GlucoNet:一种混合学习方法,用于从PPG中进行非侵入性血糖估计

科学领域:

• 生物医学工程 生物医学工程
• 医疗器械 医疗器械
• 医疗保健中的人工智能

背景情况:

• 全球糖尿病患病率不断上升,需要经常监测血糖水平 (BGL).
• 传统的BGL监测方法是侵入性的,痛苦的,不适合连续跟踪.
• 非侵袭性技术,如光聚素显微镜 (PPG),对于改善糖尿病管理至关重要.

研究的目的:

• 开发和验证使用PPG信号估计血糖水平的非侵入性深度学习模型.
• 与现有方法相比,评估模型的准确性和临床适用性.
• 提供无痛和连续的BGL监控解决方案.

主要方法:

• 介绍了GlucoNet,这是一个结合卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM) 模块的深度学习架构.
• 在公共在线和现实世界数据集上训练和验证模型.
• 使用PPG信号进行空间和时间特征提取,以估计BGL.

主要成果:

• 实现了高精度,平均绝对误差 (MAE) 为2.15 mg/dL,根平均平方误差 (RMSE) 为3.28 mg/dL.
• 证明了卓越的性能,R2值为0.99.
• 100%的预测都属于临床上可接受的克拉克错误网格区域A和B.

结论:

• 拟议的GlucoNet模型提供了一种可靠的,非侵入性的方法,用于使用PPG信号实时估计BGL.
• 这项技术使得无痛,持续的监测,支持早期糖尿病检测和管理.
• GlucoNet代表了用于糖尿病护理的可穿戴健康技术的重大进步.