CN110379503B - 一种基于连续血糖监测系统的在线故障检测与诊断系统 - Google Patents
一种基于连续血糖监测系统的在线故障检测与诊断系统 Download PDFInfo
- Publication number
- CN110379503B CN110379503B CN201910697252.7A CN201910697252A CN110379503B CN 110379503 B CN110379503 B CN 110379503B CN 201910697252 A CN201910697252 A CN 201910697252A CN 110379503 B CN110379503 B CN 110379503B
- Authority
- CN
- China
- Prior art keywords
- data
- blood glucose
- cloud server
- cgm
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 66
- 210000004369 blood Anatomy 0.000 title claims abstract description 66
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 56
- 239000008103 glucose Substances 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 8
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 102000004877 Insulin Human genes 0.000 claims description 9
- 108090001061 Insulin Proteins 0.000 claims description 9
- 229940125396 insulin Drugs 0.000 claims description 9
- 101001005269 Arabidopsis thaliana Ceramide synthase 1 LOH3 Proteins 0.000 claims description 7
- 101001005312 Arabidopsis thaliana Ceramide synthase LOH1 Proteins 0.000 claims description 7
- 101001089091 Cytisus scoparius 2-acetamido-2-deoxy-D-galactose-binding seed lectin 2 Proteins 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000007920 subcutaneous administration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000000496 pancreas Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000404883 Pisa Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009629 microbiological culture Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于连续血糖监测系统的在线故障检测与诊断系统,包括:血糖数据采集装置、云服务器和多个移动终端;所述血糖数据采集装置包括:临床数据采集设备和虚拟数据生成设备;所述血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;所述云服务器分别与所述多个移动终端通信连接;所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断,获得故障检测与诊断结果数据。本发明提供的系统,不仅检测准确率高,而且还能够对故障进行较为精确诊断和分类。
Description
技术领域
本发明属于血糖监测技术领域,尤其涉及一种基于连续血糖监测系统的在线故障检测与诊断系统。
背景技术
连续血糖监测系统(Continuous Glucose Monitoring,CGM)是闭环人工胰腺(Artificial Pancreas,AP)系统的重要组成部分,人工胰腺系统的目的是通过闭环控制算法控制胰岛素泵精准注射胰岛素,使血糖浓度保持在安全范围以内。CGM的作用是向AP系统提供血糖浓度信息,对于AP系统而言,若是CGM发生故障则无法得知准确的血糖测量值,进而产生错误的胰岛素注射量,造成无法实现精准给药的后果。对于患者而言,若没有CGM故障警报与故障类型的提示,则无法得出发生故障的时间与原因,也无法及时采取适当的排除故障的方式,这对于患者和AP系统都是十分危险的。因此,对CGM进行在线的故障检测与诊断,并在发现故障后及时进行故障分类并给出故障调整意见,可以大大提升AP系统的安全性与可靠性。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于连续血糖监测系统的在线故障检测与诊断系统,解决了现有技术中检测准确率低以及无法对故障进行分类诊断等技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于连续血糖监测系统的在线故障检测与诊断系统,包括:血糖数据采集装置、云服务器和多个移动终端;
所述血糖数据采集装置包括:临床数据采集设备和虚拟数据生成设备;
所述血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;
所述云服务器分别与所述多个移动终端通信连接;
所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断,获得故障检测与诊断结果数据;
所述多个移动终端能够从所述云服务器处获取故障检测与诊断结果数据以及给予患者的CGM调整意见;
所述调整意见是指根据各种故障形式,基于处理经验给患者提供调整意见。
优选地,所述临床数据采集设备包括:连续血糖监测系统CGM和连续皮下胰岛素注射CSII;
所述连续皮下胰岛素注射CSII能够获得动作序列等数据,为后续建模与软测量、训练分类器等环节提供可靠的数据来源;
所述连续血糖监测系统CGM能够为所述云服务器发送患者的血糖数据。
优选地,所述虚拟数据生成设备为基于Matlab软件的UVA/Padova仿真平台;
所述UVA/Padova仿真平台能够为所述云服务器提供虚拟患者的血糖数据。
优选地,所述多个移动终端至少包括:患者使用的患者客户端和医生使用的医生监护端。
优选地,所述云服务器至少包括:计算模块和云存储数据库;
所述计算模块能够通过获得的血糖数据计算得到故障检测与诊断结果数据,并将故障检测与诊断结果数据存储到所述云存储数据库中。
优选地,所述患者使用的患者客户端为手机或其它智能设备;
所述医生使用的医生监护系统为电脑或其它智能设备;
患者能够借助于所述手机或所述其它智能设备展示的异常警报或调整意见,及时修复处于异常工作状态的所述血糖数据采集装置。
优选地,故障检测的结果包括:设备正常和设备异常;
诊断结果至少包括:尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失中的一种或多种。
(三)有益效果
本发明的有益效果是:本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统,具有以下有益效果:
(1)患者能够通过本系统的患者客户端及时发现CGM异常,并根据故障类型解决异常问题。
(2)医生能够通过本系统的医生监护端及时发现患者的CGM异常并根据经验帮助患者解决异常问题。
(3)为AP系统中的其他模块提供更加准确的数据源,避免其它模块受到CGM故障的影响。
附图说明
图1为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统的实施例中的流程示意图;
图2为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统中实施例中系统的结构示意图;
图3为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统的实施例中的方法流程框图;
图4为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统的实施例中的方法算法框图;
图5为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统中GPR算法在线预测对比图;
图6为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断系统中的故障分类示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1-图6示:本实施例公开了一种基于连续血糖监测系统的在线故障检测与诊断方法,包括如下步骤:
本实施例中提供了一种基于连续血糖监测系统的在线故障检测与诊断方法,包括如下步骤:
S1、获取的当前时刻CGM的测量值,将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差,继而计算当前时刻的KL散度;
S2、判断是否发生数据丢失情况;
若是,则数据重构,即用获得的在线预测值代替测量值,并重新执行S1;
若否,则执行下一步;
S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差,确定初始阈值;
S4、判断当前时候测量值是否较上一时刻发生快速变化;
若是,则通过查看上一时刻是否故障;
若发生故障,则不修改阈值;
若未发生故障,则增大阈值;
若否,则保持初始阈值;
S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95%置信区间比较来判断CGM是否正常工作;
若当前时刻KL散度大于阈值且CGM测量值超过GPR的95%置信区间,则为CGM异常状态,则执行下一步;
否则为正常工作状态,则返回S1;
S6、将CGM测量值由KNN分类器模型进行故障诊断,获得诊断故障类型;
需要说明的是,本实施例中所述步骤S1之前还包括:获取历史时刻CGM的测量值,利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差,继而计算获得历史时刻的KL散度。
相应地,本实施例中所述的步骤S6之后还包括:将在线预测值代替故障数据进行数据重构,然后执行S1。
如表1所示:本实施例中所述KNN分类器模型为经过多种故障类型的测量数据训练后的模型;
所述多种故障类型至少包括:数据丢失、尖峰、漂移、停滞、压力引起的传感器衰减和偏差。
表1六类故障的调整意见
应说明的是:本实施例中所述KNN分类器算法利用Mahalanobis距离作为两个向量之间的距离,距离公式为:
其中,k为协方差矩阵。
本实施例中所述GPR算法模型的表达式为:
y=f(x)+ε;数据集x∈RD×n,y∈Rn;
其中,x={xi∈RD|i=1,2,...,n},y={yi∈R|i=1,2,...,n},D代表输入维数;ε是噪声且符合高斯分布其均值为0,方差为σ2,记为ε~N(0,σ2)。
对于GPR算法与其他回归算法的主要区别在于:其它算法对于给定的输入值,得到的是输出的函数分布。
所述GPR的均值和方差的表达式为:
其中,k(x*)为训练集与测试集数据之间的协方差。
ky=k+σ2I,其中k为训练集与训练集之间的协方差,I为单位矩阵,k(x*,x*)是测试集数据之间的协方差。
本实施例中所述KL散度表达式为:
其中,p和q是两个单变量正态分布,且满足p~N(μ0,σ0)和q~N(μ1,σ1)。
如图2所示:本实施例中还提供一种基于连续血糖监测系统的在线故障检测与诊断系统,采用上述实施例中所述的故障检测与诊断系统。
详细地,包括:血糖数据采集装置、云服务器和多个移动终端;所述血糖数据采集装置包括:临床数据采集设备和虚拟数据生成设备;
所述血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;
所述云服务器分别与所述多个移动终端通信连接;
所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断,获得故障检测与诊断结果数据;
所述多个移动终端能够从所述云服务器处获取故障检测与诊断结果数据以及给予患者的CGM调整意见;
所述调整意见是指根据各种故障形式,基于处理经验给患者提供调整意见。
本实施例中所述的临床数据采集设备包括:连续血糖监测系统CGM和连续皮下胰岛素注射CSII;
所述连续皮下胰岛素注射CSII能够获得动作序列等数据,为后续建模与软测量、训练分类器等环节提供可靠的数据来源;
所述连续血糖监测系统CGM能够为所述云服务器发送患者的血糖数据。
本实施例中所述虚拟数据生成设备为基于Matlab软件的UVA/Padova仿真平台;
所述UVA/Padova仿真平台能够为所述云服务器提供虚拟患者的血糖数据。
本实施例中所述多个移动终端至少包括:患者使用的患者客户端和医生使用的医生监护端。
具体地,本实施例中所述云服务器至少包括:计算模块和云存储数据库;
所述计算模块能够通过获得的血糖数据计算得到故障检测与诊断结果数据,并将故障检测与诊断结果数据存储到所述云存储数据库中。
详细地,本实施例中所述患者使用的患者客户端为手机或其它智能设备;所述医生使用的医生监护系统为电脑或其它智能设备;
患者能够借助于所述手机或所述其它智能设备展示的异常警报或调整意见,及时修复处于异常工作状态的所述血糖数据采集装置。
最后,应说明的是:这里所述的故障检测结果包括:设备正常和设备异常。
诊断结果至少包括:尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失中的一种或多种。
本实施例中的诊断系统分为:血糖数据采集装置、调整意见、云服务器、终端模块。如图2所示。
血糖数据采集装置主要获取CGM、CSII等传感器检测数据,为后续建模与软测量、训练分类器等环节提供可靠的数据源。
云服务器主要由云存储、故障检测、数据分类、数据重构组成。
将采集到的数据云存储,首先利用GPR方法进行软测量,然后利用故障检测方法检测云端CGM数据是否发生异常波动情况。
若异常情况发生则进行故障分类并给出患者调整意见,然后进行数据重构,即利用预测值替换检测值重构CGM数据存入云端。
所述云服务器是指为本发明系统提供数据存储以及数据处理部分。
所述调整意见是指根据各种故障形式,基于经验给患者提供调整意见。
移动终端是指将故障分类情况和调整意见发送到移动终端。患者可以通过手机等设备观测传感器发出的异常警报和调整方案,使患者可以及时修复处于异常工作状态的传感器。
在故障分类环节,选择KNN算法进行多分类故障判别。KNN(K最近邻)是能够判定未知样本的类别,以全部训练样本作为代表点,计算未知样本与训练样本的距离,并以最近邻近的类别作为决策未知样本类别的根据。
其中计算距离则用Mahalanobis距离作为两个向量之间的距离,距离公式为:
其中,k为协方差矩阵。
本实施例中提出的方法在UVA/Padova的I型糖尿病患者仿真平台上进行了验证。实验数据以5分钟为间隔通过采样获取6天血糖数据,将前两天数据作为训练集和测试集,通过软测量即预测5分钟后的血糖值浓度,计算GPR模型预测精度,预测精度指标使用均方根误差,均方根误差公式为其中n为样本个数,t为训练集,Q为预测血糖值,P为测量值。
根据公式可以求出RMSE=1.3277。
在图5中,阴影部分为GPR的95%置信区间,实线为真实值,虚线为测试值。
CGM常见的故障类型为尖峰、漂移、偏差、数据丢失、数据停滞、压力引起的传感器衰减。仿真过程中每4小时随机的添加一种故障信号到正常的血糖数据中,故障信号的幅值设置为10%。
如图6,在线故障检测算法在平台中对测试数据进行分类验证。
如图6所示,图下方所示的柱形,其X值为采样点,Y值为高度,通过高度判断数据故障类型,即Y=10为第一类故障类型尖峰,Y=20为第二类故障类型漂移,Y=30为第三类故障类型偏差,Y=40为第四类故障类型数据丢失,Y=50为第五类故障数据停滞,Y=60为第六类故障类型PISA。
通过在平台中模拟六类故障,通过对真实故障数、报警总数、正确报警数、分类正确数、检测率、误报率和计算得出的正确率,制成表格2。
表格2故障检测与分类仿真结果
通过表格可以看出,本实施例中的故障检测方法和故障分类方法有着较高的精确度,在数据丢失、数据停滞和偏差等故障类型上都能做到较为精确的判断。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (7)
1.一种基于连续血糖监测系统的在线故障检测与诊断系统,其特征在于,包括:血糖数据采集装置、云服务器和多个移动终端;
所述血糖数据采集装置包括:临床数据采集设备和虚拟数据生成设备;
所述血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;
所述云服务器分别与所述多个移动终端通信连接;
所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断,获得故障检测与诊断结果数据;所述进行故障检测与诊断的步骤包括:
获取历史时刻CGM的测量值,利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差,继而计算获得历史时刻的KL散度;
S1、获取的当前时刻CGM的测量值,将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差,继而计算当前时刻的KL散度;
S2、判断是否发生数据丢失情况;
若是,则数据重构,即用获得的在线预测值代替测量值,并重新执行S1;
若否,则执行下一步;
S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差,确定初始阈值;
S4、判断当前时候测量值是否较上一时刻发生快速变化;
若是,则通过查看上一时刻是否故障;
若发生故障,则不修改阈值;
若未发生故障,则增大阈值;
若否,则保持初始阈值;
S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95%置信区间比较来判断CGM是否正常工作;
若当前时刻KL散度大于阈值且CGM测量值超过GPR的95%置信区间,则为CGM异常状态,则执行下一步;
否则为正常工作状态,返回S1;
S6、将CGM测量值由KNN分类器模型进行故障诊断,获得诊断故障类型;将在线预测值代替故障数据进行数据重构,然后执行S1;
所述多个移动终端能够从所述云服务器处获取故障检测与诊断结果数据以及给予患者的CGM调整意见;
所述调整意见是指根据各种故障形式,基于处理经验给患者提供调整意见;
患者能够借助于所述多个移动终端给予的异常警报或调整意见,及时修复处于异常工作状态的所述血糖数据采集装置。
2.根据权利要求1所述的诊断系统,其特征在于,
所述临床数据采集设备包括:连续血糖监测系统CGM和连续皮下胰岛素注射CSII;
所述连续皮下胰岛素注射CSII能够获得动作序列数据,为后续建模与软测量、训练分类器环节提供可靠的数据来源;
所述连续血糖监测系统CGM能够为所述云服务器发送患者的血糖数据。
3.根据权利要求1所述的诊断系统,其特征在于,
所述虚拟数据生成设备为基于Matlab软件的UVA/Padova仿真平台;
所述UVA/Padova仿真平台能够为所述云服务器提供虚拟患者的血糖数据。
4.根据权利要求2或3所述的诊断系统,其特征在于,所述多个移动终端至少包括:患者使用的患者客户端和医生使用的医生监护端。
5.根据权利要求1所述的诊断系统,其特征在于,
所述云服务器至少包括:计算模块和云存储数据库;
所述计算模块能够通过获得的血糖数据计算得到故障检测与诊断结果数据,并将故障检测与诊断结果数据存储到所述云存储数据库中。
6.根据权利要求4所述的诊断系统,其特征在于,
所述患者使用的患者客户端为手机或其它智能设备;
所述医生使用的医生监护系统为电脑或其它智能设备。
7.根据权利要求6所述的诊断系统,其特征在于,
故障检测的结果包括:设备正常和设备异常;
诊断结果至少包括:尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697252.7A CN110379503B (zh) | 2019-07-30 | 2019-07-30 | 一种基于连续血糖监测系统的在线故障检测与诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697252.7A CN110379503B (zh) | 2019-07-30 | 2019-07-30 | 一种基于连续血糖监测系统的在线故障检测与诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379503A CN110379503A (zh) | 2019-10-25 |
CN110379503B true CN110379503B (zh) | 2023-08-25 |
Family
ID=68257123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910697252.7A Active CN110379503B (zh) | 2019-07-30 | 2019-07-30 | 一种基于连续血糖监测系统的在线故障检测与诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379503B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114659B (zh) * | 2021-04-08 | 2022-12-23 | 深圳市元征科技股份有限公司 | 诊断设备检测方法、装置、终端设备及存储介质 |
CN114548259B (zh) * | 2022-02-18 | 2023-10-10 | 东北大学 | 一种基于半监督Semi-KNN模型的PISA故障识别方法 |
CN117612692B (zh) * | 2024-01-19 | 2024-04-05 | 太原理工大学 | 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403705A (zh) * | 2015-12-05 | 2016-03-16 | 浙江大学 | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 |
CN105446328A (zh) * | 2016-01-15 | 2016-03-30 | 廖金能 | 发电机组远程故障诊断和健康监测系统及数据捕获方法 |
EP3422222A1 (en) * | 2017-06-29 | 2019-01-02 | Roche Diabetes Care GmbH | Method and state machine system for detecting an operation status for a sensor |
CN109416936A (zh) * | 2016-03-02 | 2019-03-01 | 豪夫迈·罗氏有限公司 | 具有无监督的日常cgm图谱(或胰岛素图谱)的聚类的患者糖尿病监测系统以及其方法 |
CN109682976A (zh) * | 2019-02-28 | 2019-04-26 | 东北大学 | 基于多模型融合的连续血糖监测传感器在线故障检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050261660A1 (en) * | 2004-05-24 | 2005-11-24 | Choi Soo B | Method for controlling insulin pump using Bluetooth protocol |
US20130231543A1 (en) * | 2012-03-05 | 2013-09-05 | Andrea Facchinetti | Method to improve safety monitoring in type-1 diabetic patients by detecting in real-time failures of the glucose |
CN107548548B (zh) * | 2015-05-12 | 2021-09-14 | 德克斯康公司 | 用于连续葡萄糖监视的分布式系统架构 |
US10646650B2 (en) * | 2015-06-02 | 2020-05-12 | Illinois Institute Of Technology | Multivariable artificial pancreas method and system |
-
2019
- 2019-07-30 CN CN201910697252.7A patent/CN110379503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403705A (zh) * | 2015-12-05 | 2016-03-16 | 浙江大学 | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 |
CN105446328A (zh) * | 2016-01-15 | 2016-03-30 | 廖金能 | 发电机组远程故障诊断和健康监测系统及数据捕获方法 |
CN109416936A (zh) * | 2016-03-02 | 2019-03-01 | 豪夫迈·罗氏有限公司 | 具有无监督的日常cgm图谱(或胰岛素图谱)的聚类的患者糖尿病监测系统以及其方法 |
EP3422222A1 (en) * | 2017-06-29 | 2019-01-02 | Roche Diabetes Care GmbH | Method and state machine system for detecting an operation status for a sensor |
CN109682976A (zh) * | 2019-02-28 | 2019-04-26 | 东北大学 | 基于多模型融合的连续血糖监测传感器在线故障检测方法 |
Non-Patent Citations (1)
Title |
---|
fault detection in continuous glucose monitoring sensors for artificial pancreas systems;XIA YU 等;IFAC;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110379503A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379503B (zh) | 一种基于连续血糖监测系统的在线故障检测与诊断系统 | |
CN110448306B (zh) | 一种基于连续血糖监测系统的在线故障检测与诊断方法 | |
CN109682976B (zh) | 基于多模型融合的连续血糖监测传感器在线故障检测方法 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
US20210161479A1 (en) | A Probability-Based Detector and Controller Apparatus, Method, Computer Program | |
US8949072B2 (en) | Novelty detection with missing parameters | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN117831701A (zh) | 一种基于规则引擎的电子病例质控方法 | |
CN114842978B (zh) | 一种基于医疗大数据的血气分析智能检测系统及方法 | |
CN116712099A (zh) | 基于多模态数据的胎心状态检测方法、电子设备、存储介质 | |
Drecogna et al. | Data gap modeling in continuous glucose monitoring sensor data | |
CN111326255A (zh) | 一种基于大数据的血糖浓度校正方法、存储介质及系统 | |
Feng et al. | Hybrid online sensor error detection and functional redundancy for artificial pancreas control systems | |
Yu et al. | Fault detection in continuous glucose monitoring sensors for artificial pancreas systems | |
Song et al. | A classification-based fault detection method for Continuous glucose monitoring (CGM) | |
CN116439698B (zh) | 一种重症监护室血糖监测预警方法、系统及设备 | |
Camacho et al. | Using fuzzy automata to diagnose and predict heart problems | |
CN105388276B (zh) | 一种血液试剂分析系统以及分析方法 | |
CN114548259B (zh) | 一种基于半监督Semi-KNN模型的PISA故障识别方法 | |
Demmer et al. | Development of a retrospective process for analyzing results of a HMM based posture recognition system in a functionalized nursing bed | |
CN115944277B (zh) | 基于数据分析的脉诊仪辅助诊脉系统 | |
CN117030987B (zh) | 血液凝固分析系统、方法、设备及存储介质 | |
Cinar et al. | Fault Detection and Data Reconciliation | |
CN117494055A (zh) | 一种湿包检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |