基于特征域平均值的多模型非侵入性血糖估计

糖尿病是一种严重的慢性代谢疾病。近年来，越来越多消费科技企业致力于在产品中实现准确的非侵入性血糖算法。然而，由于来自外部环境的干扰，这些可穿戴非侵入方法往往导致估计精度低下。为解决此问题，本文基于不同的血糖值范围使用不同模型进行血糖估计。首先获取并通过位平面奇异谱分析（SSA）方法对光电血流图（PPG）进行去噪。其次提取特征。对于训练集数据，首先通过优化方法在特征域内对测量的特征进行平均。其次采用随机森林对每个特征的重要性进行排序。随后将训练集根据参考血糖值划分为三个子集。随后使用同一子集中的特征向量和对应的血糖值构建单个模型。对于每个特征，计算该子集中所有测量的特征值平均值。对于测试集数据，首先计算每个模型中测试特征值与上述平均值的加权距离之和。权重基于随机森林排序得到的特征重要性定义。选取和最小距离和对应的模型。最后基于该模型进行血糖值估计。与现有方法相比，我们的方法能有效提高估计精度。