Hodnocení zdraví pomocí chytrých zařízení

Abstract

Tato práce se zabývá možností neinvazivního stanovení glykémie z fotopletysmografických signálů. Zvýšená glykémie často souvisí s onemocněním zvaným diabetes mellitus, což je jedno z nejčastějších chronických onemocnění na světě. Neléčený diabetes bývá často příčinou úmrtí. Cílem práce je vytvořit algoritmus pro klasifikaci a predikci glykémie. Nejdříve byly naměřeny dvě databáze PPG signálů s využitím dvou chytrých zařízení (chytrý náramek a chytrý telefon). Současně byla měřena také referenční hodnota glykémie invazivně. PPG signály byly předzpracovány a byly z nich extrahovány vhodné příznaky pro klasifikaci i predikci konkrétní hodnoty glykémie. Následně bylo vytvořeno několik různých modelů pro klasifikaci glykémie do dvou skupin (nízká a vysoká glykémie) a pro predikci konkrétní hodnoty glykémie.This thesis deals with the possibilities of non-invasive determination of blood glucose from photoplethysmographic signals. Elevated blood sugar is often associated with disease called diabetes mellitus. Diabetes is one of the world’s major chronic diseases. Untreated diabetes is often a cause of death. The aim of the work is to propose methods for glycemic classification and prediction. Two datasets have been created by recording the PPG signals using two smart devices (a smart wristband and a smartphone), along with their blood glucose levels measured in an invasive way. The PPG signals were preprocessed, and suitable features were extracted from them. Various machine-learning models for glycemic classification and prediction were created.