DOI: https://doi.org/10.1038/s41598-024-84265-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39753714
تاريخ النشر: 2025-01-02
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: مراقبة العلامات الحيوية غير الغازية
نظرة عامة
تبحث هذه الدراسة في استخدام قياس التغير في حجم الدم (PPG) كطريقة غير جراحية لمراقبة مستوى السكر في الدم بشكل مستمر، مع معالجة قيود تقنيات وخز الإصبع التقليدية. يقدم المؤلفون طريقة جديدة لتقسيم الإشارة لمدة ثانية واحدة ويقيمون ثلاثة نماذج متقدمة للتعلم العميق، مع التركيز على ResNet34، لتقدير مستويات السكر في الدم من إشارات PPG. توضح الدراسة أن تقسيم الإشارة لمدة ثانية واحدة يعزز بشكل كبير كل من الدقة والكفاءة الحاسوبية مقارنةً بالأقسام التقليدية التي تستغرق 10 ثوانٍ. حقق النموذج المحسن وقت معالجة قدره 6.4 ثوانٍ للتقديرات في الوقت الحقيقي، مع متوسط خطأ الجذر التربيعي (RMSE) قدره 19.7 ملغ/دل وقبول سريري بنسبة 100% بناءً على تحليل شبكة خطأ كلارك (CEGA).
تشير النتائج إلى أن الطريقة المقترحة لا تحسن فقط من راحة ودقة مراقبة السكر، بل تظهر أيضًا عمومية قوية عبر ظروف سريرية متنوعة. يبرز النشر الناجح لـ ResNet34 على الأجهزة المدمجة إمكانياته للتطبيقات العملية في إدارة مرض السكري. تؤكد الدراسة على أهمية استخدام مجموعة بيانات شاملة والتحقق المستمر من النموذج، مشيرة إلى أن العمل المستقبلي سيركز على تعزيز تنوع مجموعة البيانات، وتحسين هياكل النماذج، وزيادة الكفاءة الحاسوبية لتسهيل التنفيذ السريري الأوسع. بشكل عام، تشير هذه الدراسة إلى مستقبل واعد لمراقبة السكر غير الجراحية، مما يحسن بشكل كبير من جودة الحياة للأفراد المصابين بمرض السكري.
طرق
في هذا القسم، يقدم المؤلفون نتائج تجريبية من نشر نموذج ResNet34 المحسن على المتحكم الدقيق STM32H743IIT6، مع التركيز على أداء النموذج في بيئة محدودة الموارد. تم الحصول على نتائج الاستدلال عبر اتصال منفذ تسلسلي بجهاز كمبيوتر، مما سمح بتصور نتائج توقع السكر في الوقت الحقيقي دون الحاجة إلى شاشة خارجية. تلخص الجدول 9 حجم النموذج قبل وبعد التحسين، جنبًا إلى جنب مع وقت الاستدلال على المتحكم الدقيق.
تشير النتائج إلى أنه بينما يكون حجم النموذج الأساسي كبيرًا جدًا للنشر المباشر بسبب قيود الذاكرة، فإن نموذج PQAT (تقنية التكميم والتكيف بعد التدريب) يقدم مزايا كبيرة. توضح الأشكال 21 والمرئيات المرفقة متوسط خطأ المربعات (MSE) وحجم النموذج، مما يوضح أن PQAT يقلل بشكل فعال من حجم النموذج مع الحفاظ على الدقة من خلال التكميم أثناء التدريب. وبالتالي، يظهر نموذج PQAT كأفضل حل للنشر في بيئات TinyML، حيث يوازن بشكل فعال بين الحجم والأداء والكفاءة.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لأداء ثلاثة نماذج—ResNet34 و VGG16 و CNN-LSTM-ATTENTION—عبر طريقتين للتقسيم (ثانية واحدة و 10 ثوانٍ) باستخدام مجموعة بيانات اختبار Vital DB. يتم تفصيل مقاييس الأداء الرئيسية، بما في ذلك خطأ الجذر التربيعي (RMSE) وخطأ القيمة المطلقة المتوسطة (MAE) وخطأ المربعات المتوسطة (MSE) والفرق النسبي المطلق المتوسط (MARD) و R²، في الجداول من 3 إلى 7. يتم تصنيف توقعات النماذج إلى مناطق شبكة خطأ كلارك (CEG)، مما يبرز دقتها والمخاطر السريرية المحتملة. من الجدير بالذكر أن ResNet34 حقق دقة بنسبة 72.6% في المنطقة A و 25.9% في المنطقة B، مع RMSE قدره 19.7 ملغ/دل و MAE قدره 14.8 ملغ/دل، مما يوضح فعاليته في تقديم تقديرات موثوقة لمستوى السكر في الدم (BGL).
تعزز التقييم الإضافي للنموذج الأمثل، ResNet34، على مجموعة بيانات MUST، التي تشمل مجموعة متنوعة من الموضوعات، قوته وعموميته. يسمح توافق النموذج مع المتحكمات الدقيقة STM32 بمراقبة مستوى السكر في الدم في الوقت الحقيقي، مما يميزه عن الدراسات السابقة التي غالبًا ما تفتقر إلى الأنظمة المدمجة أو القدرات في الوقت الحقيقي. بينما يكون الأداء في المنطقة B أقل مقارنة ببعض الأعمال السابقة، فإن المزايا العملية للمراقبة المستمرة في بيئات محدودة الموارد تؤكد على قابلية تطبيق النموذج في إعدادات سريرية متنوعة. بشكل عام، تؤكد النتائج على التوازن بين الدقة السريرية والتنفيذ العملي، مما يضع الطريقة المقترحة كتحسين كبير في تكنولوجيا مراقبة مستوى السكر في الدم.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على التقدم والتحديات في توقع مستويات السكر في الدم (BGL) باستخدام إشارات قياس التغير في حجم الدم (PPG). استخدمت دراسات مختلفة تقنيات استخراج الميزات لتعزيز دقة التوقع، مع التركيز على الميزات الفسيولوجية مثل معدل النبض وخصائص الموجات. قام بعض الباحثين بدمج ميزات إضافية مثل مستويات HbA1c، التي تعكس التحكم في السكر على المدى الطويل، في نماذجهم. ومع ذلك، قد يؤدي الاعتماد على HbA1c إلى تجاهل التقلبات الفورية في BGL التي يمكن أن تلتقطها إشارات PPG. من الجدير بالذكر أن استخدام إشارات PPG الخام يبسط عملية النمذجة ويسهل المراقبة في الوقت الحقيقي من خلال الأجهزة القابلة للارتداء المتاحة، على الرغم من أن دقة التوقعات قد تتأثر بتوافر البيانات المحدود والتباين بين الموضوعات.
يتناول القسم أيضًا مجموعتين كبيرتين من البيانات المستخدمة لتقدير BGL: مجموعة بيانات VitalDB، التي تشمل بيانات حيوية شاملة قبل وبعد العملية، ومجموعة بيانات MUST، التي تحتوي على إشارات PPG الخام مع قياسات السكر المقابلة. تشمل خطوات المعالجة المسبقة الموضحة تقليل العينة، وتزامن PPG مع قياسات BGL، وتقنيات تصفية متقدمة لتحسين جودة الإشارة. علاوة على ذلك، تصف الورقة نهجًا جديدًا لتقسيم إشارات PPG إلى نوافذ معلوماتية، مع التركيز على القمم الانقباضية والانبساطية لتحسين أداء النموذج. تهدف تنفيذ هياكل التعلم العميق، بما في ذلك النسخ المخصصة من ResNet34 و VGG16، بالإضافة إلى نموذج هجين CNN-LSTM مع آليات الانتباه، إلى الاستفادة من نقاط القوة لهذه النماذج لتوقع BGL بدقة من بيانات PPG. تشمل مقاييس التقييم المستخدمة لتقييم أداء النموذج خطأ المربعات المتوسطة، وخطأ القيمة المطلقة المتوسطة، ومعامل التحديد، مما يوفر إطارًا شاملاً لت quantifying دقة التوقع.
DOI: https://doi.org/10.1038/s41598-024-84265-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39753714
Publication Date: 2025-01-02
Author(s): Zhenyun Du et al.
Primary Topic: Non-Invasive Vital Sign Monitoring
Overview
This research investigates the use of photoplethysmography (PPG) as a non-invasive method for continuous blood glucose monitoring, addressing the limitations of traditional finger-pricking techniques. The authors introduce a novel 1-second signal segmentation method and evaluate three advanced deep learning models, with a focus on ResNet34, to estimate blood glucose levels from PPG signals. The study demonstrates that the 1-second segmentation significantly enhances both accuracy and computational efficiency compared to the conventional 10-second segments. The optimized model achieved a processing time of 6.4 seconds for real-time estimations, with an average root mean squared error (RMSE) of 19.7 mg/dL and 100% clinical acceptance based on Clarke Error Grid Analysis (CEGA).
