| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Asins glikozes un dzīvesveida datu korelatīvā analīze veselības uzlabošanai |
| Title in English |
Correlational Analysis of Blood Glucose and Lifestyle Data for Improved Health Outcomes |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Dmitrijs Bļizņuks |
| Reviewer |
Amir Zarei Kalat |
| Abstract |
Prognozējošās sistēmas diabēta kontrolei var tikt izstrādātas, ņemot vērā
dzīvesveida faktorus un glikozes līmeni asinīs. Šajā bakalaura darbā tika izveidota uz
datiem balstīta sistēma glikozes līmeņa prognozēšanai un veselībai bīstamo
brīdinājumu ģenerēšanai, sasaistot glikozes rādītājus ar uztura, fizisko aktivitāšu un
stresa datiem. Pētījums ietvēr literatūras analīzi par diabēta prognozēšanas metodēm un
trīs prognozēšanas modeļu (ARIMA, loģistiskā regresija, LSTM) pielietošanu. Tika
apstrādāti un analizēti reāli pacientu dati, kā arī izveidota sistēma agrīnu brīdinājumu
ģenerēšanai par novirzēm glikozes dinamikā. Rezultāti parāda, ka dzīvesveida faktoru
iekļaušana būtiski uzlabo prognozēšanas precizitāti – īpaši LSTM modelis sasniedza
aptuveni 94% precizitāti 15 minūšu prognozēm un aptuveni 85% – 60 minūšu
prognozēm, pārsniedzot loģistiskās regresijas bāzes modeli (aptuveni 70–89%).
Kopumā darbs demonstrē, kā mašīnmācīšanās kopā ar programmatūru var uzlabot
diabēta pārvaldību, prognozējot glikozes svārstības un sniedzot savlaicīgus ieteikumus
intervenču veikšanai.
Darbs sastāv no 73 lapaspusēm, 26 attēliem, 2 tabulām, 1 pielikuma un 30
izmantotajiem literatūras avotiem. Tas strukturēts četrās galvenajās daļās: 1. nodaļa
(Literatūras apskats) analizē informācijas avotus par diabēta pārvaldību un
prognozēšanas metodēm; 2. nodaļa (Praktiskā daļa) apraksta izmantotos datus,
metodoloģiju un izstrādāto prognozēšanas sistēmu; 3. nodaļa (Veselības analīzes
sistēmas izstrāde un validācija) aplūko sistēmas darbību praksē; nobeigumā 4. nodaļa
(Rezultāti un secinājumi) apkopo iegūtos rezultātus, apskata ierobežojumus un sniedz
ieteikumus turpmākajam darbam. Papildmateriāli un detalizēti rezultāti atrodami
pielikumos. |
| Keywords |
diabēts, glikozes līmeņa monitorings, mašīnmācīšanās, LSTM, veselības datu analīze |
| Keywords in English |
diabetes, blood glucose monitoring, machine learning, LSTM, health data analysis |
| Language |
eng |
| Year |
2025 |
| Date and time of uploading |
25.05.2025 18:13:06 |
