《Scientific Reports》：Secure IoMT smartwatch-based blood glucose monitoring using multimodal activity and nutrition data with transfer learning
编辑推荐：
本刊推荐：针对高碳水饮食和久坐生活方式导致的血糖管理难题，研究人员开展了基于物联网医疗(IoMT)的智能手表血糖监测研究。通过融合多模态活动与营养数据，结合迁移学习(Transfer Learning)和深度卷积神经网络(DCNN)技术，构建了TL-DCNNOS安全执行算法。实验表明，该系统将血糖预测准确率提升至99%，同时显著降低时间消耗和安全风险，为慢性病实时管理提供了创新解决方案。
在现代社会，不均衡饮食和缺乏运动已成为威胁公众健康的重要隐患。随着生活节奏加快，人们摄入高碳水化合物食物的比例显著增加，而久坐不动的工作方式进一步加剧了血糖代谢异常的风险。持续的高血糖状态不仅可能引发糖尿病等慢性疾病，还会导致心血管并发症、神经系统损伤等严重后果。传统血糖监测方式主要依赖指尖采血，这种方法既给患者带来疼痛不适，又难以实现连续动态监测，无法全面反映血糖波动规律。面对日益增长的慢性病管理需求，开发无创、实时、高效的血糖监测技术迫在眉睫。
《Scientific Reports》发表的研究论文《Secure IoMT smartwatch-based blood glucose monitoring using multimodal activity and nutrition data with transfer learning》针对这一挑战提出了创新性解决方案。该研究团队设计了一套基于物联网医疗(Internet of Medical Things, IoMT)智能手表的完整监测系统，通过整合多源信息实现精准血糖预测。
研究团队采用了几项关键技术：首先利用配备多种生物传感器的IoMT智能手表采集心率、血压、血氧饱和度等生理参数；其次构建了包含受试者基本信息、营养摄入记录和活动数据的多模态数据集；核心技术创新在于开发了TL-DCNNOS算法，该算法结合迁移学习(Transfer Learning)和深度卷积神经网络(Deep Convolutional Neural Networks, DCNNs)，能够通过数据加密和边缘计算节点实现安全高效的任务处理。研究人员使用开放世界多模态数据集进行模型预训练，并在真实测试环境中进行实时验证。
数据收集与加密流程
研究建立了标准化的数据采集规范，智能手表内置传感器持续监测使用者的生理指标，同时通过人工输入记录膳食组成和运动情况。所有数据经过加密后传输至边缘节点，确保个人信息安全。这种分布式处理架构有效降低了系统延迟。
TL-DCNNOS算法性能
该算法通过独立管道处理工作流程，将复杂计算任务卸载到邻近边缘节点。实验结果显示，相比传统方法，新算法在保证安全性的同时显著减少了处理时间，为实时预测提供了技术基础。
行为模式识别精度
通过迁移学习策略，模型能够准确识别进食、静坐、行走等日常行为模式，区分正常与异常生理状态。开放数据集预训练结合实时微调的方式，使系统适应不同个体的生理特征。
血糖预测准确率
在多样化运行时活动条件下，系统对血糖水平的预测准确率达到99%，远超现有研究水平。这种高精度预测为个性化健康干预提供了可靠依据。
研究结论表明，基于IoMT智能手表的多模态监测系统能够有效解决传统血糖监测的局限性。通过创新性地结合迁移学习和深度卷积神经网络技术，不仅实现了高精度预测，还建立了安全高效的数据处理框架。该研究的重要意义在于为慢性病管理提供了可穿戴设备解决方案，使个体化血糖监控成为可能，对预防糖尿病并发症和促进公众健康具有重要价值。未来，该系统框架可扩展至其他生理参数监测领域，推动智慧医疗的发展进程。
