增强糖尿病检测和血糖预测使用TinyML集成电子鼻子和呼吸分析:一种结合合成和现实世界的数据的新方法
Alberto Gudiño-Ochoa1, Julio Alberto García-Rodríguez2, Jorge Ivan Cuevas-Chávez1
1Electronics Department, Tecnológico Nacional de México/Instituto Tecnológico de Ciudad Guzmán, Ciudad Guzmán 49100, Mexico.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
这项研究使用人工智能创建合成患者数据,用于训练非侵入性电子鼻子系统. 这增强了机器学习模型,用于准确检测糖尿病和监测血糖水平.
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
- 数据科学数据科学数据科学
背景情况:
- 糖尿病需要持续监测血糖水平 (BGL).
- 使用电子鼻子 (e-noses) 的非侵入性方法分析呼吸中的挥发性有机化合物 (VOC).
- 之前的研究缺乏足够的患者数据来提供强大的机器学习模型.
研究的目的:
- 解决非侵入性糖尿病监测中的数据局限性.
- 使用条件生成对抗网络 (CTGAN) 生成合成患者数据.
- 在电子鼻子系统中验证用于糖尿病检测和BGL预测的机器学习模型.
主要方法:
- 使用CTGAN从58名参与者的现实世界数据生成了超过14000个合成样本.
- 集成机器学习模型 (LightGBM,随机森林) 进入一个微型机器学习 (TinyML) 电子鼻子系统.
- 用于实时BGL识别和糖尿病检测的验证模型.
主要成果:
- 使用LightGBM. 在BGL识别中获得了86%的准确性.
- 在使用随机森林的糖尿病检测中获得了94.14%的准确性.
- 证明了结合真实和合成数据的有效性,用于模型增强.
结论:
- 合成数据生成显著改善了用于糖尿病监测的机器学习模型性能.
- 采用TinyML驱动的电子鼻子系统为糖尿病管理提供了一个有前途的非侵入性方法.
- 这种方法通过增强的人工智能和传感器技术来推进医疗保健应用.
