CN110379488A - 一种对餐后高血糖进行预警的装置及方法 - Google Patents
一种对餐后高血糖进行预警的装置及方法 Download PDFInfo
- Publication number
- CN110379488A CN110379488A CN201910630694.XA CN201910630694A CN110379488A CN 110379488 A CN110379488 A CN 110379488A CN 201910630694 A CN201910630694 A CN 201910630694A CN 110379488 A CN110379488 A CN 110379488A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- module
- blood glucose
- dinner
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 201000001421 hyperglycemia Diseases 0.000 title claims abstract description 27
- 210000004369 blood Anatomy 0.000 claims abstract description 90
- 239000008280 blood Substances 0.000 claims abstract description 90
- 239000008103 glucose Substances 0.000 claims abstract description 82
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 46
- 235000005911 diet Nutrition 0.000 claims abstract description 31
- 230000000378 dietary effect Effects 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000002485 urinary effect Effects 0.000 claims abstract description 9
- 210000002700 urine Anatomy 0.000 claims description 40
- 235000013305 food Nutrition 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 25
- 235000012054 meals Nutrition 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002641 glycemic effect Effects 0.000 claims description 8
- 235000011888 snacks Nutrition 0.000 claims description 8
- 239000003651 drinking water Substances 0.000 claims description 7
- 235000020188 drinking water Nutrition 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- OBHRVMZSZIDDEK-UHFFFAOYSA-N urobilinogen Chemical compound CCC1=C(C)C(=O)NC1CC1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(CC3C(=C(CC)C(=O)N3)C)N2)CCC(O)=O)N1 OBHRVMZSZIDDEK-UHFFFAOYSA-N 0.000 claims description 6
- 230000003860 sleep quality Effects 0.000 claims description 5
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 239000011575 calcium Substances 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000036578 sleeping time Effects 0.000 claims description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 2
- 239000003153 chemical reaction reagent Substances 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims 2
