Non-Invasive Classification of Blood Glucose Level for Early Detection Diabetes Based on Photoplethysmography Signal

Non-Invasive Classification of Blood Glucose Level for Early Detection Diabetes Based on Photoplethysmography Signal

Pubblicato su Information 2022, 13, 59

https://doi.org/10.3390/info13020059

Abstract (sintesi)

I sistemi di monitoraggio per la diagnosi precoce del diabete sono essenziali per evitare potenziali costosi costi medici.

Attualmente sono disponibili in commercio solo metodi di monitoraggio invasivi.

Questi metodi presentano svantaggi significativi poiché i pazienti avvertono disagio durante il prelievo di campioni di sangue.

Un metodo non invasivo di monitoraggio del livello di glucosio nel sangue (BGL), indolore e a basso costo, risolverebbe i limiti delle tecniche invasive.

La fotopletismografia (PPG) raccoglie un segnale da un sensore del dito utilizzando un fotodiodo e una luce LED a infrarossi nelle vicinanze.

La combinazione del circuito elettronico PPG con l’intelligenza artificiale permette di implementare la classificazione del BGL. Tuttavia, uno dei principali limiti del deep learning è la lunga fase di formazione.

Cerchiamo di superare questa limitazione e offrire un concetto per classificare il diabete di tipo 2 (T2D) utilizzando un algoritmo di apprendimento automatico basato su PPG.

Sono stati raccolti 400 set di dati grezzi di BGL misurati con PPG e diviso questi punti in due livelli di classificazione, secondo la normativa nazionale Institute for Clinical Excellence, vale a dire “normale” e “diabetico”.

Sulla base dei risultati dei test tra i modelli, l’algoritmo Ensemble Bagged Tree ha ottenuto i migliori risultati con una precisione del 98%.