《工程科学学报》：基于ECG信号的高精度血糖监测

团购合买资源类别：文库，文档格式：PDF，文档页数：10，文件大小：939.11KB

工程科学学报 Chinese Journal of Engineering 基于ECG信号的高精度血糖监测李婷叶松李景振马菁菁陆瑶洪培涛聂泽东 High accuracy blood glucose monitoring based on ECG signals LI Ting.YE Song,LI Jing-zhen,MA Jing-jing.LU Yao-peng.HONG Pei-tao,NIE Ze-dong 引用本文：李婷，叶松，李景振，马菁菁，陆瑶，洪培涛，聂泽东.基于ECG信号的高精度血糖监测.工程科学学报，2021,439)：1215- 1223.doi:10.13374.issn2095-9389.2021.01.12.009 LI Ting,YE Song,LI Jing-zhen,MA Jing-jing,LU Yao-peng,HONG Pei-tao.NIE Ze-dong.High accuracy blood glucose monitoring based on ECG signals[J].Chinese Journal of Engineering,2021,43(9):1215-1223.doi:10.13374/j.issn2095- 9389.2021.01.12.009 在线阅读View online:https::/doi.org10.13374.issn2095-9389.2021.01.12.009 您可能感兴趣的其他文章 Articles you may be interested in 卷积神经网络在矿区预测中的研究与应用 Research and application of convolutional neural network in mining area prediction 工程科学学报.2020,42(12：1597 https:ldoi.org/10.13374.issn2095-9389.2020.01.02.001 基于卷积神经网络的反无人机系统声音识别方法 Sound recognition method of an anti-UAV system based on a convolutional neural network 工程科学学报.2020,42(11)：1516htps:1doi.org10.13374j.issn2095-9389.2020.06.30.008 基于深度卷积神经网络的地磁导航方向适配性分析 Direction-matching-suitability analysis for geomagnetic navigation based on convolutional neural networks 工程科学学报.2017,3910：1584htps:/doi.org10.13374.issn2095-9389.2017.10.018 一维卷积神经网络特征提取下微震能级时序预测 Time series prediction of microseismic energy level based on feature extraction of one-dimensional convolutional neural network 工程科学学报.2021,43(7)：1003htps:/doi.org/10.13374.issn2095-9389.2020.11.22.001 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报.2020,42(10：1372htps:oi.org10.13374.issn2095-9389.2019.10.10.005 基于深度循环神经网络的协作机器人动力学误差补偿 Error compensation of collaborative robot dynamics based on deep recurrent neural network 工程科学学报.2021,43(7)：995htps:1doi.org/10.13374.issn2095-9389.2020.04.30.003

基于ECG信号的高精度血糖监测李婷叶松李景振马菁菁陆瑶洪培涛聂泽东 High accuracy blood glucose monitoring based on ECG signals LI Ting, YE Song, LI Jing-zhen, MA Jing-jing, LU Yao-peng, HONG Pei-tao, NIE Ze-dong 引用本文: 李婷, 叶松, 李景振, 马菁菁, 陆瑶, 洪培涛, 聂泽东. 基于ECG信号的高精度血糖监测[J]. 工程科学学报, 2021, 43(9): 1215- 1223. doi: 10.13374/j.issn2095-9389.2021.01.12.009 LI Ting, YE Song, LI Jing-zhen, MA Jing-jing, LU Yao-peng, HONG Pei-tao, NIE Ze-dong. High accuracy blood glucose monitoring based on ECG signals[J]. Chinese Journal of Engineering, 2021, 43(9): 1215-1223. doi: 10.13374/j.issn2095- 9389.2021.01.12.009 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2021.01.12.009 您可能感兴趣的其他文章 Articles you may be interested in 卷积神经网络在矿区预测中的研究与应用 Research and application of convolutional neural network in mining area prediction 工程科学学报. 2020, 42(12): 1597 https://doi.org/10.13374/j.issn2095-9389.2020.01.02.001 基于卷积神经网络的反无人机系统声音识别方法 Sound recognition method of an anti-UAV system based on a convolutional neural network 工程科学学报. 2020, 42(11): 1516 https://doi.org/10.13374/j.issn2095-9389.2020.06.30.008 基于深度卷积神经网络的地磁导航方向适配性分析 Direction-matching-suitability analysis for geomagnetic navigation based on convolutional neural networks 工程科学学报. 2017, 39(10): 1584 https://doi.org/10.13374/j.issn2095-9389.2017.10.018 一维卷积神经网络特征提取下微震能级时序预测 Time series prediction of microseismic energy level based on feature extraction of one-dimensional convolutional neural network 工程科学学报. 2021, 43(7): 1003 https://doi.org/10.13374/j.issn2095-9389.2020.11.22.001 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报. 2020, 42(10): 1372 https://doi.org/10.13374/j.issn2095-9389.2019.10.10.005 基于深度循环神经网络的协作机器人动力学误差补偿 Error compensation of collaborative robot dynamics based on deep recurrent neural network 工程科学学报. 2021, 43(7): 995 https://doi.org/10.13374/j.issn2095-9389.2020.04.30.003

工程科学学报.第43卷，第9期：1215-1223.2021年9月 Chinese Journal of Engineering,Vol.43,No.9:1215-1223,September 2021 https://doi.org/10.13374/j.issn2095-9389.2021.01.12.009;http://cje.ustb.edu.cn 基于ECG信号的高精度血糖监测李婷12，叶松，李景振)，马菁菁)，陆瑶芃2，洪培涛2)，聂泽东2)区 1)桂林电子科技大学电子工程与自动化学院，桂林5410042)中国科学院深圳先进技术研究院.深圳5180553)深圳海关工业品检测技术中心，深圳518067 ☒通信作者，E-mail:zd.nie@siat.ac.cn 摘要连续血糖监测在糖尿病管理中具有重要的意义.目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术.本文利用心电 (ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60d756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异.结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%.其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86. 研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导关键词ECG信号；连续血糖监测：卷积神经网络：长短期记忆网络：血糖监测分类号R587.1,TN911.7 High accuracy blood glucose monitoring based on ECG signals LI Ting2),YE Song LI Jing-zhen)MAJing-jing,LU Yao-peng,HONG Pei-tao,NIE Ze-dong 1)School of Electrical Engineering and Automation,Guilin University of Electronic Technology,Guilin 541004,China 2)Shenzhen Institute of Advanced Technology,Chinese Academy of Sciences,Shenzhen 518055,China 3)The Testing and Technology Center for Industrial Products of Shenzhen Customs,Shenzhen 518067,China Corresponding author,E-mail:zd.nie@siat.ac.cn ABSTRACT Continuous glucose monitoring is important in the management of diabetes.According to statistics,diabetes is the third chronic non-infectious disease that seriously endangers people's health,followed by tumor as well as cardiovascular and cerebrovascular diseases.In 2019,globally,there were a total of 460 million diabetics aged 20-79 years,which accounted for 9.1%of the total population in this cohort.Each figure is projected to increase to 592 million and by 10.1%respectively by 2035.Currently,the methods of blood glucose monitoring can be divided into invasive,minimally invasive,and noninvasive.The main methods for blood glucose monitoring include irregular sampling of fingertip blood or consecutive measurement of interstitial fluid glucose based on implantable sensors.However,these methods have some limitations,which include pain sensation,high cost,short service life,and susceptibility. Patients need to measure their blood glucose frequently.Invasive and minimally invasive monitoring will cause physical and psychological pain.Therefore,noninvasive monitoring is one of the most promising techniques for continuous monitoring of blood glucose,and it has a broad market prospect.In this study,the electrocardiogram (ECG signals)were used to achieve the noninvasive monitoring of blood glucose levels.First,756160 ECG periodic signals of 12 volunteers for 60 d were obtained from the experiment. 收稿日期：2021-01-12 基金项目：国家重点研发计划资助项目(2018YFC2001002):深圳市基础研究资助项目(JCYJ20180507182231907)

