Методы прогнозирования оптимальных доз инсулина для больных сахарным диабетом I типа. Обзор # 04, апрель 2009



Скачать 320.48 Kb.
страница3/3
Дата17.02.2017
Размер320.48 Kb.
Просмотров214
Скачиваний0
1   2   3

4.2.1. Система [4] состоит из двух следующих основных частей - математическая модель MM и нейронная сеть NN (см. Рис. 6).

                В качестве математической модели пациента (MM) используется система ОДУ, рассмотренная в п. 1.1.4.

Используемая в системе нейронная сеть (НС) рассмотрена в п. 2.2.2. Нейронная сеть моделирует кинетику глюкозы в организме. Входами сети являются выходы математических моделей http://technomag.edu.ru/data/227/686/1234/image041.gif, http://technomag.edu.ru/data/225/686/1234/image042.gif, http://technomag.edu.ru/data/231/686/1234/image043.gif и содержание глюкозы в крови в предыдущий момент времени http://technomag.edu.ru/data/621/687/1234/image116.gif.

 

http://technomag.edu.ru/data/627/687/1234/image117.jpg

 

Рис. 6. Структура системы: ММ – математическая модель пациента; НС – нейронная сеть; http://technomag.edu.ru/data/625/687/1234/image118.gif - компоненты математической модели пациента.

 

                Для экспериментальной проверки системы использовались 275 измерений за 59 дней; 45 измерений, соответствующие 10 дням, использовались для тестирования системы. Наилучшие результаты были получены для двух сетей: сети с 5-ю нейронами в скрытом слое и алгоритмом обучения RTRL-FR; сети с 15-ю нейронами в скрытом слое и алгоритмом обучения RTRL-TF.

4.2.2. Система [5] также состоит из математического модуля и нейросетевого модуля.

                Математический модуль включает в себя 5 моделей в виде ОДУ (см. п. 1.1.5). Все ОДУ интегрируются методом Рунге-Кутта 4-го порядка с шагом по времени, равным 5 мин.

                Нейросетевой модуль используется для прогнозирования уровня BG на основании последнего измерения BG и результатов интегрирования ОДУ. Предполагается непрерывное измерение уровня BG и, как непрерывное, так и дискретное введение инсулина.

                Рассматривается 2 варианта архитектуры нейронной сети : полносвязная трехслойной FFNN сеть прямого распространения, рассмотренная в п. 2.1.6; рекуррентная нейронная сеть второго порядка с одной переменной состояния (см. п. 2.2.3).

                Для обучения и тестирования нейронной сети использовались данные о 4-х пациентах, наблюдаемых с помощью CGMS в течении 4-5 дней. Данные первых 3-х дней использовались для обучения нейронной сети, последующие данные – для тестирования.

                По результатам тестирования система на основе сети FFNN, а также система на основе рекуррентной сети с RTLR-TF обучением показали существенно лучшие результаты по сравнению с системой на основе рекуррентной сети с RTLR-FR обучением. При этом система на основе рекуррентной сети с RTLR-TF обучением продемонстрировала существенные преимущества перед системой на основе сети FFNN, поскольку имеет возможность дополнительно обучаться в процессе функционирования.

 

5. Нейросетевые системы прогнозирования требуемых доз инсулина

5.1. Системы на основе сетей прямого распространения

            5.1.1. В  системе [8] используется неравномерное дискретное время: сутки делятся на 10 интервалов (окон) длительностью по 2.5-3 часа; каждому из этих интервалов соответствует фиксированное время http://technomag.edu.ru/data/697/687/1234/image074.gif измерений BG, а также нейронная сеть, рассмотренная в п. 3.1.1.



                Система тестировалась и обучалась на данных о 747 пациентах (в общей сложности 25000 наборов данных). Для бучения использовалась выборка из 10000 наборов данных.

                5.1.2. Система прогнозирования следующего значения дозы инсулина при дискретных измерениях BG и инсулиновых инъекциях рассмотрена в работе [9]. Система строится на основе трехслойной нейронной сети с прямыми связями. Рассматриваются сети, описание которых приведено в пп. 3.1.2, 3.1.3, а также т.н. полиномиальная сеть.

                Для обучения системы, ее тестирования и проверки использовалась выборка из более чем 30000 наборов «вход – выход». Для каждого из четырех наборов этой выборки первый и третий наборы использовались для обучения, второй набор – для тестирования, а четвертый набор – для проверки.

                Тестирование системы выполнено на данных о более чем 70 пациентов. Результаты тестирования показали, что наиболее удачной является система, построенная на основе нейронной сети, рассмотренной в п. 3.1.2 – на основе трехслойной персептронной нейронной сети с сигмоидальными функциями активации нейронов.

