طراحی و پیاده سازی چارچوب عمیق CNN-BiLSTM برای پیش بینی لحظه ای هایپوگلیسمی در مبتلایان به دیابت نوع یک

هایپوگلیسمی یکی از بحرانی ترین وضعیت های تهدیدکننده حیات در بیماران مبتلا به دیابت نوع یک است که در صورت عدم تشخیص و مداخله به موقع، می تواند منجر به آسیب مغزی یا مرگ شود. سامانه های سنتی پایش گلوکز اغلب قادر به پیش بینی افت شدید قند خون پیش از وقوع نیستند. در این پژوهش، یک سامانه هوشمند هشدار زودهنگام هایپوگلیسمی مبتنی بر یادگیری عمیق طراحی شده است که با بهره گیری از داده های چندمنبعی شامل سطح گلوکز (CGM)، ضربان قلب (HR) و فعالیت بدنی (PA)، قادر به پیش بینی وقوع هایپوگلیسمی ۱۵ تا ۳۰ دقیقه قبل از بروز آن می باشد.در این سامانه، پس از استخراج ویژگی های زمانی-پیوسته از هر منبع داده، اطلاعات وارد یک معماری ترکیبی CNN-BiLSTM می شود که قادر است الگوهای پنهان و غیرخطی در داده های فیزیولوژیکی را شناسایی نماید. برای ارزیابی عملکرد مدل، از دیتاست OhioT۱DM همراه با داده های پوشیدنی شبیه سازی شده استفاده شد. نتایج نشان داد که مدل پیشنهادی توانست با دقت ۹۲٪، حساسیت ۹۰٪ و نرخ هشدار زودهنگام موفق بیش از ۸۵٪، عملکرد بالینی قابل قبولی در پیش بینی اپیزودهای هایپوگلیسمی ارائه دهد.پژوهش حاضر نشان می دهد که ترکیب داده های چندحسی با یادگیری عمیق می تواند گامی موثر در جهت توسعه سیستم های هشداردهنده قابل پوشش و ایمن برای بیماران دیابتی باشد.

کلیدواژه ها:

دیابت نوع یک ، هایپوگلیسمی ، یادگیری عمیق ، شبکه عصبی BiLSTM ، داده چندمنبعی ، هشدار زودهنگام ، CGM ، اینترنت اشیاء پزشکی