高雄醫學大學圖書館 |

語系/ Language: 繁體中文

登入

回首頁

基於集成式學習方法與RPPG技術之智慧血糖測量系統 =Smart blo...

楊智傑

基於集成式學習方法與RPPG技術之智慧血糖測量系統 =Smart blood glucose detection system based on ensemble learning methods and RPPG technology /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	基於集成式學習方法與RPPG技術之智慧血糖測量系統 =/ 楊智傑
其他題名:	Smart blood glucose detection system based on ensemble learning methods and RPPG technology /
其他題名:	Smart blood glucose detection system based on ensemble learning methods and RPPG technology
作者:	楊智傑
出版者:	[高雄市]: [撰者], : 2025[民114],
面頁冊數:	111葉 :圖 ; : 30公分;
附註:	指導教授: 鮑永誠.
提要註:	本研究旨在探討非接觸式光體積描述法（Remote Photoplethysmography, rPPG）在即時測量血糖中的應用。目前市面上大多數血糖測量方法仍屬於侵入式，病患需經常性進行指尖扎針或配戴連續血糖監測系統（Continuous Glucose Monitoring, CGM），不僅存在感染風險與不適感，亦因成本高昂、數值準確度不足等問題，無法廣泛普及。因此，發展一種準確性高、無需侵入性操作的血糖測量方法，已成為近年生物感測領域的重要研究方向。本研究綜合參考多篇文獻，基於光體積描述技術（PPG/rPPG），開發非侵入式血糖測量方法1。首先，透過攝像頭取得人臉影像後，選取特定的感興趣區域（Region of Interest, ROI），進行多步驟訊號處理，包括：使用獨立成分分析（Independent Component Analysis, ICA）提取 RGB 三原色中特徵最明顯的綠色通道，接著進行時頻分析、平滑化、基線校正與歸一化處理，以有效消除光影干擾、雜訊與運動假影的影響。進一步地，計算每個 time window 內的統計量（如均值、變異數、峰度、偏度、四分位距等），作為後續血糖值推估的特徵點。為提升血糖預測模型的準確度與穩定性，本研究採用多種機器學習演算法進行模型訓練與優化，包含XGBoost（Extreme Gradient Boosting）、隨機森林（Random Forest）以及AdaBoost（Adaptive Boosting）等集成學習方法。由於 rPPG 訊號易受環境光源變動、臉部微動與膚色差異等因素影響，如何從雜訊中提取穩定且具代表性的特徵值，是本研究在程式設計與邏輯推導上所面臨的一大挑戰。為克服此困難，本研究結合信號工程與演算法優化策略，逐步排除程式與模型應用中的邏輯缺陷。在模型效能評估方面，本研究採用了多種評估指標進行綜合分析，包括：均方誤差（Mean Squared Error, MSE）、均方根誤差（Root Mean Squared Error, RMSE）、決定係數（R²）、調整後決定係數（Adjusted R²）以及皮爾森相關係數（Pearson Correlation Coefficient），以多角度驗證模型在預測準確性、穩定性與泛化能力上的表現。此外，為進一步優化模型參數，本研究導入貝式優化（Bayesian Optimization）作為超參數調整方法，透過設定 200 次迭代，自動尋找最佳參數組合，有效提升模型預測性能。最終所建立之模型，在多輪實驗驗證下，獲得了相對穩定且準確的血糖估計結果，顯示非接觸式 rPPG 方法具備應用於即時血糖監測的潛力。.
電子資源:	電子資源
館藏註:	(平裝)

基於集成式學習方法與RPPG技術之智慧血糖測量系統 =Smart blood glucose detection system based on ensemble learning methods and RPPG technology /
楊智傑

基於集成式學習方法與RPPG技術之智慧血糖測量系統 =Smart blood glucose detection system based on ensemble learning methods and RPPG technology /Smart blood glucose detection system based on ensemble learning methods and RPPG technology楊智傑 - [高雄市]: [撰者], 2025[民114] - 111葉 :圖 ;30公分

指導教授: 鮑永誠.

碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士在職專班.

參考書目：葉.

中文摘要 VIII

本研究旨在探討非接觸式光體積描述法（Remote Photoplethysmography, rPPG）在即時測量血糖中的應用。目前市面上大多數血糖測量方法仍屬於侵入式，病患需經常性進行指尖扎針或配戴連續血糖監測系統（Continuous Glucose Monitoring, CGM），不僅存在感染風險與不適感，亦因成本高昂、數值準確度不足等問題，無法廣泛普及。因此，發展一種準確性高、無需侵入性操作的血糖測量方法，已成為近年生物感測領域的重要研究方向。本研究綜合參考多篇文獻，基於光體積描述技術（PPG/rPPG），開發非侵入式血糖測量方法1。首先，透過攝像頭取得人臉影像後，選取特定的感興趣區域（Region of Interest, ROI），進行多步驟訊號處理，包括：使用獨立成分分析（Independent Component Analysis, ICA）提取 RGB 三原色中特徵最明顯的綠色通道，接著進行時頻分析、平滑化、基線校正與歸一化處理，以有效消除光影干擾、雜訊與運動假影的影響。進一步地，計算每個 time window 內的統計量（如均值、變異數、峰度、偏度、四分位距等），作為後續血糖值推估的特徵點。為提升血糖預測模型的準確度與穩定性，本研究採用多種機器學習演算法進行模型訓練與優化，包含XGBoost（Extreme Gradient Boosting）、隨機森林（Random Forest）以及AdaBoost（Adaptive Boosting）等集成學習方法。由於 rPPG 訊號易受環境光源變動、臉部微動與膚色差異等因素影響，如何從雜訊中提取穩定且具代表性的特徵值，是本研究在程式設計與邏輯推導上所面臨的一大挑戰。為克服此困難，本研究結合信號工程與演算法優化策略，逐步排除程式與模型應用中的邏輯缺陷。在模型效能評估方面，本研究採用了多種評估指標進行綜合分析，包括：均方誤差（Mean Squared Error, MSE）、均方根誤差（Root Mean Squared Error, RMSE）、決定係數（R²）、調整後決定係數（Adjusted R²）以及皮爾森相關係數（Pearson Correlation Coefficient），以多角度驗證模型在預測準確性、穩定性與泛化能力上的表現。此外，為進一步優化模型參數，本研究導入貝式優化（Bayesian Optimization）作為超參數調整方法，透過設定 200 次迭代，自動尋找最佳參數組合，有效提升模型預測性能。最終所建立之模型，在多輪實驗驗證下，獲得了相對穩定且準確的血糖估計結果，顯示非接觸式 rPPG 方法具備應用於即時血糖監測的潛力。.

(平裝)Subjects--Index Terms:

