نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه گیلان

2 گروه مهندسی کامپیوتر، دانشکده‌ی مهندسی، دانشگاه گیلان، رشت، ایران

3 دانشیار / گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه گیلان، رشت، ایران

10.22041/ijbme.2020.134866.1617

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 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Blood Glucose Level Prediction For Type 1 Diabetes Using Deep Learning

نویسندگان [English]

  • Sadaf Razavinezhad 1
  • Amir mohammad Fallah 2
  • Seyed Abolghasem Mirroshandel 3

1 Department of Computer Engineering, Faculty of Engineering, University of Guilan, Rasht, Iran

2 Department of Computer Engineering, Faculty of Engineering, University of Guilan, Rasht, Iran

3 Associate Professor / Computer Engineering Department, Faculty of Engineering, University of Guilan, Rasht, Iran

چکیده [English]

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 our 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.

کلیدواژه‌ها [English]

  • blood glucose
  • Type 1 Diabetes
  • prediction
  • Artificial neural network
  • Deep Learning