Comparison of machine learning algorithms for blood glucose prediction on aida simulator

Abstract

Kan sekeri degeri tahmini, makine ögrenme tekniklerinin yaygınlasması ve günümüz bilgisayarlarının ve akıllı cihazların kapasitelerinin artmasıyla ilgi çeken konulardan biri haline geldi. Bu çalısmada amaç, benzer çalısmalardan esinlenerek, AIDA simülatörü ile elde edilen verilerle kan sekeri tahmini yapmak. Bu dogrultuda hedef, sanal ortamda test yapılmasını saglamak oldu. Simülatör kullanılmasının, veri toplamanın kolay ve hızlı olması, hamilelik, stres gibi çevresel etmenleri göz ardı etmesi gibi faydaları da mevcut. Tahminler, test anının 15, 30 ve 60 dakika sonrasındaki degerleri, destekçi vektör makinesi, karar agacı, Gauss süreci, k-en yakın komsu, rastgele orman ve sinir agları arasından da ileri ilerleyen, bulanık ve tekrarlayan yapay sinir agları algoritmalarıyla gerçeklestirildi. Bu çalısmanın sonucunda bulanık sinir agı, 15, 30 ve 60 dakikalık tahminlerde sırasıyla 1.19mg/dl, 2.53mg/dl ve 5.81mg/dl kök-ortalama karesel hata degerleri ile en iyi sonuca ulastı. Bu makalenin hedef kitlesi, kan sekeri tahmini üzerinde çalısacak ve elinde girdilere ve performans kriterlerine göre etkili bir model seçmeye çalısan arastırma grupları olarak düsünülmektedir. Bu çalısma, bilgisayar ortamında test amaçlı model olusturulması için bir rehber olma özelligi tasımaktadır. Aynı zamanda baglamı gerçek hasta verisi özellikleri kullanılarak kıyaslama testleri yapılması dogrultusunda da genisletilebilir.

of real patient data is that it is easy to collect data, and it disregards external factors like pregnancy or stress. For estimates with prediction horizons (PH) with 15,30 and 60 minutes, support vector regression (SVR), decision tree regression, Gaussian process regression, k-NN regression, random forest regression and for neural networks: recurrent neural network (RNN) with long short-term memory (LSTM) unit and neuro-fuzzy network and feed-forward neural network (FFNN)have been employed. Among multiple algorithms neuro-fuzzy network (ANFIS) has the best results with RMSE values of 1.19 mg/dl, 2.53mg/dl and 5.81mg/dl for 15,30 and 60 minutes prediction horizons (PH). The audience for this paper is the research community who works on BG prediction and looking for ways to design a model for an algorithm for their selected set of inputs. This study presents a guide to selecting an algorithm and build a model for in silico simulation. This research can be extended to real world data or converted into a tool to create benchmark tests for models with given features and hyperparameters.