Monitoraggio non invasivo della glicemia tramite Deep Learning su segnali di fotopletismografia e bioimpedenza = Non-Invasive Blood Glucose Monitoring Using Deep Learning on Photoplethysmography and Bioimpedance Signals

Il diabete è una malattia cronica che si sta diffondendo sempre più ampiamente e, se non adeguatamente controllata, può compromettere significativamente la qualità della vita del paziente. È fondamentale un monitoraggio continuo e accurato dei livelli di glucosio nel sangue per individuare tempestivamente episodi di ipoglicemia e iperglicemia, permettendo di intervenire rapidamente. Tuttavia, i metodi attualmente più accurati risultano invasivi o minimamente invasivi e possono essere associati a dolore, disagio e rischi di allergie e infezioni dovute a punture ripetute. Per questo motivo, si rende necessario lo sviluppo di dispositivi di monitoraggio continuo della glicemia che siano non invasivi e al contempo affidabili. In questa direzione, la fotopletismografia (PPG) e la spettroscopia ad impedenza rappresentano tecniche promettenti, in quanto consentono di monitorare le variazioni del volume e della composizione del flusso sanguigno nel tempo senza la necessità di prelievi ematici. L'obiettivo della tesi è stato lo sviluppo di un algoritmo di deep learning robusto per la stima della glicemia, utilizzando segnali fotopletismografici a tre lunghezze d'onda e bioimpedenza misurata a quattro frequenze. A causa dell'assenza di dataset pubblici adeguati, è stato necessario raccogliere un nuovo insieme di dati utilizzando il sistema VSM01, sviluppato da STMicroelectronics, e un glucometro invasivo come riferimento. Successivamente, il dataset è stato elaborato, pre-processato e segmentato in finestre temporali per l'addestramento dei modelli. Sono stati sviluppati e confrontati due approcci basati su reti neurali. Il primo approccio utilizza un Multilayer Perceptron (MLP) a cui vengono fornite feature estratte manualmente dai segnali acquisiti, mentre il secondo impiega un Encoder-MLP che sfrutta una combinazione di convoluzioni 2D e reti BiLSTM per estrarre automaticamente le feature rilevanti dai dati. I modelli sono stati testati su segnali non utilizzati durante la fase di addestramento, e la loro accuratezza è stata valutata tramite metriche quantitative e qualitative.