利用混合八度中心网络（Octave-CenterNet）和DenseNet-77模型，通过人类呼吸进行非侵入性糖尿病检测

《International Journal of Imaging Systems and Technology》：Non-Invasive Diabetes Detection Through Human Breath Using Hybrid Octave-CenterNet Neural Network With DenseNet-77 Model

非侵入式糖尿病检测新方法Octave-CenterNet通过VOCs分析实现高效分类，准确率达98.7%。

　　

摘要

糖尿病（DM），包括1型和2型，是一种由于胰岛素分泌或作用缺陷引起的代谢紊乱。非侵入性检测方法更为关键，因为侵入性方法往往数据不足且准确性较低，从而导致机器学习性能不佳。本研究提出了一种新的Octave-CenterNet与DenseNet-77框架，用于高效地通过挥发性有机化合物（VOCs）检测和分类糖尿病。该方法结合了快速的离散小波变换和包裹技术来快速捕捉显著特征，利用八度卷积保留高低频模式并丰富表示信息，采用CenterNet检测丙酮这一主要生物标志物，并借助DenseNet-77实现高效的梯度分类。Willow sled catkin优化算法能够自适应地微调超参数以进一步提升性能。该模型能够有效区分健康个体和糖尿病患者，并区分1型和2型糖尿病。实验结果表明，其准确率为98.7%，精确率为98%，召回率为99.7%，F1分数为99.34%，证明了其稳健性。总体而言，这一端到端、抗噪声且计算效率高的框架为非侵入性糖尿病检测提供了一种技术先进且实用的解决方案。

利益冲突

作者声明没有利益冲突。