Neural Network Model for Diabetes Patients Blood Glucose Prediction

Mustafaev Arslan Gasanovich Doctor of Technical Science Professor of the Department "Information technologies and information security" of the Dagestan State University of National Economy 367015, Russia, respublika Dagestan, g. Makhachkala, ul. Ataeva, 5, kab. 4.5 arslan_mustafaev@hotmail.com Other publications by this author

Сахарный диабет - это метаболическое заболевание, вызванное абсолютным дефицитом секреции инсулина и характеризующееся неспособностью организма поддерживать уровень глюкозы в крови в интервале 4- 5 ммоль/л. Диабет вызывает множество опасных осложнений, избежать которые можно только путем контроля уровня глюкозы в крови и его удержания в физиологичном интервале. Основным путем решения этой задачи в настоящее время является введение в кровь пациента искусственных инсулинов ^[1]. Оптимальные типы и дозы искусственного инсулина зависят от многих факторов.

Одним из таких факторов является гликемический индекс пищи - показатель влияния употребления продуктов питания на уровень глюкозы в крови. Низкий гликемический индекс продукта означает, что при его употреблении уровень глюкозы растет медленно. Чем выше гликемический индекс продукта, тем быстрее увеличивается уровень глюкозы после употребления продукта и тем выше ее одномоментный уровень. Другой фактор - физическая активность улучшает процессы метаболизма в организме человека, при высоком уровне физической активности для понижения уровня глюкозы требуемые дозы инсулина могут быть снижены ^[2].

Подбор дозы инсулина является сложной задачей, с которой могут справиться далеко не все пациенты. Для решения этой задачи применяются системы постоянного мониторинга уровня глюкозы ^[3]. Система измеряет уровень глюкозы в крови каждые пять минут (288 измерений в сутки), такое тщательное определение позволяет врачу и пациенту подобрать необходимую программу введения искусственного инсулина.

Многие устройства постоянного мониторинга глюкозы также имеют возможность подавать сигналы тревоги, срабатывающие, когда уровни глюкозы в крови больного диабетом слишком низкие или слишком высокие.

Вместе с этим, в эндокринологии хорошо известно, что введенный пациенту инсулин начинает оказывать влияние на уровень глюкозы в крови не ранее чем через 20 минут с момента введения ^[4], поэтому сработавший сигнал о текущем критическом уровне (низком или высоком) глюкозы в крови не оставляет больному достаточного ресурса времени для исправления ситуации, что может привести к осложнениям, вплоть до летального исхода.

В данной работе предложена модель прогнозирования уровня глюкозы в крови, позволяющая заблаговременно предупреждать о критическом уровне сахара, чтобы пациент мог принять все необходимые меры для недопущения кризиса. Совместное применение прогнозирующей системы и устройства постоянного мониторинга уровня глюкозы позволяет создать систему автоматического управления уровнем глюкозы в крови пациента.

Cложность моделируемого объекта и отсутствие математических моделей делает эффективным использование для его моделирования аппарата искусственных нейронных сетей. Нейронные сети представляют собой нелинейные системы, позволяющие классифицировать данные лучше, чем обычно используемые линейные методы. Отличительное свойство нейронных сетей состоит в том, что они не программируются — не используют правил вывода для получения результата, а обучаются делать это на примерах. Нейросетевые технологии призваны решать трудноформализуемые задачи, к которым, в частности, сводятся многие проблемы медицины ^{[5, 6]}.

Моделирование проводилось посредством инструментария Neural Network Toolbox из среды Matlab 2015b, ввиду широких возможностей данной системы, удобства разработки сложных приложений, развитых средств визуализации результатов исследования.

В литературе ^[7] различают краткосрочное прогнозирование (период прогноза 10-30 мин.), среднесрочное прогнозирование (60- 90 мин.) и долгосрочное прогнозирование (120- 200 мин.).

Обсуждение возможности среднесрочного прогноза уровня глюкозы впервые было проведено в работе ^[8].

В результате трёхдневного наблюдения над пациентом были получены данные об его уровне глюкозы, регистрируемые с интервалом 5 мин. в течение каждых суток. Общее число зафиксированных значений - 864. Перед обучением нейронной сети имеющиеся данные были разделены на обучающую (60% данных, 518 значений), контрольную (20% данных, 173 значения) и тестовую (20% данных, 173 значения) выборки. Данные из первой выборки использовались при обучении нейронной сети, данные из второй выборки при оценке производительности сети на этапе обучения, данные из третьей выборки при оценке эффективности обученной нейронной сети.

Для моделирования и решения задачи прогнозирования использовалась нейронная сеть, архитектурное решение которой реализовано в виде многослойного (трехслойного) персептрона. Обобщенная структура нейронной сети показана на рис. 1.

Рис. 1. Структура нейронной сети.

Разработанная искусственная нейронная сеть содержит входной слой, один скрытый слой и выходной слой (рис. 1). Для активации скрытого и выходного слоя использовалась логистическая функция, для активации входного слоя линейная функция (рис. 2). Входной слой, нейронной сети, имеет шесть нейронов, выходной слой имеет один нейрон. На вход нейронной сети подаются значения уровня глюкозы в крови за последние шесть измерений (t, t-5 мин, t-10 мин, t-15 мин, t-20 мин, t-25 мин). Выходом искусственной нейронной сети является прогнозируемое среднесрочное значение (60 мин) уровня глюкозы в крови больного диабетом.

Рис. 2. Активационные функции нейронной сети: а)- логистическая; б)- линейная.

На рис. 3 показано сравнение прогнозируемых значений уровня глюкозы в крови, со значениями полученными в ходе постоянного мониторинга.

Рис.3: Прогнозируемый уровень глюкозы в крови (горизонт прогноза – 60 минут) и данные постоянного мониторинга.

Результаты исследования эффективности показывают, что нейронные сети прямого распространения могут обеспечить удовлетворительное качество прогноза уровня глюкозы в крови на рассмотренном интервале прогнозирования. Среднеквадратичная ошибка прогноза в условиях исследования не превышала 0,35 ммоль/л.

В работе проверена эффективность использования обученных нейронных сетей прямого распространения для прогнозирования значений уровня глюкозы в крови. Разработанная модель позволила выявить 92% случаев гипогликемии и 76% случаев гипергликемии при интервале прогнозирования 60 минут. В большинстве случаев прогнозирующий горизонт величиной 60 минут является достаточным для болеющего диабетом человека чтобы предпринять действия для недопущения гипогликемии или гипергликемии.