5.1.3. Система [10] состоит из двух нейронных сетей прямого распространения. Первая (кластеризующая) сеть выявляет паттерны в значениях BG и инсулина за день и классифицирует все указанные значения (см. п. 3.1.4).

На основе того, к какому кластеру принадлежит текущее значение BG, устанавливается один из 6 режимов работы второй сети, которая определяет оптимальные дозы инсулина. Таким образом, вторая нейронная сеть в качестве входных использует 6 значений BG, соответствующих каждому из кластеров. В скрытом слое сеть содержит 11 нейронов.

Система тестировалась на данных о 21 пациенте.

5.2. Системы на основе нечеткой нейронной сети



                5.2.1. Система прогнозирования доз инсулина [11] построена на основе нейронечеткой сети (см. п. 2.3.1). Предполагается, что введение инсулина и измерение уровня BG осуществляется непрерывно, хотя система может применяться и для прогнозирования дискретных доз инсулина. Рассматривается два варианта использования системы - с коррекцией доз инсулина на основе модели метаболизма здорового человека и без этой модели. В последнем случае на вход сети подаются следующие величины:

·               отклонение BG в предыдущий момент времени от целевого значения;

·               различные производные от BG в предыдущий момент времени.

Тестирование системы осуществлялось на 1500 ежеминутных измерениях в двух режимах: на данных обучающей выборки; на данных, отсутствующих в обучающей выборке.

5.3. Системы на основе нейронной сети с буферизацией

5.3.1. Система на основе нейронные сети с буферизацией [12] функционирует в дискретном времени и состоит из 3-х основных блоков, 2-х вспомогательных блоков и системного блока (Рис. 4). Основными блоками системы являются блок вычисления отклонения нейронной сети (DE), блок системной модели нейронной сети (SM) и управляющий блок оптимизации нейронной сети (CO). К вспомогательным блокам системы относятся буфер для хранения уровня глюкозы (Y) и буфер для хранения значений уровня инсулина (U). На вход системы подается текущее значение глюкозы в крови BLG. Выходом системы является рекомендованное значение дозы инсулина.

BGL

 

Все три основных блока системы DE, SM и CO представляют собой последовательно связанные нейронные сети. В каждый момент времени значения уровня глюкозы и инсулина записываются в соответствующие буферы. Данные из буфера Y поступают на вход сети DE, а данные из буфера U - на входы сетей SM, DE. На входы сетей SM, CO подаются также выходные данные системы.

 

http://technomag.edu.ru/data/631/687/1234/image119.jpg

 

Рис. 4 Структура системы: DE, SM, CO – нейронные сети; Y, U – буферы; System – системный блок; BLG – текущее значение BG.

 

Конкретная архитектура сетей в работе [12] не указывается, но отмечается возможность использования, как сетей с прямыми связями, так и рекуррентных сетей. В качестве функций активации нейронов во всех случаях рекомендуется использовать сигмоидальные функции.



Алгоритм обучения сетей DE, SM, CO определяется их архитектурой, но во всех случаях обучение должно производиться в следующем порядке: сначала сеть DE, а затем сети SM, CO.

При экспериментальном исследовании эффективности системы, обучение системы выполнено на данных о 70 пациентах за временной период в 6 месяцев. Система показала удовлетворительные результаты на всех пройденных тестах.

 

6. Комбинированные системы прогнозирования требуемых доз инсулина



6.1. Системы, использующие модель в виде ОДУ и нейронную сеть прямого распространения

                6.1.1. Комбинированная система [3] предназначена для определения необходимых доз инсулина при непрерывных измерениях BG и непрерывном введении инсулина (Рис. 5).

            Система состоит из трех основных модулей:

·         математическая модель глюкозно-инсулинового метаболизма пациента (ММ);

·         нейронная сеть (НС), предсказывающая следующие значения уровня BG;

·         предиктор-контроллер (ПК), выходом которого является оптимальная доза инсулина в данный момент времени;

·         временные линии задержки (ЛЗ).



 

http://technomag.edu.ru/data/629/687/1234/image120.jpg

 

Рис. 5. Структура системы: ПК – предиктор-контроллер; ММ – математическая модель пациента; НС – нейронная сеть; ЛЗ – линия задержки; ОС – обратная связь; http://technomag.edu.ru/data/667/687/1234/image121.gif– уровень инсулина в крови, http://technomag.edu.ru/data/665/687/1234/image122.gif – уровень BG.

 

                В качестве математической модели пациента используется система ОДУ, рассмотренная в п. 1.1.3. Такая модель позволяет вычислить количество поглощенного инсулина при однократной инъекции. При непрерывном введении инсулина это количество может быть рассчитано как результат нескольких инъекций.

