基于HRV多尺度分析的糖尿病前期检测方法

doi:10.12068/j.issn.1005-3026.2025.20240103

摘要/Abstract

摘要：

糖尿病前期（prediabetes）是糖尿病发展过程中葡萄糖代谢异常的重要阶段,及早诊断对于全球糖尿病防控至关重要.为探索糖尿病前期的无创检测方法,基于心率变异性（heart rate variability, HRV）信号,通过引入多尺度分析策略,揭示信号的全局信息以及不同尺度内微小但重要的变化,并采用CatBoost算法完成分类任务.结果表明,该方法在数据集上取得88.52%的准确率、83.40%的敏感度、91.82%的特异度、86.73%的精确度和87.40%的F1分数.本研究为糖尿病前期的诊断提供了新思路,尤其适用于可穿戴设备,为实现日常自我健康监测及疾病防控提供了潜在解决方案.

关键词: 糖尿病前期, 心率变异性, 多尺度分析, 小波散射网络, CatBoost算法

Abstract:

Prediabetes is an important stage of abnormal glucose metabolism in the development of diabetes， and its early diagnosis is crucial for global diabetes prevention and control. To explore non-invasive detection methods for prediabetes， heart rate variability （HRV） signals were utilized. By introducing a multi-scale analysis strategy， the global information of the signals was revealed， as well as subtle but important changes at different scales. The CatBoost algorithm was used for classification task. The results show that this method achieves an accuracy of 88.52%， a sensitivity of 83.40%， a specificity of 91.82%， a precision of 86.73%， and an F1-score of 87.40% on the dataset. This study provides a new approach for the diagnosis of prediabetes. The results are especially suitable for wearable devices， offering a potential solution for daily self-health monitoring and disease prevention.

Key words: prediabetes, heart rate variability, multi-scale analysis, wavelet scattering network, CatBoost algorithm

中图分类号:

TP 391.5

李鸿儒, 李同同, 石康康, 杨英华. 基于HRV多尺度分析的糖尿病前期检测方法[J]. 东北大学学报（自然科学版）, 2025, 46(12): 19-28.

Hong-ru LI, Tong-tong LI, Kang-kang SHI, Ying-hua YANG. Prediabetes Detection Method Based on Multi-scale Analysis of HRV[J]. Journal of Northeastern University(Natural Science), 2025, 46(12): 19-28.

图/表 13

图1 5 s的ECG信号

Fig.1 Five seconds of ECG signal

图2 R波定位

Fig.2 R-wave localization

图3 健康和糖尿病前期的HRV信号

Fig.3 HRV signals of health and prediabetes

图4 小波散射网络基本框架

Fig.4 Frame diagram of wavelet scattering network

图5 CatBoost的原理图

Fig.5 Principle of CatBoost

表1 混淆矩阵

Table 1 Confusion matrix

类型	糖尿病前期	健康
糖尿病前期	TP	FN
健康	FP	TN

图6 特定生理尺度特征

Fig.6 Specific physiological scale features

表2 不同J, Q值得到的准确率 (andQ)

Table 2 Accuracy obtained with different values of J

J	Q
J	(2,1)	(4,1)	(6,1)	(4,2)
2	0.72	0.74	0.73	0.72
3	0.73	0.75	0.75	0.74
4	0.75	0.76	0.76	0.77
5	0.77	0.78	0.77	0.79
6	0.80	0.81	0.79	0.80
7	0.79	0.81	0.80	0.80

图7 精细化尺度特征的小波散射时频图（a）—正常样本的第一层；（b）—患病样本的第一层；（c）—正常样本的第二层；（d）—患病样本的第二层.

Fig.7 Wavelet scattering-based time-frequency diagram with refined scale features

图8 各模型的混淆矩阵（a）—特定生理尺度特征模型；（b）—精细化尺度特征模型；（c）—多尺度特征模型.

