拟议工作的重点是确定餐，运动，急性压力和睡眠（MESS）的最有用的变量，确定报告这些变量的选择传感器，并开发算法以检测烂摊子的发生，以区分它们和歧视它们和歧视。确定其特征。需要进行研究以确定哪种可穿戴设备报告了具有所需精度和准确性的混乱最有用和预测性的变量，确定佩戴它们以收集可靠和信息性数据的最佳位置，并从可穿戴传感器报告的数据中提取准确的知识。数据及其解释对于各种类型的体育活动，睡眠阶段以及急性压力的类型和强度以及同时发生混乱因素的方式应具有丰富的信息。

在研究的第一年中，研究人员将使用多种设备收集数据并评估其信息内容和对改善血清葡萄糖预测的贡献，最佳位置，用于收集准确可靠的信息以及用户接受。在项目的第二年中，我们将选择一个可穿戴设备，在家中进行其他临床和自由生活实验，以评估从可穿戴设备中的信息的贡献，以提高葡萄糖预测的准确性和性能多变量AP。

拟议研究的目标是确定最有用的变量和传感器位置，以捕获可靠，准确的信息，以补充葡萄糖浓度测量值（CGM）并开发算法，以确定在任何给定时间的锻炼，压力或睡眠的存在，以估算葡萄糖浓度并通过多变量人造胰腺系统做出控制决策。拟议的研究将通过实现以下特定目的来进行：

在实验室和家里进行标准化实验中的混乱因素，以分析其对葡萄糖浓度的影响和相互作用；确定最有用，最可靠的测量方法（例如，身体上的可穿戴传感器和位置类型）来区分混乱因素；建立定量关系以识别特定混乱活动的类型和特征，开发算法以检测特定混乱活动的存在，识别它们并实时使用递归模型预测葡萄糖浓度（用于将来与自适应AP控制系统集成） ;并在探索性临床实验期间，使用可穿戴设备的数据和CGM的数据评估多变量模型的性能。

这项研究将在3-4周内进行，共6次学习访问。将使用CGM（DEXCOM [US G5 Platinum]）连续监测受试者； 3以下活动监视器的活性； （Empatica E4，BioStampRC™，Equivital™Life Monitor）和Actigraph始终。此外，受试者将在整个3周期间使用睡眠监视器（Zmachine®Insight＆Insight＆Insight＆Insight+型号DT-200和Zephyr Bioharness）。在第一周，受试者将进行研究3次，在此期间，研究人员将在峰值运动压力测试（峰值V02）和最大肌肉强度（1-RM）测试中测量受试者的氧气和肌肉力量（1-RM）。 ， 分别。该测试的结果将建立一个基线，我们可以从中计算出次最大有氧运动和耐药性运动的强度。接下来的3个研究访问将在接下来的3-4周内进行。在此期间，受试者将执行仅产生生理和心理压力的活动，彼此组合或近端。妇女在收集数据的每一天之前将进行尿液妊娠检查。此外，受试者将在家中进行许多体育活动，并将与研究助理进行安排。研究助理将定期致电受试者，并让受试者进行压力大的活动，例如精神挑战。

• Turksoy K，Samadi S，Feng J，Littlejohn E，Quinn L，CinarA。1型糖尿病患者的膳食检测：多变量自适应人工胰腺控制系统的新模块。 IEEE J Biomed Health告知。 2016年1月； 20（1）：47-54。 doi：10.1109/jbhi.2015.2446413。 Epub 2015年6月16日。
• Eren-Oruklu M，Cinar A，Rollins DK，Quinn L.自适应系统识别，用于估计未来的葡萄糖浓度和低血糖警报。自动（OXF）。 2012年8月； 48（8）：1892-1897。 Epub 2012年6月22日。
• Turksoy K，Bayrak ES，Quinn L，Littlejohn E，Rollins D，CinarA。基于多变量模型的低血糖早期警报系统。 Ind Eng Chem Res。 2013年9月4日； 52（35）。 doi：10.1021/ie3034015。
• Bayrak ES，Turksoy K，Cinar A，Quinn L，Littlejohn E，RollinsD。基于递归自回旋的部分最小二乘模型的低血糖早期警报系统。 J糖尿病科学技术。 2013年1月1日； 7（1）：206-14。
• Turksoy K，Roy A，CinarA。基于实时模型的连续葡萄糖传感器测量的故障检测。 IEEE TRANS BIOMED ENG。 2017年7月; 64（7）：1437-1445。 doi：10.1109/tbme.2016.2535412。 EPUB 2016 2月25日。

纳入标准：

• 男性和女人的T1DM
• 18-60岁
• 胰岛素泵用户

排除标准：

• 代谢不稳定在前三个月内的糖尿病或其他与糖尿病相关并发症的住院或其他与糖尿病有关的并发症（例如，糖尿病性酮症酸中毒和降血糖癫痫发作）所证明。
• 严重的大血管疾病，严重的动脉疾病' target='_blank'>外周动脉疾病证明了这一点；心肌梗塞，心力衰竭，血栓栓塞疾病或不稳定的心绞痛的史；不受控制的高血压；异常静息心电；
• 最大运动应力测试，具有明显的Brady/Tachy心律不齐，异位节拍，束支块或急性缺血的迹象；
• 严重的微血管疾病，这是由威胁性增殖或非增殖性视网膜疾病的病史所证明的；肾脏疾病;
• 任何不受控制的非肌肉骨骼状况，都将限制受试者参加运动计划的能力（例如，慢性阻塞性气道疾病）；
• 肌肉骨骼状况，例如影响下肢强度和迁移率的神经系统或骨科条件（例如，中风；不敏感的脚）；
• 怀孕;
• 卫生保健从业人员对禁忌症进行判断的病历或身体障碍。

• 伊利诺伊理工学院
• 芝加哥大学

拟议工作的重点是确定餐，运动，急性压力和睡眠（MESS）的最有用的变量，确定报告这些变量的选择传感器，并开发算法以检测烂摊子的发生，以区分它们和歧视它们和歧视。确定其特征。需要进行研究以确定哪种可穿戴设备报告了具有所需精度和准确性的混乱最有用和预测性的变量，确定佩戴它们以收集可靠和信息性数据的最佳位置，并从可穿戴传感器报告的数据中提取准确的知识。数据及其解释对于各种类型的体育活动，睡眠阶段以及急性压力的类型和强度以及同时发生混乱因素的方式应具有丰富的信息。

在研究的第一年中，研究人员将使用多种设备收集数据并评估其信息内容和对改善血清葡萄糖预测的贡献，最佳位置，用于收集准确可靠的信息以及用户接受。在项目的第二年中，我们将选择一个可穿戴设备，在家中进行其他临床和自由生活实验，以评估从可穿戴设备中的信息的贡献，以提高葡萄糖预测的准确性和性能多变量AP。

拟议研究的目标是确定最有用的变量和传感器位置，以捕获可靠，准确的信息，以补充葡萄糖浓度测量值（CGM）并开发算法，以确定在任何给定时间的锻炼，压力或睡眠的存在，以估算葡萄糖浓度并通过多变量人造胰腺系统做出控制决策。拟议的研究将通过实现以下特定目的来进行：

在实验室和家里进行标准化实验中的混乱因素，以分析其对葡萄糖浓度的影响和相互作用；确定最有用，最可靠的测量方法（例如，身体上的可穿戴传感器和位置类型）来区分混乱因素；建立定量关系以识别特定混乱活动的类型和特征，开发算法以检测特定混乱活动的存在，识别它们并实时使用递归模型预测葡萄糖浓度（用于将来与自适应AP控制系统集成） ;并在探索性临床实验期间，使用可穿戴设备的数据和CGM的数据评估多变量模型的性能。

这项研究将在3-4周内进行，共6次学习访问。将使用CGM（DEXCOM [US G5 Platinum]）连续监测受试者； 3以下活动监视器的活性； （Empatica E4，BioStampRC™，Equivital™Life Monitor）和Actigraph始终。此外，受试者将在整个3周期间使用睡眠监视器（Zmachine®Insight＆Insight＆Insight＆Insight+型号DT-200和Zephyr Bioharness）。在第一周，受试者将进行研究3次，在此期间，研究人员将在峰值运动压力测试（峰值V02）和最大肌肉强度（1-RM）测试中测量受试者的氧气和肌肉力量（1-RM）。 ， 分别。该测试的结果将建立一个基线，我们可以从中计算出次最大有氧运动和耐药性运动的强度。接下来的3个研究访问将在接下来的3-4周内进行。在此期间，受试者将执行仅产生生理和心理压力的活动，彼此组合或近端。妇女在收集数据的每一天之前将进行尿液妊娠检查。此外，受试者将在家中进行许多体育活动，并将与研究助理进行安排。研究助理将定期致电受试者，并让受试者进行压力大的活动，例如精神挑战。

• Turksoy K，Samadi S，Feng J，Littlejohn E，Quinn L，CinarA。1型糖尿病患者的膳食检测：多变量自适应人工胰腺控制系统的新模块。 IEEE J Biomed Health告知。 2016年1月； 20（1）：47-54。 doi：10.1109/jbhi.2015.2446413。 Epub 2015年6月16日。
• Eren-Oruklu M，Cinar A，Rollins DK，Quinn L.自适应系统识别，用于估计未来的葡萄糖浓度和低血糖警报。自动（OXF）。 2012年8月； 48（8）：1892-1897。 Epub 2012年6月22日。
• Turksoy K，Bayrak ES，Quinn L，Littlejohn E，Rollins D，CinarA。基于多变量模型的低血糖早期警报系统。 Ind Eng Chem Res。 2013年9月4日； 52（35）。 doi：10.1021/ie3034015。
• Bayrak ES，Turksoy K，Cinar A，Quinn L，Littlejohn E，RollinsD。基于递归自回旋的部分最小二乘模型的低血糖早期警报系统。 J糖尿病科学技术。 2013年1月1日； 7（1）：206-14。
• Turksoy K，Roy A，CinarA。基于实时模型的连续葡萄糖传感器测量的故障检测。 IEEE TRANS BIOMED ENG。 2017年7月; 64（7）：1437-1445。 doi：10.1109/tbme.2016.2535412。 EPUB 2016 2月25日。

纳入标准：

• 男性和女人的T1DM
• 18-60岁
• 胰岛素泵用户

排除标准：

• 代谢不稳定在前三个月内的糖尿病或其他与糖尿病相关并发症的住院或其他与糖尿病有关的并发症（例如，糖尿病性酮症酸中毒和降血糖癫痫发作）所证明。
• 严重的大血管疾病，严重的动脉疾病' target='_blank'>外周动脉疾病证明了这一点；心肌梗塞，心力衰竭，血栓栓塞疾病或不稳定的心绞痛的史；不受控制的高血压；异常静息心电；
• 最大运动应力测试，具有明显的Brady/Tachy心律不齐，异位节拍，束支块或急性缺血的迹象；
• 严重的微血管疾病，这是由威胁性增殖或非增殖性视网膜疾病的病史所证明的；肾脏疾病;
• 任何不受控制的非肌肉骨骼状况，都将限制受试者参加运动计划的能力（例如，慢性阻塞性气道疾病）；
• 肌肉骨骼状况，例如影响下肢强度和迁移率的神经系统或骨科条件（例如，中风；不敏感的脚）；
• 怀孕;
• 卫生保健从业人员对禁忌症进行判断的病历或身体障碍。

• 伊利诺伊理工学院
• 芝加哥大学