Безопасный мониторинг уровня глюкозы на базе умных часов IoMT с использованием мультимодальных данных об активности и питании и переноса обучения

Почему ваши смарт‑часы могут помочь контролировать уровень сахара

Многие люди сталкиваются с повышением уровня сахара в крови — будь то при диабете или в результате сильного стресса и постоянного перекуса на ходу. Традиционные анализы с уколом пальца или отдельные глюкометры неудобны и редко показывают, как повседневные решения — приём пищи, прогулки или долгие часы за столом — влияют на организм в реальном времени. В этом исследовании рассматривается, как обычные смарт‑часы в сочетании с защищёнными интернет‑системами здравоохранения могут непримечательно отслеживать уровень сахара в течение дня, связывая питание и активность с быстрыми, персонализированными предупреждениями и советами.

Часы, которые видят больше, чем шаги

Авторы предлагают систему «расширенного мониторинга сахара в организме», превращающую смарт‑часы в центральный узел для медицинских сигналов. Современные часы уже умеют измерять частоту сердечных сокращений, давление, насыщение кислородом, температуру, движение и иногда — глюкозу. В этой работе часы также фиксируют вашу активность — сидение, ходьбу, бег или сон — и питание, включая разные типы блюд и напитков. Все эти потоки данных рассматриваются вместе как мультимодальный набор данных, создающий более полную картину реакции организма на повседневную жизнь, чем одни показания глюкозы.

Отправка данных к ближайшим помощникам — безопасно

Поскольку часы ограничены по батарее и вычислительным ресурсам, они не могут выполнять тяжёлый анализ самостоятельно. Поэтому система рассматривает часы как защищённый «клиент», отправляющий данные на ближайшие медицинские серверы в клиниках или больницах, называемые узлами edge. Пользовательская процедура безопасности в сочетании со стандартными методами шифрования защищает данные при передаче так, чтобы их могли прочитать только авторизованные машины. Интеллектуальный планировщик решает, когда отправлять данные для глубокой обработки, а когда обрабатывать их локально на часах, учитывая качество сети, срочность и энергопотребление. Например, если показатели стабильны и сеть слабая, часы могут подождать; если уровень сахара быстро меняется после плотного приёма пищи или интенсивной тренировки, данные будут отправлены незамедлительно для более детальной проверки.

Обучение компьютеров распознавать рисковые шаблоны

В основе системы лежит метод искусственного интеллекта, который авторы называют TL-DCNNOS — сочетание глубоких нейронных сетей, переноса обучения и интеллектуального планирования задач. Сначала большая «открытая» обучающая выборка — собранная с датчиков умных часов, журналов активности и записей о питании от многих людей — используется для предварительной подготовки модели распознавать общие закономерности поведения глюкозы. Позже, когда поступают ваши личные данные, модель дообучает лишь свои верхние слои, чтобы изучить ваши индивидуальные реакции без обучения «с нуля». Такой подход позволяет системе замечать признаки нормального и аномального поведения — например, различать плавный подъём после фруктов и резкий пик после сладких напитков — даже при ограниченном объёме персональных данных. Та же архитектура определяет, какой сервер должен обрабатывать каждую задачу, чтобы результаты приходили достаточно быстро для работы в реальном времени.

Тестирование идеи в виртуальной клинике

Чтобы проверить работоспособность концепции, команда создала подробную компьютерную модель, имитирующую повседневную жизнь множества пользователей умных часов. Они сформировали мультимодальную выборку из 1200 записей, включающую возраст, индекс массы тела, артериальное давление, тип питания (печенье, бургеры, углеводы и т. п.), активность (сидение, ходьба, бег) и уровни глюкозы. Затем их подход TL-DCNNOS сравнили с распространёнными методами машинного обучения — деревьями решений, случайными лесами и k‑ближайших соседей. По метрикам точности, precision и recall новая модель постоянно показывала лучшие результаты, достигая примерно 99% точности в различении здоровых и рисковых шаблонов глюкозы. Она также выполняла задачи с меньшим общим временем обработки, распределяя работу по множеству edge‑серверов и отправляя в сеть только необходимое.

Защита приватности при наблюдении за здоровьем

Авторы также изучили, как разные схемы шифрования влияют на задержки при одновременной отправке данных множеством часов. Их упрощённый алгоритм безопасности для умных часов (SWSA) показал меньшие и более стабильные задержки по сравнению с широко используемыми методами с публичными ключами, которые тяжеловаты для маломощных устройств. Это указывает на то, что при правильном балансе безопасности и эффективности можно сохранить конфиденциальность медицинских данных, не замедляя при этом срочные оповещения. Система спроектирована в соответствии с основными правилами приватности и требованиями для медицинских устройств, такими как HIPAA и GDPR, а авторы опубликовали набор данных и код, чтобы другие могли проверять и улучшать идеи.

Что это может значить для повседневной жизни

Для неспециалистов ключевым выводом является то, что привычный гаджет — смарт‑часы — может превратиться в мощного непрерывного «стража» уровня сахара. Надёжно связывая часы с ближайшими медицинскими серверами и применяя современные методы обучения, система может соотносить питание и активность с быстрыми, индивидуальными прогнозами скачков глюкозы. В долгосрочной перспективе такие инструменты могут помочь людям с диабетом избегать опасных подъёмов и падений, а тем, кто находится в группе риска, — увидеть влияние своих привычек достаточно рано, чтобы изменить поведение. Хотя для внедрения требуются клинические испытания в реальных условиях, эта работа закладывает основу для более безопасного, умного и персонализированного мониторинга глюкозы, встроенного в устройства, которые многие из нас уже носят.»

Цитирование: Mohammed, M.A., Ghani, M.K.A., Memon, S. et al. Secure IoMT smartwatch-based blood glucose monitoring using multimodal activity and nutrition data with transfer learning. Sci Rep 16, 6736 (2026). https://doi.org/10.1038/s41598-026-35419-3

Ключевые слова: уровень сахара в крови, здоровье умных часов, носимые датчики, цифровая помощь при диабете, интернет медицинских вещей