CN103229179A - 用于自动显示生物监测数据中的模式的系统和方法 - Google Patents

Abstract

一种用于自动显示生物数据中的模式的系统和方法可以包括一个或多个处理器以及机器可读指令。所述机器可读指令可以使得所述一个或多个处理器把生物数据划分成各感兴趣片段。所述一个或多个处理器可以根据数学算法把感兴趣片段中的每一个自动变换成一个特征集合。所述一个或多个处理器可以根据聚类算法把各感兴趣片段自动聚类到各聚类片段组中。可以至少部分地基于所述特征集合把所述感兴趣片段分组到各聚类片段组中。可以把聚类中心与聚类片段组中的一个相关联。所述一个或多个处理器可以在人机接口上自动呈现所述聚类中心。

Description

用于自动显示生物监测数据中的模式的系统和方法

相关申请的交叉引用

本申请要求2010年12月8日提交的标题为“CONTINUOUS GLUCOSE MONITORING ANALYSIS BY CLUSTERING（通过聚类的连续葡萄糖监测分析）”的美国临时申请号61/420,800的权益。

技术领域

本说明书总体上涉及用于自动显示生物监测数据中的模式的系统和方法，并且更具体来说涉及用于自动显示葡萄糖监测数据中的模式的系统和方法。

背景技术

生物监测数据可以为医疗从业者（HCP）和患者提供可以被用来治疗和/或管理与生物数据有关的病症的非卧床数据。举例来说，连续葡萄糖监测（CGM）可以提供与包含在患有糖尿病的人（PwD）的血液内的葡萄糖数量有关的葡萄糖数据。可以根据时间以及/或者适于把葡萄糖数据与情境数据（比如例如进餐标签、日间时、周间日等等）相关的任何其他方法来索引葡萄糖数据。

识别出葡萄糖数据中的模式可能有用于更改患者行为或患者疗法。举例来说，HCP和/或PwD可以通过基于情境数据进行分类而识别出葡萄糖数据中的模式。但是情境数据常常不可用。此外，HCP和/或PwD可能不具有可用于有效地并且高效地利用所有可用情境数据的足够信息，也就是说可能会忽视可用数据模式。

因此，存在对用于自动显示生物监测数据中的模式的替换系统和方法的需要。

发明内容

在一个实施例中，一种用于自动显示葡萄糖数据中的模式的收集系统可以包括一个或多个处理器、电子显示器以及机器可读指令。所述电子显示器可以可通信地耦合到所述一个或多个处理器。所述机器可读指令可以由所述一个或多个处理器执行。所述机器可读指令可以使得所述一个或多个处理器接收表明随着时间采样的非卧床葡萄糖水平的葡萄糖数据信号。所述一个或多个处理器可以把葡萄糖数据信号划分成各感兴趣片段。所述一个或多个处理器可以根据数学算法把每一个所述感兴趣片段自动变换成一个特征集合。所述一个或多个处理器可以根据聚类算法把各感兴趣片段自动聚类到各聚类片段组中。可以至少部分地基于所述特征集合把所述感兴趣片段分组到各聚类片段组中。聚类中心可以与所述聚类片段组中的一个相关联。所述聚类中心可以基于所述聚类片段组中的一个的均值。所述一个或多个处理器可以把聚类中心自动呈现在所述电子显示器上。

在另一个实施例中，一种用于自动显示生物监测数据中的模式的方法可以包括从一个或多个对象接收表明随着时间采样的非卧床生物信息的生物数据。所述生物数据可以包括时间索引。所述生物数据可以根据时间索引被划分成各感兴趣片段。可以根据数学算法利用一个或多个处理器将每一个感兴趣片段自动变换成一个特征集合。可以利用一个或多个处理器根据聚类算法把各感兴趣片段自动聚类到各聚类片段组中。聚类算法可以至少部分地基于每一个感兴趣片段的所述特征集合计算距离量度，从而使得类似的感兴趣片段被分组到聚类片段组中的一个中。所述聚类算法可以计算与聚类片段组中的一个相关联的聚类中心。所述聚类中心可以基于所述聚类片段组中的一个的均值。可以利用所述一个或多个处理器通过人机接口自动呈现所述聚类中心。

结合附图，通过下面的详细描述将会更加全面地理解由这里所描述的实施例提供的前述和附加特征。

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，而不意图限制由权利要求书所限定的主题内容。在结合附图阅读时可以理解下面对于说明性实施例的详细描述，其中相同的结构由相同的附图标记表示，并且其中：

