基于光聚缩学信号和临床数据集的贫血状况的分类

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
• 公共卫生 公共卫生

背景情况:

• 贫血是一个重要的全球公共卫生问题,特别影响儿童和孕妇.
• 传统的贫血诊断往往需要侵入性方法.
• 非侵入性血红蛋白 (Hb) 测量技术正在成为有效的替代方案.

研究的目的:

• 调查机器学习 (ML) 算法的有效性,用于使用光聚光学 (PPG) 信号诊断贫血.
• 为了比较两种不同的基于ML的贫血检测方法.
• 建立一种非侵入性方法,用于快速诊断贫血.

主要方法:

• 使用临床数据和PPG信号开发了两条基于ML的诊断轨道.
• 轨道1涉及数据标签,预处理和ML应用,具有四个特征.
• 轨道2包括数据标记,处理,信号增强,特征提取 (19个特征) 和ML应用,利用红色和红外测量.
• 在这两条轨道上应用了五倍交叉验证技术.

主要成果:

• 拟议的ML模型在识别贫血状况时实现了100%的分类准确性.
• 该研究证明了贫血状态的成功分类.
• 通过PPG信号分析实现了贫血检测的高精度.

结论:

• 机器学习算法是有效的非侵入性技术,用于识别贫血.
• 开发的ML模型验证了基于PPG的测量对贫血诊断的潜力.
• 这种非侵入性方法可以对预防性医疗保健策略作出重大贡献.