通过静脉可视化引导的共聚焦拉曼光谱和异构集成学习实现的无创血糖监测

《ACS Photonics》：Noninvasive Blood Glucose Monitoring via Vein Visualization-Guided Confocal Raman Spectroscopy and Heterogeneous Ensemble Learning

拉曼光谱术结合静脉可视化技术提升无创血糖监测精度，创新性采用堆叠集成学习框架解决过拟合问题，并通过内部标准方法扩展数据集。体外实验R2达0.9897，体内测试定位准确率提升20%，分类准确率达92%。

　　

拉曼光谱技术在无创血糖监测方面具有潜力。但其实际应用受到一些限制，如采样位置不精确、葡萄糖特异性特征分辨率低以及数据集规模较小等问题。为克服这些难题，首次将静脉可视化技术（VVT）与共聚焦拉曼光谱（CRS）系统结合，以提高光谱采样的精度和质量。此外，提出了一种基于多异构基础模型的堆叠集成学习框架，该框架能够在减轻过拟合的同时提升模型的泛化能力，从而实现更准确的血糖预测。同时，采用了一种内部标准方法，并结合拉曼光谱智能增强引擎和基于特征选择的堆叠模型，来扩大有效数据集规模并优化模型权重分配。为了验证该方法的有效性，分别在合成血液样本和体内静脉血糖数据上进行了回归分析，根据不同的血糖水平对样本进行分类。结果表明：在体外合成血液实验中，血糖峰面积比与血糖浓度呈显著线性相关，回归R2值为0.9897；在体内经皮测试中，VVT技术使静脉定位的准确性提高了约20%，预测值与参考值之间的回归R2值为0.928。在分类实验中，使用2 mmol/L的间隔对合成血液样本进行训练时获得了可靠的结果；当该方法应用于体内经皮测试时，迁移学习将准确率提高了2个百分点，达到92%，能够有效区分餐前和餐后血糖状态。这些结果为基于人工智能的无创血糖监测技术应用奠定了基础。