A classification scheme for electrocardiogram based meal onset detection
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3086269Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Den kunstige bukspyttkjertelen er et system som kombinerer en glukosemåler, en styringsalgoritme og en insulininfusjonsenhet som kan hjelpe med å optimalisere glykemisk kontroll hos pasienter med diabetes. For at et slikt system skal være helt autonomt, kreves informasjon om når og hvor mye mat pasienten spiser. Denne avhandlingen har som mål å hjelpe med å løse måledeteksjonsproblemet ved å implementere en klassifiseringsordning basert på elektrokardiogram-signaler (EKG). Dette gjøres først ved å gå igjennom tidligere arbeid. Deretter blir registrerte data delt inn i R-R-intervaller, filtrert og funnet frem likheter. Funksjoner ekstraheres og beregnes fra gjennomsnittene før de brukes til å trene flere Support Vector Machine og K-Nearest Neighbor klassifiseringer. The artificial pancreas is a system combining a glucose sensor, a control algorithm, and an insulininfusion device that can help optimize glycemic control in patients with diabetes. For such a systemto be fully autonomous, information about when and how much food has been consumed is required.This thesis aims to help solve the meal detection problem by implementing a classification schemebased on electrocardiogram signals. This is attempted by first reviewing previous work. Then previouslyrecorded data was split into R-R intervals, filtered, then averaged. Features are extracted and calculatedfrom the averages before they are used to train multiple Support Vector Machine and K-NearestNeighbor classifiers.