по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Рецензирование за 24 часа – как это возможно? > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Публикация за 72 часа: что это? > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Нейросетевая модель прогнозирования уровня глюкозы в крови у больных сахарным диабетом
Мустафаев Арслан Гасанович

доктор технических наук

профессор, ГАОУ ВО "Дагестанский государственный университет народного хозяйства"

367015, Россия, Республика Дагестан, г. Махачкала, ул. Атаева, 5, каб. 4.5

Mustafaev Arslan Gasanovich

Doctor of Technical Science

Professor of the Department "Information technologies and information security" of the Dagestan State University of National Economy

367015, Russia, respublika Dagestan, g. Makhachkala, ul. Ataeva, 5, kab. 4.5

arslan_mustafaev@hotmail.com
Другие публикации этого автора
 

 

Аннотация.

Сахарный диабет - это метаболическое заболевание, вызванное абсолютным дефицитом секреции инсулина и характеризующееся неспособностью организма поддерживать уровень глюкозы в крови. Оптимальные типы и дозы искусственного инсулина зависят от многих факторов. В данной работе предлагается модель нейросетевого прогнозирования уровня глюкозы в крови, позволяющая заблаговременно предупреждать о приближающемся критическом состоянии больного диабетом. Использование прогнозирующей системы, совместно с инсулиновой помпой, открывает возможности построения системы автоматического управления уровнем глюкозы в крови пациента. Моделирование проводилось посредством инструментария Neural Network Toolbox из среды Matlab 2015b, ввиду широких возможностей данной системы, удобства разработки сложных приложений, развитых средств визуализации результатов исследования. Результаты обучения и проверки работоспособности предлагаемой модели прогнозирования показывают, что искусственные нейронные сети прямого распространения могут обеспечить удовлетворительное качество прогноза уровня глюкозы в крови на всех рассмотренном интервале прогнозирования. Средняя квадратичная погрешность прогноза в условиях исследовании не превышала 0,3.

Ключевые слова: сахарный диабет, уровень глюкозы, искусственная нейронная сеть, многослойный персептрон, обратное распространение ошибки, прогнозирование, классификация данных, сеть прямого распространения, обучение с учителем, постоянный мониторинг глюкозы

УДК:

681.3

DOI:

10.7256/2306-4196.2016.3.18010

Дата направления в редакцию:

16-02-2016


Дата рецензирования:

26-02-2016


Дата публикации:

25-06-2016


Abstract.

Diabetus melitus is a metabolic disorder caused by an absolute deficiency of insulin secretion and characterized by the inability of the body to maintain an adequate blood glucose level. Optimal doses and types of artificial insulin depend on many factors. In this paper the author proposes a neural network model of blood glucose prediction allowing to predict impending critical condition of patients suffering from diabetes. Implementation of the prediction system combined with an insulin pump creates a range of opportunitities for constructing a system of automatic blood glucose level control. The simulation was performed by using The Neural Network Toolbox of the Matlab 2015b environment due to a wide range of opportunities offered by the system, convenience of developing compex applications, advanced imaging study results. The results of the training process and verification of the proposed prediction model performance show that artificial neural networks of direct distribution can help to sustain a satisfactory blood glucose level at all stages of prediction. The average quadratic prediction error did not exceed 3 in the process of the research.  

Keywords:

continuous glucose monitoring, supervised learning, feedforward network, data classification, predicting, back propagation of error, multilayer perceptron, artificial neural network, glucose level, diabetes mellitus

Сахарный диабет - это метаболическое заболевание, вызванное абсолютным дефицитом секреции инсулина и характеризующееся неспособностью организма поддерживать уровень глюкозы в крови в интервале 4- 5 ммоль/л. Диабет вызывает множество опасных осложнений, избежать которые можно только путем контроля уровня глюкозы в крови и его удержания в физиологичном интервале. Основным путем решения этой задачи в настоящее время является введение в кровь пациента искусственных инсулинов [1]. Оптимальные типы и дозы искусственного инсулина зависят от многих факторов.