图1示意性地描绘出根据这里所示出并描述的一个或多个实施例的用于自动显示生物数据中的模式的系统；

图2示意性地描绘出根据这里所示出并描述的一个或多个实施例的配备有人机接口的显示器；

图3示意性地描绘出根据这里所示出并描述的一个或多个实施例的配备有人机接口的显示器；

图4示意性地描绘出根据这里所示出并描述的一个或多个实施例的模式增强算法；

图5示意性地描绘出根据这里所示出并描述的一个或多个实施例的生物数据和感兴趣片段；

图6示意性地描绘出根据这里所示出并描述的一个或多个实施例的配备有人机接口的显示器；

图7示意性地描绘出根据这里所示出并描述的一个或多个实施例的配备有人机接口的显示器；

图8示意性地描绘出根据这里所示出并描述的一个或多个实施例的模式增强算法；以及

图9通过图形方式描绘出根据这里所示出并描述的一个或多个实施例的来自优化器的输出。

具体实施方式

对于下面描述的各个所示出的实施例使用的下列术语包括（但不限于）下列含义。

术语“信号”意指能够通过介质行进的波形（例如电、光学、磁性、机械或电磁波形），比如DC、AC、正弦波、三角波、方波、振动等等。

短语“可通信地耦合”意指各组件能够彼此交换数据信号，诸如例如通过导电介质交换电信号、通过空气交换电磁信号、通过光波导交换光学信号等等。

这里所使用的术语“传感器”意指测量物理量并且将其转换成与所述物理量的测量值有关的数据信号的装置，所述物理量诸如比如电信号、电磁信号、光学信号、机械信号等等。

术语“连续”意指在一段时间内基本上不间断。相应地，连续数据可以是在一段时间内按照基本上不间断的方式采样的数据，也就是可以以最小的中断在设定的和/或变化的采样率下采样的数据。

术语葡萄糖计意指用以连续地或者不连续地确定例如血液或间质流体之类的体液中的葡萄糖水平的任何装置。这样的装置对于本领域普通技术人员来说是众所周知的。

术语药物递送装置例如意指胰岛素泵或贴片（patch）泵、胰岛素笔或葡萄糖递送装置，其特别被实现为泵或者胰岛素和葡萄糖递送系统的组合。还有可能是为人递送另一种药物的装置，其中所述药物影响该人的葡萄糖水平。

图1总体上描绘出用于自动显示生物数据（例如葡萄糖数据）中的模式的系统的一个实施例。所述系统通常包括一个或多个处理器、可通信地耦合到所述一个或多个处理器的人机接口以及由所述一个或多个处理器执行来自动显示生物数据中的模式的机器可读指令。这里将更加详细地描述用于自动显示生物数据中的模式的系统以及用于自动显示生物数据中的模式的方法的各个实施例。

现在参照图1，用于自动显示生物数据中的模式的系统100包括一个或多个处理器110，其用于执行机器可读指令并且自动指挥可通信地耦合到（在图1中总体上被表示为双箭头线）所述一个或多个处理器110的各组件。所述一个或多个处理器110可选地可以可通信地耦合到用于存储机器可读指令的存储器112。所述一个或多个处理器110可以是控制器、集成电路、微芯片、计算机或者能够执行机器可读指令的任何其他计算装置。存储器112可以是RAM、ROM、闪存、硬盘驱动器或者能够存储机器可读指令的任何装置。

在这里所描述的实施例中，所述一个或多个处理器110可以与系统100的单个组件集成。但是应当提到的是，在不背离本公开内容的范围的情况下，所述一个或多个处理器110可以单独位于各分立组件中，所述分立组件比如例如是葡萄糖计、药物递送装置、移动电话、便携式数字助理（PDA）、移动计算装置（比如膝上型计算机、平板型计算机或智能电话）、台式计算机或者服务器，其例如通过基于云或web的技术并且可通信地彼此耦合。应当认识到，在可以与这里所公开的一个或多个实施例一起使用的移动计算装置的一个实施例中，这样的装置可以包括触摸屏和运行例如这里所公开的那些计算算法和/或处理以及应用（比如有电子邮件程序、用于提供日历的日历程序）的计算能力，并且提供蜂窝、无线和/或有线连接性以及血糖计、数字媒体播放器、数码相机、视频摄影机、GPS导航单元和可以访问并适当地显示网页的web浏览器的功能中的一项或多项功能。相应地，系统100可以包括每一个都具有一个或多个处理器110的多个组件，所述一个或多个处理器110与一个或多个其他组件可通信地耦合。因此系统100可以利用分布式计算设置来施行这里所描述的任何或机器可读指令。

系统100还包括人机接口114，其可通信地耦合到所述一个或多个处理器110以便接收来自所述一个或多个处理器110的信号以及呈现图形、文字和/或听觉信息。所述人机接口可以包括电子显示器，诸如比如液晶显示器、薄膜晶体管显示器、发光二极管显示器、触摸屏或者能够把来自处理器的信号变换成光学输出或者机械输出的任何其他装置，比如诸如扬声器、用于在介质上显示信息的打印机等等。

本公开内容的实施例包括机器可读指令，所述机器可读指令包括用任一代（例如1GL、2GL、3GL、4GL或5GL）的任何编程语言编写的逻辑或算法，比如例如可以由处理器直接执行的机器语言或者汇编语言、面向对象编程（OOP）、脚本化语言、微代码等等，其可以被编辑或汇编成机器可读指令并且被存储在机器可读介质上。可替换地，所述逻辑或算法可以用硬件描述语言（HDL）编写，比如通过现场可编程门阵列（FPGA）配置或者专用集成电路（ASIC）及其等效方案来实施。相应地，可以用任何传统的计算机编程语言把所述机器可读指令实施为预编程硬件元件或者实施为硬件与软件组件的组合。此外，可以把机器可读指令分布在诸如例如通过连线、通过广域网、通过局域网、通过个人区域网等等可通信地耦合的各个组件上。因此，系统100的任何组件可以通过因特网或万维网传送信号。

仍然参照图1，系统100可选地可以包括生物传感器116，其可通信地耦合到一个或多个处理器110以用于提供表明分析物的属性的生物数据。在一个实施例中，生物传感器116可以是被配置成当被恰好放置在PwD的皮肤下方时检测葡萄糖水平（例如葡萄糖浓度）的葡萄糖传感器。具体来说，生物传感器116可以是一次性葡萄糖传感器，其被佩戴在皮肤下方几天直到需要更换为止。如前所述，生物传感器116可以与一个或多个处理器110可通信地耦合，所述一个或多个处理器110可以位于各个分立组件内。相应地，在葡萄糖传感器的情况下，生物传感器116可以例如与智能葡萄糖计或药物递送装置可通信地耦合，并且可以提供非卧床CGM数据，即在传感器的使用寿命期间被连续地采样的葡萄糖数据。应当提到的是，虽然这里所描述的实施例涉及血糖，但是生物传感器116也可以是检测与关于生物数据的病症的治疗和/或管理有关的生物数据的任何传感器。此外还应当提到的是，这里所描述的实施例可以利用由可通信地耦合到所述一个或多个处理器110的任何分立组件提供的数据。此外，所述生物数据可以被存储并且在任意持续时间的延迟之后被提供给一个或多个处理器110，也就是说可以离线施行这里所描述的实施例。相应地，可以从包括多位测试对象的群体聚集所述生物数据。

根据这里所描述的实施例，所述一个或多个处理器110可以执行机器可读指令以便自动显示生物数据中的模式。正如在这里更加详细地描述的那样，可以把生物数据与来自可通信地耦合到所述一个或多个处理器110的任何组件的连续数据、半连续数据和离散数据相组合，以便自动显示生物数据内的模式。

综合参照图1和2，在一个实施例中，所述一个或多个处理器110可以执行机器可读指令以便在人机接口114上显示非卧床葡萄糖简档（AGP）或日间模态（Modal Day）。如图2中所描绘的日间模态图120可以显示归一化到特定日间时（例如5:00）并且随着沿水平轴递增的时间而绘制的多个时间段的时间索引葡萄糖数据。因此，日间模态图120可以同时显示多天的葡萄糖数据（24小时周期），其中日间模态图120中的每一天的葡萄糖数据对应于一条日间模态数据曲线122（其在图2中通常被表示为一条虚线）。可以对各条日间模态数据曲线122进行统计上的评估，以便识别出可能存在于葡萄糖数据中的任何模式。例如可以计算中值124并且将其叠加在日间模态图120中的日间模态数据曲线122上。类似地，可以计算第三四分值126和第一四分值128并且将其叠加在数据曲线122上。在另外的实施例中，日间模态图120可以包括附加的统计量，例如比如对于所述时间周期的均值和标准偏差。替换地或附加地，日间模态图120可以包括葡萄糖数据的范围、葡萄糖数据的最大值、葡萄糖数据的最小值或者对于每一个时间段的未经处理的数据。

日间模态图120可以被利用来自动显示主导葡萄糖模式129。举例来说，可以从7:00到大约13:00看到主导葡萄糖模式129，并且其可以代表例如由于早餐而导致的进餐升高。相应地，PwD可以能够通过识别出显示在日间模态图120中的主导葡萄糖模式129来调节其行为。但是数据曲线122的其余部分未能遵循任何显著模式。相应地，日间模态图120在落到主导葡萄糖模式129之外的时间段部分中不显示任何模式。此外还应当提到的是，日间模态图120可以通过叠加数据来模糊对于数据曲线122的显示。此外在一些实施例中，仅仅显示报告统计量。

综合参照图1和3，在一个实施例中，所述一个或多个处理器110可以执行机器可读指令以便在人机接口114上显示时间线网格140。具体来说，时间线网格140可以同时显示多条数据曲线122，所述数据曲线中的每一个都被显示在一个单独的区段中（例如第1天、第2天、第3天、第4天、第5天、第6天、第7天、第8天和第9天）。各种模式被显示出来并且可以被关联在一起。举例来说，可以对所显示的时间线网格140进行视觉扫描。可以把表现出类似模式的每一天关联，也就是说可以选择各条数据曲线122的相应部分并且在存储器112中将其关联在一起。举例来说，第1天、第2天、第4天和第6天在大约5:00和12:00之间表现出类似的葡萄糖值，并且可以通过第一关联142而被关联。第2天和第3天在大约22:00和27:00之间表现出类似的葡萄糖值，并且可以通过第二关联144而被关联。第4天和第9天在大约20:00和24:00之间表现出类似的葡萄糖值，并且可以通过第三关联146而被关联。关联各条数据曲线122通常是人工处理，其可能相对低效并且可能为用户增加困难。此外，时间线网格140可以被利用来显示对于单个传感器使用寿命的葡萄糖数据，比如小于或等于大约九天或者从大约三天到大约七天。随着显示在时间线网格140中的时间段数目增加，时间线网格140显示模式的有效性可能会降低并且可能会错失模式。

综合参照图1和4，在另一个实施例中，所述一个或多个处理器110可以执行机器可读指令以便执行模式增强算法150，从而自动增强可能存在于例如血糖数据或CGM数据之类的生物数据内的模式。正如在这里更加详细地描述的那样，一旦增强了生物数据中的模式，就可以在人机接口114上自动显示生物数据中的模式（数据）。

综合参照图4和5，模式增强算法150通常通过对类似的生物结果（即葡萄糖值）进行聚类来增强数据模式，从而识别出可能导致生物响应的输入。模式增强算法150包括用于从一个或多个对象接收表明随着时间采样的非卧床生物信息的生物数据的处理152。生物数据50可以包括适于把生物数据50与非卧床生物信息被采样的时间和/或日期（诸如例如日期、月份、小时、分钟、秒钟等等）相关联的时间索引52。举例来说，生物数据50的每一个事例可以与某一时间和日期相关联，其表明非卧床生物信息被采样的时间和日期。

除了生物数据50之外，模式增强算法150还可以被利用来增强存在于连续数据、半连续数据和/或离散数据的任意组合当中的模式。半连续数据的来源例如可以包括药物递送装置注入简档、药团简档、能量支出测量、心率移动或者与可能影响PwD的健康的行为有关的任何其他数据。离散数据的来源例如可以包括数据标签、周间日、月份、季、传感器生产批号、胰岛素批号、可重复使用泵批号或者与可能影响PwD的健康的行为有关的任何其他数据或元数据。相应地，模式增强算法150在处理152处还可以接收任何其他类型的连续数据、半连续数据和/或离散数据。

模式增强算法150包括用于对数据进行分段的处理154。具体来说，参照图5，在处理154处可以根据时间索引52把生物数据50划分成各感兴趣片段56。各感兴趣片段56中的每个可以是对应于预定持续时间、预定起始时间、预定结束时间或其组合的数据时间窗口。举例来说，可以把生物数据50划分成每个都对应于具有共同起始和结束时间的二十四小时一天的各感兴趣片段56。可替换地，可以把生物数据50划分成每个都对应于一个四小时数据时间段或六小时数据时间段的各感兴趣片段56，以便例如对餐后葡萄糖简档进行分段。在另一个实施例中，可以把生物数据50划分成每个都对应于一个八小时数据时间段或十小时数据时间段的各感兴趣片段56，以便例如对夜间葡萄糖简档进行分段。

应当提到的是，可以把生物数据50划分成具有足以捕获在生物学上有意义的事件的任意时间长度的感兴趣片段56。具体来说，可以把感兴趣片段56调整到对应于任何已知的生物过程的时间长度，诸如比如对于校正药团的葡萄糖响应、锻炼时间段、锻炼之后、餐后、疗法改变之前、期间和/或之后的葡萄糖响应等等。相应地，虽然这里所描述的实施例可以利用二十四小时时间段，但是在不背离本公开内容的范围的情况下也可以使用其他时间片段。此外还应当提到的是，每一个感兴趣片段56可以分离（没有重复数据）或重叠。可以基于统一起始时间（例如每天上午5点）来选择感兴趣片段56，或者可以基于情境标签或事件（比如例如进餐标签或药团事件）来选择感兴趣片段56。当通过CGM提供生物数据50时，感兴趣片段56可以包含未经处理的连续葡萄糖测量或者经过过滤的信号连同附加的相关情境数据。

综合参照图4和5，模式增强算法150包括用于从每一个感兴趣片段56中提取一个特征集合的处理156。具体来说，可以根据数学算法把每一个感兴趣片段56自动变换成作为所述感兴趣片段56的简化表示的一个特征集合。所述数学算法可以是从感兴趣片段56中提取相关信息以便施行模式识别的任何算法。所述数学算法例如可以是主分量分析（PCA）、内核PCA、小波分析、频率分析或者适于提取出有意义的特征的任何其他算法。可以从连续数据、半连续数据和/或离散数据的任意组合中提取出所述特征集合。此外，可以用离散数据来补充从生物数据50中提取的特征集合，也就是说可以把离散数据直接附加到所计算的矢量。所述特征集合可以被距离量度利用来识别及增强生物数据50中的模式。

相应地，模式增强算法150还包括用于确定距离量度的处理158。具体来说，所述距离量度可以是能够表明每一个感兴趣片段56之间的相似程度的任何函数。在一些实施例中，可以把用于确定每一个感兴趣片段56之间的距离量度的函数应用于所述感兴趣片段56的特征集合。举例来说，所述距离量度可以被计算为各感兴趣片段56的特征集合之间的距离的平方和。此外，用于确定距离量度的函数还包括（但不限于）距离绝对值和、Mahalanobis距离、Manhattan距离、最大范数或者关于评估特征集合所知的任何其他常见量度。在其他实施例中，可以基于经过处理或过滤的生物数据（例如经过校准和过滤的葡萄糖数据）来确定距离量度。还可以基于未经处理的生物数据来计算距离量度。

可以从生物数据50单独计算距离量度。替换地或附加地，所述距离量度可以基于情境数据和/或情境数据标签之间的距离。举例来说，可以从处于特定胰岛素标签附近的CGM数据和碳水化合物摄入来计算距离量度。所述距离量度可以基于整个感兴趣片段，或者所述感兴趣片段的一个子集。相应地，所述距离量度和特征集合可以被模式增强算法150使用来对各个单独的感兴趣片段56进行分组。

模式增强算法150包括用于对感兴趣片段56进行聚类的处理160。具体来说，可以自动应用聚类算法以便把感兴趣片段56聚类到各组聚类片段当中。一旦被聚类，类似的感兴趣片段56就被分组在每一个聚类片段中。相应地，所述聚类片段组增强并且识别出存在于数据内的模式。在一些实施例中，所述聚类算法可以基于距离量度确定聚类数目以及被指派给每一个聚类的感兴趣片段56。所使用的聚类算法可以包括用于确定聚类数目的函数，比如例如Schwarz标准、贝叶斯信息标准、Akaike信息标准或者任何其他优化器。所使用的聚类算法可以包括用于把感兴趣片段56指派给聚类的函数，比如例如K均值、分层聚类（利用凝聚方法或分裂方法或者二者的某种组合）、高斯混合建模、归一化切分或者其他任何聚类算法。应当提到的是，下面描述的实例利用了K均值聚类，但是在不背离本公开内容的范围的情况下也可以利用其他聚类算法。

根据这里所描述的实施例，模式增强算法150可以包括用于对各聚类片段组进行分级的处理162。在一个实施例中，可以把各聚类片段组与基于该组中的片段数目的重要性等级相关联。所述重要性等级也可以基于某一事件的发生，比如低血糖或高血糖。举例来说，当某一聚类片段组包括比其他组更多数目的聚类片段（其可以表明常见行为）并且与低血糖事件或高血糖事件的一个或多个事例重合时，则与其他聚类片段组相比可以把该组与相对较高的重要性等级相关联。与相对较高的重要性等级相关联的聚类片段组可以表明需要由HCP或PwD解决的行为。相应地，可以基于对HCP调节疗法或者提供教育以解决问题的需求来对各聚类片段组聚类进行分级。

还可以把聚类片段组与日期相关联以便识别出可能定期出现的模式，诸如例如逐周、周间日对周末、工作日对非工作日、逐月或逐季度。此外，可以基于离散数据（例如传感器生产批号、胰岛素批号或者可重复使用泵批号）来聚集所述聚类片段，以便帮助识别出潜在的制造缺陷。

如前所述，一旦通过生成聚类片段而增强了数据中的模式之后，就可以由一个或多个处理器110在人机接口114上自动显示生物数据中的模式。所显示的聚类片段增强存在于数据中并且可能已经被模糊的模式。相应地，例如HCP或PwD之类的用户可以更加容易地识别出生物数据中的模式。

综合参照图6和7，可以在人机接口114上自动显示每一个聚类片段组的均值。具体来说，第一聚类中心130对应于第一聚类片段组的均值，第二聚类中心132对应于第二聚类片段组的均值，第三聚类中心134对应于第三聚类片段组的均值，并且第三聚类中心136对应于第四聚类片段组的均值。相应地，可以通过仅仅显示聚类中心130、132、134、136来概括生物数据，这增强了存在于生物数据内的模式。此外，聚类中心130、132、134、136中的每一个所显示的线宽度可以分别表明其重要性等级。举例来说，聚类中心130、132、134、136的宽度可以与包括在该聚类中的片段数目成比例。具体来说，图6中描绘出的第一聚类中心130的宽度表明第一聚类片段组包括最高数目的聚类片段。此外，如图6中所描绘的那样，第二聚类中心132的宽度表明第二聚类片段组包括第二高数目的聚类片段，第三聚类中心134的宽度表明第三聚类片段组包括第三高数目的聚类片段，并且第四聚类中心136的宽度表明第四聚类片段组包括最低数目的聚类片段。相应地，聚类中心130、132、134、136中的每一个所显示的线宽度可以利用相对较粗的线增强一致的行为，并且利用相对较细的线增强离群的行为。在其他实施例中，可以根据重要性等级对聚类中心130、132、134、136进行彩色编码。

还可以对于每一个聚类片段组计算概要统计量并且由一个或多个处理器110自动显示在人机接口114上。所述概要统计量可以包括均值、中值、标准偏差、平均绝对差、范围、四分值或者任何其他适当的统计量。所述统计量例如还可以包括高血糖时间百分比、目标范围内时间百分比、低于阈值时间百分比或者高于特定阈值时间百分比。概要统计量还可以包括基于表示生物数据的组的数目、每一组中的数据片段的数目的参数，或者与聚类片段组内的数据片段分布有关的任何其他参数。所述概要统计量可以被用作表征PwD的状态的量度以及针对潜在疗法调节的指标。

此外，可以在人机接口114上自动显示重要的区段，诸如比如高血糖、低血糖、葡萄糖目标范围等等。举例来说，可以在人机接口114上显示低血糖阈值138和目标葡萄糖浓度范围139。人机接口114还可以显示与所聚类的数据片段相关联的情境数据，诸如比如进餐标签、碳水化合物摄入、胰岛素注射或者其他相关情境数据。应当提到的是，虽然图6和7仅仅描绘出聚类中心，但是也可以把所述聚类中心叠加在表明聚类片段和/或感兴趣片段的曲线上。

参照图7，还可以由人机接口114显示日历20以便识别出逐周或逐月模式。在一个实施例中，日历20可以被编码为表明对应于聚类中心130、132、134、136的日期。每一个代码可以是一种颜色、梯度、形状、字母数字或者足以把该聚类代码与由人机接口114显示的其他对象区分开来的任何其他视觉指示。具体来说，利用第一聚类代码30编码的日期包括对应于第一聚类片段130的一个或多个聚类片段，利用第二聚类代码32编码的日期包括对应于第二聚类中心132的一个或多个聚类片段，利用第三聚类代码34编码的日期包括对应于第一聚类片段134的一个或多个聚类片段，并且利用第四聚类代码36编码的日期包括对应于第四聚类中心136的一个或多个聚类片段。相应地可以为日历20提供聚类代码以便显示对于日历20上的各日期的聚类片段之间的相似性。在一些实施例中，可以导入并且利用日历20显示来自例如Microsoft Outlook®或Google Calendar®之类的日历软件的条目，以便帮助识别出可能是葡萄糖模式的成因的行为模式。可替换地，可以把来自聚类片段的数据导出到一定格式，从而可以将其导入日历软件。在其他实施例中，日历20可以表明视觉上错失的事件，诸如比如胰岛素药团、活动或进餐。

综合参照图1和7，一个或多个处理器110可以接受表明由用户做出的选择的输入。在一个实施例中，所述一个或多个处理器110可以接收表明在日历20上做出的日期选择的选择信号。所述一个或多个处理器110可以通过显示在相应日期上采样的感兴趣片段来对选择信号做出响应。在另一个实施例中，所述一个或多个处理器110可以接收表明在日历20上做出的对应于某一聚类中心的代码或聚类中心选择的聚类信号。所述一个或多个处理器110可以通过显示与该聚类中心相关联的聚类片段来对聚类信号做出响应。

为了可以更加容易地理解这里所描述的实施例，参照下面的实例，该例意图说明这里所描述的实施例而非限制其范围。

现在参照图8，由处理器执行示例性模式增强算法200，以便把表明随着时间采样的非卧床葡萄糖水平的CGM数据分组到各聚类片段组中。经过过滤的CGM数据被处理器接收到，并且被分段成各感兴趣片段。每一个感兴趣片段被选择成开始于上午5:00（从而整夜数据将保持连续），并且具有基本上相等的长度（大约24小时）。从每一个感兴趣片段中提取出一个特征集合。其结果是，通过使用前20个特征矢量，每一个感兴趣片段被从长度大约为1440（一天中的分钟数）的矢量压缩成长度大约为20的矢量。

所述示例性模式增强算法200包括用于聚类的迭代K均值算法，并且利用Schwarz标准来确定聚类片段组的数目。在处理202处，示例性模式增强算法200被初始化，以便利用等于1的聚类数目k施行第一次迭代。在处理204处，对于所述k个聚类计算聚类中心。在计算出聚类中心之后，在处理206处为各组指派感兴趣片段。在指派了各组之后，在处理208处利用各聚类片段组重新计算聚类中心。在处理210处，施行稳定性检查。当对于K均值算法的解未能收敛时，重复处理206。当对于K均值算法的解对于多次迭代没有改变时，施行处理212以便确定Schwartz标准。在处理212之后，重复处理204达预定迭代次数，并且选择对应于最小Schwartz标准的聚类片段组作为最终结果。

现在参照图9，其中以图形的方式描绘了来自Schwarz标准224的结果。通过使用Schwarz标准224评估了聚类的数目，从而为优化等式添加了基于聚类片段组的数目的惩罚项222。

给出以下表示：

X=观测集合；

n=X中的数据点的数目，即观测的数目；

k=聚类的数目；

m=维度的数目；

=在聚类k中的所有片段与聚类均值之间计算的距离函数；以及

λ=用以调节基于距离的量度与惩罚项之间的平衡的调谐参数。

利用下面的等式计算Schwarz标准224。

通过把质量量度220与惩罚项222相组合来确定聚类片段组的数目，其中质量量度220测量聚类片段与感兴趣片段的适合程度，惩罚项222部分地基于聚类片段组的数目给出惩罚。“质量”指的是

的值，并且“惩罚”指的是λ mkln(n)的值。当使用六个聚类片段组时出现了对于Schwarz标准224的最小值226。

现在应当理解的是，这里所描述的实施例可以被利用来对数据进行聚类并且自动显示聚类中心，从而增强存在于较大数据集合内的模式。所显示的聚类中心可以允许很容易地识别出各模式、子模式或行为。相应地，所显示出的聚类中心可以增强并且标识在其他情况下（例如在把多天的数据组合成AGP或日间模态时）可能会被平均掉或者模糊掉的信息。

应当提到的是，术语“基本上”和“大约”在这里可以被利用来表示可能归因于任何定量比较、值、测量或其他表示的固有的不确定程度。这些术语在这里也被利用来表示在不会导致所讨论的主题内容的基本功能发生改变的情况下定量表示可以变化偏离所述参考的程度。

虽然在这里图示并描述了具体实施例，但是应当理解的是，在不背离所要求保护的主题内容的精神和范围的情况下可以做出许多其他改变和修改。此外，虽然在这里描述了所要求保护的主题内容的各个方面，但是不需要组合利用这些方面。因此所附权利要求书意图涵盖落在所要求保护的主题内容的范围内的所有这样的改变和修改。

Claims (23)

1.一种用于自动显示葡萄糖数据中的模式的收集系统，所述收集系统包括：

一个或多个处理器；

可通信地耦合到所述一个或多个处理器的电子显示器；以及

由所述一个或多个处理器执行的机器可读指令，

其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

接收表明随着时间采样的非卧床葡萄糖水平的葡萄糖数据信号；

把葡萄糖数据信号划分成各感兴趣片段；

根据数学算法把所述感兴趣片段中的每一个自动变换成一个特征集合；

根据聚类算法把各感兴趣片段自动聚类到各聚类片段组中，其中至少部分地基于所述特征集合把所述感兴趣片段分组到各聚类片段组中并且将聚类中心与所述聚类片段组中的一个相关联，并且其中所述聚类中心基于所述聚类片段组中的一个的均值；以及

把聚类中心自动呈现在电子显示器上。

2.权利要求1的收集系统，其中，所述一个或多个处理器可通信地耦合到葡萄糖计和/或药物递送装置。

3.权利要求1或2的收集系统，其中，所述一个或多个处理器可通信地耦合到移动电话、移动计算装置、便携式数字助理、台式计算机或服务器或者其组合。

4.权利要求1、2或3的收集系统，其中，所述葡萄糖数据信号与表明该葡萄糖数据信号被采样的时间点、日期或全部二者的时间索引相关联，并且根据所述时间索引把所述葡萄糖数据信号划分成各感兴趣片段。

5.权利要求4的收集系统，其中，所述感兴趣片段中的每一个对应于具有共同起始时间和结束时间的二十四小时一天。

6.权利要求4的收集系统，其中，所述感兴趣片段中的每一个对应于一个葡萄糖简档，所述葡萄糖简档对应于在生物学上有意义的事件。

7.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

把药物递送装置注入简档、药团简档、能量支出测量、心率移动、进餐标签或其组合自动变换成补充特征集合；以及

把所述补充特征集合附加到所述特征集合。

8.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

把传感器生产批号、胰岛素批号、可重复使用泵批号或其组合变换成补充特征集合；以及

把所述补充特征集合附加到所述特征集合。

9.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

把离散数据附加到所述特征集合。

10.根据在前权利要求中的任一项的收集系统，其中，所述数学算法包括主分量分析（PCA）、内核PCA、小波分析、频率分析或其组合。

11.根据在前权利要求中的任一项的收集系统，其中，所述聚类算法包括优化器。

12.根据在前权利要求中的任一项的收集系统，其中，所述聚类算法包括K均值算法、分层聚类算法、高斯混合建模算法、归一化切分算法或其组合。

13.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

基于事件的发生对各聚类片段组自动进行分级。

14.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

根据与各聚类片段组相关联的感兴趣片段的数量对所述聚类片段组自动进行分级。

15.权利要求13或14的收集系统，其中，根据各聚类片段组的等级对聚类中心进行彩色编码。

16.根据在前权利要求中的任一项的收集系统，其中，利用一定线宽度显示聚类中心，其中所述线宽度与和所述聚类中心相关联的感兴趣片段的数量相关。

17.根据在前权利要求中的任一项的收集系统，其中，将所述聚类中心叠加在表明各感兴趣片段的曲线上。

18.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器在所述电子显示器上自动呈现日历，其中所述日历被编码成表明对应于所述聚类中心的日期。

19.权利要求18的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

自动接收表明对于日历上的所选日期的选择的选择信号；以及

自动呈现在所选日期采样的感兴趣片段。

20.根据在前权利要求中的任一项的收集系统，其中，所述机器可读指令使得所述一个或多个处理器施行以下步骤：

自动接收表明对于所选聚类中心的选择的选择信号；以及

自动呈现对应于所选聚类中心的感兴趣片段。

21.一种用于自动显示生物监测数据中的模式的方法，所述方法包括：

从一个或多个对象接收表明随着时间采样的非卧床生物信息的生物数据，其中所述生物数据包括时间索引；

根据所述时间索引把所述生物数据划分成各感兴趣片段；

利用一个或多个处理器根据数学算法将感兴趣片段中的每一个自动变换成一个特征集合；以及

利用所述一个或多个处理器根据聚类算法把各感兴趣片段自动聚类到各聚类片段组中，其中所述聚类算法至少部分地基于感兴趣片段中的每一个的所述特征集合来计算距离量度从而使得类似的感兴趣片段被分组到聚类片段组中的一个中，并且计算与所述聚类片段组中的一个相关联的聚类中心，并且其中所述聚类中心基于所述聚类片段组中的一个的均值；以及

利用所述一个或多个处理器通过人机接口自动呈现所述聚类中心。

22.权利要求21的方法，其中，所述生物数据是从多个测试对象聚集的。

23.权利要求21或22的方法，其中，所述距离量度基于距离平方和、距离绝对值和、Mahalanobis距离、Manhattan距离、最大范数或其组合。

Images