В 2015 году была опубликована работа Design of Low Cost Blood Glucose Sensing System using Diffused Reflectance near- infrared Spectroscopy (Разработка системы оценки уровня глюкозы в крови с низкой стоимостью с использованием диффузионной рефлекторной инфракрасной спектроскопии )
Jyoti Yadav, Asha Rani, Vijander Singh, Bhaskar Mohan Murari
Journal Production Department, IOS Press, Nieuwe Hemweg 6b, 1013 BG, Amsterdam, The Netherlands Instrumentation and Control Engineering Division, NSIT, Dwarka, New Delhi, India 2Division of Biomedical Engineering, VIT University, Vellore, Tamil Nadu, India.
Так как я практически повторил с некоторыми изменениями эти исследования , то привожу вольный перевод данной статьи.
Интенсивность света, рассеянного от ткани, изменяется с изменением концентрации глюкозы в крови. Когда концентрация глюкозы в крови увеличивается, концентрация глюкозы в ECF увеличивается, а концентрация клеток ткани остается постоянной, то показатель преломления ECF (nECF) приближается к показателю преломления клеток ткани, что приводит к уменьшению интенсивности рассеяния. Кроме того, уменьшение интенсивности рассеяния приводит к уменьшению длины оптического пути для измерений передачи, в то время как это приводит к увеличению длины пути для измерения отражения.
Различные полосы в области NIR представляют собой комбинацию обертонной полосы (2000-2500 нм), первую обертоновую полосу (1400-2050 нм) и вторую полосу поглощения обертонов (750-1550 нм). Обертон и основные длины волн различных полос приведены в таблице 1.
Ряд исследователей отметили, что комбинации и первые области обертонов дают информацию о поглощении, тогда как более короткие длины волн в основном дают информацию о рассеянии / отражении.
Чтобы повысить точность измерения глюкозы, выбранный светодиод NIR должен иметь высокое среднее поглощение. Спектры поглощения глюкозы между 900 и 980 нм были изучены, как показано на рис.
Таблица 1 показывает, что молекула глюкозы проявляет пиковое поглощение при 939 нм, что очень близко к 940 нм. Кроме того, этот диапазон длин волн выбирается так, чтобы использовать преимущество «терапевтического окна», где поглощение ткани низкое, а проникновение света велико. Хотя излучение NIR в этом диапазоне имеет более низкое поглощение глюкозы, но из-за меньшего ослабления оптического сигнала другими компонентами может потребоваться глубина проникновения.
Целью настоящей работы также является использование сравнительно недорогих и легко доступных частей / компонентов, чтобы предложить недорогое решение для инвазивного тестирования уровня глюкозы в крови. Такие ограничения привели к использованию светодиода вместо более мощного LASER, используемого в спектрометре. Тем не менее, светодиод имеет меньший размер, меньшую стоимость, меньшую потребляемую мощность, а также не повреждает ткань. Таким образом, система NIGM на основе светодиодов будет экономичным вариантом для систем на основе LASER и рассмотрена в настоящей работе. Используется оптический светодиод с оптической мощностью (45 мВт) и спектральная ширина полосы (50 нм). Как
Светодиоды являются очень чувствительной оптической составляющей, поэтому производительность и длина волны могут значительно измениться из-за изменений изготовления и тока и т. Д. Поэтому спектр проверяется путем изменения прямого тока светодиода. При токе 100 мА считается, что относительная мощность излучения и детектор максимальна, а также проверена листом данных светодиода, предоставленным производителем. Для подачи постоянного тока на светодиод, независимо от изменений напряжения питания, также сконструирована схема постоянного тока BC548 (транзистор) и VN2222 (MOSFET).
Фотодетекторы (OPT101) инструментов Техаса используются для обнаружения ослабленного света. Фотодиод имеет высокую чувствительность в диапазоне 300-1100 нм. Это монолитный фотодиод, встроенный в схемы предусилителя, доступные в 8-контактном DIP корпусе. Интеграция фотодиода и усилителя на одном чипе устраняет ошибки, связанные с утечкой тока, шумоподавлением и паразитной емкостью. Стоимость светодиодов, а также детектор в этом диапазоне длины волны (второй обертон) относительно меньше по сравнению с первой и комбинацией обертонных областей. Стоимость приблизительно в 20 раз меньше в случае светодиода и в 5 раз меньше в случае детектора для второй обертоновой области, рассмотренной в этой работе. Кроме того, микроконтроллер ESP8266 (мое изменение ) используется для управления временем переключения светодиодов и фотодиодов. Это позволяет легко модифицировать и улучшать дизайн. Выбор этих компонентов в прототипе приводит к экономичному дизайну сенсорной системы. LM 324 IC рассматривается для дизайна фильтра. Он состоит из четырех высокопроизводительных частотно-компенсированных операционных усилителей, которые могут работать на одном источнике питания. Чтобы оценить целесообразность предлагаемого метода измерения уровня глюкозы в крови, сначала разработан прототип in-vitro.
Испытательная установка in-vitro предназначена для изучения ослабления света NIR путем изменения концентрации глюкозы. Прототип разработан с помощью светодиода, а ряд фотодиодов показан на рис. 2. Пробирка (для хранения растворов глюкозы) имеет типичный показатель преломления (1,42). Подготовка образца выглядит следующим образом:
Раствор Рингера, который представляет собой смесь химических солей в кольцевом растворе, получают с использованием стандартного протокола. Этот специальный солевой раствор считается синтетической плазмой крови и является изотоническим по отношению к физиологическому pH 7,4. Он состоит из 0,72 г NaCl, 0,017 г CaCl2 и 0,037 г KCl в 100 мл дистиллированной воды. Различные концентрации глюкозы получают путем добавления концентрации глюкозы в концентрации 40 мг / дл каждый раз.
Контрольная трубка, светодиодная и детекторная решетка закреплены на основании, чтобы свести к минимуму перемещение установки. Мы заметили, что небольшое изменение положения системы приводит к ошибочным результатам. Среднее количество выходов, полученных от фотодиодов D2 и D3, дает информацию о передаче, поскольку они размещены на противоположных концах централизованного светодиода, тогда как среднее значение выходов из фотодиодов D1 и D4 дает информацию о рассеянии, которая измеряет рассеянный свет из-за присутствия Глюкозы .
Алгоритм регрессии используется для построения оптимальной модели между концентрацией глюкозы и выходом детектора для экспериментов in vitro.
Светодиод находится в центре, а четыре фотодиода находятся на расстоянии 4 мм. Патч-датчик используется для наблюдения спектров рассеянного отражения над предплечьями. Во-первых, сигнал напряжения детектора усиливается и фильтруется, а затем полученный сигнал сохраняется для дальнейшей обработки. Более поздняя панель инструментов обработки сигналов Matlab используется для анализа сигналов.
Во время экспериментов испытуемым предлагается сидеть в расслабленном положении, и движение во время оптического измерения запрещено. Было отмечено, что небольшое изменение положения патча вызывает изменение показаний. Таким образом, положение выборки патча отмечено на предплечье и, таким образом, делает его строго фиксированным для последующих измерений.
Расположение светодиодов и фотодиодов с ожидаемым путем света показано на рис.
—————————————————————————————
Патч датчика используется для контроля спектров рассеянного отражения над предплечье. Он расположен рядом с «плечевой артерией» для измерения глюкозы, покрытой черным покрытием, чтобы минимизировать влияние рассеянного света. Лента на липучке используется для крепления патча датчика вокруг предплечья. Как только патч помещается на кожу, диффузные спектры первоначально показывают колебания, которые стабилизируются через 30 секунд. Это время требуется для стабилизации выходного сигнала детектора, тогда как время, проведенное калибровочной моделью для прогнозирования уровня глюкозы, пренебрежимо мало.
Кожа человека имеет 3 слоя: эпидермис, дерму и подкожную. Отраженный сигнал, полученный из дермы, содержит большую информацию о глюкозе по сравнению с эпидермисом и подкожным . Когда светодиод освещает предплечье, фотоны из источника распространяются диффузно в ткани, а траектория обнаруженных фотонов показывает область банановой формы с максимальной глубиной d / 2 от поверхности кожи, где d — расстояние между источником света и оптическим детектором .
Maruo et al. предположил, что средняя оптимальная длина пути для измерения уровня глюкозы в предплечье должна составлять от 1,3 до 2 мм. Чтобы выбрать оптимальную длину пути, чувствительность концентрации глюкозы анализируется для разных источников до расстояний между детектором. В настоящей работе светодиодные индикаторы на расстоянии до 4 мм, 3 мм и 2 мм тестируются, чтобы найти оптимальное расстояние. Максимальное изменение наблюдается с расстоянием 4 мм. Поэтому для достижения оптимальной длины пути между светодиодами и фотодиодом рассматривается расстояние 4 мм. В то время как на расстоянии 2 мм наблюдаются незначительные изменения.
После необходимого усиления для фильтрации высокочастотных компонентов используется фильтр нижних частот с частотой среза 10 Гц. Высокочастотный фильтр с частотой среза 0,5 Гц используется для устранения сигналов низкой частоты из-за различных физиологических шумов, таких как дыхание, и терморегуляция и т. Д. Кроме того, в MATLAB разработана калибровочная модель на основе нейронной сети для получения измерения глюкозы от выходного напряжения детектора.
При постоянных условиях окружающей среды разработанный прототип тестируется на десяти пациентах, не страдающих диабетом. Всего 250 образцов собираются от десяти добровольцев (с согласия) в течение 2 недель. Поскольку ANN может точно прогнозировать диапазон данных обучения, таким образом, концентрация образца сахара в крови должна лежать в этом диапазоне. Информированное согласие получено от всех участников, и исследование одобрено Институциональным этическим комитетом (МЭК). Для исследования in vivo рассматриваются два участка измерения, то есть предплечье и запястье. Наборы данных для каждого предмета приобретаются путем взятия одного образца перед едой, и три образца берутся через 60 мин, 90 мин и 120 мин еды с интервалом в 30 минут. Приблизительное содержание питательных веществ в пище, принимаемом субъектами во время экспериментов, содержит калории: 250, жир: 7,5 г, белок: 5,1 г, углеводы: 40,8 г.
Калибровочные модели для оценки уровня глюкозы в крови: свет NIR от светодиода проходит через образец глюкозы или кровь и обнаруживается фотодиодами после затухания. Детектор преобразует аттенюированный свет в сигнал напряжения. Этот сигнал напряжения откалиброван для получения концентрации глюкозы в образце крови. Концентрация глюкозы оценивается с выхода фотодиода с помощью ANN для измерения in vivo. Существует несколько факторов, которые влияют на уровень глюкозы в крови, такой как количество пищи, физическая работа и уровень стресса . Более того, уровень глюкозы в крови не отражается должным образом в измерениях из-за нелинейности, сложной динамики и неопределенности в человеческом теле, которые являются специфическими для человека. ANN обладает свойствами, которые идеально подходят для аппроксимации такого типа функций [28]. Поэтому в настоящей работе используется предсказательная способность модели ANN для извлечения концентрации глюкозы из измеренного сигнала. Существуют различные типы ANN-модели, основанные на архитектуре, алгоритме обучения и функции активации. ADALINE наиболее широко используется, поскольку имеет очень мощный закон об обучении. Он использует непрерывно предсказанные значения (от чистого ввода), чтобы узнать коэффициенты модели, что является более «мощным», поскольку оно говорит нам «насколько» мы были правы или неправы. Adaline использует линейную активную функцию, в отличие от функции единицы, используемой в персептроне. Очень популярный градиентный спуск используется для оптимизации весов, чтобы минимизировать функцию стоимости, которая является функцией ошибки.
