《Engineering Applications of Artificial Intelligence》：A hybrid transfer learning based non-invasive blood glucose monitoring using photoplethysmography signals
编辑推荐：
非侵入式血糖监测基于PPG信号，提出混合转移学习框架，通过预训练于大规模PPG-BP数据集（30,660样本）提取血管动力学特征，再微调于小样本BGL数据集（67样本），将最大绝对误差降低71.8%（8.09→2.28 mg/dL），MAE降低35.7%（1.57→1.01 mg/dL），R2提升1.7%，且100%符合临床安全标准。
阿卜杜勒曼·Y·索利曼（Abdelrhman Y. Soliman）| 艾哈迈德·M·诺尔（Ahmed M. Nor）| 奥萨马·A·奥默（Osama A. Omer）| 艾哈迈德·S·穆巴拉克（Ahmed S. Mubarak）
埃及阿斯旺大学电气工程系，阿斯旺，81528
摘要
基于非侵入式光电容积脉搏血氧仪（PPG）的血糖水平（BGL）监测方法相比传统方法更便宜、更简便且无痛。然而，其发展受到可用数据集问题的严重阻碍，例如样本数量不足和数据多样性缺乏。此外，几乎所有标记的值都在正常范围内，这限制了异常血糖水平的识别。为了解决这些问题，我们提出了一种新的混合迁移学习（HTL）框架，该框架采用混合深度学习（DL）架构，仅处理原始PPG信号。该DL模型由两个并行的一维卷积神经网络（CNN）组成，用于提取空间特征，以及一个长短期记忆（LSTM）网络，用于捕捉时间依赖性特征。为克服数据稀缺问题，首先在包含30,660个样本的大规模PPG-血压（BP）数据集上对模型进行预训练，使其能够学习到稳健且具有泛化能力的血流动力学特征。随后，使用包含67个样本的目标PPG-BGL数据集对模型进行微调。所提出的基于CNN-LSTM的迁移学习模型将最大绝对误差从8.09毫克/分升（mg/dL）降低到2.28毫克/分升，平均绝对误差（MAE）从1.57毫克/分升降低到1.01毫克/分升。同时，决定系数（R2）提高了1.7%，并且所有预测结果都位于Clarke误差网格的A区内，表明精确的读数有助于准确的医疗治疗。此外，我们的研究验证了利用如PPG-BP这样的数据丰富的生理信号可以缓解非侵入式血糖监测中的数据稀缺问题。
引言
糖尿病是一种慢性疾病，全球有超过5.89亿成年人患有此病，需要频繁监测患者的血糖水平（BGL）（国际糖尿病联合会，2025年）。传统的侵入式血糖监测技术，如指尖采血，需要每天多次穿刺以获取样本。这种程序会引起不适和疼痛，并增加感染风险，特别是在长期糖尿病管理中。因此，侵入式方法往往导致患者难以遵守定期监测计划，从而影响血糖控制并增加糖尿病相关并发症的风险（国际糖尿病联合会，2025年）。
为了解决这些限制，使用光电容积脉搏血氧仪（PPG）进行非侵入式血糖监测已成为一种有前景的替代方案（Soliman等人，2024年；Zeynali等人，2025年；Wang等人，2025年）。基于PPG的技术利用光学传感器检测血流量的变化，从而无需皮肤穿透即可估算血糖。由于其简单性、成本效益以及能够集成到智能手表和健身追踪器等广泛可用的可穿戴设备中，这些系统提供了连续、远程和用户友好的监测能力，非常适合实时糖尿病管理（Soliman等人，2025年；Jiang等人，2025年；Chan等人，2024年）。然而，PPG信号并不直接测量血糖浓度。更具体地说，它与血糖水平的关联是通过一系列生理效应建立的。血糖的波动会调节自主神经系统（ANS）（Il Im等人，2023年）、血管张力（Loader等人，2015年；Hong等人，2025年）和血液流变学（Zhao等人，2024年；Umerenkov等人，2024年），这些因素共同改变了PPG波形中捕获的血流动力学特征。尽管这种生理关系是基于PPG的血糖传感的基础，但其复杂和非线性的本质使得开发临床准确的模型极具挑战性。
将PPG技术从研究应用到临床应用依赖于人工智能工具，面临两个主要且相互关联的挑战：首先，大规模、高质量和多样化公共数据集的严重稀缺（Soliman等人，2025年）。大多数可用数据集，如Mazandaran数据集（Kermani和Esmaeili，2023年）和VitalDB（Lee等人，2022年），对于从零开始训练强大的深度学习（DL）模型来说是不够的，因为它们缺乏足够的样本量、人口多样性或适当的血糖分布（即低血糖或严重高血糖状态），这对于实际应用中的泛化是必要的（Soliman等人，2025年）。同时，使用基于简单机器学习算法的模型也无法实现良好的监测性能，因为这些模型无法自动提取和学习数据集特征。其次，基于PPG的血糖监测架构优化仍然困难，端到端的DL模型虽然有潜力，但高度依赖数据，并且容易对小数据集过拟合。在我们之前的工作中，我们引入了混合CNN-门控循环单元（GRU）架构（Soliman等人，2024年）和混合CNN-双向长短期记忆（BiLSTM）架构（Soliman等人，2026年），这些架构在从零开始训练时取得了高性能，但其准确性仍受限于基本数据限制。
在本文中，我们直接通过提出一种新的跨领域迁移学习（TL）策略来解决上述两个障碍。我们假设可以利用血糖水平（BGL）和血压（BP）之间的生理耦合来克服数据稀缺问题。BGL和BP都受到ANS的共同调节，并受到诸如动脉硬度动态（Tian等人，2022年；Jia和Sowers，2021年）和血液流变学阻力（Mbah等人，2024年；Cho等人，2008年）等共享因素的影响。PPG波形能够敏感地检测这些血流动力学变化。因此，我们假设在大型PPG-BP数据集上预训练的模型所学习的特征表示本质上包含了进行BGL估算所需的生理信息。因此，我们在大型公共MIMIC-II PPG-BP数据集（Salah等人，2022a）上对DL模型进行预训练，然后再在小型Mazandaran PPG-BGL数据集（Kermani和Esmaeili，2023年）上进行微调。具体来说，这项工作摒弃了传统的“从零开始”的训练范式，引入了一种利用数据丰富的生理信号（PPG-BP）来补偿BGL数据稀缺的跨领域迁移学习策略。此外，我们独特的并行CNN-LSTM架构相比标准顺序模型提供了更细致的空间和时间血流动力学特征提取。
本文的主要贡献如下：
•一种新的跨领域迁移学习（TL）策略：我们提出并验证了一种解决非侵入式血糖估计中数据稀缺问题的TL方法。我们的方法通过在大型公共PPG-BP数据集（MIMIC-II）（Salah等人，2022a）上预训练DL模型，利用了BP和BGL之间的生理联系。
•通过TL提高计算效率：我们证明了所提出的TL方法能够显著优化模型性能。一个简化的预训练CNN-LSTM模型（353k参数）的表现优于更复杂的CNN-双向长短期记忆（BiLSTM）模型（565k参数），后者是从零开始训练的最佳模型。TL将架构复杂性降低了37.5%，同时提高了准确性。
•临床安全的准确性：基于TL的CNN-LSTM模型在非侵入式血糖估计方面达到了新的技术水平，平均绝对误差（MAE）为1.01毫克/分升，均方根误差（RMSE）为1.28毫克/分升。这比最佳的“从零开始”的基线方法（MAE 2.58毫克/分升）减少了60.8%的误差，并且关键的是，实现了100%的临床安全性（CEG A区），最大预测误差减少了72.4%。
本文的其余部分安排如下：第2节介绍了使用基于人工智能方法的先进PPG基血糖监测研究。第3节介绍了我们提出的TL模型方法，讨论了使用的数据集、信号处理技术和深度学习网络架构。然后展示了证明我们提出方法优越性的数值结果。最后，第5节总结了本文并介绍了可能的未来扩展方向。
相关工作
利用光电容积脉搏血氧仪（PPG）进行非侵入式血糖水平（BGL）监测的研究经历了三个主要范式的发展。第一个范式涉及传统机器学习（ML）算法，例如随机森林（RF）（Alghlayini等人，2025年；Reddy等人，2023年；Reddy等人，2023年；Monte-Moreno，2011年）、极端梯度提升（XGBoost）（Sen Gupta等人，2021年）、主成分回归（PCR）（Chowdhury等人，2019年）或支持向量回归（SVR）（
方法论
共同的编码基于这样一个生理事实：血糖水平（BGL）和血压（BP）都会影响相同的血管特性。更具体地说，血糖的变化已知会调节血管张力（血管的硬度或松弛度）（Loader等人，2015年；Hong等人，2025年）和血液粘度（Zhao等人，2024年；Umerenkov等人，2024年），如图1所示。这些因素又是动脉血压的主要决定因素
数值结果
我们评估了所提出的基于TL的模型的性能，并将其与仅使用目标Mazandaran数据集（Kermani和Esmaeili，2023年）的DL模型进行了比较，以验证所提出模型的优越性。首先，我们从不同的评估指标方面进行了比较，然后讨论了模型与实际血糖值（即真实值）的接近程度。之后，我们进一步讨论了
结论
本研究提出了一种非侵入式基于PPG的血糖监测系统，该系统利用迁移学习来捕捉血压的生理特征，从而简化了对小型、数据多样性不足且有限的血糖数据集的训练。所提出的混合TL-CNN-LSTM模型包括两个CNN用于捕捉空间特征，一个LSTM用于捕捉时间特征。这种迁移学习方法克服了数据稀缺问题，同时获得了有希望的性能结果。我们提出的最佳TL基模型
CRediT作者贡献声明
阿卜杜勒曼·Y·索利曼（Abdelrhman Y. Soliman）：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据整理。艾哈迈德·M·诺尔（Ahmed M. Nor）：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、调查。奥萨马·A·奥默（Osama A. Omer）：监督、资源管理、项目协调、方法论、资金获取、数据整理、概念化。艾哈迈德·S·穆巴拉克（Ahmed S. Mubarak）：验证、监督。
利益冲突声明
本项工作由埃及信息技术产业发展机构（ITIDA）和信息技术学术合作（ITAC）计划资助——资助编号（CFP# PRP2024.R36.5）。
