DE102008061900A1 - Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient - Google Patents

Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient Download PDF

Info

Publication number
DE102008061900A1
DE102008061900A1 DE102008061900A DE102008061900A DE102008061900A1 DE 102008061900 A1 DE102008061900 A1 DE 102008061900A1 DE 102008061900 A DE102008061900 A DE 102008061900A DE 102008061900 A DE102008061900 A DE 102008061900A DE 102008061900 A1 DE102008061900 A1 DE 102008061900A1
Authority
DE
Germany
Prior art keywords
patient
neural network
blood
blood glucose
determined
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.)
Ceased
Application number
DE102008061900A
Other languages
German (de)
Inventor
Susanne Thon
Hartmut Fischer
Andreas Dr. Völkel
Martin Bussas
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TROUT GmbH
Original Assignee
TROUT GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TROUT GmbH filed Critical TROUT GmbH
Priority to DE102008061900A priority Critical patent/DE102008061900A1/en
Priority to EP09015351.1A priority patent/EP2196140B1/en
Publication of DE102008061900A1 publication Critical patent/DE102008061900A1/en
Ceased legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

The method involves bringing a high and a low-frequency current into the body of a patient, and feeding the determined high and low-frequency-impedances into a calibrated neural network. Multiple neural networks are generated with different initial values for more exact determination of impedance. The blood sugar content is determined by the neural network, and is displayed on a display. An independent claim is also included for a device for non-invasive determination of the blood sugar content in the blood by measuring the impedance of the body of patient or a part of the body of patient.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur nicht invasiven Bestimmung des Blutzuckergehalts im Blut durch Messung der Impedanz des Körpers oder eines Teils des Körpers eines Patienten.The The present invention relates to a method for non-invasive Determination of the blood sugar content in the blood by measuring the impedance of the body or part of the body of one Patients.

Die Messung des Blutzuckergehalts ist für Diabetiker von immanenter Wichtigkeit. Schlussendlich dient die Kenntnis über den momentanen Blutzuckergehalt zur Entscheidungsfindung darüber, ob und gegebenenfalls wie viel Insulin sich der Diabetiker zuführen muss. Eine solche Kontrolle hat mehrfach über den Tag verteilt zu erfolgen, um sicherzustellen, dass größere Sprünge des Zuckergehalts im Blut vermieden werden. Üblicherweise erfolgt eine vier- bis sechsmalige Kontrolle des Blutzuckergehalts über einen Zeitraum von 24 Stunden.The Measurement of blood sugar content is immanent for diabetics Importance. Finally, the knowledge about the current blood sugar content to make a decision about whether and, if so, how much insulin the diabetic is feeding on got to. Such control has been distributed several times throughout the day to be done to ensure that larger Jumps in sugar levels in the blood are avoided. Usually is carried out four to six times the control of the blood sugar content a period of 24 hours.

Die Überprüfung des Blutzuckergehalts mit Hilfe sogenannter Blutzuckermessstreifen ist bekannt. Hierbei wird üblicherweise so vorgegangen, dass sich die Patienten mit einer Nadel in die Fingerkuppe stechen, wobei das austretende Blut auf den Blutzuckermessstreifen gegeben wird, welcher anhand einer Verfärbung anzeigt, wie hoch in etwa der Blutzuckergehalt tatsächlich in dem Moment ist. Diese Methode hat den Nachteil, dass sie relativ ungenau ist. Der Genauigkeitsgrad einer solchen Messung liegt zwischen +/–15 und 20%. Darüber hinaus ist nachteilig, dass durch das vielfach wiederholte Stechen – wie bereits ausgeführt bis zu sechsmal am Tag – mit einer Nadel in die Fingerkuppe dies auf Dauer zu einer Verhärtung des Gewebes in der Fingerkuppe führt. Des Weiteren besteht die Gefahr von Infektionen. Nicht zuletzt ist die Überprüfung des Blutzuckergehalts mit Messstreifen teuer, da der Preis für solche Messstreifen zwischen EUR 1,00 und EUR 2,00 pro Stück beträgt.The verification the blood sugar content with the help of so-called blood sugar test strips is known. This is usually done so that the patients prick themselves with a needle in the fingertip, whereby the leaking blood is given to the blood sugar test strip, which indicates by means of a discoloration how high in about the blood sugar is actually in the moment. These Method has the disadvantage that it is relatively inaccurate. The degree of accuracy such a measurement is between +/- 15 and 20%. About that addition, it is disadvantageous that the repeated repeated stinging - like already performed up to six times a day - with a needle in the fingertip this in the long run to a hardening tissue in the fingertip. Furthermore exists the danger of infections. Last but not least is the review of blood sugar content with measuring strips expensive because the price of such gauges between EUR 1.00 and EUR 2.00 per piece is.

Es besteht daher ein lebhaftes Interesse an alternativen Methoden zur Bestimmung des Blutzuckergehalts. Insbesondere von Interesse sind hierbei sogenannte nicht invasive Methoden zur Ermittlung des Blutzuckergehalts. Aus der US 6,841,389 B2 ist in diesem Zusammenhang ein nicht invasives Verfahren zur Bestimmung des Blutzuckergehalts bekannt. Dieses Verfahren nutzt lineare Näherungsfunktionen 1.There is therefore a keen interest in alternative methods for determining blood glucose levels. Of particular interest here are so-called non-invasive methods for determining the blood sugar content. From the US 6,841,389 B2 In this context, a non-invasive method for the determination of blood sugar content is known. This method uses linear approximation functions 1.

Ableitung für die Beziehung zwischen Blutzuckergehalt und Widerstand der Haut.derivation for the relationship between blood sugar content and resistance of the skin.

Das Berechnungsmodul berücksichtigt eine Änderung im Blutzuckergehalt. Die Koeffizienten in der Nährungsfunktion werden zu Beginn durch Messung des Blutzuckergehalts auf invasivem Weg bestimmt. Allerdings hat sich herausgestellt, dass die in der US-Schrift angegebenen Berechnungsmethoden zu keinen hinreichend genauen Ergebnissen bei der Bestimmung des Blutzuckerwertes führen. Dies liegt im Wesentlichen darin begründet, dass die mathematischen Modelle starr sind.The Calculation module takes into account a change in the blood sugar content. The coefficients in the nutritional function are initially measured by measuring the blood sugar level on invasive Way determined. However, that has turned out to be in the US-Script calculation methods not sufficient lead to accurate results in the determination of the blood glucose value. This is essentially due to the fact that the mathematical Models are rigid.

Ein Verfahren der eingangs genannten Art, das mit hinreichender Genauigkeit eine Bestimmung des Blutzuckergehalts zulässt, zeichnet sich erfindungsgemäß durch mindestens folgende Schritte aus:

  • – Einbringen eines hoch- und eines niederfrequenten Stroms in den Körper eines Patienten, wobei die Elektroden zur Einbringung des hoch- und des niederfrequenten Stroms beabstandet zueinander am Körper des Patienten angelegt sind;
  • – Eingabe der ermittelten HF- und LF-Impedanzen in ein künstliches, neuronales Netz;
  • – Anzeige des durch das neuronale Netz ermittelten Blutzuckergehalts auf einer Anzeige.
A method of the aforementioned type, which allows a determination of the blood sugar content with sufficient accuracy, according to the invention is characterized by at least the following steps:
  • - introducing a high and a low frequency current into the body of a patient, wherein the electrodes for introducing the high and the low frequency current are spaced from each other on the body of the patient;
  • - Input of the determined RF and LF impedances in an artificial neural network;
  • - Display of the blood glucose content determined by the neural network on a display.

Der hochfrequente Strom befindet sich hierbei im Bereich von 1–9 MHz, insbesondere von 1–3 MHz; der niederfrequente Strom liegt im Bereich von 10–100 kHz, insbesondere im Bereich von 20–50 kHz. Die Größe der Frequenz bestimmt, in welcher Tiefe subkutan im Gewebe die Impedanz gemessen wird. In den oben angegebenen Bereichen, so hat sich herausgestellt, lässt sich aus den genaueren Impedanzen ein hinreichend genauer Blutzuckerwert ermitteln. Hierdurch wird auch erreicht, dass der Blutzuckergehalt im Wesentlichen kontinuierlich gemessen wird, also in bestimmten zeitlichen Abständen, z. B. 10 Sekunden. Vorteilhaft hierbei ist, dass der Patient somit in der Lage ist, das Unter- oder Überschreiten von Grenzen, d. h. das Auftreten von Hypoglykämie oder Hyperglykämie zu vermeiden.Of the High frequency current is in the range of 1-9 MHz, in particular 1-3 MHz; the low frequency current is in the range of 10-100 kHz, especially in the range from 20-50 kHz. The size of the frequency determines the depth at which the impedance is measured subcutaneously in the tissue. In the above-mentioned areas, it has turned out to be to determine a sufficiently accurate blood glucose value from the more accurate impedances. This also ensures that the blood sugar content is substantially is measured continuously, that is at certain intervals, z. For example 10 seconds. The advantage here is that the patient thus is capable of exceeding or exceeding limits, d. H. the occurrence of hypoglycemia or hyperglycemia to avoid.

Weitere vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den Unteransprüchen.Further advantageous embodiments and developments emerge the dependent claims.

Anhand der Zeichnungen wird die Erfindung nachstehend beispielhaft näher erläutert.Based of the drawings, the invention will be exemplified in more detail below explained.

1 zeigt schematisch den Aufbau des Gewebes; 1 shows schematically the structure of the tissue;

2 zeigt schematisch die Funktionsweise eines Neurons; 2 schematically shows the operation of a neuron;

3 zeigt schematisch den Aufbau eines künstlichen neuronalen Netzes; 3 schematically shows the structure of an artificial neural network;

4 zeigt ein Beispiel für das Ergebnis einer Messung innerhalb eines Zeitraums eines Diabetes (Typ 1) Patienten. 4 shows an example of the result of a measurement within a period of a diabetes (type 1) patient.

Bekannt ist, dass der Blutzuckergehalt mit der Impedanz des Blutes korreliert. Im Einzelnen gilt in Bezug auf den Zusammenhang zwischen Blutzucker G und der Impedanz Z folgende Beziehung:

Figure 00040001
It is known that the blood sugar content correlates with the impedance of the blood. In detail applies with regard to the relationship between blood glucose G and the impedance Z, the following relationship:
Figure 00040001

Der Blutzuckerspiegel beeinflusst den osmotischen Druck und damit die Leitfähigkeit des Gewebes. Bei steigendem Blutzuckerspiegel steigt auch der osmotische Druck. Dies hat zur Folge, dass die Zellen kleiner werden, das Flüssigkeitsvolumen Vout allerdings größer wird, womit naturgemäß auch der Abstand zwischen den einzelnen Zellen steigt, wodurch die Leitfähigkeit C steigt und die Impedanz Z infolgedessen fällt. Das heißt, in Folge osmotischer Vorgänge steigt bei zunehmendem Blutzuckerspiegel das extrazelluläre Flüssigkeitsvolumen Vout an. Anders ausgedrückt bedeutet dies, dass, wenn der Blutzuckerspiegel steigt, der osmotische Druck ebenfalls ansteigt, jedoch aufgrund des ansteigenden Druckes die Zelle kleiner wird. Da die Zelle kleiner wird, wird das extrazelluläre Volumen größer, was zu einer Steigerung der Leitfähigkeit führt, was wiederum zu einem Fallen der Impedanz führt (1).The blood sugar level influences the osmotic pressure and thus the conductivity of the tissue. As the blood sugar level rises, so does the osmotic pressure. As a result, the cells become smaller, but the liquid volume V out becomes larger, which of course also increases the distance between the individual cells, as a result of which the conductivity C increases and the impedance Z consequently falls. That is, as a result of osmotic processes, the extracellular fluid volume V out increases as the blood sugar level increases. In other words, when the blood sugar level rises, the osmotic pressure also increases, but due to the increasing pressure, the cell becomes smaller. As the cell gets smaller, the extracellular volume becomes larger, which leads to an increase in the conductivity, which in turn leads to a fall of the impedance ( 1 ).

Des Weiteren gilt für den Zusammenhang zwischen Impedanz und Flüssigkeitsvolumen Folgendes:
Durch Einbringung eines hochfrequenten Stroms wird die Impedanz in der Gesamtflüssigkeitsmenge ermittelt. Dies geschieht z. B. durch Anlage zweier Manschetten, die beabstandet zueinander an dem Arm des Patienten angelegt werden. Die Manschetten weisen die Elektroden auf. Die Gesamtmenge an Flüssigkeit stellt ergibt sich zu Vtot = Vin + Vout (Vin = Flüssigkeitsvolumen in der Zelle; Vout = Flüssigkeitsvolumen außerhalb der Zelle). Bei Einbringung eines niederfrequenten Stroms in den Körper kann die Impedanz lediglich in dem Flüssigkeitsvolumen außerhalb der Zellen dargestellt werden. Insgesamt ergibt sich für den Zusammenhang zwischen Impedanz Z und dem Flüssigkeitsvolumen im Gewebe folgende Abhängigkeit:

Figure 00050001
Furthermore, for the relationship between impedance and fluid volume:
By introducing a high-frequency current, the impedance in the total amount of liquid is determined. This happens z. B. by conditioning two sleeves, which are spaced from each other to the arm of the patient to be applied. The cuffs have the electrodes. The total amount of liquid represents V tot = V in + V out (V in = liquid volume in the cell; V out = liquid volume outside the cell). When a low-frequency current is introduced into the body, the impedance can only be represented in the fluid volume outside the cells. Overall, the following relationship results for the relationship between impedance Z and the fluid volume in the tissue:
Figure 00050001

Das heißt, für den niederfrequenten Anteil verhält sich der Impedanzwert umgekehrt proportional zur niederfrequenten Leitfähigkeit und damit umgekehrt proportional zum außenzellulären Flüssigkeitsvolumen Vout. Im Fall des hochfrequenten Anteils verhält sich der Impedanzwert ebenfalls umgekehrt proportional zur hochfrequenten Leitfähigkeit C und damit umgekehrt proportional zur Summe Vtot aus interzellulärem Flüssigkeitsvolumen Vin und außerzellulärem Flüssigkeitsvolumen Vout.That is, for the low-frequency component, the impedance value behaves inversely proportional to the low-frequency conductivity and thus inversely proportional to the external cellular fluid volume V out . In the case of the high-frequency component, the impedance value also behaves inversely proportional to the high-frequency conductivity C and thus inversely proportional to the sum V tot of intercellular fluid volume V in and extracellular fluid volume V out .

Vorteilhaft bei der Verwendung eines künstlichen neuronalen Netzes, und hier insbesondere eines kalibrierten neuronalen Netzes, ist, dass in Abhängigkeit von der Häufigkeit der Messungen und insbesondere vorangegangener Kalibriervorgänge das ganze Verfahren auf Dauer immer genauer wird. Das heißt, das Verfahren stellt sich im Laufe der Zeit immer besser auf den speziellen Patienten ein. Dies deshalb, weil – wie bereits ausgeführt – ein neuronales Netz grundsätzlich lernfähig ist.Advantageous when using an artificial neural network, and here in particular a calibrated neural network, is that depends on the frequency of measurements and in particular previous calibration operations whole process becomes more and more accurate in the long run. This means, the process gets better and better over time special patients. This is because - as already executed - a neural network in principle is capable of learning.

Eine weitere Erhöhung der Genauigkeit erfährt das Verfahren durch Berücksichtigung der Körpertemperatur. Ein Anstieg des Zuckergehalts im Blut führt zu einer Temperaturverminderung, was einen Abfall der Leitfähigkeit des Gewebes zur Folge hat. Es wurde beispielsweise herausgefunden, dass eine Temperaturdifferenz von 1°C eine Änderung der Impedanz von 2% zur Folge hat.A further increase the accuracy learns the process by taking into account the body temperature. One Increase of the sugar content in the blood leads to a temperature reduction, which results in a decrease in the conductivity of the tissue Has. For example, it has been found that a temperature difference of 1 ° C a change in impedance of 2% to Episode has.

Bereits an anderer Stelle wurde erläutert, dass sich bei steigendem Zuckergehalt das extrazelluläre Volumen Vout ändert, was eine fallende Impedanz zur Folge hat. In Bezug auf die Temperatur wurde dargelegt, dass mit steigendem Zuckergehalt die Temperatur sinkt, und infolge einer Leitfähigkeitsverminderung die Impedanz für den eingebrachten niederfrequenten Strom steigt. Insgesamt stellt sich der Blutzuckergehalt als Funktion der Temperatur und des extrazellulären Volumens wie folgt dar:

Figure 00060001
It has already been explained elsewhere that with increasing sugar content, the extracellular volume V out changes, which leads to a falling impedance. In terms of temperature, it has been demonstrated that as the sugar level increases, the temperature decreases, and as a result of a reduction in conductivity, the impedance for the introduced low-frequency current increases. Overall, the blood sugar content as a function of temperature and extracellular volume is as follows:
Figure 00060001

Im Einzelnen ist vorgesehen, dass die Körpertemperatur am Körpers des Patienten, d. h. auf der Oberfläche der Haut, im Bereich der Elektroden gemessen wird, da Messungen der Temperatur außerhalb des Bereichs des Elektroden zur Einbringung des nieder- und des hochfrequenten Stroms in den Körper des Patienten zur Verfälschung der Relation der Messwerte zueinander führen können. Insofern ist auch vorteilhaft vorgesehen, dass die Körpertemperatur zum Zeitpunkt der Messung der Impedanz ermittelt wird.in the Individual is provided that the body temperature at Body of the patient, d. H. on the surface of the skin, measured in the area of the electrodes, since measurements the temperature outside the range of the electrodes for Introduction of low and high frequency current into the body the patient falsifies the relation of the measured values can lead to each other. Insofar is also advantageous provided that the body temperature at the time of Measurement of the impedance is determined.

Berücksichtigt wird bei der Messung der Impedanz die Feuchtigkeit oder Trockenheit der Haut. Bekannt ist, dass mit zunehmender Trockenheit der Hautoberfläche der Widerstand wächst. Der Kontakteinfluss über die Feuchtigkeit wird nun dadurch kompensiert, dass jeweils ein zweites Elektrodenpaar verwendet wird. Das heißt, die Manschetten, die am Arm des Patienten anliegen, besitzen jeweils ein zweites Elektrodenpaar. Die Kompensation bezieht sich für die Elektroden auf den Kontaktwiderstand, der durch die Verwendung eines weiteren Elektrodenpaares kompensiert werden kann. Der Glukoseanstieg führt zu einer höheren Leitfähigkeit des Gewebes, jedoch kann sich die Leitfähigkeit der Elektroden, z. B. durch die Trockenheit der Haut vermindern. Aufgrund zunehmender Trockenheit der Haut wächst der Widerstand.When measuring the impedance, the moisture or dryness of the skin is taken into account. It is known that the resistance increases with increasing dryness of the skin surface. The contact influence via the moisture is now compensated by the fact that in each case a second electrode pair is used. That is, the cuffs that abut the patient's arm each have a second pair of electrodes. The compensation relates to the contact resistance for the electrodes, which can be compensated by the use of a further electrode pair. The increase in glucose leads to a higher conductivity of the tissue, however, the conductivity of the electrodes, z. B. by the dryness of the skin. Due to increasing dryness of the skin the resistance increases.

Ein weiteres Merkmal der Erfindung zeichnet sich dadurch aus, dass das künstliche neuronale Netz als Netz mit drei Schichten ausgebildet ist (2, 3). Ein künstliches neuronales Netz oder Netzwerk besteht aus Neuronen, die in Schichten angeordnet und durch Synapsen untereinander verbunden sind. Jedes neuronale Netz besitzt eine bestimmte Anzahl von Eingangsneuronen sowie eine Ausgangsschicht, die die Ausgangsneuronen enthält. Weiterhin besitzt ein künstliches neuronales Netz üblicherweise mindestens eine verborgene Schicht, die die verborgenen Neuronen enthält. Über die Eingangsneuronen werden die vorhandenen Daten aufgenommen und in das neuronale Netz gegeben. Die Daten durchlaufen die Neuronen aller Schichten und werden dabei bearbeitet. Über die Ausgangsneuronen werden schließlich die berechneten Ergebnisse ausgegeben. Im Einzelnen erfolgt die Transformation der Daten bei der Weitergabe an die verschiedenen Schichten des neuronalen Netzes hierbei derart, dass ein Neuron Daten empfängt, und zwar entweder als Eingabedaten in das neuronale Netz oder in bearbeiteter Form von Neuronen der vorhergehenden Schicht. Die Daten werden gewichtet und anschließend addiert. Von der Summe wird ein Schwellenwert abgezogen und aus dem daraus resultierenden Ergebnis wird mit Hilfe der Transferfunktion der Wert berechnet, den das Neuron weitergibt Bei der Erfindung wird vorteilhaft die Tan-Sigmoid Funktion T(n) = 2/(1 + e^(–2n)) – 1als Transferfunktion in den Neuronen der verborgenen Schichten genutzt. In den Eingangsneuronen sowie in den Neuronen der Ausgangsschicht wird die Identitätsfunktion T(n) = 2/(1 + e^(–2n)) – 1genutzt.Another feature of the invention is characterized in that the artificial neural network is designed as a network with three layers ( 2 . 3 ). An artificial neural network or network consists of neurons that are arranged in layers and interconnected by synapses. Each neural network has a certain number of input neurons as well as an output layer containing the output neurons. Furthermore, an artificial neural network usually has at least one hidden layer containing the hidden neurons. The input neurons are used to record the existing data and place it in the neural network. The data passes through the neurons of all layers and is thereby processed. Finally, the calculated results are output via the output neurons. Specifically, the transformation of the data as it is passed to the various layers of the neural network is done in such a way that a neuron receives data, either as input to the neural network or as a processed form of previous layer neurons. The data is weighted and then added. From the sum of a threshold value is subtracted and from the resulting result is calculated by means of the transfer function, the value passed on by the neuron In the invention, the Tan sigmoid function is advantageous T (n) = 2 / (1 + e ^ (- 2n)) - 1 used as a transfer function in the neurons of the hidden layers. In the input neurons as well as in the neurons of the output layer becomes the identity function T (n) = 2 / (1 + e ^ (- 2n)) - 1 used.

Es wird darauf hingewiesen, dass auch der Einsatz anderer Transferfunktionen möglich ist. Hierbei wird die Tan-Sigmoid Funktion in den Neuronen der verborgenen Schichten benutzt. In den Eingangsneuronen sowie in den Neuronen der Ausgangsschicht wird die Identitätsfunktion T(n) = n als Transferfunktion genutzt.It It should be noted that the use of other transfer functions is possible. Here, the Tan sigmoid function in the Neurons of the hidden layers used. In the input neurons as well as in the neurons of the output layer becomes the identity function T (n) = n used as a transfer function.

Anhand der Zeichnung, 2, wird die Funktionsweise eines einzelnen Neurons näher erläutert.Based on the drawing, 2 , explains how a single neuron works.

Wie bereits an anderer Stelle erläutert, enthalten künstliche neuronale Netze mindestens eine Ausgangsschicht, vorteilhaft jedoch mindestens eine verborgene Schicht und eine Ausgangsschicht. Bei den künstlichen neuronalen Netzen gemäß der Erfindung sind jedoch zwei verborgene Schichten und eine Ausgangsschicht vorgesehen (3), wobei insbesondere vorteilhaft bei der Erfindung die erste verborgene Schicht fünf Neuronen enthält, und die zweite dahinter angeordnete verborgene Schicht drei Neuronen und die Ausgangsschicht wieder ein Neuron, wie sich dies aus 3 ergibt. Grundsätzlich ist die Anzahl der Neuronen in einem neuronalen Netz allerdings nicht beschränkt.As already explained elsewhere, artificial neural networks contain at least one output layer, but advantageously at least one hidden layer and one output layer. In the artificial neural networks according to the invention, however, two hidden layers and one output layer are provided ( 3 In particular, in the invention, the first hidden layer contains five neurons, and the second hidden layer behind it contains three neurons and the output layer again a neuron, as is known 3 results. Basically, however, the number of neurons in a neural network is not limited.

Es wurde ebenfalls bereits an anderer Stelle darauf hingewiesen, dass bei dem Verfahren durch die Verwendung eines künstlichen neuronalen Netzes das Ergebnis mit der Anzahl der durchgeführten Messungen immer genauer wird. Das heißt, das neuronale Netz ist selbstständig lernfähig. Für die Genauigkeit der zu berechnenden Ergebnisse, und hier insbesondere des Blutzuckergehalts, ist die Wertebelegung der Gewichte und der Schwellenwerte entscheidend. Die Schwellenwerte und Gewichte innerhalb des neuronalen Netzes werden zunächst mit zufällig gewählten beliebigen Werten belegt. Zum Training werden dann dem Netz Daten, also Impedanzen und Temperaturwerte und die dazugehörigen Ergebnisse (Blutzuckergehalt) präsentiert. Das Netz berechnet aus den gegebenen Daten einen Wert, der mit dem bekannten Wert, hier dem invasiv gemessenen Blutzuckerwert, verglichen wird. Aufgrund der sich hierbei ergebenden Abweichungen werden die Schwellenwerte und Gewichte im Netz korrigiert. Dies geschieht durch numerische Verfahren, wie z. B. durch den Levenberg-Marquardt-Algorithmus. Dieser Vorgang des Lernens wird für ein neuronales Netz so lange wiederholt, bis die Abweichung einen gewünschten Wert nicht überschreitet.It has also been noted elsewhere that in the process by the use of an artificial neural network the result with the number of measurements performed getting more accurate. That is, the neural network is self-contained trainable. For the accuracy of the to be calculated Results, and in particular the blood sugar content, is the Value allocation of weights and thresholds crucial. The thresholds and weights within the neural network are initially chosen at random any values occupied. For training then the network data, ie impedances and temperature values and the associated Results (blood sugar content) presented. The network is calculated from the given data, a value that matches the known value, Here, the invasively measured blood glucose value is compared. by virtue of the resulting deviations become the threshold values and corrected weights in the network. This is done by numeric Method, such. By the Levenberg-Marquardt algorithm. This process of learning becomes for a neural network repeated until the deviation reaches a desired Value does not exceed.

Im Einzelnen wird zur Kalibrierung bzw. zum Anlernen des neuronalen Netzes dem neuronalen Netz mindestens jeweils eine zu einem Zeitpunkt gemessene LF- und HF-Impedanz sowie vorteilhaft mindestens ein zum gleichen Zeitpunkt ermittelter Temperaturmesswert sowie mindestens ein in dem im Wesentlichen gleichen Zeitraum invasiv ermittelter Blutzuckerwert eingegeben, wobei der anhand der LF- und HF-Impedanzen und der Temperatur durch das neuronale Netzwerk ermittelte Blutzuckerwert mit dem invasiv gemessenen Blutzuckerwert verglichen wird und mittels des Levenberg-Marquardt-Algorithmus die Abweichung reduziert wird. Zur Reduzierung der Abweichung zwischen dem gemessenen und dem durch das neuronale Netz rechnerisch ermittelten Blutzuckerwertes werden die in dem neuronalen Netz eingesetzten Gewichte und Schwellenwerte mit Hilfe des Levenberg-Marquardt-Algorithmus derart korrigiert, dass nach mehrmaligem Kalibrierungsvorgang die Abweichung minimiert ist. Mit anderen Worten bedeutet dies, dass nach jedem Berechnungsdurchgang, also nach jedem durch das neuronale Netz berechneten Blutzuckerwert dieser Wert mit dem tatsächlichen invasiv gemessenen Blutzuckerwert verglichen wird, die sich hieraus ergebende Abweichung mit Hilfe des Levenberg-Marquardt-Algorithmus zu einer Änderung der Gewichte und Schwellenwerte führt, mit der Folge, dass bei einem nachfolgenden Berechnungsvorgang in dem künstlichen neuronalen Netz die Abweichung des durch das Netzwerk rechnerisch ermittelten Blutzuckerwertes vom tatsächlichen invasiv gemessenen Blutzuckerwert geringer wird. Hieraus folgt unmittelbar, dass dann, wenn die Abweichung nicht nur von einem invasiv gemessenen Blutzuckerwert Berücksichtigung bei der Indizierung der Schwellenwerte und Gewichte findet, sondern eine Mehrzahl von tatsächlich gemessenen Blutzuckerwerten Eingang in das Verfahren findet, das neuronale Netz umso genauer in der Lage ist, den Blutzuckerwert zu berechnen. An dieser Stelle wird darauf hingewiesen, dass die invasiv ermittelten Blutzuckerwerte nicht unbedingt solche sind, die mit Hilfe von Blutzuckermessstationen ermittelt werden, sondern auch solche sein können, die in Kliniken chemisch gemessen werden und somit genauer sind. Es kann sein, dass während des Betriebes in bestimmten zeitlichen Abständen die Kalibrierung wiederholt werden muss.Specifically, the neural network is at least one respectively LF and HF impedance measured at a time and advantageously at least one determined at the same time temperature reading and at least one in the substantially same period invasively determined blood glucose value is entered for the calibration or training of the neural network in which the blood sugar value determined on the basis of the LF and HF impedances and the temperature by the neural network is compared with the invasively measured blood sugar value and the deviation is reduced by means of the Levenberg-Marquardt algorithm. In order to reduce the deviation between the measured and the blood glucose value computationally determined by the neural network, the weights and threshold values used in the neural network are corrected by means of the Levenberg-Marquardt algorithm in such a way that the deviation is minimized after repeated calibration procedures. In other words, this means that after each calculation pass, after each through the neural network calculated blood glucose value, this value is compared with the actual invasively measured blood glucose value, the resulting deviation using the Levenberg-Marquardt algorithm leads to a change in the weights and thresholds, with the result that in a subsequent calculation process in the artificial neural Net, the deviation of the blood glucose value computationally determined by the network from the actual invasively measured blood sugar value becomes lower. It follows immediately that when the deviation not only from an invasively measured blood sugar value is taken into account in the indexing of the threshold values and weights, but a plurality of actually measured blood sugar values are input into the process, the neural network is able to do so more accurately. to calculate the blood sugar value. It should be noted at this point that the invasively determined blood sugar levels are not necessarily those that are determined with the help of blood glucose monitoring stations, but can also be those that are chemically measured in hospitals and thus more accurate. It may be necessary to repeat the calibration during operation at certain intervals.

Zur weiteren Erhöhung der Genauigkeit erfolgt die Berechnung des Blutzuckergehalts durch das neuronale Netz nicht nur durch ein neuronales Netz, sondern durch eine Mehrzahl neuronaler Netze, insbesondere neun neuronaler Netze. Dies geschieht im Einzelnen durch eine Mittelwertbildung der Ausgabewerte, d. h. der berechneten Blutzuckerwerte der einzelnen Netze, und hier insbesondere der Netze, deren Ausgabewerte die geringste Abweichung zu den invasiv gemessenen Werten aufweisen. Bevor allerdings die gemessenen Werte, d. h. die Impedanzen und die Temperatur, in die Netze gegeben werden, werden sie zunächst aufbereitet. Das heißt, die Impedanz- und Temperaturwerte werden mit Hilfe verschiedener Filter, z. B. dem Finite Impulse Response Filter 16. Ordnung oder auch dem Median-Filter 8. Ordnung geglättet, um eventuelle Messfehler auszugleichen. Zu invasiv ermittelten Blutzuckermesswerten werden mit Hilfe von Spline-Interpolation approximative Zwischenwerte berechnet. Dies vor folgendem Hintergrund:
Zum Training benötigt ein künstliches neuronales Netz zu den zu einem bestimmten Zeitpunkt gemessenen LF-, HF-Impedanzen und Temperaturwerten einen Glukosewert desselben Zeitpunktes. Die Messung der LF-, HF-Impedanzen und Temperaturwerte findet kontinuierlich über einen bestimmten Zeitraum statt, woraus jeweils ein Wert pro Minute resultiert. Der Glukosewert wird jedoch nur zu bestimmten Zeitpunkten in diesem Zeitraum invasiv gemessen (also nicht jede Minute). Zum Training benötigen die künstlichen neuronalen Netze aber zu allen vorhandenen LF-, HF-Impedanzen und Temperaturwerten einen entsprechenden Glukosewert. Deshalb werden die invasiv gemessenen Glukosewerte mit Hilfe einer Interpolationsfunktion miteinander verbunden. Dies geschieht durch Spline-Interpolation. Mit Hilfe der Interpolationsfunktion werden dann zu jeder LF-, HF-Impedanz und jedem Temperaturwert approximative Zwischenwerte des Glukosewertes berechnet. Anders ausgedrückt, wird durch die gegebenen Glukosewerte eine Kurve gelegt. An dieser Kurve wird zu jeder LF-, HF-Impedanz und jedem Temperaturwert ein approximativer Glukosewert abgelesen.To further increase the accuracy, the calculation of the blood sugar content by the neural network not only by a neural network, but by a plurality of neural networks, in particular nine neural networks. This is done in detail by an averaging of the output values, ie the calculated blood glucose values of the individual networks, and in particular of the networks whose output values have the smallest deviation from the invasively measured values. However, before the measured values, ie the impedances and the temperature, are put into the grids, they are first processed. That is, the impedance and temperature values are determined using various filters, e.g. B. the finite impulse response filter 16th order or the median filter 8th order smoothed to compensate for any measurement errors. For invasive blood glucose measurements, approximate intermediate values are calculated using spline interpolation. This against the following background:
For training, an artificial neural network needs a glucose value of the same point in time at the LF, RF impedances and temperature values measured at a particular time. The measurement of the LF, RF impedances and temperature values takes place continuously over a certain period of time, resulting in one value per minute. However, the glucose value is only measured invasively at certain times during this period (not every minute). For training, however, the artificial neural networks require a corresponding glucose value for all existing LF, HF impedances and temperature values. Therefore, the invasively measured glucose values are linked together using an interpolation function. This is done by spline interpolation. Using the interpolation function, approximate intermediate values of the glucose value are then calculated for each LF, HF impedance and each temperature value. In other words, a curve is given by the given glucose values. At this curve, an approximate glucose value is read for each LF, RF impedance and temperature value.

Betrachtet werden allerdings nicht nur die aktuellen Werte für die HF- und LF-Impedanz sowie die aktuelle Temperatur, sondern auch die mindestens zwei vorhergehenden entsprechenden Werte. Solche Werte fließen, wenn sie relevant sind, automatisch über zusätzliche Eingangsneuronen in die Berechnung ein. Das heißt, die genaue Zahl der Eingangsneuronen wird durch eine Hauptkomponentenanalyse der aktuell sowie z. B. vor einer Minute und z. B. vor zwei Minuten gemessene Impedanz- und Temperaturwerte bestimmt. Die Hauptkomponentenanalyse wird über alle neun der zu den drei Zeitpunkten ermittelten Messwerte durchgeführt. Durch die Hauptkomponentenanalyse ist es möglich, die Dimension der Daten mit minimalem Informationsverlust zu reduzieren, was dadurch geschieht, dass eine Menge korrelierter Variablen in eine Menge unkorrelierter Variablen transformiert wird. Zur Kalibrierung werden diese Daten normalisiert, d. h. sie werden so angepasst, dass ihre Mittel und Standardabweichungen 0 bzw. 1 betragen. Mit den normalisierten Daten wird eine Hauptkomponentenanalyse durchgeführt, wobei die daraus resultierenden Daten als Eingangsneuronen für das künstliche neuronale Netz dienen. Die gemessenen und interpolierten Blutzuckerwerte werden ebenfalls normalisiert. Die Transformationsdaten werden gespeichert. Die Netze werden mit den aufbereiteten Daten trainiert. Nach Abschluss des Trainings werden die Ausgabewerte der Netze sowie die Eingangsdaten de-normalisiert, so dass ihre Mittelwerte und Standardabweichungen wieder die ursprünglichen Werte annehmen.considered However, not only the current values for the RF and LF impedance as well as the current temperature, but also the at least two preceding corresponding values. Such Values automatically flow over, if they are relevant add additional input neurons to the calculation. The means, the exact number of input neurons is through a main component analysis of the current and z. B. a minute ago and Z. B. measured two minutes ago impedance and temperature values certainly. The principal component analysis will be over all nine the measured values determined at the three times. The principal component analysis makes it possible to measure the dimension to reduce the data with minimal loss of information, which thereby happens to be a lot of correlated variables in a crowd uncorrelated variable is transformed. For calibration normalizes this data, d. H. they are adjusted to theirs Mean and standard deviations are 0 and 1 respectively. With the normalized Data is performed a principal component analysis, wherein the resulting data as input neurons for serve the artificial neural network. The measured and interpolated blood glucose levels are also normalized. The Transformation data is stored. The nets are being recycled Data trains. After completion of the training will be the output values de-normalizes the networks as well as the input data, so that their Averages and standard deviations return to their original ones Accept values.

Im Berechnungsmodus werden die Daten mit Hilfe der während des Trainings berechneten Mittelwerte und Standardabweichungen normalisiert und die Komponenten der Eingangsdaten werden mit Hilfe der gespeicherten Transformationsmatrix reduziert. Nachdem die Netze die Berechnungen durchgeführt haben, werden die Ausgabewerte de-normalisiert, so dass der Blutzuckerwert in der gewünschten Form ausgegeben wird. Alsdann findet die bereits oben beschriebene Mittelwertbildung sämtlicher Ausgabewerte einer bestimmten Anzahl der besten Netze statt. Dieser Mittelwert wird dann als augenblicklicher Blutzuckerwert angegeben.in the Calculation mode will use the data with the help of normalized and averaged during training The components of the input data are stored using the Reduced transformation matrix. After the nets the calculations the output values are de-normalized, so that the blood sugar value is output in the desired form becomes. Then the averaging already described above takes place all output values of a certain number of the best Networks take place. This mean will then be the instant blood glucose value specified.

Aus 4 ist ein beispielhaftes Messergebnis erkennbar. Es ist ersichtlich, dass sich die berechneten Blutzuckerwerte im Rahmen eines vorgegebenen Toleranzbereichs bewegen. Die Abweichung der berechneten Werte von den invasiv gemessenen Werten beträgt etwa zwischen 2 und 3%.Out 4 is an exemplary Messergeb recognizable. It can be seen that the calculated blood glucose values are within a given tolerance range. The deviation of the calculated values from the invasively measured values is approximately between 2 and 3%.

Unter Zugrundelegung folgender Parameter werden die Kurven nach 4 ermittelt:
Der hoch- und der niederfrequente Strom betragen 800 mA; die Spannung beträgt jeweils 1 V. Die Frequenz HF beträgt 2,5 MHz. Die Frequenz LF beträgt 21 kHz. Invasiv wurde der Blutzuckerwert alle 15 Minuten bestimmt. Die Messung der Impedanzen und die rechnerische Ermittlung des Blutzuckerwertes erfolgte jede Minute. Die invasiv gemessenen Blutzuckerwerte werden interpoliert mit dem Ziel, jedem rechnerisch ermittelten Wert einen invasiv gemessenen bzw. interpolierten Wert zuzuordnen. Schwankungen im Kurvenverlauf sind u. a. bedingt durch folgende Faktoren: Nahrungsaufnahme und körperliche Aktivität. Die Oberflächentemperatur der Haut lag über den Zeitraum von etwa 12:30 Uhr bis 22:48 Uhr zwischen 24,73°C und 26,37°C.The curves are used based on the following parameters 4 determined:
The high and low frequency currents are 800 mA; the voltage is in each case 1 V. The frequency H F is 2.5 MHz. The frequency L F is 21 kHz. Invasive, the blood glucose value was determined every 15 minutes. The measurement of the impedances and the calculation of the blood sugar value took place every minute. The invasively measured blood glucose values are interpolated with the aim of assigning each calculated value an invasively measured or interpolated value. Variations in the course of the curve are due, among others, to the following factors: food intake and physical activity. The skin surface temperature ranged from 24.73 ° C to 26.37 ° C over the period from about 12:30 to 22:48.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list The documents listed by the applicant have been automated generated and is solely for better information recorded by the reader. The list is not part of the German Patent or utility model application. The DPMA takes over no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • - US 6841389 B2 [0004] US 6841389 B2 [0004]

Claims (11)

Verfahren zur nicht invasiven Bestimmung des Blutzuckergehalts im Blut durch Messung der Impedanz des Körpers des Patienten oder eines Teils des Körpers des Patienten, gekennzeichnet durch mindestens folgende Schritte: – Einbringen eines hoch- und eines niederfrequenten Stroms in den Körper eines Patienten, wobei die Elektroden zur Einbringung des hoch- und des niederfrequenten Stroms beabstandet zueinander am Körper des Patienten angelegt sind; – Eingabe der ermittelten HF- und LF-Impedanzen in ein kalibriertes neuronales Netzwerk; – Anzeige des durch das neuronale Netzwerk ermittelten Blutzuckergehalts auf einer Anzeige.Method for non-invasive determination of blood sugar content in the blood by measuring the impedance of the patient's body or part of the patient's body, marked by at least the following steps: - bring in high-frequency and low-frequency current into the body of a patient, the electrodes being used to introduce the high and the low-frequency current spaced from each other on the body of the patient are created; - Enter the determined RF and LF impedances in a calibrated neural network; - Display of the blood glucose level determined by the neural network an advertisement. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Körperoberflächentemperatur ermittelt wird und der Temperaturmesswert in das neuronale Netz eingegeben wird.Method according to claim 1, characterized in that that determines the body surface temperature and the temperature reading is entered into the neural network becomes. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Körperoberflächentemperatur am Körper des Patienten im Bereich der Elektroden gemessen wird.Method according to one of the preceding claims, characterized in that the body surface temperature measured on the body of the patient in the area of the electrodes becomes. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Körperoberflächentemperatur zum Zeitpunkt der Messung der Impedanz ermittelt wird.Method according to one of the preceding claims, characterized in that the body surface temperature at the time of measuring the impedance is determined. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netz als neuronales Netz mit drei Schichten ausgebildet ist.Method according to one of the preceding claims, characterized in that the artificial neural network is designed as a neural network with three layers. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass in das künstliche neuronale Netz eingegebene Messwerte (Impedanzen und Temperatur) durch Filter geglättet werden.Method according to one of the preceding claims, characterized in that in the artificial neuronal Network input measured values (impedances and temperature) through filters be smoothed. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netz kalibriert wird.Method according to one of the preceding claims, characterized in that the artificial neural network is calibrated. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass zur Kalibrierung des künstlichen neuronalen Netzes dem neuronalen Netz mindestens jeweils eine über einen bestimmten Zeitraum gemessene LF- und HF-Impedanz sowie mindestens ein Temperaturmesswert eingegeben werden sowie mindestens ein in dem Zeitraum invasiv ermittelter Blutzuckerwert, wobei der anhand der HF- und LF-Impedanzen und der Temperatur durch das künstliche neuronale Netz ermittelte Blutzuckerwert mit dem invasiv gemessenen Blutzuckerwert verglichen und mittels des Levenberg-Marquardt-Algorithmus die Abweichung reduziert wird.Method according to claim 7, characterized in that that for calibration of the artificial neural network at least one each over the neural network measured LF and RF impedance and at least a temperature reading can be entered and at least one in blood glucose value determined invasively over the period of time the RF and LF impedances and the temperature through the artificial neural Netz determined blood sugar value with the invasively measured blood glucose value compared and using the Levenberg-Marquardt algorithm the deviation is reduced. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass zur Reduzierung der Abweichung zwischen dem gemessenen und dem durch das künstliche neuronale Netz ermittelten Blutzuckerwert die in dem künstlichen neuronalen Netz eingesetzten Gewichte und Schwellenwerte mit Hilfe des Levenberg-Marquardt-Algorithmus derart korrigiert werden, dass nach mehrmaligem Kalibrierungsdurchgang die Abweichung minimiert wird.Method according to claim 8, characterized in that that to reduce the deviation between the measured and the blood glucose value determined by the artificial neural network the weights used in the artificial neural network and thresholds using the Levenberg-Marquardt algorithm be corrected so that after repeated calibration passage the deviation is minimized. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass mehrere künstliche neuronale Netze zur Bestimmung des Blutzuckerwertes vorgesehen sind, wobei die ermittelten Blutzuckerwerte der Netze, die bei einem Vergleich mit dem mindestens einen invasiv gemessenen Blutzuckerwert die geringste Abweichung aufweisen, zur Bildung eines Mittelwertes herangezogen werden, der als Blutzuckerwert ausgegeben wird.Method according to one of the preceding claims, characterized in that several artificial neural Nets are provided for determining the blood glucose value, wherein the calculated blood glucose levels of the networks, when compared with the least one invasively measured blood glucose value the lowest Deviation, used to form an average value which is output as the blood glucose value. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass jeweils ein Elektrodenpaar für die Einbringung des niederfrequenten und des hochfrequenten Stroms eingesetzt werden.Method according to one of the preceding claims, characterized in that in each case a pair of electrodes for the introduction of low-frequency and high-frequency electricity be used.
DE102008061900A 2008-12-11 2008-12-11 Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient Ceased DE102008061900A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102008061900A DE102008061900A1 (en) 2008-12-11 2008-12-11 Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient
EP09015351.1A EP2196140B1 (en) 2008-12-11 2009-12-11 Method and device for non-invasive determination of the blood sugar level

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102008061900A DE102008061900A1 (en) 2008-12-11 2008-12-11 Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient

Publications (1)

Publication Number Publication Date
DE102008061900A1 true DE102008061900A1 (en) 2010-06-17

Family

ID=42168617

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102008061900A Ceased DE102008061900A1 (en) 2008-12-11 2008-12-11 Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient

Country Status (1)

Country Link
DE (1) DE102008061900A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112336331A (en) * 2020-10-19 2021-02-09 桂林市晶瑞传感技术有限公司 Local human body composition data processing method and analyzer

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002069798A1 (en) * 2001-02-28 2002-09-12 University Of Technology, Sydney A non-invasive method and apparatus for determining onset of physiological conditions
US6841389B2 (en) 2001-02-05 2005-01-11 Glucosens, Inc. Method of determining concentration of glucose in blood
EP1309271B1 (en) * 2000-08-18 2008-04-16 Animas Technologies LLC Device for prediction of hypoglycemic events

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1309271B1 (en) * 2000-08-18 2008-04-16 Animas Technologies LLC Device for prediction of hypoglycemic events
US6841389B2 (en) 2001-02-05 2005-01-11 Glucosens, Inc. Method of determining concentration of glucose in blood
WO2002069798A1 (en) * 2001-02-28 2002-09-12 University Of Technology, Sydney A non-invasive method and apparatus for determining onset of physiological conditions

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112336331A (en) * 2020-10-19 2021-02-09 桂林市晶瑞传感技术有限公司 Local human body composition data processing method and analyzer
CN112336331B (en) * 2020-10-19 2023-11-17 桂林市晶瑞传感技术有限公司 Local human body component data processing method and analyzer

Similar Documents

Publication Publication Date Title
EP2470913B1 (en) Calibration method for prospective calibration of a measuring device, computer program and measuring device
EP1589438B1 (en) Method and device for monitoring concentration of an analyte in a living human or animal body
DE60115736T2 (en) Measurement regarding the human energy metabolism
WO2005081161A2 (en) Method for carrying out quality control of medical data records collected from different but comparable patient collectives within the bounds of a medical plan
DE102016011700A1 (en) Monitoring of biosignals, in particular electrocardiograms
DE102018221695A1 (en) Method for quantitative magnetic resonance imaging, magnetic resonance device, computer program and electronically readable data carrier
DE4221848C2 (en) Method and arrangement for automatic in situ calibration of intracorporeal glucose measuring devices
AT502922B1 (en) METHOD AND DEVICE FOR DETERMINING THE HEART TIME VOLUME
EP1143240A1 (en) Method and apparatus for determining the characteristics of a liquid sample comprising a plurality of substances
DE102011101193A1 (en) Method and detection device for determining the uric acid and creatinine content
DE102008061900A1 (en) Method for non-invasive determination of blood sugar content in blood by measuring impedance of body of patient or part of body of patient, involves bringing high and low-frequency current into body of patient
EP2196140B1 (en) Method and device for non-invasive determination of the blood sugar level
EP1793321B1 (en) Evaluation method and analysis system of an analyte in the bodily fluid of a human or animal
EP3849419B1 (en) Method and device for determining a current glucose value in a transported fluid
EP2251806A1 (en) Method and system for forecasting at least one system event and a corresponding computer program and a corresponding computer readable storage medium
DE19781642B4 (en) Method for determining a value of a life to be assessed which describes the maximum oxygen uptake
DE102021202767A1 (en) Method for determining a current glucose value in a transport fluid
EP3183563B1 (en) Monitoring the effect of substances on in vitro tissue
DE112016002971T5 (en) Viscoelastic properties detection device, viscoelastic properties detection method, viscoelastic characteristic detection program, and recording medium for recording the program
WO2023117164A1 (en) Method, device and system for determining a state of health of a patient
DE10361556A1 (en) Diabetes, non-invasive, detection method in which geometric lines and or electrochemical potentials and or optoelectronic and or optochemical and or gaseous chemical values are determined as classifying values
DE102004056092A1 (en) Determining probability of death in patients, especially in intensive care, involves using a blood sample analyser to measure a range of standard values and a computer to calculate a numerical probability from the data
DE102020124582A1 (en) Medical device for evaluating a pulsatile signal
DE102021205521A1 (en) Device and method for determining blood pressure when weighing a person
DE102005021779A1 (en) Patient e.g. stroke patient, health state visualizing system, has evaluation unit to read risk parameter value of patient and to calculate current risk status and short-term target risk status for change of parameter value

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
R016 Response to examination communication
R002 Refusal decision in examination/registration proceedings
R003 Refusal decision now final

Effective date: 20130509