Non-Invasive Glucose Prediction System Enhanced by Mixed Linear Models and Meta-Forests for Domain Generalization

要約

この研究では、近赤外 (NIR) 分光法とミリ波 (mm 波) センシングを統合した非侵襲的なグルコース予測システムを紹介します。
混合線形モデル (MixedLM) を使用して、異種データセット内のミリ波周波数 S_21 パラメーターと血糖値の間の関連性を分析します。
MixedLM メソッドは、被験者間の変動を考慮し、複数の予測子を統合して、従来の相関分析よりも包括的な分析を提供します。
さらに、ドメイン一般化 (DG) モデルであるメタフォレストを組み込んで、データセット内のドメインの差異を効果的に処理し、個人差に対するモデルの適応性を強化します。
私たちの結果は、平均絶対誤差（MAE）が 17.47 mg/dL、二乗平均平方根誤差（RMSE）が 31.83 mg/dL、平均絶対パーセント誤差（MAPE）が
10.88% であり、臨床応用の可能性が強調されています。
この研究は、正確で個別化された非侵襲的な血糖モニタリングシステムの開発に向けた重要な一歩を示し、糖尿病管理の改善に貢献します。

要約(オリジナル)

In this study, we present a non-invasive glucose prediction system that integrates Near-Infrared (NIR) spectroscopy and millimeter-wave (mm-wave) sensing. We employ a Mixed Linear Model (MixedLM) to analyze the association between mm-wave frequency S_21 parameters and blood glucose levels within a heterogeneous dataset. The MixedLM method considers inter-subject variability and integrates multiple predictors, offering a more comprehensive analysis than traditional correlation analysis. Additionally, we incorporate a Domain Generalization (DG) model, Meta-forests, to effectively handle domain variance in the dataset, enhancing the model’s adaptability to individual differences. Our results demonstrate promising accuracy in glucose prediction for unseen subjects, with a mean absolute error (MAE) of 17.47 mg/dL, a root mean square error (RMSE) of 31.83 mg/dL, and a mean absolute percentage error (MAPE) of 10.88%, highlighting its potential for clinical application. This study marks a significant step towards developing accurate, personalized, and non-invasive glucose monitoring systems, contributing to improved diabetes management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google