Одним из таких факторов является гликемический индекс пищи - показатель влияния употребления продуктов питания на уровень глюкозы в крови. Низкий гликемический индекс продукта означает, что при его употреблении уровень глюкозы растет медленно. Чем выше гликемический индекс продукта, тем быстрее увеличивается уровень глюкозы после употребления продукта и тем выше ее одномоментный уровень. Другой фактор - физическая активность улучшает процессы метаболизма в организме человека, при высоком уровне физической активности для понижения уровня глюкозы требуемые дозы инсулина могут быть снижены [2].

Подбор дозы инсулина является сложной задачей, с которой могут справиться далеко не все пациенты. Для решения этой задачи применяются системы постоянного мониторинга уровня глюкозы [3]. Система измеряет уровень глюкозы в крови каждые пять минут (288 измерений в сутки), такое тщательное определение позволяет врачу и пациенту подобрать необходимую программу введения искусственного инсулина.

Многие устройства постоянного мониторинга глюкозы также имеют возможность подавать сигналы тревоги, срабатывающие, когда уровни глюкозы в крови больного диабетом слишком низкие или слишком высокие.

Вместе с этим, в эндокринологии хорошо известно, что введенный пациенту инсулин начинает оказывать влияние на уровень глюкозы в крови не ранее чем через 20 минут с момента введения [4], поэтому сработавший сигнал о текущем критическом уровне (низком или высоком) глюкозы в крови не оставляет больному достаточного ресурса времени для исправления ситуации, что может привести к осложнениям, вплоть до летального исхода.

В данной работе предложена модель прогнозирования уровня глюкозы в крови, позволяющая заблаговременно предупреждать о критическом уровне сахара, чтобы пациент мог принять все необходимые меры для недопущения кризиса. Совместное применение прогнозирующей системы и устройства постоянного мониторинга уровня глюкозы позволяет создать систему автоматического управления уровнем глюкозы в крови пациента.

Cложность моделируемого объекта и отсутствие математических моделей делает эффективным использование для его моделирования аппарата искусственных нейронных сетей. Нейронные сети представляют собой нелинейные системы, позволяющие классифицировать данные лучше, чем обычно используемые линейные методы. Отличительное свойство нейронных сетей состоит в том, что они не программируются — не используют правил вывода для получения результата, а обучаются делать это на примерах. Нейросетевые технологии призваны решать трудноформализуемые задачи, к которым, в частности, сводятся многие проблемы медицины [5, 6].

Моделирование проводилось посредством инструментария Neural Network Toolbox из среды Matlab 2015b, ввиду широких возможностей данной системы, удобства разработки сложных приложений, развитых средств визуализации результатов исследования.

В литературе [7] различают краткосрочное прогнозирование (период прогноза 10-30 мин.), среднесрочное прогнозирование (60- 90 мин.) и долгосрочное прогнозирование (120- 200 мин.).

Обсуждение возможности среднесрочного прогноза уровня глюкозы впервые было проведено в работе [8].

В результате трёхдневного наблюдения над пациентом были получены данные об его уровне глюкозы, регистрируемые с интервалом 5 мин. в течение каждых суток. Общее число зафиксированных значений - 864. Перед обучением нейронной сети имеющиеся данные были разделены на обучающую (60% данных, 518 значений), контрольную (20% данных, 173 значения) и тестовую (20% данных, 173 значения) выборки. Данные из первой выборки использовались при обучении нейронной сети, данные из второй выборки при оценке производительности сети на этапе обучения, данные из третьей выборки при оценке эффективности обученной нейронной сети.

Для моделирования и решения задачи прогнозирования использовалась нейронная сеть, архитектурное решение которой реализовано в виде многослойного (трехслойного) персептрона. Обобщенная структура нейронной сети показана на рис. 1.

671

Рис. 1. Структура нейронной сети.

Разработанная искусственная нейронная сеть содержит входной слой, один скрытый слой и выходной слой (рис. 1). Для активации скрытого и выходного слоя использовалась логистическая функция, для активации входного слоя линейная функция (рис. 2). Входной слой, нейронной сети, имеет шесть нейронов, выходной слой имеет один нейрон. На вход нейронной сети подаются значения уровня глюкозы в крови за последние шесть измерений (t, t-5 мин, t-10 мин, t-15 мин, t-20 мин, t-25 мин). Выходом искусственной нейронной сети является прогнозируемое среднесрочное значение (60 мин) уровня глюкозы в крови больного диабетом.

.gif__

Рис. 2. Активационные функции нейронной сети: а)- логистическая; б)- линейная.

На рис. 3 показано сравнение прогнозируемых значений уровня глюкозы в крови, со значениями полученными в ходе постоянного мониторинга.

___02

Рис.3: Прогнозируемый уровень глюкозы в крови (горизонт прогноза – 60 минут) и данные постоянного мониторинга.

Результаты исследования эффективности показывают, что нейронные сети прямого распространения могут обеспечить удовлетворительное качество прогноза уровня глюкозы в крови на рассмотренном интервале прогнозирования. Среднеквадратичная ошибка прогноза в условиях исследования не превышала 0,35 ммоль/л.

В работе проверена эффективность использования обученных нейронных сетей прямого распространения для прогнозирования значений уровня глюкозы в крови. Разработанная модель позволила выявить 92% случаев гипогликемии и 76% случаев гипергликемии при интервале прогнозирования 60 минут. В большинстве случаев прогнозирующий горизонт величиной 60 минут является достаточным для болеющего диабетом человека чтобы предпринять действия для недопущения гипогликемии или гипергликемии.

Библиография
1.
Фадеев П. А. Сахарный диабет. М.: Оникс, 2011, с.208.
2.
Каналес Х. С. Виртуозная инсулинотерапия. М.: АНБО «Российская диабетическая газета», 2002, с. 209.
3.
Pappada S.M., Cameron B.D., Rosman P.M. Development of a Neural Network for Prediction of Glucose Concentration in Type 1 Diabetes Patients. Journal of Diabetes Science and Technology, 2008, №2(5), pp.792-801.
4.
Эндокринология. Национальное руководство. Краткое издание. Под ред. Дедова И.И., Мельниченко Г.А.ГЭОТАР-Медиа, 2016, с.752.
5.
Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Российский журнал биомеханики. - 2011. - Т.5, №3 (53). С. 34.
6.
Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом // Кибернетика и программирование. DOI: 10.7256/2306-4196.0.0.17904. URL: http://e-notabene.ru/kp/article_17904.html
7.
Andreassen S., Benn. J., Hovorka R., Olesen K. G., Carson E. R. A probabilistic approach to glucose prediction and insulin dose adjustment: Description of metabolic model and pilot evaluation study. Computer Methods and Programs in Biomedicine, vol. 41, pp. 153–165, 1994.
8.
Bremer T., Gough D.A. Is blood glucose predictable from previous values? A solicitation for data. Diabetes, vol. 48, pp. 445–451,1999.
References (transliterated)
1.
Fadeev P. A. Sakharnyi diabet. M.: Oniks, 2011, s.208.
2.
Kanales Kh. S. Virtuoznaya insulinoterapiya. M.: ANBO «Rossiiskaya diabeticheskaya gazeta», 2002, s. 209.
3.
Pappada S.M., Cameron B.D., Rosman P.M. Development of a Neural Network for Prediction of Glucose Concentration in Type 1 Diabetes Patients. Journal of Diabetes Science and Technology, 2008, №2(5), pp.792-801.
4.
Endokrinologiya. Natsional'noe rukovodstvo. Kratkoe izdanie. Pod red. Dedova I.I., Mel'nichenko G.A.GEOTAR-Media, 2016, s.752.
5.
Aravin O.I. Primenenie iskusstvennykh neironnykh setei dlya analiza patologii v krovenosnykh sosudakh. Rossiiskii zhurnal biomekhaniki. - 2011. - T.5, №3 (53). S. 34.
6.
Mustafaev A.G. Primenenie iskusstvennykh neironnykh setei dlya rannei diagnostiki zabolevaniya sakharnym diabetom // Kibernetika i programmirovanie. DOI: 10.7256/2306-4196.0.0.17904. URL: http://e-notabene.ru/kp/article_17904.html
7.
Andreassen S., Benn. J., Hovorka R., Olesen K. G., Carson E. R. A probabilistic approach to glucose prediction and insulin dose adjustment: Description of metabolic model and pilot evaluation study. Computer Methods and Programs in Biomedicine, vol. 41, pp. 153–165, 1994.
8.
Bremer T., Gough D.A. Is blood glucose predictable from previous values? A solicitation for data. Diabetes, vol. 48, pp. 445–451,1999.
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"