近日，中国科学院深圳先进技术研究院生物医学与健康工程研究所研究员聂泽东团队在基于生理信息的无创血糖监测技术方面取得新进展。相关成果发表于《IEEE神经网络与学习系统汇刊》。

目前，血糖监测主要通过指尖采血或者基于电化学检测技术的植入式血糖监测设备实现，但这些方法存在疼痛及设备使用寿命短、成本高等缺点。因此，研发一种非侵入式、舒适便捷的无创监测技术具有重要的意义和临床价值。

相关研究表明，血糖浓度的变化会刺激人体自主神经系统，引起心电（ECG）、光电容积脉搏波（PPG）等生理信息的改变，而ECG、PPG可通过智能穿戴设备获取。

基于此，研究人员提出了一种基于ECG、PPG多模态融合的无创血糖监测技术，采用数值计算方法及深度学习算法获取上述生理信息的时空特征信息，并采用基于可变权重的Choquet积分算法，实现不同模态的决策融合。

他们利用该技术获取了21名志愿者共103天的数据，经过十折交叉验证发现，该多模态融合算法在血糖监测中的平均相对误差（MARD）值达到13.42%，一致性误差网格的A+B区大于99%。

“MARD值是评价持续葡萄糖监测（CGM）产品准确度的核心指标。目前国际上多数产品以MARD值小于15%作为CGM上市标准值，该值越小，表明血糖测量的准确度越高。”聂泽东介绍，“误差网格A+B区在测量点水平的比例大于99%，代表99%的数据具有临床准确性，该值越大，说明血糖测量的准确度越高。”

该成果为穿戴健康设备和家用健康设备实现无创血糖监测提供了重要的理论基础与技术支撑。

相关论文信息：https://doi.org/10.1109/TNNLS.2023.3279383

（原载于《中国科学报》 2023-07-19 第3版 领域）