在美国，大约十分之一的人患有糖尿病[ 1］．其患病率从2015年的2340万美国人增加到2021年的3030万，并继续以惊人的速度增长[ 2］．

糖尿病的成功管理包括每天多次监测血糖水平。监测血糖浓度的标准方法是使用血糖计[ 3.］．该设备通过手指刺破或实验室抽血获得的液滴来测定葡萄糖浓度。在一天的过程中反复刺手指是痛苦的，并会在收集部位产生感染的风险[ 4］．因此，非侵入性方法是一种有吸引力的替代方案，然而，目前可用的方法有一些局限性。

目前有三种主要的无创葡萄糖监测设备:(1)基于光学葡萄糖监测的无创光学葡萄糖监测(NIO-GM)，(2)基于流体样本葡萄糖估计的无创液体采样(NIFS-GM)，以及(3)使用插入皮下组织的传感器的微创设备(MI-GM) [ 5］． 图1举例说明每种类型的无创和微创血糖监测的一个例子。

NIO-GM通过光束穿过组织的能量吸收、反射或散射来估计葡萄糖浓度[ 11］．这些设备的优点是既便携又便宜。NIO-GM技术包括荧光光谱，这可能导致荧光团的毒性[ 12， 13];拉曼光谱，因其光谱采集时间长、信噪比差而饱受诟病[ 14， 15];光声光谱学，因其对环境因素的敏感性而引入噪音[ 15， 16];光学相干层析成像对皮肤温度过于敏感[ 17];闭塞光谱学，已知会导致信号漂移[ 18］．相比之下，我们利用近红外吸收光谱技术开发了一种NIO-GM装置，该装置比上述方法更实用，成本更低[ 19- 23］．

在这里，我们描述了一种新型无创血糖监测系统的开发，该系统使用传感器和物联网设备的计算能力，从微型计算机和嵌入在手指或耳朵上的夹子中的传感器连续分析血糖。该原型使用红外光谱来创建葡萄糖分子内化学键的旋转和振动转变的图像，并通过入射光反射来测量其相应的波动。图像转换为数组列表，用于为人工神经网络(ANN)提供条目，以创建血糖浓度的估计。这个原型很容易使用，并与一个自由生活环境的移动应用程序相匹配。 图2显示所提议系统的概述。

我们的原型检测血糖浓度使用无创吸收光谱光学葡萄糖监测[ 24］．它是基于公式1中所示的比尔-兰伯特吸收定律[ 24］．

在哪里 我₀为初始光强( W/ 厘米²)， 我是强度的吗 我^th在任何深度内吸收介质 W/ 厘米²， l是介质内的吸收深度，单位是厘米， e摩尔消光系数为L/(mmol cm)， c为吸收分子浓度，单位为mmol/L。的乘积而且 c与吸收系数( µ_一个 ）.

吸收分子的浓度根据上式计算。然而，其他血液成分和吸收组织成分的作用会影响光的吸收量。因此，总吸收系数为所有吸收组分的吸收系数之和[ 25］．然后，为了使所有其他成分的吸收最小化，光源的波长应该选择，使光源被葡萄糖高度吸收，并且对血液和组织成分大部分是透明的。

我们利用物联网技术利用功耗计算和传感器设备的低能耗，并利用树莓派相机构建血糖监测原型[ 26］．虽然树莓派相机捕捉的是图像，但激光捕捉的是吸收。激光的规格可以在 表1．

一个可以放在手指或耳垂上的小夹子将激光夹在上半部分，相机夹在下半部分。 图3描述了原型机的元素(树莓派、相机和激光)。原型被命名为GlucoCheck。

树莓派相机在2分钟内每8秒捕捉一张图像，总共15张图像。亮度和对比度级别设置为70循环/度，相机ISO感光度设置为800，分辨率设置为640 × 480。 图4而且 5展示分别连接在手指和耳朵上的原型。

2022年，GlucoCheck原型机的材料成本约为79- 154美元，这取决于芯片的可用性，这是近几个月来一直存在的问题。通常情况下，电脑主板是充足的，但2022年出现了芯片短缺，导致价格与前几年相比上涨。

由于我们的原型使用了大量的图像，我们使用卷积神经网络(CNN/ConvNet)方法。卷积层是CNN网络的第一层，是处理大部分计算工作的主要构建块。我们导入了必要的库，包括Tensor Flow、Keras、MobileNetV2、Matplotlib和Numpy。图像数据集经过预处理转换为数组，然后以指定标签的列表格式存储。最后，将图像与对应的标签数组附加到单个数据数组中，并使用数据增强技术来训练我们的模型，包括裁剪、缩放、高度和宽度偏移以及水平翻转。

我们的基础模型MobileNet-v2是一种轻量级的53层深度CNN方法，用于改进使用有限数据集的图像分类。下一步是建立头部模型，它位于基础模型之上。下一层是激活层，它使用校正线性单元(ReLu)激活函数[ 27］．ReLu是一个分段线性函数，如果输入为正，它将直接输出;否则，它将输出0。它已经成为许多类型神经网络的默认激活函数，因为使用它的模型更容易训练，并且通常能获得更好的性能[ 28］．下一层是池化层，它包含了特征向下采样。它应用于3D体的每一层。完全连接层，包括压平，是最后一步。将整个池化特征映射矩阵转换为单个列，然后将其提供给神经网络进行处理。我们将这些属性放在一起，使用完全链接的层来制作一个模型。最后，我们使用“Softmax”激活函数对输出进行分类。神经网络模型采用Adam技术训练，共20个epoch，批处理大小为1，初始学习率为1e-4，并考虑0.5的dropout。下一步是训练和测试模型;80%的数据用于训练模型，20%的数据用于测试模型。 图6显示了用于我们葡萄糖估计过程的神经网络。

从ANN模型中获得的葡萄糖浓度通过HTTPS发送到云端。接下来，我们配置一个InfluxDB [ 29]数据库在云中存储数据。InfluxDB是由InfluxData公司开发的开源时间序列数据库。它是用Go编程语言编写的，用于存储和检索操作监控、应用程序指标、物联网传感器数据和实时分析等领域的时间序列数据。InfluxDB足够灵活，可以使用标记分别存储来自每个主题的数据。与云的集成使用树莓派，它是实时连接的，计算出的值会显示在用户的移动应用程序上。

使用8个个体的葡萄糖数据来训练和测试模型。在测试访问之前，每个参与者都被要求在无组织的用餐后禁食一小时。使用市售血糖仪估计血糖浓度(FORA 6 Connect BG50血糖起始物检测[ 17])，按照制造商的说明。GlucoCheck原型用于从每个参与者的两个位置捕捉图像:食指和耳垂。如前所述，80%的数据用于训练模型，20%的数据用于测试。使用Python库sklearn的LabelBinarizer模块将图像数据转换为二进制格式，并将其存储在与其相应标签/类别相关的数组中(85-95 mg/dL, 96-110 mg/dL, 111-125 mg/dL)。使用数据增强(裁剪、缩放、高度和宽度移动、水平翻转)来扩大我们的数据集，用于训练和测试模型。然后将数据传递给我们的模型进行葡萄糖估计。分别为手指图像和耳垂图像开发了不同的模型。 图7说明了协议的工作流程。

在这项初步研究中，有以下伦理方面的考虑。首先，肯尼索州立大学机构审查委员会批准了这项研究(IRB-FY22-318)。此外，参与这项研究是自愿的。参与者可以在任何时候自由选择参加或退出研究。在参与者同意或拒绝加入之前，需要知情同意告知他们研究的目的、风险和资金。最后，任何可识别个人身份的数据都被匿名化并为研究小组保密。

图8显示从手指收集的图像。这些图像是在第8秒(左上)、第16秒(右上)、第24秒(左下)和第32秒(右下)刺破手指后拍摄的。 图9显示在手指刺破后第8、16、24和32秒从耳垂收集的图像。

然后，所有图像都被添加到具有相应标签数组的单个数据数组中。然后，我们执行数据增强(裁剪、缩放、高度和宽度移动、水平翻转)，这允许我们扩展可用来训练模型的数据的种类，因为我们有最少的数据量。然后将数据传递给我们的模型进行葡萄糖估计。

用混淆矩阵评估模型的准确性，该矩阵说明了被正确分类的图像的比例。血糖值分为111-125 mg/dL、85-95 mg/dL和96-110 mg/dL，沿x轴和y轴显示。

图10显示了戴在手指上时葡萄糖估计的混淆矩阵，并表明人工神经网络模型的准确度为79%。神经网络模型在111-125 mg/dL范围内正确分类了8张图像，错误分类了4张图像。对于85-95 mg/dL的类别，18张图像分类正确，0张图像分类错误。96-110 mg/dL类别的所有3张图像都被错误分类。这种低水平的准确性是由于这些值的数据集有限。

图11显示了人工神经网络模型对耳朵图像数据集的结果，其准确率约为62%。该模型在111-125 mg/dL的类别中正确地分类了5张图像和4张错误的图像。此外，在85-95 mg/dL类别中，6张图像分类正确，0张图像分类错误。最后，在96-110 mg/dL的类别中，2张图像被正确分类，4张图像被错误分类。

我们的移动应用程序“GlucoCheck”连接到我们的云InfluxDB数据库，并为用户提供持续的血糖监测和历史数据。用户可以查看他们当前的血糖测量值，也可以查看他们之前测量值的图表，从而跟踪特定时间段内的血糖变化。 图12显示应用程序的初始屏幕(左)和原型的葡萄糖读数显示(右)。

用户还可以在应用程序中输入血糖仪的读数，以跟踪和比较来自其他设备的测量结果，如图所示 图13．

在这里，我们详细介绍并测试了一个新颖的NIO-GM原型，它依赖于人工神经网络和基于摄像头的技术，并与一个用户友好的应用程序相关联。结果表明，当光通过皮肤组织传输和吸收时，这些光学技术和机器学习方法可以有效地测量血糖。GlucoCheck对手指图像的分析准确率为79%，对耳垂位置图像的分析准确率为62%。

表2比较了GlucoCheck和之前测试过的技术。GlucoCheck的潜力与其他研究不相上下，但它比其他技术更有优势。使用集成的计算机板(树莓派)并与云集成，使GlucoCheck具有通过移动应用程序实时显示值的独特能力。此外，GlucoCheck的可选耳垂位置是独特的，可以将设备开发成耳环。

未来的研究需要解决开发更可靠的基于光的无创血糖原型的几个限制。首先，需要大量的数据来训练复杂任务的机器学习和深度学习模型。与其他任务相比，从糖尿病患者身上收集数据通常既耗时又昂贵。因此，许多研究在其研究周期中面临数据短缺的问题[ 30.- 35］．在这项初步工作中，我们使用数据增强技术从初步数据集中计算额外的数据点。人工神经网络模型需要额外的数据来检测准确的葡萄糖值，而不是一个范围。

其次，根据所使用的辐射类型，可行的NIO-GM必须考虑皮肤色素沉着、表面粗糙度、皮肤厚度、呼吸伪影、血液流动、身体运动和环境温度的差异[ 36］．在生物医学光学和生物医学工程中，精确测量人体皮肤内的吸收(散射)特性仍然是一个挑战[ 37］．同样，皮肤粗糙和色素沉着也会影响光线在皮肤中的分布[ 38］．这些因素必须在未来的技术中得到解决。最后，样机外壳设计必须是舒适的和可用的才能有效。

在本文中，我们提出了一种利用物联网设备计算能力的无创血糖监测系统，可用于糖尿病管理。该原型机基于从手指或耳朵采集的图像，不需要血液样本。利用神经网络模型对图像中的血糖浓度进行分类和估计。当使用手指图像时，GlucoCheck的准确性为79%。对于从耳朵拍摄的图像，准确度减弱到62%。虽然目前的数据集有限，但这些结果令人鼓舞。未来的研究需要解决三个主要的限制:(1)数据库的规模(通过扩大数据收集过程);(2)原型外壳设计(与生物医学和硬件工程师合作);(3)外部因素(通过分析皮肤颜色、皮肤厚度、环境温度等因素的影响)。如果成功，这一原型将是一项有吸引力的、改变糖尿病患者生活的技术。