基于递归支持向量特征选择与优化集成 boosting 模糊神经网络的边缘计算糖尿病早期预测研究

针对糖尿病早期预测中高维特征导致的精度下降问题，研究人员提出结合递归支持向量特征选择（RSVFS）与优化集成 boosting 模糊神经网络（OEBFNN）的边缘计算模型，通过Z-score归一化和糖尿病缺陷影响率（DDIR）评估实现特征优化，最终达到95.5%的准确率，为实时医疗诊断提供高效解决方案。

　　

糖尿病是全球范围内威胁人类健康的重大慢性疾病，其中1型糖尿病（Type 1 DM）因早期症状隐匿且多发于青少年群体，临床诊断常面临延迟风险。传统预测模型受限于高维数据的非依赖性特征和计算延迟，难以实现精准的早期预警。边缘计算（Edge computing）技术的兴起为这一问题提供了新思路——通过将数据处理下沉至终端设备（如可穿戴传感器），可显著缩短分析延迟并提升实时性。然而，现有方法在特征边际优化和模型集成方面仍存在明显短板，导致预测精度难以突破90%大关。

为此，研究人员开发了基于优化集成 boosting 模糊神经网络（Optimized Ensemble Boosting Fuzzified Neural Network, OEBFNN）的新型边缘计算框架。该研究首先采用Z-score归一化处理标准糖尿病数据集，并通过糖尿病缺陷影响率（Diabetic Deficiency Impact Rate, DDIR）量化特征缺陷程度；随后利用递归支持向量特征选择（Recursive Support Vector Feature Selection, RSVFS）筛选关键关联特征以降低维度；最终通过集成AdaBoost、Gradient Boost和XGBoost三类算法的投票机制构建分类器。实验表明，该模型在边缘终端实现了95.2%的精确率、94.8%的召回率及95.5%的综合准确率，较传统系统显著提速。相关成果发表于《Biomedical Signal Processing and Control》，为糖尿病早期干预提供了兼具高效性与准确性的技术路径。

关键技术方法包括：1）Z-score标准化预处理糖尿病数据集；2）DDIR评估特征缺陷；3）RSVFS递归筛选特征；4）集成AdaBoost、Gradient Boost和XGBoost三类算法构建OEBFNN分类器；5）基于80%训练集与20%测试集的验证框架。

Related work
现有研究证实边缘计算可通过实时生理参数（如血糖、心率）监测提升糖尿病管理效率，但面临数据安全性与多源设备整合的挑战。

Proposed solution
研究提出OEBFNN框架，通过DDIR和RSVFS实现特征优化，结合三类boosting算法提升边缘终端的分类性能。

Gradient boost
该算法通过残差误差迭代优化模型，其正则化特性有效抑制过拟合，增强对复杂糖尿病模式的识别能力。

Results from boosting algorithms and its voting ensemble ? prediction models
混淆矩阵显示集成模型在测试集上准确率达95.5%，较单一算法提升约7%，验证了投票机制的有效性。

Conclusion
该研究通过边缘计算与集成学习的融合，不仅实现糖尿病早期高精度预测，更为个性化医疗方案制定提供技术支撑。其创新性体现在：1）DDIR量化特征缺陷；2）RSVFS-RBF核函数优化特征空间；3）三类boosting算法的动态加权集成。未来需进一步探索模型在跨种群数据中的泛化能力及边缘设备的安全部署方案。