[1]彭福来,水圆圆,张宁玲,等.基于支持向量回归的血红蛋白浓度无创检测模型[J].中国医学物理学杂志,2024,41(5):594-599.[doi:DOI:10.3969/j.issn.1005-202X.2024.05.010]
　PENG Fulai,SHUI Yuanyuan,ZHANG Ningling,et al.Non-invasive detection model for hemoglobin concentration based on support vector regression[J].Chinese Journal of Medical Physics,2024,41(5):594-599.[doi:DOI:10.3969/j.issn.1005-202X.2024.05.010]
点击复制

基于支持向量回归的血红蛋白浓度无创检测模型()
分享到：

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
41卷
期数:
2024年第5期
页码:
594-599
栏目:
医学信号处理与医学仪器
出版日期:
2024-05-23

文章信息/Info

Title:
Non-invasive detection model for hemoglobin concentration based on support vector regression
文章编号:
1005-202X（2024）05-0594-06
作者:
彭福来1; 水圆圆2; 张宁玲1; 陈财1; 王卫东3
1.山东中科先进技术有限公司， 山东 济南 250000； 2.山东大学数学学院， 山东 济南 250100； 3.中国人民解放军总医院医疗器械研发与临床评价中心， 北京 100853
Author(s):
PENG Fulai1;  SHUI Yuanyuan2;  ZHANG Ningling1;  CHEN Cai1;  WANG Weidong3
1. Shandong Zhongke Advanced Technology Co., Ltd., Jinan 250000, China 2. School of Mathematics, Shandong University, Jinan 250100, China 3. Medical Device R&D and Clinical Evaluation Center of Chinese Peoples Liberation Army General Hospital, Beijing 100853, China
关键词:
血红蛋白浓度; 无创检测; 光电容积脉搏波描记法; 支持向量回归
Keywords:
Keywords: hemoglobin concentration non-invasive detection photoplethysmography support vector regression
分类号:
R318；R331
DOI:
DOI:10.3969/j.issn.1005-202X.2024.05.010
文献标志码:
A
摘要:
为实现血红蛋白浓度的无创检测，设计基于支持向量回归的血红蛋白浓度检测方法。首先，基于Beer-Lambert定律建立血红蛋白无创检测数学模型；然后，对采集的光电容积脉搏波描记法（PPG）信号进行降噪和滤除基线漂移处理后提取出血红蛋白浓度特征信息，并使用递归特征消除算法对提取的特征信息进行选择，以去除冗余特征；最后，将筛选出的29个特征信息作为回归模型的输入特征，并采用支持向量回归算法构建血红蛋白预测回归模型。通过对249例临床数据进行试验验证（其中199例作为训练数据集，50例作为测试数据集），得出预测值与参考值的均方根误差为1.83 g/dL，相关系数为0.75（P<0.01），试验结果表明本文方法与传统有创检测方法具有较强的一致性。
Abstract:
Abstract: To achieve non-invasive detection of hemoglobin concentration, a hemoglobin concentration detection method based on support vector regression is designed. A mathematical model for non-invasive hemoglobin detection is established based on the Beer-Lambert law. After removing the noise and baseline drift from the collected photoplethysmography signals, hemoglobin concentration information is extracted, and a recursive feature elimination algorithm is used to select the extracted information and eliminate redundant features. Finally, 29 key features are identified as input to construct a hemoglobin prediction model using support vector regression algorithm. Experimental validation is conducted on 249 clinical data samples (199 cases in training dataset and 50 in test dataset), resulting in a root mean square error of 1.83 g/dL between predicted values and references, with a correlation coefficient of 0.75 (P<0.01), demonstrating the high consistency of the proposed method and traditional invasive detection methods.

相似文献/References:

[1]冯驰,陈文建,付威威,等.基于AFE4403模拟前端新生儿经皮黄疸测量模块设计[J].中国医学物理学杂志,2016,33(10):1069.[doi:10.3969/j.issn.1005-202X.2016.10.018]
　[J].Chinese Journal of Medical Physics,2016,33(5):1069.[doi:10.3969/j.issn.1005-202X.2016.10.018]
[2]董放. 基于冠脉造影图像的无创血流储备分数检测[J].中国医学物理学杂志,2017,34(3):251.[doi:10.3969/j.issn.1005-202X.2017.03.007]
　[J].Chinese Journal of Medical Physics,2017,34(5):251.[doi:10.3969/j.issn.1005-202X.2017.03.007]

备注/Memo

备注/Memo:
【收稿日期】2023-12-11 【基金项目】山东省自然科学基金（ZR2020QF024，ZR2021ZD40） 【作者简介】彭福来，博士，高级工程师，研究方向：医学信号处理与分析，E-mail: pengfulai1112@163.com 【通信作者】王卫东，博士，研究员，研究方向：医学电子与仪器，E-mail: wangwd301@126.com
更新日期/Last Update: 2024-05-24