ارائه الگوریتم جدید Fuzzy SARSA بهمنظور پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یک

یکی از عوارض خطرناک بیماری دیابت نوع یک افزایش و کاهش ناگهانی سطح غلظت قند خون می باشد که باعث بروز خطراتی چون اغماء و بیهوشی خواهد شد. بنابراین استفاده از روش هایی با درصد خطای پایین و هوشمند با اطلاعات موجود در جهت پیش بینی و در نهایت پیشگیری از این عوارض،گام مهمی در جهت کنترل بهینه بیماری محسوب می شود. به همین منظور در این مقاله ما از الگوریتم ترکیبی Fuzzy SARSA برای طراحی سیستم خبره در جهت پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یک استفاده کرده ایم. هدف از این مقاله، ارائه و پیاده سازی یک الگوریتم ترکیبی جدید مبتنی بر یادگیری تقویتی و منطق فازی به نام FSA(Fuzzy SARSA Algorithm) برای طراحی سیستم خبره می باشد.
داده های پزشکی مورد استفاده در این مقاله مربوط به 3 بیمار زن ایرانی مبتلا به دیابت نوع یک است، که 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 می باشد. در این مقاله از الگوریتم معروف یادگیری تقویتی به نام SARSA استفاده شده و با منطق فازی پیاده سازی شده و الگوریتم Fuzzy SARSA را در سیستم خبره برای پیش بینی نوسانات سطح قند خون بیماران مبتلا به دیابت نوع یک به کار برده ایم.
نتایج به دست 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 کوتاه اثر تزریقی به بدن (unit)، دز انسولین طولانی اثر تزریقی به بدن (unit)، سطح استرس (unit)، سطح فعالیت بدنی (unit)، کربوهیدرات مصرفی (gr)، فاصله میان ابتدا و انتهای بازه زمانی (hour) نشان می دهد که عامل توانسته در 85 درصد سطح قند خون را در بازه نرمال 80 تا 120 نگه داردو در 15 درصد خطایی که عامل داشته مواقعی است که عامل اکتشاف درستی برای تزریق انسولین کوتاه اثر و طولانی اثر نداشته است.
در پایان تحقیق با توجه به نتایج به دست آمده مشخص شد که الگوریتم پیشنهادی برای سیستم هوشمند با کاهش تقریبا 15 درصدی خطای پیش بینی نسبت به دیگر روش های متدوال و از جمله روش های مبتنی بر یادگیری تقویتی، می توانند به عنوان مدلی مناسب به منظور پیش بینی نوسانات سطح غلظت قند خون در بیماران مبتلا به دیابت نوع یک تلقی گردد، ضمن اینکه می توان از سایر روش های پیش بینی مبتنی بر هوش مصنوعی مانند شبکه های عصبی جهت پیش بینی دقیق استفاده کرد.