CN102961143A - 联合非侵入式和侵入式生物参数测量设备 - Google Patents

联合非侵入式和侵入式生物参数测量设备 Download PDF

Info

Publication number
CN102961143A
CN102961143A CN2012100200371A CN201210020037A CN102961143A CN 102961143 A CN102961143 A CN 102961143A CN 2012100200371 A CN2012100200371 A CN 2012100200371A CN 201210020037 A CN201210020037 A CN 201210020037A CN 102961143 A CN102961143 A CN 102961143A
Authority
CN
China
Prior art keywords
biological parameter
intrusion type
matrix
intrusive mood
patient
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.)
Granted
Application number
CN2012100200371A
Other languages
English (en)
Other versions
CN102961143B (zh
Inventor
尤素福·赛吉曼
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.)
CNOGA Medical Ltd
Original Assignee
CNOGA Medical Ltd
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 CNOGA Medical Ltd filed Critical CNOGA Medical Ltd
Publication of CN102961143A publication Critical patent/CN102961143A/zh
Application granted granted Critical
Publication of CN102961143B publication Critical patent/CN102961143B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • 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
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/1459—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 using optical sensors, e.g. spectral photometrical oximeters invasive, e.g. introduced into the body by a catheter
    • 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
    • A61B5/1495—Calibrating or testing of in-vivo probes
    • 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
    • A61B5/486—Bio-feedback
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A61B2010/0083—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements for taking gas samples

Abstract

在一种联合侵入式和非侵入式生物参数监控设备内，侵入式组件测量生物参数，并将读数传输到非侵入式组件。非侵入式组件基于由病人将其身体部分的插入生成生物参数读数。数字处理器处理一系列随着时间推移的身体部分的数字彩色图像，并将这些数字图像表示为随着时间推移的信号，采用数学函数将该信号转变为学习向量。由此产生一个学习矩阵。由此推导一个学习向量的系数。从来自非侵入性测量的一个新向量，创建一个相同大小和结构的新矩阵。采用这个学习向量的系数，识别矩阵可被测试以非侵入地测量所述生物参数。该学习矩阵可被扩张，并保持规则。在针对个别病人校准设备之后，可在因特网上发送数据而产生通用的校准。

