[论文解读] 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 21

一句话总结

该论文提出iGLU 1.0，一种非侵入式、支持物联网（IoT）的血糖仪，采用双波长近红外（940 nm，1300 nm）光谱法与机器学习技术，实现无需指血采样的血糖测量。其平均绝对相对差异（MARD）为4.66%，平均误差为4.61%，优于以往非侵入式方法，且100%的样本处于临床可接受的A区和B区。

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.

研究动机与目标

• 为解决侵入式血糖监测带来的感染风险和患者不适，尤其是频繁检测时的问题。
• 开发一种低成本、非侵入式且精准的血糖监测解决方案，适用于智能医疗与远程患者管理。
• 集成医疗物联网（IoMT），实现实时云端存储与内分泌科医生对血糖数据的远程监控。
• 通过真实人体血液样本验证设备性能，并与侵入式参考方法进行对比。
• 优化近红外光谱技术与机器学习模型的结合，以提升血糖预测的准确性。

提出的方法

• 该设备利用特定波长的近红外（NIR）光谱技术，分别在940 nm和1300 nm波长下，通过光吸收与反射检测血液中的葡萄糖浓度。
• 采用三阶多项式回归（MPR）模型与深度神经网络（DNN）模型进行校准与血糖预测。
• 系统集成边缘计算设备，配备光学发射器、探测器、模数转换器（ADC）及无源元件，实现实时信号处理。
• 血糖数据通过开放物联网平台传输至云端，实现远程访问与医疗人员对长期监测数据的管理。
• 应用基于核函数的校准方法，以提升回归模型的准确性，最小化预测误差。
• 设备通过符合医疗规范的人体血液样本进行验证，结果与侵入式参考测量值进行对比。

实验结果

研究问题

• RQ1 非侵入式双波长近红外光谱系统能否实现临床可接受的血糖监测精度？
• RQ2 与传统方法相比，机器学习模型（MPR与DNN）的集成在多大程度上提升了血糖预测的准确性？
• RQ3 IoMT集成在多大程度上实现了低基础设施依赖的实时远程糖尿病患者监测？
• RQ4 与现有非侵入式设备相比，所提出设备在MARD、平均误差和相关系数方面的表现如何？
• RQ5 在真实人体应用中，该设备能否在广泛的血糖范围（70–450 mg/dL）内保持高精度？

主要发现

• 所提出的iGLU 1.0设备实现了4.66%的平均绝对相对差异（MARD），表明其在非侵入式血糖估算中具有高精度。
• 平均误差（AvgE）为4.61%，表明在所有测试样本中均表现出一致且精确的血糖水平预测能力。
• 决定系数（R²）为0.81，表明预测值与实际葡萄糖值之间存在较强的线性关系。
• 根据ISO 15197标准，所有100%的测量样本均落在临床可接受的A区和B区。
• 平均绝对偏差（MAD）为7.55 mg/dL，均方根误差（RMSE）为11.95 mg/dL，进一步证实了模型的可靠性。
• 该设备成本低廉，估计为20–25美元，支持通过开放物联网平台实现实时云端存储，便于远程医疗监管。