Nugraha, Muhammad (2026) Non-Invasive Blood Glucose Prediction From Multimodal Data Using Machine Learning Models. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF 202416260 Final Thesis Draft Muhammad.pdf Restricted to Repository staff only until 24 June 2027. Download (2MB)

Arabic Abstract

تُعد ديناميكيات جلوكوز الدم بعد الوجبة مؤشراً مهماً للصحة الأيضية، إلا أن المراقبة المستمرة للجلوكوز (CGM) ما تزال مرتفعة التكلفة وشبه تداخلية للاستخدام اليومي واسع النطاق. تقيّم هذه الرسالة إمكانية التنبؤ قصير الأفق بمستوى الجلوكوز في ظروف الحياة اليومية باستخدام بيانات غير تداخلية يولدها المستخدم، من دون استخدام قيم CGM المتأخرة كمدخلات. استُخدمت مجموعة بيانات CGMacros (PhysioNet) مع مزامنة بيانات متعددة الأنماط على خط زمني بدقة دقيقة واحدة، شملت سجلات الوجبات وتركيبها الغذائي، وإشارات الساعة الذكية لمعدل ضربات القلب والنشاط، وترميزات الزمن اليومية (الإيقاع اليومي)، إضافةً إلى بعض السمات الشخصية والقياسات المخبرية الثابتة. صيغت المهمة كتنبؤ بجلوكوز t+30دقيقة مع تقسيمات زمنية خالية من تسرب المعلومات، مع الإبلاغ عن أفقَي 15 و60 دقيقة كمقارنات ثانوية .حقق خط أساس خاص بكل مشارك يعتمد على المتوسط اليومي MAE = 16.198 mg/dL (RMSE = 22.733؛ R^2=0.334)، ما يشير إلى أن البنية اليومية تفسّر جزءاً معتبراً من التغير لكنها تترك خطأً كبيراً. وقدّم نموذج XGBoost العالمي باستخدام متغيرات غير تداخلية تحسناً مقارنةً بخط الأساس. وتتمثل المساهمة المنهجية الرئيسة في تطوير تمثيل «حالة الوجبة» الذي يحوّل سجلات الوجبات إلى إشارات تعرض غذائي متناقص زمنياً ومؤشرات لتوقيت الوجبة. عند أفق 30 دقيقة، حقق النموذج النهائي MAE = 14.714 mg/dL (RMSE = 21.317؛ R^2=0.414)، وأظهرت تجارب الإزالة تدهوراً واضحاً عند حذف سمات حالة الوجبة. كما أبرزت تفسيرات SHAP أن الزمن منذ آخر وجبة وتعرض الكربوهيدرات من أهم العوامل المؤثرة. لم يؤدِّ حذف المتغيرات المخبرية إلى انخفاض الأداء، وقدمت معايرة انحياز بسيطة لكل مشارك تحسناً طفيفاً إضافياً، بينما كان أداء نموذج LSTM أقل من نموذج XGBoost. تؤكد النتائج إمكانية التنبؤ غير التداخلي قصير الأفق بالجلوكوز وتبرز أهمية تمثيل السمات في تصميم أنظمة دعم القرار.

English Abstract

Postprandial glucose dynamics are an important indicator of metabolic health, yet continuous glucose monitoring (CGM) remains costly and semi-invasive for broad everyday use. This thesis evaluates whether near-term glucose can be forecast in free-living settings using only non-invasive, consumer-generated data, without using lagged CGM values as predictors. Using the CGMacros dataset (PhysioNet), multimodal streams were synchronized to a minute-level timeline integrating meal logs with nutrient composition, smartwatch-derived physiology and activity signals, circadian time encodings, and selected static personal and laboratory variables. The primary task was formulated as t+30-minute glucose prediction under leak-free, time-aware train/validation/test splits (with 15- and 60-minute horizons reported as secondary comparisons). A subject-specific circadian-mean baseline achieved MAE 16.198 mg/dL (RMSE 22.733; R² 0.334), indicating that diurnal structure explains meaningful variability but leaves substantial residual error. A global XGBoost model using only non-invasive predictors improved performance beyond the baseline. The main methodological contribution is a meal-state representation that converts meal logs into time-decayed nutrient exposure signals and meal-timing indicators. At the 30-minute horizon, the final XGBoost model achieved MAE 14.714 mg/dL (RMSE 21.317; R² 0.414), and ablation analyses showed clear degradation when engineered meal-state features were removed. SHAP-based interpretability highlighted time since last meal and carbohydrate exposure as dominant drivers. Removing laboratory variables did not reduce performance, and lightweight subject-specific bias calibration provided a small additional gain, while an LSTM model underperformed the final XGBoost approach. Overall, results support non-invasive short-horizon glucose forecasting and emphasize the importance of feature representation for decision-support design

Item Type:	Thesis (Masters)
Subjects:	Management and Marketing
Department:	KFUPM Business School > Management and Marketing
Thesis Advisor:	Rasha Alahmad,
Thesis Committee Members:	Mousa Al-bashrawi, Zainab Olorunbukademi Abdulkareem,
Depositing User:	MUHAMMAD NUGRAHA
Date Deposited:	25 Jun 2026 08:16
Last Modified:	30 Jun 2026 09:21
URI:	https://eprints.kfupm.edu.sa/id/eprint/144622