基于连续血糖监测的进食检测算法在健康青年中的表现

为何微小的血糖传感器很重要

每几分钟记录一次血糖的小型可穿戴传感器正从糖尿病诊所走入日常生活。它们有望实现无负担的饮食记录、个性化饮食建议以及更智能的数字健康工具。但要把原始的血糖曲线变成有用的反馈，计算机首先必须回答一个看似简单的问题：你什么时候吃了？本研究考察了不同计算方法仅凭血糖数据在健康青年中识别进食的能力。

计算机如何“观察”你的血糖曲线

研究人员关注连续血糖监测（CGM），它通过贴在手臂上的贴片测量皮下体液中的葡萄糖。每次进食都会在血糖曲线上留下指纹，通常表现为进食后的缓慢上升。近年来，科学家们为计算机设计了多种“进食检测”方法，从查找血糖快速跳跃的简单规则，到模拟人体处理葡萄糖的复杂模型，或从数据中学习模式的进阶系统。然而，这些方法大多在不同人群中单独测试，因而难以判断哪种方法真正更优。

将九种方法放在同一考场

为进行公平比较，团队重现了九种仅依赖CGM信号的已发表算法，并将它们应用于16名健康青年（佩戴传感器三周，期间遵循低碳水或标准饮食）的数据。进食通过手机应用记录。每位参与者的数据被分为用于调参的一部分、用于优化设置的一部分，以及作为未见测试保留的一部分。研究者以三项简单指标评估性能：正确检测到的餐次比例、每日发生的“误报”次数以及从进食到警报发出的延迟时间。

发现进食时速度与可靠性之间的权衡

一对一对比显示，没有任何单一方法在这三项指标上都最优。一些基于模糊逻辑或精细葡萄糖动力学仿真的算法能捕捉到最多的餐次，接近九成，但它们反应较慢且触发更多误报。模式识别方法（学习血糖曲线的典型形状）和一个基于生理学的模型在高检测率、低误报与中等延迟之间提供了最均衡的组合。以血糖上升速度为主的简单规则方法发出信号最快，常在约37分钟内报警，但漏检更多。通俗地说，用户需在高度敏感但有些“多动”、谨慎但较慢，或介于二者之间的方案中做出选择。

饮食与体形如何改变检测效果

研究还发现，进食可检测性取决于个体与其饮食。遵循标准高碳水饮食的参与者在餐后出现更大的血糖波动，使所有算法更容易识别进食事件。低碳水饮食组的血糖变化较小，从而普遍降低了检测率。每日碳水化合物摄入较高与更多误报相关，可能是因为较长时间的血糖上升更容易被误判。略高的体重与检测率轻微下降相关，这可能与所用传感器的已知特性有关。这些发现强调，从血糖数据识别进食不存在一刀切的阈值。

对未来食物追踪的意义

对于使用CGM来监测习惯或支持饮食辅导应用的人来说，只要大多数餐次被捕捉，偶发的误报可能是可接受的，因为用户可以快速确认或否认警报。在这种情况下，偏向敏感性的算法可能更受青睐。然而在如自动胰岛素输注等临床工具中，误报可能带来风险，因此更安全的选择可能是以牺牲一部分速度或灵敏度为代价来减少错误。作者得出结论：与其寻找单一的“最佳”方法，不如将算法与具体任务匹配，未来工作应着力缩短检测时间、保持高准确性，并将测试扩展到更具多样性的人群。

引用: Höchsmann, C., Weber, J.T., Hechenbichler Figueroa, S. et al. Performance of continuous glucose monitoring-based meal detection algorithms in young healthy adults. Sci Rep 16, 15714 (2026). https://doi.org/10.1038/s41598-026-50699-5

关键词: 连续血糖监测, 进食检测, 饮食行为, 数字营养, 算法性能