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 ·