earticle

영어

This paper is a study to develop a deep neural network (DNN) blood glucose prediction model based on heart rate (HR) and heart rate variability (HRV) data measured by PPG-based sensors. MLP deep learning consists of an input layer, a hidden layer, and an output layer with 11 independent variables. The learning results of the blood glucose prediction model are MAE=0.3781, MSE=0.8518, and RMSE=0.9229, and the coefficient of determination (R²) is 0.9994. The study was able to verify the feasibility of glycemic control using non-blood vital signs using PPG-based digital devices. In conclusion, a standardized method of acquiring and interpreting PPG-based vital signs, a large data set for deep learning, and a study to demonstrate the accuracy of the method may provide convenience and an alternative method for blood glucose management in dogs.

한국어

논문은 PPG 기반 센서에서 측정한 심박수(HR), 심박변이도(HRV) 데이터를 기반으로 DNN(Deep Neural Network) 혈당예측 모델을 개발하는 연구이다. 혈당 예측은 다층퍼셉트론(MLP) 신경망을 이용하였다. DNN 심층학습은 11의 독립변수가 있는 입력층, 은닉층, 출력층으로 구성된다. 혈당 예측모델의 학습결과는 MAE=0.3781, MSE=0.8518, 및 RMSE=0.9229이며, 결정계수(R²)는 0.9994이다. PPG기반의 디지털기기를 이용 한 비채혈적 생체신호를 이용하여 혈당관리의 가능성을 확인하였다. PPG기반의 표준화된 활력신호 획득 및 해석 법, 다량의 데이터기반 심층학습(Deep Learning)의 데이터셋, 정확성를 실증하는 연구가 이어진다면 개의 혈당 관리에 편이성과 대안적인 방법을 제공할 수 있을 것이다.