شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
صدف رضوی نژاد؛ امیرمحمد فلاح؛ سیدابوالقاسم میرروشندل
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1399
چکیده
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیر‌قابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه ...
بیشتر
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیر‌قابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه به روش‌های مختلفی که در این زمینه ارائه شده است، در این مقاله نیز دو مدل با استفاده از رهیافت یادگیری عمیق ارائه شده است که نتایج کارآمد و بهینه‌ای تولید می‌کند. دو مدل پیشنهادی از ترکیب‌های متفاوتی از شبکه‌های عصبی حافظه طولانی کوتاه‌مدت و پیشخور تشکیل شده‌اند و میزان قند خون آتی بیمار را با دقت و سرعت قابل‌توجهی پیش‌بینی می‌کنند. از 81.200 رکورد داده میزان قند خون 203 بیمار به همراه 27 مشخصه‌ی مهمی که بر میزان قند خون آن‌ها مؤثر بوده استفاده شده است. همچنین به‌منظور ارزیابی دقیق، از روش اعتبارسنجی متقابل مناسب برای سری‌زمانی استفاده شد و نتایج حاصل از اجرای مدل‌ها نشان داد که مدل میانگین متحرک خودهمبسته یکپارچه با توجه به این حجم از داده و ضعف سخت‌افزاری سیستم پیاده‌سازی، قادر به پیش‌بینی میزان قند خون نیست و مدل‌های مبتنی بر یادگیری عمیق کارایی قابل قبول و سرعت عملکرد خوبی دارند. همچنین با توجه به نتایج به‌دست آمده مدل پیشنهادی دوم برای افق‌های پیش‌بینی 5، 10 و 15 دقیقه به‌ترتیب 8/13درصد، 16درصد و 9/18درصد بهتر از مدل پیشنهادی اول عمل کرده است و می‌تواند مدل قابل اعتمادتری برای پیش‌بینی میزان قند خون باشد. از این‌رو مدل بیان‌شده می‌تواند در سیستم‌های هوشمند هشداردهنده برای پیشگیری از وقوع هیپوگلیسمی که از عوارض خطرناک و شایع بیماری دیابت نوع یک است، استفاده شود.
