Geri Dön

Akıllı insülin pompa yazılımlarının kişiselleştirilmesine yönelik yapay zeka destekli hasta modelleme

Artificial intelligence-supported patient modeling for personalization of smart insulin pump software

PDF İndir

  1. Tez No: 1012842
  2. Yazar: NAZLI YILDIZ
  3. Danışmanlar: PROF. DR. TÜLAY YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Haberleşme Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tip 1 diyabette kan glukozunun doğru tahmini, hipoglisemi ve hiperglisemi risklerini azaltıp yaşam kalitesini artırmak için kritiktir. Ancak glukoz dinamiklerinin karmaşık yapısı ve bireysel farklılıklar, gelişmiş modelleri gerekli kılmaktadır. Bu çalışmada, OhioT1DM veri seti ve DMMS.R simülasyonuyla üretilen sentetik veri setleri kullanılmıştır. Derin öğrenme modellerine yalnızca Sürekli Glukoz Ölçümleri (Continuous Glucose Monitoring - CGM) değil; Galvanik Cilt Tepkisi (Galvanic Skin Response - GSR), Cilt Sıcaklığı (Skin Temperature - ST), öğün, bolus ve bazal insülin ile egzersiz gibi sinyaller de dâhil edilerek, 5–60 dakika aralığındaki ufuklarda glukoz tahmini gerçekleştirilmiştir. Uzun Kısa Süreli Bellek (Long Short Term Memory - LSTM) ve Geçitli Tekrarlayan Birim (Gated Recurrent Unit - GRU) tabanlı modeller, adil karşılaştırma için aynı mimariyle eğitilmiş; sinyaller ön işlenmiş ve zaman serilerine uygun olarak, temel girdisi CGM verisi olan ve her sinyalin ayrıca dâhil edildiği ikili senaryolar oluşturulmuştur. Hastalara ait Ortalama Karekök Hatası (Root Mean Square Error - RMSE), Ortalama Mutlak Hata (Mean Absolute Error - MAE) ve sınıf tabanlı başarı yüzdelerinin ortalaması alınarak değerlendirme yapılmıştır. OhioT1DM veri setinde değerlendirmeler, eksik verinin ortalamaya etkisini göstermek ve literatürle tutarlı karşılaştırmalar yapabilmek amacıyla, hem tüm hastalar hem de ilgili senaryolarda eksiksiz veriye sahip hastalar üzerinden sunulmuştur. Sonuçlar, tahmin ufku arttıkça hatanın arttığını; hipoglisemi, normal ve hiperglisemi sınıflarında sınıf bazlı performansın azaldığını göstermektedir. OhioT1DM veri setinde ek sinyaller kısa vadede hata değerlerini genel olarak iyileştirmiş, orta vadede öğün bilgisi öne çıkmış, uzun vadede yalnızca CGM kullanan modeller daha düşük hata üretmiştir. DMMS.R veri setinde öğün bilgisi 10–60 dakikalık tahmin ufuklarında hatayı azaltırken, egzersiz verisi kısa ve orta vadede sınırlı katkı sağlamıştır. Ayrıca, GRU modelinin, ek sinyalleri LSTM'ye kıyasla daha iyi temsil ederek kısmen daha düşük hata ürettiği görülmüştür. Sonuç olarak, kan glukozu tahmininde model mimarisinden çok tahmin ufkuna uygun girdi seçiminin daha belirleyici olduğu gösterilmiş ve kişiselleştirilmiş diyabet yönetimine katkı sağlanmıştır.

Özet (Çeviri)

In type 1 diabetes, accurate prediction of blood glucose levels is critical for reducing the risks of hypoglycemia and hyperglycemia and improving quality of life. However, the complex nature of glucose dynamics and individual variations necessitate the use of advanced models. In this study, the OhioT1DM dataset and synthetic datasets generated using the DMMS.R simulation were utilized. Deep learning models were trained not only on Continuous Glucose Monitoring (CGM) data but also on but also signals such as Galvanic Skin Response (GSR), Skin Temperature (ST), meals, bolus and basal insulin, and exercise, to perform glucose prediction over time horizons ranging from 5 to 60 minutes. Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) based models were trained using the same architecture for a fair comparison; signals were preprocessed and organized into time series, and binary scenarios were created where the primary input was CGM data and each signal was additionally included. Evaluation was performed by averaging the patients' Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and class-based performance percentages. In the OhioT1DM dataset, evaluations were presented for both all patients and patients with complete data in the relevant scenarios to demonstrate the effect of missing data on the average and to enable comparisons consistent with the literature. The results show that error increases as the prediction horizon lengthens; class-based performance decreases in the hypoglycemia, normal, and hyperglycemia classes. In the OhioT1DM dataset, additional signals generally improved error values in the short term; meal information became prominent in the medium term; and in the long term, models using only CGM produced lower error. In the DMMS.R dataset, meal information reduced error in 10–60 minute prediction horizons, while exercise data provided limited contribution in the short and medium terms. Additionally, it was observed that the GRU model produced slightly lower error by representing additional signals more effectively compared to the LSTM. In conclusion, it was demonstrated that selecting inputs appropriate for the prediction horizon is more decisive than model architecture in blood glucose prediction, thereby contributing to personalized diabetes management.

Benzer Tezler

  1. Tez No

    488092

    Automated insulin pump design based on probabilistic prediction algorithm

    Olasılıksal tahmin algoritması tabanlı otomatik insülin pompası tasarımı

    HATİCE VİLDAN DÜDÜKÇÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

  2. Tez No

    512275

    Android tabanlı akıllı saatler için diyabet uygulaması

    Diabetes application for android based smart watches

    ÖMER PEKTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve Teknolojiİnönü Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT KÖSEOĞLU

  3. Tez No

    216715

    Biyomedikal uygulamalarında akıllı polimer kullanılması ve karakterizasyon yönteminin kuartz kristal mikro dengeleyici sistemler ile geliştirilmesi

    Smart polymers as in biomedical applications and improvement of characterization technique by qcms

    NAZLİ NADİRE SÖZMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    BiyomühendislikBaşkent Üniversitesi

    Biyoteknoloji Bölümü

    YRD. DOÇ. DR. DİLEK ÇÖKELİLER

  4. Tez No

    716222

    Diyabet hastaları için android tabanlı mobil uygulamanın geliştirilmesi

    Implementaton of android based mobile application for diabetes patients

    EBRAR SELVA URAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriKocaeli Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİNE BOLAT

  5. Tez No

    325591

    Identification of ptp1b dynamics using frequency response analysis

    Frekans yanıtı metodu ile ptp1b dinamiklerinin tanılanması

    DİLEK EREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    BiyomühendislikBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BURAK ALAKENT

Geri Dön