DiabetesGuardian — ผู้ช่วยอัจฉริยะสำหรับผู้ป่วยเบาหวาน

🔷 รายละเอียดโปรเจกต์ (Project Description)

1. แนวคิดและแรงบันดาลใจ (Problem Statement & Motivation)

ปัญหา: ผู้ป่วยเบาหวานจำนวนมากไม่สามารถติดตามระดับน้ำตาลในเลือดได้อย่างต่อเนื่อง โดยเฉพาะกลุ่มที่ไม่มีอุปกรณ์ CGM ซึ่งอาจเสี่ยงต่อการเกิดภาวะน้ำตาลต่ำหรือสูงเกินไป

แรงบันดาลใจ: จากปัญหาดังกล่าว DiabetesGuardian จึงถูกพัฒนาขึ้นเพื่อเป็นผู้ช่วยอัจฉริยะที่สามารถคาดการณ์ระดับน้ำตาลในเลือดตามข้อมูลส่วนตัว และแนะนำโภชนาการที่เหมาะสม รวมถึงแจ้งเตือนฉุกเฉินเมื่อมีระดับน้ำตาลผิดปกติ

เป้าหมาย: เพิ่มความปลอดภัยและคุณภาพชีวิตให้กับผู้ป่วยเบาหวานโดยการใช้เทคโนโลยี Mobile + AI เพื่อคำนวณและคาดการณ์ระดับน้ำตาล รวมทั้งแนะนำการดูแลที่เหมาะสม

---

2. กลุ่มเป้าหมาย (Target Users)

• ผู้ป่วยเบาหวาน ที่ต้องการติดตามระดับน้ำตาลในเลือด

• ผู้ที่ไม่มีอุปกรณ์ CGM และต้องการเครื่องมือช่วยในการคาดการณ์ระดับน้ำตาลจากข้อมูลพฤติกรรม เช่น อาหาร การนอน ความเครียด

• ผู้ดูแลผู้ป่วยที่ต้องการรับแจ้งเตือนเมื่อผู้ป่วยมีน้ำตาลต่ำ/สูงเกินไป

---

3. รูปแบบแอปพลิเคชัน

• พัฒนาเป็น Mobile Application ด้วย Flutter (Android)

• ใช้ Firebase Realtime Database / Firestore สำหรับบันทึกข้อมูลสุขภาพ ซึ่งมีมาตรการการเข้ารหัสข้อมูลเพื่อป้องกันการเข้าถึงจากบุคคลที่ไม่ได้รับอนุญาต

• ระบบแจ้งเตือน:

  • Push Notification (FCM) → แจ้งผู้ใช้ทันทีบนมือถือ

  • LINE Messaging API → ส่งข้อความไปยังผู้ดูแล (กรณีฉุกเฉิน)

---

4. เทคโนโลยีที่ใช้

• ภาษาหลัก: Dart (Flutter), Python (Model training)

• ฐานข้อมูล: Firebase Realtime / Firestore

• ระบบแจ้งเตือน: FCM + LINE Messaging API

• โมเดลวิเคราะห์:

  • LSTM: วิเคราะห์ข้อมูลลำดับเวลา เช่น CGM

  • Kalman Smoothing: ลด noise ในข้อมูล CGM

  • XGBoost: ทำนายโอกาสเป็นเบาหวาน

  • Random Forest: วิเคราะห์จากข้อมูลสุขภาพรวม

  • Multivariate Regression: ทำนายระดับน้ำตาลแบบไม่มี CGM

  • KMeans: จัดกลุ่มอาหารที่เหมาะสม

  • Rule-based: ใช้เงื่อนไขการคำนวณ (เช่น glycemic load)

---

5. ฟีเจอร์หลักของระบบ

ฟีเจอร์	รายละเอียด
🧪 ประเมินสถานะเบาหวาน	ใช้โมเดล XGBoost ประเมินความเสี่ยงเป็นเบาหวานจากข้อมูลพื้นฐาน
🔮 พยากรณ์ระดับน้ำตาล (มี/ไม่มี CGM)	ทำนายล่วงหน้าด้วย LSTM + Kalman หรือ Regression จากพฤติกรรม
🍽 คำนวณผลกระทบจากอาหาร	วิเคราะห์คาร์โบไฮเดรตจากมื้ออาหารแล้วคำนวณน้ำตาลที่จะเพิ่มขึ้น
🥦 แนะนำอาหาร	ใช้ clustering แนะนำเมนูสุขภาพหลากหลาย
🆘 แจ้งเตือนฉุกเฉิน	แจ้งทันทีเมื่อน้ำตาล < 70 หรือ > 200 ผ่าน FCM และ LINE
⌚ เชื่อมต่ออุปกรณ์	ดึงข้อมูลจาก Smartwatch เช่น Heart Rate, Sleep, Activity

---

6. ชุดข้อมูลที่ใช้

Dataset	ฟีเจอร์ที่ใช้	วิธีใช้ / โมเดลที่เหมาะสม
Diabetes_prediction_dataset	🧪 ประเมินสถานะเบาหวาน	ใช้สำหรับ training classification model เช่น Logistic Regression, Random Forest, XGBoost
Pima Indians Diabetes Database	🧪 ประเมินสถานะเบาหวาน	ใช้ร่วมกับชุดด้านบนเพื่อเพิ่มความแม่นยำในการ train classifier
CGMacros	🔮 พยากรณ์น้ำตาลล่วงหน้า, 🍽 ผลกระทบอาหาร	ใช้สร้าง/เทรนโมเดล Time Series (LSTM, GRU) หรือ Kalman Filter + Smoothing
Fitness Tracker Dataset	⌚ เชื่อม Smartwatch, 🍽 ผลกระทบอาหาร, 🔮 พยากรณ์น้ำตาล	ใช้ทำ Feature Engineering จากกิจกรรม เช่น steps, HR, sleep
Healthcare Real-Time Risk Dataset	🧪 ประเมินความเสี่ยงเบาหวานแบบกว้าง	ใช้เสริมฟีเจอร์เชิงป้องกัน เช่น แจ้งเตือนความเสี่ยงสุขภาพจากปัจจัยร่วม
Sleep Health and Lifestyle Dataset	🍽 ผลกระทบอาหาร, 🔮 พยากรณ์น้ำตาล	ใช้เป็น feature เสริม เช่น นอนไม่พอ → น้ำตาลมีแนวโน้มตกเร็ว
OhioT1DM	🔮 พยากรณ์น้ำตาลล่วงหน้า	ใช้ฝึก Time Series Model สำหรับผู้ใช้ที่มี CGM
timeseriesanalysis1	🔮 พยากรณ์น้ำตาล, ⌚ แนวโน้มสุขภาพ	ใช้ทดสอบโมเดล Time Series หรือใช้แทน CGM dataset จำลอง
ข้อมูลโภชนาการไทย	🍽 คำนวณผลกระทบจากอาหาร, 🥦 แนะนำอาหาร	สร้างฐานข้อมูลเมนูไทยและคาร์โบไฮเดรต

---

7. ประโยชน์และผลกระทบที่คาดว่าจะเกิดขึ้น

• เพิ่มความปลอดภัย ลดความเสี่ยงจากภาวะน้ำตาลต่ำ/สูง

• ส่งเสริมให้ผู้ป่วยดูแลตัวเองอย่างมีระบบ

• ลดภาระผู้ดูแลและทีมแพทย์ในการเฝ้าระวัง

---

ตัวอย่างบทความที่คล้ายคลึงกันกับโปรเจคนี้

1. Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural Network

บทความนี้ใช้โมเดล LSTM (Long Short-Term Memory) เพื่อพยากรณ์ระดับน้ำตาลในเลือดของผู้ป่วยเบาหวาน โดยอาศัยข้อมูลที่วัดจากเครื่องตรวจน้ำตาล (SMBG)

• ใช้ข้อมูลจากผู้ป่วยเบาหวานชนิดที่ 2 เก็บข้อมูลน้ำตาล 4 ครั้ง/วัน

• ใช้โมเดล LSTM ทำนายค่าในอนาคต

• แบ่งข้อมูลเป็น train 80%, test 20%

• ใช้ Adam Optimizer และ RMSE วัดความแม่นยำ

ผลลัพธ์

• ค่า RMSE ประมาณ 18.79 mg/dL

• สามารถทำนายได้แม่นพอสมควร

ข้อดี

• ใช้โมเดล LSTM ที่เหมาะกับข้อมูลลำดับเวลา

• ทำงานกับข้อมูลจริงของผู้ป่วย

• เหมาะกับการเริ่มต้นพัฒนาโมเดล AI ด้านสุขภาพ

ข้อจำกัด

• ใช้ข้อมูลจาก SMBG เท่านั้น (ไม่ใช่ CGM)

• ไม่ใช่ระบบแบบ real-time

• ไม่มีการเชื่อมโยงกับพฤติกรรม เช่น อาหาร หรือกิจกรรม

https://ieeexplore.ieee.org/document/9167734ieeexplore.ieee.org

3MB

Prediction_of_Blood_Glucose_Level_by_using_an_LSTM_based_Recurrent_Neural_networks.pdf

pdf

2. Stacked LSTM with Kalman Smoothing for Blood Glucose Prediction

บทความนี้พัฒนาโมเดล Stacked LSTM (LSTM หลายชั้น) พร้อมใช้เทคนิค Kalman Smoothing เพื่อช่วยให้ข้อมูลจาก CGM ที่มี noise แม่นยำขึ้น

• ใช้ข้อมูลจากผู้ป่วยจริงในชุด OhioT1DM Dataset

• ข้อมูล: น้ำตาล (CGM), คาร์บ, อินซูลิน, จำนวนก้าว

• ใช้ Kalman smoothing ปรับค่าก่อนป้อนเข้า LSTM

• ประเมินผลด้วย RMSE และ MAE

ผลลัพธ์

• ค่า RMSE ลดลงเหลือ 5.89 mg/dL (จากเดิม 18+)

• แม่นยำกว่าวิธีทั่วไปอย่าง RNN หรือ GRU

ข้อดี

• ลด noise ได้ดีมาก

• ใช้หลายแหล่งข้อมูลประกอบ เช่น คาร์โบ อินซูลิน

• เหมาะกับพัฒนาโมเดล AI ที่แม่นยำสูง

ข้อจำกัด

• ใช้ข้อมูลจากผู้ป่วยเพียง 6 คน

• ยังไม่พร้อมสำหรับการใช้งานต่อเนื่องจริง

• ไม่มีระบบแจ้งเตือนหรือแนะนำอาหาร

Stacked LSTM Based Deep Recurrent Neural Network with Kalman...arXiv.org

1MB

Stacked LSTM Based Deep Recurrent Neural Network with Kalman.pdf

pdf

3. Mobile SDK for Real-Time Blood Glucose Prediction

บทความนี้พัฒนา ชุดพัฒนาโปรแกรม (SDK) สำหรับแอปมือถือ เพื่อเชื่อมข้อมูลจากอุปกรณ์ต่าง ๆ (เช่น CGM, สมาร์ตวอทช์, แอปสุขภาพ) แล้วนำไปพยากรณ์ระดับน้ำตาลแบบเรียลไทม์

• SDK ดึงข้อมูลจาก HealthKit, Apple Watch, Oura Ring ฯลฯ

• ใช้ Ridge Regression เป็นตัวอย่างโมเดล

• ทดสอบกับอาสาสมัคร 1 คน ตลอด 24 ชม.

• พยากรณ์ล่วงหน้าได้ 30-60 นาที

ผลลัพธ์

• พยากรณ์ได้แม่นกว่าการใช้เฉพาะ CGM

• ดึงข้อมูลแบบเรียลไทม์สำเร็จ

ข้อดี

• ไม่ต้องให้ผู้ใช้กรอกข้อมูลเอง

• รองรับอุปกรณ์สุขภาพจริง

• SDK นำไปพัฒนาแอปอื่นต่อได้

ข้อจำกัด

• ทดลองกับผู้ใช้เพียง 1 คน

• ยังใช้โมเดลพื้นฐาน (Ridge)

• ไม่รวม AI ล้ำลึกแบบ LSTM ภายใน SDK

Mobile Software Development Kit for Real Time Multivariate Blood Glucose Prediction - IEEE Access %IEEE Access

https://ieeexplore.ieee.org/document/10379644ieeexplore.ieee.org

1MB

Mobile_Software_Development_Kit_for_Real_Time_Multivariate_Blood_Glucose_Prediction.pdf

pdf

4. Sugarmate (แอปติดตามระดับน้ำตาลพร้อมระบบแจ้งเตือน)

Sugarmate เป็นแอปพลิเคชันบนมือถือที่ทำงานร่วมกับ CGM (Continuous Glucose Monitor) เช่น Dexcom เพื่อแสดงระดับน้ำตาลในเลือดแบบเรียลไทม์ พร้อมระบบแจ้งเตือนเมื่อระดับน้ำตาลต่ำหรือสูงเกินไป โดยเน้นการ แจ้งเตือนฉุกเฉิน ไปยังผู้ดูแล เช่น โทรศัพท์อัตโนมัติ หรือข้อความ

• ดึงข้อมูลแบบ real-time จาก CGM (เช่น Dexcom G6) ผ่านระบบ Cloud

• แสดงกราฟและตัวเลขน้ำตาลในเลือดบนแอป

• ส่งการแจ้งเตือนผ่านเสียง, pop-up, หรือโทรหาเบอร์ฉุกเฉินที่ตั้งไว้

• สามารถตั้งเงื่อนไขการแจ้งเตือนได้เอง เช่น ระดับต่ำกว่า 70 mg/dL

• เชื่อมกับ Apple Calendar, Siri Shortcuts, หรืออุปกรณ์อื่น ๆ ได้

ผลลัพธ์ (จากประสบการณ์ผู้ใช้)

• ช่วยให้ผู้ดูแลทราบสถานะผู้ป่วยได้ทันทีเมื่อน้ำตาลผิดปกติ

• เพิ่มความปลอดภัยสำหรับผู้ป่วยโดยเฉพาะกรณีอยู่คนเดียว

• ใช้งานร่วมกับ Dexcom ได้แบบ seamless (ไม่ต้องสแกนเอง)

ข้อดี

• รองรับการ แจ้งเตือนอัตโนมัติ เมื่อระดับน้ำตาลผิดปกติ

• เชื่อมกับ CGM ได้แบบ real-time

• มีระบบโทรแจ้งเตือนผู้ดูแล (unique feature)

• อินเตอร์เฟซใช้งานง่าย และสามารถปรับแต่งการแจ้งเตือนได้

• ฟรี ไม่มีค่าใช้จ่าย

ข้อจำกัด

• ใช้ได้กับ Dexcom เท่านั้น (ไม่รองรับ CGM ยี่ห้ออื่น เช่น Libre)

• ไม่มีระบบ พยากรณ์ระดับน้ำตาลในอนาคต

• ไม่มีระบบแนะนำอาหารหรือการบริโภค

• ไม่สามารถปรับการแจ้งเตือนอิงตามพฤติกรรมหรือมื้ออาหาร

• ไม่สามารถใช้แบบ offline (ต้องเชื่อมต่ออินเทอร์เน็ตตลอดเวลา)

Get StartedSugarmate

5. mySugr (แอปติดตามเบาหวานโดย Roche Diagnostics)

mySugr เป็นแอปพลิเคชันมือถือที่ออกแบบมาเพื่อช่วยให้ผู้ป่วยเบาหวานสามารถ ติดตามระดับน้ำตาลในเลือด และพฤติกรรมสุขภาพอื่น ๆ ได้อย่างสะดวก โดยสามารถเชื่อมต่อกับอุปกรณ์ตรวจน้ำตาล เช่น Accu-Chek เพื่อดึงข้อมูลอัตโนมัติ และประเมินค่า HbA1c โดยประมาณ

• ผู้ใช้สามารถบันทึกข้อมูลน้ำตาลในเลือด, คาร์โบไฮเดรต, อินซูลิน, และกิจกรรมในแต่ละวัน

• เชื่อมต่อกับ Accu-Chek Guide / Instant ผ่าน Bluetooth

• ประมวลผลและแสดง กราฟแนวโน้มระดับน้ำตาล

• ประเมินค่า HbA1c ตามค่าที่ผู้ใช้กรอกหรือนำเข้ามา

• ส่งออกรายงานในรูปแบบ PDF สำหรับส่งให้แพทย์หรือผู้ดูแล

ผลลัพธ์ (จากการใช้งานทั่วไป)

• ผู้ใช้สามารถติดตามสุขภาพได้ง่ายขึ้น

• ลดภาระในการบันทึกข้อมูลด้วยระบบเชื่อมต่ออุปกรณ์

• ช่วยให้แพทย์เห็นแนวโน้มของระดับน้ำตาลระยะยาวได้ชัดเจนขึ้น

ข้อดี

• ใช้งานง่าย เหมาะกับผู้ป่วยเบาหวานทั่วไป

• เชื่อมต่อกับ Accu-Chek ได้แบบอัตโนมัติ

• แสดง กราฟภาพรวม และค่าเฉลี่ยต่าง ๆ ได้สวยงาม

• สามารถ ส่งออกข้อมูล ไปให้แพทย์ได้ง่าย

• มีระบบ gamification (เช่น monster points) เพื่อจูงใจผู้ใช้

ข้อจำกัด

• ไม่มีระบบแจ้งเตือนฉุกเฉิน เช่น เมื่อระดับน้ำตาลต่ำมาก

• ไม่มีการ พยากรณ์ล่วงหน้า ด้วย AI หรือโมเดลเชิงลึก

• ไม่สามารถแนะนำอาหารหรือพฤติกรรมเฉพาะบุคคล

• ใช้งานได้เต็มที่เมื่อเชื่อมกับอุปกรณ์ Accu-Chek เท่านั้น

• ไม่มีระบบสื่อสารกับผู้ดูแลโดยตรง (ไม่มีปุ่ม SOS หรือโทรแจ้ง)

แอปพลิเคชัน mySugr

mySugr Global - Make Diabetes Suck Less

---

ตารางการเปรียบเทียบความแตกต่างระหว่างบทความทั้ง 5 ข้างต้น

หัวข้อ	LSTM-RNN (IEEE 2020)	Stacked LSTM + Kalman	Mobile SDK (IEEE 2024)	Sugarmate	mySugr
วัตถุประสงค์	พยากรณ์ระดับน้ำตาลในอนาคต	พยากรณ์แม่นยำจาก CGM + พฤติกรรม	สร้าง SDK พยากรณ์แบบ real-time	แจ้งเตือนฉุกเฉินเมื่อระดับน้ำตาลต่ำ/สูง	ติดตามสุขภาพและแนวโน้มระดับน้ำตาล
ชุดข้อมูล (Dataset)	SMBG จากผู้ป่วยเบาหวานชนิดที่ 2	OhioT1DM	Apple Health + OhioT1DM	Dexcom (ผ่าน Cloud)	Accu-Chek, บันทึกด้วยตนเอง
ขนาดชุดข้อมูล	ไม่ระบุ	ผู้ป่วย 6 คน (8 สัปดาห์)	ทดสอบ 1 คนจริง + OhioT1DM	ไม่เปิดเผย	ไม่เปิดเผย
โมเดล (Model)	LSTM (1 ชั้น)	Stacked LSTM + Kalman Smoothing	Ridge Regression (โมเดลเบื้องต้น)	ไม่มีโมเดล AI	ไม่มีโมเดล AI
การทำงาน	ทำนายระดับน้ำตาลล่วงหน้า	ทำนายล่วงหน้า + ลด noise	SDK ดึงข้อมูลสุขภาพจริงแล้วพยากรณ์	แจ้งเตือนอัตโนมัติแบบโทรศัพท์/SMS	บันทึกข้อมูล, ประเมิน HbA1c, ส่งรายงาน
ความแม่นยำ (Accuracy)	RMSE ≈ 18.79 mg/dL	RMSE ลดเหลือ 5.89 mg/dL	ดีกว่า baseline (ไม่ได้ระบุ RMSE)	ขึ้นอยู่กับ CGM เดิม (Dexcom G6)	ขึ้นอยู่กับการกรอกข้อมูลหรือเครื่อง Accu-Chek
การใช้งาน	งานวิจัย / จำลอง	งานวิจัย / จำลอง	นักพัฒนาสามารถนำ SDK ไปสร้างแอป	ผู้ใช้ทั่วไปที่ใช้ Dexcom	ผู้ใช้ทั่วไป โดยเฉพาะคนใช้ Accu-Chek
ข้อดี	ใช้ LSTM กับข้อมูลจริง	แม่นยำสูง ลด noise ได้ดี	รองรับหลายอุปกรณ์, ไม่ต้องกรอกเอง	แจ้งเตือนฉุกเฉินแบบโทรได้	ใช้งานง่าย, ส่งออกข้อมูลได้
ข้อเสีย	ไม่มี CGM, ไม่ real-time	ข้อมูลจำกัด, ใช้ offline smoothing	ใช้โมเดลง่าย, ทดลองแค่คนเดียว	ใช้ได้กับ Dexcom เท่านั้น	ไม่มีพยากรณ์, ไม่มีแจ้งเตือนฉุกเฉิน

เปรียบเทียบความแตกต่างระหว่างโปรเจคของฉันกับบทความที่เกี่ยวข้อง

1. การรวมหลายฟีเจอร์ในระบบเดียว

• บทความที่ยกตัวอย่างมา: บทความส่วนใหญ่เน้นเพียงการพยากรณ์หรือการแจ้งเตือน

• โปรเจคของฉัน: รวมทุกฟีเจอร์ไว้ในระบบเดียว ได้แก่ พยากรณ์ระดับน้ำตาล, แจ้งเตือนผู้ดูแล, วิเคราะห์พฤติกรรม, แนะนำอาหาร, ประเมินระดับเบาหวาน และเชื่อมต่ออุปกรณ์ได้

2. การวิเคราะห์พฤติกรรมของผู้ใช้

• บทความที่ยกตัวอย่างมา: ยังไม่มีงานใดที่นำข้อมูลเช่น การนอน ความเครียด หรือการออกกำลังกายมาใช้

• โปรเจคของฉัน: การวิเคราะห์ข้อมูลการนอนหลับ, ระดับความเครียด, และกิจกรรมการออกกำลังกาย ร่วมกับข้อมูลระดับน้ำตาล เพื่อให้คำแนะนำที่แม่นยำและสอดคล้องกับไลฟ์สไตล์ของผู้ใช้

3. การแจ้งเตือนแบบอัตโนมัติ

• บทความที่ยกตัวอย่างมา: Sugarmate มีแจ้งเตือน แต่ไม่รองรับทุก CGM และต้องเชื่อม Dexcom เท่านั้น / mySugr ไม่มีแจ้งเตือน

• โปรเจคของฉัน: แจ้งเตือนฉุกเฉินผ่าน LINE Messaging พร้อมปุ่ม SOS ภายในแอปพลิเคชัน เพื่อความปลอดภัย

4. การให้คำแนะนำด้านโภชนาการแบบเฉพาะบุคคล

• บทความที่ยกตัวอย่างมา: ไม่มีแอปหรือบทความใดที่แนะนำอาหารตามระดับน้ำตาลแบบรายบุคคล

• โปรเจคของฉัน: ระบบแนะนำอาหารและปริมาณคาร์โบไฮเดรตที่ปรับให้เหมาะสมกับข้อมูลสุขภาพและพฤติกรรมการบริโภคของผู้ใช้ โดยอ้างอิงจากฐานข้อมูลอาหารที่ครอบคลุม

5. การเลือกใช้โมเดล AI

• บทความที่ยกตัวอย่างมา: ใช้ LSTM หรือโมเดลธรรมดา เช่น Ridge Regression (SDK)

• โปรเจคของฉัน: ใช้ LSTM ผสานกับ Kalman Smoothing เพื่อการพยากรณ์ระดับน้ำตาลที่มีความแม่นยำสูงและลดผลกระทบจากสัญญาณรบกวน

6. การเชื่อมต่อกับอุปกรณ์และฐานข้อมูลภายนอก

• บทความที่ยกตัวอย่างมา: ส่วนใหญ่จำลองหรือเชื่อมกับอุปกรณ์เดียว (เช่น Dexcom)

• โปรเจคของฉัน: รองรับการเชื่อมต่อกับอุปกรณ์ติดตามสุขภาพทั้ง Smartwatch / CGM

7. ความยืดหยุ่นและต่อยอดในอนาคต

• บทความที่ยกตัวอย่างมา: ส่วนใหญ่ยังเป็นงานวิจัยหรือแอปจำกัดขอบเขต

• โปรเจคของฉัน: ถูกออกแบบด้วย สถาปัตยกรรมที่พร้อมสำหรับการขยายฟีเจอร์ใหม่ๆ และการรองรับเทคโนโลยีที่เปลี่ยนแปลงไปในอนาคต

สรุป

โปรเจคของหนู มีความแตกต่างจากบทความที่เกี่ยวข้องอย่างชัดเจน ด้วยระบบครบวงจรที่ผสานการพยากรณ์ระดับน้ำตาลด้วย AI (LSTM + Kalman Smoothing), การแจ้งเตือนฉุกเฉิน, การวิเคราะห์พฤติกรรมเพื่อแนะนำอาหารเฉพาะบุคคลจากฐานข้อมูลจริง และการเชื่อมต่อกับอุปกรณ์สุขภาพ ทำให้ผู้ป่วยสามารถจัดการระดับน้ำตาลได้อย่างมีประสิทธิภาพและปลอดภัยยิ่งขึ้น ซึ่งแตกต่างจากงานวิจัยส่วนใหญ่ที่ยังอยู่ในระดับทดลอง และแอปทั่วไปที่ยังขาดฟีเจอร์สำคัญ ทำให้โปรเจคนี้โดดเด่นในด้านความแม่นยำ, ใช้งานได้จริง, รองรับการขยายในอนาคต และช่วยลดความเสี่ยงของภาวะฉุกเฉิน

🎯 สรุปสั้น:

“DiabetesGuardian” คือผู้ช่วยอัจฉริยะด้านเบาหวานในรูปแบบ Mobile App ที่วิเคราะห์ระดับน้ำตาลจากพฤติกรรมหรือ CGM ได้, ให้คำแนะนำอาหาร, แจ้งเตือนทันทีหากเกิดภาวะฉุกเฉิน และใช้เทคโนโลยี AI + Firebase เพื่อสร้างความปลอดภัยให้กับผู้ป่วยในทุกสถานการณ์

🔍 คำอธิบายโมเดลที่ใช้ในโปรเจกต์

ชื่อโมเดล	ประเภท	คำอธิบายแบบเข้าใจง่าย
LSTM (Long Short-Term Memory)	Deep Learning	โมเดลลึกที่ออกแบบมาเฉพาะสำหรับข้อมูลลำดับเวลา เช่น ข้อมูลน้ำตาลรายนาทีจาก CGM
XGBoost	Machine Learning (Boosting)	โมเดลเรียนรู้แบบ decision tree หลายต้นผสานกัน ใช้กับข้อมูลตาราง เช่น ทำนายว่าเป็นเบาหวานหรือไม่
Random Forest	Machine Learning (Bagging)	โมเดล tree หลายต้นแล้วเฉลี่ยผล ช่วยลด overfitting ทำงานดีกับข้อมูลสุขภาพที่มีหลายฟีเจอร์
Multivariate Regression	Predictive Model	โมเดลถดถอยหลายตัวแปร ใช้ทำนายค่าต่อเนื่อง เช่น น้ำตาล โดยอิงจากหลายปัจจัย เช่น อาหาร นอน ออกกำลังกาย
Kalman Smoothing	Time Series Filtering	เทคนิคปรับค่าน้ำตาลให้เรียบขึ้นจาก CGM ช่วยลด noise และทำให้กราฟพยากรณ์แม่นยำและอ่านง่ายขึ้น