近日，中国科学院深圳先进技术研究院医工所微创中心聂泽东、王磊团队利用可穿戴ECG和EEG信号等多模生理信号，采用医学人工智能算法，在糖尿病早期的可穿戴无创筛查的研究取得了新进展。相关研究成果以Towards adequate prediction of prediabetes using spatiotemporal ECG and EEG feature analysis and weight-based multi-model approach为题发表在Knowledge-Based Systems（中科院一区，影响因子：5.921）上，聂泽东副研究员和王磊研究员是该论文的共同通讯作者，博士生Igbe Tobore为第一作者，深圳先进院为第一作者单位和唯一通讯单位。

　　糖尿病早期是指血糖异常但未达到糖尿病诊断标准的状态。目前，我国约有1.48亿糖尿病早期病人，如不及时发现并进行干预，约5%~10%的糖尿病早期人群将进展为糖尿病患者。因此，糖尿病早期的筛查非常重要。研究表明，如果糖耐量受损未能及时被发现和治疗，70%的糖耐量受损患者将在9-12年后患上糖尿病，同时，他们患心脑血管疾病、视网膜病变等风险也在增加。目前糖尿病还无根治的方法，糖尿病患者只能通过降糖药物控制血糖水平。同时，糖耐量受损这个过程是可逆的，正确的生活方式和药物干预有助于将发展为糖尿病的风险降低40%-60%。因此，对糖尿病的风险进行筛查并及时采取措施降低糖尿病的发病率具有重要意义。

　　目前，糖尿病早期的筛查一般采用抽血方法来进行，抽血容易带来疼痛、感染和不便。如果能采用一种无创的方式来实现糖尿病早期的筛查，将为及时发现糖尿病早期患者，提醒糖尿病早期患者尽早进行相应干预，防止转变为糖尿病具有重要和积极意义。本研究基于人体血糖波动会引起人体自主神经变化，从而影响到ECG、EEG等生理信号的变化，建立可穿戴生理信号与血糖波动的关联，实现一种无创的血糖波动检测，从而实现糖尿病前期的筛查。

　　该研究工作采集了40名志愿者的2个半小时的OGTT数据，采用深度学习方法，发现了ECG信号中的HRV、QT和ST信号，右半脑的alpha、beta 和theta信号和左枕骨部的 alpha 和 delta 信号与血糖浓度波动具有关联性，同时，提出了一种多模态的融合算法，实现多特征的融合。研究结果表明，采用融合了ECG和EEG信号的糖尿病前期筛查精度达到了92.0%，采用单独ECG信号和EEG信号对糖尿病前期的筛查精度也分别达到了88.8%和 82.7%。鉴于生理信号采集的连续性与穿戴性，本研究应用成果在糖尿病前期筛查、糖尿病人筛查、连续血糖监测、高低血糖预警等领域具有广阔的应用前景。

　　该研究得到了科技部重点研发计划、国家自然科学基金、深圳市基础研究学科布局等项目的支持。

　　图1： 血糖变化与人体主要器官的相互影响

　　图2：生理信号的时空特征挖掘和多模态分类算法框架

附件下载：