特徵值擷取

基於集成式學習方法與RPPG技術之智慧血糖測量系統 =Smart blood glucose detection system based on ensemble learning methods and RPPG technology /
LDR:05255cam a2200229 i 4500 001 386802
008 250923s2025 ch a e m 000 0 chi d
035 $a (THES)112KMC0077D021
100 1 $a 楊智傑 $3 361176
245 1 0 $a 基於集成式學習方法與RPPG技術之智慧血糖測量系統 = $b Smart blood glucose detection system based on ensemble learning methods and RPPG technology / $c 楊智傑
246 1 1 $a Smart blood glucose detection system based on ensemble learning methods and RPPG technology
260 # $a [高雄市]: $b [撰者], $c 2025[民114]
300 $a 111葉 : $b 圖 ; $c 30公分
500 $a 指導教授: 鮑永誠.
500 $a 學年度: 113.
502 $a 碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士在職專班.
504 $a 參考書目：葉.
505 0 # $a 中文摘要 VIII
520 3 $a 本研究旨在探討非接觸式光體積描述法（Remote Photoplethysmography, rPPG）在即時測量血糖中的應用。目前市面上大多數血糖測量方法仍屬於侵入式，病患需經常性進行指尖扎針或配戴連續血糖監測系統（Continuous Glucose Monitoring, CGM），不僅存在感染風險與不適感，亦因成本高昂、數值準確度不足等問題，無法廣泛普及。因此，發展一種準確性高、無需侵入性操作的血糖測量方法，已成為近年生物感測領域的重要研究方向。本研究綜合參考多篇文獻，基於光體積描述技術（PPG/rPPG），開發非侵入式血糖測量方法1。首先，透過攝像頭取得人臉影像後，選取特定的感興趣區域（Region of Interest, ROI），進行多步驟訊號處理，包括：使用獨立成分分析（Independent Component Analysis, ICA）提取 RGB 三原色中特徵最明顯的綠色通道，接著進行時頻分析、平滑化、基線校正與歸一化處理，以有效消除光影干擾、雜訊與運動假影的影響。進一步地，計算每個 time window 內的統計量（如均值、變異數、峰度、偏度、四分位距等），作為後續血糖值推估的特徵點。為提升血糖預測模型的準確度與穩定性，本研究採用多種機器學習演算法進行模型訓練與優化，包含XGBoost（Extreme Gradient Boosting）、隨機森林（Random Forest）以及AdaBoost（Adaptive Boosting）等集成學習方法。由於 rPPG 訊號易受環境光源變動、臉部微動與膚色差異等因素影響，如何從雜訊中提取穩定且具代表性的特徵值，是本研究在程式設計與邏輯推導上所面臨的一大挑戰。為克服此困難，本研究結合信號工程與演算法優化策略，逐步排除程式與模型應用中的邏輯缺陷。在模型效能評估方面，本研究採用了多種評估指標進行綜合分析，包括：均方誤差（Mean Squared Error, MSE）、均方根誤差（Root Mean Squared Error, RMSE）、決定係數（R²）、調整後決定係數（Adjusted R²）以及皮爾森相關係數（Pearson Correlation Coefficient），以多角度驗證模型在預測準確性、穩定性與泛化能力上的表現。此外，為進一步優化模型參數，本研究導入貝式優化（Bayesian Optimization）作為超參數調整方法，透過設定 200 次迭代，自動尋找最佳參數組合，有效提升模型預測性能。最終所建立之模型，在多輪實驗驗證下，獲得了相對穩定且準確的血糖估計結果，顯示非接觸式 rPPG 方法具備應用於即時血糖監測的潛力。.
520 3 $a This study aims to explore the application of Remote Photoplethysmography （rPPG） in the real-time measurement of blood glucose levels. Currently, most methods available on the market for measuring blood glucose are invasive, requiring patients to endure risks of infection, and each method shows its own limitations in terms of accuracy and immediacy. Although traditional methods such as finger pricking can provide accurate data, their invasive nature causes discomfort and increases the risk of infection. Moreover, recent continuous glucose monitoring （CGM） methods face issues related to high costs and accuracy. Therefore, developing non-invasive methods for measuring blood glucose has become a significant research direction in recent years. In this study, we reference numerous literatures on photoplethysmography technology and employ a non-invasive approach for measurement. We first process the facial images captured by a camera and apply various signal processing techniques, including independent component analysis to extract the green channel from the RGB color model, time-frequency analysis, smoothing, baseline correction, normalization to eliminate noise, and then calculate statistical features for each time window to estimate blood glucose levels. Furthermore, we utilize a moving average method to calibrate the blood glucose values, making them closer to the actual estimates..
563 $a (平裝)
653 # # $a 特徵值擷取 $a 熵 $a 機器學習 $a 訊號處理 $a 血糖 $a 成式學習 $a 遠距光體積描記法 $a 遠距醫療.
653 # # $a machine learning $a time-frequency analysis $a signal processing $a blood glucose $a Remote Photoplethysmography $a Ensemble learning $a Telemedicine.
856 7 # $u https://handle.ncl.edu.tw/11296/nu6jda $z 電子資源 $2 http