Analýza a predikce chování krevní glukózy s pomocí strojového učení

Abstract

Tato bakalářská práce se zabývá problematikou predikce hladiny glukózy v krvi u pacientů s diabetem typu 1. V naši práci nejprve analyzujeme změny koncentrace glukózy v krvi, a poté zkoumáme a vyhodnocujeme vhodné modely pro jeji predikci. Zaměřili jsme se na modely založené na umělých neuronových sitich a support vector machines. Tyto modely byly experimentálně hodnoceny na 30minutovém, 1hodinovém a 2hodinovém predikčnim horizontu. Data použitá v této práci byla shromážděna jednim pacientem po dobu 128 dnů a obsahuji hodnoty krevni glukózy, dávky inzulinu, přijem sacharidů a fyzickou aktivitu. Přesnost modelu byla hodnocena pomoci Root Mean Square Error (RMSE). K měřeni klinické přesnosti byla použita Clarke error grid analýza. Nejlepši dosažená RMSE byla 17,06 mg/dl, 24,32 mg/dl a 27,11 mg/dl pro 30minutový, 1hodinový a 2hodinový predikčni horizont. Naše výsledky ukazuji, že je možné vyvinout modely pro predikci krevni glukózy použitelné v praxi. Na rozdil od většiny praci věnujicich se predikci krevni glukózy, jsme použili delši soubor dat, shromážděný po dobu 4 měsiců. Nakonec jsme dataset veřejně zpřistupnili pro dalši výzkum v této oblasti.

This bachelor thesis tries to address the problem of predicting blood glucose (BG) levels of type 1 diabetes (T1D) patients. In our work, we first analyze BG dynamics and then research and evaluate suitable models for its prediction. We focused on models based on artificial neural networks, and support vector machines. These models were experimentally evaluated on 30-minute, 1-hour, and 2-hours prediction horizons. The data used in this thesis was collected by one patient for 128 days in free-living conditions and contains BG levels, insulin doses, carbohydrate intake, and physical activity. Model performance was assessed using Root Mean Square Error (RMSE). Clarke error grid analysis was used to measure clinical accuracy. The best RMSE achieved was 17,06 mg/dl, 24,32 mg/dl, and 27,11 mg/dl respectively for 30-minute, 1-hour, and 2-hours prediction horizons. Our results show that it is possible to develop models for BG prediction which perform well in free-living conditions. Unlike most of the other papers in the academic literature on BG prediction, we used a longer dataset containing over 4 months' worth of data for a single patient. Lastly, we made this dataset publicly available for further research in this area.