基于 ECG 信号的高精度血糖监测李婷1,2)，叶松1)，李景振2)，马菁菁3)，陆瑶芃2)，洪培涛2)，聂泽东2) 苣 1) 桂林电子科技大学电子工程与自动化学院，桂林 541004 2) 中国科学院深圳先进技术研究院，深圳 518055 3) 深圳海关工业品检测技术中心，深圳 518067 苣通信作者，E-mail：zd.nie@siat.ac.cn 摘要连续血糖监测在糖尿病管理中具有重要的意义. 目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术. 本文利用心电 (ECG) 信号，提出了一种血糖水平无创监测的方法：通过获取 12 名志愿者共 60 d 756160 个 ECG 周期信号，利用递归滤波器实现 ECG 信号的滤波，并采用卷积神经网络和长短期记忆网络相结合 (CNN-LSTM) 的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模 2 种建模方式的差异. 结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到 80% 和 88%. 其中群体建模 10 分类的 F1 值可达到 0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87 和 0.86. 研究表明，本文提出的基于 ECG 的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导. 关键词 ECG 信号；连续血糖监测；卷积神经网络；长短期记忆网络；血糖监测分类号 R587.1;TN911.7 High accuracy blood glucose monitoring based on ECG signals LI Ting1,2) ，YE Song1) ，LI Jing-zhen2) ，MA Jing-jing3) ，LU Yao-peng2) ，HONG Pei-tao2) ，NIE Ze-dong2) 苣 1) School of Electrical Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China 2) Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China 3) The Testing and Technology Center for Industrial Products of Shenzhen Customs, Shenzhen 518067, China 苣 Corresponding author, E-mail: zd.nie@siat.ac.cn ABSTRACT Continuous glucose monitoring is important in the management of diabetes. According to statistics, diabetes is the third chronic non-infectious disease that seriously endangers people's health, followed by tumor as well as cardiovascular and cerebrovascular diseases. In 2019, globally, there were a total of 460 million diabetics aged 20 –79 years, which accounted for 9.1% of the total population in this cohort. Each figure is projected to increase to 592 million and by 10.1% respectively by 2035. Currently, the methods of blood glucose monitoring can be divided into invasive, minimally invasive, and noninvasive. The main methods for blood glucose monitoring include irregular sampling of fingertip blood or consecutive measurement of interstitial fluid glucose based on implantable sensors. However, these methods have some limitations, which include pain sensation, high cost, short service life, and susceptibility. Patients need to measure their blood glucose frequently. Invasive and minimally invasive monitoring will cause physical and psychological pain. Therefore, noninvasive monitoring is one of the most promising techniques for continuous monitoring of blood glucose, and it has a broad market prospect. In this study, the electrocardiogram (ECG signals) were used to achieve the noninvasive monitoring of blood glucose levels. First, 756160 ECG periodic signals of 12 volunteers for 60 d were obtained from the experiment. 收稿日期: 2021−01−12 基金项目: 国家重点研发计划资助项目（2018YFC2001002）；深圳市基础研究资助项目（JCYJ20180507182231907）工程科学学报，第 43 卷，第 9 期：1215−1223，2021 年 9 月 Chinese Journal of Engineering, Vol. 43, No. 9: 1215−1223, September 2021 https://doi.org/10.13374/j.issn2095-9389.2021.01.12.009; http://cje.ustb.edu.cn

1216 工程科学学报，第43卷.第9期 Second,the ECG signals were preprocessed using an infinite impulse response filter.Furthermore,a method combining convolutional neural networks and long short-term memory networks(CNN-LSTM)was proposed for blood glucose monitoring.In Addition,two modeling methods (individual modeling and group modeling)were investigated in this study.The results show that the precision of blood glucose monitoring under the condition of individual and group modeling is 80%and 88%,respectively.The F1-score of the group modeling can reach9,0.88,0.91,0.85,0.92,0.88,0.86,0.86,0.87,and 0.86.Therefore,this study indicates that the proposed method based on ECG signals can provide powerful theoretical support and technical guidance for real-time and accurate blood glucose monitoring KEY WORDS ECG signal;continuous glucose monitoring;convolutional neural network;long and short term memory network; blood glucose prediction 据统计，糖尿病已成为继肿瘤、心脑血管疾病据集进行糖尿病监测，结果显示CNN的监测正确后的第3种严重危害人民健康的慢性非传染性疾率为93.6%，而CNN-LSTM的正确率最高为病-2019年全球20~79岁的糖尿病患者总数 95.1%.Tafa等使用包含常规饮食、身体活动和位4.6亿，占该年龄段人口总数的9.1%，预计到糖尿病家族史等特征构建矩阵作为数据集，提出 2035年，上述两个数据将分别增至5.92亿和了一种新的支持向量机(Support vector machine, 10.1%1.目前糖尿病尚无根治的方法，连续血糖监 SVM)和朴素贝叶斯综合改进模型来监测人体是测(Continuous glucose monitoring,CGM)系统可实时否患有糖尿病，其二分类监测精度高达97.6%.此监测患者的血糖，为临床医生提供详细的血糖变化外，刘宇巍6提出了利用超极限学习、卷积神经趋势，以便于调控血糖水平，减少糖尿病并发症的网络以及分数阶系统算法将血糖水平分为6类，发生，为预后的评估提供重要依据目前血糖监在对用户进行个性化建模且建模所用数据量较多测的方法可分为有创、微创及无创，由于患者需要时，监测准确率可达85%.冯培华刀对采集的光电频繁测量血糖，有创及微创监测会带来身体和心理容积脉搏波(PhotoPlethysmoGraphy,PPG)信号和上的痛苦，故无创血糖监测具有重要的应用价值 ECG信号采用经验模态分解进行基线去除，结合和市场前景间，考虑到心电信号(Electrocardiogram, 弹性网络、自适应增强算法、极端梯度提升 ECG)可通过可穿戴设备获取，具有无创、便捷、 (Extreme gradient boosting,.XGBoost)和基于决策树舒适等优势，本文提出了一种基于ECG信号的无算法的分布式梯度提升(Light gradient boosting 创监测方法实现对血糖水平的实时、精准监测 machine,LightGBM)4种算法建模监测，获得的克 ECG信号可使用心电采集仪器记录人体心脏拉克错误网格图A区均能达到80%以上.本课题电位变化6，相关研究表明人体血糖变化会影响组前期提出了多模型分类方法用于糖尿病前期的心脏活动0-]人体摄入食物时，血糖水平会逐渐预测)并鉴别了一些重要的生理特征阻止糖尿病升高，此时交感神经系统触发肾上腺（特别是肾上病情的恶化8- 腺髓质)释放肾上腺素，从而引起包括心率加快、纵观上述研究，尽管已取得较大的进展，但上心电传导速度加快和不应期缩短为特征的ECG变述研究中对血糖水平或糖尿病的分类较少，大多化：血糖水平较低时，也将激活交感神经系统和副为二分类或三分类4同时，大多数血糖监测输交感神经系统而引起ECG的变化；血糖水平正常入特征局限于部分生理特征，如：身高、体重、文时，副交感神经系统会释放出乙酰胆碱激素来减化程度、是否有家族遗传等作为神经网络的输入慢心率町综上可知，心电变化与血糖水平存在相序列20人体的健康监测迫切需要更为精确的血关性，因此通过分析ECG的变化规律有望实现血糖水平，无创的实时血糖精准监测算法有待研究糖水平的实时监测.血糖监测技术在近年来也在针对上述问题，本文提出了一种基于ECG的多分不断突破中，并取得了较大的成果.Kandhasamy和类的血糖监测方法.本文研究的血糖监测算法与 Balamuralil分别使用卷积神经网络(Convolution 其他传统分析方法不同，采用CNN和LSTM相结 neural networks,.CNN)与卷积神经网络和长短期记合的深度学习网络实现血糖水平的自动监测.该 t忆网络相结合(Convolution neural networks and long 方法兼顾了血糖监测的实时性与精准性，测试结 short-term memory,CNN-LSTM)算法通过5折交果表明可精准监测血糖的实时水平，有利于推动叉验证对从加州大学欧文分校数据库中获取的数 CGM技术和糖尿病管理的发展，对进一步提高血

Second, the ECG signals were preprocessed using an infinite impulse response filter. Furthermore, a method combining convolutional neural networks and long short-term memory networks (CNN-LSTM) was proposed for blood glucose monitoring. In Addition, two modeling methods (individual modeling and group modeling) were investigated in this study. The results show that the precision of blood glucose monitoring under the condition of individual and group modeling is 80% and 88%, respectively. The F1-score of the group modeling can reach 0.95, 0.88, 0.91, 0.85, 0.92, 0.88, 0.86, 0.86, 0.87, and 0.86. Therefore, this study indicates that the proposed method based on ECG signals can provide powerful theoretical support and technical guidance for real-time and accurate blood glucose monitoring. KEY WORDS ECG signal； continuous glucose monitoring； convolutional neural network； long and short term memory network； blood glucose prediction 据统计，糖尿病已成为继肿瘤、心脑血管疾病后的第 3 种严重危害人民健康的慢性非传染性疾病[1−2] . 2019 年全球 20～79 岁的糖尿病患者总数位 4.6 亿，占该年龄段人口总数的 9.1%，预计到 2035 年，上述两个数据将分别增至 5.92 亿和 10.1% [3] . 目前糖尿病尚无根治的方法，连续血糖监测 (Continuous glucose monitoring，CGM) 系统可实时监测患者的血糖，为临床医生提供详细的血糖变化趋势，以便于调控血糖水平，减少糖尿病并发症的发生，为预后的评估提供重要依据[4] . 目前血糖监测的方法可分为有创、微创及无创，由于患者需要频繁测量血糖，有创及微创监测会带来身体和心理上的痛苦，故无创血糖监测具有重要的应用价值和市场前景[5] . 考虑到心电信号 (Electrocardiogram， ECG) 可通过可穿戴设备获取，具有无创、便捷、舒适等优势，本文提出了一种基于 ECG 信号的无创监测方法实现对血糖水平的实时、精准监测. ECG 信号可使用心电采集仪器记录人体心脏电位变化[6−9] ，相关研究表明人体血糖变化会影响心脏活动[10−13] . 人体摄入食物时，血糖水平会逐渐升高，此时交感神经系统触发肾上腺（特别是肾上腺髓质）释放肾上腺素，从而引起包括心率加快、心电传导速度加快和不应期缩短为特征的 ECG 变化；血糖水平较低时，也将激活交感神经系统和副交感神经系统而引起 ECG 的变化；血糖水平正常时，副交感神经系统会释放出乙酰胆碱激素来减慢心率[13] . 综上可知，心电变化与血糖水平存在相关性，因此通过分析 ECG 的变化规律有望实现血糖水平的实时监测. 血糖监测技术在近年来也在不断突破中，并取得了较大的成果. Kandhasamy 和 Balamurali[14] 分别使用卷积神经网络 (Convolution neural networks，CNN) 与卷积神经网络和长短期记忆网络相结合 (Convolution neural networks and long short-term memory，CNN‒LSTM) 算法通过 5 折交叉验证对从加州大学欧文分校数据库中获取的数据集进行糖尿病监测，结果显示 CNN 的监测正确率为 93.6%，而 CNN ‒LSTM 的正确率最高为 95.1%. Tafa 等[15] 使用包含常规饮食、身体活动和糖尿病家族史等特征构建矩阵作为数据集，提出了一种新的支持向量机 (Support vector machine, SVM) 和朴素贝叶斯综合改进模型来监测人体是否患有糖尿病，其二分类监测精度高达 97.6%. 此外，刘宇巍[16] 提出了利用超极限学习、卷积神经网络以及分数阶系统算法将血糖水平分为 6 类，在对用户进行个性化建模且建模所用数据量较多时，监测准确率可达 85%. 冯培华[17] 对采集的光电容积脉搏波（ PhotoPlethysmoGraphy, PPG) 信号和 ECG 信号采用经验模态分解进行基线去除，结合弹性网络、自适应增强算法、极端梯度提升（Extreme gradient boosting，XGBoost）和基于决策树算法的分布式梯度提升 (Light gradient boosting machine，LightGBM) 4 种算法建模监测，获得的克拉克错误网格图 A 区均能达到 80% 以上. 本课题组前期提出了多模型分类方法用于糖尿病前期的预测[13] 并鉴别了一些重要的生理特征阻止糖尿病病情的恶化[18−19] . 纵观上述研究，尽管已取得较大的进展，但上述研究中对血糖水平或糖尿病的分类较少，大多为二分类或三分类[14−15] . 同时，大多数血糖监测输入特征局限于部分生理特征，如：身高、体重、文化程度、是否有家族遗传等作为神经网络的输入序列[20] . 人体的健康监测迫切需要更为精确的血糖水平，无创的实时血糖精准监测算法有待研究. 针对上述问题，本文提出了一种基于 ECG 的多分类的血糖监测方法. 本文研究的血糖监测算法与其他传统分析方法不同，采用 CNN 和 LSTM 相结合的深度学习网络实现血糖水平的自动监测. 该方法兼顾了血糖监测的实时性与精准性，测试结果表明可精准监测血糖的实时水平，有利于推动 CGM 技术和糖尿病管理的发展，对进一步提高血 · 1216 · 工程科学学报，第 43 卷，第 9 期

李婷等：基于ECG信号的高精度血糖监测 1217 糖监测准确度具有重要的研究意义者.在12名志愿者中，9名为健康志愿者，3名为糖尿病患者(A1,A2..A9分别对应于9名健康志 1 数据采集及数据预处理愿者；B1,B2,B3分别对应于3名糖尿病志愿者) 1.1数据采集如表1所示，所招募的志愿者分布在各个不同年为研究基于ECG信号的无创血糖监测方案的龄段、不同性别及不同体型.其中，有5名男性志可行性，课题组在中国科学院健康信息重点实验愿者和7名女性志愿者；4名志愿者年龄小于室进行了在体实验研究（实验已获得中国科学院 24岁、5名志愿者年龄在24岁到40岁之间、大于深圳先进技术研究院人体实验伦理管理委员会批 40岁的志愿者有3名.此外，考虑到身体质量指数准，批准号：SIAT-IRB-200815-H0525) (Body mass index,BMI)常用来衡量人体胖瘦程实验之前，课题组对招募的12名志愿者（所有度，论文中对志愿者的BMI进行了分析，其中3名志愿者都已签署志愿者知情同意书)进行了口服志愿者体重偏低，6名志愿者体重正常，3名志愿葡萄糖耐量试验以确认志愿者是否为糖尿病患者体重超重表112名志愿者信息分布（人数） Table 1 Quantity of volunteers with different body information Gender Age bracket BMI Male Female ≤24 (24,40) ≥40 <18.5 (Low weight) [18.5,23)(Normal weight) ≥23(Overweight) 5 7 4 5 3 3 6 3 正式实验通过使用采样频率为1000Hz、陷波滤波器开关为ON、高通滤波器为1.0Hz、波动模式为NORM的BIOPAC系统（型号为MPI50)通道2，该系统可通过电极片实现胸导联以连续获 1.5 取志愿者ECG信号，该设备可以连接到装有 AcqKnowledge(Acq)软件的计算机(PC)并将采集入A 0.5 的ECG信号转换为数字信号存储在计算机中.并在实验开始1d前为志愿者佩戴德康G6设备以获取CGM数据，此设备可连续监测志愿者血糖水 0.5 300 600 9001200 1500 平，每5min获得一次血糖数据.其中，每位志愿者 Time/ms 实验持续5d,每天上午2.5h.ECG数据采集实验图2一个ECG信号周期示意图如图1所示.本次研究使用12名志愿者共60d Fig.2 ECG signal cycle diagram 756160个ECG周期信号作为数据集.一个ECG 1.2数据预处理信号周期如图2所示 1.2.1信号提取及滤波如图3(a)所示，实验所采集到的ECG信号中存在干扰噪声，去除ECG信号噪声干扰是数据预 CGM 处理的关键步骤综合考虑自适应滤波去噪、小波去噪)及递归滤波器(Infinite impulse response,.IIR)等去噪方 BIOPAC 法2四，本文最终选用高通为0.2Hz、低通为30Hz 的R滤波器以滤除部分噪声，滤波前后的ECG信号对比如图3所示.滤波预处理完成后，根据Acq 软件获取ECG信号中峰值点对应的时间，并利用图1ECG数据采集实验图 Matlab软件分离出ECG信号的单个心跳并联接实 Fig.1 ECG data acquiring experiment 时CGM的血糖值即完成初步的数据预处理

糖监测准确度具有重要的研究意义. 1 数据采集及数据预处理 1.1 数据采集为研究基于 ECG 信号的无创血糖监测方案的可行性，课题组在中国科学院健康信息重点实验室进行了在体实验研究（实验已获得中国科学院深圳先进技术研究院人体实验伦理管理委员会批准，批准号：SIAT-IRB-200815-H0525）. 实验之前，课题组对招募的 12 名志愿者（所有志愿者都已签署志愿者知情同意书）进行了口服葡萄糖耐量试验以确认志愿者是否为糖尿病患者. 在 12 名志愿者中，9 名为健康志愿者，3 名为糖尿病患者（A1，A2...A9 分别对应于 9 名健康志愿者；B1，B2，B3 分别对应于 3 名糖尿病志愿者）. 如表 1 所示，所招募的志愿者分布在各个不同年龄段、不同性别及不同体型. 其中，有 5 名男性志愿者和 7 名女性志愿者； 4 名志愿者年龄小于 24 岁、5 名志愿者年龄在 24 岁到 40 岁之间、大于 40 岁的志愿者有 3 名. 此外，考虑到身体质量指数（Body mass index, BMI）常用来衡量人体胖瘦程度，论文中对志愿者的 BMI 进行了分析，其中 3 名志愿者体重偏低，6 名志愿者体重正常，3 名志愿者体重超重. 表 1 12 名志愿者信息分布（人数） Table 1 Quantity of volunteers with different body information Gender Age bracket BMI Male Female ≤24 (24,40) ≥40 <18.5 (Low weight) [18.5,23) (Normal weight) ≥23 (Overweight) 5 7 4 5 3 3 6 3 正式实验通过使用采样频率为 1000 Hz、陷波滤波器开关为 ON、高通滤波器为 1.0 Hz、波动模式为 NORM 的 BIOPAC 系统（型号为 MP150）通道 2，该系统可通过电极片实现胸导联以连续获取志愿者 ECG 信号，该设备可以连接到装有 AcqKnowledge（Acq）软件的计算机（PC）并将采集的 ECG 信号转换为数字信号存储在计算机中. 并在实验开始 1 d 前为志愿者佩戴德康 G6 设备以获取 CGM 数据，此设备可连续监测志愿者血糖水平，每 5 min 获得一次血糖数据. 其中，每位志愿者实验持续 5 d，每天上午 2.5 h. ECG 数据采集实验如图 1 所示. 本次研究使用 12 名志愿者共 60 d 756160 个 ECG 周期信号作为数据集. 一个 ECG 信号周期如图 2 所示. BIOPAC PC CGM 图 1 ECG 数据采集实验图 Fig.1 ECG data acquiring experiment 2.5 2.0 1.5 Time/ms The definition of an ECG signal cycle in this paper 0 300 600 900 1200 1500 Voltage/mV 1.0 0.5 0 −0.5 图 2 一个 ECG 信号周期示意图 Fig.2 ECG signal cycle diagram 1.2 数据预处理 1.2.1 信号提取及滤波如图 3（a）所示，实验所采集到的 ECG 信号中存在干扰噪声，去除 ECG 信号噪声干扰是数据预处理的关键步骤. 综合考虑自适应滤波去噪、小波去噪[21] 及递归滤波器 (Infinite impulse response， IIR) 等去噪方法[22] ，本文最终选用高通为 0.2 Hz、低通为 30 Hz 的 IIR 滤波器以滤除部分噪声. 滤波前后的 ECG 信号对比如图 3 所示. 滤波预处理完成后，根据 Acq 软件获取 ECG 信号中峰值点对应的时间，并利用 Matlab 软件分离出 ECG 信号的单个心跳并联接实时 CGM 的血糖值即完成初步的数据预处理. 李婷等：基于 ECG 信号的高精度血糖监测 · 1217 ·

1218 工程科学学报，第43卷，第9期 3201510 图4显示了血糖值分别为5.9、8.1和10.5mmoL 时不同志愿者的ECG波形.由图4可知，对于不 0 同个体而言相同血糖水平下的ECG信号存在差异 -0 -1.0 性，因此在建模时由于个体数据量有限可能会影 2000 3000 4000 5000 Time/ms 响血糖监测效果 (b) 2 模型建立入AU 1.0 8 CNN由输入层、卷积层、激活层、池化层、全 0.5 连接层及输出层组成，多用于实现基于大量数据 -1. 0 1000 200030004000 5000 或图片的分类23-21设第n层卷积核为p×g的矩阵 Time/ms k,若第n层为卷积层，其输出的ixj矩阵阿表图3ECG信号滤波前后图像.(a)未滤波的ECG信号：(b)ⅡR滤波示为器去噪后的ECG信号 Fig.3 Images of ECG signals before and after filtering:(a)unfiltered #-l*g-1*k+b回 (1) ECG signal;(b)ECG signal followed by IIR filter p=1q=1 1.2.2数据分类式中，b为偏置参数、s为卷积核移动的步幅、f为考虑到实验所采集到的CGM数据波动较大，激活函数、输入特征映射为X,其映射的前向传播根据CGM数据作为神经网络的标签存在数据不可表示为均衡问题，因此从提高血糖监测模型精准性出发， =fu) (2) 本次研究在血糖数据分类时通过重复采样的方法扩充数据集以提升模型泛化能力.以采集到的为了实现神经网络重要特征的自动提取和准 12名志愿者的总数据量(694413个ECG周期信号确分类，利用损失函数计算模型输出与真实输出及CGM数据)作为数据集为例，其血糖分类标签之间的差异以调整CNN隐藏层的连接权重和偏及各标签的数据量如表2所示.其中，血糖(B1ood 移量b以提高神经网络的泛化能力.根据链式法 glucose,BG)大于14.9 mmol-L、标签为9的数据则，损失函数对卷积核的偏导数的偏差项可计最多，共有75616个ECG周期信号及CGM数据，算为26-291：通过重复采样使每个标签的数据量扩充为75616 个ECG周期信号，最终神经网络训练和测试所使用的数据集为10个标签的数据总量共计756160 (3) 个ECG周期信号 fxg-l 表2群体建模血糖分类标签及数据量 Table 2 Blood glucose classification labels and data volumes upon group modeling ab(m Data Blood glucose classification/(mmol-L-) Labels Size Ration/% ≤5.6 0 70164 10.1 式中， L表示损失函数对卷积核k求偏导， >5.6and≤6.2 1 75424 10.9 ≥6.2and≤6.6 2 66765 9.6 fu)= X duin) >6.6and≤7.2 3 75247 10.8 LSTM中的内存块由一个或多个存储单元组 >7.2and≤7.8 4 66346 9.5 成的2叨对于任意长度为n+1的数据输入序列 >7.8and≤8.4 5 61272 8.9 X(,x2,…xn,)输入到LSTM体系中，最终输出序 >8.4and≤9.1 6 68823 9.9 列0(o1,02,…0m,1)经过连续写、读和复位估计三个 >9.1and≤10.4 7 68464 9.9 乘法单元：输入门(in)、输出门(ot)和遗忘门()对 >10.4and≤14.9 8 66292 9.5 记忆单元(cl)在LSTM体系结构的递归隐含层中 >14.9 9 75616 10.9 运算，其输出是以t=1到的迭代方式.在时间步

1.2.2 数据分类考虑到实验所采集到的 CGM 数据波动较大，根据 CGM 数据作为神经网络的标签存在数据不均衡问题，因此从提高血糖监测模型精准性出发，本次研究在血糖数据分类时通过重复采样的方法扩充数据集以提升模型泛化能力. 以采集到的 12 名志愿者的总数据量（694413 个 ECG 周期信号及 CGM 数据）作为数据集为例，其血糖分类标签及各标签的数据量如表 2 所示. 其中，血糖 (Blood glucose，BG) 大于 14.9 mmol·L−1、标签为 9 的数据最多，共有 75616 个 ECG 周期信号及 CGM 数据，通过重复采样使每个标签的数据量扩充为 75616 个 ECG 周期信号，最终神经网络训练和测试所使用的数据集为 10 个标签的数据总量共计 756160 个 ECG 周期信号. 表 2 群体建模血糖分类标签及数据量 Table 2 Blood glucose classification labels and data volumes upon group modeling Blood glucose classification/(mmol·L−1) Labels Data Size Ration/% ≤5.6 0 70164 10.1 >5.6 and ≤6.2 1 75424 10.9 >6.2 and ≤6.6 2 66765 9.6 >6.6 and ≤7.2 3 75247 10.8 >7.2 and ≤7.8 4 66346 9.5 >7.8 and ≤8.4 5 61272 8.9 >8.4 and ≤9.1 6 68823 9.9 >9.1 and ≤10.4 7 68464 9.9 >10.4 and ≤14.9 8 66292 9.5 >14.9 9 75616 10.9 图4 显示了血糖值分别为5.9、8.1 和10.5 mmol·L−1 时不同志愿者的 ECG 波形. 由图 4 可知，对于不同个体而言相同血糖水平下的 ECG 信号存在差异性，因此在建模时由于个体数据量有限可能会影响血糖监测效果. 2 模型建立 p×q k (n) p,q n i× j u (n) i, j CNN 由输入层、卷积层、激活层、池化层、全连接层及输出层组成，多用于实现基于大量数据或图片的分类[23−25] . 设第 n 层卷积核为的矩阵，若第层为卷积层，其输出的矩阵可表示为 u (n) i, j = ∑s p=1 ∑s q=1 χ (n−1) i+p−1, j+q−1 ∗ k (n) p,q +b (n) （1） b s f χ 式中，为偏置参数、为卷积核移动的步幅、为激活函数、输入特征映射为，其映射的前向传播可表示为 χ (n) i, j = f(u (n) i, j ) （2） b L 为了实现神经网络重要特征的自动提取和准确分类，利用损失函数计算模型输出与真实输出之间的差异以调整 CNN 隐藏层的连接权重和偏移量以提高神经网络的泛化能力. 根据链式法则，损失函数 [26] 对卷积核的偏导数的偏差项可计算为[26−29] ： ∂L ∂k (n) p,q = ∑ i ∑ j   ∂L ∂χ (n) i, j · ∂χ (n) i, j ∂k (n) p,q   = ∑ i ∑ j   ∂L ∂χ (n) i, j · f ′ (u (n) i, j )·χ (n−1) i+p−1, j+q−1   （3） ∂L ∂b (n) = ∑ i ∑ j   ∂L ∂χ (n) i, j · ∂χ (n) i, j ∂b (n)   = ∑ i ∑ j   ∂L ∂χ (n) i, j · f(u (n) i, j )   （4） ∂L ∂k (n) p,q k (n) p,q f ′ (u (n) i, j ) = ∂χ (n) i, j ∂u (n) 式中，表示损失函数对卷积核求偏导， . n+1 X(x1, x2,··· xn,l) O(o1,o2,···on,l ′ ) t = 1 t LSTM 中的内存块由一个或多个存储单元组成的[27] . 对于任意长度为的数据输入序列输入到 LSTM 体系中，最终输出序列经过连续写、读和复位估计三个乘法单元：输入门 (in)、输出门 (ot) 和遗忘门 (fr) 对记忆单元 (cl) 在 LSTM 体系结构的递归隐含层中运算，其输出是以到的迭代方式. 在时间步 2.5 2.0 (a) Time/ms 0 1000 2000 3000 4000 5000 1.5 1.0 Voltage/mV 0.5 −0.5 −1.0 0 2.5 2.0 (b) Time/ms 0 1000 2000 3000 4000 5000 1.5 1.0 Voltage/mV 0.5 −0.5 −1.0 0 图 3 ECG 信号滤波前后图像. （a）未滤波的 ECG 信号；（b）IIR 滤波器去噪后的 ECG 信号 Fig.3 Images of ECG signals before and after filtering: (a) unfiltered ECG signal; (b) ECG signal followed by IIR filter · 1218 · 工程科学学报，第 43 卷，第 9 期

李婷等：基于ECG信号的高精度血糖监测 ·1219· (a) (b) (c) 200400600 0200400600 0200400600 Time/ms Time/ms Time/ms A2 2 15 B2 200 400 600 0 200400 600 200 400 600 Time/ms Time/ms Time/ms A 0 200400 600 0 200400 600 0 200400600 Time/ms Time/ms Time/ms 图4不同志愿者在相同血糖水平下的一个ECG信号周期波形示例.(a)BG=5.9mmoL:(b)BG=8.1 mmol-L:(c)BG=10.5mmoL1 Fig.4 ECG signal cycle waveforms at the same BG level for different subjects:(a)BG=5.9 mmol-L-;(b)BG=8.1 mmol-L-;(c)BG=10.5 mmol-L- PXR t长处经LSTM复杂处理单元经过各层后的输出可 F1-s=2× P+R (12) 简单地用下列公式表示) 其中，P为精确率、R为召回率、F1-s为F1值； Dint =(Wx.inx:+wh.inh-1+wel.in Delt-1+bin)(5) ng表示分类正确的正样本数量、n,表示所有被 Dfrs =(wx.fr X:+wh.frh-1+Wel.fr Dclt-1+bfr)(6) 分为正样本的数量、表示真实正样本的数量. Delt Dftt Delt-1+Dint Otanh (wx.clX+ (7) 混淆矩阵为可直观的看出每种分类标签监测效 Wh.clh:-1+bel) 果的错误矩阵，其正确监测结果都在矩阵对角 O:=(WX.oLX:+Wh.oth-1+Wclot Ddl:+bot) (8) 线上 h:=0,tanh(Del) (9) 3高精度血糖监测模型其中，c为sigmoid激活函数、h为输出、w和b为各个门对应的参数矩阵和偏置参数 3.1模型建立在LSTM的输出端使用全连接层作为分类神在本文研究的CNN-LSTM网络中，CNN是经网络模型输出层.经过预处理后的单个ECG周由大小卷积核相结合的一维卷积、正则化过程和期及CGM数据输入到CNN-LSTM网络中，其输最大池化层组成，最大池化输出被馈送到后续的出为不同的血糖标签的概率.血糖监测模型性能 LSTM层.由于模型的超参数直接影响算法的性的评估通过血糖监测精确率(Precision)以、召回率能，因此需要调节学习速率、隐层数、池化层步 (Recall)、FI值(F1-score)及混淆矩阵评估Bo.其原长、卷积核大小等超参数进行不同的实验验证，以理如下：提高血糖监测模型的泛化能力四使其具有鲁棒性.研究所使用的模型超参数如表3所示 (10) ner 3.2实验验证 R=Ig 本文使用单个Intel(R)Core(TMi7-7700中的 (11) nd CPU进行训练和测试数据.经过对比不同的损失

t 长处经 LSTM 复杂处理单元经过各层后的输出可简单地用下列公式表示[25] ： Din,t = σ(wX,in xt +wh,inht−1 +wcl,in Dcl,t−1 + bin) （5） Dfr,t = σ(wX,frXt +wh,frht−1 +wcl,fr Dcl,t−1 + bfr) （6） Dcl,t = Dfr,t ⊙ Dcl,t−1 + Din,t ⊙tanh( wX,clXt+ wh,clht−1 + bcl) （7） Ot = σ(wX,otXt +wh,otht−1 +wcl,ot Dcl,t + bot) （8） ht = Ot ⊙tanh(Dcl,t ) （9）其中，σ为 sigmoid 激活函数、 h 为输出、 w 和 b 为各个门对应的参数矩阵和偏置参数. 在 LSTM 的输出端使用全连接层作为分类神经网络模型输出层. 经过预处理后的单个 ECG 周期及 CGM 数据输入到 CNN-LSTM 网络中，其输出为不同的血糖标签的概率. 血糖监测模型性能的评估通过血糖监测精确率 (Precision)、召回率 (Recall)、F1 值 (F1-score) 及混淆矩阵评估[30] . 其原理如下： P = nrg ncr （10） R = nrg nrl （11） F1− s = 2× P×R P+R （12） nrg ncr nrl 其中， P 为精确率、 R 为召回率、 F1-s 为 F1 值；表示分类正确的正样本数量、表示所有被分为正样本的数量、表示真实正样本的数量. 混淆矩阵为可直观的看出每种分类标签监测效果的错误矩阵，其正确监测结果都在矩阵对角线上. 3 高精度血糖监测模型 3.1 模型建立在本文研究的 CNN‒LSTM 网络中，CNN 是由大小卷积核相结合的一维卷积、正则化过程和最大池化层组成，最大池化输出被馈送到后续的 LSTM 层. 由于模型的超参数直接影响算法的性能，因此需要调节学习速率、隐层数、池化层步长、卷积核大小等超参数进行不同的实验验证，以提高血糖监测模型的泛化能力[29] 使其具有鲁棒性. 研究所使用的模型超参数如表 3 所示. 3.2 实验验证本文使用单个 Intel(R)Core(TM)i7-7700 中的 CPU 进行训练和测试数据. 经过对比不同的损失 B2 2 1 0 −1 A1 0 200 400 Time/ms Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 2 1 0 −1 Voltage/mV 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 0 200 400 Time/ms 600 (a) 2 1 0 −1 A3 0 200 400 Time/ms Voltage/mV 600 (b) 2 1 0 −1 B1 A2 A5 A5 B1 A7 0 200 400 Time/ms Voltage/mV 600 (c) 图 4 不同志愿者在相同血糖水平下的一个 ECG 信号周期波形示例. （a）BG=5.9 mmol·L−1；（b）BG=8.1 mmol·L−1；（c）BG=10.5 mmol·L−1 Fig.4 ECG signal cycle waveforms at the same BG level for different subjects: (a) BG = 5.9 mmol·L−1; (b) BG = 8.1 mmol·L−1; (c) BG = 10.5 mmol·L−1 李婷等：基于 ECG 信号的高精度血糖监测 · 1219 ·

·1220 工程科学学报，第43卷，第9期表3CNN-LSTM模型参数设置 Table 3 Parameter setting of the CNN-LSTM model Layers Type Neurons Filters Kernel-size Strides Padding Pool-size 1 Convld (1,1,700) 2 BatchNormld (8,1,698) 3 ReLU (8,1,698) 4 MaxPoolld (8,1,698) 5 Convld (8,1,348) 16 6 BatchNormld (16,1,344) 一 7 ReLU (16,1,344) 8 MaxPoolld (16,1,344) 2 9 Convld (16,1,172) 32 0 一 10 BatchNormld (32,1,165) 1 ReLU (32,1,165) 12 MaxPool1d (32,1,165) 0 2 Convld (32,1,83) 128 0 尔 BatchNormld (128,1,82) 15 ReLU (128,1,82) 一 16 LSTM (128,1,82) 128 17 Fully-connected (1,128) 一伊 Fully-connected (1,64) 19 Output 10 函数和学习率，最终选择Adam优化器及交叉熵函 3.2.2群体建模数作为损失函数.为了达到更快的收敛速度，学习使用12名志愿者共计756160个ECG周期信率设置为0.001，模型迭代的次数为402为研究号，并利用CNN-LSTM模型对数据进行训练和测数据集对血糖监测模型分类性能的影响，研究分试.计算得到的血糖水平10分类监测的精确率为别选取两名健康志愿者和两名糖尿病患者志愿者 88.4%,血糖监测模型的混淆矩阵和性能评估如进行个体建模、12名志愿者群体建模分别评估分表5、表6所示类性能 3.3结果分析及展望 3.2.1个体建模本文提出了将血糖水平分为10类，利用卷积分别以A1、A2、B1、B2作为数据集，经数据神经网络和长短期记忆网络相结合的CNN- 分类后输入CNN-LSTM血糖监测模型中，对神经 LSTM对人体血糖水平进行高精度监测.首先提网络进行训练和测试，其性能评估如表4所示.神取ECG信号并使用IR滤波器滤除噪声，然后利经网络对4名志愿者血糖监测的精确率分别为用Acg及Matlab软件分离出完整的ECG周期信 79%、80%、81%和86% 号，将ECG周期信号及CGM数据集作为输入，利用CNN-LSTM神经网络模型分别对个体模型和群表4A1、A2、B1和B2分别进行个体建模性能评估体模型进行训练和测试.研究表明，群体建模的血 Table 4 Individual modeling performance evaluations for Al,A2,B1 糖监测性能优于个体建模. and B2 相比基于回归算法或人工神经网络模型1刀， Volunteer Precision Recall F1-score 本文所提出的CNN-LSTM模型监测血糖可达 Al 0.79 0.79 0.79 10分类，精度更高.随着可穿戴技术的发展，实时 A2 0.80 0.80 0.80 的心电信号和血糖数据可便捷保存为数字信号， BI 0.81 0.79 0.79 存储在计算机中，为可穿戴的无创血糖系统研究 B2 0.86 0.86 0.86 提供了条件2-2]前人的研究大多基于人体生理

函数和学习率，最终选择 Adam 优化器及交叉熵函数作为损失函数. 为了达到更快的收敛速度，学习率设置为 0.001，模型迭代的次数为 40[24] . 为研究数据集对血糖监测模型分类性能的影响，研究分别选取两名健康志愿者和两名糖尿病患者志愿者进行个体建模、12 名志愿者群体建模分别评估分类性能. 3.2.1 个体建模分别以 A1、A2、B1、B2 作为数据集，经数据分类后输入 CNN‒LSTM 血糖监测模型中，对神经网络进行训练和测试，其性能评估如表 4 所示. 神经网络对 4 名志愿者血糖监测的精确率分别为 79%、80%、81% 和 86%. 表 4 A1、A2、B1 和 B2 分别进行个体建模性能评估 Table 4 Individual modeling performance evaluations for A1, A2, B1, and B2 Volunteer Precision Recall F1-score A1 0.79 0.79 0.79 A2 0.80 0.80 0.80 B1 0.81 0.79 0.79 B2 0.86 0.86 0.86 3.2.2 群体建模使用 12 名志愿者共计 756160 个 ECG 周期信号，并利用 CNN‒LSTM 模型对数据进行训练和测试. 计算得到的血糖水平 10 分类监测的精确率为 88.4%，血糖监测模型的混淆矩阵和性能评估如表 5、表 6 所示. 3.3 结果分析及展望本文提出了将血糖水平分为 10 类，利用卷积神经网络和长短期记忆网络相结合的 CNN ‒ LSTM 对人体血糖水平进行高精度监测. 首先提取 ECG 信号并使用 IIR 滤波器滤除噪声，然后利用 Acq 及 Matlab 软件分离出完整的 ECG 周期信号，将 ECG 周期信号及 CGM 数据集作为输入，利用 CNN-LSTM 神经网络模型分别对个体模型和群体模型进行训练和测试. 研究表明，群体建模的血糖监测性能优于个体建模. 相比基于回归算法或人工神经网络模型[15−17] ，本文所提出的 CNN ‒LSTM 模型监测血糖可达 10 分类，精度更高. 随着可穿戴技术的发展，实时的心电信号和血糖数据可便捷保存为数字信号，存储在计算机中，为可穿戴的无创血糖系统研究提供了条件[22−25] . 前人的研究大多基于人体生理表 3 CNN‒LSTM 模型参数设置 Table 3 Parameter setting of the CNN‒LSTM model Layers Type Neurons Filters Kernel-size Strides Padding Pool-size 1 Conv1d (1,1,700) 8 3 1 0 — 2 BatchNorm1d (8,1, 698) — — — — — 3 ReLU (8,1, 698) — — — — — 4 MaxPool1d (8,1, 698) — — — 0 2 5 Conv1d (8,1, 348) 16 5 1 0 — 6 BatchNorm1d (16,1, 344) — — — — — 7 ReLU (16,1, 344) — — — — — 8 MaxPool1d (16,1, 344) — — — 0 2 9 Conv1d (16,1, 172) 32 8 1 0 — 10 BatchNorm1d (32,1, 165) — — — — — 11 ReLU (32,1, 165) — — — — — 12 MaxPool1d (32,1,165) — — — 0 2 13 Conv1d (32,1, 83) 128 2 1 0 ‒ 14 BatchNorm1d (128,1, 82) — — — — — 15 ReLU (128,1, 82) — — — — — 16 LSTM (128,1, 82) 128 — — — — 17 Fully-connected (1,128) — — — — — 18 Fully-connected (1, 64) — — — — — 19 Output 10 — — — — — · 1220 · 工程科学学报，第 43 卷，第 9 期

李婷等：基于ECG信号的高精度血糖监测 1221· 表5群体建模下的血糖监测混淆矩阵 Table 5 Confusion matrix for blood glucose prediction under group modeling Labels Predict 0 Predict 1 Predict 2 Predict 3 Predict 4 Predict 5 Predict 6 Predict 7 Predict 8 Predict 9 1083 45 9 10 0 0 0 0 0 37 1021 35 29 0 0 0 0 0 0 2 9 35 1093 31 0 1 0 0 0 0 3 10 90 98 926 名 0 0 0 0 0 0 0 0 20 1119 47 12 1 2 0 0 65 945 77 40 0 0 0 0 3 1010 99 3 50 0 0 0 2 0 19 966 87 71 0 0 0 3 0 6 43 982 105 0 0 0 0 55 10 24 27 1051 表6血糖监测模型性能评估特征、外界环境特征或血糖数据监测血糖P心-2刘，本 Table 6 Performance evaluation of the proposed glucose prediction 研究使用课题组实验获得的ECG周期信号和 model CGM数据，为实现血糖水平的实时、精准监测提 Labels Precision Recall F1-score 供了一种有力的理论支撑与技术指导 0 0.95 0.94 0.95 本文对比了刘宇巍提出的基于PPG和ECG 0.86 0.91 0.88 信号融合的无创血糖检测方法6，发现基于ECG 0.88 0.93 0.91 周期信号的群体建模方法，其精确率更高，达到 3 0.91 0.80 0.85 88%,相比刘宇巍使用5次数据的6分类监测精确 0.91 0.93 0.92 率和分类精度都有所提升，表7对比了血糖监测 5 0.94 0.83 0.88 模型性能.实验证明本研究方法能实现基于ECG 6 0.88 0.85 0.86 信号精准监测血糖水平.在今后的血糖水平监测 > 0.87 0.84 0.86 研究中，将致力于规范实验流程：首先，增加志愿 8 0.87 0.86 0.87 者数量及正式实验时长以扩大数据集；其次，提高 9 0.80 0.94 0.86 实验设备精确性以减少ECG信号噪声表7血糖监测模型对比 Table 7 Comparison of glucose prediction models Related work Classification Using signals Modeling method Model Precision/% ELM 83.5 Literature 6 ECG+PPG Individual modeling CNN 81.2 Fractional order system 77.3 Individual modeling CNN-LSTM 81.5 This paper 10 ECG Group modeling CNN-LSTM 88.4 课题组还将进一步探索与血糖水平密切关联监测模型，相比于回归算法和其他人工神经网络的生理信号，今后的研究将考虑在数据中加人其模型，所提出的CNN-LSTM模型具有较为优越的他与人体血糖关联密切的生理数据继续优化模性能，血糖监测精确率明显提升型，提升模型普适性，以致力于对高精度无创血糖 (2)提出了将一个完整的ECG周期信号数据仪的研制提供新思路作为CNN-LSTM的输入特征，经过对比实验表 4结论明，与个体建模相比，群体建模的血糖监测性能更优，扩大数据集将会在一定程度上优化血糖监测 (1)提出了一种基于ECG的血糖水平10分类模型的性能

特征、外界环境特征或血糖数据监测血糖[20−21] ，本研究使用课题组实验获得的 ECG 周期信号和 CGM 数据，为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导. 本文对比了刘宇巍提出的基于 PPG 和 ECG 信号融合的无创血糖检测方法[16] ，发现基于 ECG 周期信号的群体建模方法，其精确率更高，达到 88%，相比刘宇巍使用 5 次数据的 6 分类监测精确率和分类精度都有所提升，表 7 对比了血糖监测模型性能. 实验证明本研究方法能实现基于 ECG 信号精准监测血糖水平. 在今后的血糖水平监测研究中，将致力于规范实验流程：首先，增加志愿者数量及正式实验时长以扩大数据集；其次，提高实验设备精确性以减少 ECG 信号噪声. 课题组还将进一步探索与血糖水平密切关联的生理信号，今后的研究将考虑在数据中加入其他与人体血糖关联密切的生理数据继续优化模型，提升模型普适性，以致力于对高精度无创血糖仪的研制提供新思路. 4 结论（1）提出了一种基于 ECG 的血糖水平 10 分类监测模型，相比于回归算法和其他人工神经网络模型，所提出的 CNN‒LSTM 模型具有较为优越的性能，血糖监测精确率明显提升. （2）提出了将一个完整的 ECG 周期信号数据作为 CNN‒LSTM 的输入特征，经过对比实验表明，与个体建模相比，群体建模的血糖监测性能更优，扩大数据集将会在一定程度上优化血糖监测模型的性能. 表 5 群体建模下的血糖监测混淆矩阵 Table 5 Confusion matrix for blood glucose prediction under group modeling Labels Predict 0 Predict 1 Predict 2 Predict 3 Predict 4 Predict 5 Predict 6 Predict 7 Predict 8 Predict 9 0 1083 45 9 10 0 0 0 0 0 0 1 37 1021 35 29 0 0 0 0 0 0 2 9 35 1093 31 0 1 0 0 0 0 3 10 90 98 926 34 0 0 0 0 0 4 0 0 0 20 1119 47 12 1 1 2 5 0 0 1 0 65 945 77 2 8 40 6 0 0 0 0 3 4 1010 99 24 50 7 0 0 0 0 2 0 19 966 87 71 8 0 0 0 0 2 0 6 43 982 105 9 0 0 0 0 5 10 24 3 27 1051 表 6 血糖监测模型性能评估 Table 6 Performance evaluation of the proposed glucose prediction model Labels Precision Recall F1-score 0 0.95 0.94 0.95 1 0.86 0.91 0.88 2 0.88 0.93 0.91 3 0.91 0.80 0.85 4 0.91 0.93 0.92 5 0.94 0.83 0.88 6 0.88 0.85 0.86 7 0.87 0.84 0.86 8 0.87 0.86 0.87 9 0.80 0.94 0.86 表 7 血糖监测模型对比 Table 7 Comparison of glucose prediction models Related work Classification Using signals Modeling method Model Precision/% Literature[16] 6 ECG+PPG Individual modeling ELM 83.5 CNN 81.2 Fractional order system 77.3 This paper 10 ECG Individual modeling CNN‒LSTM 81.5 Group modeling CNN‒LSTM 88.4 李婷等：基于 ECG 信号的高精度血糖监测 · 1221 ·

1222 工程科学学报，第43卷.第9期 (3)今后的研究可通过改进可穿戴式传感器 [10]Pfeifer M A,Cook D,Brodsky J,et al.Quantitative evaluation of 的设计，采集多种人体生理数据（如PPG、脑电信 cardiac parasympathetic activity in normal and diabetic man 号及血氧含量等)，实现多模生理信号的融合，这 Diabetes,1982,31(4pt1):339 对于今后无创血糖技术的发展及可穿戴的个性化 [11]Porumb M,Stranges S,Pescape A,et al.Precision medicine and 健康监测设备的研制有重大的意义 artificial intelligence:A pilot study on deep learning for hypoglycemic events detection based on ECG.Sci Rep,2020,10: 参考文献 170 [12]Jin X F,Liu C H.Xu T L,et al.Artificial intelligence biosen- [1]Wan X S.Review of the risk factors and intervention of type 2 diabetes.Chin J Soc Med,2006,23(4):251 sors:Challenges and prospects.Biosens Bioelectron,2020,165: 112412 (万晓珊.2型糖尿病的危险因素及干预综述.中国社会医学杂志，2006,23(4)：251) [13]Tobore I,Kandwal A,Li JZ,et al.Towards adequate prediction of [2] Zheng C Z,Ding D.Guiding opinions of Chinese diabetes surgery prediabetes using spatiotemporal ECG and EEG feature analysis experts (2010).Chin J Pract Surg,2011,31(1):54 and weight-based multi-model approach.Know/Based Syst,2020, 209:106464 (郑成竹，丁丹.中国糖尿病外科治疗专家指导意见(2010).中国实用外科杂志，2011.31(1)：54) [14]Kandhasamy J P,Balamurali S.Performance analysis of classifier [3]Hou Q T.Li Y.Li S Y,et al.The global burden of diabetes models to predict diabetes mellitus.Procedia Comput Sci,2015, mellitus.Chin./Diabetes,2016,24(1):92 47:45 (侯清涛，李芸，李舍予，等.全球糖尿病疾病负担现状.中国糖 [15]Tafa Z,Pervetica N,Karahoda B.An intelligent system for 尿病杂志，2016,24(1)：92) diabetes prediction//2015 4th Mediterranean Conference on [4] Zheng Z J.Application of Continuous Glucose Monitoring System Embedded Computing (MECO).Budva,2015:378 in Critical Illness:A Preliminary Study [Dissertation].Hangzhou: [16]Liu Y W.Research on Non-Imasive Blood Glucose Detection Zhejiang University,2016 Based on PPG and ECG Fusion Signal [Dissertation].Guangzhou: (郑忠骏.连续血糖监测系统在危重患者中应用的初步研究学 Guangdong University of Technology,2018 位论文].杭州：浙江大学，2016) (刘宇巍.基于PPG和ECG信号融合的无创血糖检测方法研究 [5]Wei Z,Zhang B X,Shi H B,et al.The development of [学位论文].广州：广东工业大学，2018) noninvasive detection technique of blood glucose.China Med [17]Feng P H.Research on Blood Glucose Estimation Based on Signal Equp,2020,17(12):196 Processing Technology [Dissertation].Guangzhou:Guangdong (韦哲，张秉玺，石恒兵，等.无创血糖检测技术的发展.中国医 University of Technology,2019 学装备，2020,17(12)：196) (冯培华，基于信号处理技术的无创血糖估计研究[学位论文] [6]Wang L P.Study on Approach of ECG Classification with Domain 广州：广东工业大学，2019) Knowledge [Dissertation].Shanghai:East China Normal [18]Tobore I,Li J,Yuhang L,et al.Deep learning intervention for University,2013 health care challenges:Some biomedical domain considerations. (王丽苹，融合领域知识的心电图分类方法研究学位论文].上 JMIR Mhealth Uhealth,2019,7(8):e11966 海：华东师范大学，2013) [19]Tobore I,Li J,Kandwal A,et al.Statistical and spectral analysis of [Liu C Y,Yang M C.Di J N,et al.Wearable ECG:History,key ECG signal towards achieving non-invasive blood glucose technologies and future challenges.ChinJ Biomed Eng.2019, monitoring.BMC Med Inform Decis Mak,2019,19(Suppl6):266 38(6):641 [20]Chen W,Xie X S,Wang JL,et al.A comparative study of logistic (刘澄玉，杨美程，邸佳楠，等.穿戴式心电：发展历程、核心技术 model tree,random forest,and classification and regression tree 与未来挑战.中国生物医学工程学报，2019,38(6)：641) models for spatial prediction of landslide susceptibility.CATENA, [8]Wang J H.What are the hazards of hyperglycemia and 2017,151:147 hypoglycemia.Prevent treat cardiovasc,2016(4):19 [21]Yang H B,Wu X W,Yuan R,et al.Establishment and verification (王建华.高血糖、低血糖各有哪些危害.心血管病防治知识， of the prediction model and nomogram for type 2 diabetes blood 2016(4):19) glucose control [J/OL].J Chengdu Med College (2020-7-22) [9]Acharya U R,Fujita H,Lih O S,et al.Automated detection of [2020-12-30].htp:/Mns.cnki.net/kcms/detail/51.1705.R.20200722 coronary artery disease using different durations of ECG segments 1640.004.html with convolutional neural network.Know/Based Syst,2017,132: (杨恒博，吴行伟，袁蓉，等.2型糖尿病血糖控制预测模型及列 62 线图的建立与验证卫/0L.成都医学院学报(2020-7-22)[2020-

（3）今后的研究可通过改进可穿戴式传感器的设计，采集多种人体生理数据（如 PPG、脑电信号及血氧含量等），实现多模生理信号的融合，这对于今后无创血糖技术的发展及可穿戴的个性化健康监测设备的研制有重大的意义. 参考文献 Wan X S. Review of the risk factors and intervention of type 2 diabetes. Chin J Soc Med, 2006, 23（4）: 251 （万晓珊. 2型糖尿病的危险因素及干预综述. 中国社会医学杂志, 2006, 23（4）：251） [1] Zheng C Z, Ding D. Guiding opinions of Chinese diabetes surgery experts (2010). Chin J Pract Surg, 2011, 31（1）: 54 （郑成竹, 丁丹. 中国糖尿病外科治疗专家指导意见(2010). 中国实用外科杂志, 2011, 31（1）：54） [2] Hou Q T, Li Y, Li S Y, et al. The global burden of diabetes mellitus. Chin J Diabetes, 2016, 24（1）: 92 （侯清涛, 李芸, 李舍予, 等. 全球糖尿病疾病负担现状. 中国糖尿病杂志, 2016, 24（1）：92） [3] Zheng Z J. Application of Continuous Glucose Monitoring System in Critical Illness: A Preliminary Study [Dissertation]. Hangzhou: Zhejiang University, 2016 （郑忠骏. 连续血糖监测系统在危重患者中应用的初步研究[学位论文]. 杭州: 浙江大学, 2016） [4] Wei Z, Zhang B X, Shi H B, et al. The development of noninvasive detection technique of blood glucose. China Med Equip, 2020, 17（12）: 196 （韦哲, 张秉玺, 石恒兵, 等. 无创血糖检测技术的发展. 中国医学装备, 2020, 17（12）：196） [5] Wang L P. Study on Approach of ECG Classification with Domain Knowledge [Dissertation]. Shanghai: East China Normal University, 2013 （王丽苹. 融合领域知识的心电图分类方法研究[学位论文]. 上海: 华东师范大学, 2013） [6] Liu C Y, Yang M C, Di J N, et al. Wearable ECG: History, key technologies and future challenges. Chin J Biomed Eng, 2019, 38（6）: 641 （刘澄玉, 杨美程, 邸佳楠, 等. 穿戴式心电: 发展历程、核心技术与未来挑战. 中国生物医学工程学报, 2019, 38（6）：641） [7] Wang J H. What are the hazards of hyperglycemia and hypoglycemia. Prevent treat cardiovasc, 2016（4）: 19 （王建华. 高血糖、低血糖各有哪些危害. 心血管病防治知识, 2016（4）：19） [8] Acharya U R, Fujita H, Lih O S, et al. Automated detection of coronary artery disease using different durations of ECG segments with convolutional neural network. Knowl Based Syst, 2017, 132: 62 [9] Pfeifer M A, Cook D, Brodsky J, et al. Quantitative evaluation of cardiac parasympathetic activity in normal and diabetic man. Diabetes, 1982, 31（4pt1）: 339 [10] Porumb M, Stranges S, Pescapè A, et al. Precision medicine and artificial intelligence: A pilot study on deep learning for hypoglycemic events detection based on ECG. Sci Rep, 2020, 10: 170 [11] Jin X F, Liu C H, Xu T L, et al. Artificial intelligence biosensors: Challenges and prospects. Biosens Bioelectron, 2020, 165: 112412 [12] Tobore I, Kandwal A, Li J Z, et al. Towards adequate prediction of prediabetes using spatiotemporal ECG and EEG feature analysis and weight-based multi-model approach. Knowl Based Syst, 2020, 209: 106464 [13] Kandhasamy J P, Balamurali S. Performance analysis of classifier models to predict diabetes mellitus. Procedia Comput Sci, 2015, 47: 45 [14] Tafa Z, Pervetica N, Karahoda B. An intelligent system for diabetes prediction//2015 4th Mediterranean Conference on Embedded Computing (MECO). Budva, 2015: 378 [15] Liu Y W. Research on Non-Invasive Blood Glucose Detection Based on PPG and ECG Fusion Signal [Dissertation]. Guangzhou: Guangdong University of Technology, 2018 （刘宇巍. 基于PPG和ECG信号融合的无创血糖检测方法研究 [学位论文]. 广州: 广东工业大学, 2018） [16] Feng P H. Research on Blood Glucose Estimation Based on Signal Processing Technology [Dissertation]. Guangzhou: Guangdong University of Technology, 2019 （冯培华. 基于信号处理技术的无创血糖估计研究[学位论文]. 广州: 广东工业大学, 2019） [17] Tobore I, Li J, Yuhang L, et al. Deep learning intervention for health care challenges: Some biomedical domain considerations. JMIR Mhealth Uhealth, 2019, 7（8）: e11966 [18] Tobore I, Li J, Kandwal A, et al. Statistical and spectral analysis of ECG signal towards achieving non-invasive blood glucose monitoring. BMC Med Inform Decis Mak, 2019, 19（Suppl6）: 266 [19] Chen W, Xie X S, Wang J L, et al. A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. CATENA, 2017, 151: 147 [20] Yang H B, Wu X W, Yuan R, et al. Establishment and verification of the prediction model and nomogram for type 2 diabetes blood glucose control [J/OL]. J Chengdu Med College (2020-7-22) [2020-12-30]. http://kns.cnki.net/kcms/detail/51.1705.R.20200722. 1640.004.html （杨恒博, 吴行伟, 袁蓉, 等. 2型糖尿病血糖控制预测模型及列线图的建立与验证[J/OL]. 成都医学院学报(2020-7-22) [2020- [21] · 1222 · 工程科学学报，第 43 卷，第 9 期

12-30]. http://kns.cnki.net/kcms/detail/51.1705.R.20200722.1640. 004.html） Teng J L, Rong Z J, Xu Y, et al. Blood glucose prediction method based on gru. Comput Appl Softw, 2020, 37（10）: 107 （滕建丽, 容芷君, 许莹, 等. 基于GRU网络的血糖预测方法研究. 计算机应用与软件, 2020, 37（10）：107） [22] Seyd A P T, Joseph P K, Jacob J. Automated diagnosis of diabetes using heart rate variability signals. J Med Syst, 2012, 36（3）: 1935 [23] Acharya U R, Fujita H, Oh S L, et al. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Inf Sci, 2017, 415-416: 190 [24] Ashiquzzaman A, Tushar A K, Islam M R, et al. Reduction of overfitting in diabetes prediction using deep learning neural network//IT Convergence and Security 2017. Singapore, 2017: 35 [25] [26] Swapna G, Acharya R U, Vinithasree S, et al. Automated detection of diabetes using higher order spectral features extracted from heart rate signals. Intell Data Anal, 2013, 17（2）: 309 Porumb M, Griffen C, Hattersley J, et al. Nocturnal low glucose detection in healthy elderly from one-lead ECG using convolutional denoising autoencoders. Biomed Signal Process Control, 2020, 62: 102054 [27] Yannakoulia M, Lykou A, Kastorini C M, et al. Socio-economic and lifestyle parameters associated with diet quality of children and adolescents using classification and regression tree analysis: The DIATROFI study. Public Health Nutr, 2016, 19（2）: 339 [28] Yuan C X, Jia D N, Zhou S H. Research and application of convolutional neural network in mining area prediction. Chin J Eng, 2020, 42（12）: 1597 （袁传新, 贾东宁, 周生辉. 卷积神经网络在矿区预测中的研究与应用. 工程科学学报, 2020, 42（12）：1597） [29] 李婷等：基于 ECG 信号的高精度血糖监测 · 1223 ·

点击进入文档下载页（PDF格式）

已到末页，全文结束

点击下载（PDF格式）

浏览记录