CN104838415B - 血糖水平预测设备、测量设备、血糖水平预测方法和计算机可读存储介质 - Google Patents
血糖水平预测设备、测量设备、血糖水平预测方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN104838415B CN104838415B CN201380063886.8A CN201380063886A CN104838415B CN 104838415 B CN104838415 B CN 104838415B CN 201380063886 A CN201380063886 A CN 201380063886A CN 104838415 B CN104838415 B CN 104838415B
- Authority
- CN
- China
- Prior art keywords
- pattern
- blood sugar
- time
- sugar level
- user
- 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.)
- Expired - Fee Related
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—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
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
- A61B2560/0238—Means for recording calibration data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Obesity (AREA)
- Emergency Medicine (AREA)
Abstract
血糖水平预测设备(10)用于预测用户(30)的血糖水平。血糖水平预测设备(10)设置有图案选择单元(11),基于用户(30)空腹时的血糖水平从多个预设血糖水平时间序列变化图案选择一个图案;以及校正处理单元(12),使用通过针对用户(30)在多个测量日期执行血糖水平的光学测量获得的多个测量值校正选择的图案。
Description
技术领域
本发明涉及用于预测用户的血糖水平的血糖水平预测设备和血糖水平预测方法,并且进一步涉及使用血糖水平预测设备和方法的管理设备以及存储用于实现血糖水平预测设备和方法的计算机程序的计算机可读存储介质。
背景技术
通常,对于患有糖尿病的人,葡萄糖在血液中的浓度超过一定水平,将导致过度口渴并增加排尿,并且在极端的情况下,将导致意识障碍和昏迷。因此,糖尿病患者掌握自己的血糖水平是重要的。
然而,葡萄糖在人的血液中的浓度,即,他或她的血糖水平,全天变化。具体地,当人空腹时,只要他或她没有吃东西,他或她的血糖水平持续下降,而然后当人吃东西时,他或她的血糖水平升高。因此,为了使人掌握他或她的精确的血糖水平,需要在一天期间反复测量他或她的血糖水平。因此,许多糖尿病患者通过使用便携式血糖仪测量其自己的血糖水平来管理其血糖水平。
然而,以这种方式在一天期间反复测量其血糖水平成为糖尿病患者的沉重负担。而且,如果不能充分测量血糖水平,邪恶医生很难确定胰岛素的剂量。
因此,为了减轻糖尿病患者的负担,并且使得更容易确定胰岛素的剂量,例如,在专利文献1中,公开了一种用于预测糖尿病患者的血糖水平的变化的方法。具体地,专利文献1中公开的方法集中于随时间的血糖水平行为是混乱现象的事实,并且通过基于血糖水平时间序列数据的本地模糊重建方法来使用当前血糖水平预测第二天开始的血糖水平。
因为可以通过首先获取血糖水平时间序列数据来简单地预测随后的血糖水平,所以专利文献1中公开的方法可以可信地减轻对糖尿病患者的负担,并且使得更容易确定胰岛素的剂量。
现有技术文献列表
专利文献
专利文献1:JP 11-296598A
发明内容
本发明要解决的技术问题
然而,专利文献1公开的方法最初需要准备大量的测量值。而且,为了提高精度,需要尽可能缩短获取测量值的间隔。鉴于此,专利文献1中公开的方法在降低糖尿病患者的负担方面效果不大。
本发明的示例性目的在于解决上述问题,并且提供使得能够在减轻血糖水平测量时用户的负担的同时正确地预测用户的血糖水平的血糖水平预测设备、测量设备、血糖水平预测方法和计算机程序。
解决问题的手段
为了实现上述目的,本发明的血糖水平预测设备是用于预测用户的血糖水平的设备,包括:图案选择单元,基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案中选择一个图案;以及校正处理单元,使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值来校正选择的图案。
另外,为了实现上述目的,本发明的测量设备是通过光学测量测量用户的血糖水平的测量设备,包括:测量单元,执行光学测量;标准曲线数据库,对于相应血糖水平的每个大小,存储用于将通过执行光学测量获得的测量值转换成血糖水平的标准曲线;控制处理单元,通过选择标准曲线中的一个并且将通过执行光学测量获得的测量值应用于选择的标准曲线来计算血糖水平;以及血糖水平预测单元,基于用户空腹时的血糖水平,通过从多个预设血糖水平时间序列变化图案中选择一个图案来预测用户的血糖水平,并且使用通过针对用户在多个测量日期执行光学测量所获得的多个测量值来校正选择的图案,在已经通过血糖水平预测单元执行图案的选择和校正的情况下,控制处理单元使用校正的图案来预测血糖水平,并且基于预测的血糖水平来选择标准曲线。
此外,为了实现上述目的,本发明的血糖水平预测方法是用于预测用户的血糖水平的方法,具有下述步骤(a)基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案中选择一个图案;以及(b)使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值来校正选择的图案。
为了实现上述目的,本发明的计算机可读存储介质是存储用于通过计算机预测用户的血糖水平的计算机程序的计算机可读存储介质,所述程序包括使计算机执行下述步骤的命令:(a)基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案中选择一个图案;以及(b)使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值来校正选择的图案。
本发明的有益效果
根据如上所述的本发明,可以在减轻血糖水平测量时用户的负担的同时,正确地预测用户的血糖水平。
附图说明
图1是示出本发明的实施例中的血糖水平预测设备和测量设备的配置的框图。
图2示出了典型的血糖水平的示例性时间序列变化图案。
图3是示出本发明的实施例中的用于通过血糖水平预测设备选择和校正时间序列图案的处理的流程图。
图4示出了本发明的实施例中的校正的初始图案的示例。
图5是示出本发明的实施例中的通过血糖水平预测设备重新选择时间序列图案的处理的流程图。
图6是示出本发明的实施例中的测量设备的操作的流程图。
具体实施方式
实施例
以下,将参考图1至图6描述本发明的实施例中的血糖水平预测设备、测量设备、血糖水平预测方法和计算机程序。
设备配置
初始地,将使用图1描述本实施例的血糖水平预测设备10和测量设备20的配置。图1是示出本实施例的血糖水平预测设备和测量设备的配置的框图。
首先,将描述本实施例的血糖水平预测设备的配置。如图1所示,血糖水平预测设备10设置有图案选择单元11和校正处理单元12,并且使用这些单元来预测用户30的血糖水平。其中,图案选择单元11基于用户30空腹时的血糖水平(以下简称为“空腹血糖水平”),从已经预先设置的多个血糖水平时间序列变化图案(以下称为“时间序列变化图案”)中选择一个时间序列变化图案。注意,以下,所选择的时间序列变化图案将被称为“初始图案”。
校正处理单元12首先获取通过在多个测量日期光学地测量用户30的血糖水平所获得多个测量值。然后,校正处理单元12使用多个获取的测量值来校正初始图案。
因此,使用血糖水平预测设备10,基于空腹时用户30的血糖水平来选择被认为与用户30的血糖水平的时间序列变化最接近的时间序列变化图案。因为使用实际测量值来校正该选择的时间序列变化图案(初始图案),所以该图案将与用户30实际情况一致。而且,用户30仅需要输入他或她空腹时的血糖水平,并且在多个测量日期若干次光学地测量他或她的血糖水平。换句话说,根据血糖水平预测设备10,可以在减轻用户30负担的同时正确地预测用户30的血糖水平。
在此,将使用图1进一步具体描述血糖水平预测设备10的配置。首先,在本实施例中,血糖水平预测设备10是测量设备20的一部分,如图1所示,并且用作血糖水平预测单元。测量设备20是光学地测量用户的血糖水平的设备,如稍后将讨论的。
在本实施例中,除了上述图案选择单元11和校正处理单元12之外,血糖水平预测设备10设置有存储多个时间序列图案的图案数据库13和设置条件确定单元14。此外,稍后将描述,血糖水平预测设备10能够经由操作接受单元23从用户接收输入操作。
在本实施例中,图案选择单元11经由稍后讨论的操作接受单元23接收用户输入的空腹血糖水平,并且基于接收到的空腹血糖水平来从图案数据库13中存储的时间序列图案中选择最适合用户的一个时间序列图案。
而且,在本实施例中,“空腹血糖水平”期望是在从用户最后一次吃东西开始已经度过两个小时或更长时间的状态下从用户收集的血液的血糖水平。具体地,示例性“空腹血糖水平”是健康检查期间收集的血液的血糖水平。
另外,在本实施例中,示例性时间序列图案是针对基准时间是用户的空腹时间的每个时隙设置的一组函数,其中,每个函数指定从基准时间开始的度过的时间与血糖水平之间的关系。下面示出时间序列图案的特定示例。下面的等式(1)至(16)是构成一个时间序列模型的函数。
λ=a1t+b1 (0<t≤1) (1)
λ=a2t+b2 (1<t≤2) (2)
λ=a3t+b3 (2<t≤3) (3)
λ=a4t+b4 (3<t≤4) (4)
λ=a5t+b5 (4<t≤5) (5)
λ=a6t+b6 (5<t≤6) (6)
λ=a7t+b7 (6<t≤7) (7)
λ=a8t+b8 (7<t≤8) (8)
λ=a9t+b9 (8<t≤9) (9)
λ=a10t+b10 (9<t≤10) (10)
λ=a11t+b11 (10<t≤11) (11)
λ=a12t+b12 (11<t≤12) (12)
λ=a13t+b13 (12<t≤13) (13)
λ=a14t+b14 (13<t≤14) (14)
λ=a15t+b15 (14<t≤15) (15)
λ=a16t+b16 (15<t≤16) (16)
如上述等式(1)至(16)所示,通过针对每个小时设置的多个线性函数来构成时间序列图案。在每个线性函数,λ表示血糖水平,并且a1至a16和b1至b16表示任意常数。而且,t指示从用户的空腹时间(基准时间:t=0)开始度过的时间(小时)。注意,如果当用户处于空腹状态时从在健康检查等期间收集的血液测量“空腹血糖水平”,则“空腹时间”(基准时间)具体是指收集血液的时间。
而且,在本实施例中,为了提高选择时间序列图案的准确性,除了空腹时的血糖水平之外,图案选择单元11还优选地使用餐后用户的血糖水平来选择时间序列图案。在此,将使用图2来描述用于选择时间序列图案的准则。
图2示出了典型的血糖水平的示例性时间序列变化图案。在图2中,曲线A至E分别示出了时间序列变化图案的示例。注意,在图2中,仅示出了从基准时间开始的前6小时的图案。
具体地,在图2中,曲线A示出了空腹血糖水平是120mg/dl或更高时的时间序列变化图案。在用户是糖尿病患者的情况下,时间序列变化图案将与曲线A相同或近似。
曲线B和C示出了时间序列变化图案,其中,空腹血糖水平小于120mg/dl,但是血糖水平在餐后第一个小时快速上升,并且甚至在稍后的两小时是140mg/dl或更高。在处于成为糖尿病患者风险的人餐后高血糖情况下,时间序列变化图案将与曲线B或C相同或相似。
曲线D示出了时间序列变化图案,其中,空腹血糖水平小于120mg/dl,并且血糖水平在餐后第一个小时不快速上升,但是在稍后的两小时达到140mg/dl或更高。在用户是糖尿病患者并且已经服药的情况下,时间序列变化图案将与曲线D相同或相似。
曲线E示出了时间序列变化图案,其中空腹血糖水平小于120mg/dl并且血糖水平在餐后前1至2小时上升但是仍然在140mg/dl以下。在用户健康的情况下,时间序列变化图案将与曲线E相同或相似。
因此,如果除了空腹血糖水平之外使用餐后血糖水平(例如,餐后两小时),则图案选择单元11能够从曲线A至E的5个时间序列图案中可靠地选择最适合用户的时间序列变化图案,如从图2看出。而且,在本实施例中,没有具体限制测量餐后血糖水平的方法,并且可以通过测量单元22来测量餐后血糖水平。
而且,在本实施例中,校正处理单元12首先访问测量值数据库25,并且提取测量单元22进行每次光学测量所获得的测量值及其测量日期-时间。此外,校正处理单元12将提取的测量日期-时间的测量时间转换成从基准时间开始度过的时间t。
接下来,校正处理单元12通过将最小二乘法应用于测量值来校正初始图案。具体地,校正处理单元12针对具有相同度过的时间t的每个测量值得到在测量值与通过将转换的度过时间t应用于初始图案的每个线性函数所计算的值(血糖水平λ)之间的残差的平方根,并且此外,校正初始图案的每个线性函数,使得当对平方根求和时,和被最小化。
结果,初始图案的每个线性函数更正确地表示用户30的实际情况。而且,校正处理单元12将校正的时间序列图案存储在测量值数据库25中。
而且,在从图案选择单元11选择时间序列图案开始已经度过了设置时间段之后,设置条件确定单元14确定测量值是否满足设置条件。具体地,示例性设置时间段是在一个人成为糖尿病患者的情况下可以想象地认为该人的中血糖水平出现的改变的时段,例如,两个月。
此外,示例性设置条件包括在设置时段期间在测量值数据库25中存储了足够数目的数据(例如,20个或更多),并且在为校正的时间序列变化图案和测量值之间的误差在特定范围内(例如,±10%内)。注意,设置条件不限于上述条件,并且仅需要可以指定用户条件中的改变的条件,该用户条件中的改变要求再次执行时间序列变化图案的选择。
而且,在设置条件确定单元14确定了测量值不满足设置条件的情况下,图案选择单元11再次执行时间序列图案的选择,并且校正处理单元12执行对新选择的时间序列图案的校正。因此,设置条件确定单元14执行确定处理使得即使在用户健康变化的情况下也能够灵活响应。
接下来,将描述测量设备20的配置。如图1所示,除了血糖水平预测设备10之外,测量设备20设置有控制处理单元21、测量单元22、用于接受来自用户30的输入操作的操作接受单元23、标准曲线数据库24、测量值数据库25和诸如液晶显示板的显示设备26。
测量单元22执行光学测量。尽管没有具体示出,但是测量单元22设置有发出设置波长的光的诸如光源的光学组件、接收用户30的一部分(手指等)反射的光的光接收元件、滤光器和透镜。注意,不具体限制测量单元22的配置,并且可以通过现有组件等来构成测量单元22。
而且,在本实施例中,测量单元22响应于来自控制处理单元21的指令来执行光学测量,并且将执行光学测量所获得的数据输出到控制处理单元21,具体地,指定光接收元件接收的光的强度的数据(光接收元件的输出信号)。
标准曲线数据库24存储用于将从执行光学测量获得的测量值转换成血糖水平的标准曲线。通过对预先准备的样本执行光学测量和血糖水平测量并且得到在所获得的吸光度与血糖水平之间的关系,来创建标准曲线。而且,因为光学标准曲线根据血糖水平的值而不同,所以根据血糖水平的值来创建多个标准曲线。换句话说,创建具有不同血糖水平的目标范围的多个标准曲线,并且这些曲线被存储在标准曲线数据库24中。注意,通过除了光学测量之外的测量方法来执行用于创建标准曲线的血糖水平测量。
当操作接受单元23接收到用户30的测量开始操作时,控制处理单元21指令测量单元22执行光学测量。然后,当接收到从测量单元22输出的数据时,控制处理单元21基于该数据来计算吸光度。此外,控制处理单元21从标准曲线数据库24获取标准曲线,将计算的吸光度应用于所获取的标准曲线,并且计算血糖水平(测量值)。此外,控制处理单元21与测量的日期-时间相关联地将所获得的血糖水平(测量值)存储在测量值数据库25中。
而且,控制处理单元21能够从测量值数据库25获得测量值和测量日期-时间,并且在显示设备26上显示该数据。此外,在本实施例中,在校正处理单元12的校正处理中使用存储在测量值数据库25中的测量值和测量日期-时间。
而且,在本实施例中,在血糖水平预测设备10已经执行了时间序列图案的选择和校正的情况下,测量设备20的控制处理单元21利用时间序列变化图案来预测血糖水平,并且基于预测的血糖水平来选择最佳标准曲线。
具体地,控制处理单元21首先获取存储在测量值数据库25中的校正时间序列图案,从所获取的时间序列图案中选择与测量时间相对应的线性函数,并且使用所选择的线性函数来计算血糖水平。接下来,控制处理单元21从存储在标准曲线数据库24中的标准曲线当中指定与计算的血糖水平相对应的标准曲线,并且获取指定的标准曲线。根据本实施例,因为可以容易地指定最佳标准曲线,所以还实现了测量设备20的测量准确度的提高。
设备操作
接下来,将使用图3至图6描述本实施例的血糖水平预测设备10的操作。而且,在下面的描述中,适当参考图1和图2。此外,在本实施例中,通过操作血糖水平预测设备10来实现血糖水平预测方法。因此,以下给出血糖水平预测设备的操作的描述来代替对本实施例的血糖水平预测方法的描述。
时间序列图案的选择和校正
初始地,将使用图3描述通过血糖水平预测设备10对时间序列图案的选择和校正。图3是示出本实施例的用于通过血糖水平预测设备来选择和校正时间序列图案的处理的流程图。
如图3所示,初始地,在血糖水平预测设备10中,图案选择单元11确定是否已经经由操作接受单元23输入了所需要的数据,具体地,空腹血糖水平和餐后血糖水平(步骤A1)。
如果步骤A1的确定结果指示没有输入所需要的数据,则图案选择单元11进入待机状态。另一方面,如果步骤A1的确定的结果指示已经输入了所需要的数据,则图案选择单元11访问图案数据库13,并且基于空腹血糖水平和餐后血糖水平来选择最适合用户30的一个时间序列图案(步骤A2)。
接下来,一旦执行步骤A2,校正处理单元12就访问测量值数据库25,并且提取通过测量单元22的每次光学测量所获得的测量值及其测量日期-时间(步骤A3)。而且,在步骤A3,校正处理单元12对于测量值和测量日期-时间的提取设置条件。
具体地,示例性条件包括从最早测量日期-时间到最新测量日期-时间的时间段,即为提取足够数据的用户(例如,20条或更多)且在用户成为糖尿病患者的情况下可以想象地认为该人的中血糖水平出现的改变的时间段,例如,两个月。
接下来,校正处理单元12将每个提取的测量日期-时间的测量时间转换成从基准时间开始的度过时间t(步骤A4)。然后,校正处理单元12通过将最小二乘法应用到测量值校正初始图案(步骤A5)。具体地,校正处理单元12对于具有相同度过时间t的每个测量值得到测量值与通过将度过时间t应用于初始图案的每个线性函数计算的值之间的残差的平方根,并且校正初始图案的每个线性函数的斜率和截距,使得当对平方根求和时,求和结果最小。
然后,校正处理单元12在测量值数据库25中存储每个校正的线性函数(步骤A6)。一旦执行步骤A6,血糖水平预测设备10中的处理结束。然后,在控制处理单元21选择标准曲线时,利用存储在测量值数据库25中的校正的初始图案(线性函数)。
如上所述,一旦执行步骤A1至A6,选择与用户的血糖水平的时间序列变化最接近的时间序列变化图案,此外,使用实际测量值校正此初始图案。因此,容易获得与用户30的实际条件一致的时间序列变化图案,能够在减轻用户30的负担的同时正确地预测用户30的血糖水平。
在此,将使用图4描述初始图案校正的特定示例。图4示出本实施例中已经校正的初始图案的示例。如图4所示,假设获得圆圈所示的测量结果,在选择实线所示的初始图案的情况下,使用虚线示出校正的初始图案。
时间序列图案的重新选择
然后,将使用图5描述通过血糖水平预测设备10重新选择时间序列图案。图5是示出根据本实施例的通过血糖水平预测设备重新选择时间序列图案的处理的流程图。
如图5所示,初始地,在血糖水平预测设备10中,设置条件确定单元14确定自图案选择单元11选择时间序列图案开始是否已经度过设置时间(步骤B1)。
如果步骤B1确定的结果指示还没有度过设置时间,则设置条件确定单元14进入待机状态。另一方面,如果步骤B1确定的结果指示已经度过设置时间,则设置条件确定单元14确定在设置时间段内存储在测量值数据库25中的数据数量是否大于或等于设置值(例如,20条)(步骤B2)。
如果步骤B2确定的结果指示数据数量小于设置值,则执行步骤B4。另一方面,如果步骤B2确定的结果指示数据数量大于或等于设置值,则设置条件确定单元14确定未校正的初始图案与测量值之间的误差是否在设置范围内(例如,±10%)(步骤B3)。
如果步骤B3确定的结果指示未校正的初始图案与测量值之间的误差没有在设置范围内,则执行步骤B4。另一方面,如果步骤B3确定的结果指示未校正的初始图案与测量值之间的误差在设置范围内,则设置条件确定单元14结束处理。
在步骤B4,图案选择单元11确定是否经由操作接受单元23已经新输入空腹血糖水平和餐后血糖水平。如果步骤B4的结果指示没有新输入空腹血糖水平和餐后血糖水平,则执行步骤B6。
另一方面,如果步骤B4的结果指示已经新输入空腹血糖水平和餐后血糖水平,则图案选择单元11基于新输入的血糖水平再次选择最适合用户30的时间序列图案(步骤B5)。
如果在步骤B4没有新输入血糖水平或者如果已经执行步骤B5,则校正处理单元执行步骤B6至B9。其结果是,初始图案或重新选择的初始图案将是最适合用户30的图案。注意,步骤B6至B9分别与图3所示的步骤A3至A6相应。
如上所述,执行步骤B6至B9甚至在用户30健康变化的情况下也能够灵活响应。因此,甚至在健康用户30成为糖尿病患者的情况下也可以预测用户30的血糖水平。
光学测量
在此,将使用图6描述本实施例的测量设备20的操作。图6是示出本实施例的测量设备的操作的流程图。
如图6所示,在测量设备20中,控制处理单元21首先确定操作接受单元23是否已经接收用户30的测量开始操作(步骤C1)。
如果步骤C1确定的结果指示还没有接收到测量开始操作,则控制处理单元21进入待机状态。另一方面,如果步骤C1确定的结果指示已经接收到测量开始操作,则控制处理单元21将当前时间转换成自基准时间开始的度过时间t(步骤C2)。
接下来,控制处理单元21从测量值数据库25获取校正的时间序列变化图案,并且通过将计算的度过时间t作为因素计入获取的时间序列变化图案来计算血糖水平(步骤C3)。然后,控制处理单元21访问标准曲线数据库24,使用步骤C3计算的血糖水平选择最佳标准曲线,并且获取选择的标准曲线(步骤C4)。
接下来,控制处理单元21指示测量单元22执行光学测量(步骤C5)。从而测量单元22使用光照射用户30的一部分,并且接收用户30反射的反射光并将指定接收的反射光的强度的数据输出到控制处理单元21。
接下来,控制处理单元21根据步骤C5的光学测量结果计算吸光度,并且通过将计算的吸光度应用到步骤C4选择的标准曲线计算血糖水平(步骤C6)。然后,控制处理单元21将步骤C6计算的血糖水平与测量的测量日期-时间相关联地存储在测量值数据库25中(步骤C7)。
如上所述,执行步骤C1至C7能够容易选择最佳标准曲线,因此提高测量设备20的测量准确度。
计算机程序
本实施例的计算机程序仅需要使计算机执行图3所示的步骤A1至A6和图5所示的步骤B1至B9的程序。另外,在本实施例中,示例性计算机包括安装在诸如测量设备的设备中的计算机或者通用个人计算机。
可以通过在计算机中安装这种程序并执行该程序实现本实施例的血糖水平预测设备和血糖水平预测方法。在此情况下,计算机的CPU(中央处理单元)在用作图案选择单元11、校正处理单元12和设置条件确定单元14的同时执行处理。
另外,本实施例的程序可以是使计算机执行图6所示的步骤C1至C7的程序。在此情况下,可以实现本实施例的测量设备,计算机的CPU(中央处理单元)在用作控制处理单元21的同时执行处理。
注意,当时实施例的程序可以在因特网上分发,或者可以在被存储在计算机可读存储介质上的状态下提供。存储介质的具体示例包括诸如CF(紧凑型闪存(注册商标))或SD(安全数字)的通用半导体存储设备、诸如软盘的磁存储介质、或诸如CD-ROM(光盘只读存储器)的光存储介质。
尽管已经参考上述实施例描述了本发明,但是本发明不限于上述实施例。本领域的普通技术人员能够理解,在本发明的范围内,可以以多种方式修改本发明的配置和细节。
本申请要求2012年12月4日提交的第2012-265283号日本专利申请的优先权,其公开内容通过参考全部合并于此。
尽管可以通过下面描述的补充说明1至13部分或全部地表示上述实施例,但是本发明不限于下面的描述。
补充说明1
用于预测用户的血糖水平的血糖水平预测设备设置有图案选择单元,基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案选择一个图案;以及校正处理单元,使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值校正选择的图案。
补充说明2
在根据补充说明1的血糖水平预测设备中,图案选择单元除了用户空腹时的血糖水平之外使用餐后血糖水平选择图案。
补充说明3
在根据补充说明1的血糖水平预测设备中,所述多个图案的每一个包括为基准时间是用户的空腹时间的每个时隙设置的并且指定自基准时间开始的度过时间与血糖水平之间的关系的一组函数,校正处理单元将光学测量的测量时间转换成自基准时间开始的度过时间,对于多个测量值的每一个,得到测量值与通过将转换的度过时间应用到选择的图案的函数计算的值之间的残差的平方根,并且校正选择的时间序列变化图案的每个函数,从而当对平方根求和时,求和结果最小。
补充说明4
在根据补充说明1的血糖水平预测设备中,还设置有设置条件确定单元,在自选择图案开始已经度过设置时间段之后,确定通过以用户血液为目标进行血糖水平的光学测量获得的测量值是否满足设置条件,如果设置条件确定单元确定获得的测量值不满足设置条件,则图案选择单元再次执行图案选择,并且校正处理单元校正新选择的图案。
补充说明5
通过光学测量测量用户的血糖水平的测量设备设置有测量单元,执行光学测量;标准曲线数据库,对于相应血糖水平的每个值,存储将通过执行光学测量获得的测量值转换成血糖水平的标准曲线;控制处理单元,通过选择一个标准曲线并且将通过执行光学测量获得的测量值应用到选择的标准曲线来计算血糖水平;以及血糖水平预测单元,基于用户空腹时的血糖水平通过从多个预设血糖水平时间序列变化图案选择一个图案来预测用户的血糖水平,并且使用通过针对用户在多个测量日期执行光学测量获得的多个测量值校正选择的图案,在已经通过血糖水平预测单元执行图案选择和校正的情况下,控制处理单元使用校正的图案预测血糖水平,并且基于预测的血糖水平选择标准曲线。
补充说明6
用于预测用户的血糖水平的血糖水平预测方法,包括步骤:(a)基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案选择一个图案;(b)使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值校正选择的图案。
补充说明7
在根据补充说明6的血糖水平预测方法中,步骤(a)包括除了用户空腹时的血糖水平之外使用餐后血糖水平选择图案。
补充说明8
在根据补充说明6的血糖水平预测方法中,所述多个图案的每一个包括为基准时间是用户的空腹时间的每个时隙设置的并且指定自基准时间开始的度过时间与血糖水平之间的关系的一组函数,并且步骤(b)包括将光学测量的测量时间转换成自基准时间开始的度过时间,对于多个测量值的每一个,得到测量值与通过将转换的度过时间应用到选择的图案的函数计算的值之间的残差的平方根,并且校正选择的时间序列变化图案的每个函数,从而当对平方根求和时,求和结果最小。
补充说明9
在根据补充说明6的血糖水平预测方法中,还包括步骤(c)在自选择图案开始已经度过设置时间段之后,确定通过以用户血液为目标进行血糖水平的光学测量获得的测量值是否满足设置条件,如果在步骤(c)确定获得的测量值不满足设置条件,则再次执行步骤(a)和步骤(b)。
补充说明10
一种存储用于通过计算机预测用户的血糖水平的计算机程序的计算机可读存储介质,所述程序包括使计算机执行下列步骤的命令:(a)基于用户空腹时的血糖水平从多个预设血糖水平时间序列变化图案选择一个图案;以及(b)使用通过针对用户在多个测量日期执行血糖水平的光学测量获得的多个测量值校正选择的图案。
补充说明11
在根据补充说明10的计算机可读存储介质中,步骤(a)包括除了用户空腹时的血糖水平之外使用餐后血糖水平选择图案。
补充说明12
在根据补充说明10的计算机可读存储介质中,所述多个图案的每一个包括为基准时间是用户的空腹时间的每个时隙设置的并且指定自基准时间开始的度过时间与血糖水平之间的关系的一组函数,并且步骤(b)包括将光学测量的测量时间转换成自基准时间开始的度过时间,对于多个测量值的每一个,得到测量值与通过将转换的度过时间应用到选择的图案的函数计算的值之间的残差的平方根,并且校正选择的时间序列变化图案的每个函数,从而当对平方根求和时,求和结果最小。
补充说明13
在根据补充说明10的计算机可读存储介质中,所述程序还包括使计算机执行步骤(c)的命令:(c)在自选择图案开始已经度过设置时间段之后,确定通过以用户血液为目标进行血糖水平的光学测量获得的测量值是否满足设置条件,如果在步骤(c)确定获得的测量值不满足设置条件,则再次执行步骤(a)和步骤(b)。
工业实用性
根据本发明,可以在减轻血糖水平测量时用户的负担的同时正确地预测用户的血糖水平。在测量血糖水平的测量设备或医学系统中,本发明是有益的。
附图标记说明
10 血糖水平预测设备
11 图案选择单元
12 校正处理单元
13 图案数据库
14 设置条件确定单元
20 测量设备
21 控制处理单元
22 测量单元
23 操作接受单元
24 标准曲线数据库
25 测量值数据库
26 显示设备
30 用户
Claims (7)
1.一种用于预测用户的血糖水平的血糖水平预测设备,包括:
图案选择单元,所述图案选择单元基于用户空腹时的血糖水平来从多个预设血糖水平时间序列变化图案中选择一个图案;以及
校正处理单元,所述校正处理单元使用通过针对用户在多个测量日期执行血糖水平的光学测量所获得的多个测量值来校正所选择的图案,
其中,除了所述用户空腹时的血糖水平之外,所述图案选择单元还使用餐后血糖水平来选择图案,
其中,所述多个图案中的每一个包括针对基准时间是所述用户的空腹时间的每个时隙设置的并且指定在从所述基准时间开始度过的时间与血糖水平之间的关系的一组函数,并且
所述校正处理单元将所述光学测量的测量时间转换成从所述基准时间开始度过的时间,针对所述多个测量值中的每一个得到在所述测量值与通过将所转换的度过的时间应用于所述选择的图案的函数所计算的值之间的残差的平方根,并且校正所选择的时间序列变化图案的函数中的每一个,使得当对平方根求和时,和被最小化。
2.根据权利要求1所述的血糖水平预测设备,进一步包括:
设置条件确定单元,所述设置条件确定单元确定在从所述图案的选择开始已经度过设置时间段之后,通过以所述用户的血液为目标的血糖水平的所述光学测量所获得的测量值是否满足设置条件,
其中,如果设置条件确定单元确定了所获得的测量值不满足所述设置条件,则图案选择单元再次执行所述图案的选择,并且所述校正处理单元校正新选择的图案。
3.一种通过光学测量测量用户的血糖水平的测量设备,包括:
测量单元,所述测量单元执行光学测量;
标准曲线数据库,所述标准曲线数据库针对相应血糖水平的每个大小,存储用于将通过执行光学测量所获得的测量值转换成血糖水平的标准曲线;
控制处理单元,所述控制处理单元通过选择所述标准曲线中的一个并且将通过执行所述光学测量所获得的测量值应用于所选择的标准曲线来计算血糖水平;以及
血糖水平预测单元,所述血糖水平预测单元基于用户空腹时的血糖水平以及用餐后血糖水平,通过从多个预设血糖水平时间序列变化图案中选择一个图案来预测所述用户的血糖水平,并且使用通过针对所述用户在多个测量日期执行所述光学测量所获得的多个测量值来校正所选择的图案,
其中,在已经通过所述血糖水平预测单元执行了所述图案的选择和校正的情况下,所述控制处理单元使用所校正的图案来预测血糖水平,并且基于所预测的血糖水平来选择所述标准曲线,
其中,所述多个图案中的每一个包括针对基准时间是所述用户的空腹时间的每个时隙设置的并且指定在从所述基准时间开始度过的时间与血糖水平之间的关系的一组函数,并且
所述血糖水平预测单元将所述光学测量的测量时间转换成从所述基准时间开始度过的时间,针对所述多个测量值中的每一个得到在所述测量值与通过将所转换的度过的时间应用于所述选择的图案的函数所计算的值之间的残差的平方根,并且校正所选择的时间序列变化图案的函数中的每一个,使得当对平方根求和时,和被最小化。
4.一种用于预测用户的血糖水平的血糖水平预测方法,包括下述步骤:
(a)基于用户空腹时的血糖水平来从多个预设血糖水平时间序列变化图案中选择一个图案;以及
(b)使用通过针对所述用户在多个测量日期执行血糖水平的光学测量所获得的多个测量值来校正所选择的图案,
