Predicción de los Niveles de Glucosa en Sangre para Pacientes Diabeticos a Partir de Redes Neuronales Recurrentes Tipo LSTM

Vega Rojas, Ismael

Predicción de los Niveles de Glucosa en Sangre para Pacientes Diabeticos a Partir de Redes Neuronales Recurrentes Tipo LSTM

dc.contributor.advisor	Villamizar Mejía, Rodolfo
dc.contributor.advisor	Rodríguez Moreno, Edward Alfonso
dc.contributor.author	Vega Rojas, Ismael
dc.contributor.evaluator	Fajardo Ariza, Carlos Augusto
dc.contributor.evaluator	Ramirez Silva, Ana Beatriz
dc.date.accessioned	2023-08-08T19:38:20Z
dc.date.available	2023-08-08T19:38:20Z
dc.date.created	2023-08-08
dc.date.issued	2023-08-08
dc.description.abstract	En este trabajo de grado se presenta un modelo de estimación de glucosa para pacientes con diabetes mellitus tipo 1, donde se usa el simulador T1DMS (Visentin et al., 2018) con el que se obtiene un conjunto de mediciones de insulina y glucosa para entrenar el modelo de predicción. Para realizar este entrenamiento del modelo se utilizan series de tiempo, tomando como entrada valores pasados de glucosa en sangre e insulina inyectada y generando a la salida instantes de tiempo futuro de glucosa en sangre. Las secuencias de entrada constan de un conjunto de 15 muestras (timesteps) medidas cada minuto, mientras que la secuencia de salida, 210 muestras de glucosa futuras predichas mediante el modelo de estimación que corresponde a la curva completa de un episodio de glucosa después de una ingesta de glucosa por parte del paciente. Con estas secuencias de entradas y salidas se entrenan los modelos de Recurrent Neural Network (RNN) tipo LSTM, para 10 pacientes cada uno con un modelo personalizado, usando solo los episodios o curvas de glucosa de cada paciente en cada modelo. Y otro modelo generalizado, es decir usando los episodios o curvas de glucosa de todos los pacientes en un solo modelo. Para estimar el rendimiento del modelo, se usan las métricas de error MAE y RMSE, se evalúa el ajuste del modelo, se define la arquitectura final utilizando el número de capas y celdas que permitan una mejor precisión, al igual que el optimizador que mejor funcione, como los inicializadores adecuados, y las funciones de activación en cada capa del modelo, para que se obtengan las predicciones más exactas. Donde se toma como base lo aprendido en el curso electivo de Deep learning, dictado en el 2022-2, en la Universidad Industrial de Santander.
dc.description.abstractenglish	In this degree project, a glucose estimation model for patients with type 1 diabetes mellitus is presented, where the T1DMS simulator (Visentin et al., 2018) is used to obtain a set of insulin and glucose measurements to train the prediction model. To carry out this training of the model, time series are used, taking as input past values of blood glucose and injected insulin and generating instants of future time of blood glucose as output. The input sequences consist of a set of 15 samples (timesteps) measured every minute, while the output sequence consists of 210 future glucose samples predicted by the estimation model that corresponds to the complete curve of a glucose episode after a glucose intake by the patient. With these sequences of inputs and outputs, the LSTM-type Recurrent Neural Network (RNN) models are trained for 10 patients each with a personalized model, using only the episodes or glucose curves of each patient in each model. And another generalized model, that is, using the episodes or glucose curves of all the patients in a single model. To estimate the performance of the model, the MAE and RMSE error metrics are used, the fit of the model is evaluated, the final architecture is defined using the number of layers and cells that allow better precision, as well as the optimizer that works best. , such as the proper initializers, and activation functions at each model layer, so that the most accurate predictions are obtained. Where what was learned in the Deep learning elective course, taught in 2022-2, at the Industrial University of Santander.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14745
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Glucosa
dc.subject	Prediccion
dc.subject	Diabetes
dc.subject	Redes Neuronales
dc.subject	In silico
dc.subject	Uva Padova
dc.subject.keyword	Glucose
dc.subject.keyword	Prediction
dc.subject.keyword	Diabetes
dc.subject.keyword	Neural Networks
dc.subject.keyword	In silico
dc.subject.keyword	Uva Padova
dc.title	Predicción de los Niveles de Glucosa en Sangre para Pacientes Diabeticos a Partir de Redes Neuronales Recurrentes Tipo LSTM
dc.title.english	Prediction of Blood Glucose Levels for Diabetic Patients from LSTM-Type Recurrent Neural Networks
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado