目前,糖尿病已成为仅次于癌症和心脑血管疾病的第三大严重威胁人类健康的疾病,因此,糖尿病的病前防治和病症临床治疗已引起医疗领域的强烈关注。国际糖尿病联盟最新统计数据显示,全球已有5.37亿的糖尿病患者,患糖尿病的成人数量与20年前相比,增加了一倍之多,而这些个数字在未来还在持续上升中。因此,无论是健康人体还是糖尿病患者都迫切需要一种精确、无创、高效、方便的血糖监测仪器。目前市面上出现的可以检测血糖的相关仪器大多是通过指尖采血的有创方式,使用者在使用过程中不仅会有创伤和疼痛感甚至有感染的风险,而且血糖检测的成本较高且准确度不能得以保证。无论是健康人体还是糖尿病患者出现低血糖或高血糖事件都会对自身造成不可逆的伤害,频繁的高血糖将导致身体抵抗力下降、肾功能受损、各种神经血管并发症甚至会患上糖尿病;低血糖会引起手抖、头晕、脾气暴躁等症状,严重者会诱发心脑血管疾病或猝死。可靠的无创、高精度血糖监测仪器还未普及,血糖监测技术尚未成熟,因此人类低血糖或高血糖事件无法有效监测。人体血糖监测在多个领域也引起了极大关注。无创血糖检测仪器由于其无创伤、血糖变化趋势可实时监测、适用人群广泛等具有良好的市场应用前景,目前仍然是国内外人体健康管理领域的学术研究重点。相关研究表明,人体血糖变化会影响人体相关生理信号的变化,但是由于研究需要大量实验数据及理论技术支持以及数据处理、数据计算、相关研究算法亟需改进等因素的影响,无创血糖检测技术还在不断研究发展中,无创血糖检测仪器也未得到推广与适用大众。根据当前的血糖监测技术,本文将提出一种高精度的血糖监测技术,该技术将基于人体的实时心电信号准确地监测人体内血糖浓度。采用德康G6和BIOPAC连续监测系统对人体的血糖浓度和心电信号进行持续采集,实验收集到的数据预处理后再利用两种深度学习的方法,分别基于去除信号噪声干扰的单个ECG周期信号和提取的单个周期ECG信号特征实现血糖水平的高精度预测,并通过调节机器学习模型的相关参数使血糖监测更为精准有效。结果显示,在基于单个ECG周期信号基础上使用CNN-LSTM进行建模,个体建模和群体建模的准确率分别为80%和88%。此时,群体模型的准确率更高,将血糖浓度分为十类,F1值分别为0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87、0.86;而基于提取的单个周期ECG信号特征基础上使用随机森林进行个体建模和群体建模时,准确率分别为99.9%和83.8%。此时,个体模型性能更优,平均F1值最高可达0.9999。因此,本研究表明,本文提出的基于ECG信号的血糖监测的两种方法中,在基于单个ECG周期信号基础上使用CNN-LSTM进行群体建模和基于提取的单个周期ECG信号特征基础上使用随机森林进行个体建模,均可为实时、准确的血糖监测提供理论支持和技术指导,其中基于提取的单个周期ECG信号特征基础上使用随机森林进行个体建模时的血糖监测性能更优,血糖监测准确率最高可达99.9%,可为个性化的无创人体血糖监测技术产品化提供有力的支持。