پديد آورندگان :
رضوي نژاد، صدف دانشگاه گيلان - دانشكده‌ي مهندسي - گروه مهندسي كامپيوتر، رشت، ايران , فلاح، اميرمحمد دانشگاه گيلان - دانشكده‌ي مهندسي - گروه مهندسي كامپيوتر، رشت، ايران , ميرروشندل، ابوالقاسم دانشگاه گيلان - دانشكده‌ي مهندسي - گروه مهندسي كامپيوتر، رشت، ايران
كليدواژه :
قند خون , ديابت نوع يك , پيش‌بيني , شبكه‌ي عصبي مصنوعي , يادگيري عميق
چكيده فارسي :
ديابت يك بيماري شايع در سراسر جهان است. اين بيماري، سخت، غير‌قابل علاج و در عين حال قابل كنترل بوده و از اين رو كنترل و پيش‌گيري از عوارض آن امري مهم است. به همين دليل استفاده از روش‌هاي هوشمند با خطاي پايين براي پيش‌بيني ميزان قند خون و از همه مهم‌تر جلوگيري از عوارض خطرناك آن يك مساله‌ي مهم در كنترل بهتر اين بيماري است. با توجه به روش‌هاي مختلف ارائه شده در اين زمينه، در اين مقاله نيز دو مدل با استفاده از ره‌يافت يادگيري عميق ارائه شده كه نتايج آن كارآمد و بهينه است. اين دو مدل پيشنهادي از تركيب‌هاي متفاوتي از شبكه‌هاي عصبي حافظه‌ي طولاني كوتاه‌مدت و پيش‌خور تشكيل شده و ميزان قند خون آتي بيمار را با دقت و سرعت قابل توجهي پيش‌بيني مي‌كنند. در اين راستا از 81.200 داده‌ي ميزان قند خون 203 بيمار به همراه 27 مشخصه‌ي موثر بر ميزان قند خون استفاده شده است. هم‌چنين به منظور ارزيابي دقيق از روش اعتبارسنجي متقابل مناسب براي سري زماني استفاده شده و نتايج حاصل از اجراي مدل‌ها نشان داده كه مدل ميانگين متحرك خودهمبسته‌ي يك‌پارچه با توجه به اين حجم از داده و ضعف سخت‌افزاري سيستم پياده‌سازي شده قادر به پيش‌بيني ميزان قند خون نبوده در حالي كه كارايي و سرعت عمل‌كرد مدل‌هاي مبتني بر يادگيري عميق قابل قبول است. هم‌چنين با توجه به نتايج به دست آمده مدل پيشنهادي دوم براي افق‌هاي پيش‌بيني 5، 10 و 15 دقيقه به ترتيب 13/8%، 16% و 18/9% بهتر از مدل پيشنهادي اول عمل كرده و مدل قابل اعتمادتري براي پيش‌بيني ميزان قند خون است. از اين رو مدل پيشنهادي دوم مي‌تواند در سيستم‌هاي هوشمند هشداردهنده براي پيش‌گيري از وقوع هيپوگليسمي كه از عوارض خطرناك و شايع بيماري ديابت نوع يك است مورد استفاده قرار گيرد.
چكيده لاتين :
Diabetes is a common disease all around the world. It is a difficult and incurable but controllable disease, so it is important to control and prevent its complications. Thus, low error and smart methods are used to predict blood glucose levels and prevent dangerous complications to control it effectively. In this regard, different methods were investigated. In this research, two models based on deep learning technique are used which produce efficient and optimal results. These models are composed of different combinations of long short-term memory and feed forward neural networks which predict the patient's future blood glucose levels with considerable accuracy and speed. To achieve more comprehensive model, 81,200 blood glucose data was evaluated through 203 patients. In addition, 27 effective features in patients' blood glucose levels are considered in this regard. Furthermore, cross-validation method which is suitable for time series was used for more accurate evaluation. The results showed that Autoregressive Integrated Moving Average model could not predict blood glucose levels considering this amount of data and system hardware limitations, while the models based on deep learning had good performance and good speed. Furthermore, the second proposed model for the prediction horizons of 5, 10, and 15 minutes outperformed the first one with 13.8%, 16%, and 18.9%, respectively. Therefore, the second proposed model can be more reliable for predicting blood glucose. So, it can be used in smart warning systems to prevent hypoglycemia, which is a dangerous and widespread problem of type 1 diabetes.
