Edge-AI在无创血糖传感预测中的应用研究

许婷

摘要：在无处不在的物联网和人工智能快速发展的时代，尤其是AI技术在医疗产品领域占比逐步扩大化，如何根据糖尿病患者健康状况使用智能化医疗电子产品进行快速、有效、智能地预测血糖数值未来走势及时发现病危状况，这是当前传感器AI需要攻克的一大难题。因此，文章提出了一种基于Edge-AI技术的无创血糖健康智能预测系统。它通过将AI与边缘计算的无缝结合，使得人类血糖数据的预测功能更强、使用更方便、安全可靠性也更高效。这种智能便捷式的健康检测装置，其快速检测装置包括唾液采集装置、葡萄糖快速检测装置；其唾液采集装置包括唾液采集口、过滤网、存储腔、出口腔、唾液检测口；其葡萄糖快速检测装置包括处理器、唾液葡萄糖传感器、显示屏、外部存储器、按键模块。此智监测系统能够根据糖尿病患者健康状况进行快速、有效、智能地预测血糖数值未来走势及时发现病危状况。为医疗卫生的健康预测方面提供了强有力的技术支撑。

关键词：智能预测；边缘设备；血糖值；检测装置

中图分类号：TP311      文獻标识码：A

文章编号：1009-3044（2022）32-0106-03

1 概述

随着高科技应用智能化产品的用户数量不断攀升，尤其是AI技术在医疗产品领域占比逐步扩大化。已经应用于实际中血糖检测仪分别有普通家用血压仪、离子色谱血糖仪、电化学血糖仪等，而所用的智能化医疗电子产品存在着缺陷，只利用当前检测得到的数据来进行健康状况的查看，无法根据当前数据来精准智能预测人类血糖的未来健康数据的趋势特征。针对当今面向未来“无处不在智能”的需求，特别是降低处理延迟，降低系统的处理负载，解决数据传输的延迟问题，需要将智能显示装置和边缘设备与无线接入点（AP）和基站（BS）的边缘服务器之间的密切合作，提出的边缘计算和人工智能融合的Edge-AI新理论与新技术， 成为当前攻克预测有效健康数据的关键要素。针对这个问题，本文提出了一种基于Edge-AI技术的无创血糖健康智能预测系统。它通过将AI与边缘计算的无缝结合，使得人类血糖数据的预测功能更强、使用更方便、安全可靠性也更高。仿真实验结果表明，本文算法在根据当前采样数据值预测血糖走势时，有明显效果。

2 国内外研究现状

由于目前糖尿病患者的数量日益增多，血糖检测及预测越来越受到各国医疗界关注的热点。随着人工智能时代的到来，以及智能电子产品的风靡普及，国内外学者在此研究领域都进行了创新以及改进，国内外研究现状和发展趋势，其研究现状分析具体如下内容所示。

2.1 数据变化的稳定性

国外研究者Kamruzzaman[1]采用基于最小二乘法AR模型在血糖预测中的研究，该研究采用动态血糖检测系统对患者进行24小时监测，并记录血糖波动的相关数据变化，但只能仅限于根据血糖数据的变化趋势提前预测下一节点的血糖值，进而让血糖变得不平稳，血糖可能不在安全控制的范围内，因此会降低该功能的性能。

2.2 数据驱动的误差行

国外研究者M. H. Lee、M. M. Kim.提出了一种采用数据驱动的血糖预测方法，采用现行回归模型，实际血糖值并不满足，这样算法算出来的预测值就不是最优的数值了，同时被假设的那部分信息也被忽略了，检测人体所有生理参数包括血糖在内的历史动态数据，并计算误差行，只是简单地用模型预测下，方法较粗糙，导致了信息的浪费，不适用于实际生活中。

2.3 异常数据的精度性

国内研究者李孟泽、季忠等人[2]设计研制出一种基于非线性自回归神经网络和双波长的无创血糖检测方法，使用克拉克误差网格分析，存在异常数据对模型的不良影响，使得分析结果未达到使用的预测精度，其预测算法存在预测精度和预测延迟的两个问题，算法不能同时满足这两点，没有一个普遍的实用性算法来解决存在的问题。

综上所述可知， 关于血糖快速智能预测的系统已经成为当今研究热点，但是针对预测的精准度、实时性、稳定性、便捷性等存在一定的局限性。现如今关于该预测系统的技术方面都没有很好地利用到人工智能、机器学习以及高效的算法等方面改进系统的性能。单片机越来越强大的性能和越来越低的功耗使得复杂算法在边缘的部署成为现实，另一方面，是算法的发展在合理的准确度损失下需求的算力越来越小。单片机AI通过将人工智能模型的推理和训练过程推到边缘节点，因此采用Edge-AI技术可提高该类系统算法预测的高效率。

3 基于Edge-AI的无创血糖预测技术

3.1 研究开发背景

大多数计算密集型任务都在边缘设备之外执行，边缘设备最初是为了过滤数据并将其传输到云端而创建的，本文在边缘设备和云之间创建了一些代理层。其中数据、计算、存储和应用程序分布在数据源和云之间的逻辑高效位置，该层由一组靠近数据源的计算节点创建。这种架构提高了隐私和安全性，并降低了从边缘传输数据的成本。此外，由于减少了计算节点和数据源之间距离，数据所有者可实现更低的处理延迟。EI数据流如图1所示，边缘生成的数据来自不同来源，如当前采集的血糖值等，分为三个数据流：

1）首先是上传数据到云端，基于训练关于多源数据。模型训练完成后，云端会根据边缘数据进行推理，并将结果发送到边缘。这种数据流广泛用于传统的机器智能。

2）其次是直接在边缘执行推理。边缘生成的数据将作为从云端下载的边缘模型的输入。边缘将根据输入进行推理并输出结果。这是当前的 EI 数据流。

3）第三是在本地进行边缘培训。通过利用迁移学习，这些数据将用于在边缘重新训练模型。重新训练后，边缘将构建个性化模型，该模型对边缘生成的数据具有更好的性能。这将是 EI 的未来数据流。

3.2 系统模型

1）系统框架

本项目紧紧围绕运用Edge-AI技术来进行血糖预测这一研究，通过对表面等离子波共振技术与嵌入式技术相结合传感设备，如图2，快速检测出当前实时数据，接着进行Over-Sampling采集数据，依据当前传感器检测的实时数据进行模型评估与选择方法，然后通过AlexNet模型求取预测变量，接着使用EM算法来求期望，达到局部最优解。利用无监督具有学习能力的Edge-AI技术方法，从而进行信号分析、特征提取[3]、健康评估、血糖预测、数据可视化，让系统更加智能快速进行预测人类未来的血糖数值的走势特征，使得在当前时间段内实现更快速、更便捷、更精准的预测效果。从而达到能直接预测出误差最小的结果，从而可快速高灵敏预测人体血糖值，最终推算出人体内的血糖浓度，从而也能够高效地解决复杂血糖值的预测问题，为患者能预测自己病情状况提供最有效的技术。

2）能量模型

由于节点的能量供应有限，并且传输数据的队列也将受到限制。这会导致重要的数据包丢失，降低传感器网络的性能，并导致网络的拥塞现象。考虑到这种情况，因此本文中使用发送、接受业务数据流能耗模来描述上述问题。公式（1）是传输业务数据流的能耗，公式（2）是接收业务数据流的能量消耗。下式公式（1）中发射电路所耗能记作[Ψelec]，网络中阈值记作[r0]。[?t，1l，r=lΨelec+lδafsr2                 （ if rr0 ）                    （1）]

[?t，r=lΨelec                          ]                  [（2） ]

数据位数记[l]，自由空间模型进行放大功率的耗能记[?t，1]，多径衰减模型行放大功率的耗能记[?t，2]，从文献[4]设定参数传感器节点内部数据表如表1所示。

3.3 设计方案

1）检测设备装置

智能便捷式的唾液葡萄糖传感检测装置，其特征在于：所述的唾液葡萄糖传感器采用Y型光纤SPR传感器包括Y型光纤、光纤SPR探头，还包括报警装置（11），所述的报警装置（11）采用声光报警器，报警装置（11）的输入端与处理器（6）的输出端连接。所述的唾液检测口外部有丝口螺纹，唾液葡萄糖传感器（7）外部设置有丝口螺，唾液葡萄糖传感器（7）通过丝口螺杆和丝口螺与唾液检测口连接。

2）关键技术路线

该系统对慢性病患者的生命体征时刻进行监测，使用传感器Edge -TPU采集病患的数据，利用Edge边缘网关加工分析，使用云构建和训练机器学习模型，生成对抗网络GAN，进行对比监测发现异常并警报处理，使设备能够对来自其传感器的数据进行实时操作，上传到云平台管理。

传感器Edge- TPU采集数据：数据产生于终端、生产数据并执行决策。Edge -TPU用在边缘运行TensorFlow-Lite机器学习模型，在边缘部署高质量机器学习推理，以提供在传感器或网关设备中与标准芯片共同处理AI工作。针对TensorFLow机器学习模型优化，就不需要等待远程服务器回应，直接在设备完成。

Edge-AI边缘网关加工分析：对原始数据进行实时加工分析，小规模局部数据轻量处理，小數据存储，数据采集与实时控制，快速进行决策。使用机器学习来发现异常，建立正常行为的基线，网关本地完成AI分析计算，将结果汇总于云端或通过云端可以监视异常情况并发出警报。

云边协同模式：中心数据管理平台，大规模整体数据分析，深度学习训练，大数据存储，对分布云节点进行管理。可将数据处理和机器学习功能扩展到边缘设备，使设备能够对来自其传感器的数据进行实时操作，并在本地进行结果预测，形成“云管理，端计算”端云一体。

4 实验与性能对比

本文采用的传感网络模拟仿真的应用平台是OMNET++，在相当多的探究实验下得到了多方面的运用，其探究实验过程中使用到的参数[5]具体设定为以下所述：实验中允许最大元组延迟从一组血糖离散值中随机选取：200ms、400ms、2s、3s，内存缓存区大小设置为100（元组单位），CPU处理周期和缓存区调度周期分别设置为6s、2s，队列大小设定35，占空比初始数值是0.3，仿真时间是9s。经过测试，在实验中性能指标的模拟仿真相比，进行预测血糖趋势。

4.1 生命周期

由能量消耗最高的节点死亡的时间而结束，无线传感器网络在运行相当长的时间之后，因网络中能量、延迟等因素造成大量节点过早死亡，使得网络陷入停滞瘫痪状态而无法进行使用的状态是网络寿命。当网络死亡后，远Sink区域剩下大量的能量，超过初始能量的90%。在睡眠延迟和能量消耗之间保持平衡是一个挑战性的问题。

网络延迟具体来说就是一旦无线传感器网络正式运行直到任何一节点死亡，造成此种情况发生的时间间隔。它对无线网络的工作量、工作效率、工作时数产生严重影响。由于网络延迟取胜决于能量消耗最高节点的寿命，要最小化第一个节点的能源消耗速度。

定理1：假设网络中共有[σ]个节点，距离Sink为处的[σi]数据承担量为[?i]，发送一个数据包的能量消耗为[γi]，最小化网络延迟可通过公式（3）计算。

[Ι=min [Eimax1≤i≤（γit?it+γir?is+ξilpl+ξisen）]           （3）]

图3给出了节点通信半径和网络半径对网络延迟的影响。使用定理1可得出处于不同占空比数值，通过下述四组实验结果下，可以得出网络延迟最低处是在占空比数值为0.4时，节点通信半径r=110，传感器的网络半径为R=300时，此时的网络延迟是最小的，也就是说当网络中节点的占空比调整得比较合理时，节点的通信半径对网络延迟有一定影响，降低网络延迟，能快速准确预测血糖值趋势。

4.2 实验结论

本章基于OMNET++平台的仿真实验平台，通过大量的理论分析对方案进行评估，获得实验与性能对比分析结果。从网络接收的系统延迟时间网络的延迟等方面性能数据做了相关的仿真实验验证，各个方面的网络性能进行实验探究对比后，发现当占空比[Ηiset]=0.25，可提高网络能耗可利用率19%，降低网络延迟，同时还能保证预测血糖数据不低于以往研究。

5 结束语

本研究适用于智能医疗保健中云边协同提供边缘智能服务，通过产学研协同创新智能医疗服务云平台，使得医疗、高校科研团队之间展开合作，使医疗市场应用资源和高校、科研机构知识人才资源形成协同效应，为医学行业带来持续创新能力。平台的搭建在降低医疗行业运行成本的同时，又能提高高校科研团队的成果转化率，促进产学研协同创新发展。此技术提供边缘智能的连接与计算服务，满足行业在敏捷连接、实时业务、数据处理、应用智能、安全与隐私保护等方面的关键需求，助力医疗产业数字化转型升级。

参考文献：

[1] Kamruzzaman M M，Alrashdi Ibrahim，Alqazzaz Ali.Edge-AI在智慧城市医疗物联网中的新机遇、挑战和应用[J/OL].医疗工程杂志，2022（2022） .doi：10.1155/2022/2950699.

[2] 李孟泽，季忠，程锦绣，等.基于非线性自回归神经网络和双波长的无创血糖检测方法实现[J].生物医学工程学杂志，2021，38（2）：342-350.

[3] 杨宇祥，吴彬，林海军，等.无创血糖检测技术研究进展[J].分析测试学报，2022，41（4）：578-586.

[4] 方旭超，张培茗，饶兰，等.连续血糖检测技术研究进展[J].传感器与微系统，2019，38（8）：1-4，8.

[5] 叶东海，程锦绣，季忠.基于粒子群和反向传播神经网络的近红外光无创血糖检测方法研究[J].生物医学工程学杂志，2022，39（1）：158-165.

【通联编辑：谢媛媛】