基于红外光声光谱与机器学习辅助的无创血糖监测系统创新研究

本综述系统介绍了基于红外光声光谱（PAS）结合机器学习算法的无创血糖检测系统，创新性地提出反射式（R-GPDS）与透射式（T-GPDS）两种光声检测结构，并集成粒子群优化反向传播神经网络（PSO-BP）和随机森林（RF）预测模型，显著提升血糖浓度预测精度（RMSE达6.07 mg/dL），为糖尿病无创监测提供高灵敏度解决方案。

　　

Section snippets

Photoacoustic theory and simulation

光声理论与模拟

光声血糖传感器的传感原理基于光声理论。推导理论公式并进行光声场模拟对后续光声葡萄糖检测实验具有重要指导意义。

Photoacoustic glucose sensing system

光声葡萄糖传感系统

为提升光声葡萄糖检测灵敏度，我们提出反射式ZnSe-ATR光声检测系统（R-GPDS）与透射式ZnSe光声检测系统（T-GPDS）。两套系统均包含激光源、光声池和超声换能器。通过葡萄糖检测实验验证了系统稳定性与检测精度。2005年Kinnunen的研究已证实在特定波长下葡萄糖吸收对光声信号的影响。

Experiment and methods

实验与方法

本节使用提出的R-GPDS和T-GPDS系统测定葡萄糖溶液浓度。经校准后，通过不同指标比较两系统性能。构建粒子群优化-反向传播（PSO-BP）神经网络预测模型与随机森林（RF）预测模型以提升预测精度，并选用多维度测量指标（如峰峰值V_p-p、最大值V_max、重复测量均值V_pp-ave和峰面积V_pa）进行优化。

Conclusion

结论

我们提出并验证了两种新型近红外光声葡萄糖检测系统（R-GPDS与T-GPDS）。首先基于MATLAB建立了光声传感器的理论模型与仿真框架。为开发便携式低成本血糖传感器，系统采用脉冲激光二极管与定制光声池设计，结合机器学习算法显著提升了生理浓度下的预测准确性。