摘要
糖尿病作为一种终身性的代谢性疾病，近年来呈现出年轻化、高患病率和高增长率的趋势，给医疗保健系统带来了沉重负担。然而传统有创的血糖检测方式给被检测者带来了生理、心理和经济上的负担。因此，迫切需要寻求无创、准确的血糖检测方式，这不仅能够协助糖尿病患者进行血糖检测管理，同时也能够促进国民糖尿病的早期筛查和诊断。研究发现光电容积脉搏波(Photoplethysmography，PPG)可以测量人体组织中血液容积的变化，因此本文结合深度神经网络技术和PPG信号对无创血糖检测研究进行探索。而先前基于PPG信号进行血糖检测研究存在一些局限性，包括使用手动选取特征或简单地堆叠卷积层来提取特征等。这些方法提取的浅层特征难以捕获PPG信号和血糖的复杂非线性关系，从而限制了模型的表达能力和性能。本文在上述背景下，提出了基于深度神经网络的血糖检测算法和系统。主要的研究工作如下： （1）针对当前血糖数据采集缺乏规范化采集范式和特征选取单一的问题，本文提出了基于深度混合特征神经网络(DCC-Net)的血糖分类检测算法。首先设计了严格的数据采集范式，以确保采集的数据质量和一致性，从而为后续血糖分析提供数据基础。其次在特征提取阶段，DCC-Net模型采用一维卷积神经网络和一维因果扩张卷积神经网络的结合，并利用残差连接机制有效增强了特征传递的效率和稳定性，旨在从PPG信号中自动提取多尺度、多层次的特征，使模型能够更全面地捕捉血糖和PPG信号之间的关联特征。随后通过通道注意力的特征融合技术，融合不同语义的特征，进而提高分类检测的准确性和鲁棒性。最后在自采集数据集上取得了0.92的总体分类准确率，灵敏度也高达0.91，这表明该模型能够有效捕捉血糖异常样本。在公开数据集上进行实验，发现该模型具备良好的泛化性能和稳健性。 （2）针对目前基于视频PPG信号的血糖水平检测研究表现效果欠佳的情况，本文提出了一种基于多视图神经网络模型(MvC-TNet)的血糖水平检测算法。首先从采集的视频中恢复出PPG信号，对提取的PPG信号质量进行评估，剔除质量不佳的信号。其次为了充分挖掘数据特征，将时域的PPG信号转换为频谱图，并将时域信号和频域数据联合作为多视图输入到模型中。然后利用时域编码器和频域编码器对联合输入的数据进行特征提取，使模型能够同时关注局部和全局特征。随后采用基于注意力机制的特征融合技术对多视图特征信息进行融合，使模型能够对显著特征进一步提取和筛选，以提高模型对血糖水平的检测精度和稳定性。最后通过克拉克误差网络分析发现，经过模型输出的血糖预测结果在A区的占比为84%，在B区的占比为16%，表明大部分血糖检测结果在临床可接受范围内。 （3）为了满足血糖管理和健康预防的现实需求，本文设计了便捷、低成本的血糖检测系统。首先对当前无创血糖检测系统的需求进行了分析，以更好地了解用户的实际需求和潜在挑战。其次对系统的总体架构进行了设计。随后基于总体架构结合了先进的传感技术和智能算法，进行了系统的硬件和软件实现。最后对系统的功能模块进行了验证。该系统为血糖检测提供了可靠的技术支持，具有一定临床意义和实际应用价值。
NETL