Duale Quantenkaskadenlaser für den nichtinvasiven Glukosenachweis mittels photoakustischer Spektroskopie

Wissenschaftliche Berichte Band 13, Artikelnummer: 7927 (2023) Diesen Artikel zitieren

1991 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Die Kombination von Mittelinfrarot- und photoakustischer Spektroskopie hat vielversprechende Entwicklungen als Ersatz für die invasive Glukosenachweistechnologie gezeigt. Ein duales Einzelwellenlängen-Quantenkaskadenlasersystem wurde mithilfe photoakustischer Spektroskopie für die nichtinvasive Glukoseüberwachung entwickelt. Als Testmodelle für den Aufbau wurden biomedizinische Hautphantome mit ähnlichen Eigenschaften wie die menschliche Haut mit Blutbestandteilen unterschiedlicher Glukosekonzentrationen hergestellt. Die Nachweisempfindlichkeit des Systems wurde im Hyperglykämie-Blutzuckerbereich auf ± 12,5 mg/dL verbessert. Es wurde ein Ensemble-Klassifikator für maschinelles Lernen entwickelt, um den Glukosespiegel in Gegenwart von Blutbestandteilen vorherzusagen. Das Modell, das mit 72.360 unverarbeiteten Datensätzen trainiert wurde, erreichte eine Vorhersagegenauigkeit von 96,7 %, wobei 100 % der vorhergesagten Daten in den Zonen A und B der Fehlergitteranalyse von Clarke lagen. Diese Ergebnisse erfüllen sowohl die Anforderungen der US-amerikanischen Food and Drug Administration als auch von Health Canada für Glukosemessgeräte.

Forscher haben verschiedene Techniken für den nichtinvasiven Glukosenachweis erforscht, darunter elektromagnetische Sensorik1,2, Impedanzspektroskopie3,4, elektrochemische Sensorik5,6 und Raman-Spektroskopie7,8. Dennoch hat keiner dieser Ansätze aufgrund seiner geringen Genauigkeit oder betrieblichen Instabilität die physiologischen Anforderungen erfüllt9. Andere minimalinvasive Ansätze wurden entwickelt; Sie erfordern jedoch eine wiederholte chirurgische Implantation der Sensoren, was das Problem der Hautreizung verschärft10. Die Infrarotspektroskopie (IR), einschließlich der MIR- und NIR-Bereiche, wird als vielversprechende Alternativtechnik zu invasiven Glukometern entwickelt11,12. Sowohl das NIR- als auch das MIR-Regime zeigen eine breite und starke Glukose-Fingerprint-Absorption. Darüber hinaus weist die MIR-Region im Vergleich zur NIR-Region spezifische Glukosefingerabdrücke mit geringerer Interferenz mit anderen Blutbestandteilen auf13,14.

Die Kombination von MIR- und photoakustischer (PA) Spektroskopie hat in den letzten Jahren vielversprechende Entwicklungen als Ersatz für die invasive Glukoseüberwachungstechnologie gezeigt15,16,17,18. Die PA-Spektroskopie nutzt die Schwingungsmoden der Glucosemoleküle im MIR-Bereich als alternativen Ansatz, um die optischen Verluste bei der Transmissions- und Absorptionsspektroskopie zu kompensieren. Quantenkaskadenlaser (QCLs) im MIR-Bereich haben den Vorteil, starke und stabile PA-Signale zu erzeugen. Die von QCLs erzeugten akustischen Signale können die interstitielle Flüssigkeit (ISF) der menschlichen Haut erreichen, wo die Glukose in die Epidermisschicht diffundiert19. Diese akustischen Signale werden schließlich von einem empfindlichen Mikrofon erfasst, um einen direkten Zusammenhang mit dem Blutzuckerspiegel aufzuzeigen.

Die Kombination von MIR- und PA-Spektroskopie zum nichtinvasiven Glukosenachweis wurde erstmals von Lilienfeld-Toal et al. untersucht. im Jahr 200515. Es wurden zwei Einzelwellenlängen-QCLs verwendet, einer am Glukoseabsorptionspeak bei 1080 cm\(^{-1}\) und der zweite als Referenz bei 1066 cm\(^{-1}\). Für In-vivo-Messungen wurde ein Korrelationsfaktor (\(R^2\)) von 0,61 erreicht. Im Jahr 2011 verwendeten Pleitez et al.17 drei QCLs, um die Glukosekonzentration in der Handfläche bei zwei Glukosespitzen (1084 und 1054 cm\(^{-1}\)) und 1100 cm\(^{-1}\) zu erfassen. für den Hintergrund. Es wurde eine Doppel-Helmholtz-Brennstoffzelle verwendet und der Korrelationsfaktor auf 0,7 erhöht. In-vitro-Messungen wurden von Kottmann et al.16 unter Verwendung eines weitgehend abstimmbaren EC-QCL (External Cavity) durchgeführt. Es wurde eine Glukose-Nachweisgrenze von ± 100 mg/dL mit einem Korrelationsfaktor von 0,998 ermittelt.

Im Jahr 2013 verwendeten Kottmann et al.20 optische Silberhalogenidfasern zur Lichtübertragung, um die Nachweisempfindlichkeit auf ± 57 mg/dL mit \(R^2\) = 0,993 in einer wässrigen Glucoselösung zu verbessern. Drei Jahre später verwendete dieselbe Forschungsgruppe eine Dual-Wellenlängen-Technik bei 1080 und 1180 cm\(^{-1}\) für In-vivo-Messungen19. Die Vorhersagegrenze wurde für einen Glukosespiegel zwischen 90 und 170 mg/dl bei einem Konfidenzniveau von 90 % auf ± 30 mg/dl angehoben. Kürzlich wurde die Nachweisempfindlichkeit auf ± 25 mg/dL unter Verwendung eines Einzelwellenlängen-QCL bei 1080 cm\(^{-1}\) in künstlichen Hautphantomen durch den Einsatz von maschinellem Lernen erhöht18,21. Dennoch muss die Nachweisempfindlichkeit für klinisch zugelassene Glukometer laut der US-amerikanischen Food and Drug Administration (FDA) und Health Canada22,23 ± 15 mg/dL betragen. Tabelle 1 fasst die jüngsten Fortschritte bei der PA- und MIR-Spektroskopie für den Glukosenachweis zusammen.

In dieser Arbeit wurde die Empfindlichkeit der Glukoseerkennung der MIR- und PA-Spektroskopie auf ± 12,5 mg/dL unter Verwendung von dualen Einzelwellenlängen-QCLs (1080 und 970 cm\(^{-1}\)) für die nichtinvasive Glukoseüberwachung verbessert. Als Testmodelle für das System wurden künstliche Hautphantome mit ähnlichen Eigenschaften wie die menschliche Haut mit Blutbestandteilen in unterschiedlichen Glukosekonzentrationen von 100 bis 275 mg/dL hergestellt. Dieser Glukosebereich deckt den Bereich ab, der für den Blutzuckerspiegel bei gesunden Personen und Diabetikern von Interesse ist. Das duale QCL-System beweist Nachhaltigkeit bei der Erkennung von Glukosekonzentrationen in Gegenwart von Albumin, Natriumlaktat, Cholesterin und Harnstoff. Es wurde ein Klassifikationsmodell für maschinelles Lernen (ML) entwickelt, um den Glukosespiegel von Hautproben vorherzusagen. Das Modell hat eine Vorhersagegenauigkeit von 96,7 % für Proben mit und ohne Blutbestandteile erreicht, wobei 100 % der vorhergesagten Daten in den Zonen A und B der Clarke-Fehlergitteranalyse (EGA) liegen.

Die Umstellung von der Freiraumkopplung auf die Glasfaserkopplung für die Lichtübertragung erhöhte das SNR des Systems um durchschnittlich 81 % für das gesamte Spektrum, wie in Abb. 1 dargestellt. Die Unterdrückung des Hintergrundrauschens hilft bei der Quantifizierung der Glukosesignale im untersuchten akustischen Bereich. Eine solche Verbesserung erleichterte das Erreichen des Ziels, die Nachweisempfindlichkeit des Aufbaus auf ± 12,5 mg/dL zu verbessern. Darüber hinaus half es dabei, den Korrelationsfaktor zwischen den erfassten Glukosesignalen zu verfeinern.

Hintergrundrauschen im Freiraum und fasergekoppelte Lichtübertragung.

Abbildung 2a, b zeigen die akustischen Signale, die vom ersten Satz von Glukosephantomen für die 9,25 \(\upmu\)m bzw. 10,3 \(\upmu\)m QCLs erhalten wurden. Die Abbildungen zeigen den Durchschnitt der 10 Runden der zweitägigen Messung für jede Lichtquelle pro Glukosekonzentration. Der Glukoseunterschied in den Proben wurde auf ± 25 mg/dl im nicht-diabetischen Bereich und ± 12,5 mg/dl im diabetischen Bereich eingestellt, um eine Nachweisempfindlichkeit zu erreichen, die den Anforderungen der FDA und Health Canada entspricht22,23. Für den 9,25 \(\upmu\)m QCL, der sich am Glukose-Fingerabdruck befindet, wird erwartet, dass Phantome mit höheren Glukosekonzentrationen aufgrund der höheren Lichtabsorption durch die Glukosemoleküle stärkere akustische Signale erzeugen. Es wurde festgestellt, dass der dritte Peak des gesammelten akustischen Spektrums im Bereich von 21 bis 25 kHz am engsten mit den Glukoseunterschieden in den Proben korreliert. Im Gegensatz dazu zeigten die Signale des 10,3 \(\upmu\)m QCL, wie beabsichtigt, keine positive Korrelation zu den Glukoseunterschieden in den Phantomen. Dies liegt daran, dass die Wellenlänge von 10,3 \(\upmu\)m nicht auf die Glukosemoleküle reagiert. Daher kann diese Wellenlänge als Referenz zur Subtraktion der Hintergrundeffekte verwendet werden.

