Determination of SWIR Features for Noninvasive Glucose Monitoring Using Machine Learning
Notice bibliographique
Résumé
The use of infrared (IR) light for noninvasive glucose monitoring is a potential solution to reduce infection-related mortality rate for diabetic patients. However, IR spans a wide band and the relevant wavelengths need to be chosen. This paper presents an automated and computationally efficient model, capable of examining a large number of wavelengths, to determine the suitable ones for monitoring, based on feature selection and other machine learning techniques. The study examined wavelengths from 1300-2600nm which cover the majority of short-wave infrared (SWIR) band. For reliable ground truth, two datasets, D1 and D2, were used with 100 observations and 1000 observations respectively. In term of optimal performance with limited time and computational resources, Sequential Forward Floating Selection (SFFS) technique was chosen as a core feature selection algorithm due to its high accuracy and reasonable speed. Classifiers based on Support Vector Machine (SVM) were used to evaluate the performance of selected wavelengths. Principal Component Analysis (PCA) was used to enhance the accuracy. Pipeline and nested cross-validation techniques were adopted to prevent information leakage and biased results. The proposed approach managed to reduce the number of wavelengths by 65% for D1 and 58% for D2 while achieving accuracy and f1 score above 90%, which are 10% higher compared to other work in the literature. The feature selection results also suggest that suitable wavelengths fall in the range 1600-2600 nm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».