⚡ electrical engineering

Non-invasive Blood Glucose Estimation from Wearable Physiological Signals

本文提出了一种基于深度学习的动态增量学习框架，该框架结合了互信息熵优化的重放机制与不确定性量化的代理梯度桥接技术，旨在通过从可穿戴光电容积脉搏波（PPG）信号中实现精确且高标签效率的无创血糖估计，并由一个包含183名参与者、采集周期为285天的全新纵向基准数据集提供支持。

原作者： Zexing Zhang, Jichao Li, Yilong Wang, Kewei Yang, Tianyang Lei

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zexing Zhang, Jichao Li, Yilong Wang, Kewei Yang, Tianyang Lei

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心大意：一个无需针刺即可自我学习的“智能手表”

想象一下，你希望每天都能监测自己的血糖。目前最好的方法要么是每天用针刺手指，要么是佩戴需要定期更换的皮下传感器。这两者都既痛苦、又麻烦，而且价格昂贵。

这篇论文提出了一种新方法：使用一个简单的、非侵入性的腕带（类似于智能手表），通过光线穿透皮肤来读取你的血糖。问题在于，人体是非常复杂的。你的血糖会随着饮食、睡眠或压力水平的变化而改变。一个仅基于“昨天的你”进行训练的计算机程序，往往无法理解“今天的你”。

作者构建了一个类似于超级适应型学生的系统。这个系统不是死记硬背课本然后在考试题目变化时就忘得一干二净，而是能够持续学习，适应你独特的身体变化，甚至能从它尚未完全理解的数据中学习。

他们解决的三个重大问题

1. “变化的考生”问题（动态增量学习）

问题所在： 想象一个学生在 1 月份为数学考试努力学习。到了 6 月，数学课程变了，学生的思维模式也发生了变化。如果你强迫学生每出现一个新课题就要从头开始学习，他们会感到疲惫并遗忘旧知识（这被称为“灾难性遗忘”）。
解决方案： 作者创建了一个动态增量学习 (DIL) 系统。你可以把它想象成一个拥有“记忆笔记本”的学生。当新信息到来时，学生不会扔掉旧笔记本，而是通过添加新页面，同时小心地保护旧笔记不被擦除。这使得系统能够在数月内适应你不断变化的身体，而无需每天动用大型计算机进行重新训练。

2. “混乱的人群”问题（动态聚类）

问题所在： 你的身体并非只有一种状态，而是由许多不同的状态组成的。有时你很平静，有时你刚吃完大餐，有时你在运动。如果你把所有这些时刻都视为同一种“类型”的数据，计算机就会感到困惑。
解决方案： 团队构建了一个智能整理员 (MERDC)。想象一位图书管理员，她不仅按书名分类，还按故事的“氛围”分类。该系统观察你的心率信号，并自动将它们归类为不同的“簇”或“任务”（例如：“早餐后状态”、“静息状态”、“压力状态”）。它无需被告知具体类别，就能自主识别出这些群体。这有助于系统明确知道当前时刻应该使用哪本“规则手册”。

3. “缺失答案”问题（代理梯度桥接）

问题所在： 要教导计算机，通常需要“答案解析”（即实际的血糖数值）。但获取这个数值需要扎针，这很痛苦且频率极低。你拥有数千小时的心率数据（问题），但几乎没有血糖数值（答案）。
解决方案： 他们发明了一个桥接代理 (PGBA)。想象一位老师，有些学生手里有答案解析，而有成千上万的学生没有。老师不再是盲目猜测没有答案的学生的情况，而是利用那些拥有答案的学生来学习一种“思考模式”。然后，老师利用这种模式来引导其他学生。
从技术层面讲，该系统利用少量的、带有痛苦感的指尖采血测量值，来学习如何“推测”出成千上万个无痛测量值的正确方向，从而实现高效学习，而无需为每一个数据点都扎一针。

他们构建的“健身房”（数据集）

为了证明其有效性，研究人员并没有仅仅使用一个小型的虚构数据集。他们构建了一个庞大的纵向基准数据集 (Longitudinal Benchmark)。

参与者： 183 人（涵盖不同年龄和健康状况，包括糖尿病患者）。
持续时间： 他们对这些人进行了长达 285 天（近一年）的追踪。
数据内容： 每次访问时，他们都会记录：
1. PPG： 来自手腕的光信号（“问题”）。
2. 血糖： 指尖采血的数值（“答案”）。
3. 血压： 额外的健康数据。
结果： 这是同类研究中规模最大、持续时间最长的数据库之一，专门用于测试系统能否处理人类生物学中复杂且长期的现实情况。

结果：效果如何？

该系统在从未见过的新人身上进行了测试（一项公平的测试）。

准确度： 平均误差为 0.64 mmol/L。换句话说，如果真实的血糖水平是 5.0，那么预测值通常在 4.36 到 5.64 之间。
安全性： 在医学领域，我们使用“克拉克误差网格 (Clarke Error Grid)”来观察错误的预测是否具有危险性。
- A 区： 预测完美或足够接近，是安全的。
- B 区： 预测稍有偏差，但仍足以做出安全决策。
- 结果： 97.7% 的预测结果落在安全区域（A 和 B 区）。这意味着该系统极不可能给出危险的读数。

本论文并未声称的内容

坚持客观描述论文实际内容非常重要：

它目前还不是医疗设备。 作者明确指出这是一个“概念验证”和“基准测试”。它是一个研究工具，而不是你今天就能在药店买到的产品。
它尚未获得监管批准。 论文澄清说，虽然结果看起来很好，但尚未经过销售医疗设备所需的严格政府测试。
它并不适用于所有人。 该研究是在中国的一个地点进行的。作者承认，该系统可能需要在不同种族群体或使用不同类型的手表进行更多测试后，才能在全球范围内普及使用。

总结

这篇论文展示了一种教导计算机通过腕带读取血糖的新方法。通过使用一个能够持续学习、能自动组织身体状态并能从无痛数据中学习的系统，他们在长达一年的大规模纵向数据集上实现了高准确度。这是迈向“无需针刺即可检查血糖”未来的重要一步，但目前仍处于研究阶段。

技术摘要：用于非侵入式血糖估计的动态增量学习

1. 问题陈述

使用可穿戴光电容积脉搏波（PPG）信号进行非侵入式血糖（BG）估计面临着三个阻碍实际部署的关键挑战：

非平稳性与分布漂移： 个体内部的生理调节（受饮食、活动和药物影响）以及个体间/环境的变化，导致 PPG 信号出现持续的多尺度分布偏移。传统的深度学习模型在面对这些演进的数据流时，会遭受灾难性遗忘，且缺乏实现持续适应所需的稳定性-塑性平衡。
标签稀缺与成本高昂： 参考性的毛细血管血糖标签是稀疏、具有侵入性且获取成本高昂的，而无标签的 PPG 数据流却非常丰富。现有方法往往无法在不引入偏差或不依赖伪标签的情况下，有效地利用这些无标签数据。
固定分布假设： 大多数最先进（SOTA）的方法假设数据分布是固定的或具有预定义的任务类别（例如类增量学习），这与纵向生理监测中发现的连续、回归导向及潜在的任务结构并不相符。

2. 方法论

作者提出了一种**动态增量学习（DIL）**框架，旨在针对分布偏移下的无标签 PPG 流实现高效的标签利用适应。该框架集成了三个核心组件：

A. 基于互熵优化的重放动态聚类（MERDC）

为了解决稳定性-塑性困境以及缺乏预定义任务边界的问题，作者引入了一种任务发现机制：

ME2AC 算子： 一种新型无监督聚类算子（互熵优化增强自适应聚类），用于将流式 PPG 数据划分为潜在的生理任务。与标准的 DBSCAN 不同，ME2AC 使用：
- 局部信号熵： 通过标准化信号值在自适应邻域内的熵来检测核心点。
- 基于直方图的互信息： 用于合并初步聚类，确保合并后的组别具有显著的形态相似性。
重放策略： 该框架并非按血糖类别存储数据，而是在发现的潜在任务之间分配有限的周期性记忆预算。这确保了模型能够保留来自先前生理状态的多样化特征表示，而不会将连续的回归目标离散化。

B. 代理梯度桥接智能体（PGBA）

为了在不分配伪标签的情况下利用丰富的无标签 PPG 数据，作者提出了 PGBA：

机制： PGBA 是一个可学习的智能体，它将模型的当前输出（预测值和不确定性）映射到输出空间的代理梯度。
训练： 该智能体在一组小型有标签数据上通过“桥接损失（bridge loss）”进行训练，该损失最小化了在假设的代理更新步骤后的监督损失。
应用： 对于无标签窗口，智能体预测一个代理梯度，作为更新方向。这使得模型可以通过优化更新的方向而非目标值本身来从无标签流中学习，并通过缩放因子进行限制，以防止产生大规模的偏差更新。

C. 动态增量学习（DIL）骨干网络

架构： 骨干网络利用 InceptionTime 网络进行特征提取，随后连接两个线性头：一个用于均值血糖预测 ( $\hat{y}$ )，另一个用于输入依赖的方差 ( $\hat{\sigma}^2$ ) 以量化不确定性。
优化： 模型在最小化当前任务回归损失的同时，执行梯度投影约束。更新被投影到可行空间内，在该空间中，对过去任务记忆（重放缓冲区）的损失不会增加，从而减轻灾难性遗忘。

3. 基准数据集

作者建立了一个新的纵向基准数据集来支持这项研究：

规模： 收集了 183 名参与者（平均年龄 57.02 ± 21.20 岁）在 285 天内的资料。
数据： 同步的 PPG 信号（1 kHz）、参考性毛细血管血糖（Accu-Chek Performa）以及血压。
范围： 包括 5,224 个经过验证的 4 秒 PPG 窗口，覆盖 4.2–16.3 mmol/L 的血糖范围。该数据集捕捉了包括糖尿病和非糖尿病受试者在内的多种共病情况下的个体间及个体内变异性。
协议： 使用了严格的受试者无关 5 折交叉验证（5CV）协议，确保在任务发现、记忆构建或模型训练过程中，训练集与测试集之间不存在数据泄露。

4. 关键结果

在受试者无关的 5 折交叉验证下，所提方法实现了：

准确度： 平均绝对误差（MAE）为 0.64 ± 0.01 mmol/L，均方根误差（RMSE）为 1.29 ± 0.10 mmol/L。
临床相关性： 97.69 ± 1.63% 的估计值落在 Clarke 误差网格 A+B 区（临床可接受区域）。
对比： 该方法通过将 MAE 降低 23%–86%，优于复现的 SOTA 基准方法（包括传统机器学习、深度学习和自监督方法）。
鲁棒性： 聚合级分析（在 40 秒采集周期及跨受试者层面进行平均预测）证实，良好的误差分布在窗口级统计之外依然存在。
消融实验： 移除三个核心组件中的任何一个（DIL、PGBA 或 MERDC）都会导致性能显著下降，证实了它们之间的互补作用。

5. 重要性与声明

本文将其贡献定位为用于可穿戴传感的自适应、高效标签利用式非侵入式血糖估计的概念验证。主要声明包括：

范式转变： 它将动态增量学习引入该领域，从静态训练分布转向对生理漂移的持续适应。
标签效率： PGBA 机制证明了可以有效地利用无标签 PPG 流来提高泛化能力，而无需承担高昂的侵入性标记成本。
任务发现： MERDC 模块提供了一种在没有预定义类别的情况下，在回归问题中发现潜在生理任务的原则性方法，从而实现有效的基于重放的持续学习。
基准测试： 该研究发布的规模化、纵向基准数据集解决了该领域高质量、多样化数据稀缺的问题，促进了可重复性研究。

局限性与谦逊态度：
作者明确指出，这些结果代表了研究阶段的概念验证。他们承认存在的局限性，包括单中心队列（可能限制人口统计学上的普适性）、使用毛细血管血糖而非静脉血浆血糖作为参考，以及回顾性 ISO 15197:2013 分析的性质。他们强调，在临床部署之前，需要进行正式的监管合规性审查和更广泛的多中心前瞻性验证。该框架旨在支持个性化纵向监测，但需要进一步集成信号质量门控及补充模态（如 ECG、加速度计）以实现稳健的现实世界表现。