使用血糖度通过极端梯度增强回归器机器学习模型估计血红素量
Kirti Sharma1, Pawan K Tiwari1, S K Sinha1
1Department of Physics, Birla Institute of Technology, Mesra, Ranchi 835215, India.
Journal of chemical information and modeling
|February 5, 2025
概括
这项研究使用基于葡萄糖度的机器学习模型预测血红素体积. 在生物医学信号处理应用中,XGBoost模型显示出有前途的准确性.
科学领域:
- 生物医学信号处理
- 医疗保健中的机器学习
- 糖尿病管理 糖尿病管理
背景情况:
- 糖尿病等生活方式疾病显著影响生理代谢,并与许多其他健康状况有关.
- 糖尿病的有效健康管理包括饮食,运动和定期监测血糖和血红素水平.
- 目前用于监测血红素体积的方法可能是侵入性的或需要专门的设备.
研究的目的:
- 开发和评估机器学习模型,从葡萄糖度数据中估计血红素量.
- 探索各种回归模型的有效性,包括线性回归,支持向量回归器,决策树,随机森林回归器,人工神经网络和极端梯度增强回归器.
- 通过提供一种非侵入性的血红素估计方法,增强生物医学信号处理的诊断能力.
主要方法:
- 利用电化学葡萄糖传感器发出的电压计信号,将葡萄糖度与血红素体积相关联.
- 在Python中使用80%的培训和20%的测试数据集训练和测试多个机器学习模型 (LR,SVR,DT,RFR,ANN,XGBoost).
- 使用R平方,平均平方误差和根平均平方误差评估模型性能,可靠性通过相对误差,K倍交叉验证和置信区间分析进行评估.
主要成果:
- 与线性回归和人工神经网络模型相比,极端梯度增强 (XGBoost) 回归模型表现出更高的性能.
- XGBoost在实际和预测血红素值之间实现了15%的相对误差.
- XGBoost模型的准确度为68%,标准偏差为6%,通过5倍交叉验证进行验证.
结论:
- 机器学习,特别是XGBoost模型,提供了一种可行的方法,可以从葡萄糖度数据中估计血红素体积.
- XGBoost模型的性能,灵活性和可解释性使其适合用于预测生物医学分析.
- 这种非侵入性方法有可能提高诊断能力,改善与糖尿病和血红素水平相关的疾病的管理.
