Kalman Smoothing

Kalman Smoothing คือเทคนิคทางคณิตศาสตร์ที่ใช้ในการ "ปรับค่าข้อมูลย้อนหลัง" เพื่อให้ข้อมูลที่เรามี “นิ่ง” และ “แม่นยำ” มากขึ้น โดยเฉพาะในกรณีที่ข้อมูลนั้นมาจากเซ็นเซอร์หรือสภาพแวดล้อมที่มี noise (สัญญาณรบกวน) เช่น:

• ข้อมูลจาก CGM (เครื่องตรวจน้ำตาลต่อเนื่อง)

• ข้อมูลชีพจร ความดัน หรือ GPS

• ข้อมูลเวลาจริงที่มีความผันผวนสูง

---

🔍 ความแตกต่าง:

เทคนิคลักษณะ	Kalman Filter	Kalman Smoothing
การคาดการณ์	คาดค่าล่วงหน้าแบบ real-time (เฉพาะอนาคต)	ปรับค่าทั้ง “อนาคต” และ “ย้อนหลัง” ได้
ความแม่นยำ	ดีในช่วงเวลานั้น ๆ	ดีกว่า เพราะใช้ข้อมูลทั้งอดีตและอนาคตมาปรับ
เหมาะกับ	ระบบที่ต้องตอบสนองเร็ว	การเตรียมข้อมูลเพื่อฝึกโมเดล AI

🧠 ตัวอย่างแบบเข้าใจง่าย:

สมมติว่าเรามีข้อมูลระดับน้ำตาลเป็นแบบนี้:

CopyEdit120, 135, 210, 125, 130, 128

ตัวเลข "210" ดูผิดปกติมาก ซึ่งอาจเกิดจากสัญญาณรบกวนใน CGM

Kalman Smoothing จะมาช่วย “ดูข้อมูลรอบข้าง” แล้วประเมินว่า “ตัวเลขนี้น่าจะผิดนะ” และปรับให้กลมกลืน เช่น

scssCopyEdit120, 135, 132 ← (แทน 210), 125, 130, 128

📌 ในโปรเจค DiabetesGuardian:

Kalman Smoothing ถูกใช้เพื่อ ปรับข้อมูลน้ำตาลที่ได้จาก CGM ให้เสถียร ก่อนนำไปพยากรณ์ด้วย LSTM เพื่อให้ผลลัพธ์แม่นยำมากขึ้น และลดความผิดพลาดจากสัญญาณรบกวนหรืออุปกรณ์