基于多光谱PPG传感框架的非侵入性血糖预测：多特征融合与微环境补偿研究

《Bioengineering》：Multispectral PPG Sensing Framework for Noninvasive Glucose Prediction via Multi-Feature Fusion and Micro-Environmental Compensation

　　

摘要专业翻译 利用近红外光谱进行非侵入性血糖预测仍面临血糖特异性吸收弱、组织变异性大以及环境干扰等挑战。本研究提出了一种基于多光谱光电容积脉搏波（PPG）的框架，该框架整合了多特征融合、局部温度与湿度补偿以及机器学习回归。该系统采用四个近红外波长（940、1300、1550和1650 nm），同时测量指夹内手指接触部位的温度（T）和局部相对湿度（H）。研究人员构建了一个包含光学比值、脉搏波形态、频域描述符、参与者特征和环境参数的39维特征集。在六种优化回归模型中，极端梯度提升（XGBoost）在组隔离十折交叉验证中取得了最佳性能，R2 = 0.9135，均方根误差（RMSE）= 0.2991，平均绝对相对差异（MARD）= 2.71%。Clarke误差网格分析（CEGA）显示，97%的预测落在A区，100%落在A区和B区。特征消融实验表明，局部温度和湿度测量提高了预测精度，其中湿度带来的提升大于温度。SHapley加性解释（SHAP）分析量化了光学、环境和参与者层面特征的贡献。一项独立的会话保留评估获得了R2 = 0.7261和MARD = 6.07%。这些发现凸显了所提出框架在非侵入性血糖预测方面的潜力。然而，样本量小且以健康人群为主的队列以及有限的血糖范围限制了其泛化性，需要在更大、更多样化的人群中进行验证，以确定其在未见参与者中的表现并评估临床适用性。

论文解读文章

一、研究背景与问题提出

糖尿病（DM）作为全球非传染性疾病负担的主要贡献者，与氧化应激、晚期糖基化终产物（AGEs）积累和慢性炎症密切相关，这些机制是导致视网膜病变、肾病和心血管疾病等并发症的关键因素。据国际糖尿病联盟（IDF）统计，全球成年糖尿病患者已超过5.89亿，预计到2050年将达8.53亿，凸显了该疾病的巨大全球负担。然而，传统有创血糖检测带来的疼痛和不便限制了频繁监测的依从性，使得无创、灵敏、低功耗的监测系统成为生物医学工程的重要研究方向。

目前，无创血糖监测的可行方法包括微针间质液（ISF）提取、微波和射频（RF）介电传感、太赫兹光谱以及多种光学检测方法，如近红外（NIR，700–2500 nm）、中红外（MIR）、拉曼和光声光谱（PAS）等。其中，NIR光谱因葡萄糖分子振动相关的泛频和合频吸收带（包括C–H和O–H键）而受到广泛关注。然而，体内光谱测量受到组织散射、生理变异和运动伪迹的强烈影响。光电容积脉搏波（PPG）通过监测微血管血容量波动提供补充途径，已被广泛用于血氧饱和度、心率、呼吸频率和血压等生理参数的监测，近期研究也开始探索其在无创血糖估计中的应用潜力。

现有基于多光谱PPG与机器学习和深度学习技术结合的方案面临两个重要挑战。第一，采用有限波长组合的研究（如660/940 nm、940/1300 nm或530/1550 nm）可能无法提供足够的谱信息来区分微弱的血糖相关光学信号与水和组织特性变化引起的干扰。第二，虽然先进的学习架构如多模态长短期记忆网络（LSTM）、交叉融合Transformer和深度神经网络可以改善特征表示和预测性能，但其有限的可解释性可能使识别具有生理意义的预测因子变得复杂。此外，温度、湿度和个体生理特征的变异会影响传感器–皮肤界面的光学测量，凸显了在模型开发中考虑这些因素的必要性。

二、研究内容与主要结论

为解决上述测量和建模挑战，研究人员开发了一种基于四波长近红外PPG系统的无创血糖预测框架，工作波长为940、1300、1550和1650 nm。该框架整合了多光谱信号采集、信号预处理和多特征提取、机器学习回归与评估三个模块。从PPG信号提取的特征与参与者特征、手指–传感器接触部位测量的温度以及指夹内相邻空气的相对湿度相结合。研究比较了六种回归模型以评估预测性能，并进行了单独的特征消融分析以评估温度和湿度对PPG预测的贡献。对全特征模型应用SHAP分析以检验光学、环境和参与者层面变量对预测的贡献。最后，进行了会话保留测试以评估在保留采集会话上的预测性能。

研究结果表明，优化的XGBoost模型在组隔离十折交叉验证中取得了最佳性能（R² = 0.9135，RMSE = 0.2991，MARD = 2.71%），Clarke误差网格分析显示97%的预测落在A区，100%落在A区和B区。温度和湿度消融分析表明，加入局部环境测量改善了预测性能，其中湿度带来的改善大于温度。SHAP分析量化了光学、环境和参与者层面特征的贡献。会话保留评估获得R² = 0.7261和MARD = 6.07%，表明模型在保留的采集会话上保持了预测能力。这些发现支持将多光谱PPG传感与生理和局部环境信息相结合用于无创血糖预测的潜力。

三、关键技术与方法概述

研究人员构建了定制光电硬件与嵌入式数据采集系统相结合的多光谱PPG传感平台。采集模块包含四个弹簧加载的人体工程学指夹，内衬医用级硅胶。照明单元由四个中心波长为940、1300、1550和1650 nm的近红外LED组成，由多通道恒流电路驱动。使用宽带InGaAs光电二极管（LSIPD-L1，北京莱森光电子科技有限公司，800–1700 nm）以1 kHz进行同步光学检测。AHT30数字温湿度传感器（奥松电子，广州）嵌入1300 nm指夹内，与手指表面直接接触，以1 Hz测量接触部位局部温度和相邻微环境的相对湿度。信号调理通过低噪声跨阻放大器（TIA）和有源模拟低通滤波器实现。32位微控制器（STM32H743，意法半导体，ARM Cortex-M7）作为核心处理器，利用16位ADC配合直接内存访问（DMA）流水线实现四通道PPG波形和环境参数的零延迟同步采样。研究招募了10名志愿者（9名健康受试者和1名糖尿病前期个体），Fitzpatrick皮肤光型II–IV。所有参与者均充分了解研究程序并签署书面知情同意书。伦理批准由重庆医科大学伦理委员会授予（批准号2026-138）。每个受试者在七种代谢条件下进行评估：空腹、早餐/午餐/晚餐后1小时和2小时。参考血糖值在每次PPG采集后立即使用FDA批准的血糖仪（Accu-Chek Performa，罗氏诊断）测量。共收集682个有效样本。信号处理流程包括去趋势、滤波、异常值去除、特征计算和统计聚合。去趋势采用对称滑动窗口多项式建模方法，在6秒窗口内拟合六阶多项式，步长为3秒，相邻窗口重叠50%。随后应用截止频率为4.5 Hz的三阶巴特沃斯低通滤波器进行零相位滤波。信号质量控制采用基于中位数绝对偏差（MAD）的自适应阈值基线变异异常度量，并施加跨波长一致性约束。最终选择连续30秒高质量、时间对齐的片段进行特征提取和建模。研究提取了36个跨时间、频率和形态域的统计特征，结合参与者特征和环境参数构成39维特征向量。六种机器学习模型包括广义回归神经网络（GRNN）、支持向量回归（SVR）、随机森林（RF）、LightGBM、XGBoost和反向传播神经网络（BP）。使用Optuna框架结合Tree-structured Parzen Estimator（TPE）采样策略进行自动超参数优化，优化目标为最小化十折交叉验证的平均均方根误差。

四、研究结果

模型性能与临床准确性。 六种优化机器学习回归模型在组隔离十折交叉验证下的基准测试表明，梯度提升模型XGBoost和LightGBM表现最佳。XGBoost实现了最高的决定系数（R² = 0.9135）和最低的均方根误差（RMSE = 0.2991）、平均绝对误差（MAE = 0.1740）、均方误差（MSE = 0.0900）和平均绝对相对偏差（MARD = 2.71%）。LightGBM表现相当（R² = 0.9122，MARD = 2.96%），而GRNN（R² = 0.8695，MARD = 3.85%）和SVR（R² = 0.8710，MARD = 3.71%）预测性能较低。Clarke误差网格分析（CEGA）显示XGBoost模型99.45%的预测值落在A区（临床准确），100%落在临床可接受的A区和B区组合内。

温度和湿度消融分析。 使用XGBoost对四种输入配置进行特征消融分析：仅PPG、PPG + T、PPG + H和PPG + T + H。仅PPG配置的R²为0.8469，MARD为3.66%。加入T后R²升至0.8638，MARD降至3.37%；加入H后R²升至0.9062，MARD降至2.75%。与仅PPG相比，T使MARD降低0.29个百分点，H使MARD降低0.91个百分点。组合PPG + T + H配置实现了最佳性能（R² = 0.9108，RMSE = 0.2999，MARD = 2.73%）。结果表明，在所评估的配置中，H带来更大的增量改善，而在已包含H后加入T的额外增益很小。

SHAP特征重要性分析。 在SHAP全局特征重要性分析中，身体质量指数（BMI）排名第一，占总特征重要性的20.7%。在光学特征中，1650 nm通道的信号峰度（K4）以9.1%的重要性排名第二。1550 nm通道与1300 nm参考通道的振幅比（R3,2）、1650 nm通道与1300 nm参考通道的振幅比（R4,2）以及940 nm通道与1300 nm参考通道的振幅比（R1,2）分别贡献了5.5%、4.7%和4.0%。脉搏波时间和形态特征也贡献于模型预测。接触部位温度（T）和指夹内相邻空气的相对湿度（H）分别占归一化全局SHAP重要性的3.1%和4.7%。SHAP蜂群分布显示，较高的BMI值对模型输出产生系统性正向影响，而K4等特征表现出明显的双向SHAP值分布，反映了多因素非线性光学相互作用。

跨会话模型稳定性。 会话保留测试在40个保留样本上评估模型，获得R² = 0.7261，RMSE = 0.538，MARD = 6.07%。残差分布直方图显示预测误差近似以零为中心且呈相对对称分布，表明测试集无显著整体系统偏差。残差在较低血糖浓度处相对集中，而在较高浓度处变异性较大。预测值与参考血糖值随样本指数的比较显示，模型总体上跟随观察到的血糖变化，支持其在所研究参与者的保留采集会话上维持预测性能的能力。

五、讨论与结论

讨论部分指出，优化XGBoost架构的优越性能源于跨940、1300、1550和1650 nm波段的多光谱特征融合框架。葡萄糖诱导的皮肤组织光学衰减本质上是微弱的，且被背景水和血红蛋白吸收严重掩盖。结合合频带和泛频带波长使XGBoost中的非线性决策树能够捕捉复杂的跨光谱相互作用。从临床角度看，97%的预测落在CEGA A区，所有预测落在A区和B区组合内，提供了所评估数据集内临床可接受预测误差的初步证据，但应在小样本量和有限血糖范围的背景下解释。

温度和湿度的不同贡献可能反映了这些测量所捕捉的变化类型。接触部位温度可能与外周血流和由此产生的脉搏波形相关，由于模型已接收描述脉搏幅度、形状和时序的多光谱PPG特征，部分温度相关变异可能已包含在光学测量中。相比之下，湿度在指夹内紧邻手指的空气中测量，该封闭空间的变化可能反映采集期间局部水分条件的变化，影响光学测量界面，包括手指与传感器之间光传输的一致性，其效应可能未被提取的PPG特征完全描述，因此H提供了比T更多的补充信息。

SHAP分析表明BMI具有最大的个体归因，可能捕捉与影响有效光路的组织特征相关的参与者层面差异，但BMI不直接测量光路长度，其归因也可能反映参与者之间的其他差异。单独的仅PPG分析（R² = 0.8469，MARD = 3.66%）表明多光谱PPG特征在所评估数据集中独立于BMI包含预测信息。跨会话评估表明模型在保留的采集会话上保留了预测能力，但未建立对未见参与者的泛化性或常规监测条件下长期稳定性的证据。

研究结论指出，该研究开发了整合四波长PPG传感（940、1300、1550和1650 nm）、多特征融合以及局部温度和湿度测量的无创血糖预测框架。使用完整39维特征集，优化XGBoost模型在组隔离十折交叉验证中获得R² = 0.9135，RMSE = 0.2991，MARD = 2.71%。CEGA显示97%的预测落在A区，100%落在A区和B区。单独的会话保留评估获得R² = 0.7261和MARD = 6.07%，证明了在所研究队列内保留采集会话上的预测性能。温度和湿度特征消融表明，加入局部环境测量改善了预测性能，湿度带来的改善大于温度。SHAP分析进一步表征了光学、环境和参与者层面特征对模型预测的贡献。然而，样本量小且以健康人群为主的队列以及有限的血糖范围限制了研究结果的泛化性。未来研究应涉及更大、更多样化的队列，纳入更广泛的血糖分布，并结合受试者独立验证和前瞻性纵向测量以评估模型泛化性和时间稳定性。