非侵入性血糖估计使用绿色光照光学和机器学习

科学领域:

• 生物医学工程 生物医学工程
• 医疗器械 医疗器械
• 医疗信息学 医疗信息学

背景情况:

• 非传染性疾病,特别是糖尿病,是全球主要的死亡原因.
• 有效的糖尿病管理依赖于精确的血糖监测.
• 目前的葡萄糖监测方法往往是侵入性的,导致患者焦虑和不适.

研究的目的:

• 为了研究绿光光电显微镜 (PPG) 信号对于非侵入性血糖监测的潜力.
• 为可靠的数据收集开发和验证定制的PPG采集设置.
• 评估基于PPG的葡萄糖监测的准确性和可行性,作为侵入性方法的替代方案.

主要方法:

• 开发了一种定制的绿灯PPG采集设置,用于从80个受试者收集数据.
• 采集的同时参考毛细血管血糖读数使用杆装置.
• 应用信号处理,特征提取,相关性分析和特征工程.
• 训练并验证的回归模型,包括随机森林回归 (RFR),以预测葡萄糖水平.
• 使用R²,平均绝对误差 (MAE) 和偏差分析评估模型性能.

主要成果:

• 随机森林回归 (RFR) 模型实现了最高的性能,R²值为0.92和MAE为4.8 mg/dL.
• 预测的葡萄糖水平在不同的葡萄糖范围中显示了最小的偏差.
• 平均差异为 -5.11 ± 0.80 毫克/分升 (<90 毫克/分升), -3.68 ± 1.24 毫克/分升 (90-120 毫克/分升),和 -5.61 ± 0.75 毫克/分升 (≥120 毫克/分升).

结论:

• 绿灯PPG信号有效地反映了血糖水平.
• 开发的基于PPG的方法显示了准确,非侵入性血糖监测的巨大潜力.
• 这项技术可以为糖尿病管理提供一种更舒适,更不引起焦虑的替代方案.