使用多模态活动与营养数据并结合迁移学习的安全物联网医疗（IoMT）智能手表血糖监测

为何你的智能手表可能有助于管理血糖

许多人都面临血糖升高的问题——无论是因糖尿病，还是因长期压力与匆忙饮食。传统的指尖采血或单独的葡萄糖传感器常常不便，且很少能实时捕捉日常选择（比如一餐、一段散步或长时间伏案工作）如何影响你的身体。本研究探讨了普通智能手表配合安全的联网医疗系统，如何在一天中持续监测你的血糖——将你所吃的食物与活动和身体反应关联起来，提供快速、个性化的预警与建议。

一只不仅仅记录步数的手表

研究人员提出了一种“增强型体内糖监控”系统，将智能手表变成健康信号的中心枢纽。现代手表已能测量心率、血压、血氧、体温、运动情况，有时还可检测葡萄糖。在本工作中，手表还记录你的活动——如坐着、散步、慢跑或睡眠——以及营养摄入，包括不同类型的食物和饮品。所有这些信息流被视为多模态数据集，共同描绘出比单一血糖读数更丰富的身体反应图景。

将数据安全地发送给近端辅助节点

由于手表电池与计算能力有限，它无法独立完成复杂分析。因此系统将手表视为安全的“客户端”，将数据发送到诊所或医院等近端医疗服务器（称为边缘节点）。自定义的安全流程与标准加密方法结合，保护数据在传输过程中的安全，使得只有授权设备可以读取。智能调度器会根据网络质量、紧急程度和能耗权衡何时上传数据以进行深度分析、何时在手表上进行轻量处理。例如，当你的读数稳定且网络信号较弱时，手表可能会等待；而在餐后或高强度运动后血糖波动迅速时，它会快速推送数据以便进行更详细的检测。

教会计算机识别危险模式

系统的核心是一种作者称为 TL-DCNNOS 的人工智能方法，它将深度神经网络与迁移学习及智能任务调度结合起来。首先，利用来自许多人的手表传感器、活动日志和食物记录构建的大型开放数据集对模型进行预训练，以识别血糖行为的一般模式。随后，当你的个人数据到达时，模型仅微调其上层以学习你的特定反应，而无需从头开始训练。这种方法使系统能够识别正常与异常行为的信号，例如水果导致的温和上升与含糖饮料引起的急剧峰值的差别，即便个人数据有限也能做到。相同框架还决定由哪个服务器处理每项任务，以确保结果足够快、适用于实时使用。

在虚拟门诊中检验这一设想

为评估该设计在实践中的可行性，团队构建了一个详细的计算机仿真，模拟许多智能手表用户的日常。他们创建了包含1200条记录的多模态数据集，数据项包括年龄、身体质量指数、血压、饮食类型（例如饼干、汉堡或碳水化合物）、活动（坐着、散步、跑步）和血糖水平。随后将 TL-DCNNOS 方法与常见机器学习方法（如决策树、随机森林和k近邻）进行比较。在准确率、精确率和召回率等指标上，新方法始终表现最佳，在区分健康与风险血糖模式方面达到约99%的准确度。通过将工作分散到多个边缘服务器并仅发送必要数据，它在总体处理时间上也更节省。

在守护健康的同时保护隐私

作者还研究了在大量手表同时发送数据时，不同加密方案对延迟的影响。他们简化的智能手表安全算法（SWSA）相比常用的公钥方法在延迟上更低且更稳定，后者对小型设备而言计算开销较大。这表明在兼顾安全与效率的前提下，可以在不延误紧急警报的情况下保护敏感医疗信息。该系统被设计为符合诸如 HIPAA 与 GDPR 等主要隐私和医疗器械法规，作者还公开了他们的数据集与代码，以便他人测试和改进这些想法。

这对日常生活可能意味着什么

对于非专业读者，关键结论是：一种熟悉的设备——智能手表——可能演变为强大的、持续的血糖守护者。通过安全地将手表与近端医疗服务器连接并采用先进的学习技术，系统可以把你的饮食与活动与血糖波动的快速、个性化预测联系起来。长期来看，这类工具可以帮助糖尿病患者避免危险的高低血糖，并帮助有风险的人群及早看到其生活习惯的影响，从而及时调整。尽管仍需真实世界的临床试验，但这项工作为将更安全、更智能、更个性化的血糖监测融入我们许多人已佩戴的设备奠定了基础。

引用: 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

关键词: 血糖, 智能手表健康, 可穿戴传感器, 数字化糖尿病护理, 医疗物联网