脑机百科消息(bciwiki.com)，一项概念验证研究显示，基于脑电图（EEG）的非侵入式脑机接口方法能够区分1型糖尿病患者的低血糖与非低血糖状态，在数据受限条件下，二次判别分析分类器达到96.2%的准确率。该研究由斯洛伐克日利纳大学与挪威莫尔德大学学院的研究人员合作完成，发表于2026年8月28日的《Frontiers in Human Neuroscience》。
研究团队将1型糖尿病参与者的脑电记录与连续血糖监测（CGM）数据同步，采用0.5–50 Hz带通滤波预处理，并与5名健康对照的脑电特征进行对比。结果发现，低血糖状态伴随特征性的delta和beta波段改变，而低血糖之外的变化不一致，无法在非低血糖类别内进行可靠区分。
在数据有限的条件下，研究评估了多种分割策略和轻量级机器学习模型。经典分类器在严重数据受限情况下表现出有前景的受试者内性能，其中二次判别分析（QDA）在低血糖二元分类中表现最佳，准确率为0.96212，宏平均F1分数为0.96201。混淆矩阵分析显示，临床相关的误分类率较低。
研究人员指出，尽管连续血糖监测系统能提供连续的葡萄糖测量，但属于侵入性手段，且无法捕捉与低血糖相关代谢变化相关的早期神经生理改变。这项研究证明了基于轻量级、实时、非侵入式脑电系统用于低血糖早期检测的可行性。