Predikce hladiny glukózy v krvi u diabetes mellitus 1. typu: Přístupy souboru využívající přímé a opakované metody pro vícestupňovou prognózu
Blood Glucose Level Prediction for Type 1 Diabetes Mellitus: Ensemble Approaches Utilizing Direct and Iterated Methods for Multi-Step Forecasting
Typ dokumentu
disertační prácedoctoral thesis
Autor
Kyriaki-Maria Saiti
Vedoucí práce
Macaš Martin
Oponent práce
Welzer Družovec Tatjana
Studijní obor
Umělá inteligence a biokybernetikaStudijní program
Elektrotechnika a informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce s názvem " Predikce glykémmie pro Diabetes Mellitus 1. typu: Kombinace prediktivních modelů využivajících přímé a interované metody pro předpovídání více kroků dopředu" uvádí a komplexní tudie o predikci hladiny glukózy v krvi u pacinetů s diabetem 1 Mellitus. Naše práce je založena jak na datech in vivo, tak na simulovaných souborech dat. Vstupy do našeho modely zahrnovaly hladiny glukózy v krvi, bazální inzulín, bolusový inzulín, příjem sacharidů a hodina dne. Použili jsme jak přímou, tak iterovanou verzi dvou robutních predikčních algoritmů: Lineární model (LM) a podpůrná vektorová regrese (SVR). Navrhli jsme a vyhodnotili tři souborové rámce: lineární metamodel, metamodel pytlování a posilování meta-model. Tyto metody si získaly značný zájem vědecké komunity díky jejich schopnosti zlepšit přesnost předpovědí kombinací silných stránek více modelů. U bolusového inzulinu jsme jej použili jako impulsní signála a simulovali jeho absorpci model s otevřenou přihradkou. Tento přístup nám umožnil zachytit dynamiku inzulínu vstřebávání v těle, což je klíčové pro přesnou předpověd hladiny glukozy v krvi. Naše výsledky ukázaly, že iterovaný metamodel Bagging v kombinaci s otevřený partment model pro bolusovou simulaci inzulinu, překonal ostatní souborové rámce. Práce je rozdělena do sedmi katol. Kapitola 1 poskytuje přehled sis, včentě prohášení o problémů, cílů a přínosů výzkumu. Kapitola 2 shrnuje relevantní literaturu o léčbě diabetu, predikci hladiny glukózy v krvi a metody. Kapitola 3 přestavuje cíle výzkumu a přínost pro diabetes. Kapitola 4 podrobně popisuje implementaci, experimentální nastavení a analýza dat. Kapitola 5 popisuje přímé versus opakované meotddy pro stanovení hladiny glukózy v krvi. Kapitola 6 uzavírá práci shrnutím klíčových dobů. Kapitola 7 shrnuje základní výstupy, poskytuje přehled pro další rozšiřitelnost a nabízí doporuční pro budoucí práci. This thesis, titled “Blood Glucose Level Prediction for Type 1 Diabetes Mellitus: Ensemble Approaches Utilizing Direct and Iterated Methods for Multi-Step Forecasting,” presents a comprehensive study on the prediction of blood glucose levels in patients with Type 1 Diabetes Mellitus. Our work is based on both in vivo data and simulated datasets. The inputs to our models included blood glucose levels, basal insulin, bolus insulin, carbohydrate intakes, and the hour of the day. We applied both direct and iterated versions of two robust prediction algorithms: the Linear Model (LM) and the Support Vector Regression (SVR). We proposed and evaluated three ensemble frameworks: the Linear meta-model, the Bagging meta-model, and the Boosting meta-model. These methods have garnered significant interest from the scientific community due to their ability to improve the accuracy of predictions by combining the strengths of multiple models. For the bolus insulin, we used it as an impulse signal and simulated its absorption using an open compartment model. This approach allowed us to capture the dynamics of insulin absorption in the body, which is crucial for accurate blood glucose level prediction. Our results showed that the iterated Bagging meta-model, combined with an open compartment model for bolus insulin simulation, outperformed the other ensemble frameworks. Specifically, when applied in vivo for patient 2, the iterated Bagging-meta model demonstrated superior performance. The Root Mean Square Error (RMSE) was recorded at 15.47 mg/dL for a 60-minute ahead prediction horizon, and the percentage in Region A according to Clarke’s Error Grid Analysis (CEGA) was found to be 95.37%. This finding underscores the potential of ensemble methods and compartment models in improving the accuracy of blood glucose level predictions. The thesis is organized into seven chapters. Chapter 1 provides an overview of the thesis, including the problem statement, objectives, and contributions of the research. Chapter 2 reviews relevant literature on diabetes management, blood glucose prediction, and ensemble methods. Chapter 3 presents the research objectives and the contribution to diabetes management and healthcare. Chapter 4 details the implementation, experimental setup, and data analysis. Chapter 5 describes the direct versus iterated methods for blood glucose level multi-step ahead forecasts. Chapter 6 concludes the thesis by summarizing key points and emphasizing the research’s contributions. Chapter 7 summarizes the basic outcomes, provides insights for further extensibility, and offers recommendations for future work. In conclusion, we believe that our findings will pave the way for future research in this area, particularly with regard to the use of ensemble methods, compartment models, and the incorporation of various physiological signals as inputs to the models.
Zobrazit/ otevřít
Kolekce
- Disertační práce - 13000 [697]