                Прогнозирование следующих значений BG реализовано с помощью трехслойной рекуррентной нейронной сетью с радиальной базисной функцией активации нейронов (см. п. 2.2.3).

            Поскольку выходные переменные математической модели (компартментыhttp://technomag.edu.ru/data/671/687/1234/image123.gif) не могут быть использованы непосредственно для обработки указанной нейронной сетью, эти выходы предварительно преобразуются по формулам



http://technomag.edu.ru/data/669/687/1234/image124.gif, http://technomag.edu.ru/data/675/687/1234/image125.gif, http://technomag.edu.ru/data/673/687/1234/image126.gif, http://technomag.edu.ru/data/679/687/1234/image127.gif, http://technomag.edu.ru/data/677/687/1234/image128.gif,

где http://technomag.edu.ru/data/651/687/1234/image129.gif – нормированные величины компартментов (процентные отношения к весу пациента).



                Предиктор-контроллер реализует алгоритм управления BG в условиях больших временных задержек и высокого уровня шума. Алгоритм основан на минимизации целевой функции, построенной на основе разности между предсказанным и целевым значениями BG. Схема одного шага алгоритма имеет вид:

·         вычисление целевых значений BG в http://technomag.edu.ru/data/649/687/1234/image130.gif следующих моментов времени;

·         вычисление на основе математической модели пациента и модели глюкозно-инсулинового метаболизма прогнозируемых значения уровня BG в те же http://technomag.edu.ru/data/649/687/1234/image130.gif следующих моментов времени;

·         вычисление среднеквадратичного отклонения предсказанных значений уровня BG от их целевых значений;

·         минимизация указанного среднеквадратичного отклонения;

·         реализация управляющего воздействия, соответствующего первому из рассматриваемых моментов времени.

            При минимизации среднеквадратичного отклонения в качестве варьируемых параметров используется http://technomag.edu.ru/data/655/687/1234/image131.gif – длина диапазона прогнозируемых значений BG, http://technomag.edu.ru/data/257/686/1234/image058.gifhttp://technomag.edu.ru/data/653/687/1234/image132.gif – длина диапазона контролируемых значений BG, http://technomag.edu.ru/data/659/687/1234/image133.gif – вес прогнозируемого значения BG, http://technomag.edu.ru/data/657/687/1234/image134.gif – вес контролируемого значения BG.

            Временные линии задержки используются для преобразования входных сигналов u(t) и y(t) в вектор, подходящий для обработки нейронной сетью. Здесь http://technomag.edu.ru/data/667/687/1234/image121.gif– уровень инсулина в крови, http://technomag.edu.ru/data/665/687/1234/image122.gif – уровень BG.



                Обучение модели проводилось на выборки из 960 измерений (что соответствует двум дням). Еще 480 измерений (1 день) использовались для тестирования. Наилучшие результаты были достигнуты при использовании нейронной сети с 3 вложенными слоями по 5 нейронов в каждом.

6.2. Системы, использующие модель в виде ОДУ и рекуррентную нейронную сеть

            6.2.1. В работе [13] рассмотрена система, структуры которой очень близка к структуре системы, рассмотренной в п.6.1.1. Основное отличие заключается в использовании рекуррентной нейронной вместо сети прямого распространения, что позволило избавится от линий задержки. Входами сети являются следующие величины:

·               выход сети в предыдущий момент времени http://technomag.edu.ru/data/743/687/1234/image095.gif;

·               текущее значение BG (измеренное CGMS);

·               скорость введения инсулина в предыдущий момент времени http://technomag.edu.ru/data/743/687/1234/image095.gif.

            Выходом сети является предполагаемое изменение уровня BG в данный момент времени http://technomag.edu.ru/data/697/687/1234/image074.gif. Подбор оптимальных доз инсулина обеспечивает нелинейный предиктор-контроллер полностью идентичный контроллеру, рассмотренному в п. 6.1.1. В качестве алгоритма обучения сети используется RTRL-алгоритм.

 

Заключение

            Современные САУ уровнем глюкозы в крови пациента используют широкий класс математических моделей динамики инсулина и глюкозы в его теле: модели, построенные на основе ОДУ; модели на основе ОДУ с запаздывающим аргументом; модели на основе интегро-дифференциальных уравнений; модели на основе дифференциальных уравнений в частных производных. Для прогнозирования оптимальных доз искусственного инсулина эти САУ широко используют нейросетевые алгоритмы, на базе различных нейронных сетей - нейронных сетей прямого распространения, реккурентных нейронных сетей, а также нечетких нейронных сетей.

http://technomag.edu.ru/data/257/686/1234/image058.gif         САУ уровнем глюкозы в крови пациента используют, как правило, неравномерное дискретное время и делятся на два больших класса - системы, не использующие математических моделей пациента и использующие такие модели.

            САУ первого класса строятся на основе одной или нескольких прогнозирующих нейронных сетей. Для хранения уровней глюкозы и инсулина в предыдущие дискретные моменты времени могут использоваться специальные буферные устройства.

            САУ второго класса включают в себя, как правило, математический и нейросетевой модули, а также, возможно, ряд вспомогательных устройств (контроллер, буферные устройства и т.д.). Математический модуль такой САУ реализует модель пациента в виде ОДУ, интегро-дифференциальных уравнений или уравнений в частных производных, которая предназначена для вычисления количества поглощенного инсулина при однократной инъекции. Нейросетевой модуль реализует модель глюкозно-инсулинового метаболизма, которая предсказывает следующее значение уровня глюкозы в крови пациента.

                Особенностью систем автоматического управления уровнем глюкозы в крови пациента, существенно затрудняющей задачу их построения, является то, что эти системы функционируют в условиях больших временных задержек и высокого уровня шума.

                В настоящее время происходит интенсивный поиск оптимальных структур САУ уровнем глюкозы в крови пациента. Общепризнанные структуры таких систем в настоящее время отсутствуют. В то же время, многие из реализованных САУ, рассмотренных классов, прошли широкую апробацию в клинических условиях и показали свою эффективность.

                В целом, на основе данного обзора можно сделать следующий вывод. В настоящее время актуальными являются разработка и исследование новых, более адекватных моделей пациента и его глюкозно-инсулинового метаболизма, а также разработка и исследование методов и алгоритмов синтеза САУ уровнем глюкозы в крови пациента.

 

Литература

1.      С.Binder, T.Lauritzen, O.Faber, S.Pramming. Insulin pharmacokinetics // Diabetes Care, vol. 7, 1984, pp. 188–199.

2.      A. Makroglou, J. Li, Y. Kuang. Mathematical models and software tools for the glucose-insulin regulatory system and diabetes: an overview. // Proceedings of the 2005 IMACS, pp. 561 – 565.

3.      Z.Trajanoski, P.Wach. Neural predictive controller for insulin delivery using the subcutaneous route // IEEE Transaction on Biomedical Engeneering, vol. 45, No 9, 1998, pp. 1122–1134.

4.      S.G.Mougiakakou, K.Prountzou, K.S.Nikita. A Real Time Simulation Model of Glucose-Insulin Metabolism for Type I Diabetes Patients. // 27th Annual International Conference of the Engineering in Medicine and Biology Society, 2005, pp. 298 – 301.

5.      S. G. Mougiakakou, K. Prountzou et al. A Neural Network based Glucose-Insulin Metabolism Models for Children with Type I. // Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Proceedings, 2005.

6.      E.Teufel, M.Kletting, W.G.Teich, H.-J.Pfleiderer, C.Tarin-Sauer. Modeling the Glucose Metabolism with Backpropagation through Timetrained Elman Nets. // Proceedings of the 13th IEEE Workshop on Neural Network for Signal Processing, 2003, pp 789 – 798.

7.      W.A.Sandham, D.J.Hamilton, A.Jappx, K.Pattersod. Neural network and neuro-fuzzy systems for improving diabetes therapy. // Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vol. 20, No 3, 1998, pp 1438-1441.

8.      F.Andrianasy, M.Milgram. Applying neural networks to adjust insulin pump doses. // Proceedings of the 1997 IEEE Workshop «Neural Networks for Signal Processing», pp. 182 – 188.

9.      R.A.Z.Towards. Neural Network Model for Insulin/Glucose in Diabetics-II // Informatica, No 29, 2005, pp. 227–232.

10.  S.G.Mougiakakou, K.S.Nikita. Neural network system for outpatient management of insulin dependent patients. // Proceedings of the First Joint BMES/EMES Conference Serving Humanity, Advancing Technology, 1999, pp. 697.

11.  H.K.Phee, W.L.Tung, C.Quek. A Personalized Approach to Insulin Regulation Using Brain-Inspired Neural Semantic Memory in Diabetic Glucose Control. // Proceedings of the IEEE Congress «Evolutionary Computation 2007», pp 2644 – 2651.



12.  M.F.Alamaireh. A Predictive Neural Network Control Approach in Diabetes Management by Insulin Administration. // Proceedings of the IEEE Conference «Information and Communication Technologies», 2006, pp 1618 – 1623.

13.  K. Zarkogianni, S. G. Mougiakakou et al. An Insulin Infusion Advisory System for Type 1 Diabetes Patients based on Non-Linear Model Predictive Control Methods. // Proceedings of the 29th Annual International Conference of the IEEE EMBS, 2007, pp. 5971 – 5974.

Поделитесь с Вашими друзьями:
1   2   3


База данных защищена авторским правом ©nethash.ru 2017
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал