图片速览：人工智能智能卫生系统+实时血糖检测 AI-Enabled Smart Hygiene System for Real-Time Glucose Detection (暂记)

最新推荐文章于 2025-12-01 06:10:14 发布

原创最新推荐文章于 2025-12-01 06:10:14 发布 · 898 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

硬件和移动端专栏收录该内容

230 篇文章

订阅专栏

paper	code
https://arxiv.org/abs/2509.19107	NONE

文章介绍了一种用于灵敏血糖监测的设备(可用于智能马桶)，通过测量液体流过共面波导馈电缝隙环形天线后的信号变化智能分析血糖数据。

系统组成

系统主要包括三个核心部分：

CPW馈电缝隙环形天线（Coplanar Waveguide-Fed Slot-Loop Antenna）
- 安装在智能马桶或尿液采样装置中。
- 天线尺寸和形状（环形缝隙、共面波导馈电线）经过优化，基频谐振在 1.42 GHz。
- 天线与尿液样本的介电环境耦合，产生频率和相位偏移。
微波信号测量模块
- 微波源向天线发射信号，天线被尿液样本激励后产生反射信号。
- 测量 S11 参数（反射系数），包括 幅值和相位。
- 高频信号经过采集模块数字化，输出复数数据。
数据处理和人工智能模块
- 原始 S11 复数信号（幅值 + 相位）送入 CNN-LSTM 模型。
- 模型提取特征，如：
  - 相位旋转（∆ϕ）
  - Q 值变化
  - 频率偏移（∆f）
- 将这些特征映射到尿液状态分类（健康、稀释、糖尿病、浓缩、脱水等）。

环形天线

在这里插入图片描述

图 1 展示了 共面波导馈电缝隙环形天线（CPW-Fed Slot-Loop Antenna） 的几何结构 [18]，该天线将共面波导馈电与缝隙环形谐振器集成，用于实现高效辐射。天线制备在 Duroid 6010LM 基板上（εr = 10.2，厚度 H = 2.54 mm），该基板因低损耗特性而被选用，使其适合高频操作并保持最小信号损失。天线设计在 Ansys 高频结构模拟器（HFSS） 中进行了仿真，模拟中考虑了接地平面的有限铜电导率（5.8 × 10⁷ S/m）以及基板的介电损耗正切（tanδ = 0.0023）。天线的尺寸为毫米单位：LS = WS = 70，LSL = 40，WSL = 1.2，LCPW = 31.3，SCPW = 4.2。
该天线使用共面波导（CPW）馈电线直接激励刻蚀在接地平面上的方形缝隙环形结构。馈电线和辐射元件均集成在同一平面上，从而降低天线轮廓并简化制造工艺。该设计保证了高效的能量耦合和精确的谐振频率。CPW馈电缝隙环形天线的基频谐振点为 1.42 GHz。缝隙天线的谐振频率 fr 可由下式给出：

$f_r = \frac{c}{2 L_\text{eff} \sqrt{\varepsilon_\text{eff}}}$

其中，c 为自由空间光速，Leff 为有效缝隙长度，εeff 为基板的有效介电常数。
表 1 列出了 25°C、1 GHz 下人尿液的介电特性（介电常数、电导率、密度），覆盖五种生理状态。设计天线时使用了这些状态下尿液的平均介电常数。
当天线暴露于这五种尿液样本时，其谐振频率会发生明显偏移，从 1.42 GHz 起变化，从而实现 无创健康监测。具体而言：
- 健康尿液：谐振频率 691.25 MHz
- 稀释尿液：谐振频率 672.5 MHz
- 糖尿病尿液：谐振频率 710 MHz
- 脱水尿液：谐振频率 747.5 MHz
- 浓缩尿液：谐振频率 725 MHz
图 2 通过回波损耗曲线验证了这些频率变化，显示该天线非常适合微波传感应用。表 2 总结了尿液状态、相关疾病及关键临床指标之间的对应关系。
尿液中葡萄糖水平的准确评估依赖于样本的介电常数，因为它显著影响 CPW馈电缝隙环形天线的谐振频率，从而实现无创检测。众所周知，平行板电容法是测定生物液体（如尿液）复介电常数 ϵ* = ϵ′ − jϵ′′ 的可靠方法。
S参数 Scattering Parameters是微波工程中描述 射频信号在网络（天线、滤波器、电路等）中传输和反射特性的参数。一般用 Sij 表示：
- i = 输出端口
- j = 输入端口
- Sij 表示从端口 j 输入信号，端口 i 输出信号的比值。

S11 = 端口1的反射系数（Reflection coefficient at port 1）,描述输入信号有多少被天线或器件反射回去。
数学上：
$S_{11} = \frac{从端口反射回来的电压}{输入信号电压}=\frac{V_\text{reflected}}{V_\text{incident}}$
天线或器件的输入阻抗 ( $Z_L$ ) 与测量端口阻抗 ( $Z_0$ )（通常是 50 Ω）不匹配时，会产生反射。
测 S11 本质上就是测负载阻抗相对于端口阻抗的匹配情况，S11 与阻抗关系公式：
$S_{11} = \frac{Z_L - Z_0}{Z_L + Z_0}$
幅值（|S11|）：反射能量的大小
相位（∠S11）：反射信号相对于输入信号的相位变化

AI辅助识别

非侵入式血糖检测面临的一个主要挑战是 区分糖尿病尿液与脱水尿液，因为二者都会产生相似的频率偏移（∆f ≈ 35–40 MHz）。
然而，它们的介电本质不同：糖尿病尿液会因偶极子弛豫产生显著的 S11 相位变化（约 15°），而脱水尿液则因离子变化导致较小的相位偏移（小于 5°）。仅依赖频率偏移（∆f）容易出现误报，尤其是大多数商业网络分析仪（VNA）忽略 1 GHz 以下的相位数据，从而错过关键生物标志物。
血糖主要影响 介电损耗分量（ε′′），而脱水则影响 储能分量（ε′）。为了解决这种频谱重叠问题，提出了一种 相位感知的深度学习框架，使用原始复数 S11 数据（包括幅值和相位）作为输入，输入到 CNN-LSTM 模型 中。该方法能够提取相位旋转（∆ϕ）、Q 值变化等特征，从而提高对相似响应的区分能力。
CNN-LSTM 模型在各项指标上表现出良好性能。训练过程中，模型准确率稳步提升，训练准确率约为 0.9，验证准确率紧随其后，说明学习有效。训练损失从约 1.6 下降到低于 0.4，验证损失也有类似改善，体现出良好的泛化能力。
混淆矩阵显示，模型在“健康（Healthy）”和“稀释（Diluted）”类别上表现优秀，“健康”类别无误分类，“稀释”类别仅有一次误分类。然而，在“浓缩（Concentrated）”和“糖尿病（Diabetic）”类别上仍存在一些误分类，模型在精确率和召回率上表现不够理想。
分类报告显示，“稀释”和“健康”类别的精确率和召回率均为 1.0，F1 分数为 1.0，表明模型在这两类上表现平衡良好。而“浓缩”类别精确率为 0.47，“糖尿病”类别召回率为 0.67，说明这两个类别仍有改进空间。模型整体准确率为 0.88，表现稳健。