[논문 리뷰] iGLU 1.0: An Accurate Non-Invasive Near-Infrared Dual Short Wavelengths Spectroscopy based Glucometer for Smart Healthcare

Prateek Jain, Amit M. Joshi외 1명|arXiv (Cornell University)|2019. 11. 10.

Spectroscopy Techniques in Biomedical and Chemical Research참고 문헌 47인용 수 21

한 줄 요약

이 논문은 혈액 샘플을 채취하지 않고도 혈액 포도당을 측정할 수 있는 비침습적, IoT 통합형 혈당 측정기인 iGLU 1.0을 제시한다. 이 기기는 이중 파장 근적외선(940 nm, 1300 nm) 분광법과 기계학습을 활용하며, 손가락 자극을 통한 채취 없이도 혈당을 측정한다. 평균 절대 상대 오차(MARD)는 4.66%이며 평균 오차는 4.61%로, 이는 기존의 비침습적 방법보다 뛰어나며, 모든 샘플이 임상적으로 허용 가능한 영역 A와 B에 포함됨을 보여준다.

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.

연구 동기 및 목표

• 자주 측정이 필요한 환자에게서 감염 위험과 불편함을 유발하는 침습적 혈당 측정의 한계를 해결하기 위해.
• 스마트 헬스케어 및 원격 환자 관리에 적합한 저비용, 비침습적, 정확한 혈당 측정 솔루션을 개발하기 위해.
• 실시간 클라우드 저장 및 원격 내분비학자에 의한 혈당 데이터 모니터링을 가능하게 하기 위해 인터넷의 의료 기기(이오엠)를 통합하기 위해.
• 실제 인간 혈액 샘플을 사용하여 기기의 성능을 검증하고 침습적 기준 측정 방법과 비교하기 위해.
• 근적외선 분광법의 최적화를 위해 기계학습 모델을 활용하여 포도당 예측 정확도를 향상시키기 위해.

제안 방법

• 기기는 혈액 내 포도당 농도를 빛의 흡수 및 반사로 감지하기 위해 두 가지 특정 파장(940 nm 및 1300 nm)의 근적외선(NIR) 분광법을 사용한다.
• 교정 및 포도당 예측을 위해 3차 다항식 회귀(MPR) 모델과 딥 네ural 네트워크(DNN) 모델을 활용한다.
• 실시간 신호 처리를 가능하게 하기 위해 광원, 검출기, 아날로그-디지털 변환기(ADC), 수동 부품를 포함한 엣지 장치를 통합한다.
• 혈당 데이터는 개방형 IoT 플랫폼을 통해 전송되어 의료 제공자가 원격으로 액세스하고 장기적인 모니터링을 수행할 수 있도록 한다.
• 예측 오차를 최소화하기 위해 회귀 모델의 정확도를 향상시키기 위해 커널 기반 교정 기법을 적용한다.
• 의료 프rotocols에 따라 수집된 인간 혈액 샘플을 사용하여 기기를 검증하였으며, 결과를 침습적 기준 측정 방법과 비교하였다.

실험 결과

연구 질문

• RQ1 비침습적, 이중 파장 NIR 분광법 시스템이 혈액 포도당 측정에 임상적으로 허용 가능한 정확도를 달성할 수 있는가?
• RQ2 기계학습 모델(MPR 및 DNN)의 통합이 전통적인 방법에 비해 포도당 예측 정확도를 얼마나 향상시키는가?
• RQ3 IoMT 통합이 최소한의 인프라로 실시간 원격 모니터링을 얼마나 잘 가능하게 하는가?
• RQ4 기존의 비침습적 기기들과 비교했을 때, 제안된 기기의 MARD, 평균 오차, 상관계수 측면에서의 성능은 어떠한가?
• RQ5 실생활 인간 적용에서 넓은 포도당 범위(70–450 mg/dL)에서도 기기가 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 iGLU 1.0 기기는 평균 절대 상대 오차(MARD)가 4.66%로, 비침습적 혈당 추정에서 매우 높은 정확도를 보였다.
• 평균 오차(AvgE)는 4.61%로, 시험 샘플 전반에 걸쳐 일관되고 정밀한 포도당 농도 예측을 보여주었다.
• 회귀 계수(R²)는 0.81로, 예측된 값과 실제 값 사이에 강한 선형 관계가 있음을 나타냈다.
• 모든 100%의 측정 샘플이 ISO 15197 기준으로 임상적으로 허용 가능한 영역 A와 B에 포함되었다.
• 평균 절대 편차(MAD)는 7.55 mg/dL이며, 제곱근 평균 제곱 오차(RMSE)는 11.95 mg/dL로, 모델의 신뢰성을 추가로 확인하였다.
• 기기는 비용 효율적이며, 추정 가격은 20–25 USD이며, 개방형 IoT 플랫폼을 통해 실시간 클라우드 저장이 가능하여 원격 의료 감독이 가능하다.