基于深度学习的小型化五边形开槽微带贴片天线（MPSMA）用于非侵入性血糖检测研究

《International Journal of Microwave and Wireless Technologies》：Deep learning–enabled investigation on non-invasive glucose detection using miniaturized pentagonal slotted microstrip patch antenna (MPSMA)

　　

研究人员使用FR4基底在4.2 GHz设计了一种小型化五边形开槽微带贴片天线（MPSMA），用于非侵入性血糖传感应用。该MPSMA设计针对最大阻抗匹配、S₁₁、电压驻波比（VSWR）、效率、增益和方向性进行了优化。利用矢量网络分析仪在微波暗室内对仿真结果进行了实验验证。所提出的MPSMA实现了显著的?36.36 dB的回波损耗、1.0308的VSWR、75.4%的效率、1.5 dBi的增益和2.879 dBi的方向性，证实了其性能。研究人员将天线放置在不同浓度（10%–50%）的葡萄糖溶液附近进行了详细分析，结果表明天线的谐振频率和反射特性发生了显著偏移。采用主成分分析（PCA）来识别不同葡萄糖浓度之间的独特特征。通过使用CST Studio软件中模拟真实组织特性（Cole-Cole模型）的多层手指模型，验证了所提出的MPSMA的血糖传感能力。对多层手指模型以及烧杯溶液设置的详细分析突出了MPSMA在非侵入性血糖监测中的潜力。进一步，研究人员利用实验数据实施深度学习，从S₁₁数据预测血糖浓度。卷积神经网络（CNN）分类器在大多数类别中表现均衡。在大多数血糖浓度下，真实值与预测值接近，仅在4000 mg/dL附近出现轻微高估。所提出的解决方案成本低廉，并具有糖尿病治疗的潜力，确保了微带天线技术与下一代生物医学传感平台集成的可行性。

**论文解读文章**

**研究背景**
糖尿病是一种以持续性高血糖为特征的慢性代谢疾病，可导致心血管疾病、肾病和神经病变等严重并发症。目前全球有超过5.37亿人受其影响，预计到2045年将增至7.83亿，给健康和经济带来巨大负担。血糖水平（BGL）监测是糖尿病管理的关键环节，指导治疗干预和生活方式调整以预防并发症。传统的BGL监测方法，如指尖采血测试和连续血糖监测仪（CGM），属于侵入性操作，常引起不适，导致患者依从性降低。因此，非侵入性血糖监测（NIGM）技术受到越来越多的关注，其有望实现无痛、高频和实时评估。在众多NIGM方法中，电磁（EM）传感因其能够检测由葡萄糖变化引起的生物组织介电特性变化而成为一种有前景的技术。微带贴片天线因其轻量化设计、低成本、易于制造以及在医学相关频率范围（1–10 GHz）内高效工作的能力而具有优势。

**现有问题与研究动机**
尽管已有多种非侵入性方案被提出，但仍面临若干挑战，包括因解剖差异、水分含量和环境条件导致的信号变异性。这些因素需要集成校准算法和稳健的传感器设计以维持准确性。此外，可穿戴EM传感器设计还需满足特定吸收率（SAR）法规，以确保人体暴露于射频（RF）能量的安全性。解决这些设计和监管问题对于NIGM设备的商业可行性和长期可靠性至关重要。近期研究在微波生物传感器用于血糖监测和生物医学诊断方面取得了显著进展，例如Patel等人提出了基于超材料的微波传感器用于非侵入性CGM，Sattari和Hayati将微波传感与卷积神经网络（CNN）结合以检测空腹血糖水平。这些发展凸显了智能微波生物传感系统在医疗应用中的重要性。本研究旨在开发一种小型化五边形开槽微带贴片天线（MPSMA），并探索其结合深度学习方法用于非侵入性血糖检测的可行性，以克服现有技术中的灵敏度、成本和集成度问题。

**研究内容与结论**
研究人员设计了一种基于FR4基底、工作于4.2 GHz的小型化五边形开槽微带贴片天线（MPSMA）。通过CST Studio软件进行迭代仿真优化，并制作实物在微波暗室中使用矢量网络分析仪（VNA）进行测试。仿真与实测结果吻合良好，表明天线具有优异的回波损耗（?36.36 dB）、低VSWR（1.03）、高增益（1.5 dBi）和效率（75.4%）。为了评估血糖检测能力，研究人员构建了多层手指模型（包含皮肤、脂肪、血液和骨骼层，采用Cole-Cole模型模拟血液介电特性），并放置不同血糖浓度（0–16,000 mg/dL）的血液模型进行仿真。结果显示，随着血糖浓度变化，天线的谐振频率和S₁₁发生明显偏移。通过主成分分析（PCA）成功区分了不同浓度。此外，在烧杯溶液实验中（葡萄糖浓度10%–50%），仿真和实测均观察到S₁₁随浓度变化，误差在多数浓度下低于7%。进一步，研究人员利用一维卷积神经网络（CNN）对S₁₁频谱数据进行分类，模型在测试集上表现出均衡性能，混淆矩阵显示多数类别准确率较高，仅在4000 mg/dL附近有轻微高估。该研究证明了MPSMA结合深度学习在非侵入性血糖监测中的潜力，且成本低廉，易于集成到下一代生物医学传感平台。论文发表在《International Journal of Microwave and Wireless Technologies》。

**关键技术方法**
研究人员采用的主要关键技术方法包括：①天线设计与优化：使用CST Studio软件进行全波电磁仿真，通过六次迭代修改圆形贴片直径、五边形槽尺寸和接地长度（G_L），优化阻抗匹配和回波损耗；②多层手指模型构建：基于Cole-Cole模型建立包含皮肤、脂肪、血液和骨层的四层手指模型，模拟不同血糖浓度下血液的复介电常数变化；③主成分分析（PCA）：对S₁₁频谱数据进行降维，识别不同葡萄糖浓度下的特征差异；④一维卷积神经网络（CNN）分类：将S₁₁向量作为输入，经归一化、标签编码、数据增强（插值、频率微移、添加噪声）后，训练CNN模型（包含两个Conv1D+MaxPooling+Dropout层，后接Flatten和Dense层）进行血糖浓度分类。

**研究结果**
*Design and methodology*：通过六次迭代优化，最终MPSMA采用FR4基底（ε_r=4.3，厚度1.6 mm），贴片直径10 mm，接地长度4 mm，在4.2 GHz处达到?36.36 dB的S₁₁和1.03的VSWR。等效电路模型（R=49 Ω，C=0.7 pF，L=2.1 nH）与全波仿真结果吻合。
*MPSMA simulated and tested results*：实测S₁₁为?33.19 dB，谐振频率偏移至4.91 GHz（偏差16.9%），VSWR为1.1（偏差6.8%），但仍在可接受范围内，增益提高至2.251 dBi，效率为72.12%。
*Glucose detection using multilayer finger model*：将手指模型置于天线前，S₁₁发生显著频移和幅度变化。不同血糖浓度（0–16,000 mg/dL）下，谐振频率从2.87 GHz微弱偏移至2.91 GHz，S₁₁稳定在?17.5 dB左右。PCA降维显示不同浓度在二维主成分空间可区分。
*Analysis of MPSMA against the finger model in various locations*：手指在不同横向位置（?1至+1比例）移动时，S₁₁和频率响应保持稳定，表明天线对位置变化不敏感，适用于实际传感场景。
*Analysis of MPSMA against glucose solution*：烧杯溶液仿真中，葡萄糖浓度从0%增至50%时，谐振频率从3.02 GHz下降至2.96 GHz，S₁₁深度变化（?62.74 dB至?44.55 dB）。实测实验中，S₁₁随浓度变化趋势与仿真一致，除10%浓度误差较大（45.23%）外，其他浓度误差均低于7%，50%浓度误差为零。
*Machine learning–based predictive analysis*：CNN模型在100个epoch训练后，准确率曲线和损失曲线收敛。混淆矩阵显示对角线元素高亮，多数类别正确分类；ROC曲线AUC接近1；类分布图显示真实值与预测值基本一致，仅在4000 mg/dL类别有轻微高估。

**讨论与结论**
讨论部分指出，该MPSMA天线在仿真和实测中均表现出良好的阻抗匹配和辐射性能，能够响应血糖浓度变化引起的介电特性变化。多层手指模型和烧杯实验验证了传感器在非侵入性血糖检测中的可行性。深度学习分类器进一步提升了预测准确性，但需要针对频率响应进行更精确的建模，以确保传感器在实际场景中的稳健部署。论文结论总结如下：本研究提出了一种基于MPSMA的血糖检测机制，通过将天线置于人体手指上可测量血糖浓度。工作频率为4.2 GHz，S₁₁为?36.36 dB。仿真和实测参数评估了MPSMA的选择标准。对多层手指模型和烧杯设置进行了仿真和实时实验，测试了10%至50%的葡萄糖浓度。仿真和测量结果均表明S₁₁随不同葡萄糖浓度波动。除10%浓度误差达45.23%外，其余浓度S₁₁误差低于7%，50%浓度误差为零。CNN分类器在大多数类别上表现均衡，真实值与预测值接近，仅在4000 mg/dL处有轻微高估。未来需要进一步改进以准确建模频率响应，确保传感器在实际场景中的稳健设计和部署。