Nachdem das akustische Spektrum der Glukoseproben für beide QCLs erhalten wurde, wurde die Fläche unter den Kurven integriert, um die Beziehung zwischen dem akustischen Signal und den entsprechenden Glukosephantomen zu zeigen. Abbildung 2c zeigt zwei Fälle der Ergebnisse, einen bei Verwendung nur des 9,25 \(\upmu\)m QCL und den anderen bei Verwendung von zwei QCLs. Im ersten Fall zeigen die integrierten Signale des 9,25 \(\upmu\)m-Lasers eine positive Korrelation zwischen den akustischen Signalen und der Glukosekonzentration mit einem linearen Korrelationsfaktor von 0,946. Die 9,25 \(\upmu\)m-Lichtquelle konnte die Glukoseunterschiede in den Proben mit ± 25 und ± 12,5 mg/dL Glukoseunterschieden erkennen. Die durchschnittliche Auflösung zwischen den akustischen Signalen zweier Glukoseproben mit ± 25 und ± 12,5 mg/dL beträgt 3,8 % und 3,5 %. Diese Auflösungen weisen auf Inkonsistenzen in den Unterschieden der akustischen Glukosesignale hin, was zeigt, wie wichtig es ist, einen Referenz-QCL hinzuzufügen, der nicht den Glukosemolekülen entspricht, um die Konsistenz der Unterschiede zu verbessern. Infolgedessen wurde das 10,3 \(\upmu\)m QCL als Referenzlichtquelle zum System hinzugefügt. Die Ergebnisse zweier QCL-Messungen verbesserten die durchschnittliche Auflösung der Glukoseproben mit ± 25 und ± 12,5 mg/dL auf 4,8 % und 2,7 %, was den Korrelationsfaktor auf 0,989 erhöhte, wie im zweiten Fall von Abb. 2c gezeigt. Darüber hinaus wurde die Standardabweichung der Ergebnisse von 1,51 bei Verwendung eines einzelnen QCL auf 0,79 bei Verwendung von zwei QCLs reduziert. Die Standardabweichung wurde bewertet, um die Schwankung der Unterschiede zwischen den Glukoseproben für den gesamten Satz zu bestimmen. In diesem Experiment wurde die Nachweisempfindlichkeit für die unverarbeiteten Daten unter Verwendung einer Einzelwellenlängen-QCL auf ± 12,5 mg/dL verbessert. Die Nachweisempfindlichkeit wurde weiter verbessert, indem dem System eine Referenzwellenlänge hinzugefügt wurde, um den Hintergrundeffekt zu subtrahieren.

Messungen des ersten Satzes von Glukosephantomen von 100 bis 275 mg/dL.

Der zweite Satz von Glukosephantomen wurde durch Zugabe anderer Blutbestandteile, nämlich Albumin, Natriumlactat, Cholesterin und Harnstoff, hergestellt. Diese Blutbestandteile wurden gleichzeitig zu den Glukoseproben im Bereich von 100 bis 275 mg/dl hinzugefügt. Ziel war es, die Nachweiskapazität des Systems in Gegenwart dieser Komponenten zu untersuchen, die die Glukose in den In-vivo-Messungen beeinträchtigen können. Abbildung 3a, b zeigen den Durchschnitt von 10 Runden akustischer Signale pro Glukosekonzentration der zweitägigen Messung unter Verwendung der QCLs 9,25 \(\upmu\)m und 10,3 \(\upmu\)m. Die Ergebnisse zeigen, dass die den Proben zugesetzten Blutbestandteile die Glukosesignale störten, was die Nachweiseffizienz des 9,25 \(\upmu\)m QCL verringerte. Der Einfluss der Blutbestandteile zeigt sich deutlich im linearen Korrelationsfaktor, wenn die Fläche unter der Kurve des akustischen Spektrums integriert wird. Abbildung 3c zeigt die Beziehung zwischen den akustischen Signalen und den entsprechenden Glukosephantomen unter Verwendung von Einzel- und Doppel-QCLs. Wenn nur der 9,25 \(\upmu\)m QCL verwendet wurde, konnte das System einige der Glukoseproben nicht korrekt erkennen. Der lineare Korrelationsfaktor bei Verwendung nur des 9,25 \(\upmu\)m QCL beträgt 0,859 mit einer durchschnittlichen Auflösung von 2,01 % zwischen den Glukoseproben. Wenn der 10,3 \(\upmu\)m QCL als Referenz bei den Messungen verwendet wurde, erhöhte sich der Korrelationsfaktor auf 0,987 mit einer durchschnittlichen Auflösung von 2,15 %. Die Standardabweichung der Messungen wurde von 1,79 bei Verwendung eines einzelnen QCL auf 0,72 bei Verwendung von zwei QCLs reduziert. Daher ist in diesem Fall das Hinzufügen einer Referenzlichtquelle unerlässlich, um die Signale zu eliminieren, die von anderen Blutbestandteilen als Glukose empfangen werden. Darüber hinaus hilft die Referenzlichtquelle dabei, die Auswirkungen von Umgebungsbedingungen zu subtrahieren, die sich im Laufe des Experiments ändern, wie z. B. Temperatur und Luftfeuchtigkeit, um die Ergebnisse kompatibel zu halten.

Messungen des zweiten Satzes von Glukosephantomen mit Blutbestandteilen von 100 bis 275 mg/dL.

Der Linseneffekt auf die Genauigkeit der Messungen wurde untersucht, um die Notwendigkeit des Einbaus einer optischen Linse in das System zu ermitteln. Das Hauptziel der Linse besteht darin, dass beide QCLs genau an der Stelle der Proben strahlen können, was die Detektionsselektivität im Falle einer ungleichmäßigen Verteilung der Blutbestandteile unterstützt. Abbildung 3d zeigt die Beziehung zwischen den akustischen Signalen und den entsprechenden Glukoseproben unter Verwendung von Dual-QCLs mit und ohne optischer Linse. In beiden Fällen konnte das System Glukose in Anwesenheit der Blutbestandteile nachweisen. Dennoch erhöhte der Einbau einer optischen Linse die Standardabweichung in der Konsistenz der Unterschiede um 60 %. Darüber hinaus wurde der Korrelationsfaktor von 0,934 auf 0,987 verbessert, als das Objektiv in das System eingebaut wurde. Tabelle 2 fasst die Ergebnisse der beiden Glukosephantome und des Linseneffekts zusammen.

Nachdem die Machbarkeit des Systems zur Erkennung von Glukose in Hautphantomen mit und ohne Blutbestandteile unter Verwendung dualer QCLs festgestellt wurde, wurde unter Verwendung der unverarbeiteten Daten ein Ensemble-Klassifizierungsmodell entwickelt. Das Modell wurde mit den akustischen Rohsignalen beider QCLs mit 72.360 Datensätzen trainiert. Der Ensemble-Klassifikator erreichte eine Vorhersagegenauigkeit von 96,7 % unter Verwendung eines Entscheidungsbaums von 30 Lernenden und einer maximalen Teilungszahl von 180. Die Verwirrungsmatrix des Ensemble-Klassifikators ist in Abb. 4a dargestellt. Die Verwirrungsmatrix visualisiert die Leistung des Klassifikators, indem sie die vorhergesagten Klassen im Vergleich zu den Referenzklassen darstellt. Die Verwirrungsmatrix wurde dann in Clarkes EGA umgewandelt, wie in Abb. 4b gezeigt, um das Modell gemäß den FDA-Anforderungen zu bewerten. Die Zahl gibt an, wie oft der Klassifikator die Glukoseklasse für jede Datenprobe vorhersagt. Dies führt dazu, dass 98,89 % der vorhergesagten Ergebnisse in Zone A liegen, während 1,11 % in Zone B liegen. Somit erfüllt das entwickelte Modell die FDA-Standards für Glukosemonitore, die verlangen, dass 99 % der vorhergesagten Daten in Zone A liegen und B. Eine weitere Weiterentwicklung der ML-Modellentwicklung ist erforderlich, damit die In-vivo-Messungen ein robustes Modell erstellen können. Beispielsweise kann die Integration von Merkmalsauswahlalgorithmen die Vorhersagegenauigkeit von ML-Modellen verbessern und Probleme mit der Überanpassung vermeiden. Darüber hinaus kann die Vorverarbeitung der Daten dabei helfen, die vom Hintergrund erzeugten Geräusche zu entfernen.

Leistung des entwickelten Ensemble-Klassifizierungsmodells.

Für den nichtinvasiven Glukosenachweis wurde ein duales QCL-System mit photoakustischer Spektroskopie entwickelt. Das entwickelte System zeigt Nachhaltigkeit beim Nachweis von Glukose für die Hautphantome mithilfe von Einzel- und Dual-Einzelwellenlängen-QCLs. Die Nachweisempfindlichkeit des Systems wurde mithilfe eines QCL-Lasers bei einem Glukose-Fingerabdruck von 9,25 \(\upmu\)m mit einem Korrelationsfaktor von 0,946 auf ± 12,5 mg/dL erhöht. Dieser Korrelationsfaktor wurde auf 0,989 verbessert, als dem System ein Referenz-QCL mit einer Laserleistung von 10,3 \(\upmu\)m hinzugefügt wurde. Darüber hinaus zeigt der duale QCL-Aufbau vielversprechende Ergebnisse beim Nachweis von Glukose in Gegenwart anderer Blutbestandteile, die den Glukose-Fingerabdruck stören, nämlich Albumin, Natriumlaktat, Cholesterin und Harnstoff. Für die zweitägigen Messungen wurde ein Korrelationsfaktor von 0,987 bei einer Standardabweichung von 0,72 erreicht. In das System wurde eine optische Linse integriert, damit beide Laser bei der Zugabe der Blutbestandteile zu den Proben genau an die Stelle der Proben strahlen können. Der Korrelationsfaktor wurde durch den Einbau einer optischen Linse von 0,934 auf 0,987 erhöht.

Die aus den Messungen gewonnenen 72.360 Datensätze wurden zum Trainieren eines Ensemble-Klassifizierungsmodells verwendet. Die akustischen Signale der beiden Phantomhautsätze wurden im Training genutzt. Das Modell hat die korrekten Phantomklassen erfolgreich mit einer Genauigkeit von 96,7 % vorhergesagt. Alle vorhergesagten Ergebnisse befanden sich in den Zonen A und B in Clarkes EGA. Diese Ergebnisse erfüllten beide FDA-Bedingungen und galten als letzte Phase vor der Durchführung der In-vivo-Messungen.

Der experimentelle Aufbau der dualen QCLs und der PA-Spektroskopie für den nichtinvasiven Glukosenachweis ist in Abb. 5 dargestellt. Im entwickelten Aufbau wurden zwei Single-Wellenlängen-QCLs verwendet. Der erste QCL lag bei einem Glukose-Fingerabdruck von 9,25 \(\upmu\)m (1080 cm\(^{-1}\)) (QD9500CM1, Thorlabs, Newton, NJ, USA), und der zweite wurde als Referenz verwendet zu den Messungen bei 10,3 \(\upmu\)m (970 cm\(^{-1}\)) (QD10500CM1, Thorlabs, Newton, NJ, USA). Die Schwellenströme der 9,25 \(\upmu\)m und 10,3 \(\upmu\)m QCLs liegen bei etwa 180 mA bzw. 280 mA. Die Lichtstrahlen der Dual-QCLs wurden über Glasfaserkabel (2FB-HF300LW-SMA-Bk0,5/0,5 m, Guiding Photonics, USA) an die PA-Zelle geliefert. Beide Laser wurden im gepulsten Modus bei Raumtemperatur mit einem Arbeitszyklus von 40 % betrieben. Die Laserströme wurden durch einen Funktionsgenerator (Agilent 55321A) mit einem Frequenzschritt von 150 Hz frequenzmoduliert von 10 bis 40 kHz.

Zwei Hauptsätze künstlicher Hautphantome wurden mit unterschiedlichen Glukosekonzentrationen hergestellt und als Testmodelle für das entwickelte System verwendet. Beide Sätze wurden im Bereich von 100 bis 275 mg/dl erstellt, um den interessierenden Bereich für den Blutzuckerspiegel bei gesunden Personen und Diabetikern abzudecken. Die Glukose-Hautphantome wurden nach der Arbeit von Lazebnik et al.26 und Aloraynan et al.18 hergestellt. Der Zweck des ersten Satzes bestand darin, die Nachhaltigkeit des Systems beim Nachweis von Glukose bei ± 25 und ± 12,5 mg/dL Glukoseunterschieden unter Verwendung von Einzel- und Dual-QCLs zu untersuchen. Der erste Satz wurde in zwei Kategorien unterteilt: den nicht-diabetischen Bereich (100–225 mg/dl) und den diabetischen Bereich (225–275 mg/dl). Die Glukosedifferenz wurde im nicht-diabetischen Bereich auf ± 25 mg/dL eingestellt, während sie im diabetischen Bereich auf ± 12,5 mg/dL reduziert wurde. Im Diabetikerbereich wurden die Unterschiede verringert, um eine Nachweisempfindlichkeit innerhalb der FDA-Spezifikationen zu erreichen.

Schematische Darstellung des Aufbaus für den Glukosenachweis mittels MIR- und PA-Spektroskopie.

Der zweite Satz von Glukosephantomen wurde durch Auflösen der Blutbestandteile hergestellt, die den Glukose-Fingerabdruck in der MIR-Region27 stören, nämlich Albumin, Natriumlactat, Cholesterin und Harnstoff. Die MIR-Spektren von Glukose und diesen Blutbestandteilen finden Sie in13. Die Komponenten wurden gemahlen und über Nacht in entionisiertem Wasser eingeweicht, um eine einheitliche Lösung zu erzeugen, bevor sie zu der Lösung hinzugefügt wurden, die die Glukosephantome erzeugte. Alle Komponenten wurden basierend auf ihrem normalen Bereich im menschlichen Blut hinzugefügt, um die Nachweisselektivität und Empfindlichkeit des Systems unter Verwendung von Einzel- und Doppel-QCLs zu untersuchen. Albumin nimmt mit 4500 mg/dl den größten Anteil am Gewicht der Blutbestandteile ein, gefolgt von Cholesterin mit 160 mg/dl, Harnstoff mit 15 mg/dl und Natriumlaktat mit 12 mg/dl. Nach der Herstellung einer homogenen Lösung wurde Glucose hinzugefügt, um acht verschiedene Konzentrationen von 100 bis 275 mg/dl mit einer Differenz von ± 25 mg/dl zu erzeugen. Alle für die Probenvorbereitung verwendeten Blutbestandteile, einschließlich Glukose, wurden gekauft (Sigma-Aldrich, Kanada). Weitere Informationen zur Herstellung der künstlichen Hautphantome finden Sie in18.

Der erste Satz der vorbereiteten Glukosephantome im Bereich von 100 bis 225 mg/dL bei ± 25 mg/dL und 225 bis 275 bei ± 12,5 mg/dL wurde bei Raumtemperatur einzeln auf der PA-Zelle über dem Resonatorhohlraum platziert. Auf die Proben wurde ein Druck von 6 N/cm\(^2\) ausgeübt, gemessen mit einem empfindlichen Drucksensor (400 FSR, Interlink Electronics, Toronto, ON, Kanada). Für die Kompatibilität der Ergebnisse ist es wichtig, während der gesamten Messung einen konstanten Druck auszuüben18. Die 9,25 \(\upmu\)m und 10,3 \(\upmu\)m QCLs wurden bei 220 mA und 300 mA mit einer durchschnittlichen Leistung von 8 mW bzw. 5 mW betrieben. Die fasergekoppelten modulierten Strahlen der 10,3 und 9,25 µm großen QCLs wurden auf den PA-Zellenhohlraum fokussiert, um die akustischen Wellen zu erzeugen. Als Referenzlichtquelle für die Messungen wurde zunächst das 10,3 \(\upmu\)m QCL verwendet. Jede Probe wurde von 10 bis 40 kHz mit einem Frequenzschritt von 0,15 kHz für beide Laser gescannt. Die akustischen Wellen wurden im PA-Hohlraum verstärkt und von einem empfindlichen Mikrofon (SPU0410LR5H-QB) gesammelt. Ein Lock-in-Verstärker (SR830) verarbeitete die gesammelten PA-Signale mit einer Zeitkonstante von 300 ms. Die Messungen wurden fünfmal pro Lichtquelle wiederholt und die gesammelten akustischen Signale wurden zur weiteren Analyse über ein Datenerfassungssystem an den PC übertragen. Das Experiment wurde zwei Tage lang mit neuen Proben wiederholt, wobei ähnliche Verfahren befolgt wurden.

Eine plankonvexe IR-Linse (ZNPX11, NEWPORT, USA) wurde unterhalb des PA-Hohlraums installiert, wie in Abb. 6 gezeigt, bevor die Messungen für den zweiten Probensatz durchgeführt wurden, der Blutbestandteile enthält. Die Zinkselenidlinse ist für beide Laser transparent und ermöglicht es ihnen, genau an die Stelle der Proben zu strahlen und so akustische Wellen aus einer identischen Quelle zu erzeugen. Die letzte Messreihe diente dazu, die Auswirkungen der optischen Linse auf die Präzision der Ergebnisse zu untersuchen. In diesem Messset wurden die Glukoseproben mit Blutbestandteilen zweitägigen Messungen mit und ohne Linse unterzogen. Wenn die Linse nicht installiert war, strahlten die beiden fasergekoppelten Laser parallel zur Probe mit einer Überlappung von etwa 1 mm zwischen ihren Strahlflecken auf den Proben. Tabelle 3 fasst den Prozess für die drei Messkategorien für beide Probensätze zusammen.

Design der optischen Linse.

Unter Verwendung der unverarbeiteten akustischen Signale, die aus Glukoseerkennungsmessungen erhalten wurden, wurde ein Ensemble von Klassifizierungsmodellen für Entscheidungsbäume entwickelt. Die Bootstrap-Aggregationsmodelle tragen dazu bei, die Vorhersagegenauigkeit zu verbessern und die Überanpassung der Algorithmen zu reduzieren28. Das Modell wurde mit 72.360 Datensätzen der akustischen Signale trainiert, die bei den Messungen für beide Phantomsätze erhalten wurden. Die Entwicklung von ML-Modellen wird durch die Erstellung einer großen Anzahl von Datensätzen für das Training aus beiden QCLs unterstützt. In ML stellt jede Zeile einen Datensatz dar, während jede Spalte ein Feature darstellt. In dieser Arbeit wurden die Daten jeder Probenahmehäufigkeit einer Spalte zugewiesen, um ein kohärentes Merkmal mit einer bestimmten Glukoseklassenbezeichnung zu erstellen. Beispielsweise wurden die bei 20 kHz erhaltenen Daten für alle Proben gegenüber der Klassenbezeichnung in einer Spalte zusammengefasst. Das Vorhandensein der Blutbestandteile wurde in der Datenanordnung einer Spalte mit binärem Gewicht zugeordnet. Infolgedessen betrug die Gesamtzahl der beim Aufbau des Modells verwendeten Merkmale 403. Die Datenanordnung für die Zwecke des Klassifikatortrainings ist in Tabelle 4 dargestellt. Das Modell wurde mit allen Häufigkeitsmerkmalen und ohne Vorverarbeitung der Daten trainiert, um die Robustheit zu untersuchen der bei den Messungen gewonnenen akustischen Signale. Die Anzahl der Lernenden für das Modell wurde im Laufe des Trainings angepasst, um die Vorhersagegenauigkeit zu maximieren. Die maximale Anzahl an Teilungen für die Entscheidungsbaumtechnik wurde während des Trainings optimiert. Das Modell wurde mithilfe der 10-fachen k-fachen Kreuzvalidierung bewertet. Die Implementierung von maschinellem Lernen in der MIR- und PA-Spektroskopie kann die Entwicklung von In-vivo-Messungen unterstützen, bei denen verschiedene stochastische Parameter akustische Signale wie menschliche Hautunterschiede beeinflussen können. Darüber hinaus kann maschinelles Lernen den Kalibrierungsprozess effektiv ersetzen, um ein allgemeines Vorhersagemodell für die nichtinvasive Glukoseerkennung zu erstellen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Zhang, R. et al. Nichtinvasive elektromagnetische Wellenmessung von Glukose. Sensoren 19, 1151 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hanna, J. et al. Nichtinvasives, tragbares und abstimmbares elektromagnetisches Multisensorsystem zur kontinuierlichen Glukoseüberwachung, das die Gefäßanatomie nachahmt. Wissenschaft. Adv. 6, eaba5320 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Caduff, A. et al. Nicht-invasive Glukoseüberwachung bei Patienten mit Diabetes: Ein neuartiges System basierend auf Impedanzspektroskopie. Biosens. Bioelektron. 22, 598–604 (2006).

Artikel CAS PubMed Google Scholar

Huang, J., Zhang, Y. & Wu, J. Übersicht über die nicht-invasive kontinuierliche Glukoseüberwachung basierend auf Impedanzspektroskopie. Sens. Aktoren A Phys. 311, 112103 (2020).

Artikel CAS Google Scholar

Chen, Y. et al. Hautähnliches Biosensorsystem über elektrochemische Kanäle zur nichtinvasiven Blutzuckermessung. Wissenschaft. Adv. 3, e1701629 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Chang, T. et al. Hochintegrierte Uhr zur nichtinvasiven kontinuierlichen Glukoseüberwachung. Mikrosystem. Nanoeng. 8, 1–9 (2022).

Artikel ADS Google Scholar

Enejder, AM et al. Raman-Spektroskopie für nichtinvasive Glukosemessungen. J. Biomed. Opt. 10, 031114 (2005).

Artikel ADS PubMed Google Scholar

Pandey, R. et al. Nichtinvasive Überwachung des Blutzuckers mit Raman-Spektroskopie. Acc. Chem. Res. 50, 264–272 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Rassel, S., Xu, C., Zhang, S. & Ban, D. Nichtinvasive Blutzuckererkennung mit einem Quantenkaskadenlaser. Analyst 145, 2441–2456 (2020).

Artikel ADS CAS PubMed Google Scholar

Sanchez, P., Ghosh-Dastidar, S., Tweden, KS & Kaufman, FR Praxisbezogene Daten der ersten kommerziellen US-Anwender eines implantierbaren kontinuierlichen Glukosesensors. Diabetes-Technologie. Dort. 21, 677–681 (2019).

Artikel PubMed Google Scholar

Vashist, SK Nicht-invasive Glukoseüberwachungstechnologie im Diabetesmanagement: Ein Überblick. Anal. Chim. Acta 750, 16–27 (2012).

Artikel CAS PubMed Google Scholar

Also, C.-F., Choi, K.-S., Wong, TK & Chung, JW Jüngste Fortschritte bei der nichtinvasiven Glukoseüberwachung. Med. Devices (Auckland, NZ) 5, 45 (2012).

CAS Google Scholar

Shaw, RA & Mantsch, HH Infrarotspektroskopie biologischer Flüssigkeiten in der klinischen und diagnostischen Analyse (Applications, Theory and Instrumentation, Encyclopedia of Analytical Chemistry, 2006).

Tang, L., Chang, SJ, Chen, C.-J. & Liu, J.-T. Nicht-invasive Technologie zur Blutzuckerüberwachung: Ein Rückblick. Sensoren 20, 6925 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Von Lilienfeld-Toal, H., Weidenmüller, M., Xhelaj, A. & Mäntele, W. Ein neuartiger Ansatz zur nicht-invasiven Glukosemessung durch Spektroskopie im mittleren Infrarot: Die Kombination von Quantenkaskadenlasern (qcl) und photoakustischer Detektion. Vib. Spectrosc. 38, 209–215 (2005).

Artikel Google Scholar

Kottmann, J., Rey, JM, Luginbühl, J., Reichmann, E. & Sigrist, MW Glukoseerkennung in der menschlichen Epidermis mittels photoakustischer Detektion im mittleren Infrarotbereich. Biomed. Opt. Express 3, 667–680 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Pleitez, M., Von Lilienfeld-Toal, H. & Mäntele, W. Infrarotspektroskopische Analyse menschlicher interstitieller Flüssigkeit in vitro und in vivo unter Verwendung von FT-IR-Spektroskopie und gepulsten Quantenkaskadenlasern (QCL): Etablierung eines neuen Ansatzes für nichtinvasive Glukosemessung. Spektrochem. Acta Teil A Mol. Biomol. Spectroscopy 85, 61–65 (2012).

Artikel ADS CAS Google Scholar

Aloraynan, A., Rassel, S., Xu, C. & Ban, D. Eine photoakustische Einzelwellenlängen-Mittelinfrarotspektroskopie für den nichtinvasiven Glukosenachweis mittels maschinellem Lernen. Biosensoren 12, 166 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Kottmann, J., Rey, JM & Sigrist, MW Mittelinfrarot-photoakustische Detektion von Glukose in der menschlichen Haut: Auf dem Weg zur nicht-invasiven Diagnostik. Sensoren 16, 1663 (2016).

Artikel ADS PubMed PubMed Central Google Scholar

Kottmann, J., Grob, U., Rey, JM & Sigrist, MW Fasergekoppelter photoakustischer Sensor im mittleren Infrarotbereich für biomedizinische Anwendungen. Sensoren 13, 535–549 (2013).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Aloraynan, A., Rassel, S., Xu, C. & Ban, D. Klassifikatoren für maschinelles Lernen für die nichtinvasive Glukoseerkennung mithilfe einer photoakustischen Spektroskopie im mittleren Infrarotbereich mit einer einzigen Wellenlänge. In Biomedical Spectroscopy, Microscopy, and Imaging II, vol. 12144, 97–102 (SPIE, 2022).

US-amerikanische Lebensmittel- und Arzneimittelbehörde (FDA). Geräte zur Blutzuckermessung (2019).

Gesundheit Kanada. Neue Anforderungen für Medizinproduktelizenzanträge für Stechhilfen und Blutzuckermesssysteme (2014).

Pleitez, MA et al. Nichtinvasive In-vivo-Überwachung der Glukosekonzentration in der menschlichen Epidermis durch gepulste photoakustische Spektroskopie im mittleren Infrarotbereich. Anal. Chem. 85, 1013–1020 (2013).

Artikel CAS PubMed Google Scholar

Sim, JY, Ahn, C.-G., Jeong, E.-J. & Kim, BK In vivo mikroskopische photoakustische Spektroskopie zur nicht-invasiven Glukoseüberwachung, unempfindlich gegenüber Hautsekretprodukten. Wissenschaft. Rep. 8, 1–11 (2018).

Artikel ADS Google Scholar

Lazebnik, M., Madsen, EL, Frank, GR & Hagness, SC Gewebeähnliche Phantommaterialien für Schmalband- und Ultrabreitband-Mikrowellenanwendungen. Physik. Med. Biol. 50, 4245 (2005).

Artikel PubMed Google Scholar

Jernelv, IL, Strøm, K., Hjelme, DR & Aksnes, A. Infrarotspektroskopie mit einem fasergekoppelten Quantenkaskadenlaser für gedämpfte Totalreflexionsmessungen für biomedizinische Anwendungen. Sensoren 19, 5130 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Breiman, L. Bagging-Prädiktoren. Mach. Lernen. 24, 123–140 (1996).

Artikel MATH Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Natural Science and Engineering Research Council (NSERC), dem Ontario Centre of Excellence (OCE), Mitacs und der University of Waterloo, AIH Technologies Inc. unterstützt.

Fakultät für Elektrotechnik und Informationstechnik, University of Waterloo, Waterloo, ON, N2L 3G1, Kanada

Abdulrahman Aloraynan, Shazzad Russell, Md. Rejvi Kaysir & Dayan Ban

Waterloo Institute for Nanotechnology, University of Waterloo, Waterloo, ON, N2L 3G1, Kanada

Abdulrahman Aloraynan, Shazzad Russell, Md. Rejvi Kaysir & Dayan Ban

Fakultät für Elektrotechnik, Universität Umm Al-Qura, Mekka, Saudi-Arabien

Abdulrahman Aloraynan

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, AA, SR und MR; Datenkuration, AA; formale Analyse, AA; Finanzierungseinwerbung, DB; Untersuchung, AA, SR und MR; Methodik, AA, SR und MR; Projektadministration, DB; Ressourcen, DB; Software, AA, SR und MR; Aufsicht, DB; Validierung, AA; Visualisierung, AA; Schreiben – Originalentwurf, AA; Schreiben – Rezensionsredaktion, AA, SR und MR

Korrespondenz mit Abdulrahman Aloraynan oder Dayan Ban.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Aloraynan, A., Rassel, S., Kaysir, MR et al. Duale Quantenkaskadenlaser für den nichtinvasiven Glukosenachweis mittels photoakustischer Spektroskopie. Sci Rep 13, 7927 (2023). https://doi.org/10.1038/s41598-023-34912-3

Zitat herunterladen

Eingegangen: 5. Januar 2023

Angenommen: 09. Mai 2023

Veröffentlicht: 16. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34912-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.