Tip 1 diyabet için derin öğrenme yaklaşımları ile kan şekeri tahmini
Forecasting of blood glucose level with deep learning approaches for Type 1 diabetes
- Tez No: 971878
- Danışmanlar: PROF. DR. SONGÜL VARLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay sinir ağları, Çok değişkenli regresyon, Artificial neural networks, Multivariate regression
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diyabet kronik bir hastalıktır ve dünya çapında yaklaşık 500 milyon kişiyi etkilemektedir. Tip-1 diyabetin kesin bir tedavisi olmadığı için ömür boyu takip etmeyi gerektiren bir hastalıktır. Kan şekeri kontrolünün, tip-1 diyabeti yönetmenin etkili bir yolu olduğu kabul edilmektedir. Sürekli Glikoz İzleme (CGM) Sistemleri ile kan şekerini izlemek daha kolay hale gelmektedir. Bu sistemler 1 veya 5 dakika sıklıkta kan şekerini ölçerek kaydetmektedir. Böylece hastaya ait kişiselleştirilmiş analizler yapılmasına olanak tanımaktadır. Tez çalışması kapsamında kan şekeri tahmini problemi üzerinde durulmuştur. Kan şekeri tahmini, bir zaman serisi analizi problemidir. Bu problemi çözmek için istatistiksel yöntemler ve derin öğrenme yöntemleri yaygın olarak kullanılmaktadır. Tez çalışmasında üç farklı derin öğrenme yöntemi; Yinelemeli Sinir Ağları (RNN), Kapılı Yinelemeli Birimler (GRU) ve Uzun Kısa Süreli Bellek (LSTM) tabanlı modeller oluşturulmuştur. Tez kapsamında geliştirilen modeller tip-1 diyabete sahip 12 hastadan oluşan OhioT1DM veri seti üzerinde analiz edilmiştir. Veri seti hasta bazında incelenerek yeni öznitelik çıkarımı araştırılmıştır. Derin öğrenme yöntemlerinde modele girdi olarak verilen geçmiş zaman bilgisinin performansa olan etkileri araştırılmıştır. Çalışma sonucunda 12 hastanın 30 dakika sonraki kan şekeri değeri tahmin edilmiştir. Sonuçlar Ortalama Hatanın Karekökü (RMSE) ve Ortalama Mutlak Hata (MAE) metrikleri kullanılarak değerlendirilmiştir. Gerçekleştirilen değerlendirmeler sonucunda en az hataya sahip geçmiş zaman adımı bilgisi olan 120 dakikalık geçmiş bilgisi ile modeller eğitilmiştir. Kullanılan veri seti üzerinde uygulanan teknikler ile en iyi yöntem olarak belirlenen LSTM modeli 13.89 MAE ve 20.21 RMSE hataları ile başarılı bir sonuca ulaşmıştır.
Özet (Çeviri)
Diabetes is a chronic disease, affecting around 500 million people worldwide. As there is no definitive cure for type-1 diabetes, it is a disease that requires lifelong follow-up. Blood glucose control is recognized as an effective way to manage type-1 diabetes. Monitoring blood glucose is becoming easier with Continuous Glucose Monitoring (CGM) Systems. These systems measure and record blood glucose at a frequency of 1 or 5 minutes. Thus, it allows personalized analysis of the patient. Within the scope of the thesis study, the problem of forecasting of blood sugar was emphasized. Blood glucose forecasting is a time series analysis problem. Statistical methods and deep learning methods are widely used to solve this problem. Three different deep learning methods in the thesis study; Models based on Recursive Neural Networks (RNN), Gated Recursive Units (GRU) and Long Short-Term Memory (LSTM) have been created. The models developed within the scope of the thesis were analyzed on the OhioT1DM dataset consisting of 12 patients with type-1 diabetes. The new feature extraction was investigated by examining the data set on a patient basis. In deep learning methods, the effects of past time step information given as input to the model on performance were investigated. As a result of the study, the blood glucose value of 12 patients after 30 minutes was forecasted. Results were evaluated using the Root Mean Error (RMSE) and Mean Absolute Error (MAE) metrics. As a result of the evaluations, the models were trained with the past time step information with the least errors, which is 120 minutes of history information. With the techniques applied on the data set used, the LSTM model, which was determined as the best method, was obtained good result with 13.89 MAE and 20.21 RMSE errors.
Benzer Tezler
- Artificial ıntelligence based glucose prediction for type 1 diabetes
Tip 1 diyabet için yapay zeka tabanli glikoz tahmini
ÖMER ATILIM KOCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN KILIÇ
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Akıllı insülin pompa yazılımlarının kişiselleştirilmesine yönelik yapay zeka destekli hasta modelleme
Artificial intelligence-supported patient modeling for personalization of smart insulin pump software
NAZLI YILDIZ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Ventriküler erken vuru ablasyonu planlanan hastalarda yapay öğrenme modellemesi kullanımı
Deep learning modeling in patients scheduled for premature ventricular contraction (PVC) ablation
HAKAN YALMAN
Tıpta Uzmanlık
Türkçe
2025
Kardiyolojiİstanbul Üniversitesi-CerrahpaşaKardiyoloji Ana Bilim Dalı
DOÇ. DR. MURAT ÇİMCİ
- Evaluation of hypoglycemia syndrome analyzing related electrophysiological signals
Hipoglsemi sendromunun ilgili elektrofizyolojik sinyallerin analizi ile değerlendirilmesi
GAMZE ÇELİK
Yüksek Lisans
İngilizce
2014
Endokrinoloji ve Metabolizma HastalıklarıFatih ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ŞÜKRÜ OKKESİM