ارائه الگوريتم جديد Fuzzy SARSA بهمنظور پيش بيني نوسانات سطح قند خون بيماران مبتلا به ديابت نوع يك

A NEW FUZZY SARSA ALGORITHM FOR BLOOD GLUCOSE LEVELPREDICTION IN TYPE 1 DIABETICS

مقدمه: یكی از عوارض خطرناك بیماری دیابت نوع یك افزایش و كاهش ناگهانی سطح غلظت قند خون می‌باشد كه باعث بروز خطراتی چون اغماء و بیهوشی خواهد شد. بنابراین استفاده از روش‌هایی با درصد خطای پایین و هوشمند با اطلاعات موجود در جهت پیش بینی و در نهایت پیشگیری از این عوارض،گام مهمی در جهت كنترل بهینه بیماری محسوب می‌شود. به همین منظور در این مقاله ما از الگوریتم تركیبی Fuzzy SARSA برای طراحی سیستم خبره در جهت پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یك استفاده كرده‌ایم. هدف از این مقاله، ارائه و پیاده سازی یك الگوریتم تركیبی جدید مبتنی بر یادگیری تقویتی و منطق فازی به نام FSA(Fuzzy SARSA Algorithm) برای طراحی سیستم خبره می‌باشد. روش‌ها: داده‌های پزشكی مورد استفاده در این مقاله مربوط به 3 بیمار زن ایرانی مبتلا به دیابت نوع یك است، كه شامل الگوهایی چون نوع و دز انسولین تزریقی، فاصله زمانی بین ساعات ثبت سطح غلظت قند خون و نیز سطح غلظت قند خون در ابتدای بازه زمانی می‌باشد. در این مقاله از الگوریتم معروف یادگیری تقویتی به نام SARSA استفاده شده و با منطق فازی پیاده‌سازی شده و الگوریتم Fuzzy SARSA را در سیستم خبره برای پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یك به‌كار برده‌ایم. یافته‌ها: نتایج به‌دست آمده برای سیستم خبره با الگوریتم پیشنهادی FSA برای عامل یادگیرنده با استفاده از پارامترهای، سطح غلظت قند خون در ابتدای بازه زمانی (mg/dlit)، دز انسولین كوتاه اثر تزریقی به بدن (unit)، دز انسولین طولانی اثر تزریقی به بدن (unit)، سطح استرس (unit)، سطح فعالیت بدنی (unit)، كربوهیدرات مصرفی (gr)، فاصله میان ابتدا و انتهای بازه زمانی (hour) نشان می‌دهد كه عامل توانسته در 85 درصد سطح قند خون را در بازه نرمال 80 تا 120 نگه داردو در 15 درصد خطایی كه عامل داشته مواقعی‌است كه عامل اكتشاف درستی برای تزریق انسولین كوتاه اثر و طولانی اثر نداشته است. نتیجه گیری: در پایان تحقیق با توجه به نتایج به‌دست آمده مشخص شد كه الگوریتم پیشنهادی برای سیستم هوشمند با كاهش تقریباً 15 درصدی خطای پیش‌بینی نسبت به دیگر روش‌های متدوال و از جمله روش‌های مبتنی بر یادگیری تقویتی، می‌توانند به‌عنوان مدلی مناسب به‌منظور پیش بینی نوسانات سطح غلظت قند خون در بیماران مبتلا به دیابت نوع یك تلقی گردد، ضمن اینكه می‌توان از سایر روش‌های پیش بینی مبتنی بر هوش مصنوعی مانند شبكه‌های عصبی جهت پیش‌بینی دقیق استفاده كرد.

Background: One of the serious complications of type 1 diabetes is a sudden increase and drop in blood glucose levels causing risks of anesthesia and coma. Thus, an important step towards the optimal control of the disease is to use intelligent methods with low error rate and available information in order to predict and prevent such complications. In this paper, a combined Fuzzy SARSA algorithm was employed to design an expert system to predict fluctuations in blood glucose levels in patients with type 1 diabetes. The aim of this paper is to propose and implement a new algorithm based on reinforcement learning and fuzzy logic called FSA (Fuzzy SARSA Algorithm) to develop an expert system. Methods: The medical data used in this article were related to 3 Iranian female patients with type 1 diabetes. The data included parameters such as the type and dose of injected insulin and time interval between the hours of recorded blood glucose level and the one at the beginning of the period. A well-known reinforcement learning algorithm called SARSA was implemented with fuzzy logic. The Fuzzy SARSA algorithm was used in an expert system to predict fluctuations in blood glucose levels in patients with type 1 diabetes. Results: The results of the expert system with the proposed FSA algorithm for a learning factor included the parameters of blood glucose level at the beginning of the period (mg/dlit), short-acting injected insulin dose in to the body (unit), long-acting injected insulin dose (unit), stress level (unit), physical activity level (unit), used carbs (gr), and the interval between the beginning and end of the period (hour). They indicated that the factor managed to keep blood glucose levels at 85% in a normal range of 80 to 120, and it had 15% error. The error was observed in cases in which there was no proper exploratory factor for short-acting and long-acting injected insulin. Conclusion: According to the results, it was found that the proposed algorithm for intelligent system, with an approximate reduction of 15% in prediction error, can be used as a good model to predict fluctuations in blood glucose levels in patients with type 1 diabetes in comparison with other conventional methods including the ones based on reinforcement learning. In addition, other prediction methods based on artificial intelligence such as neural networks can be used to predict the results accurately.