CN102245103A - 用于血液中葡萄糖水平的无创测量的系统和装置 - Google Patents

Abstract

本发明开发了一种用于估计血液中葡萄糖水平的系统。所述系统建立了脉冲波及其能量的生理学模型，所述模型还与葡萄糖代谢函数相关，从而生成固定长度的向量，该向量包括结合了其他变量的前述模型的值，所述其他变量关于用户的例如年龄、性别、身高、体重、等等。所述固定长度的向量被用作基于“随机森林”的函数估计系统进行激励以计算感兴趣的变量。这种参数估计系统的主要优点在于以下事实：其不对待估计的函数施加任何在先的约束，并且其在面对例如在本发明的情况下的非齐次型数据时是鲁棒的。

Description

用于血液中葡萄糖水平的无创测量的系统和装置

技术领域

本发明开发了用于血液中的葡萄糖水平的无创测量的系统，所述测量独立于当前基于血液样本分析(氧化酶葡萄糖分子还原)或借助血液中葡萄糖的吸收光谱分析的方法。为此目的，提供了一种基于借助由DSP或FPGA装置实施的随机森林的函数逼近的新的方法，所述DSP或FPGA装置的输入是结合了来自患者的其他变量的体积描记脉冲的预处理的版本。

背景技术

糖尿病(DM)包括一组代谢异常，其共有高血糖表现型(患者的血液葡萄糖水平增高)。现有一些类型的DM是遗传因素和环境因素以及生活方式(缺乏运动、饮食等)之间综合交互作用的结果。取决于DM的起因，导致高血糖症的因素可以包括胰岛素荷尔蒙分泌物的减少、葡萄糖代谢水平的未充分使用或人体葡萄糖的增高的产物。

与DM相关联的异常严重危及身体健康。同样，这种异常是健康护理系统主要的经济负担。在发达国家中，DM是成年人的肾衰竭、下肢的非外伤性截肢以及失明的主要原因。事实上，研究表明约1.7％的世界人口患有DM，并且该百分率从中期和长期来看很可能增大，因此，DM仍然是发病率和死亡率的主要原因。

世界卫生组织(WHO)公布的议定书定义了DM的以下诊断标准：

-糖尿病症状为血液随机样本中葡萄糖浓度大于11mmol/L或200mg/dL，或者

-血清葡萄糖(空腹)高于7.0mmol/L或126mg/dL，或者

-在葡萄糖耐受试验期间血清葡萄糖(餐后两小时)高于11.1mmol/L或200mg/dL。

目前，测量葡萄糖水平涉及在测试过程中提取血液样本。现有的用于确定糖尿病患者的葡萄糖水平的各种装置均基于试剂葡萄糖氧化酶(GOX)的还原。这种装置使用以柳叶刀获得的少量血液样本并将其沉积在渗入GOX的小型测试条上。血液中的葡萄糖与GOX反应，并且由此获得双氧水(H₂O₂)。双氧水的数量导致测试条的阻抗的改变，所述改变与血液中葡萄糖的水平相关。

所述系统是高创伤性的，因为其要求患有糖尿病的患者每日刺破其手指总共4次以获得血液样本并监测其葡萄糖水平。

为了消除关于刺破的伤害并最小化感染的来源，现有系统利用光谱技术借助光谱学(发射、传输和反射方法)来测量葡萄糖水平。这些系统被身体中的水分、低葡萄糖浓度和由皮肤产生的光学作用不利地影响，并且因此是不可靠的。事实上，现今没有任何已知的商业装置使用这种技术。

专利4704029公开了一种用于监测血液中葡萄糖以控制家用胰岛素贮罐的系统。所述葡萄糖监测使用光学折射装置，该装置测量光在透明界面上的折射率(在临界角附近反射的光量)。

专利5137023说明了一种用于测量吸收矩阵中的葡萄糖浓度的无创系统。该系统使用对葡萄糖敏感(吸收或反射)的波长结合不被所述物质影响的其他波长将光线引导向所述矩阵。所述专利还使用光学体积描记术原理在心动周期的收缩期中血容量改变之前和之后测量吸收矩阵上的光的光强的改变。光强中的所述改变被用于调节所述光强以测量葡萄糖浓度。

