对各种机器学习算法的比较分析,以提高使用手腕PPG数据估计HbA1c的准确性

科学领域:

• 生物医学工程 生物医学工程
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 针对糖化血红蛋白 (HbA1c) 监测的侵入性血液抽取会造成不便和感染风险.
• 为改善患者护理,对HbA1c估计的非侵入性方法的研究越来越多.
• 基于手腕的光电显微镜 (PPG) 为持续的,非侵入性监测提供了一个有前途的途径.

研究的目的:

• 开发和评估一个机器学习系统,以使用基于手腕的PPG信号来估计HbA1c水平.
• 调查新型交流-直流比特征对HbA1c估计性能的影响.
• 为了比较各种机器学习算法的有效性,用于非侵入性HbA1c监测.

主要方法:

• 利用来自22个受试者的PPG数据集来训练和测试机器学习模型.
• 采用了包括XGBoost,LightGBM,CatBoost和Random Forest在内的算法来进行HbA1c估计.
• 整合了三种波长的AC-DC比率作为新功能,与现有的15个PPG信号功能一起.

主要成果:

• 以特征重要性为基础的选择提高了模型性能,降低了计算负载.
• 确定了AC-DC比率特征是改善HbA1c估计准确性的主要贡献者.
• 准确的HbA1c估计可以实现,而不需要外部数据,如BMI或SpO2.

结论:

• 基于手腕的PPG与机器学习相结合,特别是具有新的交流-直流比特征,可实现有效的非侵入性HbA1c估计.
• 这种方法可以为糖尿病患者带来更容易获得和更方便的监测.
• 未来的手腕戴式设备的发展可以显著扩大非侵入性HbA1c监测能力.