其中,除了所述用户空腹时的血糖水平之外,步骤(a)包括使用餐后血糖水平来选择所述图案,
其中,所述多个图案中的每一个包括针对基准时间是所述用户的空腹时间的每个时隙设置的并且指定在从所述基准时间开始度过的时间与血糖水平之间的关系的一组函数,并且
步骤(b)包括将所述光学测量的测量时间转换成从所述基准时间开始度过的时间,针对所述多个测量值中的每一个得到在所述测量值与通过将所转换的度过的时间应用于所述选择的图案的函数所计算的值之间的残差的平方根,并且校正所选择的时间序列变化图案的函数中的每一个,使得当对平方根求和时,和被最小化。
5.根据权利要求4所述的血糖水平预测方法,进一步包括下述步骤:
(c)确定在从所述图案的选择开始已经度过设置时间段之后,通过以所述用户的血液为目标的血糖水平的所述光学测量所获得的测量值是否满足设置条件,
其中,如果在步骤(c)中确定了所获得的测量值不满足所述设置条件,则再次执行步骤(a)和步骤(b)。
6.一种存储用于通过计算机预测用户的血糖水平的计算机程序的计算机可读存储介质,所述程序包括使计算机执行下述步骤的命令:
(a)基于用户空腹时的血糖水平来从多个预设血糖水平时间序列变化图案中选择一个图案;以及
(b)使用通过针对所述用户在多个测量日期执行血糖水平的光学测量所获得的多个测量值来校正所选择的图案,
其中,除了所述用户空腹时的血糖水平之外,步骤(a)包括使用餐后血糖水平来选择所述图案,
其中,所述多个图案中的每一个包括针对基准时间是所述用户的空腹时间的每个时隙设置的并且指定在从所述基准时间开始度过的时间与血糖水平之间的关系的一组函数,并且
步骤(b)包括将所述光学测量的测量时间转换成从所述基准时间开始度过的时间,针对所述多个测量值中的每一个得到在所述测量值与通过将所转换的度过的时间应用于所述选择的图案的函数所计算的值之间的残差的平方根,并且校正所选择的时间序列变化图案的函数中的每一个,使得当对平方根求和时,和被最小化。
7.根据权利要求6所述的计算机可读存储介质,
其中,所述程序还包括使计算机执行下列步骤的命令:
(c)确定在从所述图案的选择开始已经度过设置时间段之后,通过以所述用户的血液为目标的血糖水平的所述光学测量所获得的测量值是否满足设置条件,
其中,如果在步骤(c)中确定了所获得的测量值不满足所述设置条件,则再次执行步骤(a)和步骤(b)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012265283A JP5511033B1 (ja) | 2012-12-04 | 2012-12-04 | 血糖値予測装置、測定装置、血糖値予測方法、及びプログラム |
JP2012-265283 | 2012-12-04 | ||
PCT/JP2013/079441 WO2014087768A1 (ja) | 2012-12-04 | 2013-10-30 | 血糖値予測装置、測定装置、血糖値予測方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104838415A CN104838415A (zh) | 2015-08-12 |
CN104838415B true CN104838415B (zh) | 2018-04-10 |
Family
ID=50883195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380063886.8A Expired - Fee Related CN104838415B (zh) | 2012-12-04 | 2013-10-30 | 血糖水平预测设备、测量设备、血糖水平预测方法和计算机可读存储介质 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10123749B2 (zh) |
EP (1) | EP2930682A4 (zh) |
JP (1) | JP5511033B1 (zh) |
KR (1) | KR20150082455A (zh) |
CN (1) | CN104838415B (zh) |
SG (1) | SG11201504149QA (zh) |
WO (1) | WO2014087768A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108352193A (zh) * | 2015-10-30 | 2018-07-31 | 日本电气方案创新株式会社 | 血糖值预测装置、血糖值预测方法及计算机能够读取的记录介质 |
US10320219B2 (en) | 2016-02-26 | 2019-06-11 | Microsoft Technology Licensing, Llc | Dynamic power control circuit |
KR102497849B1 (ko) | 2016-05-09 | 2023-02-07 | 삼성전자주식회사 | 분석물질 농도 예측 방법 및 장치 |
EP3504652B1 (en) * | 2016-08-25 | 2024-02-28 | Novo Nordisk A/S | Starter kit for basal insulin titration |
MA46993A (fr) | 2016-11-29 | 2019-10-09 | Novo Nordisk As | Trousse de départ pour titrage de taux de base |
CN108283486B (zh) * | 2017-01-09 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 测量数据的处理方法及装置 |
CN107576703A (zh) * | 2017-10-12 | 2018-01-12 | 天津科技大学 | 一种基于模糊系统的家用血糖仪 |
KR102498121B1 (ko) | 2017-11-20 | 2023-02-09 | 삼성전자주식회사 | 생체정보 추정 장치 및 방법 |
KR20200127470A (ko) | 2019-05-02 | 2020-11-11 | 삼성전자주식회사 | 개인화된 생체 정보 보정 장치 및 방법 |
CN117582222B (zh) * | 2024-01-18 | 2024-03-29 | 吉林大学 | 信息化血糖监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000503556A (ja) * | 1996-02-12 | 2000-03-28 | ノキア モービル フォーンズ リミティド | 患者の血液サンプルの血糖値測定と予測による患者の健康状態のモニター方法 |
JP2001188772A (ja) * | 1999-12-28 | 2001-07-10 | Ishikawajima Harima Heavy Ind Co Ltd | プラントの需要予測方法及びその装置 |
JP2001212144A (ja) * | 2000-01-31 | 2001-08-07 | Toshiba Corp | 超音波診断装置及び超音波画像化方法 |
JP2001221803A (ja) * | 2000-02-09 | 2001-08-17 | Omron Corp | 糖代謝能力判定装置 |
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
CN1422136A (zh) * | 2000-03-29 | 2003-06-04 | 弗吉尼亚大学专利基金会 | 用于从自监控数据估计糖尿病中血糖控制的方法,系统,和计算机程序产品 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11296598A (ja) | 1998-04-07 | 1999-10-29 | Seizaburo Arita | 血糖値の予測システム及び予測方法並びにこの方法を記録した記録媒体 |
JP2001212114A (ja) | 2000-02-02 | 2001-08-07 | Matsushita Electric Ind Co Ltd | 血糖計 |
US20030208113A1 (en) * | 2001-07-18 | 2003-11-06 | Mault James R | Closed loop glycemic index system |
JP3931638B2 (ja) | 2001-11-15 | 2007-06-20 | 松下電工株式会社 | 生体成分の定量装置 |
JPWO2006009199A1 (ja) * | 2004-07-21 | 2008-05-01 | 松下電器産業株式会社 | 血糖値管理システム |
KR101347008B1 (ko) | 2007-06-27 | 2014-01-02 | 에프. 호프만-라 로슈 아게 | 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 |
US20100174553A1 (en) | 2008-12-24 | 2010-07-08 | Medtronic Minimed, Inc. | Diabetes Therapy Management System |
-
2012
- 2012-12-04 JP JP2012265283A patent/JP5511033B1/ja active Active
-
2013
- 2013-10-30 KR KR1020157014662A patent/KR20150082455A/ko not_active Application Discontinuation
- 2013-10-30 SG SG11201504149QA patent/SG11201504149QA/en unknown
- 2013-10-30 US US14/648,339 patent/US10123749B2/en not_active Expired - Fee Related
- 2013-10-30 EP EP13861338.5A patent/EP2930682A4/en not_active Withdrawn
- 2013-10-30 CN CN201380063886.8A patent/CN104838415B/zh not_active Expired - Fee Related
- 2013-10-30 WO PCT/JP2013/079441 patent/WO2014087768A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000503556A (ja) * | 1996-02-12 | 2000-03-28 | ノキア モービル フォーンズ リミティド | 患者の血液サンプルの血糖値測定と予測による患者の健康状態のモニター方法 |
JP2001188772A (ja) * | 1999-12-28 | 2001-07-10 | Ishikawajima Harima Heavy Ind Co Ltd | プラントの需要予測方法及びその装置 |
JP2001212144A (ja) * | 2000-01-31 | 2001-08-07 | Toshiba Corp | 超音波診断装置及び超音波画像化方法 |
JP2001221803A (ja) * | 2000-02-09 | 2001-08-17 | Omron Corp | 糖代謝能力判定装置 |
CN1422136A (zh) * | 2000-03-29 | 2003-06-04 | 弗吉尼亚大学专利基金会 | 用于从自监控数据估计糖尿病中血糖控制的方法,系统,和计算机程序产品 |
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
Also Published As
Publication number | Publication date |
---|---|
KR20150082455A (ko) | 2015-07-15 |
CN104838415A (zh) | 2015-08-12 |
JP2014109984A (ja) | 2014-06-12 |
EP2930682A4 (en) | 2016-09-07 |
US20150297144A1 (en) | 2015-10-22 |
JP5511033B1 (ja) | 2014-06-04 |
WO2014087768A1 (ja) | 2014-06-12 |
EP2930682A1 (en) | 2015-10-14 |
US10123749B2 (en) | 2018-11-13 |
SG11201504149QA (en) | 2015-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104838415B (zh) | 血糖水平预测设备、测量设备、血糖水平预测方法和计算机可读存储介质 | |
Turicchi et al. | Weekly, seasonal and holiday body weight fluctuation patterns among individuals engaged in a European multi-centre behavioural weight loss maintenance intervention | |
Mittleman et al. | Exchangeability in the case-crossover design | |
Sundbom et al. | High acquisition rate and internal validity in the Scandinavian Obesity Surgery Registry | |
Bago d’Uva et al. | Education-related inequity in healthcare with heterogeneous reporting of health | |
Shields et al. | Bias in self-reported estimates of obesity in Canadian health surveys: an update on correction equations for adults. | |
Bann et al. | Physical activity across adulthood in relation to fat and lean body mass in early old age: findings from the Medical Research Council National Survey of Health and Development, 1946–2010 | |
Allin et al. | Measuring socioeconomic differences in use of health care services by wealth versus by income | |
Matthews et al. | Best practices for using physical activity monitors in population-based research | |
EP1859729A1 (en) | Lifestyle improvement support system and lifestyle improvement support method | |
Kunz | Psychometric properties of the EQ-5D in a study of people with mild to moderate dementia | |
JP5830466B2 (ja) | 所定の将来の期間内における患者の低血糖現象の発生の可能性を観測するための方法、そのためのシステム及びそのためのコンピュータで実行させるためのプログラム | |
Sekimoto et al. | Supplier-induced demand for chronic disease care in Japan: multilevel analysis of the association between physician density and physician-patient encounter frequency | |
Richardson et al. | Country-level welfare-state measures and change in wellbeing following work exit in early old age: evidence from 16 European countries | |
Fletcher et al. | Estimating the value added of attending physicians on patient outcomes | |
Tosi et al. | Accuracy of applications to monitor food intake: Evaluation by comparison with 3-d food diary | |
Peabody et al. | Frequency and criticality of diagnoses in family medicine practices: from the National Ambulatory Medical Care Survey (NAMCS) | |
US20150095042A1 (en) | High/low blood glucose risk assessment systems and methods | |
Nahhas et al. | An update of the statistical methods underlying the FELS method of skeletal maturity assessment | |
DK2568402T3 (en) | Assay system for performing an assay of measured blood glucose values and a method for using the assay system | |
Smeets et al. | Does stress consistently favor habits over goal-directed behaviors? Data from two preregistered exact replication studies | |
Tan et al. | Difference in striae periodicity of Heilongjiang and Singaporean Chinese Teeth | |
Yassin | Accuracy of Demirjian’s four methods of dental age estimation in a sample of Saudi Arabian population | |
JP5911113B2 (ja) | 測定装置 | |
JP2007122115A (ja) | 医療機関情報提供システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20191030 |
|
CF01 | Termination of patent right due to non-payment of annual fee |