Estimativa dos níveis de glicose através do processamento de sinais de eletrocardiograma e modelos de aprendizado de máquina

Abstract

O monitoramento dos níveis de glicose é essencial para prevenir doenças e sintomas associados à hiperglicemia e à hipoglicemia. O diabetes, por exemplo, está entre as doenças que mais causam mortes no mundo, tornando o acompanhamento contínuo da glicose sanguínea uma prática indispensável para pessoas diagnosticadas com a condição. No entanto, os métodos tradicionais de medição são, em sua maioria, invasivos, causam desconforto, dor e exigem a coleta de amostras de sangue, o que pode dificultar o monitoramento frequente. Diante disso, cresce o interesse em pesquisas que buscam estimar os níveis de glicose de forma não invasiva. Este estudo propõe o uso de sinais de eletrocardiograma (ECG), obtidos por meio de um dispositivo vestível, para estimar a glicose sanguínea. O conjunto de dados foi desenvolvido especificamente para este projeto e envolve etapas de pré-processamento e filtragem dos sinais, extração de características relevantes e treinamento de modelos de aprendizado de máquina, com o objetivo de desenvolver uma abordagem precisa, prática e menos desconfortável para o monitoramento contínuo da glicose. Os modelos com melhor performance foram Random Forest, com erro RMSE de 11.295 e MAPE de 8,63% e 93% das estimativas na Zona A do Gráfico de Clarke, e o modelo Gradient Boosting, com erro RMSE de 11.768 e MAPE de 9,09% e 84% das estimativas na Zona A. O modelo CatBoost também chegou próximo, com RMSE e MAPE iguais a 12.512 e 9,53% e 81% das estimativas na Zona A. Portanto, os resultados deste trabalho reforçam que variações nos níveis glicêmicos afetam características morfológicas do sinal de eletrocardiograma.

Monitoring glucose levels is essential to prevent diseases and symptoms associated with hyperglycemia and hypoglycemia. Diabetes, for instance, is among the leading causes of death worldwide, making continuous glucose monitoring indispensable for diagnosed individuals. However, traditional measurement methods are mostly invasive, cause discomfort and pain, and require blood sample collection, which can hinder frequent monitoring. Consequently, there is growing interest in research aimed at estimating glucose levels non-invasively. This study proposes the use of electrocardiogram (ECG) signals, obtained through a wearable device, to estimate blood glucose levels. The dataset was specifically developed for this project and involves signal preprocessing and filtering, extraction of relevant features, and training of machine learning models, with the goal of developing an accurate, practical, and less discomforting approach for continuous glucose monitoring. The best-performing models were Random Forest, with an RMSE of 11.295 and MAPE of 8.63% and 93% of estimates in Clarke’s Zone A, and Gradient Boosting, with an RMSE of 11.768 and MAPE of 9.09% and 84% of estimates in Zone A. The CatBoost model also performed closely, with RMSE and MAPE of 12.512 and 9.53%, and 81% of estimates in Zone A. Therefore, the results of this work reinforce that variations in glucose levels affect the morphological characteristics of the electrocardiogram signal.