基于呼吸分析的便携式无创血糖仪：GlucoBreath
2024-08-10 10:52:32 来源：麦姆斯咨询 评论：0 点击：
研究团队提出一种基于呼吸分析和多传感器的低成本、便携式无创血糖仪，通过给定呼吸样本和输入身体基本体征信息，可以利用机器学习即时预测个体血糖水平是否升高。
糖尿病是一种慢性代谢性疾病，通常诊断发现得较晚，需要持续监测人体血糖水平。近年来，电子鼻（E-nose）和无创血糖监测技术的发展，为糖尿病检测提供了无痛、便捷且经济实惠的方法，取代了传统的指尖穿刺采血检测。与此同时，智能手机集成了各种与健康相关的系统和应用，也为血糖监测提供了更快速、便捷的解决方案。机器学习（ML）算法在提高基于智能手机的健康应用（包括糖尿病预测和监测）方面发挥着关键作用，机器学习算法使这些应用能够分析和解读传感器数据，从而实现更精准的疾病检测和个性化医疗保健。
据麦姆斯咨询报道，为了满足对无创血糖监测的迫切需求，印度理工学院曼迪校区（Indian Institute of Technology Mandi）等机构的研究团队提出一种基于呼吸分析和多传感器的低成本、便携式无创血糖仪——GlucoBreath。GlucoBreath通过给定呼吸样本和输入身体基本体征信息，可以利用机器学习即时预测个体血糖水平是否升高。凭借其低成本、非侵入性和便携性，GlucoBreath有望成为糖尿病早期筛查的有效预诊断工具。相关研究成果以“GlucoBreath: An IoT, ML, and Breath-Based Non-Invasive Glucose Meter”为题发表在IEEE Access期刊上。
这项研究提出的GlucoBreath主要由三部分组件构成：（a）便携式、紧凑、非侵入性的呼吸收集和分析设备，用于分析呼气中的挥发性有机化合物（VOC），即VOC分析仪；（b）基于机器学习的糖尿病检测系统；（c）基于物联网的用户界面（UI），用于输入身体基本体征信息，并显示机器学习预测的糖尿病报告。
图1 GlucoBreath用于血糖监测的方法图示
图2 VOC分析仪用于呼气样本采集与分析实验
图3 用于输入用户基本体征信息的界面
为了验证GlucoBreath的性能，研究团队利用从一家知名医院获取的492名糖尿病患者的数据，并采用13种监督式机器学习算法进行了验证实验。结果表明，GlucoBreath的开创性血糖检测方法显著优于现有方法，利用Logistic Regression-AdaBoost堆栈元模型机器学习算法实现了高达98.4%的平均准确率，较现有方法提高了43.3%。由于其便携性、非侵入性和快速响应特性，GlucoBreath有望成为一种极具价值的预诊断工具，帮助人们尽早发现糖尿病。此外，GlucoBreath对血糖水平的预测功能，还可以帮助提醒用户在血糖水平达到中度时控制糖份摄入量，或者在血糖水平达到高度时及时就医。
图4 基于各种机器学习模型的测试结果对比
目前，该研究团队正致力于进一步扩展这项工作，以更精准地预测个人血糖水平。研究人员表示，基于VOC气体分析的机器学习预测方法还可以用于肺癌、心脏病等疾病检测，未来将考虑分析与这些疾病相关的其它VOC气体，并不断优化设备的体积和便携性。此外，研究团队还计划通过开展消融研究，探究各种传感器在糖尿病预测中的贡献。未来，GlucoBreath有望作为一种有价值的预诊断或远程诊断工具，为医疗资源匮乏的农村地区和医疗服务不足的地方提供帮助。
论文信息：DOI: 10.1109/ACCESS.2024.3392015
延伸阅读：
上一篇：FaradaIC开发出全球最小的MEMS电化学气体传感器
下一篇：最后一页