Neinvazivní stanovení glykémie z fotopletysmografických signálů nasnímaných pomocí chytrých zařízení

Non-invasive estimation of blood glucose level using photoplethysmographic signals sensed by smart devices

article in a collection out of WoS and Scopus

Czech

Tento příspěvek se zabývá možnostmi neinvazivního stanovení glykémie z fotopletysmografických (PPG) signálů nasnímaných pomocí chytrého náramku a chytrého telefonu. Byly navrženy a implementovány dvě metody pro klasifikaci glykémie do dvou skupin (nízká a vysoká glykémie). Byly také vytvořeny modely strojového učení pro predikci konkrétní hodnoty glykémie. Reference byla získána invazivním měřením glykémie pomocí glukometru. Nejlepších výsledků klasifikace PPG záznamů do dvou skupin dosahuje metoda náhodný les (RF) a metoda podpůrných vektorů (SVM) s rbf jádrem. Zmíněné modely dosahují přesnosti na testovací sadě dat z chytrého náramku Acc = 76 % (SVM) a Acc = 75 % (RF). Ověření funkčnosti navržených modelů bylo následně provedeno na testovací sadě dat z chytrého telefonu, kde oba modely dosahují obdobných výsledků: Acc = 74 % (SVM) a Acc = 75 % (RF). Konkrétní hodnotu glykémie nejlépe predikoval RF pro regresi, který dosahuje průměrné absolutní chyby MAE = 1,25 mmol/l na testovací sadě dat z chytrého náramku a MAE = 1,37 mmol/l na testovací sadě dat z chytrého telefonu.

This paper deals with possibilities of non-invasive blood glucose level estimation from photoplethysmographic (PPG) signals captured by a smart wristband and a smartphone. Two methods have been developed and implemented to classify glycaemia into two groups (low and high glycaemia). Machine learning models have been developed to predict specific glycaemia values. The reference was obtained by invasive measurement of glycemia using a glucometer. Methods based on random forest (RF) and support vector machine (SVM) with rbf kernel achieved the best results for classifying PPG records into two groups. The aforementioned models achieved accuracies Acc = 76% (SVM) and Acc = 75% (RF) on the smart wristband test dataset. The performance of the proposed models was then verified on a smartphone test dataset, where both models achieved similar results: Acc = 74% (SVM) and Acc = 75% (RF). RF was the best predictor of glycaemia for the regression, achieving an average absolute error MAE = 1.25 mmol/l on the smart wristband test dataset and MAE = 1.37 mmol/l on the smartphone test dataset.

chytrá zařízení; klasifikace a predikce glykémie; diabetes; PPG signál

smart devices;blood glucose level classification and prediction;PPG signal

VARGOVÁ, E.; NĚMCOVÁ, A.

24. 10. 2023

VUT v Brně, Fakulta elektrotechniky a komunikačních technologií

Brno

978-80-214-6173-4

Proceedings of the Trendy v biomedicínském inženýrství 2023

61

65

5

https://dspace.vutbr.cz/handle/11012/214374