用MFCC和机器学习技术进行非侵入性葡萄糖估计的光电显微镜特征提取
Christian Salamea-Palacios1, Melissa Montalvo-López1, Raquel Orellana-Peralta2
1Interaction, Robotics and Automation Research Group, Salesian Polytechnic University, Cuenca 010102, Ecuador.
Biosensors
|July 25, 2025
概括
这项研究引入了一种非侵入式的葡萄糖估计系统,使用来自光聚光学 (PPG) 信号的Mel频率脑系数 (MFCC). 这种新的方法显示出高精度,为传统的基于血液的葡萄糖监测提供了舒适的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 医疗器械 医疗器械
- 医疗保健中的机器学习
背景情况:
- 糖尿病是一种普遍的全球性疾病.
- 目前的侵入性血糖监测方法造成不适和风险.
- 需要非侵入性,准确的葡萄糖监测替代方案.
研究的目的:
- 开发和评估一种非侵入性葡萄糖估计系统.
- 为了利用Mel频率 Cepstral 系数 (MFCCs) 进行光聚光谱 (PPG) 信号分析.
- 评估机器学习技术对葡萄糖度回归的有效性.
主要方法:
- 从PPG信号中使用两种变体的MFCC提取特征.
- 应用三个不同的机器学习算法进行回归.
- 使用克拉克错误网格分析和相关性指标进行验证.
主要成果:
- 获得的平均绝对误差为9.85 mg/dL.
- 在估计和实际葡萄糖值之间显示出0.94的高相关性.
- 99.53%的样本属于克拉克错误网的临床可接受区域A和B.
结论:
- 拟议的非侵入性系统显示出作为侵入性葡萄糖监测的替代品的巨大潜力.
- 基于MFCC的PPG信号分析与机器学习相结合,提供了高精度.
- 该系统的性能与现有技术相美,即使没有事先校准.
