El presente estudio comprende una comparación de los Coeficientes Cepstrales de Frecuencia Melódica (MFCC), Análisis de Componentes Principales (PCA) y Análisis de Componentes Independientes (ICA) como métodos de extracción de características utilizando diez algoritmos de regresión diferentes (AdaBoost, Bayesian Ridge, Árbol de Decisión, Elastic Net, k-NN, Regresión Lineal, MLP, Bosque Aleatorio, Regresión Ridge y Regresión de Vector de Soporte) para cuantificar la concentración de glucosa en sangre. Un total de 122 participantes, sanos y diagnosticados con diabetes tipo 2, fueron invitados a formar parte de este estudio. El conjunto completo de participantes se dividió en dos particiones: un subconjunto de entrenamiento de 72 participantes, destinado a la selección del modelo, y un subconjunto de validación que comprendía a los 50 participantes restantes, para probar el modelo seleccionado. Se utilizó una cámara impresa en 3D para proporcionar un entorno controlado por luz y una unidad de microcontrolador de bajo costo para adquirir mediciones ópticas. Los MFCC, PCA e ICA fueron calculados por una plataforma informática de hardware abierto. Los niveles de glucosa estimados por el sistema se compararon con las concentraciones reales de glucosa medidas por venopunción en una prueba de laboratorio, utilizando el error absoluto medio, el error porcentual absoluto medio y la cuadrícula de error de Clarke para este propósito. Los mejores resultados se obtuvieron para MCCF con AdaBoost y Random Forest (MAE = 11.6 para ambos).