基于机器学习增强型透射光谱技术的非侵入式血糖监测

《ACS Omega》：Noninvasive Blood Glucose Monitoring with Machine Learning Enhanced Transmittance Spectroscopy

【字体：大中小】 时间：2026年05月11日 来源：ACS Omega 4.3

编辑推荐：

　　高分辨率图像下载MS PowerPoint幻灯片糖尿病是一种常见的代谢性疾病，其特点是身体无法调节血糖水平，从而导致严重的健康并发症。由于目前非侵入性血糖检测技术的限制，尽管指尖采血式血糖仪使用起来不太方便且需要频繁测量，但它们仍然是个人监测的标准方法。本研究通过结

　　高分辨率图像
下载MS PowerPoint幻灯片

糖尿病是一种常见的代谢性疾病，其特点是身体无法调节血糖水平，从而导致严重的健康并发症。由于目前非侵入性血糖检测技术的限制，尽管指尖采血式血糖仪使用起来不太方便且需要频繁测量，但它们仍然是个人监测的标准方法。本研究通过结合机器学习技术和透射光谱法，提出了一种用于个人医疗保健中估算血糖浓度的非侵入性方法。该系统利用650纳米、808纳米和940纳米的多光谱透射测量来评估水溶液中的葡萄糖浓度。通过对皮肤层中光吸收的模拟以及体外实验，确定940纳米为最佳波长，因为它具有高灵敏度，并且受到水吸收的干扰最小。基于这一波长，开发了一种基于透射光谱法的体内系统以实现非侵入性血糖测量。采用集成模型的机器学习流程从光学数据中预测血糖水平。该模型在来自体内实验设置的200个临床样本上进行了训练，XGBoost算法的表现优于其他算法，获得了0.94的R2分数和23.92 mg/dL的均方根误差（RMSE）。克拉克误差网格分析（CEGA）显示92.5%的预测结果位于A区，7.5%位于B区，没有样本落在C至E区，这证明了系统的稳健性。这些结果突显了所提出的方法作为糖尿病管理中连续非侵入性血糖监测的实用、低成本且可靠的解决方案的潜力。

1. 引言
糖尿病是一种慢性代谢性疾病，主要是由于身体无法调节血糖水平造成的。全球约有5.89亿20至79岁的成年人患有糖尿病，预计到2050年这一数字将上升至8.53亿。（1）血糖水平必须保持在70至180 mg/dL的生理范围内，以防止高血糖（>180 mg/dL）和低血糖（<70 mg/dL）相关的并发症。（2）全球血糖监测设备市场正在快速增长。2023年，该市场的价值约为147亿美元，预计到2033年将达到389亿美元，复合年增长率（CAGR）为10.2%。（3）这一增长得益于糖尿病发病率的增加、监测技术的进步以及对个性化医疗解决方案需求的增加。频繁而准确的监测可以及时进行干预，对有效管理疾病至关重要。虽然实验室样本中的血浆葡萄糖测量是诊断的金标准，但日常自我监测通常采用指尖采血测试。在此过程中，将血液样本放置在涂有酶的试纸上并插入血糖仪中。试纸上的酶反应（最常用的是葡萄糖氧化酶（GOx）、葡萄糖脱氢酶（GDH）或己糖激酶（HK）会产生与葡萄糖浓度成比例的电流。（4）尽管这种方法能够提供近乎准确的结果，但由于其侵入性，它与身体不适、感染风险和用户不便相关。血糖仪读数变化的额外来源包括试纸的化学成分、内部电路、处理和应用技术、环境因素以及某些药物。为了确保测量的准确性，设备结果通常会与来自匹配血液样本的参考实验室值进行验证。（4）尽管指尖采血系统的临床可靠性很高，但其侵入性限制了用户的依从性和舒适度，因此推动了非侵入性策略的研究。目前正探索多种新兴技术以实现这一目标，包括近红外（NIR）光谱法、（5）偏振法、（6）微波基方法、（7,8）拉曼光谱法、（9）生物阻抗分析、（10）光声传感、（11）以及混合传感架构。（12）光学非侵入性方法的一个主要局限是使用中红外（MIR）光，因为MIR光会被生物组织大量吸收。因此，MIR系统主要与表层间质液相互作用，使得准确测量葡萄糖变得困难。相比之下，可见光和近红外（VIS–NIR）光的吸收较低，可以更深入组织中，从而能够检测到血糖而不是间质葡萄糖。（13）然而，在这个光谱范围内检测葡萄糖仍然具有挑战性，因为葡萄糖浓度较低，并且存在水、蛋白质、血红蛋白和脂肪等干扰成分。个体间的差异进一步复杂化了信号。由于不同的分子种类在特定波长下吸收光的方式不同，因此经常使用多波长技术来提取葡萄糖特异性信号。为了解决这些挑战，最近的研究集中在整合透射光谱法、传感器设计和信号处理技术上，以提高组织穿透性并在VIS–NIR光谱中分离葡萄糖特异性信号。在血浆中发现了葡萄糖特异性吸收特征，从而开发出能够高灵敏度检测葡萄糖浓度（50–400 mg/dL）的微型传感器。（14）基于NIR LED的传感器利用比尔-朗伯定律将传感器的电压输出与控制环境下的葡萄糖水平相关联，并随后进行了体内验证。（15）大规模研究表明，双波长NIR传感器的测量结果与血糖仪读数非常接近。（16）使用NIR光谱法的回归模型达到了高准确性，均方绝对误差（MARD）为3.25%。（17）这些研究表明透射光谱法有潜力被整合到非侵入性血糖监测系统中。

非侵入性系统中的血糖浓度测量的精度在很大程度上受到透射强度测量数据处理方式以及合适预测建模方法选择的影响。由于非侵入性血糖测量是一个复杂的过程，因此需要复杂的算法来处理高维数据并提高预测的可靠性。该领域使用了多种机器学习算法来解决血糖预测问题，包括多重线性回归、（18）支持向量机、（19）偏最小二乘回归、（20）深度神经网络、（19）前馈神经网络和随机森林回归。（22）这些技术的主要应用是基于光学输入特征构建回归模型来估计连续血糖浓度。这些回归模型并不一定针对高血糖和低血糖等关键血糖状况下的错误分类进行了优化。因此，它们在预测极端血糖状况时的能力可能有限，特别是在实际情况下，信号变化受到多种生理和环境因素的影响。

在本研究中，开发了一个VIS–NIR光学传感器平台，以支持多波长强度测量进行葡萄糖检测。最初，使用650纳米、808纳米和940纳米的光源在水中样品中测量葡萄糖浓度。选择这些波长是为了探测与血液成分相关的不同吸收光谱区域。为了便于向体内检测过渡，进行了模拟，分析了表皮、真皮和皮下层等主要皮肤层在VIS–NIR范围内的吸收系数。模拟结果表明，940纳米是一个适合非侵入性葡萄糖检测的波长，在保证足够组织穿透性的同时，水的衰减最小。这些发现为选择940纳米作为体内应用的最佳波长提供了强有力的支持。在分析建模和体外实验的指导下，选择了940纳米波长继续开发传感系统，并设计了一种紧凑的设备用于体内实验，以确保其在实际应用中的便携性和易用性。开发了一种基于回归的分析流程，将测量的光强度转换为葡萄糖浓度估计值。最初，使用了多种机器学习算法来确定哪种算法最适合捕捉吸收光与葡萄糖浓度之间的非线性复杂关系。XGBoost算法在所有统计和临床评估指标中表现最佳，因此被选为最终实施方案。该模型在包含已知葡萄糖值的200个临床样本的数据集上进行了训练，随后进行了校准步骤，以使预测结果与参考血糖测量值对齐。这个过程使模型能够准确捕捉低血糖、正常血糖和高血糖范围内的细微变化，优于传统的回归方法。

2. 体外葡萄糖检测分析
2.1. 在葡萄糖检测中多光谱透射光谱的原理
VIS–NIR区域的多光谱透射光谱已被证明是一种有前景的非侵入性葡萄糖监测方法，该方法利用了葡萄糖在VIS–NIR区域的差异吸收行为。在此过程中，光源用可见到NIR波长的光照射人体皮肤。如图1A所示，来自光源的入射光照射皮肤，然后由光电二极管（PD）检测透射光。根据比尔-朗伯定律量化吸光度，而激发波长决定了光在生物组织中的穿透深度。先前的研究（23）表明，NIR波长具有足够的穿透能力，可以到达皮下组织中的动脉血管，而VIS波长（绿色和红色）主要限于真皮层。通过使用VIS–NIR光谱范围内的多种光源，可以获得深度分辨的光谱信息，从而更准确地表征不同血管层内的血压波动和葡萄糖特异性吸收特征，如图1B所示。

图1：透射光谱系统概述。（A）完整设置的示意图，显示了位于光源和光电探测器之间的人体手指。（B）描绘光线通过分层皮肤的光路的概念图，箭头指示从光源到对面探测器的光路径。

在所提出的系统中，如2.2节所述，使用了红色和NIR光源来照射组织。来自PD的电压信号与透射光强度成正比，通过嵌入式处理单元进行放大和处理。使用多种激光波长对不同皮肤深度进行全面的光谱分析，捕捉不同血糖水平下的生理反应。

2.2. 多光谱透射光谱的波长选择
使用皮尔逊相关系数来确定葡萄糖水平与各个波长下平均归一化强度之间的线性关系，如图2D所示。650纳米和940纳米的相关系数为0.98，表明存在强烈的线性关系。选择650纳米、808纳米和940纳米波长进行非侵入性葡萄糖检测还得到了它们各自的摩尔吸收系数（∈g）的支持，这些系数表征了葡萄糖分子与入射光之间的相互作用强度。

在650纳米时，葡萄糖的吸收非常弱，∈g约为0.0002 L mol–1 cm–1（25），表明该区域的灵敏度有限。在808纳米附近，吸收进一步减弱，∈g显著小于0.0001 L mol–1 cm–1（26），表明相互作用很小。选择650纳米、808纳米和940纳米波长进行非侵入性葡萄糖检测还得到了它们各自的mol吸收系数的支持，这些系数表征了葡萄糖分子与入射光之间的相互作用强度。在940纳米时，摩尔吸收系数显著增加到约0.001 L mol–1 cm–1（25），由于光响应更强，使其成为更合适的葡萄糖检测选择。这种吸收行为的对比验证了使用这三个波长进行比较光谱分析的合理性，同时在NIR范围内最大化了葡萄糖的特异性和灵敏度。此外，所选激光器在市场上有可用性。

2.3. 基于VIS–NIR的体外葡萄糖检测系统
图2A所示的电子电路旨在使用光学透射光谱法测量水溶液中的葡萄糖浓度。该系统由两个主要部分组成：发射器和接收器。发射器集成了三种光源：一个650纳米、25毫瓦的红激光；一个808纳米、25毫瓦的近红外（NIR）激光；以及一个940纳米、40毫瓦的NIR LED（TSAL 6200）。接收器由一个光谱灵敏度范围为600至1100纳米的光电二极管（BPW34）组成，能够有效检测所有发射的波长。光电二极管被设置为将光电流转换为可测量的电压，然后输入到模数转换器（ADC）的模拟输入端（A0）（见图2A）。模数转换器（ADC）以16位分辨率和高精度对信号进行数字化处理，并通过I2C接口将数据传输到ESP32微控制器进行进一步处理。光学葡萄糖检测系统的实验设置如图2B和2C所示。为了使用光学透射法评估葡萄糖浓度，研究人员使用实验室精密技术制备了浓度高达20毫摩尔/升（366.20毫克/分升）的葡萄糖溶液，并在受控条件下对其进行分析。实验设置分为两种方式：（a）使用650纳米可见红激光和808纳米NIR激光的双激光系统；（b）仅使用940纳米NIR LED的单激光系统。在两种配置中，葡萄糖溶液都被放置在一个石英比色皿中（光学路径长度为1厘米），位于光源和光电探测器之间。在测量过程中，每个光源都会照射葡萄糖介质，光电二极管记录下透射光强度。由此产生的模拟电压由ADS1115芯片数字化，然后由ESP32微控制器进行处理，得到与溶液吸收度成正比的直流电压输出。这些校准后的电压读数是确定葡萄糖浓度的定量基础。

2.4. 灵敏度分析
图2E中的体外实验结果表明，不同波长在葡萄糖检测性能上存在明显差异。根据直流电压与葡萄糖浓度的关系曲线可知，940纳米波长的性能优于650纳米和808纳米激光。940纳米LED的斜率（0.069）在线性回归分析中最大，表明其对葡萄糖浓度变化的敏感性更高。此外，其线性度良好，R2值为0.9664，表明响应一致且可靠。然而，650纳米波长的相关性（R2=0.7991）和灵敏度（斜率=0.0208 mV/mgL?1）较低，不太适合精确检测葡萄糖浓度。尽管808纳米激光的线性度也较高（R2=0.984），斜率（0.0551 mV/mgL?1），但其检测灵敏度仍低于940纳米激光。综合这些数据，940纳米被认为是体外葡萄糖监测的最佳波长。较高的斜率可以提高葡萄糖浓度的区分度，从而更容易预测传感器输出结果。另外，940纳米附近的光谱区域水吸收较低，且受其他物质干扰较小，这可能是其优越性能的原因。因此，940纳米结合了较高的灵敏度和准确性，成为体外葡萄糖检测系统的理想选择。未来还需要考虑人体皮肤层的影响，以确定体内葡萄糖测量的最佳波长。

3. 体内测试的方法论框架
本研究提出了一个端到端的框架，用于基于NIR透射光谱的非侵入性血糖估计方法。该框架包括对皮肤层进行建模以确定所需波长，并最终确定血糖值。本节描述了所提出系统的整体工作流程。

3.1. 皮肤层中光吸收的分析建模
对于非侵入性葡萄糖监测应用而言，皮肤层的建模至关重要。（27）皮肤是一种多层且复杂的组织，其光学特性随波长变化而显著变化，从而强烈影响光的传播、吸收和散射。如图3A所示，皮肤由五层组成：表皮、乳头状真皮、浅层血管真皮、网状真皮和深层血管真皮。（28）表皮是最外层，厚度约为100-200微米。表皮细胞主要由角质形成细胞组成，其余10%包括朗格汉斯细胞、黑色素细胞和默克尔细胞。（29）重要的是，表皮没有血管，因此细胞不通过血液供养。

为了研究不同波长对葡萄糖检测的适用性，研究人员在Python（Spyder环境）中实现了一个基于物理原理的多层皮肤模型（31），以模拟不同皮肤层中的吸收光谱。真皮占皮肤厚度的约90%，是一个结构复杂的层次。（32）它可以进一步划分为四个子层，每个子层具有独特的结构特征和血管网络。这些子层包括乳头状真皮和浅层血管丛，厚度约为200微米，随后是网状真皮（约900微米），最后是深层血管丛（约600微米）。（30）这些层在可见光到近红外（VIS-NIR）区域表现出不同的吸收系数，这主要是由于组织基质中的血红蛋白、水分和结构蛋白造成的。由于黑色素的存在，表皮在可见光范围内具有较高的吸收率。如图3B所示，这种吸收率随波长增加而减小。较高波长处吸收率逐渐降低，可以归因于光与皮肤不同成分（尤其是黑色素）之间的相互作用。相比之下，富含血液的真皮层（特别是浅层和深层血管丛真皮）在930至960纳米范围内表现出更高的吸收率，这主要归因于血红蛋白。（33）在940纳米波长下，真皮层的吸收率为0.85至1.2 mm?1，既能保证足够的光穿透到富含葡萄糖的血管区域，又对葡萄糖浓度的变化敏感。此外，这个波长避免了1000纳米以上强烈的水吸收，（34）从而提高了葡萄糖检测的特异性。模拟结果支持940纳米作为体内非侵入性葡萄糖检测的可靠选择，它兼顾了光穿透深度、血红蛋白敏感性和减少水吸收干扰的特点。

3.2. 硬件模块的设计
根据分析建模和体外实验结果，选择940纳米作为葡萄糖检测的最佳波长，并基于NIR透射光谱技术开发了体内系统（见图3C和3D）。该系统由一个未经稳压的+11 V直流电源供电，通过线性稳压器（L7805）转换为稳定的+5 V直流电。一个去耦电容可以滤除电源中的高频噪声，稳定稳压器的工作。如图3C所示，发射器使用的是由砷化镓（GaAlAs）制成的TSAL6200红外LED，峰值发射波长约为940纳米。该LED产生的光束较为集中，在最大亮度的一半范围内扩散角度约为±17°。LED由NPN晶体管（BC547）驱动，基极电阻R1控制晶体管的基极电流，集电极电阻R2限制LED的前向电流，确保热稳定性和稳定的发光强度。接收器电路包括一个高灵敏度硅PIN光电二极管（BPV22NF），具有较大的光敏区域（面积A=7.5 mm2）和宽视角（?=±60°），并内置了抑制环境光干扰的滤光片。其相对光谱灵敏度范围为790–1050纳米，在950纳米处量子效率为90%（η=90%）。

光电二极管连接到德州仪器的OPA380AIDGKR精密跨阻放大器（TIA），工作在光电导模式。光电二极管反向偏置，接收来自发射器的光子并转换为电流（If），然后由TIA转换为相应比例的电压。TIA还配置了反馈电阻Rf以调节增益和带宽。TIA的输出电压可以用公式表示为：??out=???f×??f。（1）RF上的杂散电容约为0.2 pF。总输入电容（Ctot）为光电二极管电容（CDiode=70 pF）与TIA自身电容之和。TIA的输出信号进一步通过由LM358N双运放组成的二阶Sallen-Key低通滤波器进行滤波。滤波后的模拟信号由16位ADS1115 ADC转换成数字格式，增益设置为1（PGA=1），以优化输入电压范围和分辨率。ADS1115通过I2C总线与Arduino Uno SMD R3微控制器接口，便于数据采集和初步信号处理。电压读数实时显示在0.96英寸的SSD1306 OLED屏幕上，该屏幕具有出色对比度、宽视角和低功耗。屏幕也通过I2C连接，简化了接线过程并保证了组件间的高效通信。

3.3. 数据采集与预处理
本研究从孟加拉国库尔纳糖尿病医院的200名年龄在25至85岁之间的参与者那里收集了数据。每名参与者的记录包括年龄、心率、皮肤类型、电压值和血糖水平。电压值使用本研究中开发的设备进行测量，血糖水平通过空腹血糖（FBS）和餐后血糖（PPBS）诊断测试确定。这些数据是分析和模型开发的基础。为了确保数据的质量、一致性和适用性，进行了多项预处理步骤。对于数据集中的缺失值，采用迭代插补方法，根据其他特征的值来估计缺失值。这一过程对每个特征重复进行，多次迭代后得到最终的插补值。电压数据呈右偏分布，偏度为0.6。异常值通过四分位数范围（IQR）方法进行处理。（35）数据集中有两个分类变量：性别和皮肤类型。性别变量用数字编码，男性编码为1，女性编码为0；皮肤类型变量分别为浅色皮肤编码为1，中等深色皮肤编码为2，深色皮肤编码为3。为了使机器学习算法能够处理这些分类变量，首先将它们转换为数值。为了分析输入特征与血糖水平之间的关系，绘制了散点图（见图4A-E）。这些图表显示，大多数特征（如年龄、心率、性别和皮肤类型）与血糖之间没有线性关系，而电压特征与血糖之间呈现出明显的线性趋势。这表明更复杂的模型（如线性回归）可能无法充分捕捉输入特征与血糖水平之间的依赖关系。