Fig.8 Confusion matrix of each model

表3 单尺度与多尺度模型的效果 (%)

Table 3 Effects of single-scale and multi-scale models

方法	准确率	敏感度	特异度	精确度	F1
特定生理尺度特征+CatBoost	76.71	65.96	83.61	72.09	73.74
精细化尺度特征+CatBoost	81.03	71.49	87.16	78.14	78.55
多尺度特征+CatBoost	88.52	83.40	91.82	86.73	87.40

图9 特征重要性排序（a）—特定生理尺度特征模型；（b）—精细化尺度特征模型；（c）—多尺度特征模型.

Fig.9 Feature importance ranking

表4 采用不同算法时的模型性能指标 (algorithms %)

Table 4 Performance indices of models with different

分类算法	准确率	敏感度	特异度	精确度	F1
RF	87.69	81.70	91.53	86.10	86.34
AdaBoost	85.02	79.57	88.52	81.66	83.81
CatBoost	88.52	83.40	91.82	86.73	87.40
XGBoost	88.19	83.40	91.26	85.96	87.15
SVM	73.37	75.85	71.67	64.80	69.89

参考文献 31

[1]	International Diabetes Federation. IDF diabetes atlas［M］. 10th ed. Brussels： International Diabetes Federation， 2021.
[2]	Wan H， Wang Y Y， Fang S J， et al. Associations between the neutrophil-to-lymphocyte ratio and diabetic complications in adults with diabetes： a cross-sectional study［J］. Journal of Diabetes Research， 2020， 2020（1）： 6219545.
[3]	ElSayed N A， Aleppo G， Aroda V R， et al. 17 diabetes advocacy： standards of care in diabetes—2023［J］. Diabetes Care， 2023， 46（sup1）： 279-280.
[4]	Echouffo-Tcheugui J B， Selvin E. Prediabetes and what it means： the epidemiological evidence［J］. Annual Review of Public Health， 2021， 42： 59-77.
[5]	Faerch K， Hulmán A， Solomon T P J. Heterogeneity of prediabetes and type 2 diabetes： implications for prediction， prevention and treatment responsiveness［J］. Current Diabetes Reviews， 2016， 12（1）： 30-41.
[6]	Liu Q， Zhou Q， He Y F， et al. Predicting the 2-year risk of progression from prediabetes to diabetes using machine learning among Chinese elderly adults［J］. Journal of Personalized Medicine， 2022， 12（7）： 1055.
[7]	Tabák A G， Herder C， Rathmann W， et al. Prediabetes： a high-risk state for diabetes development［J］. The Lancet， 2012， 379（9833）： 2279-2290.
[8]	Brannick B， Wynn A， Dagogo-Jack S. Prediabetes as a toxic environment for the initiation of microvascular and macrovascular complications［J］. Experimental Biology and Medicine， 2016， 241（12）： 1323-1331.
[9]	Cai X Y， Zhang Y L， Li M J， et al. Association between prediabetes and risk of all cause mortality and cardiovascular disease： updated meta-analysis［J］. BMJ， 2020， 370： m2297.
[10]	Mutie P M， Pomares-Millan H， Atabaki-Pasdar N， et al. An investigation of causal relationships between prediabetes and vascular complications［J］. Nature Communications， 2020， 11： 4592.
[11]	Cosic V， Jakab J， Pravecek M K， et al. The importance of prediabetes screening in the prevention of cardiovascular disease［J］. Medical Archives， 2023， 77（2）： 97-104.
[12]	Tobore I， Kandwal A， Li J Z， et al. Towards adequate prediction of prediabetes using spatiotemporal ECG and EEG feature analysis and weight-based multi-model approach［J］. Knowledge-Based Systems， 2020， 209： 106464.
[13]	Wang L Y， Mu Y， Zhao J， et al. IGRNet： a deep learning model for non-invasive， real-time diagnosis of prediabetes through electrocardiograms［J］. Sensors， 2020， 20（9）： 2556.
[14]	Lin Y C， Lin C S， Chang T S， et al. Early sensory neurophysiological changes in prediabetes［J］. Journal of Diabetes Investigation， 2020， 11（2）： 458-465.
[15]	Oliveira C M， Ghezzi A C， Cambri L T. Higher blood glucose impairs cardiac autonomic modulation in fasting and after carbohydrate overload in adults［J］. Applied Physiology， Nutrition， and Metabolism， 2021， 46（3）： 221-228.
[16]	Coopmans C， Zhou T L， Henry R M A， et al. Both prediabetes and type 2 diabetes are associated with lower heart rate variability： the maastricht study［J］. Diabetes Care， 2020， 43（5）： 1126-1133.
[17]	Rajendra A U， Paul J K， Kannathal N， et al. Heart rate variability： a review［J］. Medical and Biological Engineering and Computing， 2006， 44（12）： 1031-1051.
[18]	Vijay C， Darshan M， Vishnu R. Cardiac autonomic dysfunction and ECG abnormalities in patients with type 2 diabetes mellitus—a comparative cross-sectional study［J］. National Journal of Physiology， Pharmacy and Pharmacology， 2016， 6（3）： 178.
[19]	Igbe T， Li J Z， Kandwal A， et al. An absolute magnitude deviation of HRV for the prediction of prediabetes with combined artificial neural network and regression tree methods［J］. Artificial Intelligence Review， 2022， 55（3）： 2221-2244.
[20]	中华医学会糖尿病学分会.中国2型糖尿病防治指南（2020年版）［J］.中华糖尿病杂志， 2021， 13（4）： 317-411.
	Chinese Diabetes Society. Type 2 diabetes prevention and treatment comprehensive guide （2020 edition）［J］. Chinese Journal of Diabetes，2021， 13（4）： 317-411.
[21]	Cui X R， Tian L R， Li Z W， et al. On the variability of heart rate variability—evidence from prospective study of healthy young college students［J］. Entropy， 2020， 22（11）： 1302.
[22]	Sassi R， Cerutti S， Lombardi F， et al. Advances in heart rate variability signal analysis： joint position statement by the E-cardiology ESC working group and the European Heart Rhythm Association co-endorsed by the Asia Pacific Heart Rhythm Society［J］. Europace， 2015， 17（9）： 1341-1353.
[23]	Pan J， Tompkins W J. A real-time QRS detection algorithm［J］. IEEE Transactions on Biomedical Engineering， 1985， 32（3）： 230-236.
[24]	Catai A M， Pastre C M， de Godoy M F， et al. Heart rate variability： are you using it properly？ standardisation checklist of procedures［J］. Brazilian Journal of Physical Therapy， 2020， 24（2）： 91-102.
[25]	Forte G， Favieri F， Casagrande M. Heart rate variability and cognitive function： a systematic review［J］. Frontiers in Neuroscience， 2019， 13： 710.
[26]	Jwo D J， Chang W Y， Wu I H. Windowing techniques， the welch method for improvement of power spectrum estimation［J］. Computers， Materials and Continua， 2021， 67（3）： 3983-4003.
[27]	Jin Y， Duan Y L. Wavelet scattering network-based machine learning for ground penetrating radar imaging： application in pipeline identification［J］. Remote Sensing， 2020， 12（21）： 3655.
[28]	Mallat S. Group invariant scattering［J］. Communications on Pure and Applied Mathematics， 2012， 65（10）： 1331-1398.
[29]	Ostroumora L， Gusev G， Vorobev A， et al. CatBoost： unbiased boosting with categorical features［C］// Advances in Neural Information Processing Systems. Montreal， 2018： 6639-6649.
[30]	Bentéjac C， Csörgő A， Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms［J］. Artificial Intelligence Review， 2021， 54（3）： 1937-1967.
[31]	Zhang Y X， Zhao Z G， Zheng J H. CatBoost： a new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China［J］. Journal of Hydrology， 2020， 588： 125087.