在NIR光谱中在白蛋白干扰下进行非侵入性葡萄糖预测的转移学习
Chen-Yu Liao1, Yu-Lung Lo1, Yong-Chih Yang1
1Department of Mechanical Engineering, National Cheng Kung University, Tainan, Taiwan.
Computers in biology and medicine
|December 30, 2025
概括
这项研究引入了一个强大的转移学习框架,用于使用近红外光谱技术进行非侵入性葡萄糖预测. 开发的模型有效地处理光谱干扰,为糖尿病患者的监测提供了一个有希望的基础.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学方法.
- 机器学习 机器学习
背景情况:
- 非侵入性血糖监测对于糖尿病管理至关重要.
- 近红外光谱 (NIR) 为非侵入性血糖水平评估提供了一个有希望的途径.
- 来自各种来源的光谱干扰可以显著影响预测的准确性.
研究的目的:
- 开发和评估一个转移学习框架,以使用分散反射NIR光谱进行准确的非侵入性葡萄糖预测.
- 用一个体外幻影模型来评估模型在光谱干扰存在时的强度和适应性.
- 为了研究一维卷积神经网络 (1D-CNN) 预训练策略的有效性.
主要方法:
- 使用了带有驱动的循环系统的体外幻影模型,模拟了类似血液的散射和吸收.
- 使用Lipofundin,黑色墨水和白蛋白来模仿生理条件并引入光谱干扰.
- 一个1D-CNN预训练策略在不同水平的干扰样本数据集中进行了评估.
主要成果:
- 预先训练和微调的模型使用混合干扰和非干扰样本显示出卓越的性能.
- 获得了0.915的R2,10.5252 mg/dL的根平均平方误差 (RMSE) 和5.4679%的平均绝对相对差异 (MARD).
- 结果强调了模型在光谱干扰存在时的稳定性和概括能力.
结论:
- 拟议的转移学习框架为使用NIR光谱的非侵入性葡萄糖预测提供了强大的解决方案.
- 该模型处理光谱干扰的能力对于现实应用至关重要,特别是对于糖尿病患者.
- 这种方法为未来利用真实人体数据和解决药物诱导的光谱变异性的研究奠定了基础.