Структура ANN, основанная на структуре ADALINE, используется для оценки концентрации глюкозы в крови из выходов фотодиодов, что приводит к системе, основанной на ADALINE in-vivo. Входные данные в нейронную сеть представляют собой сигнал напряжения четырех детекторов, а целевой выход — концентрация глюкозы в крови, которая получается из глюкометра. Вес нейронной сети регулируется так, чтобы выход нейронной сети был таким же, как и для целевого значения. Этот обученный ANN может теперь предсказать значения глюкозы для любого сигнала напряжения детектора. Шаблоны ввода-вывода подготовлены и используются для обучения и тестирования сети.
Thennadil et al. [14] сообщили, что у пациентов, не страдающих диабетом, нет существенной разницы между уровнем глюкозы в капилляре и концентрацией глюкозы в дерме. Поэтому временная задержка не рассматривается в настоящей работе, поскольку эксперименты проводятся только на недиабетических субъектах. Два набора данных из 240 шаблонов ввода-вывода каждый готовятся из предплечья и запястья соответственно. Набор данных разделен на набор для обучения, проверки и тестирования. Данные делятся на три части: 80% наборов данных (192 выборки) используются для обучения, для проверки нейронной сети используются 10% (24 выборки), используемые для проверки, и оставшиеся 10% (24 выборки). Тема №. Данные 7 и 8 используются для проверки и № объекта. Данные 9 и 10 используются для целей тестирования.
Нейронные сети обучаются и тестируются с использованием полученных данных ввода-вывода для оценки уровня глюкозы в крови, неинвазивно. Обучение и тестирование ANN осуществляются с использованием MATLAB с набором реальных экспериментальных данных пациентов.
Модель адаптивной линейной нейронной калибровки ADALINE
На втором этапе исследовательской работы используется ADAptive Linear Neuron (ADALINE) для оценки уровня глюкозы в крови. ADALINE был разработан Бернардом Widrow и Ted Hoff в 1960 году. Веса сети ADALINE обновляются в соответствии с взвешенной суммой входов вместо передаточной функции . Алгоритм наименьшего среднего квадрата (LMS) используется для обучения весов W и смещения b сети. Основная структура сети ADALINE показана на рис.
Это однослойная нейронная сеть, имеющая несколько узлов. Каждый узел принимает несколько входов и обеспечивает один выход. Число элементов во входном векторе равно R, а число нейронов в слое равно S.
Выходной сигнал сети определяется формулой a = pureline (wp + b) = (wp + b) (5) Где a — выход, p — входной вектор, w — вес, b — смещение, а pureline — линейная передаточная функция.
Экспериментальные результаты:
В этой работе результаты проверяются двумя способами: с обычной проверкой (обучение, проверка и валидация), а другой с k-кратным перекрестным подтверждением для проверки точности моделей ANN. Полученные результаты также сравниваются с ранее опубликованными результатами. В общем случае в наборе данных задачи прогнозирования разделены на подмножества обучения, проверки и тестирования. Это тот случай, когда доступно множество данных. В настоящей работе измеренный набор данных мал, поэтому для тестирования доступно ограниченное количество тестовых образцов. Кроме того, однократное обучение, проверка и тестовый эксперимент могут привести к переобучению. Эти ограничения преодолеваются методами повторной выборки посредством кросс-валидации. Поэтому количество тестовых образцов увеличивается с помощью метода перекрестной проверки. В настоящей работе используется метод k-fold crossvalidation для обобщения характеристик оценки. Преимущество этого метода при повторной случайной выборке заключается в том, что в конечном итоге все наборы данных используются как для обучения, так и для проверки. 10-кратный метод перекрестной проверки используется для обучения сети. Набор данных случайным образом делится на 10 неперекрывающихся подмножеств. Для каждого из 10 экспериментов 9 тренировок используются для обучения, а оставшийся для целей тестирования, таким образом, в общей сложности 10 моделей. Для каждой модели используется только 10% данных, тогда как 90% данных используются для обучения.
Меры оценки эффективности:
Модельные показатели системы in vivo оцениваются с точки зрения широко используемых показателей в сообществе диабета: среднеквадратичная ошибка прогноза (RMSEP) и коэффициент корреляции (r2).
