Построение и исследование моделей краткосрочного прогнозирования гликемии у больных сахарным диабетом

На графике изменения значений среднеквадратического отклонения видно, что погрешность между прогнозируемыми и целевыми значениями гли-

кемии минимальна, что свидетельствует об успешной проверке.

На рисунке 4.16 синим цветом представлен график изменения эталонных значений гликемии из тестовой выборки на временном интервале в 500 итера-

ций, оранжевым цветом – прогнозируемые значения гликемии, полученные с по-

мощью модели многослойного персептрона с двумя скрытыми слоями по 40

нейронов в каждом.

Рисунок 4.16 – График эталонных и прогнозируемых значений гликемии,

полученный с помощью сети NARX с двумя скрытыми слоями и 40 нейронами в нем

На рисунке 4.17 представлен график изменения разности эталонных значе-

ний гликемии от прогнозируемых.

111

Рисунок 4.17 – График изменения значений абсолютной погрешности На графике изменения значений абсолютной погрешности видно, что раз-

ность между прогнозируемыми и целевыми значениями гликемии минимальна,

что свидетельствует об успешной проверке.

Построенные нейросетевые модели на тестовой выборке отвечают требо-

ваниям точности и подтверждают возможность их использования в качестве мо-

дели краткосрочного прогнозирования гликемии.

4.4. Влияние типа и структуры построенных моделей

на точность прогнозирования

В предыдущей главе были построены модели различной структуры для ре-

шения задачи прогнозирования. Необходимо оценить влияние типа и структуры модели на точность прогнозирования.

В таблице 4.1 представлен сравнительный анализ результатов тестирова-

ния моделей.

Таблица 4.1. – Сравнительный анализ эффективности построенных моделей

Среди вышеперечисленных моделей нелинейная авторегрессионная нейросетевая сеть с внешним выходом с двумя скрытыми слоями с 40 нейронами в каждом имела наименьшее значение среднеквадратического отклонения, что позволяет сделать заключение о наибольшей эффективности данной архитек-

туры для краткосрочного прогнозирования гликемии.

4.5.Выводы

Вданной главе произведена оценка обобщающей возможности построен-

ных моделей для точности прогнозирования на тестовых данных и влияния структуры нейросетевой модели на точность прогнозирования. На основании до-

полнительных экспериментов был произведен сравнительный анализ точности нейросетевого прогнозирования с точность прогнозирования на основе модели линейной регрессии.

113

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований можно сделать вывод, что пред-

ложенная в работе нейросетевая модель краткосрочного прогнозирования уровня глюкозы на основе учета трех внешних факторов обладает хорошими ап-

проксимационными свойствами и может быть использована в составе программ-

ного блока ИПЖ в качестве прогностической модели. С учетом того, что нейросетевые модели легко доучиваются на вновь поступающих данных, их при-

менение позволит гибко реагировать на изменения внутренних факторов, влия-

ющих на уровень глюкозы. В первую очередь это касается изменений чувстви-

тельности пациента к инсулину. Следовательно, на основе нейросетевых аппрок-

симаторов можно создать персонифицированную самонастраивающуюся си-

стему типа ИПЖ.

Другим перспективным направлением развития является учет в модели физической активности больного. Данные о физической активности можно по-

лучать автоматически с различных устройств типа фитнес-трекеров.

114

CONCLUSION

As a result of the studies, it can be concluded that the neural network model of short-term forecasting of glucose levels considered in the work based on taking into account three external factors has good approximating properties and can be used as a prognostic model as part of the IPG program block. Taking into account the fact that neural network models can be easily completed on the basis of newly received data, their application will allow flexible response to changes in internal factors affecting the glucose level. First of all, this concerns changes in the patient's insulin sensitivity. Consequently, on the basis of neural network approximators, it is possible to create a personalized self-adjusting system of the IPL type.

Another promising direction of development is taking into account the patient's physical activity in the model. Physical activity data can be obtained automatically from various devices such as fitness trackers.

115

СПИСОК ЛИТЕРАТУРЫ

1.Magni L, Raimondo DM, Bossi L, Dalla Man C, De Nicolao G, Kovatchev B, Cobelli C. Model predictive control of type 1 diabetes: an in silico trial. J Diabetes Sci Technol. 2007;1(6):804–12.

2.Мустафаев А.Г. Нейросетевая модель прогнозирования уровня глюкозы

вкрови у больных сахарным диабетом // Кибернетика и программирование. – 2016. – № 3. – С. 1 - 5.

3.Карпельев В.А., Филиппов Ю.И., Аверин А.В., Боярский М.Д., Гаврилов Д.А. Разработка и проверка работы ПИД-регулятора для искусственной поджелудочной железы с интраперитонеальным введением инсулина // Сахарный диабет. — 2018. — Т. 21. — №1. — С. 58-65. doi: 10.14341/DM8265

4.Чернецов А., Чучуева И. А. Прогнозирование уровня глюкозы в крови больных инсулинозависимым диабетом нейронными сетями и методом экстраполяции по выборке максимального подобия //Наука и образование [электронный ресурс]. 2010. №11.

5.Андерсон Т. Статистический анализ временный рядов / Т. Андерсон; пер. с англ. И.Г. Журбенко и В.П. Носко, науч. ред. Ю.К. Беляева. – Москва: Мир, 1976 – 757 с.

6.Лоскутов А.Ю. Анализ временных рядов [Электронный ресурс]. – Режим доступа: http://chaos.phys.msu.ru/loskutov/PDF/Lectures_time_series_ analysis.pdf. – (дата обращения: 20.04.2021).

7.Афанасьев В.Н. Анализ временных рядов и прогнозирование / В.Н. Афанасьев, М.М. Юзбашев. – Москва: Финансы и статистика, 2001. – 228 с.

8.Бокс Дж. Анализ временных рядов, прогноз и управление / Дж. Бокс, Г. Дженкинс; пер. с англ., науч. ред. В.Ф. Писаренко. – Москва: Мир, 1974.

– 406 с.

9.Минзов А.С. Эконометрика / А.С. Минзов. – Москва: МФА, 2000. – 54 с.

116

10.Унгуряну Т.Н. Корреляционный анализ с использованием пакета статистических программ stata / Т.Н. Унгуряну, А.М. Гржибовский // Экология человека: практика. – 2014. – №5. – С.60-64.

11.Дуброва Т.А. Статистические методы прогнозирования в экономике / Т.А. Дуброва, М.Ю. Архипова. – Москва: МЭСИ, 2004. – 136с.

12.Круг П.Г. Нейронные сети и нейрокомпьютеры / П.Г. Круг. – Москва: МЭИ, 2002 – 177с.

13.Классификация методов и моделей прогнозирования [Электронный ресурс]. – Режим доступа: https://habrahabr.ru/post/177633/. – (дата обращения 20.04.2021).

14.Draper N., Smith H. Applied regression analysis. New York: Wiley, In press, 1981. – 693 с.

15.Метод максимального правдоподобия [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/Метод_максимального_правдоподо- бия. – (дата обращения 20.04.2021).

16.Хайкин С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. Н.Н. Куссуль и А.Ю. Шелестова, науч. ред. Н.Н. Куссуль. – Москва: И. Д. Вильямс, 2006. – 1104 с.

17.Pradhan R.P., Kumar R. Forecasting Exchange Rate in India: An Application of Artificial Neural Network Model // Journal of Mathematics Research. 2010, Vol. No. 4. P. 111 – 117.

18.An Artificial Neural Network Approach for Day – Ahead Electricity Prices Forecasting / J. Catalao [at al.] // 6th WSEAS international conference on Neural networks, USA, Stevens Point, 2005. P. 80 – 83.

19.Обнаружение знаний в базах данных [Электронный ресурс]. Режим доступа: http://www.basegroup.ru/community/articles/kdd – (дата обращения

10.04.2021).

20.Heinemann L. Time-action profiles of insulin formulations. Verlag Kirchheim, Mainz 2004

117

21.P Tutubalin, S Novikova, A Semenova, E, Komissarova, N Arutyunova, S Sotnikov and A Alexandrov Status of creation of hardware-software complex of automatic control of the insulin delivery.// Journal of Physics: Conference Series 2019, Vol . 1368, pp. 042006 doi: 10.1088 / 1742-6596 / 1368/4/042006

22.Паклин Н.Б. Бизнес аналитика: от данных к знаниям / Н.Б. Паклин, В.И.

Орешков. – СПБ.: Питер, 2009. – 624с.

23.В. Медведев, В. Потемкин. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-

МИФИ, 2001. - 630 с.

24.Окулов С. М. Алгоритмы обработки строк. — М.: Бином, 2013. — 255

с. — ISBN 978-5-9963016-2-1.

25.OpenAPS (Open Artificial Pancreas System): [Электронный ресурс]. URL: https://openaps.org/. (Дата обращения: 21.04.2021).

