生成型人工智能技术和机器学习模型的融合,用于生成和研究葡萄糖传感器的生物信号

科学领域:

• 生物医学工程 生物医学工程
• 机器学习应用 机器学习应用
• 临床诊断 临床诊断 临床诊断

背景情况:

• 血液学参数预测对于疾病诊断和管理至关重要.
• 目前的方法可能是昂贵和耗时的,限制了可访问性.
• 手持式血糖计为更广泛的健康监测提供了一个潜在的平台.

研究的目的:

• 开发和验证一种廉价的技术,用于预测血液学参数,使用手持血糖计的电压计数据.
• 通过机器学习探索血糖度,血红蛋白水平和血红素量之间的相互联系.
• 评估各种机器学习模型和生成人工智能的性能,用于数据增强和模型验证.

主要方法:

• 使用了一组数据集,包括峰值电流,时间,血红素体积,葡萄糖度和血液粘度在两个剪切速率.
• 使用机器学习模型 (LR,SVR,DT,RFR,XGBoost,Light GBM,ANN) 来预测血液学参数.
• 使用生成对抗网络 (GAN),变异自动编码器 (VAE) 和高斯 (Gcop) 进行模型可靠性测试,生成合成数据集.

主要成果:

• 机器学习模型在预测葡萄糖度,血红素体积,粘度,血红蛋白和隐性血液方面取得了可接受的准确性.
• 在原始数据集上,XGBoost表现最好,而在Gcop生成的合成数据集上,Light GBM表现最好.
• SHAP分析发现了Gcop生成的合成数据上的粘度预测的局限性.

结论:

• 开发的技术提供了一种具有成本效益的方法,用于使用血糖计数据预测关键的血液学参数.
• 轻型GBM显示出对用合成生成数据进行预测分析的显著前景,特别是对于葡萄糖和血红素.
• 需要进一步完善生成过程,以提高合成数据的粘度预测的准确性.