CN102740770A - 用于处理从具有糖尿病的人测量的葡萄糖数据的方法和系统 - Google Patents

Abstract

公开了用于估计具有糖尿病的人的葡萄糖水平的方法和系统。一个方法可以包括：从被耦合到人的葡萄糖传感器向计算设备中接收多个测量的葡萄糖结果；用被配置成基于所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率的概率分析工具，使用计算设备来分析所述多个测量的葡萄糖结果；以及用被配置成基于用葡萄糖传感器准确的概率加权的所述多个测量的葡萄糖结果来估计葡萄糖水平的递归滤波器，使用计算设备来估计人的葡萄糖水平。

Description

用于处理从具有糖尿病的人测量的葡萄糖数据的方法和系统

技术领域

本发明总体上涉及处理从具有糖尿病的人测量的葡萄糖数据，并且特别地涉及在存在葡萄糖传感器噪声和/或葡萄糖传感器故障的情况下估计人的实际葡萄糖水平。

背景技术

作为背景，人们忍受其中血液中的糖水平未被身体适当地调节的类型I或类型II糖尿病。这些人中的许多可以使用连续葡萄糖监视(CGM)来不间断地监视其葡萄糖水平。为了执行CGM，可以将葡萄糖传感器放置在皮肤下面，其能够测量间质液中的人的葡萄糖水平。葡萄糖传感器可以以已知的时间间隔(诸如每一分钟)周期性地测量人的葡萄糖水平，并将葡萄糖测量结果的结果传送到胰岛素泵、血糖计、智能电话或其它电子监视器。

在某些情况下，测量的葡萄糖结果(来自葡萄糖传感器)可以包含引起其偏离人的实际葡萄糖水平的传感器“噪声”。传感器噪声可以是例如由葡萄糖传感器相对于皮肤的物理移动而引起的或者由于可能为传感器本身所固有的电噪声而引起的。此外，葡萄糖传感器可能不时地发生故障，使得测量的葡萄糖结果(来自葡萄糖传感器)可能大大不同于人的实际葡萄糖水平。葡萄糖传感器可能由于例如传感器电子装置或电池的故障或由于传感器“信号丢失”而以这种方式发生故障。传感器信号丢失可能由于葡萄糖传感器到人的附着的生理问题而发生，诸如传感器相对于人的移动。传感器信号丢失可能引起测量的葡萄糖结果“下降”至接近零，虽然人的实际葡萄糖水平可能更高得多。

结果，本公开的实施例可以处理来自人的测量的葡萄糖结果，使得甚至在存在传感器噪声和/或传感器故障的情况下，也可以估计人的实际葡萄糖水平。另外，基于估计的葡萄糖水平，可以预测人的未来葡萄糖水平。

发明内容

在一个实施例中，一种用于估计具有糖尿病的人的葡萄糖水平的方法包括：从被耦合到人的葡萄糖传感器向计算设备中接收多个测量的葡萄糖结果；基于所述多个测量的葡萄糖结果，用被配置成确定葡萄糖传感器准确的概率P_A的概率分析工具，使用计算设备来分析所述多个测量的葡萄糖结果；以及基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果，用被配置成估计葡萄糖水平的递归滤波器，使用计算设备来估计人的葡萄糖水平。

在另一实施例中，公开了一种具有用于执行用于估计具有糖尿病的人的葡萄糖水平的方法的计算机可执行指令的计算机可读介质，其中，该方法包括：从被耦合到人的葡萄糖传感器向计算机中接收多个测量的葡萄糖结果；基于所述多个测量的葡萄糖结果，用被配置成确定葡萄糖传感器准确的概率P_A的概率分析工具，使用计算机来分析所述多个测量的葡萄糖结果；以及基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果，用被配置成估计葡萄糖水平的递归滤波器，使用计算机来估计人的葡萄糖水平。

在另一实施例中，一种用于估计具有糖尿病的人的葡萄糖水平的设备包括：微控制器、输入设备以及显示器，其中：所述微控制器被电耦合到被配置成从被耦合到人的葡萄糖传感器接收多个测量的葡萄糖结果的输入设备，其中，所述微控制器被配置成从所述输入设备接收所述多个测量的葡萄糖结果；所述微控制器被配置成基于所述多个测量的葡萄糖结果用被配置成确定葡萄糖传感器准确的概率P_A的概率分析工具来分析所述多个测量的葡萄糖结果；所述微控制器被配置成基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果用被配置成估计葡萄糖水平的递归滤波器来估计人的葡萄糖水平；以及所述微控制器被电耦合到所述显示器，使得所述微控制器被配置成向显示器传送关于人的葡萄糖水平的估计的信息。

附图说明

在附图中阐述的实施例本质上是说明性和示例性的且并不意图限制由权利要求限定的本发明。当结合附图来阅读时，能够理解说明性实施例的以下详细说明，其中，用类似的参考数字来指示类似的结构，并且在所述附图中：

图1描述根据本文所示和所述的一个或多个实施例的连续葡萄糖监视(CGM)系统；

图2描述根据本文所示和所述的一个或多个实施例的葡萄糖监视器；

图3描述根据本文所示和所述的一个或多个实施例的人的测量的葡萄糖结果和实际葡萄糖水平的图；

图4描述根据本文所示和所述的一个或多个实施例的概率分析工具和递归滤波器；

图5描述根据本文所示和所述的一个或多个实施例的用于隐马尔可夫模型的状态转换；

图6描述根据本文所示和所述的一个或多个实施例的隐马尔可夫模型和卡尔曼滤波器的操作；

图7描述根据本文所示和所述的一个或多个实施例的预测算法的操作；以及

图8描述根据本文所示和所述的一个或多个实施例的使用概率分析工具和递归滤波器来预测人的葡萄糖水平的方法。

具体实施方式

本文所述的实施例总体上涉及用于处理从具有糖尿病的人测量的葡萄糖数据且特别地用于在存在传感器噪声和/或传感器故障的情况下估计人的实际葡萄糖水平的方法和系统。出于限定本公开的目的，“测量的葡萄糖结果”是由葡萄糖传感器测量的人的葡萄糖水平；“实际葡萄糖水平”是人的实际葡萄糖水平；以及“估计的葡萄糖水平”是人的估计的葡萄糖水平，其可以基于测量的葡萄糖结果。

图1描述可以用来连续地测量人的葡萄糖水平的连续葡萄糖监视(CGM)系统10。CGM系统10可以包括具有针18的葡萄糖传感器16，针18可以被插入具有糖尿病的人的皮肤12下面。针18的末端可以位于间质液14中，使得由葡萄糖传感器16获取的测量结果基于间质液14中的葡萄糖的水平。可以将葡萄糖传感器16放置在人的腹部上或其它适当位置上，并且可以用胶带或粘合剂(未示出)来固定。此外，可以周期性地校准葡萄糖传感器16以便改善其准确度。该周期性校准可以帮助修正由于传感器劣化和传感器插入部位的生理条件的变化而引起的传感器漂移。葡萄糖传感器16也可以包括其它部件，包括但不限于无线发射机20和天线22。虽然在图1中被描述成具有矩形形状，但可以设想的是葡萄糖传感器16也可以采取其它几何形状。虽然葡萄糖传感器16可以使用针18来进入人的血液，但还可以使用其它适当装置来进入人的血液或其它流体以便获取葡萄糖测量结果，包括仍待发现的那些。

葡萄糖传感器16在获取测量结果时可以通过通信链路24将测量的葡萄糖结果传送到葡萄糖监视器26。通信链路24可以是无线的，诸如射频或者“RF”，其中，通过电磁波来传送测量的葡萄糖结果。例如，“Bluetooth

”是一种无线RF通信系统，其使用约2.4千兆赫(GHz)的频率。另一种无线通信方案可以使用红外光，诸如红外数据协会

(Infrared Data Association

IrDA

)所支持的系统。还可以设想其它类型的无线通信，包括当前技术和仍待开发的技术。通信链路24可以是单向的(即，可以将数据仅从葡萄糖传感器16传送到葡萄糖监视器26)，或者其可以是双向的(即，可以沿任一方向在葡萄糖传感器16与葡萄糖监视器26之间传送数据)。此外，通信链路24可以允许两个或更多设备(例如，葡萄糖传感器、葡萄糖监视器、胰岛素泵等)之间的通信。虽然图1将通信链路24示为是无线的，但其可以替换地是有线链路，例如以太网。也可以使用其它公共或专用有线或无线链路。

图2示出葡萄糖监视器26的一个实施例，其可以包括显示器28、微控制器32和输入设备34。葡萄糖监视器26的示例包括但不限于血糖计、胰岛素泵、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器。可以将微控制器32电耦合到输入设备34，其可以被配置成从被耦合到人的葡萄糖传感器接收多个测量的葡萄糖结果。可以将微控制器32配置成从输入设备34接收所述多个测量的葡萄糖结果。还可以将葡萄糖监视器26配置成在一段时间内在存储器(未示出)中存储从葡萄糖传感器16接收到的多个测量的葡萄糖结果。还可以将微控制器32配置成用被配置成确定用于葡萄糖传感器的故障概率的概率分析工具来分析所述多个测量的葡萄糖结果。此外，可以将微控制器32配置成使用被配置成用葡萄糖传感器准确的概率对所述多个测量的葡萄糖结果进行加权的递归滤波器来估计人的葡萄糖水平。最后，可以将微控制器32电耦合到显示器28，使得微控制器被配置成向显示器28传送关于人的估计的葡萄糖水平的信息。如本文所讨论的，显示的信息可以包括人的估计的葡萄糖水平和/或未来某个时间处的人的预测的葡萄糖水平。此外，显示器还可以包括估计的葡萄糖水平的质量或不确定度的估计。此外，显示的信息可以包括关于人的估计的或预测的葡萄糖水平是否是低血糖或在未来的某个时间是否将变成低血糖的警告、警报等。这可以例如在人的葡萄糖水平下降至(或被预测将下降至)预定的低血糖阈值以下的情况下发生，所述低血糖阈值诸如是每分升血液50毫克的葡萄糖(mg/dl)。

微控制器32可以是8位设备、16位设备或任何其它适当设备，并且可以具有便于其操作的芯片上外围设备。例如，微控制器32可以具有用于存储计算机程序的内部存储器、用于数据存储的内部存储器以及用于被微控制器在其操作期间使用的参数的非易失性存储的内部存储器。此外，微控制器32可以具有定时器、串行通信端口、中断控制器等。微控制器32还可以是专用集成电路(ASIC)的一部分，其可以包括便于葡萄糖监视器26的操作的其它电路。输入设备34可以是被配置成从葡萄糖传感器(如图1所示)无线地接收测量的葡萄糖结果的无线通信模块。照此，可以使用天线30来改善无线连接的鲁棒性。替换地，输入设备34可以是通过有线连接、例如通过以太网或类似协议来接收测量的葡萄糖结果的有线通信模块。显示器28可以包括液晶显示器(LCD)或其它适当技术。还可以将显示器28配置成以触觉方式向人传送信息，例如通过振动。

图3描述了来自被耦合到具有糖尿病的人的葡萄糖传感器的测量的葡萄糖结果40的二维图的示例。水平轴表示以小时为单位的时间，而垂直轴表示以每分升血液的葡萄糖毫克(mg/dl)为单位的人的测量的和实际葡萄糖水平。可以由葡萄糖传感器以预定速率、诸如每一分钟自动地获取测量结果。测量的葡萄糖结果40一般地可以对应于人的实际葡萄糖水平42。然而，葡萄糖传感器可能不时地发生故障，如在图3中的时间段44期间所示的。故障可能是由于由葡萄糖传感器的针附近的生理问题所引起的传感器信号丢失而导致的，或者其可能是由于葡萄糖传感器本身的电学问题而导致的。在故障时间段44期间，测量的葡萄糖结果40可能大大低于人的实际葡萄糖水平42。在故障时间段44结束时，测量的葡萄糖结果40可以恢复，使得其再次对应于人的实际葡萄糖水平42。

仍参考图3，葡萄糖传感器还可能不时地显示出噪声，如在时间段46期间所示的。该噪声可能是由于葡萄糖传感器的针相对于皮肤的物理移动而引起的，或者其可能是由于葡萄糖传感器本身所固有的电噪声而引起的。在噪声时间段46期间，测量的葡萄糖结果40可能波动，使得一些结果在实际葡萄糖水平42之上且一些结果在其之下。噪声甚至可以看起来绕实际葡萄糖水平42振荡。在噪声时间段46结束时，测量的葡萄糖结果40可以恢复，使得其再次密切地对应于人的实际葡萄糖水平42。虽然被示为在不同的时间发生，但故障和噪声可以同时地以及接连地发生。此外，故障和/或噪声的持续时间可以比如在图3中所描述的更短或更长。

针对以上背景，提供了根据本公开的实施例，其在存在传感器噪声和/或传感器故障的情况下估计人的实际葡萄糖水平。图4描述了被配置成估计人的葡萄糖水平的系统50。系统50可以从可以被耦合到具有糖尿病的人(未示出)的葡萄糖传感器16接收测量的葡萄糖结果40。可以如本文前面所述或者以任何适当的方式将葡萄糖传感器16耦合到人。可以将葡萄糖传感器16配置成周期性地测量人的葡萄糖水平，例如每一分钟，并且将测量的葡萄糖结果40传送到系统50(例如，通过如上文所述的通信链路)。

用于估计具有糖尿病的人的葡萄糖水平的系统50可以包括概率分析工具54和递归滤波器52。可以将概率分析工具54配置成接收测量的葡萄糖结果40并计算葡萄糖传感器准确的概率P_A 58，即葡萄糖传感器16正常地运行(即，不发生故障)的概率。葡萄糖传感器准确的概率P_A 58可以仅仅基于可观测的数据，诸如测量的葡萄糖结果40和/或其变化。因此，可以使用概率分析工具54来在可以具有正态分布的传感器噪声和可以不是正态分布的传感器故障之间进行区分。由于它们的不确定度分布的差异，可以不同地处理每个类型的不确定度。

概率分析工具54可以包括任何数目的数学算法，其能够分析测量的葡萄糖结果40和/或其变化并计算葡萄糖传感器准确的概率P_A 58。还可以将概率分析工具54配置成接收其它类型的数据，葡萄糖传感器准确的概率P_A 58可以基于所述数据，诸如病人何时进食、病人何时锻炼以及何时向病人输送胰岛素。另外，P_A 58可以基于来自被耦合到人并被配置成测量人体中的阻抗的阻抗测量设备的一个或多个测量结果。此类阻抗测量设备可以指示葡萄糖传感器16是否被适当地耦合到人，并且因此指示来自葡萄糖传感器16的测量的葡萄糖结果40是否是准确的。也可以使用其它类型的数据。

概率分析工具54可以采取许多不同的形式，诸如状态机、贝叶斯模型或其它算法。在一个实施例中，概率分析工具54可以采取简单状态机的形式，其中，葡萄糖传感器准确的概率P_A可以始终在集合{0，1}中(即，P_A 58或者为0％或者为100％，取决于状态机的状态)。在本示例中，如果ΔCG(即，当前测量的葡萄糖结果与前一测量的葡萄糖结果相比的变化)小于某个负阈值，τ₁，则系统将转移到传感器不准确的状态T_A→I，并且如果ΔCG大于某个正阈值，τ₂，或者如果传感器CG值(即当前测量的葡萄糖结果)在生理可能的葡萄糖值(g₀和g_max)内且自从到传感器不准确的状态的转换起已逝去一定量的时间Δt_A→I＞τ₃，则系统转移回到传感器准确的状态，T_I→A。可以以数学方式将其表示为：

T_A→I如果ΔCG＜τ₁

T_I→A如果ΔCG＞τ₂或(g₀＜CG＜g_max且Δt_A→I＞τ₃)

如果这两个转移条件都未被满足，则状态机可以保持在其当前状态。这仅仅是采取状态机形式的概率分析工具54的一个示例。概率分析工具54也可以采取其它形式。

在另一示例中，概率分析工具54可以包括具有用于葡萄糖传感器的以下两个状态的隐马尔可夫模型：1)其中葡萄糖传感器准确的状态，用“S_A”来表示，以及2)其中传感器不准确的状态，用“S_I”来表示。隐马尔可夫模型可以提供状态转换函数，其定义从状态S_A转换到状态S_I的概率，诸如以下函数：

$P_{A\→I}=\min [(1-\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_1)/{\mathrm{\α}}_2}})+(1-\frac{1}{1+e^{-(\mathrm{CG}+{\mathrm{\α}}_3)/{\mathrm{\α}}_4}}),1],$

其中“CG”是当前测量的葡萄糖结果，“ΔCG”是从前一测量的葡萄糖结果到当前测量的葡萄糖结果的变化，且α₁至α₄是取决于葡萄糖传感器的特性的常数。用于此函数的输出值的范围是零至一，其中，零表示传感器准确的0％概率且一表示传感器准确的100％概率。“min”函数取数学表达式和数字一(即100％)的最小值。此转换函数可以基于当前的CG和ΔCG值。此外，转换函数可以是S型函数(sigmoid)，其中，参数α₁和α₃控制S型函数转换的位置，并且参数α₂和α₄控制S型函数的斜率。可以针对特定的病人和/或传感器批次对这些函数进行调谐。

继续隐马尔可夫模型的示例，保持在状态S_I(当当前状态是S_I时)的概率可以是

$P_{I\→I}=\max [\mathrm{\γ}{P}_{I_{k-1}}-\left(\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_5)/{\mathrm{\α}}_6}}\right),0]$

并且仅是ΔCG值和处于或转换到状态S_I的前一概率

的函数。用于此函数的输出值的范围是零至一，其中，零表示0％概率且一表示100％概率。“max”函数取数学表达式和数字零(即0％)的最大值。参数“γ”是小于一且被设计成如果没有来自CG和ΔCG值的保持在S_I的证明、则使隐马尔可夫模型的状态逐渐地转换回到S_A的衰减项。参数γ可以是常数且可以与当ΔCG相对正常时保持在S_I的概率有关。例如，可以选择γ，使得当ΔCG相对正常时隐马尔可夫模型保持在S_I达约10分钟。此概率函数还包括检测与到S_A的返回相关联的CG信号中的快速上升的S型函数。参数α₅控制S型函数转换的位置，并且参数α₆控制S型函数的斜率。针对特定的病人和/或传感器批次对这两个参数进行调谐。

转换到S_I的当前概率P_I是P_A→I或P_I→I，取决于当前状态是S_A还是S_I。葡萄糖传感器不准确(即，为S_I)的当前概率P_I可以是(S_A×P_A→I)+(S_I×P_I→I)。请注意，状态(S_A或S_I)当处于该状态时为“1”且否则为“0”。这包括转换到S_I的概率(P_A→I)(给定处于S_A的概率)，以及保持在S_I的概率乘以当前处于S_I的概率。P_I→I的值等于1-P_I→A，并且传感器准确的概率简单地为P_A＝1-P_I。因此，对于此示例，葡萄糖传感器准确的概率可以是P_A＝1-[(S_A×P_A→I)+(S_I×P_I→I)]。

图5描述了ΔCG的直方图内的两个转换函数P_A→I和P_I→A(即1-P_I→I，当当前状态是S_I时从S_I转换到S_A的概率)的图形表示。该直方图包括以零为中心具有与导致传感器故障和脱离传感器故障的转换相关联的两个尾部的高斯形状分量68。在直方图上对两个转换函数进行绘图以表明它们可以被调谐以在直方图的尾部上触发。高斯形状分量68可以代表在葡萄糖传感器的正常操作期间可以发生的ΔCG值的范围。位于高斯形状分量68内部的ΔCG值可以是由于例如传感器噪声而引起的。位于高斯形状分量68外部和左侧的ΔCG值可以是由于传感器从S_A转换至S_I而引起的。可以使用此分布的形状来在生产之后表征一批葡萄糖传感器并用来对传感器进行编码。也就是说，可以针对特定批次的葡萄糖传感器(通过调整α₁至α₆参数)将转换函数(P_A→I和P_I→I)调整为对应于高斯形状分量68。因此，仅仅基于测量的葡萄糖结果及其变化，可以使用隐马尔可夫模型来确定传感器准确的概率P_A。

图6举例说明示出在葡萄糖传感器故障期间和在存在葡萄糖传感器噪声的情况下的隐马尔科夫模型的操作示例的图。该图包括测量的葡萄糖结果40和葡萄糖传感器准确的概率P_A 58。在时间段70期间，葡萄糖传感器可能发生故障，因此引起测量的葡萄糖结果40变得不准确；同时，P_A 58(由隐马尔可夫模型确定)可以在时间段70期间从约100％(在时间段70之前)减小至接近0％。这可能是由于在时间段70开始时(即当故障第一次发生时)测量的葡萄糖结果40的值的快速下降的隐马尔可夫模型的检测而引起的。在时间段70结束时，葡萄糖传感器可以开始正常地操作(即测量的葡萄糖结果40再次变得准确)且P_A 58可以再次增加回到约100％。如前所述，这可能是由于在时间段70结束时(即当葡萄糖传感器返回至正常操作时)测量的葡萄糖结果40的值的快速增加的隐马尔可夫模型的检测而引起的。P_A 58从接近0％至约100％的变化速率可以取决于葡萄糖传感器多快地从故障(不准确)转换至正常(准确)操作。如果转换是相对快速的，则P_A 58可以快速地从接近100％转换至约0％。然而，如果葡萄糖传感器缓慢地从发生故障转换至正常操作，则P_A 58也可以缓慢地从接近0％转换至约100％。如果存在很少或不存在来自CG和ΔCG值的保持在S_I的证据，则衰减项γ(在等式P_I→I中找到)可以允许P_A 58逐渐地转换回到S_A。

仍参考图6，根据噪声的严重性和水平，被示为在时间段72期间发生的葡萄糖传感器噪声还可以引起P_A 58减小。如在图6中描述的，在时间段72期间的葡萄糖传感器噪声可以引起P_A 58略微减小。当然，葡萄糖传感器故障和传感器噪声两者可以具有变化的振幅和/或持续时间水平。此外，葡萄糖传感器故障和传感器噪声可以在时间上部分地或完全重叠。可以将隐马尔可夫模型配置成在任何这些条件下确定P_A 58。如下文将讨论的，可以在递归滤波器中使用P_A 58以便使葡萄糖传感器故障的影响最小化，从而在存在葡萄糖传感器故障和/或传感器噪声的情况下提供人的实际葡萄糖水平的准确估计。

再次参考图4，用于估计具有糖尿病的人的葡萄糖水平的系统50可以包括递归滤波器52，其可以用来基于用葡萄糖准确的概率P_A 58加权的所述多个测量的葡萄糖结果来估计人的葡萄糖水平。可以使用的递归滤波器的示例包括卡尔曼滤波器和扩展卡尔曼滤波器(EKF)。当然，也可以使用许多其它类型的递归滤波器。

在一个实施例中，递归滤波器52可以是卡尔曼滤波器(在下文中对“卡尔曼滤波器”的引用也适用于“扩展卡尔曼滤波器”)，其被配置成在二阶线性系统中处理测量的葡萄糖结果40(即原始葡萄糖传感器数据)，如在以下等式中体现的。卡尔曼滤波器可以特别地包括状态向量，其表示被估计的变量的被估计的状态，其在本示例中是人的葡萄糖水平。卡尔曼滤波器可以包括其中预测先验状态和协方差的预测步骤以及其中更新后验卡尔曼增益(K_k)、状态向量以及协方差的测量步骤。可以每当接收到新的输入时更新状态向量(即，递归地)。在本公开中，状态向量x中的变量可以表示基于测量的葡萄糖结果40的人的实际葡萄糖水平的估计。估计的葡萄糖水平向量x可以表示人的估计的葡萄糖水平g；其一阶导数

以及其二阶导数

测量的葡萄糖结果向量z可以包括当前CG和ΔCG值。也可以使用其它动态模型。可以将向量x和z表示为 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T$ 和z_k＝[CG ΔCG]^T，其中，k表示第k个样本。可以使用以下等式来估计葡萄糖水平向量，x：其中，k表示第k个样本，

K_k是卡尔曼增益，并且P_A 58是葡萄糖传感器准确的概率(来自概率分析工具)。以这种方式，可以使用传感器准确的概率P_A 58来对测量的葡萄糖结果进行加权，在矩阵z_k中体现。用于卡尔曼滤波器的支持等式和矩阵可以如下：

$A=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right],$ $Q=\left[\begin{array}{ccc}{\mathrm{\σ}}_g^2& 0& 0\\ 0& {\mathrm{\σ}}_{\stackrel{\·}{g}}^2& 0\\ 0& 0& {\mathrm{\σ}}_{\stackrel{\·\·}{g}}^2\end{array}\right],$ $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$

${\hat{P}}_k=A{P}_{k-1}{A}^T+Q_{k-1},$

$K_k={\hat{P}}_k{H}^T{(H{\hat{P}}_k{H}^T+R_k)}^{-1},$

$P_k=(I-K_{k}H){\hat{P}}_k,$

$R_k=\min [\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\frac{{(C_{k-i}-\stackrel{\‾}{C})}^2}{\mathrm{\τ}-1}+P_I{\mathrm{\σ}}_{\max }^2,{\mathrm{\σ}}_{\max }^2]+{\mathrm{\σ}}_{\mathrm{CG}}^2,$

C_k-i＝CG_k-i-Hx_k-i，以及

$\stackrel{\‾}{C}=\frac{1}{\mathrm{\τ}}\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}{C}_{k-i}.$

可以将矩阵A中的参数β₁和β₂设置成略小于一，使得当发生传感器故障时，估计的葡萄糖水平被阻尼。矩阵Q可以表示过程噪声协方差，而K_k可以表示卡尔曼滤波器增益。可以如在本领域中已知的那样确定用于这些参数的初始估计。

在扩展卡尔曼滤波器(EKF)中，可以用非线性模型

来表示系统，并且还用非线性模型z_k＝h(x_k)来表示测量结果。此非线性模型可以包括来自其它源的输入u_k，所述其它源可以包括膳食、胰岛素、锻炼或可能影响葡萄糖模型的其它输入。可以从专有的葡萄糖生理模型导出非线性模型。通过评估非线性模型来完成预测步骤，并且使用模型的雅可比行列式(Jacobian)、F_k，用状态向量来计算预测的不确定度。这产生关于当前系统状态的局部化线性模型。以下等式可以被EKF使用：

${\hat{x}}_k=f(x_{k-1},u_k)$

${\hat{P}}_k=F_k{P}_{k-1}{F_k}^T+Q_{k-1}$

$K_k={\hat{P}}_k{H_k}^T{(H_k{\hat{P}}_k{H_k}^T+R_k)}^{-1}$

$P_k=(I-K_k{H}_k){\hat{P}}_k$

$x_k={\hat{x}}_k+K_k(z_k-h\left({\hat{x}}_k\right))P_A.$

在预测步骤之后，可以在修正步骤中使用当前葡萄糖传感器测量结果CG_k。修正步骤还可以包括先前计算的葡萄糖传感器准确的概率P_A 58(来自概率分析工具)。可以将卡尔曼滤波器配置成用葡萄糖传感器准确的概率对当前测量的葡萄糖结果进行加权。例如，当P_A 58低时，当前测量的葡萄糖结果对卡尔曼滤波器的影响可以接近于零；相反，当P_A 58高时，当前测量的葡萄糖结果的影响可以较高。以这种方式使用P_A 58可以是对卡尔曼滤波器的操作的逻辑修改，因为当发生传感器故障时，当前测量的葡萄糖结果可能提供很少的或者不提供关于人的实际葡萄糖水平的有用信息。

区别传感器故障和传感器噪声可以便于估计人的葡萄糖水平，并且照此，卡尔曼滤波器可以对它们进行不同处理。针对正态分布传感器噪声，可以将卡尔曼滤波器配置成使此类噪声达到平均数。这可以是由于这样的事实，即可以针对每个类型和/或批次的葡萄糖传感器来表征传感器噪声，包括但不限于噪声的频率范围和测量的葡萄糖结果的振幅变化的相应范围。可以以卡尔曼滤波器的某些或所有参数(例如以

或

)来体现这些噪声特性，使得卡尔曼滤波器被配置成滤出噪声并提供人的相对准确的估计的葡萄糖水平，甚至在存在传感器噪声的情况下。另一方面，传感器故障错误一般地不是正态分布的，因此在卡尔曼滤波器框架内应对其进行不同处理。在卡尔曼滤波器的一个实施例中，P_A 58(由概率分析工具确定)可以被卡尔曼滤波器用来对测量的葡萄糖结果进行加权，使得当发生传感器故障时，测量的葡萄糖结果被大大地忽略。

在图6中示出了卡尔曼滤波器的操作示例，图6描述人的测量的葡萄糖结果40和估计的葡萄糖水平60。如前文所讨论的，也示出了葡萄糖传感器准确的概率P_A 58。正常地，人的估计的葡萄糖水平60可以一般地遵循测量的葡萄糖结果40。然而，在时间段70期间，传感器可能发生故障；同时，P_A 58可以减小至接近0％(如由概率分析工具的操作确定的)，从而指示葡萄糖传感器准确的低概率。因此，卡尔曼滤波器可以将P_A 58考虑在内，从而减轻在传感器故障的时间段70期间测量的葡萄糖结果在估计人的葡萄糖水平中的重要性。

继续参考图6，测量的葡萄糖结果40在时间段72期间可以包含噪声。卡尔曼滤波器可以对此噪声进行滤波，从而产生在此时间段72期间相对平滑的估计的葡萄糖水平60。虽然测量的葡萄糖结果在时间段72期间可以包含噪声，但P_A 58在此时间期间可以保持相对高(例如，接近100％)，因为概率分析工具也许能够辨别传感器噪声和传感器故障。照此，卡尔曼滤波器可以继续对时间段72期间的测量的葡萄糖结果寄予相对高的重要性(如由P_A 58在时间段72期间相对高所证明的)。

葡萄糖传感器测量结果不确定度R_k一般地不是恒定的。当前可以将其作为最近的传感器测量结果z；葡萄糖传感器准确的概率P_A；测量结果的最大不确定度

以及与连续葡萄糖测量结果相关联的正常不确定度

的函数来估计。可以将σ_max计算为具有控制不佳的糖尿病的人体内的葡萄糖的最大生理变化。其可以根据CGM数据的样本来被估计。类似地，σ_CG是正确地工作时的用于葡萄糖传感器的最小不确定度。其可以是用于传感器的最好情况性能，并且可以由与传感器理想地运转时的指刺(finger-stick)数据相比的测量的葡萄糖结果的变化来被估计。可以存在用于估计测量不确定度的其它方法，其包括使用更高频率葡萄糖传感器数据。可以将这解释为最近的过去CG测量结果与估计的卡尔曼滤波器状态状态之间的差的变化。

可以使用由递归滤波器确定的人的估计的葡萄糖水平来预测未来某个时间处的人的葡萄糖水平。这些估计还可以用来分析人的行为和葡萄糖模式。返回参考图4，可以使用预测算法62来预测人是否和/或何时可能变得低血糖且可以提供关联警报或警告。预测算法62可以从递归滤波器52接收人的估计的葡萄糖水平60且还可以接收估计的葡萄糖水平的不确定度。然而，可以用其它输入数据来增补预测算法62，包括进餐时间、碳水化合物、药物、锻炼、胰岛素剂量等。预测算法62也可以进一步从其它数据源接收信息，诸如测量的葡萄糖结果(即原始葡萄糖传感器数据)或已处理的葡萄糖传感器数据。预测算法62可以使用高斯过程回归来学习由图4中的训练模型64指示的病人特定预测模型。预测模型62还可以估计预测的不确定度，其可以允许针对灵敏度来调整警报阈值。还可以基于病人的当前活动来调整警报阈值；例如，当病人正在睡觉时，该灵敏度可能提高。

作为示例，可以使用卡尔曼滤波器或扩展卡尔曼滤波器的系统模型来完成低血糖的预测。在本示例中，针对期望的预测时间重复预测步骤或

并将预测值与特定阈值相比较。例如，如果每一分钟使卡尔曼滤波器更新，则预测步骤可以使卡尔曼滤波器重复四十五次以便预测从现在到未来四十五分钟的人的葡萄糖水平。该预测模型可以包括附加预测输入，诸如预期膳食、胰岛素、锻炼或其它预期未来输入。

在另一示例中，使用由递归滤波器估计的估计的葡萄糖值g和该葡萄糖值的变化速率来定义被与低血糖阈值相比较的线性预测。通过将导数乘以期望预测次数t_pt以计算预测的葡萄糖值

用以下等式来完成该预测。

$\hat{g}=g+\stackrel{\·}{g}{t}_{\mathrm{pt}}.$

作为示例，所使用的特定输入向量可以包括在时间t＝0、-15和-30分钟处获取的估计的葡萄糖水平(CG)的三个样本、在t＝-15分钟处的导数和估计的葡萄糖水平的当前导数、以及自最后一次膳食算起的时间。膳食信息t_meal和丸剂信息B是可选的，并且还可以包括其它数据。可以用数学方式将这表示为

x_CG＝[CG_t＝0 CG_t＝-15 CG_t＝-30 ΔCG_t＝0…-15 ΔCG_{t＝-15…-30}]^T

x_meal＝[CG_t＝0 CG_t＝-15 CG_t＝-30 ΔCG_t＝0…-15 ΔCG_{t＝-15…-30} min(t_meal，t_max)B]^T

高斯过程回归可以使用以下等式基于用(X，y)和测试点(x^*，y^*)表示的训练数据来预测人的未来葡萄糖水平：

y^*＝k(x^*，X)(k(X，X)+μI)^-1y，

其中，k(x，x)是协方差函数。可以使用高斯协方差函数来生成结果，但是在这里也可以使用其它函数。可以使用的高斯协方差函数是：

$k(\hat{x},x)=\exp [-\frac{1}{2{\mathrm{\σ}}_k^2}{\left|\right|\hat{x}-x\left|\right|}^2].$

图7描述了预测算法的操作。在左侧(从时间t＝-40至0)示出了来自葡萄糖传感器的测量的葡萄糖结果40和人的估计的葡萄糖水平60(即，卡尔曼滤波器的输出)。当前时间是t＝0。预测算法可以确定在未来某个时间处(即大于t＝0的任何时间)的人的预测的葡萄糖水平80。此外，可以使用预测算法来预测人的葡萄糖水平是否和/或何时可以变成低血糖。可以针对此人建立低血糖阈值82，使得在此阈值以下的实际葡萄糖水平意味着此人已变成低血糖。可以针对每个人唯一地确定低血糖阈值82。用于普通人的阈值可以为约50mg/ml。并且，低血糖阈值82可以针对每个人而变，使得该阈值基于时间、事件或其组合。作为示例，用于人的低血糖阈值82可以取决于一天中的时间、人是否已服用药物、葡萄糖传感器是否处于信号丢失状态和/或葡萄糖传感器处于信号丢失状态多久，等等。预测算法也许能够预测此人何时可以变成低血糖。在图7中，预测算法可以预测人将在t＝45(即从当前时间开始45分钟)变成低血糖。当然，随着时间的前进，预测算法可以继续使用最新的估计的葡萄糖水平(来自卡尔曼滤波器)并相应地调整预测的葡萄糖水平。

除能够预测人的葡萄糖水平的未来值之外，还可以进一步将预测算法配置成确定该预测准确的概率。例如，在未来仅一或两分钟的预测可以是高度准确的，而在未来60或70分钟的预测可能是相对不准确的。当然，预测准确的概率可以是连续集，对于不久的未来以接近100％开始并随着预测进一步延伸到未来而衰减至接近0％。可以与实际预测本身相结合地使用此信息以提供用于人的低血糖警告系统。如图7所示，警告系统可以在预测的葡萄糖水平80在低血糖阈值82以上足够高时不提供警报84；其可以在预测的葡萄糖水平80接近低血糖阈值82的预定范围内时建议保持谨慎86；并且其可以在预测的葡萄糖水平80下降到低血糖阈值82以下时告知危险88。

如前文所讨论的预测算法可以包括学习人的特定特性的训练函数。训练函数可以产生训练数据，其可以在预测算法中使用并可以基于其对产生预测所具有的影响而被加权。可以由在高斯过程回归量内使用的协方差函数k(x，x)来确定训练数据的影响水平。

可以用训练示例或非训练示例的类集对预测算法进行初始化。在测量新数据时，可以将它们结合到预测算法和/或训练函数中。存在用于包括新数据的许多可能算法。这些包括当1)已逝去了预定时间段时，2)预测对特定数据而言失败时，3)在训练集中未表示输入数据时，或者4)病人或护理提供者手动地包括数据(包括所有新数据，如果适当的话)时向训练集添加数据。

当被添加到训练集时，可以作为新向量或通过对现有训练向量重新加权来包括新数据。第二方法包括保持恒定的存储器需要的益处。在添加附加数据之后，可以在设备上立即、在个人计算机上回顾地或在诊所处回顾地更新预测算法。

参考图8，示出了用于估计具有糖尿病的人的葡萄糖水平的方法100。该方法可以包括许多动作，其可以任何适当顺序来执行。在动作102处，方法100可以从被耦合到人的葡萄糖传感器向计算设备中接收多个测量的葡萄糖结果。在动作104处，方法100可以基于所述多个葡萄糖测量结果用被配置成确定葡萄糖传感器准确的概率的概率分析工具使用计算设备来分析所述多个测量的葡萄糖结果。并且在动作106处，方法100可以使用被配置成用葡萄糖传感器准确的概率对所述多个测量的葡萄糖结果进行加权的递归滤波器使用计算设备来估计人的葡萄糖水平。可以如上文所述地建立概率分析工具和递归滤波器。

现在应理解的是本文所述的方法和系统可以用来估计具有糖尿病的人的葡萄糖水平，甚至在存在噪声和/或传感器不准确(例如传感器信号丢失)的情况下。此外，本文所述的方法和系统还可以用来预测人的未来葡萄糖水平。照此，它们也许能够预测人的葡萄糖水平是否和/或何时可以变成低血糖。在检测或预测到人可能变成低血糖时，该方法和系统可以向人提供相应的信息，诸如警告。可以将本文所述的方法存储在计算机可读介质上，其具有用于执行所述方法的计算机可执行指令。此类计算机可读介质可以包括压缩盘、硬盘驱动器、拇指驱动器、随机存取存储器、动态随机存取存储器、闪速存储器等。

应注意的是被以特定方式“配置”、“被配置成”体现特定性质或以特定方式运行的本公开的部件在本文中的叙述是结构叙述，与预期用途的叙述相反。更具体地，在本文中对用以“配置”部件的方式的引用表示部件的现有物理条件，并且照此应将其视为部件的结构特性的明确叙述。

虽然在本文中已举例说明并描述了本发明的特定实施例和方面，但在不脱离本发明的精神和范围的情况下可以进行各种其它变化和修改。此外，虽然在本文中已描述了各种发明方面，但不需要以组合方式利用此类方面。因此意图在于所附权利要求覆盖在本发明的范围内的所有此类变化和修改。

本发明、特别是如本文限定的方法、计算机可读介质和设备的进一步实现规定所述多个测量的葡萄糖结果包括约每一分钟获取的周期性葡萄糖测量结果。

下面，给出了本发明的方法、本发明的计算机可读介质和本发明的设备的实施例。

实施例1：一种用于估计具有糖尿病的人的葡萄糖水平的方法，该方法包括：

从被耦合到人的葡萄糖传感器向计算设备中接收多个测量的葡萄糖结果；

用被配置成基于所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A的概率分析工具使用计算设备来分析所述多个测量的葡萄糖结果；以及

用基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果来估计葡萄糖水平的递归滤波器，使用计算设备来估计人的葡萄糖水平。

实施例2：实施例1的方法，其中，所述计算设备包括血糖计、胰岛素泵、被耦合到葡萄糖传感器的微处理器、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器。

实施例3：实施例1的方法，其中，所述葡萄糖传感器包括被物理地耦合到具有糖尿病的人并被配置成自动地测量人的葡萄糖水平的连续葡萄糖监视系统。

实施例4：实施例1的方法，其中，所述多个测量的葡萄糖结果包括约每一分钟获取的周期性葡萄糖测量结果。

实施例5：实施例1的方法，其中，所述概率分析工具被配置成进一步基于下述中的至少一个来确定葡萄糖传感器准确的概率P_A：

人何时进食；

人何时锻炼；

何时向人输送胰岛素；以及

来自被耦合到具有糖尿病的人且被配置成测量人体内的阻抗的阻抗测量设备的一个或多个测量结果。

实施例6：实施例1的方法，其中，所述概率分析工具包括隐马尔可夫模型，其中：

隐马尔可夫模型具有两个状态：

第一状态S_A，其指示葡萄糖传感器是准确的，以及

第二状态S_I，其指示葡萄糖传感器是不准确的；以及

隐马尔可夫模型被配置成基于隐马尔可夫模型的状态和所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A。

实施例7：实施例6的方法，其中，葡萄糖传感器处于第二状态S_I的概率基于最新测量的葡萄糖结果、所述多个测量的葡萄糖结果的最新变化或其组合。

实施例8：实施例6的方法，其中，隐马尔可夫模型从第一状态S_A转换到第二状态S_I的概率是

$P_{A\→I}=\min [(1-\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_1)/{\mathrm{\α}}_2}})+(1-\frac{1}{1+e^{-(\mathrm{CG}+{\mathrm{\α}}_3)/{\mathrm{\α}}_4}}),1],$

其中，CG是最新测量的葡萄糖结果，ΔCG是所述多个葡萄糖测量结果的最新变化，并且α₁、α₂、α₃和α₄是与葡萄糖传感器的特性有关的常数。

实施例9：实施例6的方法，其中，隐马尔可夫模型保持在第二状态S_I的概率是

$P_{I\→I}=\max [\mathrm{\γ}{P}_{I_{k-1}}-\left(\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_5)/{\mathrm{\α}}_6}}\right),0],$

其中，ΔCG是所述多个测量的葡萄糖结果的最新变化，是转换到或处于第二状态S_I的前一概率，并且γ、α₅和α₆是与葡萄糖传感器的特性有关的常数。

实施例10：实施例6的方法，其中，葡萄糖传感器准确的概率P_A是

1-[(P_A→I×S_A)+(P_I→I×S_I)]，其中

当隐马尔可夫模型处于第一状态S_A时S_A＝1且否则S_A＝0，

当隐马尔可夫模型处于第二状态S_I时S_I＝1且否则S_I＝0，

P_A→I是从第一状态S_A转换到第二状态S_I的概率，以及

P_I→I是当处于第二状态S_I时保持在第二状态S_I的概率。

实施例11：实施例1的方法，其中，所述递归滤波器是卡尔曼滤波器或扩展卡尔曼滤波器。

实施例12：实施例11的方法，还包括使用计算设备用卡尔曼滤波器或扩展卡尔曼滤波器来预测人的未来葡萄糖水平，其中：

卡尔曼滤波器或扩展卡尔曼滤波器包括预测步骤和测量步骤；以及

执行预测步骤一次或多次以便预测人的未来葡萄糖水平。

实施例13：实施例11的方法，其中，所述卡尔曼滤波器或扩展卡尔曼滤波器包括状态向量 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T,$ 其中，k表示状态向量的第k个样本，g表示人的估计的葡萄糖水平，表示g的一阶导数，并且

表示g的二阶导数。

实施例14：实施例13的方法，其中，使用计算设备来估计人的葡萄糖水平包括确定状态向量

$x_k={\hat{x}}_k+K_k(z_k-H{\hat{x}}_k)P_A,$

其中， ${\hat{x}}_k=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right]x_{k-1},$ z_k＝[CG ΔCG]^T、 $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$ CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，K_k是卡尔曼增益，P_A是葡萄糖传感器准确的概率，并且β₁和β₂是与葡萄糖传感器的特性有关的常数。

实施例15：实施例14的方法，其中，卡尔曼增益K_k基于测量不确定度R_k，使得测量不确定度R_k是可变的并基于传感器准确的概率。

实施例16：实施例15的方法，其中，所述测量不确定度R_k是：

$R_k=\min [\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\frac{{(C_{k-i}-\stackrel{\‾}{C})}^2}{\mathrm{\τ}-1}+P_I{\mathrm{\σ}}_{\max }^2,{\mathrm{\σ}}_{\max }^2]+{\mathrm{\σ}}_{\mathrm{CG}}^2,$

其中，C_k-i＝CG_k-i-Hx_k-i、

τ表示时间历史，σ_max表示用于具有控制不佳的糖尿病的人体内的葡萄糖的最大生理变化，并且σ_CG表示用于准确时的葡萄糖传感器的最小不确定度。

实施例17：实施例1的方法，其中，所述递归滤波器被配置成进一步基于下述中的至少一个来估计人的葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

实施例18：实施例1的方法，还包括用被配置成基于来自递归滤波器的人的估计的葡萄糖水平来预测未来葡萄糖水平的回归分析工具使用计算设备来预测人的未来葡萄糖水平。

实施例19：实施例18的方法，其中，所述回归分析工具包括高斯过程回归分析。

实施例20：实施例19的方法，其中，所述高斯过程回归分析包括被配置成学习与人的葡萄糖水平有关的人的一个或多个特性的训练算法。

实施例21：实施例18的方法，还包括确定人的预测的未来葡萄糖水平的不确定度。

实施例22：实施例18的方法，其中，所述回归分析工具被配置成基于下述中的至少一个来预测人的未来葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

实施例23：一种具有用于执行用于估计具有糖尿病的人的葡萄糖水平的方法的计算机可执行指令的计算机可读介质，该方法包括：

从被耦合到人的葡萄糖传感器向计算机中接收多个测量的葡萄糖结果；

用被配置成基于所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A的概率分析工具使用计算机来分析所述多个测量的葡萄糖结果；以及

用基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果来估计葡萄糖水平的递归滤波器，使用计算机来估计人的葡萄糖水平。

实施例24：实施例23的计算机可读介质，其中，所述计算机包括血糖计、胰岛素泵、被耦合到葡萄糖传感器的微处理器、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器。

实施例25：实施例23的计算机可读介质，其中，所述葡萄糖传感器包括被物理地耦合到具有糖尿病的人并被配置成自动地测量人的葡萄糖水平的连续葡萄糖监视系统。

实施例26：实施例23的计算机可读介质，其中，所述多个测量的葡萄糖结果包括约每一分钟获取的周期性葡萄糖测量结果。

实施例27：实施例23的计算机可读介质，其中，所述概率分析工具被配置成进一步基于下述中的至少一个来确定葡萄糖传感器准确的概率P_A：

人何时进食；

人何时锻炼；

何时向人输送胰岛素；以及

来自被耦合到具有糖尿病的人且被配置成测量人体内的阻抗的阻抗测量设备的一个或多个测量结果。

实施例28：实施例23的计算机可读介质，其中，所述概率分析工具包括隐马尔可夫模型，其中：

隐马尔可夫模型具有两个状态

第一状态S_A，其指示葡萄糖传感器是准确的，以及

第二状态S_I，其指示葡萄糖传感器是不准确的；以及

隐马尔可夫模型被配置成基于隐马尔可夫模型的状态和所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A。

实施例29：实施例28的计算机可读介质，其中，葡萄糖传感器处于S_I的概率基于最新测量的葡萄糖结果、所述多个测量的葡萄糖结果的最新变化或其组合。

实施例30：实施例28的计算机可读介质，其中，隐马尔可夫模型从第一状态S_A转换到第二状态S_I的概率是

$P_{A\→I}=\min [(1-\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_1)/{\mathrm{\α}}_2}})+(1-\frac{1}{1+e^{-(\mathrm{CG}+{\mathrm{\α}}_3)/{\mathrm{\α}}_4}}),1],$

其中，CG是最新测量的葡萄糖结果，ΔCG是所述多个葡萄糖测量结果的最新变化，并且α₁、α₂、α₃和α₄是与葡萄糖传感器的特性有关的常数。

实施例31：实施例28的计算机可读介质，其中，保持在第二状态S_I的概率是

$P_{I\→I}=\max [\mathrm{\γ}{P}_{I_{k-1}}-\left(\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_5)/{\mathrm{\α}}_6}}\right),0],$

其中，ΔCG是所述多个测量的葡萄糖结果的最新变化，

是转换到或处于第二状态S_I的前一概率，并且γ、α₅和α₆是与葡萄糖传感器的特性有关的常数。

实施例32：实施例28的计算机可读介质，其中，葡萄糖传感器准确的概率P_A是

1-[(P_A→I×S_A)+(P_I→I×S_I)]，其中

当隐马尔可夫模型处于第一状态S_A时S_A＝1且否则S_A＝0，

当隐马尔可夫模型处于第二状态S_I时S_I＝1且否则S_I＝0，

P_A→I是从第一状态S_A转换到第二状态S_I的概率，以及

P_A→I是当处于第二状态S_I时保持在第二状态S_I的概率。

实施例33：实施例23的计算机可读介质，其中，所述递归滤波器是卡尔曼滤波器或扩展卡尔曼滤波器。

实施例34：实施例33的计算机可读介质，其中，所述方法还包括用卡尔曼滤波器或扩展卡尔曼滤波器使用计算机来预测人的未来葡萄糖水平，其中：

卡尔曼滤波器或扩展卡尔曼滤波器包括预测步骤和测量步骤；以及

执行预测步骤一次或多次以便预测人的未来葡萄糖水平。

实施例35：实施例33的计算机可读介质，其中，所述卡尔曼滤波器或扩展卡尔曼滤波器包括状态向量 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T,$ 其中，k表示状态向量的第k个样本，g表示人的估计的葡萄糖水平，

表示g的一阶导数，并且

表示g的二阶导数。

实施例36：实施例35的计算机可读介质，其中，使用计算机来估计人的葡萄糖水平包括确定状态向量

$x_k={\hat{x}}_k+K_k(z_k-H{\hat{x}}_k)P_A,$

其中， ${\hat{x}}_k=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right]x_{k-1},$ z_k＝[CG ΔCG]^T、 $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$ CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，K_k是卡尔曼增益，P_A是葡萄糖传感器准确的概率，并且β₁和β₂是与葡萄糖传感器的特性有关的常数。

实施例37：实施例36的计算机可读介质，其中，卡尔曼增益K_k基于测量不确定度R_k，使得测量不确定度R_k是可变的并基于传感器准确的概率。

实施例38：实施例37的计算机可读介质，其中，测量不确定度R_k是：

$R_k=\min [\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\frac{{(C_{k-i}-\stackrel{\‾}{C})}^2}{\mathrm{\τ}-1}+P_I{\mathrm{\σ}}_{\max }^2,{\mathrm{\σ}}_{\max }^2]+{\mathrm{\σ}}_{\mathrm{CG}}^2,$

其中，C_k-i＝CG_k-i-Hx_k-i、

τ表示时间历史，σ_max表示用于具有控制不佳的糖尿病的人体内的葡萄糖的最大生理变化，并且σ_CG表示用于准确时的葡萄糖传感器的最小不确定度。

实施例39：实施例23的计算机可读介质，其中，所述递归滤波器被配置成进一步基于下述中的至少一个来估计人的葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

实施例40：实施例23的计算机可读介质，其中，该方法还包括用被配置成基于来自递归滤波器的人的估计的葡萄糖水平来预测未来葡萄糖水平的回归分析工具，使用计算机来预测人的未来葡萄糖水平。

实施例41：实施例40的计算机可读介质，其中，所述回归分析工具包括高斯过程回归分析。

实施例42：实施例41的计算机可读介质，其中，所述高斯过程回归分析包括被配置成学习与人的葡萄糖水平有关的人的一个或多个特性的训练算法。

实施例43：实施例40的计算机可读介质，其中，所述方法还包括确定人的预测的未来葡萄糖水平的不确定度。

实施例44：实施例40的计算机可读介质，其中，所述回归分析工具被配置成基于下述中的至少一个来预测人的未来葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

实施例45：一种用于估计具有糖尿病的人的葡萄糖水平的设备，该设备包括微控制器、输入设备以及显示器，其中：

所述微控制器被电耦合到输入设备，该输入设备被配置成从被耦合到人的葡萄糖传感器接收多个测量的葡萄糖结果，其中，所述微控制器被配置成从输入设备接收所述多个测量的葡萄糖结果；

所述微控制器被配置成用被配置成基于所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A的概率分析工具来分析所述多个测量的葡萄糖结果；

所述微控制器被配置成用被配置成基于用葡萄糖传感器准确的概率P_A加权的所述多个测量的葡萄糖结果来估计葡萄糖水平的递归滤波器来估计人的葡萄糖水平；以及

所述微控制器被电耦合到显示器，使得所述微控制器被配置成向显示器传送与人的葡萄糖水平的估计有关的信息。

实施例46：实施例45的设备，其中，所述设备包括血糖计、胰岛素泵、连续葡萄糖监视系统、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器。

实施例47：实施例45的设备，其中，所述葡萄糖传感器包括被物理地耦合到具有糖尿病的人并被配置成自动地测量人的葡萄糖水平的连续葡萄糖监视系统。

实施例48：实施例45的设备，其中，所述多个测量的葡萄糖结果包括约每一分钟获取的周期性葡萄糖测量结果。

实施例49：实施例45的设备，其中，所述概率分析工具被配置成进一步基于下述中的至少一个来确定葡萄糖传感器准确的概率P_A：

人何时进食；

人何时锻炼；

何时向人输送胰岛素；以及

来自被耦合到具有糖尿病的人且被配置成测量人体内的阻抗的阻抗测量设备的一个或多个测量结果。

实施例50：实施例45的设备，其中，所述概率分析工具包括隐马尔可夫模型，其中：

隐马尔可夫模型具有两个状态

第一状态S_A，其指示葡萄糖传感器是准确的，以及

第二状态S_I，其指示葡萄糖传感器是不准确的；以及

隐马尔可夫模型被配置成基于隐马尔可夫模型的状态和所述多个测量的葡萄糖结果来确定葡萄糖传感器准确的概率P_A。

实施例51：实施例50的设备，其中，葡萄糖传感器处于第二状态S_I的概率基于最新测量的葡萄糖结果、所述多个测量的葡萄糖结果的最新变化或其组合。

实施例52：实施例50的设备，其中，隐马尔可夫模型从第一状态S_A转换到第二状态S_I的概率是

$P_{A\→I}=\min [(1-\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_1)/{\mathrm{\α}}_2}})+(1-\frac{1}{1+e^{-(\mathrm{CG}+{\mathrm{\α}}_3)/{\mathrm{\α}}_4}}),1],$

其中，CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，并且α₁、α₂、α₃和α₄是与葡萄糖传感器的特性有关的常数。

实施例53：实施例50的设备，其中，隐马尔可夫模型保持在第二状态S_I的概率是

$P_{I\→I}=\max [\mathrm{\γ}{P}_{I_{k-1}}-\left(\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_5)/{\mathrm{\α}}_6}}\right),0],$

其中，ΔCG是所述多个测量的葡萄糖结果的最新变化，

是转换到或处于第二状态S_I的前一概率，并且γ、α₅和α₆是与葡萄糖传感器的特性有关的常数。

实施例54：实施例50的设备，其中，葡萄糖传感器准确的概率P_A是

1-[(P_A→I×S_A)+(P_I→I×S_I)]，其中

当隐马尔可夫模型处于第一状态S_A时S_A＝1且否则S_A＝0，

当隐马尔可夫模型处于第二状态S_I时S_I＝1且否则S_I＝0，

P_A→I是从第一状态S_A转换到第二状态S_I的概率，以及

P_A→I是当处于第二状态S_I时保持在第二状态S_I的概率。

实施例55：实施例45的设备，其中，所述递归滤波器是卡尔曼滤波器或扩展卡尔曼滤波器。

实施例56：实施例55的设备，其中，所述微控制器还被配置成用卡尔曼滤波器或扩展卡尔曼滤波器来预测人的未来葡萄糖水平，其中：

卡尔曼滤波器或扩展卡尔曼滤波器包括预测步骤和测量步骤；以及

执行预测步骤一次或多次以便预测人的未来葡萄糖水平。

实施例57：实施例55的设备，其中，所述卡尔曼滤波器或扩展卡尔曼滤波器包括状态向量 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T,$ 其中，k表示状态向量的第k个样本，g表示人的估计的葡萄糖水平，

表示g的一阶导数，并且

表示g的二阶导数。

实施例58：实施例57的设备，其中，所述微控制器被配置成通过确定以下状态向量来估计人的葡萄糖水平

$x_k={\hat{x}}_k+K_k(z_k-H{\hat{x}}_k)P_A,$ 其中

其中， ${\hat{x}}_k=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right]x_{k-1},$ z_k＝[CG ΔCG]^T、 $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$ CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，K_k是卡尔曼增益，P_A是葡萄糖传感器准确的概率，并且β₁和β₂是与葡萄糖传感器的特性有关的常数。

实施例59：实施例58的设备，其中，卡尔曼增益K_k基于测量不确定度R_k，使得测量不确定度R_k是可变的并基于传感器准确的概率。

实施例60：实施例59的设备，其中，所述测量不确定度R_k是：

$R_k=\min [\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\frac{{(C_{k-i}-\stackrel{\‾}{C})}^2}{\mathrm{\τ}-1}+P_I{\mathrm{\σ}}_{\max }^2,{\mathrm{\σ}}_{\max }^2]+{\mathrm{\σ}}_{\mathrm{CG}}^2,$

其中，C_k-i＝CG_k-i-Hx_k-i、

τ表示时间历史，σ_max表示用于具有控制不佳的糖尿病的人体内的葡萄糖的最大生理变化，并且σ_CG表示用于准确时的葡萄糖传感器的最小不确定度。

实施例61：实施例45的设备，其中，所述递归滤波器被配置成进一步基于下述中的至少一个来估计人的葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

实施例62：实施例45的设备，其中，所述微控制器还被配置成用被配置成基于来自递归滤波器的人的估计的葡萄糖水平来预测人的未来葡萄糖水平的回归分析工具来预测人的未来葡萄糖水平。

实施例63：实施例62的设备，其中，所述回归分析工具包括高斯过程回归分析。

实施例64：实施例63的设备，其中，所述高斯过程回归分析包括被配置成学习与人的葡萄糖水平有关的人的一个或多个特性的训练算法。

实施例65：实施例62的设备，其中，所述回归分析工具被配置成确定人的预测的未来葡萄糖水平的不确定度。

实施例66：实施例62的设备，其中，所述回归分析工具被配置成基于下述中的至少一个来预测人的未来葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素。

Claims (16)

1.一种用于估计具有糖尿病的人的葡萄糖水平(60)的方法，该方法包括：

从被耦合到人的葡萄糖传感器(16)向计算设备中接收(102)多个测量的葡萄糖结果；

用被配置成基于所述多个测量的葡萄糖结果(40)来确定葡萄糖传感器准确的概率P_A(58)的概率分析工具(54)，使用(104)计算设备来分析所述多个测量的葡萄糖结果(40)；以及

用被配置成基于用葡萄糖传感器准确的概率P_A(58)加权的所述多个测量的葡萄糖结果(40)来估计葡萄糖水平(60)的递归滤波器(52)，使用(106)计算设备来估计人的葡萄糖水平(60)。

2.权利要求1的方法，其中，计算设备(32)包括血糖计、胰岛素泵、被耦合到葡萄糖传感器的微处理器、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器，其中，所述葡萄糖传感器优选地包括适合于被物理地耦合到具有糖尿病的人并被配置成自动地测量人的葡萄糖水平的连续葡萄糖监视系统(10)。

3.前述权利要求中的任一项的方法，其中，所述概率分析工具(54)包括隐马尔可夫模型，其中：

隐马尔可夫模型具有两个状态：

第一状态S_A，其指示葡萄糖传感器(16)是准确的，以及

第二状态S_I，其指示葡萄糖传感器(16)是不准确的；以及

隐马尔可夫模型被配置成基于隐马尔可夫模型的状态和所述多个测量的葡萄糖结果(40)来确定葡萄糖传感器准确的概率P_A(58)。

4.权利要求3的方法，其中，葡萄糖传感器(16)处于第二状态S_I的概率基于最新测量的葡萄糖结果、所述多个测量的葡萄糖结果的最新变化或其组合，和/或其中，隐马尔可夫模型从第一状态S_A转换至第二状态S_I的概率是

