基于PPG信号的双阶段机器学习无创血糖预测方法

摘要

提出一种基于光电容积脉搏波（PPG）信号的双阶段非侵入式血糖预测方法。共采集257例受试者的PPG信号，并采用Savitzky-Golay(SG)滤波进行信号去噪，结合稀疏加权非对称最小二乘法（SWALS）进行基线漂移的校正。随后提取涵盖时域、频域和形态学的多维特征，并使用极限梯度提升（XGBoost）与Pearson相关系数（R）递增阈值策略进行特征选择。预测模型方面，采用双阶段建模方案：第一阶段利用随机森林实现初步预测，第二阶段利用XGBoost修正预测残差。经过40例独立受试者数据验证，得到的预测相关系数（R）达到0.8443,Clarke误差网格（CEG）A+B区覆盖率达到92.5%。结果表明所构建的方法在预测精度和CEG分布表现上优于现有同类无创血糖预测方法。

关键词

血糖 / PPG信号 / Savitzky-Golay滤波 / 特征重要性排序 / 双阶段预测模型 / 随机森林 / XGBoost模型

基金资助

国家自然科学基金（61901124）; 广东省自然科学基金（2021A1515012305）; 广东省研究生创新教育创新计划（2023JGXM＿048）