Низкий RMSEP, связанный с высоким r2, является показателем эффективной оценки уровня глюкозы в крови.
Разработанный прототип in-vitro используется для измерения концентрации глюкозы в водных растворах и образцах раствора кольцевого раствора. Полученная концентрация глюкозы представляет собой сигналы напряжения, полученные от оптического датчика. Регрессия используется для построения взаимосвязи между выходом оптического датчика и фактической концентрацией глюкозы.
Проанализировано рассеяние и пропускание света NIR через образцы. Концентрация глюкозы в зависимости от реакции детектора при рассеянии, а также коэффициент пропускания показана на рис.
Из результатов видно, что для рассеяния, а также коэффициента пропускания получается линейная зависимость между концентрацией глюкозы и выходом оптического датчика для всех случаев. Отношение дается выражением y = c + b x x.
Где x — выход оптического датчика, а y — фактическая концентрация глюкозы. Параметры b и c приведенного выше уравнения предназначены для рассеяния и пропускания света NIR во всех образцах и приведены в таблице 3. Таблица квадратов среднего значения калибровки (RMSEC) между фактической и прогнозируемой концентрацией глюкозы также приведена в таблице 3 Для обоих случаев.
Чтобы проверить прототип на разных (10 недиабетических) испытуемых, калибровочная модель производится с использованием структуры нейронной сети ADALINE. Временные изменения концентрации глюкозы в крови (измеренная глюкоза крови и реакция детектора) показаны на рис.
Рис. изображают результаты, используя запястье и предплечье в качестве участков измерения соответственно.
На фиг. показан анализ решетки Clark Error Grid Analysis (EGA) in-vivo с использованием ADALINE.
Количественный анализ результатов для предплечья и запястья приведен в таблице 4, которая показывает, что предплечье является лучшим местом измерения по сравнению с запястьем.
EGA анализа in vivo (таблица 4) показывает, что 83,33% точек лежат в области A, тогда как 16,67% точек лежат в области B.
Также наблюдается, что измерения, проведенные на предплечье, более точны по сравнению с запястьем. Это связано с тем, что артерии запястья более узкие, чем предплечья, и поэтому получается меньшая информация о глюкозе в крови. Результаты, полученные в эксперименте, сравнивают с результатами, представленными в литературе, как показано в таблице 5.
Последствия этих предварительных исследований показывают перспективы миниатюрного недорогого инструмента на основе NIR.
В настоящей работе прототип тестируется для краткосрочных измерений. Результаты обнадеживают, и в ближайшем будущем прототип также может быть проверен на долгосрочный мониторинг.
Во время экспериментов движение пациентов полностью ограничено, чтобы минимизировать артефакты движения. Поэтому может быть разработана подставка для позиционирования предплечья над интерфейсом образца в воспроизводимом месте с воспроизводимым количеством давления. Основным требованием этого устройства является удерживание предплечья в точном геометрическом положении. Использование адаптивных фильтров также минимизирует артефакты движения. Данные из 10 пациентов собираются и тестируются, потому что это предварительные эксперименты. Дальнейший набор данных диабетического субъекта может дополнительно подтвердить наши алгоритмы для долгосрочного мониторинга.
Заключение
В рамках исследовательской работы основное внимание уделяется разработке недорогой портативной измерительной системы NIBG на основе светодиодов с использованием диффузных спектров отражения. Эксперимент in vitro показывает сильную корреляцию с концентрацией глюкозы в образце. Кроме того, сенсорный патч предназначен для измерения in vivo. Модели калибровки ANN, моделируемые в MATLAB, используются для прогнозирования уровня глюкозы в крови по напряжению детектора. Для исследования in vivo получено, что предплечье является лучшим местом измерения по сравнению с запястьем для данной модели. Все измерения лежат в клинически приемлемых A и B зонах анализа решетки Clarke. RMSEP и r2 значительно улучшены по сравнению с методами, описанными в литературе. Отсюда делается вывод о том, что разработанная система может быть удобно использована для непрерывного мониторинга уровня глюкозы в крови.