- GDSOZVZXVXTJMI-SNAWJCMRSA-N (e)-1-methylbut-1-ene-1,2,4-tricarboxylic acid Chemical compound OC(=O)C(/C)=C(C(O)=O)\CCC(O)=O GDSOZVZXVXTJMI-SNAWJCMRSA-N 0.000 claims 1
- 230000003203 everyday effect Effects 0.000 claims 1
- 208000002193 Pain Diseases 0.000 abstract description 4
- 230000036407 pain Effects 0.000 abstract description 4
- 238000010998 test method Methods 0.000 abstract description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 4
- 230000000291 postprandial effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 229920002527 Glycogen Polymers 0.000 description 2
- 235000010323 ascorbic acid Nutrition 0.000 description 2
- 229960005070 ascorbic acid Drugs 0.000 description 2
- 239000011668 ascorbic acid Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229940096919 glycogen Drugs 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000015550 Fear of disease Diseases 0.000 description 1
- 206010018473 Glycosuria Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-N Nitrous acid Chemical class ON=O IOVCWXUNBOPUCH-UHFFFAOYSA-N 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 230000029663 wound healing Effects 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种对餐后高血糖进行预警的装置及方法，包含以下模块：饮食数据输入模块、生活数据输入模块、血糖测量模块、尿液成分测量模块、机器学习模型训练模块、高血糖实时预警模块和基于聚类的样本收集模块，各个模块依次连接。本发明解决了传统的血糖测试方法需要扎手指的难题，可以极大减低用户的痛苦，同时给出精准的高血糖预警结果。
Description
技术领域
本发明涉及糖尿病患者血糖预测领域，特别是一种对餐后高血糖进行预警的装置及方法。
背景技术
近年来，我国已经成为糖尿病大国，患病人数超过1亿，而且还在飞速增长。由于糖尿病的对身体的严重危害性，以及其并发症对患者生活的严重干扰，使得社会大众对糖尿病的恐惧到了“谈虎色变”的地步。如何预防糖尿病，以及如何稳定控制血糖水平，已经成为一个极其重要的社会话题。
对于糖尿病患者而言，能够实时监控自己的血糖水平非常关键，这是对自己的生活习惯、饮食习惯等进行监督的好办法。但是，常见的血糖测量方法，需要利用患者的血液，对患者而言相当痛苦。尤其是一天需要多次测量的情形下，更加导致用户出现抵抗心理。此外，由于糖尿病患者的伤口愈合速度很慢，频繁的扎手指，会进一步导致伤口感染，带来更多的痛苦。
鉴于如上难题，本专利提出了一种基于机器学习的高血糖预警方法。利用该方法，用户只需要提供15天的血糖数据，以及对应的饮食、睡眠、运动、尿液检测等数据，预测系统就可以训练得到针对该患者的体质所特有的血糖模型。利用该模型，就可以预测出用户饭后2小时的血糖值，从而对高血糖情形进行预警。该方法可以大幅度降低用户扎手指测血糖的次数，极大地减低了用户的痛苦，对防治糖尿病意义重大。
发明内容
本发明的目的在于提供一种对餐后高血糖进行预警的装置及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种对餐后高血糖进行预警的装置包含以下模块：饮食数据输入模块、生活数据输入模块、血糖测量模块、尿液成分测量模块、机器学习模型训练模块、高血糖实时预警模块和基于聚类的样本收集模块，各个模块依次连接。
作为优选，所述的饮食数据输入模块用户需要输入如下饮食数据：当前次就餐的每一种食物的名称；当前次就餐的每一种食物的重量；当前次就餐的每一种食物对应的血糖负荷GL值；当前次就餐的花费时间；上一次就餐的每一种食物的名称；上一次就餐的每一种食物的重量；上一次就餐的每一种食物对应的血糖负荷GL值；当前次就餐与上一次就餐的时间间隔；当前次就餐2小时内的饮水量；就餐精确时间；
作为优选，所述的生活数据输入模块用户需要输入如下生活数据：饭后2小时的室内气温值(℃)；饭后2小时用户情绪是否紧张；前一夜的睡眠时间长度与睡眠质量；当天的运动量(用热量单位千卡来衡量)；用户的身高、体重、性别、年龄；
作为优选，所述的血糖测量模块中前15天是预测模型的训练阶段，用户需要利用高精度的血糖计测量饭后2小时的血糖值(单位mmol/L)，一天至少测试三次，如果有加餐或者零食，则同样需要测量，血糖值与对应时刻的生活数据、饮食数据、尿液检测结果一起提交给预测模型用于训练。
作为优选，所述的尿液成分测量模块中前15天是模型的训练阶段，用户需要利用尿液检测设备提供当前次就餐2小时内的尿液干化学试纸检测结果。尿液检测结果包括14项检测记录，它们是：白细胞、抗坏血酸、亚硝酸盐、酸碱度、酮体、尿钙、尿胆原、潜血、胆红素、肌酐、蛋白质、尿比重、葡萄糖、微量白蛋白，用户只需要提供这14项指标对应的浓度值即可。
利用前15天得到的用户饮食数据、生活数据、血糖检测结果、尿液检测结果，输入到机器学习模型训练模块，利用机器学习方法训练得到一个预测模型，该模型可以反映该用户的个人身体素质对血糖浓度的影响。
进一步地，利用机器学习模型训练模块所述的训练结果，也就是预测模型，结合用户输入的当前次就餐的饮食数据、生活数据和尿液检测结果，就可以预测到该用户当前次就餐2小时后的血糖值。一旦发现血糖值高于正常浓度，通过高血糖实时预警模块6就给出预警。
进一步地，所述的基于聚类的样本收集模块7提出了基于患者体质进行样本聚类的思路和利用随机采样一致性策略进行样本挑选的方法。具体采用如下的策略收集样本：
1)对用户的体质进行分类，默认分成10个类别。不同的子类，对应的是不同的体质，对食物有不同的血糖反应；
2)利用云端系统收集大量用户的海量数据，然后基于海量数据进行训练，弥补单个用户数据量不足的问题；
3)利用聚类思想和随机采样一致性策略(RANSAC)，对海量数据进行逐次分割。即：a)最开始用所有数据作为一类，训练得到一个预测模型M0；b)利用M0对每一个用户的所有样本进行预测，将预测血糖值与实际血糖值的平均偏差小于阈值的样本挑选出来形成一致集S0，其余的用户的样本构成集合S1；c)利用S0重新训练预测模型，用结果更新M0；d)用集合S1训练得到新的预测模型M1；e)重复步骤a)-d)，实现对所有用户的体质进行聚类和预测模型的训练。
与现有技术相比，本发明的有益效果是：解决了传统的血糖测试方法需要扎手指的问题，可以在极大减低用户痛苦的情形下实现对餐后高血糖的准确预警。
附图说明
图1为本发明模块结构示意图；
图2为本发明中实施例中一杯米APP输入饮食数据的页面示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
参照图1所示，一种对餐后高血糖进行预警的装置包含以下模块：饮食数据输入模块1、生活数据输入模块2、血糖测量模块3、尿液成分测量模块4、机器学习模型训练模块5、高血糖实时预警模块6和基于聚类的样本收集模块7，各个模块依次连接。
所述饮食数据输入模块1，是指用户通过安装在手机上的APP进行手工输入。APP名称为“一杯米”。需要输入的饮食数据包括：
1)当前次就餐的每一种食物的名称。如果是混合膳食，也需要对主要成分逐一描述清楚；
2)当前次就餐的每一种食物的重量，以克为单位。由于用户很难给出每一种食物的精准重量，因此可以以“半碗”、“勺”等作为大致估计，然后换算成单位克；
3)当前次就餐的每一种食物对应的血糖负荷GL值。GL是glycemic load的缩写。该值对应每100克某种食物导致的血糖的上升程度(单位：mmol/L)，通过每一种食物的GL，以及该食物的重量，就可以计算出当前次就餐的总的血糖负荷。每一种不同的食物，具有不同的GL值。蔬菜、水果一般具有较低的GL值，因此它们会降低混合膳食的GL；
4)当前次就餐的花费时间(单位：分钟)。吃饭时间的长短，对血糖值是有影响的。吃饭较快的用户，食物迅速进入消化道，导致血糖吸收速度很快。而如果延长吃饭时间，则可以降低血糖高峰值。因此本专利所述方法需要用户输入用餐时间，作为预测信息之一；
5)上一次就餐的每一种食物的名称。由于食物在肠胃中的停留总时间可能长达12小时，因此用户当前次用餐的时候，上一餐的食物还没有完全吸收。此时两顿饭的血糖值很可能发生叠加效应。另外，用户也可能是下午补餐，此时距离午餐的时间很短，叠加效应更加明显。因此，需要用户记录上一次用餐的所有食物的名称；
6)上一次就餐的每一种食物的重量；
7)上一次就餐的每一种食物对应的血糖负荷GL值；
8)当前次就餐与上一次就餐的时间间隔，单位：小时。由于两次用餐的时间可能比较近，该时间间隔可以反映上一次用餐对当前血糖值的影响幅度。如果是空腹血糖测量，则需将时间间隔值设定为12小时；
