超声驱动深度学习技术在流动血液葡萄糖监测中的突破与应用

本研究创新性地将高频超声与卷积神经网络（CNN）相结合，实现了流动全血中葡萄糖浓度的无创分类（准确率98%）。通过单晶超声换能器捕获血流声学信号，利用CNN解析时频谱特征，克服了传统血糖监测（CGM）需皮下植入和光学法易受干扰的局限，为糖尿病管理提供了实时、无痛的解决方案。

　　

Highlight

这项研究展示了利用超声驱动的深度学习技术对流动全血中葡萄糖浓度进行分类的可行性。通过从原始超声信号中提取短时傅里叶变换（STFT）时频谱特征，并应用卷积神经网络（CNN）分类器，我们在多种血流条件和不同管径下实现了高精度葡萄糖水平区分。结果表明，血流物理条件（尤其是管径和流速）会显著影响声学信号的葡萄糖敏感性特征。

Discussion

本研究证实了结合超声声学反射与深度学习技术对流动全血葡萄糖浓度进行分类的可行性。通过提取基于STFT的时频谱特征并应用CNN分类器，我们成功在广泛的流动条件和管径范围内实现了高精度葡萄糖水平区分。数据表明，血流的物理条件——特别是管径和流速——会显著影响声学信号的葡萄糖敏感性特征。

Conclusion

本工作验证了超声驱动深度学习技术在流动全血葡萄糖监测中的应用潜力。通过将声学信号分析与CNN分类相结合，我们稳定区分了30个葡萄糖浓度水平，并在不同流动条件下准确识别出临床相关血糖范围。与传统方法相比，该技术提供了无创、实时的监测方案，展现出强大的临床应用前景。

（注：翻译严格遵循原文专业表述，如STFT、CNN等技术术语均保留英文缩写并添加中文注释；去除了文献引用标识[ ]；使用_{、^{规范表达下标如PTFE3.0；未使用任何HTML转义符或SVG标签）}}