CN109276258A - 基于dtw的血糖趋势预测方法、系统及医疗设备 - Google Patents
基于dtw的血糖趋势预测方法、系统及医疗设备 Download PDFInfo
- Publication number
- CN109276258A CN109276258A CN201810911834.6A CN201810911834A CN109276258A CN 109276258 A CN109276258 A CN 109276258A CN 201810911834 A CN201810911834 A CN 201810911834A CN 109276258 A CN109276258 A CN 109276258A
- Authority
- CN
- China
- Prior art keywords
- time series
- blood glucose
- calculating
- dtw
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
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
- A61B5/14532—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及医疗数据分析技术领域,公开了一种基于DTW的血糖趋势预测方法、系统及医疗设备。所述基于DTW的血糖趋势预测方法,包括:采集血糖真实值的时间序列P;通过PRRx预测方法获取血糖预测值的时间序列Q;计算时间序列P和时间序列Q的相似性度量;根据计算的相似性度量计算预测时间序列H的单位校准值;根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。通过实际距离到相似性度量的转化、相似性度量到新的预测距离的转化而获取到准确的血糖趋势预测数据,减轻了患者检测治疗的痛苦,提升了血糖趋势预测的准确性和治疗效果。
Description
技术领域
本发明涉及医疗数据分析技术领域,尤其涉及一种基于DTW的血糖趋势预测方法、系统及医疗设备。
背景技术
糖尿病的治疗通常需要采血装置刺入血管频繁采血以检测血糖值,给患者带来麻烦和痛苦,而现有基于采集心率数据计算心率峰-峰值距离PRRx值来预测血糖趋势测量方法的准确度较低,并不能投入实际的临床治疗。动态时间弯曲(Dynamic Time Warping,DTW)是一种强大的时间序列相似度度量方法,DTW距离定义了序列之间的最佳对齐匹配关系,支持不同长度的时间序列的相似度度量和时间轴的伸缩和弯曲,具有更好的鲁棒性。
发明内容
鉴于此,本发明提供一种基于DTW的血糖趋势预测方法、系统及医疗设备,解决现有血糖趋势预测方法准确度较低的技术问题。
根据本发明的一个实施例,提供一种基于DTW的血糖趋势预测方法,包括:采集血糖真实值的时间序列P;通过PRRx预测方法获取血糖预测值的时间序列Q;计算时间序列P和时间序列Q的相似性度量;根据计算的相似性度量计算预测时间序列H的单位校准值;根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。
优选的,所述计算时间序列P和时间序列Q的相似性度量,包括:计算时间序列P和时间序列Q构成弯曲矩阵的DTW距离;计算弯曲矩阵随机X份DTW距离的DTW平均值;根据余弦相关度公式计算时间序列P和时间序列Q的余弦相关度;计算时间序列P和时间序列Q的均值和方差;计算时间序列P和时间序列Q单个个体对整体时间序列的影响权重系数;根据计算的余弦相关度和影响权重系数计算加权余弦相关度;以及根据计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量。
优选的,所述根据计算的相似性度量计算预测时间序列H的单位校准值,包括:通过PRRx预测方法获取血糖预测值的时间序列H;计算查找时间序列P和时间序列Q的DTW最小值;以及根据计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值。
优选的,所述根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值,包括:标记时间序列H和时间序列P的全部峰值及峰值数量;以及根据标记的时间序列H和时间序列P的对应峰值和计算的单位校准值计算预测时间序列H预测血糖峰值。
优选的,在所述根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据之后,还包括:当获取的血糖趋势预测数据超出预设警戒范围时,提醒获取的血糖趋势预测数据。
根据本发明的另一个实施例,还提供一种基于DTW的血糖趋势预测系统,包括:采集模块,用于采集血糖真实值的时间序列P;预测模块,用于通过PRRx预测方法获取血糖预测值的时间序列Q;相似性度量计算模块,用于所述采集模块采集的计算时间序列P和所述预测模块预测的时间序列Q的相似性度量;单位校准值计算模块,用于根据所述相似性度量计算模块计算的相似性度量计算预测时间序列H的单位校准值;预测血糖峰值计算模块,用于根据所述单位校准值计算模块计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及血糖趋势数据获取模块,用于根据所述预测血糖峰值计算模块计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。
优选的,所述相似性度量计算模块,包括:DTW距离计算单元,用于计算时间序列P和时间序列Q构成弯曲矩阵的DTW距离;DTW平均值计算单元,用于计算弯曲矩阵随机X份DTW距离的DTW平均值;余弦相关度计算单元,用于根据余弦相关度公式计算时间序列P和时间序列Q的余弦相关度;均值方差计算单元,用于计算时间序列P和时间序列Q的均值和方差;影响权重系数计算单元,用于计算时间序列P和时间序列Q单个个体对整体时间序列的影响权重系数;加权余弦相关度计算单元,用于根据所述余弦相关度计算单元计算的余弦相关度和所述影响权重系数计算单元计算的影响权重系数计算加权余弦相关度;以及相似性度量计算单元,用于根据所述加权余弦相关度计算单元计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量。
优选的,所述单位校准值计算模块,包括:时间序列预测单元,用于通过PRRx预测方法获取血糖预测值的时间序列H;计算查找单元,用于计算查找计算时间序列P和时间序列Q的DTW最小值;以及单位校准值计算单元,用于根据所述计算查找单元计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值。
优选的,所述预测血糖峰值计算模块,包括:标记单元,用于标记时间序列H和时间序列P的全部峰值及峰值数量;以及预测血糖峰值计算单元,用于根据所述标记单元标记的时间序列H和时间序列P的对应峰值和计算的单位校准值计算预测时间序列H预测血糖峰值。
根据本发明又一个实施例,还提供一种医疗设备,所述医疗设备包括上述的基于DTW的血糖趋势预测系统。
本发明提供的基于DTW的血糖趋势预测方法、系统及医疗设备,采集血糖真实值的时间序列P;通过PRRx预测方法获取血糖预测值的时间序列Q;计算时间序列P和时间序列Q的相似性度量;根据计算的相似性度量计算预测时间序列H的单位校准值;根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据,通过实际距离到相似性度量的转化、相似性度量到新的预测距离的转化,最终直观、快捷地获取到患者血糖趋势预测数据,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了血糖趋势预测的准确性和治疗效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例中基于DTW的血糖趋势预测方法的流程示意图。
图2为本发明一个实施例中计算时间序列P和时间序列Q的相似性度量的流程示意图。
图3为本发明一个实施例中根据计算的相似性度量计算预测时间序列H的单位校准值的流程示意图。
图4为本发明一个实施例中根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值的流程示意图。
图5为本发明另一个实施例中基于DTW的血糖趋势预测系统的结构示意图。
图6为本发明另一个实施例中相似性度量计算模块的结构示意图。
图7为本发明另一个实施例中单位校准值计算模块的结构示意图。
图8为本发明另一个实施例中预测血糖峰值计算模块的结构示意图。
图9为本发明又一个实施例中医疗设备的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以结合具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
图1为本发明一个实施例中基于DTW的血糖趋势预测方法的流程示意图。如图所示,所述基于DTW的血糖趋势预测方法,包括:
步骤S101:采集血糖真实值的时间序列P。
在本实施例中,可通过现有的有创取血测血糖设备,多次采集糖尿病患者一天的血糖,并存储每个检测的血糖值和血糖采集时间,血糖采集时间的时间序列为P,长度为m,则P=p1,p2,p3,...,pm,其中pi(i=1,2,3...m)代表i时刻的真实血糖值。
步骤S102:通过PRRx预测方法获取血糖预测值的时间序列Q。
在本实施例中,采用PRRx预测方法得到的血糖预测值的时间序列Q,长度为n,则Q=q1,q2,q3,...,qn,其中qj(j=1,2,3...n)代表j时刻的血糖预测值。
步骤S103:计算时间序列P和时间序列Q的相似性度量。
在获取到时间序列P和时间序列Q后,进一步计算时间序列P和时间序列Q的相似性度量。参见图2,所述计算时间序列P和时间序列Q的相似性度量,包括:
步骤S201:计算时间序列P和时间序列Q构成弯曲矩阵的DTW距离。
在本实施例中,将时间序列P和时间序列Q构成一个n×m的弯曲矩阵。任意位置表示pi到qj的距离L(pi,qj),弯曲矩阵上长度为S的弯曲路径Rn,m=(r1,r2,r3,...,rs,...rS),其中rs(i,j)s表示弯曲路径上的第s个元素,且max(n,m)<S<n+m-1。所有时间序列点对基距离之和的最小值为DTW距离,计算为:
步骤S202:计算弯曲矩阵随机X份DTW距离的DTW平均值。
在本实施例中,将弯曲矩阵随机分成不等长的X份,根据公式(1)分别求得DTW值DTW1,DTW2,...,DTWX,并计算其平均DTW值(DTW)A。
步骤S203:根据余弦相关度公式计算时间序列P和时间序列Q的余弦相关度。
在本实施例中,对于时间序列P和时间序列Q构成n×m的弯曲矩阵,通过余弦相关度公式求得时间序列P和时间序列Q两两的余弦相关度dcos(pi,qj)。
步骤S204:计算时间序列P和时间序列Q的均值和方差。
在本实施例中,计算时间序列P的均值E(P)、方差D(P),计算时间序列Q的均值E(Q)、方差D(Q)。
步骤S205:计算时间序列P和时间序列Q单个个体对整体时间序列的影响权重系数。
在本实施例中,进一步计算单个个体对整个时间序列的影响,影响权重系数λij计算为:
步骤S206:根据计算的余弦相关度和影响权重系数计算加权余弦相关度。
在余弦相关度和影响权重系数λij的基础上,进一步计算加权余弦相关度:
步骤S207:根据计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量。
在本实施例中,根据计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量,实现实际距离到相似性度量的转化。
ρ(pi,qj)=1-exp(-Dcos(pi,qj)) (4)
步骤S104:根据计算的相似性度量计算预测时间序列H的单位校准值。
参见图3,在实现实际距离到相似性度量的转化后,所述计算预测时间序列H的单位校准值,包括:
步骤S301:通过PRRx预测方法获取血糖预测值的时间序列H。
在本实施例中,选择步骤S102测试情况类似的较长时间段(比如新的一天),通过PRRx预测方法得到的血糖预测值的时间序列H,序列长度为l,则其中hk(k=1,2,3...l)代表k时刻的血糖预测值。
步骤S302:计算查找计算的时间序列P和时间序列Q的DTW最小值。
参照步骤S201,时间序列P和时间序列Q构成弯曲矩阵,按照公式(1)计算和寻找时间序列P和时间序列H的DTW最小值(DTW)B,如果(DTW)B>(DTW)A,则重新计算和寻找以获取最小量(DTW)B。
步骤S303:根据计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值。
在本实施例中,进一步根据计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值σ:
步骤S105:根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值。
参见图4,所述根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值,包括:
步骤S401:标记时间序列H和时间序列P的全部峰值及峰值数量。
步骤S402:根据标记的时间序列H和时间序列P的对应峰值和计算的单位校准值计算预测时间序列H预测血糖峰值。
在本实施例中,首先标记时间序列H的全部峰值和峰值数量,同时标记时间序列P的全部峰值及峰值数量。若时间序列H第一个峰值PVH1比时间序列P的第一个峰值高,则时间序列H第一个新峰值计算为:
PV′H1=PVH1-σ(pi,hk) (6)
若时间序列H第一个峰值PVH1比时间序列P的第一个峰值低,则时间序列H第一个新峰值计算为:
PV′H1=PVH1+σ(pi,hk) (7)
以此类推,计算出预测时间序列H的预测血糖峰值。
步骤S106:根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。
在本实施例中,在计算出预测时间序列H的预测血糖峰值后,连接校准后各预测血糖峰值点而形成动态血糖趋势预测曲线,直观、快捷地展示患者血糖趋势预测,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了治疗效果。
在本实施例基于DTW的血糖趋势预测方法中,采集血糖真实值的时间序列P,通过PRRx预测方法获取血糖预测值的时间序列Q,计算时间序列P和时间序列Q的相似性度量,根据计算的相似性度量计算预测时间序列H的单位校准值,根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值,根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据,通过实际距离到相似性度量的转化、相似性度量到新的预测距离的转化,最终直观、快捷地获取到患者血糖趋势预测数据,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了血糖趋势预测的准确性和治疗效果。
在一些实施例中,在所述根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据之后,当获取的血糖趋势预测数据超出预设警戒范围时,判定预测血糖偏高,进一步可通过文字、语音或跳出警报窗口等方式提醒医生获取的血糖趋势预测数据,便于医生根据警报数据准确及时地制定和调整治疗方案,提升了治疗效果。
参见图5,基于上述方法实施例,本发明还提供一种基于DTW的血糖趋势预测系统100,包括采集模块10、预测模块20、相似性度量计算模块30、单位校准值计算模块40、预测血糖峰值计算模块50和血糖趋势数据获取模块60。
在本实施例中,所述采集模块10可选用现有的有创取血测血糖设备,可多次采集糖尿病患者一天的血糖,并存储每个检测的血糖值和血糖采集时间,血糖采集时间的时间序列为P,长度为m,则P=p1,p2,p3,...,pm,其中pi(i=1,2,3...m)代表i时刻的真实血糖值。
在本实施例中,所述预测模块20采用PRRx预测方法得到的血糖预测值的时间序列Q,长度为n,则Q=q1,q2,q3,...,qn,其中qj(j=1,2,3...n)代表j时刻的血糖预测值。
在所述采集模块10和预测模块20获取到时间序列P和时间序列Q后,所述相似性度量计算模块30进一步计算时间序列P和时间序列Q的相似性度量。参见图6,所述相似性度量计算模块30,包括DTW距离计算单元301、DTW平均值计算单元302、余弦相关度计算单元303、均值方差计算单元304、影响权重系数计算单元305、加权余弦相关度计算单元306和相似性度量计算单元307。
在本实施例中,所述DTW距离计算单元301将时间序列P和时间序列Q构成一个n×m的弯曲矩阵。任意位置表示pi到qj的距离L(pi,qj),弯曲矩阵上长度为S的弯曲路径Rn,m=(r1,r2,r3,...,rs,...rS),其中rs(i,j)s表示弯曲路径上的第s个元素,且max(n,m)<S<n+m-1。所述DTW距离计算单元301将所有时间序列点对基距离之和的最小值为DTW距离,计算为:
在本实施例中,所述DTW平均值计算单元302将弯曲矩阵随机分成不等长的X份,根据公式(1)分别求得DTW值DTW1,DTW2,...,DTWX,并计算其平均DTW值(DTW)A。
在本实施例中,对于时间序列P和时间序列Q构成n×m的弯曲矩阵,所述余弦相关度计算单元303通过余弦相关度公式求得时间序列P和时间序列Q两两的余弦相关度dcos(pi,qj)。
在本实施例中,所述均值方差计算单元304计算时间序列P的均值E(P)、方差D(P),计算时间序列Q的均值E(Q)、方差D(Q)。
在本实施例中,所述影响权重系数计算单元305进一步计算单个个体对整个时间序列的影响,影响权重系数λij计算为:
在余弦相关度和影响权重系数λij的基础上,所述加权余弦相关度计算单元306进一步计算加权余弦相关度:
在本实施例中,所述相似性度量计算单元307根据所述加权余弦相关度计算单元306计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量,实现实际距离到相似性度量的转化。
ρ(pi,qj)=1-exp(-Dcos(pi,qj)) (4)
参见图7,在所述相似性度量计算模块30实现实际距离到相似性度量的转化后,所述单位校准值计算模块40,包括时间序列预测单元401、计算查找单元402和单位校准值计算单元403。
在本实施例中,所述时间序列预测单元401选择所述预测模块20测试情况类似的较长时间段(比如新的一天),通过PRRx预测方法得到的血糖预测值的时间序列H,序列长度为l,则Q′=h1,h2,h3,...,hl,其中hk(k=1,2,3...l)代表k时刻的血糖预测值。
参照所述预测模块20,时间序列P和时间序列Q构成弯曲矩阵,所述计算查找单元402按照公式(1)计算和寻找时间序列P和时间序列H的DTW最小值(DTW)B,如果(DTW)B>(DTW)A,则重新计算和寻找以获取最小量(DTW)B。
在本实施例中,所述单位校准值计算单元403进一步根据所述计算查找单元402计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值σ:
参见图8,所述预测血糖峰值计算模块50,包括标记单元501和预测血糖峰值计算单元502。在本实施例中,所述标记单元501首先标记时间序列H的全部峰值和峰值数量,同时标记时间序列P的全部峰值及峰值数量。若时间序列H第一个峰值PVH1比时间序列P的第一个峰值高,则所述预测血糖峰值计算单元502对时间序列H第一个新峰值计算为:
PV′H1=PVH1-σ(pi,hk) (6)
若时间序列H第一个峰值PVH1比时间序列P的第一个峰值低,则所述预测血糖峰值计算单元502对时间序列H第一个新峰值计算为:
PV′H1=PVH1+σ(pi,hk) (7)
以此类推,所述预测血糖峰值计算单元502计算出预测时间序列H的预测血糖峰值。
在本实施例中,在所述预测血糖峰值计算模块50计算出预测时间序列H的预测血糖峰值后,所述血糖趋势数据获取模块60连接校准后各预测血糖峰值点而形成动态血糖趋势预测曲线,直观、快捷地展示患者血糖趋势预测,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了治疗效果。
在本实施例基于DTW的血糖趋势预测系统100中,采集模块10采集血糖真实值的时间序列P,预测模块20通过PRRx预测方法获取血糖预测值的时间序列Q,相似性度量计算模块30计算时间序列P和时间序列Q的相似性度量,单位校准值计算模块40根据相似性度量计算模块30计算的相似性度量计算预测时间序列H的单位校准值,预测血糖峰值计算模块50根据单位校准值计算模块40计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值,血糖趋势数据获取模块60根据预测血糖峰值计算模块50计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据,通过实际距离到相似性度量的转化、相似性度量到新的预测距离的转化,最终直观、快捷地获取到患者血糖趋势预测数据,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了血糖趋势预测的准确性和治疗效果。
图9为本发明又一个实施例中医疗设备的结构示意图。如图所示,本实施例还提供一种医疗设备200,所述医疗设备200包括上述实施例中的基于DTW的血糖趋势预测系统100,通过实际距离到相似性度量的转化、相似性度量到新的预测距离的转化,最终直观、快捷地获取到患者血糖趋势预测数据,给糖尿病治疗提供准确的治疗参考数据,减轻了患者检测治疗的痛苦,提升了医疗设备血糖趋势预测的准确性和治疗效果。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于DTW的血糖趋势预测方法,其特征在于,包括:
采集血糖真实值的时间序列P;
通过PRRx预测方法获取血糖预测值的时间序列Q;
计算时间序列P和时间序列Q的相似性度量;
根据计算的相似性度量计算预测时间序列H的单位校准值;
根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及