专利5361758和US6928311B1说明了使用光的多色光源来监测血液和组织中葡萄糖水平的无创系统，所述多色光源发射在红外线附近(NIR)范围内的大范围的波长光谱。所述光经过手指或耳朵并且借助衍射或折射分离其主分量。微处理器使用所述分量来计算被传输的光量并且计算介质吸收能力。所述系统计算测量的二次导数并且执行线性回归以估计葡萄糖浓度。

专利5383452使用被发射的光中的极化改变测量血液中的葡萄糖浓度，所述极化改变由发色团和溶解在血液中的粒子引起。所述系统要求借助传统方法(例如，借助已知为葡萄糖氧化酶的技术分析的血液样本)的校准。

专利5692504通过测量与生物矩阵相互作用的光而实现血液中葡萄糖浓度的确定。由于光特性基于矩阵中存在的物质而改变，因此可以使所述改变与待估计的葡萄糖浓度相关。

专利US6526298B1提出了一种用于借助一些温度下的光学参数(光的反射和折射)的计算确定血液中葡萄糖的方法。

专利US7356364B1提出了一种用于借助激光发射器的调制以及所述光的吸收光谱的计算而监测血液中葡萄糖的装置。所述系统能够以无创形式或借助移植使用。

专利US2001/0039376A1和US2004f/0127779A1提出了用于借助一个或多个波长的传输而测量血液中葡萄糖浓度的系统，通过所述波长测量吸收/衰减，从而估计血液中的氧水平。所述发明使用1060nm的特大波长(对葡萄糖浓度敏感)以根据该波长处的光吸收测量血液中的糖浓度。

专利US2003/0225321A1提出了一种用于借助一些波长的传输的血液中葡萄糖水平的无创测量的系统。所述波长传输经过患者眼中的体液并且检测并分析被反射的光(被发射的波长的极化中的改变)以提供葡萄糖浓度的估计。

专利US2005/0070770A1说明了用于借助不同分析基于光与溶解在血液中的一些元素的相互作用而测量血液中葡萄糖浓度的系统和设备。

专利US2006/0149142A1提出了用于借助在经过组织的确定的波长上的光传输并且计算所述光的传播路径间的差，测量葡萄糖浓度的系统和设备。所述发明自关于所述组织的光学特性和之前所述路径间的差的线性回归模型实现葡萄糖水平的估计。

然而，仍然需要解决建立用于确定葡萄糖浓度水平的鲁棒、可靠、快速和安全的系统的需要，该系统获取血液中葡萄糖水平的代谢复杂度，而不对待估计的分析物施加函数水平中的任何在先的限制。

发明内容

根据之前详细说明的本发明的现有技术，本发明提出的系统和设备基于脉冲(PPG)形状和血液中葡萄糖水平之间的函数关系的推断，其中信息自所述脉冲的形状及其具有患者葡萄糖状态的统计量之间的依赖关系确定。

用于实现血液中葡萄糖水平的估计的输入信息被处理以便于函数估计器的工作。由于PPG信号具有可变宽度，因此执行处理以生成用于每个测量的固定长度的向量。这种向量包含关于脉冲的形状(自回归系数和可移动平均)、脉冲间的平均距离、脉冲的变化的信息、关于瞬时能量、能量变化和个人的临床信息的信息，例如，如患者的性别、年龄、体重、身高、临床信息(身体质量指标或类似测量值)等等。

在不对脉冲和血液中葡萄糖水平之间的关系施加任何函数限制的意义上用于推断函数的系统盲目地工作。由于PPG与葡萄糖水平关联的函数形式是未知的，因此用于推断所述函数的系统被选择为对不相关的输入变量是鲁棒的，所述不相关的输入变量例如为临床信息和自PPG波形获得的参数。此外，所述技术相关于如之前在本发明的现有技术中说明的其他参数。与其他机器学习系统和模式识别(例如，如决策和回归树(CART)、样条曲线、分类器comitees、支持向量机和神经元网络)相比，用于估计本发明中的函数的优选系统是“随机森林”。所述随机森林基于一组决策树的并行生成，该决策树估计函数并训练每个树，所述函数具有在不执行节点的修剪的每个节点中的随机选择的变量，所述每个树具有训练数据库的随机子集，以这种方式使每个树具有不同的泛化系统误差。因此，当执行每个树的估计的平均时，系统误差被补偿并且估计方差减小。

本发明的实施方式包括两个不同的阶段。第一阶段是训练系统，该训练仅执行一次并且因此之后不要求任何校准/个性化。这个时期包括获得数据库，该数据库具有关于结合了体积描记波的记录的一些患者的参数(包括性别、体重、年龄等等)的信息。这种信息用于估计决策树的参数并且被存储在所述系统中。

第二阶段包括加载在训练阶段中获得的树的集合的信息并且记录在具有其他变量(例如，如性别、体重、年龄等等)的测量瞬间的患者的体积描记波。在这个阶段中，所述系统读取体积描记脉冲的信息，执行其处理并生成具有说明信号的信息的固定长度的向量。个人另外的信息被添加到这种向量并且应用一组随机森林，所述随机森林计算感兴趣的变量的一些中间函数。此后，自所述中间函数计算血液中葡萄糖水平。

附图说明

本发明的图1示出了借助创伤性导管插入获得的脉冲波形。

本发明的图2示出了说明的系统和方法的一般性框图。

本发明的图3示出了借助数字脉冲血氧计获得的体积描记波形。

图4示出了在本发明中说明的预处理系统的详细的框图。

图5示出了AR滤波器的详细的框图，所述AR滤波器用于建立在本发明中说明的压力脉冲生理的随机模型。

具体实施方式

本发明包括用于监测血液中葡萄糖的系统(图2)，所述血液中葡萄糖的数据借助用于获取体积描记信号(光学的、声学的或机械的)的装置(1)求值，本发明的优选实施例包括氧饱和度(pulsioximetry)系统(SpO₂)。PPG信息与患者的其他数据结合，例如，如年龄、性别、身高、体重、等等，并且以数字预处理系统(2)分析，所述数字预处理系统(2)简化随后的处理并且估计感兴趣的变量(血液中葡萄糖浓度)。所述系统以更好的方式获取以随机方式影响患者的葡萄糖的代谢管理的全部参数。

获得的随机模型的向量与数字系统(3)相关，数字系统(3)基于“随机森林”逼近函数，其主函数以与葡萄糖浓度相关的一些函数估计葡萄糖浓度，目的在于减小后处理步骤(4)中的估计误差。系统(4)的主函数借助之前步骤(3)的函数的均值估计葡萄糖浓度的最终值以减小系统误差(偏置)和以所述浓度执行的估计的方差。系统(2、3和4)借助FPGA或DSP装置实现。

用于获得PPG波的系统(1)实施简单的技术，无创并且低成本地检测组织的微脉管网络中的容量改变。所述系统的最基本的实施方式要求很少的光电子组件，包括：

1.用于照亮组织(例如，皮肤)的一个或多个源

2.用于测量与检测容量中的组织的浸液中的改变相关联的光强度的微小变化的一个或多个光检测器。

PPG通常以无创方式使用并且其操作在红外或近红外(NIR)波长。最知名的PPG波形是外周血管搏动(peripheral pulse)(图3)并且其与每次心跳同步。这样，重要的是注意在借助PPG获得的波和借助创伤性导管插入获得的脉冲(图1和图3)之间的相似性。因为借助PPG获得的很有价值的信息，所以其被视为本发明的主要特征之一。

PPG波包括导致与每次心跳同步的血容量改变的生理学脉冲波(AC分量)。所述分量与关于呼吸韵律、中枢神经系统的活动、热调节和代谢功能的其他基础分量(DC分量)叠加。AC分量的基础频率基于心节律(图3)处于1Hz左右。

光和生物组织之间的相互作用是复杂的并且包括类似散射、吸收、反射、传输和荧光的光学处理。用于系统(1)的选择的波长非常重要，这是由于以下原因：

1.水的光学窗口：组织的主要成分是水。其高度吸收具有紫外线波长和红外光带内的长波长的光。存在于水的吸收光谱中的窗口允许可见光(红色)或NIR更容易地通过所述组织并且允许血液流量或其在这种波长内的容量的测量。因此，本发明使用NIR波长以用于系统(1)。

2.等吸收度(isobestic)波长：除了这种波长外，关于氧基血红素(HbO₂)和被还原的血色素(Hb)存在本质差别。因此，在这种波长中(即，在NIR范围中，接近805nm)，信号将不被组织中的氧饱和度的改变所影响。

3.组织渗透：光在确定的辐射强度下在组织中的渗透的深度同样是选择的波长的函数。对于PPG，用于类似(1)中使用的传输系统的渗透的容量(基于使用的探针)是1cm³的级数。

PPG脉冲(图3)存在两个不同的阶段：升线一波(anacrotic)阶段，其表示脉冲的上升，以及降线一波(catacrotic)阶段，其表示脉冲的下降。第一阶段关于心脏收缩，而第二阶段关于舒张期和在循环系统周围中的波的反射。在PPG中，diacrotic脉冲通常还发现于健康患者的降线一波阶段中并且不具有动脉硬化或动脉僵硬。

如之前在本发明的现有技术中说明的，同样需要考虑压力脉冲PP沿循环树的传播。所述PP改变其形状，同时其向着经历其形状的扩大/衰减和变更以及暂时特征的循环树的外围移动。因为外围中动脉的窄化，所以这些改变由PP经受的反射引起。动脉中的PP脉冲传播通过基于频率的相位失真而进一步变得复杂。

因为这个原因，考虑了借助ARMA随机模型(自回归移动平均)和借助耦接到AR系统(2)的Teager-Kaiser的PP的表示。

如图1和图3所示，PP类似于PPG，其中在脉管病理期间观测到类似的改变(由器官狭窄或脉冲中的改变引起的缓冲)。

系统(1)的脉冲量氧计使用PPG来获得关于患者的动脉中的氧饱和度(SpO₂)的信息。如前所述，能够通过以红色和NIR波长照亮组织(通常为手指或耳朵的耳垂)获得SpO₂。一般地，SpO₂装置使用两种波长之间的交换以确定所述参数。因为HbO₂和Hb在这些波长中的吸收差别，两种波长的振幅对SpO₂的改变敏感。SpO₂可以自振幅之间的比率、PPG以及AC和DC分量获得。

在脉搏血氧定量法中，传输经过组织的光强度(T)通常被称为DC信号。所述强度是组织的光学特性的函数(即吸收系数μ_a和散射系数μ‘_s。动脉跳动产生氧和脱氧血色素的浓度中的周期性变化，这可以导致吸收系数的周期性变化。

PPG的AC分量的强度变化可以表示为以下方式：

$\mathrm{AC}=\mathrm{\ΔT}=\frac{\∂T}{{\∂\mathrm{\μ}}_a}{|}_{{\mathrm{\μ}}_a,{\mathrm{\μ}}_s^{\′}}{\mathrm{\Δ\μ}}_a---\left(I\right)$

这种生理波形与光强度的变化成比例，其反过来成为吸收和散射系数(分别为μ_a和μ‘_s)的函数。分量Δμ_a可以被如下地写作氧和脱氧血色素的浓度的线性变化(Δc_ox和Δc_deox)：

Δμ_a＝ε_oxΔc_ox+εd_eoxΔc_deox      (II)

ε_ox和ε_deox是消光系数(即在特定环境中每单位距离散射和吸收引起的光损失的分数)。基于这些方程，动脉氧饱和度(SpO₂)可以被确定为：

${\mathrm{SpO}}_2=\frac{{\mathrm{\Δc}}_{\mathrm{ox}}}{{\mathrm{\Δc}}_{\mathrm{ox}}+{\mathrm{\Δc}}_{\mathrm{deox}}}---\left(\mathrm{III}\right)$

作为AC分量的函数的SpO₂的表达式可以通过在选择的波长(红色和NIR)下直接应用方程(I)和(III)获得。

${\mathrm{SpO}}_2=\frac{1}{1-\frac{{\mathrm{X\ϵ}}_{\mathrm{ox}}\left(\mathrm{NIR}\right)-{\mathrm{\ϵ}}_{\mathrm{ox}}\left(R\right)}{{\mathrm{X\ϵ}}_{\mathrm{deox}}\left(\mathrm{NIR}\right)-{\mathrm{\ϵ}}_{\mathrm{deox}}\left(R\right)}}---\left(\mathrm{IV}\right)$

其中：

$x=\frac{\frac{\∂T\left(\mathrm{NIR}\right)}{{\∂\mathrm{\μ}}_a}{|}_{{\mathrm{\μ}}_a,{\mathrm{\μ}}_s^{\′}}}{\frac{\∂T\left(R\right)}{{\∂\mathrm{\μ}}_a}{|}_{{\mathrm{\μ}}_a,{\mathrm{\μ}}_s^{\′}}}\frac{\mathrm{AC}\left(R\right)}{\mathrm{AC}\left(\mathrm{NIR}\right)}---\left(V\right)$

将AC分量与DC归一化以补偿与血液中的同步改变无关的低频作用，得到以下表达式：

$R=\frac{\frac{\mathrm{AC}\left(R\right)}{\mathrm{DC}\left(R\right)}}{\frac{\mathrm{AC}\left(\mathrm{NIR}\right)}{\mathrm{DC}\left(\mathrm{NIR}\right)}}$

将该参数带入(IV)得到：

${\mathrm{SpO}}_2=\frac{1}{1-\frac{{\mathrm{kR\ϵ}}_{\mathrm{ox}}\left(\mathrm{NIR}\right)-{\mathrm{\ϵ}}_{\mathrm{ox}}\left(R\right)}{{\mathrm{kR\ϵ}}_{\mathrm{deox}}\left(\mathrm{NIR}\right)-{\mathrm{\ϵ}}_{\mathrm{deox}}\left(R\right)}}---\left(\mathrm{VI}\right)$

则

$k=\frac{\frac{\mathrm{\ΔT}\left(\mathrm{NIR}\right)}{\mathrm{DC}\left(\mathrm{NIR}\right)}}{\frac{\mathrm{\ΔT}\left(R\right)}{\mathrm{DC}\left(R\right)}}$

其中ΔT(NIR)和ΔT(R)相应于方程(I)，在R和NIR波长下求值。

虽然方程(VI)是SpO₂的精确解答，但不能求得k的值，由于不具有T(μ_a，μ‘_s)。然而，k和R是组织的光学特性的函数，可以将k表示为R的函数。更具体地，可以将k表达为具有以下形式的线性回归：

k＝aR+b            (VII)

这种线性回归意味着根据经验获得校准因数，但假设平波具有强度P，其吸收系数可以定义为：

dP＝μ_aPdz  (VIII)

其中dP表示经过具有吸收系数μ_a的均匀介质中的无限小dz的光束强度的微分改变。因此，对z积分，得到比尔-朗伯(Beer-Lambert)定律。

$P=P_{0^{e^{{\mathrm{\μ}}_{a^z}}}}---\left(\mathrm{IX}\right)$

假设T≈P，方程(VII)由此被简化为k＝1，这是在本发明中执行的脉搏血氧定量法测量中的优选逼近。

由系统(1)获得的PPG信号被用作本发明的系统的激励(2)(图4)，其主函数执行预处理，这简化了用于估计的函数。

存在一些参数，所述参数具有基本形式并且存在于压力脉冲(PP)的传播中。所述参数关于心输出量、心率、心脏同步、呼吸速率和代谢功能。I还在之前详细说明了PP和PPG之间的密切关系。因此，由于之前详细说明的参数在PP的形状和传播中非常重要，因此以上列出的参数还可以影响PPG信号。

根据以上所述，本发明的优选实施例使用随机ARMA(q，p)建模(级数q(MA)和p(AR)的自回归移动平均模型)。

通过定义，时间序列PPG(n)，PPG(n-1)，...，PPG(n-M)表示级数p＝M的AR处理的实现，如果其满足以下有限差分方程(FDE)：

PPG(n)+a₁PPG(n-1)+…+a_MPPG(n-M)＝w(n)(X)

其中系数[a₁，a₂，…，a_M]是AR参数并且w(n)是白处理。项a_kPPG(n-k)是a_k系数和PPG(n-k)的内积，其中k＝1，...，M。方程(X)可以被改写为以下形式：

PPG(n)＝v₁PPG(n-1)+v₂PPG(n-2)+…+v_MPPG(n-M)+w(n)        (XI)

其中v_k＝-a_k。

从以上方程，得出当前脉冲值PPG(n)等于以上值(PPG(n-k))的有限线性组合加上预测误差项w(n)。因此，将方程(X)改写为线性卷积，得到：

$\underset{k=0}{\overset{M}{\mathrm{\Σ}}}{a}_k\mathrm{PPG}(n-k)=w\left(n\right)---\left(\mathrm{XII}\right)$

可以不失一般性地定义a₀＝1，并且因此，预测滤波器的Z变换可以被给定为：

$A\left(z\right)=\underset{n=0}{\overset{M}{\mathrm{\Σ}}}{a}_n{z}^{-n}---\left(\mathrm{XIII}\right)$

将PPG(z)定义为PPG脉冲的Z变换，则：

A(z)PPG(z)＝W(z)        (XIV)

其中

$W\left(z\right)=\underset{n=0}{\overset{M}{\mathrm{\Σ}}}v\left(n\right)z^{-n}---\left(\mathrm{XV}\right)$

图5示出了由系统(1)获得的PPG(n)脉冲的AR分量的分析滤波器。

在PPG(n)脉冲的级数q＝K的MA(移动平均)分量的情况下，其能够被说明为由高斯白噪声激励的线性离散滤波器(具有全部零值的滤波器)的响应。因此，被写作EDF的所述滤波器的MA响应可以是：

PPG_MA(n)＝e(n)+b₁e(n-1)+…+b_ke(n-K)        (XVI)

其中[b₁，b₂，…，b_K]是被称为MA参数的常量并且e(n)是零均值和方差σ²的白噪声处理。因此，关联方程(XII)和(XVI)，我们得到以下方程：

$\mathrm{PPG}\left(n\right)=e\left(n\right)+\underset{k=0}{\overset{P}{\mathrm{\Σ}}}{a}_k\mathrm{PPG}(n-k)+\underset{k=0}{\overset{q}{\mathrm{\Σ}}}{b}_{k}e(n-k)---\left(\mathrm{XVII}\right)$

e(n)是ARMA(q，p)模型的误差项。在(XVII)中利用以上方程的Z变换，得到以下方程：

$\mathrm{PPG}\left(z\right)=\frac{1+B\left(z\right)}{1-A\left(z\right)}E\left(z\right)---\left(\mathrm{XVIII}\right)$

由于AR和MA向量的第一项可以不失一般性地等于1，因此系统(2)中ARMA(q，p)模型(5)的表达式可以被给定为：

$H\left(z\right)=\frac{B\left(z\right)}{A\left(z\right)}---\left(\mathrm{XIX}\right)$

A(z)和B(z)分别是PPG(n)的AR和MA分量。虽然可以使用[4，12]之间的范围内的任何级数的p和q，但本发明的优选实施例使用级数q＝1和p＝5的ARMA模型。

一旦借助沃尔德(Wold)分解和Levinson-Durbin递归计算了ARMA(q，p)，则以H(z)逆滤波器(6)对输入信号滤波。同样，以子系统(7)计算残留误差e(n)的统计量。自这些子系统获得的信息被存储在固定维数的输出向量V(n)中。

本发明的预处理系统(2)还包括子系统(8)，该子系统(8)计算Teager-Kaiser算子并且借助等价于之前所述的p级数的AR处理对其输出建模。

在此情况下，不失一般性地，PPG脉冲可以被视为振幅和频率均被调制的信号，或者被视为具有以下类型的AM-FM信号：

$\mathrm{PPG}\left(t\right)=a\left(t\right)\cos \underset{0}{\overset{t}{\∫}}w\left(\mathrm{\τ}(\mathrm{\τ}\right)---\left(\mathrm{XX}\right)$

a(t)和w(t)是PPG的瞬时振幅和频率。确定的信号的Teager-Kaiser算子被定义为：

Ψ[x(t)]＝[x′(t)]²-x(t)x″(t)        (XXI)

其中 $x^{\′}\left(t\right)=\frac{\mathrm{dx}\left(t\right)}{\mathrm{dt}}.$

应用到方程(XX)的AM-FM调制的信号的这种算子导致源的瞬时能量，其产生PPG的振动。

即：

Ψ[PPG(t)]≈a²(t)w²(t)                (XXII)

其中如果瞬时振幅a(t)和瞬时频率w(t)不关于w(t)的均值变化过快，则逼近误差可以被忽略；如用于估计血液中葡萄糖水平的PPG脉冲的情况。

Ψ[PPG(t)]的级数p的AR处理以等价于图5中的滤波器的滤波器(9)实施。虽然可以使用包括在4和12之间的任意级数的p，但本发明的优选实施例使用级数为p＝5的AR模型。

一旦随机模型基于ARMA(q，p)模型(5、6和7)和基于Teager-Kaiser算子的ARMA(q，p)模型(8和9)，则本发明借助子系统(10)自PPG信号计算心率(HR)和心脏同步(例如，心率变异性)。本发明的优选实施例基于PPG的时间窗口计算心率(HR)，所述时间窗口可以在2秒至5分钟之间变化。

预处理系统(2)还包括子系统(11)，该子系统(11)计算PPG信号输入的零相交以及这些零相交的方差。本发明的优选实施例基于PPG的时间窗口计算心率，所述时间窗口可以在2秒至5分钟之间变化。

最后，预处理系统(2)包括子系统(12)，该子系统(12)用于生成关于患者的变量，经研究，所述变量包括：

1.性别、年龄、体重、身高、其是否食用了任何食物、一天中的时刻。

2.身体质量指标。

3.体重除以年龄。

4.体重除以HR。

5.身高除以HR。

6.HR除以年龄。

7.身高除以年龄。

8.年龄除以身体质量指标。

9.HR除以身体质量指标。

10.血压。

在包括在系统(2)中的子系统中的获得的全部数据被存储在输出固定长度的向量V(n)中。

一旦获得了固定长度的特征向量V(n)，则可以借助基于“随机森林”的函数逼近系统(3)执行SBP、DBP和MAP的估计。本发明中提供的函数估计系统具有的优点是，一旦“随机森林”被正确训练，则不要求任何校准。

具体来说，随机森林是一个分类器，其包括具有树结构{h(V，Θ_k)，k＝1，…}的一组分类器，其中Θ_k是独立的随机向量并且相等地分布(i.i.d.)，其中每个向量储存对输入V的最受关注的分类的一个选择。除了不在脉冲和血液中葡萄糖水平之间的关系上施加任何函数约束外，这种逼近与基于单个树的其他分类器相比，具有关于可靠性的清楚的优点。

本发明中使用的随机森林通过基于随机向量Θ_k生长决策树而生成，从而使预报值h(V，Θ)具有数字值。这种与每个树相关联的随机向量Θ_k提供了在每个节点上的随机分布，并且同时其还提供了关于训练基地的随机采样的信息，从而产生用于每个树的不同的数据子集。基于该结果，使用的分类器的泛化误差可以被提供为以下形式：

PE＝E_V，Y(Y-h(V))²            (XXIII)

由于随机森林的泛化误差小于单个决策树的泛化误差，因此定义

Y-h(V，Θ)                    (XXIV)

Y-h(V，Θ′)

得到

PE(forest )≤ρPE(tree)       (XXV)

每个树具有不同的泛化误差并且ρ表示由方程(XXIV)定义的余差之间的相关性。因此，余差之间的低相关性可以引起更好的估计。在本发明中，这种最小的相关性由在子系统(2)中被训练的树的每个节点处的特征向量的随机采样处理确定。为了进一步减小泛化误差，本发明估计感兴趣的参数(血液中葡萄糖水平)和之前讨论的参数(身高、体重、年龄、性别、等等)的线性组合。

随机森林包括一组CART型决策树(分类和回归树)，借助引导指令系统改变以在每个决策树以及后来的决策树上引入系统误差(XXV)、系统变量(这两个处理通过在预报值h(V，Θ)的分析中的参数Θ建模)。在每个实施例中的系统误差由以下两个机构引入：

1.在属性的子集中的每个节点处的随机选择，其不允许在不同树中的类似节点之间构造的分区中建立统计学等价，从而使每个树表现得不同。

2.所述树被允许生长直到其达到最大。在此情况下，树基于规则类似地作用于查找表。因为属性的采样，这些树成为查找表以搜索不同的结构。

以上处理的结果使得每个树具有不同的系统误差。

同样，对于这些修正中的每一个，每个树以“引导指令”型样本训练(例如，采用输入数据的样本，导致一部分输入数据丢失，同时另一部分数据被复制)。引导指令样本的作用是引入了可变性，当执行估计的平均时，该可变性被补偿。

以上特征的总的结果是系统(4)，在系统误差以及误差中的变异性能够被容易地补偿，从而产生比其他类型的函数估计器(XXV)更高的精确度。在这种系统中，基分类器是树，所述树决定水平的基础，这使得其在被提供包括离群型数据或非齐次型数据(如本发明中所述)的输入分布时表现得鲁棒。

系统(4)的优选实施例包括采用在节点水平中为47的两个元素的随机样本(其能够在2到47之间的变量中实现)和为100的引导指令尺寸，所述引导指令尺寸同样可以在25到500的大小之间变化。

根据本发明的手持装置可以结合显示器和命令，显示器用于显示数据，命令用于控制所述装置的操作。所述装置还至少包括声学、机械和/或光学探针，该探针的信号借助由DSP、FPGA或微控制器集中的CPU通过后处理系统解释。所述装置还包括用于存储所述系统的数据和操作处理的工作存储器。

根据现有技术，本发明的手动装置还可以包括手动控制按钮以触发和控制所述装置，外加电池和/或接入外部电源。

最后，由本发明获得的结果可以经由串行端口或USB或网络连接被传输到PC用于分析，例如通过WiFi或蓝牙装置。

需要注意的是本发明的细节或形式的任何替换均包括在本发明的本质内。

Claims (13)

1.一种用于血液中葡萄糖水平的无创测量的设备，其特征在于：

所述设备在输入信号上结合自回归移动平均型ARMA预处理步骤(5)、(6)和(7)；

所述设备在所述输入信号的Teager-Kaiser算子上结合自回归移动平均型ARMA血压搏动的随机模型(8)和(9)；

所述设备结合临床数据(性别、年龄、身高、身体质量指标等等)及其函数；

所述设备结合基于“随机森林”的函数估计系统(3)。

2.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述函数估计系统(3)的输入包括固定尺寸的向量，该向量包括前述模型和患者的信息(性别、年龄、身高、体重、身体质量指标、脉搏节律、心脏相干性、预处理的输入信号的零相交和预处理的输入信号的零相交的变异性、等等)。

3.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述系统的输入信号是光学、机械或声学上获得的预处理的体积描记波。

4.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述体积描记波借助数字脉搏血氧计获得。

5.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：在(3)中被估计的函数是基础参数以及这些参数与输入向量的其他参数的线性组合，用以减小(3)中的估计误差。

6.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备结合后处理系统(4)，其执行所述系统(3)的估计的均值以减小系统误差和血液中葡萄糖浓度的变化。

7.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：血液葡萄糖水平估计系统借助装置实现，例如借助FPGA型微控制器实现。

8.如权利要求1所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备包括手动装置，该手动装置至少结合声学、机械和/或光学导管，该手动装置内部包括数据处理系统，借助CPU，目标在于减小被估计的参数的变化(血液中的葡萄糖水平)。

9.如前述权利要求所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述CPU借助DSP、FPGA或微控制器装置来执行。

10.如权利要求8和9所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备包括存储器，例如闪存型存储器。

11.如权利要求8-10所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备包括例如借助串行端口、蓝牙或USB连接到PC的外部连接装置(12)和/或例如借助WiFi、Zigbee或UWB的网络连接装置。

12.如权利要求8-11所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备包括数据显示屏。

13.如权利要求8-12所述的用于血液中葡萄糖水平的无创测量的设备，其特征在于：所述设备包括控制按钮、电池和/或与外部电源的连接。

Images