Li Qing-bo.
Пекин
Qing-bo Li.
Beijing
Wang Yun-hui.
Пекин
Yun-hui Wang.
Beijing
Для неинвазивного определения уровня глюкозы в крови человека предложен усовершенствованный алгоритм поиска (ISSA) с целью оптимизации начальных весов и порогов машин экстремального обучения (ELM). Карта палаточного хаоса использована для улучшения разнообразия SSA, обратное обучение — для инициализации популяции и расширения диапазона поиска популяции, что повышает производительность SSA. Результаты модели ISSA-ELM являются более точными и обобщающими по сравнению с моделью SSA-ELM. Анализ сетки ошибок Кларка показывает, что доля предсказанных образцов, попадающих в область А, составляет 90 %, в область В — 10 %, что соответствует клиническим требованиям.
The traditional way of measuring blood glucose causes pain and inconvenience to patients. Nearinfrared spectroscopy is a promising noninvasive alternative. However, the prediction accuracy of the currently used quantitative blood glucose model for near-infrared spectroscopy decreases when a patient's physiological state changes. Therefore, we propose an improved sparrow search algorithm (ISSA) to optimize the initial weights and thresholds of extreme learning machines (ELM) in this paper. We used a tent chaotic map to improve the diversity of the SSA population. We also adopted reverse learning to initialize the population and expand the population search range, which further improved the search performance of the SSA. The predicted results of the ISSA-ELM model were more accurate and generalizable than those of the SSA-ELM model. Clarke error grid analysis showed that the proportion of predicted samples falling into the A region was 90%, and the proportion falling into the B area was 10%, which is in accordance with clinical requirements. Therefore, this model has strong potential for application in non-invasive detection of human blood glucose.
The authors declare that there are no conflicts of interest present.