The findings indicate that the proposed method not only improves the convenience and accuracy of glucose monitoring but also shows strong generalizability across diverse clinical conditions. The successful deployment of ResNet34 on embedded devices highlights its potential for practical applications in diabetes management. The study emphasizes the importance of comprehensive dataset utilization and continuous model validation, suggesting that future work will focus on enhancing dataset diversity, refining model architectures, and improving computational efficiency to facilitate broader clinical implementation. Overall, this research points towards a promising future for non-invasive glucose monitoring, significantly improving the quality of life for individuals with diabetes.
Methods
In this section, the authors present experimental results from deploying their optimized ResNet34 model on the STM32H743IIT6 microcontroller, focusing on the model’s performance in a resource-constrained environment. The inference results were obtained via a serial port connection to a computer, which allowed for real-time visualization of glucose prediction outcomes without the need for an external monitor. Table 9 summarizes the model’s size before and after optimization, alongside the inference time on the microcontroller.
The findings indicate that while the base model is too large for direct deployment due to memory limitations, the PQAT (Post-Training Quantization and Adaptation Technique) model offers significant advantages. Figures 21 and accompanying visuals illustrate the mean squared error (MSE) loss and model size, demonstrating that PQAT effectively reduces the model size while maintaining accuracy through quantization during training. Consequently, the PQAT model emerges as the optimal solution for deployment in TinyML environments, balancing size, performance, and efficiency effectively.
Results
The results section presents a comprehensive analysis of the performance of three models—ResNet34, VGG16, and CNN-LSTM-ATTENTION—across two segmentation methods (1-second and 10-second) using the Vital DB test dataset. Key performance metrics, including Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean Absolute Relative Difference (MARD), and R², are detailed in Tables 3 to 7. The models’ predictions are categorized into Clarke Error Grid (CEG) zones, highlighting their accuracy and potential clinical risks. Notably, ResNet34 achieved 72.6% accuracy in Zone A and 25.9% in Zone B, with an RMSE of 19.7 mg/dL and MAE of 14.8 mg/dL, demonstrating its effectiveness in delivering reliable blood glucose level (BGL) estimates.
Further evaluation of the optimal model, ResNet34, on the MUST dataset, which includes a diverse range of subjects, reinforces its robustness and generalizability. The model’s compatibility with STM32 microcontrollers allows for real-time BGL monitoring, distinguishing it from previous studies that often lack embedded systems or real-time capabilities. While the performance in Zone B is lower compared to some prior works, the practical advantages of continuous monitoring in resource-constrained environments underscore the model’s applicability in various clinical settings. Overall, the findings emphasize the trade-off between clinical accuracy and practical implementation, positioning the proposed method as a significant advancement in BGL monitoring technology.
Discussion
The discussion section of the research paper highlights the advancements and challenges in predicting blood glucose levels (BGL) using photoplethysmogram (PPG) signals. Various studies have employed feature extraction techniques to enhance prediction accuracy, focusing on physiological features such as pulse rate and waveform characteristics. Some researchers have integrated auxiliary features like HbA1c levels, which reflect long-term glucose control, into their models. However, the reliance on HbA1c may overlook immediate fluctuations in BGL that PPG signals can capture. Notably, the use of raw PPG signals simplifies the modeling process and facilitates real-time monitoring through accessible wearable devices, although the accuracy of predictions can be compromised by limited data availability and variability among subjects.
The section also details two significant datasets used for BGL estimation: the VitalDB dataset, which includes comprehensive perioperative biosignal data, and the MUST dataset, which contains raw PPG signals with corresponding glucose measurements. The preprocessing steps outlined involve downsampling, synchronization of PPG with BGL measurements, and advanced filtering techniques to enhance signal quality. Furthermore, the paper describes a novel approach to segmenting PPG signals into informative windows, focusing on systolic and diastolic peaks to improve model performance. The implementation of deep learning architectures, including customized versions of ResNet34 and VGG16, as well as a hybrid CNN-LSTM model with attention mechanisms, aims to leverage the strengths of these models for accurate BGL prediction from PPG data. The evaluation metrics employed for assessing model performance include mean squared error, mean absolute error, and coefficient of determination, providing a comprehensive framework for quantifying prediction accuracy.