Takviyeli öğrenme ve açıklanabilir yapay zeka ile sanal kan şekeri izleme sisteminin geliştirilmesi
Development of a virtual blood glucose monitoring system using reinforcement learning and explainable artificial intelligence
- Tez No: 1016569
- Danışmanlar: DOÇ. DR. SERDAR SOLAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kan şekeri, Yapay zeka, Zaman serileri analizi, Artificial intelligence, Time series analysis
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diyabette kan glukoz düzeylerinin dengede tutulması; beslenme, fiziksel aktivite, stres ve tedavi uygulamaları gibi çok sayıda etkileşimli faktöre bağlı, dinamik bir süreçtir. Sürekli glukoz izleme sistemleri ve makine öğrenmesindeki ilerlemeler kısa vadeli glukoz tahminlerini iyileştirmiş olsa da, metabolik dinamikleri daha iyi temsil edecek sinyal ön işleme yöntemleri ile tahmin modellerinin önleyici müdahale stratejileriyle bütünleştirilmesi halen sınırlıdır. Bu çalışmada, yalnızca araştırma amaçlı bir karar destek çerçevesi önerilmektedir. Çerçeve; üstel bozunum tabanlı sinyal ön işleme, evrişimsel sinir ağı (CNN) ile kısa vadeli glukoz tahmini, SHAP tabanlı özellik atfı ve aktör– eleştirmen pekiştirmeli öğrenme (RL) ajanını bir araya getirmektedir. Kompakt CNN modeli glukoz tahmini üretirken, SHAP analizi en etkili girdileri belirlemekte ve bu bilgiler, sınırlı ve tek adımlı davranışsal ayarlamalar öneren RL ajanını yönlendirmektedir. SHAP rehberli RL yaklaşımının belirsizliği nedeniyle sistem klinik kullanım için uygun olmayıp simülasyon amaçlıdır. OhioT1DM veri kümesi üzerinde yapılan deneylerde, önerilen model hasta başına 74 KB model boyutu ve bir dakikadan kısa eğitim süresiyle, farklı tahmin ufuklarında güncel yöntemlerle karşılaştırılabilir RMSE performansı elde etmiştir. Beş ila yirmi dakikalık tahminlerde öngörülerin %98'inden fazlası Clarke Grid hatasının A ve B bölgelerinde yer almıştır. Önleyici bileşen, hedef aralığa yakın durumlarda vakaların %25'inde hiperglisemi ve hipoglisemiyi 10 dakika içinde düzeltebilmiştir. Bu çalışma, tahmin doğruluğu, uyarlanabilirlik ve şeffaflığı birleştirerek, açıklanabilir ve kişiselleştirilmiş dijital sağlık sistemlerine yönelik yenilikçi bir yaklaşım sunmaktadır.
Özet (Çeviri)
Maintaining stable blood glucose in diabetes is a dynamic process shaped by diet, physical activity, stress, and medication. Although advances in continuous glucose monitoring and machine learning have improved short-term glucose prediction, signal preprocessing to better capture metabolic dynamics and the integration of predictive models with proactive intervention strategies remain limited. We present a research-only decision-support framework that combines exponential signal preprocessing, CNN-based glucose prediction, SHAP feature attribution, and an actor– critic reinforcement learning agent. A compact CNN forecasts short-term glucose levels, SHAP identifies the most influential inputs, and these attributions guide an RL agent that recommends bounded, single-step behavioral adjustments. Due to uncertainty in SHAPguided RL, the framework is intended for simulation and not for clinical use. Experiments on the OhioT1DM dataset show state-of-the-art RMSE across multiple prediction horizons with a model size of 74 KB per patient and training time under one minute. Over 98% of predictions fall within Clarke Error Grid Zones A and B for 5–20- minute forecasts. The preventive module corrected hyper- and hypoglycemia in 25% of cases within 10 minutes when predictions were near the target range (80–120 mg/dL ±10 mg/dL), and otherwise reduced deviations. This work advances diabetes decision support by unifying accurate prediction, adaptive intervention, and transparency, and by leveraging Shapley values not only for interpretability but also to guide reinforcement learning toward personalized digital health tools.
Benzer Tezler
- Sepsis management in icu using explainable reinforcement learning
Açıklanabılır pekıştirmeli öğrenme ile yoğun bakımda sepsıs yönetımi
MEHMET GÜLDEN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RÜŞTÜ MURAT DEMİRER
- Explainable ai and optimization theory based wireless radio resource management
Açıklanabilir yapay zeka ve optimizasyon teorisine dayalı kablosuz radyo kaynak yönetimi
NASIR KHAN
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SİNEM ÇÖLERİ
- Reinforcement learning for automatic ground collision avoidance system of fighter jets: sequential maneuver primitive approach
Savaş jetlerinin otomatik yer çarpışmasından kaçınma sistemi için pekiştirmeli öğrenme: sıralı manevra primitif yaklaşımı
FATİH EROL
Yüksek Lisans
İngilizce
2025
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRİ ACAR
- Advanced 3D face anti-spoofing system using hybrid deep neural network and optimization techniques
Hibrit derin sinir ağı ve optimizasyon tekniklerini kullanan gelişmiş 3B yüz sahtekarlığını önleme sistemi
MOHAMMED KAREEM HUSSEIN HUSSEIN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Çoklu etmen mimarisi ve takviyeli öğrenme
Multi agent architecture and reinforcement learning
MEHMET HACIBEYOĞLU
Yüksek Lisans
Türkçe
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARSLAN