这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Formative Research上的原创作品。必须包括完整的书目信息,https://formative.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
糖尿病是一种严重的疾病,其特征是由胰岛素调节异常引起的高血糖水平。糖尿病可以通过体育锻炼和饮食调整来控制,需要仔细监测血糖浓度。血糖浓度通常是全天通过分析从手指刺取的血液样本来监测的,使用的是市售的血糖计。然而,这个过程是侵入性的和痛苦的,并导致感染的风险。因此,迫切需要无创、廉价、新型的血糖连续监测平台。
我们的研究旨在描述一个试点测试,以测试基于近红外光谱的激光技术的无创葡萄糖监测原型的准确性。
我们的系统基于树莓派、便携式相机(树莓派相机)和可见光激光器。当可见光激光穿过皮肤组织时,树莓派相机就会捕捉到一组图像。利用皮肤组织中光的吸收和散射,通过人工神经网络模型估计葡萄糖浓度。这个原型是使用TensorFlow、Keras和Python代码开发的。一项初步研究由8名志愿者进行,他们在手指和耳朵上使用了原型。通过原型获得的血糖值与市售血糖仪进行比较,以估计准确性。
当使用手指图像时,原型的准确性为79%。从耳朵上采集,精确度降低到62%。虽然目前的数据集有限,但这些结果令人鼓舞。然而,在未来的原型研究中,需要解决三个主要的局限性:(1)增加数据库的规模,以提高人工神经网络模型的鲁棒性;(2)分析皮肤颜色、皮肤厚度、环境温度等外部因素对当前原型的影响;并(3)改进原型外壳,使其适合易于手指和耳朵放置。
我们的初步研究表明,可以使用一个小型硬件原型来估计血糖浓度,该硬件原型使用人体组织的红外图像。虽然还需要进行更多的研究来克服局限性,但这项初步研究表明,可以使用一种负担得起的设备来避免在糖尿病人群中使用血液和多次手指穿刺来监测血糖。
在美国,大约十分之一的人患有糖尿病[
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[
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) [
(A) NIO-GM的例子(改编自Lubinski等[
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[
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。
无创血糖监测系统概述。
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[
在哪里
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[
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[
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。
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。
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。
光激光规格。
品牌 | Icstation |
型号 | KY-008 5mW红色激光发射机 |
模块 | 红外 |
零件号 | 276810 |
工作电压 | 5兆瓦 |
波长 | > 650海里 |
大小 | 24 × 15毫米或0.94 × 0.59英寸(长×宽) |
GlucoCheck设备。
原型夹在手指上。
原型夹在耳朵上。
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[
人工神经网络模型用于葡萄糖估计。ReLu:整流线性单元。
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 [
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[
方法的工作流程。
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。
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。
采集志愿者的指尖图像。
来自志愿者的耳朵/耳垂图像。
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。
手指人工神经网络模型的混淆矩阵。x轴表示正确的估计,y轴表示不正确的估计。所有x和y值的单位都是mg/dL。
耳人工神经网络模型的混淆矩阵。所有x和y值的单位都是mg/dL。
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。
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
显示血糖水平的移动应用程序界面。
选择手动输入血糖水平。GlucoCheck读数(左)可以与用户手动输入的其他血糖仪测量值(右)进行比较。
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%。
本研究与以往工作的比较。
研究 | 身体的一部分 | 技术 | 受试者数量 | 精度 | 实时 | 手机应用程序 | 一年 |
这项研究(GlucoCheck) | 手指/耳垂 | 图像的二值格式和卷积神经网络 | 8 | 79% | 是的 | 是的 | 2022 |
[ |
手指 | 红外多元校正模型 | 3. | N/A一个 | 没有 | 没有 | 1992 |
[ |
手指 | 直方图和人工神经网络 | 514 | 90% | 没有 | 是的 | 2019 |
[ |
口腔黏膜 | 衰减全反射和中空纤维 | 131/414 | 86.3% | 没有 | 没有 | 2018 |
[ |
手指和手腕 | 反射光信号 | 12 | 相关性0.86 | 没有 | 没有 | 2019 |
[ |
前臂 | 组织光路光谱分析 | 1 | 87.5% | 没有 | 没有 | 2003 |
一个N/A:不适用。
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[
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[
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。
人工神经网络
卷积神经网络
微创装置
无创液体采样
无创光学葡萄糖监测
线性整流函数
作者非常感谢审稿人对改进手稿做出的贡献。他们还想感谢肯尼索州立大学计算与软件工程学院和研究办公室对该项目的资助。
没有宣布。