Estimativa dos níveis de glicose através do processamento de sinais de fotopletismografia (PPG) e modelos de inteligência artificial

Abstract

A glicose desempenha um papel essencial como fonte de energia para o organismo, sendo obtida principalmente através dos alimentos consumidos. Para que as células possam utilizar a glicose, é essencial que os níveis de açúcar no sangue sejam regulados de forma adequada. A insulina, um hormônio produzido pelas células do pâncreas, desempenha um papel crucial no controle da glicose sanguínea. No entanto, a diabetes mellitus é uma condição em que ocorre uma disfunção na produção ou no uso da insulina pelo corpo. Isso resulta em desequilíbrios nos níveis de glicose, podendo levar a complicações graves, como doenças renais, ataques cardíacos e acidente vascular cerebral. Segundo a Organização Mundial de Saúde, a diabetes é a nona maior causa de mortes no mundo, sendo responsável por 1,5 milhão de óbitos diretamente relacionados à doença. Portanto, é de extrema importância monitorar regularmente os níveis de glicose no sangue, especialmente para pessoas com diagnóstico de diabetes, como forma de detectar precocemente possíveis complicações de saúde. Atualmente, os métodos utilizados para monitoramento contínuo da glicose são invasivos, caros e desconfortáveis. Este estudo propõe um método não invasivo para estimativa da glicose utilizando o sinal de fotopletismografia em conjunto com algoritmos de Inteligência Artificial. A pesquisa foi conduzida em duas bases de dados distintas: uma coletada durante o estudo (UFSC-BGL) e outra obtida através do conjunto MIMIC III (MIMIC-BGL). Foram realizados experimentos para determinar a melhor abordagem na estimativa da glicose com base nos sinais de fotopletismografia. Os sinais foram segmentados em janelas de 10 segundos, sem sobreposição, e um total de 51 características nos domínios da frequência, não linear e morfológico foram extraídas. Os dados foram divididos em conjuntos de treinamento (67%) e teste (33%), utilizados para treinar modelos de aprendizado de máquina e posteriormente avaliados com o conjunto de teste. Os resultados demonstraram que o modelo CatBoost alcançou um erro médio absoluto percentual de 11,91% e 73% das estimativas foram classificadas na zona de maior acurácia do gráfico de Clarke ao utilizar o conjunto de dados UFSC-BGL. Por outro lado, ao utilizar o conjunto de dados MIMIC-BGL, o modelo Support Vector Machine demonstrou o melhor desempenho, com um erro médio absoluto percentual de 20,64% e 65% das estimativas localizadas na zona de maior acurácia do gráfico de Clarke. Este estudo apresenta duas principais contribuições. A primeira é a disponibilização de dois conjuntos de dados, um deles obtido durante o curso desta pesquisa. A segunda é a criação de um componente de avaliação de qualidade de sinal robusto, capaz de identificar e remover segmentos que não satisfaçam os critérios de qualidade preestabelecidos. Além disso, como resultado desta pesquisa, foi desenvolvido um modelo computacional que estima com erro médio absoluto percentual de 11,91% os níveis de glicose a partir do sinal de fotopletismografia.

Abstract: Glucose plays an essential role as an energy source for the body, primarily obtained through consumed food. To enable cells to utilize glucose, proper regulation of blood sugar levels is crucial. Insulin, a hormone produced by pancreatic beta cells, plays a critical role in controlling blood glucose. However, diabetes mellitus is a condition characterized by dysfunction in insulin production or utilization by the body, resulting in imbalances in glucose levels and potentially leading to serious complications such as kidney disease, heart attacks, and strokes. According to the World Health Organization, diabetes is the ninth leading cause of death worldwide, responsible for 1.5 million deaths directly related to the disease. Therefore, regular monitoring of blood glucose levels is of utmost importance, especially for individuals diagnosed with diabetes, as a means of early detection of potential health complications. Currently, the methods used for continuous glucose monitoring are invasive, expensive, and uncomfortable. This study proposes a non-invasive method for glucose estimation using Photoplethysmography signals in conjunction with Artificial Intelligence algorithms. The research was conducted using two distinct databases: one collected during the study (UFSC- BGL) and another obtained from the MIMIC III dataset (MIMIC-BGL). Experiments were performed to determine the best approach for glucose estimation based on the Photoplethysmography signals. The signals were segmented into non-overlapping 10-second windows, and a total of 51 features in the frequency, nonlinear, and morphological domains were extracted. The data were divided into training (67%) and testing (33%) sets, used to train machine learning models and subsequently evaluated using the test set. The results demonstrated that the CatBoost model achieved a mean absolute percentage error of 11.91% and 73% of the estimates were classified within the most accurate zone of the Clarke error grid when using the UFSC-BGL dataset. On the other hand, when using the MIMIC-BGL dataset, the Support Vector Machine model exhibited the best performance, with a mean absolute percentage error of 20.64% and 65% of the estimates falling within the most accurate zone of the Clarke error grid. This study presents two main contributions. The first, is the provision of two datasets, one of which was obtained during the course of this research. The second, is the creation of a robust signal quality assessment component capable of identifying and removing segments that do not meet pre-established quality criteria. Additionally, as a result of this research, a computational model has been developed that estimates glucose levels with mean absolute percentage error of 11.91% from the photoplethysmography signal.