9)当前次就餐2小时内的饮水量，单位：mL。在后续的训练步骤，本专利所述方法将用到餐后2小时内的尿液检测结果，因此需要记录下餐后2小时内的饮水量。饮水量会影响尿液检测结果，因此该值需要作为一个参考特征。此外，饮水量也会对食物在肠胃中的吸收速度带来影响，会影响血糖值；
10)就餐时刻。由于生物钟的存在，人体在一天24小时之内的不同时间，具有不同的身体特性，各种激素的分泌量也有很大区别，因此人体内血糖值也会受到影响。就餐时刻值将被作为一个重要信息，用于血糖值的预测。
一杯米APP输入饮食数据的页面示意图如图1所示
生活数据输入模块2：所述生活数据输入模块，也是指用户通过安装在手机上的APP进行手工输入。APP名称同样为“一杯米”。需要输入的生活数据包括如下几个：
1)饭后2小时的室内气温值(单位：℃)。本专利的预测模块，可以预测当前次就餐之后的2小时血糖值。为了给该预测模块提供数据，需要用户在APP(一杯米)中输入该时刻的室内气温值。在不同的气温下，人体内部具有不同的内分泌状态，因此血糖值同样也会受到影响；
2)饭后2小时用户情绪是否紧张。情绪会影响体内血糖值。比如当用户高度紧张时，身体就会降低胰岛素的分泌，增加糖元的分解，从而提高血糖值，提高身体机能，以应付可能到来的危机情况，提高人体应付危机的处理速度。为了方面进行预测模型的训练，本专利所述方法将用户的情绪紧张程度划分为三个程度：不紧张、一般、超级紧张，分别对应等级1、2、3.用户只需要输入等级对应的数字，就可以进行模型训练；
3)前一夜的睡眠时间长度与睡眠质量。人是昼夜型动物，生物钟的现象非常明显。夜间的睡眠期间，人体内部会进行各种排毒、器官休息等工作。当睡眠受到影响时，就会导致内分泌紊乱，血糖值也会受到极大地干扰。本专利所述方法用到两个数值：睡眠长度(单位：小时)；睡眠质量。睡眠质量划分为三个程度：高质量、一般、失眠，分别对应等级1、2、3.用户只需要输入等级对应的数字，就可以进行模型训练；
4)当天的运动量(用热量单位千卡来衡量)。运动可以消耗掉人体血液中的糖分，或者在血糖不足时分解糖元提高血糖值，因此运动量对血糖值有着显著的影响。为了方便衡量运动量，本专利所述方法需要用户手动输入以千卡为单位的当天运动量；
5)用户的身高、体重、性别、年龄。用户的身体条件，也会影响血糖值。比如，肥胖的用户体内脂肪较多，就容易形成胰岛抵抗，因此血糖值容易偏高；老年人的血糖值普遍比年轻人高。本专利所述方法需要用户手动输入四个数据：身高(单位cm)、体重(单位：千克)、性别(男性用序号1表示，女性用序号2表示)、年龄；
血糖测量模块3，用户餐后两小时的血糖值，是本专利方法需要预测的目标值。为了得到用于预测血糖值的机器学习模型，需要采集血糖值用于训练。血糖值的单位是mmol/L。本专利所述方法，采用的血糖仪型号为：ACCU-CHEK Performa。用户按照血糖仪的正确使用方法，从手指上获取当前时刻的血糖浓度值。
在训练期间的15天内，每天至少需要测量三次。如果有加餐或者零食，则同样需要测量。测量完成后，当前次测量结果，需要跟同时间的饮食数据、生活数据、尿液检测数据进行对应，然后作为一个样例提供给训练模块。
尿液检测模块4，人体血液中的葡萄糖，有一部分会进入到尿液，形成尿糖。正常人的尿液中，葡萄糖含量很低。但是，当血糖浓度超过肾糖阈值的时候，尿液中就会出现较高浓度的葡萄糖。通过测量尿液中的葡萄糖含量，结合食物的血糖负荷，可以为预测用户的血糖浓度提供信息。除此之外，尿液中的其他成分，也能反映用户的身体状况，也可以为预测血糖浓度提供依据。
本专利所述方法，需要测量的尿液指标包括如下14项：白细胞、抗坏血酸、亚硝酸盐、酸碱度、酮体、尿钙、尿胆原、潜血、胆红素、肌酐、蛋白质、尿比重、葡萄糖、微量白蛋白。它们的单位为mmol/L,或g/L、mg/L。该14项指标结果，跟饮食数据、生活数据一起组成输入数据，用于进行预测模型的训练，或者进行血糖值的预测。
在测量尿液指标时，所用的设备为深圳市预防宝科技有限公司的“一杯米”尿液检测仪。该方法为干化学尿液检测方法。用户只需要按照正确的使用方法，就可以得到尿液检测结果。在训练期间的15天内，每天至少测量三次。如果有加餐或者零食，则同样需要测量。
机器学习模型训练模块5，利用前15天得到的用户饮食数据、生活数据、血糖检测结果、尿液检测结果之后，就可以利用机器学习方法训练得到一个预测模型，该模型可以反映该用户的个人体质对血糖浓度的影响。
该预测模型可以是贝叶斯网络、人工神经网络、深度神经网络、决策树、最近邻分类法、KNN算法、Logistic回归、支持向量机、Boosting方法中的一种，或者是其他机器学习模型。
本实施例选择人工神经网络(ANN)进行预测模型的表达(人工神经网络为公知，此处不赘述)。本例应用一个简单的三层MLP网络。该网络的第一层(特征层)包含节点数目为29(饮食数据6个特征，生活数据9个特征，尿液检测14个特征)，第二层隐含层节点数目设置为100，第三层输出层节点数目为1(血糖值1个特征).
在训练时，研发人员将准备好的输入数据(饮食数据、生活数据、尿液检测结果)传递给模型，将输出数据(血糖值)也传递给模型，就可以进行训练。神经网络的训练方法为BP算法(公知，不赘述)。
高血糖实时预警模块6，在得到步骤五的训练结果，也就是预测模型之后，只需要结合用户输入的当前次就餐的饮食数据、生活数据和尿液检测结果，就可以预测到该用户当前次就餐2小时后的血糖值。一旦预测的血糖值结果高于正常血糖浓度(7.8mmol/L)，就给出预警。血糖值的具体预测过程如下：
1)用户用餐之后，开始进行饮水量的统计；
2)记录下本次用餐的饮食数据；
3)记录下本次用餐对应的生活数据；
4)到达餐后两小时这个时刻点，则测量尿液检测结果；
5)将饮食数据、生活数据、尿液检测记过，总共29维特征，输入到预测模型的输入层；
6)预测模型开始运算，在输出层给出预测结果，也就是预测血糖值；
7)如果预测的血糖值高于阈值，则预警；
基于聚类的样本收集模块7，针对用户的体质特性，利用基于聚类和随机采样一致性策略的样本收集模块，由于每一个样本的特征维度高达29维，而每个用户所能采集的样本数量很少(每天只有3-6次)，因此如果每个用户单独训练一个预测模型，则很难满足对样本数量的要求。为了解决样本数量不足的问题，本专利所述方法采用了如下策略：
1)、不再是针对单个用户进行训练，而是将用户按照体质的相似性进行聚类(聚类数目默认为10)。不同患者之间的体质差异，决定了他们在面对同样的食物分量、同样的环境因素的情形下，血糖值依然不一样。但是，患者的体质依然有规律可循，因此对体质条件按照相似性进行聚类是可行的。
2)、单个用户的样本量很少，但是如果针对海量用户进行样本收集，则可以弥补这个缺点。全国糖尿病患者的数量是1.5亿，即便分成10类，每个类别也有1500万用户。每个用户在15天的训练期间至少可以产生45条记录，这样每个类别至少有6.75亿个样本，完全可以满足预测模型的训练要求。
针对海量样本，利用聚类思想和随机采样一致性策略(RANSAC)，对海量数据进行逐次分割。具体方法如下：
1)用所有用户的所有数据(此时还没有针对不同体质进行分类，全国所有用户的样本都在一起)作为一类，将它们输入到训练器(ANN)，利用BP算法，训练得到一个预测模型M0(模型参数就是ANN的各层连接参数)；
2)利用M0对每一个用户的所有样本进行预测，得到每一个样本的预测血糖值g_prei。其中，i表示当前用户的当前样本的序号。
将预测血糖值g_prei与实际血糖值g_actuali做差计算绝对值，得到预测误差errori。计算该用户的所有样本的平均预测误差mean_error。方法如下：
其中，N是当前用户的样本数量。
如果当前用户的平均预测误差mean_error小于阈值error_th(默认为0.5mmol/L)，则说明该用户体质不需要单独分类。将该用户对应的所有样本挑选出来，加入到一个集合S0，该集合就是一致集。否则，需要将该用户对应的所有样本挑选出来，加入到另一个集合S1。
3)利用一致集S0中的所有样本，重新训练预测模型，并且将结果更新到M0。步骤2)、3)反复重复多次，直到一致集S0中的样本数量不再发生变化为止。该过程中，所有新过滤的样本，都加入到集合S1中。
4)用最终的一致集S0训练预测模型，得到最终的预测模型M0。此时，S0包含的所有用户，都属于同一个体质，他们可以共享同样的预测模型M0。
5)针对集合S1，采用同样的方法来得到一种新的体质。只需要将步骤1)-4)反复进行，就可以得到新的样本集合，直到所有的一致集都不再改变为止。
6)此时得到的所有的预测模型Mi，就是最终的训练结果。
7)在进行实际预测时，只要利用与当前用户体质对应的模型，就可以计算得到血糖值预测结果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种对餐后高血糖进行预警的装置，其特征在于：包含以下模块：饮食数据输入模块(1)、生活数据输入模块(2)、血糖测量模块(3)、尿液成分测量模块(4)、机器学习模型训练模块(5)、高血糖实时预警模块(6)、基于聚类的样本收集模块(7)，各个模块依次连接。
2.一种对餐后高血糖进行预警的方法，其特征在于：具体方法为：通过连续采集用户15天的饮食数据、生活数据、血糖数据和尿液检测数据，然后利用机器学习方法训练得到一个针对该用户的预测模型，在此后的每一天中，用户只需要继续输入饮食数据、生活数据和尿液检测数据，系统就可以自动预测该用户饭后2小时的血糖值。
3.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：饮食数据输入模块(1)中用户需要输入如下饮食数据：
一、当前次就餐的每一种食物的名称；
二、当前次就餐的每一种食物的重量；
三、当前次就餐的每一种食物对应的血糖负荷GL值；
四、当前次就餐的花费时间；
五、上一次就餐的每一种食物的名称；
六、上一次就餐的每一种食物的重量；
七、上一次就餐的每一种食物对应的血糖负荷GL值；
八、当前次就餐与上一次就餐的时间间隔；
九、当前次就餐2小时内的饮水量；
十、就餐精确时间。
4.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：所述的生活数据输入模块(2)中用户需要输入如下生活数据：
一、饭后2小时的室内气温值(℃)；
二、饭后2小时用户情绪是否紧张；
三、前一夜的睡眠时间长度与睡眠质量；
四、当天的运动量(用热量单位千卡来衡量)；
五、用户的身高、体重、性别、年龄。
5.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：前15天是预测模型的训练阶段，用户需要利用高精度的血糖计测量饭后2小时的血糖值，一天至少测试三次，如果有加餐或者零食，则同样需要测量，血糖值与对应时刻的生活数据、饮食数据、尿液检测结果在血糖测量模块(3)一起提交给预测模型用于训练。
6.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：前15天是模型的训练阶段，用户需要利用尿液检测设备提供当前次就餐2小时内的尿液干化学试纸检测结果，尿液检测结果包括14项检测记录输入到尿液成分测量模块(4)，它们是：白细胞、抗坏血酸、亚硝酸盐、酸碱度、酮体、尿钙、尿胆原、潜血、胆红素、肌酐、蛋白质、尿比重、葡萄糖、微量白蛋白，用户只需要提供这14项指标对应的浓度值即可。
7.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：利用前15天得到的用户饮食数据、生活数据、血糖检测结果、尿液检测结果，利用机器学习方法训练得到一个预测模型，机器学习模型训练模块(5)，该模型可以反映该用户的个人身体素质对血糖浓度的影响，该预测模型可以是贝叶斯网络、人工神经网络、深度神经网络、决策树、最近邻分类法、KNN算法、Logistic回归、支持向量机、Boosting方法中的一种，或者是其他机器学习模型。
8.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于：利用权利要求7中所述的训练结果，也就是预测模型，结合用户输入的当前次就餐的饮食数据、生活数据和尿液检测结果，就可以预测到该用户当前次就餐2小时后的血糖值。一旦发现血糖值高于正常浓度，通过高血糖实时预警模块(6)就给出预警。
9.根据权利要求1所述的一种对餐后高血糖进行预警的方法，其特征在于，基于聚类的样本收集模块(7)提出了基于患者体质进行样本聚类的思路和利用随机采样一致性策略进行样本挑选的方法，具体采用如下的策略收集样本：
一、对用户的体质进行分类，默认分成10个类别。不同的子类，对应的是不同的体质，对食物有不同的血糖反应；
二、利用云端系统收集大量用户的海量数据，然后基于海量数据进行训练，弥补单个用户数据量不足的问题；
三、利用聚类思想和随机采样一致性策略(RANSAC)，对海量数据进行逐次分割，即：1)最开始用所有数据作为一类，训练得到一个预测模型M0；2)利用M0对每一个用户的所有样本进行预测，将预测血糖值与实际血糖值的平均偏差小于阈值的样本挑选出来形成一致集S0，其余的用户的样本构成集合S1；3)利用S0重新训练预测模型，用结果更新M0；4)用集合S1训练得到新的预测模型M1；5)重复步骤1)-4)，实现对所有用户的体质进行聚类和预测模型的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630694.XA CN110379488A (zh) | 2019-07-12 | 2019-07-12 | 一种对餐后高血糖进行预警的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630694.XA CN110379488A (zh) | 2019-07-12 | 2019-07-12 | 一种对餐后高血糖进行预警的装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110379488A true CN110379488A (zh) | 2019-10-25 |
Family
ID=68253057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910630694.XA Pending CN110379488A (zh) | 2019-07-12 | 2019-07-12 | 一种对餐后高血糖进行预警的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110379488A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
| CN111272988A (zh) * | 2020-02-27 | 2020-06-12 | 广州逆熵电子科技有限公司 | 一种酒精浓度预测方法、系统及酒精降解评估仪 |
| CN111383758A (zh) * | 2020-03-06 | 2020-07-07 | 三七二二(北京)健康咨询有限公司 | 基于多维数据预测餐后血糖的方法和装置 |
| CN111445980A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 膳食方案反应性预测模型及建模方法、电子设备 |
| CN111508582A (zh) * | 2020-04-03 | 2020-08-07 | 三七二二(北京)健康咨询有限公司 | 餐后血糖的控制方法、装置和电子设备 |
| CN111599477A (zh) * | 2020-07-10 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测糖尿病的模型构建方法和系统 |
| CN112216360A (zh) * | 2020-10-09 | 2021-01-12 | 常州市第一人民医院 | 一种糖尿病病人日常血糖监测数据采集管理方法及系统 |
| WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技（深圳）有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
| CN117711571A (zh) * | 2024-02-06 | 2024-03-15 | 首都医科大学宣武医院 | 一种妊娠期糖尿病患者血糖管理检测系统 |
| CN117711571B (zh) * | 2024-02-06 | 2024-05-14 | 首都医科大学宣武医院 | 一种妊娠期糖尿病患者血糖管理检测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140118166A1 (en) * | 2012-10-30 | 2014-05-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
| CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN109859820A (zh) * | 2019-01-18 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 确定食物对血糖影响程度的方法、设备和系统 |
| CN109935331A (zh) * | 2019-04-02 | 2019-06-25 | 北京航空航天大学 | 一种基于多模型动态综合的血糖预测方法及系统 |
-
2019
- 2019-07-12 CN CN201910630694.XA patent/CN110379488A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140118166A1 (en) * | 2012-10-30 | 2014-05-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
| CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN109859820A (zh) * | 2019-01-18 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 确定食物对血糖影响程度的方法、设备和系统 |
| CN109935331A (zh) * | 2019-04-02 | 2019-06-25 | 北京航空航天大学 | 一种基于多模型动态综合的血糖预测方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111000569A (zh) * | 2019-11-29 | 2020-04-14 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
| CN111000569B (zh) * | 2019-11-29 | 2022-07-12 | 中润普达(十堰)大数据中心有限公司 | 一种异常血糖智能认知的监护系统 |
| CN111272988A (zh) * | 2020-02-27 | 2020-06-12 | 广州逆熵电子科技有限公司 | 一种酒精浓度预测方法、系统及酒精降解评估仪 |
| CN111383758A (zh) * | 2020-03-06 | 2020-07-07 | 三七二二(北京)健康咨询有限公司 | 基于多维数据预测餐后血糖的方法和装置 |
| CN111445980A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 膳食方案反应性预测模型及建模方法、电子设备 |
| CN111445980B (zh) * | 2020-03-26 | 2021-11-09 | 北京动亮健康科技有限公司 | 膳食方案反应性预测模型及建模方法、电子设备 |
| CN111508582A (zh) * | 2020-04-03 | 2020-08-07 | 三七二二(北京)健康咨询有限公司 | 餐后血糖的控制方法、装置和电子设备 |
| CN111599477A (zh) * | 2020-07-10 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测糖尿病的模型构建方法和系统 |
| CN112216360A (zh) * | 2020-10-09 | 2021-01-12 | 常州市第一人民医院 | 一种糖尿病病人日常血糖监测数据采集管理方法及系统 |
| WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技（深圳）有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
| CN117711571A (zh) * | 2024-02-06 | 2024-03-15 | 首都医科大学宣武医院 | 一种妊娠期糖尿病患者血糖管理检测系统 |
| CN117711571B (zh) * | 2024-02-06 | 2024-05-14 | 首都医科大学宣武医院 | 一种妊娠期糖尿病患者血糖管理检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110379488A (zh) | 一种对餐后高血糖进行预警的装置及方法 | |
| Pontzer et al. | Hunter‐gatherers as models in public health | |
| Parreco et al. | Using artificial intelligence to predict prolonged mechanical ventilation and tracheostomy placement | |
| CN104857692B (zh) | 一种用户运动状态的处理方法、系统及移动设备 | |
| CN110491526A (zh) | 一种多维度干预的慢病生活方式医学管理系统 | |
| CN109221011A (zh) | 一种通过饮食和stz诱导建立的sd大鼠肥胖和糖尿病研究模型的方法 | |
| CN108345768B (zh) | 一种确定婴幼儿肠道菌群成熟度的方法和标志物组合 | |
| CN106919776A (zh) | 一种目标活动提醒的方法及装置 | |
| CN112071381A (zh) | 一种基于个人行为数据的健康指标采集分析系统 | |
| CN107025377A (zh) | 一种健康管理系统和方法 | |
| CN115662617B (zh) | 基于cgm的结果病情预测系统及其预测方法 | |
| CN106857406A (zh) | 一种通过饮食诱导sd大鼠糖尿病动物模型的建立方法 | |
| CN106919798A (zh) | 一种基于个人生活方式的健康状态量化评价方法和系统 | |
| CN105975764A (zh) | 健康管理系统及方法 | |
| CN108805775A (zh) | 基于移动式体检设备的公共卫生服务健康管理系统 | |
| Dormire et al. | The effect of dietary intake on hot flashes in menopausal women | |
| Corte et al. | Body‐Weight Self‐Schema: Determinant of Mood and Behavior in Women With an Eating Disorder 1 | |
| CN116153508A (zh) | 基于主动健康指数的健康干预系统 | |
| Wertz et al. | Vital personality scores and healthy aging: Life-course associations and familial transmission | |
| CN113571180A (zh) | 基于c肽分层及脏器功能的2型糖尿病人工智能诊疗管理系统 | |
| CN113257422A (zh) | 基于糖代谢数据的疾病预测模型的构建方法及系统 | |
| CN110534176A (zh) | 一种大数据智能防病养生应用系统 | |
| CN110189803A (zh) | 基于聚类与分类相结合的疾病危险因素提取方法 | |
| Shomaker et al. | Intraindividual variability in mood experience and mood regulation in childhood and adolescence | |
| JP3611996B2 (ja) | 生理機能の計測方法及び試験用食品 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |