基于ε-SVR的近红外无创血糖浓度回归预测研究
Regression Prediction of Non-Invasive Blood Glucose Concentration Based on ε-SVR
DOI: 10.12677/AAM.2020.912254, PDF,   
作者: 王朱宇, 马文联*：长春理工大学理学院，吉林 长春；杨新佳, 周林华*：长春理工大学理学院，吉林 长春；省级数学实验教学示范中心(长春理工大学)，吉林 长春
关键词: ε-SVR；无创血糖浓度预测；近红外光谱；高斯核函数；Support Vector Machine Regression； Noninvasive Blood Glucose Detection； Near-Infrared Spectroscopy； Gaussian Kernel Function
摘要: 为了提高近红外无创血糖浓度回归的预测精度，首先使用近红外光谱采集人体手指指尖光谱信号，同时用微创血糖仪检测对应血糖浓度；进一步基于高斯核函数与ε-支持向量回归机(ε-SVR)建立无创血糖浓度回归模型，并与偏最小二乘回归(PLSR)模型进行对比分析。通过ε-SVR模型对两名志愿者的实验结果表明：ε-SVR模型对测试集的预测精度有很大的提高，测试集的真实浓度与预测浓度的均方误差低，克拉克误差网格分析中位于A区的概率也均高于99%。
Abstract: 为了提高近红外无创血糖浓度回归的预测精度，首先使用近红外光谱采集人体手指指尖光谱信号，同时用微创血糖仪检测对应血糖浓度；进一步基于高斯核函数与ε-支持向量回归机(ε-SVR)建立无创血糖浓度回归模型，并与偏最小二乘回归(PLSR)模型进行对比分析。通过ε-SVR模型对两名志愿者的实验结果表明：ε-SVR模型对测试集的预测精度有很大的提高，测试集的真实浓度与预测浓度的均方误差低，克拉克误差网格分析中位于A区的概率也均高于99%。
文章引用：王朱宇, 杨新佳, 周林华, 马文联. 基于ε-SVR的近红外无创血糖浓度回归预测研究[J]. 应用数学进展, 2020, 9(12): 2181-2187. https://doi.org/10.12677/AAM.2020.912254

参考文献

[1] 孙凯, 周华, 杨膺琨, 等. 血糖监测系统的研究进展[J]. 中国激光, 2018, 45(2): 56-72.
[2] 刘蓉, 徐可欣, 陈文亮, 等. 光学无创血糖检测中的主要问题及研究进展[J]. 中国科学(G辑: 物理学∙力学∙天文学), 2007(S1):124-131.
[3] 王慧泉. 动态光谱法血液成分无创检测若干关键技术研究[D]: [博士学位论文]. 天津: 天津大学, 2014.
[4] 王晓飞, 张欣怡, 徐馨荷. 考虑多种因素的近红外光谱血糖预测模型对比[J]. 激光与光电子学进展, 2019, 56(4): 209-213.
[5] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 121-145.
[6] 胡命嘉, 宫玉琳, 王锋. 基于PSO-SVM的手势识别方法研究[J]. 长春理工大学学报(自然科学版), 2019, 42(4): 102-107.
[7] 李东明, 贾书海. 基于多光谱应用BP人工神经网络预测血糖[J]. 激光与光电子学进展, 2017, 54(3): 244-249.
[8] 李庆波, 黄政伟. 净信号预处理结合径向基偏最小二乘回归在血糖无创检测中的应用[J]. 光谱学与光谱分析, 2014, 34(2): 494-497.
[9] 代娟, 季忠, 杜玉宝. 基于粒子群和人工神经网络的近红外光谱血糖建模方法研究[J]. 生物医学工程学杂志, 2017, 34(5): 713-720.
[10] 徐楠, 邓琛, 江潇潇, 等. 基于VIP处理的O-PLS算法的无创血糖基础研究[J]. 测控技术, 2019, 38(3): 108-111.
[11] 马爽, 蒲宝明. 基于支持向量机的无创血糖光谱算法[J]. 计算机系统应用, 2016, 25(8): 120-124.
[12] 张晓霞. 基于支持向量机的无创血糖检测电极影响研究[D]: [硕士学位论文]. 成都: 成都理工大学, 2017.

为你推荐