集成极端学习机器方法用于基于光聚合体图形信号的血红蛋白估计

科学领域:

• 生物医学工程 生物医学工程
• 医学诊断 医学诊断 医学诊断
• 机器学习应用 机器学习应用

背景情况:

• 准确的血红蛋白 (Hb) 度测量对于临床健康查和输血至关重要.
• 现有的非侵入性Hb检测方法需要提高准确性和稳定性,以获得临床适用性.

研究的目的:

• 开发和评估一种用于检测血红蛋白 (Hb) 度的新型非侵入性方法.
• 通过先进的机器学习技术,提高非侵入性Hb检测的准确性和稳定性.

主要方法:

• 建立了一个基于酒-兰伯特定律的数学模型,用于非侵入性Hb检测.
• 使用八波长的光聚合体图形 (PPG) 信号,然后进行无声化和特征提取.
• 采用递归特征消除 (RFE) 来进行特征选择,并使用集体极端学习机器 (EELM) 来进行回归建模.

主要成果:

• 拟议的EELM方法实现了1.72g/dL的根平均平方误差 (RMSE).
• 在预测值和参考Hb值之间观察到0.76的强皮尔森相关系数 (PCC) (p < 0.01).
• 该方法在249个临床病例 (199个培训,50个测试) 的数据集上得到验证.

结论:

• 开发的非侵入性Hb检测方法显示了临床应用的巨大潜力.
• 基于PPG信号的EELM回归模型为侵入性Hb测量提供了稳定而准确的替代方案.