کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8253673 1533614 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Is type 1 diabetes a chaotic phenomenon?
ترجمه فارسی عنوان
آیا دیابت نوع 1، یک پدیده آشوبناک است؟
کلمات کلیدی
دیابت، آشوب، نمای لیاپانوف ، جاسازی مختصات تاخیری ، بعد همبستگی ، تغییرات قند خون
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2- مواد و روش¬ها

2.1- سیستم های نظارت مداوم قندخون

2.2- روش ها

2.2.1 تاخیر زمانی

2.2.2- بعد جاسازی

2.2.3 بعد همبستگی

2.2.4- آزمایش جبری

2.2.5- نمایه لیاپانوف بیشینه

3- نتایج

3.1- بیمار 1

3.1.1- اطلاعات قندخون

3.1.2- تاخیر زمانی

شکل 1: تغییرات قندخون در 14 شب متوالی برای بیمار 1

شکل 2: متوسط اطلاعات متقابل I(τ ) برای بیمار 1

شکل 3: اعشار نزدیک ترین همسایه کاذب به عنوان تابعی از بعد جاسازی m برای بیمار 1

3.1.3- بعد جاسازی

جدول 1: اعشار نزدیک ترین همسایه کاذب به عنوان تابعی از بعد جاسازی m

شکل 4: نمودار جداسازی فضایی زمانی برای بیمار 1

شکل 5: مقادیر مجموع همبستگی C(r) برای بیمار 1. ناحیه مقیاسی بین دو خط عمودی قرار دارد: از مقدار پنجم تا نهم r (برای r چیزی کمتر از 3 تا چیزی کمتر 7)

3.1.4- بعد همبستگی

شکل 6: شیب خطی مجموعات همبستگی در ناحیه مقیاسی برای بیمار 1. شیب در بین دو خط عمودی ثابت می شود. برای mهای 5 و 6 و 7 و 8، شیب تقریبا در عدد 721/1 ثابت می ماند.

3.1.5- آزمایش جبری

3.1.6- بیشینه نمایه لیاپانوف

جدول 2: تعداد داده های 14 شب متوالی برای هر بیمار

شکل 7: مقادیر تابع S(δ) برای بیمار 1. ناحیه مقیاسی بین دو خط عمودی از δ = 1 تا δ = 6 می باشد.

شکل 8: شیب خطی مقادیر تابع S(δ) در ناحیه مقیاسی برای بیمار 1. شیب تقریبا برای mهای 12 تا 17، در عدد 015/0 ثابت است.

جدول 3: اعشار نزدیک ترین همسایه کاذب به عنوان تابعی از بعد جاسازی m

3.2- بیمار 1 تا 10

3.2.1- طول داده

3.2.2- متوسط اطلاعات متقابل: تعیین تاخیر زمانی τ 

3.2.3- نزدیک ترین همسایه های کاذب: تعیین بعد جاسازی m 

3.2.5- آزمایش جبری

جدول 4: تخمین های بعد همبستگی برای هر بیمار

جدول 5: فاکتور جبری κ در 14 شب متوالی برای هر بیمار

جدول 6: تخمین های نمایه لیاپانوف بیشینه (MLE)  و زمان لیاپانوف (LT)  برای هر بیمار

3.2.6- نمایه لیاپانوف بیشینه و زمان لیاپانوف

4- بحث
ترجمه چکیده
یک پایگاه داده از ده بیمار با دیابت نوع1 که یک دستگاه نظارت دائم قندخون را همراه خود دارند، تشکیل شده تا تغییرات مداوم قندخون آن ها را در تمام دقیقه های روز در چهارده روز متوالی ثبت کنند. برای هر بیمار، این آمار نشان دهنده یک سری زمانی متشکل از یک مقدار گلیسمی در دقیقه در طول 24 ساعت از 14 روز است، به عبارتی، 20160 نقطه داده . بنابراین، هنگام استفاده از روش های عددی، این سری های زمانی به شکلی ناشناس بررسی شدند. با این توصیفات، به دلیل ورودی های تصادفی ناشی از فعالیت های روزانه هر انسانی، نمی توان آشوب را از نویز (سر و صدا)، تمیز داد. بنابراین، تصمیم گرفتیم تنها 14 شب بیماران را در نظر بگیریم. از این رو، تعیین تاخیر زمانی و ابعاد جاسازی بر اساس جاسازی مختصات تاخیری به ما اجازه داد تا برای هر بیمار، بعد همبستگی و بیشینه نمایه لیاپانوف را تخمین بزنیم. این موضوع باعث شد تا ما نشان بدهیم که دیابت نوع 1 حقیقتا می تواند یک پدیده آشوبناک باشد. هنگامی که این تیجه توسط آزمایش جبری تایید شد، زمان لیاپانوف را محاسبه کردیم و متوجه شدیم که حد قابل پیشبینی این پدیده تقریبا برابر با نیمی از چرخه خواب – رویا 90 دقیقه ای است. امیدواریم نتایج ما ثابت شود و برای تشخیص و پیشبینی تغییرات قندخون مفید باشد.
موضوعات مرتبط
مهندسی و علوم پایه فیزیک و نجوم فیزیک آماری و غیرخطی
پیش نمایش مقاله
آیا دیابت نوع 1، یک پدیده آشوبناک است؟
چکیده انگلیسی
A database of ten type 1 diabetes patients wearing a continuous glucose monitoring device has enabled to record their blood glucose continuous variations every minute all day long during fourteen consecutive days. These recordings represent, for each patient, a time series consisting of 1 value of glycaemia per minute during 24 h and 14 days, i.e., 20,160 data points. Thus, while using numerical methods, these time series have been anonymously analyzed. Nevertheless, because of the stochastic inputs induced by daily activities of any human being, it has not been possible to discriminate chaos from noise. So, we have decided to keep only the 14 nights of these ten patients. Then, the determination of the time delay and embedding dimension according to the delay coordinate embedding method has allowed us to estimate for each patient the correlation dimension and the maximal Lyapunov exponent. This has led us to show that type 1 diabetes could indeed be a chaotic phenomenon. Once this result has been confirmed by the determinism test, we have computed the Lyapunov time and found that the limit of predictability of this phenomenon is nearly equal to half the 90 min sleep-dream cycle. We hope that our results will prove to be useful to characterize and predict blood glucose variations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chaos, Solitons & Fractals - Volume 111, June 2018, Pages 198-205
نویسندگان
, , , , , , , , ,