相关实验视频
Updated: Sep 17, 2025
09:16
FIBS-enabled Noninvasive Metabolic Profiling
Published on: February 3, 2014
10.0K
稀疏组 LASSO 和非线性机器学习用于通过生物阻抗光谱学进行非侵入性血糖监测的频率特征优化
Zhongwei Lu1,2, Tian Zhou3, Cong Hu1,2,4
1School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China.
The Review of scientific instruments
|July 1, 2025
概括
这项研究引入了使用生物阻抗光谱学的持续血糖监测的非侵入性系统. 这种便携式设备为糖尿病患者提供了无痛的替代方案,改善了他们的生活质量.
科学领域:
- 生物医学工程 生物医学工程
- 医疗器械 医疗器械
- 数据科学数据科学数据科学
背景情况:
- 经常监测血糖对于糖尿病患者至关重要.
- 目前采集血液的方法是痛苦的和侵入性的.
- 需要使用非侵入性,持续的血糖监测解决方案.
研究的目的:
- 开发一种非侵入性,便携式和连续的血糖检测系统.
- 使用生物阻抗光谱 (BIS) 来估计血糖水平 (BGL).
- 通过一种无痛的监测替代方案,改善糖尿病患者的生活质量.
主要方法:
- 开发了一个使用生物阻抗集成电路的非侵入性系统,以获得高达1MHz的BIS.
- 使用稀疏组最小绝对收缩和选择运算符 (s-G-LASSO) 用高斯核支向量回归 (SVR) 进行BGL估计.
- 使用临床受试者数据,研究了BIS频率/特征和BGL之间的相关性.
主要成果:
- 实现了BGL估计的平均绝对相对差异为9.90%.
- 报告的根平均平方误差为14.81 mg/dl,平均绝对误差为11.75 mg/dl.
- 100%的估计在克拉克错误网格的A和B区内,这表明准确度很高.
结论:
- 开发的系统可实现便携式,非侵入式和持续的血糖监测.
- 将BIS集成电路与机器学习相结合,显示出糖尿病管理的重大前景.
- 这项技术在改善患者舒适度和遵守监测协议方面提供了潜在的突破.
