基于PSO优化CNN-BiGRU-Attention神经网络模型与光电容积描记术的无创血糖监测技术研究

本文提出了一种基于近红外光电容积描记术（PPG）的无创血糖监测技术，通过提取PPG信号的12个关键特征，并利用粒子群优化算法（PSO）对卷积神经网络（CNN）、双向门控循环单元（BiGRU）和注意力机制（Attention）组成的CBA模型进行参数优化，实现了血糖水平（BGL）的高精度预测。实验结果显示，模型在测试集上的平均绝对相对误差（MARD）为7.10%，克拉克误差网格分析（EGA）中A区占比达96.4%，为糖尿病患者日常血糖监测提供了有效解决方案。

　　

Highlight

本研究基于940 nm近红外光电容积描记术（PPG）开发了PSO-CBA（CNN-BiGRU-Attention）模型，通过提取12个与血糖水平（BGL）相关的特征，实现了无创血糖监测技术的突破性进展。

Theory of PPG

如图1所示，人体手指组织模型可分为无血液组织（骨骼、肌肉等）、静脉和动脉三部分，其中葡萄糖主要存在于动脉中。心脏的周期性搏动使动脉血容量呈脉动性变化，进而导致透射光强度发生脉动变化。透射光强度I可表示为：

I = I₀e^{?(ε_bc_bl_b + ε_oc_ol_o)}

其中ε_o、c_o和l_o分别代表...

Acquisition of PPG signals

PPG信号采集系统采用940 nm近红外光源和光接收器组成透射式PPG探头传感器（HKG-07B），放置于指尖末端区域。工作原理为近红外光源照射指尖后，部分光线被骨组织、肌肉和血液成分吸收，最终形成包含血糖信息的PPG信号。

Discussion and future work

尽管本研究在无创血糖监测精度上取得进展，但仍存在样本量不足（仅275例，年龄范围18-53岁）和未包含糖尿病患者等局限性。未来计划扩大样本量和年龄覆盖范围，并纳入糖尿病群体以提升模型普适性。

Conclusions

本研究开发的PSO-CBA模型在测试中表现出显著优势：平均绝对相对误差（MARD）7.10%、平均绝对误差（MAE）0.469 mmol/L、均方根误差（RMSE）0.578 mmol/L，克拉克误差网格（EGA）A区占比高达96.4%，为糖尿病患者的日常血糖管理提供了高精度无创监测方案。