使用PPG信号进行非侵入性血糖监测,使用各种深度学习模型和使用TinyML实现

科学领域:

• 生物医学工程 生物医学工程
• 医疗器械 医疗器械
• 数据科学数据科学数据科学

背景情况:

• 传统的通过手指刺痛监测血糖是侵入性的和不方便的.
• 摄影透视图 (PPG) 为估计血糖提供了一个非侵入性的替代方案.
• 先进的深度学习模型显示了分析PPG信号的潜力.

研究的目的:

• 开发和评估一种创新的1秒信号分割方法,用PPG信号来估计血糖.
• 使用新型数据集评估深度学习模型的性能和通用性.
• 为了比较1秒PPG段与传统的10秒段的有效性.

主要方法:

• 为PPG数据提出了一秒钟信号分割技术.
• 评估了三种用于估计血糖水平的深度学习模型.
• 在具有不同分布的额外数据集上测试模型稳定性.
• 在嵌入式设备上优化和部署表现最佳的模型.

主要成果:

• 与10秒段相比,1秒段显著提高了准确性和计算效率.
• 优化的模型在嵌入式设备上在6.4秒内实现了立即的血糖估计.
• 平均RMSE达到19.7 mg/dL,在CEGA A区准确率为76.6%,在B区准确率为23.4%.
• 在不同的人群和条件 (手术,麻醉,正常状态) 中表现出强烈的概括性.

结论:

• 一秒的PPG信号分割为血糖估计提供了更准确,更方便和更有效的方法.
• 开发的深度学习方法显示了对非侵入性糖尿病管理的巨大潜力.
• 这项技术为传统血糖监测提供了一种实用且在临床上被接受的替代方案.