综述：基于红外吸收光谱的无创血糖监测技术
2025-05-31 20:36:30   来源：麦姆斯咨询   评论：0   点击：

糖尿病是一种以高血糖为特征的、目前尚无法治愈的代谢性疾病，患病率高得惊人。血糖自我监测在糖尿病管理中具有极其重要的意义。然而，传统的侵入式血糖监测设备给患者带来了诸多不便与不适。为此，非侵入式（无创）血糖监测研究被推向前沿，并展现出显著的临床应用价值。

据麦姆斯咨询报道，近期，中南大学陈先来教授团队在Biomedical Signal Processing and Control期刊上发表了题为“Infrared absorption spectroscopy-based non-invasive blood glucose monitoring technology: A comprehensive review”的综述论文，全面概述了基于吸收光谱的无创血糖监测的主要技术，包括物理方法、信号与数据处理技术，以及商业化进展。本综述既可作为无创血糖监测建模原理的入门指南，也可作为该技术应用方法的参考汇编。

无创血糖监测方法概述

传感器技术的进步正在逐步将传统的血糖检测方法转变为无创技术，即无需使用穿透皮肤或进入体内的器件。用于皮下血糖非侵入式提取的血糖专用传感器研究涵盖了光学、热学、电磁学和电化学等多种技术手段（见图1）。作为无创检测领域的研究热点，红外（IR）光谱技术凭借其强穿透性、快速性、无损性和环保性，在无创血糖监测研究中展现出巨大的潜力。

图1 基于传感器的无创血糖监测技术概览

无创血糖建模方法概述

从测量原理的角度来看，传统的血糖测量方法主要通过检测葡萄糖反应物（例如葡萄糖氧化酶）与血液或间质液（ISF）中的葡萄糖分子发生化学反应所产生的电信号。该信号强度通常与血糖浓度密切相关，因此能够实现较为准确的测量。相比之下，无创检测主要依赖间接的物理信号来表示血糖水平，导致信噪比（SNR）较低，与血糖浓度的相关性较弱。因此，有必要基于特定传感器构建血糖信号的提取与预测模型。

信号预处理流程通常包括信号降噪、增强及特征提取。不同信号源的具体预处理方法略有差异。降噪算法通常采用傅里叶变换、小波变换（WT）及自适应滤波等技术，以消除在数据采集过程中因电路系统、肌电干扰及运动伪影带来的噪声。信号增强算法旨在最大化信号纯度并最小化因传感器校准和灵敏度差异导致的数据偏差。特征提取通过从原始传感器数据中提取与血糖信号高度相关的特征，以减少冗余。这亦是传统机器学习算法建模的关键环节，常用方法包括主成分分析（PCA）和线性判别分析（LDA）等。近年来，越来越多的研究采用深度学习算法进行无创血糖数据建模，并取得了一定进展。深度神经网络可自动提取数据特征，这在一定程度上解决了从复杂信号中提取血糖信号的挑战。然而，深度学习模型的“黑箱”特性降低了模型的可解释性，尤其在血糖监测领域，可解释性直接关系到其对与临床诊断和治疗密切相关的指标的临床可信度。

红外光谱概述

红外光谱研究的是波长比可见光（VIS）更长的电磁波，其波长范围为770 nm至1 mm。传统上，红外光谱通常被划分为三个不同的区域：近红外（NIR）区域（波长范围为780 nm至2500 nm）、中红外（MIR）区域（波长范围为2500 nm至25,000 nm）以及远红外（FIR）区域（波长范围为25 μm至1000 μm）。

当含有化学键的有机分子受到红外光照射时，会发生共振现象，导致分子振动并从基态跃迁至更高能级，从而产生近红外光谱。近红外区域的主要光谱信息来源于含氢基团（例如–CH、–NH、–OH）的倍频吸收和组合频吸收，而这些基团的基本频率吸收则出现在中红外区域。因此，可以通过利用这些物质在红外吸收光谱中的吸收峰的位置和强度等特征对其进行定性和定量分析。

在近红外波段范围内，光线具有较强的穿透生物流体和软组织的能力（>0.5 mm），且散射程度低于紫外线（UV）或可见光。因此，近红外传感与测量可通过反射和透射两种方式实现。相反，中红外光对软组织的穿透能力较弱，主要通过反射方式进行测量。红外光谱系统的配置主要包括一个特定波长的红外光源、一个接收红外辐射的样本，以及一个光电二极管（PD），用于测量通过样本组织后衰减的透射或反射光波（见图2）。

图2 红外光谱的透射模式（下）和反射模式（上）的示意图

与实验室条件下的测量相比，体内（In vivo）测量时的皮肤组织的复杂性会导致葡萄糖的吸收信息与其它分子的信息叠加，测量结果还受到皮肤组织内光散射的进一步影响。因此，尽可能努力提取和分离出与葡萄糖相关的信息变得至关重要。

血糖监测的建模技术

随后，研究人员重点介绍了用于血糖监测的基于建模的技术，包括红外光谱的波长选择、光电容积脉搏波（PPG）的去噪技术、多传感器融合、序列建模技术以及个性化模型校准方法（见图3）。

图3 无创血糖监测中实验室（上）和体内（下）测量流程的示意图

红外光谱的波长选择

识别与葡萄糖分子相关的特征波长的目的是确定一组优化波长，以在测试数据集中将预测值与参考值之间的均方根误差（RMSE）最小化。

根据不同的标准和选择策略，特征选择方法可分为多种类别。在红外光谱应用的背景下，特征选择方法可大致分为三类：基于随机优化的算法、基于变量区间的算法以及基于信息变量的算法（见图4）。研究表明，上述方法均已被广泛应用于波长选择和建模过程中，并各自具有不同的优势与局限性。

图4 近红外波长选择方法概览

商业化无创血糖监测设备

从经济角度来看，无创血糖监测技术具有巨大的市场潜力和商业价值。随着人们健康意识的增强和糖尿病患者数量的增加，无创血糖监测技术有望成为未来糖尿病管理市场的主流产品之一。这将为设备制造商、医疗服务提供者、医疗器械供应商等带来巨大的商业机会。

本研究选择了具有代表性的商用设备来举例说明和讨论无创血糖监测技术的现状。选择过程考虑了基础技术、测量原理、市场准备情况和临床验证等参数。

图5 代表性的商用无创血糖监测设备：（a）D-POCKET（b）CoG-Hybrid Glucometer（c）GlucoBeam（d）Wizmi（e）LTT

小结

综上所述，这项研究全面综述了基于红外吸收光谱的无创血糖测量方法，不仅涵盖了与该技术相关的工程学科，还涉及相关的生理与生化理论，以及支撑该技术的建模技术。随后，研究人员还介绍了相关的无创血糖监测设备及其当前的发展状况。

当前无创血糖监测设备面临的一个显著限制在于尚无法完全替代传统的血糖仪。因此，持续改进至关重要，需通过算法、软件及设备属性的重大优化来提升性能。此外，需开展更多的临床研究以评估这些无创血糖监测设备在实际使用中是否能够真正改善患者的血糖控制效果。随着新技术的不断涌现和现有技术的持续优化，真正意义上的无创血糖监测解决方案的实现只是时间问题。

论文链接：https://doi.org/10.1016/j.bspc.2025.107750

延伸阅读：

《基于拉曼光谱的血糖监测专利态势分析-2024版》

《苹果在无创血糖监测领域的发明专利与产业布局分析》

《雅培辅理善瞬感持续血糖监测传感器产品分析》

《糖尿病管理技术及市场-2022版》