面向可负担且非侵入式低血糖检测：一种机器学习方法
人机交互
2025-09-23 v1 机器学习
摘要
糖尿病是全球范围内不断增长的健康问题，1型糖尿病（T1D）需要持续监测以避免低血糖。虽然连续血糖监测器（CGMs）有效，但其成本和侵入性限制了在资源有限的地区的获取。本文提出了一种非侵入式方法，用于使用电导皮肤反应（Galvanic Skin Response, GSR）对血糖状态进行分类。我们使用合并的OhioT1DM 2018和2020数据集构建了一个机器学习管道，用于检测低血糖（血糖 < 70 mg/dl）和正常血糖（血糖 > 70 mg/dl），仅使用GSR数据。我们训练和评估了七个模型：随机森林、XGBoost、多层感知器、卷积神经网络、循环神经网络、逻辑回归和K近邻。报告验证集和95%置信区间以增加可靠性并评估鲁棒性。结果表明，LSTM模型实现了完美的低血糖召回率（1.00），其F1分数置信区间为[0.611-0.745]，而XGBoost在面对类别不平衡时表现出色，召回率达到0.54。这种方法突显了使用GSR数据为资源受限地区提供可负担且适合佩戴式 glucose 监测工具的潜力。
引用
@article{arxiv.2509.17842,
title = {Toward Affordable and Non-Invasive Detection of Hypoglycemia: A Machine Learning Approach},
author = {Lawrence Obiuwevwi and Krzysztof J. Rechowicz and Vikas Ashok and Sampath Jayarathna},
journal= {arXiv preprint arXiv:2509.17842},
year = {2025}
}