改进的ICEEMDAN–深度混合网络模型，整合多模态数据用于糖尿病周围神经病变筛查

为什么糖尿病神经损伤需要更温和的检测方式

对于许多糖尿病患者来说，足部和腿部的神经损伤往往悄然发生，仅在出现疼痛、麻木，甚至溃疡和截肢时才变得明显。当前用于检测这种称为糖尿病周围神经病变的检查，可能具有侵入性、费用高或在日常门诊中难以重复执行。本研究探索了一种新的早期神经损伤筛查方法，仅使用无害的光学和贴肤电传感器，结合智能信号处理和专门设计的深度学习模型。

一种聆听心脏与血流的新途径

研究者关注两种在医院和可穿戴设备中已很常见的信号。一种是记录心脏电活动的心电图（ECG）；另一种是来自指尖传感器的光电容积描记图（PPG），它以光学方式随每次心跳跟踪血流。这两种信号各自揭示了糖尿病如何影响血管和神经的一部分；结合起来，它们比单一信号能更丰富地描绘早期神经损伤。团队招募了120名受试者，包括健康志愿者、患有糖尿病但未确诊神经损伤者以及确诊为神经病变者。对每位参与者，在受控静息条件下记录ECG和PPG，以尽量减少诸如运动和温度变化等日常噪声源的影响。

清理杂乱的生物信号

真实世界的心电与脉搏记录充斥着来自肌肉活动、呼吸与电气干扰的不需要的波动。如果不谨慎去除这些失真，它们会掩盖指示早期神经问题的细微变化。该研究提出了一种改进的去噪方法，将每个信号分解为多个更简单的“构件”，决定哪些部分主要是噪声、哪些携带真实的生理信息，然后重构出更清洁的版本。为此，作者将一种灵活的分解技术与基于群体的搜索策略相结合，后者自动调节关键参数，并仅在有明显益处的区域应用基于小波的滤波。与多种已建立方法的比较测试表明，该方法在提高ECG和PPG有用成分的同时，将失真降至最低表现更佳。

将波形转换为计算机能“看见”的图像

研究者并未将原始一维波形直接输入神经网络，而是将短时段的ECG和PPG转换为小型彩色图像。每个颜色通道编码信号随时间演变的不同方面：心搏周期中点位关系的整体布局、相位与节律的变化，以及以复杂非线性方式重复的模式。当这三种视图叠加时，便形成了每个多搏窗口的紧凑“肖像”，强调与神经和血管健康相关的动态特征。通过结合连续多个心搏周期而非单一心搏，该方法捕捉到更稳定的模式以及心脏电活动与通过血管传播的脉搏波之间的远程相互作用。

一款聚焦关键特征的轻量级网络

为将这些融合图像分类为健康、处于风险或神经病变，团队设计了一种基于现代高效骨干的定制深度学习架构。他们将标准卷积块替换为多分支结构，以不同形状和尺寸的卷积核观察每个图像补丁，同时捕捉细节与更宽泛的趋势而不会大幅增加计算量。在此之上，加入了空间注意力机制，使网络能够强调信息性区域和模式，同时降低冗余背景的权重。该模型通过严谨的交叉验证进行训练和调优，并与多种知名图像分类网络（包括若干流行的卷积与基于Transformer的设计）进行性能比较。

这些结果对糖尿病患者意味着什么

在基于多个心搏周期构建的数据上，所提出的系统对神经病变状态的分类准确率接近94%，灵敏度和精确度也同样较高。它明显优于传统的信号处理方案和强劲的现代深度学习基线，表明更智能的去噪、更丰富的信号到图像编码以及量身定制的网络设计确实带来了实质价值。尽管该研究基于单中心数据，仍需更广泛的验证，但它指向一种可能的未来：通过简单的夹子和电极在基层诊所或家中进行例行、无痛的测量，就能在严重并发症出现前很久就发现糖尿病患者的早期神经损伤。

引用: Xiao, M., Wang, F., Fang, S. et al. An improved ICEEMDAN–depth hybrid network model integrating multimodal data for the screening of diabetic peripheral neuropathy. Sci Rep 16, 10954 (2026). https://doi.org/10.1038/s41598-026-45862-x

关键词: 糖尿病周围神经病变, 无创筛查, 心电图（ECG）, 光电容积描记图（PPG）, 深度学习