1. 项目概述：节能型脉冲神经网络在预测性胰岛素输送中的应用
糖尿病是全球范围内最严重的慢性疾病之一，据国际糖尿病联盟统计，2021年全球约有5.37亿成人糖尿病患者，预计到2045年将增长至7.83亿。对于依赖胰岛素治疗的患者而言，持续血糖监测和精确剂量计算是维持生命的关键。然而，现有商业系统（如Medtronic MiniMed 780G、Tandem Control-IQ）采用连续轮询架构，每次读数都会触发完整计算流程，导致可穿戴设备功耗过高，难以满足长期连续使用的需求。
本项目提出的预测性药物输送系统（PDDS）创新性地结合了事件驱动架构和脉冲神经网络（SNN）技术，实现了超低功耗的胰岛素剂量预测系统。核心突破在于：
- 采用阈值触发机制，仅在血糖水平发生显著变化时激活完整计算流程，相比连续轮询减少约88%的计算开销
- 设计三层次Leaky Integrate-and-Fire（LIF）脉冲神经网络架构，在FDA认证的OhioT1DM真实患者数据集和UVa/Padova生理模拟器数据上达到85.90%验证准确率
- 引入CGM滞后补偿技术，通过将当前血糖值向前投影15分钟来校正组织间液延迟，显著提升低血糖检测的安全性
- 实现每推断仅需1,551飞焦耳的能量消耗，比传统双向LSTM模型节能79,267倍
关键提示：系统目前处于软件完整的研究原型阶段，构成从血糖传感器到胰岛素执行器的完整计算中间层，但尚未连接物理硬件。这是向临床验证迈进的五阶段路线图中的关键第一步。
2. 系统架构与核心组件解析
2.1 事件驱动管道设计
PDDS采用分层事件驱动架构，其核心创新在于颠覆传统的连续轮询模式。如图1所示，系统仅在检测到阈值跨越时激活完整计算流程，大幅降低能耗。这种设计源于对商业CGM设备工作模式的深刻观察——大多数读数并未带来有临床意义的血糖变化，却仍触发完整计算和无线传输，造成能源浪费。
系统工作流程可分为四个关键阶段：
电压缓冲层：将CGM读数（mg/dL）转换为内部电压表示（0-3V线性映射），存储在固定容量的环形缓冲区（最大60个读数，约5小时历史数据）。这种设计不仅为硬件集成预留接口，还实现了O(1)时间复杂度的旧数据淘汰机制。
紧急检测器：在每个读数上优先运行的安全模块，通过最小二乘法计算最近10个读数的斜率，并应用15分钟滞后补偿：
V_proj = V_cur + V_dot * Δt_lag (Δt_lag=15分钟)当投影斜率≤-0.25V/分钟（约-25mg/dL/分钟）时，系统无条件抑制胰岛素注射并触发URGENT警报。
阈值触发器：可配置的边沿触发比较器，采用动态阈值调整算法防止重复触发：
τ_new = V_cur + min(τ_base + α*|V_dot|, Δ_max)其中τ_base=0.1V，α=0.5，Δ_max=0.3V。这种斜率比例增量机制为快速上升的葡萄糖提供更大裕度，避免单次血糖飙升事件引发多次剂量计算。
剂量计算器：采用Bergman启发的S型公式，将SNN严重程度输出直接链接到胰岛素剂量：
e = (V - V_base) * s_vg d0 = D_base * e * (1 + λ * max(0, V_dot)) m_eff = m_base - (severity * δ_m) σ = (1 + exp(-k(e - m_eff)))^-1 d = clip(d0 * σ, 0, 5.0 U)单边斜率项确保血糖下降时绝不增加剂量，而5.0U的硬上限防止算法错误导致致命过量。
2.2 三层次LIF脉冲神经网络架构
PDDSSpikingNet采用生物启发的三层LIF网络结构（图2），参数规模仅9，859个，却实现了复杂的时空模式识别能力。与传统人工神经网络相比，SNN的核心差异在于：
脉冲编码机制：输入特征通过泊松编码转换为脉冲序列，每个时间步的发放概率由归一化特征值决定，并添加σ=0.05的高斯噪声防止病理同步：
s_i[t] ~ Bernoulli(clip(r_i + N(0,0.05), 0,1))这种随机编码虽然会引入推断方差，但正是实现超低功耗的关键——它完美匹配神经形态芯片的异步事件处理模型。
层次化时间常数：三个LIF层分别采用β={0.95,0.90,0.80}的泄漏系数，形成时间层次结构：
- LIF1：慢速整合（β=0.95），保留长期葡萄糖趋势记忆
- LIF2：中等速度整合（β=0.90），平衡即时响应和历史上下文
- LIF3：快速发放（β=0.80），产生清晰的严重程度输出
膜电位动力学：LIF神经元遵循生物物理启发的更新规则：
V[t] = β * V[t-1] + W * s[t-1]当V[t]≥1.0时发放脉冲并重置电位，这种稀疏激活特性正是能效优势的根源。
3. 数据管道与训练方法论
3.1 三阶段奖章架构
PDDS采用严格的数据管理流程，确保从原始数据到模型输入的可靠转换：
- Bronze层：原始只读数据，包括OhioT1DM的XML文件和simglucose生成的CSV
- Silver层：按患者分组的清洁CSV文件，完成缺失值处理和类型转换
- Gold层：包含10个精心设计的特征向量和ADA 2023标签，直接用于SNN训练
3.2 特征工程与临床标签
从每个50分钟滑动窗口中提取的10个特征（表1）全面捕捉血糖动态：
| 特征名 | 临床意义 | 归一化方法 |
|---|---|---|
| last_glucose_norm | 当前血糖状态 | 当前值/400 |
| mean_glucose_norm | 持续vs瞬时高血糖 | 平均值/400 |