118

Приложение 1. Фрагмент исходных данных

Starting oref0-pump-loop at Mon Sep 9 06:27:05 MSK 2019 with 13 second wait_for_silence:

MDT CGM configured; not waiting

Radio ok. Listening: .No interfering pump comms detected from other rigs (this is a good thing!)

Preflight OK.

Attempting to retrieve MDT CGM data from pump

MDT CGM data retrieved

No new MDT CGM data to reformat

Profile less than 60m old; Profile valid. Refreshed pumphistoryWarning: clock input Invalid Date is unzoned; please pass clock-zoned.json instead

and meal.json

Checking pump clock: "2019-09-09T06:28:16+03:00" is within 90s of current time: Mon Sep 9 06:28:17 MSK 2019

Temp refreshed

Autotune exists! Hoorah! You can use microbolus-related features. {"carbs":0,"nsCarbs":0,"bwCarbs":0,"journalCarbs":0,"mealCOB":0,"currentDevia- tion":-2,"maxDeviation":0.15,"minDeviation":-2.19,"slopeFromMaxDeviation":- 0.386,"slopeFromMinDeviation":0.074,"allDeviations":[-2,-2,-1,0],"last- CarbTime":0,"bwFound":false} {"iob":-0.032,"activity":-0.0009,"basaliob":-0.237,"bolusiob":0.204,"netbasalinsu- lin":-0.95,"bolusinsulin":0.5,"time":"2019-09- 09T03:28:20.000Z","iobWithZeroTemp":{"iob":-0.032,"activity":-0.0009,"basal- iob":-0.237,"bolusiob":0.204,"netbasalinsulin":-0.95,"bolusinsulin":0.5,"time":"2019- 09-09T03:28:20.000Z"},"last- BolusTime":1567997009000,"lastTemp":{"rate":0.1,"timestamp":"2019-09- 09T06:25:19+03:00","started_at":"2019-09-

09T03:25:19.000Z","date":1567999519000,"duration":4.06}}

119

{"delta":-2,"glucose":120,"noise":null,"short_avgdelta":-2,"long_avgdelta":- 0.75,"date":1567999200000}

Autosens ratio: 0.95; Basal unchanged: 0.4; ISF from 131.6 to 138.5; CR: 9.361 currenttemp: { duration: 28, rate: 0.1, temp: 'absolute' } lastTempAge: 3 m tempModulus: 1 m

SMB enabled due to enableSMB_always

Carb Impact: -2.6 mg/dL per 5m; CI Duration: 0 hours; remaining CI (~2h peak): 0 mg/dL per 5m

UAM Impact: -2.6 mg/dL per 5m; UAM Duration: 0 hours

minPredBG: 111 minIOBPredBG: 111 minZTGuardBG: 121 minUAMPredBG: 110 avgPredBG: 121 COB: 0 / 0

BG projected to remain above 7.0 for 0 minutes

BG projected to remain above 4.6 for 240 minutes

naive_eventualBG: 124 bgUndershoot: -41 zeroTempDuration: 240 zeroTempEffect: 220 carbsReq: -18

false 28 2019-09-09T03:28:27.942Z

Checking deliverAt: 2019-09-09T03:28:27.942Z is within 1m of current time: Mon Sep 9 06:28:28 MSK 2019

and that smb-suggested.json is less than 1m old

enact/smb-suggested.json: [37m{[0m[34;1m"temp"[0m[37m:[0m[32m"absolute"[0m[37m,[0m[34;1m"bg"[0m[37m:[0m[0m120[0m[37m,[0m[34;1m"tick"[0m[3 7m:[0m[0m-2[0m[37m,[0m[34;1m"eventu- alBG"[0m[37m:[0m[0m116[0m[37m,[0m[34;1m"insulinReq"[0m[37m:[0m[0m0[0m[37m,[0m[34;1m"reservoir"[0m[37m:[0m[32m"88.1"[0m[37m,[0m[34;1m"deliv- erAt"[0m[37m:[0m[32m"2019-09-09T03:28:27.942Z"[0m[37m,[0m[34;1m"sensitiv- ityRatio"[0m[37m:[0m[0m0.95[0m[37m,[0m[34;1m"predBGs"[0m[37m:[0m[37m{[0m[3

4;1m"IOB"[0m[37m:[0m[37m[[0m120[0m[37m,[0m118[0m[37m,[0m117[0m[37m,[

120