-
题名基于机器学习的介入式葡萄糖传感器故障监测模型
- 1
-
-
作者
刘思行
许硕洋
徐鹤
季一木
-
机构
江苏省高性能计算与智能处理工程研究中心
-
出处
《计算机科学》
2025年第9期106-118,共13页
-
基金
江苏鱼跃医疗设备股份有限公司科技项目(2022外017)
江苏省研究生实践创新计划项目(SJCX23_0274)。
-
文摘
随着传感器技术的进步,血糖监测从传统的单点采集发展为连续动态监测(CGM),通过介入式葡萄糖传感器实时监测间质液葡萄糖浓度。血糖传感器的运行状态对监测准确性至关重要,但传感器故障识别面临类别不平衡问题,导致机器学习模型性能下降。基于此,提出了一种结合数据预处理、特征工程和模型集成的优化策略。首先,通过缺失值填补和噪声处理提升数据的完整性和可靠性;其次,利用合成少数类过采样技术(SMOTE)对少数类样本进行过采样,缓解类别不平衡问题;最后,采用堆叠泛化(Stacking)的集成学习方法,结合基于焦点损失函数(Focal Loss)优化的极端梯度提升(XGBoost)和类别特征梯度提升(CatBoost)集成基分类器,与逻辑回归(LR)元分类器构建双层模型,进一步提升故障监测的准确性。为了证明所提出模型的有效性,将该模型的预测结果与其他模型进行了对比,包括基于Focal Loss的单一XGBoost,及其分别与SVM,KNN,LightGBM作为基分类器构建的集成模型等。研究结果表明,提出的基于Focal Loss的XGBoost和CatBoost模型在传感器故障分类任务中表现良好,PR曲线和ROC曲线效果均优于其他模型,精确度和召回率分别为0.9250和0.9238。
-
关键词
传感器故障监测
堆叠泛化
集成学习
极端梯度提升
类别特征梯度提升
-
Keywords
Sensor fault detection
Stacked generalization
Ensemble learning
Extreme Gradient Boosting
Categorical Boosting
-
分类号
TP391
[自动化与计算机技术]
-