| min_glucose_norm | 低血糖波动 | 最小值/400 |
| abs_slope_norm | 变化速率 | 绝对值斜率/10 |
| time_below_70_pct | 低血糖持续时间 | 分钟数/50 |
标签分配严格遵循临床优先级：
- clinician-annotated hypo_event → HIGH（最高优先级）
- ADA Level 2标准（血糖<54或>250 mg/dL）→ HIGH
- ADA临界标准（血糖70-180但变化剧烈）→ MEDIUM
- 其余→ LOW
最终数据集包含128，025个窗口（66.5%真实患者+33.5%模拟），划分比例为90：5：5（训练：验证：测试）。
3.3 研究驱动的训练优化
针对SNN特有的训练挑战，PDDS整合了四项前沿优化技术：
RMaxProp优化器：用梯度平方的运行最大值替代传统Adam中的平均值，解决SNN梯度稀疏导致的数值不稳定问题：
v_max[t] = max(ρ*v_max[t-1], g[t]^2), ρ=0.9 θ[t+1] = θ[t] - η*g[t]/sqrt(v_max[t]+ε)资格迹校正：在反向传播后调制第一层梯度，通过突触前活动迹防止神经元永久沉默。
突触平衡正则化：对fc1和fc2层添加λ=1e-4的权重平衡约束，避免单个神经元主导信号通路。
类别加权交叉熵：针对HIGH类仅占18.4%的不平衡问题，适当增加其损失权重。
训练采用余弦退火学习率（5e-4→0），配合梯度裁剪（max_norm=1.0）和早停机制（patience=15），最终在epoch 44达到最佳验证准确率85.90%。
4. 关键性能评估与临床意义
4.1 标准测试集比较
在5，724个测试窗口上，SNN展现出均衡的分类性能（表2）：
| 类别 | 精确率 | 召回率 | F1 | 支持数 |
|---|---|---|---|---|
| LOW | 0.8585 | 0.9299 | 0.8928 | 2，297 |
| MEDIUM | 0.8415 | 0.7338 | 0.7839 | 2，047 |
| HIGH | 0.8629 | 0.9072 | 0.8845 | 1，380 |
特别值得注意的是HIGH类召回率达到90.72%——这是最关键的安全指标，意味着系统能识别90%以上的危险血糖状况。相比之下，虽然双向LSTM和MLP在测试集上达到99%准确率，但其122.9nJ/8.7nJ的能耗对可穿戴设备完全不切实际。
4.2 时间模式检测的局限性
在426个"非明显"低血糖窗口（当前血糖>70但临床标注为高风险）上的测试揭示了系统的主要局限：
- ADA规则：16.7%召回率
- SNN：9.2%召回率
这一结果直接反映了当前训练数据的不足——hypo_event窗口仅占训练集的0.8%，导致模型难以学习复杂的低血糖前兆模式。这为未来改进指明了方向：需要专门增强这类关键样本的训练权重，或开发独立的下降趋势检测子网络。
4.3 能耗优势量化
理论分析显示，在神经形态硬件上：
- SNN：1，551 fJ/推断
- LSTM：122.9 nJ/推断
- MLP：8.7 nJ/推断
SNN的79，267倍能效优势不是渐进式改进，而是质变——它使得在纽扣电池供电的设备上实现数年连续监测成为可能。这种优势源于SNN的两个本质特性：
- 事件驱动计算：只有脉冲时刻消耗能量
- 内存计算：数据驻留在突触位置，消除冯·诺依曼架构的数据搬运开销
5. 实施路线与操作模式
5.1 五阶段硬件路线图
PDDS制定了清晰的临床转化路径：
- 阶段1（已完成）：软件栈验证（15个场景的模拟测试）
- 阶段2（2026 Q2-Q3）：通过BLE/USB连接物理CGM传感器
- 阶段3（2026 Q4）：在生理模型上进行端到端台架测试
- 阶段4（2027）：有限人群（前驱糖尿病）通知模式IRB研究
- 阶段5（2027-28）：全面临床试验和FDA审批流程
5.2 双模式操作设计
系统实现两种功能模式，共享相同代码基础：
| 模式 | HIGH类响应 | 紧急下降响应 |
|---|---|---|
| DIABETIC | 计算并执行剂量 | 阻断注射，触发URGENT警报 |
| PREDIABETIC | 发送警报通知 | 触发警报（无注射可阻断） |
这种设计确保PREDIABETIC模式未来可通过配置变更无缝升级为DIABETIC模式，无需代码修改。
6. 实践启示与未来方向
在实际部署PDDS类系统时，需要特别注意：
滞后补偿的临床校准：15分钟投影时间是基于文献的通用值，实际应用中需根据患者个体差异（如皮下组织特性）进行调整。我们开发了校准协议，通过故意诱发温和血糖波动来测量个人滞后时间。
剂量算法的谨慎迁移：Bergman-inspired公式中的参数（如k=0.4，m_base=1.2）来自群体数据，临床使用时必须经过严格的个人化调整过程，通常需要2-3周的观察期。
边缘案例的持续监控：系统日志应特别关注那些SNN与ADA规则分类不一致的案例，这些往往是复杂时间模式的体现，也是模型改进的关键数据。
未来工作将聚焦三个方向：
- 开发专用的低血糖前兆检测模块
- 探索联邦学习框架下的患者特定适应
- 移植到真正的神经形态硬件（如SynSense Xylo）
脉冲神经网络在医疗边缘计算领域展现出的能效优势，正在重新定义什么是"可部署"的智能医疗设备。当传统深度学习模型困于功耗墙时，SNN提供了一条通向真正可持续、可穿戴的闭环治疗系统的技术路径。
