Research project · 2024 – 2026 · TRL 3Výskumný projekt · 2024 – 2026 · TRL 3
DIABETES PPG is a Slovak research project developing machine-learning methods that estimate blood glucose and blood pressure from multi-wavelength photoplethysmography. It stands on a custom wearable sensor, real clinical data and an open dataset. DIABETES PPG je slovenský výskumný projekt, ktorý vyvíja metódy strojového učenia na odhad glykémie a krvného tlaku z viacvlnovej fotopletyzmografie. Stojí na vlastnom nositeľnom senzore, reálnych klinických dátach a otvorenom datasete.
Full title: Research of telemedical monitoring of diabetes as a disease affecting 10 % of the population, using machine learning and enhanced photoplethysmography sensors. Úplný názov: Výskum telemedicínskeho monitorovania diabetu ako ochorenia postihujúceho 10 % populácie s využitím strojového učenia a rozšírených fotopletyzmografických senzorov.
The challengeVýchodisko
Diabetes affects roughly one person in ten in Slovakia and over half a billion adults worldwide. Managing it means knowing your blood glucose several times a day, which today means a finger prick or a subcutaneous sensor replaced every one to two weeks. Both are invasive, both cost money every day, and both are a reason patients measure less often than they should. Hypertension, the most frequent companion of diabetes, is measured even less: occasionally, with a cuff.
Diabetes postihuje na Slovensku zhruba každého desiateho človeka a vo svete vyše pol miliardy dospelých. Jeho zvládanie znamená poznať svoju glykémiu niekoľkokrát denne, čo dnes znamená pichnutie do prsta alebo podkožný senzor vymieňaný každý jeden až dva týždne. Oboje je invazívne, oboje stojí peniaze každý deň a oboje je dôvodom, prečo pacienti merajú menej často, než by mali. Hypertenzia, najčastejší sprievodca diabetu, sa meria ešte zriedkavejšie: občas, manžetou.
Photoplethysmography (PPG), the optical pulse sensor in every smartwatch, records how blood volume under the skin changes with each heartbeat. The shape of that pulse wave depends on the heart, the vessels and the blood itself, including its glucose content and pressure. If machine learning can separate those influences, one painless optical sensor could report both, continuously. That is the question this project set out to answer.
Fotopletyzmografia (PPG), optický snímač pulzu v každých inteligentných hodinkách, zaznamenáva, ako sa s každým úderom srdca mení objem krvi pod kožou. Tvar tejto pulzovej vlny závisí od srdca, od ciev aj od samotnej krvi vrátane obsahu glukózy a tlaku. Ak strojové učenie dokáže tieto vplyvy oddeliť, jeden bezbolestný optický senzor by mohol priebežne udávať oboje. Práve túto otázku si projekt položil.
ObjectivesCiele
Non-invasive blood-glucose estimation from multi-wavelength photoplethysmography and neural networks, taken to experimental proof of concept.
Neinvazívny odhad glykémie z viacvlnovej fotopletyzmografie a neurónových sietí, dovedený až po experimentálny dôkaz konceptu.
Continuous, cuff-less blood-pressure estimation from the same optical signal, for the hypertension that so often accompanies diabetes.
Priebežný odhad krvného tlaku bez manžety z toho istého optického signálu, pre hypertenziu, ktorá diabetes tak často sprevádza.
Models that combine PPG estimates with remotely collected bioparameters to evaluate a patient's status and warn early, delivered inside a telemedicine platform.
Modely, ktoré spájajú odhady z PPG s diaľkovo zbieranými bioparametrami, vyhodnocujú stav pacienta a včas varujú, nasadené v telemedicínskej platforme.
Underpinning all three: a synchronised, well-documented dataset of PPG signals paired with clinical reference measurements, published openly. Základom všetkých troch je synchronizovaný, dobre zdokumentovaný dataset PPG signálov spárovaných s klinickými referenčnými meraniami, zverejnený otvorene.
ApproachPostup
The sensorSenzor
The ePPG is a multi-sensor wearable designed and built at the Faculty of Electrical Engineering and Information Technology, STU Bratislava. It illuminates the skin at three wavelengths, green, red and infrared, and reads the reflected light with two photodetectors, giving six simultaneous PPG channels. A three-axis accelerometer captures motion and posture, a thermistor tracks skin temperature at the measurement site, and the firmware computes heart rate and SpO₂ on board.
ePPG je nositeľný multisenzor navrhnutý a zostrojený na Fakulte elektrotechniky a informatiky STU v Bratislave. Osvetľuje kožu tromi vlnovými dĺžkami, zelenou, červenou a infračervenou, a odrazené svetlo sníma dvoma fotodetektormi, čo dáva šesť súčasných PPG kanálov. Trojosový akcelerometer zachytáva pohyb a polohu tela, termistor sleduje teplotu kože v mieste merania a firmvér priamo v zariadení počíta tepovú frekvenciu a SpO₂.
