authors: | Koutný, Tomáš Úbl, Martin Della Cioppa, Antonio De Falco, Ivanoe Tarantino, Ernesto Umberto, Scafuri Krčma, Michal |
Citation: | KOUTNÝ, T., ÚBL, M., DELLA CIOPPA, A., DE FALCO, I., TARANTINO, E., UMBERTO, S., KRČMA, M. Comparing the PaGMO Framework to a De-randomized Meta-Differential Evolution on Calculation and Prediction of Glucose Levels. In: 2019 IEEE 32nd International Symposium on Computer-Based Medical Systems. Piscataway: IEEE, 2019. s. 1056-1061. ISBN 978-1-72812-999-0 , ISSN 2642-7389. |
Issue Date: | 2019 |
Publisher: | IEEE |
Document type: | konferenční příspěvek conferenceObject |
URI: | 2-s2.0-85078943301 http://hdl.handle.net/11025/36735 |
ISBN: | 978-1-72812-999-0 |
ISSN: | 2642-7389 |
Keywords: | Artifical Bee Colony;Covariance Matrix Adaptation;diferenciální evoluce;exponenciální evoluce;koncentrace glukózy;Improved Harmony Search;PaGMO;Particle Swarm Optimization;predikce |
Keywords in different language: | Artifical Bee Colony;Covariance Matrix Adaptation;Differential Evolution;Exponential Evolution;Glucose Level;Improved Harmony Search;PaGMO, Particle Swarm Optimization;Prediction |
Abstract: | Knihovna PaGMO nabízí několik optimizačních algoritmů pro stanovení optimálních parametrů black-boxmodelu. Takovým modelem může být například model pro homeostázu glukózy. Protože nás zajímá výpočet a predikce hladin glukózy u diabetických pacientů, testujeme knihovnu PaGMOpro tento konkrétní úkol. S využitím tří scénářů testujeme jednotlivé algoritmy PaGMO a porovnáváme je s našimi dřívějšími výsledky, které jsme získali pomocí de-randomizované meta diferenciální evoluce. Všechny testovací scénáře se zabývají skutečným případem zpracování signálu systému kontinuálního monitorování glukózy. Konkrétně se zabýváme rekonstrukcí a predikcí signálu. The PaGMO framework offers several optimizationalgorithms to determine optimal parameters of a black-boxmodel. Such a model could be, for example, that for glucose homeostasis. As we are concerned about calculating and predicting glucose levels for diabetic patients, we evaluate the PaGMO framework for this particular task. Using three scenarios, we test PaGMO’s individual algorithms and compare them to ourprevious results, which we obtained with de-randomized Meta-Differential Evolutions. All testing scenarios address real aspectsof processing a signal of the continuous glucose monitoring system. Specifically, we address signal reconstruction and prediction. |
Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE |
Appears in Collections: | Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
File | Size | Format | |
---|---|---|---|
Koutný ISCC 08969708.pdf | 204,61 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/36735
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.