Biphasic Spectral Signatures Enable Non-Linear Glucose Estimation from Smartphone Photoplethysmography

मधुमेह के साथ जीने वाले करोड़ों लोगों के लिए, रक्त शर्करा (ब्लड शुगर) की जांच करना एक दैनिक अनुष्ठान है जिसमें उंगली में एक तीखी चुभन और रक्त की एक बूंद शामिल होती है। हालांकि आधुनिक उपकरणों ने इस प्रक्रिया को आसान बना दिया है, लेकिन दर्दनाक परीक्षण की आवश्यकता व्यापक स्क्रीनिंग और निरंतर निगरानी के लिए एक बाधा बनी हुई है। वैज्ञानिक लंबे समय से त्वचा को बिना तोड़े ग्लूकोज के स्तर को मापने का तरीका खोज रहे हैं, और इसके बजाय हमारी त्वचा से परावर्तित होने वाली रोशनी की ओर ध्यान केंद्रित कर रहे हैं। जब रक्त सतह के ठीक नीचे स्थित सूक्ष्म वाहिकाओं से होकर गुजरता है, तो यह प्रकाश को अवशोषित और परावर्तित करता है। स्मार्टफोन के कैमरे इन सूक्ष्म, लयबद्ध परिवर्तनों का पता लगाने के लिए पर्याप्त संवेदनशील होते हैं, जिसे रिमोट फोटोप्लेथिस्मोग्राफी (remote photoplethysmography) नामक तकनीक कहा जाता है। चुनौती यह रही है कि इन प्रकाश पैटर्न और रक्त शर्करा के बीच का संबंध एक सरल, सीधी रेखा नहीं है; उच्च शर्करा स्तरों के प्रति शरीर की प्रतिक्रिया समय के साथ बदलती है, जिससे मानक गणितीय उपकरणों के लिए शोर के बीच एक विश्वसनीय संकेत खोजना कठिन हो जाता है।

दक्षिण कोरिया के शोधकर्ताओं की एक टीम ने अब इन संकेतों को पढ़ने का एक नया तरीका प्रदर्शित किया है, जो सरल औसत से आगे बढ़कर रक्त प्रवाह की जटिल लय को देखता है। एक मानक स्मार्टफोन से रिकॉर्ड किए गए व्यक्ति के चेहरे के वीडियो का विश्लेषण करके, वे पिछले गैर-आक्रामक प्रयासों की तुलना में सटीकता के एक उच्च स्तर के साथ उपवास (फास्टिंग) रक्त शर्करा के स्तर का अनुमान लगाने में सक्षम रहे। उनकी सफलता की कुंजी केवल यह देखना नहीं था कि रक्त की मात्रा कितनी बदली, बल्कि समय के साथ उन परिवर्तनों की विशिष्ट आवृत्तियों (frequencies) की जांच करना था। उन्होंने पाया कि रक्त शर्करा और रक्त प्रवाह के संकेत के बीच का संबंध एक सीधी रेखा नहीं है; इसके बजाय, यह एक वक्र, दो-भाग वाले पैटर्न का अनुसरण करता है जहाँ संकेत उच्च रक्त शर्करा के शुरुआती चरणों में और बाद के, अधिक गंभीर चरणों में अलग तरह से व्यवहार करता है। इस वक्र पैटर्न को पहचानने में सक्षम एक कंप्यूटर मॉडल का उपयोग करके, शोधकर्ताओं ने 8.40 प्रतिशत की औसत त्रुटि दर प्राप्त की, जो कि पहले की विधियों की 13 से 18 प्रतिशत की त्रुटि दरों की तुलना में एक महत्वपूर्ण सुधार है।

इस अध्ययन में 100 प्रतिभागी शामिल थे जिन्होंने परीक्षण से पहले कम से कम आठ घंटे तक उपवास किया था। प्रत्येक व्यक्ति ने अपने चेहरे को एक स्मार्टफोन कैमरे के सामने रखा, जिसने उनके गालों का लगभग 40 सेकंड तक वीडियो रिकॉर्ड किया। उसी समय, एक मानक फिंगर-प्रिक टेस्ट ने उनके रक्त शर्करा का संदर्भ माप प्रदान किया। शोधकर्ताओं ने फिर वीडियो को प्रोसेस किया ताकि पल्स सिग्नल निकाला जा सके, और कच्चे डेटा को एक विजुअल मैप में बदल दिया जो यह दिखाता है कि रक्त प्रवाह की ऊर्जा कंपन की विभिन्न गति के माध्यम से कैसे बदलती है। इस मानचित्र ने खुलासा किया कि रक्त शर्करा का अनुमान लगाने के लिए सबसे महत्वपूर्ण जानकारी सिग्नल की एक विशिष्ट, कम-गति वाली रेंज में केंद्रित थी। जब उन्होंने सामान्य रक्त शर्करा वाले लोगों, थोड़े बढ़े हुए स्तर वाले लोगों और मधुमेह वाले लोगों के मानचित्रों की तुलना की, तो एक विशिष्ट पैटर्न उभर कर आया। उस विशिष्ट लो-स्पीड रेंज में सिग्नल पावर उन लोगों के लिए गिर गई जिनका शुगर थोड़ा बढ़ा हुआ था, और फिर उन लोगों के लिए फिर से बढ़ गई जिनका शुगर काफी अधिक था।

यह "बाइफेसिक" (biphasic) पैटर्न, जहाँ सिग्नल नीचे जाता है और फिर वापस ऊपर आता है, यह समझाता है कि पिछली विधियाँ संघर्ष क्यों कर रही थीं। पुराने दृष्टिकोण अक्सर रैखिक (linear) मॉडलों पर निर्भर करते हैं जो एक सीधी रेखा के संबंध को मानते हैं, यह अपेक्षा करते हैं कि जैसे-जैसे शर्करा का स्तर बढ़ता है, सिग्नल या तो हमेशा ऊपर जाएगा या हमेशा नीचे जाएगा। क्योंकि सिग्नल वास्तव में झुकता है और फिर बढ़ता है, एक सीधी रेखा वाला मॉडल भ्रमित हो जाता है, और उस गिरावट और उछाल को एक सुसंगत कहानी के बजाय विरोधाभासी शोर के रूप में देखता है। नए दृष्टिकोण ने एक कॉम्पैक्ट न्यूरल नेटवर्क का उपयोग किया, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जिसे जटिल आकृतियों और पैटर्न को पहचानने के लिए डिज़ाइन किया गया है, ताकि इस वक्र संबंध की व्याख्या की जा सके। सिस्टम ने शुरुआती मेटाबॉलिक परिवर्तनों से जुड़े 'डिप' (गिरावट) और उन्नत संवहनी कठोरता (vascular stiffening) से जुड़े 'राइज' (उछाल) के बीच अंतर करना सीख लिया। परिणाम स्वरूप एक ऐसा मॉडल प्राप्त हुआ जो उच्च सटीकता के साथ रक्त शर्करा के स्तर की भविष्यवाणी कर सकता था, विशेष रूप से उन लोगों के लिए जिनका स्तर सामान्य या थोड़ा बढ़ा हुआ है, जो कि प्रारंभिक स्क्रीनिंग के लिए सबसे महत्वपूर्ण समूह है।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या सिस्टम को व्यक्ति के अपने इतिहास से सीखकर सुधारा जा सकता है। उन्होंने पाया कि यदि कोई उपयोगकर्ता सिस्टम को कैलिब्रेट करने के लिए केवल पांच पिछले रक्त शर्करा रीडिंग प्रदान करता है, तो सटीकता और भी बेहतर हो जाती है, विशेष रूप से कैलिब्रेशन के तुरंत बाद के दिनों में। हालांकि, सिस्टम बिना इस व्यक्तिगत डेटा के भी अच्छी तरह से काम करता है, जिससे पता चलता है कि यह सामान्य जनसंख्या स्क्रीनिंग के लिए उपयोगी हो सकता है जहाँ कोई पिछला चिकित्सा इतिहास उपलब्ध नहीं है। अध्ययन को क्रॉस-वैलिडेशन नामक विधि का उपयोग करके कठोर बनाया गया था ताकि यह सुनिश्चित किया जा सके कि मॉडल केवल उन विशिष्ट लोगों को याद नहीं कर रहा है जिन पर इसे प्रशिक्षित किया गया था, बल्कि वास्तव में एक सामान्य नियम सीख रहा है जो नए लोगों पर लागू होता है। मॉडल विभिन्न आयु और लिंगों के बीच लगातार प्रदर्शन करता रहा, हालांकि इसने उन प्रतिभागियों के छोटे समूह के साथ थोड़ी अधिक कठिनाई दिखाई जिनका रक्त शर्करा बहुत अधिक था, जिसे लेखक इस डेटासेट में ऐसे मामलों की कम संख्या के कारण एक सीमा मानते हैं।

हालांकि परिणाम आशाजनक हैं, लेखक इसे एक पूर्ण चिकित्सा उपकरण के बजाय एक तकनीकी 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में प्रस्तुत करने में सावधान हैं। अध्ययन नियंत्रित परिस्थितियों में उपवास करने वाले प्रतिभागियों के साथ किया गया था, और शोधकर्ताओं ने लोगों के भोजन करने या निरंतर आधार पर परीक्षण नहीं किया। इसके अलावा, अध्ययन समूह एक ही देश से लिया गया था, और विभिन्न स्किन टोन या विभिन्न वातावरणों में लोगों पर इसके प्रदर्शन को अभी तक पूरी तरह से सत्यापित नहीं किया गया है। विशिष्ट प्रकाश पैटर्न और अंतर्निहित जैविक परिवर्तनों, जैसे कि रक्त वाहिका की कठोरता, के बीच का संबंध मौजूदा चिकित्सा साहित्य द्वारा समर्थित है लेकिन इस विशिष्ट समूह में इसे सीधे मापा नहीं गया था। शोधकर्ता सुझाव देते हैं कि देखे गए सिग्नल परिवर्तन संभवतः इस बात के कारण हैं कि उच्च शर्करा स्तर रक्त प्रवाह की गतिशीलता और वाहिका लचीलेपन को कैसे बदलते हैं, लेकिन वे इस बात पर जोर देते हैं कि सटीक जैविक तंत्र की पुष्टि के लिए प्रत्यक्ष संवहनी माप (vascular measurements) के साथ भविष्य के अध्ययन आवश्यक हैं।

इन सीमाओं के बावजूद, यह कार्य गैर-आक्रामक स्वास्थ्य निगरानी की खोज में एक महत्वपूर्ण कदम है। सरल समय-आधारित मापों से हटकर सिग्नल की आवृत्ति और समय के साथ इसके परिवर्तन के विस्तृत विश्लेषण पर ध्यान केंद्रित करके, टीम ने डेटा में एक छिपी हुई संरचना को उजागर किया जिसे रैखिक विधियों ने मिस कर दिया था। रक्त प्रवाह सिग्नल में एक गैर-रैखिक, दो-चरणीय प्रतिक्रिया का पता लगाने की क्षमता यह स्पष्ट करती है कि पिछली कोशिशें क्यों विफल रहीं और भविष्य के सुधारों के लिए एक स्पष्ट मार्ग प्रदान करती है। निष्कर्ष बताते हैं कि सही कम्प्यूटेशनल उपकरणों के साथ, एक स्मार्टफोन कैमरा उन सूक्ष्म शारीरिक परिवर्तनों को कैप्चर कर सकता है जो मानक विश्लेषण के लिए अदृश्य थे, जिससे मेटाबॉलिक स्वास्थ्य के प्रबंधन के लिए अधिक सुलभ और कम आक्रामक तरीके खोलने का मार्ग प्रशस्त होता है।