Automatic blood glucose classification for gestational diabetes with feature selection: decision trees vs neural networks

Caballero Ruiz, E.; García Sáez, Gema; Rigla Cros, Mercedes; Balsells, M.; Pons, Belén; Morillo, Marta; Gómez Aguilera, Enrique J. y Hernando Pérez, María Elena (2014). Automatic blood glucose classification for gestational diabetes with feature selection: decision trees vs neural networks. En: "XIII Mediterranean Conference on Medical and Biological Engineering and Computing (MEDICON 2013)", 25/09/2013 - 28/09/2013, Sevilla, Spain. pp. 1370-1371.

Descripción

Título: Automatic blood glucose classification for gestational diabetes with feature selection: decision trees vs neural networks
Autor/es:
  • Caballero Ruiz, E.
  • García Sáez, Gema
  • Rigla Cros, Mercedes
  • Balsells, M.
  • Pons, Belén
  • Morillo, Marta
  • Gómez Aguilera, Enrique J.
  • Hernando Pérez, María Elena
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: XIII Mediterranean Conference on Medical and Biological Engineering and Computing (MEDICON 2013)
Fechas del Evento: 25/09/2013 - 28/09/2013
Lugar del Evento: Sevilla, Spain
Título del Libro: IFMBE Proceedings
Fecha: 2014
Volumen: 41
Materias:
Palabras Clave Informales: Classification, decision support, diabetes, decision trees neural networks
Escuela: E.T.S.I. Telecomunicación (UPM)
Departamento: Tecnología Fotónica [hasta 2014]
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (217kB)

Resumen

Automatic blood glucose classification may help specialists to provide a better interpretation of blood glucose data, downloaded directly from patients glucose meter and will contribute in the development of decision support systems for gestational diabetes. This paper presents an automatic blood glucose classifier for gestational diabetes that compares 6 different feature selection methods for two machine learning algorithms: neural networks and decision trees. Three searching algorithms, Greedy, Best First and Genetic, were combined with two different evaluators, CSF and Wrapper, for the feature selection. The study has been made with 6080 blood glucose measurements from 25 patients. Decision trees with a feature set selected with the Wrapper evaluator and the Best first search algorithm obtained the best accuracy: 95.92%.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Comunidad de MadridPI10/01125SINEDIESin especificarSistemas inteligentes y de educación para el control de la diabetes diagnosticada en el embarazo

Más información

ID de Registro: 26141
Identificador DC: http://oa.upm.es/26141/
Identificador OAI: oai:oa.upm.es:26141
URL Oficial: http://link.springer.com/chapter/10.1007%2F978-3-319-00846-2_339
Depositado por: Memoria Investigacion
Depositado el: 31 May 2014 11:32
Ultima Modificación: 17 Oct 2016 13:20
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM