تشخيص و هشدار زودهنگام هيپوگليسمي شبانه در ديابت نوع 1 با استفاده از معماري LSTM-Transformer

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

ديابت نوع 1 نيازمند مديريت مداوم گلوكز و درمان فشرده با انسولين است؛ بااين‌حال، هيپوگليسمي شبانه همچنان يك مشكل باليني جدي محسوب مي‌شود، زيرا سطح گلوكز مي‌تواند در طول خواب كاهش يابد، بدون آنكه بيمار علائم هشداردهنده اوليه را تشخيص دهد. سامانه‌هاي متداول پايش مداوم گلوكز عمدتاً هشدارهاي واكنشي مبتني بر آستانه ارائه مي‌دهند كه ممكن است زمان محدودي براي مداخله پيشگيرانه باقي بگذارد. اين محدوديت، همراه با ماهيت غيرخطي و به‌شدت پوياي تنظيم گلوكز، نياز به روش‌هاي پيش‌بيني هوشمندي را ايجاد مي‌كند كه بتوانند از اطلاعاتي فراتر از اندازه‌گيري‌هاي گلوكز استفاده كنند. ازاين‌رو، پژوهش حاضر به بررسي توسعه يك چارچوب يادگيري عميق چندوجهي براي پيش‌بيني زودهنگام هيپوگليسمي شبانه در افراد مبتلا به ديابت نوع 1 مي‌پردازد. رويكرد پيشنهادي، اندازه‌گيري‌هاي پايش مداوم گلوكز را با اطلاعات فيزيولوژيك مكمل حاصل از حسگرهاي پوشيدني ادغام مي‌كند. در اين روش، مجموعه‌داده D1NAMO به‌عنوان منبع اصلي داده و مجموعه‌داده OhioT1DM براي اعتبارسنجي تكميلي مورد استفاده قرار گرفته است. داده‌ها تحت ارزيابي كيفيت، پردازش مقادير گمشده، همگام‌سازي زماني، استخراج داده‌هاي شبانه، نرمال‌سازي و ايجاد پنجره‌هاي لغزان با طول ثابت قرار مي‌گيرند. يك پنجره مشاهده دوساعته براي نمايش وضعيت فيزيولوژيك اخير در نظر گرفته مي‌شود، درحالي‌كه برچسب‌گذاري آينده‌نگر مشخص مي‌كند كه آيا انتظار مي‌رود هيپوگليسمي در افق پيش‌بيني رخ دهد يا خير. معماري پيش‌بيني، يك مؤلفه حافظه كوتاه‌مدت بلندمدت دوسويه (BiLSTM) را با يك ماژول بازنمايي مبتني بر ترنسفورمر و توجه زماني تركيب مي‌كند. از BiLSTM براي ثبت وابستگي‌هاي ترتيبي موجود در سيگنال‌هاي فيزيولوژيك چندوجهي استفاده مي‌شود، درحالي‌كه ترنسفورمر روابط زماني گسترده‌تر را از طريق توجه به خود مدل‌سازي مي‌كند. سپس بازنمايي‌هاي آموخته‌شده پيش از لايه طبقه‌بندي نهايي با يكديگر ادغام مي‌شوند تا احتمال وقوع قريب‌الوقوع يك رويداد هيپوگليسمي شبانه برآورد شود. نتايج آزمايشي نشان مي‌دهند كه چارچوب چندوجهي پيشنهادي، عملكرد پيش‌بيني قدرتمندي را در مجموعه‌داده آزمون مستقل ارائه مي‌دهد. مدل نهايي به دقت 97.53%، فراخواني (حساسيت) 79.01%، ويژگي 98.38%، سطح زير منحني مشخصه عملكرد گيرنده (ROC-AUC) برابر با 0.984 و سطح زير منحني دقت–فراخواني (PR-AUC) برابر با 0.854 دست يافت. ماتريس درهم‌ريختگي نشان داد كه از ميان 262 پنجره هيپوگليسمي، 207 پنجره به‌درستي شناسايي و 55 پنجره شناسايي نشدند؛ همچنين، از ميان 5,683 پنجره غيرهيپوگليسمي، 92 پنجره به‌اشتباه به‌عنوان مثبت طبقه‌بندي شدند. نتايج نشان مي‌دهند كه مدل مي‌تواند شرايط آينده هيپوگليسمي و غيرهيپوگليسمي را با قابليت تفكيك كلي بالا از يكديگر متمايز كند و درعين‌حال نرخ نسبتاً پاييني از هشدارهاي كاذب داشته باشد. درمجموع، يافته‌ها بر ارزش تركيب اطلاعات گلوكز با سيگنال‌هاي فيزيولوژيك مكمل و همچنين استفاده همزمان از معماري‌هاي بازگشتي و مبتني بر توجه براي پيش‌بيني هيپوگليسمي شبانه تأكيد دارند. چارچوب پيشنهادي مبنايي روش‌شناختي براي توسعه آتي سامانه‌هاي هشدار هوشمند شخصي‌سازي‌شده، بلادرنگ و قابل‌استفاده در محيط باليني با هدف مديريت ايمن‌تر ديابت در هنگام خواب فراهم مي‌كند.

238532

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان