Сучасні підходи до реалізації безперервного моніторингу глюкози для прогнозування гіпо- та гіперглікемічних станів

Abstract

Робота присвячена дослідженню та аналізу сучасних методів цифрової обробки сигналів і машинного навчання для підвищення точності систем безперервного моніторингу глюкози (CGM). Обґрунтовано важливість CGM як ядра систем «штучної підшлункової залози» та розглянуто технічні проблеми, пов'язані з вимірювальними шумами та фізіологічною затримкою сенсорів. Проведено порівняльний аналіз багатоетапної архітектури обробки даних, яка включає калібрування за методом Кінга для усунення систематичних похибок, адаптивну фільтрацію Калмана для очищення сигналу в реальному часі, а також прогнозування глікемічних подій за допомогою класичних методів машинного навчання ($k$-NN, SVM) та рекурентних нейронних мереж (LSTM). Доведено перевагу гібридної архітектури (фільтр Калмана + LSTM) для мінімізації впливу затримок і персоналізації прогнозів критичних станів (гіпо- та гіперглікемії) з метою підвищення безпеки пацієнтів.