Non-invasive sensor fusion for improved meal detection.

Abstract

For diabetespasienter vil økt pålitelighet og/eller minsket deteksjontid for automatisk identifisering av måltider være fordelaktig når insulin skal doseres. En tidligere og mer pålitelig indikasjon på at et måltid er inntatt, kan bidra til at insulin blir gitt tidligere. Denne oppgaven beskriver utviklingen og testingen av en maskinlæringsmetode for tidlig deteksjon av måltidsinntak. Tidligere studier har vist at fysiologiske signaler er godt egnet til å detektere måltider tidlig. Denne oppgaven utforsker om en kombinasjon av to fysiologiske signaler kan øke påliteligheten gjennom å bidra til å redusere falske positive klassifiseringer, og/eller minske deteksjonstiden til klassifiseringsalgoritmen.

Et datasett med fem opptak av måltider ble samlet inn fra samme person. Med utgangspunkt i tidligere studier ble statistiske verdier, samt informasjon om frekvensinnholdet ekstrahert og brukt som karaktertistiske elementer for klassifisering. Et grunnsystem for måltidsdeteksjon basert på akustiske signaler ble utviklet og implementert. Dette systemet ble tilpasset, slik at det kunne klassifiere begge de to fysiologiske signalene separat, før det ble testet i kombinasjon. Begge signalene ble så testet på tre ytterlige klassifiseringsalgoritmer for å se om endringen oppdaget ved å bruke en kombinasjon var tilstede for alle fire klassifiseringsalgoritmene. Klassifiseringsalgoritmene brukt i denne oppgaven var support vector machine (SVM), SVMs sammensatt ved bagging (bagged SVM), adaptive boosting (AdaBoost), og gradient boosting. "No-meal recall" er et mål som blir mye brukt i denne oppgaven. "No-meal recall" beskriver klassifiseringsalgoritmens evne til å klassifisere "no-meal" klassen (data tatt opp før måltidet ble inntatt) og beskriver derfor klassifiseringsalgoritmens evne til å ikke produsere falske positive klassifiseringer. Area under the curve (AUC) og total accuracy ble også brukt for å evaluere klassifiseringen.

Både den høyeste AUC-scoren (93%) og den høyeste scoren for no-meal recall (87%) ble oppnådd ved å bruke en kombinasjon av de to signalene. I tillegg ble deteksjonstiden redusert for både SVM og SVMs sammensatt ved bagging for ett av de to testmåltidene, sammenlignet med å bruke akustiske signaler alene. Resultatene fra denne oppgaven taler for å bruke en kobinasjon av signalene for å forbedre måltidsdeteksjon, men ytterligere forskning på større datasett kreves for å gi sikrere resultater.

This thesis describes the process of developing and testing a supervised machine learning method for early meal onset detection. Previous studies have found physiological signals well suited for early meal onset detection. The thesis investigates if sensor fusion of two physiological signals can increase the classifier's reliability in terms of reduced amounts of false positive predictions and/or a decrease in the detection time. Decreasing the detection time of a meal onset while increasing the reliability can help an artificial pancreas (AP) to predict an increase in blood glucose, thus reducing the time delay of insulin delivery experienced by continuous glucose monitors (GCM).

A data set of five meals was recorded on the same subject. Based on previous studies, statistical and frequency domain values were extracted from the signals to serve as features. A baseline system for meal detection using acoustic data was implemented. A modified version of this system was then developed to classify each signal separately before being tested in combination. Moreover, three additional classifiers were implemented to determine whether the effects of using a combination were prevalent across all four classifiers. The classifiers tested were support vector machine (SVM), SVMs ensembled by bagging (bagged SVM), adaptive boosting (AdaBoost), and gradient boosting. The no-meal recall is a metric widely used in this thesis. No-meal recall refers to the classifiers' ability to correctly predict the no-meal class (data recorded before meal intake). It represents the classifiers' ability to not produce false positive predictions. Other metrics used to evaluate performance were AUC and overall accuracy. Reducing detection time was one of the main goals but was not used as a performance metric.

Both the highest AUC (93%) and the highest no-meal recall (87%) were obtained using a fusion of the signals. Furthermore, the detection time for one of the test meals decreased by using the fusion compared to using acoustic data alone for SVM and bagged SVM. This thesis's results favor using sensor fusion for improved meal detection compared to using the two signals separately. However, further studies need to be conducted on a more extensive data set to obtain more conclusive results.