Yapay zeka tabanlı non-ınvazıv kan şekeri ölçümü
Artificial intelligence-based non-invasive blood glucose measurement
- Tez No: 902626
- Danışmanlar: DR. ÖĞR. ÜYESİ ÜMİT ŞENTÜRK, PROF. DR. KEMAL POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 54
Özet
Kan şekeri seviyelerinin tahmini, diyabetin etkili yönetiminde kritik bir görevdir. Çalışma, Fotopletismografi (PPG) sinyallerini kullanarak kan şekeri seviyelerini tahmin etmek için CatBoost, XGBoost ve ekstra ağaç regresör gibi makine öğrenimi modellerinin gücünden, SHAP değerleri ve karışıklık matrisi gibi açıklanabilir yapay zeka teknikleriyle birlikte yararlanmaya odaklanıyor. Bu araştırmada oluşturulan veri seti, PPG sinyallerinden glikoz tahmini için dikkatlice seçilmiştir. Etik kurul onayı alınarak çalışma süresi boyunca Abant İzzet Baysal Üniversitesi Dahiliye bölümüne diyabet şikâyeti için gelen 50 kişiden alınan verilerden oluşmaktadır. Her bireyin bilgileri, laboratuvar glikoz ölçümlerini ve yaklaşık bir dakikalık kaydedilen parmak PPG sinyallerini içerir. Test edilen çeşitli makine öğrenimi modelleri arasında CatBoost, kan şekeri seviyelerini tahmin etmede en iyi performansı gösteren model olarak ortaya çıktı. CatBoost modeli, 0.7191'lik etkileyici bir determinasyon katsayısı (R²) metriğine ve 25.21'lik ortalama mutlak hataya (MAE) ulaşarak glikoz seviyesi tahminlerindeki verimliliğini ve doğruluğunu ortaya koydu. Özellik önemi analizi, CatBoost ile oluşturulan tahmin modelinde medyan fark ve basıklık gibi belirli özelliklerin önemini vurgulayarak bunların kan şekeri seviyelerinin belirlenmesindeki önemli rolünün altını çizdi. Açıklanabilir yapay zeka tekniklerinin dahil edilmesi, tahmine dayalı modellerin yorumlanabilirliğini ve şeffaflığını arttırdı. SHAP değerlerini ve karışıklık matrisini kullanarak çalışma, tahminleri etkileyen faktörlere ilişkin değerli bilgiler sunarak modellerin karar verme sürecinin daha derinlemesine anlaşılmasını kolaylaştırdı. Sonuç olarak bu araştırma, PPG sinyallerinden kan şekeri seviyelerinin tahmin edilmesinde makine öğrenimine dayalı yaklaşımların potansiyelini vurgulamaktadır. CatBoost gibi gelişmiş modellerden yararlanan ve açıklanabilir yapay zeka yöntemlerini kullanan bu çalışma, doğru, invaziv olmayan ve veriye dayalı tahmine dayalı metodolojiler yoluyla gelişmiş diyabet yönetiminin yolunu açıyor. ANAHTAR KELİMELER: Kan Şekeri Tahmini, Fotopletismografi, Makine Öğrenmesi, SHAP, Açıklanabilir Yapay Zeka
Özet (Çeviri)
Prediction of blood sugar levels is a critical task in the effective management of diabetes. The study focuses on leveraging the power of machine learning models such as CatBoost, the dataset created in this research was carefully selected for glucose estimation from PPG signals. It consists of data obtained from 50 people who came to Abant İzzet Baysal University Internal Medicine Department with diabetes complaints during the study period, with ethics committee approval. Information for each individual includes laboratory glucose measurements and approximately one minute of recorded finger PPG signals. Among the various machine learning models tested, CatBoost emerged as the best-performing model for predicting blood sugar levels. The CatBoost model demonstrated its efficiency and accuracy in glucose level predictions by achieving an impressive coefficient of determination (R²) metric of 0.7191 and a mean absolute error (MAE) of 25.21. Feature importance analysis highlighted the importance of certain features, such as median difference and kurtosis, in the prediction model built with CatBoost, underlining their important role in determining blood glucose levels. The inclusion of explainable AI techniques increased the interpretability and transparency of predictive models. Using SHAP values and the confusion matrix, the study facilitated a deeper understanding of the models' decision-making process by providing valuable insight into the factors influencing the predictions. In conclusion, this research highlights the potential of machine learning-based approaches in predicting blood glucose levels from PPG signals. Leveraging advanced models such as CatBoost and employing explainable artificial intelligence methods, this study paves the way for improved diabetes management through accurate, non-invasive, and data-driven predictive methodologies. KEYWORDS: Blood Sugar Prediction, Photoplethysmography, Machine Learning, SHAP, XAI
Benzer Tezler
- Sayısal haritalama teknikleri kullanılarak DNA dizilimleri üzerinden lösemi hastalığının temel türlerinin yapay zeka tabanlı algoritmalar ile sınıflandırılması
Classification of main types of leukemia disease with artificial intelligence-based algorithms on the DNA sequences using digital mapping techniques
FATMA AKALIN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Artificial intelligence assisted drop pattern analysis and RNAseq profiling for early diagnosis and follow-up of bladder cancer
Mesane kanserinin erken tanı ve takibinde yapay zeka destekli damla motif analizi ve RNAseq profilleme
RAMİZ DEMİR
Doktora
İngilizce
2023
Moleküler TıpKoç ÜniversitesiHücresel ve Moleküler Tıp Ana Bilim Dalı
PROF. DR. DEVRİM GÖZÜAÇIK
- Gömülü sistem tabanlı, nabız oksimetre senkronlu, yeni nesil oksijen konsantratör tasarımı, gerçekleştirilmesi ve bulanık mantık ile kontrol modeli
Embedded system based, pulse oximeter synchronized, new generation oxygen concentrator design, implementation and control model with fuzzy logic
ŞERAFETDİN BALOĞLU
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL SARITAŞ
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR