[論文レビュー] iGLU 1.0: An Accurate Non-Invasive Near-Infrared Dual Short Wavelengths Spectroscopy based Glucometer for Smart Healthcare

Prateek Jain, Amit M. Joshi+1 more|arXiv (Cornell University)|Nov 10, 2019

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 47被引用数 21

ひとこと要約

本論文では、二波長赤外線（940 nm、1300 nm）分光法と機械学習を用いて指を刺さずに血糖値を測定する非侵襲的でIoT対応のグリコメータiGLU 1.0を提案する。指を刺さないで測定でき、MARD（平均絶対相対差）は4.66％、平均誤差は4.61％を達成し、既存の非侵襲的測定法を上回り、100％のサンプルが臨床的に許容可能なゾーンAおよびBに収束した。

ABSTRACT

In the case of diabetes, fingertip pricking for a blood sample is inconvenient for glucose measurement. Invasive approaches like laboratory test and one-touch glucometer enhance the risk of blood-related infections. To mitigate this important issue, in the current paper, we propose a novel Internet-of-Medical-Things (IoMT) enabled edge-device for precise, non-invasive blood glucose measurement. In this work, a near-infrared (NIR) spectroscopic technique using two wavelengths (940 nm, 1300 nm) is taken to detect the glucose molecule from human blood. The novel device called iGLU is based on NIR spectroscopy and machine learning (ML) models of high accuracy. An optimal multiple polynomial regression model and deep neural network (DNN) model have been presented for precise measurement. The proposed device is validated and blood glucose values are stored on the cloud using open IoT platform for remote monitoring by an endocrinologist. For device validation, the estimated blood glucose values have been compared with blood glucose values obtained from the invasive device. It has been observed that mean absolute relative difference (MARD) and average error (AvgE) are found 4.66 % and 4.61 % respectively from predicted blood glucose concentration values. The regression coefficient is found 0.81. The proposed spectroscopic non-invasive device provides accurate and cost-effective solution for smart healthcare.

研究の動機と目的

• 頻回の測定に伴う感染リスクや患者の不快感といった、侵襲的血糖測定の限界を解消すること。
• スマートヘルスケアおよび遠隔患者管理に適した低コストで非侵襲的かつ高精度な血糖値測定ソリューションの開発。
• リアルタイムのクラウドストレージおよび内分泌疾患専門医による遠隔血糖値監視を可能にする医療用モノのインターネット（IoMT）の統合。
• 実際のヒト血液サンプルを用いてデバイスを検証し、侵襲的基準測定法と性能を比較すること。
• 近赤外線分光法の効果的活用を機械学習モデルで最適化し、血糖値予測精度を向上させること。

提案手法

• デバイスは、血液中のグルコース濃度を光の吸収と反射によって検出するため、2つの特定波長（940 nmおよび1300 nm）の近赤外線（NIR）分光法を用いる。
• 補正とグルコース予測に、3次多項式回帰（MPR）モデルと深層ニューラルネットワーク（DNN）モデルが採用された。
• エッジデバイスに光学発信機、検出器、アナログ・デジタルコンバータ（ADC）、受動部品を統合し、リアルタイム信号処理を可能にした。
• グルコースデータはオープンなIoTプラットフォームを介してクラウドに送信され、医療提供者が遠隔でアクセスし、長期的な監視が可能になった。
• 回帰モデルの精度を向上させ、予測誤差を最小限に抑えるために、カーネルベースの補正が適用された。
• デバイスは医療プロTOCOLに従って収集されたヒト血液サンプルを用いて検証され、侵襲的基準測定値と比較された。

実験結果

リサーチクエスチョン

• RQ1 非侵襲的で二波長NIR分光法を用いたシステムは、臨床的に許容可能な精度で血糖値測定を達成できるか？
• RQ2 MPRおよびDNNといった機械学習モデルの統合は、従来の方法と比較して血糖値予測精度をどのように向上させるか？
• RQ3 IoMT統合によって、最小限のインfraストラクチャで、リアルタイムかつ遠隔での糖尿病患者のモニタリングはどの程度可能になるか？
• RQ4 既存の非侵襲的デバイスと比較して、提案されたデバイスのMARD、平均誤差、相関係数の性能はいかがなっているか？
• RQ5 実生活のヒト応用において、広範なグルコース範囲（70–450 mg/dL）で高い精度を維持できるか？

主な発見

• 提案されたiGLU 1.0デバイスは、平均絶対相対差（MARD）が4.66％に達し、非侵襲的グルコース推定の高精度を示した。
• 平均誤差（AvgE）は4.61％であり、テストサンプル全体にわたり一貫した正確なグルコース値予測を示した。
• 回帰係数（R²）は0.81であり、予測値と実測値の間に強い線形関係があることを示した。
• 測定されたすべてのサンプル（100％）が、ISO 15197基準に従い、臨床的に許容可能なゾーンAおよびBに収束した。
• 平均絶対偏差（MAD）は7.55 mg/dL、平均二乗誤差（RMSE）は11.95 mg/dLであり、モデルの信頼性をさらに裏付けた。
• デバイスはコスト効率に優れており、推定価格は20–25米ドルであり、オープンなIoTプラットフォームを介したリアルタイムクラウドストレージにより、遠隔医療監視が可能になった。