$P_{A\→I}=\min [(1-\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_1)/{\mathrm{\α}}_2}})+(1-\frac{1}{1+e^{-(\mathrm{CG}+{\mathrm{\α}}_3)/{\mathrm{\α}}_4}}),1],$

其中，CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，并且α₁、α₂、α₃和α₄是与葡萄糖传感器的特性有关的常数，和/或其中，隐马尔可夫模型保持在第二状态S_I的概率是

$P_{I\→I}=\max [\mathrm{\γ}{P}_{I_{k-1}}-\left(\frac{1}{1+e^{-(\mathrm{\ΔCG}+{\mathrm{\α}}_5)/{\mathrm{\α}}_6}}\right),0],$

其中，ΔCG是所述多个测量的葡萄糖结果的最新变化，

是转换到或处于第二状态S_I的前一概率，并且γ、α₅和α₆是与葡萄糖传感器的特性有关的常数。

5.权利要求3的方法，其中，葡萄糖传感器准确的概率P_A(58)是

1-[(P_A→I×S_A)+(P_I→I×S_I)]，其中

当隐马尔可夫模型处于第一状态S_A时S_A＝1且否则S_A＝0，

当隐马尔可夫模型处于第二状态S_I时S_I＝1且否则S_I＝0，

P_A→I是从第一状态S_A转换到第二状态S_I的概率，以及

P_I→I是当处于第二状态S_I时保持在第二状态S_I的概率。

6.前述权利要求中的任一项的方法，其中，所述递归滤波器(52)是卡尔曼滤波器或扩展卡尔曼滤波器。

7.权利要求6的方法，还包括使用计算设备用卡尔曼滤波器或扩展卡尔曼滤波器来预测人的未来葡萄糖水平，其中：

卡尔曼滤波器或扩展卡尔曼滤波器包括预测步骤和测量步骤；以及

执行预测步骤一次或多次以便预测人的未来葡萄糖水平，其中，卡尔曼滤波器或扩展卡尔曼滤波器优选地包括状态向量 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T,$ 其中，k表示状态向量的第k个样本，g表示人的估计的葡萄糖水平(60)，

表示g的一阶导数，并且

表示g的二阶导数。

8.权利要求7的方法，其中，卡尔曼滤波器或扩展卡尔曼滤波器包括状态向量，并且其中，使用计算设备来估计人的葡萄糖水平(60)包括确定状态向量

$x_k={\hat{x}}_k+K_k(z_k-H{\hat{x}}_k)P_A,$

其中， ${\hat{x}}_k=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right]x_{k-1},$ z_k＝[CG ΔCG]^T、 $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$ CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，K_k是卡尔曼增益，P_A是葡萄糖传感器准确的概率(58)，并且β₁和β₂是与葡萄糖传感器(16)的特性有关的常数，卡尔曼增益K_k优选地基于测量不确定度R_k，使得测量不确定度R_k是可变的并基于传感器准确的概率，并且其中，测量不确定度R_k特别地是：

$R_k=\min [\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\frac{{(C_{k-i}-\stackrel{\‾}{C})}^2}{\mathrm{\τ}-1}+P_I{\mathrm{\σ}}_{\max }^2,{\mathrm{\σ}}_{\max }^2]+{\mathrm{\σ}}_{\mathrm{CG}}^2,$

其中，C_k-i＝CG_k-i-Hx_k-i、

τ表示时间历史，σ_max表示用于具有控制不佳的糖尿病的人体内的葡萄糖的最大生理变化，并且σ_CG表示用于准确时的葡萄糖传感器(16)的最小不确定度。

9.前述权利要求中的任一项的方法，其中，递归滤波器(52)被配置成进一步基于下述中的至少一个来估计人的葡萄糖水平(60)：

人何时进食；

人何时锻炼；

何时向人输送胰岛素，和/或其中，概率分析工具(54)被配置成进一步基于下述中的至少一个来确定葡萄糖传感器准确的概率P_A：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素；以及

来自被耦合到具有糖尿病的人且被配置成测量人体内的阻抗的阻抗测量设备的一个或多个测量结果。

10.权利要求1～9中的任一项的方法，还包括用被配置成基于来自递归滤波器(52)的人的估计的葡萄糖水平(60)来预测人的未来葡萄糖水平且特别地被配置成进一步基于下述中的至少一个来预测人的未来葡萄糖水平的递归分析工具使用计算设备来预测人的未来葡萄糖水平：

人何时进食；

人何时锻炼；以及

何时向人输送胰岛素，其中，所述回归分析工具优选地包括高斯过程回归分析，该高斯过程回归分析特别地包括被配置成学习与人的葡萄糖水平有关的人的一个或多个特性的训练算法，该方法优选地还包括确定人的预测的未来葡萄糖水平的不确定度。

11.一种具有用于执行根据前述权利要求中的任一项所述的用于估计具有糖尿病的人的葡萄糖水平(60)的方法的计算机可执行指令的计算机可读介质，其中，所述计算设备是由计算机提供的。

12.一种用于估计具有糖尿病的人的葡萄糖水平的设备，该设备包括用于执行权利要求1至10中的任一项的方法的步骤的装置。

13.一种用于估计具有糖尿病的人的葡萄糖水平的设备，该设备包括微控制器(32)、输入设备(34)以及显示器(28)，其中：

所述微控制器(32)被电耦合到输入设备，该输入设备被配置成从被耦合到人的葡萄糖传感器(16)接收多个测量的葡萄糖结果(40)，其中，所述微控制器(32)被配置成从输入设备(34)接收所述多个测量的葡萄糖结果(40)；

所述微控制器(32)被配置成用被配置成基于所述多个测量的葡萄糖结果(40)来确定葡萄糖传感器准确的概率P_A(58)的概率分析工具(54)来分析所述多个测量的葡萄糖结果(40)；

所述微控制器(32)被配置成用被配置成基于用葡萄糖传感器准确的概率P_A(58)加权的所述多个测量的葡萄糖结果(40)来估计葡萄糖水平的递归滤波器(52)来估计人的葡萄糖水平(60)；以及

所述微控制器(32)被电耦合到显示器(28)，使得所述微控制器(32)被配置成向显示器传送与人的葡萄糖水平(60)的估计有关的信息。

14.权利要求13的设备，其中，所述设备包括血糖计、胰岛素泵、连续葡萄糖监视系统(10)、蜂窝式电话、智能电话、个人数字助理、个人计算机或计算机服务器。

15.权利要求13或14的设备，其中，所述葡萄糖传感器、所述多个测量的葡萄糖结果(40)、所述概率分析工具(54)、所述葡萄糖传感器准确的概率(58)、所述隐马尔可夫模型的概率、所递归滤波器(52)、所述卡尔曼滤波器、所述扩展卡尔曼滤波器、所述卡尔曼增益、所述测量不确定度和/或所述回归分析工具分别是根据权利要求1～11中的任一项中的限定被提供的。

16.权利要求13～15中的任一项的设备，其中，所述递归滤波器(52)是卡尔曼滤波器或扩展卡尔曼滤波器，并且其中，微控制器(32)还被配置成用卡尔曼滤波器或扩展卡尔曼滤波器来预测人的未来葡萄糖水平，其中：

卡尔曼滤波器或扩展卡尔曼滤波器包括预测步骤和测量步骤；以及

执行预测步骤一次或多次以便预测人的未来葡萄糖水平，

或者其中

所述卡尔曼滤波器或扩展卡尔曼滤波器包括状态向量 $x_k={\left[\begin{array}{ccc}g& \stackrel{\·}{g}& \stackrel{\·\·}{g}\end{array}\right]}^T,$ 其中，k表示状态向量的第k个样本，g表示人的估计的葡萄糖水平，

表示g的一阶导数，并且

表示g的二阶导数，并且微控制器(32)被配置成通过确定以下状态向量来估计人的葡萄糖水平：

$x_k={\hat{x}}_k+K_k(z_k-H{\hat{x}}_k)P_A,$

其中， ${\hat{x}}_k=\left[\begin{array}{ccc}1& 1& 0\\ 0& {\mathrm{\β}}_1& 1\\ 0& 0& {\mathrm{\β}}_2\end{array}\right]x_{k-1},$ z_k＝[CG ΔCG]^T、 $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$ CG是最新测量的葡萄糖结果，ΔCG是所述多个测量的葡萄糖结果的最新变化，K_k是卡尔曼增益，P_A是葡萄糖传感器准确的概率，并且β₁和β₂是与葡萄糖传感器的特性有关的常数，

或者其中

微控制器(32)还被配置成用被配置成基于来自递归滤波器(52)的人的估计的葡萄糖水平(60)来预测人的未来葡萄糖水平的回归分析工具来预测人的未来葡萄糖水平。

Images