Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17879
Title: Ανάπτυξη Μοντέλων Ομοσπονδιακής Μηχανικής Μάθησης για την Πρόβλεψη των Επιπέδων Γλυκόζης σε Άτομα με Σακχαρώδη Διαβήτη Τύπου 1
Authors: Σαρλής, Αλέξανδρος
Νικήτα Κωνσταντίνα
Keywords: Σακχαρώδης Διαβήτης
Γλυκόζη
Ινσουλίνη
Γλυκαγόνη
Μεταβολισμός
Γλυκαιμικός Έλεγχος
Τεχνητό Πάγκρεας
Μηχανική Μάθηση
Μοντέλο Πρόβλεψης
Τεχνητά Νευρωνικά Δίκτυα
Ομοσπονδιακή Μάθηση
Ιδιωτικότητα
Diabetes Mellitus
Glucose
Insulin
Glucagon
Metabolism
Glycemic Control
Artificial Pancreas
Machine Learning
Prediction Model
Artificial Neural Networks
Federated Learning
Privacy
Issue Date: 26-Feb-2021
Abstract: Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση μοντέλων πρόβλεψης των επιπέδων γλυκόζης σε άτομα με σακχαρώδη διαβήτη τύπου 1. Τα μοντέλα πρόβλεψης δέχονται ως είσοδο προηγούμενες καταγραφές γλυκόζης, οι οποίες λαμβάνονται από αισθητήρες συνεχούς μέτρησης γλυκόζης στο μεσοκυττάριο υγρό. Εφόσον η διαταραχή του μεταβολισμού της γλυκόζης αποτελεί το κύριο χαρακτηριστικό της νόσου του σακχαρώδους διαβήτη, η ακριβής εκτίμηση του μελλοντικού προφίλ γλυκόζης είναι απαραίτητη για τη διατήρηση των επιπέδων σακχάρου στο αίμα εντός των κλινικά αποδεκτών ορίων και την αποφυγή υπογλυκαιμικών και υπεργλυκαιμικών επεισοδίων. Η τακτική παρακολούθηση της συγκέντρωσης γλυκόζης σε συνδυασμό με την εξωγενή χορήγηση ινσουλίνης, αποτελούν τη βάση του σωστού γλυκαιμικού ελέγχου και προφυλάσσουν τους ασθενείς από πιθανές σοβαρές επιπλοκές της νόσου. Η ανάπτυξη των υπό μελέτη μοντέλων πρόβλεψης των επιπέδων γλυκόζης σε άτομα με σακχαρώδη διαβήτη τύπου 1 βασίζεται στη χρήση τεχνητών νευρωνικών δικτύων και την εφαρμογή εξειδικευμένων τεχνικών ομοσπονδιακής μάθησης. Πρόκειται για μια νέα προσέγγιση στον τομέα της μηχανικής μάθησης, στην οποία δεν απαιτείται συγκέντρωση των δεδομένων εκπαίδευσης στο καθολικό προβλεπτικό μοντέλο. Τα δεδομένα εκπαίδευσης παραμένουν διαρκώς σε συσκευές που βρίσκονται στα άκρα του δικτύου, δηλαδή πλησιέστερα στα υποκείμενα των δεδομένων. Επομένως, η διαδικασία εκπαίδευσης πραγματοποιείται τοπικά με βάση τα αντίστοιχα τοπικά σύνολα δεδομένων. Το καθολικό μοντέλο προκύπτει τελικά από τα επιμέρους τοπικά μοντέλα, χωρίς όμως να έχει άμεση πρόσβαση στα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευσή τους. Η προσέγγιση αυτή παρουσιάζει σημαντικά οφέλη ως προς τη διαφύλαξη της ιδιωτικότητας, αφού περιορίζει σε μεγάλο βαθμό την ανεπιθύμητη πρόσβαση στα δεδομένα. Για την εκπαίδευση των μοντέλων χρησιμοποιήθηκαν τεχνητά δεδομένα προερχόμενα από το υπολογιστικό περιβάλλον προσομοίωσης UVA/Padova T1DM Simulator, το οποίο έχει λάβει έγκριση από τον FDA για προκλινική δοκιμή νέων στρατηγικών θεραπείας της νόσου του σακχαρώδους διαβήτη τύπου 1. Η αξιολόγηση των μοντέλων βασίστηκε τόσο σε γενικές μετρικές όσο και σε εξειδικευμένα κλινικώς σημαντικά κριτήρια απόδοσης.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17879
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Σαρλής Αλέξανδρος - Διπλωματική.pdf5.4 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.