Ανάπτυξη εξατομικευμένων μοντέλων ανίχνευσης διαταραχών γεύματος σε ατομα με σακχαρώδη διαβήτη τύπου 1 με χρήση τεχνικών βαθιάς μάθησης

Καρύτσας, Κωνσταντίνος; Karytsas, Konstantinos

dc.contributor.author	Καρύτσας, Κωνσταντίνος	el
dc.contributor.author	Karytsas, Konstantinos	en
dc.date.accessioned	2021-02-24T16:58:25Z
dc.date.available	2021-02-24T16:58:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52912
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20610
dc.rights	Default License
dc.subject	Σακχαρώδης διαβήτης	el
dc.subject	Τεχνητό πάγκρεας	el
dc.subject	Γλυκόζη	el
dc.subject	Ανίχνευση γεύματος	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Νευρωνικά δίκτυα μακράς βραχείας μνήμης	el
dc.subject	Συλλογική μάθηση	el
dc.title	Ανάπτυξη εξατομικευμένων μοντέλων ανίχνευσης διαταραχών γεύματος σε ατομα με σακχαρώδη διαβήτη τύπου 1 με χρήση τεχνικών βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-15
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση εξατομικευμένων υπολογιστικών μοντέλων για την ανίχνευση διαταραχών γεύματος σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1) που εφαρμόζουν Διατάξεις Συνεχούς Μέτρησης Γλυκόζης (ΔΣΜΓ). Αν και τα σύγχρονα συστήματα ελέγχου γλυκόζης επιτυγχάνουν ικανοποιητική ρύθμιση της χορήγησης βασικής ινσουλίνης, ουσιαστική πρόκληση για τον πλήρως αυτοματοποιημένο γλυκαιμικό έλεγχο αποτελεί η αποτελεσματική διαχείριση των διαταραχών γεύματος χωρίς την απαίτηση ανακοίνωσης των γευμάτων από τον χρήστη. Η ενσωμάτωση αυτόματης ανίχνευσης των διαταραχών γεύματος μπορεί να συμβάλει ουσιαστικά στη βελτίωση του γλυκαιμικού ελέγχου και της ποιότητας ζωής του ατόμου με ΣΔΤ1. Η ανάπτυξη των εξατομικευμένων μοντέλων βασίστηκε στη χρήση των Νευρωνικών Δικτύων Μακράς Βραχείας Μνήμης (Long Short-Term Memory Neural Networks-LSTM), που αξιοποιήθηκαν λόγω της ικανότητάς τους να διαχειρίζονται αποτελεσματικά δεδομένα χρονοσειρών. Τα μοντέλα δέχθηκαν ως είσοδο δεδομένα καταγραφών γλυκόζης από ΔΣΜΓ αλλά και πληροφορίες σχετικά με τη χρονική στιγμή κατανάλωσης των λαμβανόμενων γευμάτων. Τα δεδομένα υπέστησαν επεξεργασία ώστε η ανίχνευση γεύματος να αναχθεί σε ένα πρόβλημα επιβλεπόμενης μάθησης, κατά το οποίο χρονικές ακολουθίες μετρήσεων γλυκόζης διάρκειας 2 ωρών κατηγοριοποιήθηκαν ως σχετιζόμενες με έναρξη γεύματος ή όχι (Meal-Onset ή Not Meal-Onset). Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων και την επίτευξη υψηλής επίδοσης εφαρμόστηκε προσέγγιση συλλογικής μάθησης, κατά την οποία εκπαιδεύτηκαν πολλαπλά πρωταρχικά μοντέλα βασισμένα στη μέθοδο των δικτύων LSTM, και χρησιμοποιήθηκαν διαφορετικά συνδυαστικά σχήματα με στόχο τον συνδυασμό των αποφάσεων των πρωταρχικών μοντέλων και την κατηγοριοποίηση των ακολουθιών ως σχετιζόμενων ή μη σχετιζόμενων με έναρξη γεύματος. Για την ανάπτυξη και αξιολόγηση των μοντέλων χρησιμοποιήθηκαν δεδομένα 30 in silico ατόμων με ΣΔΤ1 που διατίθενται από τον UVa T1DM Simulator, καθώς και δεδομένα ιατρικού φακέλου 7 ατόμων με ΣΔΤ1 που παραχωρήθηκαν από το Διαβητολογικό Κέντρο, Α ́Παιδιατρική Κλινική, του Νοσοκομείου Π.&Α. Κυριακού. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα, καθώς και ως προς την ικανότητά τους να διαχειρίζονται τη διαφορετική συμπεριφορά του μεταβολισμού γλυκόζης που παρατηρείται μεταξύ διαφορετικών ατόμων με ΣΔΤ1 αλλά και μεταξύ διαφορετικών χρονικών στιγμών στα δεδομένα ενός συγκεκριμένου ασθενούς.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.	el
heal.fullTextAvailability	false