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