Información

¿Cómo funciona la medición no invasiva de la concentración de glucosa en sangre?

¿Cómo funciona la medición no invasiva de la concentración de glucosa en sangre?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Los pacientes con diabetes deben realizar la "punción digital" varias veces al día. Uno de los mecanismos de la "punción digital" es tomar una pequeña cantidad de muestra de sangre y colocarla en una tira reactiva. La enzima de la tira reactiva reduce la glucosa y la electrónica del medidor de glucosa detecta las especies redox producidas. Sin embargo, este método es doloroso y aumenta el riesgo de infección.

La tecnología de detección fotónica abre un nuevo método para la concentración de glucosa en sangre no invasiva. Según un artículo de medGadget en 2013 (el enlace sigue a http://www.medgadget.com/2013/10/non-invasive-measurement-of-blood-glucose-levels-using-glucotrack-interview.html), el se inventó el tipo no invasivo. Simplemente recortando el lóbulo de la oreja (sin perforar la piel), se pudo medir la concentración de glucosa en sangre. ¿Alguien conoce el principio de funcionamiento para eso? ¿O sugiere un artículo que describa eso?


No estoy exactamente seguro de cómo se hace de forma no invasiva de la manera que usted describe, pero sospecho que tiene que ver con la espectroscopia de absorción de infrarrojos. La glucosa tiene bandas distintas en el rango de frecuencia del infrarrojo cercano. Entonces, iluminando el lóbulo de la oreja y los capilares en la superficie, recogiendo la luz refractada y analizando espectralmente, debería poder determinar la cantidad de glucosa en relación con alguna calibración de referencia.

Trabajé para una empresa de nueva creación que hizo esto de forma semi-invasiva para las mediciones de glucosa en la UCI. Extrajimos una pequeña muestra de sangre y la analizamos ópticamente en una celda de vidrio usando un interferómetro de escaneo, luego devolvimos la sangre al paciente.

El método óptico que extrae sangre probablemente sea el mejor enfoque con respecto a la precisión, donde le gustaría llegar dentro de los 10 mg / dL, pero también tiene sus problemas, incluida la respuesta a los 'interferentes' en la sangre que pueden hacerse pasar por glucosa. mencionar el alto costo del interferómetro y el ensuciamiento del sistema de acceso a la sangre.


Sensores de glucosa: qué son y cómo funcionan # 038

Los sensores de glucosa son biosensores diseñados para detectar los niveles de glucosa, que es vital para controlar la diabetes. ¿Pero sabes cómo funciona realmente la tecnología?

Ya sea en forma de tira reactiva para un medidor de glucosa en sangre o un sensor para un monitor continuo de glucosa, la detección y medición de los niveles de glucosa son procesos similares. Siga leyendo para saber cómo funcionan los biosensores, incluidos los diferentes tipos de sensores de glucosa.


70-LB: Técnicas no invasivas de medición de glucosa en sangre basadas en el método de conformación por calor metabólico sin equilibrio

El método tradicional de conformación por calor metabólico (MHC) se puede utilizar para mediciones de glucosa en sangre no invasivas cuando el cuerpo está en estado de equilibrio térmico. Pero en un estado de equilibrio no térmico, como después de las comidas, el método tradicional puede resultar en una precisión deficiente. Proponemos un nuevo método mediante la ampliación del principio MHC para cubrir el estado de no equilibrio y desarrollar un nuevo estándar de medición y algoritmo de cálculo. La medición de glucosa en sangre para el nuevo algoritmo es la suma de la glucosa en sangre en estado de equilibrio y el aumento de glucosa en sangre en estado de no equilibrio. Los resultados de los ensayos clínicos que utilizan este nuevo método muestran una mejora significativa en la precisión de las mediciones de glucosa en sangre. En comparación con el método tradicional MHC, las mediciones que utilizan el nuevo método dan como resultado una mejora en los coeficientes de correlación con la concentración de glucosa extraída de sangre intravenosa de 0,71 a 0,93 (para mediciones en ayunas), de 0,61 a 0,93 (para mediciones de 2 horas después de una comida) y de 0,63 a 0,89 (para mediciones de 3,5 horas después de una comida). Aplicando el análisis Parkes Error Standard, en el método MHC tradicional, el rango A (el error relativo no supera el ± 20%) representa solo el 54,3%, el rango B (el error relativo no supera el ± 50%) representa el 39,6%. En el nuevo método, el rango A representa el 81,1% y el rango B representa el 16,2%.


2. Principios básicos de los biosensores de glucosa

Un biosensor puede definirse como un dispositivo o unidad analítica compacta que incorpora un elemento de reconocimiento sensible biológico o derivado de la biología integrado o asociado con un transductor fisioquímico & # x0201d [18]. Hay tres partes principales de un biosensor: (i) los elementos de reconocimiento biológico que diferencian las moléculas diana en presencia de varios químicos, (ii) un transductor que convierte el evento de biosensor en una señal medible, y (iii) un procesamiento de señal. sistema que convierte la señal en un formato legible [19 & # x0201321]. Los elementos de reconocimiento molecular incluyen receptores, enzimas, anticuerpos, ácidos nucleicos, microorganismos y lectinas [22, 23]. Las cinco clases principales de transductores son electroquímicos, ópticos, termométricos, piezoeléctricos y magnéticos [24]. La mayoría de los biosensores de glucosa actuales son de tipo electroquímico, por su mejor sensibilidad, reproducibilidad, fácil mantenimiento y bajo costo. Los sensores electroquímicos pueden subdividirse en tipos potenciométricos, amperométricos o conductimétricos [25 & # x0201327]. Los biosensores enzimáticos amperométricos de glucosa son los dispositivos más comunes disponibles comercialmente y se han estudiado ampliamente durante las últimas décadas. Los sensores amperométricos controlan las corrientes generadas cuando los electrones se intercambian directa o indirectamente entre un sistema biológico y un electrodo [28, 29].

Generalmente, las mediciones de glucosa se basan en interacciones con una de tres enzimas: hexoquinasa, glucosa oxidasa (GOx) o glucosa-1-deshidrogenasa (GDH) [30,31]. El ensayo de hexoquinasa es el método de referencia para medir la glucosa mediante espectrofotometría en muchos laboratorios clínicos [32]. Los biosensores de glucosa para SMBG generalmente se basan en las dos familias de enzimas, GOx y GDH. Estas enzimas difieren en potenciales redox, cofactores, tasa de renovación y selectividad para la glucosa [33]. GOx es la enzima estándar para biosensores y tiene una selectividad relativamente más alta para la glucosa. La GOx es fácil de obtener, barata y puede soportar mayores extremos de pH, fuerza iónica y temperatura que muchas otras enzimas, lo que permite condiciones menos estrictas durante el proceso de fabricación y normas de almacenamiento relativamente relajadas para uso por usuarios legos de biosensores [33,34 ].

El concepto básico del biosensor de glucosa se basa en el hecho de que el GOx inmovilizado cataliza la oxidación de & # x003b2-D-glucosa por oxígeno molecular produciendo ácido glucónico y peróxido de hidrógeno [35]. Para funcionar como catalizador, GOx requiere un cofactor redox & # x02014 flavina adenina dinucleótido (FAD). FAD funciona como aceptor de electrones inicial y se reduce a FADH2.

El cofactor se regenera al reaccionar con el oxígeno, dando lugar a la formación de peróxidos de hidrógeno.

El peróxido de hidrógeno se oxida en un ánodo catalítico, clásicamente de platino (Pt). El electrodo reconoce fácilmente el número de transferencias de electrones, y este flujo de electrones es proporcional al número de moléculas de glucosa presentes en la sangre [36].

Se utilizan tres estrategias generales para la detección electroquímica de glucosa midiendo el consumo de oxígeno, midiendo la cantidad de peróxido de hidrógeno producido por la reacción enzimática o utilizando un mediador difusible o inmovilizado para transferir los electrones del GOx al electrodo. El número y los tipos de biosensores amperométricos basados ​​en GDH han aumentado recientemente. La familia GDH incluye GDH-pirroquinolinquinona (PQQ) [37 & # x0201339] y GDH-nicotinamida-adenina dinucleótido (NAD) [40 & # x0201342]. La reacción enzimática de GDH es independiente del oxígeno disuelto. El elemento de reconocimiento de quinoproteína GDH utiliza PQQ como cofactor.

Este mecanismo no requiere ni oxígeno ni NAD +. GDH-PQQ es un sistema enzimático particularmente eficaz, con una rápida tasa de transferencia de electrones, pero es relativamente caro [17].

GDH con NAD como cofactor produce NADH en lugar de H2O2. NAD es un aceptor de electrones importante en la oxidación de glucosa, durante la cual el anillo de nicotinamida de NAD + acepta un ion hidrógeno y dos electrones, equivalente a un ion hidruro. La forma reducida de este portador que se genera en esta reacción se llama NADH, que puede oxidarse electroquímicamente.


Estimación de la glucemia por método no invasivo mediante fotopletismografía

Este artículo presenta un sistema que estima el nivel de glucosa en sangre (BGL) por un método no invasivo usando fotopletismografía (PPG). Estudios anteriores han demostrado una mejor estimación del nivel de glucosa en sangre utilizando un sensor óptico. Se construye un sistema de adquisición de datos basado en un sensor óptico y se registra la señal PPG de los sujetos. La principal contribución de este artículo es explorar varias características de una señal PPG utilizando la técnica de análisis de pulso único para una estimación eficaz de los valores de BGL. Se registran datos de PPG de 611 individuos durante una duración de 3 minutos cada uno. La estimación del valor de BGL se realiza utilizando dos tipos de conjuntos de características, (i) características de dominio de tiempo y frecuencia y (ii) análisis de pulso único (SPA). La red neuronal se entrena utilizando los conjuntos de características propuestos mencionados anteriormente y se realiza la estimación del valor de BGL. Primero validamos nuestra metodología utilizando las mismas características utilizadas por Monte Moreno en su trabajo anterior. La experimentación se realiza en nuestro propio conjunto de datos. Obtuvimos resultados comparables de la estimación del valor de BGL en comparación con Monte Moreno, con un máximo de R 2 = 0,81. Además, se realiza la estimación de BGL utilizando (i) características de dominio de tiempo y frecuencia y (ii) Análisis de pulso único (SPA) y el coeficiente de determinación resultante (es decir, R 2) obtenido para referencia frente a predicción es 0,84 y 0,91, respectivamente. El análisis de cuadrícula de errores de Clarke para la estimación de BGL está clínicamente aceptado, por lo que realizamos un análisis similar. Utilizando el conjunto de características de dominio de tiempo y frecuencia, las distribuciones de muestras de datos se obtienen como 80,6% en la clase A y 17,4% en la clase B. Muestras del 1% en la zona C y la zona D. Para la técnica de análisis de pulso único (SPA), la distribución de datos las muestras son 83% en la clase A y 17% en la clase B. Las características propuestas en SPA han mostrado una mejora significativa en el análisis de cuadrícula de R 2 y Clarke Error. La técnica SPA con el conjunto de características propuesto es una buena opción para la implementación de un sistema de medición de glucómetro no invasivo.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Métodos

Glucómetro continuo no invasivo

Trabajos anteriores muestran que las características ópticas 26,27,37 y eléctricas 13,18,20,21 de la piel, la temperatura y la humedad 24,25 están todas relacionadas con cambios en la glucosa. En este trabajo se diseñaron dos sondas multisensores (una más grande y la otra pequeña), que se pueden colocar en la muñeca y la parte superior del brazo como se muestra en la Fig. 5. La más grande estaba equipada con diodos emisores de luz (LED), un sensor fotoeléctrico, sensor de temperatura, sensor de humedad, electrodo flexible de alta frecuencia y un polo de un electrodo de baja frecuencia. El más pequeño estaba equipado con el otro polo del electrodo de baja frecuencia, que se puede usar con la sonda más grande para detectar la impedancia de baja frecuencia del brazo.

El glucómetro continuo no invasivo basado en multisensores. La parte izquierda eran las sondas multisensores (la superior es la sonda más grande y la inferior es la sonda más pequeña), la parte derecha era un mapa esquemático que muestra cómo usar las sondas.

Las longitudes de onda de los LED son 660 nm, 730 nm, 800 nm y 940 nm. El tamaño del electrodo de alta frecuencia es de 30 mm × 20 mm, la distancia entre los dos polos es de 4 mm, el rango de frecuencia es de 10–60 MHz y la inductancia correspondiente es de 220 nH. El electrodo de baja frecuencia está hecho de acero inoxidable de tamaño 5 mm × 5 mm, la distancia entre los dos polos durante el funcionamiento es de aproximadamente 25 cm y el rango de frecuencia es de 1–150 KHz.

Modelado

Marco de algoritmos

La Figura 6 muestra el marco del algoritmo, que se puede dividir en una parte de modelado y una parte de estimación. La parte de modelado se puede dividir en cuatro pasos. Primero, se ingresaron el perfil de glucosa de referencia y los datos originales requeridos para el modelado. En segundo lugar, todas las características candidatas se calcularon a partir de los datos originales, las características se examinaron de acuerdo con la similitud entre la característica y el perfil de glucosa de referencia, se agregaron en el subconjunto de características relacionadas y se registraron en la información de características relacionadas. En tercer lugar, se construyó el modelo de función única. El modelo se estableció en función de cada característica relacionada mediante el análisis de series de tiempo, y luego se obtuvieron los parámetros del modelo de característica única y los perfiles de glucosa basados ​​en el modelo de característica única. Finalmente, se llevó a cabo la fusión de múltiples funciones. Los perfiles de glucosa basados ​​en modelos de función única se integraron utilizando el método de promedio ponderado, y luego se obtuvieron los parámetros de fusión de funciones múltiples. Los parámetros del modelo de función única y los parámetros de fusión de funciones múltiples constituyeron el modelo de estimación del perfil de glucosa.

El marco del algoritmo. La parte izquierda mostró cómo obtener los parámetros del modelo a través del modelado, y la parte derecha mostró cómo obtener el perfil de glucosa estimado utilizando los parámetros del modelo.

Al estimar el perfil de glucosa, los datos originales requeridos para la estimación se ingresaron en el sistema, las características relacionadas se extrajeron de acuerdo con la información de características relacionadas obtenida durante el proceso de modelado, y luego el subconjunto de características relacionadas se ingresó en el modelo de estimación para obtener la estimación. perfil de glucosa. Una vez obtenido el perfil de glucosa estimado, se puede obtener a partir de él el tiempo pico de glucosa posprandial.

Selección de características

La extracción de características relacionadas con la glucosa (en lo sucesivo, características relacionadas) de todas las características candidatas es un paso muy importante en la investigación de la glucosa no invasiva. En este artículo, se utilizó una función de correlación cruzada para realizar el cribado de características.

Una CCF (función de correlación cruzada) es una medida de la similitud de dos series en función del desplazamiento de una con respecto a la otra. (y (n) ) es la serie de tiempo de la glucosa de referencia, (x (n) ) es la serie de tiempo de una determinada característica, ( tau ) es el desplazamiento. El CCF se puede describir mediante la ecuación (6).

donde (R ( tau) ) es el valor CCF. Normalmente, CCF se utiliza para determinar el tiempo de retardo entre dos señales de acuerdo con el valor máximo, (_ < max> ). En el cribado de características, cuando el valor CCF máximo excede el valor umbral, las dos señales se consideran similares y la característica se selecciona como característica relacionada.

Para eliminar la influencia de las perturbaciones aleatorias, la serie de tiempo original se sometió primero a un filtrado de ondículas antes de calcular la CCF.

Modelo de función única y fusión de funciones múltiples

En un experimento, se puede obtener un perfil de glucosa estimado en función de cada característica relacionada, que se denomina modelo de característica única. Al realizar un algoritmo de promedio ponderado para todos los perfiles de glucosa de estimación basados ​​en cada característica relacionada, se puede obtener un perfil de glucosa de estimación basado en múltiples características, que se denomina fusión de múltiples características.

Dado que la característica en el momento de la medición probablemente esté relacionada con el nivel de glucosa del período anterior, se utilizó el análisis de series de tiempo para establecer un modelo de característica única. Se utilizó un modelo de promedio móvil (MA) para expresar la relación entre la característica relacionada y el valor de glucosa de referencia, como se muestra en la ecuación (7):

dónde Glu (t) es el valor de glucosa de referencia en t, I es el número de serie de la función relacionada, X I(tnorte) es el valor de la característica relacionada en tnorte, B en es el coeficiente del modelo, metro es el orden del modelo y ε I(t) es el error residual.

El resultado del modelo MA es (_(t) ). El tiempo de retraso T I Entre (_(t) ) y (Glu (t) ) se calcula mediante CCF, y luego T I se elimina para obtener el perfil de glucosa final basado en el modelo de función única (_(t) ), como se muestra en la ecuación (8):

En la fusión de funciones múltiples, se realizó un algoritmo de promedio ponderado para fusionar todos los perfiles de glucosa basados ​​en modelos de función única (_(t) ), y finalmente obtenga (G (t) ) como se muestra en la ecuación (9):

donde (G (t) ) es el perfil de glucosa estimado basado en la fusión de múltiples funciones, y (_) es el peso del perfil de glucosa basado en el modelo de función única calculado utilizando el con característica relacionada.

En el proceso de modelado, los parámetros del modelo de característica única se pueden obtener como T I, B en y metro, y los parámetros de fusión de múltiples funciones se pueden obtener como K I. Durante la estimación de glucosa, las características se extraen de la información de características relacionadas y se agregan al subconjunto de características. El perfil de glucosa estimado se puede obtener utilizando parámetros de modelo de función única y parámetros de fusión de funciones múltiples.

Diseño experimental

Para verificar la efectividad del algoritmo, se reclutaron voluntarios sanos y voluntarios con diabetes para múltiples experimentos. Este experimento fue aprobado por el comité de ética del Primer Hospital de la Universidad de Pekín y todos los métodos se realizaron de acuerdo con las pautas y regulaciones pertinentes. En total, se reclutaron tres voluntarios con diabetes, cada uno de ellos aceptando participar en cinco experimentos, y seis voluntarios sanos, cada uno de ellos aceptando participar en tres experimentos de almuerzo. Los voluntarios con diabetes eran pacientes hospitalizados que llevaban un glucómetro dinámico (Medtronic, MiniMed Paradigm 722) durante 72 h continuas de monitorización. Se obtuvo el consentimiento informado de todos los participantes. Cada uno de ellos fue sometido a tres experimentos de almuerzo y dos experimentos de cena, en los que el almuerzo se estandarizó e incluyó 90 g de tortilla estándar, mientras que la cena fue sin requisitos específicos. Los voluntarios sanos se sometieron únicamente al experimento estándar del almuerzo una vez a la semana sin usar el glucómetro dinámico.

Diez minutos antes de la comida, los voluntarios usaron el glucómetro continuo no invasivo desarrollado y se sometieron a un control de glucosa mediante punción digital (glucómetro Roche, ACCU-CHEK® Performa) una vez como referencia para la glucosa en ayunas. A continuación, se puso en marcha el temporizador. La hora de la comida debe controlarse entre 10 y 15 minutos. La monitorización de la glucosa por punción digital se realizó una vez cada 30 min. Durante el experimento, los voluntarios se mantuvieron en el interior y se les pidió que no realizaran ejercicios extenuantes. A los voluntarios con diabetes no se les impidió usar medicamentos hipoglucemiantes o inyecciones de insulina. Para voluntarios sanos, los perfiles de glucosa de referencia se obtuvieron interpolando a través de la punta del dedo. Para los voluntarios con diabetes, los perfiles de glucosa de referencia se obtuvieron mediante el glucómetro dinámico.

Disponibilidad de datos

Los conjuntos de datos generados durante y / o analizados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable.


La facultad de ingeniería eléctrica de LUMS propone una monitorización de glucosa no invasiva y asequible

A partir de 2020, según la Federación Internacional de Diabetes, el 17,1% de la población adulta de Pakistán, que es aproximadamente 19 millones de 113 millones de adultos, padece diabetes. Según el Instituto de Métricas y Evaluación de la Salud (IHME), un centro de investigación de salud global independiente de la Universidad de Washington, la diabetes se ubicó entre las diez principales causas de muerte en Pakistán en 2017.

La diabetes es una enfermedad que afecta la capacidad del cuerpo para producir insulina o dificulta el uso eficaz de la insulina en el cuerpo humano. La insulina es una hormona que regula nuestros niveles de glucosa en sangre al permitir que nuestro cuerpo use o almacene el azúcar (glucosa) de los alimentos enriquecidos con carbohidratos que consumimos. Esta enfermedad no perdona a nadie, es frecuente en niños, jóvenes, adultos y mujeres embarazadas. Si no se trata, podría provocar una falla orgánica múltiple que eventualmente resultaría en la muerte.

Al Dr. Wala Saadeh del Departamento de Ingeniería Eléctrica de la Facultad de Ciencias e Ingeniería de LUMS se le ocurrió la idea de desarrollar un dispositivo de monitoreo de nivel de glucosa en sangre asequible y no invasivo. La inspiración de la idea vino cuando conoció a una mujer y su hijo diabético en el aeropuerto, recuerda el Dr. Saadeh. La madre tuvo que controlar los niveles de glucosa en sangre de su hijo varias veces durante el día utilizando el método convencional de punción en el dedo y administrar inyecciones diarias de insulina.

La mayoría de los que crecimos con padres, abuelos, hermanos o amigos diabéticos estamos familiarizados con los repetidos pinchazos en los dedos para controlar los niveles de azúcar, lo que puede ser doloroso y también deja al paciente vulnerable a varios tipos de infecciones.

En un artículo de investigación en coautoría con su estudiante, Aminah Hina, titulado 'SoC de monitoreo de glucosa no invasivo basado en fotopletismografía de longitud de onda única' y publicado en IEEE Transactions on Biomedical Circuits and Systems (Vol. 14, no. 3, págs. 504-515, junio de 2020), el equipo de investigación propone un dispositivo como los que se utilizan en los hospitales para controlar el nivel de concentración de oxígeno y la frecuencia cardíaca. Básicamente, el paciente coloca su dedo en un dispositivo similar a un clip, que mide el nivel de glucosa en sangre.

El método implica enviar una onda de luz a través del cuerpo y detectar los niveles de glucosa usando un sensor en el otro lado. Dado que no existe una relación directa entre la luz incidente, la luz resultante y el nivel de glucosa en sangre, el equipo ha utilizado un algoritmo de aprendizaje automático entrenado para mapear características de luz específicas con ciertos valores de glucosa en sangre. El algoritmo de aprendizaje automático permite detectar y cuantificar los niveles de glucosa y se basa en una técnica altamente sensible para medir los volúmenes de sangre mediante pulsos ópticos del infrarrojo cercano, denominada fotopletismografía.

Mientras realizaba su investigación, el equipo del Dr. Saadeh probó el dispositivo en 200 estudiantes de LUMS. Sin embargo, no pudieron encontrar un número suficiente de pacientes diabéticos en el campus. Por lo tanto, el algoritmo de aprendizaje automático utilizado se calibró para los niveles normales de glucosa en sangre. Ahora están trabajando con una clínica local, que trata a pacientes diabéticos para recalibrar el algoritmo en consecuencia. El equipo demostró por primera vez el prototipo inicial del dispositivo en el Simposio Internacional de Circuitos y Sistemas IEEE organizado en Japón en 2019.

El equipo de investigación ahora está trabajando en el segundo prototipo del dispositivo, con el objetivo de hacer que el circuito sea más pequeño para que quepa en un solo chip y hacer que las mediciones sean aún más precisas a través de pruebas exhaustivas en pacientes diabéticos.

Es importante tener en cuenta que algunos dispositivos de control del nivel de glucosa en sangre no invasivos, como el GlucoTrack ©, están disponibles en el mercado, pero son extremadamente caros. Por ejemplo, el costo único de GlucoTrack © es aproximadamente PKR 3.4 lac con un costo recurrente de PKR 30,000 cada 6 meses. Una vez que la Dra. Saadeh y su equipo estén listos, aspirarán a trabajar con empresas que fabrican dispositivos médicos para hacer que este dispositivo no invasivo de control del nivel de glucosa en sangre esté disponible para el público a precios asequibles. El Dr. Safeeullah Chaudhry del Departamento de Biología de la Facultad de Ciencias e Ingeniería también está trabajando en estrecha colaboración con una empresa emergente llamada Byonyks en el control de glucosa no invasivo. Se espera que surjan noticias más interesantes de estos grupos a su debido tiempo.


Registros de proyectos

Por qué trabajo en proyectos como estos.

Este es mi vlog, pero este se centra en mi proyecto NIRGM, salte adelante si no está interesado en todo el asunto del & quotvlog & quot.

¡Gracias Adafruit!

Adafruit presentó mi proyecto hoy. He recibido muchos correos electrónicos relacionados con la ayuda con el proyecto, ¡es realmente increíble! Necesito limpiar un poco el proyecto y publicarlo en GitHub para que haya más acceso para todos. Admitiré que no soy el mejor cuando se trata de hacer eso, así que haré todo lo posible para configurarlo todo (el tiempo es un factor muy importante). Hay muchas personas ansiosas por ayudar a programar o recopilar datos, ¡así que necesito arreglar el diseño antes de decirle a la gente que comience a construirlos!

Si aún no te he enviado un correo electrónico, no te preocupes, los estoy revisando y llegaré a ti eventualmente. ¡Todos son apreciados!

Los LED apagados no lo cortan.

Me di cuenta de que debería haber pedido (hace mucho tiempo) algunos LED de alta calidad. Los baratos estándar que siempre obtengo no lo están cortando. Hice una breve búsqueda en Digikey y encontré algunos serios para el trabajo que deberían ser mucho mejores y también siguen siendo 0603, por lo que no es necesario pedir una nueva placa.

El IR y el NIR ya son lo suficientemente potentes, espero.


RESULTADOS

Concepto y diseño del sistema de detección propuesto

Aquí, presentamos un enfoque portátil no invasivo, el primero en su tipo, que se basa en sensores flexibles que se pueden alinear con las curvaturas del cuerpo y ajustarse a pequeños movimientos mientras se enfoca en la adaptación efectiva de las ondas EM para monitorear directamente el GL de la sangre (patente de EE. UU. No. PCT / US2018 / 054627) (15). Por lo tanto, se propone un sistema multisensor que se dirige a dos ubicaciones corporales diferentes y se basa en frecuencias de múltiples operaciones (Fig. 1).

(A) Las ranuras de la antena (Patente de EE. UU. N.o PCT / US19 / 39238) (33) y el filtro (Patente Provisional de EE. UU. núm. 62 / 811,760) (34) están inspirados en la anatomía de las venas y arterias de la mano y el brazo (Patente de EE. UU. no. PCT / US2018 / 054627) (15), respectivamente. (B) Los sensores propuestos operan en las bandas de UHF y microondas, asegurando suficiente profundidad de penetración de ondas EM para alcanzar las venas y arterias objetivo junto con un amplio rango de caracterización (la imagen fue modificada de YokoDesign / Shutterstock). (C) Izquierda: Capa de detección superior del prototipo de antena de ranura flexible. Derecha: Capa de detección superior del prototipo del filtro de rechazo de banda. (D) Izquierda: Esquema de la antena de ranura flexible que apunta a los vasos de la mano. Derecha: Capa inferior del filtro de rechazo de banda propuesto montado en el brazo. Crédito de la foto: Jessica Hanna, Universidad Americana de Beirut.

El sistema está compuesto por dos sensores basados ​​en EM: una antena de ranura multibanda y un filtro de rechazo multibanda (Fig. 1A). Para lograr una alta sensibilidad hacia las variaciones de glucosa, se consideran diferentes aspectos. Primero, los sensores propuestos están diseñados para operar en las bandas de frecuencia ultra alta (UHF) superior e inferior de microondas entre 500 MHz y 3 GHz. Este rango de frecuencia permite llegar a las venas y arterias objetivo, a través de la piel, los músculos y las capas de tejido graso (Fig. 1B) mientras se mantiene una buena sensibilidad (se proporcionan más detalles en el texto complementario). En segundo lugar, las estructuras propuestas imitan la anatomía de la vasculatura (Fig. 1A). Verificamos que al concentrar las ondas EM directamente hacia la red sanguínea, logramos una mayor sensibilidad. Además, las múltiples ranuras dan como resultado una respuesta multibanda, lo que nos permite monitorear el GL en una amplia gama de frecuencias. Más adelante demostramos que esto, a su vez, mejora la precisión de la estimación GL utilizando técnicas de modelado de regresión multivariante. Además, la antena propuesta está diseñada cuando se carga con un modelo de mano humana. El funcionamiento de una antena no solo depende de las dimensiones físicas de su estructura, sino que también depende de la permitividad del MUT. Dado que, en nuestra aplicación, la antena irradiará cerca del cuerpo humano, que se considera un medio de alta pérdida, se adopta un nuevo enfoque de diseño. Este enfoque, denominado aquí como adaptación corporal, hace coincidir la antena con el cuerpo humano. Como resultado, la antena propuesta está diseñada para funcionar cuando se carga con un modelo de mano humana utilizando el simulador de escritorio ANSYS Electronics. Al hacer coincidir la antena con el cuerpo humano, los reflejos en el límite entre el aire y la piel se reducen y se transmite más energía al cuerpo, lo que permite un análisis más confiable de las variaciones de glucosa en sangre. Esta técnica supera los diseños tradicionales de antenas que sufren fuertes reflejos de las ondas incidentes cuando se colocan en contacto con el cuerpo humano o cerca de él, especialmente en la interfaz aire-piel (16). Hacer coincidir la antena con el cuerpo humano es de suma importancia para nuestra aplicación. En cuanto al filtro, su función de ajuste es un aspecto importante, que agrega otro grado de libertad al diseño, lo que permite una mayor adaptación del sistema de detección para adaptarse mejor a las características individuales específicas.

Como prueba de concepto, nuestro primer prototipo está diseñado para imitar la red sanguínea en dos ubicaciones diferentes: la mano y el brazo (Fig. 1D, izquierda). La antena diseñada está integrada como parte de un guante portátil, que monitorea el BGL al detectar la red de vasculatura de la mano. El filtro está incorporado como parte de un brazalete (Fig. 1D, derecha). Esta incorporación diversa de los componentes de detección en múltiples ubicaciones permite una mayor precisión y una respuesta más rápida en el seguimiento de BGL. Se desarrollan varios prototipos destinados a ambas ubicaciones de detección. Los prototipos conceptuales se prueban en sustratos rígidos. Luego se adopta una topología completamente flexible para adaptarse mejor a la naturaleza del cuerpo humano.

Ambos sensores están diseñados y simulados utilizando el simulador de escritorio ANSYS Electronics (17). Ambos están compuestos por tres capas. La capa superior de detección comprende las ranuras, la capa intermedia está compuesta por el sustrato dieléctrico y la capa inferior contiene la línea de alimentación (Fig. 1C).

Las ranuras de la antena imitan partes del arco palmar profundo, el arco palmar superficial, las arterias digitales palmares y las venas metacarpianas dorsales presentes en la mano (Fig. 1D, izquierda). Para lograr una operación multibanda, estas ranuras son excitadas por una línea de alimentación de 50 ohmios en forma de espiral. Esto permite detectar BGL a través de interacciones de ondas en una multitud de frecuencias. La distribución de la superficie actual muestra áreas altamente concentradas alrededor de las ranuras de la antena flexible a diferentes frecuencias (Fig. 2A, arriba).

(A) Distribución de corriente superficial (Jsurf). Arriba: distribución actual de la antena a 0,8 GHz (izquierda) y 1,2 GHz (derecha). Abajo: distribución actual del filtro a 1.8 GHz (izquierda) y 2.2 GHz (derecha). (B) El efecto de doblar la antena con diferentes diámetros de doblado en el S11 parámetros. (C) El efecto de apertura y cierre de los dedos en la antena flexible S11 parámetros cuando se integra en un guante. Crédito de la foto: Jessica Hanna, Universidad Americana de Beirut.

Tenga en cuenta que la flexibilidad del sistema propuesto (Fig. 2, B y C) y su facilidad de uso están destinadas a mejorar la compatibilidad del sensor con los movimientos corporales esperados y la adaptabilidad a la superficie corporal. Primero evaluamos el desempeño de la antena en dos situaciones diferentes, probamos el desempeño de la antena en curvaturas de diferentes diámetros de flexión. La antena mantuvo un rendimiento estable para varias configuraciones sobre superficies planas o curvas, como se muestra en la Fig.2B, con una diferencia mínima entre la plana y la curvada. S11 respuesta de la antena. Para este experimento, utilizamos superficies de espuma de forma cilíndrica con curvaturas de 10, 12 y 18 cm de diámetro, respectivamente. En segundo lugar, la antena se fija dentro de un guante y se separa de la superficie de la piel mediante una espuma flexible (con un grosor de 0,5 cm), lo que permite que la antena se mueva con el cuerpo humano (Fig. 2C). Las mediciones con los dedos abiertos y cerrados (Fig. 2C, derecha) mostraron que los movimientos de los dedos no afectan la S11 parámetros.

Las ranuras sintonizables del filtro de rechazo multibanda imitan las arterias cubitales del brazo (Fig. 1C, derecha). Una topología de alimentación cónica en la capa inferior maximiza el acoplamiento de energía EM a ocho ranuras de inspiración biológica incrustadas en la capa superior (Fig. 1D, derecha). El filtro propuesto está diseñado para resonar en 15 frecuencias de banda de microondas diferentes entre 1,5 y 2,7 ​​GHz. The resonances are related to eight stop bands, which are separated by seven pass bands. The current surface distribution shows highly concentrated areas around the slots of the filter at different frequencies (Fig. 2A, bottom). To achieve tunability, a varactor diode SMV1705-079LF (18) reconfigures the operating frequencies. The varactor’s capacitance value is tuned from 31.5 to 5.2 pF, by varying the reverse voltage from 0 to 5 V.

In what follows, we study the solo performance of the proposed sensors while focusing on their sensing capabilities and GL estimation capabilities for different setup configurations. Afterward, both sensors are combined to better evaluate the performance of the proposed multisensing system.

During the development of EM-based sensors dedicated for biomedical use, one very important parameter to assure the safety of the proposed device is the specific absorption rate (SAR). The SAR is simulated using ANSYS Electronics Desktop simulator for both sensors when the hand and the arm models are placed above the sensors with a separation of 0.5 cm. The obtained values fulfill both the U.S. and the European Union guidelines for general public exposure (Supplementary Text and fig. S9B).

Performance validation: Response to glucose variation

Figure 3 (B and C) display the antenna’s and filter’s responses, respectively, in terms of S parameters versus GL, which is measured using the experimental setups (Fig. 3A). In this experiment, we study the proposed sensor sensitivity toward glucose variations using fetal bovine serum (FBS)/glucose solutions. Because the normal BGL at fasting is less than 100 mg/dl and the BGL for diabetic patients is higher than 126 mg/dl (www.diabetes.org/diabetes-basics/diagnosis/), the glucose concentration is varied with small increments of 10 mg/dl to cover the hypo- to hyperglycemic range. The objective is to demonstrate the ability of the proposed sensors to detect very small glucose variations over the diabetic range.

(A) Schematic of the serum-based experiment. (B) The flexible antenna’s response S11 phase versus the reference GL (left). los S11 fitted curve (cyan line) shows the trend of the antenna’s response versus GL. The noninvasively estimated GL versus the reference GL (right). (C) The flexible filter’s S11 phase versus reference GL (left) and estimated GL versus the reference GL (right). (D) Left: The antenna is placed parallel to the vessel-like container, superposing the slots of the antenna upon that of the container (configuration 1). Right: The vessel-like container is rotated by 180° (configuration 2). (mi) Comparison between the antenna’s responses (S11) versus the reference GL obtained from the two configurations. (F) The glucose measurement response was repeated three times. (GRAMO) Selective response of the flexible antenna to glucose (GLU). OA, oleic acid AC, acetaminophen FRU, fructose. Photo credit: Jessica Hanna, American University of Beirut.

During all conducted experiments, we collected the input complex reflection coefficients (S11) from the antenna, the input complex reflection coefficients (S11) from the filter, the forward complex transmission coefficients (S21), and the output complex reflection coefficients (S22) at different frequencies. The raw response of both sensors closely followed the curve of the reference GL measured by a commercial glucose meter [Accu-Chek from Roche (19)], achieving high correlation (R > 0.9). A correlation of R = 0.98 is obtained for the flexible antenna’s S11 phase at 1.15 GHz (Fig. 3B, left), whereas an R of 0.95 is achieved for the flexible filter’s S11 phase at 1.575 GHz (Fig. 3C, left). These high correlation coefficient values indicate a strong relationship between the sensor’s response and GL. It is important to highlight that the antenna’s S11 response remained stable over repeated experiments (Fig. 3F). We were able to identify multiple frequencies at which the physical parameters of the proposed sensor versus reference GLs remained stable in repeated experiments and demonstrated consistent behavior (Fig. 3F and fig.S9A).

GL estimation

For each sensor, the S parameters (magnitude and phase) obtained at various frequencies, are normalized and then joined through a Gaussian process (GP) (20) regression model for GL estimation (Supplementary Text). To assess the accuracy of the proposed model and underlying system, we compare the mean estimated GL with the reference GL.

The standard error of prediction (SEP) (8) and mean absolute relative difference (MARD) (21) are used as performance criteria (Supplementary Text). Fig. 3 [B and C (right)] demonstrates that the noninvasively estimated GL obtained using the flexible antenna and filter, respectively, closely follow the trend of the reference GL. For the flexible antenna, SEP is found to be equal to 4.26 mg/dl for GL ranging between 0 to 70 mg/dl and 14.91 mg/dl for levels ranging above 180 mg/dl. We achieve a MARD of 3.09% for the flexible antenna and 7.3% for the flexible filter.

Importance of the vasculature-inspired slots

The importance of concentrating EM waves into the vessels’ network is demonstrated in the following two experiments using the rigid antenna and a vessel-like container: (i) The vessels of the container that are filled with FBS/glucose solution are aligned with and placed in parallel to the antenna’s slots. (ii) The container is rotated 180 o , as shown in Fig. 3D, where the vessels are almost orthogonal to and, hence, not aligned with the antenna slots (only small sections of the antenna’s slots intersect with the vessels of the container).

In both cases, the same experimental setup parameters are used and the corresponding curves showing the S11 responses versus the GL are compared. The actual GL are varied between 10 to 600 mg/dl, as measured by the invasive method, representing a total change of 590 mg/dl. The corresponding total change in the S11 magnitude response for the highest correlated S parameter is improved from 0.29 dB for the misaligned rotated position to 1.55 dB for the aligned or parallel position (Fig. 3E, left). Moreover, the total change in S11’s phase response is improved from 1.04° for the rotated position to 10° for the parallel position (Fig. 3E, right), thus indicating enhanced sensitivity. By aligning the vessel’s network with the slots and concentrating the radiation on the vessels, the sensitivity of the antenna toward glucose variations is improved by more than fivefold in terms of the corresponding S11 magnitude variation and 10-fold for the phase. To our knowledge, the research here represents the first direct demonstration of the importance of focusing the EM waves onto the vessels to increase the sensitivity of the proposed EM-based multiband sensor toward glucose variations.

It is important to highlight that we were able to obtain high correlation (R > 0.95) between the raw S parameters and the GLs for both experiments. This high sensitivity is due to the concentration of the surface current around the slots and their extremities (Fig. 2A, bottom). This experiment was idealized to highlight the importance and the benefits of concentrating the EM waves on the vessels. In practical scenarios, the wearable nature of the design limits the room for misalignment. Moreover, the concentration of the surface current not only on the slots but also around them helps accommodate for any possible slight misalignment between the targeted vessels and the slots.

The proposed sensor showed more selectivity toward glucose variations than other interferant species including fructose (FRU), acetaminophen (AC), and oleic acid (OA) in concentrations that are much higher compared to physiological conditions (Supplementary Text). The difference in response is due to the difference in terms of dielectric properties between these interferants. In Fig. 3G, we successively added OC, AC, FRU, and glucose (50 mg/dl) to the same FBS solution. los S11 parameters showed minimal to no shift when the interferants were added. In contrast, a notable shift of S11 parameters is produced when the same amount of glucose is added to the solution, resulting in a correlation with the GLs of R > 0.9.

We next conducted ex vivo experiments on mammalian tissues, as displayed in fig. S1A. The effect of the ex vivo mammalian skin, fat, and muscle layers and that of the glucose variation on the response of the flexible antenna sensors is shown in fig. S1B.

The on-body matching characteristics are very clear when the antenna is loaded with rat tissues. This matching is well preserved and thus meets our design objectives. In this experiment, the volume of the FBS is reduced to one-half, allowing a more realistic setup. We observe excellent agreement between the sensors’ responses and the reference GL citing correlations of R = 0.98 for both the flexible antenna and filter, as shown in fig. S1 (B and C). The proposed sensors establish the following requirements: the ability (i) to detect small glycemic variations (10 mg/dl) over the hypo- to hyperglycemic range and (ii) to maintain a good sensitivity in the presence of a lossy medium (skin, fat, and muscle layers).

In vivo experiments on animal models of diabetes

In vivo experiments were performed on seven rats (female and male) to assess the proposed sensing system’s efficacy to detect BGL across living tissues. To take into consideration the coat color (white and black), we tested the system on two different rat strains, Sprague-Dawley and Long-Evans rats. As described in the Materials and Methods, the rats were divided as follows: Three female Long-Evans rats received intravenous streptozotocin injection (65 mg/kg) to render them diabetic. Diabetes was verified after 48 hours when the rat’s GLs are >300 mg/dl (two female and two male Sprague-Dawley rats). The Sprague-Dawley rats underwent intraperitoneal glucose tolerance test (IPTT), mimicking the oral glucose tolerance (OGTT) tests in humans, after overnight fasting to prove the capability of the proposed system to detect the increase and decrease of GLs over the hyper- to hypoglycemic levels. All rats received injection of insulin, during the experiment, to induce hypoglycemia. The raw S parameters curves followed well the increase and decrease of BGL (Fig. 4, B and C) with a good correlation for both hypoglycemic and hyperglycemic ranges (R = 0.89 and R = 0.97). Another criterion for accuracy is the Clarke’s error grid (CEG) (22), which offers a means to measure the performance, taking into consideration the clinical relevance of the differences between the estimates and the reference GL. The CEG for all experiments (conducted on seven rats: two white male rats, two white female rats, and three black female rats) is shown in Fig. 4D. We obtained good prediction of the BGL with all results falling in the clinically acceptable zones: A and B of the CEG (97.6% in zone A and 2.4% in zone B), including the hypoglycemic region with an overall MARD of 5.19%. To assess whether there is a sensitivity difference detected by the proposed sensor between male/female and white/black skin, we relied on unpaired Student’s t tests using the mean correlation (between the system’s parameters and BGL). No statistical significance differences due to gender or skin color were detected for both analyses, as shown in fig. S9E.

In vivo experiment on living animals covering the hypo- to hyperglycemic range. (A) The experimental setup. (B) Rigid filter’s response. Top: The rigid filter’s S parameter magnitude response versus the actual BGL at 1.57 GHz, during one IPTT experiment. Bottom: The estimated GL versus the BGL for 10 randomly shuffled test/train datasets. (C) Rigid filter’s response. Top: The rigid filter’s S parameter magnitude response versus the actual BGL at 1.95 GHz, for one streptozotocin-induced diabetic rat. Bottom: The estimated GL versus the BGL for 10 randomly shuffled test/train datasets. (D) CEG for the seven conducted experiments (the CEG shows the mean estimations each obtained from the 10 random repetitions).

Human trials on healthy controls

We evaluate the proposed system on healthy subjects to demonstrate its ability to monitor the BGL in real-time settings during OGTTs. We tested the antenna on 21 healthy volunteers, where each one underwent three separate OGTTs. The flexible and rigid antennas are fixed on the volunteers’ hands (Fig. 5A). los S11 phase follows the trend of the reference BGL achieving high correlation (R = −0.94 Fig. 5B).

(A) The experimental setup for antenna measurements. (B) Antenna’s response during one OGTT. Left: The S11 phase response at 1.36 GHz versus time (blue curve). The glucose variation over time (red curve). The black arrow indicates the glucose intake. Middle: Blood glucose estimation. Reference GL (red) compared with the estimated GL over time (green dots show the estimations resulting from the 10 random repetitions, which are closely overlapping in most cases, and the blue curve shows the mean estimation). Right: CEG for all 64 OGTTs (the CEG shows the mean estimations, each obtained from the 10 random repetitions). (C) The experimental setup for filter measurements. (D) Filter’s response during one OGTT. Left: the S11 magnitude response at 1.3 GHz versus time. Middle: Blood glucose estimation. Right: CEG for all 12 OGTTs. Photo credit: Jessica Hanna, American University of Beirut.

To estimate the GL, information obtained at various frequencies is used. The noninvasively estimated BGLs obtained by the GP model for a given OGTT (Fig. 5B) match well with the upward and downward trends of the reference BGL, achieving a MARD of 1.78% for this experiment.

The results show no delay between the two values. This indicates that our system is monitoring the BGL directly from the blood and can be attributed to the choice of the frequency range.

