Comparing the PaGMO Framework to a De-randomized Meta-Differential Evolution on Calculation and Prediction of Glucose Levels

Abstract

Knihovna PaGMO nabízí několik optimizačních algoritmů pro stanovení optimálních parametrů black-boxmodelu. Takovým modelem může být například model pro homeostázu glukózy. Protože nás zajímá výpočet a predikce hladin glukózy u diabetických pacientů, testujeme knihovnu PaGMOpro tento konkrétní úkol. S využitím tří scénářů testujeme jednotlivé algoritmy PaGMO a porovnáváme je s našimi dřívějšími výsledky, které jsme získali pomocí de-randomizované meta diferenciální evoluce. Všechny testovací scénáře se zabývají skutečným případem zpracování signálu systému kontinuálního monitorování glukózy. Konkrétně se zabýváme rekonstrukcí a predikcí signálu.The PaGMO framework offers several optimizationalgorithms to determine optimal parameters of a black-boxmodel. Such a model could be, for example, that for glucose homeostasis. As we are concerned about calculating and predicting glucose levels for diabetic patients, we evaluate the PaGMO framework for this particular task. Using three scenarios, we test PaGMO’s individual algorithms and compare them to ourprevious results, which we obtained with de-randomized Meta-Differential Evolutions. All testing scenarios address real aspectsof processing a signal of the continuous glucose monitoring system. Specifically, we address signal reconstruction and prediction.