http://hdl.handle.net/10256/4399 2025-08-09T10:03:01Z 2025-08-09T10:03:01Z García Pavioni, Alihuén http://hdl.handle.net/10256/27129 2025-07-29T11:58:33Z 2024-09-10T00:00:00Z

States changes representation for time series García Pavioni, Alihuén ENG- The exponential growth in wearable device usage has generated vast amounts of time series data, presenting opportunities for various applications like activity recognition and health monitoring. However, analyzing these datasets poses challenges due to their complexity and length. To address this, this doctoral thesis proposes the State Changes Representation for Time Series (SCRTS), a method aimed at extracting relevant information related to the dynamics of the time series while significantly reducing the dimensionality. Moreover, SCRTS is length-independent, enabling the application of this algorithm to frames (consecutive values of the variables in the time series related to a given class) of varying lengths while producing feature vectors of the same size. This aspect is crucial for classifications, ensuring uniformity in feature representations across different time series lengths. The SCRTS algorithm is presented in two variants: the one-dimensional (1D-SCRTS) and the multidimensional (mD-SCRTS) approaches. In the 1D-SCRTS, each frame is represented by a sequence of states derived from vector magnitudes, which summarize the information of the interrelated variables at each time point of time series samples. In contrast, the mD-SCRTS considers individual variable values before discretization, allowing it to capture information related to all variable values independently. The effectiveness of the SCRTS is demonstrated through activity classification experiments using three accelerometer datasets. Both the 1D-SCRTS and the mD-SCRTS exhibit outstanding dimensionality reduction capabilities while achieving considerable classification performance; CAT- El creixement exponencial en l'ús de dispositius portàtils ha generat vastes quantitats de dades de sèries temporals, presentant oportunitats per a diverses aplicacions com el reconeixement d'activitats i el monitoratge de la salut. No obstant això, analitzar aquests conjunts de dades presenta reptes a causa de la seva complexitat i longitud. Per abordar això, aquesta tesi doctoral proposa la Representació de Canvis d'Estat per a Sèries Temporals (SCRTS, per les seves sigles en anglès), un mètode destinat a extreure informació rellevant relacionada amb la dinàmica de la sèrie temporal mentre es redueix significativament la dimensionalitat. A més, el SCRTS és independent de la longitud, la qual cosa permet l'aplicació d'aquest algoritme a marcs (valors consecutius de les variables en la sèrie temporal relacionada amb una classe determinada) de diferents longituds mentre es produeixen vectors de característiques del mateix tamany. Aquest aspecte és crucial per a les classificacions, assegurant uniformitat en les representacions de característiques per a marcs de diferent longitud. L'algoritme SCRTS es presenta en dues variants: l'enfocament unidimensional (1D-SCRTS) i el multidimensional (mD-SCRTS). En el 1D-SCRTS, cada marc està representat per una seqüència d'estats derivada de magnituds vectorials que resumeixen la informació de les variables interrelacionades en cada moment del temps de les mostres de la sèrie temporal. En contrast, el mD-SCRTS considera els valors de les variables de les mostres de forma individual abans de la discretització, el que li permet capturar informació relacionada amb tots els valors de les variables de la mostra de forma independent. L'efectivitat del SCRTS es demostra a través d'experiments de classificació d'activitats utilitzant tres conjunts de dades d'acceleròmetres. Tant el 1D-SCRTS com el mD-SCRTS exhibeixen capacitats sobresortints de reducció de dimensionalitat mentre aconsegueixen un rendiment de classificació considerable

2024-09-10T00:00:00Z Ahmad, Sayyar http://hdl.handle.net/10256/24711 2024-07-30T10:10:13Z 2024-01-18T00:00:00Z