根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。
2.根据权利要求1所述的基于DTW的血糖趋势预测方法,其特征在于,所述计算时间序列P和时间序列Q的相似性度量,包括:
计算时间序列P和时间序列Q构成弯曲矩阵的DTW距离;
计算弯曲矩阵随机X份DTW距离的DTW平均值;
根据余弦相关度公式计算时间序列P和时间序列Q的余弦相关度;
计算时间序列P和时间序列Q的均值和方差;
计算时间序列P和时间序列Q单个个体对整体时间序列的影响权重系数;
根据计算的余弦相关度和影响权重系数计算加权余弦相关度;以及
根据计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量。
3.根据权利要求2所述的基于DTW的血糖趋势预测方法,其特征在于,所述根据计算的相似性度量计算预测时间序列H的单位校准值,包括:
通过PRRx预测方法获取血糖预测值的时间序列H;
计算查找时间序列P和时间序列Q的DTW最小值;以及
根据计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值。
4.根据权利要求3所述的基于DTW的血糖趋势预测方法,其特征在于,所述根据计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值,包括:
标记时间序列H和时间序列P的全部峰值及峰值数量;以及
根据标记的时间序列H和时间序列P的对应峰值和计算的单位校准值计算预测时间序列H预测血糖峰值。
5.根据权利要求1所述的基于DTW的血糖趋势预测方法,其特征在于,在所述根据计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据之后,还包括:当获取的血糖趋势预测数据超出预设警戒范围时,提醒获取的血糖趋势预测数据。
6.一种基于DTW的血糖趋势预测系统,其特征在于,包括:
采集模块,用于采集血糖真实值的时间序列P;
预测模块,用于通过PRRx预测方法获取血糖预测值的时间序列Q;
相似性度量计算模块,用于所述采集模块采集的计算时间序列P和所述预测模块预测的时间序列Q的相似性度量;
单位校准值计算模块,用于根据所述相似性度量计算模块计算的相似性度量计算预测时间序列H的单位校准值;
预测血糖峰值计算模块,用于根据所述单位校准值计算模块计算的预测时间序列H的单位校准值计算预测时间序列H预测血糖峰值;以及
血糖趋势数据获取模块,用于根据所述预测血糖峰值计算模块计算的预测时间序列H预测血糖峰值获取血糖趋势预测数据。
7.根据权利要求6所述的基于DTW的血糖趋势预测系统,其特征在于,所述相似性度量计算模块,包括:
DTW距离计算单元,用于计算时间序列P和时间序列Q构成弯曲矩阵的DTW距离;
DTW平均值计算单元,用于计算弯曲矩阵随机X份DTW距离的DTW平均值;
余弦相关度计算单元,用于根据余弦相关度公式计算时间序列P和时间序列Q的余弦相关度;
均值方差计算单元,用于计算时间序列P和时间序列Q的均值和方差;
影响权重系数计算单元,用于计算时间序列P和时间序列Q单个个体对整体时间序列的影响权重系数;
加权余弦相关度计算单元,用于根据所述余弦相关度计算单元计算的余弦相关度和所述影响权重系数计算单元计算的影响权重系数计算加权余弦相关度;以及
相似性度量计算单元,用于根据所述加权余弦相关度计算单元计算的加权余弦相关度计算时间序列P和时间序列Q的相似性度量。
8.根据权利要求7所述的基于DTW的血糖趋势预测系统,其特征在于,所述单位校准值计算模块,包括:
时间序列预测单元,用于通过PRRx预测方法获取血糖预测值的时间序列H;
计算查找单元,用于计算查找计算时间序列P和时间序列Q的DTW最小值;以及
单位校准值计算单元,用于根据所述计算查找单元计算的DTW最小值和相似性度量计算预测时间序列H的单位校准值。
9.根据权利要求8所述的基于DTW的血糖趋势预测系统,其特征在于,所述预测血糖峰值计算模块,包括:
标记单元,用于标记时间序列H和时间序列P的全部峰值及峰值数量;以及
预测血糖峰值计算单元,用于根据所述标记单元标记的时间序列H和时间序列P的对应峰值和计算的单位校准值计算预测时间序列H预测血糖峰值。
10.一种医疗设备,其特征在于,所述医疗设备包括如权利要求6至9任一项所述的基于DTW的血糖趋势预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911834.6A CN109276258B (zh) | 2018-08-10 | 2018-08-10 | 基于dtw的血糖趋势预测方法、系统及医疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911834.6A CN109276258B (zh) | 2018-08-10 | 2018-08-10 | 基于dtw的血糖趋势预测方法、系统及医疗设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109276258A true CN109276258A (zh) | 2019-01-29 |
CN109276258B CN109276258B (zh) | 2021-08-03 |
Family
ID=65183005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810911834.6A Active CN109276258B (zh) | 2018-08-10 | 2018-08-10 | 基于dtw的血糖趋势预测方法、系统及医疗设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109276258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527266A (zh) * | 2021-12-31 | 2022-05-24 | 攸太科技(台州)有限公司 | 尿液电化学检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055117A1 (en) * | 2004-05-14 | 2007-03-08 | Alphonse Gerard A | Low coherence interferometry utilizing phase |
US20090318779A1 (en) * | 2006-05-24 | 2009-12-24 | Bao Tran | Mesh network stroke monitoring appliance |
CN102245103A (zh) * | 2008-11-07 | 2011-11-16 | 萨比尔医疗有限公司 | 用于血液中葡萄糖水平的无创测量的系统和装置 |
JP5080550B2 (ja) * | 2009-12-07 | 2012-11-21 | 株式会社ユメディカ | 自律神経機能評価装置 |
CN103229179A (zh) * | 2010-12-08 | 2013-07-31 | 霍夫曼-拉罗奇有限公司 | 用于自动显示生物监测数据中的模式的系统和方法 |
CN103384495A (zh) * | 2010-12-22 | 2013-11-06 | 霍夫曼-拉罗奇有限公司 | 生理测量数据中已知模式的自动识别 |
CN105193423A (zh) * | 2015-09-25 | 2015-12-30 | 北京大学深圳研究生院 | 无创血糖检测方法、装置及系统 |
KR20170047993A (ko) * | 2015-10-26 | 2017-05-08 | 가천대학교 산학협력단 | 데이터 보안 전송을 통한 당뇨 위험 산출 시스템 |
CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
CN107174258A (zh) * | 2017-06-02 | 2017-09-19 | 北京信息科技大学 | 血糖浓度预测方法 |
CN107427263A (zh) * | 2014-12-22 | 2017-12-01 | 爱德华·弗拉基米罗维奇·克雷扎诺夫斯基 | 用于无创地确定血糖浓度的方法 |
-
2018
- 2018-08-10 CN CN201810911834.6A patent/CN109276258B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070055117A1 (en) * | 2004-05-14 | 2007-03-08 | Alphonse Gerard A | Low coherence interferometry utilizing phase |
US20090318779A1 (en) * | 2006-05-24 | 2009-12-24 | Bao Tran | Mesh network stroke monitoring appliance |
CN102245103A (zh) * | 2008-11-07 | 2011-11-16 | 萨比尔医疗有限公司 | 用于血液中葡萄糖水平的无创测量的系统和装置 |
JP5080550B2 (ja) * | 2009-12-07 | 2012-11-21 | 株式会社ユメディカ | 自律神経機能評価装置 |
CN103229179A (zh) * | 2010-12-08 | 2013-07-31 | 霍夫曼-拉罗奇有限公司 | 用于自动显示生物监测数据中的模式的系统和方法 |
CN103384495A (zh) * | 2010-12-22 | 2013-11-06 | 霍夫曼-拉罗奇有限公司 | 生理测量数据中已知模式的自动识别 |
CN107427263A (zh) * | 2014-12-22 | 2017-12-01 | 爱德华·弗拉基米罗维奇·克雷扎诺夫斯基 | 用于无创地确定血糖浓度的方法 |
CN105193423A (zh) * | 2015-09-25 | 2015-12-30 | 北京大学深圳研究生院 | 无创血糖检测方法、装置及系统 |
KR20170047993A (ko) * | 2015-10-26 | 2017-05-08 | 가천대학교 산학협력단 | 데이터 보안 전송을 통한 당뇨 위험 산출 시스템 |
CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
CN107174258A (zh) * | 2017-06-02 | 2017-09-19 | 北京信息科技大学 | 血糖浓度预测方法 |
Non-Patent Citations (1)
Title |
---|
孙磊 等: "健康管理中时序数据挖掘相关问题研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527266A (zh) * | 2021-12-31 | 2022-05-24 | 攸太科技(台州)有限公司 | 尿液电化学检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109276258B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10709933B2 (en) | Pose and heart rate energy expenditure for yoga | |
US6571200B1 (en) | Monitoring caloric expenditure resulting from body activity | |
Varley et al. | Validity and reliability of GPS for measuring instantaneous velocity during acceleration, deceleration, and constant motion | |
Cindy Ng et al. | Accuracy and responsiveness of the stepwatch activity monitor and ActivPAL in patients with COPD when walking with and without a rollator | |
ES2821803T3 (es) | Sistema y procedimiento para evaluar el riesgo asociado con un estado de glucosa | |
Leong et al. | Accuracy of three Android-based pedometer applications in laboratory and free-living settings | |
CN105210067B (zh) | 计算用户的与体育锻炼有关的生理状态 | |
FI125723B (en) | Portable activity tracking device and associated method | |
US20130281796A1 (en) | Biosensor with exercise amount measuring function and remote medical system thereof | |
RU2012134290A (ru) | Система для определения связанных с лечением данных для введения медикаментов пациентам, подлежащим лечению с учетом важных индивидуальных коэффициентов | |
JP6394149B2 (ja) | 生活活動解析装置、生活活動解析システム、生活活動解析方法及びプログラム | |
Nuuttila et al. | Validity of the wrist-worn polar vantage V2 to measure heart rate and heart rate variability at rest | |
Cosoli et al. | Accuracy and precision of wearable devices for real-time monitoring of swimming athletes | |
Compagnat et al. | Validity of the walked distance estimated by wearable devices in stroke individuals | |
Arguello et al. | Validity of proximity sensor-based wear-time detection using the ActiGraph GT9X | |
US20200205675A1 (en) | System and method for enhancing accuracy of body surface temperature measurement | |
Kofjač et al. | Designing a low-cost real-time group heart rate monitoring system | |
CN109276258A (zh) | 基于dtw的血糖趋势预测方法、系统及医疗设备 | |
US11219410B2 (en) | Systems and methods for accurately estimating cutaneous water losses in response to exercise | |
CN105286812B (zh) | 一种体温测量方法和装置 | |
Liu et al. | Lifesource XL-18 pedometer for measuring steps under controlled and free-living conditions | |
EP2284493A1 (en) | Sensor-based tracking of variable locomotion | |
Åkerberg et al. | Investigation of the validity and reliability of a smartphone pedometer application | |
CN111128326A (zh) | 一种基于目标跟踪的社区病患监控方法和系统 | |
JPH08336512A (ja) | 消費カロリ計および活動解析システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |