Los sistemas de monitoreo de diabetes son cruciales para evitar gastos médicos potencialmente significativos. En este momento, los únicos métodos de monitoreo comercialmente viables que existen son los invasivos. Dado que los pacientes se sienten incómodos mientras se toman muestras de sangre, estas técnicas tienen desventajas significativas. Los inconvenientes de los tratamientos invasivos podrían superarse con un enfoque indoloro, económico y no invasivo para el monitoreo del nivel de glucosa en sangre (BGL). Las señales de fotopletismografía (PPG) obtenidas de electrodos de sensor colocados en tejidos orgánicos específicos se recogen utilizando fotodiodos y LEDs infrarrojos cercanos. La enfermedad cardiovascular puede ser detectada a través de la fotopletismografía. Estas características pueden utilizarse para afectar directamente el monitoreo de BGL en pacientes diabéticos si se utilizan señales PPG. Se utilizó la base de datos abierta del Hospital del Pueblo de Guilin para producir la recopilación de datos. El conjunto de datos se recopiló de 219 encuestados adultos con un rango de edad de 21 a 86 años, de los cuales el 48 por ciento eran hombres. Hubo un total de 2100 puntos de muestreo para cada segmento de datos PPG. La metodología de extracción de características de los datos puede ayudar a aumentar la efectividad del entrenamiento y la prueba del clasificador. La información de datos PPG se modifica en el dominio de la frecuencia mediante la frecuencia instantánea (IF) y los momentos de entropía espectral (SE) utilizando el análisis tiempo-frecuencia (TF). Se utilizaron tres formas diferentes de datos en bruto como entradas, y se investigó la señal PPG original, la señal PPG con frecuencia instantánea y la señal PPG con entropía espectral. Según los resultados de las pruebas del modelo, la señal PPG con entropía espectral generó los mejores resultados. En comparación con los árboles de decisión, el vecino más cercano en subespacio y el vecino más cercano, nuestro enfoque propuesto con la máquina de vectores de soporte obtiene un mayor nivel de precisión. La máquina de vectores de soporte, con una precisión del 91.3% y una duración de entrenamiento de 9 segundos, fue el mejor clasificador.