現有的近紅外光譜無創血糖建模方法大多是基于多波長近紅外光譜信號，不利于無創血糖儀在家庭中普及，并且這些建模方法沒有考慮單個個體每天血糖變化規律的差異性。針對這些問題，本文以血糖吸收最強的 1 550 nm 近紅外光吸光度為自變量、血糖濃度為因變量，結合粒子群（PSO）算法和人工神經網絡（ANN）建立了一種無創血糖檢測模型——PSO-2ANN 模型。該模型以兩個結構和參數確定的人工神經網絡為基本的子模塊，通過粒子群算法優化兩個子模塊的權重系數得到最終的模型。使用 PSO-2ANN 模型對 10 名志愿者的實驗數據進行預測。結果表明，其中 9 名志愿者的預測相對誤差率均小于 20%；通過 PSO-2ANN 模型得到的血糖濃度預測值分布在克拉克誤差網格 A、B 區域的比重為 98.28%，證實了 PSO-2ANN 模型具有比傳統人工神經網絡模型更為理想的預測精度和穩健性。另外，單個個體由于外界環境、心情、精神狀態等因素的影響，每天血糖的變化規律可能會出現一定程度的差異性，PSO-2ANN 模型只需要調節一個參數便能修正這種差異性。本文提出的 PSO-2ANN 模型為克服血糖濃度預測的個體差異性提供了新的思路。
利用無創技術進行血糖檢測，有助于減輕糖尿病患者有創檢測時的痛苦，降低檢測成本，實現血糖的實時監測和有效控制。針對市場上現有微創或有創血糖檢測方法存在的檢測精度低、成本高、操作復雜等問題，本文基于課題組已研制的無創血糖檢測儀樣機結構組成，結合市場可供選擇的激光光源的波長和成本，提出以血糖吸收較強的 1 550 nm 波長作為測量光用于采集血糖信息，以血液中水分子吸收較強的 1 310 nm 波長作為參考光用于去除水分子的影響，利用敏感度分析方法和帶有外部輸入的非線性自回歸神經網絡，研究基于雙波長近紅外光漫反射的無創血糖檢測方法。通過對十四名志愿者進行在體實驗，結果證明，利用該方法得到的無創血糖測量值分布在克拉克誤差網格中 A 區域的比重為 90.27%、B 區域的比重為 9.73%，均符合臨床要求，證實了本文研究的基于非線性自回歸神經網絡和雙波長近紅外光漫反射的無創血糖檢測方法具有較為理想的測量精度和穩定性。