文摘

生活方式影响世界上发病率和死亡率。体育活动、健康的体重和健康的饮食是关键预防性健康行为,有助于降低患2型糖尿病及其并发症的风险,如心血管疾病。健康的生活方式已被证明,以防止或延缓慢性疾病及其并发症,但很少有人遵守所有推荐的自我管理行为。这项工作旨在改善2型糖尿病自我管理影响因素和预防的知识通过改变生活方式。介绍了设计、开发和测试的糖尿病自我管理手机应用程序,应用程序跟踪饮食消费和健康数据。蓝牙运动数据从一双耐磨的鞋垫设备用于追踪碳水化合物摄入量,血糖,药物依从性和体育活动。两个机器学习模型建立了识别坐和站。支持向量机,决策树模型对这些任务是86%准确的。决策树模型是用于实时活动分类应用。令人兴奋的是看到越来越多的移动健康自我管理的应用程序被用于治疗慢性疾病。

1。介绍

糖尿病是一种改变生活的疾病,有些人觉得难以应对,从而导致抑郁症状的出现。糖尿病患者两到三倍更有可能比刻意患有抑郁症,和只有25 - 50%的抑郁症患者会发现和治疗(1]。抑郁症可以带来的糖尿病管理义务,但它也可以带来的外部压力。金融压力等因素,粮食困难,家庭分离,移民会导致抑郁II型糖尿病的西班牙血统的人。病人可能不愿寻求治疗,因为文化压力等负面的耻辱心理健康在墨西哥文化。7.3%的西班牙裔人精神卫生服务使用2008 - 2012年,根据美国国家药物使用和健康调查。相比之下,白色的成年人,曾经精神卫生服务16.6%的速度(物质滥用和精神健康服务管理局)3]。如果一个人的糖尿病保健是被忽视的抑郁,因为它会导致暴饮暴食,错过了去看医生,与社会隔离,所有这些可能会削弱一个人的健康甚至更多。

为了感知、感觉和行为有效,人们需要健康。这就是为什么健康是很重要的,不仅对个人的发展也为它们所属的环境。世界卫生组织(世卫组织)将健康定义为“完整的物理状态、心理和社会福利,而不只是没有疾病或残疾。“一个健康的身体总是变化,适应压力和环境的变化,根据世卫组织,为了保持平衡在被称为体内平衡。

照顾一个人的健康和福祉的诊断,治疗和预防疾病或其他身体或精神障碍被称为医疗。有一项研究显示,二级和三级保健和公共卫生,包括(4]。为了验证基于参数监测和适当的医疗分布直接提供科学的援助,提供足够的关键方法和体现。

信息和通讯技术(ict)正在通过产业在全球范围内提高运输和增加竞争力。这条规则适用于生活的各个方面,包括健康治疗。它有可能从根本上改变提供医疗和管理的方式。电子健康指的是应用程序的信息和通信技术(ict)的健康保健服务。数字语言交换和信息科学卫生区用于临床、教育、和行政原因在本地站点和电子健康的距离根据世界卫生组织的定义(5]。换句话说,电子健康的能力是确保正确的健康统计数据提供给正确的人在正确的时间和地点在一个安全的电子结构,以优化健身保健、研究、培训和知识满意度和效率。

使用最新的信息技术突破,远程跟踪和监测收集病人数据以外的传统医疗保健设置。简单的远程病人监控系统,利用消费级别的设备是最有效的。大多数健康监测系统利用技术,被设计成适合病人6]。

2。背景

糖尿病自我管理可以大大提高智能手机和现代信息技术的使用。令人兴奋的结果科文和他的同事的研究表明,糖尿病患者自我管理手机应用可以降低糖化血红蛋白水平(7]。然而,医学专家、学者和应用程序开发人员必须合作来创建一个更好的糖尿病自我管理手机应用程序,考虑目标受众的年龄(8]。

控制血糖在糖尿病患者的健康水平是很困难的因为各种各样的原因。由于心血管疾病的风险增加,肾脏和神经系统疾病与高血糖相关水平(9),一项由Basnet et al。10]调查对1型糖尿病患者的影响使用智能手机应用糖尿病自我管理。来自澳大利亚糖尿病患者在新南威尔士和昆士兰提名的参与者。

1型糖尿病患者有至少6个月的诊断和糖化血红蛋白水平(糖化血红蛋白)大于7.5%必须是合格的。参与者也必须使用智能手机。图1显示了一个现有的方法基于云系统。


图1
概述现有的方法基于云系统。

有两组的参与者。对糖尿病自我管理和使用一个iPhone应用程序的帮助注册糖尿病教育家(CDE)使用由应用程序生成的数据是一个选择的干预。另一个是对照组,继续像以前一样得到相同级别的治疗(11]。它被称为“葡萄糖伙伴”,它有有用的特性,比如让你手动输入你的血糖水平,胰岛素剂量,营养,和查看一个个性化的健康信息图。

这仍然是一个新的医疗保健领域,尽管移动健康(mHealth)病人和卫生保健提供者提供了很多优势。许多困难和挑战仍未解决的或不清楚。有许多问题需要解决,例如如何可靠和有效的服务,良好的质量服务将如何,以及如何将病人完全承诺的功能。此外,从病人mHealth处理私人信息,隐私安全的话题经常出现(12]。

糖尿病患者已经被医生诊断是发病率,但糖尿病患者没有被诊断。20岁以上的成年人有15%的发病率从2013年到2016年,西班牙裔或拉丁裔墨西哥后裔的人有19%的发病率。83564人死于2017年的糖尿病在美国,或每100000人25.7人死亡,根据国家卫生统计中心发布的报告(2019年13]。据估计,西班牙裔人口平均预期寿命为81.8岁,由于瞒报已随着时间的推移保持稳定,因为他们是最保险的任何种族和就医的可能性较小。

和云计算环境中,传统的概述IERF框架如图2提高分类精度,并提供改进的资源分配。加州大学欧文分校(UCI)网站被用来收集数据进行测试。有两种糖尿病数据集包含在本研究:一个来自皮马印第安人社区在亚利桑那州和其他来自美国14]。有特点的描述。PID数据集包括768个实例与8种不同的属性。这是在1990年大学给作为礼物。


图2
四个测试火车上2和7 SVM结果比率。

4所示。方法

它结合了遗传算法和粗糙集理论的优势在一个单一的相对约简算法模型。条件和决策品质的两类属性下降。变量的值R设置为0的计划。和0的值赋给变量最好。T包含R和另一个临时变量,tmp和包含的价值现在是最好的。每个属性被删除一次,数据集评估决策表的一致性。属性是消除,保存和较小的数据集,如果决策表是一致的。一旦条件属性的分类精度验证,结果是相对于决策属性(15]。第一代的孩子如果生成条件属性的分类精度获得高于决策属性的分类精度。属性选择中产生的孩子。已经选择的特征变异和交叉。

T持有的约简集。选择最好的决策属性保存在一个变量最好。T给了R导出设置接收,R使用它。一旦发现最优数据集,这个过程重复下去。算法结束后获得了最优的数据集。约简集R是最终结果。

数据收集和预处理后,数据将被训练使用资讯等一些监督学习算法,决策树,安。然后,每个模型的准确性的预测相比,和最好的模型将被选择来实现数据集来预测未来事件(16]。

应该有提供方的关键目标为供应商创造一个简单的方法来监视从许多角度教育和与病人沟通。的特性在提供者的一端给医务人员大量有用的选项(17- - - - - -21]。因此,病人可以受益于高质量的服务和成功的治疗。以智能手机为主要设备的卫生保健提供者和病人,方程两边需要互联网连接。用户的数据传输到后端服务器时使用服务,比如添加一顿饭或上传他们的血压。然后数据返回给前端服务器时,服务器已经完成处理。

客户端和服务器交换数据可以利用超文本传输协议(HTTP)。接下来,服务器将处理HTTP请求和使用SQL(结构化查询语言)来查询数据库。我们的应用程序通常使用GET、POST、PUT和DELETE方法。使用GET函数获取数据从一个特定的资源。图3显示了一个示例的客户端使用GET方法获得一天的餐信息在第二个电话屏幕截图所示。服务器接收得到服务和流程之前自行使用SQL来检索相关数据从我们的数据库的餐表,提交给客户端。数据使用POST和PUT方法创建和更新。想想当人们添加或改变他们的日常饮食,血压或血糖水平。POST或PUT方法用于将数据从客户机发送到服务器。后,你可以无数次生产数据,然而,与将,你只能做出一份一样的。这是唯一的区别。如果你不熟悉SQL,“删除”命令更容易掌握,因为它只是从数据库中删除指定的数据。


图3
分析加速度计和传感器数据七活动。

5。结果

支持向量机,决策树模型使用的比率10:90年,15:85年,20:80年,25日:75年,和30:70年,分别。决策树和支持向量机模型进行训练数据数率的测试。最后,两个模型建立。一个传感器和加速度计数据。对于每一个传感器,均值和中位数时间差异用来测量传感器活动检测的准确性。这些16个传感器数据特性正确检测活动。检测non-foot-movement活动,只有基于传感器数据了,但是没有使用加速度计数据(例如,坐着)。

各种测试列车比率是企图在模型训练获取最准确的模型。15%和20%的测试培训取得最好的结果(90 - 100)的精度。两组训练被用来构建机器学习模型:七个活动使用传感器数据和加速度计。

系统正确检测到行走和奔跑在31日的情况下,一个走样品,26运行每个测试样本被火车比平均有5个分类模型的观察。

数据4和5四个测试列车比率显示结果(20,5、10和90)。决策树和支持向量机模型是考验使用不同test-to-training数据比率。在数据6和7,可以说明两个模型。他们创造了使用数据从一个传感器和一个加速度计。每个传感器都有其自己的一组参数。加速度计和传感器进行数据分类的准确性走路和跑步是96%。在31例,技术确定了走路和跑步,跑步散步和26个样本。


图4
四个测试列车比率两个和7个活动决策树。

图5
使用加速度计分类走路和跑步。

图6
4分钟,3分钟站和2.5分钟步行。

图7
决策树分析出错率。

15个传感器读数是80%准确的。

三个样品正确确定楼梯后裔,三个楼梯爬,和一个走。该模型没有假阳性但错过了几个楼梯下行样品(1:0.43)使用椭圆。样本贴上站立、行走和坐着。用于non-elliptical Precision-recall比率为0.80:0.76。

这意味着,precision-to-recall比例是0到0。因为坐着不创建压力传感器数据,分析依赖于加速度计数据。没有加速度计数据,久坐不动的运动不能认可,如表所示1。

表1
决策树分析的结果。

测试数据生成的四个决策树模型。在所有43特性,这些模型有最好的行走和奔跑检测结果(100%)。43个特色活动检测准确率90%到100%。只使用传感器数据,2-activity和7-activity模型准确率获得的80 - 90%和29%,分别。图6展示了调查的结果结合决策树。

基于模型的质量评估,BeticTrack合并从43所有功能创建的传销。该模型然后把实时测试对事物进行分类。这分类是基于时间。例如,一个人执行的七个任务随着时间的推移,和分类结果保存在数据库中。我们统计每个活动所花费的总时间,以确保类别是准确的。图7显示了分类后两分钟的散步。传销被大多数步行为椭圆(在1分45秒)。这是一个10秒楼上散步。

模型正确地确定站数据,如图7,4.1%的错误率。这可能是由于数据集的大小。模型的分类可以从更多的人加强通过收集更多的数据。

鞋底的区分坐在与近乎完美的精度和运行。坐在没有传感器数据相比其他7活动。在应用程序执行期间,运行数据包含真实的事件。如果感觉压力传感器,它接受它。它只是有两个值:0和1。如果按在地上,运行,它将返回1。例如,站立、行走或使用楼梯收益率零压力传感器的数据。这是因为分类的尝试失败了。椭圆的使用数据和分类数据重叠行走。消除椭圆的数据分类可以提高步行活动的分类,因为走路和椭圆使用是相似的。 This study’s purpose was to collect data for five seconds straight to build features. Additional research can help construct a better categorisation model by identifying the best time period for this research.

6。结论

病人和医生数据使用是确保通过本研究。有很多糖尿病管理智能手机应用程序。然而,我们建立了根据医生的反馈系统,试图准确地收集所有糖尿病治疗数据。病人自我管理工具和医生远程病人监控是本研究的目标。可穿戴技术是用来捕捉病人活动数据。可穿戴物联网鞋垫记录用户活动数据,没有进一步的努力。应用学习坐、散步、和运行使用支持向量机,决策树。移动健康和自我管理解决方案提供远程监控和接触不考虑时间,位置,或费用。草还艾滋病糖尿病。每天的饭可以输入和看过的病人。 It enables patients to self-manage and track their development. These tools assist patients comprehend the importance of their choices. The long-term goal of this research is to test the application’s effectiveness on type 2 diabetic patients. Based on trial results and patient feedback, future designs can be improved. Depending on the results of a pilot study with real patients, this application may become a standard tool for diabetic care. Assuming its works, this model could potentially treat other chronic diseases.

数据可用性

数据基础的研究结果中可用的手稿。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

我们深深感谢塔伊夫大学支持本研究通过塔伊夫大学的研究人员支持项目数量(TURSP-2020/344),塔伊夫大学,塔伊夫,沙特阿拉伯。这是作为就业的一部分执行机构。