精准且连续的血糖监测对糖尿病管理至关重要。传统的指尖采血方法因存在侵入性和不适感难以满足长期监测需求，光电容积脉搏波（PPG）技术为无创血糖监测提供了极具前景的解决方案。
据麦姆斯咨询报道，针对连续无创血糖监测的挑战，伊朗德黑兰大学（University of Tehran）和美国加州理工州立大学（California Polytechnic State University）的研究团队提出一种创新的1秒PPG信号分割方法，通过新型数据集评估了三种先进深度学习模型基于PPG信号的血糖水平（BGL）估算性能，并扩展测试至其它数据集以验证模型在未知分布数据中的鲁棒性。结果表明，1秒PPG信号片段预测精度明显优于传统的10秒PPG信号片段。该方法为传统的血糖监测提供了更便捷、精准的替代方案，在无创、精准糖尿病管理中具有巨大的应用潜力。相关研究成果以“Non-invasive blood glucose monitoring using PPG signals with various deep learning models and implementation using TinyML”为题发表在Scientific Reports期刊上。
在这项工作中，研究人员提出一种新方法，通过10秒和1秒PPG信号分割，整合了更大规模、更多样化的数据集。这种分割技术显著增加了数据集规模，使模型训练更加精准、更具鲁棒性。此外，研究人员系统评估了三种深度学习模型（ResNet34模型、VGG16模型、CNN-LSTM与注意力机制混合模型），其中ResNet34模型在PPG数据处理与分析方面表现尤为突出。通过使用PPG血糖监测领域迄今最大规模的数据集（VitalDB数据集和MUST数据集），增强了模型的鲁棒性与泛化能力。该数据集涵盖多样化受试者与场景，证明了模型在不同生理状态（包括麻醉与正常状态）下表现稳定。通过将ResNet34模型适配在STM32H743IIT6微控制器上，仅需6秒即可完成血糖水平估算，这种嵌入式系统上的快速处理能力，对连续无创血糖监测应用具有重要意义。通过严格实验与评估，研究人员进一步验证了该方法在基于PPG信号估算血糖水平方面的卓越性能，其平均均方根误差（RMSE）为19.7 mg/dL，临床接受区（A区+B区）准确率为100%。
图1 PPG信号1秒片段图示（突出显示血糖水平预测分析的典型波形特征）
图2 三种模型基于PPG信号1秒片段的训练和验证损失
图3 基于MUST数据集预测血糖水平的残差图
图4 嵌入式系统开发的工作流程
这项研究工作成功展示了ResNet34深度学习模型在增强基于PPG信号的无创血糖监测中的实际应用。通过将该模型适配至嵌入式设备，实现了快速准确的血糖水平估算，解决了糖尿病管理中传统监测方法侵入性与不适性的难题。模型在嵌入式设备上的部署不仅能够提供实时分析，还能保持高精度，这对患者信任和医疗监管审批至关重要。
这项研究还强调了全面利用数据集和持续模型验证的重要性。通过采用将PPG信号分割为更精确间隔的新型预处理技术，显著提升了模型预测精度，证明了在医疗应用中微调与优化深度学习模型的关键作用。这项研究为未来连续无创血糖监测无缝融入日常生活奠定了基础，有望显著改善糖尿病患者的生活质量。研究人员表示，未来的工作将聚焦于扩展数据集多样性、优化模型架构，并提升系统在临床和真实场景中的计算效率。
论文信息：
https://doi.org/10.1038/s41598-024-84265-8
