Geri Dön

Artificial ıntelligence based glucose prediction for type 1 diabetes

Tip 1 diyabet için yapay zeka tabanli glikoz tahmini

PDF İndir

  1. Tez No: 943102
  2. Yazar: ÖMER ATILIM KOCA
  3. Danışmanlar: DOÇ. DR. VOLKAN KILIÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Sürekli glikoz izleme verilerinin doğru bir şekilde tahmin edilmesi, etkili diyabet yönetimi için kritik öneme sahiptir ve bu durum, hipo ile hiperglisemik olayların azalmasına ve zamanında müdahalelere olanak tanır. Ancak, glikoz seviyelerinin karmaşık ve değişken doğası nedeniyle gelecekteki glikoz seviyelerini tahmin etmek zorlu bir görev olmaya devam etmektedir. Yapay zeka tabanlı modeller bu karmaşıklıkları ele almak için yaygın olarak uygulanmış olsa da, geleneksel modeller genellikle doğru tahmin için gerekli olan zamansal bağımlılıkları yakalama yeteneğinden yoksundur. Bu tez, gelişmiş derin öğrenme tabanlı tahmin modellerini kullanarak iki ana katkı bölümünde zorlukları ele almaktadır. İlk katkı, bir kodlayıcı-kod çözücü modeli olarak inşa edilen Dikkat Tabanlı Çok Katmanlı Geçitli Tekrarlayan Birimler (GRU) Kod Çözücüsünü tanıtmaktadır. Kodlayıcı, ham girdi verilerinden anlamlı özellikler çıkarmak için konvolüsyonel katmanlar içerirken, kod çözücü, sıralı kalıpları modellemek ve kritik bilgileri vurgulamak için bir dikkat mekanizmasına sahip çok katmanlı GRU kullanmaktadır. Bu kodlayıcı-kod çözücü modeli, glikoz seviyelerindeki kısa vadeli dalgalanmaları ve uzun vadeli eğilimleri etkili bir şekilde yakalamaktadır. Önerilen dikkat tabanlı çok katmanlı GRU modeli OhioT1DM veri kümesi üzerinde değerlendirilmiş ve deneysel sonuçlar önerilen modelin son teknoloji modellere göre avantajını ortaya koymaktadır. önerilen model ayrıca diyabet için glikoz tahmini gerçekleştirmek üzere GlucoWizard adlı özel tasarlanmış Android uygulamamıza da gömülmüştür. İkinci katkı, glikoz dinamiklerindeki karmaşık zamansal bağımlılıkları etkili bir şekilde yakalayan Trend Ağırlıklı Çoklu Çözünürlük Dönüştürücüsü (TW-MRT) modelini önermektedir. TW-MRT, ilgili glikoz trendlerine uyarlanabilir bir şekilde odaklanmak için bir trend ağırlıklandırma mekanizması sunarken, çok çözünürlüklü bir füzyon katmanı verileri değişen zaman ölçeklerinde işler. Bu entegre katman, modelin glikoz modellerini dinamik olarak ayarlamasına olanak tanıyarak tahmin doğruluğunu artırır. Ayrıca, önerilen model çok parametreli verileri entegre etmekte ve ilgili girdi değişkenlerine adaptif olarak öncelik vermek için bir özellik önem mekanizması kullanmaktadır. Önerilen model OhioT1DM veri setinde değerlendirilmiş ve çeşitli tahmin ufuklarında (PH) mevcut son teknoloji modellere kıyasla üstün performans göstermiştir. Ayrıca, bir ablasyon çalışması, model içindeki her bir bileşenin katkısını doğrulayarak, eğilim ağırlıklandırma mekanizmasının ve çok çözünürlüklü füzyonun tahmin performansını artırmadaki önemini ortaya koymaktadır. Sonuç olarak, bu tezde dikkat tabanlı çok katmanlı GRU ve dönüştürücülerin güçlü yönlerini kullanarak doğru glikoz tahmini zorluklarını ele alan iki gelişmiş derin öğrenme modeli tanıtılmıştır. Önerilen modeller, glikoz dinamiklerindeki karmaşık zamansal bağımlılıkları ve eğilimleri etkili bir şekilde yakalayarak mevcut modellere kıyasla çoklu ufuklarda üstün tahmin doğruluğu göstermektedir. Dikkat tabanlı çok katmanlı GRU modeli, özel olarak tasarlanmış GlucoWizard içine gömülmüştür. Android uygulaması, gerçek dünya senaryoları için pratik uygulanabilirliğini göstermektedir. Bu katkılar, glikoz tahmin teknolojilerinin ilerletilmesi için güvenilir bir temel sağlayarak diyabet yönetiminin ve hastaların yaşam kalitesinin iyileştirilmesine yol açmaktadır.

