This is not the latest version of this item. The latest version can be found here.
Intelligent Control for Insulin Delivery
| dc.contributor.author | KASMI Wisem : | |
| dc.contributor.author | HACHEMI Manar | |
| dc.contributor.author | KARA MOHAMED , Chafia Supervisor | |
| dc.contributor.author | HAMCDI CHERIF, Saliha Co-Supervisor | |
| dc.date.accessioned | 2026-11-15T08:06:57Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | This project presents an intelligent glucose management system for Type 1 Diabetes (T1D), integrating deep learning and reinforcement learning techniques to improve automated insulin delivery. The proposed framework combines a Long Short-Term Memory (LSTM) model for blood glucose prediction with two reinforcement learning algorithms, Soft Actor-Critic (SAC) and Proximal Policy Optimization (PPO), for insulin dosing decisions. The LSTM model was trained using real-world continuous glucose monitoring data from the HUPA-UCM dataset, while the reinforcement learning agents were trained and evaluated in the SimGlucose simulation environment. Experiments were conducted under single-patient and multi-patient settings involving 30 virtual patients. The results demonstrate that SAC combined with LSTM achieved the best performance, reaching a Time in Range (TIR) of 98.0% in the single-patient scenario and 85.7% in the multi-patient evaluation. These findings highlight the effectiveness of combining glucose prediction with reinforcement learning for adaptive insulin control and artificial pancreas applications. | |
| dc.description.sponsorship | Ce projet présente un système intelligent de gestion de la glycémie destiné au traite- ment du diabète de type 1 (DT1), intégrant des techniques d’apprentissage profond et d’apprentissage par renforcement afin d’améliorer l’administration automatisée de l’in- suline. Le cadre proposé combine un modèle Long Short-Term Memory (LSTM) pour la prédiction de la glycémie avec deux algorithmes d’apprentissage par renforcement, à savoir Soft Actor-Critic (SAC) et Proximal Policy Optimization (PPO), pour la prise de décision relative aux doses d’insuline. Le modèle LSTM a été entraîné à partir de données réelles de surveillance continue du glucose issues de la base de données HUPA-UCM, tandis que les agents d’apprentis- sage par renforcement ont été entraînés et évalués dans l’environnement de simulation SimGlucose. Les expériences ont été menées dans des scénarios à patient unique ainsi que dans des scénarios multi-patients impliquant 30 patients virtuels. Les résultats obtenus montrent que la combinaison SAC–LSTM a offert les meilleures performances, atteignant un Time in Range (TIR) de 98,0 % dans le scénario à patient unique et de 85,7 % dans l’évaluation multi-patients. Ces résultats mettent en évidence l’efficacité de l’intégration de la prédiction glycémique et de l’apprentissage par ren- forcement pour le contrôle adaptatif de l’insuline et le développement de systèmes de pancréas artificiel plus performants. | |
| dc.identifier.other | MAI/1045 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4170 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Type 1 Diabetes | |
| dc.subject | Artificial Pancreas System | |
| dc.subject | Blood Glucose Prediction | |
| dc.subject | LSTM | |
| dc.subject | Reinforcement Learning | |
| dc.subject | Soft Actor-Critic (SAC) | |
| dc.subject | Proximal Policy Optimization (PPO) | |
| dc.subject | SimGlucose | |
| dc.subject | Time in Range (TIR). | |
| dc.title | Intelligent Control for Insulin Delivery | |
| dc.type | Thesis |
