🤖 machine learning

An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning

Dit artikel introduceert een nieuwe gekoppelde dataset van door smartwatches afgeleide fotoplethysmografie (PPG)-signalen en continue glucosemonitoring (CGM)-waarden, waarbij voorlopige resultaten worden gepresenteerd die de haalbaarheid suggereren van het gebruik van machine learning om niet-invasief bloedglucoseniveaus te schatten, terwijl de noodzaak voor verder onderzoek met grotere datasets wordt benadrukt.

Oorspronkelijke auteurs: Ruhani Bhatia, Vijval Ekbote

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ruhani Bhatia, Vijval Ekbote

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je lichaam een drukke stad is, en dat bloedsuiker de brandstof is die de auto's (je cellen) draaiende houdt. Soms wordt het brandstofniveau te laag of te hoog, wat gevaarlijk is voor mensen met diabetes. Op dit moment is de beste manier om dit brandstofniveau te controleren met een Continuous Glucose Monitor (CGM), maar dat vereist dat er elke paar dagen een klein naaldje onder je huid wordt gestoken. Het is nauwkeurig, maar het doet pijn en irriteert de huid.

De onderzoekers in dit artikel stelden een simpele vraag: Kunnen we het brandstofniveau controleren zonder de naald?

Ze besloten om in plaats daarvan een smartwatch te proberen. Smartwatches hebben al een sensor die licht op je pols schijnt om je hartslag te meten (een PPG-signaal). De onderzoekers dachten: "Misschien verandert de manier waarop je bloedsomloop pulseert wanneer je suikerspiegel verandert, en als we een superintelligent computerbrein gebruiken (Machine Learning), kunnen we het suikergehalte achterhalen door alleen naar de polsslag te kijken."

Hier is hoe ze dit probeerden te laten werken, eenvoudig uitgelegd:

1. Het verzamelen van de "Trainingsgegevens"

Om een computer te leren het suikergehalte te raden, moet je hem voorbeelden laten zien waarbij je van zowel de polsslag als het werkelijke suikergehalte op hetzelfde moment weet.

Het Team: Ze vonden 5 vrijwilligers (3 mannen en 2 vrouwen).
De Apparatuur: Elke vrijwilliger droeg gedurende twee weken achter elkaar een smartwatch om de pols en een CGM-sensor (het naaldapparaat) op de arm.
Het Resultaat: Ze creëerden een enorme "gepaarde dataset". Het is also als een dagboek waarin elke seconde van een hartslag wordt gekoppeld aan het exacte suikergehalte op datzelfde moment. Dit is zeldzaam omdat de meeste eerdere studies slechts naar gegevens van enkele minuten keken.

2. Het opruimen van de rommelige gegevens

De gegevens die ze verzamelden waren een beetje rommelig, alsof je een snelle video probeert te vergelijken met een foto in slow-motion.

Het Probleem: De smartwatch registreerde gegevens 64 keer per seconde (zeer snel), maar de CGM gaf slechts elke 15 minuten een nieuwe suikerwaarde door (zeer traag).
De Oplossing: Ze gebruikten een wiskundige truc genaamd interpolatie. Stel je voor dat je een vloeiende, gebogen lijn tekent die de punten van de trage suikerwaarden verbindt. Hierdoor konden ze raden wat het suikergehalte was op elk enkel moment, passend bij de snelheid van de smartwatch.

3. De computer leren (De experimenten)

Ze voerden deze opgeschoonde gegevens in een computermodel (een type kunstmatige intelligentie genaamd een Neuraal Netwerk) om te zien of het een patroon kon leren.

Experiment A: De "Dezelfde Persoon" Test
Ze trainden de computer op de gegevens van één persoon en testten het op de toekomstige gegevens van diezelfde persoon.
- Het Resultaat: Het werkte redelijk! De computer kon het suikergehalte met enige nauwkeurigheid raden, maar het was niet perfect. Het was als een student die hard heeft gestudeerd voor de toets van een specifieke docent, maar moeite zou kunnen hebben met de toets van een andere docent.
Experiment B: De "Personalisatie" Test
Ze probeerden de computer te trainen op drie personen, om hem vervolgens licht aan te passen zodat hij voor een vierde persoon zou werken.
- Het Resultaat: De computer kreeg het gemiddelde suikergehalte ongeveer goed, maar was erg slecht in het raden van de exacte timing. Het was als een weervoorspeller die weet dat het morgen gaat regenen, maar niet kan vertellen of het om 9 uur 's ochtends of om 14 uur begint te regenen. De voorspellingen liepen niet synchroon met de werkelijkheid.
Experiment C: De "Tijdreis" Test
Ze vroegen zich af: "Verandert de polsslag misschien voordat de suikerspiegel verandert?" Dus probeerden ze het suikergehalte over 10, 15 of 20 minuten te voorspellen.
- Het Resultaat: Het was inconsistent. Soms werkte het, soms niet. Het hing sterk af van de specifieke persoon, wat betekende dat het geen betrouwbare regel voor iedereen was.

4. De Veiligheidscontrole (Het belangrijkste deel)

Voordat een medisch apparaat op echte mensen gebruikt kan worden, moet het een strikte veiligheidstest doorstaan die de Clarke Error Grid wordt genoemd. Deze grid controleert of een foutieve gok kan leiden tot gevaarlijke medische beslissingen.

Het Doel: Je wilt dat 100% van de gokken in de "Veilige Zone" (Zone A) terechtkomen.
De Werkelijkheid: Slechts ongeveer 74% van hun gokken kwam in de veilige zone terecht.
Het Gevaar: Ongeveer 26% van de gokken belandde in "Zone E". In deze zone kan de computer zeggen dat je suiker laag is terwijl het eigenlijk hoog is (of andersom). Als een echt persoon dit zou gebruiken, zou diegene de verkeerde medicatie kunnen nemen, wat levensbedreigend kan zijn.

De Conclusie

De onderzoekers zijn erin geslaagd een unieke dataset op te bouwen en hebben bewezen dat er een signaal is in de smartwatch-gegevens dat gerelateerd is aan de bloedsuikerspiegel. Echter, hun huidige computermodel is nog niet klaar voor de echte wereld.

Ze verklaren expliciet dat hun resultaten nog niet veilig zijn voor klinisch gebruik. De technologie is als een prototype auto die door een rustige straat kan rijden, maar nog niet klaar is voor het snelwegverkeer. Ze hopen dat hun dataset andere wetenschappers zal helpen om in de toekomst een betere, veiligere versie te bouwen.

Technische Samenvatting: Exploratief onderzoek naar de schatting van bloedglucose uit PPG-signalen

Probleemstelling
Diabetesmanagement is sterk afhankelijk van continue glucosemonitoring (CGM), maar traditionele CGM-apparaten zijn invasief, vereisen doorboring van de huid en brengen risico's op infectie en irritatie met zich mee. Hoewel niet-invasieve alternatieven nodig zijn, lijden bestaande machine learning (ML)-benaderingen voor het schatten van de bloedglucose uit fysiologische signalen vaak aan een gebrek aan dichte, langdurige gekoppelde data. Eerdere studies die gebruikmaakten van fotoplethysmografie (PPG)-signalen hebben doorgaans gegevens verzameld voor zeer korte duur (vaak minder dan 3 minuten) of faalden om PPG-signalen over langere perioden te koppelen aan continue glucosemetingen, wat het trainen van robuuste deep learning-modellen beperkt.

Methodologie
De auteurs stellen een machine learning-gebaseerd framework voor om bloedglucoseniveaus te schatten met behulp van niet-invasieve PPG-signalen die worden vastgelegd door smartwatches. De methodologie is gestructureerd rond de creatie van een unieke dataset en de toepassing van specifieke signaalverwerking en modelleringstechnieken:

Dataset Creatie: Een gekoppelde dataset werd geconstrueerd met vijf vrijwilligers (3 man, 2 vrouw) die gedurende een periode van 14 dagen werden gemonitord.
- PPG-data: Verzameld via Empatica EmbracePlus smartwatches met een bemonsteringsfrequentie van 64 Hz.
- Glucose-data: Gelijktijdig verzameld via Freestyle Libre CGM-apparaten (oorspronkelijk opgenomen met intervallen van 15 minuten).
- Ethische Naleving: De studie ontving voorafgaande toestemming van het Institute Review Board.
Data Voorbewerking:
- Interpolatie: Om het verschil in frequentie tussen de hoogfrequente PPG-data (64 Hz) en de laagfrequente glucose-data (intervallen van 15 minuten) aan te pakken, werd kubische spline-interpolatie toegepast op de glucosewaarden. Dit maakte de generatie van een vloeiende glucosecurve mogelijk, wat de creatie van een dichte trainingsset mogelijk maakte waarbij elke PPG-tijdstap kon worden gekoppeld aan een bijbehorende glucosewaarde.
- Feature Extractie: Ruwe PPG-signalen werden verwerkt met behulp van een sliding window framework (60-seconden venster, 50% overlap/30-seconden stride) om ruis te verminderen en de inclusie van meerdere hartcycli te garanderen. Met behulp van de pyPPG bibliotheek werden 918 features per venster geëxtraheerd, waaronder:
  - Tijdsdomein-features: Maximale/gemiddelde amplitude, scheefheid (skewness), kurtosis, energie.
  - Frequentiedomein-features: Dominante frequentie, totale kracht.
  - Hartslagvariabiliteit (HRV) features: Gemiddeld inter-beat interval, standaarddeviatie van normal-to-normal intervallen, slagen per minuut.
Modellering: Een Multi-Layered Perceptron (MLP) met twee verborgen lagen (elk 100 neuronen) en ReLU-activatie werd toegepast. Het model werd geoptimaliseerd met de Adam-optimizer. Experimenten omvatten training/testen op dezelfde proefpersoon, het personaliseren van modellen voor specifieke proefpersonen via fine-tuning, en het voorspellen van glucosewaarden met tijdvertragingen ( $\tau$ ) van 10, 15 en 20 minuten.

Belangrijkste Resultaten
De studie presenteert voorlopige experimentele bevindingen die zowel potentieel als significante beperkingen benadrukken:

Prestaties bij dezelfde proefpersoon: Wanneer getraind en getest op dezelfde proefpersoon (temporele 80-20 split), bereikte het model een Mean Absolute Percentage Error (MAPE) variërend van 7,65% tot 14,28% over verschillende dagen, met een gemiddelde MSE van 0,65.
Personalisatie: Het fine-tunen van een algemeen model op de data van een specifieke proefpersoon resulteerde in een Mean Absolute Error (MAE) van 1,0581 en een RMSE van 3,5597. Het model vertoonde echter een systematische onderschatting (bias van -0,6850).
Synchronisatieproblemen: Ondanks lage RMSE-waarden was de Lin's Concordance Correlation Coefficient (CCC) extreem laag (0,0142), wat aangeeft dat de voorspellingen van het model niet effectief gesynchroniseerd waren met de grondwaarheid van de glucosetrends.
Tijdvertraging Voorspelling: Het voorspellen van toekomstige glucosewaarden (10–20 minuten vooruit) vertoonde significante instabiliteit en prestatievariantie tussen proefpersonen.
Klinische Veiligheidsbeoordeling: Gebruikmakend van de Clarke Error Grid, viel slechts 73,64% van de voorspellingen in Zone A (klinisch accuraat). Cruciaal is dat 25,63% van de voorspellingen in Zone E viel, wat staat voor gevaarlijke fouten die tot onjuiste behandeling kunnen leiden. De resultaten voldeden niet aan de ISO 15197:2013 standaard voor klinische goedkeuring.

Belangrijkste Bijdragen

Dichte Gekoppelde Dataset: De primaire bijdrage is de creatie en publicatie van een dichte, langdurige (14-daagse) gekoppelde dataset die hoogfrequente PPG-signalen van smartwatches koppelt aan continue glucosemetingen van CGM-apparaten. Dit pakt de kritieke dataschaarste in dit veld aan.
Exploratieve Analyse: Het artikel biedt een baseline evaluatie van het gebruik van MLP's voor deze taak, waarbij wordt aangetoond dat hoewel er voorspellende signalen aanwezig zijn, huidige modellen moeite hebben met synchronisatie en klinische nauwkeurigheid.
Methodologisch Framework: De studie beschrijft een pipeline voor het afhandelen van multimodale data met verschillende bemonsteringsfrequenties, inclus�ole de interpolatiestrategieën en feature engineering voor PPG-signalen.

Betekenis en Claims
De auteurs positioneren dit werk als een exploratieve studie in plaats van een definitieve oplossing. Ze stellen expliciet dat, hoewel de resultaten erop wijzen dat er voorspellende signalen bestaan binnen de PPG-data, de huidige modellen nog niet geschikt zijn voor klinische inzet. Het artikel benadrukt dat de lage CCC en het hoge percentage gevaarlijke fouten (Zone E) uitgebreide verdere validatie en klinische tests vereisen voordat er enige claim kan worden gemaakt met betrekking tot nauwkeurigheid of toegankelijkheid. De betekenis van het werk ligt in het bieden van een fundamentele bron (de dataset) en voorlopige inzichten om verder onderzoek naar niet-invasieve glucosemonitoring te inspireren, in plaats van het aanbieden van een direct inzetbaar medisch apparaat.