一个深度稀有囊网络用于非侵入性血糖水平估计,使用PPG传感器
Narmatha Chellamani1, Saleh Ali Albelwi1, Manimurugan Shanmuganathan1
1Faculty of Computers and Information Technology, University of Tabuk, Tabuk 71491, Saudi Arabia.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究提出了一种非侵入性方法,用于监测血糖水平 (BGLs),使用深度学习和光多缩学 (PPG) 信号. 开发的深度稀疏囊网络 (DSCNet) 模型提供了准确的BGL估计,改善了糖尿病管理.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 糖尿病需要经常监测血糖水平 (BGL).
- 目前的侵入性BGL监测方法给患者带来了挑战和不适.
- 非侵入性BGL监测技术非常受欢迎,以改善患者的遵守和生活质量.
研究的目的:
- 开发和评估一种非侵入性深度学习 (DL) 方法,用于使用光聚光学 (PPG) 信号估计血糖水平 (BGLs).
- 引入一种新的深度稀疏囊网络 (DSCNet) 模型,用于准确和强大的BGL监控.
- 为了比较基线DSCNet模型与包含自我注意机制的增强版本的性能.
主要方法:
- 一个包含PPG传感器和Raspberry Pi的硬件模块被用于患者数据收集.
- 信号预处理涉及应用Savitzky-Golay和移动平均波器,以消除PPG信号的噪音,同时保持基本的波形特征.
- 一个深度稀疏囊网络 (DSCNet),包括一个具有自我注意力的变体,用于基于处理的PPG数据的BGL预测.
主要成果:
- 在BGL估计中,DSCNet模型表现出高性能.
- 关键性能指标包括平均绝对百分比误差 (MAPE) 为3.022,平均绝对误差 (MAE) 为0.05,确定系数 (R2) 为0.98.
- 增强的DSCNet模型与自我注意力显示在预测血糖水平方面提高了准确性和稳定性.
结论:
- 建议使用PPG信号的基于DL的非侵入性方法为BGL监控提供了一个有希望的替代方案.
- DSCNet模型,特别是自我注意力增强版,提供了准确可靠的BGL估计.
- 这项技术有可能通过减少侵入性手术的需要,显著改善糖尿病管理和患者护理.
