Sistema para aquisição e gerência de dados de glicosímetro óptico não invasivo com implementação de algoritmo de inteligência computacional para melhoria da precisão de leitura de glicose
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Frederico Gualberto Ferreira Coelho
Janier Arias Garcia
Janier Arias Garcia
Resumo
A Diabetes Mellitus se caracteriza pela dificuldade ou até mesmo impossibilidade de metabolização da glicose, aumentando seu nível no sangue vertiginosamente. Como consequência, os métodos de tratamento são baseados no controle da taxa de glicose sanguínea. Para tal, é necessário que o paciente monitore os níveis glicêmicos, de modo a tomar as ações necessárias conforme a leitura realizada. Os dois processos de monitoramento utilizados com maior frequência atualmente são o medidor de glicemia a base de tiras reagentes e os sensores subcutâneos como Libre ®, por exemplo. Em ambos, o processo de leitura depende da interação com o sangue do paciente e, por consequência, mecanismos invasivos que envolvem a frequência de abertura de feridas no paciente. Além de gerar incômodo, ao utilizar esses métodos também ocorrem infecções, entre outros fatores clínicos. Assim, no contexto desse projeto, foi desenvolvido um medidor de glicose óptico não-invasivo que lança mão da Lei de Beer-Lambert pelo método de fotopletismografia para a leitura da glicose, validando a possibilidade da sua implementação em condições normais, garantindo respostas altamente confiáveis em tempo real. Com isso, foi necessário padronizar a captura e manipulação dos dados, além da otimização dos métodos de calibração do sensor desenvolvido, a fim de torná-lo passível de substituição em relação aos métodos invasivos. Foi construída uma plataforma IoT médica para centralização dos dados, além de dois novos modelos de calibração. O primeiro utilizou um algoritmo genético para a obtenção dos parâmetros de um modelo de regressão polinomial, explorando o conjunto de soluções arbitrado. O segundo foi uma Rede Neural Artificial para processar as séries temporais em formato gráfico e, assim, extrair a informação de glicose das curvas de intensidade de luz no tempo para os feixes de luz verde, vermelha e infravermelha, para fins de seleção do método mais eficaz. Os resultados foram promissores, em especial com o uso da rede neural para calibração. Ademais, ficou clara a necessidade de mais dados, considerando-se, inclusive, uma maior variabilidade de perfis de pacientes, de modo a melhorar a precisão e, ao mesmo tempo, tornar a solução tão generalista quanto esperado, se adequando, ao mesmo passo, às normas de saúde vigentes.
Abstract
Diabetes Mellitus is characterized by the difficulty or even the impossibility of metabolizing glucose, causing its levels in the blood to rise dramatically. As a result, treatment methods are based on controlling blood glucose levels. To achieve this, the patient must monitor their glucose levels in order to take the necessary actions based on the readings obtained. The two most commonly used monitoring methods today are the glucose meter based on reagent strips and subcutaneous sensors, such as the Libre® system, for example. In both cases, the reading process depends on the interaction with the patient’s blood, which consequently involves invasive mechanisms, including the frequency with which wounds are opened on the patient’s skin. In addition to causing discomfort, these methods can also lead to infections, among other clinical concerns. In this context, the project developed a non-invasive optical glucose meter that utilizes BeerLambert’s Law through the method of photoplethysmography to read glucose, validating its feasibility for implementation under normal conditions, ensuring highly reliable real-time responses. To achieve this, it was necessary to standardize the capture and handling of the data, as well as to optimize the sensor calibration methods developed, aiming to make it a viable replacement for invasive methods. A medical IoT platform was built to centralize the data, along with two new calibration models. The first used a genetic algorithm to obtain the parameters of a polynomial regression model, exploring an arbitrated set of solutions. The second involved an Artificial Neural Network to process time series in graphical format and, in this way, extract glucose information from the intensity curves of light over time for green, red, and infrared light beams, in order to select the most effective method.
The results were promising, especially with the use of the neural network for calibration. Furthermore, it became clear that more data is needed, considering a wider variability of patient profiles, in order to improve accuracy and, at the same time, make the solution as generalizable as expected, while complying with existing health regulations.
Assunto
Engenharia elétrica, Diabetes, Controle glicêmico, Monitoramento de paciente
Palavras-chave
Monitoramento não invasivo de glicose, Sensor de glicose óptico, Lei de Beer-Lmabert, Fotopletismografia (PPG), Monitoramento contínuo de glicose (GCM), Algoritmos genéticos, Redes neurais artificiais, IoT médica
Citação
Departamento
Endereço externo
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso aberto