Автоматизація неінвазивного моніторингу стану здоров’я

Компанієць, Людмила Петрівна
Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/8358
Title:	Автоматизація неінвазивного моніторингу стану здоров’я
Authors:	Базіло, Костянтин Вікторович Компанієць, Людмила Петрівна
Keywords:	безконтактний вимірювач глюкози;інформаційно-вимірювальна біотехнічна система;прогнозування глікемії;методи машинного навчання;оптичні методи вимірювання вмісту глюкози;обробка медичних сигналів
Issue Date:	15-Dec-2025
Abstract:	У кваліфікаційній роботі магістра розв’язується наукове завдання розроблення та дослідження алгоритмічного й програмного забезпечення неінвазивної інформаційно-вимірювальної біотехнічної системи контролю рівня глюкози в крові людини на основі оптичних вимірювань і методів машинного навчання для підвищення ефективності управління цукровим діабетом. The master's thesis solves the scientific task of developing and researching algorithmic and software for a non-invasive information-measuring biotechnical system for monitoring human blood glucose levels based on optical measurements and machine learning methods to improve the effectiveness of diabetes mellitus management.
URI:	https://er.chdtu.edu.ua/handle/ChSTU/8358
Appears in Collections:	174 Автоматизація, комп'ютерно-інтегровані технології та робототехніка (Робототехнічні системи та автоматизація)
Files in This Item:
File	Description	Size	Format
Диплом-магистр_Компанієць Л.pdf Restricted Access	КРМ Компанієць Л.	5.08 MB	Adobe PDF	View/Open Request a copy
Show full item record
Extracted text
YEPKACbKHÄJ EPKABHHÄ TEXHOJIOrIMHMÄ YHIBEPCHTET 
DAKYJIbTET EJIEKTPOHHMX TEXHOJIOTIÄ 
ABTOTPAHCIIOPTY TAM AUIHHOEYIYBAHHA 
KAOEIPA IIPHJIAJOEYIYBAHHA, MEXATPOHIKW TA 
KOMIIIOTEPH30BAHMX TEXHOJIOrIÄ 
JonyueHO 10 3axHCTY 
3aBinyBaY kahexpu IIMKT 
MakcHM BOHJAPEHKO 
2025 p. 
IIOACHIOBAJILHA 3AIIHCKA 
no KBanihikanianoïp oQoTH 
MaricTpa 
Ha TeMy «ABTOMaTH3auis HeiHBasHBHoro MOH0TopHHry CTaHy 310poB'> 
KBaniikauiaHa po6oTa MaricTpa MicTHTb pesynBTaTH BJIaCHHX A0cI0IKEHb. 
BukopuCTaHHA 1neH, pe3yIbTaT0B i TeKCTiB 0HIHX aBTOp0B MaroT5 nOCHMaHHA Ha 
BiNNOBLNHe IKepeio JlioIMHIa KOMIIAHIELL 
BHKOHana 3no6yBaYKa BHULOi ocBiTH 
oCB0THBOroc TyneHA <Maricrp» 2 Kypcy, 
rpy1a MPCA-47 
3a cnerianbH0CTIO 174 «ABTOMaTH3aI0A, 
KOMII'IOTepHO-0HTerpoBaHi TeXHONOrii Ta 
poóoTOTexH0Ka», 3a ocBiTHBOKO iporpaMOIO 
«Poo0TOTeXH0YH0 cHCTeMH Ta aBTOMaTH3aLiD> 
JIkoIMHJIaK OMIIAHIELIb 
KepiBHHK KocTAHTHH BA3IJIO 
PeueH3eHT Tpuropií THMYMK 
Yepkacu - 2025 poky 
4EPKACLKHMJ EPKABHMM TEXHOJJOTI4HMM YHIBEPCMTET 
(noRHC HaâMCHYBAMHA BHIOrO HANYaNbHOfO 3aKnaiy) 
AKybTeT CICKPOnnux mexnON020o, a8mompancnopmy ma MAuunobyÒ yoanng 
Kadenpa npunado0ydyGanuR, Mexamponiku ma KOMn 1onepu308anux mexno102io 
OcsiTHii pisenb Maaicmp 
Cneuia.bicTB 174 «AemoMamu3ayis, KOMn tomepno-inmeaposani mexuOno2ii ma pobomomexuika» 
OcB0THS nporpaMa «Po6omomexHiyHi cucmemu ma asmoMamu3ayia) 
(uupp i Ha38a) 
3ATBEPIDKYIO 
3asizysay saenpu IMKT 
MakcHM BOHJAPEHKO 
2025 poxy 
3 A B I AH HA 
HAK BAJIIOIKAIIIMHY POEOTY MATICTPA 
KoMnaHieb ThoÒMnu llempieHU 
(npi3BMue, iN's, no 6aTEKOBi) 
1. TeMa poboTH: ABTOMaTH3aIiA He0HBA3HBHOTO MOH0TOPHHTY craHy 310poB'A 
HaykOBH KepiBHHK po6oTH Basino KocraTHH BikTopoBHY, I-D TexXH, Hayk, Ipohecop, ipoh. Kah. TIMKT 
(npisBHue, 0M'a, no 6aTBKOB0, HayKOBMÄ CTYniHb, BYCHe 3BAHHA) 
3aTBepXeni HakazoM BHI;OrO HaByaTBHOrO 3ak+any Bin 15" BepeCHA 2025 poKy Ne 261/03-03 
2. CTpOK nonaHHA 3BO poooTH 15 rpyIHA 2025 poKy 
3. MeTa 10cJTITKeHHA: CTBOPeHHS Ta 1OcI0TKeHHA aBTOMaTH30BAHOÏ He0HBA3HBHOÏ 0HHopMauiHO 
BHM0PIOBaTbHOÏ 6ioTexH0HOï CHCTeMH KOHTDoTKO piBHA TIKOKO3H B KpOB0, IIAXOM po3poQneHHA 
6e3KOHTaKTHOrO OITHHOrO BHM0DIOBAa Ta anropuTMY IporHO3YBAHHA TI0KEMIÏ Ha 0©HOB0 METOIIB 
MauuHHHOro HaByaHHA, ÊO 3a6esne-HTE IiIBHMEHH TOTHOCT0  onepaTHBHOCT0 KOHTpOTHO LYKpOBOro 
nia6eTy, 3MeHIMeHHA KiIBKOCT0 0HBa3TBHHX BHMip:OBaHL 0 nOKpameHHA AKOCT0 XHTTA nALieHT0B. 
06 EKm docaiðceHHa - npouecCH QyHKuiOHYBAHHA 0HQopMani}HO-BHMip:OBaJTBHO 6ioTexXH0HO0 
cHCTeMH IIg KOHTPOIO IYKPOBOro xiabery. AKa pearisye He0HBa3MBHE BHM0DIOBaHHA P0BHA TIIOKO3M 
Ta aBTOMaTH3OBaHHÝ aHaTi3 OTPHMaHHX naHHX. 
IIpeòmem docniÒTNceHHA: airopuTMH Ta nporpaMHO-airopuTM0TH0 3acoou nporHO3YBaHHA rI0KeMii 3a 
JaHHMH 6e3KOHTaKTHOrO BHMipOBaya rIKOKO3M, IOTCHHHK0B CaMOKOHTPOJTKO Ta cHIHaTY CHCTEMH 
esnepepBHOrO MOH0TOPHHTY (CGMS). 
Memoðu Jocniòcenb. y po6ori BHKOpHCTaHo aHaiTHHHd OrIAA MeJHYHHX i TeXH0HHX MKEpeT 
IOIO MeTON0B KOHTDOIO IYKpOBOro ImabeTy HeIHBa3HBHUX BHMIDOBATbHHX TeXHOJJorim: 
cTDYKIVPHO-CHCTeMHH aHanis inQopMauiäHo-BAMipOBAJTSHHX 6ioTexHiHHX CHCTeM; MareMarHHe 
MONeIKOBaHHA Ta perpeci¤HHÃ AHaII3 IIA 1O0yI0BH MOICTem npoTHO3YBaHHA TI0KeMiï; MeTOIH 
MaumHHHOro HaByaHHA (niHi}H0 Ta Hen0Hi}H0 perpeciui Moneni, MeTOA onopHHX BeKTOp0B, WTyuHi 
He~ipOHH0 Mepexi) 3 peari3aniexo B CepeNOBHIÊax MATLAB i RStudio 3 BHKOpuCraHHAM naKera 
CKCnePHMCHTANbH0 nocniTKeHHS Do0TH 6cIKOHTaKTHONo BUMipKOBAYa_ [IKOKO3H_ Ha 
CAREI 
nnaThopMi Arduino 3p ospo6neHHM IPOrpaMHHM 3a6eneneHHAM MOBOO Python; 
MKpOKOHTPONCPHi0 
oópoÓKY pe3YJIbTaTiB 3 0uiHIOBaHHAM TOYHOcTi Ta npHjaTHOCT0 pospoóncHHX ATTOPHTMIB 
CTaTmeTHYHY 
IIporno3YBaHHA. 
.CTpyKTYpa iH o6car po60TH. KBanihikauiHa pofota Maricrpa cKMaacTbCA 31 BCTYIY, YOTHPbOX 
p03ALIB, BIICHOBK0B, CIIHCKY BHKopHCTaHHX AKepen, A0naTKIB. 
5. IIpesenrauii na (9 cIaaizax. 
6. KoncyNLTaHTIH posninis KBAniikauiYHoÏ poboTH MaricTpa 
IlinHc, naTa 
IIpi3Bue, iniuiaIH Tan Ocana 3aBIaHHA 3aB1aHHA 
Po3ni1 KOHCYJIBTaHTa BHIaB ipuHHAB 
TeopeTHqHnÄ 
Basino K.B., I-p TeXH. Hayk, 
MeToIHYHHH 
npoecop, upojecop kaenpu IIMKT 
AocniJHHUbKHÄ 
THYKOB B.B., K-T TeXH. Hayk, 10L., 
HopMoKoHTpO.IB N01. Kaexp IIMKT 
7. Mara BHJayi 3asnaHHA 15* BepeCHA 2025 poky 
KAJIEHIAPHMÍ IIJJAH 
CrpoK BAKOHAHHA EraniB 
Ne Iipnd1xa 
Hassa eraniB KBaniixanianoi po6oTH Maricrpa poÑoTH 
3/n 
15.09.25 -05.10.25 BHK 
TeopeTHHHÝp o3zin 
06.10.25- 26.10.25 BHK 
2 MeroIHHHö po3Fin 
BHK 
3 JocninHHUBKHp PO3in 27.10.25 - 23.11.25 
BHK 
4 OhopMJIEHHA IOACHIOBaTbHOd 3anHCKH 24.11.25 07.12.25 
BHK 
O¢opMIeHHA CYnpoBiZHO0 JOKyMeHTaiï 01.12.25 - 15.12.25 
08.12.25-15.12.25 BHK 
O¢opmneHHA NpeseHTanii 
BHK 
7 Po6oTa Han nonoB0JIIO 08.12.25- 15.12.25 
JIoAMHJa KOMIIAHIEII5 
MaricrpaHT (nignnc ) (npi3BHuÊe Ta iHijanu) 
KepisHnK poóoTH KocTAHTHH BA3IJIO 
(n ihnn¢ ) (npi3BHIe Ta iH0uianH) 
РЕФЕРАТ 
Компанієць Л.П. Автоматизація неінвазивного моніторингу стану здоров’я. 
– Кваліфікаційна робота магістра. 
Кваліфікована робота магістра на здобуття освітнього ступеня магістра за 
спеціальністю 174 «Автоматизація, комп’ютерно-інтегровані технології та 
робототехніка» за освітньою програмою «Робототехнічні системи та 
автоматизація» – Черкаський державний технологічний університет, Черкаси, 
2025. 
У кваліфікаційній роботі магістра розв’язується наукове завдання 
розроблення та дослідження алгоритмічного й програмного забезпечення 
неінвазивної інформаційно-вимірювальної біотехнічної системи контролю рівня 
глюкози в крові людини на основі оптичних вимірювань і методів машинного 
навчання для підвищення ефективності управління цукровим діабетом. 
Мета і завдання дослідження. Метою магістерського дослідження є 
створення та дослідження автоматизованої неінвазивної інформаційно-
вимірювальної біотехнічної системи контролю рівня глюкози в крові, шляхом 
розроблення безконтактного оптичного вимірювача та алгоритму прогнозування 
глікемії на основі методів машинного навчання, що забезпечить підвищення 
точності й оперативності контролю цукрового діабету, зменшення кількості 
інвазивних вимірювань і покращення якості життя пацієнтів. 
Для вирішення поставленої мети необхідно розв’язати такі задачі: 
1. Провести огляд існуючих проблем контролю цукрового діабету та сучасних 
інвазивних та неінвазивних методів вимірювання рівня глюкози у крові. 
2. Проаналізувати параметри та особливості вимірювання глюкози, вибрати 
оптимальний оптичний діапазон та джерело випромінювання для 
безконтактного вимірювача. 
3. Розробити структурну схему безконтактного вимірювача глюкози, виконати 
теоретичні розрахунки, обрати елементну базу й побудувати експериментальний 
стенд. 
4. Підготувати вихідні дані в середовищі MATLAB та сформувати вибірки для 
навчання й тестування моделей прогнозування глікемії. 
 
5. Дослідити та порівняти моделі прогнозування глюкози в середовищі RStudio із 
застосуванням методів машинного навчання, обрати раціональну модель і 
розробити кінцевий алгоритм прогнозування рівня глюкози для інтеграції в 
автоматизовану систему. 
Об'єкт дослідження – процеси функціонування інформаційно-
вимірювальної біотехнічної системи для контролю цукрового діабету, яка реалізує 
неінвазивне вимірювання рівня глюкози та автоматизований аналіз отриманих 
даних. 
Предмет дослідження – алгоритми та програмно-алгоритмічні засоби 
прогнозування глікемії за даними безконтактного вимірювача глюкози, 
щоденників самоконтролю та сигналу системи безперервного моніторингу 
(CGMS). 
Наукова новизна отриманих результатів полягає в такому: 
– Уперше запропоновано комплексний підхід до автоматизації неінвазивного 
контролю глікемії, який поєднує безконтактний оптичний вимірювач глюкози та 
алгоритм прогнозування на основі методів машинного навчання (регресійні 
моделі, SVM, штучні нейронні мережі), що дозволило підвищити 
інформативність і оперативність оцінювання стану пацієнта порівняно з 
використанням лише епізодичних вимірювань. 
– Удосконалено алгоритм обробки сигналу безконтактного вимірювача глюкози 
шляхом обліку спектральних властивостей біологічних тканин і вибору 
оптимальної довжини хвилі (близько 940 нм), що дало змогу отримати чутливу 
залежність вихідної напруги (≈1,26–2,65 В) від концентрації глюкози в діапазоні 
1–30 ммоль/л, придатну для подальшого програмного перетворення у клінічно 
значимі показники.  
– Розроблено та програмно реалізовано алгоритм прогнозування рівня глюкози на 
основі експериментальних даних CGMS і щоденників самоконтролю, 
інтегрований у середовище RStudio з використанням пакета CARET, що 
забезпечило формування індивідуальних прогнозів глікемії й створює 
передумови для побудови систем підтримки прийняття рішень для пацієнтів із 
цукровим діабетом. 
Практичне значення отриманих результатів має прикладне значення для 
 
біомедичної інженерії та клінічної практики. Запропонована структура 
безконтактного вимірювача глюкози та алгоритм обробки сигналу, реалізований на 
платформі Arduino з виведенням результатів у ммоль/л, можуть бути використані 
як прототип портативного неінвазивного глюкометра, що зменшує потребу в 
частих інвазивних проколах пальця та підвищує комфорт пацієнтів.  
Алгоритм прогнозування глікемії, реалізований у середовищі RStudio на 
основі пакета CARET, може бути інтегрований у системи дистанційного медичного 
спостереження та мобільні застосунки, які автоматично аналізують історичні дані 
глюкози, режим харчування та інсулінотерапію, попереджаючи пацієнта про 
можливі епізоди гіпо- чи гіперглікемії. Це сприяє підвищенню безпеки терапії, 
зменшенню кількості гострих ускладнень та покращенню якості життя людей із 
цукровим діабетом. 
В першому розділі подано огляд захворювання «цукровий діабет», 
проаналізовано фізіологічні основи регуляції глікемії, параметри й особливості 
вимірювання рівня глюкози у крові, проведено класифікацію існуючих інвазивних 
і неінвазивних методів контролю, визначено їхні переваги та недоліки й 
обґрунтовано доцільність розроблення безконтактної інформаційно-вимірювальної 
системи. 
В другому розділі розроблено структурну схему безконтактного вимірювача 
глюкози, розглянуто структуру та оптичні властивості біологічних тканин і клітин, 
виконано вибір джерела опромінювання з урахуванням спектральних максимумів 
поглинання глюкози, а також здійснено розрахунок основних оптичних параметрів 
і елементної бази вимірювального каналу. 
В третьому розділі здійснено розроблення алгоритму обробки сигналу 
безконтактного вимірювача глюкози, наведено теоретичні розрахунки та описано 
побудову експериментального стенда, створено програму на мові Python в 
середовищі Arduino для перетворення сигналу фотоприймача в значення глюкози 
(ммоль/л) і виведення результатів на екран ПК, а також проведено первинні 
експериментальні випробування. 
В четвертому розділі подано класифікацію математичних моделей 
прогнозування глікемії, описано підготовку експериментальних даних (щоденники 
самоконтролю, CGMS-сигнали) у середовищі MATLAB, розглянуто використані 
 
методи машинного навчання та середовище RStudio з пакетом CARET, розроблено 
алгоритм передбачення рівня глюкози за експериментальними даними, наведено 
методику експерименту й виконано аналіз результатів прогнозування. 
Ключові слова: безконтактний вимірювач глюкози, інформаційно-
вимірювальна біотехнічна система, прогнозування глікемії, методи машинного 
навчання, оптичні методи вимірювання вмісту глюкози, обробка медичних 
сигналів. 
Список основних публікацій магістранта 
1. Kompaniets, L., Tuz, V. & Bazilo, C. (2025). Automation of Non-Invasive 
Health Monitoring. In: The Ukrainian Scientific and Practical Conference "Scientific 
Research Methodology – 2025", ChSTU: Cherkasy, Ukraine, 49-50.  
  
 
ABSTRACT 
Kompaniets L.P. Automation of non-invasive health monitoring. – Master's 
qualification work. 
Qualified master's thesis for a master's degree in the specialty 174 "Automation, 
Computer-Integrated Technologies and Robotics" under the educational program 
"Robotic Systems and Automation" – Cherkasy State Technological University, 
Cherkasy, 2025. 
The master's thesis solves the scientific task of developing and researching 
algorithmic and software for a non-invasive information-measuring biotechnical system 
for monitoring human blood glucose levels based on optical measurements and machine 
learning methods to improve the effectiveness of diabetes mellitus management. 
Purpose and objectives of the study. The purpose of the master's research is to 
create and research an automated non-invasive informational and measuring biotechnical 
system for monitoring blood glucose levels, by developing a non-contact optical meter 
and an algorithm for predicting glycemia based on machine learning methods, which will 
increase the accuracy and efficiency of diabetes mellitus control, reduce the number of 
invasive measurements and improve the quality of life of patients. 
To solve this goal, it is necessary to solve the following tasks: 
6. To review existing problems in diabetes mellitus control and modern invasive and non-
invasive methods of measuring blood glucose levels. 
7. Analyze the parameters and features of glucose measurement, choose the optimal 
optical range and radiation source for a non-contact meter. 
8. Develop a structural diagram of a non-contact glucose meter, perform theoretical 
calculations, select an element base and build an experimental bench. 
9. Prepare the initial data in the MATLAB environment and form samples for training 
and testing glycemic prediction models. 
10. To investigate and compare glucose prediction models in the RStudio environment 
using machine learning methods, to choose a rational model and to develop the final 
algorithm for predicting glucose levels for integration into the automated system. 
The object of the study is  the processes of functioning of the information and 
measuring biotechnical system for the control of diabetes mellitus, which implements 
non-invasive measurement of glucose levels and automated analysis of the data obtained. 
 
The subject of the study is algorithms and software-algorithmic tools for predicting 
glycemia based on the data of a non-contact glucose meter, self-monitoring diaries and a 
continuous monitoring system (CGMS) signal. 
The scientific novelty of the results obtained is as follows: 
– For the first time, an integrated approach to the automation of non-invasive glycemic 
control was proposed, which combines a non-contact optical glucose meter and a 
prediction algorithm based on machine learning methods (regression models, SVMs, 
artificial neural networks), which made it possible to increase the information content 
and efficiency of assessing the patient's condition compared to the use of only episodic 
measurements. 
– The algorithm for signal processing of a non-contact glucose meter has been improved 
by taking into account the spectral properties of biological tissues and choosing the 
optimal wavelength (about 940 nm), which made it possible to obtain a sensitive 
dependence of the output voltage (≈1.26–2.65 V) on the glucose concentration in the 
range of 1–30 mmol/l, suitable for further programmatic conversion into clinically 
significant indicators.  
– An algorithm for predicting glucose levels based on experimental CGMS data and self-
monitoring diaries was developed and implemented in software, integrated into the 
RStudio environment using the CARET package, which provided the formation of 
individual glycemic forecasts and creates prerequisites for building decision support 
systems for patients with diabetes mellitus. 
The practical significance of the results obtained is of applied importance for 
biomedical engineering and clinical practice. The proposed structure of the non-contact 
glucose meter and the signal processing algorithm implemented on the Arduino platform 
with the output of results in mmol/l can be used as a prototype of a portable non-invasive 
glucometer, which reduces the need for frequent invasive finger punctures and increases 
patient comfort.  
The glycemic prediction algorithm implemented in the RStudio environment based 
on the CARET package can be integrated into remote medical monitoring systems and 
mobile applications that automatically analyze historical glucose data, diet and insulin 
therapy, alerting the patient to possible episodes of hypo- or hyperglycemia. This helps 
to increase the safety of therapy, reduce the number of acute complications and improve 
 
the quality of life of people with diabetes. 
The first section provides an overview of the disease "diabetes mellitus", analyzes 
the physiological foundations of glycemic regulation, parameters and features of 
measuring blood glucose levels, classifies existing invasive and non-invasive control 
methods, identifies their advantages and disadvantages, and substantiates the feasibility 
of developing a non-contact information and measurement system. 
In the second section , a structural diagram of a non-contact glucose meter is 
developed, the structure and optical properties of biological tissues and cells are 
considered, the irradiation source is selected taking into account the spectral maxima of 
glucose absorption, and the calculation of the main optical parameters and the element 
base of the measuring channel is carried out. 
In the third section , the algorithm for processing the signal of a non-contact 
glucose meter was developed, theoretical calculations were given and the construction of 
an experimental bench was described, a program in Python was created in the Arduino 
environment to convert the photodetector signal into glucose values (mmol/l) and display 
the results on a PC screen, as well as initial experimental tests were carried out. 
The fourth section presents a classification of mathematical models for glycemic 
prediction, describes the preparation of experimental data (self-monitoring diaries, 
CGMS signals) in the MATLAB environment, considers the used machine learning 
methods and the RStudio environment with the CARET package, develops an algorithm 
for predicting glucose levels based on experimental data, provides an experimental 
methodology and analyzes the forecasting results. 
Keywords: non-contact glucose meter, information and measuring biotechnical 
system, glycemic prediction, machine learning methods, optical methods for measuring 
glucose content, processing of medical signals. 
List of major publications of a master's student 
1. Kompaniets, L., Tuz, V. & Bazilo, C. (2025). Automation of Non-Invasive 
Health Monitoring. In: The Ukrainian Scientific and Practical Conference "Scientific 
Research Methodology – 2025", ChSTU: Cherkasy, Ukraine, 49-50.  
 
ЗМІСТ 
 
 Список скорочень ………………………………………………….. 4 
 Вступ …………………………………………………….…………. 5 
Розділ 1. Особливості процесу вимірювання рівня глюкози в крові …. 9 
1.1. Основні відомості про причини виникнення та ризики при  
цукровому діабеті …...........……………………………………. 9 
1.2. Методи та засоби контролю рівня глюкози хворими на  
цукровий діабет ………………………………………………… 19 
 Висновки до розділу 1 ………………………………………… 29 
Розділ 2. Розроблення принципу дії та технічного рішення для  
безконтактного вимірювача глюкози …………………………. 31 
2.1. Особливості структурної будови біологічних тканин і   
клітин ……….……….…………………………………………. 31 
2.2. Оптичні властивості біологічних об’єктів ……………………. 34 
2.3. Особливості вибору оптичного джерела для вимірювача  
глюкози ……………......................................................................4 2 
 Висновки до розділу 2 ………………………………………… 46 
Розділ 3. Математичний опис і синтез алгоритму оброблення сигналів. 47 
3.1. Теоретичне обґрунтування та проєктування  
експериментального стенда …………………………………… 47 
3.2. Структурний синтез алгоритму та його програмна реалізація 53 
3.3. Експериментальне підтвердження функціональності  
розроблюваного алгоритму ……………………………………. 55 
 Висновки до розділу 3 ………………………………………… 58 
Розділ 4. Інформаційно-алгоритмічне забезпечення прогнозування  
рівня глюкози в крові ……………………….…………………. 60 
4.1. Класифікація математичних моделей передбачення глікемії.. 60 
4.2. Прогностична модель глюкози в крові та алгоритм її  
 2 
 
реалізації ……………………………………………………….. 65 
4.3. Результати експериментальних досліджень та верифікація  
розробленого алгоритму ………………………………………. 74 
 Загальні висновки …………………………………………………. 78 
 Список використаних джерел …………………………………….. 80 
 Додатки ……………………………………………………………… 83 
 3 
 
СПИСОК СКОРОЧЕНЬ 
 
CGMS – Системи безперервного моніторингу глюкози; 
БТС – біотехнічна система;  
ІЧ – інфрачервоний; 
ПК – персональний комп’ютер; 
ППР – поверхневий плазмонний резонанс; 
ПТТГ – пероральний тест толерантності до глюкози; 
УФ – ультрафіолетовий; 
ЦД – цукровий діабет; 
ШНМ – штучна нейронна мережа. 
 
 4 
 
ВСТУП 
 
Актуальність теми дослідження. Порушення вуглеводного обміну при 
цукровому діабеті є однією з найпоширеніших хронічних патологій, що може 
виникати в будь-якому віці та посідає провідні позиції серед причин передчасної 
смертності й ендокринної захворюваності [1–3,5]. До важливих клінічних форм 
належить гестаційний цукровий діабет, який вперше виявляється під час 
вагітності й пов’язаний із підвищеним ризиком акушерських і перинатальних 
ускладнень, а також майбутнього розвитку ожиріння, діабету 2-го типу та 
серцево-судинних захворювань у матері та дитини [2,3]. Основна мета терапії 
полягає в підтриманні глікемії поблизу фізіологічних значень; недостатній або 
нерегулярний самоконтроль з використанням глюкометрів суттєво збільшує ризик 
гіпо- та гіперглікемічних станів, що ведуть до ураження мозку, нирок, сітківки, 
периферичних нервів і судин нижніх кінцівок, інвалідизації та високих витрат на 
лікування [1–3,5]. 
Системи безперервного моніторингу глюкози (CGMS) формують часові 
ряди вимірювань і дають змогу відстежувати динаміку глікемії, що разом із 
щоденниками самоконтролю покращує оцінювання компенсації обміну та 
корекцію терапії [4]. Водночас більшість наявних методів вимірювання базуються 
на заборі крові чи міжтканинної рідини, тобто є інвазивними або мінімально 
інвазивними, забезпечують високу аналітичну точність, але супроводжуються 
болючими проколами, ризиком інфікування й дискомфортом для пацієнта [4]. Це 
стимулює розвиток неінвазивних і умовно безконтактних технологій 
вимірювання, які зменшують травматичність процедури та підвищують її 
прийнятність. 
Оптичні неінвазивні методи ґрунтуються на зондуванні біологічних тканин 
випромінюванням заданих довжин хвиль, реєстрації відбитого, розсіяного чи 
пропущеного світла та відновленні інформації про хімічний склад і 
мікроструктуру досліджуваної ділянки; на відміну від тривалих лабораторних 
аналізів, вони забезпечують отримання діагностичних даних у реальному часі без 
 5 
 
ушкодження тканин і без використання іонізуючого випромінювання. У межах 
цієї роботи ставиться задача розробити алгоритм обробки сигналів неінвазивного, 
максимально безконтактного вимірювача рівня глюкози в крові людини з 
використанням оптичної реєстрації та цифрової обробки (фільтрація, 
лінеаризація, перетворення сигналу в оцінку концентрації) з подальшою 
інтеграцією в мікропроцесорну систему реального часу [4]. Очікуваними 
перевагами є відсутність проколів шкіри, зниження ризику інфекцій, підвищення 
комфортності регулярних вимірювань та створення основи для доступних 
персональних засобів моніторингу. 
Мета й завдання дослідження. Створення та дослідження автоматизованої 
неінвазивної інформаційно-вимірювальної біотехнічної системи контролю рівня 
глюкози в крові, шляхом розроблення безконтактного оптичного вимірювача та 
алгоритму прогнозування глікемії на основі методів машинного навчання, що 
забезпечить підвищення точності й оперативності контролю цукрового діабету, 
зменшення кількості інвазивних вимірювань і покращення якості життя пацієнтів. 
Для досягнення поставленої мети необхідно вирішити такі задачі: 
1. Провести огляд існуючих проблем контролю цукрового діабету та 
сучасних інвазивних та неінвазивних методів вимірювання рівня глюкози у крові. 
2. Проаналізувати параметри та особливості вимірювання глюкози, вибрати 
оптимальний оптичний діапазон та джерело випромінювання для безконтактного 
вимірювача. 
3. Розробити структурну схему безконтактного вимірювача глюкози, 
виконати теоретичні розрахунки, обрати елементну базу й побудувати 
експериментальний стенд. 
4. Підготувати вихідні дані в середовищі MATLAB та сформувати вибірки 
для навчання й тестування моделей прогнозування глікемії. 
5. Дослідити та порівняти моделі прогнозування глюкози в середовищі 
RStudio із застосуванням методів машинного навчання, обрати раціональну 
модель і розробити кінцевий алгоритм прогнозування рівня глюкози для 
інтеграції в автоматизовану систему. 
 6 
 
Об’єкт дослідження – процеси функціонування інформаційно-
вимірювальної біотехнічної системи для контролю цукрового діабету, яка реалізує 
неінвазивне вимірювання рівня глюкози та автоматизований аналіз отриманих 
даних. 
Предмет дослідження – алгоритми та програмно-алгоритмічні засоби 
прогнозування глікемії за даними безконтактного вимірювача глюкози, 
щоденників самоконтролю та сигналу системи безперервного моніторингу 
(CGMS). 
Методи дослідження. У роботі використано аналітичний огляд медичних і 
технічних джерел щодо методів контролю цукрового діабету й неінвазивних 
вимірювальних технологій; структурно-системний аналіз інформаційно-
вимірювальних біотехнічних систем; математичне моделювання та регресійний 
аналіз для побудови моделей прогнозування глікемії; методи машинного навчання 
(лінійні та нелінійні регресійні моделі, метод опорних векторів, штучні нейронні 
мережі) з реалізацією в середовищах MATLAB і RStudio з використанням пакета 
CARET; експериментальні дослідження роботи безконтактного вимірювача 
глюкози на мікроконтролерній платформі Arduino з розробленим програмним 
забезпеченням мовою Python; статистичну обробку результатів з оцінюванням 
точності та придатності розроблених алгоритмів прогнозування. 
Наукова новизна одержаних результатів.  
1. Уперше запропоновано комплексний підхід до автоматизації неінвазивного 
контролю глікемії, який поєднує безконтактний оптичний вимірювач глюкози 
та алгоритм прогнозування на основі методів машинного навчання (регресійні 
моделі, SVM, штучні нейронні мережі), що дозволило підвищити 
інформативність і оперативність оцінювання стану пацієнта порівняно з 
використанням лише епізодичних вимірювань. 
2. Удосконалено алгоритм обробки сигналу безконтактного вимірювача глюкози 
шляхом обліку спектральних властивостей біологічних тканин і вибору 
оптимальної довжини хвилі (близько 940 нм), що дало змогу отримати чутливу 
залежність вихідної напруги (≈1,26–2,65 В) від концентрації глюкози в 
 7 
 
діапазоні 1–30 ммоль/л, придатну для подальшого програмного перетворення у 
клінічно значимі показники.  
3. Розроблено та програмно реалізовано алгоритм прогнозування рівня глюкози 
на основі експериментальних даних CGMS і щоденників самоконтролю, 
інтегрований у середовище RStudio з використанням пакета CARET, що 
забезпечило формування індивідуальних прогнозів глікемії й створює 
передумови для побудови систем підтримки прийняття рішень для пацієнтів із 
цукровим діабетом. 
Практичне значення одержаних результатів має прикладне значення для 
біомедичної інженерії та клінічної практики. Запропонована структура 
безконтактного вимірювача глюкози та алгоритм обробки сигналу, реалізований 
на платформі Arduino з виведенням результатів у ммоль/л, можуть бути 
використані як прототип портативного неінвазивного глюкометра, що зменшує 
потребу в частих інвазивних проколах пальця та підвищує комфорт пацієнтів.  
Алгоритм прогнозування глікемії, реалізований у середовищі RStudio на 
основі пакета CARET, може бути інтегрований у системи дистанційного 
медичного спостереження та мобільні застосунки, які автоматично аналізують 
історичні дані глюкози, режим харчування та інсулінотерапію, попереджаючи 
пацієнта про можливі епізоди гіпо- чи гіперглікемії. Це сприяє підвищенню 
безпеки терапії, зменшенню кількості гострих ускладнень та покращенню якості 
життя людей із цукровим діабетом. 
Апробація результатів дисертації. Результати досліджень були 
представлені на ІІ-й Всеукраїнській науково-практичній конференції 
«Методологія наукових досліджень» (на англ.мові) (Черкаси: ЧДТУ, 2025).  
Публікації. По темі дисертації опублікована 1 теза доповідей. 
 8 
 
РОЗДІЛ 1 
ОСОБЛИВОСТІ ПРОЦЕСУ ВИМІРЮВАННЯ РІВНЯ ГЛЮКОЗИ В КРОВІ 
 
1.1. Основні відомості про причини виникнення та ризики при 
цукровому діабеті  
Глюкоза є основним енергетичним субстратом для більшості клітин 
організму, зокрема для нейронів, які практично повністю залежать від постійного 
надходження глюкози з крові. У середньому мозок людини за добу споживає 
понад 100–120 г глюкози, тому навіть короткочасні відхилення її концентрації 
можуть призводити до порушення життєво важливих функцій [1; 2]. Джерелом 
глюкози є вуглеводи їжі, які після низки ферментативних перетворень переходять 
у глюкозу. Частина глюкози одразу окиснюється з утворенням енергії, інша 
депонується у вигляді глікогену в печінці та м’язах, ще частина – у вигляді ліпідів 
у жировій тканині. Центральну роль у регуляції цих процесів відіграє гормон 
інсулін, який синтезується β-клітинами острівців Лангерганса підшлункової 
залози [1; 6]. 
Інсулін забезпечує збереження та раціональне використання енергії: 
стимулює синтез білків, ліпідів і глікогену, пригнічує їх розпад, знижує рівень 
глюкози в крові та сприяє її поглинанню інсулінозалежними тканинами – 
передусім скелетними м’язами, жировою тканиною та печінкою [1; 2]. Спочатку у 
β-клітинах утворюється проінсулін – неактивна молекула-попередник, з якої в 
процесі дозрівання формується власне інсулін і С-пептид. Секреція інсуліну має 
два компоненти: базальна секреція – постійний низький рівень викиду гормону, 
що підтримує основний обмін та стабільний рівень глікемії в періоди між 
прийомами їжі; постпрандіальна (пікова) секреція – різке збільшення вивільнення 
інсуліну у відповідь на підвищення глюкози після їжі (постпрандіальна 
гіперглікемія), що відображено на рисунку 1.1 [2; 16]. 
 9 
 
 
Рисунок 1.1 Типовий графік змін рівня інсуліну у крові   
 
Піковий викид інсуліну гальмує синтез ендогенної глюкози в печінці та 
забезпечує її активне засвоєння тканинами. Тканини, для яких поглинання 
глюкози принципово залежить від інсуліну, називають інсулінозалежними. У той 
же час існують інсулінонезалежні тканини (зокрема нервова тканина, головний і 
спинний мозок), де глюкоза надходить шляхом полегшеної дифузії, і швидкість її 
транспорту прямо залежить від рівня глікемії. Будь-які значні коливання 
концентрації глюкози в крові особливо небезпечні саме для цих структур [1, 2]. 
Коли енергетична потреба зростає (фізичне навантаження, стрес тощо), 
спочатку використовується циркулююча глюкоза, потім активуються процеси 
розщеплення глікогену — глікогеноліз, а за вичерпання запасів глікогену — 
синтез глюкози з амінокислот і ліпідів, тобто глюконеогенез. У відповідь на 
надходження їжі постпрандіальна секреція інсуліну блокує глікогеноліз і 
глюконеогенез та сприяє повторному відновленню депо енергії [6, 16]. 
Порушення вуглеводного обміну при цукровому діабеті. Цукровий діабет є 
групою хронічних метаболічних порушень, що характеризуються стійкою 
гіперглікемією внаслідок дефіциту інсуліну, порушення його дії або поєднання 
цих механізмів [1, 2, 33]. 
Діабет 1 типу. При цукровому діабеті 1 типу відбувається прогресуюче 
руйнування β-клітин підшлункової залози, що призводить до абсолютної 
 10 
 
інсулінової недостатності. У більшості випадків цей процес має аутоімунний 
характер: під дією певних тригерів (вірусні інфекції, токсичні фактори довкілля, 
харчові антигени тощо) імунна система формує антитіла та клітинні реакції проти 
власних β-клітин [1; 2; 33]. Виявлення аутоантитіл до β-клітин, інсуліну або 
глутаматдекарбоксилази розглядають як важливі маркери діабету 1 типу. Якщо 
аутоімунних маркерів не виявлено, але β-клітини руйнуються, говорять про 
ідіопатичний варіант діабету 1 типу [2; 33]. 
Підшлункова залоза має значні компенсаторні можливості, тому клінічні 
прояви з’являються лише тоді, коли втрачено понад 80% β-клітин. Унаслідок 
дефіциту інсуліну глюкоза не може нормально потрапляти в інсулінозалежні 
тканини, її концентрація в крові зростає, а клітини одночасно перебувають у стані 
енергетичного дефіциту - «голод серед достатку» [1]. Це стимулює посилений 
глікогеноліз і глюконеогенез, ще більше підвищуючи глікемію. Надлишок 
глюкози починає виводитися нирками – виникає глюкозурія, що супроводжується 
збільшенням діурезу (поліурія) та вторинною спрагою (полідипсія). Без лікування 
швидко формуються гострі ускладнення, зокрема діабетичний кетоацидоз [2; 17; 
33]. 
З патофізіологічної схеми розвитку діабету 1 типу логічно випливає, що 
єдиним патогенетично обґрунтованим методом лікування є інсулінотерапія, яка 
має максимально імітувати фізіологічну секрецію гормону – поєднанням 
базального та болюсного введення інсуліну [2; 16; 33]. 
Діабет 2 типу. При цукровому діабеті 2 типу поєднуються два ключові 
механізми: поступове порушення функції β-клітин; інсулінорезистентність – 
зниження чутливості периферичних тканин до інсуліну. 
На початкових стадіях захворювання β-клітини ще здатні компенсувати 
інсулінорезистентність, посилюючи секрецію гормону. Формується 
гіперінсулінемія, що дозволяє підтримувати глюкозу близькою до норми натще, 
але супроводжується патологічними зрушеннями ліпідного та вуглеводного 
обміну. У цей період уже змінюється форма постпрандіальної відповіді – перша 
 11 
 
фаза секреції інсуліну зменшується, що сприяє підвищенню глюкози після їжі [2; 
16; 17; 33]. 
Інсулінорезистентність і хронічна гіперглікемія спричинюють: 
глюкозотоксичність – ушкоджувальний вплив надлишкової глюкози на β-клітини 
та інші тканини; ліпотоксичність – негативний вплив надмірної кількості вільних 
жирних кислот і ліпідів на клітини, у тому числі β-клітини. 
Ці процеси взаємно підсилюють один одного та формують «замкнене коло»: 
інсулінорезистентність → глюкозотоксичність → пригнічення β-клітин → 
наростання гіперглікемії → посилення інсулінорезистентності. Одночасно 
ліпотоксичність сприяє прогресуванню атеросклерозу та дисліпідемії, а хронічна 
гіперінсулінемія пов’язана з підвищенням артеріального тиску [16; 17; 33]. 
Схематично основні механізми інсулінорезистентності та її наслідки подано на 
рисунку 1.2. 
 
Рисунок 1.2 – Схематичне зображення інсулінорезистентності та її наслідків 
при цукровому діабеті 2 типу 
 
Через те, що упродовж тривалого часу глюкоза натще може залишатися в 
межах норми, важливе значення має оцінка постпрандіальної глікемії та 
проведення тесту толерантності до глюкози, особливо за наявності факторів 
ризику діабету 2 типу [3; 16; 33]. 
 12 
 
Етіологічні чинники та фактори ризику цукрового діабету. Повністю 
однозначної відповіді щодо причин виникнення діабету, особливо 1 типу, досі 
немає. Вважають, що поєднуються спадкова схильність і вплив зовнішніх 
тригерів – інфекцій, харчових та екологічних факторів [1; 2; 33]. 
До потенційних факторів, які розглядаються як «поштовх» до аутоімунного 
процесу, належать: деякі вірусні інфекції (краснуха, епідемічний паротит, 
ентеровіруси тощо); порушення раннього харчування дитини (недостатнє грудне 
вигодовування, раннє введення коров’ячого молока); токсичні домішки в їжі та 
воді; особливості імунної відповіді, зумовлені спадковими факторами [1; 2]. 
Підкреслюється роль генетичної схильності: наявність діабету 1 типу в 
одного або обох батьків суттєво підвищує ризик захворювання у дітей [1; 33]. 
Окремий інтерес становить дослідження нейропептидів, зокрема субстанції 
Р, яка бере участь у регуляції функції β-клітин. При її дефіциті описано надмірну 
секрецію інсуліну, подальший розвиток інсулінорезистентності та аутоімунної 
атаки β-клітин. Експериментальні введення субстанції Р тваринам з діабетом 
сприяли нормалізації обміну глюкози та тривалим періодам без необхідності в 
екзогенному інсуліні, що стимулює інтерес до потенційних клінічних досліджень 
у груп пацієнтів з високим ризиком діабету [17]. 
Фактори ризику діабету 2 типу. Фактори ризику умовно поділяють на 
немодифікуючі (ті, що неможливо змінити) та модифікуючі (на які можна 
впливати профілактичними заходами) [3; 16; 33]. 
До немодифікуючих належать: спадковість – при діабеті в одного з батьків 
ризик у нащадків може досягати 30–80%, а якщо хворі обоє батьків – до 60–100%; 
вік – після 40 років частота діабету 2 типу суттєво зростає: у групі 40–60 років 
поширеність сягає ≈7 %, у віці 60–65 років – близько 10%, а старше 65 років – до 
20% [1; 3; 33]; етнічні особливості – у деяких популяціях світу діабет 2 типу 
зустрічається значно частіше, що пов’язано з поєднанням генетичних чинників та 
змін способу життя [33]. 
До «умовно немодифікуючих» відносять фактори, пов’язані з перебігом 
вагітності: надмірний приріст маси тіла під час вагітності; порушення 
 13 
 
вуглеводного обміну (гестаційний діабет, підвищення глюкози натще або після 
їжі); народження дитини з масою понад 4000 г; вроджені вади розвитку у 
новонародженого; самовільні викидні чи мертвонародження в анамнезі [3; 33]. 
У 20% жінок із гестаційним діабетом упродовж 5–10 років надалі 
розвивається діабет 2 типу, що робить цю групу однією з ключових для цільової 
профілактики [3; 16; 33]. 
Серед модифікуючих факторів ризику провідними є: 
1. Надлишкова маса тіла та ожиріння. Це один із найважливіших чинників 
розвитку діабету 2 типу. Для оцінки використовують індекс маси тіла (ІМТ) за 
формулою Кетле: ІМТ=маса тіла (кг)/зріст (м2). Вплив ІМТ на ризик розвитку 
діабету наведено в таблиці 1.1. 
 
Таблиця 1.1. Ризик захворювання цукровим діабетом залежно від маси тіла 
Тип маси тіла ІМТ (кг/м²) Збільшення ризику ЦД 
Дефіцит маси тіла < 18,5 Немає 
Нормальна маса тіла 18,5–24,9 Немає 
Надлишкова маса тіла (передожиріння) 25–29,9 У 2 рази 
Ожиріння I ступеня 30–34,9 У 5 разів 
Ожиріння II ступеня 35–39,9 У 10 разів і більше 
Ожиріння III ступеня > 40 Понад 15 разів 
 
Дані численних досліджень підтверджують, що надмірна маса тіла й 
абдомінальне ожиріння істотно підвищують ризик діабету та серцево-судинних 
ускладнень [3; 16; 33]. 
2. Особливості харчування. Сучасний раціон часто характеризується 
високою калорійністю, надлишком швидких вуглеводів та насичених жирів 
тваринного походження. Така харчова модель формує швидке й тривале відчуття 
ситості, але водночас призводить до виражених порушень обміну речовин, 
ожиріння та підвищення ризику діабету 2 типу [3; 16]. Значну роль відіграє 
регулярне споживання продуктів типу «фаст-фуд» і харчових продуктів з високим 
глікемічним індексом. 
 14 
 
Масштабні епідеміологічні спостереження показали, що часте вживання 
картоплі, особливо смаженої у вигляді картоплі фрі, пов’язане зі зростанням 
ризику діабету 2 типу, зокрема серед жінок із надмірною масою тіла. Аналогічно 
щоденне вживання солодких газованих напоїв суттєво збільшує ризик розвитку 
діабету та сприяє набору маси тіла [3; 16; 33]. 
3. Низька фізична активність. Малорухомий спосіб життя асоціюється з 
утричі вищим ризиком розвитку діабету 2 типу порівняно з особами, які 
регулярно займаються фізичними вправами. Зниження м’язової активності 
зменшує утилізацію глюкози скелетними м’язами, посилює 
інсулінорезистентність і сприяє збільшенню маси тіла [3; 16; 33]. 
4. Хронічний стрес. Тривалі психоемоційні навантаження, пов’язані з 
хворобою близьких, нестабільною фінансовою ситуацією тощо, можуть сприяти 
порушенню вуглеводного обміну. У частини осіб після виражених стресових 
подій у подальшому реєструють або діабет, або переддіабетичні стани, що 
розглядаються як передумова формування маніфестного ЦД [17; 33]. 
5. Куріння. Тютюнопаління розглядають як чинник, що посилює 
інсулінорезистентність, погіршує стан судинної стінки, підвищує ризик макро- і 
мікросудинних уражень та ускладнень діабету. Сучасні рекомендації 
підкреслюють необхідність повної відмови від куріння як одного з ключових 
напрямів профілактики діабету 2 типу та його ускладнень [5; 17; 33]. 
Судинні й нейропатичні ускладнення та ризик синдрому діабетичної стопи. 
Хронічна гіперглікемія в поєднанні з артеріальною гіпертензією, дисліпідемією та 
тютюнопалінням призводить до пошкодження судин різного калібру (макро- і 
мікроангіопатія) та периферичних нервів (нейропатія), що, серед іншого, створює 
високий ризик розвитку синдрому діабетичної стопи, включно з можливістю 
виникнення гангрени [1; 33]. 
До ключових факторів, що сприяють розвитку тяжких уражень стоп, 
належать: 
 тривала незагойна мікротравма, відмороження або опіки; 
 врослий ніготь, натоптиші, грибкові інфекції шкіри й нігтів; 
 15 
 
 виражені ангіопатичні та/або нейропатичні зміни; 
 недостатній контроль глікемії; 
 куріння та інші фактори, що погіршують мікроциркуляцію [1; 33]. 
Клінічна картина залежить від переважання нейропатії або ангіопатії. При 
нейропатичній формі: 
 знижена або відсутня больова чутливість (часто рани залишаються 
непоміченими); 
 суха шкіра, натоптиші, безболісні виразки у зонах підвищеного тиску; 
 пульсація артерій стоп збережена. 
При ішемічній (ангіопатичній) формі: 
 блідий або ціанотичний колір шкіри; 
 ослаблена чи відсутня пульсація артерій стоп; 
 болючі виразки на кінчиках пальців або п’яті; 
 біль у литках під час ходьби, «переміжна кульгавість». 
Окремо виділяють ураження кістково-суглобного апарату (суглоб Шарко): 
гаряча, почервоніла, набрякла стопа за відсутності зовнішніх пошкоджень [1]. 
Ступені виразкових уражень подано в таблиці 1.2. 
 
Таблиця 1.2 – Клінічні прояви синдрому діабетичної стопи 
Ступінь Прояви 
0 Виразки немає, але є сухість шкіри, кісткові й суглобні аномалії 
1 Поверхнева виразка без ознак інфікування 
2 Глибока, зазвичай інфікована виразка без ураження кістки 
3 Глибока виразка з абсцесом та ураженням кісткової тканини 
4 Обмежена гангрена (пальця або частини стопи) 
5 Гангрена всієї стопи 
 
Чим кращий контроль глікемії, тим нижча ймовірність прогресування до 
клінічно вираженого синдрому діабетичної стопи. Неефективний контроль цукру 
 16 
 
в крові, тривала декомпенсація, артеріальна гіпертензія, дисліпідемія та паління 
істотно збільшують ризик гангрени та ампутацій [17; 33]. 
Оцінка необхідності інсулінотерапії. Важливо якомога раніше виявляти 
пацієнтів, яким показана інсулінотерапія. Орієнтація лише на рівень глікемії 
обмежена, хоча значення глюкози крові понад 25 ммоль/л зазвичай є прямим 
показанням до призначення інсуліну [2; 16]. 
На необхідність інсулінотерапії вказують такі клінічні ознаки: швидкий 
розвиток симптомів (поліурія, полідипсія, схуднення); виражене зниження маси 
тіла, ознаки дегідратації (сухість слизових, шкіри); загальна слабкість; кетонурія 
та інші біохімічні ознаки кетоацидозу. 
У разі прогресування декомпенсації з’являються блювання, посилюється 
дегідратація, виникає задишка, може з’являтися запах ацетону з рота. У таких 
ситуаціях відтермінування інсулінотерапії небезпечне [2; 6; 16; 33]. 
Інсулін, як правило, показаний: практично всім дітям і більшості осіб 
молодого віку з діабетом 1 типу; вагітним із діабетом або гестаційним діабетом, 
коли дієта та пероральні засоби не забезпечують безпечний рівень глікемії; 
хворим із недостатньою ефективністю пероральних цукрознижувальних 
препаратів; усім пацієнтам після панкреатектомії [2; 6; 16; 33]. 
Якщо є сумніви щодо доцільності призначення інсуліну, допустимо 
тимчасово розпочати терапію з подальшим переглядом тактики. При поліпшенні 
стану та стабілізації глікемії можливий перехід на інші схеми лікування [2; 16]. 
Критерії діагностики та ризики розвитку цукрового діабету 2 типу. 
Обстеження на цукровий діабет 2 типу та встановлення діагнозу ґрунтуються на 
визначенні рівня глікемії (таблиця 1.3) [33]. Раннє виявлення хвороби в пацієнтів 
без виражених симптомів дозволяє своєчасно розпочати лікування, попередити 
або відтермінувати розвиток ускладнень [3; 16; 33]. 
 
 17 
 
Таблиця 1.3 – Результати визначення глікемії та їх інтерпретація 
 
 
Визначення показника глікемії проводять: за концентрацією глюкози в 
капілярній крові в будь-який час доби незалежно від прийому їжі; за рівнем 
глюкози у плазмі венозної крові натще (після щонайменше 8-годинного 
голодування). 
Діагноз цукрового діабету встановлюють за наявності типових симптомів 
(спрага, часте сечовиділення, порушення зору, схуднення, апатія) у поєднанні з 
підвищенням одного з показників глікемії понад діагностичні порогові значення. 
Якщо симптомів немає, але виявлено підвищений показник, тест повторюють в 
інший день для підтвердження [33]. 
Скринінг на виявлення діабету 2 типу рекомендується: щороку – для осіб із 
переддіабетом; усім пацієнтам з надмірною масою тіла або ожирінням за 
наявності хоча б одного додаткового фактора ризику діабету 2 типу; пацієнтам із 
помірним, високим або дуже високим розрахунковим ризиком діабету; усім 
особам віком ≥45 років. 
Якщо показники глюкози в межах норми, повторне тестування 
рекомендується проводити не рідше ніж раз на 3 роки, а за наявності факторів 
ризику – частіше [3; 16; 33]. 
Таким чином, цукровий діабет є захворюванням, у розвитку якого 
поєднуються спадкова схильність, порушення функції β-клітин, 
 18 
 
інсулінорезистентність та вплив численних модифікуючих факторів ризику – 
харчування, ожиріння, гіподинамія, стрес, куріння. Розуміння цих причин і 
ризиків є ключем до ранньої діагностики, профілактики та ефективного ведення 
пацієнтів із цукровим діабетом [1–3; 5; 6; 16; 17; 33]. 
 
1.2. Методи та засоби контролю рівня глюкози хворими на цукровий 
діабет 
Для ефективного лікування й профілактики ускладнень цукрового діабету 
хворий має регулярно контролювати рівень глюкози, насамперед у домашніх 
умовах. Систематичний самоконтроль глікемії дає змогу своєчасно коригувати 
терапію, змінювати дозу інсуліну або пероральних цукрознижувальних 
препаратів, коригувати харчування й фізичну активність, що безпосередньо 
пов’язано зі зниженням ризику гострих і хронічних ускладнень діабету [1], [2], 
[16], [17], [33]. 
Портативні засоби самоконтролю (глюкометри). Основним технічним 
засобом для повсякденного контролю рівня глюкози в побутових умовах є 
індивідуальні глюкометри. Це портативні електронні прилади, призначені не для 
первинної діагностики діабету, а для регулярного моніторингу глікемії хворим, 
який уже має встановлений діагноз [1], [6], [33], [36]. 
До стандартного комплекту, як правило, входять: сам глюкометр, тест-
смужки, пристрій для проколювання (ланцетна ручка), елемент живлення, 
інструкція користувача й футляр для транспортування й зберігання. 
Сучасні моделі глюкометрів відрізняються за низкою експлуатаційних 
параметрів [4], [36]: 
 тривалістю вимірювання (орієнтовно від 5 до 45 с); 
 об’ємом краплі крові, необхідної для аналізу (близько 1–3 мкл); 
 обсягом вбудованої пам’яті (від кількох десятків до сотень і більше вимірювань 
з можливістю перегляду дати й часу); 
 наявністю інтерфейсів обміну даними (кабельне чи бездротове підключення до 
комп’ютера, смартфона тощо для ведення електронного щоденника); 
 19 
 
 типом і ергономікою ланцетної ручки (глибина і плавність проколу, зручність 
заміни ланцетів); 
 додатковими сервісними функціями – звукові нагадування, голосове озвучення 
результатів, підсвічування дисплея, автоматичний розрахунок середніх значень 
за добу, тиждень чи місяць тощо, що полегшує використання пристрою 
пацієнтами різного віку. 
Типова послідовність вимірювання включає: підготовку тест-смужки, її 
вставлення у глюкометр, стерильний прокол шкіри ланцетною ручкою, нанесення 
краплі крові на реакційну зону тест-смужки й очікування висновку приладу. Через 
встановлений час результат відображається на екрані й може бути збережений у 
пам’яті для подальшого аналізу динаміки [4], [36]. 
При виборі глюкометра хворий і лікар зазвичай враховують: 
 співвідношення ціна/якість, тобто клінічну точність вимірювань та набір 
функцій, які реально потрібні конкретному пацієнтові; 
 вартість і доступність тест-смужок, а також надійність їх поставок; 
 особливості роботи приладу (складність меню, наявність автоматичного 
кодування, вимоги до зберігання смужок); 
 розміри та масу набору, зручність перенесення та використання поза домом; 
 тривалість і умови гарантійного обслуговування; 
 наявність офіційної реєстрації медичного виробу в системі охорони здоров’я 
(для України – у Міністерстві охорони здоров’я). 
Контроль глюкози за сечею та кетонові тіла. Дешевшим, але суттєво менш 
точним способом орієнтовного контролю вуглеводного обміну є визначення 
глюкози в сечі за допомогою індикаторних тест-смужок. Інтенсивність 
забарвлення індикаторної зони змінюється залежно від концентрації глюкози: 
пацієнт порівнює колір смужки зі шкалою на упаковці. Однак цукор виявляється в 
сечі лише при підвищенні рівня глюкози в крові понад приблизно 9 ммоль/л 
(порог ниркового виведення), тому метод не дозволяє оцінювати нижчі 
концентрації й непридатний для прецизійного контролю [1]. 
 
 20 
 
За підозри на розвиток кетоацидозу застосовують інші тест-смужки, 
призначені для визначення кетонових тіл у сечі. Принцип також ґрунтується на 
зміні інтенсивності забарвлення індикаторної зони залежно від концентрації 
кетонів. Такі смужки дають змогу завчасно виявити небезпечні зрушення 
метаболізму ліпідів у хворих на діабет, особливо за декомпенсації [1], [33]. 
Методи визначення рівня глюкози в крові. На сьогодні запропоновано 
значну кількість лабораторних, біохімічних, електрохімічних та оптичних методів 
кількісного визначення глюкози [4], [8], [18]. Узагальнену класифікацію методів 
визначення рівня глюкози наведено на рисунку 1.3. 
 
Рисунок 1.3 – Класифікація методів визначення рівня глюкози 
 
У широкому спектрі лабораторних і функціональних методик, що оцінюють 
морфологічні, біохімічні й генетичні параметри, неінвазивні підходи поки 
займають обмежене місце, але їх значення стрімко зростає [4], [8], [9]. Порівняно 
з традиційними інвазивними методами вони мають низку суттєвих переваг: 
1. Відсутність проникнення в кровоносне русло, що мінімізує ризик інфікування, 
не вносить додаткові ксенобіотики та знижує стрес для пацієнта. 
2. Відсутність променевого навантаження характерного для рентгенологічних і 
радіоізотопних досліджень. 
 21 
 
3. Зменшення больових і психологічно неприємних відчуттів, що особливо 
важливо для дітей, літніх пацієнтів та осіб з високою тривожністю. 
4. Можливість тривалого дистанційного моніторингу параметрів стану пацієнта із 
застосуванням сенсорних вузлів і телемедичних каналів зв’язку. На базі таких 
систем можуть створюватися дистанційні «аларм-системи» для контролю груп 
високого ризику (пацієнти з цукровим діабетом, загрозою раптової серцевої 
смерті, тяжкою артеріальною гіпертензією тощо), що дає змогу оперативно 
реагувати на критичні зміни показників [20], [22], [23], [25]. 
Класифікація неінвазивних методів моніторингу глюкози. Неінвазивні 
методи контролю глікемії умовно поділяють: 
 за глибиною та способом зчитування – на підшкірні, дермальні, епідермальні та 
комбіновані дермально-епідермальні; 
 за типом досліджуваного середовища – методи, що аналізують тканинну 
рідину, рідини ока (водяниста волога передньої камери) й піт; 
 за анатомічною ділянкою вимірювання – кінчики пальців, кутикула, 
передпліччя, мочки вух, слизова оболонка губ тощо [4], [8], [9], [11]. 
З-поміж неінвазивних технологій особливий інтерес мають оптичні методи, 
які включають (класифікацію наведено в таблиці 1.4): 
 спектральний аналіз в інфрачервоній (ІЧ) області; 
 раманівську спектроскопію; 
 фотоакустичну спектроскопію; 
 методи на основі аналізу розсіювання світла; 
 методи, що використовують зміни поляризації оптичного сигналу [4], [8], [9]. 
Фізичні основи оптичного контролю глюкози. Неінвазивне оптичне 
вимірювання ґрунтується на опроміненні певної ділянки тіла та аналізі світла, яке 
пройшло через біотканину або відбилося від неї. Після взаємодії з тканинами 
формується оптичний «відбиток» їхнього складу, який визначається 
співвідношенням розсіяння й поглинання світла. На поглинання в шкірі та 
підлеглих тканинах істотно впливають вода, гемоглобін, меланін, ліпіди та, 
зокрема, глюкоза [9], [10], [11]. 
 22 
 
Оптичний сигнал залежить не тільки від концентрації глюкози, а й від 
об’єму й розподілу рідин у тканинах (що змінюється під впливом дієти, рівня 
фізичної активності, гормональних коливань, прийому лікарських засобів тощо). 
Наприклад, для тканин дистальних відділів кінцівок показано, що рідина зразка на 
≈63% є внутрішньоклітинною та на ≈37% – позаклітинною, з яких близько 27% 
становить проміжна рідина й 10% – плазма крові. При рівні глюкози в крові 100 
мг/дл концентрація глюкози у відповідному зразку тканини становить приблизно 
38 мг/дл; при цьому близько 26% глюкози припадає на кров, 58% – на тканинну 
рідину та 16% – на внутрішньоклітинну [18], [21], [25]. 
Фактична клінічна інтерпретація таких відносин – питання, що й досі 
активно досліджується, адже терапевтичні рішення приймаються за рівнем 
глюкози в крові, а не в сумарній тканинній рідині. 
 
