Vylepšení modelů pro predikci hladiny cukru v krvi
Improving blood glucose level prediction models
Typ dokumentu
diplomová prácemaster thesis
Autor
Ladislav Floriš
Vedoucí práce
Vašata Daniel
Oponent práce
Starosta Štěpán
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra aplikované matematikyPráva
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 adresuje problém predikce hladiny glukózy v krvi u pacientů s diabetem 1. typu. Pro účel predikce byli aplikovány modely založené na Transformer architektuře a Legendre Memory Units (LMU). Aplikace LMU je v této práci taky první použití těchto modelů pro účel predikce hladiny glukózy v krvi. Modely predikovali budoucí hodnoty hladiny glukózy na základě vícerozměrných časových řad na vstupu a byli experimentálně hodnoceny na 30minutovém a 60minutovém predikčním horizontu. Modely byly trénovány a hodnoceny na datasetu OhioT1DM, který obsahuje osm týdnů dat od 12 různých pacientů. Dataset se skládá ze 2 edic, které byly vydány v letech 2018 a 2020. Přesnost modelů byla hodnocena pomocí Root Mean Square Error (RMSE) a k vyhodnocení klinické přesnosti byla použita Clarke error grid analýza. LMU dosáhly RMSE 18.17 mg/dl pro 30minutový horizont a 30.33 mg/dl pro 60minutový horizont v edici OhioT1DM z roku 2018. V edici z roku 2020 byly RMSE 18.56 mg/dl a 32.57 mg/dl. Bylo prokázáno, že LMU dosahují, a na menších datasetech (edice OhioT1DM 2018), dokáží i překonat stávající state-of-the-art modely. This work addresses the task of predicting blood glucose levels in patients with type 1 diabetes. Models based on Transformer architecture and Legendre Memory Units (LMU) were explored. The application of LMUs in this work represents their first use for blood glucose level prediction. Employing multivariate time series, predictions are made with 30-minute and 60-minute horizons. Models were trained and evaluated using the OhioT1DM dataset, which includes eight weeks of data from 12 distinct patients. The dataset consists of two editions, released in 2018 and 2020. Performance was measured using Root Mean Square Error (RMSE), and Clarke Error Grid Analysis was utilized to evaluate clinical accuracy. LMUs achieved an RMSE of 18.17 mg/dl for the 30-minute horizon and 30.33 mg/dl for the 60-minute horizon, in the 2018 edition. In the 2020 edition, the RMSEs were 18.56 mg/dl and 32.57 mg/dl for the 30-minute and 60-minute horizons, respectively. LMUs were proven to match and, in smaller datasets (2018 edition of OhioT1DM), even outperform the state-of-the-art models.
Kolekce
- Diplomové práce - 18105 [194]