The sensing system achieves a MARD of 6.08 and 6.18% for the rigid and flexible antennas, respectively, across all volunteers (examples for the rigid antenna’s response and estimation are shown in figs. S2 and S3). These values show high accuracy and are comparable to those obtained by commercial self-monitoring systems. To prove repeatability, the CEG analysis (23) for all 63 OGTTs is shown in Fig. 5B. The mean estimated GLs fall 100% into the clinically acceptable zones (97.93% in zone A and 2.07% in zone B) for the flexible prototype. Moreover, 93.48% of the estimated values are within 15% error, 96.78% are within 20% error, 99.06% are within 30% error, and 99.65% are within 40% error. These percentages are obtained for a total of 1430 estimated points. The proposed system achieves very good matching between the estimated and reference GL, providing confidence in the potential of the proposed noninvasive antenna (additional examples for the flexible antenna’s response and estimation are shown in figs. S4 and S5).

To assess whether there is a sensitivity difference detected by the proposed sensor between male/female, we relied on unpaired Student’s t pruebas. A PAG value higher than 0.05 was considered statistically not statistical significance hence, no statistical significance difference is reported between the two groups. We found that both genders provided very similar sensitivity toward the glucose variations with no statistical significance difference in terms of mean correlation and MARD (male, norte = 30 female, norte = 32), as shown in fig. S9 (C and D). This was performed on the antenna data collected from the 21 volunteers (including 10 male and 11 female) where each one was subject to three OGTTs. In addition, no statistical significance gender-based shift in the correlated frequencies is observed (male, norte = 30 female, norte = 32).

The filter-based sensor is tested on six healthy volunteers, who underwent two separate OGTTs (Fig. 5C). Figure 5D presents an example of the S parameters versus BGL for volunteer no. 3 during one OGTT. We notice that the filter’s response follows the reference BGL trend, achieving a high correlation of 0.95. The predicted BGL matches the reference BGL well, resulting in MARD of 1.97% for this experiment (additional examples for the rigid filter’s response and estimation are shown in figs. S6 and S7). For the 12 OGTTS, we obtained a MARD of 5.07%. All the estimated values are in the acceptable zones A and B with 98.55% in zone A. A total of 93.39% of the estimated values is within 15% error, 96.99% are within 20% error, 99.03% are within 30% error, and 99.8% are within 40% error. These percentages are for a total of 272 estimated points.

During in vivo experiments, we did not study the effect of physical activities and different environmental conditions on the attained response. Future work will include these experiments on diabetic patients covering the full glycemic range.

One system with multiple sensors

To overcome the technical difficulties introduced by some environmental factors and to improve the sensitivity of the device, the antenna and the filter are joined into a multisensing system (Supplementary Text). The system is tested on six healthy volunteers during OGTTs while tuning the filter to cover different frequency bands using three different tuning voltages.

Figure 6 displays the antenna’s and the filter’s individual S parameters versus GL for one volunteer. For this volunteer, the filter’s third configuration provides the highest correlation between the S parameters and the GL. By combining the responses of both sensors and relying on the wrapper technique to select the most important features, we are able to reduce the MARD from 2.84% for the antenna alone to 0.91% for the combined system. The multisensing system reduces the impact of interfering factors in real-life condition such as surface temperature, humidity, and movement by monitoring the GL from two different locations.

The antenna and the filter are simultaneously tested on six healthy volunteers. We first evaluated the response of each sensor. (A) Top: Antenna’s response for one volunteer. Bottom: Blood glucose estimation using the GP model. (B) Filter’s response using three different tuning states. (C) Multisystem setup. (D) Multisystem blood glucose estimation. Photo credit: Jessica Hanna, American University of Beirut.

We notice during the initial set of human trials that the response of the proposed sensors varied between patients (fig. S8). Hence, by monitoring the GL using both the antenna and the filter and by tuning the filter, we are able to tailor the proposed sensing system to better capture the specific individuals’ characteristics. Using the wrapper feature-selection technique, we are able to identify the most important features for each volunteer by analyzing their individual data that importantly improved the accuracy of the prediction.

This, in turn, helps us capture or identify the best combinations of features obtained from the different tunings of the filter and the antenna device. Figure S8 arrows are intended to indicate that each person may interact with each tuning differently however, it emphasizes that the best set features obtained from the different sensors’ settings indeed provides the best predictions.


Samsung Researchers’ Non-Invasive Blood Glucose Monitoring Method Featured in ‘Science Advances’

With diabetes and its associated costs on the rise around the world, effective blood glucose monitoring is considered more important than ever. While conventional methods have required people with diabetes to prick their finger to extract blood drops, non-invasive alternatives, which minimize patients’ pain and discomfort, have been a long-standing dream in diabetes management.

Recently, researchers at the Samsung Advanced Institute of Technology (SAIT), Samsung Electronics, in collaboration with the Massachusetts Institute of Technology (MIT), developed an innovative, non-invasive method for monitoring blood glucose levels that utilizes a technique known as Raman spectroscopy. On January 24, the researchers presented their findings in Science Advances, a scientific journal from the American Association for the Advancement of Science.

(From left) Sung Hyun Nam, Hojun Chang, Yun Sang Park, Woochang Lee and Jongae Park, from SAIT’s Mobile Healthcare Lab

Raman spectroscopy is a spectroscopic method that utilizes lasers for chemical composition identification. Previous studies that utilized Raman spectroscopy for glucose sensing in recent decades demonstrated a capability to measure glucose mainly by presenting statistical correlations to the reference glucose concentration. However, those studies raised questions regarding the effectiveness and accuracy of using Raman spectroscopy for glucose measurement due to a lack of direct evidence for glucose sensing.

To break through the limitations that arose in prior studies, Samsung’s researchers developed an off-axis Raman spectroscopy system that enables the direct observation of glucose Raman peaks from en vivo piel. Utilizing this system, they demonstrated one of the highest prediction accuracies among non-invasive technologies. The research team also developed an innovative technique for reducing the effects of movement artifacts on glucose sensing in Raman spectroscopy.

“Non-invasive blood glucose monitoring has been a topic of great discussion for decades, and I believe that our findings will help guide the direction of future studies for non-invasive glucose sensing,” said Dr. Sung Hyun Nam, Master at SAIT’s Mobile Healthcare Lab. “We will continue to solve challenging problems with the belief that this will lead to the commercialization of non-invasive blood glucose sensors, and ultimately help make life easier for people with diabetes.”

For any issues related to customer service, please go to Customer Support page for assistance.
For media inquiries, please click Media Contact to move to the form.


Ver el vídeo: Taiwan professor developing non-invasive blood glucose monitor (Diciembre 2022).