为了更准确地量化这些结果，计算了皮尔逊相关矩阵（见图4F）。数据分析结果显示，电压与葡萄糖水平之间存在强相关性（0.92），而所有其他特征与目标变量的相关性都很弱。重要的是，输入特征之间的相关性极小，表明不存在多重共线性，这支持在预测建模过程中包含所有特征。3.4. 葡萄糖预测的机器学习模型基于探索性数据分析，该数据分析突显了大多数特征与葡萄糖水平之间复杂的、主要是非线性的关系，因此采用了集成机器学习方法来提高预测准确性和模型鲁棒性。具体来说，采用了装袋（bagging）和提升（boosting）技术，因为它们非常适合捕捉线性模型通常无法检测到的非线性模式。在本研究中，使用了装袋回归器（Bagging Regressor）和随机森林回归器（Random Forest Regressor）以及提升技术，如梯度提升（Gradient Boosting）和XGBoost。超参数优化是通过GridSearchCV和5折交叉验证来进行的。在此过程中，数据被随机分为五份。所有模型都在四份数据上进行训练，在剩余的一份数据上进行评估，这样每份数据都作为测试集一次，这个过程重复五次。预测准确性是通过对五次验证结果的平均值得出的。然后利用这些平均结果来确定能够获得最佳泛化性能的超参数组合。一旦获得最佳超参数，数据就被分成80:20的比例分为训练集和测试集。每个模型都使用其优化后的参数在训练集上进行重新训练，然后在测试集上进行测试。这种逐步验证方法使得对这四种模型进行了公平和统一的比较，并确保最终评估准确反映了每种模型在未见数据上的预测性能。在本研究中，模型实现和数据分析是用Python完成的。Scikit-learn库提供了大量的高效工具，有助于促进机器学习过程并提高其效率。4. 模型评估和验证4.1. 回归性能指标使用标准定量指标来评估回归模型估计血糖浓度的准确性，包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（R2）。(36) 这些指标是根据方程2-5从预测值和实际血糖值计算得出的，可以全面评估模型的精确度和可靠性。MAE=1n∑i=1n|BGpredict,i?BGRef,i|(2)MSE=1n∑i=1n(BGpredict,i?BGRef,i)2(3)RMSE=1n∑i=1n(BGpredict,???BGRef,??)2?????????????????????????????????????????????????????????RMSE=1n∑i=1n(BGpredict,i?BGRef,i)2(4)R2=1?∑????=1(BGpredict,???BGRef,??)2∑????=1(BGRef,???BGRef???????????)2(5)这里，BGpredict,i 是回归模型预测的血糖浓度，BGref,i 是来自侵入式测量设备的参考值，BGRef??????????BGRefˉ 是参考血糖值的平均值。所有模型的结果均显示在表1中。表1. 提出的葡萄糖估计模型的性能评估模型RMSE (mg/dL)MAE (mg/dL)MSE (mg/dL)2训练 R2测试 R2过拟合BR24.3416.94592.430.950.93低RFR25.1719.038633.750.930.91低GBR27.85118.597775.6790.960.91低XGB23.92217.522572.2860.960.94最低值以粗体显示。4.2. 对比分析在评估了所有四种回归模型后，发现XGBoost回归器的表现最好，其误差指标最低，测试R2最高，为0.94（如表1所示）。其他模型的表现也很强，只是误差值略高，测试R2值稍低。所有模型都表现出低过拟合，这体现在它们的训练和测试性能之间非常接近。这反映了有利的偏差-方差权衡。使用Clarke误差网格分析（CEGA）(37)通过比较预测值和参考血糖值来评估临床准确性。该网格将结果分为五个区域：A（准确，误差在±20%以内或<70 mg/dL）(38)如图5所示，所有四种机器学习模型预测的血糖值完全位于Clarke误差网格的临床可接受区域A和B内。预测值在这些区域内的分布详细列在表2中。重要的是，没有一个预测值被分类到临床不安全的区域C、D或E。在所测试的模型中，XGBoost回归器的临床准确性最高，92.5%的预测值位于区域A内。该模型还实现了最低的平均误差和最高的决定系数（R2），证实了其在统计准确性和临床适用性方面的优越性能。图5图5. Clarke的误差网格分析（CEGA）展示了四种回归模型的血糖预测临床准确性。(A) 梯度提升回归器。(B) 装袋回归器。(C) 随机森林回归器。(D) XGBoost回归器。高分辨率图像下载MS PowerPoint幻灯片表2. 每种回归模型的Clarke误差网格区域分布(%)a?区域模型A?%B?%C?%D?%E?%GBR8020000BR87.512.5000RFR87.512.5000XGB92.57.5000a最低值以粗体显示。为了进一步评估XGBoost模型预测的血糖值与相应参考测量值之间的一致性，进行了Bland–Altman分析。(39) 分析显示 Bias 为?0.00 ± 23.23 mg/dL，95%的一致性范围在?45.53到45.53 mg/dL之间。重要的是，95.00%的数据点落在这个范围内，表明预测值和参考血糖值之间有很好的一致性（图6A）。这项分析全面展示了预测值和参考血糖值之间的一致性，突出了模型的精确性。平均差异线接近零，表明没有系统性的高估或低估。大多数数据点都在一致性范围内，证实了校准后的预测值与参考值非常吻合。结合之前的评估指标，这些结果强调了该模型在非侵入式血糖监测方面的强大准确性和临床可靠性。图6图6. 模型验证和设备原型。(A) Bland–Altman分析显示了参考血糖值和预测血糖值之间的一致性，包括平均差异和一致性范围。(B) 开发的透射式血糖传感器的原型。高分辨率图像下载MS PowerPoint幻灯片最终开发出的非侵入式血糖监测设备原型已经实现并组装完成，将光学传感器电路与数据采集模块集成在一起。该原型的总成本约为57美元，使其成为潜在临床应用的低成本解决方案。设备配置如图6B所示。为了进行性能评估，所提出的方法与几种成熟的血糖估计技术进行了基准测试。如表3所示，与最近研究报告的结果相比，所提出的方法取得了更好的准确性。表3. 所提模型与现有血糖估计技术的比较参考技术/模型RMSE (mg/dL)MAE (mg/dL)R2Jain等人(17)NIR5.613.770.908Haque等人(25)XGBoost16.111.60.85Sengupta等人(40)透射式RF-12.290.88所提出的XGBoost23.9217.5220.944.3. 局限性和未来研究在硬件方面，本研究的一个关键局限性是缺乏加速度计数据，这些数据本可用于识别和减少信号中的运动伪影。将手指厚度作为数据集特征也会很有益，因为它似乎显著影响测量质量。尽管存在这些局限性，当前的数据集仍能有效捕捉到65到430 mg/dL范围内的血糖值，证明了所提出方法的可行性。未来的工作将集中在集成运动感应、添加额外的生理特征、扩展数据集以包括更多样化的群体，以及优化硬件和信号处理算法，以提高准确性和实时性能。与标准血糖测量方法进行临床验证将进一步强化该系统，将原型从一个概念验证装置发展成为实用的临床可用非侵入式血糖监测设备。5. 结论本研究提出了一个非侵入式血糖监测系统，它结合了光学感应和先进的机器学习技术，提供了实用且经济实惠的医疗解决方案。在650、808和940纳米的多光谱筛选后，通过体外灵敏度分析和皮肤层模拟，确定940纳米是实现稳定可靠操作的最佳波长。设计并使用在医院环境中收集的患者数据验证了一个紧凑的手指夹式原型。在应用的机器学习模型中，XGBoost、随机森林回归器、装袋回归器和梯度提升中，XGBoost的表现最为准确。该系统在Clarke误差网格上达到了临床可接受的性能，与参考测量结果有很强的吻合度。总体而言，该框架提供了一种可靠、便携且成本效益高的血糖估计解决方案，具有广泛的应用潜力，适用于日常医疗保健中的常规使用和持续监测。

热点排行