陳巖　李祥

摘要：隨著人們生活水平的日益提升，不健康飲食習(xí)慣和規(guī)律帶來的糖尿病患者也隨之增加。依賴智能技術(shù)實(shí)時(shí)檢測(cè)人們血糖的變化十分必要。有創(chuàng)式血糖檢測(cè)優(yōu)勢(shì)在于精度高，劣勢(shì)在于檢測(cè)成本高昂且存在醫(yī)療風(fēng)險(xiǎn)。為了實(shí)現(xiàn)非入侵式血糖檢測(cè)，無創(chuàng)式血糖檢測(cè)技術(shù)應(yīng)運(yùn)而生。為了提高檢測(cè)精度以及去除噪聲等信號(hào)干擾，研究結(jié)合光電容積脈搏波信號(hào)特性對(duì)其進(jìn)行高頻濾波并去除基線漂移，之后設(shè)計(jì)一種改進(jìn)徑向基函數(shù)模型來實(shí)時(shí)監(jiān)測(cè)血糖值。結(jié)果顯示，該模型在R2指標(biāo)上取得最高值為0.88，比K-means RBF和PSO-RBF提高了0.10和0.38，這說明該模型面向真實(shí)值的預(yù)測(cè)能力更強(qiáng)。在RMSE指標(biāo)上，研究所提模型取得最低值為0.55mmol/L，而K-means RBF、PSO-RBF取值分別為0.58mmol/L、0.59mmol/L。對(duì)比可知，研究所提模型比之減小了0.03mmol/L、0.04mmol/L。因此，這表明該檢測(cè)模型精度更高，在血糖檢測(cè)上具有一定應(yīng)用潛力。

關(guān)鍵詞：PPG，血糖檢測(cè)，無創(chuàng)，RBF

中圖分類號(hào)：TN98

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1674-9545（2023）03-0070-（07）

DOI：10.19717/j.cnki.jjun.2023.03.014

近幾年，我國(guó)糖尿病病人的人數(shù)及比重呈上升趨勢(shì)。糖尿病是一種慢性病，其主要原因是機(jī)體對(duì)血糖水平的調(diào)控作用受到了損害^[1]。胰島素紊亂可是先天的，也可因食物衛(wèi)生以及缺少運(yùn)動(dòng)所引起的。高葡萄糖會(huì)引起嚴(yán)重的并發(fā)癥，還會(huì)損傷腎臟、神經(jīng)、眼睛、血管等等。葡萄糖濃度過高會(huì)引起身體短暫的變化^[2]。糖尿病是一種嚴(yán)重危害人類健康的疾病，現(xiàn)在還不能完全根治。早期糖尿病并無顯著癥狀，只有測(cè)定葡萄糖才能確診。當(dāng)前，臨床上最常用的血糖測(cè)定方式是有創(chuàng)傷性血糖測(cè)定，即從患者體內(nèi)提取血漿中提取糖分，然后進(jìn)行血樣測(cè)定^[3]。有創(chuàng)葡萄糖測(cè)定技術(shù)在臨床應(yīng)用中表現(xiàn)出較高的準(zhǔn)確性，準(zhǔn)確率超95%。但是，有創(chuàng)血糖監(jiān)測(cè)存在費(fèi)用高、監(jiān)測(cè)不連續(xù)等不足。非侵入式的血糖連續(xù)監(jiān)測(cè)則是基于血糖改變引起的生理、病理特征改變，能夠快速、簡(jiǎn)便、實(shí)時(shí)、持續(xù)地進(jìn)行測(cè)量^[4]。目前，臨床上對(duì)糖尿病患者的血糖進(jìn)行無損測(cè)量主要有兩種方法：一種是光敏測(cè)量法，另一種是非光敏測(cè)量法^[5]。當(dāng)前，人們對(duì)光學(xué)式血糖的探測(cè)方法進(jìn)行了深入的研究，光學(xué)式非創(chuàng)傷血糖探測(cè)技術(shù)的核心是將具有特定波長(zhǎng)的光照射到身體上，當(dāng)光通過身體的各個(gè)部位并與其相互作用之后，入射光的有關(guān)特性會(huì)被身體的各個(gè)部位所影響，因此可以將入射光的頻率、相位以及強(qiáng)度等反映出來，從而導(dǎo)致了入射光的特性的改變^[6]。鑒于此，研究基于光電容積脈搏波（photoplethysmographic pulse wave，PPG）信號(hào)特征設(shè)計(jì)一種改進(jìn)徑向基函數(shù)（radial basis function，RBF）血糖檢測(cè)技術(shù)來實(shí)現(xiàn)實(shí)時(shí)穩(wěn)定監(jiān)測(cè)。

1基于PPG信號(hào)的無創(chuàng)血糖檢測(cè)模型構(gòu)建

1.1 PPG信號(hào)預(yù)處理及其特征提取

影響PPG信號(hào)的干擾源大致分為人體干擾和環(huán)境干擾。PPG是一種起伏不定的、非線性的生理學(xué)信號(hào)，容易受到呼吸、心跳和身體運(yùn)動(dòng)等引起的基線漂移的影響^[7]。用來收集 PPG的設(shè)備很容易被周圍光線、電磁波等因素所影響。大量干擾信號(hào)將使得PPG信號(hào)變形，變形后的PPG信號(hào)無法直接用于血糖檢測(cè)否則誤差太大，因此需要進(jìn)行信號(hào)預(yù)處理操作^[8]。PPG信號(hào)頻率范圍是0.1～40Hz，電磁噪聲干擾頻率高于50Hz，PPG信號(hào)頻率低，噪聲信號(hào)頻率高^[9]。低頻濾波電路結(jié)構(gòu)比較簡(jiǎn)單，但是在處理復(fù)雜的噪聲時(shí)卻顯得力不從心。小波分析對(duì)模型的精度要求很高，且運(yùn)算量很大。中值濾波器是用信號(hào)中一點(diǎn)在相鄰窗內(nèi)的數(shù)值的中值來取代該點(diǎn)數(shù)值，以達(dá)到去除噪聲的目的^[10]。因此，中值濾波穩(wěn)健性良好，能濾去非獨(dú)立性噪聲。其數(shù)學(xué)表達(dá)式見公式（1）。

式（1）中，Xi表示窗口內(nèi)數(shù)據(jù)，XZ表示窗口中位值。MAD表示兩者絕對(duì)中位差。具體地，PPG信號(hào)滑動(dòng)窗口設(shè)置為2k－1個(gè)，在信號(hào)的兩端附加個(gè)數(shù)為k的端點(diǎn)值，以避免信號(hào)在兩端有遺失。在一個(gè)視窗中，將2k－1個(gè)數(shù)據(jù)由小至大排列，從而獲得一個(gè)中間數(shù)值XZ。高頻噪聲濾出后，還需要采用3次樣條插值去除基線漂移。

式（2）中，x_i表示端點(diǎn)，a_i、b_i、c_i、d_i表示函數(shù)系數(shù)。所提取的PPG信號(hào)被分解為單個(gè)周期。將每個(gè)周期的波谷作為起點(diǎn)和終點(diǎn)，然后使用3次樣條曲線計(jì)算匹配的基線?？梢酝ㄟ^從PPG信號(hào)中減去基線來獲取去除基線之后的信號(hào)。PPG信號(hào)預(yù)處理完成后需要進(jìn)行信號(hào)特征提取。公式（3）為綜合特征參數(shù)R的計(jì)算公式。

式（3）中，I^λ_1AC、I^λ_2AC各自表示紅光和紅外光PPG信號(hào)被人體動(dòng)脈血液吸收的分量。I^λ_1AD、I^λ_2AD各自表示紅光和紅外光PPG信號(hào)被人體肌肉和靜脈血液吸收的分量。交流分量是可變的，作為血液量變化的函數(shù)，血液量變化表示為PPG的主波和波谷之間的差異。直流分量被表示為平均PPG信號(hào)。公式（4）為血糖濃度和綜合特征參數(shù)R的數(shù)學(xué)關(guān)系式。

式（4）中，C¹表示人體血糖初始值。ε^λ₁₁和ε^λ₂₁表示葡萄糖對(duì)波長(zhǎng)為λ₁和λ₂的入射光的吸收度。Δl表示血液吸收到最大光強(qiáng)和最小光強(qiáng)狀態(tài)下的光程差。提取的其他特征包括心率、年齡和身高。心率是評(píng)估人類心臟狀況的最重要指標(biāo)之一。根據(jù)心率值可以計(jì)算出血液輸出量和血液流量。血糖變化對(duì)心率變異性有重要影響。在檢測(cè)PPG的過程中，心率的大小可能會(huì)影響血糖的量，從而影響血液吸收光的程度。公式（5）為心率計(jì)算表達(dá)式。

式（5）中，E代表心率，fs代表信號(hào)采樣頻率，numT代表周期數(shù)，sumN代表周期數(shù)。在將參數(shù)進(jìn)行運(yùn)算之前，需要先對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化處理。與min-max標(biāo)準(zhǔn)化相比，z-score標(biāo)準(zhǔn)化可以使得原數(shù)據(jù)轉(zhuǎn)化為無單位數(shù)據(jù)，從而提高標(biāo)準(zhǔn)化數(shù)據(jù)的可靠性，因此研究采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化方法。公式（6）為z-score標(biāo)準(zhǔn)化數(shù)學(xué)表達(dá)式。

式（6）中，X和Y分別代表原始數(shù)據(jù)和標(biāo)準(zhǔn)化處理后數(shù)據(jù)。μ和σ分別代表原數(shù)據(jù)平均值和原數(shù)據(jù)方差。

1.2基于改進(jìn)RBF的無創(chuàng)血糖檢測(cè)模型建立

研究將采用RBF模型來尋找特征參數(shù)與血糖值之間的關(guān)系，從而建立血糖檢測(cè)模型。RBF神經(jīng)網(wǎng)絡(luò)屬于單隱藏層的前向神經(jīng)網(wǎng)絡(luò)^[11]。使用徑向基函數(shù)而不是權(quán)重鏈接，可以將輸入直接導(dǎo)出到隱藏層中^[12]。在得到隱層基本函數(shù)的中心點(diǎn)之后，輸入與隱層的關(guān)系也將隨之確定。因基于權(quán)重連接，隱藏層和輸出層之間將以線性方式連接。RBF神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、收斂速度快等特點(diǎn)。圖1為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

從圖1可知，RBF神經(jīng)網(wǎng)絡(luò)由三個(gè)層次組成：輸入層次、隱藏層次和輸出層次。假設(shè)輸入層、隱含層和輸出層的神經(jīng)元數(shù)量分別為n、m和p，輸入向量、隱含層向量以及輸出向量分別記為X=x₁，x₂，...，x_n^T、R=r₁，r₂，...，r_m^T和Y=y₁，y₂，...，y_n^T。公式（7）為隱含層輸出結(jié)果計(jì)算表達(dá)式。

式（7）中，C_i表示第i個(gè)徑向基函數(shù)的中心。σ_i表示第i個(gè)徑向基函數(shù)的寬度?！琗－C_i‖表示范數(shù)。公式（8）為輸出層輸出結(jié)果計(jì)算表達(dá)式。

式（8）中，w_ik表示隱輸出層和隱含層之間的權(quán)重?？紤]到一般的RBF神經(jīng)網(wǎng)絡(luò)容易陷入局部求解問題，這將降低模型計(jì)算精度和效率。因此，研究采用密度峰值聚類算法（density peak clustering algorithm，DPC）以及動(dòng)量累加梯度聯(lián)合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，旨在實(shí)現(xiàn)精度增益并加快收斂。圖2為改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

從圖2可知，然后，DPC算法將分析傳入的數(shù)據(jù)流，并得到集群的密度。按降序排列聚類的集群密度，以便可以選出徑向基函數(shù)的中心點(diǎn)。DPC算法首先需要計(jì)算節(jié)點(diǎn)間距離，研究選擇歐式距離計(jì)算，如公式（9）所示。

式（9）中，a表示維度。x^a_i和x^a_j表示節(jié)點(diǎn)i和節(jié)點(diǎn)j，dx_i，x_j表示節(jié)點(diǎn)間距。dx_i，x_j將與間距閾值進(jìn)行比較，節(jié)點(diǎn)間距小于間距閾值的所有節(jié)點(diǎn)將被歸為i聚類簇中?；趇聚類簇中其他節(jié)點(diǎn)的數(shù)量可以定義簇密度，其定義式如公式（10）所示。

式（10）中，ρ_i表示聚類簇i的簇密度。χx表示判斷函數(shù)，當(dāng)χx取值為0時(shí)，節(jié)點(diǎn)j不屬于i聚類簇，χx取值為1時(shí)，節(jié)點(diǎn)j屬于i聚類簇。離群點(diǎn)由于與其他節(jié)點(diǎn)的距離較大，會(huì)使得中心點(diǎn)的簇密度下降帶來誤差。為了減少異常值的影響，研究使用了中心距離參數(shù)，提出了一種新的異常值估計(jì)方法。公式（11）為中心點(diǎn)間距以及中心點(diǎn)判別參數(shù)計(jì)算表達(dá)式。

式（11）中，δ_i表示中心點(diǎn)間距，其含義是兩個(gè)中心點(diǎn)所包含聚類點(diǎn)的間距最小值。γ表示離群點(diǎn)判別參數(shù)，該值越小表明節(jié)點(diǎn)是離群點(diǎn)的概率越大。傳統(tǒng)的梯度下降算法使用人為設(shè)置方式^[13-14]。由于人為設(shè)置的主觀性質(zhì)，它可能會(huì)導(dǎo)致步長(zhǎng)過大或過小，并且不能解決模型被困在局部解中的問題^[15]。研究基于動(dòng)量累加梯度優(yōu)化傳統(tǒng)的梯度下降方法，這使得其具備修正步長(zhǎng)的作用。圖3為改進(jìn)算法流程示意圖。

從圖3可知，該算法首先輸入初始參數(shù)θ、學(xué)習(xí)率ε以及樣本數(shù)據(jù)x^_i，然后計(jì)算一次計(jì)算梯度、累計(jì)梯度、累計(jì)平方梯度，最后進(jìn)行參數(shù)修正和迭代。公式（12）為梯度估計(jì)計(jì)算表達(dá)式。

式（12）中，g表示梯度估計(jì)。y_i表示輸出目標(biāo)。由于動(dòng)量累加梯度的引入，累積梯度值可以被計(jì)算，如公式（13）所示。

式（13）中，v_t表示累積梯度。α表示動(dòng)量參數(shù)。為了加快梯度最小值的搜索速度，梯度需要進(jìn)行平方化處理。公式（14）為梯度平方化計(jì)算表達(dá)式。

式（14）中，r表示累積平方梯度。

2基于PPG信號(hào)的無創(chuàng)血糖檢測(cè)模型效用分析

2.1改進(jìn)RBF模型性能結(jié)果分析

實(shí)驗(yàn)數(shù)據(jù)集采用UCI，訓(xùn)練練集規(guī)模設(shè)置為100，測(cè)試集規(guī)模設(shè)置為50，輸入層單元數(shù)為4，輸出層單元數(shù)為1，梯度下降算法中學(xué)習(xí)率初始化為0.55和動(dòng)量因子初始化為0.05。

從圖4（a）可知，研究所提模型與RBF、PSO-RBF以及K-means RBF相比，在MAE指標(biāo)上取得了最小值，大小約為0.50mmol/L。迭代過程中，該模型在迭代次數(shù)為14時(shí)開始收斂，并在迭代次數(shù)為18時(shí)完成收斂。RBF、PSO-RBF以及K-means RBF開始迭代時(shí)間與之相近，但是分別在迭代次數(shù)為22、24和24時(shí)完成收斂，收斂速度小于研究所提模型。在MAE上，此三種模型取得的收斂值分別為0.57mmol/L、0.55mmol/L和0.54mmol/L。對(duì)比可知，研究所提模型在MAE指標(biāo)上比之減小了14%、10%和8%。從圖4（b）可知，起始MAPE數(shù)值從高到低依次為10.5%、13.0%、19%和27.5%，分別對(duì)應(yīng)研究所提模型、K-means RBF、PSO-RBF以及RBF。隨著迭代次數(shù)增加，四種模型MAPE曲線均呈現(xiàn)非線性遞減趨勢(shì)。其中，研究所提模型最早獲得MAPE收斂值，大小為5.1%，完成收斂的迭代次數(shù)為20。而其余三種模型分別延后了2個(gè)、3個(gè)和4個(gè)迭代次數(shù)才完成收斂，對(duì)應(yīng)收斂值為6.8%、7.6%和8.8%。對(duì)比可知，研究所提模型在MAPE指標(biāo)上，比之降低了1.7%、2.5%和3.7%。此外，從曲線波動(dòng)水平來看，未經(jīng)優(yōu)化的RBF波動(dòng)次數(shù)最多，波動(dòng)幅度最大，研究所提模型以及K-means RBF波動(dòng)較小。因此，研究所提模型具有更好的相關(guān)性和精度。

從圖5可知，K-means RBF以及研究所提改進(jìn)RBF模型的準(zhǔn)確率曲線和損失值曲線均呈現(xiàn)相同走向。準(zhǔn)確率曲線表現(xiàn)為先增后平，而損失值曲線表現(xiàn)為先減后平。在準(zhǔn)確率指標(biāo)上，K-means RBF模型起始值為40.1%，低于研究所提模型的66.2%；在爬升速度上，研究所提模型在迭代次數(shù)為3以后突破90%，在迭代次數(shù)為4時(shí)突破95%，隨后曲線穩(wěn)定在95%左右，最終在迭代次數(shù)為10時(shí)獲得準(zhǔn)確率收斂值為97.5%。而K-means RBF模型在迭代次數(shù)為7時(shí)才開始收斂，且此時(shí)準(zhǔn)確率低于90%，當(dāng)?shù)瓿蓵r(shí)，獲得的準(zhǔn)確率收斂值為89.3%，依舊低于90%，且比前者低了8.2%。在損失值指標(biāo)上，K-means RBF模型起始損失值為11.5%，之后當(dāng)?shù)螖?shù)下降至5時(shí)，損失值減小至6.1%，此時(shí)曲線開始呈現(xiàn)收斂趨勢(shì)，但是仍表現(xiàn)出微小下降趨勢(shì)，最終在迭代次數(shù)為10時(shí)，模型取得收斂損失值為5.8%。研究所提模型起始損失值為8.3%，之后同樣在迭代次數(shù)為5時(shí)趨于收斂，轉(zhuǎn)折點(diǎn)對(duì)應(yīng)的損失值為2.7%，隨后的迭代中，模型損失值未出現(xiàn)如前者的下降傾向，而是穩(wěn)定在2.7%附近收斂，最終收斂損失值也為2.7%，比前者減小了3.1%。

2.2基于改進(jìn)RBF的無創(chuàng)血糖檢測(cè)模型應(yīng)用效果分析

為了驗(yàn)證研究采用的基于DPC和動(dòng)量累加梯度優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的有效性，實(shí)驗(yàn)選擇了100位測(cè)試者。測(cè)試者之間的身體參數(shù)差異較大，每個(gè)人采集不同時(shí)間段的10組PPG信號(hào)，通過PPG信號(hào)計(jì)算特征參數(shù)并結(jié)合人體參數(shù)構(gòu)成共320個(gè)樣本。血糖標(biāo)準(zhǔn)值采用有創(chuàng)血糖儀檢測(cè)。

從圖6（a）可知，研究所提模型R²指標(biāo)最低值為0.81，最高值為0.88，整體圍繞0.84水平線波動(dòng)，波動(dòng)幅度最大為0.07。K-means RBF模型R²指標(biāo)最低值和最高值分別為0.58和0.70，最大波動(dòng)幅度為0.12。PSO-RBF模型的R²指標(biāo)值在0.4～0.5之間波動(dòng)，最高值為0.5。RBF模型R²指標(biāo)全段低于0.4。決定系數(shù)R²描述的是血糖預(yù)測(cè)值與血糖標(biāo)準(zhǔn)值的相關(guān)性，取值在0～1之間。該系數(shù)取值越大，預(yù)測(cè)值對(duì)真實(shí)值的解釋程度越高。當(dāng)系數(shù)低于0.4表明相關(guān)性很弱，高于0.7說明相關(guān)性較強(qiáng)。因此，研究采用模型取得最高相關(guān)性，預(yù)測(cè)值的解釋能力最高，而其余三種模型則相關(guān)性相對(duì)較低。從圖6（b）可知，研究所提模型迭代完成時(shí)取得最小RMSE，大小為0.55mmol/L。雖然該模型的RMSE曲線在迭代初期，即迭代次數(shù)為6以前RMSE取值較高，但是在迭代中期因?yàn)榈渌俣容^快，于是在迭代次數(shù)為9時(shí)RMSE降至四種模型最低，此后也一直維持最低位置，并在迭代次數(shù)為12時(shí)開始收斂，在迭代次數(shù)為17時(shí)取得最小RMSE收斂值。而K-means RBF、PSO-RBF以及RBF模型在迭代完成時(shí)的RMSE收斂值分別為0.58mmol/L、0.59mmol/L和0.64mmol/L。對(duì)比可知，研究所提模型比之減小了0.03mmol/L、0.04mmol/L和0.09mmol/L。

從圖7可知，改進(jìn)的RBF模型比未改進(jìn)RBF取得了更好的擬合效果。當(dāng)血糖高于6.1mmol/L時(shí)，即對(duì)于高血糖擬合效果良好，僅在樣本數(shù)為36時(shí)，預(yù)測(cè)值與實(shí)際值之間存在偏差，大小為0.7mmol/L。這表明在高血糖預(yù)測(cè)上改進(jìn)RNF模型具有良好跟隨性能。而未改進(jìn)RBF模型則在多處高血糖預(yù)測(cè)上較大程度偏離真實(shí)值，比如當(dāng)樣本數(shù)量為32時(shí)，偏差為0.85mmol/L；在樣本數(shù)量為36時(shí)，偏差為0.9mmol/L。因此，這表明研究所提的無創(chuàng)血糖檢測(cè)模型是實(shí)際可行的。

3結(jié)論

無創(chuàng)血糖檢測(cè)技術(shù)因其簡(jiǎn)單快捷較之有創(chuàng)血糖檢測(cè)更具優(yōu)勢(shì)，其中的光學(xué)式無創(chuàng)檢測(cè)技術(shù)更是研究焦點(diǎn)。鑒于此，文章研究設(shè)計(jì)了一種改進(jìn)RBF無創(chuàng)血糖檢測(cè)模型，以提高檢測(cè)精度。結(jié)果顯示，與RBF、PSO-RBF以及K-means RBF相比，研究所提模型在MAE指標(biāo)上比之減小了14%、10%和8%，在MAPE指標(biāo)上，比之降低了3.7%、2.5%和1.7%。在準(zhǔn)確率指標(biāo)上，研究所提改進(jìn)RBF模型比K-means RBF提前4個(gè)迭代次數(shù)開始收斂，且在迭代次數(shù)為4以后便穩(wěn)定在95%，最終收斂準(zhǔn)確率為97.5%，比K-means RBF提高了8.2%。在損失值指標(biāo)上，該模型比K-means RBF降低了3.1%。此外，研究所提模型R2指標(biāo)整體圍繞0.84水平線波動(dòng)，波動(dòng)幅度最大為0.07。而K-means RBF、PSO-RBF均低于0.7，且波動(dòng)幅度更大，這說明該模型預(yù)測(cè)值對(duì)真實(shí)值的解釋程度更高。而且改進(jìn)的RBF模型血糖預(yù)測(cè)曲線擬合效果更優(yōu)，在高血糖預(yù)測(cè)上改進(jìn)RNF模型具有良好跟隨性能。因此，研究所提模型具有優(yōu)秀的性能和精度，滿足連續(xù)、實(shí)時(shí)、無創(chuàng)的血糖檢測(cè)需求。不過，該研究提取的生理參數(shù)有待進(jìn)一步提高，以便更全面消除人體差異誤差。

參考文獻(xiàn)：

[1]周聰聰，姚曉天，蘇亞，等.基于OCT無創(chuàng)血糖檢測(cè)的圖像校正補(bǔ)償方法[J].中國(guó)激光，2022，49（24）：75.

[2]楊宇祥，吳彬，林海軍，等.無創(chuàng)血糖檢測(cè)技術(shù)研究進(jìn)展[J].分析測(cè)試學(xué)報(bào)，2022，41（4）：578.

[3]龔惠紅，王邦輝，胡鑫.近紅外光人體血糖無創(chuàng)檢測(cè)系統(tǒng)設(shè)計(jì)[J].中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（2）：194.

[4]陳劍虹，林志強(qiáng)，孫超越.基于譜分解的無創(chuàng)血糖檢測(cè)新方法研究[J].光譜學(xué)與光譜分析，2021，41（8）：2378.

[5]李孟澤，季忠，程錦繡，等.基于非線性自回歸神經(jīng)網(wǎng)絡(luò)和雙波長(zhǎng)的無創(chuàng)血糖測(cè)方法實(shí)現(xiàn)[J].生物醫(yī)學(xué)工程學(xué)雜志，2021，38（2）：342.

[6]Bolla AS，Priefer R. Blood glucose monitoring-an overview of current and future non-invasive devices[J]. Diabetes & Metabolic Syndrome：Clinical Research & Reviews，2020，14（5）：739.

[7]Rassel S，Xu C，Zhang S，et al. Noninvasive blood glucose detection using a quantum cascade laser[J].Analyst，2020，145（7）：2441.

[8]Zhang G，Mei Z，Zhang Y，et al. A noninvasive blood glucose monitoring system based on smartphone PPG signal processing and machine learning[J]. IEEE Transactions on Industrial Informatics，2020，16（11）：7209.

[9]Delbeck S， Heise HM. Evaluation of opportunities and limitations of mid-infrared skin spectroscopy for noninvasive blood glucose monitoring[J].Journal of Diabetes Science and Technology，2021，15（1）：19.

[10]Cebedio MC，Rabioglio LA，Gelosi IE，et al. Analysis and design of a microwave coplanar sensor for non-invasive blood glucose measurements[J]. IEEE Sensors Journal，2020，20（18）：10572.

[11]劉晨沁，袁思念，林高藏，等.基于PPG信號(hào)的呼吸監(jiān)測(cè)系統(tǒng)的研制[J].中國(guó)醫(yī)療器械雜志，2022，46（4）：368.

[12]李嘉瑋，張勁，白中博，等.基于多波長(zhǎng)光電容積脈搏波采集系統(tǒng)的連續(xù)血壓測(cè)量方法[J].計(jì)算機(jī)應(yīng)用，2021，41（S2）：351.

[13]唐姍.臨床護(hù)士使用便攜式血糖檢測(cè)儀情況的調(diào)查[J].中國(guó)醫(yī)療器械信息，2022，28（18）：149.

[14]蔣亞汶，楊觀賜，何玲.家用血糖檢測(cè)技術(shù)研究進(jìn)展[J].貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，39（6）：99.

[15]戶丹，張憲華，吳志敏.不同時(shí)段動(dòng)態(tài)血糖檢測(cè)的準(zhǔn)確性及其與血糖波動(dòng)的關(guān)系[J].遼寧醫(yī)學(xué)雜志，2022，36（4）：75.

Design of Non-invasive Blood Glucose Detection System Based

on Optical Capacitance Product Pulse Wave Signal

CHEN Yan¹，LI Xiang²

（1.School of medical，Chuzhou City Vocational College， Chuzhou;2. Clinical Laboratory，Chuzhou

Integrated Traditional Chinese and Western Medicine Hospital，Chuzhou， Anhui 239000，China）

ABSTRACT With the improvement of people's living standards， the number of patients with diabetes caused by unhealthy eating habits and regulations also increased. It was necessary to rely on intelligent technology to detect changes in people's blood sugar in real-time. The advantage of invasive blood glucose testing lied in its high accuracy， while the disadvantage lied in its high detection cost and medical risks. In order to achieve non-invasive blood glucose detection， non-invasive blood glucose detection technology had emerged. In order to improve detection accuracy and remove signal interference such as noise， the study first combined the characteristics of PPG signals to perform high-frequency filtering and remove baseline drift. Then， an improved RBF model was designed to monitor blood glucose values in real-time. The results showed that the model achieved the highest value of 0.88 on the R2 index， which was 0.10 and 0.38 higher than K-means RBF and PSO-RBF， indicating that the model has stronger predictive ability towards real values. In terms of RMSE indicators， the proposed model achieved a minimum value of 0.55mmol/L， while the K-means RBF and PSO-RBF values were 0.58mmol/L and 0.59mmol/L， respectively. By comparison， it could be seen that the model proposed by the research institute had decreased by 0.03mmol/L and 0.04mmol/L， respectively. Therefore， this indicated that the detection model has higher accuracy and had certain application potential in blood glucose detection.

KEY WORDS PPG；Blood glucose testing；Non invasive；RBF

（責(zé)任編輯 胡安娜）