非侵入式血糖感測技術的演算法開發

根據世界衛生組織資料，全球糖尿病患者已突破五億人，血糖代謝異常問題亦在健康與亞健康族群中逐漸普遍。然目前臨床所用血糖監測方式多為侵入式，包含指尖採血與微針感測，雖具高準確性，卻因不適感與感染風險，降低使用者依從性。因此，開發具舒適性與高接受度之非侵入式血糖感測技術，成為近年重要的研究方向。
因此本研究開發一套結合漫反射光譜技術（Diffuse Reflectance Spectroscopy, DRS）與機器學習演算法的非侵入式血糖預測系統。系統透過多波長光源照射皮膚組織並量測反射光訊號，搭配空腹血糖值作為個體背景變數，以提升預測模型對代謝差異的辨識能力。資料經前處理與 Z-score 標準化後，模型建構採用隨機森林回歸演算法（Random Forest Regressor），具備處理非線性與高變異特徵的能力，預測結果整體落於臨床可接受範圍，展現良好穩定性與實用性。
為降低組織液中電解質（如KCl、NaHCO₃、CaCl₂）對光訊號的干擾，本研究亦於前期第一代感測裝置中導入動態補償機制，並以小批量資料進行驗證。惟後續裝置波長設定已更新，補償參數無法直接延用，故相關機制僅保留作為前期方法論依據。
綜上所述，本研究成功驗證非侵入式血糖感測結合光學技術與演算法可行性，具備模組化應用潛力，未來可整合至穿戴式裝置中，實現即時、無痛與個人化之血糖監測系統。