Earticle

초록

영어

The paper is a study to develop and verify a blood glucose level prediction model based on biosignals obtained from photoplethysmography (PPG) sensors, ICT technology and data. Blood glucose prediction used the MLP architecture of machine learning. The input layer of the machine learning model consists of 10 input nodes and 5 hidden layers: heart rate, heart rate variability, age, gender, VLF, LF, HF, SDNN, RMSSD, and PNN50. The results of the predictive model are MSE=0.0724, MAE=1.1022 and RMSE=1.0285, and the coefficient of determination (R²) is 0.9985. A blood glucose prediction model using bio-signal data collected from digital devices and machine learning was established and verified. If research to standardize and increase accuracy of machine learning datasets for various digital devices continues, it could be an alternative method for individual blood glucose management.

한국어

논문은 광용적맥파(photoplethysmography, PPG) 센서에서 획득한 생체 신호, ICT 기술 및 데이터 기반의 혈당수치 예측 모델을 개발하고 검증하는 연구이다. 혈당 예측은 기계학습의 MLP 아키텍처를 이용하였 다. 기계학습 모델의 입력층은 심박수, 심박변이도, 나이, 성별, VLF, LF, HF, SDNN, RMSSD, PNN50의 10개의 입력노드와 은닉층은 5개로 구성된다. 예측모델의 결과는 MSE=0.0724, MAE=1.1022 및 RMSE=1.0285이며, 결정계수(R²)는 0.9985이다. 비채혈방식으로 디지털기기에서 수집한 생체신호 데이터와 기계학습을 활용한 혈당 예측 모델을 수립하고 검증하였다. 일상에 적용하기 위해 다양한 디지털 기기의 기계학습 데이터셋 표준화와 정 확성을 높이는 연구가 이어진다면 개인의 혈당 관리에 대안적 방법이 될 수 있을 것이다.

목차

요약
Abstract
1. 서론
1.1 연구필요성
1.2 연구목적
2. 이론
2.1 혈당 모니터링 기술
3. 연구방법
3.1 연구대상자
3.2 연구기간
3.3 연구도구
3.4 데이터수집
3.5 분석방법
3.6 예측모델 개발
4. 연구결과 및 고찰
4.1 데이터 분석
4.2 혈당 예측모델 설계
4.3 구현 및 결과
5. 결론
REFERENCES

키워드

저자

• 박철구 [ Cheol-Gu Park | 소프트웨어융합연구소 대표 ]
• 최상기 [ Sang-Ki Choi | 소프트웨어융합연구소 연구소장 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  디지털정책학회지

• 간기

  월간

• eISSN

  2951-245X

• 수록기간

  2022~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 569 DDC 620