Таблиця 1.4 – Технології дермального та епідермального* вимірювання 
глюкози 
№ 
Технологія Визначення 
п/п 
Спектральний аналіз в ІЧ Поглинуте чи відбите випромінювання даних на 
1. 
області довжині хвилі ІЧ діапазону 
Раманівська Використовується лазерний промінь для того, щоб 
2. 
спектроскопія викликати випромінювання поблизу рівнів збудження 
Використовується лазерне збудження рідини для того, 
Фотоакустична 
3. щоб створити акустичну відповідь і спектр відповідно 
спектроскопія 
до того, як налаштований лазер 
Використовується розсіювання світла для того, щоб 
4. Розсіювання 
визначити зміни у речовині, що досліджується 
Відомо, що наявність глюкози в крові спричиняє 
5. Поляризація 
поляризацію світла, що проходить крізь неї 
* Епідермальне вимірювання обмежується поверхневим шаром епідермісу 
 
У таблиці 1.4 стисло наведено основні оптичні технології неінвазивного 
моніторингу глюкози з короткими визначеннями: спектральний аналіз в ІЧ-
діапазоні, раманівська та фотоакустична спектроскопія, методи на основі 
розсіювання та поляризації світла. 
 23 
 
Оптичні вимірювання істотно залежать від: гідратації тканин та їхнього 
кровонаповнення; температури й тиску; віку, супутніх захворювань, метаболічної 
активності; впливу медикаментів, які змінюють співвідношення внутрішньо- та 
позаклітинних рідин; параметрів навколишнього середовища (температура, 
вологість, атмосферний тиск, вміст CO₂) [9], [10], [11]. 
Ці фактори призводять до варіабельності сигналу й вимагають ретельної 
калібровки та довготривалих клінічних досліджень для підтвердження 
стабільності кореляції між оптичними показниками й рівнем глюкози в крові для 
різних груп пацієнтів [4], [8], [18]. 
Спектральний аналіз в інфрачервоній області. Глюкоза має доволі слабкі 
смуги поглинання в ближній ІЧ-області порівняно з основними компонентами 
біотканин (водою, білками, ліпідами), проте ці смуги можуть бути виділені 
методами спектроскопічного аналізу [4], [9]. Використання ближньої ІЧ-області 
дозволяє зондувати тканини на глибину приблизно 1–100 мм, причому зі 
збільшенням довжини хвилі глибина проникнення зменшується. 
Проводилися дослідження відбитого й пропущеного випромінювання від: 
мочки вуха; кутикули пальців; шкіри різних ділянок; слизової оболонки губ у 
діапазоні ~1000–2500 нм. 
Спектроскопія дифузного відбиття в ближній ІЧ-області, зокрема при 
вимірюваннях на кутикулі, продемонструвала високу кореляцію з реальним 
рівнем глюкози в крові, однак приблизно 10% прогнозів виявилися клінічно 
неприйнятними за критеріями точності [4], [36]. 
Аналіз дифузного відбиття від внутрішньої поверхні губ також засвідчив 
добру кореляцію з глікемією, але виявив часову затримку приблизно 10 хвилин 
між зміною реального рівня глюкози та відповідною зміною оптичного сигналу. 
Крім того, рівень глюкози в слині не віддзеркалює достовірно концентрацію 
глюкози в крові, а на результати впливають фізико-хімічні параметри 
(температура, в’язкість, вміст тригліцеридів, альбуміну). 
Для систем, що працюють з цільною кров’ю як матрицею зразка, суттєвими 
джерелами похибки є варіації вмісту еритроцитів, гемоглобіну й альбуміну, а 
 24 
 
також коливання температури та pH. Очевидно, що для забезпечення прийнятної 
клінічної точності потрібні вдосконалені алгоритми обробки сигналу й 
індивідуалізовані калібрувальні процедури [4], [18], [35]. 
Окремий клас систем використовує спектроскопію в ІЧ-області на рівні 
епідермальної поверхні (глибина дослідження 10–50 мкм) у діапазоні приблизно 
700–1000 нм. Такі пристрої здатні отримувати інформацію про склад поверхневих 
шарів тканини, однак не вимірюють безпосередньо концентрацію глюкози в 
крові, що циркулює в судинах глибших шарів [4], [9]. 
Раманівська спектроскопія. Раманівська (комбінаційна) спектроскопія 
ґрунтується на явищі непружного розсіювання світла, відкритому Ч. Раманом у 
1928 р. При цьому в спектрі розсіяного випромінювання з’являються компоненти 
зі зміненою частотою, що відповідає переходам між коливальними станами 
молекул. Для кожної сполуки формується характерний «спектральний відбиток 
пальця», що дозволяє надійно ідентифікувати її серед інших речовин [8], [9]. 
Коливальна спектроскопія надає детальну інформацію про структуру та 
оточення молекул. Положення та інтенсивність смуг у Раман-спектрі 
використовують для: ідентифікації хімічних компонентів зразка; аналізу 
внутрішньомолекулярних взаємодій; кількісного визначення концентрації 
цільової речовини, зокрема глюкози. 
До переваг методу належать: 
 мінімальна підготовка зразка (часто достатньо просто освітити його лазерним 
променем); 
 великий обсяг інформації в одному спектрі; 
 можливість прямого порівняння спектрів з бібліотеками стандартів; 
 висока специфічність завдяки наявності «області відбитків пальців»; 
 широкий спектральний діапазон – від УФ до ближньої ІЧ-області, що дозволяє 
підібрати довжину хвилі, безпечну для біотканин, але достатню для отримання 
раманівського сигналу необхідної інтенсивності [8], [34], [35]. 
Перспективним об’єктом для неінвазивних вимірювань рівня глюкози є 
водяниста волога передньої камери ока. Її власний Раман-спектр слабкий, а 
 25 
 
товщина шару є достатньою для реєстрації високоякісного сигналу. З огляду на 
те, що не існує двох молекул із повністю однаковими раманівськими спектрами, а 
інтенсивність розсіяного світла пропорційна концентрації речовини, з’являється 
можливість кількісної оцінки глюкози за спектром [8], [9]. 
Комбінація раманівських вимірювань з сучасними методами комп’ютерної 
обробки сигналів, машинного навчання та використанням бібліотек спектрів 
дозволяє підвищити точність і відтворюваність оцінювання глікемії. Це робить 
раманівську спектроскопію одним із найбільш перспективних оптичних підходів 
до неінвазивного моніторингу біологічних показників, у тому числі рівня глюкози 
[4], [8], [34], [35]. 
Фотоакустична спектроскопія. Фотоакустична спектроскопія базується на 
швидкому перетворенні енергії модуляваного оптичного випромінювання в тепло 
й наступному утворенні акустичної хвилі тиску в зразку. Цю хвилю реєструють 
мікрофоном або іншим перетворювачем. За певних умов фотоакустичні методи 
демонструють чутливість, вищу за класичну абсорбційну спектроскопію [8], [9]. 
Для вимірювання глюкози проводили дослідження як на модельних зразках, 
так і за участю хворих на діабет. Показана добра кореляція між фотоакустичним 
сигналом і рівнем глікемії, підтвердженим інвазивними методами (аналіз 
капілярної крові з кінчика пальця). Водночас апаратура, що реалізує такий підхід, 
є дорогою, чутливою до змін температури і тиску, а також до впливу інших 
біомолекул, які можуть вносити хімічні «перешкоди» у вимірювання [8], [9]. 
Визначення глюкози за зміною розсіювання світла. Методи, що спираються 
на аналіз розсіювання, відстежують зміни оптичних властивостей біотканини, 
зумовлені варіаціями показника заломлення та мікроструктури середовища. 
Збільшення концентрації глюкози в зразку супроводжується зростанням 
показника заломлення, що впливає на характер розсіювання світла. 
Вимірювання на ділянці передньої черевної стінки у хворих на діабет 
показали високий кореляційний зв’язок між сигналами розсіювання й рівнем 
глюкози в крові. Однак на властивості розсіювання суттєво впливають природні 
фізіологічні зміни – коливання кровонаповнення, стан мікроциркуляції, зміни 
 26 
 
структури тканини з віком тощо, що ускладнює створення універсальної 
методики калібрування [9], [10]. 
Визначення глюкози за зміною поляризації. Глюкоза є оптично активною 
речовиною й здатна обертати площину поляризації світла. Цю властивість давно 
використовують у лабораторному аналізі розчинів. У контексті неінвазивного 
контролю глікемії як середовище вимірювання розглядають знову ж таки 
водянисту вологу ока. Шкіра для таких вимірювань мало придатна через 
інтенсивне розсіювання [9]. 
Застосування кількох довжин хвиль дає змогу частково компенсувати 
низьку специфічність методу, однак інші оптично активні компоненти, а також 
зміни температури й pH можуть призводити до значних похибок. Тому технології 
на основі поляризації все ще перебувають на стадії експериментальної розробки 
[8], [9]. 
Оптичні біосенсори для контролю рівня глюкози. Окремим напрямом 
розвитку засобів моніторингу глікемії є біосенсори, що поєднують біологічний 
чутливий елемент (найчастіше фермент) та фізичний перетворювач сигналу [4], 
[8]. 
Для ферментних біосенсорів характерним є перетворення аналізованої 
речовини (субстрату) на продукт, властивості якого легко зареєструвати 
електрохімічним або оптичним методом. Відповідно розрізняють: 
 ферментні електроди (реєструється електроактивний продукт реакції); 
 ферментні оптроди (реєструються оптичні характеристики – флуоресценція, 
поглинання тощо); 
 ферментні термістори (вимірюється тепло, що виділяється під час реакції); 
 інгібіторні ферментні сенсори (аналізована речовина не є субстратом, але 
пригнічує ферментну реакцію, змінюючи сигнал); 
 сенсори нового типу, де реєструється сигнал від самого ферменту або 
пов’язаної з ним біомолекули (коферменту тощо). 
 27 
 
Мета розробки таких біосенсорів – використати високу специфічність 
фермент-субстратної взаємодії як основу для створення високочутливої, 
селективної системи визначення глюкози [4], [8]. 
Особливий інтерес становлять оптичні біосенсори на основі поверхневого 
плазмонного резонансу (ППР). У класичних ППР-сенсорах чутливий елемент 
представляє собою чіп з тонким металевим (зазвичай золотим) шаром. Зміна 
показника заломлення в тонкому приповерхневому шарі (через зв’язування 
глюкози чи пов’язаних із нею молекул) спричиняє зсув умов резонансу й, 
відповідно, зміни оптичного сигналу. 
Подальший розвиток технології передбачає використання нанорозмірних 
металевих частинок на поверхні сенсора замість суцільного шару. Це дає змогу: 
 більш ніж у 100 разів підвищити чутливість; 
 суттєво зменшити мінімально виявну концентрацію глюкози; 
 перейти до вимірювання глюкози в біологічних рідинах, доступних неінвазивно 
– слині, поті, сечі [4], [8]. 
Блок-схема оптичного біосенсора наведена на рисунку 1.4.  
 
Рисунок 1.4 – Блок-схема оптичного біосенсора: 1-лазерне джерело світла, 
2-модулятор, 3-активний компонент, 4-фільтр, 5-лінза, 6-фотоприймач,  
7-сінхронний підсилювач, 8- реєструючий пристрій 
 
У такій системі зміна концентрації глюкози у досліджуваному середовищі 
призводить до модифікації оптичних параметрів активного компонента, що 
реєструється фотоприймачем і перетворюється на зручний для інтерпретації 
 28 
 
електричний сигнал. Концептуально ця технологія є повністю неінвазивною й 
потенційно може бути реалізована у вигляді портативного приладу для 
повсякденного самоконтролю [4], [8]. 
Отже, сучасний арсенал засобів контролю рівня глюкози в пацієнтів з 
цукровим діабетом охоплює: 
 індивідуальні глюкометри з тест-смужками як базовий інструмент щоденного 
самоконтролю; 
 допоміжні напівкількісні методи оцінки глюкози та кетонових тіл у сечі; 
 перспективні неінвазивні оптичні технології (ІЧ-спектроскопія, раманівська, 
фотоакустична спектроскопія, методи розсіювання й поляризації), а також 
оптичні біосенсори нових поколінь [1], [4], [8], [9], [16], [33]. 
Завданням запропонованого технічного рішення є створення надійного, 
технологічно нескладного та доступного за вартістю способу неінвазивної оцінки 
змін рівня глюкози в крові людини, заснованого на використанні ІЧ-
випромінювання та оптичних сенсорних структур. Подальший розвиток цієї 
платформи відкриває можливості адаптації приладу до моніторингу інших 
патологічних станів на ранніх етапах їхнього розвитку, що відповідає сучасним 
тенденціям персоналізованої й превентивної медицини [4], [8], [16], [33]. 
 
Висновки до розділу 1 
Проаналізовано сучасні уявлення про роль інсуліну в регуляції 
вуглеводного обміну, механізми формування гіперглікемії при цукровому діабеті 
1 та 2 типу, а також внесок глюкозотоксичності, ліпотоксичності й спадкової 
схильності у прогресування захворювання та формування факторів ризику. 
Проаналізовано клінічне значення хронічної гіперглікемії, судинних (макро- 
і мікроангіопатія) та нейропатичних ускладнень, зокрема синдрому діабетичної 
стопи, і обґрунтовано необхідність раннього скринінгу, своєчасного призначення 
інсулінотерапії та інтенсивного контролю глікемії для зниження ризику гангрени 
й ампутацій. 
 29 
 
Отримано узагальнену систематизацію методів контролю рівня глюкози, що 
охоплює самоконтроль за допомогою портативних глюкометрів, напівкількісні 
тести на глюкозу й кетонові тіла в сечі, а також лабораторні, електрохімічні та 
оптичні методи з визначенням їхніх функціональних можливостей, чутливості та 
обмежень. 
Показано, що неінвазивні оптичні технології (інфрачервона, раманівська та 
фотоакустична спектроскопія, методи на основі розсіювання й поляризації світла) 
суттєво розширюють потенціал дистанційного моніторингу глікемії, однак їх 
точність істотно залежить від гідратації тканин, гемодинаміки, температури, 
складу біорідин та умов навколишнього середовища і потребує багатоетапної 
калібровки. 
Показано, що впровадження оптичних біосенсорів на основі поверхневого 
плазмонного резонансу та інших сенсорних платформ у поєднанні з 
патофізіологічно обґрунтованою терапією (інсулінотерапія, модифікація способу 
життя) формує технологічну базу персоналізованого контролю цукрового діабету, 
здатну зменшити частоту гострих і хронічних ускладнень та підвищити якість 
життя пацієнтів. 
 30 
 
РОЗДІЛ 2 
РОЗРОБЛЕННЯ ПРИНЦИПУ ДІЇ ТА ТЕХНІЧНОГО РІШЕННЯ  
ДЛЯ БЕЗКОНТАКТНОГО ВИМІРЮВАЧА ГЛЮКОЗИ 
 
2.1. Особливості структурної будови біологічних тканин і клітин 
Для обґрунтування принципу дії безконтактного (неінвазивного) 
вимірювача глюкози необхідно враховувати реальну мікроструктуру біологічних 
тканин, через які проходить або з яких відбивається оптичне випромінювання. 
Саме сукупність клітин, їх органел та міжклітинного матриксу формує 
неоднорідний оптично розсіювальний шар, що визначає геометрію оптичного 
шляху, глибину проникнення та чутливість приладу до змін концентрації глюкози 
в крові [9, 11]. 
Розміри клітин та структурних елементів біотканин лежать у широкому 
діапазоні – від десятків нанометрів до сотень мікрометрів. Клітини крові 
(еритроцити, лейкоцити, тромбоцити) є ключовими розсіювальними центрами для 
оптичного випромінювання у діапазонах, що використовуються для неінвазивного 
моніторингу. Нормальний еритроцит у плазмі має форму двовгнутого диска 
діаметром 7,1–9,2 мкм, товщиною 0,9–1,2 мкм у центрі та 1,7–2,4 мкм на 
периферії, з об’ємом близько 90 мкм³. Лейкоцити близькі до сферичної форми й 
характеризуються значним розкидом діаметрів (8–22 мкм), тоді як тромбоцити в 
потоці крові мають дископодібну форму з діаметром 2–4 мкм. У нормі кров 
містить (4–5)·10⁶ мм⁻³ еритроцитів, що приблизно в 10–20 разів більше, ніж 
кількість тромбоцитів ((2–3)·10⁵ мм⁻³), і в 30–50 разів більше, ніж кількість 
лейкоцитів ((4–9)·10³ мм⁻³. Така різна концентрація та геометрія клітин задає 
характер багатократного розсіювання, на фоні якого формується корисний сигнал, 
пов’язаний з концентрацією глюкози. 
Більшість інших клітин організму мають діаметри 5–75 мкм. В 
епідермальному шарі шкіри клітини порівняно великі (середня площа перерізу 
близько 80 мкм²) і доволі однорідні за розміром. Жирові клітини, що містять одну 
краплю ліпідів, котра заповнює майже весь об’єм клітини, відрізняються значним 
 31 
 
розкидом діаметрів – від кількох мікрометрів до 50–75 мкм, а при патологічних 
змінах можуть досягати 100–200 мкм. Нерівномірність розподілу таких клітин та 
їх розмірів додатково впливає на розсіювання оптичного випромінювання у 
підшкірних шарах [9]. 
Внутрішній устрій клітин (ядра, мітохондрії, лізосоми, пероксисоми тощо) 
також суттєво впливає на розсіювання. Ядра мають діаметр близько 5–10 мкм, 
дрібніші органели – порядку десятків нанометрів, а внутрішні структури органел 
– до кількох сотень нанометрів. Більшість таких розсіювальних елементів не є 
сферичними; їх доцільно моделювати витягнутими еліпсоїдами з відношенням 
осей 2–10. Це слід враховувати при чисельному моделюванні переносу 
випромінювання в шарах шкіри, де формується сигнал безконтактного 
вимірювача глюкози [9]. 
Порожнисті органи та покривні структури вистелені епітеліальною 
тканиною з чітко вираженою клітинною будовою, що спирається на шар 
сполучної тканини – строми. У здорових умовах епітелій зазвичай утворює один 
упорядкований шар клітин, діаметр апікальної частини яких (оберненої до 
поверхні) становить 10–20 мкм, а висота – близько 25 мкм. При дисплазії 
епітеліальні клітини проліферують, ядра збільшуються, інтенсивніше 
забарвлюються, і такі зміни є маркерами патологій. Для безконтактного 
оптичного вимірювача важливо, що збільшення оптичної неоднорідності (через 
зміну розмірів та оптичних властивостей клітин і ядер) впливає на характер 
відбитого та розсіяного світла, а отже, на похибку оцінювання концентрації 
глюкози. 
Епідерміс – верхній захисний шар шкіри – також відноситься до 
епітеліальних тканин. Від межі дерма–епідерміс до рогового шару клітини 
поступово втрачають життєздатність; у роговому шарі вони вже мертві (рис. 2.1). 
Клітини рогового шару сильно сплощені, збагачені кератином і щільно 
прилягають одна до одної, формуючи бар’єр від механічних та хімічних впливів. 
Для вимірювача глюкози цей бар’єр виступає додатковим оптичним фільтром, що 
впливає на спектральну чутливість та глибину проникнення випромінювання. 
 32 
 
 
Рисунок 2.1 – Структура епідермісу (епітеліального шару) шкіри 
 
У волокнистих (сполучних) тканинах – рогівці, склері, твердій мозковій 
оболонці, м’язах, міокарді, сухожиллях, хрящах, стінках судин, шарі нервових 
волокон сітківки ока тощо – домінують мікрофібрили та мікротрубочки. Типові 
діаметри циліндричних структурних елементів становлять 10–400 нм, довжина – 
від 10–25 мкм до кількох міліметрів. У судинній стінці, зокрема в артеріях, 
розсіювання зумовлене як волокнами, так і клітинами. М’язові артерії мають три 
шари: внутрішній шар – ендотелій із клітинами діаметром менше 10 мкм; 
середній – щільно упаковані клітини гладкої м’язової тканини діаметром 15–20 
мкм та сполучна тканина (еластин, колаген, ретикулярні волокна, фібробласти). 
Саме в цих шарах проходить кров, у якій вимірюється концентрація глюкози, а 
отже, ці структури визначають джерела розсіювання для фотонів у робочому 
діапазоні довжин хвиль вимірювача. 
М’які тканини загалом складаються з груп щільно упакованих клітин та 
волокон, пронизаних міжклітинною (інтерстиціальною) рідиною. На 
мікроскопічному рівні компоненти біотканин плавно переходять один в одного, 
утворюючи безперервне середовище з просторово змінним показником 
 33 
 
заломлення [9]. Для побудови фізичної моделі безконтактного вимірювача 
глюкози це означає, що оптичні властивості необхідно описувати статистично, 
через ефективні коефіцієнти поглинання, розсіювання та анізотропії, а не через 
ідеалізовані однорідні шари.  
 
2.2. Оптичні властивості біологічних об’єктів 
Сучасні оптико-електронні методи діагностики значно розширили 
можливості неінвазивного контролю фізіологічних параметрів, зокрема глюкози в 
крові, шляхом аналізу відбитого або пропущеного випромінювання [4, 8, 9, 11]. 
Принцип дії таких вимірювачів базується на взаємодії випромінювання з 
біотканинами – розсіюванні, відбитті та поглинанні. Інтенсивність цих процесів 
визначається пігментацією шкіри, вмістом крові та її компонентів, а також 
структурою колагенового матриксу, який задає траєкторії руху фотонів у зоні 
опромінення. 
У шкірі поглинання зумовлене, головним чином, хромофорами: меланіном, 
білірубіном, β-каротином і гемоглобіном. Меланін – базовий пігмент епідермісу й 
ключовий хромофор цього шару. Саме він формує основний внесок у сумарне 
поглинання рогового шару та епідермісу. На рисунку 2.2 наведено спектр 
поглинання меланіну в епідермісі людини. 
 
Рисунок 2.2 – Спектр поглинання меланіну 
 34 
 
 
Для синтезу принципу дії безконтактного вимірювача глюкози важливо 
оцінювати оптичну густину епідермісу, яка залежить від кількості меланіну в 
базальному шарі. Вона визначається за формулою (2.1): 
OD  μmel he ,      (2.1) 
де μmel  – коефіцієнт поглинання меланіну, he – товщина епідермісу. Залежно від 
фототипу шкіри частка меланіну в базальному шарі може змінюватись від 1,5 до 
43%, що суттєво впливає на спектральну прозорість шкіри [9]. 
На відміну від епідермісу, дерма має іншу структуру та склад, а її 
коефіцієнт розсіювання є вищим на коротких довжинах хвиль. Оскільки 
розсіювання визначає глибину проникнення випромінювання, довші хвилі в дермі 
проникають глибше, ніж коротші. Це пов’язано з тим, що меланін ефективніше 
поглинає випромінювання саме в короткохвильовій ділянці. На рисунку 2.3 
показано схему розповсюдження оптичного випромінювання в шарах шкіри. 
 
Рисунок 2.3 – Розповсюдження оптичного випромінювання в шкірі людини 
 
Після падіння на поверхню шкіри частина випромінювання відбивається на 
межі «повітря – роговий шар» через різницю показників заломлення, формуючи 
дзеркальне (спекулярне) відбиття. Решта (близько 93–96%) проходить у епідерміс. 
У цьому шарі світло майже не розсіюється, але активно поглинається меланіном. 
 35 
 
У дермі випромінювання піддається багаторазовому розсіюванню на колагенових 
волокнах і поглинається гемоглобіном. 
Гемоглобін має виражені піки поглинання при 280, 420, 540 і 580 нм, з 
пороговою довжиною хвилі близько 600 нм. Важливо, що меланін і гемоглобін 
демонструють складну спектральну картину в діапазоні 400–600 нм, тоді як у 
ближній інфрачервоній (БІЧ) області їх поглинання, як і поглинання води, значно 
менше [9]. У діапазоні 600–1300 нм формується так зване «терапевтичне вікно», у 
якому випромінювання проникає в тканини найглибше завдяки поєднанню 
низького поглинання і значного розсіювання. При довжинах хвиль понад 1500 нм 
головним поглинальним центром стає вода. На рисунку 2.4 подано залежності 
коефіцієнтів поглинання та глибини проникнення випромінювання в тканину від 
довжини хвилі, що демонструють максимальну глибину саме в області 
терапевтичного вікна. Саме тому для фотоплетизмографічних та суміжних 
оптичних методів контролю глюкози широко застосовують діодні лазери та 
світлодіоди в червоному та ближньому ІЧ-діапазоні [4, 9]. 
 
Рисунок 2.4 – Коефіцієнт поглинання та глибина проникнення оптичного 
випромінювання у воді, гемоглобіні та меланіні залежно від довжини хвилі 
 
 36 
 
За дії електромагнітного поля пружно заряджені частинки в тканинах 
здійснюють вимушені коливання. Якщо частота цих коливань збігається з 
частотою падаючої хвилі, реалізується резонанс і спостерігається інтенсивне 
поглинання; у протилежному випадку переважає розсіювання. Однією з основних 
причин розсіювання є мікроскопічні неоднорідності показника заломлення. 
Оскільки шкіра є сильно розсіювальним середовищем, когерентні фотони 
багаторазово змінюють напрямок руху, що призводить до значного кутового 
розмивання початкового променя. Вторинне випромінювання, сформоване після 
численних актів розсіювання, стає некогерентним, широкосмуговим і практично 
неполяризованим. 
На відміну від первинного променя, вторинне випромінювання здатне 
проникати в тканину на значно більшу глибину: його ослаблення на одиницю 
глибини приблизно в 10 разів менше, ніж для первинного. Після багатократного 
розсіювання частина фотонів повертається на поверхню під різними кутами, 
формуючи дифузно відбите випромінювання. Ймовірність такого зворотного 
розсіювання зростає зі збільшенням кількості актів розсіювання. Залежно від 
довжини хвилі початкового випромінювання частка зворотно розсіяної енергії 
може досягати 30–40 % від енергії падаючого променя. Саме ця компонента є 
найбільш інформативною для безконтактного оптичного вимірювача глюкози, 
оскільки несе інформацію про метаболічний, фізіологічний та структурний стан 
тканин. 
Важливою характеристикою розсіювальних середовищ є анізотропія, що 
описується фактором анізотропії g – середнім косинусом кута розсіювання. Для 
більшості непрозорих біотканин g лежить у межах 0,7…0,95 [9]. Залежність g для 
шкіри (епідерміс + дерма) може бути наближено описана емпіричним 
співвідношенням (2.2): 
    (2.2)   
Залежність коефіцієнта розсіювання шкіри від довжини хвилі описується 
виразом (2.3): 
 37 
 
3
λ 
μs (λ)   μs (λ0) ( ) 2  .        (2.3)   
700 
У табл. 2.1 наведено приклади оптичних коефіцієнтів рогового шару, 
епідермісу та дерми людини in vitro на різних довжинах хвиль. Поглинання та 
розсіювання в тканинах характеризуються коефіцієнтами μa (поглинання) та μs 
(розсіювання). Вони визначають ступінь зменшення інтенсивності 
випромінювання залежно від довжини оптичного шляху в досліджуваній ділянці. 
Обернено розсіяні фотони, що виходять на поверхню, дозволяють 
реконструювати інформацію про внутрішню структуру тканин, зокрема судинну 
мережу, де міститься глюкоза. Такі зображення можуть отримуватися часовими, 
частотними та стаціонарними методами, що застосовуються для візуалізації змін 
внутрішньої структури тканин і виявлення патологій (у т. ч. пухлинних процесів) 
[9, 10, 11]. 
 
Таблиця 2.1 – Оптичні властивості шкіри людини in vitro 
 
 38 
 
Шкіра – складне багатошарове середовище з розгалуженою системою 
кровоносних судин, у яких безперервно рухається кров. На розповсюдження 
випромінювання впливають колір шкіри, мікронеоднорідності, волосяний покрив 
тощо, що ускладнює аналітичний опис взаємодії оптичного поля з біотканинами. 
Для адекватного опису залучають різні фізико-математичні моделі, орієнтовані на 
конкретні геометрії, спектральні діапазони та умови опромінення [8, 9]. 
Аналітичний опис процесів поглинання й розсіювання можна вести двома 
основними підходами: на базі рівнянь Максвелла (аналітична теорія) та на основі 
теорії переносу випромінювання. Перша забезпечує високий рівень строгості, 
однак практично не дозволяє отримати замкнені рішення для реальних 
багатошарових, анізотропних тканин. Натомість теорія переносу описує рух 
фотонів у поглинально-розсіювальному середовищі без прямого використання 
рівнянь Максвелла, що робить її придатною для розроблення прикладних моделей 
неінвазивних біомедичних сенсорів [9, 12]. 
Стаціонарне рівняння переносу випромінювання можна записати у вигляді: 
I (r ,s) μ
 μ t I (r ,s)  s
 I (r ,s) p(s,s)dω  S(r ,s) ,   (2.4) 
s 4
4
де μ t μ a μ s – повний коефіцієнт затухання; μa – коефіцієнт поглинання; μs – 
коефіцієнт розсіювання; p(s,s′) – фазова (розсіювальна) функція; S(r,s′) – функція 
джерел; dω′ – елемент тілесного кута вздовж напрямку одиничного вектора s′. 
Середовище вважається оптично однорідним у межах заданої області, тому його 
параметри не залежать від координати r. Для моделювання поширення 
випромінювання в шкірі при розробленні безконтактного вимірювача глюкози 
найчастіше застосовують підходи, що базуються на рівнянні переносу: теорію 
Кубелки–Мунка, дифузійне наближення та метод Монте-Карло [9, 12]. 
Теорія Кубелки–Мунка. У теорії Кубелки–Мунка встановлюється зв’язок 
між коефіцієнтами пропускання та поглинання в дифузно розсіювальному 
середовищі. Вона використовує спрощений варіант рівняння переносу, 
представлений через два параметри – коефіцієнти розсіювання μs та поглинання 
μa. Передбачається, що поле всередині середовища є дифузним, і дифузний потік 
 39 
 
розщеплюється на два протилежно спрямовані потоки, які описуються системою 
диференціальних рівнянь (2.5): 
L1  SкмL1  AкмL1  SкмL2;
z
,     (2.5) 
L2  SкмL2  AкмL2  SкмL1
z
де Aкм та Sкм – коефіцієнти Кубелки–Мунка поглинання та розсіювання 
дифузійного потоку відповідно (Aкм = 2μa, Sкм = μs); z – координата вздовж 
середнього напрямку поширення падаючого випромінювання. Ця теорія дає змогу 
виконувати якісний аналіз спектральних властивостей шкіри, однак має 
обмеження: вона не придатна, коли розсіювання істотно переважає поглинання, а 
також орієнтована на одномірну геометрію, що знижує її точність для реальних 
вимірювачів глюкози, де геометрія опромінення та прийому складніша. 
Дифузійна теорія. Через складність структури біотканини точні аналітичні 
розв’язки рівняння переносу зазвичай недосяжні. Тому використовують 
дифузійне наближення, у якому розсіювання та фазова функція об’єднуються в 
один параметр – коефіцієнт ослаблення розсіювання. Для потоку фотонів, що 
поширюються в однорідному середовищі, записують рівняння дифузії (2.6): 
2 μ S(r)
                             ψ(r)   ψ(r)   ,             (2.6)   
D D
де ψ(r)  – швидкість потоку фотонів у точці r; S(r) – функція джерела, визначена 
оптичними параметрами середовища; D – коефіцієнт дифузії, який обчислюється 
за формулою (2.7): 
D  1  (μ  (1 g)1
α μs ) .     (2.7) 
3
Моделі на основі дифузійної теорії дозволяють отримувати аналітичні 
розв’язки рівняння переносу з відносно простим чисельним впровадженням та 
слабкими обмеженнями щодо форми зразка. Проте такі моделі коректні лише 
тоді, коли ймовірність розсіювання значно перевищує ймовірність поглинання, 
що добре виконується для червоної та ближньої ІЧ-областей, де працюють 
 40 
 
оптичні вимірювачі глюкози [4, 9]. Якщо ж μa порівнянний з μs, точність 
дифузійного наближення різко погіршується. 
Метод Монте-Карло. Метод Монте-Карло ґрунтується на статистичному 
моделюванні проходження випромінювання через випадково неоднорідне 
середовище шляхом відстеження великої кількості траєкторій фотонів. Кожен 
фотон послідовно розсіюється та (або) поглинається, поки не буде повністю 
втрачений (поглинений) або не вийде з зразка. Таким чином, випадкове блукання 
фотонів у зразку шкіри моделюється від моменту входу до моменту виходу чи 
поглинання. 
Імітаційне моделювання за методом Монте-Карло має низку переваг: 
– можна використовувати довільну розсіювальну матрицю, у т. ч. 
експериментально отримані індикатриси з різко вираженим переднім 
максимумом; 
– допускається будь-яка кількість детекторів без істотного збільшення 
обчислювальних витрат; 
– легко враховується складна геометрія зразка, коли освітленість залежить не 
лише від оптичної глибини, а й від поперечних координат. 
Сутність методу полягає у врахуванні всіх актів розсіювання та поглинання 
на оптичному шляху фотона через непрозоре середовище. Для моделювання 
поглинання кожному фотону надається ваговий коефіцієнт, який зменшується при 
кожному проходженні ділянки середовища з певними μa та μs. 
Метод Монте-Карло широко використовується в тканинній оптиці [9, 12]. 
Моделі на його основі досить просто реалізуються програмно, є гнучкими й 
придатними для аналізу складних структур шкіри, характерних для зон 
розміщення безконтактних сенсорів глюкози (пальці, долоні, вушні раковини 
тощо). Теоретично точність розв’язку можна підвищувати довільно, збільшуючи 
число фотонів N (похибка спадає пропорційно 1/N). На відміну від дифузійних 
моделей, метод Монте-Карло майже не обмежений щодо геометрії та діапазону 
оптичних параметрів, однак потребує значних обчислювальних ресурсів. З огляду 
на розвиток високопродуктивних обчислювальних систем, це обмеження стає 
 41 
 
дедалі менш суттєвим і робить цей підхід базовим для верифікації принципу дії та 
технічних рішень безконтактних вимірювачів глюкози [9, 11, 12]. 
 
2.3. Особливості вибору оптичного джерела для вимірювача глюкози 
Ключовим етапом розроблення принципу дії та технічної реалізації 
безконтактного вимірювача глюкози є вибір довжини хвилі оптичного джерела та 
типу випромінювача. Спектр поглинання глюкози в крові є багатосмуговим: в 
області видимого та інфрачервоного діапазонів присутні характерні максимуми, 
за амплітудою яких можна визначати концентрацію глюкози [4]. На рисунку 2.5 
показано типовий спектр оптичного поглинання глюкози в крові. 
 
Рисунок 2.5 – Оптичний спектр поглинання глюкози у крові людини 
 
Для обґрунтування вибору довжини хвилі проаналізуємо поняття 
коефіцієнта поглинання. Під коефіцієнтом поглинання розуміють кількісну 
характеристику зменшення інтенсивності випромінювання при проходженні через 
середовище. Цей параметр описує згасання хвиль різної фізичної природи – 
оптичних, акустичних тощо [12]. 
Коефіцієнт поглинання не вимірюють безпосередньо; його визначають, 
порівнюючи інтенсивність падаючого випромінювання з інтенсивностями 
 42 
 
відбитого та такого, що пройшло крізь зразок. Якщо розглядати тонкий шар 
середовища, енергія, поглинута в цьому шарі, пропорційна інтенсивності I 
падаючого випромінювання та товщині шару dx. Звідси випливає диференціальне 
рівняння (2.8): 
dI  αIdx ,      (2.8) 
де α – лінійний коефіцієнт поглинання, що залежить від природи речовини та 
довжини хвилі. Знак «–» відображає спадання інтенсивності зі збільшенням 
товщини поглинаючого шару. Після відокремлення змінних отримаємо (2.9): 
dI
 αdx .      (2.9) 
I
Інтегрування призводить до рівняння (2.10): 
I d
dI
  αdx .      (2.10) 
I
I0 0
Розв’язок (2.10) набуває вигляду (2.11): 
αd
                                I  I0e               (2.11)   
Ця залежність описує закон Бугера–Ламберта–Бера, який широко 
застосовують у фотометричних і спектрофотометричних методах, зокрема в 
оптичних глюкометрах [4, 12]. Визначений таким чином коефіцієнт поглинання 
вимірюється в см⁻¹ й залежить від частоти (або довжини хвилі) випромінювання. 
Особливо сильне поглинання спостерігається поблизу резонансних частот 
процесів, що відбуваються в середовищі (коливальні, обертальні та електронні 
переходи). 
Для розчинів встановлено, що при проходженні світла через прозорий 
розчинник із розчиненою речовиною коефіцієнт поглинання α пропорційний 
молекулярній концентрації С₀ поглинаючої речовини: 
                                              α  α0 С0 ,              (2.12)   
де α₀ – коефіцієнт пропорційності, який залежить від природи розчиненої 
речовини й не залежить від її концентрації в діапазоні малих концентрацій. З 
 43 
 
урахуванням (2.12) закон Бугера–Ламберта для газів і розбавлених розчинів 
можна подати у вигляді (2.13) [12]: 
α0С0dI  I0e .      (2.13) 
Ці співвідношення лежать в основі принципу дії безконтактних оптичних 
вимірювачів глюкози: зміна концентрації глюкози призводить до зміни 
коефіцієнта поглинання на вибраній довжині хвилі, а отже, до вимірюваної зміни 
інтенсивності відбитого чи пропущеного сигналу [4, 26]. 
У ближньому ІЧ-діапазоні спектр поглинання глюкози має три виражені 
максимуми – приблизно 840, 940 та 1045 нм, тоді як максимум поглинання води 
спостерігається поблизу 960 нм [4, 9]. Серед цих максимумів для неінвазивного 
вимірювача найбільш доцільним є максимум поглинання глюкози при 940 нм: 
– на цій довжині хвилі вплив власного поглинання шкіри та води, що міститься в 
різних її шарах, є меншим; 
– наявні інші компоненти крові та тканин менше заважають реєстрації сигналу, 
пов’язаного з глюкозою; 
– промисловість випускає широкий асортимент ІЧ-світлодіодів і фотоприймачів 
саме в діапазоні 940 нм, що спрощує технічну реалізацію [4, 8, 9]. 
Таким чином, для розроблюваного безконтактного вимірювача глюкози 
доцільно використовувати ІЧ-світлодіод з λ≈940 нм. Інфрачервоне 
випромінювання проходить крізь біологічний об’єкт (наприклад, фалангу пальця), 
частково поглинаючись глюкозою пропорційно її концентрації, а частина 
відбитого чи пропущеного світла реєструється фотоприймачем. Основна 
проблема практичної реалізації полягає в низькій амплітуді таких змін на фоні 
значного розсіювання й шумів, тому оптичний сигнал потребує підсилення та 
фільтрації перед подальшою обробкою мікроконтролером [4, 8, 11, 26]. 
Структурну схему мікроконтролерної системи вимірювача глюкози 
наведено на рисунку 2.6. 
У розроблюваному пристрої як оптичне джерело використовується ІЧ-
світлодіод LTE-209 (див. додаток Б) з довжиною хвилі 940 нм. На рисунку 2.7 
 44 
 
подано залежність інтенсивності випромінювання цього світлодіода від кута 
випромінювання. 
 