Özet (Çeviri)

Accurate glucose level prediction using continuous glucose monitoring data is crucial for effective diabetes management, enabling timely interventions to reduce hypo- and hyperglycaemic events. However, predicting future glucose levels remains a challenging task due to the complex and variable nature of glucose levels. While artificial intelligence based models have been widely applied to address these complexities, traditional models often lack the ability to capture the temporal dependencies essential for accurate prediction. This thesis has addressed the challenges in two main contribution chapters, using advanced deep learning-based prediction models. The first contribution introduces an attention-based multilayer gated recurrent units (GRU) Decoder, constructed as an encoder-decoder model. The encoder incorporates convolutional layers to extract meaningful features from raw input data, while the decoder employs multilayer GRU with an attention mechanism to capture sequential patterns and highlight critical information. This encoder-decoder model effectively captures short-term fluctuations and long-term trends in glucose levels. The proposed attention-based multilayer GRU model has been evaluated on the OhioT1DM dataset, and experimental results demonstrate the advantage of our proposed model over the state-of-the-art models. The proposed model is also embedded in our custom-designed Android application called GlucoWizard to perform glucose prediction for diabetes patients. The second contribution proposes the Trend-Weighted Multi-Resolution Transformer (TW-MRT) model that effectively captures the complex temporal dependencies in glucose dynamics. TW-MRT introduces a trend-weighting mechanism to adaptively focus on relevant glucose trends, while a multi-resolution fusion layer processes data across varying time scales. This integrated layer allows the model to dynamically adjust glucose patterns, enhancing its predictive accuracy. Additionally, the proposed model integrates multi-parametric data and employs a feature importance mechanism to adaptively prioritize relevant input variables. The proposed model was evaluated on the OhioT1DM dataset, demonstrating superior performance compared to existing state-of-the-art models across a range of prediction horizons. Furthermore, an ablation study confirms the contribution of each component within the model, demonstrating the importance of trend-weighting mechanism and multi-resolution fusion in improving predictive performance. In conclusion, this thesis has introduced two advanced deep learning models that address the challenges of accurate glucose prediction by employing the strengths of attention-based multilayer GRU and transformers. The proposed models effectively capture the complex temporal dependencies and trends in glucose dynamics, demonstrating superior predictive accuracy over multiple horizons compared to existing models. The attention-based multilayer GRU model was embedded in the custom-designed GlucoWizard Android application, demonstrating its practical applicability for real-world scenarios. These contributions provide a reliable basis for advancing glucose prediction technologies, leading to improved diabetes management and quality of life for patients.

Benzer Tezler

  1. Tez No

    684676

    Diyabetli hastalarda glikoz yoğunluğu'nun tahmin edilmesi için yapay zeka tabanlı bir karar destek sistemi tasarımı

    The design of an artificial intelligence based decision support system for prediction of glucose concentration in diabetes patients

    CANER OKUTKAN

    Doktora

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAKİR ESNAF

  2. Tez No

    902626

    Yapay zeka tabanlı non-ınvazıv kan şekeri ölçümü

    Artificial intelligence-based non-invasive blood glucose measurement

    GÖKHAN ADIGÜZEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBolu Abant İzzet Baysal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÜMİT ŞENTÜRK

    PROF. DR. KEMAL POLAT

  3. Tez No

    710528

    İntravenöz trombolitik ve mekanik trombektomi uygulanan akut iskemik inme olgularında yapay zeka yöntemleriyle prognoz tahminlemesi

    Prediction of clinical outcome by machine learning based models for intravenous thrombolytic and mechanical thrombectomy patients in acute ischemic stroke

    IRMAK SALT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    NörolojiSağlık Bilimleri Üniversitesi

    Nöroloji Ana Bilim Dalı

    UZMAN IŞIL KALYONCU ASLAN

    PROF. DR. EREN GÖZKE

  4. Tez No

    917470

    Kronik böbrek hastalığı ve diyabet için elektrokardiyogram üzerinden iyonik konsantrasyon tahmini

    Ionic concentration estimation from electrocardiogram for chronic kidney disease and diabetes

    SEBAHATTİN BABUR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET RECEP BOZKURT

    DR. ÖĞR. ÜYESİ SANAM MOGHADDAMNIA

  5. Tez No

    637326

    İleri zamanlı kan glikoz değeri tahmini

    Advanced time blood glucose value prediction

    ASİYE ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mühendislik BilimleriÇukurova Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET AYDIN

Geri Dön