毫米波雷达能测血糖？国外用598KB的AI，让血糖监测不需要采血针|信号|光学|毫米波|电磁波|红外光|血糖|雷达

本文是专业学术论文解读，不做医疗建议

许多糖尿病患者每天要扎手指好几次，将血糖仪用针头刺破指尖，挤出一滴血之后，使用试纸读取数值，这个过程往往很疼，并且一天得重复好几遍。

患者还有一种选择是连续血糖监测仪，即在胳膊上贴一个传感器，使用皮下针头来测量组织液里的糖分，虽然一个能用十来天，但也要花不少钱，往往得每个月几百到上千块不等。

那么，有没有可能连皮肤都不碰就可以测出血糖？

近日，爱尔兰都柏林大学的研究团队打造了一种名为 GlucoRadar 的新方案，他们使用一个小型毫米波雷达，把其放在血糖溶液上方不到五厘米的地方，然后发射 60GHz 频段的电磁波，当电磁波穿过液体反射回来，就会携带葡萄糖浓度的信息。

据了解，毫米波雷达用于测血糖的物理基础在于，葡萄糖分子的大小是一纳米左右，雷达波长是五毫米左右，两者之间相差五百万倍。在这种条件之下，电磁波遇到葡萄糖分子之后会发生散射，导致不同浓度的葡萄糖溶液反射回来的信号特征不一样。

研究人员做了一系列的实验，他们把葡萄糖溶解在水里面，配制出了 16 种浓度，浓度从 50 毫克每分升到 200 毫克每分升不等，每隔 10 毫克为一个梯度，这个范围刚好覆盖了低血糖、正常血糖和高血糖的区间。雷达发射信号之后，就能接收反射波，随后可以采集 2.5 分钟的数据。

在原始信号里面有很多噪声，为此研究人员把多次测量结果加以平均，借此来消除随机波动；并用高通滤波器滤掉了雷达自己泄露的低频干扰；再使用一个特殊的窗函数处理信号，来减少频谱泄漏；最后提取出来信号的能量特征，其中包括了全频段总能量和五个子频段的局部能量。

这些能量值随葡萄糖浓度变化的规律是这样的：曲线起起伏伏的，不是那种一根直线或一条平滑曲线就能描述的关系，也正因如此反而适合用机器学习来处理。

研究中，他们设计了一个小型的卷积神经网络，结构上只有两个卷积层、一个池化层和两个全连接层。整个模型拥有十五万多个参数，所占用的存储空间是 598KB。换言之，一个普通的单片机一般有几百 KB 到几 MB 的闪存，而这个模型可以被塞进去。

对于这款模型来说，它要完成的任务是把雷达信号分成 16 个类别，每一个类别对应一个葡萄糖浓度。研究人员先把实测数据分成训练集、验证集和测试集，然后使用加噪声的办法把训练数据扩充到原来的三倍，这等于让模型看到了更多有细微变化的正样本，让泛化能力得到了提升。

最终结果显示：模型在测试集上的准确率高于九成。对于大多数的浓度类别，F1 分数都超过 85%。而从混淆矩阵来看，非对角线的数字都非常小，这说明模型很少会把一个浓度误判成另一个。但是，中间有个浓度值附近的准确率略低，研究人员认为这可能是那个浓度所对应的介电常数出现了某种共振，或者是模型在这个类别上的训练不够充分。

这套系统目前只做了体外实验，测的是水溶液而非真正的人体血液。而从水溶液到真实皮肤，中间隔了好几层组织。事实上，人体皮肤的厚度、含水量、温度和出汗情况都会影响电磁波的反射信号，远远比实验室里的培养皿要复杂得多。目前，FDA 也没有批准任何一款可被用于雷达测血糖的消费级产品。

尽管如此，这套方案还是提供了另一种思路。当前的无创血糖监测大多走的是光学路线，即使用近红外光照射手指或手腕来分析反射光谱。光学方法存在的问题是，人体皮肤里的水分、脂肪、肌肉都会吸收光线，导致葡萄糖的信号容易被淹没。毫米波雷达走的则是电磁波路线，但也同样面临组织干扰的问题，不过它测试的是反射信号的相位和能量，在信息维度和光学是不同的。