基于混合线性模型和元森林增强的非侵入性血糖预测系统
机器学习
2024-09-12 v1 计算工程、金融与科学
摘要
本研究提出一种集成近红外光谱 (NIR) 光谱和毫米波 (mm-wave) 传感的非侵入性血糖预测系统。我们采用混合线性模型 (MixedLM) 分析毫米波频率 S_21 参数与血糖水平之间的关联，这一方法在异构数据集中考虑主体间变异性，并整合多个预测器，相较于传统相关性分析提供更全面的分析。此外，我们引入域泛化 (Domain Generalization, DG) 模型——元森林 (Meta-forests)，以有效处理数据集中的域差异，增强模型对个体差异的适应性。我们的结果表明，该系统在未见主体的血糖预测中展现出前景满意的精度，平均绝对误差 (MAE) 为 17.47 mg/dL，根均方误差 (RMSE) 为 31.83 mg/dL，平均绝对百分比误差 (MAPE) 为 10.88%，凸显其临床应用潜力。该研究标志着发展准确、个人化和非侵入性血糖监测系统的重要进展，助力改善糖尿病管理。
引用
@article{arxiv.2409.07308,
title = {Non-Invasive Glucose Prediction System Enhanced by Mixed Linear Models and Meta-Forests for Domain Generalization},
author = {Yuyang Sun and Panagiotis Kosmas},
journal= {arXiv preprint arXiv:2409.07308},
year = {2024}
}