http://hdl.handle.net/10256/4371 2025-08-11T09:43:52Z http://hdl.handle.net/10256/27129 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 http://hdl.handle.net/10256/24711 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 http://hdl.handle.net/10256/23964 Modelling of electric vehicle user profiles for flexibility management and charging infrastructure planning Cañigueral Maurici, Marc The transition to electric mobility is facing multiple challenges, usually associated with the roll-out of the charging infrastructure. On one hand, cities must develop a charging infrastructure that meets the user needs while the type of electric vehicle (EV) users is specific for every charging area. On the other hand, a high EV demand in the power system can bring congestion issues at the low-voltage power grid and this can involve power supply quality issues and a barrier to further development of the charging infrastructure. This thesis aims to provide tools to solve the challenges raised in both stages of the adoption of electric mobility. With this purpose, a methodology to cluster and model generic EV user profiles based on connection patterns is proposed and applied to these two key areas: flexibility management and charging infrastructure planning. The concept of user profiles is introduced as a tool to identify common connection patterns with a characteristic flexibility potential. A clustering methodology using Gaussian Mixture Models (GMM) is applied based on variables such as connection start time and duration. Common usage patterns in public charging infrastructure are observed, providing insights into EV user behaviour. The profiling methodology is validated with three different real data sets of charging sessions along with the three journal articles that shape the core of this thesis. The clustering methodology is followed by a modelling methodology to perform stochastic simulations of EV charging sessions in terms of connection times, required energy and charging power rate. Modelling every user profile independently lets to simulate a wide range of scenarios since the share of each user profile over the total EV demand can be configured according to the environment (i.e. location, time horizon, etc.). This application is explored with two journal articles where scenarios with high penetration of EV sessions are simulated to (1) optimally size a charging hub and (2) analyse the required number of charging points of city-level charging infrastructure. In both contributions, the configuration of user profiles in specific areas is crucial for properly sizing charging infrastructure, avoiding extra costs that harm the business model or losing EV users’ confidence with undersized installations. This thesis also compares different smart charging strategies through simulations, as well as the benefits that the user-profile approach could bring to smart charging programs. When scheduling individual sessions according to an aggregated demand setpoint, the extra knowledge of profiling EV users beforehand can provide insights for a more reliable flexibility prediction. Moreover, scheduling sessions from selected user profiles could lead to exploitation cost savings and reduced impact on EV users. Finally, the application of a smart charging program at the city level with high penetration of EVs has been also simulated to analyse its impact on all stakeholders involved in the EV charging sector, from the final EV user to the charging operator business model. Curtailing charging power based on dynamic capacity signals proves effective to avoid grid congestion and defer reinforcements of the existing power grid while expanding the charging infrastructure and supplying the majority of the energy required by EV users. Overall, this thesis enhances understanding of EV user behaviour, analyses different smart charging strategies, and provides insights for charging infrastructure planning. These findings have practical implications for stakeholders involved in the EV ecosystem, contributing to the ongoing transition to electric mobility.; La transició a la mobilitat elèctrica s’enfronta a múltiples reptes, generalment associats amb el desplegament de la infraestructura de càrrega. D’una banda, les ciutats han de desenvolupar una infraestructura de càrrega que satisfaci les necessitats dels usuaris, mentre que el tipus d’usuaris de vehicles elèctrics (VE) són específics per a cada àrea de càrrega. D’altra banda, una alta demanda de VE en el sistema d’energia pot portar problemes de congestió a la xarxa elèctrica de baixa tensió i això pot implicar problemes en la qualitat del subministrament elèctric i una barrera per a un major desenvolupament de la infraestructura de càrrega. Aquesta tesi pretén proporcionar eines per resoldre els reptes plantejats en les dues etapes de l’adopció de la mobilitat elèctrica. Amb aquest objectiu, es proposa una metodologia per agrupar i modelar perfils d’usuari genèrics de VEs basats en patrons de connexió, la qual s’aplica en dues àrees clau: gestió de la flexibilitat i planificació d’infraestructures de càrrega. El concepte de perfils d’usuari s’introdueix com una eina per identificar patrons de connexió comuns amb un potencial de flexibilitat característic. Una metodologia d’agrupament que utilitza Models Mixtos Gaussians (MMG) s’aplica basant-se en variables com l’hora d’inici i la durada de la connexió. S’observen patrons d’ús comuns en la infraestructura de càrrega pública, proporcionant informació sobre el comportament dels usuaris de VEs. La metodologia d’elaboració de perfils es valida amb tres conjunts de dades reals de sessions de càrrega juntament amb els tres articles de revista que configuren el nucli d’aquesta tesi. La metodologia d’agrupació és seguida per una metodologia de modelatge per realitzar simulacions estocàstiques de les sessions de càrrega del VE en termes de temps de connexió, energia requerida i potència de càrrega. Modelar cada perfil d’usuari independentment permet simular una àmplia gamma d’escenaris, ja que la presència de cada perfil d’usuari sobre la demanda total del VE es pot configurar segons l’entorn, és a dir, la ubicació, l’horitzó temporal, etc. Aquesta aplicació s’explora amb dos articles de revista on es simulen escenaris amb alta penetració de sessions de VE per (1) dimensionar de manera òptima una àrea de càrrega i (2) analitzar el nombre requerit de punts de càrrega a nivell de ciutat. En ambdues contribucions, la configuració de perfils d’usuari en àrees específiques és crucial per un dimensionament adequat de la infraestructura de càrrega, evitant costos addicionals que perjudiquin el model de negoci o la pèrdua de confiança dels usuaris del VE amb instal·lacions sotadimensionades. Aquesta tesi també compara diferents estratègies de càrrega intel·ligent a través de simulacions, així com els beneficis que l’enfocament de perfilat d’usuaris podria aportar als programes de càrrega intel·ligents. Quan es programen sessions individuals d’acord amb una consigna de demanda agregada, el coneixement addicional de perfils de VE poden proporcionar informació per a una predicció de flexibilitat més fiable. A més, les sessions de programació dels perfils seleccionats podrien conduir a un estalvi de costos d’explotació i a una reducció de l’impacte sobre els usuaris de VEs. Finalment, l’aplicació d’un programa de càrrega intel·ligent a nivell de ciutat amb alta penetració de VEs també s’ha simulat per analitzar el seu impacte en totes les parts interessades implicades en el sector de càrrega del VE, des de l’usuari final fins al model de negoci del gestor de càrrega. Una limitació de la potència de càrrega basada en senyals de capacitat dinàmica resulta eficaç per evitar la congestió de la xarxa i ajornar millores en la xarxa elèctrica existent mentre s’expandeix la infraestructura de càrrega i es subministra la majoria de l’energia requerida pels usuaris de VEs. En general, aquesta tesi millora la comprensió del comportament de l’usuari de VE, analitza diferents estratègies de càrrega intel·ligents i proporciona informació per a la planificació de la infraestructura de càrrega. Aquests resultats tenen implicacions pràctiques per a les parts implicades en l’ecosistema del VE, contribuint a la transició cap a la mobilitat elèctrica. 2023-10-10T00:00:00Z http://hdl.handle.net/10256/23908 Predicción probabilística de estados glucémicos para pacientes con diabetes tipo 1 mediante el análisis de datos composicionales Cabrera Tejera, Alvis Diabetes mellitus (DM) is a chronic disease that affects a large number of people worldwide, making it a global pandemic. Type 1 diabetes (T1D) accounts for approximately 10 % of all cases. It is characterized by autoimmune destruction of the pancreatic β cells, which are responsible for producing insulin. This loss of β cells leads to a permanent lack of insulin, resulting in an abnormal state of blood glucose (BG) homeostasis known as hyperglycemia. Subsequently, it can cause both chronic microvascular (retinopathy, neuropathy, and nephropathy) and macrovascular (cardiovascular and cerebrovascular diseases) complications, as well as other acute complications. In the treatment of T1D, exogenous insulin is necessary to reduce BG levels to normoglycemia (70-180 mg/dL), which has been established as the control target. Normalization of BG is the main task of diabetes treatment, attempting to minimize hypoglycemia and hyperglycemia events. The main mechanisms of intervention in glycemic control in people with T1D are insulin administration and dietary adjustment. In both cases, the effectiveness of the treatment is influenced by the delay in insulin absorption and action and food intake. Therefore, the ability to predict the future glycemic profile is essential to helping the patient make decisions and avoid risky situations. The availability of continuous glucose monitoring (CGM) systems has allowed for the systematic collection of glucose measurements at short intervals (5 or 15 min), generating a large amount of real-time data. This increase in data availability has led to the development of new mathematical prediction models that, along with improved measurement accuracy, allow for more reliable and long-term predictions despite the uncertainty and variability inherent in glucose measurements. This thesis presents a simulation tool for T1D, where cohorts of virtual patients (VPs) are generated, incorporating models of long-acting insulins to evaluate multiple daily injection (MDI) and continuous subcutaneous insulin infusion (CSII) therapies in challenging and realistic scenarios. A mathematical methodology based on compositional data (CoDa) is proposed to validate a probabilistic model of transition between different categories of periods, providing a novel metric that could be used in any process that needs validation with compositional data. Finally, an individualized model is presented to predict the mean and coefficient of variation (CV) of glucose for the following 2 and 4 hours. From these predictions, the estimated minimum and maximum BG values are calculated. An information system called "traffic light" has been implemented and validated, which updates people on their glycemic status, risks related to hyperglycemia, hypoglycemia, and CV for the next hours. The incorporation of long-acting insulin was evaluated in the MiceLab diabetes simulator, where simulation results were compared with those obtained in clinical trials. The validation and proposal of prediction algorithms were evaluated using sets of measurements from individuals with T1D who use CGM devices. The results are promising and suggest that these models could improve the accuracy of BG prediction, thus contributing to technological advancements and the optimization of therapies to improve the quality of life for individuals with T1D; LA diabetis mellitus (DM) és una malaltia crònica que afecta un gran nombre de persones a tot el món, sent una pandèmia global. La diabetis tipus 1 (T1D) representa aproximadament el 10 % de tots els casos. Es caracteritza per una destrucció autoimmune de les cèl·lules β del pàncrees, que són les encarregades de produir l’insulina. Aquesta pèrdua de cèl·lules β condueix a una falta permanent d’insulina, fet que provoca un estat anormal d’homeòstasi de la glucosa la sang (BG), conegut com hiperglucèmia. Alhora, pot causar complicacions cròniques tant microvasculars (retinopatia, neuropatia i nefropatia), com macrovasculars (malalties cardiovasculars i cerebrovasculars) i altres complicacions agudes. En el tractament de la T1D, cal recórrer a l’insulina exògena per reduir els nivells de BG fins a la normoglucèmia (70-180 mg/dl), que s’ha establert com a objectiu de control. La normalització de la glucèmia és la tasca principal del tractament de la diabetis, intentant minimitzar els esdeveniments d’hipoglucèmia i hiperglucèmia. Els mecanismes principals d’intervenció en el control glucèmic en persones amb T1D són l’administració d’insulina i l’ajust de la dieta. En tots dos casos, l’eficàcia del tractament està influenciada pel retard en l’absorció i l’acció de l’insulina i l’alimentació. Per tant, l’habilitat per predir el perfil glucèmic en el futur és essencial per ajudar el pacient a prendre decisions i evitar situacions de risc. La disponibilitat de sistemes de monitoratge continu de la glucosa (CGM) ha permès la recopilació sistemàtica de mesuraments de glucèmia a intervals curts (5 o 15 min), generant una gran quantitat de dades en temps real. Aquest augment en la disponibilitat de dades ha donat lloc al desenvolupament de nous models matemàtics de predicció, que, juntament amb la millora en la precisió dels mesuraments, permeten realitzar prediccions més fiables i a llarg termini malgrat la incertesa i variabilitat inherents a la mesurament de la glucèmia. En aquesta tesi es presenta una eina de simulació per a T1D, on es generen cohorts de pacients virtuals (VPs), s’hi incorporen models d’insulines d’acció perllongada per avaluar teràpies de múltiples injeccions diàries (MDI) i d’infusió contínua d’insulina subcutània (CSII) a escenaris desafiadors i realistes. Es proposa una metodologia matemàtica basada en dades composicionals (CoDa) per validar un model probabilístic de transició entre diferents categories de períodes, brindant una mètrica nova que podria utilitzar-se en qualsevol procés que es vulgui validar les dades del qual siguin composicionals. Finalment, es presenta un model individualitzat per predir la mitjana i el coeficient de variació (CV) de la glucèmia per a les 2 i 4 hores següents. A partir d’aquestes prediccions, calculeu els valors mínims i màxims estimats de BG. S’ha implementat i validat un sistema d’informació de “traffic light" que actualitza a les persones sobre el seu estat glucèmic, els riscos relacionats amb hiperglucèmia, hipoglucèmia i CV per a les properes hores. Es va avaluar la incorporació d’insulina d’acció perllongada al simulador de diabetis de MiceLab, on es van comparar els resultats en simulació amb els obtinguts en assaigs clínics. La validació i la proposta dels algorismes de predicció es van avaluar considerant conjunts de mesuraments de persones amb T1D que utilitzen dispositius CGM. Els resultats són prometedors i suggereixen que aquests models podrien millorar la precisió en la predicció de la BG, contribuint així als avenços de la tecnologia i l’optimització de les teràpies per millorar la qualitat de vida de les persones amb T1D 2023-09-20T00:00:00Z