 
 
Рисунок 2.6 – Структурна схема мікроконтролерної системи 
 
 
Рисунок 2.7 – Залежність інтенсивності випромінювання від кута (LTE-209) 
 
Ширина діаграми спрямованості (кут світіння) не перевищує 16°, що є 
достатнім для реалізації компактного оптичного каналу, у якому випромінювач і 
фотоприймач розміщені поруч. Така геометрія важлива для мінімізації прямої 
засвітки фотоприймача світлом від світлодіода та підвищення чутливості до 
випромінювання, що пройшло крізь тканину або було в ній розсіяне. Це створює 
передумови для побудови ефективного, технічно простого і відносно дешевшого 
 45 
 
безконтактного вимірювача глюкози, в якому оптичний канал інтегрується з 
мікроконтролерною платформою та алгоритмами цифрової обробки сигналів [26]. 
 
Висновки до розділу 2 
Показано, що реальна мікроструктура біологічних тканин (кров, епідерміс, 
дерма, сполучні та м’які тканини) формує просторово неоднорідне розсіювальне 
середовище, в якому геометрія клітин, їх органел та волокнистих структур 
безпосередньо визначає глибину проникнення випромінювання та 
інформативність сигналу безконтактного вимірювача глюкози [8, 9, 11]. 
Встановлено, що спектральні особливості поглинання основних хромофорів 
шкіри (меланіну, гемоглобіну, води) зумовлюють існування «терапевтичного 
вікна» в діапазоні 600–1300 нм, у якому забезпечуються максимальна глибина 
проникнення та найкращі умови для оптичного неінвазивного контролю 
концентрації глюкози в крові [4, 9, 10, 11]. 
Розроблено узагальнений підхід до моделювання поширення оптичного 
випромінювання в багатошаровій шкірі, що поєднує використання рівняння 
переносу випромінювання, теорії Кубелки–Мунка, дифузійного наближення та 
методу Монте-Карло, що дає змогу адекватно відтворювати процеси розсіювання 
і поглинання в ділянках розташування безконтактних сенсорів глюкози [9, 11, 12]. 
Обґрунтовано, що оптимальною для реалізації принципу дії безконтактного 
вимірювача глюкози є довжина хвилі λ≈940 нм, оскільки на цій частоті 
спостерігається виражений максимум поглинання глюкози за одночасного 
зменшення впливу поглинання шкіри, води та інших компонентів біотканини, що 
забезпечує підвищення чутливості й селективності вимірювань [4, 8, 9, 26]. 
Сформовано технічні вимоги до оптичного каналу безконтактного 
вимірювача глюкози, зокрема до вибору випромінювача (ІЧ-світлодіод LTE-209 з 
λ = 940 нм, обмеженим кутом випромінювання ≈16°) та фотоприймача, а також до 
необхідності підсилення й фільтрації слабких відбитих сигналів у 
мікроконтролерній системі, що створює передумови для практичної реалізації 
компактного та маловартісного вимірювального пристрою [4, 8, 11, 13, 26]. 
 46 
 
РОЗДІЛ 3 
МАТЕМАТИЧНИЙ ОПИС І СИНТЕЗ  
АЛГОРИТМУ ОБРОБЛЕННЯ СИГНАЛІВ 
 
3.1. Теоретичне обґрунтування та проєктування експериментального 
стенда 
Для математичного опису алгоритму оброблення сигналів, що формуються 
оптичним давачем у процесі неінвазивного вимірювання глюкози, розглянемо 
послідовно модель поширення випромінювання в біотканинах, перетворення 
оптичного сигналу у електричний, а також етапи цифрової обробки та валідації 
результатів. 
Інтенсивність світлового потоку, що проходить крізь досліджуваний об’єкт, 
визначається співвідношенням  
Ig  I0 e(KS kC)d
,       (3.1) 
яке задає залежність вихідної інтенсивності від коефіцієнта ослаблення на 
довжині хвилі 940 нм та геометричних параметрів середовища (рисунки 2.5, 3.1). 
Узагальнений коефіцієнт ослаблення на цій довжині хвилі моделюється як сума 
внесків основних оптоактивних компонентів тканин згідно з: 
KS  KОГ  KM  KГ ,      (3.2) 
л
KОГ = 0,3 103( ) – коефіцієнт ослаблення оксигемоглобіну, 
 моль  м
3 л
KM  = 0,2 10 ( ) – коефіцієнт ослаблення меланіну, 
моль  м
л
KГ  = 0,09 103( ) – коефіцієнт ослаблення гемоглобіну. 
моль  м
Внесок білірубіну за даної довжини хвилі є малим і в моделі ним можна 
знехтувати, оскільки відповідний коефіцієнт ослаблення наближається до нуля 
[9–11]. Такий підхід узгоджується із сучасними моделями оптичних властивостей 
біотканин, що використовуються в біомедичних системах оптичної діагностики 
[8–10]. 
 47 
 
На основі (3.1)–(3.2) виконано розрахунок інтенсивності світла, що пройшло 
крізь об’єкт, для різних концентрацій глюкози у крові. Узагальнені результати 
подано в таблиці 3.1 (повна версія наведена в додатку Д), де для кожного 
значення концентрації глюкози вказано відповідну інтенсивність 
випромінювання, опір чутливого елемента та напругу на виході вимірювальної 
схеми. Такий формат подання даних є стандартним для аналізу оптичних 
біосенсорів глюкози [4, 8]. 
Розподіл внесків окремих пігментів у сумарне ослаблення випромінювання 
на різних довжинах хвиль проілюстровано на рисунку 3.1, де подано молярні 
спектри ослаблення розчинів ДОФА-меланіну, оксигемоглобіну, гемоглобіну та 
білірубіну. Ці спектральні характеристики є основою для обґрунтованого вибору 
робочої довжини хвилі, чутливої до змін оптичних властивостей крові при зміні 
концентрації глюкози [8–11]. 
 
Рисунок 3.1 – Молярні спектри ослаблення розчинів основних пігментів 
шкіри людини: 1 – ДОФА-меланін; 2 – оксигемоглобін; 3 – гемоглобін;  
4 – білірубін 
 
Подальший математичний опис алгоритму потребує встановлення зв’язку 
між інтенсивністю світла I, що падає на фоторезистор, та його опором R. Відомо, 
що за рахунок внутрішнього фотоефекту концентрація вільних носіїв заряду n у 
 48 
 
напівпровідниковому матеріалі є пропорційною потоку фотонів, тобто 
інтенсивності світла I. Опір фоторезистора R, за незмінної геометрії, 
пропорційний питомому опору ρ (R ~ ρ), а питомий опір, у свою чергу, обернено 
пропорційний концентрації вільних носіїв (ρ ~ 1/n). Отже, опір R є обернено 
пропорційним до інтенсивності випромінювання, що падає на давач: ��∼1/��. 
Таке узгоджується з типовими моделями напівпровідникових фоточутливих 
елементів, що застосовуються в оптичних сенсорах медичного призначення [4, 8, 
12]. 
Числові значення опору та напруги, отримані із зазначеної моделі, наведені 
у таблиці 3.1. 
 
Таблиця 3.1 – Результати розрахунків 
Концентрація Інтенсивність світла, що Напруга на виході 
Опір у схемі 
глюкози у крові, пройшло крізь об'єкт схеми 
ммоль/л Вт/м2 Ом 
 В 
2 0,0284 58,951 1,326 
3 0,0276 60,428 1,360 
4 0,0269 61,942 1,394 
5 0,0261 63,494 1,429 
6 0,0254 65,085 1,464 
7 0,0247 66,716 1,501 
8 0,0241 68,388 1,539 
 
Зі специфікації фоторезисторного давача VT935G (див. додаток Г) відомо, 
що на логарифмічній шкалі залежність між освітленістю та електричним опором 
давача наближається до лінійної (рисунок 3.2). Це дозволяє інтерпретувати 
характеристику у вигляді прямої з певним коефіцієнтом нахилу (γ-фактором) 
після логарифмування вхідної (освітленість) та вихідної (опір) величин. У 
випадку VT935G γ-фактор дорівнює 0,9. 
Для даного фоторезистора відома опорна точка характеристики: при 
освітленості ���� =10 lx опір становить ���� = 18,5 кОм. Таким чином, маючи одну 
опорну точку та γ-фактор, можна аналітично задати залежність опору від 
довільного значення освітленості. Відповідний вираз подано у: 
 49 
 
log(R / R)
γ  T .                                                    (3.3) 
log(I / IT )
log(RT / R)  γ  log(I / IT )  log(R)  γ  log(I / IT )  log(R T ).  (3.4) 
де з рівняння (3.4) виділяється опір R як функція освітленості I: 
γlog(I /IT)log(R )
R 10 T .       (3.5). 
 
Рисунок 3.2 – Взаємозв’язок між освітленістю та електричним опором 
фоторезистора VT935G 
 
Отримана залежність дозволяє, знаючи значення освітленості або 
інтенсивності світла, що падає на фоточутливий елемент, обчислити його 
миттєвий опір і використати цей результат як вхідний сигнал для подальшого 
програмного перетворення. На основі (3.5) було повторно розраховано значення 
2,39
опору: R  . Ці дані узгоджуються з даними таблиці 3.1, а в середовищі 
I 0,9
Mathcad 14 побудовано графік залежності опору фоторезистора від інтенсивності 
випромінювання (рисунок 3.3). 
 
Рисунок 3.3 – Залежність опору фоторезистора від інтенсивності 
випромінювання 
 50 
 
Додатково на базі цих розрахунків сформовано графік теоретичної 
залежності концентрації глюкози у крові від напруги на виході вимірювальної 
схеми (рисунок 3.4), що є безпосередньою передавальною характеристикою 
вимірювального каналу «оптичний сигнал – електричний сигнал – концентрація 
глюкози» [4, 18, 21]. 
 
Рисунок 3.4 – Теоретична залежність концентрації глюкози (ммоль/л) від 
напруги (В) 
 
Перетворення опору фоторезистора в напругу, придатну для оцифрування 
мікроконтролером Arduino Uno, реалізується за допомогою дільника напруги 
(рисунок 3.6).  
 
Рисунок 3.5 – Функціональна схема пристрою 
 51 
 
Схема складається з двох послідовно з’єднаних резисторів номіналом 100 
кОм та 10 кОм. Верхній резистор R1 приєднано до виходу вимірювальної схеми 
(напруга Uвх), а з середньої точки знімається вихідна напруга Uвих, яка подається 
на аналоговий вхід A0 мікроконтролера. 
Оскільки струм через послідовно з’єднані резистори однаковий, згідно із 
законом Ома він визначається співвідношенням  
U
I  вх .      (3.6) 
R1  R2
Вихідна напруга на резисторі, що вимірюється, обчислюється за формулою  
R
U  I R 2
вих 2 Uвх  .     (3.7) 
R1  R2
Ці вирази утворюють математичну модель аналогового тракту перетворення 
опору в напругу, яка використовується далі при калібруванні та обчисленні 
реальних значень напруги в програмному забезпеченні [12, 13]. 
 
Рисунок 3.6 – Схема дільника напруги 
 
Arduino Uno, побудована на мікроконтролері ATmega328, має 6 аналогових 
входів із 10-розрядним АЦП, що забезпечує перетворення напруги в діапазоні 0–5 
В в цілочисловий код 0–1023 [13]. Для коректної інтерпретації вимірювань 
необхідно врахувати реальну опорну напругу живлення плати. В експерименті 
 52 
 
напруга між виводами 5V та GND становила 4,95 В, тому при перерахунку коду 
АЦП у напругу використовується вираз виду Vout = (value⋅4,95) / 1024,0. 
Подальше відновлення дійсного значення напруги на вимірювальній схемі 
виконується з урахуванням коефіцієнта дільника (формула (3.2) вихідного тексту, 
на яку збережено посилання). 
Arduino Uno містить три типи пам’яті мікроконтролера ATmega328 [13]: 
– флеш-пам’ять (32 кБ) – для зберігання машинного коду (скетча), 
– ОЗП (SRAM, 2 кБ) – для роботи зі змінними під час виконання програми, 
– EEPROM (1 кБ) – енергонезалежна пам’ять для збереження постійної або 
архівної інформації. 
Для реалізації алгоритму оброблення сигналів у даній роботі використано 
EEPROM для збереження виміряних значень глюкози, що дає змогу здійснювати 
довготривале накопичення даних без втрати інформації при вимкненні живлення. 
Для роботи з цією пам’яттю залучено бібліотеку EEPROM та функції write() і 
read(), які забезпечують запис та зчитування відповідних байтів даних. 
Виведення результатів на інтерфейс оператора реалізовано засобами LCD-
дисплея з інтерфейсом I2C, для роботи з яким у програмі підключається 
бібліотека #include <LiquidCrystal_I2C.h>. Використання інтерфейсу I2C дозволяє 
зменшити кількість необхідних ліній зв’язку, що спрощує апаратну частину та 
підвищує масштабованість системи [14, 15]. 
 
3.2. Структурний синтез алгоритму та його програмна реалізація 
На основі результатів математичного моделювання, наведених у пункті 3.1 
(формули (3.1)–(3.7), таблиця 3.1, рисунки 3.1–3.6), синтезовано алгоритм 
оброблення сигналу, який реалізує повний цикл перетворення «оптичний сигнал – 
код АЦП – концентрація глюкози». Блок-схему алгоритму подано на рисунку 3.7. 
 53 
 
  
Рисунок 3.7 – Алгоритм оброблення сигналу 
 
Структурно алгоритм включає такі групи операцій: 
– Операційні (обчислювальні) блоки ( ) – реалізують математичні 
перетворення: масштабування аналогового коду в напругу, врахування дільника 
 54 
 
напруги, застосування калібрувальної характеристики «напруга – концентрація 
глюкози», відфільтровування випадкових коливань сигналу. 
– Блоки розгалуження (умовні оператори) ( ) – здійснюють вибір напряму 
подальшого виконання алгоритму залежно від поточного значення напруги або 
концентрації глюкози, зокрема порівняння з пороговими рівнями для 
формування попереджень або діагностичних повідомлень [14, 34, 35]. 
– Блоки введення/виведення ( ) – відповідають за прийом сигналу з 
аналогового входу мікроконтролера, обмін даними з EEPROM, а також 
відображення результатів на LCD-дисплеї та передавання їх до ПК через 
послідовний інтерфейс. 
Такий підхід узгоджується з класичною методологією побудови алгоритмів 
та програмних структур для задач вимірювання і керування [14, 15, 34]. 
Окремим етапом є калібрування вхідних даних з урахуванням фактичної 
опорної напруги (4,95 В), параметрів дільника та характеристик фоторезистора 
згідно з (3.3)–(3.5). Після цього формується оцінка концентрації глюкози, яка 
зберігається у EEPROM та, за потреби, може бути використана для подальшої 
статистичної обробки та прогнозування динаміки глікемії [18–21, 34, 35]. 
 
3.3. Експериментальне підтвердження функціональності 
розроблюваного алгоритму 
Для верифікації запропонованого математичного опису та алгоритму 
оброблення сигналів проведено експериментальне порівняння результатів 
вимірювань, отриманих розробленим оптичним пристроєм, із показами 
еталонного глюкометра, що працює на основі електрохімічного методу аналізу. 
Як еталон застосовано глюкометр One Touch Ultra Easy (див. додаток Г), який 
відповідає сучасним вимогам до побутових засобів моніторингу глікемії [1, 2, 16, 
33]. Результати паралельних вимірювань подано в таблиці 3.2. 
 
 55 
 
Таблиця 3.2 – Результати вимірювань 
Результати вимірювання Результати вимірюваня глюкози 
x  
глюкометром One Touch, ммоль/л: розробленим пристроєм, ммоль/л: 
4,9 5 0,1 
5,1 5,3 0,2 
5,4 5,7 0,3 
5,5 5,7 0,2 
5,9 6,1 0,2 
6,9 7 0,1 
7,5 7,5 0 
8,6 8,8 0,2 
Ср = 6,2  Cр = 0,16 
 
Середнє значення глікемії за еталонним глюкометром становить близько 6,2 
ммоль/л, а середня різниця між еталонними показами та результатами 
розробленого пристрою – близько 0,16 ммоль/л. Для кількісної оцінки похибки 
використано поняття абсолютної та відносної похибок. 
Абсолютна похибка визначається формулою: 
Δ�� = ∣��ет − ��вим∣,       (3.8) 
де Xет – значення, отримане з еталонного приладу, а Xвим – результат вимірювання 
розробленим пристроєм. 
Відносна похибка, що характеризує точність у відсотках, обчислюється за 
співвідношенням (3.9) як відношення абсолютної похибки до виміряного 
значення, помножене на 100%. За результатами обчислень відносна похибка 
методу оптичного вимірювання глюкози становить приблизно 2,5% порівняно з 
традиційною електрохімічною методикою. Додатково враховано можливу 
похибку порядку ±0,3%, пов’язану з температурною залежністю параметрів 
фоторезистора [4, 8, 12]. 
Отримана точність узгоджується з вимогами до систем самоконтролю 
глікемії, які регламентують допустимі рівні відхилень для портативних засобів 
вимірювання [16, 17, 33, 36]. 
З метою розширення функціональності вимірювальної системи передбачено 
можливість інтеграції розробленого оптичного вимірювального модуля з 
персональним комп’ютером у вигляді периферійного пристрою. Поєднання 
 56 
 
апаратної частини з програмним модулем аналізу даних дозволяє реалізувати 
автоматизований програмно-апаратний комплекс ранньої діагностики з 
розширеними можливостями оброблення та інтерпретації клінічної інформації 
[18–21, 34, 35]. 
Структурно-функціональну схему такої біотехнічної системи (БТС) 
комп’ютерної діагностики наведено на рисунку 3.8. 
 
Рисунок 3.8 – Структурно-функціональна схема БТС комп’ютерної ранньої 
діагностики 
 
БТС включає: 
– Біологічну підсистему, до якої належать пацієнт та лікар, що ухвалює остаточне 
діагностичне рішення на основі оброблених даних. 
– Підсистему отримання клінічних даних, яка забезпечує відбір проб крові та 
формування первинних глікемічних показників (у тому числі даних 
перорального тесту толерантності до глюкози – ПТТГ) за допомогою 
автоматичного аналізатора глюкози, підключеного до ПК через інтерфейс USB 
[3, 16, 33]. 
– Технічну підсистему, що містить базу даних для зберігання вхідної та вихідної 
інформації, алгоритмічний блок комп’ютерного моделювання, блоки 
 57 
 
діагностики на основі ідентифікаційних лінійних класифікаторів та штучних 
нейронних мереж (ШНМ), а також блок відображення інформації та видачі 
лікарю діагностичних рекомендацій [18–21, 27–29, 34, 35]. 
Принцип роботи БТС полягає в тому, що часовий ряд глікемічних даних 
ПТТГ пацієнта надходить на вхід математичної моделі й алгоритмів оброблення 
сигналів (у тому числі прогностичних моделей глікемії [18–21]). На виході 
отримують набір діагностичних параметрів, які, згідно зі спеціально 
розробленими критеріями, інтерпретуються у вигляді діагностичних висновків і 
рекомендацій для лікаря [16, 17, 33–36]. 
Отже, проблема об’єктивної ранньої діагностики порушень вуглеводного 
обміну за допомогою технічних та алгоритмічних засобів може бути суттєво 
наближена до вирішення завдяки поєднанню адекватного математичного опису 
оптичного каналу, оптимального синтезу алгоритму оброблення сигналів та 
інтеграції отриманих результатів у комплексну біотехнічну систему комп’ютерної 
діагностики нового покоління [4, 8, 16–18, 21, 34–36]. 
 
