Tip 1 diyabet (T1DM) hastaları için optimum glikoz kontrolü
Optimum glucose control for type 1 diabetes (T1DM) patients
- Tez No: 1025882
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET LATİF LEVENT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Endokrinoloji ve Metabolizma Hastalıkları, Halk Sağlığı, Electrical and Electronics Engineering, Endocrinology and Metabolic Diseases, Public Health
- Anahtar Kelimeler: Makine öğrenmesi, PD kontrol, PI denetleme, PID, PID denetleme, Yapay zeka ve makine öğrenmesi dersi, Machine learning, PD control, Proportional integral, PI control, PID, PID control, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Hakkari Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tip 1 diyabet hastalarında kan glikoz seviyesinin güvenli sınırlar içerisinde tutulması, yaşam kalitesinin artırılması ve uzun vadeli komplikasyonların önlenmesi açısından kritik öneme sahiptir. Günümüzde yapay pankreas sistemleri ve kapalı çevrim insülin kontrol yaklaşımları bu amaçla yaygın olarak araştırılmaktadır. Bu çalışmada, kan glikoz regülasyonunun iyileştirilmesi amacıyla PID tabanlı bir kontrol yapısının parametre optimizasyonu makine öğrenmesi algoritmaları kullanılarak gerçekleştirilmiştir. Çalışmanın ilk aşamasında PID denetleyicinin oransal kazanç (Kp) değeri, integral ve türev kazançları sıfır kabul edilerek farklı makine öğrenmesi regresyon algoritmaları yardımıyla optimize edilmiştir. Daha sonra bulunan optimum Kp değeri sabit tutularak integral kazanç (Ki) parametresi araştırılmış ve sistem dinamikleri üzerinde kararsızlığa neden olduğu gözlemlenmiştir. Bu nedenle kontrol yapısı PD kontrol yaklaşımı ile devam ettirilmiştir. Son aşamada ise Kp sabit tutulup Ki = 0 seçilerek türev kazanç (Kd) parametresinin optimum değeri farklı makine öğrenmesi algoritmaları kullanılarak belirlenmiştir. Optimizasyon sürecinde Extra Trees, Gradient Boosting, Random Forest, Support Vector Regression (SVR) ve Polynomial + Ridge regresyon algoritmaları kullanılmıştır. Algoritmaların performansı MAE, RMSE ve R² gibi istatistiksel ölçütler kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre en yüksek tahmin doğruluğu Extra Trees ve SVR algoritmalarında elde edilmiştir. Modeller tarafından belirlenen optimum türev kazanç değerleri genel olarak Kd ≈ 35–42 aralığında yoğunlaşmıştır. Belirlenen optimum parametreler UVa/Padova Tip 1 Diyabet Simülatörü kullanılarak doğrulanmış ve adult#001 sanal hasta modeli üzerinde kan glikoz dinamikleri incelenmiştir. Simülasyon sonuçları, makine öğrenmesi algoritmaları tarafından tahmin edilen kan glikoz risk indeksi (BGRI) değerleri ile gerçek simülasyon sonuçları arasında yüksek uyum olduğunu göstermiştir. Tüm modeller için hata oranının %5'in altında olduğu görülmüş ve sistemin stabil çalıştığı doğrulanmıştır. Elde edilen sonuçlar, makine öğrenmesi tabanlı optimizasyon yöntemlerinin yapay pankreas sistemlerinde kullanılan kontrol parametrelerinin belirlenmesinde etkili ve güvenilir bir yaklaşım sunduğunu göstermektedir.
Özet (Çeviri)
Maintaining blood glucose levels within safe limits in patients with Type 1 Diabetes Mellitus (T1DM) is critical for improving quality of life and preventing long-term complications. In recent years, artificial pancreas systems and closed-loop insulin delivery strategies have attracted significant research interest for achieving effective glucose regulation. In this study, the optimization of a PID-based control structure for blood glucose regulation is performed using machine learning algorithms. In the first stage of the study, the proportional gain (Kp) of the PID controller was optimized while the integral and derivative gains were set to zero. Several machine learning regression algorithms were employed to determine the optimal Kp value. In the second stage, the integral gain (Ki) was investigated while keeping the optimal Kp constant. However, simulation results indicated that the integral component caused instability in the system dynamics. Therefore, the control strategy was continued using a PD control structure. In the final stage, with Kp fixed and Ki set to zero, the optimal derivative gain (Kd) was determined using different machine learning algorithms. During the optimization process, Extra Trees, Gradient Boosting, Random Forest, Support Vector Regression (SVR), and Polynomial + Ridge regression algorithms were utilized. The performance of these algorithms was evaluated using statistical metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R²). The results showed that the Extra Trees and SVR algorithms achieved the highest prediction accuracy. The optimal derivative gain values obtained from the models were generally concentrated in the range of Kd ≈ 35–42. The optimized controller parameters were validated using the UVa/Padova Type 1 Diabetes Simulator, and glucose dynamics were analyzed on the adult#001 virtual patient model. Simulation results demonstrated strong agreement between the predicted Blood Glucose Risk Index (BGRI) values and the actual simulation outcomes. The prediction error for all models remained below 5%, confirming the reliability of the proposed optimization approach. The findings indicate that machine learning-based optimization methods provide an effective and reliable framework for determining control parameters in artificial pancreas systems and closed-loop glucose regulation applications.
Benzer Tezler
- Tip 1 diyabet (T1DM) hastaları için glikoz kontrol algoritmalarının geliştirilmesi
Development of glucose control algorithms for type 1 diabetes mellitus (T1DM) patients
NİHAT ÇANKAYA
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER AYDOĞDU
DR. ÖĞR. ÜYESİ SELİM SOYLU
- Tip 1 diyabet hastalığı olan çocuklarda mandibular kemik kalite ve mikromimarisinin fraktal analiz ve radyomorfometrik indekslerle değerlendirilmesi
Evaluation of mandibular bone quality and microarchitecture in children with type 1 diabetes with fractal analysis and radiomorphometric indexes
NAZLI ŞENGEL
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiBolu Abant İzzet Baysal ÜniversitesiPedodonti Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ SILA ÖZDEMİR ÇELİK
DR. ÖĞR. ÜYESİ NİHAL ALTUNOK ÜNLÜ
- LADA ve klasik tip 1 diyabetes mellitus'lu hastaların fenotipik, metabolik ve klinik özelliklerinin karşılaştırılması
Comparison of phenotypic, metabolic and clinical features between lada and classical TYPE 1 diabetes mellitus patients
NUR İLDENİZ UYANIK
Tıpta Uzmanlık
Türkçe
2022
Endokrinoloji ve Metabolizma HastalıklarıSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. YÜKSEL ALTUNTAŞ
- Tip 1 diyabetes mellitus vakalarında sistemik immün inflamasyon indeksi ve klinik korelasyonu
Systemic immune-inflammation index and its clinical correlation in type 1 diabetes mellitus cases
ESMA BEKECE
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. HASAN ÖNAL
- Investigation of diabetic nephropathy and its risk factors with type 1 and type 2 diabetes patients in Karbala city
Kerbala ilinde tip 1 ve tip 2 diyabetli hastalarda diyabetik nefropatinin ve risk faktörlerinin araştırılması
AHMED SALEH OBAID ALANISI
Yüksek Lisans
İngilizce
2022
BiyokimyaÇankırı Karatekin ÜniversitesiKimya Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED ALTUN
PROF. DR. MOHAMMED ASSAD SALEH ALKABI