CN106456067A - 基于数据和背景的故障判别和响应处理 - Google Patents

基于数据和背景的故障判别和响应处理 Download PDF

Info

Publication number
CN106456067A
CN106456067A CN201580030133.6A CN201580030133A CN106456067A CN 106456067 A CN106456067 A CN 106456067A CN 201580030133 A CN201580030133 A CN 201580030133A CN 106456067 A CN106456067 A CN 106456067A
Authority
CN
China
Prior art keywords
fault
signal
sensor
data
clinical
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.)
Pending
Application number
CN201580030133.6A
Other languages
English (en)
Inventor
S.J.范斯利克
N.C.巴瓦拉朱
S.博姆
L.N.鲍曼
M.J.伊斯特斯
A.加西亚
A.U.卡马思
A.A.帕尔
T.A.佩泽
A.L.拉克-戈默
D.荣
D.B.舍思
P.C.辛普森
D.索科尔夫斯基
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.)
Dexcom Inc
Original Assignee
Dexcom Inc
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 Dexcom Inc filed Critical Dexcom Inc
Priority to CN202211028991.5A priority Critical patent/CN115349856A/zh
Publication of CN106456067A publication Critical patent/CN106456067A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—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
    • A61B5/01—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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/14542—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 blood gases
    • 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
    • A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
    • 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
    • A61B5/1468—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 chemical or electrochemical methods, e.g. by polarographic means
    • A61B5/1473—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 chemical or electrochemical methods, e.g. by polarographic means 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
    • A61B5/1486—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 enzyme electrodes, e.g. with immobilised oxidase
    • A61B5/14865—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 enzyme electrodes, e.g. with immobilised oxidase invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
    • 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
    • A61B5/4833—Assessment of subject's compliance to treatment
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/72—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
    • A61B5/72—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • 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
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • 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
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • 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
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • 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
    • A61B2560/0266—Operational features for monitoring or limiting apparatus function
    • A61B2560/0276—Determining malfunction
    • 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
    • A61B2560/04—Constructional details of apparatus
    • A61B2560/0475—Special features of memory means, e.g. removable memory cards
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A61M2205/3584—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver using modem, internet or bluetooth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A61M2205/3592—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver using telemetric means, e.g. radio or optical transmission
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration

Abstract

此处所公开的系统和方法提供用以判别在分析物传感器和系统中遇到的故障类型的方式，且进一步提供用以基于传感器数据、临床背景信息和关于患者或患者的环境的其他数据而响应地处理此类所判别的故障的方式。所述系统和方法因此采用临床背景来检测和/或响应于与分析物传感器系统相关联的错误或故障，且判别所述故障类型及其根本原因，尤其在故障动力学可显得类似于生理系统的动力学时，强调判别所述故障且提供适当的响应处理的重要性。因此，所公开的所述系统和方法考虑所述患者的健康状况或状态的背景来确定如何响应于所述故障。

Description

基于数据和背景的故障判别和响应处理
技术领域
本发明的实施例涉及连续分析物监测，且具体来说，涉及连续分析物监测系统内的故障判别和响应处理。
背景技术
糖尿病是胰腺不能产生足够的胰岛素(I型或胰岛素依赖型)和/或胰岛素无效(II型或非胰岛素依赖型)的疾病。在糖尿病状态下，患者或用户遭受高血糖，高血糖可导致与小血管的恶化相关联的大量生理混乱，例如，肾功能衰竭、皮肤溃疡或眼睛玻璃体出血。低血糖反应(低血糖)可由无意中超剂量的胰岛素，或在正常剂量的胰岛素或降糖剂伴随着巨大的锻炼或食物摄取量不足之后诱发。
常规上，糖尿病患者携带有自监测血糖(SMBG)监测器，这通常要求让人难受的手指刺扎方法。归因于舒适度和便利性的缺乏，糖尿病患者通常每天仅测量他的或她的血糖水平两次到四次。遗憾的是，此类时间间隔散开得太远，以致于糖尿病患者可能太晚发现高血糖或低血糖状况，有时会招致危险的副作用。基于常规的方法，不仅糖尿病患者不大可能及时知晓危险状况来对其进行中和，而且他或她还可能将不知道他的或她的血糖值是正在上升(变高)还是下降(变低)。因此，糖尿病人可能无法作出受过训练的胰岛素治疗决策。
一些糖尿病人用来监测他们的血糖的另一种装置是连续分析物传感器，例如连续血糖监测器(CGM)。CGM通常包含侵入性地、微创或非侵入性地放置的传感器。所述传感器测量身体内的给定分析物(例如，血糖)的浓度，且产生原始信号，所述原始信号是由与所述传感器相关联的电子器件产生。所述原始信号被转换为在显示器上呈现的输出值。通过转换原始信号而产生的输出值通常以向用户提供有意义的信息的一种形式表达，且以那种形式，用户会对分析熟悉，例如以mg/dL表达的血糖。
以上论述假设电子器件接收到可靠且真实的原始信号。在一些情况下，会遇到故障或错误，且信号不再可靠且真实。检测此类故障或错误的现有技术方法一般是“一刀切”方法，系统对故障或错误的响应就是如此。
可能会以若干方式导致故障或错误。举例来说，故障或错误可与主体内的生理活动(例如，代谢反应)相关联，或在传感器安放于主体环境中时还可与所述传感器的体内部分相关联。故障或错误还可与患者的控制内的瞬时事件相关联，或与环绕装置的外部环境相关联。还看到其他此类故障或错误。
另外，在血糖监测的情况下，在血糖水平和图案在不同患者间变化且甚至在一位患者内在不同日子间变化时，噪声可难以从较大的血糖摆动中进行区分。类似地，举例来说，对在一个特定时间具有稳定血糖的患者最好的解决方案可能不是对具有或几乎具有低血糖或高血糖的同一或不同患者最好的解决方案。
发明内容
本发明的实施例具有若干特征，这些特征中的仅一者不单独承担它们的所要属性。在不限制由所附权利要求书表达的本发明的实施例的范围的情况下，现在将简要地论述它们的更突出的特征。在考虑此论述之后，且尤其在阅读标题为“具体实施方式”的章节之后，将理解本发明的实施例的特征如何提供本文中所描述的优点。
根据本发明的原理的系统和方法了解到，临床背景有关于检测和/或响应于与分析物传感器系统相关联的错误或故障。根据本发明的原理的系统和方法进一步理解到，临床背景有关于判别故障类型及其根本原因，尤其在故障动力学可显得类似于血糖动力学时，强调判别故障且提供适当的响应处理的重要性。因此，所公开的系统和方法进一步考虑患者的健康状况或状态的背景来确定如何响应于故障。以此方式，临床背景添加临床风险的知识要素(疾病状态的剧烈性)来解译传感器数据，且因此来处理和显示传感器数据。
在第一方面中，提供一种用于判别连续体内分析物监测系统中的故障类型的方法，其包含：从分析物监测器接收信号；接收临床背景数据；对照临床背景准则来评估临床背景数据以确定临床背景信息；基于来自分析物监测器的所接收的信号和临床背景信息两者而判别故障类型；以及至少基于所判别的故障类型而执行响应处理。
在第二方面中，提供一种用于判别连续体内分析物监测系统中的故障类型的方法，其包含：从分析物监测器接收信号；接收临床背景数据；对照临床背景准则来评估临床背景数据以确定临床背景信息；仅基于所接收的信号而判别故障类型；基于所判别的故障类型和所确定的临床背景信息而执行响应处理。
在第三方面中，提供一种用于响应于连续体内分析物监测系统中的故障而执行响应处理的方法，其包含：从分析物监测器接收信号；接收临床背景数据；对照临床背景准则来评估所接收的临床背景数据以确定临床背景信息；至少基于所接收的信号和所确定的临床背景信息而执行响应处理。
在第四方面中，提供一种用于判别连续体内分析物监测系统中的故障类型的方法，其包含：从分析物监测器接收信号；接收临床背景数据；将临床背景数据变换为临床背景信息；基于来自分析物监测器的所接收的信号和临床背景信息两者而判别故障类型；以及至少基于所判别的故障类型而执行响应处理。
在第五方面中，提供一种用于判别连续体内分析物监测系统中的故障类型的方法，其包含：从分析物监测器接收信号；对照故障判别准则来评估所接收的信号以确定故障信息；确定临床背景信息；基于故障信息和临床背景信息两者而判别故障类型；以及至少基于所判别的故障类型而执行响应处理。
上述方面的实施方案可包含以下各者中的一或多者。判别可包含基于所接收的信号、临床背景信息或两者而对故障进行分类。判别可包含基于所接收的信号、临床背景信息或两者而对故障进行分类，且其中对故障进行分类包含将故障分类为传感器环境故障或系统错误/人为故障。判别可包含将故障分类为传感器环境故障，且进一步包含将故障子分类为挤压故障或早期创伤响应故障。判别可包含确定所接收的信号或所接收的数据是否匹配或满足预定准则。判别可包含使用基于时间的技术、基于频率的技术或基于小波的技术来分析信号。判别可包含原始信号分析、残差化信号分析、图案分析，和/或慢对快取样。判别可包含将所接收的信号投影到多个模板上，每个模板对应于一故障模式。判别可包含可变性分析或模糊逻辑分析。所接收的临床背景数据可选自由以下各者组成的群组：年龄、人体测量数据、当前对患者操作的药物、与准则相比较的温度、患者的故障历史、患者的活动水平、患者的锻炼水平、患者与血糖监测器的交互水平、血糖信号值的图案、临床血糖值及其导数、患者血糖水平在一时间段内的范围、患者血糖水平维持在一范围内的持续时间、患者血糖状态、血糖紧迫性指数、当日时间，或压力。所述方法可进一步包含处理信号，例如，其中处理从信号移除噪声或对噪声进行滤波。所述方法可进一步包含接收额外信号，例如传感器温度信号、阻抗信号、氧气信号、压力信号，或背景信号。临床背景信息可对应于关于患者的排除在与分析物监测器相关联的传感器处测量的信号值的数据。
临床背景准则可包含选自由以下各者组成的群组的参数的预定义值或范围：当前对患者操作的药物、温度、患者的故障历史、患者的活动水平、患者的锻炼水平、患者与血糖监测器的交互水平、血糖信号值的图案、临床血糖值及其导数、患者血糖水平在一时间段内的范围、患者血糖水平维持在一范围内的持续时间、患者血糖状态、血糖紧迫性指数、当日时间，或压力。临床背景数据可包含温度，临床背景准则可包含温度的图案，评估可将临床背景信息确定为用户在传感器部位处与水接触，且判别故障类型可包含将故障类型判别为进水。临床背景数据可包含患者活动水平或当日时间，临床背景准则可包含患者活动水平的图案，评估可将临床背景信息确定为用户在挤压传感器部位，且判别故障类型可包含将故障类型判别为挤压。临床背景数据可包含自植入以来的时间，临床背景准则可包含可能出现浸渍且恢复故障的自植入以来的时间范围，评估可将临床背景信息确定为最近植入传感器，且判别故障类型可包含将故障类型判别为浸渍且恢复故障。临床背景数据可包含临床血糖值，以及选自由以下各者组成的群组的数据：年龄、人体测量数据、活动、锻炼、数据的临床使用，或患者与监测器的交互。
响应处理可包含向用户提供显示，显示包含警告、提醒、警报、置信度指示符、值范围、预测值，或空白屏。执行响应处理可包含调整所接收的信号的滤波水平。执行响应处理可包含基于所接收的信号而执行未来信号值的预测。执行响应处理可包含执行自诊断例程。执行响应处理可包含执行补偿步骤。执行响应处理可包含从第一治疗模式切换到第二治疗模式。
在第六方面中，提供一种用于执行以上方法中的任一者的系统。
在第七方面中，提供一种大体上如说明书和/或图式中所展示和/或所描述的装置。
在第八方面中，提供一种大体上如说明书和/或图式中所展示和/或所描述的方法。
在第九方面中，提供一种用于监测与生理状况相关联的数据的电子装置，其包含：连续分析物传感器，其中连续分析物传感器被配置成大体上连续地测量主体内的分析物浓度，且提供与主体内的分析物浓度相关联的连续传感器数据；以及处理器模块，其被配置成执行大体上如说明书和/或图式中所展示和/或所描述的方法。分析物可为血糖。
在第十方面中，提供一种用于将药剂投递到主体的电子装置，所述装置包含：药剂投递装置，其被配置成将药剂投递到主体，其中药剂投递装置可操作地连接到连续分析物传感器，其中连续分析物传感器被配置成大体上连续地测量主体内的分析物浓度，且提供与主体内的分析物浓度相关联的连续传感器数据；以及处理器模块，其被配置成执行大体上如说明书和/或图式中所展示和/或所描述的方法。分析物可为血糖且药剂可为胰岛素。
为了易于理解所描述的特征，将连续血糖监测用作以下阐释的部分。将了解，所描述的系统和方法适用于例如分析物的其他连续监测系统。举例来说，所论述的特征可用于以下各者的连续监测：乳酸、游离脂肪酸、锻炼期间的心率、抗IgG麦胶蛋白、胰岛素、胰高血糖素、移动跟踪、生育能力、热量摄取、水合、盐度、汗水/汗液(应力)、酮、脂联素、肌钙蛋白、汗液，和/或体温。在血糖监测用作实例的情况下，可代替监测状况的这些替代实例中的一或多者。
所公开的各种方面的实施例的特征中的任一者适用于所识别的所有方面和实施例。另外，一实施例的特征中的任一者可以任何方式部分地或完全地与本文中所描述的其他实施例独立地组合，例如，一个、两个或三个或更多实施例可为可整体地或部分地组合的。此外，可使各种方面的实施例的特征中的任一者对其他方面或实施例来说是任选的。方法的任何方面或实施例可由另一方面或实施例的系统或设备执行，且系统的任何方面或实施例可被配置成执行另一方面或实施例的方法。
附图说明
现在将详细论述本发明的实施例，其中强调突出有利的特征。这些实施例描绘在附图中所展示的新颖且非显而易见的故障判别和响应处理系统和方法，附图仅用于说明性目的。这些图式包含以下各图，其中相同标号指示相同部分：
图1A是一个实施例中的血糖传感器的分解透视图；
图1B是说明在一个实施例中形成分析物传感器的体内部分的多个层的透视图示意图；
图1C是说明分析物传感器的所形成的体内部分的侧视图示意图。
图2是说明一个实施例中的传感器电子器件的框图；
图3A到图3D分别是第一、第二、第三和第四实施例中的接收器的示意图；
图4是说明一个实施例中的接收器电子器件的框图；
图5是根据本发明的原理的方法的流程图；
图6A是根据本发明的原理的方法的更详细流程图，其尤其展示信号的类型以及执行响应信号处理的方法；图6B到图6D是指示噪声滤波的类型的标绘图。
图7是指示温度对噪声的影响的标绘图；
图8A到图8D是指示各种类型的故障的标绘图，所述故障例如为挤压(A)、参考电极耗尽(B)、噪声的存在(C)，以及由非生理行为判别的传感器故障(D)；
图9A和图9B说明慢对快取样；
图10A到图10D说明用于在噪声确定中应用模糊逻辑的流程图和标绘图；
图11说明各种类型的临床背景信息；
图12A到图12C说明故障判别和响应处理的第一机制的方面；
图13A到图13C说明故障判别和响应处理的第二机制的方面；
图14A到图14B说明故障判别和响应处理的第三机制的方面；
图15是根据本发明的原理的另一示范性方法的流程图；
图16说明用于故障判别的一个分类方案；
图17说明用于故障判别的另一分类方案；
图18说明用于故障判别的又一分类方案；
图19是根据本发明的原理的另一示范性方法的流程图；
图20是用于响应处理中的查找表；
图21是用于响应处理中的另一表；
图22说明响应信号处理的类型；
图23A到图23B说明基于信号和临床背景的选择性滤波；图23C说明用于使用模糊逻辑的模糊隶属函数；
图24说明展现挤压故障的信号；
图25说明展现“浸渍且恢复”故障的信号；
图26是根据本发明的原理的另一示范性方法的流程图；
图27说明展现“淋浴尖峰”的信号；
图28说明展现挤压故障的另一信号；
图29A到图29B说明展现进水故障的信号；
图30说明展现寿命终止噪声的信号；
图31说明展现浸渍且恢复故障的另一信号；
图32说明存在滞后误差的信号；
图33A到图33D说明展现挤压故障的另一信号；
图34A到图34C说明通过模板产生和匹配进行故障判别的流程图和用于所述故障判别中的信号；
图35A到图35C说明相对于模板来评估信号的若干实例；
图36说明具有集成力传感器的传输器；以及
图37说明使用线性回归进行预测或预报。
具体实施方式
定义
为了促进对优选实施例的理解，下文定义若干术语。
如本文中所使用的术语“分析物”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指可进行分析的生物流体(例如，血液、组织液、脑脊髓液、淋巴流体或尿液)中的物质或化学成分。分析物可包含天然出现的物质、人工物质、代谢物和/或反应产物。在一些实施例中，用于由传感器头、装置和方法进行测量的分析物是分析物。然而，还预期其他分析物，包含但不限于：羧基凝血酶原；酰基肉碱；腺嘌呤磷酸核糖转移酶；腺苷脱氦酶；白蛋白；甲胎蛋白；氨基酸组分(精氨酸(Krebs循环)、组氦酸/尿刊酸、高半胱氦酸、苯丙氨酸/酪氨酸、色氦酸)；雄甾烯二酮；安替比林；阿拉伯糖醇对映体；精氦酸酶；苯甲酰爱康宁(可卡因)；生物素酶；生物喋呤；c-反应蛋白；肉毒碱；肌肽酶；CD4；铜蓝蛋白；鹅去氧胆酸；氯喹；胆固醇；胆碱酯酶；共轭1-β羟基胆酸；皮质醇；肌酸激酶；肌型肌酸激酶同工酶；环孢素A；d-青霉胺；脱乙基氯喹；硫酸脱氢表雄甾酮；DNA(乙酰化物多态性、醇脱氢酶、α1-抗胰蛋白酶、囊性纤维化、Duchenne/Becker肌营养不良症、分析物-6-磷酸脱氢酶、血红蛋白A、血红蛋白S、血红蛋白C、血红蛋白D、血红蛋白E、血红蛋白F、D-Punjab、β-地中海贫血、乙型肝炎病毒、HCMV、HIV-1、HTLV-1、Leber遗传性视神经病变、MCAD、RNA、PKU、间日疟原虫、性分化、21-脱氧皮质醇)；去丁基卤泛群；二氢蝶啶还原酶；白喉/破伤风抗毒素；红细胞精氨酸酶；红细胞原卟啉；酯酶D；脂肪酸/酰基甘氨酸；游离β-人绒毛膜促性腺激素；游离红细胞卟啉；游离甲状腺素(FT4)；游离三碘甲状腺原氦酸(FT3)；富马基乙酰乙酸酶；半乳糖/半乳糖-1-磷酸；半乳糖-1-磷酸尿苷转移酶；庆大霉素；分析物-6-磷酸脱氢酶；谷胱甘肽；谷胱甘肽过氧化物酶；甘氨胆酸；糖化血红蛋白；卤泛群；血红蛋白变体；氨基己糖苷酶A；人红细胞羧酸酐酶I；17-α-羟孕酮；次黄嘌呤磷酸核糖转移酶；免疫反应性胰蛋白酶；乳酸；铅；脂蛋白((a)、B/A-1、β)；溶菌酶；甲氟喹；奈替米星；苯巴比妥；苯妥英；植烷/降植烷酸；孕酮；催乳素；氨酰基脯氨酸二肽酶；嘌呤核苷磷酸化酶；奎宁；反三碘甲状腺原氨酸(rT3)；硒；血清胰脂肪酶；西梭霉素；生长调节素C；特异性抗体(腺病毒、抗核抗体、抗ζ抗体、虫媒病毒、奥耶斯基氏病病毒、登革热病毒、麦地那龙线虫、细茅立棘球绦虫、溶组织内阿米巴、肠道病毒、十二指肠贾第虫、幽门螺杆菌、乙型肝炎病毒、疱疹病毒、HIV-1、IgE(特应性疾病)、流感病毒、杜氏利什曼原虫、菜姆病、麻疹/腮腺炎/风疹、麻风分枝杆菌、肺炎支原体、肌红蛋白、旋盘尾丝虫、副流感病毒、恶性疟原虫、脊髓灰质炎病毒、绿脓假单胞菌、呼吸道合胞病毒、立克次体(恙虫病)、曼氏血吸虫、刚地弓形虫、梅毒螺旋体、克氏锥虫/让氏锥虫、水痘带状疱疹病毒、班氏吴策线虫、黄热病病毒)；特异性抗原(乙型肝炎病毒、HIV-1)；琥珀酰丙酮；磺胺多辛；茶碱；促甲状腺素(TSH)；甲状腺素(T4)；甲状腺素结合球蛋白；微量元素；转铁蛋白；UDP-半乳糖-4-表异构酶；尿素；尿卟啉原I合成酶；维生素A；白血球；以及锌原卟啉。在某些实施例中，血液或组织液中天然出现的盐、糖、蛋白、脂肪、维生素和激素也可构成分析物。分析物可以天然存在于生物流体中，例如代谢产物、激素、抗原、抗体，和类似者。替代地，可将分析物引入到体内，例如，用于成像的造影剂、放射性同位素、化学剂、氟碳基合成血，或药物或制药组合物，包含但不限于胰岛素；乙醇；大麻(大麻毒品、四氢大麻酚、印度大麻)；吸入剂(氧化亚氮、亚硝酸戊酯、亚硝酸丁酯、含氯烃、烃)；可卡因(霹雳可卡因)；兴奋剂(安非他命、甲基安非他命、利他林、赛洛特、苯甲恶嗪、苄甲苯丙胺、PreState、邻氯苯丁胺、Sandrex、苯双甲吗啉)；镇静剂(巴比妥类药物、甲喹酮、安定药，例如安定、利眠宁、眠尔通、舒宁、甲丁双脲、赛诺菲)；致幻剂(苯环利定、麦角酸、墨斯卡灵、佩奥特碱、赛洛西宾)；麻醉药(海洛因、可待因、吗啡、鸦片、杜冷丁、扑热息痛、复方羟可酮、氢可酮镇咳药、芬太尼、达尔丰、镇痛新、止泻宁)；化合致幻药(芬太尼、杜冷丁、安非他命、甲基安非他命以及苯环利定的类似物，例如摇头丸)；同化激素；以及尼古丁。药物和制药组合物的代谢产物也是预期分析物。还可以分析身体内产生的例如神经化学物质或其他化学物质等分析物，例如抗坏血酸、尿酸、多巴胺、去甲肾上腺素、3-甲氧酪胺(3MT)、3，4-二羟基苯乙酸(DOPAC)、高香草酸(HVA)、5-羟色胺(5HT)和5-羟吲哚乙酸(FHIAA)。
如本文中所使用的术语“ROM”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指只读存储器，其为制造成具有固定内容的一种类型的数据存储装置。ROM广泛到足以包含例如EEPROM，其为电可擦除可编程只读存储器(ROM)。
如本文中所使用的术语“RAM”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指对不同位置的存取的次序不影响存取速度的数据存储装置。RAM广泛到足以包含例如SRAM，其为只要供应电力便将数据位保持在其存储器中的静态随机存取存储器。
如本文中所使用的术语“A/D转换器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指将模拟电信号转换为对应数字信号的硬件和/或软件。
如本文中所使用的术语“微处理器”和“处理器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指使用响应于和处理驱动计算机的基础指令的逻辑电路来执行算术和逻辑运算的计算机系统、状态机和类似者。
如本文中所使用的术语“RF收发器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指用于传输和/或接收信号的射频传输器和/或接收器。
如本文中所使用的术语“抖动”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指高于和低于由电路和/或环境影响导致的普遍存在的噪声所导致的均值的噪声；可在信号脉冲的振幅、相位时序或宽度方面看到抖动。
如本文中所使用的术语“原始数据流”和“数据流”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指与来自血糖传感器的测得血糖直接相关的模拟或数字信号。在一个实例中，原始数据流是由A/D转换器从模拟信号(例如，电压或安培数)转换的以“计数”为单位的数字数据，且包含表示血糖浓度的一或多个数据点。所述术语广义上涵盖来自大体上连续血糖传感器的多个时间间隔数据点，其包括以以下范围的时间间隔取得的个别测量：一秒的分数直至例如1分钟、2分钟或5分钟或更长。在另一实例中，原始数据流包含积分数字值，其中数据包含表示在一时间段内求平均的血糖传感器信号的一或多个数据点。
如本文中所使用的术语“校准”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指确定传感器数据与对应参考数据之间的关系的过程，其可用于实时地在利用或不利用参考数据的情况下将传感器数据转换为大体上等效于参考数据的有意义的值。在一些实施例中，即，在连续分析物传感器中，可随着传感器数据与参考数据之间的关系例如归因于敏感度、基线、输送、新陈代谢和类似者的改变而发生改变而随时间更新或重新校准(在工厂、实时地和/或回顾地)校准。
如本文中所使用的术语“经校准数据”和“经校准数据流”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指已使用函数(例如，转换函数)从其原始状态变换为另一状态以向用户提供有意义的值的数据。
如本文中所使用的术语“经平滑数据”和“经滤波数据”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指已例如通过执行原始数据流的移动平均值而进行修改以使其更平滑且更连续和/或移除或减少特异点的数据。数据滤波器的实例包含FIR(有限脉冲响应)、IIR(无限脉冲响应)、移动平均值滤波器，和类似者。
如本文中所使用的术语“平滑”和“滤波”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指已例如通过执行原始数据流的移动平均值而对一组数据进行修改以使其更平滑且更连续或移除或减少特异点。
如本文中所使用的术语“算法”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指例如通过使用计算机处理将信息从一个状态变换为另一状态时所涉及的计算过程(例如，程序)。
如本文中所使用的术语“匹配数据对”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指与大体上时间对应传感器数据(例如，一或多个传感器数据点)匹配的参考数据(例如，一或多个参考分析物数据点)。
如本文中所使用的术语“计数”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指数字信号的测量单位。在一个实例中，以计数测得的原始数据流与电压直接相关(例如，由A/D转换器转换)，所述电压与来自工作电极的电流直接相关。在另一实例中，以计数测得的对电极电压与电压直接相关。
如本文中所使用的术语“传感器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指可用以对分析物进行量化的装置的组件或区。
如本文中所使用的术语“针”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指用于将材料引入到身体中或从身体移除材料的细长器械。
如本文中所使用的术语“血糖传感器”和“用于确定生物样本中的血糖量的部件”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指可用以对血糖进行量化的任何机构(例如，酶促或非酶促)。举例来说，一些实施例利用含有葡萄糖氧化酶的膜，所述葡萄糖氧化酶催化氧气和葡萄糖到过氧化氢和葡糖酸盐的转化，如以下化学反应所说明：
葡萄糖+O2→葡萄糖盐+H2O2
因为对于所代谢的每个葡萄糖分子，在共反应剂O2和产物H2O2中存在比例改变，所以可使用电极来监测共反应剂或产物的当前改变以确定葡萄糖浓度。
如本文中所使用的术语“可操作地连接”和“可操作地链接”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指一或多个组件以允许组件之间的信号传输的方式链接到另一(另一些)组件。举例来说，可使用一或多个电极来检测样本中的血糖量且将所述信息转换为信号，例如电信号或电磁信号；随后可以将所述信号传输到电子电路。在这种情况下，所述电极“可操作地链接”到所述电子电路。这些术语广泛到足以包含无线连接性。
术语“确定”涵盖广泛多种动作。举例来说，“确定”可包含推算、计算、处理、导出、研究、查找(例如，在表、数据库或另一数据结构中查找)、断定和类似者。而且，“确定”可包含接收(例如，接收信息)、存取(例如，在存储器中存取数据)和类似者。而且，“确定”可包含解析、选择、挑选、计算、导出、建立和/或类似者。
术语“消息”涵盖用于传输信息的广泛多种格式。消息可包含信息的机器可读聚合，例如XML文档、固定字段消息、逗号分隔消息或类似者。在一些实施方案中，消息可包含用于传输信息的一或多个表示的信号。虽然以单数形式叙述，但将理解，消息可以多个部分被构成/传输/存储/接收/等。
如本文中所使用的术语“大体上”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指较大程度上但不一定完全地是所指定的那样。
如本文中所使用的术语“近端”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指接近参考点，例如原点、附接点，或身体的中线。举例来说，在血糖传感器的一些实施例中，其中血糖传感器是参考点，在血糖传感器近端定位的氧传感器将与血糖传感器接触或在其附近，使得共享它们的相应局部环境(例如，血糖水平、氧、pH、温度等类似)。
如本文中所使用的术语“远端”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指与参考点间隔得相对较远，所述参考点例如为原点、附接点，或身体的中线。举例来说，在血糖传感器的一些实施例中，其中血糖传感器是参考点，在血糖传感器远端定位的氧传感器将充分远离血糖传感器，使得不共享它们的相应局部环境(例如，血糖水平、氧、pH、温度等可能不类似)。
如本文中所使用的术语“域”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指膜系统的区，其可为层、均匀或非均匀梯度(例如，膜的各向异性区)，或膜的一部分。
如本文中所使用的术语“体内部分”和“远端部分”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指适应于插入到主体的活体中和/或存在于所述活体内的装置(例如，传感器)的部分。
如本文中所使用的术语“体外部分”和“近端部分”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指适应于保持在和/或存在于主体的活体之外的装置(例如，传感器)的部分。
如本文中所使用的术语“电化电池”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指将化学能转化为电能的装置。此类电池通常由保持彼此隔开且与电解质溶液接触的两个或更多电极组成。所述电极到直流电源的连接致使所述电极中的一者带负电且另一者带正电。电解质中的正离子迁移到负电极(阴极)且在那里与一或多个电子组合，从而丢失它们电荷的部分或全部，且变为具有较低电荷的新离子或中性原子或分子；同时，负离子迁移到正电极(阳极)且将一或多个电子转移到正电极，从而也变为新离子或中性粒子。所述两个过程的整体效应是将电子从负离子转移到正离子的化学反应。
如本文中所使用的术语“电位”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指电路中的两个点之间的电位差，其为电流流动的原因。
如本文中所使用的术语“主体”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指哺乳动物，特别是人类。
如本文中所使用的术语“连续分析物(或血糖)传感器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指连续地或不断地测量分析物的浓度(例如，以从一秒的分数直至例如1分钟、2分钟或5分钟或更长时间的范围的时间间隔)的装置。在一个示范性实施例中，连续分析物传感器是血糖传感器，例如美国专利6,001,067中所描述的血糖传感器，所述美国专利以全文引用的方式并入本文中。
如本文中所使用的术语“连续分析物(或血糖)感测”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指连续地或不断地执行分析物的监测(例如，以从一秒的分数直至例如1分钟、2分钟或5分钟或更长时间的范围的时间间隔)的时段。
如本文中所使用的术语“参考分析物监测器”、“参考分析物仪”和“参考分析物传感器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指测量分析物的浓度且可用作连续分析物传感器的参考的装置，例如，自监测血糖仪(SMBG)可用作连续分析物传感器的参考以用于比较、校准和类似者。
如本文中所使用的术语“感测膜”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指可渗透或半渗透膜，其可包括两个或更多域且通常由具有数微米厚度或更多的材料构造而成，其为氧可渗透的且可为或可不为血糖可渗透的。在一个实例中，感测膜包括固定化葡萄糖氧化酶，其使得能够发生化学反应来测量葡萄糖的浓度。
如本文中所使用的术语“生理可行”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指根据人类和/或动物中的血糖数据的连续研究所获得的生理参数。举例来说，约4mg/dL/min到5mg/dL/min的人类体内血糖的最大持续改变率以及约0.1mg/dL/min/min到0.2mg/dL/min/min的最大改变率加速度被认为是生理可行极限。这些极限之外的值将被认为是非生理的且有可能是例如信号错误的结果。作为另一实例，血糖的改变率在每日血糖范围的极大值和极小值处是最低的，其为患者治疗中的最大风险区域，因此可基于血糖数据的连续研究将生理可行改变率设置在极大值和极小值处。作为另一实例，已观测到，某一时间段(例如，约20分钟到30分钟)内沿着血糖信号数据流的任何点处的曲线的形状的最佳解是直线，其可用于设置生理极限。
如本文中所使用的术语“缺血”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指归因于到部位(例如，传感器)的循环的阻碍而引起的血液供应的局部和暂时缺乏。可例如由于血液供应的机械阻碍(例如，动脉变窄或断裂)而导致缺血。
如本文中所使用的术语“系统噪声”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指不想要的电子或扩散相关噪声，其可包含例如高斯、运动相关、闪烁、动力，或其他白噪声。
如本文中所使用的术语“噪声”、“噪声事件”、“噪声片段”、“信号假影”、“信号假影事件”和“信号假影片段”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指由大体上非血糖相关导致的信号噪声，例如干扰物质、宏观或微观运动、缺血、pH改变、温度改变、压力、应力，或甚至机械、电和/或生物化学噪声的未知源。在一些实施例中，信号假影是瞬时的且特征在于比系统噪声高的振幅，且被描述为“具有比系统噪声高的振幅的瞬时非血糖相关信号假影”。在一些实施例中，由于比率限制(或比率增加)现象而导致噪声。在一些情形中，噪声源是未知的。
如本文中所使用的术语“恒定噪声”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指随时间保持相对恒定的噪声信号的分量。在一些实施例中，恒定噪声可被称作“背景”或“基线”。举例来说，人体内发现的某些电活性化合物是相对恒定的因素(例如，主体的生理的基线)。在一些情形中，恒定背景噪声可随时间缓慢漂移(例如，增加或减小)，然而，此漂移不需要不利地影响传感器的准确度，例如，这是因为传感器可被校准和重新校准和/或漂移被测量和补偿。
如本文中所使用的术语“非恒定噪声”、“非恒定背景”、“噪声事件”、“噪声片段”、“信号假影”、“信号假影事件”和“信号假影片段”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指相对非恒定(例如，瞬时和/或间歇)的背景信号的分量。举例来说，某些电活性化合物归因于主体的摄入、代谢、创伤愈合和其他机械、化学和/或生物化学因素)而相对非恒定，其在传感器信号上产生间歇(例如，非恒定)“噪声”，使用标准校准方程式可难以对其“校准好”(例如，因为信号的背景不保持恒定)。
如本文中所使用的术语“低噪声”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指大体上减小信号振幅的噪声。
如本文中所使用的术语“高噪声”和“高尖峰”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指大体上增加信号振幅的噪声。
如本文中所使用的术语“频率含量”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指谱密度，包含信号内含有的频率及其功率。
如本文中所使用的术语“谱密度”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指电磁辐射的给定带宽的功率谱密度是此带宽中的总功率除以指定带宽。通常以瓦/赫兹(W/Hz)来表达谱密度。
如本文中所使用的术语“计时安培分析法”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指用于电化学分析或用于确定电极反应的动力学和机制的电化学测量技术。向电化电池的工作(或参考)电极强加快速上升的电位脉冲，且依据时间而测量流过此电极的电流。
如本文中所使用的术语“脉冲安培计检测”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指电化学流电池和控制器，其施加电位且监测由电化学反应产生的电流。所述电池可包含处于不同施加电位的一个或多个工作电极。多个电极可被布置成使得它们独立地(并联配置)或依序地(串联配置)面向层析流。
如本文中所使用的术语“线性回归”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指找到一条线，其中一组数据具有来自那条线的最小测量。此算法的副产物包含斜率、y截距和R平方值，其确定测量数据与那条线拟合的程度。
如本文中所使用的术语“非线性回归”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指以非线性方式拟合一组数据以描述响应变量与一或多个解释变量之间的关系。
如本文中所使用的术语“均值”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指观测的总和除以观测的数目。
如本文中所使用的术语“截尾均值”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指在消除或减少(例如，截尾)变量尾部中的极端值(例如，高值或低值)之后取得的均值。截尾均值通过丢掉尾部上的某一百分比的值而补偿对极端值的敏感度。举例来说，50％的截尾均值是上四分位数与下四分位数之间的值的均值。90％的截尾均值是在截断值的最低和最高的5％之后的值的均值。在一个实例中，从数据集移除两个最高和两个最低的测量，且随后对剩余的测量求平均。
如本文中所使用的术语“非递归滤波器”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指将移动平均值用作输入和输出的方程式。
如本文中所使用的术语“递归滤波器”和“自回归算法”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指包含先前平均值作为下一经滤波输出的部分的方程式。更特定来说，产生一系列观测，借此每个观测的值部分地取决于直接在其前面的观测的值。一个实例是回归结构，其中滞后的响应值担任独立变量。
如本文中所使用的术语“信号估计算法因子”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指使用历史和/或目前信号数据流值来估计未知信号数据流值的一或多个算法。举例来说，信号估计算法因子可包含一或多个算法，例如线性或非线性回归。作为另一实例，信号估计算法因子可包含可应用于一个算法的一或多组系数。
如本文中所使用的术语“变化”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指从点、线或数据集的散度或改变量。在一个实施例中，所估计的分析物值可具有例如包含在表示基于已知生理图案的可能性范围的所估计的分析物值之外的值范围的变化。
如本文中所使用的术语“生理参数”和“生理边界”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指根据人类和/或动物中的生理数据的连续研究所获得的参数。举例来说，约4mg/dL/min到5mg/dL/min的人类体内血糖的最大持续改变率以及约0.1mg/dL/min2到0.2mg/dL/min2的最大改变率加速度被认为是生理可行极限；这些极限之外的值将被认为是非生理的。作为另一实例，血糖的改变率在每日血糖范围的极大值和极小值处是最低的，其为患者治疗中的最大风险区域，因此可基于血糖数据的连续研究将生理可行改变率设置在极大值和极小值处。作为另一实例，已观测到，某一时间段(例如，约20分钟到30分钟)内沿着血糖信号数据流的任何点处的曲线的形状的最佳解是直线，其可用于设置生理极限。这些术语广泛到足以包含用于任何分析物的生理参数。
如本文中所使用的术语“测得分析物值”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指已由分析物传感器测量分析物数据的时间段内的分析物值或分析物值集合。所述术语广泛到足以包含在传感器和/或接收器中的数据处理(例如，数据平滑、校准和类似者)之前或之后的来自分析物传感器的数据。
如本文中所使用的术语“所估计的分析物值”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指已从测得分析物值在算法上外插的分析物值或分析物值集合。
如本文中所使用的术语“干扰素”和“干扰物质”是广义术语且将向所属领域的一般技术人员给予其普通和惯用含义(且不限于特殊或定制含义)，且此外是非限制地指干扰传感器中的对所关注分析物的测量以产生不正确地表示分析物浓度的信号的效应和/或物质。在电化学传感器的一个实例中，干扰物质是具有氧化可能性的化合物，其与待测量的分析物的化合物重叠，进而产生错误肯定信号。
如本文中所采用，以下缩写适用：Eq和Eqs(当量)；mEq(毫当量)；M(克分子)；mM(毫克分子)μM(微克分子)；N(正常)；mol(摩尔)；mmol(毫摩尔)；μmol(微摩尔)；nmol(毫微摩尔)；g(克)；mg(毫克)；μg(微克)；Kg(千克)；L(升)；mL(毫升)；dL(分升)；μL(微升)；cm(厘米)；mm(毫米)；μm(微米)；nm(纳米)；h和hr(小时)；min.(分钟)；s和sec.(秒)；℃(摄氏度)。
系统的概述/一般描述
血糖传感器可使用任何系统或方法来提供指示主体中的血糖浓度的数据流。所述数据流通常是经变换以向用户(例如，可能正在使用传感器的患者或医生)提供血糖的有用值的原始数据信号。然而，可能会发生故障，其可通过信号的分析、临床背景的分析或两者而可检测到。此类故障需要判别来区分故障与实际测得信号行为，并且用于响应信号处理，其可根据故障而变化。因此，采用适当的故障判别和响应处理技术。
血糖传感器
血糖传感器可为能够测量血糖浓度的任何装置。下文描述一个示范性实施例，其利用可植入式血糖传感器。然而，应理解，本文中所描述的装置和方法可应用于能够检测血糖浓度且提供表示血糖浓度的输出信号的任何装置。
本文中公开的示范性实施例涉及血糖传感器的使用，所述血糖传感器测量血糖浓度或指示另一分析物的浓度或存在的物质。在一些实施例中，血糖传感器是连续装置，例如皮下、体外透皮、经皮、非侵入性、眼内和/或血管内(例如，静脉内)装置。在一些实施例中，所述装置可分析多个间歇血样。血糖传感器可使用任何血糖测量方法，包含酶促、化学、物理、电化学、光学、光化学、基于荧光、分光光度、光谱(例如，光学吸收光谱、拉曼光谱等)、测定偏振、测热、离子电渗疗法、放射性测量和类似者。