Висновки до розділу 3 
Показано, що узагальнена модель оптичного ослаблення на довжині хвилі 
940 нм із урахуванням внесків оксигемоглобіну, меланіну та гемоглобіну 
адекватно описує зміну інтенсивності випромінювання через біотканини за різних 
концентрацій глюкози та може бути використана як основа для побудови 
оптичного вимірювального каналу. 
Встановлено аналітичну залежність між освітленістю (інтенсивністю 
світла), опором фоторезистора VT935G та напругою на виході вимірювальної 
схеми, що забезпечує коректне перетворення оптичного сигналу в електричний, 
його оцифрування засобами Arduino Uno та калібрування з урахуванням реальної 
опорної напруги. 
Розроблено структурний алгоритм оброблення сигналів, який реалізує 
повний цикл перетворення «оптичний сигнал – код АЦП – концентрація глюкози» 
з використанням операційних, умовних та ввід/вивід блоків, а також передбачає 
 58 
 
збереження результатів у EEPROM і відображення їх на LCD-дисплеї та/або 
передавання до ПК. 
Обґрунтовано, що експериментальні результати, отримані на розробленому 
стенді, узгоджуються з показами еталонного глюкометра One Touch Ultra Easy, 
причому відносна похибка оптичного методу становить близько 2,5%, що 
відповідає вимогам до систем самоконтролю глікемії та дає змогу інтегрувати 
вимірювальний модуль у біотехнічну систему комп’ютерної діагностики ранніх 
порушень вуглеводного обміну. 
 59 
 
РОЗДІЛ 4 
ІНФОРМАЦІЙНО-АЛГОРИТМІЧНЕ ЗАБЕЗПЕЧЕННЯ ПРОГНОЗУВАННЯ 
РІВНЯ ГЛЮКОЗИ В КРОВІ 
 
4.1. Класифікація математичних моделей передбачення глікемії  
Математичне моделювання біологічних процесів, зокрема регуляції 
вуглеводного обміну, є ключовою складовою сучасних інформаційно-
алгоритмічних систем підтримки прийняття рішень у медицині [18]. Від якості 
математичної моделі та пов’язаних з нею алгоритмів опрацювання даних залежить 
ефективність профілактики, лікування та моніторингу таких хронічних 
захворювань, як цукровий діабет (ЦД) [1–3,16,17,33]. 
Система регуляції концентрації глюкози в крові традиційно розглядається як 
динамічна система «інсулін–глюкоза», в якій виділяють взаємодію підшлункової 
залози, печінки, периферичних тканин та зовнішніх впливів (харчування, фізична 
активність, інсулінотерапія тощо) [18]. Математичні моделі цієї системи 
виступають обчислювальним ядром інформаційно-алгоритмічного забезпечення 
прогнозування глікемії: саме вони генерують прогнозні значення рівня глюкози, 
які надалі використовуються в алгоритмах керування інсуліновою помпою, 
формуванні попереджень та рекомендацій. 
У сучасній літературі виділяють два базові класи моделей концентрації 
глюкози [18]: емпіричні (дано-орієнтовані) моделі; теоретичні (фізіолого-
обґрунтовані) моделі. 
Обидва класи можуть бути включені до складу інформаційно-алгоритмічної 
підсистеми прогнозування й відрізняються тим, як вони описують процеси 
метаболізму глюкози та які саме дані вимагають на вході. 
Емпіричні моделі в структурі інформаційно-алгоритмічної системи. 
Емпірична модель будується на основі аналізу масиву вимірювань без детального 
опису внутрішніх фізіологічних механізмів. У задачі прогнозування глікемії такі 
моделі оперують часовими рядами рівня глюкози, а також додатковою 
інформацією про режим харчування, фізичну активність, інсулінотерапію тощо 
 60 
 
[18,19,24–26]. В інформаційній системі вони реалізуються як алгоритмічні блоки, 
що перетворюють вхідний вектор параметрів у прогноз майбутнього значення 
глюкози. 
Однією з найпоширеніших груп емпіричних моделей є моделі часових рядів, 
зокрема авторегресійні (AR), авторегресійні з зовнішнім входом (ARX) та 
авторегресійні моделі зі змінним середнім (ARMA). Такі моделі використовують 
попередні значення глікемії (а за потреби – й інші змінні) для передбачення 
майбутніх значень. 
Перші систематичні дослідження можливості прогнозування рівня глюкози 
на основі попередніх значень проведено T. Bremer та D. Gough [19]. Вони 
застосували авторегресійну модель (AR) для пацієнтів з ЦД 1-го типу та осіб без 
діабету, розглянувши горизонти передбачення 10, 20 і 30 хв. Показано, що 10-
хвилинний прогноз є достатньо точним, тоді як для 20–30 хв тривалість прогнозу 
прийнятна лише для обмежених наборів даних [19]. 
Подальший розвиток моделей AR відбувався в роботах J. Reifman та співавт. 
[20] і G. Sparacino та співавт. [21]. На основі даних систем безперервного 
моніторингу глюкози (CGM) у групах із 15 та 28 пацієнтів із ЦД 1-го типу 
відповідно були побудовані моделі для передбачення рівня глюкози на горизонти 
30–60 хв [20, 21]. Це забезпечило можливість інтегрувати такі прогностичні модулі 
у інформаційні системи підтримки інтенсивного лікування. 
У роботах T. Van Herpe та співавт. було досліджено використання моделей 
ARX для пацієнтів відділення інтенсивної терапії [22]. Показано, що модель 
другого порядку ARX є оптимальною для 41 пацієнта, а подальша адаптація 
моделі в режимі реального часу дозволяє збільшити горизонт передбачення до 4 
год [23]. У інформаційно-алгоритмічну систему такі моделі вбудовуються як 
адаптивні модулі прогнозування, параметри яких оновлюються за даними 
поточного моніторингу. 
На основі двох різних баз даних (стаціонарні та амбулаторні умови) M. Eren-
Oruklu та співавт. запропонували AR- та ARMA-моделі з невеликою кількістю 
параметрів, орієнтовані на реалізацію у портативних пристроях раннього 
 61 
 
сповіщення про гіпо-/гіперглікемію та для замикання контуру керування 
інсуліновою помпою [24]. Такі компактні моделі є особливо придатними для 
впровадження в ресурсообмежені елементи інформаційно-вимірювальної 
інфраструктури (сенсорні вузли, вбудовані контролери тощо). 
Важливий внесок у розроблення універсальних емпіричних моделей 
зроблено в роботі A. Gani та співавт. [25], де на основі підшкірних CGM-сигналів у 
пацієнтів із ЦД 1-го і 2-го типів побудовано AR-моделі 30-го порядку для 30-
хвилинного прогнозу. Продемонстровано, що прогностична здатність таких 
моделей практично не залежить від типу діабету, віку пацієнта та типу CGM-
пристрою [25], що важливо для розроблення універсального інформаційно-
алгоритмічного модуля прогнозування. 
Окрему групу становлять нелінійні емпіричні моделі, зокрема моделі типу 
блоків Вінера. D. K. Rollins та співавт. побудували модель прогнозування глікемії 
для пацієнтів з ЦД 2-го типу, яка враховує одинадцять змінних: харчування, 
фізичну активність, стрес тощо [26]. Протягом 25 днів амбулаторного 
спостереження було здійснено навчання і валідацію моделі, де 20 днів відведено на 
навчання та 5 днів на тестування. Отримано високу кореляцію між 
прогнозованими та реальними значеннями глюкози [26]. Такий підхід добре 
узгоджується з концепцією кіберфізичної інформаційно-аналітичної системи, що 
інтегрує різні сенсорні потоки. 
Емпіричні моделі також успішно реалізуються на основі штучних нейронних 
мереж (ANN). У [27] W. A. Sandham та співавт. досліджували можливість точного 
прогнозування глікемії у двох пацієнтів із ЦД 1-го типу, використовуючи 
рекурентну нейронну мережу (RANN). На вхід подавалися дані щодо 
інсулінотерапії, раціону, фізичної активності, стресу та супутніх станів [27]. 
Продемонстровано малу похибку між прогнозованими та реальними значеннями 
рівня глюкози. 
У роботі N. Ghevondian та H. Nguyen [28] застосовано ANN із зворотним 
поширенням похибки для пацієнтів, які отримують інсулін, із додатковим 
залученням неінвазивно виміряних параметрів (опір шкіри, частота серцевих 
 62 
 
скорочень). Похибка прогнозу не перевищувала 10% [28], що є прийнятним для 
практичного використання в клінічних інформаційних системах. 
S. G. Mougiakakou і співавт. [29] представили комбінацію компартментних 
моделей і нейронних мереж для опису впливу інсуліну та всмоктування глюкози у 
дітей з ЦД 1-го типу. Динаміка концентрації глюкози описувалась ANN (як 
FFANN, так і RANN із навчанням у реальному часі), а виходи компартментних 
моделей використовувались як вхідні змінні. RANN продемонструвала найкращу 
точність [29], що підтверджує доцільність включення адаптивних нейромережевих 
модулів до складу інформаційно-алгоритмічного забезпечення. 
Разом з тим більшість наведених ANN-моделей навчено на невеликих 
вибірках (1–4 пацієнти), тому їх узагальнюваність потребує додаткового 
дослідження. 
Окремо варто згадати універсальний алгоритм моделювання процесів 
(UPMA), вперше застосований P. Kotanko та співавт. для прогнозу глікемії [30]. 
Двоє пацієнтів протягом 12 місяців реєстрували рівень глюкози, терапію, фізичну 
активність і дієту в електронному щоденнику. Дані попереднього місяця 
використовували для прогнозування глікемії наступного місяця. У більшості 
випадків екстремальні значення глюкози (гіпо- та гіперглікемія) були правильно 
виявлені приблизно у 70% випадків, а коефіцієнт кореляції між прогнозом і 
виміряними значеннями становив 0,45–0,73 [30]. Отже, алгоритми класу UPMA 
можуть розглядатися як компонент інтелектуального модуля прогнозування в 
інформаційній системі. 
Теоретичні моделі, як основа фізіолого-обґрунтованого алгоритмічного 
ядра. Теоретичні моделі ґрунтуються на законах і гіпотезах фізіології та біохімії, 
описуючи обмін глюкози й інсуліну на органному, тканинному, клітинному та 
субклітинному рівнях [18]. В інформаційно-алгоритмічному контексті вони 
виступають як структуровані моделі стану, що дозволяють здійснювати як 
прогноз, так і аналіз чутливості системи до різних впливів. 
За ступенем деталізації теоретичні моделі поділяють на: змішані 
(напівемпіричні); повні теоретичні моделі. 
 63 
 
У змішаних моделях функції різних органів та тканин об’єднуються у 
невелику кількість компартментів, а параметри визначаються з результатів 
клінічних тестів (наприклад, внутрішньовенний або оральний тест толерантності 
до глюкози). Завдяки цьому такі моделі зручні для реалізації у вигляді 
алгоритмічних блоків, які можна ідентифікувати за індивідуальними даними 
пацієнта. 
Повні теоретичні моделі відтворюють детальну фізіологію: розподіл та 
динаміку глюкози й інсуліну в різних органах (печінка, м’язова та жирова тканина 
тощо), окреме моделювання перорального надходження, печінкового кліренсу, 
периферичного захоплення. Вони потребують значних обчислювальних ресурсів, 
але дають можливість будувати більш глибокі алгоритми прогнозування та 
оптимального керування, наприклад для штучної підшлункової залози [18]. 
Першу лінійну модель регуляції глікемії запропонував V. W. Bolie [31]. 
Модель описує зміну концентрацій глюкози й інсуліну за допомогою двох 
звичайних диференціальних рівнянь (ОДУ) та розглядає «узагальнений 
компартмент», що поєднує печінку, підшлункову залозу та периферичні тканини. 
Попри спрощення, ця модель стала відправною точкою для створення більш 
складних алгоритмів. 
Найвідомішою є так звана мінімальна модель R. N. Bergman та співавт. [32]. 
Вона містить три ОДУ, що описують плазмову концентрацію глюкози, плазмову 
концентрацію інсуліну та ефективність інсуліну, і дає змогу обчислити важливі 
фізіологічні показники (чутливість до інсуліну, реактивність підшлункової залози 
тощо) [32]. Завдяки структурній простоті мінімальна модель широко 
використовується як теоретичне ядро в алгоритмах ідентифікації та прогнозування, 
а також як базова модель для численних модифікацій і розширень [18]. 
Сучасні рішення для автоматизованого контролю глікемії. У практичних 
системах інформаційно-алгоритмічне забезпечення прогнозування глюкози 
інтегрується з безперервним моніторингом рівня глюкози (CGMS) та інсуліновими 
помпами, утворюючи контури автоматичного регулювання – так звані системи 
штучної підшлункової залози [20, 21, 33]. 
 64 
 
Типова конфігурація такої системи (рис. 4.1) включає: сенсор CGMS; 
інсулінову помпу; мікрокомп’ютер або контролер, на якому реалізовано алгоритми 
прогнозування глікемії та керування подачею інсуліну. 
 
Рисунок 4.1 – Схематичне уявлення роботи штучної підшлункової залози 
 
Автономна взаємодія моніторингу та помпи у режимі автоматичного 
коригування дози інсуліну за отриманими вимірюваннями відома як система із 
замкненим контуром [20, 21, 33]. Якщо додатково враховуються введені 
користувачем відомості про вуглеводи і фізичну активність, така система 
класифікується як гібридна система із замкненим контуром. 
Суттєвий внесок у розроблення біонічних систем здійснюють компанії 
Medtronic, Animas (Johnson & Johnson), Insulet, Beta Bionics тощо. Перспективною є 
біонічна підшлункова залоза iLet від Beta Bionics, яка поєднує подачу інсуліну та 
глюкагону, вбудований датчик глюкози Dexcom і алгоритми повністю 
автоматизованого дозування. Узгодження роботи таких пристроїв неможливе без 
надійного інформаційно-алгоритмічного забезпечення прогнозу глікемії. 
 
4.2. Прогностична модель глюкози в крові та алгоритм її реалізації 
Для розроблення алгоритмів прогнозування використано базу даних 215 
пацієнтів із гестаційним цукровим діабетом (ГЦД), яка включає: 
– особисті щоденники самоконтролю (харчування, час прийому їжі, харчова 
цінність, тощо); 
 65 
 
– сигнали систем безперервного моніторингу глюкози (CGMS) (48 часових 
рядів). 
Щоденники самоконтролю велися за допомогою мобільного застосунку, 
після чого були експортовані у формат електронних таблиць MS Excel. Фрагмент 
такої таблиці подано на рис. 4.2. 
 
Рисунок 4.2 – Фрагмент щоденника самоконтролю 
 
Вихідний файл містить 37 стовпців, які відображають різні параметри. Для 
задачі прогнозування в інформаційно-алгоритмічну підсистему передаються дані 
про: дату та час прийому їжі; вміст вуглеводів (стовпець «carbo»), білків («prot»), 
жирів («fat»); енергетичну цінність («kkal»). 
Сигнали CGMS містять значення рівня глюкози, виміряні з інтервалом 5 хв 
протягом 7 днів. На рис. 4.3 показано приклад глікемічної кривої, побудованої в 
MATLAB. 
Для використання цих даних у прогностичному алгоритмі необхідно 
забезпечити коректне інформаційне зіставлення щоденників і сигналів CGMS, а 
також сформувати узгоджену таблицю вхідних даних (табл. 4.1), яка стане 
основою для навчання моделей. 
 
 66 
 
 
Рисунок 4.3 – Глікемічна крива за даними CGMS 
 
Алгоритмічна підготовка вхідних даних у середовищі MATLAB. Підготовку 
вихідних даних виконано в середовищі MATLAB, де реалізовано низку скриптів 
для: 
– синхронізації щоденників самоконтролю із сигналами CGMS; 
– відбору репрезентативних фрагментів глікемічних кривих довкола подій 
прийому їжі; 
– заповнення пропусків та формування підсумкової таблиці вхідних змінних. 
 
Таблиця 4.1 – Вхідні дані для прогнозу глікемії 
      BG 
Date Time carbo prot fat kkal i–36 … i … i+12 … i+35 
29.04.2016 20:55 13,2 12 11,7 205,5 4,8 … 5,5 … 5,8 … 5,2 
29.04.2016 21:15 9,7 2,4 4,2 89,1 4,9 … 5,5 … 5,4 … 5,4 
30.04.2016 9:10 58,2 33,9 29,1 638,9 4,7 … 7,2 … 6,4 … 5,6 
30.04.2016 13:40 16,4 24,7 23,2 381,3 5,9 … 5,1 … 5,1 … 5,2 
30.04.2016 16:25 13,5 28,2 11,2 280 5,1 … 5,3 … 5,6 … 4,7 
… … … … … … … … … … … … … 
 
 67 
 
Тут: BGi–36 – рівень глюкози за 36 відліків до прийому їжі (3 години до події);  
BGi – рівень глюкози в момент прийому їжі; BGi+12 – рівень глюкози через годину 
після прийому їжі; BGi+35 – рівень глюкози через 3 години після прийому їжі. 
На першому етапі скрипт співставляє записи CGMS з відповідними 
щоденниками за ідентифікатором пацієнта. Оскільки не всі пацієнти з вказаної 
бази одночасно використовували CGMS, в результуючий набір увійшли дані 48 
пацієнтів з ГСД, для яких були доступні і щоденники, і CGMS-сигнали. 
Другий скрипт реалізує наступну послідовність дій: 
– Зчитування часу чергового прийому їжі з щоденника. 
– Пошук першого значення рівня глюкози після цього часу у сигналі CGMS. 
– Визначення необхідної кількості відліків рівня глюкози до та після прийому 
їжі. 
– Перевірка на достатність даних (чи існує задана кількість відліків до й після 
події). 
– Формування послідовності значень глюкози заданої довжини. 
– Перевірка послідовності на наявність пропусків. 
– Заповнення пропущених відліків (сплайн-інтерполяція). 
– Запис харчової цінності поточного прийому їжі до підсумкової таблиці. 
– Запис вибраної послідовності значень глюкози до підсумкової таблиці. 
– Збереження підсумкової таблиці за умови, що кількість записів не менше 15. 
У результаті формується узагальнена таблиця вхідних даних (табл. 4.1), 
кожний рядок якої відповідає одному прийому їжі. 
Таким чином, формується узгоджений інформаційний масив, який надалі 
використовується як вхід до алгоритмічних модулів машинного навчання. 
Математична постановка задачі регресійного прогнозування. 
Прогнозування рівня глюкози здійснюється за допомогою регресійних моделей, 
параметри яких налаштовуються методами машинного навчання [34,35]. Нехай 
x∈R, D – вектор вхідних змінних (харчова цінність прийому їжі, фрагмент 
глікемічної кривої до події тощо), а t – цільова змінна (рівень глюкози через 
заданий проміжок часу). 
 68 
 
У загальному вигляді регресійна модель має вигляд (формула (4.1)): 
t = y(w, x) + ε,       (4.1) 
де w – вектор параметрів моделі, а ε – випадкова похибка. 
Для лінійної регресії: 
y(w, x) = w₀ + w₁ x₁ + … + wD xD.     (4.2) 
Задача навчання полягає в оцінюванні параметрів w за навчальною 
вибіркою. 
Метод опорних векторів (SVM-регресія). Метод опорних векторів (Support 
Vector Machine, SVM) спочатку був розроблений для класифікації, однак згодом 
отримав розвиток у задачах регресії (SVM-регресія) [34,35]. У контексті 
прогнозування глікемії SVM-регресія дозволяє будувати нелінійні моделі із 
заданою ε-нечутливістю до помилок. 
Функціонал помилки SVM-регресії задається співвідношенням (4.3), де  
C – параметр регуляризації, y – прогноз моделі, t – істинне значення, N – розмір 
тренувальної вибірки, ∥��∥– норма вектора параметрів: 
    (4.3) 
Для обмеження впливу малих помилок використовується ε-нечутлива 
функція втрат, форма якої наведена у (4.4): 
  (4.4) 
Функція (4.4) дорівнює нулю, якщо |y – t| < ε, і зростає лінійно при більших 
відхиленнях. З урахуванням (4.4) функціонал (4.3) набуває вигляду (4.5): 
    (4.5) 
 69 
 
У випадках, коли дані не є лінійно роздільними або нелінійно залежними, 
використовують функцію ядра φ(x), що відображає вхідні дані у простір вищої 
розмірності (формула (4.6)): 
y(w, x) = y(w, φ(x)).      (4.6) 
На рис. 4.4 показано ілюстрацію SVM-регресії для синтетичного 
синусоїдального набору даних: червоною лінією показана регресійна крива, 
затемнена область відповідає ε-нечутливості, зелені точки позначають 
спостереження, сині – опорні вектори. 
 
Рисунок 4.4 – SVM-регресія 
 
Нейронні мережі як нелінійне алгоритмічне ядро прогнозування. Штучні 
нейронні мережі (ANN) моделюють роботу біологічних нейронів і дають змогу 
автоматично виявляти приховані нелінійні залежності між вхідними та вихідними 
змінними [27–29,34]. Найпростіша нейронна мережа складається з нейронів, що 
мають: вхідні сигнали (��1, ��2, …, ����) звагові коефіцієнти ��1, ��2, …, ����; вихід y, 
який обчислюється за формулою (4.7): 
y = F(∑ w_i x_i),      (4.7) 
де F – функція активації. 
 70 
 
 
Рисунок 4.5 – Структура простого нейрона в мережі 
 
У загальному випадку нейромережа може містити один вхідний шар і кілька 
прихованих шарів (багатошарова мережа). Якщо зв’язки спрямовані від входів до 
виходів без зворотних контурів, мережа називається мережею прямого 
поширення. У даній роботі використано мережу прямого поширення з одним 
прихованим шаром як альтернативне алгоритмічне ядро прогнозування глікемії 
[27–29,34]. 
Середовище програмування R та пакет CARET. Для побудови та 
налаштування регресійних моделей використано RStudio – середовище для 
мовного інструменту R (рис. 4.6) [34,35]. У ньому реалізовано: 
– імпорт сформованих таблиць MS Excel з MATLAB; 
– попередню обробку та нормалізацію даних; 
– навчання моделей SVM та ANN; 
– оцінювання точності прогнозу. 
 
Рисунок 4.6 – Екранна форма середовища RStudio 
 71 
 
Пакет CARET (Classification And Regression Training) забезпечує 
уніфікований підхід до навчання моделей, включаючи: 
– розбиття даних на навчальні й тестові підвибірки; 
– попередню обробку (масштабування, нормалізація, відбір ознак); 
– налаштування гіперпараметрів моделей за допомогою перехресної перевірки; 
– оцінку важливості змінних [35]. 
Таким чином формується завершений інформаційно-алгоритмічний 
ланцюжок: MATLAB використовується для формування вхідних наборів, RStudio 
+ CARET – для навчання та оцінювання моделей прогнозування. 
На рис. 4.7 наведено узагальнений алгоритм інформаційно-алгоритмічної 
обробки даних для побудови прогнозу глікемії за архівами щоденників 
самоконтролю та CGMS-сигналами. 
Основні кроки: 
– Зіставлення щоденників та сигналів CGMS за ідентифікатором пацієнта. 
– Відбір подій прийому їжі з ненульовою калорійністю. 
– Пошук найближчого відліку CGMS до часу прийому їжі. 
– Перевірка наявності заданої кількості відліків до й після події. 
– Заповнення пропусків (сплайн-інтерполяція) за умови, що відсоток корисної 
інформації > 90%. 
– Формування рядка підсумкової таблиці (харчова цінність + фрагмент 
глікемічної кривої). 
– Повторення кроків 2–6 для всіх записів та всіх пацієнтів. 
– Експорт підсумкових таблиць у RStudio. 
– Навчання моделей SVM та ANN із використанням перехресної перевірки (k). 
– Побудова та збереження остаточної моделі прогнозування. 
У даному дослідженні обсяг навчальної підвибірки дорівнював обсягу 
тестової; для навчання використано першу половину підсумкової таблиці, для 
тестування – другу. Мета прогнозу – передбачити рівень глюкози через 1 годину 
після прийому їжі. 
 
 72 
 
  
Рисунок 4.7 – Алгоритм прогнозування рівня глюкози 
 
 73 
 
4.3. Експериментальні дослідження та верифікація розробленого 
алгоритму 
Схема проведення експерименту. На етапі експерименту реалізується 
повний цикл роботи інформаційно-алгоритмічної підсистеми: 
– Обробка архівів щоденників та CGMS у MATLAB (рис. 4.7). 
– Формування узгоджених таблиць вхідних даних (табл. 4.1). 
– Експорт даних в RStudio. 
– Навчання регресійних моделей (SVM та ANN) з використанням перехресної 
перевірки [18,34,35]. 
– Обчислення прогнозованих значень глікемії для тестової вибірки. 
– Оцінювання точності та клінічної значущості результатів за допомогою сітки 
помилок Кларка [36]. 
Якщо кількість рядків у підсумковій таблиці для конкретного пацієнта 
менше 15, її не використовували для навчання, оскільки обсяг даних є 
недостатнім для побудови надійної моделі. 
Перехресна перевірка і параметри навчання. Для оцінки узагальнювальної 
здатності моделей використано k-кратну перехресну перевірку (k-fold Cross-
validation) [34,35]. Наявна вибірка розбивається на k частин; на (k–1) частинах 
модель навчається, а на одній – тестується. Процедуру повторюють k разів так, 
щоб кожна частина даних була використана як тестова. Результати 
усереднюються, що дозволяє отримати стійку оцінку якості моделі. 
У дослідженні розглянуто дві групи моделей: 
– моделі SVM-регресії з різними наборами вхідних змінних; 
– моделі на основі простої нейронної мережі прямого поширення. 
Оцінювання результатів за сіткою помилок Кларка. Для клінічної оцінки 
точності прогнозу використано сітку помилок Кларка (Clarke Error Grid) [36], 
схематично подану на рис. 4.8. 
 74 
 
 
Рисунок 4.8 – Сітка помилок Кларка 
 
Сітка поділяється на 5 зон: 
A – значення прогнозу знаходяться в межах ±20 % від еталонного й не змінюють 
клінічного рішення; 
B – значення відрізняються більш ніж на 20 %, але не призводять до 
неадекватного лікування; 
C – помилки можуть спричинити неправильну терапевтичну тактику; 
D – гіпо- або гіперглікемія можуть залишитися непоміченими; 
E – помилки, що призводять до протилежних рішень (наприклад, збільшення дози 
замість її зменшення). 
На рис. 4.9 показано приклад сітки Кларка, побудованої в RStudio для 
отриманих прогнозних значень: по осі X відкладено фактичні значення глікемії, 
по осі Y – прогнозовані. 
 75 
 
 
Рисунок 4.9 – Сітка Кларка, побудована в RStudio 
 
Результати для різних варіантів моделей та наборів вхідних даних зведено в 
табл. 4.2. 
 
Таблиця 4.2 – Результати прогнозування (частка потрапляння в зони сітки 
Кларка) 
Номер A B C D E 
1 0,743 0,254 0,003 0,000 0,000 
2 0,818 0,179 0,003 0,000 0,000 
3 0,838 0,159 0,003 0,000 0,000 
4 0,913 0,087 0,000 0,000 0,000 
5 0,913 0,087 0,000 0,000 0,000 
 
Інтерпретація експериментів: 
Експеримент 1 – SVM-регресія з усіма 36 відліками глікемічної кривої до 
прийому їжі та показниками харчової цінності. 
 76 
 
Експеримент 2 – SVM-регресія з вхідним вектором, що включає харчову 
цінність і рівень глюкози в момент прийому їжі. 
Експеримент 3 – SVM-регресія, де прогнозування здійснюється лише за 
рівнем глюкози в момент прийому їжі. 
Експерименти 4 і 5 – моделі на основі простої нейронної мережі; у 4-му 
враховуються 36 відліків глікемічної кривої та харчова цінність, у 5-му – лише 
рівень глюкози в момент прийому їжі. 
Найкращі результати (приблизно 91% значень у зоні A) отримано для 
нейронної мережі (експерименти 4 та 5). Водночас стабільність цих результатів 
потребує додаткової перевірки через використання параметрів «за 
замовчуванням» у налаштуваннях мережі. Для підвищення достовірності 
необхідно: 
– розширити базу навчальних даних; 
– виконати тонке налаштування гіперпараметрів; 
– порівняти поведінку моделей на незалежних вибірках [18,34,35]. 
Подальший розвиток інформаційно-алгоритмічного забезпечення. Отримані 
результати демонструють, що: 
– методи машинного навчання (SVM, ANN) разом із попередньою обробкою 
даних і коректною інформаційною інтеграцією щоденників та CGMS-сигналів 
дають змогу досягти високої частки клінічно прийнятних прогнозів (зона A 
сітки Кларка) [18,24–29,36]; 
– структура інформаційно-алгоритмічного забезпечення, описана в розділі, може 
бути розгорнута як ядро системи штучної або гібридної підшлункової залози; 
– подальший розвиток пов’язаний із розширенням набору моделей, 
багатокроковими прогнозами глікемічної кривої, адаптацією моделей до 
індивідуальних особливостей пацієнтів та інтеграцією з системами підтримки 
клінічних рішень [18,20,21,25,34]. 
Наступним етапом планується розробка алгоритмів прогнозування тривалої 
траєкторії глікемії, а не лише точкового значення через 1 годину, що вимагатиме 
розширення як інформаційних ресурсів, так і алгоритмічного апарату. 
 77 
 
ЗАГАЛЬНІ ВИСНОВКИ 
 
На основі виконаного аналітичного огляду існуючих методів вимірювання 
глюкози в крові показано, що застосування неінвазивних технологій дозволяє 
істотно знизити ризик інфікування, уникнути травмування шкіри при проколах та 
забезпечити більш комфортні й безпечні умови проведення регулярного контролю 
глікемії для пацієнта. 
Враховуючи, що в оптичному діапазоні спектра для глюкози 
спостерігаються три характерні максимуми поглинання (приблизно на довжинах 
хвиль 840, 940 та 1045 нм), встановлено доцільність використання саме 
випромінювача з довжиною хвилі 940 нм, оскільки на цій частоті внесок 
поглинання шкірою, водою в її шарах та іншими компонентами тканин є 
мінімальним, що підвищує селективність і точність вимірювання. 
Розрахунки для обраної структурної схеми обробки сигналу показали, що 
при зміні концентрації глюкози в крові в діапазоні від 1 до 30 ммоль/л вихідна 
напруга вимірювального тракту змінюється приблизно від 1,262 до 2,652 В. На 
основі отриманої градуйованої залежності розроблено алгоритм і створено 
програмне забезпечення (мова Python, середовище Arduino 1.6.9), яке виконує 
перетворення виміряного сигналу у значення рівня глюкози й відображає його на 
екрані ПК у клінічно прийнятих одиницях (ммоль/л). 
Порівняльний аналіз результатів вимірювань, отриманих із застосуванням 
розробленого оптичного неінвазивного методу та стандартного електрохімічного 
способу, показав, що відносна похибка створеного пристрою становить близько 
2,5%, що є прийнятним рівнем точності для практичного використання в задачах 
моніторингу глікемії. 
Показано, що запропонований підхід може бути розширений: за рахунок 
варіювання параметрів джерела опромінювання (зокрема потужності та довжини 
хвилі) той самий принцип вимірювання потенційно може бути адаптований для 
оцінювання інших біохімічних показників крові людини, таких як концентрація 
 78 
 
гемоглобіну, меланіну чи білірубіну, що відкриває перспективи створення 
багатофункціональних неінвазивних діагностичних систем. 
На базі зібраних даних розроблено алгоритм точкового прогнозування рівня 
глюкози в крові, реалізований у вигляді програмного комплексу для 
автоматизованого збору, обробки інформації та навчання моделей прогнозу. У 
рамках роботи було протестовано декілька варіантів моделей передбачення 
глікемії, а їхню придатність до практичного застосування оцінено за допомогою 
сітки Кларка, що дозволило кількісно оцінити точність і клінічну значущість 
отримуваних прогнозів. 
 79 
 
СПИСОК ВИКОРИСТАННИХ ДЖЕРЕЛ 
 
1. Fadieiev, P. O. (2010). Tsukrovyi diabet [Diabetes mellitus]. Ternopil, Ukraine: 
Navchalna knyha–Bohdan. 
2. Watkins, P. J. (2003). ABC of diabetes (5th ed.). Malden, MA: BMJ Books.  
3. Tuomilehto, J., Lindström, J., Eriksson, J. G., et al. (2001). Prevention of type 2 
diabetes mellitus by changes in lifestyle among subjects with impaired glucose 
tolerance. New England Journal of Medicine, 344(18), 1343–1350.  
4. Wang, J. (2001). Glucose biosensors: 40 years of advances and challenges. 
Electroanalysis, 13(12), 983–988.  
5. Driskill, W. T. (2006). Diabetes continues to the nation’s fourth leading cause of 
death. Health Educator, 38(3), 18–23. 
6. Davidson, M. B. (2001). Diabetes mellitus: Diagnosis and treatment (5th ed.). 
Philadelphia, PA: W. B. Saunders. 
7. Auxter, S. (1996). Disease management models of diabetes take root. Clinical 
Chemistry News, 22(11), 16–32. 
8. Damborský, Š., Švitel, J., & Katrlík, J. (2016). Optical biosensors. Essays in 
Biochemistry, 60(1), 91–100.  
9. Tuchin, V. V. (2015). Tissue optics: Light scattering methods and instruments for 
medical diagnosis (3rd ed.). Bellingham, WA: SPIE Press.  
10. Fung, Y. C. (1993). Biomechanics: Mechanical properties of living tissues (2nd 
ed.). New York, NY: Springer.  
11. Pavlov, S. V., Kozlovska, T. I., & Vasylenko, V. B. (2014). Optiko-elektronni 
zasoby diahnostuvannia patolohii liudyny, pov’iazanykh iz peryferychnym 
krovoobihom [Optoelectronic devices for diagnosing human pathologies related to 
peripheral blood circulation]. Vinnytsia, Ukraine: VNTU. 
12. Halliday, D., Resnick, R., & Walker, J. (2014). Fundamentals of physics (10th ed.). 
Hoboken, NJ: Wiley.  
13. Arduino AG. (n.d.). Arduino Uno board. Retrieved from http://arduino.cc 
 80 
 
14. Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2009). Introduction to 
algorithms (3rd ed.). Cambridge, MA: MIT Press.  
15. Booch, G. (1994). Object-oriented analysis and design with applications (2nd ed.). 
Redwood City, CA: Benjamin/Cummings.  
16. Nathan, D. M., Buse, J. B., Davidson, M. B., et al. (2009). Medical management of 
hyperglycemia in type 2 diabetes: A consensus algorithm for the initiation and 
adjustment of therapy. Diabetes Care, 32(1), 193–203.  
17. Skyler, J. S. (2004). Effects of glycemic control on complications of diabetes 
mellitus. Clinical Cornerstone, 6(2), 27–37. 
18. Balakrishnan, N. P., Rangaiah, G. P., & Samavedham, L. (2011). Review and 
analysis of blood glucose (BG) models for type 1 diabetic patients. Industrial & 
Engineering Chemistry Research, 50(21), 12041–12066. 
19. Bremer, T., & Gough, D. A. (1999). Is blood glucose predictable from previous 
values? A solicitation for data. Diabetes, 48(3), 445–451. 
20. Reifman, J., Rajaraman, S., Gribok, A. V., Ward, W. K., & Neal, C. H. (2007). 
Predictive monitoring for improved management of glucose levels. Journal of 
Diabetes Science and Technology, 1(4), 478–486. 
21. Sparacino, G., Zecchin, C., Facchinetti, A., & Cobelli, C. (2007). Glucose 
concentration can be predicted ahead in time from continuous glucose monitoring 
sensor time-series. IEEE Transactions on Biomedical Engineering, 54(5), 931–937. 
22. Van Herpe, T., De Moor, B., & Van den Berghe, G. (2006). Development of a 
critically ill patient input–output model. IFAC Proceedings Volumes, 39(1), 481–
486. 
23. Van Herpe, T., Mesotten, D., De Moor, B., & Van den Berghe, G. (2006). An 
adaptive input–output modeling approach for predicting the glycemia of critically 
ill patients. Physiological Measurement, 27(11), 1057–1069. 
24. Eren-Oruklu, M., Cinar, A., Quinn, L., & Smith, D. (2009). Estimation of future 
glucose concentrations with subject-specific recursive linear models. Diabetes 
Technology & Therapeutics, 11(4), 243–253. 
 81 
 
25. Gani, A., Gribok, A. V., Rajaraman, S., Ward, W. K., & Reifman, J. (2010). 
Universal glucose models for predicting subcutaneous glucose concentration in 
humans. IEEE Transactions on Information Technology in Biomedicine, 14(1), 
157–165. 
26. Rollins, D. K., Chao, C., Mulligan, J., & Boland, L. (2010). Free-living inferential 
modeling of blood glucose level using only noninvasive inputs. Journal of Process 
Control, 20(1), 95–107. 
27. Sandham, W. A., Hamilton, D., & McLaughlin, J. (1998). Neural network and 
neuro-fuzzy systems for improving diabetes therapy. In Proceedings of the 20th 
Annual International Conference of the IEEE Engineering in Medicine and 
Biology Society (Vol. 3, pp. 1438–1441). Piscataway, NJ: IEEE. 
28. Ghevondian, N., & Nguyen, H. (1999). Modelling of blood glucose profiles non-
invasively using a neural network algorithm. In Proceedings of the First Joint 
BMES/EMBS Conference (Vol. 2, p. 928). Piscataway, NJ: IEEE. 
29. Mougiakakou, S. G., Prountzou, A., Nikita, K. S., & Nikita, A. S. (2006). Neural 
network-based glucose–insulin metabolism models for children with type 1 
diabetes. In Proceedings of the 28th Annual International Conference of the IEEE 
Engineering in Medicine and Bio. Society (pp. 3545–3548). Piscataway, NJ: IEEE. 
30. Kotanko, P., Koller, M., Heinemann, L., & Thomaseth, K. (1992). Blood glucose 
forecasting in patients with insulin dependent diabetes mellitus with the universal 
process modeling algorithm. In Proceedings of the 14th Annual International 
Conference of the IEEE Engineering in Medicine and Biology Society (Vol. 3, pp. 
898–899). Piscataway, NJ: IEEE. 
31. Bolie, V. W. (1961). Coefficients of normal blood glucose regulation. Journal of 
Applied Physiology, 16(5), 783–788. 
32. Bergman, R. N., Ider, Y. Z., Bowden, C. R., & Cobelli, C. (1979). Quantitative 
estimation of insulin sensitivity. American Journal of Physiology: Endocrinology 
and Metabolism, 236(6), E667–E677. 
33. American Diabetes Association. (2011). Standards of medical care in diabetes—
2011. Diabetes Care, 34(Suppl. 1), S11–S61.  
 82 
 
Додаток А 
Характеристики світлодіода LTE-209: 
 
 
 
 83 
 
Додаток Б 
Характеристики фоторезистора VT935G: 
 
 84 
 
Додаток В 
Технічні характеристики глюкометру One Touch Ultra Easy: 
 
 85 
 
Додаток Г 
Результати розрахунків у середовище Mathcad 14: 
 
 
 86 
 
Додаток Д 
Результати порівняльного експерименту: 
Результати вимірювання глюкометром One Touch Результати вимірювань розробленим 
Ultra Easy  пристроєм   
 
 
  
 
 
 
 
  
 
 
 
 
 
 
 
 
 
 87
ChSTU repository

ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets
