Hardware design of a model generator based on grammars for glucose prediction

Abstract

People with diabetes need to control their blood glucose levels to avoid dangerous situations such as getting into hypoglycemia or hyperglycemia. This process can be difficult for a person to carry it out, thus if any errors were to happen it could lead to clinical complications. The objective of this project is to design a parameterized hardware implementation over a Field Programmable Gate Array (FPGA) to generate blood glucose level predictors. Moreover, another aim is to present a novel technique based on genetic programming. By having the generation process in hardware, one can take advantage of its high-computing speed and low power consumption compared to its counterpart. Another advantage the hardware implementation gives is its capability to be embedded in a continuous glucose monitoring (CGM) system and an insulin pump to create a customizable and portable device. For the model generation, the new method designed is based on grammars, cartesian genetic programming with an evolutionary strategy (1+λ) using only mutation and a fitness function based on the Clarke Error Grid Analysis. The same design will accomplish the training and test of generated models, which will be independent to different prediction horizons. This way, one person will have different models depending on predictions made to 30-, 60-, 90- and 120-minute forecasting.Las personas diabéticas deben tener control sobre su nivel de azúcar en sangre para evitar episodios de hipoglucemia e hiperglucemia. Este proceso puede llegar a ser complejo de manejar para una persona, por lo que si se produce algún error, puede derivar en complicaciones. El objetivo de este trabajo es realizar un diseño hardware parametrizado sobre Field Programmable Gate Array (FPGA) para generar modelos de predicción de glucosa personalizados usando el respectivo conjunto de variables del paciente, así como emplear un método nuevo para lograrlo basado en programación genética. De esta forma, al llevarse el proceso de generación en un circuito hardware, se puede aprovechar la velocidad de cómputo y el bajo consumo que aporta realizar todo e proceso en un diseño físico especializado. Otra ventaja que aporta es la capacidad de fabricar un dispositivo personal que el paciente pueda usar cada vez que se tome mediciones e incluso servir de base para una bomba de insulina con capacidad de predicción gracias a sensores de monitorización. Para la generación de modelos se emplea una metodología diseñada en este trabajo, en la que se emplean gramáticas evolutivas y programación genética cartesiana con una estrategia evolutiva (1+λ), usando únicamente mutación y para la evaluación del fitness de los individuos se utilizará el Clarke Error Grid. El propio diseño implementará la evaluación y validación del modelo generado que será independiente para distintas ventanas de tiempo para la predicción. De esta forma, se tendrán modelos distintos para predicciones a 30, 60, 90 y 120 minutos.