Analýza a predikce chování krevní glukózy s pomocí strojového učení
Analysis and prediction of blood glucose dynamics using Machine learning techniques
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Ladislav Floriš
Vedoucí práce
Vašata Daniel
Oponent práce
Petr Ivo
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce 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 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.
Kolekce
- Bakalářské práce - 18105 [292]