Different wavelengths reach different depths: green stays in the superficial capillaries, red and infrared reach the deeper arterioles. Recording all three at once lets the models profile the pulse wave at several depths and compare wavelengths against each other. During the project the sensor moved to continuous acquisition at 100 Hz and was used both as a chest patch for long sessions and on the finger for quick spot measurements. The methods and the dataset are not tied to it: any device that records raw multi-wavelength PPG can apply them.
Rôzne vlnové dĺžky prenikajú do rôznej hĺbky: zelená ostáva v povrchových kapilárach, červená a infračervená siahajú k hlbším arteriolám. Súčasný záznam všetkých troch umožňuje modelom profilovať pulzovú vlnu vo viacerých hĺbkach a porovnávať vlnové dĺžky medzi sebou. Počas projektu senzor prešiel na súvislé snímanie pri 100 Hz a používal sa ako hrudná náplasť pri dlhých meraniach aj na prste pri rýchlych bodových meraniach. Metódy ani dataset naň nie sú viazané: použiť ich môže každé zariadenie, ktoré zaznamenáva surovú viacvlnovú PPG.
Data collectionZber dát
Every PPG recording is paired with a certified reference measurement taken at the same time. All studies were approved by the institutional ethics committee, participants gave written informed consent, and data are pseudonymised and handled under GDPR.
Každý PPG záznam je spárovaný s meraním certifikovaného referenčného prístroja v tom istom čase. Všetky štúdie schválila etická komisia, účastníci dali písomný informovaný súhlas a dáta sú pseudonymizované a spracúvané podľa GDPR.
Blood pressureKrvný tlak
85
healthy volunteers, at least an hour of continuous resting recording each with the chest-worn sensor, against an ICU-grade patient monitor.
zdravých dobrovoľníkov, každý aspoň hodina súvislého záznamu v pokoji s hrudným senzorom, oproti pacientskemu monitoru z JIS.
Thousands of annotated segmentsTisíce anotovaných segmentov
Blood glucoseGlykémia
24
volunteers including people with type 1 diabetes, 30-second recordings on the thumb at random times of day, against a capillary glucometer.
dobrovoľníkov vrátane ľudí s diabetom 1. typu, 30-sekundové záznamy na palci v náhodných časoch dňa, oproti kapilárnemu glukomeru.
125 records, 2.2 – 16.9 mmol/L125 záznamov, 2,2 – 16,9 mmol/l
Clinical cohortKlinická kohorta
100+
patients of a diabetology practice monitored at home for weeks to months through the Telemon platform: glucometer, blood-pressure monitor, scales, thermometer.
pacientov diabetologickej ambulancie monitorovaných doma týždne až mesiace cez platformu Telemon: glukomer, tlakomer, váha, teplomer.
Longitudinal, since 2024Dlhodobo, od roku 2024
Measurement protocol, glucose campaignProtokol merania, kampaň glykémie
Open datasetOtvorený dataset
Openly available PPG datasets with curated glucose labels are rare. This one adds a multi-wavelength, dual-detector configuration with synchronised motion data and per-subject metadata, so it supports work on wavelength selection, sensor fusion and motion artifacts, not just glucose regression. We recommend subject-independent evaluation when benchmarking on it.
Otvorené PPG datasety s kurátorovanými hodnotami glykémie sú vzácne. Tento pridáva viacvlnovú konfiguráciu s dvoma detektormi, synchronizované pohybové dáta a metadáta o každej osobe, takže podporuje aj výskum výberu vlnových dĺžok, fúzie senzorov a pohybových artefaktov, nielen regresiu glykémie. Pri porovnávaní na ňom odporúčame vyhodnocovanie nezávislé od osoby.
ResultsVýsledky
On held-out test data from the laboratory campaign, a random-forest model on pulse-wave features placed 92 % of systolic and 93 % of diastolic estimates within ±10 mmHg of the reference, with 80 % of readings correct on both values at once. The best deep model, a CNN-LSTM hybrid, came close behind.
Na odložených testovacích dátach z laboratórnych meraní umiestnil model náhodného lesa nad príznakmi pulzovej vlny 92 % systolických a 93 % diastolických odhadov do ±10 mmHg od referencie, pričom 80 % odhadov bolo správnych v oboch hodnotách naraz. Najlepší hlboký model, hybrid CNN-LSTM, sa umiestnil tesne za ním.
On the open dataset, four network architectures were trained under three input strategies. Accuracy rose consistently from a single infrared channel, to infrared plus red, to overlapping windows of five consecutive beats. The best baseline, a 34-layer residual network on the windowed input, placed 85 % of predictions within 0.5 mmol/L of the reference. These are baseline figures on a small cohort: a starting point, not a clinical claim.
Na otvorenom datasete boli natrénované štyri architektúry sietí s tromi stratégiami vstupu. Presnosť rástla konzistentne od jedného infračerveného kanála cez infračervený plus červený až po prekrývajúce sa okná z piatich po sebe idúcich úderov. Najlepší základný model, 34-vrstvová reziduálna sieť nad oknovým vstupom, umiestnil 85 % predikcií do 0,5 mmol/l od referencie. Ide o východiskové čísla na malej kohorte: začiatok, nie klinické tvrdenie.
The same lesson in both tasks. What made the models work was the input, not the architecture. Multi-wavelength channels and windows spanning several heartbeats drove the gains, and subject-independent validation is the only honest yardstick.
Rovnaké poučenie v oboch úlohách. Modely fungovali vďaka vstupu, nie architektúre. Zisk priniesli viacvlnové kanály a okná cez viac úderov srdca a jediným poctivým meradlom je vyhodnocovanie nezávislé od osoby.
Along the wayCestou
Seventeen textbook waveform descriptors were tested against reference glucose; none carried a usable signal on its own. Glucose information, where it exists in PPG, is spread across the waveform and the wavelengths, which is why end-to-end models on raw signals win.
Sedemnásť učebnicových deskriptorov priebehu sme otestovali oproti referenčnej glykémii; ani jeden sám osebe neniesol použiteľný signál. Informácia o glukóze, ak v PPG je, je rozložená v celom priebehu a medzi vlnovými dĺžkami, preto vyhrávajú modely učené priamo na surových signáloch.
Temperature affects the optical signal, so we measure it. But an analysis of a month of continuous wearable data showed no usable link between skin temperature and glucose once daily rhythm and activity are accounted for. It belongs in signal-quality control, not in the estimator.
Teplota ovplyvňuje optický signál, preto ju meriame. Analýza mesiaca súvislých dát z nositeľného zariadenia však neukázala žiadnu použiteľnú väzbu medzi teplotou kože a glykémiou, keď sa zohľadní denný rytmus a aktivita. Patrí do kontroly kvality signálu, nie do odhadu.
The same person in training and test data, or thousands of auto-correlated readings treated as independent, give confident numbers that do not survive scrutiny. Every result here was checked against those traps, and the dataset documentation tells future users how to avoid them.
Tá istá osoba v trénovacích aj testovacích dátach alebo tisíce autokorelovaných meraní brané ako nezávislé dávajú sebavedomé čísla, ktoré neobstoja. Každý výsledok tu bol proti týmto pasciam preverený a dokumentácia datasetu hovorí budúcim používateľom, ako sa im vyhnúť.
Clinical translationKlinický prenos
The second half of the project turns predictions into safe, personalised decisions inside Telemon, the telemedicine platform developed by Goldmann Systems.
Druhá polovica projektu mení predikcie na bezpečné, personalizované rozhodnutia v Telemone, telemedicínskej platforme vyvinutej spoločnosťou Goldmann Systems.
TimelineHarmonogram
OutputsVýstupy
PartnersPartneri
Faculty of Electrical Engineering and Information TechnologyFakulta elektrotechniky a informatiky
Project coordinator. Sensor design, ePPG hardware and firmware, data infrastructure, signal processing and machine learning.
Koordinátor projektu. Návrh senzorov, hardvér a firmvér ePPG, dátová infraštruktúra, spracovanie signálu a strojové učenie.
fei.stuba.sk
Telemedicine platform TelemonTelemedicínska platforma Telemon
Project partner. Clinical data collection, decision-support and recommendation modules, deployment methodology for ambulatory practice.
Partner projektu. Zber klinických dát, moduly podpory rozhodovania a odporúčaní, metodika nasadenia v ambulantnej praxi.
goldmann.sk
Funded by the European Union – NextGenerationEU through the Recovery and Resilience Plan for Slovakia, project No. 09I05-03-V02-00061. Financované Európskou úniou – NextGenerationEU prostredníctvom Plánu obnovy a odolnosti Slovenskej republiky, projekt č. 09I05-03-V02-00061.