Description

联合非侵入式和侵入式生物参数测量设备
技术领域
本发明涉及用于非侵入式生物参数监控的装置与方法，尤其是涉及一种联合非侵入式和侵入式生物参数测量设备与方法。 
背景技术
一本2006年关于失败的非侵入式葡萄糖监控技术的概述，标题为“非侵入式葡萄糖测量的追求：寻求欺诈的火鸡”（“非侵入式葡萄糖测量的追求”或“PNG”），作者为约翰·史密斯，Lifescan公司（强生公司分支）的前任首席科技官，详细描述了为什么在过去25年里，未曾取得成功的非侵入式葡萄糖监控设备。本背景讨论是主要基于这本书。 
糖尿病是一种严重疾病，它能导致眼损伤、肾损伤、丧失四肢感觉、伤口愈合缓慢、脚趾、脚或腿的截肢和心血管疾病。参见PNG第7页。如果病人严格坚持适当的饮食、锻炼、吃药和进行频繁的血糖测量，他们都能维持他们的健康和相对正常的生命。参见Id。因此，关键是血糖的监控。为精确地测量血糖水平，人们需要测量在血液中（相对于尿中）的血糖量，这是通过用于测量血糖水平的侵入式指示仪器在家中或在医生诊所和实验室中每天数百万次进行的。参见Id。这样的仪器需要疼痛的侵入，这是不舒服的，并对于个体带有感染的风险。以尖物刺自身以抽血是令人不愉快的，甚至带有创伤，特别是当必须许多年每日重复进行时。 
此外，为了让患有糖尿病的人保持血糖的健康水平，通常会有需求让病人在家里进行简单、精确的测量。如果简单、非侵入式、低廉、可信赖的测试是可行的，病人将可在家经常进行他们的非侵入式的血糖测量。参见Id。 
根据“非侵入式葡萄糖测量的追求”所述，每年有成千上万的人是新诊断为患上糖尿病，因为在发达国家生活标准的提高使人们的饮食倾向于高糖。极大的市场规模（全球2007年超过70亿美元）以及需求已经导致由初生的公司不断发布消息，称非侵入式血糖监控系统的问题已经被解决。实际上，并没有任何成功的设备能让病人能无需疼痛或损伤地测量他们的血糖。根据“非侵入式葡萄糖测量的追求”所述，氧饱和度是基于携带氧的血红蛋白的量与不携带氧的血红蛋白的量的比率来测量的。氧血红蛋白是带蓝色的，而脱氧血红蛋白是可见不同颜色的，主要是鲜红色。显然，血红蛋白仅是血液中的带有强蓝色或红色的化合物，它几乎不存在于血红细胞内，红细胞在血管内按规定路线流动。因此，人们是相对容易采用光谱技术来非侵入地测量在体内的氧饱和度。 
相比于血红蛋白，葡萄糖具有难以描述的特征——它是无色的，它从身体的一部分到另一部分的浓度是变化的，它存在的浓度比血红蛋白少很多。参见PNG第26-28页。而且，葡萄糖的化学结构是带有多个羟基的碳氢化合物，这也使它非常类似于体内的许多其他化合物，实际上，葡萄糖是附着在体内的大多数蛋白质上。用于检测葡萄糖的光谱技术有关于蛋白分子的不同的区别信号，这些蛋白分子被附着到葡萄糖，这些区别信号与来自葡萄糖分子自身的信号相关联。例如，近红外区有许多弱的、重叠的、变动的分光信号，它们来自具有多羟基基团的碳氢化合物。 
而且，从光显葡萄糖反射的分光信号是弱的。因此，当试图在数据组与真实葡萄糖测量之间找到相关性，非常难以成功地采用数学算法来在数据组之中分离变化，得到一系列曲线形成分来考虑观察到的可变性的量。 
此外，光谱技术经常显示在光谱效应的变化之间与真实葡萄糖浓度最初具有相关性，但当后来检查在室温和潮湿条件下的变化不具有相关性，它表明，这些局部环境变化影响相关性。参见“非侵入式葡萄糖测量的追求”第66页。结果，没有可信赖的和精确的技术最终得到开发。 
进一步的问题是要确定：怎样一个参数才是葡萄糖浓度的好的测量参数，程序是让病人在一次单独饮水中喝50至100克葡萄糖而不会有效，因为“在口服葡萄糖耐受实验中，几乎每个测量的生理参数（也就是，核心温度、表面温度、外围灌注、皮肤水化、电解质平衡、胃动力、周围水肿、酶水平、皮肤响应、呼吸、尿 液、唾液的产生）”都显示与曲线有强的相关性。参见“非侵入式葡萄糖测量的追求”第60页。 
“非侵入式葡萄糖测量已经尝试过难以置信的不同范围的技术。” 见“非侵入式葡萄糖测量的追求”第28页。没有一种技术在过去25至30年间获得成功。虽然已经有人声称已经采用光谱技术找到在特定质量与葡萄糖之间的相关性，但是采用这些技术并没有非侵入式产品已经成功或者在精确和可靠地测量葡萄糖方面是可操作。参见“非侵入式葡萄糖测量的追求”。这可能是由于所声称的相关性从未是实际开始的，因为它们不是根据环境的或其他参数来核对的。没有校准来自非侵入式测量的数据来预测体内基于非侵入式测量真正葡萄糖水平的方法已经成功地找到可信赖的和精确的点作为参考点。 
除了葡萄糖，还有许多其他生物参数可能有助于精确和可信赖地监控，特别是通过便携式仪器由消费者或病人在家里应用。这些生物参数例如包括：氧和二氧化碳浓度、尿素氮、收缩压和舒张压、潮湿度、干燥度、盐度、pH、组织（例如外部皮肤组织、内部肌肉）饱和度、组织活性（例如，内部肿瘤组织或外部皮肤黑素瘤表示不同的皮肤活性）、血红细胞计数（每一立方微米的细胞数或浓度）、心卒量变化（在每次心卒从心脏射出的血液量）以及皮肤血管畸形、胆固醇、钾、收缩压和舒张压、心卒容量、氯、钠、氮、血红蛋白、胆红素 胆固醇LDL、 HDL和总胆固醇、CO2百分数、O2百分数、血红细胞、白细胞、铁、血细胞比容、血小板等。 
因此，有强烈的需求要开发一种精确的和可信赖的仪器和方法用于非侵入式生物参数测量设备，尤其是当葡萄糖是生物参数时，虽然并不限制于这个例子。有进一步的需求开发这样一种仪器和方法，它是便携式的，足够和容易使用，它可由病人在家里应用。 
发明内容
本发明的一个方面是提供了一种监控生物参数的方法，包括：（a）采用生物参数监控设备的侵入式组件来侵入地测量病人的生物参数，将侵入式生物参数读数传输到所述生物参数监控设备的非侵入式组件，所述侵入式生物参数被输入到列向量Y；（b）在步骤“（a）”的接近时间内，通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号；（c）所述非侵入式组件的数字处理器（i）采用数学函数来将所述信号转变为标量学习数；以及（ii）重复步骤“（c）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；（d）通过重复步骤“（a）”到“（c）”足够次数，数字处理器从多个学习向量形成一个n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；（e）通过将学习矩阵D的反矩阵D-1乘以列向量Y，数字处理器获得学习向量的系数C；（f）数字处理器通过以下方式获得新向量V新：通过（i）使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号，并通过持有数字处理器，采用数学函数来将所述信号转变为标量数；以及通过（ii）重复步骤“（f）（i）”n次以形成向量V新，无需采用相同的数学函数；（g）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及（h）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的列向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。 
本发明的另一个方面是涉及一种可由病人使用的便携式生物参数监控医疗设备，包括：非侵入式组件，能基于由病人将其身体部分插入所述非侵入式组件而产生所述病人的身体部分的组织的非侵入式生物参数读数；所述非侵入式组件包括：至少一个颜色图像传感器，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并包括第一数字处理器，用于将所述系列的彩色图像处理为随着时间推移反映所述三种颜色的每种颜色的随着时间推移的分布的信号；侵入式组件，用于从所述病人的血液中获得侵入式生物参数读数；所述侵入式组件还包括：第二数字处理器，用于自动将所述侵入式生物参数读数传输到所述非侵入式组件的第一数字处理器；所述侵入式生物参数读数形成在列向量Y内的输入项目；所述非侵入式组件被编程为：（a）（i）采用数学函数来将所述信号转变为标量学习数；以及（ii）重复步骤“（a）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；（b）通过重复步骤“（a）”到非侵入式读数与侵入式读数足够次数，形成一个n×n学习矩阵，它是一个规则的矩阵，所述第一数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能基于所述生物参数的非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；（c）通过将学习矩阵D的反矩阵D-1乘以列向量Y，获得学习向量的系数C；（d）生成一个新向量V新：当使用者通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像，以及通过持有数字处理器，采用数学函数来将所述信号转变为标量数，并重复操作n次时，形成新向量V新，无需采用相同的数学函数；（e）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及（f）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。 
本发明的另一个方面涉及一种产生针对病人的顾客定制的便携式生物参数监控医疗设备的方法，所述方法包括：（a）直接或间接向病人提供一种医疗设备，该设备具有：（i）非侵入式组件，能基于由病人将其身体部分插入所述非侵入式组件而产生所述病人的非侵入式生物参数读数；所述非侵入式组件包括：第一数字处理器，用于处理所述身体部分的部分的数字彩色图像，并将这些数字图像表示为随着时间推移的离散信号；以及具有（ii）侵入式组件，用于测量来自所述病人的血液中的生物参数，并获得对于所述病人的侵入式生物参数读数；所述侵入式组件包括：第二数字处理器，用于将所述侵入式生物参数读数传输到所述非侵入式组件的第一数字处理器；以及（iii）联接元件，用于维持所述侵入式组件可操作地接合到所述非侵入式组件，并使得来自所述侵入式组件的侵入式生物参数读数能传输到所述非侵入式组件；所述第一数字处理器也用于校准所述非侵入式组件，以致对于给定的生物参数，对于所述病人的非侵入式生物参数读数在预定的近似度标准下接近于对于该病人的侵入式生物参数读数；以及（b）通过以下方式校准对于所述病人的非侵入式组件：（i）采用侵入式组件侵入地测量所述病人的生物参数；（ii）将所述侵入式生物参数读数传输到所述非侵入式组件；以及（iii）采用数学函数在所述侵入式测量的接近时间内非侵入地测量所述病人的生物参数；以及执行子步骤（i）、（ii）和（iii）足够次数，以致第一数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数。 
本发明的还有一个方面是涉及一种监控生物参数的方法，包括：（a）采用生物参数监控设备的侵入式组件来侵入地测量病人的生物参数，并将侵入式生物参数读数传输到所述生物参数监控设备的非侵入式组件，所述侵入式生物参数被输入到列向量Y中；（b）在步骤“（a）”的接近时间内，通过采用在所述设备的非侵入式组件内的一个或多个可变传感器来非侵入地测量所述病人的生物参数，以生成一系列数据，表示所述病人的身体部分的组织的一个或多个变量的量级，并通过将所述量级转变为一系列电信号，以产生随着时间推移反映在所述一个或多个变量的每个变量随着时间推移的分布的信号；（c）所述非侵入式组件的数字处理器（i）采用数学函数将所述信号转变为标量学习数；以及（ii）重复步骤“（c）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；（d）通过重复步骤“（a）”到“（c）”足够次数，数字处理器从多个学习向量形成一个n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；（e）通过将学习矩阵D的反矩阵D-1乘以列向量Y，数字处理器获得学习向量的系数C；（f）数字处理器通过以下方式获得新向量V新：通过（i）使用在所述设备的所述非侵入式组件中的一个或多个变量传感器来非侵入地测量所述病人的所述生物参数，以生成一系列数据，表示所述病人的身体部分的组织的一个或多个变量的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述变量的每个变量随着时间推移的分布的信号；并通过持有数字处理器，采用数学函数来将所述信号转变为标量数；以及通过（ii）重复步骤“（f）（i）”n次以形成向量V新，无需采用相同的数学函数；（g）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及（h）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的列向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。 
本发明的这些特征和其他特征将根据以下附图、说明书和权利要求书而得以更好的理解。 
附图说明
这里将仅通过实施例结合所附的附图来说明多种具体实施方式，在这些附图中： 
图1是根据本发明的一个具体实施例所述的一种联合侵入式和非侵入式生物参数监控设备的左、前和侧面立体图； 
图2是根据本发明的一个具体实施例所述的图1所示的联合设备的右、前和侧面立体图； 
图3是根据本发明的一个具体实施例所述的图1所示的联合设备的非侵入式组件的左前立体图； 
图4是根据本发明的一个具体实施例所述的图1所示的联合设备的侵入式组件的立体图； 
图5是根据本发明的一个具体实施例所述的图1所示的联合设备的前视图； 
图6A至图6B显示了一个流程图，显示根据本发明的一个具体实施例所述的方法； 
图7是一个流程图，显示根据本发明的一个具体实施例所述的进一步方法； 
图8是根据本发明的一个具体实施例所述的图1所示的装置的示意图。 
具体实施方式
以下将详细描述执行本发明的目前最好的预期模式。本发明书并不是受限于此，而仅是用左说明本发明的原理的的目的，因为本发明的保护范围是由所附的权利要求来最好地限定的。 
本发明总体上提供了一种联合非侵入式和侵入式生物参数监控设备和方法，可被用作例如一种可信赖的和精确的非侵入式葡萄糖监控设备。该设备可包括非侵入式组件和侵入式组件，以及连接这两个组件的联接装置。所述非侵入式组件可以与所述侵入式组件解除联接或形成联接，以致使得这两个组件的至少一个组件能操作为一个卓越的设备。在一个版本中，使用者可刺他的手指以取血，然后采用侵入式组件测量葡萄糖或在血液中的其他生物参数。在其后限定的接近时间内，使用者可将他的手指插入非侵入性组件，该组件内的彩色图像传感器可生成随着时间推移的信号，表示基于在一系列彩色图像中红、绿和蓝像素的量级随着时间推移的分布。所述非侵入式组件的数字处理器可采用数学函数将该信号转变为标量数。可重复这些步骤以产生附加的标量数作为输入项目到具有特定大小的学习矩阵，该矩阵的非零元素具有特定的结构。进一步的非侵入性读数可被用于产生新的向量，与所述学习矩阵有相同大小和结构的新的规则的矩阵可从该新的向量中被产生。然后，采用一个学习向量的系数，一个识别矩阵可被测试以非侵入地测量所述生物参数。该学习矩阵可被扩张并保持为一个规则的矩阵以获得对于病人的精确的和可信赖的校准的生物参数值。因此，每个医疗设备可以是针对购买和使用该设备的使用者而顾客定制的。在一个例子中，所述生物参数是葡萄糖，每个使用者可采用A1C（糖基化血红蛋白A）读数作为侵入式读数，如果需要，还可进一步校验标度和校准该设备。通过从群体中取得和输入数据，可获得通用的或集群的校准。 
相比于现有技术中的用于间接测量生物参数的非侵入式方法，本发明所述的方法和设备可这样利用一个n×n规则的学习矩阵：通过用一个向量表示非侵入式生物参数读数并采用它的输入项目来形成一个规则的新矩阵D新，具有n×n大小，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构，并通过采用数字处理器来采用之前获得的学习向量的系数C，以产生候选的生物参数值，这些值表示病人的校准的生物参数值。进一步相比于现有技术，本发明所述的方法的学习矩阵可以这样被扩张：通过将新的非侵入式生物参数测量整合进学习矩阵D，以致保持扩张的学习矩阵D扩张为一个规则的矩阵，然后通过与侵入式读数的比较来测试它的精确性。进一步与现有技术中用于间接测量或监控病人或对象的生物参数的非侵入式方法和仪器相比较，本发明所述的用于非侵入式监控或测量的方法和设备可以是精确的和可信赖的用于葡萄糖和其他难以直接测量的生物参数。进一步与现有技术中属于非侵入式或侵入式的测量设备相比较，本发明所述的方法和设备可联合非侵入式组件和侵入式组件。相比于现有技术中的非侵入式生物参数设备，本发明所述的设备可由每个病人来校准，针对个体进行顾客定制。进一步相比于现有技术，本发明所述的方法和设备可这样校准对于某个病人的生物参数的非侵入式值的阈值为接近于侵入式值：通过采用数学函数转变代表产生自颜色随着时间推移的分布的变化的信号的数，该颜色分布基于蓝、红和绿（或者其他色基，例如黄色、青色和红紫色）的分离的矩阵，并使用学习向量的系数，进一步进行该生物参数的非侵入式测量，以达到对于该生物参数的可信赖的值。进一步相比于现有技术，来自病人的生物参数的数据可被收集以形成集群校准和通用的校准。 
根据本发明所述的用于联合非侵入式和侵入式生物参数监控医疗设备的方法和装置的原理和操作将根据附图与相关的说明而得以更好的理解。 
术语“生物参数”是指可通过本发明所述的方法或系统来测量的，它可包括任意的生物参数，例如葡萄糖、氧和二氧化碳浓度、尿素氮、收缩压和舒张压、潮湿度、干燥度、盐度、pH、组织（例如外部皮肤组织、内部肌肉）饱和度、组织活性（例如，内部肿瘤组织或外部皮肤黑素瘤表示不同的皮肤活性）、血红细胞计数（每一立方微米的细胞数或浓度）、心卒量变化（在每次心卒从心脏射出的血液量）以及皮肤血管畸形、胆固醇、钾、收缩压和舒张压、心卒容量、氯、钠、氮、血红蛋白、胆红素 胆固醇LDL、HDL和总胆固醇、CO2百分数、O2百分数、血红细胞、白细胞、铁、血细胞比容、血小板等。 
图1显示了一种可由病人使用的便携式监控生物参数医疗设备10，该设备包括：非侵入式组件20、侵入式组件30和联接元件40。非侵入式组件20可包括一个限定的区域21或凹处，病人可将手指或其他身体部分插入该处。术语“病人”应被理解为与“对象”同义，并不限于患病的那些人。如图8所示的示意图，非侵入式组件20也可包括光发射元件23，例如可以是LED或激光二极管或在多种不同波长的其他光源（连续光或离散光），并可包括光检测器，例如光电二极管，它可将光转变为电信号，表示所研究的组织的颜色分布。进一步如在图8中所示，光发射元件23可发射光23A经过手指18或对象的其他身体部分，并从射出身体部分的光中产生数字彩色图像。例如，用于传感红光、绿光和蓝光的单独的彩色图像传感器24可被采用并调整（例如采用过滤器）用于不同的光，也可采用多种彩色图像传感器，每个传感器用于这三种色彩（红、蓝、绿）的每种颜色的传感。 
本发明也预期，这些传感器可广泛地包括多种彩色图像传感器，并可广泛地包括多种图像传感器。总体上，传感器24（有时称为“变量传感器”）可被用于感知除了颜色之外的变量。例如，传感器24或变量传感器24可以是光学传感器、机械传感器、电传感器、化学传感器或其他传感器，并可被用于感知除了颜色之外的其他变量，例如在对象的组织的特定部分的温度、在对象的组织的特定部分的导电性、气味、潮湿度、磁场或其他与对象的身体的一部分相关联的其他变量，它可以是与该对象的生物参数相关的。因此，采用“彩色图像”传感器的以下讨论应当被理解为也预期可采用其他变量传感器。在这种情形下，从传感器中获得的“彩色图像”可以用术语“图像”来代替，而“图像”是更广泛地用于指示无论可视或其他方式可感知的变量。而且，术语“像素”可以术语图像的“部分”来代替。由所述变量传感器所感知的变量在实施例中可选自：温度、导电性和气味。 
非侵入式组件20可以基于由病人将手指或其他身体部分插入该非侵入式组件而产生该病人的生物参数的非侵入式生物参数读数。例如，非侵入式组件20可包括光发射元件，它发射光穿过手指或其他身体部分，并可从射出手指或其他身体部分的光中生成数字彩色图像。 
非侵入式组件20可这样完成：通过采用第一数字处理器26，该处理器关联合适的的软件，用于处理暴露给光的手指或其他身体部分的一部分的数字彩色图像，并将这些数字图像表示为随着时间推移的离散信号。例如，设备10的非侵入式组件20的彩色图像传感器24可产生一系列病人的手指的部分的彩色图像，并感知在每个彩色图像的每个像素上的三种颜色的每种颜色的量级，并将这些量级转变为一系列电信号，以产生随着时间推移反映在该彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号。因此，该离散的数字信号可整合：一个红色矩阵，该矩阵表示在手指的数字图像的像素上的红光的量级；一个绿色矩阵，表示在所述像素上的绿光的量级；以及一个蓝色矩阵，表示在所述像素上的蓝光的量级。 
正如从图1和图2中所示，联合医疗设备10也可包括一个侵入式组件30。图4显示了单独存在的侵入式组件的一个实施例。侵入式组件30可被用于从病人的血液中（或在其他例子中，从病人的其他流体或组织中）侵入地测量生物参数，例如葡萄糖，并获得对于该病人的侵入式生物参数读数。例如，该病人可刺他自己，取血，将血涂在试纸条39（见图5）上，用于插入侵入式组件30，正如本领域已知的。侵入式组件30也可包括第二数字处理器36，它可以存储生物参数的侵入式读数，并可以将该侵入式生物参数读数传输到非侵入式组件，例如，传输到非侵入式组件20的第一数字处理器26。 
设备10也可包括联接元件40，该联接元件用于维持所述侵入式组件30可操作地接合到所述非侵入式组件20，并用于使得侵入式生物参数读数能从侵入式组件30传输到非侵入式组件20。正如图8所示，联接元件40可以定位在侵入式组件30与非侵入式组件20之间，并可包括一个连接器，该连接器将非侵入式组件20连接到侵入式组件30。该连接器可包括电线，该电线连接在非侵入式组件20和侵入式组件30之间的USB端口，或者采用UART芯片连接串行端口，或者采用并行端口的多条电线。可替代地，该连接器也可以是无线接收器以及在无线通讯中可用的发射机。因此，联接元件40也可机械地将非侵入式组件20和侵入式组件30电连接在一起。尽管图8中，联接元件40可被整合在非侵入式组件20中，但联接元件40也可被整合在侵入式组件30中，该联接元件40用作一个端口。 
在一些例子中，设备10可以联接模式来操作，其中，联接元件40可维持侵入式组件30可操作地接合到非侵入式组件20，因而使得来自侵入式组件30的侵入式生物参数读数能传输到非侵入式组件20。当联接元件40是处于解除联接模式时，非侵入式组件20和侵入式组件30可以彼此解除联接。 
在特定的情形中，非侵入式测量或对于某个生物参数的校准的值可从非侵入式组件20传输到侵入式组件30。一旦非侵入式组件20已经被校准，并使得对该生物参数的测量可信赖，由非侵入式组件完成的非侵入式测量的可信赖性也可被用于校准侵入式进行的测量。侵入式组件30可采用对于该生物参数的校准的非侵入式测量来校准在这个情形中的该生物参数的侵入式测量。 
应当明确的的是，第一数字处理器26和第二数字处理器36可被用于连接适用于完成这些处理器的任务的软件。该软件可以嵌入在计算机可读介质上。 
正如在图6A和图6B中所示，本发明可被描述为一种监控生物参数的方法100，在该方法中，所述非侵入式组件和侵入式组件可被编程为执行或协助执行方法100的步骤。方法100可包括第一步骤110：采用一种生物参数监控设备的侵入式组件（例如在设备10相关的描述中侵入式组件30）来侵入地测量病人的生物参数，并将得到的侵入式生物参数读数传输到该生物参数监控设备的非侵入式组件（例如设备10的非侵入式组件20）。该侵入式生物参数读数可被输入为在发展中的列向量Y的一个输入项目，且可通过该非侵入式组件20来执行，当该读数可从侵入式组件30被传输到非侵入式组件20，或者在一些情形中，可由侵入式组件30来执行。例如，如果所述生物参数是葡萄糖，病人可刺他自己，放血在侵入式组件的试纸条上，然后将该试纸条插入联合设备10的侵入式组件。该设备10可将侵入式生物参数结果发送到该设备的非侵入式组件。 
方法100也可涉及步骤120：在步骤110的接近时间内，通过使用在所述设备的非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量病人的生物参数，以生成一系列该病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将这些量级转换成为一系列电信号，以产生随着时间推移反映在该彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号。所述接近时间取决于生物参数和已知的关于该生物参数的以致的科学情报，该接近时间可以是数秒或15秒或30秒或一分钟或更长的时间，取决于所述设备，但必须是在足够短的时间内，不会使在病人的该部分的所述生物参数发生明显改变。 
例如，同时或在接近时间用侵入式血液采样器取血，病人可将他的手指（图8）插入非侵入式室20的指定区域21，以致光可被发射穿过该手指的组织，并射出该手指以击中一个光学传感器。这可在一段时间内发生，例如可以是10秒。这个手指可以是与进行侵入式测量的手指相同的手指，在一些情形中，它也可以是不同的手指或身体部分。 
纯粹作为一个例子，在10秒期间可从该手指获得每秒60幅图像。该系列的600幅连续图像产生了在每个图像的每个像素的关于三种颜色的每种颜色的数据，然后可被表示为一个函数S (X, t)，该函数可等于S(x1, x2, x3, t)。这个函数S也可包括其他变量，例如x4，该变量可以是以下的测量：在病人的身体部分的特定位置的测量的气味、导电性、温度和/或湿度。在一些版本中，该函数S可不包括颜色作为变量之一，可仅包括温度、湿度、导电性、气味等由除了图像传感器之外的传感器所测量的变量。第一数字处理器26可校准所述非侵入式组件20，以致在预定的近似度标准（例如预定的用于工业的标准）下，对于一个给定的生物参数，对于该病人的非侵入式生物参数读数接近于对于该病人的侵入式生物参数读数。 
在一些版本中，在步骤110之前，病人可采用能连接侵入式和非侵入式组件的联接元件将非侵入式组件与侵入式组件连接在一起。所述接近时间可由在工业上的科学标准来限定，例如可以是10秒、15秒、30秒、45秒、60秒、2分钟、3分钟等。 
在方法100的进一步步骤130中，非侵入式组件的一个数字处理器（i）可采用数学函数将所述信号转变为标量学习数，以及（ii）可重复步骤130的部分“（i）”，无需使用相同的数学函数，以形成一个学习向量，该向量可对应于列向量Y的标量侵入式生物参数读数的输入项目。用于将所述信号转变为代表该信号的标量数的数学函数可以是这个函数的任意一个变量，这应用于方法100的所有步骤。一个简单的例子可以是一个数学函数，对于所有联合的颜色，该函数对所有随着时间推移的输入项目的量级取平均。另一个例子是一个函数，对于所有联合的颜色，该函数对所有随着时间推移的输入项目的背离取平均。这样一个函数的其他例子可以通过以下获得：部分差分方案、小波变换、统计计算、傅立叶变换、光谱分析、神经网络计算、线性和非线性方程。所述学习向量的大小可取决于所选择的从多个学习向量中形成的学习矩阵D中具有非零元素的结构如何。 
因此，方法100可以具有进一步的步骤140，该步骤可涉及：通过重复步骤110到步骤130足够次数，采用数字处理器从多个学习向量中形成n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数。所述预定的阈值可接受水平可以是例如5%、10%、20%等的从测试的侵入式测量或任意其他合适的工业可接受数学或其他标准的背离。所述重复可以是连续直到非侵入式组件的数字处理器已经在非侵入式生物参数读数与侵入式生物参数读数之间完成足够的校准，以便能在阈值水平基于非侵入式生物参数读数预期进一步的侵入式生物参数读数。非侵入式测量步骤120的重复进行可涉及相同病人的相同身体部分。例如，该病人可将相同的手指插入相同的非侵入式组件。在其他情形中，该病人也可将其他手指或其他身体部分插入。在其他情形中，其他病人的身体部分也能被用于非侵入式测量，这将在下面更完全地讨论，可产生通用的校准。 
例如，病人的生物参数的非侵入式测量可在每个场合进行10秒，在由该病人在6月15日将手指插入非侵入式组件20的限定区域21中期间。例如，通过光学传感器可在该秒期间拍摄500或600幅图像。所述规则的矩阵D的第二行可表示在6月16日在例如10秒期间对于该生物参数的非侵入式读数。该规则的矩阵D的第三行可表示在6月17日在例如10秒期间对于该生物参数的非侵入式读数。 
因此，学习矩阵D可具有非零元素的特殊结构。一个例子可以是取得在接近于一个侵入式生物参数读数的每个连续的学习向量，并使它成为学习向量D的一个新行。虽然这些侵入式读数是逐渐形成列向量Y，这些学习向量是逐渐形成一个规则的矩阵D。学习矩阵D的非零输入项目的结构可以是制成三角形，以致在每个连续行的输入项目的量级是以整数来增加的。例如，该整数可以是“1”。 
例如，第一学习向量可以是一个单独的输入项目，形成学习矩阵D的第一行。也就是，在第一天或第一场合，仅有一个数学函数被应用于从非侵入地获得的随着时间推移的信号中产生一个标量数。然后，在第二天，当进行进一步的非侵入式测量（再次接近于一个侵入式读数）时，产生一个新的信号，两个数学函数可被用于从该信号中产生两个不同的标量数，这两个标量数可形成第二学习向量，它的输入项目可被整合入学习矩阵D的第二行。在第三天或第三场合，接近于当获得一个非侵入式读数时，可产生第三学习矢量，具有来自不同数学函数的三个应用的三个输入项目。这可进行直到具有一个n×n大小的规则的矩阵，它有实际机会描述出所述生物参数从一个新的光电信号被转变为一个新的向量。在上述例子中，所述矩阵的非零输入项目的结构是三角形。例如，在非侵入式测量的十个场合（例如，十天）之后，所述设备可具有十个侵入式读数和十个表示手指组织的颜色矩阵的函数的信号。 
在第十个样品之后，所述设备的显示器可建议：不需要更多的侵入式测量，因而已经足够从在颜色矩阵与侵入式生物参数读数之间的校准中学会，以具有实际机会来预测一些精确度的阈值水平，侵入式结果可以是在第11次（第（n+1）次）读数。正如在图5中所示，在方法100的步骤140之后，在医疗设备10上的显示屏29也可显示一个信息（未示出）到该医疗设备10的使用者，以致这样的效果：不再需要进一步的侵入式测量。例如，该信息可以说：所述设备是校准的，所述测量已完成，或者不再需要刺自己。显示屏29也可被用于显示信号S的一个图表，由非侵入式组件发展的图表。其他激发器28的不同按钮也可被用于与设备10相互作用。 
相反，向量Y的输入项目可包括在向量Y的列内对于每“行”的一个输入项目，该向量可以是n行长。矩阵D可以置于向量Y的旁边，以致在矩阵D的第二行的n个输入项目可以输入到向量Y的第二“行”的侵入式读数来校准。学习矩阵的每个输入项目可表示在研究中的组织颜色分布的特定计算。在连续进行随着时间推移的测量的例子中，矩阵D和与矩阵D关联的学习向量的系数C将会是局域连续的非侵入式读数。 
在三角形学习矩阵D的例子中，虽然矩阵D的每行或每个学习向量是（在上面的例子，至少）从特定场合产生的，在该场合进行非侵入式测量，可以看到，在该矩阵内连续的行已被给予太多权重，相反直观地，处理器或大脑已经处理了更多信息，学习新的信息更多次，在每个新对象上将会需要更多附加数据。关于数字处理器学会如何非侵入地测量生物参数的原理也是与人脑如何吸收信息一致的。例如，年青人是当教他一个新主题时，他可更容易地学会它，并记住在该主题中的大量信息，而在神经活动上只需要更少的连接。相反，当人变老时，需要越来越多的复杂连接，且所考虑的年老是指：所有大脑神经是功能化的，在他们的血液供应中没有任何损毁。已经说到这些，申请人并不试图以任何方式为任何理论所约束，包括这个理论。 
直到现在，方法100可已经处于一个学习模式，其中，信息已经被提供到一个设备，该设备包括非侵入式组件和侵入式组件，且该信息可将已知的葡萄糖水平（已知来自侵入式组件）关联到一个光电信号的数学表达式（以向量方式），表示病人的身体部分的组织的随着时间推移的颜色分布。在每个进行侵入式读数的场合上，该读数可已经被传输到非侵入式组件。现在非侵入式组件可准备试图指出：对于非侵入式读数，在被告知侵入式读数将会是什么之前，生物参数值将会是什么。该病人可由在所述设备上的显示器告知这些：不需要进一步的侵入式读数，或者一些类似这样的信息。随后的步骤总体上是指所述方法的识别部分。 
方法100可包括进一步的步骤150，该步骤通过将学习矩阵D的反矩阵D-1乘以列向量Y而获得学习向量的系数C。这是基于已知的方程式：一个规则的矩阵，列向量C等于列向量Y。数学地，向量系数C表示对于一组方程式的方案。步骤150也可再步骤160或步骤170之后被执行。步骤150可采用设备10的非侵入式组件20的第一数字处理器26来被完成，该处理器关联可操作与编程第一数字处理器26的软件，以进行这样的校准。 
方法100也可包括步骤160，该步骤采用一个数字处理器，例如非侵入式组件20的第一数字处理器26以获得一个新向量V新：通过（i）使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量（例如采用之前使用的相同设备的非侵入式组件）所述病人的所述生物参数，以生成一系列所述病人的身体部分（或另一身体部分）的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号，并通过持有数字处理器，采用数学函数来将所述信号转变为标量数；以及通过（ii）重复步骤160的子步骤“（i）”n次以形成向量V新，无需采用相同的数学函数。如果所述学习矩阵D是三角形且是9×9大小，具有上面的三角形零作为输入项目，对于识别程序，该新向量V新可具有9个非零输入项目。如果向量V新是被插入矩阵D，用于产生新的10×10大小的新矩阵D新，附加函数将被加入，以产生在V新中的第10个输入项目。 
在步骤160中，当表述“通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器以产生一系列彩色图像”，需要有“一个或多个彩色图像传感器”被用于步骤160中，这是与在步骤120中采用的“一个或多个彩色图像传感器”以产生学习向量是相等同的。如果不是的话，需要这样：步骤160的一个或多个传感器至少与步骤120中的一个或多个传感器具有相同的技术特性，以致产生相同的结果。当变量传感器不是彩色传感器而是其他变量的传感器时，也是同样的应用情形。基于同样的原因，对于彩色图像传感器或变量传感器的数量，在步骤160中也是与在步骤120中是相同的。 
所述设备10的非侵入式组件20（或设备10总体上）可以以下方式处理新向量V新的输入项目。即使下面的计算并未对于步骤100到150之间被提及，这仅是因为它可被假设：该设备至今未具有足够信息来成功地达到对于病人的生物参数值，因为学习矩阵的基础是太小了。 
方法100可进一步包括步骤170，该步骤利用一个数字处理器来采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构。这可以许多不同的方式来完成。一种纯粹指示性的完成方式是如下所述。假设原始学习矩阵D具有一个三角形的非零元素结构。然后，n×n大小的三角形的非零元素结构的矩阵D可以这样获得：通过取得V新的第一输入项目，并将它插入D新的第一行。D新的第二行可以这样获得：通过在这第二行的第一输入项目内重复V新的第一输入项目，然后采用V新的第二输入项目作为D新的第二行的第二输入项目。类似地，D新的第三行可以包括：V新的第一输入项目、V新的第二输入项目和V新的第三输入项目。类似地，完成D新的第四行、第五行、第六行、第七行、第八行和第九行（其中在本例中，矩阵的大小是9×9）。 
方法100可进一步包括步骤180，该步骤采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的列向量R。列向量R表示对于病人的潜在真实的生物参数值，因为它是通过采用学习向量的系数C（之前在学习矩阵与列向量Y的侵入式读数之间计算过）而获得的。步骤180还可包括：比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。例如，一个人可将列向量R的输入项目与列向量Y的输入项目进行比较，以找到一个输入项目的特例（也即是，单独的例子）i，以致列向量R的第i个输入项目与列向量Y的第i个输入项目在量级上是足够接近的，采用预定的数学近似度的标准（例如，20%背离）。如果有多于一个这样的输入项目存在，这是足够接近的，没有单独这样的输入项目。伴随地，如果没有R向量的输入项目是在预定的数学误差边界之内，纯粹通过在Y向量内的相应输入项目的20%例子，然后在两个例子中，所述设备可显示“再次尝试”的信息（指示未能作出任何决定）。如果这样的信息自身重复例如三次，向量V新可被包括在矩阵D内，产生新的扩张的校准的矩阵D扩张和该矩阵的向量系数C。然而，需要注意的是，学习矩阵D可被扩张，即使所述设备在预定变化中能找到R的特别的第i个输入项目匹配与Y的第i个输入项目。人们可简单地想要扩张该学习矩阵以是所述设备更好。 
因此，在方法100的一些版本中，进一步的步骤可创建一个扩张的学习矩阵。开始，扩张的学习矩阵D扩张可以是（n+1）×（n+1）大小，并可通过这样创建：通过（i）将V新整合入学习矩阵D；以及通过持有数字处理器，采用数学函数来将所述步骤“（f）”的信号转变为第（n+1）标量数；以及将第（n+1）标量数加在V新旁边，以保持扩张的学习矩阵D扩张为规则的矩阵。回到这个例子，其中学习矩阵D是原始9×9大小，当扩张该学习矩阵时，向量V新可形成D扩张的第十行，并可具有九个输入项目。为了保持该矩阵规则，可采用一个数学函数在相同的信号上产生进一步的非零输入项目，该信号产生自用于V新中的非侵入式测量。此外，零输入项目可被插入第一个九行的第10列。总的来说，需要明确的是，产生用于本发明所述的方法和系统的规则的矩阵的上述方法不是特别的，有许多其他方法可产生这种规则的矩阵。本发明是广泛地揭示了自身校准的过程。 
这个进一步的步骤还可包括测试校准的生物参数值的精确性：通过进行进一步的如在步骤110中所述的侵入式生物参数测量来扩张列向量Y到（n+1）元素，并将这个进一步的侵入式生物参数测量传输到所述非侵入式组件以被整合进入向量Y，以致向量Y（它可被称为“Y扩张”）是与扩张的学习矩阵D扩张的长度一样。在一些场合中，进行进一步的如在步骤110中所述的侵入式生物参数测量来扩张列向量Y到（n+1）元素的子步骤，以及将这个进一步的侵入式生物参数测量传输到所述非侵入式组件以被整合进入向量Y的子步骤，均可自动发生，即使矩阵D不是被扩张的。换言之，对进一步的侵入式生物参数的测量的传输可以是以这样的方式来完成：该测量不通过非侵入式组件而整合进入向量Y，而是存储它，直至做出扩张矩阵D的决定，在这个例子中，这个数据仅被整合进入向量Y。 
学习矩阵D扩张的这个扩张可以被进一步扩张到（n+m）×（n+m）大小，其中m是大于1。 
可以理解的是，本发明所述方法的涉及数学计算的任意步骤可以是采用软件程序来完成的，这些软件程序联接一个或多个数字处理器，这些数字处理器是在非侵入式组件20或可以通向设备10的一些部分。 
一旦所述矩阵已经被扩张，人们可想要进一步测试所述非侵入式组件的可用性以测量所述生物参数。这可通过获得学习向量的新系数C新而被完成：通过将矩阵D扩张的反矩阵D扩张 -1乘以扩张的列向量Y新，以及通过重复步骤160、170和180，除了重复这些步骤（160、170和180），我们可在这些步骤中用（n+1）或当前学习矩阵大小代替n。这个结果可以是对于该病人的改进的校准的生物参数值。 
在生物参数是葡萄糖的例子中，已知患有糖尿病的病人每三个月去一次实验室并进行侵入式葡萄糖测试，称为血A1C测试（血糖基化血红蛋白A测试）。这个测试是被认为是可信赖的侵入式葡萄糖测试，可被用做进一步的参考点，用于校验所述校准。因此，所述方法也可被用于测试血A1C，如果对于矩阵D的侵入式参考基准是血A1C的话。在直接葡萄糖参考基准的例子中，A1C可被用于在每三个月期间核查所述校准的结果。因此，方法100可包括进一步的步骤，该步骤是周期性地插入A1C结果，并采用这些A1C结果转变为用于核查程序的近似葡萄糖读数。例如，如果葡萄糖是在50mg/dl至300mg/dl之间被校准的，最后可用的A1C反映400mg/dl的平均值，可需要附加的校验来覆盖300mg/dl至400mg/dl的范围。 
创新的校准程序采用矩阵D，它在发展的任意阶段都是规则的，也就是，它具有一个反矩阵。有许多方法可以达到这个目标。例如，第一数字处理器26可产生规则的矩阵D，其中，每个新向量加入到该矩阵D，以一个额外的零在最后一列增加所有之前的行，其中，新加入的向量现在有N+1个非零成分。在这个例子中，矩阵D可具有三角形的形状，零成分在上面的三角形，而非零成分在下面的三角形。这样一个矩阵是规则的。换言之，在该矩阵D中的每行可以是一列非侵入式读数，而在该列中的元素的数量可以是该行的数量。例如，该矩阵的第一行可以具有一个输入项目，第二行有两个输入项目，第三行有三个输入项目，等等。这仅是一种方式来确保：所产生的矩阵是一个规则的矩阵。可替代地，所述矩阵可以是方形的，例如一个“n×n”矩阵，所填入的输入项目用于生成独立的行和列。 
通用的校准 
直到现在，本发明所述的方法可以是利用相同的对象，因而创设或精制设备10直至该设备是针对特定对象或病人而顾客定制的。因此，直到现在所描述的设备10可以被称为人校准设备10。本发明所述的方法和装置也可被用于从许多对象中收集数据，因而采用在方法100的步骤140的重复中的病人，这些病人是彼此不同的，且不同于方法100的步骤110中的病人。例如，这些病人可将设备10连接到计算机，并通过因特网或者通讯网络上传它们的生物参数数据，以生成一个生物参数值，该值可符合一群个体。因此，对于某个生物参数的所有收集的个体测量可被用于创设一个通用的矩阵D通用，该矩阵取代对于个体的矩阵D。正如规则的矩阵D，该矩阵D通用也可以是一个规则的矩阵。
一个集群是一群个体，他们共有特定的人口统计学的特征，例如年龄、种族划分、性别、地理等。因此，如果提供生物参数读数的所有收集的个体是来自一个集群，他们的测量可被用于创设一个规则的矩阵，该矩阵可被称为对于一群病人的集群矩阵D集群。 
而且，相同方法可被用于一个群体的领域，通过收集来自许多集群的数据，或者通过收集一个集群中各自独立共有特征的数据。在这个例子中，方法100的步骤140可涉及彼此不同的病人，也不同于方法100的步骤110中的病人，以便创设对于整个群体的所述生物参数的一个通用的矩阵D通用。在一些场合中，步骤140可涉及：采用具有共同特征的不同病人获得多个学习向量，并通过通讯网络收集非侵入式和侵入式测量的数据，因而创设一个学习矩阵D集群，代表一群病人的生物参数。此外，方法100的一个步骤可包括：在步骤140采用具有共同特征的不同病人获得多个学习向量，并通过通讯网络收集非侵入式和侵入式测量的数据，因而创设一个学习矩阵D通用，代表整个群体的生物参数。 
因此，设备10可以是一个通用的校准的设备，相对于对于特定个体的校准的设备10。通过收集和处理个人的校准的数据，设备10的制造商可以能够向顾客提供设备10，该设备已经被通用地校准。在一些具体实施例中，可创设一个通用的个人校准设备10。在这个例子中，通用的校准的设备10可以具有这样的能力：由购买该设备的个人根据对于“个体的校准的设备”10所描述的方法和装置进行进一步校准。当购买者完成这样的校准，所述设备10可以被称为一种通用的个人设备10。 
本发明也可被描述为一种制造针对病人的顾客定制的便携式监控生物参数的医疗设备的方法200。在这样的例子中，方法200可包括步骤210，该步骤是直接或间接地向病人提供如上所述的医疗设备10，该设备具有（i）非侵入式组件，能基于由病人将其身体部分插入所述非侵入式组件而产生所述病人的非侵入式生物参数读数；所述非侵入式组件包括：第一数字处理器，用于处理所述身体部分的部分的数字彩色图像，并将这些数字图像表示为随着时间推移的离散信号；以及具有（ii）侵入式组件，用于测量来自所述病人的血液中的生物参数，并获得对于所述病人的侵入式生物参数读数；所述侵入式组件包括：第二数字处理器，用于将所述侵入式生物参数读数传输到所述非侵入式组件的第一数字处理器。 
方法200也可具有步骤220，该步骤通过针对病人校准非侵入式组件而对该对象提供顾客定制的设备。这个步骤可这样完成：通过（i）采用侵入式组件侵入地测量所述病人的生物参数；（ii）将所述侵入式生物参数读数传输到所述非侵入式组件；以及（iii）采用数学函数在所述侵入式测量的接近时间内非侵入地测量所述病人的生物参数，以致采用与方法100相关的所述的程序将从非侵入式测量中获得的信号表示为一个规则的矩阵。可以执行子步骤（i）、（ii）和（iii）足够次数，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数。 
总的来说，设备10，例如非侵入式组件20（或者在一些例子中，如果合适的话，侵入式组件30），可被编程为执行几个函数，包括： 
（a）（i）采用数学函数来将所述信号转变为标量学习数，以及（ii）重复步骤“（a）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；
（b）通过重复步骤“（a）”到非侵入式读数与侵入式读数足够次数，形成一个n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；
（c）通过将学习矩阵D的反矩阵D-1乘以列向量Y，以获得学习向量的系数C；
（d）生成一个新向量V新：当使用者通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像，以及通过持有数字处理器，采用数学函数来将所述信号转变为标量数，并重复操作n次时，形成新向量V新，无需采用相同的数学函数；
（e）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及
（f）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于病人的校准的生物参数值。
为了使非侵入式组件20在非侵入式生物参数读数与侵入式生物参数读数之间进行校准，以便能在阈值水平基于非侵入式生物参数读数预测进一步的侵入式生物参数读数，第一数字处理器26可采用一种工业标准以限定在非侵入式读数与侵入式读数之间的阈值校准。例如，这可以是R2=0.9 或 R2=0.85，其中R2测量在两个变量之间的校准的线性关系。 
设备10，例如非侵入式组件20（或者如果合适的话，侵入式组件30），也可被编程为创设一个扩张的（n+1）×（n+1）大小的学习矩阵D扩张：通过（i）将V新整合入学习矩阵D；以及通过持有数字处理器，采用数学函数来将所述步骤“（f）”的信号转变为第（n+1）标量数；以及将第（n+1）标量数加在V新旁边，以保持扩张的学习矩阵D扩张为规则的矩阵；以及通过整合进一步的侵入式生物参数测量来扩张列向量Y到（n+1）元素，并将所述进一步的侵入式生物参数测量传输到所述非侵入式组件。类似地，非侵入式组件20（或者如果合适的话，侵入式组件30）可被编程为进一步扩张该学习矩阵，正如在方法100中所述。 
需要明确的是，术语“数字处理器”不包括人脑，而包括微处理器在内的大的和小的处理器。无论在本发明所述的方法还是系统，“数字处理器”执行一个函数或任务，然后在所述方法或系统中，进一步表述：“数字处理器”执行一个进一步的任务或函数。需要明确的是，虽然这两个数字处理器不是必须是相同的数字处理器，它们优选地可以是相同的数字处理器，因为如果它们是不同的数字处理器，本发明会需要这两个数字处理器是这样以致产生相同的同等输出。为使它们产生相同的输出，可要求这两个数字处理器具有等同的规格说明书。这意味着，例如具有相同的速度，采用相同的比特数，等等。此外，术语“光学光源”不包括人眼。术语“病人”并不限于那些带有医疗症状的人，而是简单地指代医疗设备的使用者。还需要注意的是，可植入的传感器、包线、酶覆盖的皮肤穿刺装置、气泡形成和皮肤的磨损以造成流体泄漏，都不被视为非侵入式的，但它们是在“最低限度地”侵入的目录之内。 
虽然本发明已经根据有限数量的具体实施方式进行了描述，但应当明确的是，本发明有许多变化、修饰和其他应用可以被实施。因此，本发明所请求保护的范围是被叙述在权利要求书中，而不是受限于这里所描述的具体实施方式。 

Claims (20)

1.一种监控生物参数的方法，包括：
（a）采用生物参数监控设备的侵入式组件来侵入地测量病人的生物参数，将侵入式生物参数读数传输到所述生物参数监控设备的非侵入式组件，所述侵入式生物参数被输入到列向量Y；
（b）在步骤“（a）”的接近时间内，通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号；
（c）所述非侵入式组件的数字处理器（i）采用数学函数来将所述信号转变为标量学习数；以及（ii）重复步骤“（c）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；
（d）通过重复步骤“（a）”到“（c）”足够次数，数字处理器从多个学习向量形成一个n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；
（e）通过将学习矩阵D的反矩阵D-1乘以列向量Y，数字处理器获得学习向量的系数C；
（f）数字处理器通过以下方式获得新向量V新：通过（i）使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述彩色图像内的三种颜色的每种颜色随着时间推移的分布的信号，并通过持有数字处理器，采用数学函数来将所述信号转变为标量数；以及通过（ii）重复步骤“（f）（i）”n次以形成向量V新，无需采用相同的数学函数；
（g）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及
（h）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的列向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。
2.根据权利要求1所述的方法，其特征在于，还包括：通过（i）将V新整合入学习矩阵D；以及通过持有数字处理器，采用数学函数来将所述步骤“（f）”的信号转变为第（n+1）标量数；以及将第（n+1）标量数加在V新旁边，以保持扩张的学习矩阵D扩张为规则的矩阵；以及通过（ii）测试校准的生物参数值的精确性，通过进行进一步的如在步骤“（a）”中所述的侵入式生物参数测量来扩张列向量Y到（n+1）元素，并将所述进一步的侵入式生物参数测量传输到所述非侵入式组件；从而，产生扩张的（n+1）×（n+1）学习矩阵D扩张。
3.根据权利要求2所述的方法，其特征在于，还包括：继续将所述学习矩阵D扩张扩张为（n+m）乘以（n+m）的大小，其中，m大于1。
4.根据权利要求2所述的方法，其特征在于，还包括：通过获得学习矢量的新系数C新，通过矩阵D扩张的反矩阵D扩张 -1乘以扩张的列矢量Y，以及通过重复步骤“（f）”、“（g）”和“（h）”，在这些步骤“（f）”、“（g）”和“（h）”中用（n+1）取代n，以获得对于所述病人的改进的校准的生物参数值；从而，进一步测试所述非侵入式组件的可用性，以测量所述生物参数。
5.根据权利要求1所述的方法，其特征在于：所述学习矩阵D的非零输入项目的结构是三角形的，以致在随后每行的输入项目的量级是以整数增加的。
6.根据权利要求5所述的方法，其特征在于：所述整数是一，学习矩阵D的第一行具有一个输入项目。
7.根据权利要求1所述的方法，其特征在于，还包括：比较列矢量R的输入项目与列矢量Y的输入项目，以找到输入项目i的特例，以致R的第i个输入项目与Y的第i个输入项目是在足够接近于采用数学贴近度的预定标准的量级。
8.根据权利要求1所述的方法，其特征在于，还包括：在步骤“（d）”之后，所述医疗设备向使用者显示信息，达到这样的效果：进一步的侵入式测量是不需要的。
9.根据权利要求1所述的方法，其特征在于：所述生物参数是葡萄糖，且所述方法还包括：周期性地进行非侵入式测量接近于A1C结果，采用所述A1C结果作为侵入式测量传输到所述侵入式组件，以扩张所述学习矩阵D，并在至少有效的A1C结果与之前获得的最大或最小的校准的生物参数值之间的范围内校准所述非侵入式组件。
10.根据权利要求1所述的方法，其特征在于：所述数学函数生成所述信号的标量值代表。
11.根据权利要求1所述的方法，其特征在于，还包括：采用具有共同特征的不同病人在步骤“（d）”中获得多个学习向量，并通过通讯网络收集非侵入性和侵入性测量的数据，因而产生一个学习矩阵D群，代表一群病人的生物参数。
12.根据权利要求1所述的方法，其特征在于，还包括：采用具有共同特征的不同病人在步骤“（d）”中获得多个学习向量，并通过通讯网络收集非侵入性和侵入性测量的数据，因而产生一个学习矩阵D通用，代表整个群体的生物参数。
13.一种可由病人使用的便携式生物参数监控医疗设备，包括：
非侵入式组件，能基于由病人将其身体部分插入所述非侵入式组件而产生所述病人的身体部分的组织的非侵入式生物参数读数；所述非侵入式组件包括：至少一个颜色图像传感器，以生成一系列所述病人的身体部分的组织的彩色图像以及感知在每个彩色图像的像素上的每三种颜色的量级，并包括第一数字处理器，用于将所述系列的彩色图像处理为随着时间推移反映所述三种颜色的每种颜色的随着时间推移的分布的信号；
侵入式组件，用于从所述病人的血液中获得侵入式生物参数读数；所述侵入式组件还包括：第二数字处理器，用于自动将所述侵入式生物参数读数传输到所述非侵入式组件的第一数字处理器；所述侵入式生物参数读数形成在列向量Y内的输入项目；
所述非侵入式组件被编程为：
（a）（i）采用数学函数来将所述信号转变为标量学习数；以及（ii）重复步骤“（a）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；
（b）通过重复步骤“（a）”到非侵入式读数与侵入式读数足够次数，形成一个n×n学习矩阵，它是一个规则的矩阵，所述第一数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能基于所述生物参数的非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；
（c）通过将学习矩阵D的反矩阵D-1乘以列向量Y，获得学习向量的系数C；
（d）生成一个新向量V新：当使用者通过使用在所述设备的所述非侵入式组件中的一个或多个彩色图像传感器来非侵入地测量所述病人的所述生物参数，以生成一系列所述病人的身体部分的组织的彩色图像，以及通过持有数字处理器，采用数学函数来将所述信号转变为标量数，并重复操作n次时，形成新向量V新，无需采用相同的数学函数；
（e）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及
（f）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。
14.根据权利要求13所述的医疗设备，其特征在于：所述非侵入式组件包括光发射元件，发射光经过手指，并从穿出手指的光中生成数字彩色图像。
15.根据权利要求13所述的医疗设备，其特征在于：所述离散的数字信号整合：红色矩阵，表示在所述手指的数字图像的像素上的红光的量级；绿色矩阵，表示在所述像素上的绿光的量级；以及蓝色矩阵，表示在所述像素上的蓝光的量级。
16.根据权利要求13所述的医疗设备，其特征在于，还包括：联接元件，用于维持所述侵入式组件可操作地接合到所述非侵入式组件，并使得来自所述侵入式组件的侵入式生物参数读数能传输到所述非侵入式组件；所述联接元件也使得所述侵入式和非侵入式组件彼此能解除联接。
17.根据权利要求13所述的医疗设备，其特征在于：所述非侵入式组件还被编程为产生扩张的（n+1）×（n+1）学习矩阵D扩张：通过（i）将V新整合入学习矩阵D；以及通过持有数字处理器，采用数学函数来将所述步骤“（f）”的信号转变为第（n+1）标量数；以及将第（n+1）标量数加在V新旁边，以保持扩张的学习矩阵D扩张为规则的矩阵；以及通过整合进一步的侵入式生物参数测量来扩张列矢量Y到（n+1）元素，并将所述进一步的侵入式生物参数测量传输到所述非侵入式组件。
18.一种产生针对病人的顾客定制的便携式生物参数监控医疗设备的方法，所述方法包括：
（a）直接或间接向病人提供一种医疗设备，该设备具有：（i）非侵入式组件，能基于由病人将其身体部分插入所述非侵入式组件而产生所述病人的非侵入式生物参数读数；所述非侵入式组件包括：第一数字处理器，用于处理所述身体部分的部分的数字彩色图像，并将这些数字图像表示为随着时间推移的离散信号；以及具有（ii）侵入式组件，用于测量来自所述病人的血液中的生物参数，并获得对于所述病人的侵入式生物参数读数；所述侵入式组件包括：第二数字处理器，用于将所述侵入式生物参数读数传输到所述非侵入式组件的第一数字处理器；以及（iii）联接元件，用于维持所述侵入式组件可操作地接合到所述非侵入式组件，并使得来自所述侵入式组件的侵入式生物参数读数能传输到所述非侵入式组件；所述第一数字处理器也用于校准所述非侵入式组件，以致对于给定的生物参数，对于所述病人的非侵入式生物参数读数在预定的近似度标准下接近于对于该病人的侵入式生物参数读数；以及
（b）通过以下方式校准对于所述病人的非侵入式组件：（i）采用侵入式组件侵入地测量所述病人的生物参数；（ii）将所述侵入式生物参数读数传输到所述非侵入式组件；以及（iii）采用数学函数在所述侵入式测量的接近时间内非侵入地测量所述病人的生物参数；以及执行子步骤（i）、（ii）和（iii）足够次数，以致所述第一数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数。
19.一种监控生物参数的方法，包括：
（a）采用生物参数监控设备的侵入式组件来侵入地测量病人的生物参数，并将侵入式生物参数读数传输到所述生物参数监控设备的非侵入式组件，所述侵入式生物参数被输入到列向量Y中；
（b）在步骤“（a）”的接近时间内，通过采用在所述设备的非侵入式组件内的一个或多个可变传感器来非侵入地测量所述病人的生物参数，以生成一系列数据，表示所述病人的身体部分的组织的一个或多个变量的量级，并通过将所述量级转变为一系列电信号，以产生随着时间推移反映在所述一个或多个变量的每个变量随着时间推移的分布的信号；
（c）所述非侵入式组件的数字处理器（i）采用数学函数将所述信号转变为标量学习数；以及（ii）重复步骤“（c）（i）”，无需采用相同的数学函数，以形成学习向量，该学习向量符合列向量Y的标量侵入式生物参数读数输入项目；
（d）通过重复步骤“（a）”到“（c）”足够次数，数字处理器从多个学习向量形成一个n×n学习矩阵D，它是一个规则的矩阵，以致数字处理器在非侵入式生物参数读数与侵入式生物参数读数之间具有足够相关性，以致能采用非侵入式生物参数读数在预定的阈值可接受水平测量所述生物参数；
（e）通过将学习矩阵D的反矩阵D-1乘以列向量Y，数字处理器获得学习向量的系数C；
（f）数字处理器通过以下方式获得新向量V新：通过（i）使用在所述设备的所述非侵入式组件中的一个或多个变量传感器来非侵入地测量所述病人的所述生物参数，以生成一系列数据，表示所述病人的身体部分的组织的一个或多个变量的量级，并通过将所述量级转换成为一系列电信号，以产生随着时间推移反映在所述变量的每个变量随着时间推移的分布的信号；并通过持有数字处理器，采用数学函数来将所述信号转变为标量数；以及通过（ii）重复步骤“（f）（i）”n次以形成向量V新，无需采用相同的数学函数；
（g）采用V新的输入项目以形成一个规则的矩阵D新，该矩阵的大小是n×n，且它的非零元素的结构是等同于学习矩阵D的非零元素的结构；以及
（h）采用数字处理器来执行D新的矩阵向量乘以学习向量的系数C，以产生非侵入式生物参数测量的列向量R，并比较R的输入项目与Y的输入项目，以找到R的一个输入项目，该输入项目表示关于所述病人的校准的生物参数值。
20.根据权利要求19所述的方法，其特征在于：所述由变量传感器所感知的变量是选自：温度、导电性和气味。
CN201210020037.1A 2011-01-23 2012-01-29 联合非侵入式和侵入式生物参数测量设备 Expired - Fee Related CN102961143B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/011,903 2011-01-23
US13/011,903 US8948833B2 (en) 2011-01-23 2011-01-23 Combination non-invasive and invasive bioparameter measuring device

Publications (2)

Publication Number Publication Date
CN102961143A true CN102961143A (zh) 2013-03-13
CN102961143B CN102961143B (zh) 2015-10-21

Family

ID=45606960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210020037.1A Expired - Fee Related CN102961143B (zh) 2011-01-23 2012-01-29 联合非侵入式和侵入式生物参数测量设备

Country Status (4)

Country Link
US (2) US8948833B2 (zh)
EP (1) EP2478841B1 (zh)
JP (1) JP6014333B2 (zh)
CN (1) CN102961143B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108366761A (zh) * 2015-12-15 2018-08-03 皇家飞利浦有限公司 用于校准医学监测设备的方法和装置
CN111065332A (zh) * 2017-09-05 2020-04-24 西诺嘉医药有限公司 用于非侵入性葡萄糖测量的方法及装置
CN111093500A (zh) * 2017-09-18 2020-05-01 西诺嘉医药有限公司 用于附肢的具有节省空间的部件的生物参数确定装置
WO2021238810A1 (zh) * 2020-05-27 2021-12-02 京东方科技集团股份有限公司 获得血糖检测结果的方法、装置及设备
CN114423341A (zh) * 2019-07-16 2022-04-29 纽洛斯公司 用于血液生物标志物的基于相机的量化的系统和方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102299361B1 (ko) 2014-09-03 2021-09-07 삼성전자주식회사 혈압을 모니터링하는 장치 및 방법, 혈압 모니터링 기능을 갖는 웨어러블 디바이스
WO2016054079A1 (en) 2014-09-29 2016-04-07 Zyomed Corp. Systems and methods for blood glucose and other analyte detection and measurement using collision computing
KR102411658B1 (ko) 2015-01-15 2022-06-21 삼성전자주식회사 생체 정보 검출 장치
KR102384225B1 (ko) 2015-03-06 2022-04-07 삼성전자주식회사 혈압 측정 장치 및 방법
US11103140B2 (en) 2015-06-14 2021-08-31 Facense Ltd. Monitoring blood sugar level with a comfortable head-mounted device
KR102434701B1 (ko) 2015-09-01 2022-08-22 삼성전자주식회사 생체 정보 획득 장치 및 생체 정보 획득 방법과 생체 정보 검사 장치
US9554738B1 (en) 2016-03-30 2017-01-31 Zyomed Corp. Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing
KR102655671B1 (ko) 2016-10-12 2024-04-05 삼성전자주식회사 생체정보 추정 장치 및 방법
CN109932503B (zh) * 2019-03-25 2020-02-18 江苏精策医疗科技有限公司 基于肌体产热-散热模型的模拟实验及无创血糖检测方法
WO2022131486A1 (ko) * 2020-12-16 2022-06-23 주식회사 뷰텔 포도당 측정장치

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5810014A (en) * 1997-03-25 1998-09-22 Davis; Dennis W. Method and system for detection of physiological conditions
US5974338A (en) * 1997-04-15 1999-10-26 Toa Medical Electronics Co., Ltd. Non-invasive blood analyzer
US6124134A (en) * 1993-06-25 2000-09-26 Stark; Edward W. Glucose related measurement method and apparatus
US20050240090A1 (en) * 2003-03-07 2005-10-27 Ruchti Timothy L Method of processing noninvasive spectra
WO2007014173A2 (en) * 2005-07-22 2007-02-01 Massachusetts Institute Of Technology Intrinsic raman spectroscopy
US20070265514A1 (en) * 2006-05-15 2007-11-15 Kiani Massi E Systems and methods for calibrating minimally invasive and non-invasive physiological sensor devices
CN101557758A (zh) * 2005-03-25 2009-10-14 Cnoga控股有限公司 用于测量化学浓度、化学饱和度和生物物理参数的光学传感器装置和图象处理单元
US20100168537A1 (en) * 2008-12-31 2010-07-01 Yasushi Ueda Blood glucose measurement system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1156823A (ja) * 1997-08-19 1999-03-02 Omron Corp 血糖測定装置及び血糖測定システム
US6512937B2 (en) * 1999-07-22 2003-01-28 Sensys Medical, Inc. Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
WO2001079815A1 (en) * 2000-04-17 2001-10-25 Becton Dickinson And Company Method for analyzing substance mixtures
US7620674B2 (en) * 2003-03-07 2009-11-17 Sensys Medical, Inc. Method and apparatus for enhanced estimation of an analyte property through multiple region transformation
US20100324398A1 (en) * 2007-05-11 2010-12-23 Jung Tzyy-Ping Non-invasive characterization of a physiological parameter

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6124134A (en) * 1993-06-25 2000-09-26 Stark; Edward W. Glucose related measurement method and apparatus
US5810014A (en) * 1997-03-25 1998-09-22 Davis; Dennis W. Method and system for detection of physiological conditions
US5974338A (en) * 1997-04-15 1999-10-26 Toa Medical Electronics Co., Ltd. Non-invasive blood analyzer
US20050240090A1 (en) * 2003-03-07 2005-10-27 Ruchti Timothy L Method of processing noninvasive spectra
CN101557758A (zh) * 2005-03-25 2009-10-14 Cnoga控股有限公司 用于测量化学浓度、化学饱和度和生物物理参数的光学传感器装置和图象处理单元
WO2007014173A2 (en) * 2005-07-22 2007-02-01 Massachusetts Institute Of Technology Intrinsic raman spectroscopy
US20070265514A1 (en) * 2006-05-15 2007-11-15 Kiani Massi E Systems and methods for calibrating minimally invasive and non-invasive physiological sensor devices
US20100168537A1 (en) * 2008-12-31 2010-07-01 Yasushi Ueda Blood glucose measurement system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S.R.NAQVI ET.AL: "Analyzing Multivariate Calibration Techniques for Glucose Level Prediction in Non-Invasive Human Tongue Spectra", 《INTERNATIONAL CONFERENCE ON BIOCOMPUTATION,BIOINFORMATICS AND BIOMEDICAL TECHNOLOGIES》, 29 June 2008 (2008-06-29), pages 176 - 181, XP031284105 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108366761A (zh) * 2015-12-15 2018-08-03 皇家飞利浦有限公司 用于校准医学监测设备的方法和装置
CN111065332A (zh) * 2017-09-05 2020-04-24 西诺嘉医药有限公司 用于非侵入性葡萄糖测量的方法及装置
CN111093500A (zh) * 2017-09-18 2020-05-01 西诺嘉医药有限公司 用于附肢的具有节省空间的部件的生物参数确定装置
CN114423341A (zh) * 2019-07-16 2022-04-29 纽洛斯公司 用于血液生物标志物的基于相机的量化的系统和方法
WO2021238810A1 (zh) * 2020-05-27 2021-12-02 京东方科技集团股份有限公司 获得血糖检测结果的方法、装置及设备

Also Published As

Publication number Publication date
EP2478841A1 (en) 2012-07-25
US8948833B2 (en) 2015-02-03
EP2478841B1 (en) 2016-12-28
US9844345B2 (en) 2017-12-19
US20150141778A1 (en) 2015-05-21
CN102961143B (zh) 2015-10-21
JP2012152556A (ja) 2012-08-16
US20120191001A1 (en) 2012-07-26
JP6014333B2 (ja) 2016-10-25

Similar Documents

Publication Publication Date Title
CN102961143B (zh) 联合非侵入式和侵入式生物参数测量设备
Joshi et al. iGLU 2.0: A new wearable for accurate non-invasive continuous serum glucose measurement in IoMT framework
US10973470B2 (en) System and method for screening and prediction of severity of infection
US20200237317A1 (en) System and method of a biosensor for detection of health parameters
Segman Device and method for noninvasive glucose assessment
CN111065332B (zh) 用于非侵入性葡萄糖测量的装置
US9788767B1 (en) System and method for monitoring nitric oxide levels using a non-invasive, multi-band biosensor
CN108024745A (zh) 生物传感器监测和跟踪带的系统和方法
WO2002087434A1 (fr) Procede d'evaluation de l'efficacite d'un etat biologique et d'une action modifiant un etat biologique, appareil et systeme d'evaluation, programme d'evaluation et support d'enregistrement dudit programme
Jain et al. iglu 1.0: An accurate non-invasive near-infrared dual short wavelengths spectroscopy based glucometer for smart healthcare
Ham et al. Determination of glucose concentrations in an aqueous matrix from NIR spectra using optimal time-domain filtering and partial least-squares regression
Perpetuini et al. Photoplethysmographic prediction of the ankle-brachial pressure index through a machine learning approach
US20230082362A1 (en) Processes and methods to predict blood pressure
WO2014072823A2 (en) Device for blood glucose level determination
Panahi et al. Development of a Flexible Smart Wearable Oximeter Insole for Monitoring SpO 2 Levels of Diabetics’ Foot Ulcer
Abdalsalam et al. Design of simple noninvasive glucose measuring device
Karolcik et al. A multi-site, multi-wavelength PPG platform for continuous non-invasive health monitoring in hospital settings
CN113851224B (zh) 一种用于ams风险评估的数字仿真器
Gray et al. Noninvasive Monitoring to Detect Dehydration: Are We There Yet?
EP3906848A1 (en) System and method of screening for infection
US20240006075A1 (en) Systems and methods for predicting and detecting post-operative complications
US20200368432A1 (en) System and method of a biosensor for detection of vasodilation
FRAZIER et al. PHYSIOLOGICAL AND PSYCHOLOGICAL DATA COLLECTION METHODS
Veeraraghavan Matthew YC Cheung
Borker et al. Non-invasive Body Vitalities Checking System

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20151021

CF01 Termination of patent right due to non-payment of annual fee