血糖传感器可使用任何已知检测方法，包含侵入性、微创和非侵入性感测技术，从而提供指示主体内的分析物浓度的数据流。所述数据流通常是用以向用户(例如，可能正在使用传感器的患者或保健专业人士(例如，医生))提供分析物的有用值的原始数据信号。
虽然针对能够测量主体内的血糖浓度的血糖传感器描绘了很多描述和实例，但实施例的系统和方法可应用于任何可测量的分析物、上述适当分析物的列表。下文所描述的一些示范性实施例利用可植入式血糖传感器。然而，应理解，本文中所描述的装置和方法可应用于能够检测分析物浓度且提供表示分析物浓度的输出信号的任何装置。
在一个优选实施例中，分析物传感器是可植入式血糖传感器，例如参考美国专利6,001,067和美国专利公布案第US-2005-0027463-A1号所描述的可植入式血糖传感器。在另一优选实施例中，分析物传感器是经皮血糖传感器，例如参考美国专利公布案第US-2006-0020187-A1号所描述的经皮血糖传感器。在又其他实施例中，传感器被配置成植入在主体血管中或在体外，例如美国专利公布案第US-2007-0027385-A1号、美国专利公布案第US-2008-0119703-A1号、美国专利公布案第US-2008-0108942-A1号和美国专利公布案第US-2007-0197890-A1号中所描述。在一个替代性实施例中，举例来说，连续血糖传感器包括例如Say等人的美国专利6,565,509中所描述的经皮传感器，在另一替代性实施例中，举例来说，连续血糖传感器包括例如参考Bonnecaze等人的美国专利6,579,690或Say等人的美国专利6,484,046所描述的皮下传感器。在另一替代性实施例中，举例来说，连续血糖传感器包括例如参考Colvin等人的美国专利6,512,939所描述的可再装皮下传感器。在另一替代性实施例中，举例来说，连续血糖传感器包括例如参考Schulman等人的美国专利6,477,395所描述的血管内传感器。在另一替代性实施例中，连续血糖传感器包括例如参考Mastrototaro等人的美国专利6,424,847所描述的血管内传感器。
以下描述和实例参考图式描述本发明的实施例。在图式中，参考数字标记本发明的实施例的元件。下文结合对应图式特征的论述而重现这些参考数字。
系统的具体描述
图1A是包括利用安培计电化学传感器技术来测量血糖浓度的可植入式血糖传感器10的一个示范性实施例的分解透视图。在此示范性实施例中，主体12和头部14收容电极16和传感器电子器件，下文参看图2对其更详细地描述。三个电极16可操作地连接到传感器电子器件(图2)且被由夹子19附接的感测膜17和生物界面膜18覆盖。
在一个实施例中，突出穿过头部14的三个电极16包含铂工作电极、铂对电极，和银/氯化银参考电极。电极的顶端与电解质相(未图示)接触，所述电解质相为安置在感测膜17与电极16之间的自由流动流体相。感测膜17包含酶，例如葡萄糖氧化酶，其覆盖电解质相。生物界面膜18覆盖感测膜17，且至少部分地用于保护传感器10免受外力影响，所述外力可导致感测膜17的环境应力破裂。
在所说明的实施例中，提供对电极以平衡由在工作电极处测量的物质产生的电流。在基于葡萄糖氧化酶的血糖传感器的情况下，在工作电极处测量的物质是H2O2。葡萄糖氧化酶根据以下反应而催化氧和葡萄糖到过氧化氢和葡萄糖盐的转化：
葡萄糖+O2→葡萄糖盐+H2O2
可监测H2O2的改变以确定葡萄糖浓度，这是因为对于所代谢的每个葡萄糖分子，在产物H2O2中存在比例改变。通过环境氧、酶产生的H2O2，或对电极处的其他可还原物质的还原来平衡工作电极对H2O2的氧化。根据葡萄糖氧化酶反应所产生的H2O2进一步在工作电极的表面处反应且产生两个质子(2H+)、两个电子(2e-)，和一个氧分子(O2)。
图1B到图1C说明包含细长导电主体102的连续分析物传感器100的体内部分的一个示范性实施例。细长导电主体102包含芯110(参看图1B)和至少部分地环绕所述芯的第一层112。所述第一层包含工作电极(例如，位于窗口106中)和膜108，其位于工作电极上方、被配置和布置成用于多轴弯曲。在一些实施例中，芯和第一层可为单种材料(例如，铂)。在一些实施例中，细长导电主体是至少两种材料的复合物，例如两种导电材料的复合物，或至少一种导电材料和至少一种非导电材料的复合物。在一些实施例中，细长导电主体包括多个层。在某些实施例中，存在至少两个同心(例如，环形)层，例如由第一材料形成的芯和由第二材料形成的第一层。然而，在一些实施例中可包含额外层。在一些实施例中，所述层是同轴的。
细长导电主体可长且细，但具柔性且坚韧。举例来说，在一些实施例中，细长导电主体的最小尺寸小于约0.1英寸、0.075英寸、0.05英寸、0.025英寸、0.01英寸、0.004英寸或0.002英寸。虽然在图1B到图1C中将细长导电主体说明为具有圆形横截面，但在其他实施例中，细长导电主体的横截面可为卵形、矩形、三角形、多面体、星形、C形、T形、X形、Y形、不规则，或类似者。在一个实施例中，将导线电极用作芯。可向此类包覆电极添加两个额外导电层(例如，其中提供介入绝缘层以用于电隔离)。导电层可包括任何合适的材料。在某些实施例中，可需要在聚合物或其他粘合剂中采用包括导电粒子(即，导电材料的粒子)的导电层。
在某些实施例中，用于形成细长导电主体的材料(例如，不锈钢、钛、钽、铂、铂-铱、铱、某些聚合物，和/或类似者)可坚韧且硬，且因此抗折断。举例来说，在一些实施例中，细长导电主体的最终抗张强度是从约80kPsi到约500kPsi。在另一实例中，在一些实施例中，细长导电主体的杨氏模量是从约160GPa到约220GPa。在又一实例中，在一些实施例中，细长导电主体的抗屈强度是从约60kPsi到约2200MPa。在一些实施例中，传感器的小直径向这些材料且因此向传感器整体提供(例如，赋予、赋能)柔性。因此，传感器可承受由周围组织向其施加的重复力。在一些实施例中，传感器的疲劳寿命是在约0.125英寸的弯曲半径下从约28°到约110°的至少1,000次挠曲循环。
除了提供结构支撑、弹性和柔性之外，在一些实施例中，芯110(或其组件)还为从工作电极到传感器电子器件(图2)的电信号提供电传导，其在本文中的其他地方予以描述。在一些实施例中，芯110包括导电材料，例如不锈钢、钛、钽、导电聚合物，和/或类似者。然而，在其他实施例中，芯是由非导电材料形成，例如非导电聚合物。在又其他实施例中，芯包括多个材料层。举例来说，在一个实施例中，芯包含内芯和外芯。在另一实施例中，内芯是由第一导电材料形成，且外芯是由第二导电材料形成。举例来说，在一些实施例中，第一导电材料是不锈钢、钛、钽、导电聚合物、合金，和/或类似者，且第二导电材料是被选择成在芯与第一层之间提供电传导和/或将第一层附接到芯(例如，在第一层是由不良好地附接到芯材料的材料形成的情况下)的导电材料。在另一实施例中，芯是由非导电材料(例如，非导电金属和/或非导电聚合物)形成，且第一层是导电材料，例如不锈钢、钛、钽、导电聚合物，和/或类似者。芯和第一层可为单种(或相同)材料，例如铂。所属领域的技术人员应了解，额外配置是可能的。
再次参看图1B到图1C，在一些实施例中，第一层112是由导电材料形成。工作电极是第一层的表面的暴露部分。因此，第一层是由被配置成为工作电极提供合适的电活性表面的材料形成，材料例如是但不限于铂、铂-铱、金、钯、铱、石墨、碳、导电聚合物、合金和/或类似者。
如图1B到图1C所说明，第二层104环绕第一层112的至少一部分，进而界定工作电极的边界。在一些实施例中，第二层104用作绝缘体且是由绝缘材料形成，例如聚酰亚胺、聚氨酯、聚对二甲苯，或任何其他已知的绝缘材料。举例来说，在一个实施例中，第二层安置在第一层上且被配置成使得经由窗口106暴露工作电极。在另一实施例中，提供包含芯、第一层和第二层的细长导电主体，且通过移除第二层的一部分而暴露(即，形成)工作电极，进而形成窗口106，通过所述窗口来暴露工作电极的电活性表面(例如，第一层的暴露表面)。在一些实施例中，通过移除第二和(任选地)第三层的一部分而暴露工作电极(例如，形成窗口106)。可通过手、准分子激光作用、化学蚀刻、激光烧蚀、喷砂或类似者来执行从细长导电主体的一或多个层移除涂层材料(例如，以暴露工作电极的电活性表面)。
在一些实施例中，传感器进一步包括第三层114，其包括导电材料。在其他实施例中，第三层可包括参考电极，参考电极可由施加到第二层(例如，绝缘体)上的含银材料形成。含银材料可包含多种材料中的任一者，且可呈各种形式，例如，Ag/AgCl聚合物浆糊、涂料、基于聚合物的导电混合物，和/或市售的墨水。可使用涂浆/浸渍/涂布步骤(例如使用模具计量的浸涂过程)来处理第三层。在一个示范性实施例中，通过对主体浸涂(例如，使用弯液面涂布技术)且随后将主体抽取穿过模具以将涂层计量到精确厚度而将Ag/AgCl聚合物浆糊施加到细长主体。在一些实施例中，使用多个涂布步骤以将涂层累积到预定厚度。此类抽取方法可用于形成图1B所描绘的装置中的电极中的一或多者。
在一些实施例中，Ag/AgCl溶液或浆糊中的银粒可具有对应于最大粒子尺寸的平均粒子大小，其小于约100微米，或小于约50微米，或小于约30微米，或小于约20微米，或小于约10微米，或小于约5微米。Ag/AgCl溶液或浆糊中的氯化银粒可具有对应于最大粒子尺寸的平均粒子大小，其小于约100微米，或小于约80微米，或小于约60微米，或小于约50微米，或小于约20微米，或小于约10微米。可以按重量计从约0.01∶1到2∶1或从约0.1∶1到1∶1的氯化银粒∶银粒的比率合并银粒和氯化银粒。银粒和氯化银粒随后与载体(例如，聚氨酯)混合以形成溶液或浆糊。在某些实施例中，Ag/AgCl组分占总的Ag/AgCl溶液或浆糊的重量的约10％到约65％，或约20％到约50％，或约23％到约37％。在一些实施例中，Ag/AgCl溶液或浆糊具有从约1厘泊或约500厘泊，或约10厘泊或约300厘泊，或约50厘泊或约150厘泊的粘度(在周围条件下)。
在一些实施例中，Ag/AgCl粒子混合到例如聚氨酯、聚酰亚胺或类似者的聚合物中，以形成用于参考电极的含银材料。在一些实施例中，例如通过使用烤炉或其他固化过程来将第三层固化。在一些实施例中，在参考电极和/或第三层上方施加其中具有导电粒子(例如，碳粒子)的流体可渗透聚合物覆盖物。在一些实施例中，绝缘材料层定位在含银材料的一部分上方。
在一些实施例中，细长导电主体进一步包括位于芯与第一层之间的一或多个中间层。举例来说，在一些实施例中，中间层是绝缘体、导体、聚合物和/或粘合剂。
预期到，可以控制Ag/AgCl层的厚度与绝缘体(例如，聚氨酯或聚酰亚胺)层的厚度之间的比率，以便允许将不导致有缺陷的传感器(例如，归因于由切割进多于既定深度的深度进而无意地暴露电活性表面的蚀刻过程产生的缺陷)的某一误差裕度(例如，由蚀刻过程产生的误差裕度)。此比率可取决于所使用的蚀刻过程的类型(无论是激光烧蚀、喷砂、化学蚀刻，还是某一其他蚀刻方法)而不同。在执行激光烧蚀以移除Ag/AgC1层和聚氨酯层的一个实施例中，Ag/AgCl层的厚度与聚氨酯层的厚度的比率可为从约1∶5到约1∶1，或从约1∶3到约1∶2。
在某一实施例中，芯包括非导电聚合物，且第一层包括导电材料。此类传感器配置可有时提供降低的材料成本，这在于其使用廉价材料取代了通常昂贵的材料。举例来说，在一些实施例中，芯是由非导电聚合物形成，例如尼龙或聚酯细丝、线或绳，可使用导电材料对其涂布和/或镀敷，例如铂、铂-铱、金、钯、铱、石墨、碳、导电聚合物，和其合金或组合。
如图1C所说明，传感器还包含覆盖工作电极的至少一部分的膜108。
在安置外部绝缘体的实施例中，可剥离或以其他方式移除(例如，通过手、准分子激光作用、化学蚀刻、激光烧蚀、喷砂或类似者)经涂布组合件的一部分以暴露电活性表面。替代地，可在沉积绝缘体之前掩蔽电极的一部分以便维持所暴露的电活性表面区域。
在一些实施例中，穿过绝缘材料形成径向窗口以暴露工作电极的周向电活性表面。另外，暴露参考电极的电活性表面的若干区段。举例来说，可在沉积外部绝缘层期间掩蔽电活性表面的若干区段，或在沉积外部绝缘层之后蚀刻所述区段。在一些应用中，细胞对传感器的细胞攻击或迁移可尤其在植入第一天之后导致装置的敏感度或功能降低。然而，当所暴露的电活性表面围绕传感器周向地分布(例如，与在径向窗口中一样)时，可充分地分布用于反应的可用表面区域以便使传感器的局部细胞侵入对传感器信号的影响降到最小。替代地，可例如通过仅剥离经涂布组合件结构的一例而形成切向暴露的电活性窗口。在其他替代性实施例中，可在经涂布组合件结构的尖端处提供所述插口，使得在传感器的尖端处暴露电活性表面。还可采用用于暴露电活性表面的其他方法和配置。
在一些替代性实施例中，额外电极可包含在组合件内，例如三电极系统(工作电极、参考电极和对电极)和额外工作电极(例如，可用于产生氧气、被配置为基线减去电极，或被配置成用于测量额外分析物的电极)。美国专利第7,081,195号、美国专利公布案第US-2005-0143635-A1号和美国专利公布案第US-2007-0027385-A1号(其中的每一者以引用的方式并入本文中)描述用于实施和使用额外工作电极、对电极和参考电极的一些系统和方法。在传感器包括两个工作电极的一个实施方案中，所述两个工作电极并置，参考电极围绕其而安置(例如，螺旋缠绕)。在提供两个或更多工作电极的一些实施例中，工作电极可沿着传感器的长度以双重、三重、四重等螺旋配置而形成(例如，环绕参考电极、绝缘杆或其他支撑结构)。可使用适当的膜系统配置所得的电极系统，其中第一工作电极被配置成测量包括血糖信号和基线信号的第一信号，且额外工作电极被配置成测量仅由基线信号组成的基线信号。在这些实施例中，第二工作电极可被配置成大体上类似于第一工作电极，但在其上未安置酶。以此方式，可从第一信号确定和减去基线信号以产生差信号，即，大体上不经受关于所述信号的基线或干扰物质中的波动的仅血糖信号，例如在美国专利公布案第US-2005-0143635-A1号、美国专利公布案第US-2007-0027385-A1号和美国专利公布案第US-2007-0213611-A1号以及美国专利公布案第US-2008-0083617-A1号中所描述，所述公布案以全文引用的方式并入本文中。
已发现，在涉及两个工作电极的一些电极系统中，即，在一些双电极系统中，工作电极可有时彼此略微不同。举例来说，两个工作电极甚至在由单个设备制造时也可在厚度或可渗透性方面略微不同，这是因为电极在制造期间对环境条件(例如，温度、湿度)的敏感度高。因此，双电极系统的工作电极可有时具有不同的扩散、膜厚度和扩散特性。因此，上述差信号(即，根据从第一信号减去基线信号而产生的仅血糖信号)可不完全准确。为减轻此问题，预期到，在一些双电极系统中，可使用一或多个膜制造两个工作电极，所述一或多个膜各自包含生物保护层，其在本文中的其他地方予以更详细地描述。
预期到，感测区可包含多种电极配置中的任一者。举例来说，在一些实施例中，除了一或多个血糖感测工作电极之外，感测区还可包含与工作电极相关联的参考电极或其他电极。在这些特定实施例中，感测区还可包含与一或多个任选的辅助工作电极相关联的单独参考电极或对电极。在其他实施例中，感测区可包含血糖感测工作电极、辅助工作电极、两个对电极(每个工作电极使用一个对电极)，和一个共享参考电极。在又其他实施例中，感测区可包含血糖感测工作电极、辅助工作电极、两个参考电极和一个共享对电极。
美国专利公布案第US-2008-0119703-A1号和美国专利公布案第US-2005-0245799-A1号描述用于在不同的身体位置使用连续传感器的额外配置。在一些实施例中，传感器被配置成用于主体内的经皮植入。在替代性实施例中，传感器被配置成用于插入到循环系统中，例如外围静脉或动脉中。然而，在其他实施例中，传感器被配置成用于插入到中央循环系统中，例如但不限于腔静脉中。在又其他实施例中，传感器可放置在体外循环系统中，例如但不限于提供对血管的体外接近的血管内接近装置、静脉输液系统、体外血液化学分析装置、诊断机、心肺机(即，用于在心脏手术期间在心脏停止时提供血液循环和氧合作用的装置)等。在又其他实施例中，传感器可被配置成可整体植入，如美国专利第6,001,067号中所描述。
图2是说明一个实施例中的传感器电子器件的一个可能配置的框图。在此实施例中，展示稳压器20，其操作地连接到电极系统，且向电极提供电压，所述电压使传感器偏压以使得能够测量指示主体(还被称作模拟部分)内的分析物浓度的电流值。在一些实施例中，稳压器包含将电流转变为电压的电阻器(未图示)。在一些替代性实施例中，提供电流到频率转换器，其被配置成例如使用电荷计数装置对测得电流进行连续积分。在所说明的实施例中，A/D转换器21将模拟信号数字化为“计数”以供处理。因此，以计数计的所得的原始数据流与由稳压器20测量的电流直接相关。
处理器模块22是控制传感器电子器件的处理的中央控制单元。在一些实施例中，处理器模块包含微处理器，然而，可使用除了微处理器之外的计算机系统来如本文中所描述而处理数据，例如，可使用ASIC用于传感器的中央处理中的一些或全部。处理器通常提供数据的半永久存储，例如，存储例如传感器标识符(ID)等数据且进行编程以处理数据流(例如，用于数据平滑和/或信号假影取代的编程，例如在本文中的其他地方更详细地所描述)。处理器另外可用于系统的高速缓冲存储器，例如，用于暂时存储最近的传感器数据。在一些实施例中，处理器模块包括存储器存储组件，例如各种类型的ROM、RAM、闪速存储器和类似者。在一个示范性实施例中，ROM 23提供数据的半永久存储，例如，存储例如传感器标识符(ID)等数据且进行编程以处理数据流(例如，用于信号假影检测和/或取代的编程，例如在本文中的其他地方所描述)。在一个示范性实施例中，RAM 24可用于系统的高速缓冲存储器，例如，用于暂时存储最近的传感器数据。
在一些实施例中，处理器模块包括数字滤波器，例如IIR或FIR滤波器，其被配置成将来自A/D转换器的原始数据流平滑。一般来说，将数字滤波器编程以对以预定时间间隔(还被称作取样率)取样的数据进行滤波。在一些实施例中，其中稳压器被配置成以离散时间间隔测量分析物，这些时间间隔确定数字滤波器的取样率。在一些替代性实施例中，其中稳压器被配置成例如使用电流到频率转换器连续地测量分析物，处理器模块可经编程从而以预定时间间隔(还被称作采集时间)向A/D转换器请求数字值。在这些替代性实施例中，由处理器获得的值归因于当前测量的连续性而有利地在采集时间内进行求平均。因此，采集时间确定数字滤波器的取样率。在优选实施例中，使用可编程采集时间配置处理器模块，即，可由用户在处理器模块的数字电路内将用于向A/D转换器请求数字值的预定时间间隔编程。从约2秒到约512秒的采集时间是优选的；然而，可将任何采集时间编程到处理器模块中。可编程的采集时间有利于优化噪声过滤、时间滞后和处理/电池电力。
优选地，处理器模块被配置成建构数据包以用于传输到外部源，例如到接收器的RF传输，如下文更详细地所描述。一般来说，数据包包括多个位，其可包含传感器ID代码、原始数据、经滤波数据，和/或错误检测或校正。处理器模块可被配置成传输原始数据和/或经滤波数据的任何组合。
电池25操作地连接到处理器22且为传感器(例如100)提供所需电力。在一个实施例中，电池是锂二氧化锰电池，然而，可使用任何适当大小和功率的电池(例如，AAA、镉-镍、锌-碳、碱性、锂、镍-金属氢化物、锂离子、锌-空气、锌-氧化汞、银-锌或气密密封)。在一些实施例中，电池是可再充电的。在一些实施例中，可使用多个电池来给系统供电。在又其他实施例中，可经由例如电感耦合向接收器经皮地供电。石英晶体26操作地连接到处理器22，且为计算机系统整体维持系统时间。
RF模块(例如RF收发器)27可操作地连接到处理器22，且将来自传感器(例如100)的传感器数据传输到接收器(参看图3和图4)。虽然此处展示RF收发器，但一些其他实施例可包含到接收器的有线而不是无线连接。第二石英晶体28提供系统时间以用于使来自RF收发器的数据传输同步。应注意，收发器27在其他实施例中可被传输器替代。然而，在一些替代性实施例中，其他机制(例如，光学、红外辐射(IR)、超声波和类似者)可用于传输和/或接收数据。
在一些实施例中，提供信号假影检测器29，其包含以下各者中的一或多者：氧检测器29a、pH检测器29b、温度检测器29c和压力/应力检测器29d，其参考信号假影和故障/错误检测和判别予以更详细地描述。应注意，在一些实施例中，信号假影检测器29是操作地连接到处理器的单独实体(例如温度检测器)，而在其他实施例中，信号假影检测器是处理器的一部分且利用来自电极的读数(例如)来检测信号故障和假影。虽然以上描述包含所有判别都发生在传感器内的一些实施例，但其他实施例提供用于检测传感器和/或接收器电子器件(例如，处理器模块)中的信号故障的系统和方法，如本文中的其他地方更详细地所描述。
接收器
图3A到图3D分别是在第一、第二、第三和第四实施例中包含其用户界面上的所估计的血糖值的表示的接收器30的示意图。接收器30包括用以接收、处理和显示来自血糖传感器(例如100)的传感器数据的系统，如本文中所描述。具体来说，接收器30可例如为移动电话类型装置，且包括用户界面，所述用户界面具有物理按钮32和显示屏34以及一或多个输入/输出(I/O)装置，例如一或多个按钮55和/或开关57，其在被激活或点击时执行一或多个功能。在所说明的实施例中，电子装置是智能电话，且显示器34包括触摸屏，所述触摸屏还充当I/O装置。在一些实施例中，用户界面还可包含键盘、扬声器和振动器。接收器或智能电话的功能还可实施为在平板计算机或类似装置上运行的应用程序内的功能。在其他实施例中，接收器可包括除了智能电话之外的装置，例如智能手表、平板计算机、微型平板计算机、手持式个人数字助理(PDA)、游戏控制台、多媒体播放器、可穿戴式装置(例如上文所描述的可穿戴式装置)、汽车或其他交通工具中的屏幕、专用接收器装置等。
图3A说明接收器30在其用户界面上展示所估计的血糖值的数值表示的第一实施例。图3B说明接收器30在其用户界面上展示所估计的血糖值和大约一小时的历史趋势数据的第二实施例。图3C说明接收器30在其用户界面上展示所估计的血糖值和大约三小时的历史趋势数据的第三实施例。图3D说明接收器30在其用户界面上展示所估计的血糖值和大约九小时的历史趋势数据的第四实施例。在一些实施例中，用户可使用物理按钮或在触摸屏界面上实施的按钮切换穿过图3A到图3D所展示的屏幕中的一些或全部。在一些实施例中，用户将能够交互地选择在他们的用户界面上显示的输出的类型。在其他实施例中，传感器输出可具有替代性配置。
图4是说明接收器(例如，智能电话、电子器件)的一个可能配置的框图。应注意，接收器可包括例如上文参考图3A到图3D所描述的配置。替代地，接收器可包括其他配置，包含桌上型计算机、膝上型计算机、个人数字助理(PDA)、服务器(在接收器本地或远程)和类似者。在一些实施例中，接收器可适应于连接(经由有线或无线连接)到桌上型计算机、膝上型计算机、PDA、服务器(在接收器本地或远程)和类似者，以便从接收器下载数据。在一些替代性实施例中，接收器和/或接收器电子器件可以一种方式被收容在传感器(例如100)内或直接连接到所述传感器，所述方式允许传感器和接收器电子器件一起直接工作和/或共享数据处理资源。因此，接收器的电子器件(或传感器和/或接收器电子器件的任何组合)可被整体称作“计算机系统”。
石英晶体40操作地连接到RF收发器41，其在一起用以接收数据流(例如，从RF收发器传输的原始数据流)且使其同步。一旦被接收，处理器42就处理所述信号，例如下文所描述。
处理器42(还被称作处理器模块)是执行处理的中央控制单元，所述处理例如为存储数据、分析数据流、校准分析物传感器数据、预测分析物值、比较所预测的分析物值与对应的测得分析物值、分析所预测的分析物值的变化、下载数据，以及通过提供分析物值、提示、消息、警告、警报和类似者来控制用户界面。处理器包含执行本文中所描述的处理的硬件和软件，例如闪速存储器提供数据的永久或半永久存储，存储例如传感器ID、接收器ID等数据，且进行编程以处理数据流(例如，用于执行预测和本文中的其他地方所描述的其他算法的编程)，且随机存取存储器(RAM)存储系统的高速缓冲存储器且有助于数据处理。
在一个示范性实施例中，处理器是微处理器，其提供处理，例如存储在ROM 43内的校准算法。ROM 43操作地连接到处理器42，且提供数据的半永久存储、存储例如接收器ID等数据，且进行编程以处理数据流(例如，用于执行校准和本文中的其他地方所描述的其他算法的编程)。在此示范性实施例中，RAM 44用于系统的高速缓冲存储器且有助于数据处理。
电池45操作地连接到处理器42且为接收器提供电力。在一个实施例中，电池是标准AAA碱性电池，然而，可使用任何适当大小和功率的电池。在一些实施例中，可使用多个电池来给系统供电。石英晶体46操作地连接到处理器42，且为计算机系统整体维持系统时间。
用户界面47包括键盘2、扬声器3、振动器4、背光5、液晶显示器(LCD 6)，和一或多个按钮7，其可实施为物理按钮或触摸屏界面上的按钮。构成用户界面47的组件提供与用户交互的控件。键盘2可例如允许输入关于他自身/她自身的信息，例如吃饭时间、锻炼、胰岛素配药，和参考血糖值。扬声器3可例如针对若干状况(例如，目前和/或预测的高血糖和低血糖状况)提供听觉信号或提醒。振动器4可例如出于上文参考扬声器所描述的原因而提供触觉信号或提醒。可例如提供背光5以辅助用户在低光状况下阅读LCD。可例如提供LCD 6以向用户提供视觉数据输出，例如图3A到图3D所说明的视觉数据输出。按钮7可例如提供切换、菜单选择、选项选择、模式选择和复位。
在一些实施例中，可在用户界面上显示提示或消息以向用户传送信息，例如对参考分析物值的请求、治疗推荐、测得分析物值与所预测的分析物值的偏差，和类似者。另外，可显示提示以通过校准或校准的问题排除来引导用户。
在一些实施方案中，连续分析物传感器系统包含可从Dexcom公司购得的用于连续地监测主体的血糖水平的Dexcom Platinum血糖传感器和传输器。
在一些实施例中，所述系统可执行各种应用程序，例如CGM应用程序，其可经由因特网和/或蜂窝式网络和类似者而下载到接收器或其他电子装置。用于各种应用程序的数据可在所述装置与一或多个其他装置/系统之间共享，且由云或网络存储装置存储和/或存储在一或多个其他装置/系统上。此CGM应用程序可包含故障判别和响应处理模块，和/或可包含足以操作故障判别与纠正功能和下文所描述的方法的处理。
对基于数据和背景的故障判别和响应处理的介绍
参看图5，流程图50说明根据本发明的原理的一般方法。所述方法一般涉及从监测装置接收信号，例如从分析物浓度监测器(例如，CGM)接收信号(步骤52)。此信号在所述信号表示若干计数且在其上发生极少或未发生显著处理的意义上可为“原始的”。所述方法还涉及接收临床背景信息(步骤54)，其一般为关于患者环境和临床设置的信息。举例来说，对于糖尿病管理，适当的临床背景信息可包含所摄入的膳食、所投递的胰岛素、患者锻炼、患者温度、临床血糖值(与原始信号值区别)，和类似者。随后基于所述信号、临床背景或两者来检测故障，且其中的一者或两者可进一步在响应处理中起作用。
适当的故障判别在防止不正确的临床血糖值方面是重要的，尤其在向用户显示时。不正确的值可致使用户采取不适当的动作，它们可降低预测算法或闭环算法的性能，且它们降低用户对他们的CGM传感器的信任。
在根据本发明的原理的方法中，随后检测、确定或判别(统称为“判别”)故障(步骤56)。可仅基于所接收的信号或基于所接收的信号和所接收的临床背景两者而判别故障。随后可进行响应处理(步骤58)，且其可基于所判别的故障和基于作为单独变量或参数的临床背景，或仅基于所判别的故障(其中临床背景在判别中起作用)。在所述方法的特殊情况下，可采用所接收的信号或所接收的信号和临床背景数据来判别故障的类别，且可基于故障的类别而进行响应处理。还将理解其他特殊情况。现在与实例一起更详细地描述这些一般原理。
所接收的信号和临床背景
如上文所提到，根据本发明的原理的系统和方法一般使故障判别和响应处理方法基于以下各者：一或多个所接收的信号，所述信号中的一者一般与例如分析物浓度(例如，血糖浓度)等原始传感器信号相关；以及关于临床背景的数据，例如关于患者的其他生理数据、关于患者环境的数据(活动水平、图案、当日时间和类似者)。下文更详细地描述这些方面中的每一者。
传感器信号分析/其他信号
图6说明所接收的信号62以及判别所述信号的方式的各方面。第一，故障判别和响应处理方法可基于原始信号64，其由传感器电极测量且呈相对于时间的计数的未经校准的数目的形式。
第二，所述方法可基于经处理的原始信号66，但其中处理与确定用于临床值确定中的分析物浓度值无关或是其开端。换句话说，处理与将原始信号计数转变为用于患者管理(例如，糖尿病管理)的有意义的单位(例如，作为以mg/dL或mmol/L表达的值)无关或仅是其开端。另一方面，经处理的原始信号未经校准且自身不可用于临床值确定。
因为可归因于非血糖相关假影而在信号中出现像差，所以执行对信号66执行的处理。简单的求平均或其他过程无法总是在不丢失信号自身中的重要的血糖浓度数据的情况下概括此类假影的信号。
与将原始信号变换为临床值无关的信号处理的一个实例包含与噪声滤波相关的处理。此类处理产生噪声已在较大或较小程度上被滤出的信号68。下文更详细地描述噪声滤波的各种方面。2012年9月4日发布的美国专利第8,260,393号中提供用于噪声滤波的特定处理步骤的细节，所述美国专利为本申请的受让人所拥有且以全文引用的方式并入本文中。
举例来说，在图6B到图6D所说明的噪声滤波的特定实施方案中，以不同的改变率不同地执行滤波以实现不同水平的平滑度。更详细来说，对于给定的所接收的信号，在一时间窗口内测量所述信号内的噪声的量值，且随后在一类似时间窗口内测量所述信号的改变率。虽然有可能通过滤波完全移除噪声误差时，但这样做会产生误差，所述误差等于所述改变率乘以经滤波延迟。因为优选的是向用户呈现平滑数据，所以可为了最大平滑度而选择可能最长的延迟。换句话说，将滤波器延迟选择为等于噪声量值除以改变率。以此方式，以最大平滑度实现最小误差。图6B和图6C说明两个实例，其具有不同的改变率，但具有相同的噪声量值。还说明所得的滤波长度。因此，在一种类型的响应处理中，基于至少一个信号特性而更改滤波器延迟，所述信号特性例如为噪声量值，以及在一些情况下是信号的改变率。
在另一实施方案中，且参看图6D，可不基于信号的准确度而是基于用户对数据质量的感知来为平滑水平设置阈值。可测量信号的特性。在一种情况下，已展示三阶导数特性(即，“加加速度”)以指示用户感知的信号质量，且是有用的特性，这是因为其可容易实时测量，尤其在频繁发生取样时，例如每30秒发生一次。可向用户显示具有变化的加加速度水平的一组信号，且用户可选择他们希望看到哪一信号，例如向所述用户投递最有信息的数据的信号。通过监测选择，可作出用户可接受或不可接受的加加速度水平的确定。甚至在此类系统中，可执行某一水平的最小滤波以满足用户对信号平滑度的预期。
除了滤波之外，还将理解与将原始信号变换为临床值无关的其他类型的信号处理。
随后使用或不使用临床背景信息和/或其他信号对所接收的信号62、原始信号64或经处理信号66进行分析以判别其中的故障，且获得结果72，其包含关于响应处理可能基于的故障的数据。现在描述分析和判别的细节。一般来说，示范性实施方案可为接收信号数据且将其与故障判别准则进行比较，以便确定或判别故障信息。
除了所接收的原始分析物(例如，血糖)电极信号之外，其他信号74还可用于判别分析中。此类其他信号包含与传感器和关联电子器件的温度、传感器和构成组件的阻抗、传感器遇到的背景噪声和类似者相关的信号。举例来说，且参看图7，说明对照时间109所标绘的曲线图101，其具有原始信号轴105和温度轴107。随着温度上升，其一个潜在效应是导致信号中的逐渐增加或减小，此增加或减小与实际血糖水平无关。说明不具有温度效应的表示实际血糖值(例如，以mg/dL计)的原始数据迹线113。还说明迹线115，此迹线表示高内部传感器温度的情况下的原始数据，所述高温度导致信号中的逐渐增加(因此导致迹线中的分离)。通过在高传感器温度与增加的信号之间建立相关性，所述相关性可用作判别分析中的输入。
作为另一实例，来自其他构成传感器(例如氧传感器)的信号可用于故障判别中。举例来说，如果因为挤压故障(下文更详细地所描述)，血糖传感器信号受到阻断，那么挤压故障也将阻断氧传感器。图8A的曲线图122中展示实例，其中相对于轴126上的时间在轴124上标绘原始信号值。与氧传感器值128一起说明原始信号值132。原始信号值132与氧传感器值128在相同时间或几乎相同时间遭受下降，从而指示挤压故障。因此，检测两个传感器上的被阻断信号会导致挤压引起故障的更大可能性。
返回参看图6，作为使用其他信号74的另一实例，来自参考电极的信号可用于故障判别方法中。举例来说，如果参考电极信号漂移或移位，那么此类漂移或移位可为参考分析物耗尽的指示。在这些情况下，由参考电极测量的值变得特别氧敏感。因此，当参考电极值漂移和/或变得高度氧敏感时，可判别参考分析物的耗尽故障。由图8B的曲线图134展示一实例，其中纵坐标表示参考电极信号，横坐标是时间，且曲线138说明从参考信号电极电位向下的逐渐漂移。在此类情况下，响应处理可包含运行电位扫描以便检测参考偏压中的移位。此类电位扫描可为例程的自诊断序列的部分，且在下文予以更详细地描述。
作为使用其他信号74的又一实例，其中采用用于药剂的可植入式泵，可从泵插入组获得数据，包含关于压力的数据。此类数据可有利地用于故障判别中。在此方面，应注意，在采用泵的情况下，瘢痕组织可能会生长，且此类生长阻碍药剂的投递。在使用移动泵内部的步进电机或起始泵内部的步进电机的移动所需的压力的快速取样或其他此类量化的情况下，可建立所需压力对瘢痕组织的量的分布图，且可针对用户使所述分布图个性化。以此方式，可形成所累积的瘢痕组织的故障分布图，且其用作故障判别的信号准则、用作额外信号，比如温度的信号。换句话说，可确定所累积的瘢痕的信号特性或模板，且当在所评估的信号中看到其时，判别瘢痕组织的故障。一旦判别故障，其就可用于调整投递和/或丸剂投递且应用于未来的投递。另外，其可用于预期阻断。
作为使用其他信号74的又一实例，可在信号或工作电极(例如，在主体内)与外部电极(例如，在皮肤上)(其可与参考电极相同或不同)之间采用与阻抗测量相关的信号。以此方式，可测量在生理环境与信号电极之间的电化学阻抗。甚至更重要的是，可将例如此类电化学阻抗的增加或减小等改变用于故障判别中。下文描述此类阻抗测量的额外细节。
接下来，将看到技术的各种类别76，以及自身各种技术的组78。根据实施方案，可采用来自类别76或来自组78的特定技术或技术群组。在大多数这些技术中，一般包含以下步骤：在考虑信号中的正态方差的情况下检测信号(或信号变换)是否与所预期或所预测的信号偏离多于预定量，且更特定来说，在以预定置信水平确定此类偏离的情况下。美国专利公布案第US-2009-0192366-A1号和美国专利公布案第US-2014-0278189-A1号中描述信号中的正态方差及其置信水平以及其计算的各方面，所述两个公布案转让给本申请的受让人且以全文引用的方式并入本文中。
类别76包含基于时间的技术82、基于频率的技术84和基于时间-频率(“小波”)的技术86。基于时间的技术82在许多情况下被视为最快。将理解，可使用一个以上技术类别执行分析。现在描述各种类型的技术。
举例来说，可执行原始信号分析88的步骤，且可在时域中或频域中执行所述步骤。此步骤可一般被视为所执行的其他步骤的前驱或是对所述其他步骤通用的。举例来说，此类原始信号分析88可包含噪声的频率的分析，这是因为某些故障导致某些相应的普遍噪声频率值，其可随后用于其确定中。以相同方式，可将噪声划分为多个二元状态，例如高振幅/低振幅、高频率/低频率，且此类二元状态可用于故障判别中。数据的平滑度或平滑度的缺乏可用于使用原始信号分析的故障判别中。举例来说，平滑度的缺乏可指示故障的存在，且反之亦然。参看图8C的曲线图142，使用噪声区段146说明原始信号值144。在所有其他因素相等的情况下，与曲线的剩余部分中相比较，更有可能在噪声区段146中发生故障。此相同确定将源自频率分析。
可通过原始信号分析来检测不与生理相关的信号改变。举例来说，血糖的生理改变率存在极大值和极小值，且如果测量到大于极大值或小于极小值的改变率，那么此类改变率可指示故障。举例来说，参看图8D的曲线图148，使用突然减小154说明原始信号值152。突然减小154可具有比生理系统中将可能或通常遇到的量值更大的量值，例如，用户中的原始信号值将未被预期展现此类下降(或相反地，高于正常生理阈值的上升)。可基于来自特定患者或组或患者的先验日期确定生理准则，且可例如针对人的正常血糖分布图进一步将生理准则个体化。因此，可将非生理明显血糖改变判别为故障。
信号假影的方向也可被考虑为原始信号分析的部分。举例来说，且如下文更详细地所描述，如果分析物浓度与噪声具有陡向下趋势，那么此类趋势可与挤压或“浸渍且恢复”的故障相关联。图8D中在由区段154指示的曲线的部分处展示一实例。类似地，如果原始信号与噪声具有陡向上趋势，那么此类趋势可与例如由于传输器接触区域进水而引起的电短路的故障相关联。
返回参看图6，还将理解与原始信号分析88相关的其他信号处理，包含涉及复杂的基于频率的分析(例如，高通滤波器、低通滤波器和匹配滤波器)的信号处理。
类似地，可执行残差信号分析92的步骤，其中相对于经滤波信号数据来分析原始信号数据。更详细来说，在涉及信号信息内容的检查或评估的用于故障判别的又一方法中，比较经滤波(例如，经平滑)数据与原始数据(例如，在传感器电子器件中或在接收器电子器件中)。在一个此类实施例中，将信号“残差”计算为经滤波数据与原始数据之间的差。举例来说，在一个时间点(或由单个原始值和单个经滤波值表示的一个时间段)，可在50，000个计数处测量经滤波数据，且可在55，500个计数处测量原始数据，这将产生5，500个计数的信号残差。在一些实施例中，当残差超过数据信号中的第一噪声(例如，信号假影)水平时，可设置表示所述水平的阈值(例如，5000个计数)。类似地，可设置表示数据信号中的第二噪声水平的第二阈值(例如，8,000个计数)。可定义额外阈值和/或噪声分类，如为所属领域的技术人员所了解。因此，可基于这些条件(例如，预定噪声水平)来执行信号滤波、处理和/或显示决策。
虽然上述实例说明基于时间点(或表示时间段的单个值)的原始数据对经滤波数据的比较来确定噪声水平或信号假影的一种方法，但预期多种替代性方法。在用于确定噪声的替代性示范性实施例中，针对持续某一时间段的噪声片段评估信号假影。举例来说，处理器(在传感器或接收器中)可被配置成寻找在预定时间段(例如，数分钟到数小时或更多)内高于预定阈值(表示噪声时间点或有噪声时间段)的某一数目的信号残差。
在一个示范性实施例中，处理器被配置成通过在预定时间段内从原始信号减去经滤波信号而确定信号残差。可通过任何已知的平滑算法(例如本文中所描述的算法，例如，3点移动平均值型滤波器)来对经滤波信号进行滤波。原始信号可包含平均值，例如，其中所述值在预定时间段内(例如，在5分钟内)予以积分。此外，应注意，预定时间段可为一时间段(例如，5分钟)的时间点或代表性数据。在一些实施例中，其中评估预定时间段的噪声片段，可通过比较信号残差与先前信号残差(例如，时间(t)＝0的残差与(t)＝5分钟的残差相比较)而获得微分。类似于上文关于信号残差所描述的阈值，可为所述微分设置一或多个阈值，借此高于预定微分阈值中的一者的一或多个微分定义特定噪声水平。在某些情形中已展示，与本文中所描述的残差测量相比较，微分测量将噪声放大且因此可对噪声片段更敏感，而不会归因于快速但是生理的改变率而增加错误肯定。因此，可由高于预定阈值的一或多个点(例如，残差或微分)定义噪声片段或噪声片段水平，且在一些实施例中是针对预定时间段。类似地，当在预定时间段中计算高于预定阈值的不同(例如，减小)数目的点时，可减小或更改噪声水平确定。
在一些实施例中，通过比较所接收的数据与经滤波数据而获得一或多个信号残差，借此可确定信号假影。在一些实施例中，如果残差大于阈值，那么确定已发生信号假影事件。在一些示范性实施例中，如果残差大于第二阈值，那么确定已发生另一信号假影事件。在一些示范性实施例中，如果残差在一时间段或数据量内大于阈值，那么确定已发生信号假影事件。在一些示范性实施例中，如果在预定时间段(或数据量)内发生高于预定阈值的预定数目的信号，那么确定已发生信号假影事件。在一些示范性实施例中，在一时间段或数据量内评估多个残差的平均值以确定是否已发生信号假影。在存在数据间隙(非连续)数据的情形中，将残差用于噪声检测可为优选的。
在一些示范性实施例中，通过比较第一残差(例如，在第一时间点)和第二残差(例如，在第二时间点)来确定微分(还被称作残差的导数)，其中当微分高于预定阈值时，确定已发生信号假影事件。在一些示范性实施例中，如果微分在一时间段(或数据量)内大于阈值，那么确定已发生信号假影事件。在一些示范性实施例中，在一时间段或数据量内计算多个微分的平均值以确定是否已发生信号假影。上文以引用的方式并入的美国专利第8,260,393号中描述了残差分析的其他细节。
再次返回到图6，还可执行图案分析94，其可导致在不存在故障的情况下测量的信号值的某些所预期或所预测的改变，且因此，如果测量到拟合图案的信号改变，那么不需要判别故障。在不使用图案分析的情况下，信号值的类似改变可充分导致错误地判别故障。相反地，如果接收到不拟合图案的信号，那么可检测到故障，且取决于信号特性和/或临床背景，可判别故障。因此，图案分析可辅助故障的判别。
更详细来说，某些信号特性或图案可指示各种故障或为各种故障的标志，且当在后续信号中看到此类信号特性或图案时，此类信号特性或图案可提供相应故障正在复发的证据。下文提供使用信号模板的实例。确定给定故障的模板，且将信号投影到所述模板上以确定所述信号有多少可归于模板波形，且因此归于与模板波形相关联的故障。下文更详细地描述此类情形。
美国专利公布案第US-2013-0035575-A1号和美国专利公布案第US-2014-0129151-A1号中提供此类图案分析技术的额外细节，所述两个公布案转让给本申请的受让人且以全文引用的方式并入本文中。
可针对信号判别而执行的另一步骤是“慢对快”取样的步骤(步骤96)。在这些技术中，以两种或更多不同取样速率同时地或依序地对数据进行取样。可一直地或仅在某些时间(例如，在“自诊断”模式期间)执行此类技术。举例来说，可以30秒间隔和以五分钟间隔两者对数据进行取样。以30秒间隔取样的数据更具粒状，且可展示与噪声成分和故障相关的特征，其从以五分钟间隔取样的数据不明显，尤其是高频率噪声成分。
举例来说，参看图9A，由实线162说明以30秒间隔取样的数据，且由虚线164说明以五分钟间隔取样的数据。沿着线162，看到时间点166的突然下降，在时间点168具有对应的突然上升。此下降和上升是“挤压”故障的特性，例如，其中用户的重量或其部分已冲击到他们的传感器和关联电子器件(下降)，且于是随后移除所述冲击(上升)。图9B说明使用慢对快取样的另一实例，其中快取样不仅可以提供用于故障判别的更好的曲线定义，而且还可以从数据收集额外特征。举例来说，每5分钟取样的数据足以知晓血糖浓度，且指示可能归因于噪声而引起的某些尖峰。然而，每30秒取样的相同数据的检查清楚地指示高频率噪声部分167的存在。因此，在注意到噪声且进行响应处理之前，使用慢和快取样两者会提供更好的噪声判别以及时间滞后的减小。使用快取样对此类高频率噪声成分的分析进一步允许准确的寿命终止检测方法、延长磨损持续时间且作出更有效的更换主张程序。下文给出寿命终止检测的另一实例。
作为信号处理的另一实例，可使用采用模糊逻辑103的步骤。此类步骤可在概念上应用于任何噪声检测方案，其中噪声检测测量噪声水平，而不是二元的或广义上分类的噪声水平方案。具体来说，在使用模糊滤波的情况下，通过自适应地将原始信号对经滤波信号进行加权以实现递增更激进或更不激进的经滤波信号，可更递增或平滑地应用滤波。模糊滤波还可应用于慢对快取样信号技术，或实际上应用于采用信号的两个不同分辨率的任何技术。可基于噪声水平和/或临床背景而应用滤波器的模糊性。
更具体来说，且如上文所提到，可在噪声管理算法中采用残差分析，包含原始值与未滤波值之间的残差(差)或增量残差，即，不同残差之间的改变。这些算法可用于估计噪声水平。在一个实施方案中，可使残差通过三个不同滤波器，例如，一个为慢移动，一个为中等移动，且一个为快移动，且基于三个不同滤波器的输出对极慢移动平均值的比率，所述算法可确定噪声状态是清洁、轻度、中等还是严重。
此类技术的一个问题是它们是二元的。在一种情况下，信号是“清洁”，且信号中的延迟或时间滞后仅与取样周期性(例如，5分钟)相关。在另一种情况下，应用滤波，且时间滞后与滤波器的取样窗口(例如10分钟)相关。对于有噪声的信号，此较长的时间滞后可成问题，尤其在用户的血糖水平正在快速下降(例如，-5mg/dL/min)的情况下。使用模糊逻辑且具体来说是模糊滤波器可如下减小此延迟。
具体来说，可通过以下方程式确定所估计的血糖值：
EGV＝(计数-基线)/斜率
其中计数＝2*α*Filter(N)+(1-α)*Raw(N)
其中Filter(N)表示经滤波信号且Raw(N)表示原始信号。α是加权因子，其在残差或增量残差较小时接近0，且在残差/增量残差较大时接近1。可通过多种连续函数中的任一者描述α，但α在许多情况下是线性的且单调增加。
α的计算可基于所使用的基础模型而变化。在每个点处，可计算绝对残差/增量残差，因此可在每个点处计算新的权重。除了绝对残差之外，还可利用其他度量，例如轻度滤波残差、中等滤波残差、严重滤波残差、轻度滤波残差对慢移动滤波残差的比率、中等滤波残差对慢移动滤波残差的比率、严重滤波残差对慢移动滤波残差的比率等。可利用带正负号的残差(正/负)来操纵时间滞后，例如传感器在血糖上升时滞后，且传感器在血糖下降时领先。举例来说，如果基础趋势是下降，且传感器是领先，那么可赋予额外滤波。另一方面，如果趋势是上升，那么可对原始信号求平均，前提是当前残差较小，且可从当前时间以来的5分钟内计算投影值，且向所述投影值给予超过原始值的额外权重。以此方式，可递增地应用模糊滤波器。以此方式，如果存在极少的噪声，那么可仅轻度而非激进地进行滤波。如果存在显著噪声，那么可更激进地应用滤波。
在更复杂的实施方案中，可如下文所展示而定义模糊单元(FU)的概念：
当计算第一模糊单元时，可如下初始化滤波器：
CurrentNoisePercent＝FU；
PreviousNoisePercent＝FU的先前预测；
RawError[n]＝CurrentNoisePercent与PreviousNoisePercent之间的误差；
SmoothedError[n]＝CurrentNoisePercent与PreviousNoisePercent之间的经滤波误差，例如，0；
α＝PreviousNoisePercent与CurrentNoisePercent之间的平滑因子，例如，0.65；
β＝经平滑误差与原始误差之间的平滑因子，例如，0.65；且
采用NoiseWeight以如下文所展示而产生新的经滤波计数：
模糊单元FU与NoiseWeight之间的关系采取图10A所说明的形状。在所述图中可看到，随着噪声增加，在增加的程度上应用滤波器。
参看图10B的流程图75，在计算第一模糊单元之后，可针对模糊单元(CurrentNoisePercent)的每一后续计算执行以下步骤(步骤77)。
第一步骤是计算RawError且存储RawError(步骤79)：
如果n>＝3，那么如下文所展示而更新β(步骤81)：
TwoPointError＝|RawError[n-2]-RawError[n-1]|，
OnePointError＝|RawError[n-1]-RawError[n]|，
且随后：
且其中，例如，μ＝0.75且σ＝0.29，β采取图10C所指示的形状，其指示，随着误差改变增加，β增加，且因此将更强调当前SmoothedError。
下一步骤是更新SmoothedError(步骤83)：
SmoothedError[n]＝(1-β)*RawError[n]+β*SmoothedError[n-1]。
下一步骤是更新α(步骤85)：
且α采取图10D所说明的形状。
下一步骤是作出CurrentNoisePercent的预报(步骤87)：
PreviousNoisePercent＝a*CurrentNoisePercent+(1-a)*PreviousNoicePercent。
此步骤之后是更新NoiseWeight(步骤89)：
随后计算新的FilterCount(步骤91)：
随后将FilterCount’和RawCount传递到适当的噪声管理算法中(步骤93(图10B))，且随后例如使用概率阈值更新点和噪声状态。在下表中展示示范性概率阈值：
将理解，还可采用其他阈值。
在测试中，与通过仅仅涉及滤波的先前努力所说明的情形相比较，模糊滤波器已提供对噪声尖峰的显著更快的响应以及从噪声片段更快速的恢复。与此类先前努力相比较，模糊滤波器还已展现更高的准确度。
在信号分析方法的又一变化中，度量可具有相关联的权重，且所述权重可为标准的或可取决于度量而变化。在此变化中，针对一些度量与其他度量相比较是特定故障的更大指示符的观测而作出协调。举例来说，偏度和方差与它们对于淋浴尖峰(由平滑向上上升所指示)相比较是氧噪声的更大指示符(由高频率噪声和向下趋势所指示)。
从本公开还将理解可根据实施方案而采用的其他类型的信号处理，且其他因素、参数和变量可用于故障判别中。举例来说，数据的时戳可用于某些分析中，例如，以检测某些基于时间的图案或确定自植入以来的时间，其与寿命终止的确定高度地相关。在此方面，应注意，在一些情况下，原始信号数据与患者的所确立的图案相关。举例来说，由于异常高的信号值而指示潜在故障情形的原始传感器数据可首先显现为指示故障，但还可能由于用户吃常规膳食而导致。可通过其中可确立图案的时戳数据以及机器学习(或其他技术)来确定用户已吃过常规膳食。类似地，在一致的当日时间的数据尖峰可指示水相关错误，例如与日常淋浴相关。类似地，其他类型的故障可更有可能在晚上发生，例如挤压人为现象。
其他类型的信号处理可包含分析自植入分析物监测器以来的持续时间，例如，其对于进行检查以考虑可随时间或对于较旧的植入物发生的故障或错误可特别重要。
最后，应注意，在上文已提到特定因素、参数或变量的情况下，其已占据值范围的对应持续时间可用于故障判别中，其中所述值范围是窄范围或宽范围。还可采用以上因素、参数和变量的组合。
临床背景信息
现在描述对应于临床背景信息的数据的类型。这些类型的数据与实际患者的观测和治疗相关，而不是仅仅查看患者未知的内部信号。然而，应理解，可使用将内部信号变换为与实际患者的观测和治疗相关的数据的处理从内部信号导出临床背景信息。举例来说，虽然患者不知晓原始传感器信号，但从原始信号校准和变换的实际血糖浓度构成临床背景信息186。类似地，虽然可将温度和时间信息视为内部信息，但温度和时间信息与某些临床背景准则(例如，睡眠/苏醒、淋浴、久坐/活动信息)的比较可用于导出临床背景信息。一般来说，此类临床背景信息包含影响具有状况的人(例如，糖尿病人)的任何东西，包含社会、情绪、身体和环境影响，且实际上是可关于或影响生理健康或患者周围环境的任何东西。通过识别临床背景，得到用于故障判别和响应处理目的的额外智能。
图11说明可构成或涉及到确定临床背景信息186的各种类型的数据或其他信息。对临床背景信息186的关键贡献物是血糖浓度数据184。此数据可包含各方面188，例如实际临床值、其改变率、加速度、高阶导数，和类似者。血糖浓度数据184还可包含各方面192，例如血糖浓度范围(例如，由患者的血糖浓度维持的范围)以及用户具有特定范围内的临床血糖值的持续时间。类似地，多个状态可被定义且用作范围，例如低血糖、高血糖或血糖正常。此类状态数据还可包含即将发生、所预测或所预期的状态。对血糖浓度数据184的其他潜在贡献物可包含患者是处于稳定状态还是正在经历他们的血糖浓度改变。
例如血糖浓度等分析物浓度在用作临床背景信息时构成已从原始信号转译为用于糖尿病管理的有意义值的信息(例如，mg/dL或mmol/L)或包含mg/dL/min或mg/dL/min2的时间导数。此类数据不同于“传感器数据”，这是因为其已针对临床相关性而被校准。还可采用部分地从血糖浓度信息导出的量，包含血糖紧迫性指数(“GUI”)、动态风险(“DR”)、静态风险(“SR”)和类似者。
在许多实施方案中，临床背景信息将包含分析物浓度的至少一些方面(例如，血糖浓度)或从其确定，或从部分地从如上文所提到的分析物浓度导出的量(例如血糖改变率、血糖状态、GUI和类似者)确定。换句话说，在临床背景信息用于故障判别和响应处理中的情况下，将使用临床血糖值或与其相关的状态。举例来说，在假设特定故障的情况下，响应处理可常常取决于用户是低血糖、高血糖还是血糖正常。此类状态可与是否暂停血糖显示和/或是否向用户给予警告相关。以相同方式，可常常采用改变率，这是因为如果故障导致用户的血糖值变得未知或不确定，那么响应处理将与在故障之前血糖水平是在上升还是下落以及上升或下落的速度高度地相关。可采用高阶导数来确定用户的血糖水平是否有可能返回到常态或是否预期进一步的偏移。因此，临床血糖值和相关参数常常用于故障判别和响应处理中。
关于非血糖浓度相关信息，其可包含与年龄194相关的信息和数据，这是因为此类数据常常与临床背景高度地相关；换句话说，是否判别故障或故障类型可取决于患者的年龄。换句话说，可将传感器数据视为对于一个患者来说是故障，但对于另一患者来说不是故障，且年龄可为“数据落入哪一桶中”的指示符。举例来说，对于非常年轻的患者以及年老的患者，由于故障数据可能比更强壮的年轻成人患者的数据更极端，所以每一数据点可被给予显著权重。因此，系统可被配置成尤其敏感，且因此判别此类情形中和对于此类患者的更多故障。将理解，一般来说，年龄是可在确定临床背景信息186时考虑的许多临床背景数据变量中的一者，且因此实际所得的故障判别和响应处理行为将取决于许多因素。
类似地，一般与例如BMI等身体信息相关的人体测量数据196也可与是否已发生故障的确定相关。测量用于此类用途的人体测量信息的一个方式是通过测量从传感器的尖端到基底小片的阻抗，如上文和下文更详细地所论述。虽然以上论述与测量阻抗以便确定传感器或传感器电子器件的内部方面相关，但此处应注意，可采用阻抗测量来确定外部方面，且具体来说是临床背景信息。阻抗测量可导致包含组织类型、BMI和类似者的临床背景信息的确定。
另一方面包含关于是否已配给药物(例如，胰岛素)的数据185。在此情况下，由于异常低的信号值而指示潜在故障情形的原始传感器数据可指示故障，但也可能是由例如胰岛素等药剂的最近注射或吞咽而导致。通过考虑此类临床背景，可原本归于故障的数据可被确定为实际生理数据，即，不是故障。相反地，如果已进行最近注射或吞咽，但信号异常高，那么此可增加判别故障的可能性。还可在故障判别中考虑关于潜在干扰药物的数据。
又一类型的临床背景信息包含关于与临床背景准则相比较以确定临床背景信息的外部温度的数据187。一般来说，温度数据及其与准则的比较是与其他临床背景信息组合以评估特定患者情形。此类临床背景信息可指示患者已进入热水浴缸、淋浴、已精疲力尽、发烧，或类似者。
又一方面包含关于患者的活动水平的数据191，以及关于与用户相关的锻炼的数据193。可从另一可穿戴式传感器以及“健身腕带”、陀螺仪、皮肤上电子器件中的加速度计、智能电话或智能手表中的加速度计或GPS或经由患者输入以及其他手段推断数据191或193。数据191可为定量或定性的，且在后一种情况下可被测量为例如“久坐”或“活动”。还将理解其他分级。数据193也可为定量或定性的，且在前一种情况下可提供以下指示：传感器已经历的移动的量、移动已发生的时间段，以及导出的量，例如燃烧的热量。
对临床背景信息186的又一贡献物可为关于患者的故障历史的数据189。具体来说，某些患者可具有特别有效的故障判别历史。此类患者包含具有高创伤响应的患者，或更经常地看到早期创伤效应的患者，或类似者，其增加那个患者在未来会话中经历此类故障的总可能性。其他患者可能更容易发生挤压故障，且可将此趋势考虑到分析中。
对临床背景信息186的另一贡献物是关于数据的临床使用的数据195。此贡献物是关于如何使用所述数据，例如，是否在闭环系统、开环系统、人工胰脏系统中、与集成泵一起，或类似者。更详细来说，如果在闭环系统中使用数据，那么其可提供用于配给药剂(例如胰岛素)的泵的驱动因素。在闭环系统中，给定信号是否有故障的确定可例如更保守，这是因为药剂投递取决于所述信号。换句话说，所述系统可被配置成判别此临床背景中的更多故障或具有对故障的较高敏感度。相反地，在替代性实施方案中，在泵驱动算法具有其自身的故障判别例程的情况下，所述系统可被配置成判别更少故障或具有对故障的较低敏感度。
以上内容是以驱动泵的潜在故障信号为前提。还可以相反方式采用泵信息来补充、告知和驱动故障检测。举例来说，如果最近注射过胰岛素的大丸剂，那么将预期血糖的负改变率，而不是信号中的正尖峰。因此，如果所述信号中出现正尖峰，那么这更有可能是实际血糖偏移的故障。还将在假设此教示的情况下看到“临床使用”数据的使用的变化。
对临床背景信息186的另一贡献物是关于患者与他们的分析物监测器(例如，CGM)的交互的数据197。患者或用户与他们的分析物监测器交互的水平可为在确定临床背景信息的过程中的因素。举例来说，如果用户并不很多地查阅他们的CGM，即，不交互，那么可假设仅基于用户遇到的相对少的数据点，用户接收的每一数据点在用户对他们的疾病的管理中具有显著杈重。相反地，对于高度交互用户，每一数据点是重要的，但故障可较不危险，这是因为用户有可能相对快地接收另一数据点。可通过接收器上的按钮按压、菜单选择或所观察的屏幕、校准，或类似者来跟踪患者与他们的CGM的交互。
还将理解其他临床背景信息。举例来说，与正常血糖行为的相关性可构成临床背景信息。在此实例中，可为患者确立血糖值的图案。此类图案可为基于时间或基于事件的，但一般指示患者的正常血糖行为。基于时间的图案可基于当日时间、基于每周、基于每月等。随后可将当前血糖水平分别与相同的当日时间、周或月的正常或预期血糖图案和分布图进行比较，与范数的偏差随后可指示临床事件。可在此分析中采用小波相关性。
可在临床背景信息的确定中采用环绕传感器的局部压力，这是因为其可检测患者的可影响传感器功能的某些移动(或其缺乏)。通过在传输器主体的壳体或外部主体上包含应变仪或压电材料，或在主体的基底(例如，柔性部分)中包含压力板、计量器或材料，可将适当的压力传感器并入上文所描述的传感器和/或传感器电子器件上或其邻近处。此类薄膜传感器可用于压力检测和量化。然而，一般来说，使用此类数据是作为对临床背景的整体确定的输入，而不仅仅是确定传感器功能自身。在一个实施方案中，所述压力可用作在确定患者是否在移动、久坐、苏醒、睡眠等时的输入。举例来说，由此类传感器检测的压力的突然增加可与图案数据和/或当日时间数据(例如，患者通常在发生压力增加的相同时间入睡)和患者移动数据(例如，患者展示很少到没有移动)组合。一起评估的这些信号可导致确定移动、久坐、苏醒、睡眠或类似者的临床背景。在US PGP 2012/0078071中提供这些方面中的某些方面的额外细节，其为本申请的受让人所拥有且以全文引用的方式并入本文中。另外，下文描述示范性薄膜传感器，其可并入到传感器电子器件或传输器外壳中。
上文所论述的某些类型的临床背景信息可由患者提供且输入在监测器中，尤其是在所述监测器是由具有实质用户界面的智能电话或其他装置体现的情况下。举例来说，可询问用户所摄入的膳食、所执行的锻炼，和类似者。在一些情况下，可通过故障提示用户询问，以便明确所述故障。举例来说，可询问用户他们是否躺在他们的传感器顶部上，例如，从而判别挤压故障。还将理解其他问题。
可提示患者询问以确定膳食是否在故障之前，以便尝试解决信号值的不明确上升。举例来说，如果询问确定患者最近摄入了膳食，那么信号值的上升将有可能可归于餐后上升，而不是错误或故障。此类信息还可由处理器模块例如在与食物摄入应用程序、用于将膳食成像的相机和类似者的数据通信中提供。
类似地，可提示患者询问以确定胰岛素摄取是否在故障之前。也可由集成泵提供胰岛素信息。举例来说，原始信号的突然减小可以此方式确定为胰岛素的丸剂的效果而不是故障。
又一类型的临床背景信息包含行为或背景信息。此类信息可对应于患者如何使用他们的移动装置，且因此向所述装置确定的某些数据给予背景。行为或背景信息可经由系统而获得且可包含交互量、血糖提醒/警报状态、传感器数据、屏幕敲击的次数、警报分析、事件(例如，与用户的响应相关联的特性、响应时间、与响应相关联的血糖控制、与警报相关联的用户反馈、X分钟内的未应答提醒/警报、提醒/警报的应答时间、提醒状态的时间等)、糖尿病管理数据(例如，CGM数据、胰岛素泵数据胰岛素敏感度、图案、活动数据、热量数据)、关于以下各者的数据：脂肪酸、锻炼期间的心率、抗IgG麦胶蛋白、来自皮肤贴片传感器的应力水平(汗水/汗液)、游离氨基酸、肌钙蛋白、酮、脂联素、汗液、体温，和类似者。可由与监测装置进行数据通信的传感器提供所述输入。在一些实施方案中，可通过例如远程数据存储装置等中介机构获得所述信息。在一些情形中，患者可使用一个以上装置来跟踪他们的糖尿病(例如，在医疗装置接收器或智能电话上显示的血糖)。
可作为临床背景信息而提供的背景信息包含人的生物学、位置、感测环境(例如，光、声音水平)、环境数据(例如，天气、温度、湿度、气压)。可经由对等或网状网络而经由机器到机器的通信来接收所述输入。背景信息可包含来自日程安排应用程序的日常例程信息(其可尤其在工作日与周末之间改变)。背景信息可包含基于监测装置的所感测运动而触摸或抓握所述装置的频率，即使不与所述装置交互也可以。
照片可提供背景信息。举例来说，可使用以下各者中的一或多者的照片来提供背景信息：血糖仪读数、胰岛素笔或泵IOB、位置(例如，健身房、公园、房屋、意大利餐馆)或膳食。可处理所述照片以识别例如照片中所展示的膳食的热量摄入。还可将所使用的胰岛素的类型提供给监测系统以作为对临床背景信息的有用贡献。还可通过提供给监测装置或由监测装置确定的餐时设置来提供背景。
构成背景/行为数据的临床背景信息的其他输入可包含在非背景/行为输入中的其他地方参考的数据类型，例如来自健身自行车或类似者的锻炼信息、来自血糖(BG)仪或CGM的血糖传感器信息、来自胰岛素投递装置的胰岛素投递量、装置的体内胰岛素计算，和其他装置提供或计算的信息。对GUI确定的其他背景/行为数据输入可包含：水合水平、心率、目标心率、内部温度、外部温度、外部湿度、体内的分析物、水合输入、功率输出(骑自行车)、出汗速率、步调以及肾上腺素水平、应力、疾病/病、代谢/热量燃烧速率、脂肪分解速率、当前体重、BMI、理想体重、每天目标热量(所消费)、每天目标热量(所消耗)、位置、最喜欢的食物和努力水平。
对于上文所参考的行为或背景输入中的任一者，所述系统可被配置成基于所述输入而接收和/或产生分析度量。举例来说，可基于血糖水平、温度和用户的数据产生指数值的时间而产生复合值。随后可考虑所述复合值来确定行为和背景信息对临床背景信息的贡献。
可从所述装置内或外部的各种传感器(例如加速度计、GPS、相机数据和类似者)以及第三方跟踪应用程序(包含睡眠循环应用程序)收集此信息。举例来说，此类跟踪应用程序可采用地理位置来确定背景和行为。另外，还可通过使用关于用户可得到的社交联网信息来确定背景和行为，其中与用户相关联的社交联网馈送被布置成提供数据源来形成临床背景信息。
可在美国专利公布案第US-2015-0119655-A1号中找到关于背景和行为信息的额外细节，所述公布案为本申请的受让人所拥有且以全文引用的方式并入本文中，且具体来说在图4及随附文本中。
下文在特定方法的描述的背景中以及在若干实例中进一步论述信号和信号分析以及临床背景信息。
如图5所提到，临床背景信息可用于故障判别中以及响应处理中。下图详述这些方法。首先参看图12A，流程图222说明第一机制(机制I)，其中仅根据信号分析进行故障判别，而与临床背景信息无关。在此机制中，第一步骤是仅从信号判别故障(步骤228)。随后可接收或以其他方式确定临床背景信息(步骤232)。随后基于背景而响应于所判别的故障(步骤234)。换句话说，存在两个单独的度量，即，信号数据和临床背景，且信号数据用作判别故障的单个度量，且临床背景确定响应信号处理(在假设特定所判别的故障的情况下)。
图12B的表以另一种方式说明机制I。首先，信号行为SBi导致对应的所判别的故障DFi。以相同方式，背景变量VCj导致对应的临床背景数据CDj。SBi和CDj随后用于确定响应处理RPji。
举例来说，且参看图12C的曲线图236，其中与之前一样，横坐标轴126表示时间且纵坐标轴136表示原始信号，在伴有噪声的原始信号235中看到陡向下趋势237(SBi)，其随后变平且在平坦部分上具有较少噪声或可变性239。这些信号特性可自身指示挤压故障(DFi)。如果了解用户的临床背景的变量(VCj)中的一者指示现在是用户入睡(CDj)的正常时间，那么响应处理(RPji)可为不做任何事。另一方面，如果了解患者的临床背景的变量中的一者指示用户不可能在睡眠(CDk)，那么响应处理可为执行自诊断(RPki)，或提示用户检查他们的传感器。
作为另一实例，可取决于临床背景的其他方面而不同地处置同一检测到的故障。举例来说，响应处理的变化可基于测得血糖水平是高对低，或血糖水平的改变率是慢对快而出现。
接下来，在图13中说明机制II。图13A展示流程图224，其中根据信号分析与临床背景信息的组合而进行故障判别。在此机制中，第一步骤是从分析物监测器接收信号，且任选地执行上文所描述的各种信号处理功能中的任一者(步骤242)。在信号的接收之前、之后或与其同时地，可接收或确定临床背景信息(步骤244)。随后基于所述信号和所接收的临床背景数据而判别故障(步骤246)。换句话说，使用两个单独的度量来判别故障，即，信号数据和临床背景，而不是像以上机制I中的仅一个度量。基于故障自身而适当地响应于故障(步骤248)。
图13B的表以另一种方式说明机制II。首先，信号行为SBi与临床背景数据CDj组合使用以导致对应的所判别的故障DFji，其为不仅基于信号数据而且还基于临床背景数据而判别的故障。响应处理RPji于是直接基于所判别的故障DFji。
举例来说，且参看图13C的曲线图236，原始信号(SBi)中的陡向上趋势238可潜在地指示进水故障，但所述指示是不明确的，这是因为其他因素也可导致此类行为。如果了解患者的临床背景的变量(VCj)中的一者指示现在是用户淋浴(CDj)的正常时间，那么CDj可与SBi组合使用以明确故障且判别进水故障(DFji)。于是响应处理(RPji)可为不做任何事。另一方面，如果了解患者的临床背景的变量中的一者指示用户不可能在淋浴(CDk)，那么可判别故障DFki，且响应处理可为执行自诊断(RPki)的步骤。
最后，在图14中说明机制III。图14A展示流程图226，其中根据信号分析任选地与临床背景信息组合而进行故障判别，但其中临床背景信息还用于导出响应处理。在此机制中，第一步骤是从分析物监测器接收信号，且任选地执行上文所描述的各种信号处理功能中的任一者(步骤252)。在信号的接收之前、之后或与其同时地，可接收或确定临床背景信息(步骤254)。随后基于所述信号且任选地还基于所接收的临床背景数据而判别故障(步骤256)。基于故障和临床背景两者而适当地响应于故障(步骤258)。
图14B的表以另一种方式说明机制III。首先，信号行为SBi任选地与临床背景数据CDj组合使用以导致对应的所判别的故障DFji，其为基于信号数据且还任选地基于临床背景数据而判别的故障。所判别的故障DFji随后与临床背景数据CDk组合使用以确定响应处理RP(k-ji)的步骤。
以上机制是示范性的，且将理解，其他机制也是可能的。举例来说，且参看图15的流程图261，在一些情况下，如何表征和/或判别故障判别可不重要，只要在确定响应处理(步骤266)时考虑到信号数据(步骤262)和临床背景(步骤264)两者即可。也就是说，可不需要故障判别或分类作为单独步骤。
在另一变化中，可针对一个参数、因素或变量(统称为“度量”)(例如，临床血糖值)或针对这些度量中的许多或全部(例如，临床血糖值、改变率、迹线平滑度等)而定义“无差异区”。在此类无差异区中，可禁止或抑制故障，这是因为故障的效应或危险被定义为低。相反地，还可定义“危险区”，其中始终判别故障且其中始终进行响应处理。
在一些情况下，仅单个输入可用于确定临床背景信息，其中将所述单个输入与临床背景准则进行比较，且所述比较的结果用于确定临床背景信息。所述单个输入可基于从传感器(例如CGM传感器)接收的信号，或可基于不同类型的输入(例如当日时间)。在其他情况下，可采用多个输入来确定关于一或多个故障的临床背景信息，其中将所述多个输入中的一者或全部与临床背景准则进行比较和/或以其他方式由数学公式进行组合。
在这些机制中的任一者中，可确定所判别的故障属于若干预定故障类别中的一者，且随后可至少部分地由所述故障所属的类别确定对所述故障的响应。现在描述示范性故障分类方案。
参看图16的图解268，说明故障分类方案。在此方案中，可将故障判别的分类方案272广义地分类为两种类型：在没有用户介入的情况下可检测且可处理的那些故障274，和在没有用户介入的情况下可检测但不可处理的故障276，其中用户介入对应于用户执行动作以校正所述故障，例如，在挤压故障的情况下“翻身”，提供信息以确认故障类型，例如，回答所提示的问题或提供参考血糖值，或在不使用CGM数据的情况下执行对他们的糖尿病的治疗，例如基于他们的计量值而治疗糖尿病。对于故障274，可采取各种处理步骤以向用户提供服务，直到例如故障被减缓或以其他方式得到响应的时间为止。举例来说，可将所估计或所预测的信号276提供给用户。替代地，可将经处理信号278提供给用户，其中处理包含滤波、平滑的步骤，或减少故障的影响所需的其他步骤。举例来说，在信号经受快速上升的情况下，通常是进水故障，可使用短期预测替换所述信号。替代地，如果遇到随机噪声，那么可对信号进行滤波或平滑。
在其他分类中，检测到故障276但无法由系统完全地响应。在此情况下，可向用户提供警告282：所显示的临床血糖值或GUI可能不准确或不应被依赖。在图16中给出两个实例。首先，可遇到浸渍且恢复故障284，例如，其对应于早期创伤响应。在此类故障下，可向用户警告他们的血糖水平可能不正确。另一实例是挤压故障286。如果检测到此类型的故障，那么响应处理可为向用户提示改变位置。
应注意，以上内容涉及响应处理或一旦判别故障便采取的其他动作。故障判别自身的动作或步骤需要信号分析的步骤以及任选地还有了解临床背景的步骤。响应处理一般接在故障判别之后。
图17的图解290说明可用于故障判别中的又一分类方案292。在分类方案292中，故障被划分为暂时故障294和永久故障296。暂时故障294是倾向于自身减缓或自身愈合的故障，例如与挤压相关的故障298、与淋浴尖峰相关的故障302，和与暂时噪声相关的故障304。永久故障296是随时间不会愈合或纠正的故障，包含在传感器的寿命终止时遇到的氧噪声306。
图18的图解308说明可用于故障判别中的又一分类方案。在分类方案312中，指示由特定技术类别分类的示范性故障类别。举例来说，故障被划分为与传感器周围的导致错误测量的局部环境相关的故障314，和与系统错误相关的故障316，所述系统错误又导致错误的信号假影。故障314倾向于更分隔和局部。故障314的实例包含与挤压相关的故障318和与早期创伤响应相关的故障322。故障316的实例包含与水尖峰相关的故障，其在许多情况下是由密封失效导致。
在这些情况(即，挤压、早期创伤响应和水尖峰和密封失效，以及其他信号行为)中的每一者中，将存在由故障判别和响应处理例程或算法使用的预定信号准则。如果所接收的信号满足所述准则，那么将相应地指派故障类别。
用于挤压故障318的预定信号准则可基于噪声图案的类型和/或原始信号的改变率，即，通常向下。餐后上升一般不在挤压故障之前，所述上升通常与伴随膳食的摄入的信号上升相关联。用于挤压故障的其他示范性信号准则是其倾向于在不同状态间更二元，且不是平滑过渡。在挤压故障的背景中可检查的其他信号准则是针对显得遵循不与生理改变相关联的图案的信号。用于挤压故障的临床背景信息的预定准则可包含当日时间(例如，晚上时间，此时睡眠中的用户可能滚压到他们的传感器)以及加速度计数据(其也可指示睡眠)或心率信息(其对于睡眠中的用户可较慢)以及阻抗数据。作为静脉内系统中的挤压的实例，在通过静脉放置血糖传感器的情况下，可由于与血管的壁相抵搁置的传感器而产生增加的阻抗，例如，归因于氧缺乏而产生非血糖反应限速噪声。在美国专利公布案第US-2012-0265035-A1号中更全面地阐释使用阻抗数据来确定临床背景信息，所述公布案为本申请的受让人所拥有且以全文引用的方式并入本文中。下文描述阻抗数据以及用以计算阻抗的装置的示范性使用。
可用作预定临床背景准则的其他数据包含最近是否已摄入膳食，或最近是否已投递胰岛素，这是因为挤压故障常常不会在膳食或药剂投递之后。
上文所提及的另一故障类别是关于早期创伤响应，其中的一个种类是暂时创伤愈合响应，被称为“浸渍且恢复”。在不希望被理论束缚的情况下，相信，浸渍且恢复可由通过插入可植入式传感器且可能还通过在植入附近刺激神经束(导致神经束减少到植入区域的血液流动)而引起的外伤触发。替代地，浸渍且恢复可关于对附近血管的损坏，从而导致血管痉挛事件。一般来说，植入区域中的血液流动的持续一时间段的任何局部中断会导致传感器区域中的血糖量减少。在此时间期间，传感器具有减小的敏感度且可能不能准确地跟踪血糖。因此，浸渍且恢复通常表现为受抑制的血糖信号。浸渍且恢复常常出现在信号植入之后的第一天内，最常见出现在植入之后的前12小时内。重要的是，浸渍且恢复通常在6到8小时内解决。浸渍且恢复的识别可向患者、医师或其他用户提供以下信息：传感器仅暂时受到短期生理响应影响且不需要移除植入物，这是因为正常功能将有可能在数小时内恢复。可在美国专利公布案第US-2014-0005509-A1号中找到额外细节，其为本申请的受让人所拥有且以全文引用的方式并入本文中。
可用于检测浸渍且恢复故障的示范性信号准则包含：指示上文所提到的生理状况的严重信号下降、关于自植入以来的时间的数据，以及内部敏感度测量。还可采用图案，其中先前已使用此类故障识别此类图案。可推断重复此类图案的信号指示浸渍且恢复故障。
可用于检测浸渍且恢复故障的示范性临床背景准则包含图案分析，其中由患者的临床血糖分布图定义基础图案。可将当前信号与此类图案进行比较以确定当前信号是否在患者的正常血糖图案之外。图案还可经确立且用于确定患者是否处于创伤响应类型故障的较高风险，例如患者是否具有遇到此类故障的图案。
除了浸渍且恢复之外，其他创伤响应也可能是故障的原因且因此可被分类在他们自身的类别内或作为更广泛的创伤效应类别的部分。随后可针对此类故障定义适当的响应处理。用于其他创伤响应的示范性信号准则包含工作电极与外部电极之间的阻抗测量以测量生理环境与工作电极之间的电化学阻抗的增加。在其他地方更详细地描述此类阻抗测量。
在另一示范性故障类别中，传感器处的局部效应可能禁止适当地测量例如血糖等分析物。此类型的故障或错误的实例包含传感器的膜已被有害地影响的实例。然而，一般来说，此类故障是接近“寿命终止”时段的传感器特性。举例来说，生物淤积可导致此类故障。在此情况下，示范性信号准则可包含自传感器植入以来的时间量，以及某些特征性噪声图案。其他准则包含与较低血糖水平处的噪声相比较的较高血糖水平处的增加的噪声。在可用于检测归因于传感器的此类局部效应而引起的故障的又其他信号准则中，工作电极与外部电极之间的阻抗测量可用于测量生理环境与工作电极之间的电化学阻抗的增加。还可采用不同电极电位处的比较性响应。
除了生物淤积之外，氧噪声还可类似地为因为传感器或膜处的局部效应而导致的故障。氧噪声的示范性信号准则包含类似信号特性的片段的数目。这可与(例如)以上生物淤积故障形成对比，其中在较大片段开始出现之前存在若干“小”片段。换句话说，在生物淤积故障中，在较高频率和较长持续时间的较大片段出现之前存在较低频率和持续时间的若干片段。一般来说，传感器会话内的信号频率的增加可为氧噪声故障的准则。
在这些“局部效应”故障中，临床背景也可用于确定如何响应。在一种类型的响应处理中，监测器可仅显示或依赖于“低血糖”水平处的血糖值，例如低于100mg/dL的血糖值，这是因为噪声更可能处于高血糖水平。
另一种类型的故障涉及传感器寿命终止(“EOL”)。具体来说，本文中所描述的连续血糖传感器的实施例可具有传感器可提供可靠的传感器数据的有用寿命。在有用寿命之后，传感器可能不再可靠，从而提供不准确的传感器数据。可辨识EOL的符号，且可防止任何所得的用户安全性或不便性。为了防止使用超过有用寿命，一些实施例在已确定应不再使用传感器之后向用户通知更换传感器。可使用各种方法来确定应不再使用传感器，例如自第一次使用传感器以来发生的预定时间量(例如，当第一次植入到用户体内时或当第一次电连接到传感器电子器件时)或传感器有缺陷(例如，归因于膜破裂、不稳定的敏感度或类似者)的确定。一旦确定不应再使用传感器，那么传感器系统可例如通过以下操作向用户通知应使用新传感器：听觉上和/或视觉上提示用户使用新传感器和/或关闭显示器或停止在显示器上显示新(或实时)传感器数据。
在一些实施例中，可例如使用风险因素指令、算法和/或函数来评估指示传感器EOL的多个风险因素。一般来说，EOL症状是渐进的，例如并非所有症状(或片段)都指示传感器失效。可周期性地或与接收传感器数据的频率一样间歇地(例如，每5分钟)或更间歇地(例如，每数个小时或每天)评估每一风险因素。可随时间反复地确定、求平均或趋向风险因素，且将结果用于稍后处理中。在一些实施例中，可由满足一或多个准则的另一事件(例如，BG中的趋向错误(例如，来自离群值检测))触发一或多个风险因素的评估。
在一些实施例中，可使用多种方法的组合来实现EOL的检测，所述方法各自个别地检测EOL标志或风险因素。方法或标志的组合可导致改进的特定性(例如，低错误肯定)。应了解，EOL确定方法或算法可使用风险因素的组合来确定EOL。
在一些实施例中，可从列表选择合适的风险因素，所述列表包含但不限于：已使用(例如，植入)传感器的天数；传感器敏感度或信号敏感度中是否已减小(例如，与一或多个预定准则相比较的传感器振幅改变和/或敏感度可变性)，包含量值和历史；噪声分析(例如，EOL噪声因素(偏度、尖度和旋度))、持续时间、量值和历史、光谱含量分析、图案辨识)；氧(例如，浓度和/或是否存在预定氧浓度图案)；血糖图案(例如，均值、可变性、膳食特性(例如，峰间偏移)、预期对意外行为(例如，在膳食之后在血糖未如预期般上升的情况下))；参考BG值与EGV传感器值之间的误差，包含误差的方向(BG或EGV与另一者相比较是否读数更高)；以及传感器的线性的量度(或其缺乏)。传感器线性是指在特定测量范围(例如，对于血糖传感器是40mg/dL到400mg/dL)内传感器的敏感度的一致性。举例来说，当传感器信号在低BG下读数较低且在高BG下读数较高，那么可假设线性，相比而言，当传感器信号在低BG下读数较低但在高BG下读数不高(不改变或增加超过某一BG值)，可在其处假设非线性(基于参考BG值与EGV传感器值之间的误差)。
可用于确定EOL的一个风险因素是已使用(例如，植入)传感器的天数。在一些实施例中，可部分地基于使用初始校准数据、传感器初始化、传感器与传感器电子器件的可操作连接、用户输入数据或类似者来确定已使用传感器的天数。在一些实施例中，所述系统可检测传感器重新启动且使用重新启动信息来确定自植入以来的天数。
在一些实施例中，当已满足某一阈值(例如，某一天数)时，可自动地在EOL函数中使用与所述阈值相关联的特定变量。举例来说，如果确定已使用传感器的天数是至少4天，那么自动地使用已使用传感器的天数和/或使用已满足阈值的简单的是/否指示符。在一些实施例中，如果已使用传感器的天数是批准传感器使用的天数的至少1/3，那么自动地使用已使用传感器的天数。在其他实施例中，如果已使用传感器的天数是批准传感器使用的天数的至少1/2、2/3或3/4，或类似者，那么自动地使用传感器已经过的天数。在一些实施例中，始终在EOL函数中使用已使用传感器的实际天数。在一些实施例中，在传感器使用的预定天数之后执行EOL函数。
另外或替代地，可将从插入以来经过的时间映射到EOL风险因素值(例如，恢复可能性或未来传感器失效概率)，这是因为自植入以来传感器使用时间越长，传感器-组织界面改变(生物淤积)将影响传感器功能的可能性越大。在一个实例中，在第1天与第5天之间将EOL风险因素值映射到约1.0，且在超过第5天之后逐渐减小达到第8天的0.5，在第10天达到0.2，且在第14天达到约0.1。如所属领域的技术人员可了解，可使用其他值和阈值。
可用于确定EOL的另一风险因素是传感器敏感度或传感器敏感度是否已减小(例如，与一或多个预定准则相比较的传感器振幅改变和/或敏感度可变性)，包含量值和历史。在一些实施例中，处理器模块可被配置成确定信号敏感度是否已下降。举例来说，对于一些传感器，在传感器的大多数寿命期间(例如，3天、5天或7天)，传感器的敏感度向上漂移或保持相对平坦。朝向EOL，传感器对血糖改变的敏感度可能减小。此减小可通过以下各者被辨识为在若干小时(例如，12小)内单调发生的敏感度下降：(a)敏感度改变(例如，raw_signal＝m*血糖+基线中的m)或(b)传感器原始计数信号减小。举例来说，可使用以下方程式：
如果中值(最后12小时内的原始计数)-中值(最后12到24小时内的原始计数)＜2*最后12小时内的标准偏差，那么传感器可能接近EOL。
在一些实施例中，可使用与信号敏感度相关的其他形式的信号描述性统计(例如，中值、百分位数、四分位数范围等)来检测EOL。在一些实施例中，信号敏感度是否已减小涉及以下确定：将测得信号敏感度与预定信号敏感度阈值或分布图进行比较以确定测得信号敏感度是否在可接受范围内。所述可接受范围可基于例如来自传感器的先前体外和/或体内测试的先验信息。在一些实施例中，测得信号敏感度在可接受范围之外，于是可在EOL函数中自动地使用所述信号敏感度。在一些实施例中，测得信号敏感度、敏感度改变和/或预定敏感度下降的指示符可用作EOL函数中的输入或变量。
在一些实施例中，EOL函数中的敏感度变量是基于特定传感器会话期间(例如，在传感器在主体内的寿命期间)的敏感度趋势。举例来说，信号敏感度是否已减小的确定包含将第一时间点的第一测得信号敏感度与第二时间点的第二测得信号敏感度进行比较，以确定测得信号敏感度的改变率是否在可接受范围内。所述可接受范围可由例如来自传感器的先前体外和/或体内测试的先验信息确定。在一个实例中，在一天内大于20％的改变可为EOL的指示符且可用作EOL检测函数中的输入。在一个实例中，在12小时内大于20％的加速率(例如，敏感度下降率)可为EOL的指示符且可用作EOL检测算法中的输入。
在一些实施例中，可部分地基于原始传感器数据(例如，计数)的慢移动平均值来确定信号敏感度的改变率。此实施例利用以下事实：对于大多数患者，随时间(例如，数天或更多)的平均血糖保持相对恒定；因此，可将传感器数据的平均值改变(例如，随时间(例如，2天、3天、4天、5天、6天、7天或更多)未校准(原始或未滤波))解译为传感器随时间的敏感度改变。慢移动平均值的结果可为可量化的量和/或敏感度下降的简单的是/否指示符，其可用作EOL函数中的一个输入或变量。
举例来说，处理器模块可使用最后x小时(例如，24小时)的平均值、矩形窗口求平均或具有指数遗忘因子的α滤波器来计算慢移动平均值，从而随时间评估传感器敏感度。在具有指数遗忘的α滤波器的一个实例中，可如下使用‘α’：
parameter(n)＝parameter(n-1)*(1-α)+new_info*α
其中α定义想要记住多少历史(遗忘的速度)。在以上方程式中，α是“遗忘因子”。α可在0与1之间变化，且其值规定模型遗忘旧测量的速度。对于接近1的α值，模型更快地适应于最近的测量。对于接近0的α值，模型更慢地适应于最近的测量。α值可取决于自植入传感器以来经过的时间。如果α是0.01，那么在1/0.01(即，时间常量为100)样本中，遗忘63％的先前信息。因此，如果取样速率是12个样本/小时，那么100个样本(例如，约8小时)将会遗忘63％的信号。在此类实例中，将看到，在三个时间参数或常量(其为约1天)的情况下，将保持仅5％(即，0.37*0.37*0.37＝0.05)的前一天留下的信号。进一步注意，计算可为递归或非递归的。
在一些实施例中，敏感度损失可指示EOL。归因于生理创伤愈合和传感器周围的外来身体机制或其他机制(包含参考电极容量、酶耗尽、膜改变或类似者)而引起的敏感度损失可朝向传感器EOL进行。
在一些实施例中，可使用未校准的传感器数据(例如，原始或经滤波)的分析来计算传感器敏感度。在一个实例中，原始计数的慢移动平均值或中值开始展示负趋势，传感器可损失敏感度。可通过计算传感器输出的短期(例如，约6到8小时)平均值(或中值)且通过预期更长时期(48小时)平均传感器敏感度将其标准化，而计算敏感度损失。如果短期敏感度对长期敏感度的比率小于70％，那么可存在传感器损失敏感度的风险。可将敏感度损失转译为EOL风险因素值，例如，在比率为约70％之前是约1的值，在50％时减小到0.5，且在25％时＜0.1。
用于与敏感度相关的EOL风险的替代性计算可使用外部参考，例如血糖手指刺扎读数。在任一情况下，可使用本文中的其他地方所描述的函数将特定所估计的敏感度损失变换为EOL风险因素值。
在一些实施例中，可通过将传感器数据(例如，经校准的传感器数据)与参考血糖(BG)进行比较来计算传感器敏感度。举例来说，校准算法基于传感器与参考BG之间的系统偏差来调整血糖估计。EOL算法可使用此偏差(被称为校准误差或向下漂移)以将EOL症状定量或定性。可将校准误差标准化以考虑到不规则校准时间，且进行平滑以向最近的数据(例如，移动平均值或指数平滑)给予更多权重。在一些实施例中，基于所得的经平滑校准误差来确定EOL风险因素值。在此类实施例中，对于校准误差>-0.3的所有值，EOL风险因素值是1，且在校准误差＝-0.4时减小到0.5，且在校准误差＝-0.6时减小到＜0.1。
基于噪声分析(例如，EOL噪声因素(偏度、尖度和旋度))、持续时间、量值和历史、光谱含量分析、图案辨识等，可用于确定EOL的另一风险因素是噪声。在一些实施例中，处理器模块可被配置成评估噪声(例如，振幅、持续时间和/或图案)以确定是否存在指示EOL的预定噪声图案。举例来说，典型的传感器EOL标志可包含尖峰活动增加，其可使用各种尖峰检测方法(例如，通过计算平均负改变率)予以检测。
在一些实施例中，噪声的持续时间可指示EOL。在美国专利第8,260,393号中更详细地描述了可为有用的一些噪声检测算法，所述美国专利以全文引用的方式并入本文中。在一些实施例中，对噪声持续时间风险因素度量的计算的输入是传感器数据的噪声分类。举例来说，可基于传感器的相对量值和经滤波的传感器计数及其导数而将每个原始传感器计数分类为清洁、轻度噪声、中等噪声或严重噪声。此信息可用于将严重噪声持续时间(例如，处于严重噪声状态的传感器数据的量)转译为反映EOL风险的度量。此度量的计算隐含的假设是，如果检测到连续噪声而不是数个样本的间歇噪声，那么传感器EOL表现为片段。因此，EOL算法可更多地处罚较长持续时间的噪声。因此，在每个样本时间，直到那点的噪声的总持续时间用于计算那个点的EOL风险因素值。
在一些实施例中，是否存在预定EOL标志(噪声图案)涉及如下确定：其包含使用图案辨识算法评估测得信号以确定和识别传感器信号中的预定EOL标志。举例来说，通过将测得传感器信号与噪声端的噪声图案特性进行比较，可确定所记录的噪声图案是否类似于所预测的噪声图案。
在其他实施例中，确定是否存在预定噪声图案(EOL标志)包含将测得信号与预定噪声图案进行比较以确定所记录的噪声图案是否类似于预定噪声图案。举例来说，预定噪声图案可包含短时间帧中的一系列特定负尖峰。所述预定噪声图案还可包含给定时间帧的尖峰活动增加。
在一个实施例中，针对改变率的阈值检测可用于检测向上或向上尖峰。可通过各种方式检测尖峰，如所属领域的技术人员可了解。举例来说，点到点差和定阈值、锐度滤波器等。举例来说，算法或函数可针对向上尖峰输出+1且针对向下尖峰输出-1。通过使用此尖峰数据时间序列，可使用向上尖峰检测算法或向下尖峰检测算法或总尖峰检测(例如，正或负尖峰时间序列)算法。
在一些实施例中，可使用尖峰时间序列上的负阈值(例如，负尖峰是正尖峰2倍)或展示总尖峰活动的3倍到4倍增加的总尖峰活动上的阈值(例如，3或4)来实现使用这些尖峰检测函数的EOL检测。可采用例如最小平方加速滤波器等其他形式的尖峰检测。在一些实施例中，可确定EOL风险因素值针对尖峰度量的值＜1为1，且针对尖峰度量＞2减小到0.5，且针对尖峰度量＞5减小到＜0.1，等等。
另外或替代地，可在EOL检测中使用高频率活动或图案。举例来说，当对传感器数据执行功率谱密度(PSD)或快速傅里叶变换(FFT)时，EOL标志图案可展示高频率活动的显著增加。正常血糖信号具有非常低的频率(例如，0和1.8mHz)。因此，可使用高通滤波器或带通滤波器来检测与高频率活动相关联的EOL图案。
在一些实施例中，可使用缓慢改变的长期尺度平均信号以将所述数据标准化，以增加检测方法的可靠性，例如信号敏感度或噪声图案。举例来说，通过使用以下定义：
Long_time_scale＝长期(1到2天)移动平均值或经滤波原始血糖数据
标志＝短期(约4到6小时)经滤波(包含尖峰检测的任一者)数据
Normalized_Signal＝标志/Long_time_scale
可应用标准化信号和持续时间约束的阈值以检测EOL标志。因此，可在以下情况下检测EOL：
对于大于某一持续时间，Normalized_Signal>阈值。
在一些实施例中，所述阈值和持续时间可经优化以实现特定敏感度和特定性。替代地，具有短持续时间约束可用于检测氧噪声而不是EOL。
在一些实例中，可基于评估可在信号上识别的已知EOL失效模式的各种算法将EOL噪声确定为传感器EOL特定的。EOL噪声可具有大的(>30％的点到点下降)在片段的持续时间内负偏斜的向下尖峰，其具有间歇快速旋转或振荡，例如多个峰和谷或若干导数符号改变。噪声判别可使用这些特征来识别传感器是否展示EOL症状，且取决于量值和持续时间，可从片段计算EOL风险因素值，其也可被称为噪声因子。
可用于确定EOL的另一风险因素是氧(例如，浓度和/或是否存在预定氧浓度图案)。举例来说，在一些实施例中，处理器模块可被配置成确定是否存在预定氧浓度和/或与氧浓度相关联的趋势或图案。可用于量化氧浓度的任何氧传感器在此处可为有用的，其与所述传感器分离或成一体。在包含稳压器的电化学传感器中，脉冲安培计检测可用于确定氧测量。脉冲安培计检测包含使电化学系统中的工作电极(或参考电极)的电压例如在正电压(例如，用于检测血糖的+0.6)与负电压(例如，用于检测氧的-0.6)之间切换、循环或脉冲。在一些实施例中，当氧不足以用于还原(这进而影响对电极，原因在于不能够平衡来自工作电极的电流)时，可在对电极处看到氧缺乏。当氧不足以用于对电极时，对电极可在其始终对电子的电化学搜寻中被驱动到其最负值，其可为接地或0.0V，这导致参考移位，从而减小偏电压，例如下文更详细地所描述。换句话说，缺血的常见结果将被看作传感器电流依据血糖浓度(例如，较低敏感度)而下降。这之所以会发生是因为工作电极由于减小的偏压而不再氧化到达其表面的所有H2O2。
在一些实施例中，非酶电极或传感器可用作氧传感器。在具有酶和无酶工作电极的示范性双工作电极传感器中，通过将偏压电位从正值(例如，600mV到800mV)改变为负值(例如，负600mV到800mV)而将非酶电极用作氧传感器。在此电位下，溶解的氧被还原，且产生穿过非酶电极的负电流。在一些实施例中，通过在所指示的正偏压与负偏压之间切换非酶电极上的偏压电位，产生双功能电极。当施加正偏压时，电流可与基线相关，且当施加负偏压时，电流可与局部氧浓度相关。
已知的是，基于葡萄糖氧化酶的传感器受到所存在的氧的量限制。当氧水平减少到低于阈值时，酶电极电流下降(“氧不足”)，而血糖浓度保持恒定。此氧不足可导致准确度减小，这是因为可能报告低于实际的血糖水平。氧不足可在传感器寿命后期发生，例如当传感器被囊封在皮下环境中时。因此，能够测量氧会允许检测传感器的此囊封和EOL。
在一些实施例中，是否存在预定氧浓度图案涉及包含检阅氧浓度图案以查看氧浓度是否适当的确定。举例来说，展示氧可用性随时间减小的氧浓度图案可指示传感器的EOL。
可用于确定EOL的另一风险因素是血糖图案(例如，均值、可变性、膳食特性(例如，峰间偏移)、预期对意外行为(例如，在膳食之后在血糖未如预期般上升的情况下))。
可用于确定EOL的又一风险因素是参考BG值与对应经校准传感器数据(所估计的血糖值，或EGV)之间的误差，包含误差的方向(例如，BG或EGV与另一者相比较是否读数更高)，和/或利用加旗标的离群值。在一些实施例中，所述系统可识别参考值(例如，BG)与传感器值(例如，EGV)之间的差异。举例来说，当在参考值与传感器值之间存在大的差时，一些物体很可能未正确地工作。在某些实施例中，参考值与传感器值之间的大的差异可指示传感器寿命终止。在不希望束缚于任何特定理论的情况下，相信会这样，这是因为传感器读数比应有的读数更高或更低。在一些实施例中，误差的方向(例如，BG比EGV更高还是更低)用作EOL指示符。可用于确定EOL的又一风险因素是传感器的线性的量度(或其缺乏)。如上文所描述，传感器线性是指在特定测量范围(例如，对于血糖传感器是40mg/dL到400mg/dL)内传感器的敏感度的一致性。
在一些实施例中，处理器模块被配置成评估各种风险因素以提供EOL风险因素值，其可包含简单的二元(是/否)指示符、可能性或概率得分(例如，相对比例或百分比)和/或实际数字(例如，各种测试的输出)。如果修改用于算法中的权重，那么可缩放风险因素值。
在一些实施例中，处理器模块被配置成运行概率函数以确定EOL的概率和/或多个EOL风险因素中的一或多者的恢复可能性。在一些实施例中，基于一或多个参数而将风险因素映射到得分(例如，从0到1)。可通过函数映射得分，所述函数将特定风险因素或一组风险因素转译为EOL风险因素值，其指示(例如)传感器从来自EOL的特定风险因素恢复的可能性。可使用将风险因素输出转译为EOL风险因素值的其他方法，如所属领域的技术人员所了解，例如通过使用一或多个准则、算法、函数或方程式。
在一些实施例中，使用预定隶属函数将风险因素模糊化以便量化它们的倾向来指示EOL。如本文中所使用，隶属函数定义满足条件的程度，或值属于由所述函数定义的模糊集合的程度。在二元逻辑中，数字将完全地或根本不满足条件；在模糊逻辑中，数字可在由隶属函数描述的某一程度上满足条件。
作为二元指示符函数的实例，将噪声水平与硬阈值(例如“5”)进行比较；低于5的任何值(例如4.9)被视为无噪声，且高于5的任何值(例如5.1)被视为具有不可接受水平的噪声。作为模糊隶属函数的实例，可使用S形形状来定义噪声水平的评估中的平滑过渡。曲线的拐点被设置为5，因此在那个点处不存在不连续性。因此，现在非常类似地处理如上文的噪声的相同值(4.9和5.1)。模糊化是确定值属于由特定隶属函数定义的模糊集合的程度。
在一些实施例中，如果确定每个变量满足阈值，那么多个风险因素中的每一者部分地指示传感器的EOL。在一些实施例中，如果确定多个风险因素中的至少两者满足阈值，那么所述至少两个风险因素的组合指示传感器的EOL。
所述系统可被配置成确定EOL状态。在一个实施例中，可使用可能性或概率分析来确定传感器的EOL状态。风险因素的输出变为到EOL确定过程中的输入。举例来说，可将风险因素的输出映射到EOL风险因素值(例如从0到1的值)、概率或可能性得分、实际值(来自风险因素评估的输出)，和/或类似者。EOL风险因素值随后变为到EOL确定函数中的输入，借此可使用概率分析、决策矩阵、各种子例程或类似者对风险因素进行加权或以其他方式处理，以确定实际EOL指示符、EOL的概率(或可能性)、所预测的到EOL的时间，或类似者。可将概率函数、决策函数、各种子例程或类似者实施为EOL确定函数，如所属领域的技术人员所了解。
在一个实施例中，可将决策融合用作借以处理各种输入的函数。决策融合可基于与每个输入或变量相关联的个别检测器算法的敏感度和特定性而提供融合贝叶斯可能性估计。测量合适的风险因素且融合在一起以确定传感器是否已达到EOL。可基于每个个别风险因素而作出“是”EOL或“否”EOL的决策。举例来说，如果传感器敏感度已在某一时间量Δt内减小多于Δm，那么为“是”EOL，否则为“否”，或如果传感器已在最后24小时中的多于12小时内具有严重噪声(高于预定阈值水平)，那么为“是”EOL，否则为“否”。
可将个别决策组合为单个贝叶斯可能性值，其可用于使用每个变量在检测EOL时的敏感度和特定性而作出关于EOL的最佳最终决策。首先，使用以下方程式将每个决策转换为可能性值：
其中d是0或1(否或是)的二元决策，H1是存在EOL的情况，H0是没有EOL的情况，且P()是概率函数。实际上，这意味着对于“是”决策，λ＝敏感度/(1-特定性)，且对于“否”决策，λ＝(1-敏感度)/特定性。对于具有高敏感度和特定性的个别变量测试，λ对于为1的决策将非常高，且对于为0的决策将非常小。
在一些实施例中，个别可能性值一起相乘以用于最终融合可能性值，其考虑到每个个别变量将EOL与非EOL分离的能力。因此，在最终决策中将向更敏感和特定的测试给予更大权重。可通过经验确定最终融合可能性值的阈值，以实现EOL和非EOL的最佳分离。
在一些实施例中，通过取得输入变量且提供输出决策，可将线性判别分析(LDA)用作EOL确定函数。
在一些实施例中，当使用预定隶属函数将EOL输入或变量模糊化时，根据预定权重来缩放所有数据质量度量的所得隶属程度，且进行组合以产生所计算的血糖值的总质量的指示符。所述权重可适用于每个度量且可展示度量对EOL的指示性如何。这些实施例可使用若干模糊逻辑概念，例如如上文所描述的隶属函数和模糊化，以确定每个数据质量度量的严重程度。EOL检测的结果可为置信度指示符，其确定EOL超过简单的通过/失败准则的可能性。
在一些实施例中，可基于传感器不从事件恢复的可能性而不是事件的发生率而确定EOL状态；可将传感器不恢复的可能性定义为传感器有可能不再准确或具有长噪声片段(例如，基于风险因素评估)时的状态。EOL指示符还可指示恢复概率(例如，当片段可为瞬时而不是末期时)。在一些实施例中，所述系统可被配置成确定恢复可能性和/或监测接下来的x小时内的传感器或传感器数据，以确定传感器是否可从EOL症状恢复(例如，传感器在接下来的24小时内向用户提供准确数据的可能性)。在一些实施例中，如果确定传感器在未来(例如，24小时)不跟踪血糖或在数小时(例如，12小时)根本不展现血糖的高概率，那么传感器将仅被确定为处于EOL(例如，可通过使用标准(例如，在20％或20mg/dL内)将EGV与参考BG进行比较而确定不准确度)。
所述系统可任选地被配置成监测风险因素(例如，在EOL指示符确定EOL的可能性之后更频繁地监测)，以确定是否更有可能的是传感器将不从EOL确定恢复。可从所属领域的技术人员所知的函数或算法选择适合于确定传感器是否将从EOL恢复的函数或算法。举例来说，确定传感器是否将恢复可为基于一或多个风险因素的评估的0到1缩放。
在一些实施例中，所述系统可被配置成基于最近历史而确定传感器从EOL确定恢复的可能性。举例来说，EOL确定函数可确定EOL状态比存在传感器在未来将不跟踪血糖或传感器在延长的持续时间内根本不检测血糖的高概率的情况更有可能。延长的持续时间可包含超过12小时的时间段。在一些实施例中，处理器模块被配置成在恢复可能性的验证或确定期间暂停传感器数据的显示，此后，处理器模块可被配置成在确定传感器已从EOL症状恢复的情况下重新允许显示传感器数据。
在一些实施例中，可使用EOL的间歇符号来开启高级信号滤波技术。描述了此类滤波技术，例如，如专利第8,260,393号中更详细地所描述，其以全文引用的方式并入本文中。
在一些实施例中，监测应用程序可起始倒计时定时器，其在到期后就要求或建议插入新传感器。
在美国专利公布案第US-2014-0182350-A1号中找到“寿命终止”传感器问题的额外细节，其为本申请的受让人所拥有且以全文引用的方式并入本文中。
返回到图18且具体来说返回到故障316，可将故障分类为系统错误，例如，其导致错误信号假影。在这些故障中，系统错误(例如，与传感器、传感器内的连接或传感器电子器件、传输器错误和类似者相关的系统错误)可导致多种不利的信号假影，从而导致不可靠的分析物读数。一个子分类包含可导致水尖峰的密封失效。可用于测试此类故障的信号的示范性预定信号准则包含短时间段内的原始信号改变(例如，快速正上升)。可用于此故障判别中的其他信号包含传感器的温度，其可指示患者已进入淋浴房或热水浴缸。其他示范性信号准则包含当日时间和/或来自温度传感器的信号。此处应注意，在此背景下采用温度来确定临床背景信息，且是用于确定临床背景的目的，这与使用温度自身(例如)用于温度补偿相对。因此，对于用作临床背景信息，一般将测得温度与临床背景准则进行比较以确定临床背景信息。所提到的确定常常需要额外的临床背景信息来避免不明确性。举例来说，如果传感器的温度(测得信号)上升到某一值，或上升高于某一值的预定阈值(临床背景准则)，例如，5°，那么此可指示正在淋浴(临床背景信息)。当连同其他临床背景信息(例如，图案数据(例如，用于淋浴的规则当日时间)和/或信号数据(例如，尖峰))一起考虑时，可导致水尖峰的明确评估。另一子分类包含与静电噪声相关的故障，所述静电噪声可由于尤其在重复活动和干燥天气期间衣服对传感器或电子器件贴片的摩擦而引起。可指示此类故障的信号信息包含信号的频率含量的分析以及与故障判别准则的比较。临床背景数据可包含用户移动或锻炼的指示，所述指示是例如从与监测应用程序进行数据通信的传输器上或伴随的移动装置上的加速度计数据收集。
另一子分类包含与运动假影相关的故障，例如由传感器贴片区域周围的锻炼或其他运动引起的运动假影。如果患者将传感器穿戴在他们的上臂背部或其他类似位置，那么此类故障可尤其常见，这是因为此类位置一般更容易遭受影响传感器部位的运动。可用于判别此类故障的信号准则包含信号形状自身的分析，包含形态、时间、频率和分布方面。此类故障的临床背景数据包含锻炼或活动水平的检测，例如可从加速度计、GPS、用户输入或类似者收集。
另一子分类包含与漂移相关的故障。举例来说，漂移可在量m或b中的任一者方面，其中y＝mx+b，其为回归方程式，其中斜率M表示传感器的敏感度，且截距b表示背景或偏移。判别此类故障的信号准则可包含在同一电极处测量第一时间的电位且测量第二时间的电位，以及确定是否已出现m或b的漂移。校准误差也可指示此类漂移故障。
又一子分类包含与不良连接和/或折断电线相关的故障。可用于判别此类故障的信号准则包含检测高频噪声，其可为不良连接或折断电线的特性。还可采用模糊逻辑来确定噪声的类型，尤其是在其可例如在改变率的陡改变期间与其他种类的噪声区分开时。
还将理解其他分类方案。举例来说，且参看图19的流程图299，如果故障判别例程确定可例如通过预测或其他种类的信号处理来校正信号(步骤301)，那么可将故障分类为“类别1故障”(步骤303)且可应用适于此类故障的信号处理。如果不可以，那么所述例程可确定是否应暂停显示(步骤305)，且如果是，那么可将所述故障分类为类别2故障(步骤307)，且暂停显示。如果不暂停显示，那么所述例程可确定用户输入是否将有助于校正故障或判别故障(步骤309)，且如果是，那么可将所述故障分类为类别3故障(步骤311)。在此情况下，可提示此类用户输入。最后，所述例程可确定是否应更换传感器、传感器电子器件、监测装置，或其组合(步骤313)。如果是，那么可将故障分类为类别4故障(步骤315)。与上文一样，对于所有这些类别，将定义预定信号准则和预定临床背景准则，其在被满足的情况下将致使故障与一或多个类别相关联。将理解，可以不同次序执行以上步骤。
作为分类方案的又一实例，例程可使用查找表，其切断某些信号行为和临床背景信息。举例来说，参看图20，展示查找表，其切断信号行为和两条临床背景信息。展示示范性信号行为和临床背景信息，但将理解，所展示的有限数目是出于清楚起见，且一般来说还可采用许多其他数目。
类似地，可应用对故障判别或分类的分层方法。参看图21，故障判别或分类可通过以故障的出现次序列举故障而出现，例如从最常见的故障到最不常见的故障，连同每个相应故障的适当的信号分析和临床背景准则一起。算法或例程可以最常见的故障开始而随后确定当前信号分析和临床背景数据是否满足准则。如果是，那么分析在那里结束且可从表确定故障或故障类别。如果否，那么分析可继续到下一最常见的故障，再次将当前信号分析数据和临床背景信息应用于给定故障的预定准则。通过消除过程，可确定故障或故障类别。因为故障是以它们的流行次序列举，所以此类分层方法可导致快速的故障判别或分类或在一些情况下导致优化的故障判别或分类。
故障判别或分类的又一方法包含使用“决策融合”方法。在这些方法中，可从多个输入作出故障判别、分类或确定。决策融合使用静态模型来最佳地组合来自多个输入的信息，例如，临床背景数据和信号分析数据，且产生所述数据与特定故障或故障类别相关联的可能性值。此类方法尤其用于将各种各样的输入(比如血糖改变率和最后二十分钟的接收器按钮按压数目)组合为单个可能性尺度。关于在预测不想要的事件(例如，低血糖)的过程中的每个输入的敏感度和特定性的先前信息用于确定在最终输出中给予每个输入多少权重。
在美国专利公布案第2014-0182350-A1号中提供关于决策融合方法的额外细节，其为本申请的受让人所拥有且以全文引用的方式并入本文中。
虽然以上描述已论述示范性分类和故障类型，以及其判别，但将理解，可使用用于识别特定类型或类别的故障的任何方法，无论是定性还是定量。
响应信号处理
由图22的图解326说明响应信号处理328的各种类型的步骤。给定情形中采取的步骤取决于所判别的故障以及临床背景信息，且下文给出特定实例。以下是此类步骤的示范性但非详尽性列表。
首先，如上文结合在没有用户介入的情况下可检测且可处理的故障所论述，可采用步骤332，其中调整滤波或作出分析物浓度的预测。可出于若干原因而执行这些步骤，包含补偿归因于故障或归因于补偿故障的信号处理而引起的时间滞后。
在噪声滤波的情况下，可在分析物浓度的高改变率的临床背景期间减少噪声滤波。以此方式，如果例如血糖等分析物具有快速改变的浓度，那么减少的滤波将导致取得或接收额外的数据点以便获得用户的血糖状态的更准确的图片。以此方式，可更紧密地且快速地跟随快速改变期间的值，进而在需要响应的情况下实现更快速的响应。相反地，可在分析物浓度的低改变率的临床背景期间增加滤波，尤其是在高噪声状态下。在替代性实施方案中，可通过使用如上文以及下文所描述的模糊滤波来增强滤波。还可在其他实施方案中采用其他技术，包含使用回归和残差，如下文在图37的背景中所描述。
更详细来说，可在低分析物浓度(例如，低血糖状态)的临床背景期间减少滤波。以此方式，减少的滤波致使以更及时的方式(即，以与更多滤波相比较相对较小的时间滞后)处理数据点。在图23A中看到所述情形，其中看到接近低血糖状态的临床血糖值。噪声值相对稳定。然而，当血糖值接近或进入低血糖状态时，减少滤波水平以提供检测和处理低血糖事件所需的更具响应性的系统。
可应用步骤332的另一情形是噪声属于特定预定类型或严重性的情形。在这些情况下，甚至在不考虑临床背景的情况下可调整滤波，例如，从而增加特别有噪声的信号的滤波或减小尤其平滑的信号的滤波。在图23B中说明此情形，其中再次在低血糖时段期间减少滤波。当用户不再处于低血糖状态时，看到滤波回到正常值。另外，当原始信号遇到更大水平的噪声时，例如，在用户在跑步或慢跑的情况下，应用甚至更重的滤波器。一般来说，除了临床背景信息(例如，分析物浓度的改变率)之外，还可基于噪声类型和严重性而平衡滤波。
在使用信号处理或操纵的响应处理的相关步骤中，可如上文关于图9所提到而更改取样速率。具体来说，可将取样速率调整为更快或更慢的速率以适应各种故障情形。举例来说，如果通过原始信号的突然向上或向下方向来指示故障，那么可自动地增加取样以允许接收额外的数据，从而允许对基本现象的更好的理解。
在响应处理的另一步骤中，可将偏压电位改变为可能较不容易遭受某些故障类型(例如，较不容易遭受噪声)的电位。
返回到图22，另一种类型的响应处理是使监测装置进入自诊断模式(步骤334)。在此模式中，监测装置可运行若干例程来进行自测，且进而尝试确定故障的源。在一些情况下，可自动地纠正故障，且在其他情况下，所述故障可需要用户介入。用户介入的等级可变化，例如从执行校准步骤的相对非侵入性步骤到需要更换监测装置的更极端的步骤。在自诊断模式中，可跨不同的电位执行扫描步骤以确定传感器的适当行为，例如，以检测指示参考电极耗尽或归因于缺血状况而引起的不稳定性的参考偏压移位。自诊断例程还可与瞬时信号、脉冲信号或类似者一起运行，且可在各种频率内对其进行扫描。还可采用此类模式来测试不同电位处的故障行为，这是因为故障可能在不同的电极电位处或当切换电极电位时有不同的表现，例如，这通过瞬时响应或衰减曲线来证明。自诊断例程还可以测试传输器，且可进一步执行其他地方所提到的慢对快取样技术中的分辨率的比较。
另一类型的响应处理是执行补偿故障的步骤(步骤336)。举例来说，一种类型的补偿是在故障的持续时间内提供所预测、所预报或所预期的分析物浓度值。举例来说，如果在原始信号值中经历向上尖峰，但临床背景指示高血糖值或血糖正常，且如果其他临床背景信息指示当日时间是早晨，那么可推断例如可能在早晨淋浴期间导致的进水故障，且基于在进水之前看到的值以及(例如)其他临床背景信息而使用所预测的血糖值替换实际血糖值。可类似地使用冗余信号和平均信号。应注意，预报的使用可取决于背景，例如用户在睡眠还是摄入膳食。
预报还可以用于基于血糖状态而补偿时间滞后。具体来说，且如上文所提到，时间滞后可尤其在高分析物浓度改变率的时间期间且在总体低的分析物浓度值下导致不利的结果。因此，可在这些时间期间有利地采用预报或预测值的使用和显示。
然而，在一些临床背景中，可能不鼓励使用预测值。举例来说，由预测值进行的故障补偿在高血糖值下可为安全的，但在低血糖值下可能更危险。在这些情形中，临床背景可指示响应处理应需要采取手指刺扎测量，而不是执行补偿步骤。
除了提供预测之外，还可通过使用特定算法来补偿故障。举例来说，为了补偿所判别的挤压故障，可采用最大平均算法，尤其是在临床背景指示当日时间是晚上时间且患者高于某一临床血糖值的情况下。
还将看到其他类型的响应处理。举例来说，在下文更详细地所描述的多传感器系统(例如，多电极系统)中，可如上文所提到而接收和采用冗余信号，且在此类系统中，可隔离且进而补偿归因于局部传感器环境而引起的效应。在又一类型的响应处理中，在信号上存在大量噪声的情况下，可关闭CGM值且应用非常重或激进的滤波器。CGM可仍提供尤其关于趋势的报告，但此类报告将仅包含通过激进滤波器看到的趋势。对于血糖的实际值，可提示用户使用手指刺扎。
可在没有显著用户输入或甚至在用户不了解在进行步骤的情况下执行上述步骤332、334和336。相比而言，以下步骤338和342的许多实施方案需要用户了解且在一些情况下需要用户介入。
举例来说，另一类型的响应处理是更改监测装置的显示(步骤338)。以此方式，可向用户提醒例如当前血糖值不可靠的情形，且可进一步提示用户输入额外信息，所述额外信息可由算法用于进一步处理，例如，以便输入膳食或锻炼信息。还可提醒用户执行某些步骤来减缓故障。举例来说，在高噪声时段期间，尤其在用户接近重要值(例如，低血糖和高血糖阈值)的情况下，可由系统请求额外校准。类似地，如果将故障判别为挤压故障，那么可引导用户解除对传感器的挤压。还可向用户询问所判别的故障的各种潜在原因，例如“您曾躺在您的传感器上吗？”。在某些实施方案中，尤其在CGM正检测低血糖浓度值时，可提示用户执行手指刺扎以确定他们的实际血糖值。可将此类测量和询问的结果反馈到用户分布图中，且在稍后用于个性化故障判别例程。换句话说，可触发自适应或机器学习，且系统可因此在故障特性或给定患者典型特征方面被提醒，从而实现更快速的可作用提醒。
在又一实施方案中，可向输出提供算法已计算分析物浓度的置信度的指示符(步骤339)，例如置信水平、指示当前故障的类型或严重性的“故障指数”，或类似者。可采用显示或背景的色彩以不显眼地向用户指示数据置信度。可延迟输出，或在输出上放置注意事项。可提供潜在分析物浓度值的范围以指示数据的固有不确定性。可修改或调整提醒和警报条件以考虑归因于故障而引起的数据的不确定性，例如，可调整为更保守的值。替代地，可暂停某些警报以减缓错误或让人分心的警告。另外，可例如经由置信度度量基于数据质量中的置信度而改变输出。
更详细来说，存在分析物监测器中可存在的不准确度和不精确度的各种源。这些源包含原始传感器信号中的噪声和/或不精确度、参考和校准误差、分割效应和分析物参考时间失配、生理外来身体响应，和瞬时电、化学和生物干扰。可通过检查先前传感器数据和/或使用基于Monte Carlo的误差预算模型来量化这些误差源。所述误差的组合导致不准确的CGM血糖读数，但不准确程度随着不同条件而变化。举例来说，众所周知，当前皮下传感器在第一天使用期间与稍后天相比较具有较小的准确度。一些传感器倾向于在血糖的快改变率期间表现得较不准确(与稳定状态血糖趋势相比较)。累加性准确度量度未能考虑个别点之间的准确度差。通过利用Bland-Altman型标绘图(Bland-Altman style plot)或Clarke误差网格(Clarke Error Grid)可在后处理步骤期间将误差视觉化并详细地进行检查，但此类工具有时难以使用，且一般在性质上是可追溯的。
一种确定置信度指示符的方式是通过以下技术。首先，收集原始传感器数据和诊断信息。诊断信息可包含信号噪声水平、局部趋势信息、来自辅助传感器的数据，或类似者。此信息用于正常血糖值计算，但还可用于评估数据中的置信度。在下一步骤中，根据经验和/或自适应准则来评估所有条数据以便确定信号的各种方面的质量，例如噪声水平、与先前测量的一致性，或类似者。例如针对传感器敏感度和基线、传感器工作条件等执行中间计算。还根据单独组的准则来评估操作特性以提供额外信息。在此步骤中，搜集且量化有效信息以提供足以产生置信度的良好估计的置信度技术。
随后使用预定“隶属函数”包含适用的所有条信息的数据质量度量，以便量化它们导致所得血糖值的不准确度的倾向。在模糊逻辑的技术中，此类技术被称为“模糊化”或“经模糊化”。根据预定权重来缩放所有数据质量度量的所得隶属程度，且进行组合以产生计算的血糖值的总质量的指示符。所述权重适用于每个度量，且展示所述度量对不准确的血糖值的指示性如何。举例来说，不同度量对整个置信度指示符的相对贡献可如下。最近的血糖值可在其导致不准确度的倾向中具有19％的质量，而血糖趋势一致性可指示34％的置信度指示符贡献，血糖信号稳定性可贡献28％，且压力信号可贡献19％。
所述技术随后可以确定每个数据质量度量的严重程度。在以上术语中，隶属函数定义满足条件的程度，或值属于由所述函数定义的模糊集合的程度。在常规二元逻辑中，数字将仅或根本不满足条件；在模糊逻辑中，数字可在由隶属函数描述的某一程度上满足条件。模糊逻辑随后可用于确定信号中的噪声水平是否为所关注的原因。
图23C指示模糊隶属函数。S形形状定义噪声水平的评估中的平滑过渡。曲线的拐点被设置为5，因此在那个点处不存在不连续性。因此，非常类似地处理噪声的类似值，例如4.9和5.1。模糊化是确定值属于由特定隶属函数定义的模糊集合的程度，且所述图示范使用所提供的隶属函数将值4.9和5.1模糊化的结果。0.45和0.55的所得隶属值在两个噪声水平之间的类似性方面反映相对于阈值的所述噪声水平两者。使用此类模糊逻辑会改进系统的准确度和算法在将具有不准确可能性的点标记为不可接受方面的选择性。所述技术可增加准确且显示的血糖值的数目，且减小准确但错误地消隐的值的数目。此还可有助于减小假警报的发生率，且向用户提供可作用警报以辅助解决与系统中的数据一起出现的问题。
除了包含此类情形来确定噪声之外，还可与所显示的血糖值一起提供置信度水平指示符(步骤339)，且将其用于计算。优点包含除了简单的通过/失败准则之外，置信度水平指示符还可确定血糖值是否可接受。此可辅助消除单点失效以及使分析物监测算法在它们对数据的分类方面更智能。
最后，在提醒显示的步骤338中，应注意，输出显示可基于临床背景信息而变化，甚至在分析物浓度的共同值的情况下也如此。
再次返回到图22，作为响应处理的又一实例，可致使监测装置在多个治疗模式之间切换(步骤342)。在此实施方案中，故障可导致闭环或连接药剂泵进入其为开环或仅半闭环的模式。类似地，系统可从具有治疗数据可用性改变为具有附属数据可用性。并不使泵动作基于临床血糖值，而是可将临床血糖值提供给用户，且用户随后可以控制泵动作，或执行泵动作的应答或校验的肯定步骤，其中用户一般考虑到其他已知数据。举例来说，可在判别浸渍且恢复故障或生物淤积故障后就进行此类开环处理手段。
类似地，可致使分析物监测器进入校准模式，例如，对照血糖仪校准或工厂校准来校准分析物监测器的模式。还可以修改校准方案以便实现由手指刺扎或其他测量确定的解译或加权。在相关技术中，所述系统可指示用户提供血糖手指刺扎值，但可将那个校准标记为已知误差，且仅在确定误差或故障已被纠正之前将其用于校准目的，在此情况下，暗示用户提供额外的校准点，且所述系统随后忽略先前确定的故障校准点。
甚至在没有切换模式的情况下，一种类型的响应处理是管理或控制或致使或指示用户管理或控制涉及糖尿病管理的装置(例如，仪表、泵、CGM和类似者)之间的交互。以此方式，可指示用户更紧密地或手动地控制装置之间的交互，使得一个装置上的故障不会传播和在下游装置上导致错误。此类响应处理可包含减小胰岛素量的风险阈值、调整默认基本模式，和类似者。
还将理解其他类型的响应处理。举例来说，可将“旗标”放置在数据上以指示其较不可靠。对于已知为有故障的某些数据，即使仍使用所述数据，也可减少归于所述数据的权重。无论是什么类型，所提到的响应处理步骤的益处和优点都是其通过允许传感器继续工作直到检测到永久失效而倾向于延长传感器的寿命。这导致对用户而言的显著成本和便利优点。此优点可与一般在预定数目天之后具有硬切断的先前传感器形成对比。
以上类型的响应处理一般是其中从信号判别故障而未必考虑临床背景，但其中响应处理是基于故障和临床背景信息(机制I和II)。然而，如上文所提到，故障判别和响应处理两者可基于临床背景信息，即，可考虑信号和临床背景两者来判别故障以及确定如何响应于故障(机制III)。
特定实例将包含以上各者的组合。在一个特定实例中，可基于当日时间的临床背景(即，晚上)而将故障判别为归因于挤压。响应处理可基于另一临床背景，例如血糖状态。举例来说，如果用户具有高血糖水平，那么可通过预测来补偿故障。
在另一实例中，可将故障判别为早期创伤响应，即，浸渍且恢复故障。响应处理可为在此时间期间忽略校准，且回复到所确立的工厂值，即，先验校准。一旦确定浸渍且恢复假影结束，便可请求且采用校准。
在又一实例中，可基于数据和临床背景而判别水尖峰或进水故障。对其的响应处理可经由补偿的步骤，例如，通过在使用背景证明呈现时减去“尖峰”分布图，且进一步任选地执行额外校准。
在又一实例中，如果遇到短持续时间噪声事件故障，且如果血糖改变率是已知的且低，那么响应处理可包含使用预测算法来估计噪声事件期间的血糖值。另一响应处理可包含例如用数字提供信号的置信度水平的指示符，或使用例如红色、黄色和绿色等色彩，或类似者。
实例
现在提供各种特定实例。
图24展示挤压故障的示范性发生。挤压通常在例如从大约20分钟直到数小时的较短时间段内发生。在许多情况下，当血糖水平相对稳定时也发生挤压故障，这是因为用户通常在睡眠且不摄入食物或口服胰岛素。因此，可基于血糖下降(与预测值相比较)或通过检查改变率来检测挤压片段的开始。因此，信号分析将指示电位或计数下降，且临床背景将指示与正常血糖分布图的差(针对特定主体)、与主体的预测值的差(基于从实时值的外插)，或类似者。可采用的其他临床背景数据包含当日时间，例如，晚上。另外临床背景数据可为血糖水平在突然下降之前是稳定的。
对故障的响应处理(例如补偿)可通过预测，例如使用已知或信任值例如从血糖仍可靠时直到某一时间段(例如，40分钟)来扩展信号值，只要所述片段之前的血糖水平高于某一阈值(例如100mg/dL)且先前改变率小(例如，小于0.5mg/dL/min)即可
如果未满足这些条件，那么可执行替代性响应处理。举例来说，可消隐显示且用户被警报叫醒，这是因为如果未满足条件，那么用户可能潜在地进入低血糖状态。
还将理解对挤压的其他响应。举例来说，可提示用户改变身体位置以便移除挤压。然而，如果临床背景指示当日时间是晚上，那么可暂停此类提示且响应处理限于闭环模式中的动作(除非需要用户介入或提醒)。在某些其他临床背景中，响应处理可为不做任何事，尤其是在响应处理将添加很小的值的情况下。举例来说，在检测到晚上挤压片段时向用户警告可不会向用户提供额外洞察(如果他们的当前读数是180mg/dL(指示真实血糖高于所述值))。此读数指示升高的血糖值，因此临床响应将相同，例如，补偿。换句话说，恰好因为检测到故障并不意味着响应处理始终是关于所述故障的肯定动作，所以响应处理可能将不执行动作或步骤。
作为另一实例，用户的实际血糖水平可为87mg/dL，且CGM的读数可为77mg/dL。故障判别算法可基于信号数据和临床背景而适当地检测挤压事件。故障判别算法可将故障量化为-25mg/dL偏差，但在此实例中，真实挤压偏差实际上是10mg/dL。如果响应处理是补偿所检测的故障，那么将把25mg/dL添加到CGM读数，从而产生102mg/dL的读数。替代方案是使CGM具有负偏差。在此情况下，使CGM具有负偏差是更安全或更保守的方法，且因此故障判别算法可基于用户的血糖状态(例如低于预定血糖阈值)而选择不执行所述情形中的补偿步骤。
关于挤压，一般多个输入馈送到特定故障的明确确定中。如上文关于传感器寿命终止(“EOL”)确定所描述，可采用明确地确定此类故障或以所需程度的概率确定此类故障的方法。所述多个输入可构成风险因素，且可周期性地或间歇地(例如，在接收到传感器数据或其他者的情况下)评估所述风险因素。可随时间反复地确定、求平均或趋向风险因素，且将结果用于稍后处理中。
用于挤压的合适风险因素可包含传感器读数、传感器可变性、当日时间、图案数据以及各种其他者。在一些实施例中，处理器模块被配置成评估各种风险因素以提供挤压风险因素值，其可包含简单的二元(是/否)指示符、可能性或概率得分(例如，相对比例或百分比)和/或实际数字(例如，各种测试的输出)。与EOL风险因素一样，处理器模块可被配置成运行概率函数以确定挤压概率和/或多个挤压风险因素中的一或多者的恢复可能性。在一些实施例中，基于一或多个参数而将风险因素映射到得分(例如，从0到1)，其随后又可由函数映射，所述函数将特定风险因素或一组风险因素转译为挤压风险因素值，其指示(例如)传感器从来自挤压的特定风险因素恢复的可能性。可使用转译风险因素输出的其他方法，如所属领域的技术人员所了解，例如通过使用一或多个准则、算法、函数或方程式。在其他实施方案中，可采用模糊逻辑来确定挤压故障的概率，如可为决策融合，此两者在其他地方予以描述。在根据实施方案的确定中，还可采用查找表、专家规则、神经网和类似者。
在以上实例中，看到针对响应处理的多个替代方案。对于某些故障，可仅存在一个替代方案。举例来说，如果故障是浸渍且恢复或氧噪声，那么可消隐显示，而不管数据的其他背景信息或特定特性。
图25描绘早期创伤响应的情况，例如“浸渍且恢复”故障。此类故障倾向于以许多方式出现，比如低血糖水平，且有时难以仅通过检阅未经校准的数据在不考虑临床背景的情况下对其进行判别。
如上文所提到，浸渍且恢复故障是归因于生理早期创伤响应而引起的最近植入的传感器的特性。因此，在一个示范性实施方案中，且参看图26的流程图344，自植入以来的时间可用作故障判别中的信号分析准则。举例来说，如果信号分析指示自植入以来的时间介于(例如)两小时与六小时之间(步骤346)，且如果确定临床背景是进入低血糖状态(步骤348)，那么可检测到潜在故障(步骤351)。
为了判别故障，一种类型的响应处理是进入频繁取样模式(步骤352)，例如，每30秒，以便断定血糖水平的改变率。如果改变率是浸渍且恢复故障的特性(步骤354)，例如，符号是负且量值大于阈值，那么可发生各种类型的响应处理。举例来说，可提示用户例如经由手指刺扎而手动地测量他们的血糖水平(步骤356)。替代地，在已提供适当传感器的情况下，可测量另一不同化学物质(例如NO)，其可由相信是由于浸渍且恢复故障导致的炎症细胞释放(例如，因为炎症细胞可能消耗葡萄糖)。在一些情况下，可执行以上两个步骤。以此方式，将基于数据和/或临床背景两者而判别故障。
如果故障被判别为归因于浸渍且恢复，那么可进行响应处理。响应处理可采取若干形式，包含通过取决于患者的针对预测或预报的最后血糖输入(步骤362)来补偿故障。在一些情况下，如果基础信号不表示血糖浓度且如果预测算法不可用(例如因为最小数据)，那么可跳过补偿步骤且不执行动作(步骤364)。
还将理解其他类型的响应处理。举例来说，如果先前在高血糖范围中测量血糖，那么可消隐监测器装置的显示屏(步骤366)，以便不传送潜在错误读数。因为患者开始于高血糖状态，但改变率指示血糖值减小，所以此可不立即呈现危险情形。当然，显示屏被消隐的时间长度可取决于临床背景(例如，高血糖的水平、负改变率的量值，和类似者)而变化。
另一方面，如果患者开始于血糖正常或低血糖，那么可提醒患者(步骤368)。在此情况下，恰在改变率反映实际血糖值且不是由于浸渍且恢复故障导致的情况下，于是可发出提醒以向患者警告潜在的即将发生的低血糖状态。与高血糖状态一样，所采取的实际步骤可取决于临床背景的其他方面。
某些实施方案可需要询问患者(步骤372)，以便获得关于临床背景的额外信息。举例来说，可向患者询问他们是否在最后数小时内摄入膳食，和/或最近是否配给胰岛素。如果接着未发生患者响应，那么可发出警报。
其他变化包含向所显示的血糖值提供修饰符(例如血糖值范围)，以指示归因于由故障导致的不确定性而引起的潜在临床值。还可以采用历史数据，例如，基于当日时间和其他临床背景，以便计算范围或告知其他响应处理。
与挤压故障和EOL确定一样，浸渍且恢复故障也一般涉及将多个输入馈送到它们的确定中。且如上文，可采用明确地确定此类故障或以所需程度的概率确定此类故障的方法，包含考虑周期性地或间歇地评估的多个风险因素。
用于浸渍且恢复的合适风险因素可包含传感器读数、自植入以来的时间、图案数据以及各种其他者。在一些实施例中，处理器模块被配置成评估各种风险因素以提供浸渍且恢复风险因素值，其可包含简单的二元(是/否)指示符、可能性或概率得分(例如，相对比例或百分比)和/或实际数字(例如，各种测试的输出)。与EOL风险因素一样，处理器模块可运行概率函数以确定浸渍且恢复的概率和/或多个风险因素中的一或多者的恢复可能性。可使用转译风险因素输出的其他方法，如所属领域的技术人员所了解，例如通过使用一或多个准则、算法、函数或方程式。在其他实施方案中，可采用模糊逻辑来确定浸渍且恢复故障的概率，如可为决策融合，此两者在其他地方予以描述。在根据实施方案的确定中，还可采用查找表、专家规则、神经网和类似者。
图27说明基于信号分析(包含温度数据和当日时间准则，其当组合时提供指示患者淋浴的临床背景信息)而对“淋浴尖峰”的故障判别。具体来说，在信号分析步骤中，传感器信号输出374指示点375处的信号上升，其与温度标绘图376中的点377处的温度上升相关。在临床背景信息的分析中，与其他用户相比较或基于此特定用户的图案数据，尖峰的当日时间与用户淋浴的时间一致。可看到其他临床背景信息，例如，在点377处的尖峰之前在部分382和384处的温度下降，其可指示患者已离床。
为了进一步判别此故障，在基于信号分析和临床背景而识别潜在故障的情况下，可执行测试以寻找“短路”电极。举例来说，可进入自诊断模式且改变偏压电位。所述系统随后可寻找响应的缺乏(短路可一般视为不响应于各种给定刺激)。
举例来说，在一个实施方案中，根据本发明的原理的系统和方法可提供一种判别故障的方法，其包含基于信号分析和关于临床背景的数据而识别潜在故障的步骤。其他步骤可包含进入自诊断模式且执行各种任务，例如改变偏压电位且检查响应。举例来说，响应的缺乏可指示“短路”，这是因为其可一般视为不响应于各种给定刺激。
与EOL、挤压和浸渍且恢复故障一样，可采用合适和多个风险因素输入而使用统计和概率模型(包含模糊逻辑和决策融合分析)以及在确定中使用查找表或类似者来确定淋浴尖峰故障。
图28说明挤压故障的故障判别的另一实例。迹线386对应于温度，且迹线388和392对应于未缩放的成对传感器迹线。基于迹线的信号分析特性包含在挤压事件的开始和结束时的低水平的高频噪声394，以及传感器信号中的突然移位396。在传感器迹线388中说明这些移位。成对传感器迹线392表示穿戴在患者另一例上且因此不经受挤压的相似类型的传感器。迹线392因此与具有显著假影的迹线388相比较展示可靠的血糖信号。临床背景信息指示睡眠中的用户，其可由与用于睡眠的某些准则相比较的当日时间确定。其他临床背景信息包含升高的温度，以及计量值的缺乏(未图示)，其指示患者最近尚未进行手指刺扎。
在用于挤压故障的故障判别的方法的一个实施方案中，针对各种方面接收和分析信号。举例来说，可针对低水平的高频噪声来分析所接收的信号。作为另一实例，可针对在传感器信号的显著或持续减小的开始和结束时的传感器信号中的大于预定阈值的移位来分析所接收的信号，例如其特征是信号值的陡下降，随后是持续减小的值的时段，随后是信号值的陡增加。用于故障判别的方法可进一步包含与临床背景准则相比较来分析临床背景数据，以便确定临床背景信息。举例来说，所接收的临床背景数据可包含与不存在故障时可预期的温度相比较升高的温度、当日时间(例如，在预期是睡眠的时间的情况下)，以及其他此类数据。如果穿戴两个传感器，那么可针对一个传感器经历信号值减小而另一个传感器没有经历的情形来分析所接收的信号。根据上述信号分析和临床背景信息，所述系统和方法可判别已发生挤压故障。
图29A和图29B说明故障判别的另一实例，其中故障再次是进水。这些图表示不同天的同一患者。迹线402和402’指示温度读数，且迹线404和404’指示传感器读数。
可以若干方式确定临床背景信息，例如，通过将温度与预期温度的临床背景准则进行比较、通过将当日时间(或另一尺度，例如周时间)与临床背景准则进行比较，或类似者，且以此方式确定行为图案(例如淋浴)。此类图案可视为在工作日高度地一致，且因此此实例中的临床背景信息指示淋浴中的用户。更特定来说，临床背景准则指示信号经历突然增加(参看所提到的故障区)随后是数小时时段内的衰减的规则当日时间。可与临床背景准则进行比较以确定临床背景信息的其他数据包含温度(例如，可能因为用户起床而导致的温度减小)以及噪声(例如，例如可能由于淋浴引起的进水导致的先前数据中的噪声水平)。
在此情况下，温度补偿将不足以补偿淋浴尖峰。具体来说，虽然执行温度补偿的一些先前努力已使用传感器部位处的体内温度以及传输器上的体外温度的测量，但在进水的情况下，所述问题不是由传感器处的不正确或不适用的温度读数引起；而是，所述问题是由传输器中进水引发短路29引起。实际上，图30中的温度传感器的27与图28中的温度传感器的27相对，但这两者都是由进水引起。因此，在没有另外信号分析和临床背景的情况下例如通过添加恒定值来提供某一水平的温度补偿可导致显著误差。因此，此处用作输入的温度应理解为应用于以下背景中：将温度数据与预定临床背景准则进行比较以确定临床背景信息(例如，用户是否在睡眠、淋浴，或类似者)。
更详细来说，进水故障导致湿气进入密封或进入绝缘体中的裂缝，在任一情况下都挑起与血糖无关的额外信号，但所述信号仍源自电化学机制(但不同于血糖的电化学机制)。来自非血糖相关机构的信号随各种因素而变，包含传感器的额外暴露表面区域、与非血糖分析物的反应，和不同工作电极向湿气的暴露。在安培计检测期间，来自两个源的信号看起来类似且难以区分。然而，在一些情况下，可以根据与分析物的实际电化学反应而获得唯一标志。来自额外表面区域的暴露的电化学信号也不同于其他干扰物(例如对乙酰氨基酚)的电化学信号。
因此，在一个实施方案中，可以使用电化学手段以使用多个电位或AC伏安法或脉冲伏安法来获得表面区域的定量量度，因此给予进水的另一指示。
举例来说，可间歇地执行AC伏安法以共享工作电极的功能，例如可在五分钟循环中进行四分钟血糖检测，而对于最后一分钟，可将振荡电位施加到电极以查看信号中的任一者是否来自非血糖相关信号，或其是否与过氧化氢或其他潜在干扰分析物相关(或不相关)。将干扰分析物彼此区分或分离并非必需，一般在此类型的故障判别中仅需要区分湿气进入信号与其他信号。以上信号分配仅是实例。一般来说，此方法使用测量循环的一部分来用于错误记录，以查看是否存在任何其他未预期的电活性表面区域暴露。可用于此类情形的其他技术包含振荡电位、阻抗测量、脉冲安培计检测，和类似者。
举例来说，在一个实施方案中，根据本发明的原理的系统和方法可用于通过使用以下步骤来测量或判别进水故障。在第一步骤中，接收信号，所述信号是关于由分析物和传感器引起的电化学机制。在下一步骤中，例如从信号或从替代性电化学手段(例如，多个电位、AC伏安法、脉冲伏安法，或类似者)确定表面区域的定量量度。随后采用表面区域的定量量度来确定是否已发生进水，以查看(例如)传感器的表面区域的一部分是否被湿气不利地占据。在一些情况下，可执行额外步骤，例如检测标志是从信号进行检测，所述标志与干扰物相关联和/或与传感器的表面区域的电平相关联。
图30说明信号的实例，其中可在同时穿戴在患者身上的传感器上判别“寿命终止噪声”的故障。在缩放后，传感器输出的单位就是电流[毫微安]/临床血糖值[mg/dL]或毫微安/mg/dL。展示迹线408和412，其中迹线408是说明故障的传感器迹线。迹线412说明可靠信号，而迹线408已由于故障而被致使不可靠。因为噪声可为部位特定的，例如，受到特定微环境的伤害影响，所以不奇怪的是看到在患者身上的一个位置中发生部位特定的故障但在患者身上在同一时间段内穿戴的另一位置中未发生部位特定的故障。
可看到迹线408的某些特性形状414，且将其用于判别故障，包含在噪声片段开始时的突然向下尖峰、贯穿片段而存在的高频噪声，和在噪声片段结束时的正过冲。信号分析还可以展示其他潜在信号准则(包含噪声片段倾向于在时间上接近类似片段)，和片段随时间且随着传感器忍受更多磨损而变得更频繁的趋势。可用于判别此类型的故障的另一信号相关预定准则是故障一般与敏感度的逐渐减小一致。此故障的一种类型的临床背景信息包含：当血糖升高时，故障发生得更频繁。另一种类型的临床背景信息准则是：如果在会话期间存在高平均传感器电流或在会话开始时存在高积分电流，那么发生故障的概率增加。可用于寿命终止检测中的其他示范性参数包含敏感度的振幅和/或可变性，例如，其一般指示在最后6、8、10、12、24小时内的5％、10％、20％的下降，以及噪声图案、光谱含量、自植入以来的天数、氧浓度、血糖值、校准时的血糖值中的误差，或类似者。
在根据本发明的原理的系统和方法的特定实施方案中，尤其应用于判别寿命终止噪声的故障的实施方案中，步骤可包含接收信号迹线来针对某些特性形状分析信号迹线。举例来说，可分析信号迹线以检测在噪声片段开始时的突然向下尖峰、在噪声片段期间存在的高频噪声，和在噪声片段结束时的正过冲。如果看到此类情形，那么至少可作出寿命终止噪声的初始确定或判别。其他方面可促成此类确定或判别。举例来说，如果尤其在预定时间窗口内看到多个此类信号迹线，其中每个信号迹线包含以上方面，那么可增加寿命终止噪声的可能性或概率，且可导致此类确定或判别的置信度水平上升。如果此类片段随时间而变得更频繁，那么再次可增加寿命终止噪声的可能性或概率，且可导致此类确定或判别的置信度水平上升。以相同方式，如果检测到关于传感器的敏感度的额外数据，且如果看到敏感度随时间而减小，尤其是以逐渐的方式减小，那么再次可增加寿命终止噪声的可能性或概率，且可导致此类确定或判别的置信度水平上升。
临床背景信息也可导致增加寿命终止噪声的可能性或概率，且因此也可增加此类确定或判别的置信度水平。举例来说，如果血糖值已经升高了长时间段，那么此类情形可倾向于增加寿命终止故障的确定的可能性或置信度。用作到寿命终止故障的确定或判别中的输入的其他类型的临床背景信息包含：自植入以来的时间、氧浓度、血糖值、校准时的误差，或类似者。
图31说明浸渍且恢复故障的另一实例。在此实例中，用户同时穿戴两个传感器，两个传感器都展示某一人工假影，但一个传感器展示由浸渍且恢复故障导致的更严重的故障。具体来说，迹线416是展示浸渍且恢复故障的传感器迹线，而迹线418仅展示与噪声相关的人工假影。圆圈422表示计量值。
在点424处可看到，指示浸渍且恢复故障的一个信号特性包含与计量值422不一致的信号下降。另一潜在信号特性是特定频率范围中的噪声增加(在迹线416和418两者中看到)，或与成对的冗余传感器不相关的噪声增加(注意在浸渍且恢复期间在416与418之间缺乏相关性)。可通过适当的频率变换来确定特定频率范围中的噪声水平。与浸渍且恢复故障一致的另一潜在信号特性是信号与冗余传感器数据的向下偏差，其还在图31中通过迹线418与迹线416之间的偏差予以展示。可用于故障判别或响应处理中的一种类型的临床背景信息包含自植入以来的时间，这是因为此类型的故障的开端一般会在传感器插入之后数小时发生。
因此，在一个实施方案中，根据本发明的原理的系统和方法是有关于判别浸渍且恢复故障的方式。示范性方法中的第一步骤是接收信号且分析所接收的信号。可在所述分析中采用各种特性以确定所接收的信号是否与浸渍且恢复故障一致。举例来说，如果所接收的信号在血糖计量值不减小时减小，那么可作出浸渍且恢复故障的确定或判别。替代地，如果看到特定频率范围中的噪声增加，那么此类情形还可导致浸渍且恢复故障的确定或判别。如果传感器成对，即，用户正穿戴两个传感器，那么一个传感器中有噪声但另一个传感器中没有噪声，或一个传感器中有信号减小但另一个传感器中没有信号减小可进一步导致浸渍且恢复故障的确定或判别。在浸渍且恢复故障的确定或判别的方法中，还可以采用临床背景信息。举例来说，可通过根据本发明的原理的系统或方法接收临床背景数据，其中所述临床背景数据构成自植入以来的时间，且可将其与准则进行比较，例如，其中所述准则包含自植入以来的时间是在自植入以来的预定阈值时间量(例如12小时)之前还是之后。如果信号信息展示与血糖计量值相比较的减小，或展现特定频率范围中的噪声增加，或满足上述其他准则中的一者，且自植入以来的时间小于预定阈值，那么所述确定或判别可指示浸渍且恢复故障的发生。
图32说明另一种类型的故障，即，滞后。展示同时植入在主体内的两个不同传感器的结果，其是由迹线428和432说明，所述迹线分别具有对应的峰检测曲线432和434。一个传感器(迹线426和434)与另一传感器相比较经历了数分钟滞后。此类滞后误差在膳食之后下落的血糖的背景下可重要，其中风险是低血糖警报可能被延迟或错过。此现象可能是传感器部位的永久特性，或其可为瞬时的，这取决于局部血液灌流。在任何情况下，可执行响应处理，且具体来说，基于血糖浓度和/或改变率而使用预测或预报值。以此方式，可减轻时间滞后的效应，使得其不会导致用户延迟对低血糖事件的响应。
在根据本发明的原理的系统和方法的特定实施方案中，其可用于判别此类滞后故障。第一步骤是从监测器(例如CGM或其他分析物监测器)接收信号。下一步骤是针对滞后的存在而分析所述信号。对滞后的分析可包含分析所接收的数据信号自身或分析所接收的信号与另一所接收的信号，例如来自成对的血糖传感器的信号。一旦确定或判别滞后故障，便可执行响应处理。举例来说，对于大于预定阈值的滞后，或实际上对于任何滞后，可向用户显示预测或预报值而不是滞后值，从而向用户提供他们的当前情形的更准确指示。
图33A到图33D说明挤压故障的另一实例，在此情况下如在小儿患者身上所证明。展示测量计数的原始信号，其中一般200,000个计数对应于100mg/dL的临床血糖值。图33A和图33C展示两个不同患者的多天数据，而图33B和图33D分别说明图33A和图33C中的每一者内的特定挤压片段的更详细视图。可看到，传感器信号在这些挤压故障期间完全下降到基线值。在这些情况下，传感器穿戴在下部背部/臀部上。图33A和图33B进一步说明挤压之后的反弹效应，其中，在解除挤压之后，信号超过均衡或先前原始信号值。
在另一实施方案中，可通过使用关于故障的已知信号形状识别信号形状来检测故障。具体来说，当评估中的信号是由一或多个可预测形状组成时，有益的是建立正常或异常信号特性的期望值，以便检测假影和像差。可将此类期望值或“模板”与每个新到达的信号进行比较以评估其与模板的相关性或偏差。可作出此比较以使用对传感器信号的特性影响(例如，形状，或衰减或不稳定的响应)来检测失效模式，以便在已知故障模式之间进行判别，以及评估它们的严重性。
在此类系统中，一种实现准确的血糖读数的方式是使用与患者血液接取和典型的酶传感器响应一致的压力和血糖传感器信号来识别抽血。所述过程中的目标是在监测算法可以可靠地减轻的故障条件与产生不满足所需准确度的血糖测量的故障条件之间进行判别。当所述算法无法显示准确的结果时，决策逻辑可将具有已知机制和特性的失效模式分类为可作用提醒。这些提醒可识别需要用户动作来解决的故障，或指示完全传感器失效的故障。
参看图34A的流程图431，在过程中可看到两个步骤。第一步骤是在测量循环中产生信号的模板(步骤433)。第二步骤是使所述模板与所接收的数据匹配(步骤435)。现在更详细地描述所述步骤。
在产生模板的过程中，一种方法使用奇异值分解或相关因子分析方法来确定训练集合中的变化源。为此，使用满足准确度要求或针对已知失效模式的用于可靠操作的代表性数据集合来编译训练集合。此类集合是以传感器信号对时间的m×n矩阵M而布置，其中m是样本的数目，其被存储为行向量，且n是每个样本中的时间点的数目。所述信号可来自电化学传感器，例如，来自稳定状态或瞬时测量系统的瞬时信号分析，其可从对数据的快速取样得到特定益处，如在本文中的其他地方更详细地所描述。
可使用可变子例程执行奇异值分解，例如，的SVD函数：M＝USVi。V是n×n矩阵，其含有呈对整个信号递减贡献的次序的奇异向量。换句话说，V的第一列将包含在训练集合中最突出的特征，第二列将包含下一最突出的特征，且依此类推。在一种方法中，将最突出的特征(即，第一奇异向量)转换为信号模板。在另一种方法中，信号模板是奇异向量的线性组合。还将理解其他方法。
又一方法使用系统的物理或数学模型来产生传感器响应的模板。实例将是基于挤压假影的传感器响应的数学模型。此类模型可用于产生在典型的挤压假影中看到的动态响应。另一实例将是基于扩散速率的传感器响应的数学模型。此类模型可用于产生可靠传感器的动态响应，或产生被生物淤积或囊封减缓的传感器的动态响应。可针对从(例如)步进或循环电压循环(AC或DC)、对样本的间歇暴露或类似者导出的其他此类信号而产生其他数学模型。
在第二步骤(即，使模板与数据匹配)中，传感器信号可为传感器响应对时间，或可经过预处理以滤出电噪声或其他数据收集假影。随后将传入数据的每个样本投影到一或多个模板上以确定其与模板的相关性(或偏差)，以便检测特定特征和失效模式。所述投影的结果给予所述特定模板形状对传感器信号的整个形状的贡献。
在使模板与数据匹配的第二步骤的另一实施方案中，可在时间上移位所预期的传感器响应以补偿改变流体量的可接受制造、操作和生理变化。举例来说，时间移位可由影响死体积的导管体积或传感器位置的改变引起。所移位的传感器响应随后可以与模板匹配。
又一方法允许在时间上伸展或压缩传感器响应，以再次补偿可能出现的可接受制造、操作和生理变化。举例来说，此类信号变化可由蠕动泵效率的改变或随温度的传感器响应改变引起。下文描述图35A的方法的实例。
参看图34B，展示示意性地说明挤压假影的信号。典型方面包含预挤压“规则”信号部分411、后挤压“规则”信号部分413、陡向下斜坡415、陡向上斜坡439，和斜坡之间的平坦区段437。向下斜坡一般指示挤压的发生，且向上斜坡指示挤压的解除。两者之间的时间可变化，但一般是数分钟到数十分钟。
挤压假影一般具有例如所说明的形状，且因此，可因此产生模板且将所述模板用作评估传入信号所对照的准则。举例来说，且参看图34C，说明示范性信号模板449，其具有水平带411’和413’、向下斜坡带415’，和向上斜坡带439’。还说明平坦部分带437’，且将理解，此带的长度(在时间上)可取决于挤压发生的时长而变化。只要传入信号在带内，即，只要数据拟合临床背景准则，便可确定挤压故障，即，临床背景信息。举例来说，分别说明向下信号波形441和向上信号波形443的若干斜坡，且其仍在由带设置的临床背景准则内。另一方面，在向下侧上说明信号斜坡447，且在向上侧上说明信号斜坡447’，其未在带内拟合，且因此将不满足挤压故障的临床背景准则。
将理解，可出现众多变化。举例来说，模板449内的带411’和413’的位置可在它们的垂直(信号值)位置上显著变化。带411’和413’的宽度可大于带437’的宽度，或可相同。还将理解其他变化，以及提供不使用此类带的模板的方式，例如，其他数学模型，例如对曲线(模板)的相关性分析，或类似者。
为了确定所述模板，可在从经历挤压假影的广泛多种不同传感器主体收集的个别挤压假影的大训练集合上运行SVD例程。已知的挤压假影标志提供可评估每个可能的挤压假影所对照的工具。可创建多个此类模板，且每当检测到挤压假影时，就可将测得信号投影到所述模板中的每一者上以获得它们对整个形状的贡献。虽然在本文中示范了挤压假影，但可应用对照任何已知标志(例如，EOL、浸渍且恢复、在自诊断循环期间获得的瞬时信号，或由传感器通过任何已知方法产生的任何其他波形)来创建和使用模板的相同原理，如所属领域的技术人员所了解。
图35A到图35C说明可对照模板进行比较的信号的若干实例。图35A说明示范性挤压假影。图35B说明可与模板进行比较的假影。在此标绘图中，整个形状与挤压假影略微一致，但具有额外噪声，但其仍可被量化为是/否，和/或按照置信因子予以确定。图35C说明除了挤压之外的某一其他类型的信号假影。通过典型挤压波形或正常血糖行为未良好地阐释信号，但所述信号与正常血糖行为更紧密地相关。因此，虽然在图35C的特定情景中可能未判别挤压假影，但可将提示发送到用户以提供额外信息和/或所应用的其他处理。
因此，使用从训练集合产生的模板会允许算法检测将自身显现为特定波形的特定失效模式。在假设充分大的训练数据集合的情况下，可针对需要判别的其他失效模式更容易地产生更多模板。来自模板匹配的结果可与临床背景信息组合以判别失效模式且因此判别故障。
一般来说，在经验意义上在来自不同患者的大数据集合上创建模板，但在某些实施方案中，还可采用建立模板的其他方式，包含使用从单个患者建立的模板。
已公开的内容是用于动态地并反复地提供故障判别和响应处理的系统和方法。已公开用于执行故障判别以及用于在故障判别之后进行处理(包含纠正措施)的多种方法。
在假设此教示的情况下，所属领域的一般技术人员将理解变化形式。举例来说，虽然上文已描述了某一临床背景，其中将临床背景数据与临床背景准则进行比较以形成临床背景信息，但将理解，上述临床背景是示范性的，且并不构成详尽列表。举例来说，传感器插入部位也可用作临床背景。某些传感器插入部位可导致例如浸渍且恢复、进水、挤压或类似者的故障的更大发生率，且因此通过考虑此类背景，可以更大的准确度作出故障的判别或确定。在另一变化中，虽然上文一般地描述了体内传感器和测量，但在一些实施方案中，还可采用体外传感器和测量。在又一变化中，虽然上文一般地描述了连续测量，但某些实施方案可利用周期性或间歇测量。还将理解其他变化和类型的临床背景。
作为变化的又一实例，已描述了用于判别和响应于挤压故障的技术。当环绕传感器的组织受到挤压时，挤压故障可导致CGM装置变得不准确。相信，对组织的挤压会导致减小血糖到传感器和/或传感器周围的氧的灌流(和所得的挤压信号)。所述效应通常会发生短时间段，例如5分钟或20分钟到60分钟直到数小时。当患者调整位置且不再挤压传感器时，准确度恢复。作为用于检测挤压假影的其他方法的补充(或替代方案)，可将挤压传感器放置在传输器或一次性传感器中。挤压传感器可直接指示组织在区中是否受到挤压。如果激活，那么可采取若干动作，例如，可发出警报，接收器可消隐数据，或可经由小的冲击、振动或类似者来提醒患者。如果系统连接到泵，那么可采取特定动作或不动作，例如暂停胰岛素。另外，传感器可被设计成在患者挤压传感器的情况下使患者感到不适，从而阻止躺在传感器上。
举例来说，参看图36，说明具有集成力传感器436的传输器。在此实施方案中，微型压力换能器直接安置在传感器传输器下方。具体来说，传输器436是通过组合两个部分而形成，所述两个部分是携载印刷电路板的刚性基底444和刚性盖437。提供可压缩垫圈454，从而允许盖取决于外部施加的力而移动到基底以及从基底移动。在印刷电路板上，提供压力感测元件442，其例如通过接触引脚438而耦合到盖437。如果将力施加到传输器，那么向下推动所述盖且可使用压力传感器感测压力。在替代性实施例中，省略可压缩垫圈，且在此情况下可向所述盖提供在施加力后就偏转的薄柔性区段。
压力换能器测量可用于辅助识别与直接施加到传感器和传输器垫的挤压相关联的伪低血糖值。示范性压力换能器包含使用微型压电压力换能器、应变计、弹簧、电容测量和类似者的压力换能器。与挤压相关联的伪低血糖测量因此将不产生警报或其他不需要的治疗动作。特殊算法可将压力换能器数据与先前60分钟到90分钟的血糖趋势数据进行组合，以进一步辅助区分实际低血糖事件与由传输器和传感器的部位处的挤压诱发的伪读数。以此方式，使“警报疲劳”现象最小化，从而增加用户将响应于其他提醒的可能性。
另外，可将CGM系统用作自动化胰岛素输注系统或人工胰脏系统的部分。此类系统将一般包含响应于检测到的实际或即将发生的低血糖而对胰岛素输注的自动暂停。如上文，如果对低血糖的检测是正确的，那么此累胰岛素泵暂停受到担保。然而，如果传感器检测到的低血糖是错误的，那么存在以下风险：自动泵暂停可导致严重的高血糖，从而有可能最终导致糖尿病酮症酸中毒。在使用图36的系统的情况下，可采用通过使用来自实时压力换能器的数据来确定传感器读数是否异常的独立方法，从而显著改进读数的准确度且因此改进对患者的治疗。
在另一变化中，虽然已公开各种类型的复杂响应处理技术，但处置故障或失效的另一种方式是向患者通知问题，且配置系统以进入失效保护模式或关闭传感器。
在又一变化中，在提议预测值或预报值的以上实施方案中，可应用使用历史和当前数据值的任何预报或预测方法，包含与图案分析、临床背景的使用和类似者相关的方法。然而，还可以应用简单的线性回归。在此实例中，在线性回归中使用特定量的数据，且使用线性回归以使用回归确定线来计算最新的值。举例来说，可在五分钟时段内每30秒取得数据，且可将其用于回归分析中。此技术还可用于将数据平滑且移除时间滞后。所述线周围的残差可用作噪声水平的估计。在增强型技术中，可对所计算的线的斜率施加限制，以便反映适当的生理极限。还可对线的斜率在每五分钟间隔之间可改变多少施加限制。在特定实施方案中，在10个样本上进行线性回归，且针对线的端点计算预测值，从而显著减少噪声量和滤波时间延迟。
在图37中说明此想法，其中点456描绘不同的5分钟取样时段的开始和结束。在每五分钟时段内取得10个样本，其对应于30秒间隔。在使用线性回归的情况下，以特别快的方式计算线的端点的所估计的血糖值。这提供用于执行响应处理的更快速或自适应方法。
图中所示的元件之间的连接说明示范性通信路径。可包含直接或经由中间物的额外通信路径以进一步促进元件之间的信息的交换。所述通信路径可为双向通信路径，从而允许元件交换信息。
上文描述的方法的各种操作可由能够执行所述操作的任何合适构件(例如，各种硬件和/或软件组件、电路和/或模块)执行。一般来说，图中所说明的任何操作可由能够执行所述操作的对应功能构件执行。
可使用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列信号(FPGA)或其他可编程逻辑装置(PLD)、离散门或晶体管逻辑、离散硬件组件，或其被设计成执行本文中所描述的功能的任何组合来实施或执行结合本公开(例如，图2和4的框)而描述的各种说明性逻辑块、模块和电路。通用处理器可为微处理器，但在替代方案中，处理器可为任何市售处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如，DSP与微处理器的组合、多个微处理器、一或多个微处理器与DSP核心的联合，或任何其他此配置。
在一或多个方面中，所描述的功能可以硬件、软件、固件或其任何组合来实施。如果以软件实施，那么可将功能作为一或多个指令或代码而存储在计算机可读媒体上或经由计算机可读媒体来传输。计算机可读媒体包含计算机存储媒体与包含促进计算机程序从一处传递到另一处的任何媒体的通信媒体两者。存储媒体可为可由计算机存取的任何可用媒体。举例来说(且并非限制)，所述计算机可读媒体可包括各种类型的RAM、ROM、CD-ROM或其他光盘存储装置、磁盘存储装置或其他磁性存储装置，或可用以载送或存储呈指令或数据结构的形式的所要程序码且可由计算机存取的任何其他媒体。同样，可恰当地将任何连接称作计算机可读媒体。举例来说，如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或例如红外线、无线电和微波等无线技术从网站、服务器或其他远程源传输软件，那么同轴电缆、光纤电缆、双绞线、DSL或例如红外线、无线电和微波等无线技术包含在媒体的定义中。如本文中所使用的磁盘及光盘包括压缩光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软磁盘及光盘，其中磁盘通常以磁性方式再现数据，而光盘用激光以光学方式再现数据。因此，在一些方面中，计算机可读媒体可包括非暂时性计算机可读媒体(例如，有形媒体)。另外，在一些方面中，计算机可读媒体可包括暂时性计算机可读媒体(例如，信号)。以上各者的组合也应包含在计算机可读媒体的范围内。
本文中所公开的方法包括用于实现所描述的方法的一或多个步骤或动作。在不偏离权利要求书的范围的情况下，方法步骤和/或动作可彼此互换。换句话说，除非指定了步骤或动作的特定次序，否则在不偏离权利要求书的范围的情况下可对特定步骤和/或动作的次序和/或用法加以修改。
某些方面可包括用于执行本文中所呈现的操作的计算机程序产品。举例来说，所述计算机程序产品可包括上面存储有(和/或编码有)指令的计算机可读媒体，所述指令可由一或多个处理器执行以执行本文中所描述的操作。对于某些方面，计算机程序产品可包含封装材料。
也可经由传输媒体来传输软件或指令。举例来说，如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或例如红外线、无线电和微波等无线技术从网站、服务器或其他远程源传输软件，那么同轴电缆、光纤电缆、双绞线、DSL或例如红外线、无线电和微波等无线技术包含在传输媒体的定义中。
此外，应了解，用于执行本文中所描述的方法和技术的模块和/或其他适当构件可在适用时由用户终端和/或基站下载和/或以其他方式获得。举例来说，可将此类装置耦合到服务器以促进传递用于执行本文中所描述的方法的构件。替代地，可经由存储构件(例如，RAM、ROM、例如压缩光盘(CD)或软磁盘等物理存储媒体等)来提供本文中所描述的各种方法，使得用户终端和/或基站可在将存储构件耦合或提供到所述装置之后即刻获得各种方法。另外，可利用用于将本文中所描述的方法和技术提供到装置的任何其他合适的技术。
应理解，权利要求书不限于上文所说明的精确配置和组件。在不偏离权利要求书的范围的情况下，可在上文所描述的方法和设备的布置、操作和细节方面作出各种修改、改变和变化。
除非另有界定，否则所有术语(包含技术和科学术语)将把它们的普通和惯用含义给予所属领域的普通技术人员，且将不限于特殊或定制的含义，除非本文中明确如此界定。应注意，在描述本公开的某些特征或方面时使用特定术语不应认为暗示所述术语在本文中经重新定义而限于包含本公开的特征或方面的与所述术语相关联的任何特定特性。除非另有明确规定，否则本申请中所使用的术语和短语以及其变化形式(尤其在所附权利要求书中)应被解释为开放式的，这与限制性形成对比。作为前述内容的实例，术语‘包含’应理解为意味着‘包含而无限制’、‘包含但不限于’或类似者；如本文使用的术语‘包括’与‘包含’、‘含有’或‘特征在于’同义，且是包括性的或开放式的，且不排除额外、未叙述的元件或方法步骤；术语‘具有’应被解译为‘至少具有’；术语‘包含’应被解译为‘包含但不限于’；术语‘实例’用以提供讨论中的项目的示范性例子，而不是其详尽或限制性列表；例如‘已知的’、‘正常的’、‘标准的’等形容词以及类似含义的术语不应被解释为将所描述的项目限于给定时间段或给定时间可用的项目，而是应理解为涵盖可现在或在未来的任何时间可用或已知的已知的、正常的或标准的技术；且比如‘优选地’、‘优选’、‘所要的’或‘合意的’等术语和类似含义的词语的使用不应被理解为暗示某些特征对于本发明的结构或功能是关键、实质或甚至重要的，而是仅意在突出可用于或可不用于本发明的特定实施例中的替代性或额外特征。同样，与连词‘和’连接的项目的群组不应被理解为要求那些项目中的每一和每个都存在于群组中，而是应被理解为‘和/或’，除非另有明确规定。类似地，与连词‘或’连接的项目的群组不应被理解为要求那个群组中的互斥性，而是应被理解为‘和/或’，除非另有明确规定。
在提供一定范围的值的情况下，应理解，上限和下限以及范围的上限与下限之间的每一居中值涵盖在实施例内。
关于本文中的实质上任何复数和/或单数术语的使用，所属领域的技术人员可在对上下文和/或应用适当时从复数转译为单数和/或从单数转译为复数。可出于清楚起见而在本文中明确地陈述各种单数/复数排列。不定冠词“一”不排除多个。单个处理器或其他单元可完成权利要求书中叙述的若干项目的功能。在相互不同的附属权利要求中叙述某些量度的不争事实并不指示不可有效地利用这些量度的组合。权利要求书中的任何参考记号不应被解释为限制范围。
所属领域的技术人员将进一步理解，如果特定数目的所引入的权利要求叙述是既定的，那么此意图将在权利要求中明确叙述，且在无此类叙述的情况下便不存在此类意图。举例来说，作为对理解的辅助，所附权利要求书可使用引入性短语“至少一个”和“一或多个”来引入权利要求叙述。然而，此类短语的使用不应被解释为暗示由不定冠词“一”引入权利要求叙述将含有此类所引入的权利要求叙述的任何特定权利要求限于含有仅一个此类叙述的实施例，即使在同一权利要求包含引入性短语“一或多个”或“至少一个”以及例如“一”等不定冠词(例如，“一”通常应被解译为意味着“至少一个”或“一或多个”)时也是如此；使用定冠词来引入权利要求叙述也是如此。另外，即使明确叙述了特定数目的所引入的权利要求叙述，所属领域的技术人员也将认识到，此类叙述通常应被解译为意味着至少所叙述的数目(例如，无修饰的叙述“两项叙述”在没有其他修饰成分的情况下通常意味着至少两项叙述，或两项或更多叙述)。另外，在使用类似于“A、B以及C中的至少一者等”的惯例的那些情况下，一般来说，此种构造在所属领域的技术人员将对该惯例的理解意义上是既定的，例如，在包含所列举的项目的任何组合时，包含单个成员(例如，“具有A、B以及C中的至少一者的系统”将包含但不限于单独具有A、单独具有B、单独具有C、共同具有A和B、共同具有A和C、共同具有B和C和/或共同具有A、B以及C等的系统)。在使用类似于“A、B或C中的至少一者等”的惯例的那些实例中，一般来说，此种构造在所属领域的技术人员将对该惯例的理解意义上是既定的(例如，“具有A、B或C中的至少一者的系统”将包含但不限于单独具有A、单独具有B、单独具有C、共同具有A和B、共同具有A和C、共同具有B和C和/或共同具有A、B以及C等的系统)。所属领域的技术人员将进一步理解，实际上无论是在描述、权利要求书还是图式中，呈现两个或更多替代性术语的任何分离性词语和/或短语都应理解为预期了包含所述术语中的一者、所述术语中的任一者或这两个术语的可能性。举例来说，短语“A或B”将被理解为包含“A”或“B”或“A和B”的可能性。
说明书中使用的表达成分、反应条件等等的数量的所有数目将被理解为在所有例子中通过术语‘大约’来修饰。因此，除非指示相反情况，否则本文中所陈述的数值参数是可取决于想要获得的所要性质而变化的近似。至少且不是试图将等效物教条的应用限于主张本申请的优先权的任何申请中的任何权利要求书的范围，每一数值参数应按照有效数字的数目和普通舍入方法来解释。
本文中叙述的所有参考以全文引用的方式并入本文中。在以引用的方式并入的公布案和专利或专利申请与说明书中含有的公开内容相互矛盾的程度上，说明书既定占先于和/或优先于任何此类自相矛盾的材料。
本文中包含标题以用于参考且辅助定位各个章节。这些标题无意于限制关于标题而描述的概念的范围。此类概念可在整个说明书中具有适用性。
另外，虽然已经出于清楚和理解的目的通过说明和实例的方式相当详细地描述了前述内容，但所属领域的技术人员将明白，可实践某些改变和修改。因此，描述和实例不应被解释为将本发明的范围限于本文中所描述的特定实施例和实例，而是还涵盖属于本发明的真实范围和精神的所有修改和替代物。

Claims (44)

1.一种用于判别连续体内分析物监测系统中的故障类型的方法，其包括：
从分析物监测器接收信号；
接收临床背景数据；
对照临床背景准则来评估所述临床背景数据以确定临床背景信息；
基于来自所述分析物监测器的所述所接收的信号和所述临床背景信息两者而判别所述故障类型；以及
至少基于所述所判别的故障类型而执行响应处理。
2.一种用于判别连续体内分析物监测系统中的故障类型的方法，其包括：
从分析物监测器接收信号；
接收临床背景数据；
对照临床背景准则来评估所述临床背景数据以确定临床背景信息；
仅基于所述所接收的信号而判别所述故障类型；
基于所述所判别的故障类型和所述所确定的临床背景信息而执行响应处理。
3.一种用于响应于连续体内分析物监测系统中的故障而执行响应处理的方法，其包括：
从分析物监测器接收信号；
接收临床背景数据；
对照临床背景准则来评估所述所接收的临床背景数据以确定临床背景信息；
至少基于所述所接收的信号和所述所确定的临床背景信息而执行响应处理。
4.一种用于判别连续体内分析物监测系统中的故障类型的方法，其包括：
从分析物监测器接收信号；
接收临床背景数据；
将所述临床背景数据变换为临床背景信息；
基于来自所述分析物监测器的所述所接收的信号和所述临床背景信息两者而判别所述故障类型；以及
至少基于所述所判别的故障类型而执行响应处理。
5.一种用于判别连续体内分析物监测系统中的故障类型的方法，其包括：
从分析物监测器接收信号；
对照故障判别准则来评估所述所接收的信号以确定故障信息；
确定临床背景信息；
基于所述故障信息和所述临床背景信息两者而判别所述故障类型；以及至少基于所述所判别的故障类型而执行响应处理。
6.根据权利要求1、2、4或5所述的方法，其中所述判别包含基于所述所接收的信号、所述临床背景信息或两者而对所述故障进行分类。
7.根据权利要求1、2、4或5所述的方法，其中所述判别包含基于所述所接收的信号、所述临床背景信息或两者而对所述故障进行分类，且其中所述对所述故障进行分类包含将所述故障分类为传感器环境故障或系统错误/人为故障。
8.根据权利要求7所述的方法，其中所述判别包含将所述故障分类为传感器环境故障，且进一步包括将所述故障子分类为挤压故障或早期创伤响应故障。
9.根据权利要求1、2、4或5所述的方法，其中所述判别包含确定所述所接收的信号或所述所接收的数据是否匹配或满足预定准则。
10.根据权利要求1、2、4或5所述的方法，其中所述判别包含使用基于时间的技术来分析所述信号。
11.根据权利要求1、2、4或5所述的方法，其中所述判别包含使用基于频率的技术来分析所述信号。
12.根据权利要求1、2、4或5所述的方法，其中所述判别包含使用基于小波的技术来分析所述信号。
13.根据权利要求1、2、4或5所述的方法，其中所述判别包含原始信号分析。
14.根据权利要求1、2、4或5所述的方法，其中所述判别包含残差信号分析。
15.根据权利要求1、2、4或5所述的方法，其中所述判别包含图案分析。
16.根据权利要求1、2、4或5所述的方法，其中所述判别包含慢对快取样。
17.根据权利要求1、2、4或5所述的方法，其中所述判别包含将所述所接收的信号投影到多个模板上，每个模板对应于一故障模式。
18.根据权利要求1、2、4或5所述的方法，其中所述判别包含可变性分析。
19.根据权利要求1、2、4或5所述的方法，其中所述判别包含模糊逻辑分析。
20.根据权利要求1到5所述的方法，其中所述所接收的临床背景数据是选自由以下各者组成的群组：年龄、人体测量数据、当前对患者操作的药物、与准则相比较的温度、所述患者的故障历史、所述患者的活动水平、所述患者的锻炼水平、患者与血糖监测器的交互水平、血糖信号值的图案、临床血糖值及其导数、患者血糖水平在一时间段内的范围、患者血糖水平维持在一范围内的持续时间、患者血糖状态、血糖紧迫性指数、当日时间，或压力。
21.根据权利要求1到5所述的方法，其进一步包括处理所述信号。
22.根据权利要求1到5所述的方法，其进一步包括处理所述信号，其中所述处理从所述信号移除噪声或对噪声进行滤波。
23.根据权利要求1到5所述的方法，其进一步包括接收额外信号。
24.根据权利要求1到5所述的方法，其进一步包括接收额外信号，其中所述额外信号是传感器温度信号、阻抗信号、氧气信号、压力信号，或背景信号。
25.根据权利要求1到5所述的方法，其中所述临床背景信息对应于关于所述患者的排除在与所述分析物监测器相关联的传感器处测量的信号值的数据。
26.根据权利要求1到3所述的方法，其中所述临床背景准则包含选自由以下各者组成的群组的参数的预定义值或范围：当前对所述患者操作的药物、温度、所述患者的故障历史、所述患者的活动水平、所述患者的锻炼水平、患者与血糖监测器的交互水平、血糖信号值的图案、临床血糖值及其导数、患者血糖水平在一时间段内的范围、患者血糖水平维持在一范围内的持续时间、患者血糖状态、血糖紧迫性指数、当日时间，或压力。
27.根据权利要求1到2或4所述的方法，其中所述临床背景数据包含温度，所述临床背景准则包含温度的图案，所述评估将所述临床背景信息确定为用户在传感器部位处与水接触，且所述判别所述故障类型包含将所述故障类型判别为进水。
28.根据权利要求1到2或4所述的方法，其中所述临床背景数据包含患者活动水平或当日时间，所述临床背景准则包含患者活动水平的图案，所述评估将所述临床背景信息确定为所述用户在挤压所述传感器部位，且所述判别所述故障类型包含将所述故障类型判别为挤压。
29.根据权利要求1到2或4所述的方法，其中所述临床背景数据包含自植入以来的时间，所述临床背景准则包含可能出现浸渍且恢复故障的自植入以来的时间范围，所述评估将所述临床背景信息确定为最近植入所述传感器，且所述判别所述故障类型包含将所述故障类型判别为浸渍且恢复故障。
30.根据权利要求1到5所述的方法，其中所述临床背景数据包含临床血糖值，以及选自由以下各者组成的群组的数据：年龄、人体测量数据、活动、锻炼、数据的临床使用，或患者与监测器的交互。
31.根据权利要求1到5所述的方法，其中所述响应处理包含向用户提供显示，所述显示包含警告、提醒、警报、置信度指示符、值范围、预测值，或空白屏。
32.根据权利要求1到5所述的方法，其中所述执行响应处理包含调整所述所接收的信号的滤波水平。
33.根据权利要求1到5所述的方法，其中所述执行响应处理包含基于所述所接收的信号而执行未来信号值的预测。
34.根据权利要求1到5所述的方法，其中所述执行响应处理包含执行自诊断例程。
35.根据权利要求1到5所述的方法，其中所述执行响应处理包含执行补偿步骤。
36.根据权利要求1到5所述的方法，其中所述执行响应处理包含从第一治疗模式切换到第二治疗模式。
37.一种用于执行根据权利要求1到36中任一权利要求所述的方法的系统。
38.一种大体上如说明书和/或图式中所展示和/或所描述的装置。
39.一种大体上如说明书和/或图式中所辰示和/或所描述的系统。
40.一种大体上如说明书和/或图式中所展示和/或所描述的方法。
41.一种用于监测与生理状况相关联的数据的电子装置，其包括：
连续分析物传感器，其中所述连续分析物传感器被配置成大体上连续地测量主体内的分析物浓度，且提供与所述主体内的所述分析物浓度相关联的连续传感器数据；以及
处理器模块，其被配置成执行根据权利要求1到36所述的方法中的任一者。
42.根据权利要求41所述的装置，其中所述分析物是血糖。
43.一种用于将药剂投递到主体的电子装置，所述装置包括：
药剂投递装置，其被配置成将药剂投递到所述主体，其中所述药剂投递装置可操作地连接到连续分析物传感器，其中所述连续分析物传感器被配置成大体上连续地测量所述主体内的分析物浓度，且提供与所述主体内的所述分析物浓度相关联的连续传感器数据；以及
处理器模块，其被配置成执行根据权利要求1到36所述的方法中的任一者。
44.根据权利要求43所述的装置，其中所述分析物是血糖且所述药剂是胰岛素。
CN201580030133.6A 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理 Pending CN106456067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028991.5A CN115349856A (zh) 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462009065P 2014-06-06 2014-06-06
US62/009065 2014-06-06
PCT/US2015/031710 WO2015187366A1 (en) 2014-06-06 2015-05-20 Fault discrimination and responsive processing based on data and context

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211028991.5A Division CN115349856A (zh) 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理

Publications (1)

Publication Number Publication Date
CN106456067A true CN106456067A (zh) 2017-02-22

Family

ID=53785694

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211028991.5A Pending CN115349856A (zh) 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理
CN201580030133.6A Pending CN106456067A (zh) 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211028991.5A Pending CN115349856A (zh) 2014-06-06 2015-05-20 基于数据和背景的故障判别和响应处理

Country Status (7)

Country Link
US (5) US10238323B2 (zh)
EP (2) EP3151732A1 (zh)
JP (3) JP2017516548A (zh)
CN (2) CN115349856A (zh)
AU (4) AU2015271133B2 (zh)
CA (1) CA2944147A1 (zh)
WO (1) WO2015187366A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247819A (zh) * 2017-05-02 2017-10-13 歌尔科技有限公司 传感器的滤波方法和滤波器
CN108378831A (zh) * 2018-03-08 2018-08-10 马挺 一种具有提高血氧、心率监护和报警反馈准确性的方法及系统
CN111611547A (zh) * 2020-05-19 2020-09-01 扬州大学 稻田排水沟渠中多因素影响下氧化亚氮排放量确定方法
CN111727366A (zh) * 2017-12-19 2020-09-29 株式会社日立高新技术 信号处理装置和信号处理方法
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
US11467590B2 (en) 2018-04-09 2022-10-11 SafeAI, Inc. Techniques for considering uncertainty in use of artificial intelligence models
US11561541B2 (en) * 2018-04-09 2023-01-24 SafeAI, Inc. Dynamically controlling sensor behavior
US11625036B2 (en) 2018-04-09 2023-04-11 SafeAl, Inc. User interface for presenting decisions
US11835962B2 (en) 2018-04-09 2023-12-05 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations

Families Citing this family (78)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
AU2015320803B2 (en) 2014-09-22 2019-01-03 Dexcom, Inc. System and method for mode switching
WO2018031714A1 (en) 2016-08-11 2018-02-15 Foundry Innovation & Research 1, Ltd. Systems and methods for patient fluid management
CN107405083B (zh) 2015-02-12 2020-11-03 方德里创新研究第一有限公司 用于心力衰竭监测的可植入式设备和相关方法
EP3258991B1 (en) 2015-02-18 2020-10-21 Insulet Corporation Fluid delivery and infusion devices, and methods of use thereof
WO2016205558A1 (en) * 2015-06-18 2016-12-22 Ultradian Diagnostics Llc Methods and devices for determining metabolic states
EP3331426A1 (en) 2015-08-03 2018-06-13 Foundry Innovation&Research 1, Ltd. Devices and methods for measurement of vena cava dimensions, pressure, and oxygen saturation
US20170053552A1 (en) 2015-08-21 2017-02-23 Medtronic Minimed, Inc. Management and prioritization of the delivery of glycemic insight messages
EP4324921A3 (en) * 2015-12-30 2024-05-01 Dexcom, Inc. Biointerface layer for analyte sensors
WO2017123525A1 (en) 2016-01-13 2017-07-20 Bigfoot Biomedical, Inc. User interface for diabetes management system
AU2017207484B2 (en) 2016-01-14 2021-05-13 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
US10052073B2 (en) 2016-05-02 2018-08-21 Dexcom, Inc. System and method for providing alerts optimized for a user
US11701018B2 (en) 2016-08-11 2023-07-18 Foundry Innovation & Research 1, Ltd. Wireless resonant circuit and variable inductance vascular monitoring implants and anchoring structures therefore
US11206992B2 (en) 2016-08-11 2021-12-28 Foundry Innovation & Research 1, Ltd. Wireless resonant circuit and variable inductance vascular monitoring implants and anchoring structures therefore
US10765807B2 (en) 2016-09-23 2020-09-08 Insulet Corporation Fluid delivery device with sensor
US11543382B2 (en) * 2016-09-30 2023-01-03 Endress+Hauser Conducta Inc. Characterization and failure analysis of a sensor using impedance frequency response spectra
US10648944B2 (en) * 2016-09-30 2020-05-12 Endress+Hauser Conducta Inc. Failure analysis of a measuring sensor with an integrated temperature sensor
WO2018075657A1 (en) * 2016-10-18 2018-04-26 Senseonics, Incorporated Real time assessement of sensor performance and prediction of the end of the functional life of an implanted sensor
DE202017007291U1 (de) 2016-11-29 2020-11-30 Foundry Innovation & Research 1, Ltd. Drahtlose Resonanzschaltung und auf variabler Induktivität beruhende Gefäßimplantate zur Überwachung des Gefäßsystems und Fluidstatus eines Patienten sowie Systeme, die diese verwenden
US9842139B1 (en) 2016-12-28 2017-12-12 Accenture Global Solutions Limited Metadata-driven program code generation for clinical data analysis
EP3629921A1 (en) 2017-05-31 2020-04-08 Foundry Innovation & Research 1, Ltd. Implantable sensors for vascular monitoring
WO2018220143A1 (en) 2017-05-31 2018-12-06 Foundry Innovation And Research 1, Ltd Implantable ultrasonic vascular sensor
US11331019B2 (en) 2017-08-07 2022-05-17 The Research Foundation For The State University Of New York Nanoparticle sensor having a nanofibrous membrane scaffold
CN108109688A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 一种成像系统及其扫描方法
WO2019120435A1 (en) 2017-12-22 2019-06-27 Coloplast A/S Ostomy appliance with selective sensor points and related methods
DK3727234T3 (da) 2017-12-22 2022-04-19 Coloplast As Stomiapparat med vinkellækagedetektering
US10799385B2 (en) 2017-12-22 2020-10-13 Coloplast A/S Ostomy appliance with layered base plate
US11559423B2 (en) 2017-12-22 2023-01-24 Coloplast A/S Medical appliance system, monitor device, and method of monitoring a medical appliance
WO2019120429A1 (en) 2017-12-22 2019-06-27 Coloplast A/S Data collection schemes for an ostomy appliance and related methods
US10500084B2 (en) 2017-12-22 2019-12-10 Coloplast A/S Accessory devices of an ostomy system, and related methods for communicating leakage state
EP3727236A1 (en) 2017-12-22 2020-10-28 Coloplast A/S Sensor assembly part and a base plate for an ostomy appliance and a method for manufacturing a sensor assembly part and a base plate
CA3089212A1 (en) 2018-01-23 2019-08-01 Dexcom, Inc. Systems, devices, and methods to compensate for temperature effects on sensors
CN108398181A (zh) 2018-02-06 2018-08-14 麒盛科技股份有限公司 一体式生理信号检测传感器
CN111655128A (zh) 2018-02-09 2020-09-11 德克斯康公司 用于决策支持的系统和方法
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
KR102179203B1 (ko) * 2018-07-09 2020-11-16 주식회사 필로시스 혈당 센싱 데이터 판별 방법 및 장치
JP6946241B2 (ja) * 2018-07-11 2021-10-06 株式会社東芝 電子機器、システムおよび体調推定方法
JP2022501139A (ja) 2018-09-28 2022-01-06 インスレット コーポレイション 人工膵臓システム用活動モード
WO2020077223A1 (en) 2018-10-11 2020-04-16 Insulet Corporation Event detection for drug delivery system
WO2020084396A1 (en) * 2018-10-24 2020-04-30 Radient Technologies Innovations Inc. Monitoring-based usage suggestion system
EP3899767A4 (en) * 2018-12-19 2022-08-03 Hewlett-Packard Development Company, L.P. SECURITY DETECTION ANALYTICS
EP3902468A4 (en) * 2018-12-28 2022-12-14 Dexcom, Inc. IMPEDANCE DETERMINING ANALYTE SENSOR
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
US11612512B2 (en) 2019-01-31 2023-03-28 Coloplast A/S Moisture detecting base plate for an ostomy appliance and a system for determining moisture propagation in a base plate and/or a sensor assembly part
US20200245910A1 (en) * 2019-02-01 2020-08-06 Medtronic Minimed, Inc Methods, systems, and devices for continuous glucose monitoring
EP3920798A1 (en) 2019-02-05 2021-12-15 Ascensia Diabetes Care Holdings AG Apparatus and methods for probing sensor operation of continuous analyte sensing and auto-calibration
EP3928089A1 (en) 2019-02-22 2021-12-29 Ascensia Diabetes Care Holdings AG Methods and apparatus for analyte concentration monitoring using harmonic relationships
US11432733B2 (en) 2019-03-13 2022-09-06 Blossom Innovations Tissue detection devices, systems and methods
US11550908B2 (en) * 2019-03-15 2023-01-10 Paul J Long Method and apparatus for producing a machine learning system for malware prediction in low complexity sensor networks
CN110381196B (zh) * 2019-06-17 2022-04-26 深圳盈达机器视觉技术有限公司 移动装置跌落保护的控制方法及移动装置
AU2020210303B2 (en) * 2019-08-02 2021-09-23 Bionime Corporation Micro Biosensor and Measuring Method Thereof
US11963763B2 (en) 2019-09-10 2024-04-23 Ascensia Diabetes Care Holdings Ag Methods and apparatus information gathering, error detection and analyte concentration determination during continuous analyte sensing
US20210073201A1 (en) * 2019-09-11 2021-03-11 Workday, Inc. Computation system with consistency based probabilities
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
WO2021113647A1 (en) 2019-12-06 2021-06-10 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
AU2020418515A1 (en) * 2020-01-02 2022-08-25 Dexcom, Inc. End of life detection for analyte sensors experiencing progressive sensor decline
US20210236730A1 (en) * 2020-02-03 2021-08-05 Insulet Corporation Use of fuzzy logic in predicting user behavior affecting blood glucose concentration in a closed loop control system of an automated insulin delivery device
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
EP4135638A1 (en) * 2020-04-14 2023-02-22 Coloplast A/S Accessory device for a personal care system, and related methods
US20210378599A1 (en) * 2020-06-04 2021-12-09 Ascensia Diabetes Care Holdings Ag Methods and apparatus for adaptive filtering of signals of continuous analyte monitoring systems
US11864924B2 (en) * 2020-06-04 2024-01-09 Ascensia Diabetes Care Holdings Ag Methods and apparatus for time-varying filtering of signals of continuous analyte monitoring systems
JP2023533782A (ja) * 2020-07-14 2023-08-04 アセンシア・ダイアベティス・ケア・ホールディングス・アーゲー 連続的グルコースモニタリングセンサの再挿入の検出
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
US20220189630A1 (en) * 2020-12-14 2022-06-16 Medtronic Minimed, Inc. Machine learning models for detecting outliers and erroneous sensor use conditions and correcting, blanking, or terminating glucose sensors
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
US20220318119A1 (en) * 2021-04-05 2022-10-06 International Business Machines Corporation Approximating activity loads in databases using smoothed time series
US11393566B1 (en) 2021-07-13 2022-07-19 Beigene, Ltd. Interoperable platform for reducing redundancy in medical database management
TWI790728B (zh) * 2021-08-27 2023-01-21 李宗諺 便攜式休克偵測裝置
WO2023049900A1 (en) 2021-09-27 2023-03-30 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
WO2023107107A1 (en) 2021-12-08 2023-06-15 Liang Wang Systems, devices, and methods to compensate for temperature effects on sensors
CN117274005B (zh) * 2023-11-21 2024-02-09 西昌学院 基于数字教育的大数据推送方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184267A1 (en) * 2010-01-26 2011-07-28 Roche Diagnostics Operations, Inc. Methods And Systems For Processing Glucose Data Measured From A Person Having Diabetes
US20120108935A1 (en) * 2010-10-28 2012-05-03 Bradley Liang Glucose sensor signal reliability analysis
US20140005505A1 (en) * 2012-06-29 2014-01-02 Dexcom, Inc. Use of sensor redundancy to detect sensor failures
WO2014035732A1 (en) * 2012-08-30 2014-03-06 Abbot Diabetes Care Inc. Dropout detection in continuous analyte monitoring data during data excursions

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6001067A (en) 1997-03-04 1999-12-14 Shults; Mark C. Device and method for determining analyte levels
US6081736A (en) 1997-10-20 2000-06-27 Alfred E. Mann Foundation Implantable enzyme-based monitoring systems adapted for long term use
US6119028A (en) 1997-10-20 2000-09-12 Alfred E. Mann Foundation Implantable enzyme-based monitoring systems having improved longevity due to improved exterior surfaces
US6579690B1 (en) 1997-12-05 2003-06-17 Therasense, Inc. Blood analyte monitoring through subcutaneous measurement
US6134461A (en) 1998-03-04 2000-10-17 E. Heller & Company Electrochemical analyte
US6175752B1 (en) 1998-04-30 2001-01-16 Therasense, Inc. Analyte monitoring device and methods of use
US6424847B1 (en) 1999-02-25 2002-07-23 Medtronic Minimed, Inc. Glucose monitor calibration methods
US20020026111A1 (en) * 2000-08-28 2002-02-28 Neil Ackerman Methods of monitoring glucose levels in a subject and uses thereof
CN1218171C (zh) 2001-08-20 2005-09-07 Hoya株式会社 灰调掩模的缺陷检查方法及缺陷检查装置
US8260393B2 (en) 2003-07-25 2012-09-04 Dexcom, Inc. Systems and methods for replacing signal data artifacts in a glucose sensor data stream
US8858434B2 (en) 2004-07-13 2014-10-14 Dexcom, Inc. Transcutaneous analyte sensor
US7460898B2 (en) 2003-12-05 2008-12-02 Dexcom, Inc. Dual electrode system for a continuous analyte sensor
WO2007120442A2 (en) 2003-07-25 2007-10-25 Dexcom, Inc. Dual electrode system for a continuous analyte sensor
US8423113B2 (en) 2003-07-25 2013-04-16 Dexcom, Inc. Systems and methods for processing sensor data
US7959569B2 (en) * 2003-08-01 2011-06-14 Dexcom, Inc. System and methods for processing analyte sensor data
US9135402B2 (en) 2007-12-17 2015-09-15 Dexcom, Inc. Systems and methods for processing sensor data
US6931327B2 (en) 2003-08-01 2005-08-16 Dexcom, Inc. System and methods for processing analyte sensor data
US8532730B2 (en) 2006-10-04 2013-09-10 Dexcom, Inc. Analyte sensor
US8423114B2 (en) 2006-10-04 2013-04-16 Dexcom, Inc. Dual electrode system for a continuous analyte sensor
EP1711790B1 (en) 2003-12-05 2010-09-08 DexCom, Inc. Calibration techniques for a continuous analyte sensor
WO2005057173A2 (en) 2003-12-08 2005-06-23 Dexcom, Inc. Systems and methods for improving electrochemical analyte sensors
US20050245799A1 (en) 2004-05-03 2005-11-03 Dexcom, Inc. Implantable analyte sensor
EP1728468A1 (de) * 2005-06-04 2006-12-06 Roche Diagnostics GmbH Bewertung von Werten der Blutglucosekonzentration zur Einstellung der Insulindosierung
WO2007120381A2 (en) 2006-04-14 2007-10-25 Dexcom, Inc. Analyte sensor
US8478377B2 (en) * 2006-10-04 2013-07-02 Dexcom, Inc. Analyte sensor
US7920919B1 (en) * 2006-11-06 2011-04-05 Pacesetter, Inc. Morphology based motion detection for sensors sensitive to motion induced noise
GB2466183A (en) * 2008-12-09 2010-06-16 Cambridge Entpr Ltd Closed loop diabetes management system
WO2011091246A2 (en) * 2010-01-22 2011-07-28 Deka Products Limited Partnership Infusion pump apparatus, method and system
US10231653B2 (en) * 2010-09-29 2019-03-19 Dexcom, Inc. Advanced continuous analyte monitoring system
WO2012142502A2 (en) 2011-04-15 2012-10-18 Dexcom Inc. Advanced analyte sensor calibration and error detection
US20130035865A1 (en) 2011-08-05 2013-02-07 Dexcom, Inc. Systems and methods for detecting glucose level data patterns
US20130231543A1 (en) 2012-03-05 2013-09-05 Andrea Facchinetti Method to improve safety monitoring in type-1 diabetic patients by detecting in real-time failures of the glucose
US9433376B2 (en) 2012-03-16 2016-09-06 Dexcom, Inc. Systems and methods for processing analyte sensor data
US10598627B2 (en) 2012-06-29 2020-03-24 Dexcom, Inc. Devices, systems, and methods to compensate for effects of temperature on implantable sensors
US20140066884A1 (en) * 2012-08-30 2014-03-06 Medtronic Minimed, Inc. Sensor model supervisor for a closed-loop insulin infusion system
US20140129151A1 (en) 2012-11-07 2014-05-08 Dexcom, Inc. Systems and methods for managing glycemic variability
US9211092B2 (en) 2013-01-03 2015-12-15 Dexcom, Inc. End of life detection for analyte sensors
US10335075B2 (en) 2013-03-14 2019-07-02 Dexcom, Inc. Advanced calibration for analyte sensors
US20150118658A1 (en) 2013-10-31 2015-04-30 Dexcom, Inc. Adaptive interface for continuous monitoring devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184267A1 (en) * 2010-01-26 2011-07-28 Roche Diagnostics Operations, Inc. Methods And Systems For Processing Glucose Data Measured From A Person Having Diabetes
US20120108935A1 (en) * 2010-10-28 2012-05-03 Bradley Liang Glucose sensor signal reliability analysis
US20140005505A1 (en) * 2012-06-29 2014-01-02 Dexcom, Inc. Use of sensor redundancy to detect sensor failures
WO2014035732A1 (en) * 2012-08-30 2014-03-06 Abbot Diabetes Care Inc. Dropout detection in continuous analyte monitoring data during data excursions

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247819A (zh) * 2017-05-02 2017-10-13 歌尔科技有限公司 传感器的滤波方法和滤波器
CN107247819B (zh) * 2017-05-02 2020-07-24 歌尔科技有限公司 传感器的滤波方法和滤波器
CN111727366A (zh) * 2017-12-19 2020-09-29 株式会社日立高新技术 信号处理装置和信号处理方法
CN108378831A (zh) * 2018-03-08 2018-08-10 马挺 一种具有提高血氧、心率监护和报警反馈准确性的方法及系统
US11467590B2 (en) 2018-04-09 2022-10-11 SafeAI, Inc. Techniques for considering uncertainty in use of artificial intelligence models
US11561541B2 (en) * 2018-04-09 2023-01-24 SafeAI, Inc. Dynamically controlling sensor behavior
US11625036B2 (en) 2018-04-09 2023-04-11 SafeAl, Inc. User interface for presenting decisions
US11835962B2 (en) 2018-04-09 2023-12-05 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束
CN111611547A (zh) * 2020-05-19 2020-09-01 扬州大学 稻田排水沟渠中多因素影响下氧化亚氮排放量确定方法
CN113221441A (zh) * 2020-12-24 2021-08-06 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置
CN113221441B (zh) * 2020-12-24 2022-12-02 山东鲁能软件技术有限公司 一种电厂设备健康评估的方法及装置

Also Published As

Publication number Publication date
US20150351670A1 (en) 2015-12-10
AU2015271133A1 (en) 2017-01-05
US20150351671A1 (en) 2015-12-10
JP2017516548A (ja) 2017-06-22
AU2018241076B9 (en) 2020-07-23
JP2022189937A (ja) 2022-12-22
WO2015187366A1 (en) 2015-12-10
AU2022202487A1 (en) 2022-05-12
CA2944147A1 (en) 2015-12-10
US10238323B2 (en) 2019-03-26
AU2020203886A1 (en) 2020-07-02
US10238324B2 (en) 2019-03-26
AU2018241076A1 (en) 2018-10-25
CN115349856A (zh) 2022-11-18
EP3151732A1 (en) 2017-04-12
AU2020203886B2 (en) 2022-01-20
US20150351673A1 (en) 2015-12-10
US10231659B2 (en) 2019-03-19
US10238322B2 (en) 2019-03-26
US20190150803A1 (en) 2019-05-23
US20150351672A1 (en) 2015-12-10
EP4049587A1 (en) 2022-08-31
AU2015271133B2 (en) 2018-07-05
JP2020168437A (ja) 2020-10-15
AU2018241076B2 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
CN106456067A (zh) 基于数据和背景的故障判别和响应处理
CN109069073B (zh) 用于提供针对用户优化的告警的系统和方法
JP2020168437A5 (zh)
JP2022189937A5 (zh)
US20220384007A1 (en) System and method for monitoring compliance with an insulin regimen prescribed for a diabetic patient

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170222

RJ01 Rejection of invention patent application after publication