پیش بینی تغییرات سطح قند خون بیماران دیابتی با استفاده از داده های حسگرهای پوشیدنی و معماری اینترنت اشیاء پزشکی

دیابت شیرین یکی از چالش برانگیزترین بیماری های مزمن در جهان است که مدیریت نوسانات لحظه ای قند خون برای پیشگیری از عوارض حاد و مزمن آن ضروری می باشد. روش های سنتی تهاجمی و گسسته، قادر به ارائه تصویر پیوسته از تغییرات قند خون نیستند. هدف این پژوهش، طراحی و ارزیابی یک چارچوب هوشمند مبتنی بر اینترنت اشیاء پزشکی و داده های حسگرهای پوشیدنی برای پیش بینی دقیق و به هنگام سطح قند خون بیماران دیابتی است. در این راستا، یک مدل ترکیبی از شبکه عصبی پیچشی (CNN) برای استخراج ویژگی های محلی و شبکه حافظه کوتاه مدت طولانی (LSTM) برای مدل سازی وابستگی های زمانی ارائه شد. داده های فیزیولوژیکی ۵۰ بیمار دیابتی شامل میزان تنفس، فشار خون سیستولیک، ضربان قلب، اشباع اکسیژن و سطح قند خون در یک دوره ۵۰۰ ثانیه ای جمع آوری گردید. مدل پیشنهادی با دقت ۹۹.۶۹ درصد، درستی ۹۸.۱ درصد، فراخوانی ۹۸.۰ درصد و امتیاز F۱ معادل ۹۸.۱ درصد، عملکرد برتری نسبت به روش های MSSO-ANFIS، LSTM خالص و ANN-DT داشت. نرخ خطای مدل تنها ۳.۴ درصد و زمان محاسبه آن ۰.۸۱ ثانیه بود که کمترین مقدار در میان روش های مقایسه می باشد. نتایج نشان می دهد که چارچوب ترکیبی CNN-LSTM پتانسیل بالایی برای استفاده در سیستم های عملی پایش و پیش بینی قند خون مبتنی بر اینترنت اشیاء پزشکی داشته و می تواند گامی موثر در کاهش عوارض دیابت و بهبود کیفیت زندگی بیماران محسوب شود.

Keywords:

پیش بینی قند خون , اینترنت اشیاء پزشکی , حسگرهای پوشیدنی , یادگیری عمیق , شبکه عصبی پیچشی