中红外和光声光谱的结合作为侵入式葡萄糖检测技术的替代品显示出有希望的发展。已经开发了一种双单波长量子级联激光系统，使用光声光谱进行无创葡萄糖监测。已经用不同葡萄糖浓度的血液成分制备了与人体皮肤具有相似特性的生物医学皮肤模型，作为该装置的测试模型。该系统的检测灵敏度在高血糖血糖范围内已提高到 ± 12.5 mg/dL。已经开发出一种集成机器学习分类器来预测存在血液成分时的葡萄糖水平。该模型使用 72,360 个未处理的数据集进行训练，获得了 96 分。7% 的预测准确度，100% 的预测数据位于 Clarke 误差网格分析的 A 区和 B 区。这些发现符合美国食品药品监督管理局和加拿大卫生部对血糖监测仪的要求。
研究人员探索了各种无创葡萄糖检测技术，包括电磁感应1、2、阻抗谱3、4、电化学感应5、6和拉曼光谱7、8。然而，这些方法都没有满足生理必要性要求，因为它们的准确性低或操作不稳定9。已经开发了其他微创方法；然而，他们需要对传感器进行迭代手术植入，这会引发皮肤刺激的困境10. 红外 (IR) 光谱学，包括 MIR 和 NIR 区域，正在作为一种有前途的替代技术来开发，以替代侵入式血糖仪11、12。NIR 和 MIR 体系都表现出广泛而强烈的葡萄糖指纹吸收。此外，与 NIR 区域 13、14 相比，MIR 区域具有与其他血液成分的干扰更窄的特定葡萄糖指纹。
MIR 和光声 (PA) 光谱学的结合作为侵入式葡萄糖监测技术的替代品，近年来取得了可喜的发展15 , 16 , 17 , 18。PA 光谱利用 MIR 区域中葡萄糖分子的振动模式作为替代方法来补偿透射和吸收光谱中的光学损失。中红外区的量子级联激光器 (QCL) 具有产生强而稳定的 PA 信号的优势。QCL 产生的声信号可以到达人体皮肤的间质液 (ISF)，葡萄糖在表皮层中扩散19. 这些声音信号最终由灵敏的麦克风收集，以显示与血糖水平的直接关系。
Lilienfeld-Toal 等人首先探索了用于无创葡萄糖检测的 MIR 和 PA 光谱学的组合。2005年15 . 使用了两个单波长 QCL，一个在 1080 cm处作为参考。体内测量的相关系数 ( ) 为 0.61。2011 年，Pleitez 等人。17）和 1100 cm处检测手掌中的葡萄糖浓度−1−1−1−1R2R2−1−1−1−1为背景。使用双亥姆霍兹气室，相关系数提高到 0.7。Kottmann 等人进行了体外测量。16使用广泛可调谐的外腔 (EC) QCL。葡萄糖检测限为 ± 100 mg/dL，相关系数为 0.998。
2013 年，科特曼等人。20使用卤化银光纤进行光传输，以将葡萄糖水溶液中的三年后，同一研究小组采用双波长技术在 1080 和 1180 cm进行体内测量19。对于处于 90% 置信水平的 90 和 170 mg/dL 之间的葡萄糖水平，预测限提高到 ± 30 mg/dL。最近，在采用机器学习 18、21 的人造皮肤模型中，使用处的单波长QCL，检测灵敏度提高到 ± 25 mg/dLR2R2−1−1−1−1. 然而，根据美国食品和药物管理局 (FDA) 和加拿大卫生部 22、23的规定，对于临床批准的血糖仪，检测灵敏度必须为 ± 15 mg/dL 。表 1总结了用于葡萄糖检测的 PA 和 MIR 光谱学的最新进展。
在本文中，使用双单波长 QCL（1080 和 970 cm−1−1) 用于无创血糖监测。已经用从 100 到 275 mg/dL 的不同葡萄糖浓度的血液成分制备了与人类皮肤具有相似特性的人造皮肤模型作为该系统的测试模型。该葡萄糖范围涵盖了健康个体和糖尿病患者血糖水平的关注范围。双 QCL 系统展示了在存在白蛋白、乳酸钠、胆固醇和尿素的情况下检测葡萄糖浓度的可持续性。已经开发了一种机器学习 (ML) 分类器模型来预测皮肤样本的葡萄糖水平。该模型对含有和不含血液成分的样本均达到了 96.7% 的预测准确率，100% 的预测数据位于 Clarke 误差网格分析 (EGA) 的 A 区和 B 区。
结果与讨论
从自由空间到用于光传输的光纤耦合的转变提高了系统的信噪比，整个光谱的平均信噪比提高了 81%，如图 1 所示。背景噪声的悬浮有助于量化研究的声学范围内的葡萄糖信号。这种增强有助于实现将设置的检测灵敏度提高到 ± 12.5 mg/dL 的目标。此外，它有助于细化检测到的葡萄糖信号之间的相关因子。
图 2 a、b 分别显示了从第一组葡萄糖模型获得的 9.25 m 和 10.3 m QCL 的声学信号。这些图显示了每个光源每个葡萄糖浓度的两天测量的 10 轮平均值。样品中的葡萄糖差异在非糖尿病范围内设置为 ± 25 mg/dL，在糖尿病范围内设置为 ± 12.5 mg/dL，旨在实现满足 FDA 和加拿大卫生部要求的检测灵敏度22、23。对于 9.25米μ米μ米μm QCL，在葡萄糖指纹上租赁，由于葡萄糖分子对光的吸收较高，因此预计具有较高葡萄糖浓度的体模会产生较强的声学信号。发现所收集的声谱的第三个峰值，范围从 21 到 25 khz，与样本中的葡萄糖差异最密切相关。相比之下，来自 10.3 m QCL 的信号，正如预期的那样，并未显示与体模中的葡萄糖差异呈正相关。这是因为 10.3米波长对葡萄糖分子没有反应。因此，该波长可用作减去背景效应的参考。
在获得两个 QCL 的葡萄糖样品的声谱后，对曲线下的面积进行积分，以显示声信号与相应葡萄糖模型之间的关系。图 2c显示了两种情况的结果，一种是仅使用 9.25 m QCL 时，另一种是使用两个 QCL 时。对于第一种情况，来自 9.25米激光的积分信号显示声学信号与葡萄糖浓度之间呈正相关，线性相关系数为 0.946。9.25米μ米μ米μm 光源能够检测样品中的葡萄糖差异，葡萄糖差异为 ± 25 和 ± 12.5 mg/dL。± 25 和 ± 12.5 mg/dL 的两个葡萄糖样品的声学信号之间的平均分辨率分别为 3.8% 和 3.5%。这些分辨率表明葡萄糖声学信号的差异不一致，这表明添加与葡萄糖分子不对应的参考 QCL 以增强差异一致性的重要性。因此，10.3 m QCL 作为参考光源添加到系统中。两次 QCL 测量的结果将±25 和±12.5 mg/dL 的葡萄糖样品的平均分辨率提高到 4.8% 和 2.7%，从而将相关因子提高到 0.989，如图 2 的第二种情况 所示米μC。此外，结果的标准偏差从使用单个 QCL 的 1.51 降低到使用两个 QCL 的 0.79。评估标准偏差以确定整组葡萄糖样品之间差异的波动。在本实验中，使用单波长 QCL 将未处理数据的检测灵敏度提高到 ± 12.5 mg/dL。通过向系统添加参考波长以减去背景效应，进一步提高了检测灵敏度。
第二组葡萄糖模型是通过添加其他血液成分（即白蛋白、乳酸钠、胆固醇和尿素）制备的。这些血液成分同时添加到葡萄糖样品中，浓度范围为 100 至 275 mg/dL。目的是检查系统在存在可能干扰体内测量中的葡萄糖的这些成分的情况下的检测能力。图 3 m 和 10.3 m QCL进行的两天测量中每个葡萄糖浓度的 10 轮声学信号的平均值。结果表明，添加到样品中的血液成分会干扰葡萄糖信号，从而降低 9.25米μ米μ米μ米QCL。当对声谱曲线下的面积进行积分时，血液成分的影响清楚地显示在线性相关因子中。图 3c显示了声学信号与使用单 QCL 和双 QCL 的相应葡萄糖体模之间的关系。当仅使用 9.25 m QCL 时，系统未能正确检测到部分葡萄糖样品。仅使用 9.25 m QCL 的线性相关因子为 0.859，葡萄糖样品之间的平均分辨率为 2.01%。当 10.3\upmu \upmu \upmu米μ米μ米μm QCL 在测量中用作参考，相关因子提高到 0.987，平均分辨率为 2.15%。测量的标准偏差从使用单个 QCL 的 1.79 降低到使用两个 QCL 的 0.72。因此，在这种情况下，添加参考光源对于消除从葡萄糖以外的血液成分接收到的信号是必不可少的。此外，参考光源有助于减去随实验变化的环境条件（例如温度和湿度）的影响，以保持结果的一致性。
已经研究了透镜对测量精度的影响，以确定在系统中安装光学透镜的必要性。镜头的主要目的是让两个 QCL 都在样品的确切位置辐射，这有助于在血液成分分布不均匀的情况下进行检测选择性。图 3d 显示了使用带和不带光学透镜的双 QCL 的声学信号与相应葡萄糖样品之间的关系。在这两种情况下，系统都能够在血液成分存在的情况下检测到葡萄糖。然而，安装光学镜头将差异一致性的标准偏差提高了 60%。此外，当镜头安装到系统中时，相关系数从 0.934 提高到 0.987。表 2总结了两个葡萄糖模型和透镜效应的结果。
机器学习分类器模型
在确定系统使用双 QCL 检测有和没有血液成分的皮肤模型中葡萄糖的可行性后，使用未处理的数据开发了一个集成分类模型。该模型使用两个 QCL 的原始声学信号和 72,360 个数据集进行训练。集成分类器使用 30 个学习器的决策树和最大分裂数 180 实现了 96.7% 的预测准确率。集成分类器的混淆矩阵如图4a所示 。混淆矩阵通过表示预测类与参考类来可视化分类器的性能。然后将混淆矩阵转换为 Clarke 的 EGA，如图 4所示b、根据FDA要求对模型进行评估。该图表示分类器为每个数据样本预测葡萄糖类别的次数。这导致 98.89% 的预测结果位于 A 区，而 1.11% 位于 B 区。因此，开发的模型符合 FDA 葡萄糖监测仪标准，该标准要求 99% 的预测数据位于 A 区和 B. ML 模型开发的进一步发展对于体内测量建立稳健模型是必要的。例如，集成特征选择算法可以提高 ML 模型的预测精度并避免过拟合问题。此外，对数据进行预处理可以帮助去除背景产生的噪声。
结论
开发了一种使用光声光谱的双 QCL 系统，用于无创葡萄糖检测。开发的系统显示了使用单波长和双单波长 QCL 检测皮肤体模葡萄糖的可持续性。 m 的葡萄糖指纹下使用 QCL 激光，相关系数为 0.946，系统的检测灵敏度提高到 ± 12.5 mg/dL 。当参考 QCL 以 10.3米μ米μm, 被添加到系统中。此外，双 QCL 设置在存在干扰葡萄糖指纹的其他血液成分（即白蛋白、乳酸钠、胆固醇和尿素）的情况下检测葡萄糖方面显示出可喜的结果。两天测量的相关系数为 0.987，标准差为 0.72。系统中集成了一个光学透镜，以便在将血液成分添加到样本中时，两个激光器都能在样本的确切位置进行辐射。安装光学镜头后，相关系数从 0.934 提高到 0.987。
从测量中获得的 72,360 个数据集用于训练集成分类模型。来自两组幻影皮肤的声学信号被用于训练。该模型以 96.7% 的准确率成功预测了正确的幻影类别。所有预测结果都位于 Clarke 的 EGA 中的 A 区和 B 区。这些发现满足了 FDA 的两个条件，并被认为是进行体内测量之前的最后阶段。
