سامانه پیش بینی هیپوگلایسمی مبتنی بر تحلیل سیگنال ECG با استفاده از یادگیری ماشین

اختلالات تنظیم قند خون از جمله هیپوگلایسمی یکی از پیامدهای خطرناک دیابت است که در صورت تشخیص دیرهنگام می تواند موجب افت هوشیاری و مرگ شود. سامانه های مرسوم پایش قند خون مبتنی بر سنسورهای تهاجمی (CGM) یا تست های خون هستند که هزینه بر و برای برخی گروه های جمعیتی غیرقابل دسترس اند. نیاز به راهکاری غیرتهاجمی، کم هزینه و قابل استفاده در مقیاس وسیع انگیزه اصلی این پژوهش می باشد و این تحقیق یک چارچوب کامل را معرفی می کند که با تحلیل سیگنال ECG به طور ویژه شاخص های HRV، مورفولوژی موج QRS و به کارگیری مدل های یادگیری ماشین اقدام به پیش بینی احتمال وقوع هیپوگلایسمی در بازه زمانی کوتاه پیشرو می نماید. فرآیند تحقیق شامل تولید داده های مصنوعی کنترل شده، استخراج ویژگی های زمان فرکانس و مورفولوژی، آموزش و ارزیابی مدل و نهایتا توسعه یک رابط وب تعاملی برای نمایش پیش بینی ها است. انتظار می رود مدل پیشنهادی روی داده های شبیه سازی شده دقت عملیاتی مناسبی (بالاتر از ۸۵ با معیارهای precision/recall متوازن) نشان دهد و به عنوان یک نمونه اولیه قابل بازتولید برای توسعه های آتی با داده بالینی سرویس دهی کند. کاربردهای واقعی این سامانه شامل ادغام در پلتفرم های تله مدیسین، اپلیکیشن های موبایل و دستگاه های پوشیدنی پزشکی است.

کلیدواژه ها:

هیپوگلایسمی ، دیابت ، یادگیری ماشین ، HRV ، ECG