利用近红外光谱法实现非侵入式血糖监测

光），因此需要五个8位PWM模块，而且占空比不同。近红外LED的传输波长会随直流电压平均值而改变。近红外LED运行于3个不同的占空比，以使光波波长在1550nm上下浮动。这样做是为了降低原始葡萄糖值之间的噪声。

　　心率引起的耳垂血液量变化如果得不到正确处理就会成为主要噪声源。为了消除心率变化的影响，在打开红光、红外和近红外LED后，应该在100毫秒内对衰减信号采样。对每个LED输出采集20个样本，共采集120个样本（三个近红外波长占60个，红外、红光和绿光波长各占20个）。环境光源也会产生大量噪声，并被光学传感器采集到。为了消除这种噪声，应该在打开LED之前存储几个样本。随后从实际信号中减去环境光测量值。所有样本都用32位整型变量存储，以应对乘法与加法溢出问题。

　　信号处理

　　所有变量存储完毕后，进入处理流程。图3给出了算法流程。

　　首先，利用线性小信号模型（与电子设备IV曲线中所用的类似）求出指数比尔–朗伯定律近似值，进而计算组织厚度，如公式（1）所示。渗到皮肤中的光线成指数级衰减，而耳垂皮肤厚度也有微小变化，一般在2mm至4mm左右。我们用线性公式来体现这一模型，其中‘y’是光渗透深度，‘x’是光学功率，‘A’、 ‘b’、‘C’、‘D’和‘E’为吸收常数。

　　图3.非侵入式血氧仪算法流程

　　然后，利用红光计算血氧饱和度，以确定血液量。皮肤厚度和血液量这两个变量共同确定耳垂中的血液是否达到所需值。非侵入式测量仪对婴儿来说并不可靠，因为耳垂皮肤厚度太薄（《2mm）。同样，任何可抑制血液向耳垂流动的身体状况都会导致读数错误。血液中的氧含量通过脉搏血氧定量法计算，如公式（2）所示，而血液测量则简单地通过吸收引起的谷底瞬间电压缩减（trough voltage spike reduction）来实现。使用截止频率为5Hz的高通滤波器将两个变量的交流成分从原始信号中过滤掉，直流分量则通过低通滤波器来计算。公式（2）中的未扩展O2水平从0扩展至100，用以确定氧饱和度百分比。

　　最后，计算葡萄糖水平。近红外区域有3种不同波长，每个波长包含20个样本，因此得到一个3x20矩阵。根据公式（1），针对不同波长应用单个寄存器一阶滤波器能减少噪声，并可将三种波长调整为相同水平，以便实行相同处理。用C代码构建PSoC有限脉冲响应（FIR）滤波器。对经过滤波的样本进行插值计算，以利用线性回归法形成线性最优拟合线。该线的中心值代表有偏差的葡萄糖值。随后映射到55至355mg/dL的范围内。随后对结果实行针对组织厚度和氧含量的线性补偿。组织厚度增大1mm需要将葡萄糖水平增大10倍。此信号处理需要几毫秒的计算时间，以确保高精确度。

　　血糖水平：

　　低血糖=0-70mg/dL

　　正常血糖=70-135mg/dL

　　高血糖=135-450mg/dL

　　血液氧含量：

　　低氧饱和度=0-90%

　　正常氧饱和度=90-99%

　　一氧化碳中毒=100%

　　在该配置中使用近红外光谱的最低检测极限为55mg/dL。低于该值则无法精确测量葡萄糖值。通过增大LED的功率输出可加以改善。最高限值设为355，但高于该值也很容易测量。

　　显示

　　最后的葡萄糖值可以用简单的LCD显示，但本设计中也可用安卓手机通过蓝牙连接显示，即把PSoC的通用异步收发机（UART）连接到蓝牙设备。在PSoC和移动设备内实现简单的通信协议。当用户想要获得葡萄糖值时，安卓平台会向PSoC发送一个‘get’指令。PSoC等待葡萄糖计算，随后返回葡萄糖值和确认信息。安卓设备在收到后显示葡萄糖值。整个过程大约耗时2秒。

　　图4：安卓设备截图

　　图5：完整方案

　　结果

为了确定上述设备的精确度，需要将读数与市场中现有的手提式家用侵入式血糖仪的结果进行对比。 Clarkson误差网格［1］是用于确定血糖监测仪精确度的标准方法。Y轴代表非侵入设备的读数，x轴代表已有的浸入式设备对相同患者在相同时间内的记录值。针对80位患者获得了超过100个测试点。误差网格如图4所示。75%左右的数据点都位于区域A，剩余点则处于区域B，其他区域没有数据点。非侵入式血糖仪和参考血糖仪测量值之间的关联系数等于0.85，体现出了非常好的关联效果。这里的精确性高于文献中大多数非侵入式血糖仪（尽管本次研究所用样本尺寸可能不够大并需要进一步测试和校准）。高性能的实现在一定程度上要归功于PSoC-5lp的高集成度模拟与数字功能以及低本底噪声和高分辨率模数转换功能。通过增大LED功率，使用敏感度更高的光电二极管，以及增加环