Reinforcement learning for bolus insulin dosing for people with type 1 diabetes Ahmad, Sayyar Type 1 Diabetes (T1D) is a chronic metabolic disorder caused by destruction of the insulin producing beta cells in the islets of Langerhans within the pancreas due to an autoimmune reaction. T1D is distinguished by elevated levels of blood glucose (BG) owing to the deficiency of insulin, a hormone responsible for the regulation of BG within the normal range of 70-180 mg/dL. T1D is associated with various micro-vascular and macro-vascular complications such as nephropathy, neuropathy, retinopathy, coronary heart disease, cerebrovascular disease, peripheral artery disease etc. People with T1D rely on the administration of exogenous insulin to restrict the BG in a healthy range. The insulin treatment strategies for T1D can be broadly divided into two categories i.e., multiple daily injections (MDI) and continuous subcutaneous insulin infusion (CSII) to avoid the T1D complications. In the past decade, a significant effort has been made by researchers to reproduce the behavior of beta cells and automate the insulin delivery for the management of T1D paving a way for the rapid development of the artificial pancreas (AP) technology. Integration of a continuous glucose monitor (CGM) with closed-loop control (CLC) algorithms to compute the continuous insulin dosing rate constitute an AP system. The preclinical validation and evaluation of the insulin dosing strategies developed by researchers are performed in the simulation environments that represent virtual patients (VPs) with T1D. The work presented in this thesis provides three contributions. Firstly, a methodology is introduced to generate a cohort of VPs with T1D to replicate the BG metrics of a real cohort of people with T1D from the Hospital Clinic de Barcelona. The clinical data of meals, meal times and insulin (basal and bolus) was utilized to derive realistic scenarios for the generation of VPs. The exercise sessions were introduced as disturbances and were derived from the BG profile of the real patients. The proposed methodology is capable of adopting the daily variations of BG profile from real patients and thus provide a realistic and challenging simulation environment for the validation and evaluation of therapeutic strategies developed for the management of T1D. Secondly, a Q-Learning based Reinforcement Learning (RL) algorithm is proposed for the bolus insulin calculation in patients with T1D and validated on the generated cohort of VPs with T1D. Usually the bolus insulin calculation is based on carbohydrates (CHO) in meal, CHO to insulin ratio (CR) and the insulin sensitivity based correction factor (CF). On the contrary, the proposed algorithm is independent of the CHO content in meals, CR and CF with an aim to avoid the CHO estimation and counting errors and the management burden on patients with T1D; La diabetis tipus 1 (DT1) és un trastorn metabòlic crònic causat per la destrucció de les cèl·lules beta productores d'insulina als illots de Langerhans dins del pàncrees a causa de una reacció autoimmune. La T1D es caracteritza per nivells elevats de glucosa en sang (BG) a causa de la deficiència d'insulina, una de les hormones responsables de la regulació de la glucosa dins del rang normal de 70-180 mg/dL. La T1D s'associa a diverses complicacions microvasculars i macrovasculars, com ara nefropatia, neuropatia, retinopatia, cardiopatia coronària, malaltia cerebrovascular, malaltia arterial perifèrica, etc. Les persones amb T1D depenen de l’administració d’insulina exògena per mantenir la glucèmia en un rang saludable. Les estratègies de tractament amb insulina per evitar les complicacions de la T1D es poden dividir en dues categories, és a dir, múltiples injeccions diàries (MDI) o infusió contínua subcutània d'insulina (CSII). Durant l'última dècada, els investigadors han fet un esforç significatiu per reproduir el comportament de les cèl·lules beta i automatitzar el lliurament d'insulina per a la gestió de la T1D, obrint un camí per al desenvolupament ràpid de la tecnologia del pàncrees artificial (AP). L’integració d'un monitor continu de glucosa (CGM) amb algorismes de control de llaç tancat (CLC) per calcular la taxa de dosificació contínua d'insulina constitueix un sistema AP. La validació i avaluació preclínica de les estratègies de dosificació d'insulina desenvolupades pels investigadors es realitzen en els entorns de simulació que representen pacients virtuals (VP) amb T1D. El treball presentat en aquesta tesi aporta tres contribucions. En primer lloc, una metodologia és introduïda per a la generació d’una cohort de VP amb T1D per replicar les mètriques de BG d'una cohort real de persones amb T1D de l'Hospital Clínic de Barcelona. Les dades clíniques dels àpats, els horaris dels àpats i la insulina (basal i bolus) es van utilitzar per obtenir escenaris realistes per a la generació de VP. Les sessions d'exercici es van introduir com pertorbacions i es van derivar del perfil de glucosa dels pacients reals. La metodologia proposada és capaç d'adoptar les variacions diàries del perfil de glucosa en pacients reals i, per tant, proporcionar un entorn de simulació realista i desafiant per a la validació i avaluació de les estratègies terapèutiques desenvolupades per al maneig de la T1D. En segon lloc, es proposa un algorisme d'aprenentatge per reforç (RL) basat en Q-Learning per al càlcul de bolus d'insulina en pacients amb T1D i es valida en la cohort generada de VP amb T1D. Normalment, el càlcul de la insulina en bolus es basa en els hidrats de carboni (CHO) dels àpats, la proporció CHO a insulina (CR) i el factor de correcció basat en la sensibilitat a la insulina (CF). A diferència d’això, l'algoritme proposat és independent del contingut de CHO en els àpats, del CR i del CF amb l'objectiu d'evitar els errors d'estimació i recompte de CHO i la càrrega de gestió dels pacients amb T1D

2024-01-18T00:00:00Z Vila Clarà, Oriol http://hdl.handle.net/10256/24705 2025-07-29T11:51:06Z 2024-01-29T00:00:00Z

Methods for remote stock monitoring using depth sensors Vila Clarà, Oriol RGB-D cameras return images like an ordinary camera but in addition to color, depthmaps where each pixel value represents the distance to a point of the scene are also obtained. Although originally conceived for gaming and consumer applications, their affordably and extensive documentation make them a suitable option for other 3D measurement applications. In this thesis, our interest has been focused on their use for the control of agricultural silo content which is fundamental for its proper management. Despite their potential benefits, obtaining accurate stock data from RGB-D sensors still requires further research and development. In this thesis, three main focuses of research will be considered. • Measurement devices are usually affected by temperature. Centered on RGBD cameras, the first objective is to understand the temperature drift on structured light sensors, characterize it, and propose a compensation model that is fast and reliable to mitigate their effects on the measurements. To reach this objective the sensor performance has been analyzed under different temperature conditions and the distortion model has been characterized as a hyperbolic paraboloid function. We have also proposed a compensation method that reduces the measurement error to the levels of other non-structured light sensors and proprietary solutions. The good results of the method have been demonstrated in real scenarios. • The RGB-D camera position and orientation from devices installed on agricultural silos is crucial for accurate volume estimations. This information is not always available and it is very time-consuming to obtain it by manual inspection. To tackle this problem, a method that uses the shape tensor properties to automatically compute the silo’s axis and provide a new reference system from which the sensor raw data can be easily processed has been proposed. The method has been implemented and tested on both synthetic and real silos, achieving a maximum average distance error of less than 6cm. • Active stereo cameras are commonly designed for close-range applications with medium to low accuracy requirements. However, the standard performance of these cameras, as provided by the manufacturer, may not meet the stringent demands of remote silo monitoring tasks. Especially in cases where content measurements are required for very large silos with high accuracy expectations. To overcome this limitation, a custom calibration pipeline to optimize the calibration parameters of stereo cameras and improve the depth accuracy over long-range measurements has been proposed. The method has been evaluated on a real scenario providing an average relative volumetric error reduction of 8.6% compared to the factory calibration. All the methods presented have been integrated into different production stages of the INSYLO SL services. With more than 500 devices using the thermal compensation algorithms, more than 1000 sensors adjusted using automatic methods, and over 200 sensors calibrated by using the new pipeline. As a result, a substantial increase in the reliability and accuracy of the INSYLO SL sensor network has been achieved; Les càmeres RGB-D retornen imatges com una càmera convencional, però a més de la informació de color, també s’obtenen mapes de profunditat on cada valor de píxel representa la distància a un punt de l’escena. Tot i que inicialment van ser concebudes per a aplicacions de videojocs i consum, la seva assequibilitat i extensa documentació les converteixen en una opció adequada per a altres aplicacions de measura 3D. En aquesta tesi, el nostre interès s’ha centrat en la seva utilització per al control del contingut dels silos agrícoles, que és fonamental per a la seva bona gestió. Malgrat els seus potencials avantatges, obtenir mesures precises d’ocupació mitjançant l’ús de sensors RGB-D és una tasca complexa i es requereix investigació i desenvolupament addicionals. En aquesta tesi, es consideraran tres àrees principals d’investigació. • Generament, els dispositius de mesura poden veure’s afectats per la temperatura. Particularitzant en les càmeres RGB-D, el primer objectiu és comprendre aquesta deriva de la temperatura en els sensors de llum estructurada, caracteritzar-la i proposar un model de compensació ràpid i fiable per mitigar els seus efectes en les mesures. Per assolir aquest objectiu, s’ha analitzat el rendiment del sensor en diferents condicions de temperatura i s’ha caracteritzat el model de distorsió com una funció hiperbòlica paraboloide. També s’ha proposat un mètode de compensació que redueix l’error de mesurament als nivells d’altres sensors sense llum estructurada i solucions proprietàries. Els bons resultats del mètode s’han demostrat en escenaris reals. • La posició i l’orientació de la càmera RGB-D dels dispositius instal·lats en silos agrícoles són crucials per a les estimacions precises del volum. Aquesta informació no sempre està disponible i requereix molt temps per obtenir-la mitjançant inspecció manual. Per abordar aquest problema, s’ha proposat un mètode que utilitza les propietats del tensor de forma per calcular automàticament l’eix del silo i proporcionar un nou sistema de referència des del qual es poden processar fàcilment les dades provinents del sensor. El mètode s’ha implementat i provat tant en silos sintètics com reals, aconseguint un error mitjà de distància màxim de menys de 6 cm. • Les càmeres estereoscòpiques actives estan dissenyades habitualment per a aplicacions de curta distància amb requisits de precisió no gaire elevats. No obstant, el rendiment estàndard d’aquestes càmeres tal com ho proporciona el fabricant, pot no satisfer les exigències estrictes de tasques de monitorització de silos remots. Especialment en casos on es requereixen mesures de contingut per a silos molt grans amb expectatives d’alta precisió. Per superar aquesta limitació, s’ha proposat un procés de calibració personalitzat per optimitzar els paràmetres de calibració de les càmeres estereoscòpiques i millorar la precisió de la profunditat en mesures de llarga distància. El mètode s’ha avaluat en un escenari real, aconseguint una reducció mitjana de l’error volumètric relatiu del 8,6% en comparació amb la calibració de fàbrica. Tots els mètodes presentats s’han integrat en diferents etapes de producció dels serveis de INSYLO SL Amb més de 500 dispositius que utilitzen els algorismes de compensació tèrmica, més de 1000 sensors ajustats mitjançant mètodes automàtics i més de 200 sensors calibrats mitjançant el nou procés. Com a resultat, s’ha aconseguit un increment substancial de la fiabilitat i la precisió de la xarxa de sensors de INSYLO SL

2024-01-29T00:00:00Z Mujahid, Omer http://hdl.handle.net/10256/23907 2024-03-19T08:11:23Z 2023-09-19T00:00:00Z

Data-driven models for type 1 diabetes using generative deep learning Mujahid, Omer Modeling biological systems has always been challenging given the complexity of the processes involved in them. Experts have been employing physiological models to approximate the dynamics of biological systems; however, these models are constrained by the limitations of mathematical techniques that can only encompass part of the physical phenomena behind a biological system. Mathematical physiological models of the human glucose-insulin system are considered the gold standard of simulators in type 1 diabetes (T1D) healthcare. Though accurate to a certain degree, these models are not capable of simulating scenarios that could fully capture the real-life dynamics of a T1D patient. The underlying cause for this phenomenon could be attributed to the numerous hidden factors that are ignored during physiological modeling because of increasing model complexity or hurdles in their representation. This work was carried out with a focus on accurate model approximation in T1D. The rationale is built on the hypothesis that generic function approximators such as deep neural networks (DNNs) have the ability to learn all that from data that cannot be modeled mathematically. Since deep generative models (DGMs) are implemented using DNNs, they are capable of learning the underlying probability distribution of a data set. This thesis presents several methodologies based on data-driven models using DGMs for improved model approximation in T1D. Firstly, a systematic review of data-driven models for predicting hypoglycemia is conducted. After that, a methodology for data augmentation in a hypoglycemia classifier using a generative adversarial network (GAN) is developed as part of this thesis. The next work in this series focuses on the conditional synthesis of realistic BG profiles of T1D patients. Finally, building on the work performed thus far, a T1D simulation environment is developed using a sequence-to-sequence GAN (S2S GAN) that is capable of synthesizing realistic patients with T1D. The results obtained from these methods show the efficacy of DGMs for model formation in T1D. It has been demonstrated through these results that a highly precise approximation of the glucose-insulin system of patients with T1D can be obtained from data with the help of DGMs. Moreover, these models have been shown to generate novel data that is statistically similar to real data for all the standardized glycemic metrics. Furthermore, the causal synthesis of realistic T1D data has been shown in the work presented in this thesis.; Modelar sistemes biològics sempre ha estat un desafiament atesa la complexitat dels processos involucrats en ells. Actualment, la implementació de models fisiològics és l’estàndard per aproximar-se a la dinàmica dels sistemes biològics; aquests models, però, estan restringits per les limitacions de les tècniques matemàtiques, que només poden abastar una part dels fenòmens físics darrere d’un sistema biològic. Els models fisiològics matemàtics del sistema de glucosa-insulina humà es consideren el model de referència dels simuladors en la cura de la salut de la diabetis tipus 1 (T1D). Tot i que són necessaris fins a cert punt, aquests models no són capaços de simular escenaris que puguin capturar completament la dinàmica de la vida real d’un pacient amb T1D. La causa subjacent d’aquest fenomen podria atribuir-se als nombrosos factors ocults que s’ignoren durant el modelatge fisiològic a causa de la complexitat creixent del model o dels obstacles en la seva representació. Aquest treball s’ha dut a terme centrant-se en una aproximació precisa del model a T1D. La justificació es basa en la hipòtesi que els aproximadors de funcions genèriques, com les xarxes neuronals profundes (DNN), tenen la capacitat d’aprendre tot allò de les dades que no es pot modelar matemàticament. Com que els models generatius profunds (DGM) s’implementen mitjançant DNN, aquests són capaços d’aprendre la distribució de probabilitat subjacent d’un conjunt de dades. Aquesta tesi presenta diverses metodologies basades en models basats en dades que fan servir DGM per millorar l’aproximació del model a T1D. En primer lloc, es fa una revisió sistemàtica dels models basats en dades per predir la hipoglucèmia. Posteriorment, com a part d’aquesta tesi, es desenvolupa una metodologia per a l’augment de dades en un classificador d’hipoglucèmia utilitzant una xarxa generativa antagònica (GAN). El següent treball se centra en la síntesi condicional de perfils realistes de glucosa a la sang de pacients amb T1D usant xarxes generatives condicionals. Finalment, sobre la base del treball fet fins ara, es desenvolupa un entorn de simulació de pacients amb T1D utilitzant una GAN de seqüència a seqüència (S2S GAN). Els resultats obtinguts d’aquests mètodes mostren l’eficàcia dels DGM per a la generació de models a la T1D. Aquesta tesi demostra que les DGM són capaces d’aconseguir una aproximació molt precisa del sistema glucosa-insulina de pacients amb T1D. D’altra banda, s’ha demostrat que aquests models generen dades inèdites que són estadísticament similars a les dades reals per a totes les mètriques de glucèmia estàndard. A més a més, el treball presentat en aquesta tesi ha demostrat la síntesi causal de dades realistes en pacients amb T1D.

2023-09-19T00:00:00Z