Predicción de eventos de hiperglucemia e hipoglucemia en pacientes con diabetes tipo 1 mediante algoritmos de aprendizaje supervisado

Simple item page
dc.contributor.advisorVillamizar Mejía, Rodolfo
dc.contributor.advisorRodríguez Moreno, Edward Alfonso
dc.contributor.authorMalaver Fonseca, Wilson Danilo
dc.contributor.authorReyes Carreño, Andrea Paola
dc.contributor.authorNarváez Guerra, Manuel José
dc.contributor.evaluatorSepulveda Sepulveda, Franklin Alexander
dc.contributor.evaluatorPertuz Arroyo, Said David
dc.date.accessioned2023-08-11T13:49:52Z
dc.date.available2023-08-11T13:49:52Z
dc.date.created2023-08-09
dc.date.issued2023-08-09
dc.description.abstractEste proyecto tiene como objetivo utilizar técnicas de aprendizaje automático para predecir eventos de hiperglicemia e hipoglicemia en pacientes diabéticos, a partir de datos de ingesta de carbohidratos, glucosa e insulina generados por el simulador UVA Padova. La utilización de estas técnicas permitirá predecir el comportamiento de la glucosa en un tiempo determinado. Para llevar a cabo el proyecto, se realiza un preprocesamiento del conjunto de mediciones generados por el simulador con el fin de mejorar la calidad de los datos de entrada y a su vez la precisión y eficiencia de la red neuronal. Se entrenan tres algoritmos de aprendizaje automático: GAN, GRU y SVM. La Red Generativa Antagónica (GAN) es un algoritmo de aprendizaje profundo que se utiliza para generar nuevos datos similares a los datos de entrenamiento. La Unidad Recurrente Cerrada (GRU) es un tipo de red neuronal recurrente que se utiliza para procesar secuencias de datos. La Máquina de Vector Soporte (SVM) es un algoritmo de aprendizaje supervisado que se utiliza para clasificar datos en dos grupos. Los resultados obtenidos de este proyecto podrían tener un impacto significativo en la prevención de sucesos desfavorables en pacientes diabéticos, mejorando su calidad de vida y su tratamiento médico.
dc.description.abstractenglishThis project aims to use machine learning techniques to predict hyperglycemic and hypoglycemic events in diabetic patients, based on data on carbohydrate intake, glucose, and insulin generated by the UVA Padova simulator. The use of these techniques will allow for the prediction of glucose behavior at a specific time. To carry out the project, a preprocessing of the set of measurements generated by the simulator is performed in order to improve the quality of the input data and, in turn, the accuracy and efficiency of the neural network. Three machine learning algorithms are trained: GAN, GRU, and SVM. The Generative Adversarial Network (GAN) is a deep learning algorithm used to generate new data similar to training data. The Gated Recurrent Unit (GRU) is a type of recurrent neural network used to process sequences of data. The Support Vector Machine (SVM) is a supervised learning algorithm used to classify data into two groups. The results obtained from this project could have a significant impact on the prevention of unfavorable events in diabetic patients, improving their quality of life and medical treatment.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/14785
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.subjectGlucosa
dc.subjectredes neuronales
dc.subjectpredicción
dc.subjectdiabetes
dc.subjectGAN
dc.subjectGRU
dc.subjectSVM
dc.subject.keywordGlucose
dc.subject.keywordneural networks
dc.subject.keywordprediction
dc.subject.keyworddiabetes
dc.subject.keywordGAN
dc.subject.keywordGRU
dc.subject.keywordSVM
dc.titlePredicción de eventos de hiperglucemia e hipoglucemia en pacientes con diabetes tipo 1 mediante algoritmos de aprendizaje supervisado
dc.title.englishPrediction of hyperglycemia and hypoglycemia events in patients with type 1 diabetes using supervised learning algorithms
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
232.83 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.17 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
51.04 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Electrónica