TAKVİYELİ ÖĞRENME VE AÇIKLANABİLİR YAPAY ZEKA İLE SANAL KAN ŞEKERI İZLEME SİSTEMİN GELİŞTİRMESİ

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Teknoloji Fakültesi, Bilişim Sistemleri Mühendisliği, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: Arsene ADJEVİ

Danışman: Serdar Solak

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Diyabette kan glukoz düzeylerinin dengede tutulması; beslenme, fiziksel aktivite, stres ve tedavi uygulamaları gibi çok sayıda etkileşimli faktöre bağlı, dinamik bir süreçtir. Sürekli glukoz izleme sistemleri ve makine öğrenmesindeki ilerlemeler kısa vadeli glukoz tahminlerini iyileştirmiş olsa da, metabolik dinamikleri daha iyi temsil edecek sinyal ön işleme yöntemleri ile tahmin modellerinin önleyici müdahale stratejileriyle bütünleştirilmesi halen sınırlıdır. Bu çalışmada, yalnızca araştırma amaçlı bir karar destek çerçevesi önerilmektedir. Çerçeve; üstel bozunum tabanlı sinyal ön işleme, evrişimsel sinir ağı (CNN) ile kısa vadeli glukoz tahmini, SHAP tabanlı özellik atfı ve aktör– eleştirmen pekiştirmeli öğrenme (RL) ajanını bir araya getirmektedir. Kompakt CNN modeli glukoz tahmini üretirken, SHAP analizi en etkili girdileri belirlemekte ve bu bilgiler, sınırlı ve tek adımlı davranışsal ayarlamalar öneren RL ajanını yönlendirmektedir. SHAP rehberli RL yaklaşımının belirsizliği nedeniyle sistem klinik kullanım için uygun olmayıp simülasyon amaçlıdır. OhioT1DM veri kümesi üzerinde yapılan deneylerde, önerilen model hasta başına 74 KB model boyutu ve bir dakikadan kısa eğitim süresiyle, farklı tahmin ufuklarında güncel yöntemlerle karşılaştırılabilir RMSE performansı elde etmiştir. Beş ila yirmi dakikalık tahminlerde öngörülerin %98'inden fazlası Clarke Grid hatasının A ve B bölgelerinde yer almıştır. Önleyici bileşen, hedef aralığa yakın durumlarda vakaların %25'inde hiperglisemi ve hipoglisemiyi 10 dakika içinde düzeltebilmiştir. Bu çalışma, tahmin doğruluğu, uyarlanabilirlik ve şeffaflığı birleştirerek, açıklanabilir ve kişiselleştirilmiş dijital sağlık sistemlerine yönelik yenilikçi bir yaklaşım sunmaktadır.