A Single Wavelength Mid-Infrared Photoacoustic Spectroscopy for Noninvasive Glucose Detection Using Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
According to the International Diabetes Federation, 530 million people worldwide have diabetes, with more than 6.7 million reported deaths in 2021. Monitoring blood glucose levels is essential for individuals with diabetes, and developing noninvasive monitors has been a long-standing aspiration in diabetes management. The ideal method for monitoring diabetes is to obtain the glucose concentration level with a fast, accurate, and pain-free measurement that does not require blood drawing or a surgical operation. Multiple noninvasive glucose detection techniques have been developed, including bio-impedance spectroscopy, electromagnetic sensing, and metabolic heat conformation. Nevertheless, reliability and consistency challenges were reported for these methods due to ambient temperature and environmental condition sensitivity. Among all the noninvasive glucose detection techniques, optical spectroscopy has rapidly advanced. A photoacoustic system has been developed using a single wavelength quantum cascade laser, lasing at a glucose fingerprint of 1080 cm-1 for noninvasive glucose monitoring. The system has been examined using artificial skin phantoms, covering the normal and hyperglycemia blood glucose ranges. The detection sensitivity of the system has been improved to ±25 mg/dL using a single wavelength for the entire range of blood glucose. Machine learning has been employed to detect glucose levels using photoacoustic spectroscopy in skin samples. Ensemble machine learning models have been developed to measure glucose concentration using classification techniques. The model has achieved a 90.4% prediction accuracy with 100% of the predicted data located in zones A and B of Clarke's error grid analysis. This finding fulfills the US Food and Drug Administration requirements for glucose monitors.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle