鱘魚無水低溫保活的血糖傳感信號監測方法

傅澤田 高乾鐘 張永軍 劉 艷 張小栓

(1.中國農業大學工學院， 北京 100083； 2.中國農業大學食品質量與安全北京實驗室， 北京 100083；3.中國農業大學信息與電氣工程學院， 北京 100083； 4.北京物資學院物流學院， 北京 101149)

0 引言

無水低溫保活技術是通過梯度降溫等方法，使水產品在其生態冰溫區域處于半休眠或完全休眠狀態，以降低新陳代謝，減少機械損傷，延長存活時間，達到長距離、大批量保活運輸的目的[1-3]。研究表明，在提高保活運輸率的同時，水產品品質也會受到一定程度的損傷[4-5]。

通過對水產品重要營養物質(如蛋白質、脂肪等)的檢測，可以探究無水低溫保活過程對水產品品質的影響。但是，這些指標從理論上難以直接測量，或者操作難度大、成本高。魚類是水產品中重要的一部分，在面對外界刺激時魚類產生的應激反應，加速體內的營養物質轉化為葡萄糖，使血糖、乳酸及肝糖元保持一個動態平衡的過程[4-8]。因此，血糖是動物中重要的供能物質，可直接反映魚類的代謝狀況。

從理論上分析，血糖監測方法采用生物傳感器對血糖信號進行采集，經過濾波處理后獲取血糖變化信息[9-11]。生物血糖信號變化頻率在0～40 Hz之間，忽略傳感器自身采集精度，信號在傳輸過程中也極易受到干擾[12-13]。在對無水低溫保活過程中魚類血糖進行監測時需要高精度、高穩定性的生物傳感器，高質量的濾波過程和高效的數據處理方法。同時考慮到采樣過程可能存在的影響其存活率等因素，可植入生物傳感器設計方法有紅外光譜方法、熒光檢測法等。SHIN等[14]利用測眼壓的方法制作可植入傳感器，利用生化方法制作可植入血糖傳感器檢測血糖變化較常用，獲取的數據更準確且針對性更強，植入傳感器主要問題在于易受生物體內其他組織液的影響，造成采集的信號不穩，甚至傳感器損壞[14-18]；在傳感信號傳輸過程中易受到電子元器件的噪聲干擾，采用軟硬件結合[19-23]的濾波方式可以有效地還原原始信號；數據處理利用預測的方法[24-25](如時間序列、曲線擬合、灰色模型、神經網絡等)實現對數據采集和濾波過程效果的反向對照，獲取系統穩定性的信息以及實現對血糖變化趨勢的判斷，為后續生物血糖控制提供參考。

本文以對低溫適應性強、較高經濟價值和科研價值的鱘魚作為實驗樣本，進行無水低溫保活實驗，通過設計與開發可植入血糖傳感器，提出一種監測鱘魚血糖信號變化的方法，為水產品營養物質監測提供一種參考。

1 無水低溫保活的血糖傳感信號監測方法

1.1 血糖信號采集方法

為解決可植入傳感器在生物體內精度受損、續航能力受限甚至由生物體內其他組織導致其不能正常工作乃至損壞等問題[14-18]，設計了一種可植入血糖傳感器，選擇從鱘魚眼部植入來測量活魚眼球鞏膜組織間液中的血糖變化，來減小以上問題帶來的影響。

1.1.1 可植入血糖傳感器設計

利用葡萄糖酶和葡萄糖之間的反應進行可植入傳感器設計，如圖1所示，傳感器主要結構包括工作電極和參比電極。利用鉑銥合金材料制作工作電極，在工作電極上覆蓋一層葡萄糖氧化酶與血糖中葡萄糖進行氧化還原反應，產生的離子經過全氟磺酸高分子層到達工作電極上，在參比電極上不進行葡萄糖氧化酶進行覆蓋，作為生物組織液變化的參考，參比電極與工作電極之間形成電勢差，變化的電流經過導線傳輸到信號放大設備和天線，實現信號傳輸。該可植入血糖傳感器的優點在于利用電化學反應無需進行供電；利用全氟磺酸高分子膜的離子選擇性可以有效降低生物體內非正常生理應激帶來的干擾；經過結構優化，傳感器的長度約3 mm、直徑1 mm，對于植入活魚眼球鞏膜組織間液內進行血糖信號采集是足夠的。綜上，該血糖傳感器能夠有效避免可植入傳感器存在的問題。

圖1 可植入血糖傳感器結構圖Fig.1 Structure diagram of implantable blood glucose sensor1.全氟磺酸 2.葡萄糖氧化酶 3.工作電極 4.導線 5.參比電極

1.1.2 血糖信號采集硬件設計

傳感器采集到的血糖信號幅值和頻率較低，易淹沒在噪聲中，不能直接進行數字化處理[24]，必須經過硬件整形、濾波來進行有效放大。為了達到更好的濾波和放大效果，本研究所設計的電路中采用了逐級放大、逐級濾波的方式，并使用低功耗芯片來提高硬件的續航能力，將濾波和放大過程集成為一個模塊來縮小電路體積，提高電路的適應性(圖2)。

圖2 硬件濾波整形電路Fig.2 Hardware filter shaping circuit

1.1.3 血糖信號采集軟件設計

由上述傳感器和硬件濾波電路初步處理后的信號中仍存在傳感器和電子元件帶來的低頻噪聲和干擾。利用軟件濾波來進行過濾與平滑。具體流程圖如圖3(圖中xk-R、xk、xk+R分別表示第k-R、k、k+R個采樣信號點，f(xk)表示Med函數提取出來的值，Med表示提取序列{xk-R，…，xk，…，xk+R}中間值)所示。傳感器和信號采集硬件采集到混合信號為

Yt=Yi+Yx+Yc

(1)

式中Yt——混合信號

Yi——血糖實際信號Yx——鱘魚應激與環境中產生的小信號Yc——系統不穩定與環境突變帶來的粗大誤差信號

(1)首先利用遞推均值濾波法提取出純凈的Yi信號，即Yi=Yt-Yx-Yc，將Yx+Yc信號進行下一步濾波。

圖3 血糖信號軟件濾波流程圖Fig.3 Flow chart of blood glucose signal software filter

(3)最后利用遞推均值法進行平滑處理。

1.2 血糖信號傳輸方法

無水低溫保活血糖信號傳輸過程如圖4所示。可植入傳感器采集血糖的變化數據，通過傳感器的天線將原始數據包傳輸到接收器，接收器將數據包經過硬件調理壓縮后，利用GPRS模塊對數據進行TCP/IP協議轉換，再以GPRS數據包的形式發送至GPRS無線基站，并由基站經過GPRS服務支持節點(SGSN)和網關服務節點(GGSN)傳輸到INTERNET，最后數據經過防火墻傳輸至數據監控終端，終端將利用時序法對數據進行預測模型構建。

圖4 血糖信號傳輸流程Fig.4 Blood glucose signal transmission process

1.3 血糖信號預測方法

由于血糖擴散過程的耗時和傳感器的響應問題[26]，通過建立合適的預測模型可以獲得未來血糖變化，方便及時做出決策，提高存活率。

常用的預測建模方法包括曲線擬合、灰色模型、神經網絡及時序法等[24-25]。考慮到時序法實現方便且處理效果明顯[27-28]，本文采用時序法構建預測模型，并與其它預測模型進行對比。利用時序法構建血糖預測模型的流程如下(圖5)：

(1)平穩化檢驗

平穩序列應具有以下特征：始終在一個常數值上下隨機波動；波動強度隨時間變化不大；沒有明顯的趨勢性和周期性。

(2)數據平穩化

時間原始序列{Xt，t=1,2,…,n}表現為非平穩序列時，通過以Cramer理論為基礎的差分法來進行序列平穩化。對k-1階差分序列再進行一次一階差分的k階差分為

(2)

式中β——延遲算子βiXt——i階延遲算子

(3)相關系數估計

相關系數估計包括自相關系數估計與偏相關系數估計。具體表現形式為：自相關系數隨延遲期數k的增加突然降為零的周圍小幅波動；隨延遲期數k的增加迅速衰減在零的周圍小幅波動。

(4)模型構建

時序法提供4種模型構建方式，包括自回歸模型(AR)、滑動平均模型(MR)、自回歸滑動平均模型(ARMR)、求和自回歸滑動平均模型(ARIMR)。各模型關系為：ARMR是AR和MR的“混合”，ARIMR是ARMR的推廣模型，具體模型的選擇需要根據原始時間序列與差分后的時間序列特點進行選擇，考慮的因素包括差分的階數、時間序列的周期性和趨勢性等。

(5)確定模型參數與檢驗

根據模型公式確定模型參數，通過殘差的白噪聲檢驗和參數的顯著性檢驗對模型做可靠性檢驗。

圖5 血糖預測模型構建流程圖Fig.5 Flow chart of blood glucose prediction model construction

2 無水低溫保活血糖傳感信號監測平臺搭建

2.1 血糖傳感信號處理硬件整體描述

在無水低溫保活技術下搭建圖6所示的硬件驗證血糖監測方法的可靠性。利用可植入血糖傳感器采集鱘魚眼球鞏膜組織間液內血糖變化，將獲得的有效電流信息以無線傳輸方式傳出。用無線接收器接收傳感器傳輸的電流信息，同時轉變為實際電流進行輸出，利用AD公司的放大器ADA4530和LTC1150分別搭建放大與濾波模塊。采用軟件濾波方式進行信號的處理，整形后利用CC2530片上系統對信號儲存發送。CC2530片上系統主動接收數據時消耗24 nA，同時支持IEEE 802.15.4和ZigBee等多種協議標準，芯片內部集成了2.4 GHz標準射頻收發器，內嵌一個增強型8051單片機，具有256 KB系統可編程閃存。在數據傳輸時其通信模塊不僅需要接收來自傳感器放大整形后的血糖信號，還需要將數據進行分組壓縮后通過GPRS模塊傳輸。

圖6 鱘魚血糖傳感信號硬件設計Fig.6 Hardware design of sturgeon blood sugar sensing signal

2.2 可植入式血糖傳感器校準

利用葡萄糖溶液對傳感器做植入前的體外校準。稱取20 g無水分析純葡萄糖，利用干燥箱在105℃下將其干燥至質量恒定，后作為備用放入磨口瓶中。在室溫(20℃)條件下，配2 L磷酸鹽緩沖溶液(PBS溶液)，并將其pH值調至7.4，使用燒杯取500 mL PBS溶液在水浴鍋中保持恒溫水浴加熱，利用精密溫度計監測其溫度。經過2 h穩定期后放入已連接好的傳感器和電路板做實驗校準。參考離體血糖儀測量指導按濃度梯度逐次加入葡萄糖，等待電路穩定后記錄對應的響應電流。

2.3 實驗方案

實驗在國家農產品現代物流工程技術研究中心進行。從濟南市水產市場獲取新鮮鱘魚，選擇每尾全長(48.87±4.25)cm，質量約750 g，發育良好，體格健壯，外部無損傷的鱘魚進行馴化，首先通過馴化箱降溫誘導鱘魚進入休眠狀態，以達到低溫保活實驗的目的。鱘魚進入休眠的溫度在2～4℃之間，故選取12尾狀態良好的鮮活商品鱘魚放入3℃的馴化水箱中馴化，馴化期間連續充氧，不投餌，馴化24 h后使所有實驗個體進入半休眠狀態。對進入休眠狀態的鱘魚進行進一步的篩選。選擇在馴化結束后依然存活，表面無損傷，對馴化過程有較好適應性的鱘魚作為實驗對象。將滿足條件的9尾鱘魚移至人工氣候箱，將其按照體型分為3組，樣本1組體型修長，樣本2組體型圓滿，樣本3組體型肥碩，同時利用微創技術向活魚眼球鞏膜組織間液內植入已校準的血糖傳感器，并與其他硬件設備建立連接，調節溫控設備使箱內溫度降至3℃，相對濕度設為94%～96%之間，使其仍保持休眠狀態。魚類無水保活過程常設置在24 h[2-4]，為驗證方法可靠性進行32 h實驗。傳感器節點采集的時間間隔設置為10 min，CC2530通信模塊每1 h發送一次數據。采用3.7 V、30 000 mA·h的鋰電池對實驗的硬件電路進行供電。

3 結果分析與討論

3.1 可植入血糖傳感器校準結果分析

利用上述傳感器校準辦法，獲得傳感器輸出電流與葡萄糖質量濃度關系曲線如圖7a所示。從圖中可以看出，傳感器輸出電流與葡萄糖質量濃度基本呈線性關系，擬合程度達到了0.994 1，電流大小在5～40 nA之間，隨血糖變化電流變化穩定，說明傳感器對血糖能產生穩定響應。電路硬件對血糖信號處理效果如圖7b所示。從圖中可以看出，硬件電路對血糖傳感器信號放大效果明顯，對應輸出擬合程度達到了0.960 8，電路靈敏度為27.047 mV/nA，零點漂移量為722.83 mV，說明該硬件電路完全適用于血糖傳感信號的放大。

圖7 可植入血糖傳感器校準結果Fig.7 Implantable glucose sensor calibration results

3.2 傳感器植入對鱘魚保活率的影響分析

為了進一步說明該血糖傳感器對鱘魚血糖測量的適應性，將預實驗與實際實驗中鱘魚的存活數量進行統計對比，如表1所示。表中的實驗開始時是指從馴化結束且挑選到的合適樣本移入人工氣候箱的時間。可以看出，相同條件下保存32 h后進行理化指標檢測的鱘魚樣本存活率與植入血糖傳感器后進行血糖變化監測的鱘魚樣本存活率基本一致，這說明植入的傳感器不會影響鱘魚本身的保活率。

表1 鱘魚存活率統計Tab.1 Sturgeon survival statistics

3.3 鱘魚血糖變化結果分析

圖8 鱘魚樣本血糖變化曲線Fig.8 Curves of sturgeon sample glucose

根據設計的實驗方案，獲取的血糖數據經過組內取平均值后，繪制的變化曲線如圖8所示。從圖中觀察到3組鱘魚在無水保活過程中血糖變化趨勢基本一致，在前8 h，鱘魚體內血糖呈現快速下降趨勢，原因可能是進入低溫環境初期，鱘魚消耗體內糖原轉化為葡萄糖來抵御寒冷，隨著時間的增加，血糖被消耗導致其持續降低；這與劉驍等[4]的研究結果基本一致；同時無外界食物補充，鱘魚對饑餓產生應激，降低代謝來滿足身體的基本需要后，鱘魚進入深度休眠狀態，基本不消耗能量[5]；8 h后，鱘魚適應了低溫環境，代謝能力有部分恢復，血糖濃度也有緩慢回升。其中樣本1組中的鱘魚血糖下降到最低點立刻呈現上升趨勢，血糖變化明顯，但樣本2、3組中的血糖值變化就平緩些，應該是在樣本1組中鱘魚正常狀態時生命力較強，代謝長期處于旺盛狀態，使其不能對環境變化有更好的適應性，而樣本2、3組鱘魚適應性強，在8 h內的變化呈現較為平穩的現象。賈明亮[29]在研究中指出魚類受到低溫脅迫時，血糖被大量消耗來抵抗環境的變化，但在逐漸適應環境后，體內會趨于新的穩態，并使血糖濃度上升，這與本結果總體變化基本一致。

3.4 鱘魚血糖與營養物質相關性分析

在進行血糖傳感器信號測試同時，取相同條件下的鱘魚樣本，進行了理化指標的測量。實驗測量過程為每8 h進行一次，同時提取出相同時刻的血糖值，繪制關系如圖9所示。可以看出，前8 h血糖值一直處于快速下降狀態，這應是魚類適應低溫環境大量消耗血糖能量所致，但8 h后血糖開始上升，粗脂肪、肝糖元和蛋白質的含量處于下降狀態，說明鱘魚處于饑餓狀態下，開始消耗體內儲存的能量，之后血糖處于波動狀態，但幅度不大，粗脂肪、肝糖元、蛋白質的質量分數一直下降，說明鱘魚消耗體內儲存能量保持血糖的動態平衡[3]。

圖9 粗脂肪質量分數、肝糖元質量分數、蛋白質質量分數、血糖值曲線變化Fig.9 Curves of crude fat, liver glycogen, protein and glucose

圖11 相關系數估計Fig.11 Correlation coefficient estimation

表2給出了粗脂肪質量分數、肝糖元質量分數、蛋白質質量分數、血糖值之間的相關性。可以看出，在無水保活過程中，血糖值與肝糖元質量分數、蛋白質質量分數的相關性都高于0.5；粗脂肪質量分數的相關性可能與粗脂肪與血糖之間的轉化過程難度較其他2種更高有關。

3.5 鱘魚血糖傳感信號預測模型構建

根據采集到的鱘魚血糖變化數據，將其平均后的時間序列記為{ti,i=1,2,…,n}，ti表示傳輸的數據。

表2 粗脂肪質量分數、肝糖元質量分數、蛋白質質量分數、血糖值相關系數Tab.2 Correlation coefficient of crude fat, liver glycogen, protein and glucose

3.5.1 差分處理及相關系數估計

利用差分處理方法對序列處理如圖10所示，二次差分后對應的相關系數分析如圖11所示。

圖10 二次差分序列Fig.10 Second difference sequence

3.5.2 模型識別

3.5.3 模型確定

ARIMR模型的演算公式為

A(β)(1-β)dXt=B(β)εt

(3)

其中

式中εt——零均值白噪聲d——差分的階數p——自回歸階數q——滑動平均階數，取2ai——自回歸系數bi——滑動平均系數

Δt=1.908Δti-1-0.908Δti-2+εt-1.817εt-1+
0.817εt-2

(4)

3.5.4 模型檢驗

為了進一步確定模型的有效性，對殘差序列進行殘差的白噪聲檢驗和參數的顯著性檢驗。結果如圖12所示。自相關系數在2倍的標準差范圍內，均未超過95%的置信度極限線，故可以認為殘差序列是白噪聲，即殘差序列相互獨立。

表3給出了每個參數的顯著性檢驗(t檢驗)結果，參數的檢驗值都小于0.05，認為參數是顯著的。綜上，模型ARIMR是有效的。

3.5.5 模型對比分析

圖13是3組鱘魚樣本分別利用曲線擬合、灰色模型、BP神經網絡以及ARIMR建立的預測圖。整體看來，各模型基本可以預測鱘魚血糖的變化趨勢，

圖12 殘差自相關估計與偏相關估計Fig.12 Residual autocorrelation estimation and partial correlation estimation

ARIMR參數估計估計值標準誤差估計值與標準誤差的比值顯著性常數0.0360.0132.7690.007自回歸滯后10.9080.3762.4150.018差分2滑動平均滯后11.8172.3050.7880.043滑動平均滯后2-0.8171.923-0.4250.167

圖13 各鱘魚樣本組血糖預測曲線Fig.13 Predictive curves of blood glucose in each sturgeon sample group

但由于不同樣本組的鱘魚生命力不一樣，采集到的數據波動也存在差異性，導致模型在數據的擬合程度和預測曲線的平滑度上差別較大。樣本1組的預測中，各模型預測值與實際值擬合程度都低于2、3樣本組，數據的波動較大，分析可能是樣本組1中數據波動較樣本組2、3大導致，在樣本2組中原始數據波動較小，各模型的預測也更加平穩，擬合度也相對高。在對波動量的樣本組預測時，ARIMR對無水保活環境帶來的數據突變反應更快，模型預測結果與實際值更加接近，BP神經網絡模型預測值偏離實際值程度較大，分析原因是BP神經網絡的訓練需要大量的訓練數據作為基礎，數據量越大模型的訓練結果就越準確。說明原始數據的波動性和數量會對不同模型的預測效果產生不同的影響。

從表4各模型平均絕對誤差與平均相對誤差可以看出，ARIMR模型平均絕對誤差最小，GM模型的平均絕對誤差和相對誤差都為最大。模型對比結果如下：模型預測值與實際值擬合程度由小到大依次為：ARIMR、曲線擬合、灰色模型、BP神經網絡；模型預測平滑度由小到大依次為：曲線擬合、ARIMR、灰色模型、BP神經網絡。

因此，從上述模型對比中發現ARIMR模型對于鱘魚無水保活環境具有更好的預測效果，預測值與真實值之間的平均絕對誤差為-0.014 mmol/L，平均相對誤差為-0.117%；從表4發現，3組樣本平均絕對誤差分別是-0.033、-0.001、-0.009 mmol/L；平均相對誤差為分別為-0.301%、-0.025%、-0.025%。

表4 模型平均絕對誤差與平均相對誤差Tab.4 Model average absolute error and average relative error

4 結論

(1)根據無水低溫保活過程中鱘魚保活要求與生理活動特點，采用可植入血糖傳感器對鱘魚眼球鞏膜組織間液內血糖變化進行采集，并對該血糖傳感器進行了測試實驗。實驗證明，該傳感器能保持穩定，滿足采集鱘魚血糖信號變化的要求。

(2)鑒于可植入血糖傳感器輸出電流信號頻率低、信號弱的特點，設計了可靠的信號調理，對信號進行整形和濾波。實驗結果表明，處理后電路輸出擬合程度達到了0.960 8，電路靈敏度為27.047 mV/nA，零點漂移量為722.83 mV，為處理鱘魚無水低溫保活過程血糖變化提供了可靠的數據來源。

(3)利用時序法建立了鱘魚血糖信號預測模型，并與曲線擬合、灰色模型和BP神經網絡的模型預測效果曲線圖對比。結果表明，所構建的ARIMR模型對鱘魚樣本的預測值與真實值之間的平均絕對誤差為-0.014 mmol/L，平均相對誤差為-0.117%；平滑度也更具優勢。通過可靠的預測模型獲取的數據可以為鱘魚無水低溫保活過程分析環境變量的影響及控制提供參考。

1 SHEN Shuqi, WAN Yumei, SHEN Liang, et al. Effects of temperature, humidity and oxygen on keeping-alive without water of bay scallopArgopectenirradians[J]. Journal of Dalian Ocean University,2014,29(5): 492-497.

2 劉驍,謝晶,黃碩琳. 魚類保活運輸的研究進展[J]. 食品與發酵工業,2015(8):255-260. LIU Xiao，XIE Jing，HUANG Shuolin. Advances research of transportation to keep fish alive[J]. Food and Fermentation Industries, 2015(8):255-260.(in Chinese)

3 米紅波. 鯽魚和中國對蝦的無水保活及冰溫保鮮技術研究[D].杭州:浙江大學,2014. MI Hongbo.Study on the waterless preservation and controlled freezing-point storage of crucian carp and Chinese white shrimp[D]. Hangzhou: Zhejiang University,2014.(in Chinese)

4 劉驍,謝晶,楊茜,等. 無水保活條件下團頭魴生理應激及魚肉品質的變化[J]. 農業工程學報,2016, 32(3):295-300. LIU Xiao, XIE Jing, YANG Xi, et al. Change of physiological stress and flesh quality ofMegalobramaamblycephaladuring suitable waterless keep alive conditions[J]. Transactions of the CSAE, 2016, 32(3): 295-300.(in Chinese)

5 何蓉,謝晶,蘇輝,等. 不同溫度對無水保活條件下的中華鱉肌肉營養成分及血液生化指標影響[J]. 食品科學,2014,35(6):194-199. HE Rong, XIE Jing, SU Hui, et al. Effect of temperature on muscle nutritional components and blood biochemical parameters ofPelodiscussinensisalive without water[J]. Food Science,2014,35(6):194-199.(in Chinese)

6 MISHRA D B, ROY D, KUMAR V, et al. Effect of feeding different levels of Azollapinnata on blood biochemicals, hematology and immunocompetence traits of Chabro chicken[J]. Veterinary World,2016,9(2):192-198.

7 WU F, ZHU W H, LIU M M, et al. Effects of dietary vitamin A on growth performance, blood biochemical indices and body composition of juvenile grass carp (Ctenopharyngodonidellus)[J]. Turkish Journal of Fisheries and Aquatic Sciences, 2016,16(2):339-345.

8 ZHANG L Z, ZHU W, WANG Y, et al. Effects of dietary lipid levels on activities of digestive enzymes and blood biochemical parameters of Siganusguttatus[J]. Marine Fisheries,2014,36(2):170-176.

9 VADDIRAJU S, KASTELLORIZIOS M, LEGASSEY A, et al. Needle-implantable, wireless biosensor for continuous glucose monitoring[C]∥2015 IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN),2015:1-5.

10 喻成俠. 面向人工胰臟的快速建模方法與血糖預測研究[D].杭州:浙江大學,2016. YU Chengxia. Rapid modeling method for subcutaneous glucose concentration prediction for artificial artificial pancreas[D].Hangzhou: Zhejiang University,2016.(in Chinese)

11 MAEDA E, KATAOKA M, HINO M,et al. Determination of human blood glucose levels using microchip electrophoresis[J]. Electrophoresis,2007,16(28): 2927-2933.

12 趙瑞. 物聯網中生物電信號采集終端的關鍵問題研究[D].天津:天津理工大學,2014. ZHAO Rui. Research on biological signal aequisition terminal for internet of things[D]. Tianjin: Tianjin University of Technology,2014.(in Chinese)

13 呂思潼,田潤瀾,肖衛華. 基于ARM的動態血糖監測儀的設計[J]. 計算機測量與控制,2009,17(7):1454-1456. Lü Sitong, TIAN Runlan, XIAO Weihua. Design of dynamic glucose monitoring device based on ARM[J]. Computer Measurement & Control,2009,17(7):1454-1456.(in Chinese)

14 SHIN K S, JANGC I, KIM M J, et al. Development of novel implantable intraocular pressure sensors to enhance the performance in vivo tests[J]. Journal of Microelectro Mechanical Systems,2015,24(6):1896-1905.

15 DE H A, GETZLAFF S, GRICE D, et al. An NFC-enabled CMOS IC for a wireless fully implantable glucose sensor[J]. IEEE Journal of Biomedical and Health Informatics,2016,20(1):18-28.

16 BLACK R D.Recent advances in translational work on implantable sensors[J].IEEE Sensors Journal,2011,12(11): 3171-3182.

17 RENARD E. Implantable glucose sensors for diabetes monitoring[J]. Minimally Invasive Therapy & Allied Technologies,2004,13(2): 78-86.

18 YU B Z, LONG N, MOUSSY Y,et al. A long-term flexible minimally-invasive implantable glucose biosensor based on an epoxy-enhanced polyurethane membrane[J]. Biosensors & Bioelectronics,2006,12(21): 2275-2282.

19 許永峰,賀玉成,周林. 血壓脈搏振蕩波的三重軟件濾波提取算法[J]. 電子測量與儀器學報,2015,29(3):454-459. XU Yongfeng, HE Yucheng, ZHOU Lin. Three-step software filtering algorithm for extracting blood pressure pulse shock wave[J]. Journal of Eectronic Measurement and Instrumentation,2015,29(3):454-459.(in Chinese)

20 彭安杰,康顯桂. 基于濾波殘差多方向差分的中值濾波取證技術[J]. 計算機學報,2016,39(3):503-515. PENG Anjie, KANG Xiangui. Median filtering forensics based on multi-directional difference of filtering residuals[J]. Chinese Journal of Computers,2016,39(3):503-515.(in Chinese)

21 DEPEREDA D, ROMERO-VIVO S, RICARTE B, et al. Real-time estimation of plasma insulin concentration from continuous glucose monitor measurements[J]. Computer Methods in Biomechanics and Biomedical Engineering,2016,19(9):934-942.

22 劉明,水鵬朗. 基于功率中值和歸一化采樣協方差矩陣的自適應匹配濾波檢測器[J]. 電子與信息學報,2015,37(6):1395-1401. LIU Ming, SHUI Penglang. Adaptive matched filter detector based on power median and normalized sample covariance matrix[J]. Journal of Electronics & Information Technology,2015,37(6):1395-1401.(in Chinese)

23 BISWAS P, BHAUMIK S, PATIYAT I. Estimation of gucose and insulin concentration using nonlinear Gaussian filters[C]∥1st IEEE International Conference on Control, Measurement and Instrumentation (CMI),2016:16-20.

24 張軍. 灰色預測模型的改進及其應用[D].西安:西安理工大學,2008. ZHANG Jun. Improvement of grey forecasting model and its application[D]. Xi’an: Xi’an University of Technology,2008.(in Chinese)

25 欒培賢,肖建華,陳欣,等. 基于灰色模型和ARMA模型的豬瘟月新發生次數預測比較[J]. 農業工程學報,2011,27(12):223-226. LUAN Peixian, XIAO Jianhua, CHEN Xin, et al. Comparison of grey model and ARMA model for predicting the number of monthlynew outbreaks of CSF[J]. Transactions of the CSAE, 2011, 27(12):223-226.(in Chinese)

26 衛銀銀. 新型葡萄糖生物傳感器的構筑、機理及應用研究[D].上海:華東師范大學,2011. WEI Yinyin. Study on building, mechanism and application of glucose biosensor[D].Shanghai: East China Normal University,2011.(in Chinese)

27 陸軍,張紅濤,魏德云,等.基于時間序列分析的霧滴葉面動態接觸角預測與建模[J/OL]. 農業機械學報,2013,44(2):80-86. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130216&journal_id=jcsam.DOI: 10.6041 /j.issn.1000-1298.2013.02.016. LU Jun, ZHANG Hongtao, WEI Deyu, et al. Dynamic contact angle forecasting and modeling for drop-leafinterface based on time series analysis[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(2):80-86. (in Chinese)

28 左志宇,毛罕平,張曉東,等. 基于時序分析法的溫室溫度預測模型[J]. 農業機械學報,2010,41(11):173-177,182. ZUO Zhiyu, MAO Hanping, ZHANG Xiaodong, et al. Forecast model of greenhouse temperature based on time series method[J]. Transactions of the Chinese Society for Agricultural Machinery,2010,41(11):173-177,182.(in Chinese)

29 賈明亮. 低溫脅迫對奧尼羅非魚的生長、肌肉組成和血液生理生化指標的影響[D].湛江：廣東海洋大學,2010.

30 何登菊,楊興,姚俊杰,等. 低溫保活運輸對鱘魚肌肉主要營養成分的影響[J]. 貴州農業科學,2010,38(6):157-158. HE Dengju,YANG Xing, YAO Junjie, et al. Effect of low temperature transport on major nutritional components in muscle of acipensersturio[J].Guizhou Agricultural Sciences,2010,38(6):157-158.(in Chinese)

31 趙進曉. 目標跟蹤的曲線擬合預測模型及算法研究[D].上海:復旦大學,2013.

32 CRAVEN D, MCGINLEY B, KILMARTINL, et al. Compressed sensing for bioelectric signals: a review[J]. IEEE Journal of Biomedical and Health Informatics,2015,19(2):529-540.

33 ZHANG F, CHEN S X, ZHANG H S, et al. Bioelectric signal detrending using smoothness prior approach[J]. Medical Engineering & Physics,2014,36(8):1007-1013.

34 WANG X Y, PANG G C. Amplification systems of weak interaction biosensors: applications and prospects[J]. Sensor Review,2015,35(1):30-42.

35 DONG X Q, ZHANG D M,CHEN Y K, et al. Effects of antimicrobial peptides (AMPs) on blood biochemical parameters, antioxidase activity, and immune function in the common carp (Cyprinuscarpio)[J]. Fish & Shellfish Immunology, 2015,47(1): 429-434.

36 RIVERO C R, PUCHETA J A, BAUMGARTNER J S, et al. Short-series prediction with BEMA approach: application to short rainfall series[J]. IEEE Latin America Transactions,2016,14(8):3892-3899.

37 周雷剛，梁庭，高利聰.紅外傳感器的微弱信號檢測與處理[J].儀器技術與傳感器，2014(12)：5-6，21. ZHOU L G, LIANG T,GAO L C.Weak signal detecting and processing of pyroelectric infrared sensor[J]. Instrument Technique and Sensor,2014(12):5-6,21.(in Chinese)