使用机器学习模型与非侵入性可穿戴设备数据估计血糖水平.

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 糖尿病影响全球数百万人,需要改进监测方法.
• 当前血糖水平 (BGL) 监测通常涉及侵入性技术.
• 使用可穿戴设备 (WDs) 的非侵入性方法对BGL预测有希望.

研究的目的:

• 调查线性和非线性模型在估计BGL时的准确性.
• 探索WD非侵入性特征和血糖健康标志物之间的关系.
• 评估在糖尿病患者中使用WDs用于BGL估计的可行性.

主要方法:

• 从13名参与者 (年轻人和成年人组) 收集了使用WDs的数据.
• 特性工程和机器学习 (ML) 模型的选择和开发.
• 使用RMSE和MAE等指标评估模型性能.

主要成果:

• 线性和非线性ML模型都在BGL估计中表现出高准确度.
• 实现的根平均平方误差 (RMSE) 范围:0.181到0.271.
• 实现的平均绝对误差 (MAE) 范围:0.093到0.142.

结论:

• 商业上可用的WD可以有效地用于使用ML方法对糖尿病患者的BGL估计.
• 提供了支持非侵入性监测血糖健康的证据.
• 突出了AI和WDs在增强糖尿病护理和治疗方面的潜力.