CN110448306B - 一种基于连续血糖监测系统的在线故障检测与诊断方法 - Google Patents

Abstract

本发明涉及一种基于连续血糖监测系统的在线故障检测与诊断系统，包括：血糖数据采集装置、云服务器和多个移动终端；所述血糖数据采集装置包括：临床数据采集设备和虚拟数据生成设备；所述血糖数据采集装置与所述云服务器通信连接，并能够将采集到的血糖数据发送给所述云服务器；所述云服务器分别与所述多个移动终端通信连接；所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断，获得故障检测与诊断结果数据。本发明提供的系统，不仅检测准确率高，而且还能够对故障进行较为精确诊断和分类。

Description

一种基于连续血糖监测系统的在线故障检测与诊断方法

技术领域

本发明属于血糖监测技术领域，尤其涉及一种基于连续血糖监测系统的在线故障检测与诊断方法。

背景技术

连续血糖监测系统(Continuous Glucose Monitoring,CGM)是指通过葡萄糖感应器检测皮下组织间液的葡萄糖浓度而间接反映血糖水平的一种可穿戴的智能传感器，可以在规定的时间间隔下自动的测量血糖浓度。CGM是人工胰腺(Artificial Pancreas，AP)系统的测量部分核心。AP系统的目的是通过闭环控制算法自动注射胰岛素，帮助患者管理血糖。CGM测量值向AP系统提供血糖浓度信息，使AP系统闭环控制成为可能。因此，对CGM在线故障检测与诊断是保证AP系统稳定工作的基础，根据故障诊断的结果及时排除故障是维护AP系统安全运行的重要条件。

目前，针对CGM故障检测的文献所用方法包括：基于设备冗余、多元统计分析、模型预测、信息熵等方法，但是CGM故障诊断的方法却从未被提出。在故障检测的方法中，基于设备冗余的方法虽然操作简单、准确率高，但是会增加患者的经济负担，对身体造成过度伤害。基于多元统计分析的方法需要多种信息元，所分析的特征物理意义不明确。基于模型预测的方法，首先需要预测CGM测量值，然后通过比较预测值和测量值进行故障检测。这种方法在预测准确的基础上，能够较为准确地判断偏差程度较小的故障情况，但是模型预测的准确性会受到训练集数据的限制。基于信息熵的方法是一种新被提出的CGM故障检测方法，可以对单一信息进行分析，而且不需要建立准确的预测模型，不会受到训练集的影响。因此，提出一种基于模型预测和信息熵相结合的故障检测方法，继而对其进行故障诊断是十分有意义的。

利用CGM采集患者血糖数据的过程中可能会产生六种故障，分别为尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失，这六种故障可能导致CGM无法跟踪实际的血糖浓度，影响患者后续给药治疗机制。例如：生物絮凝可以导致传感器信号漂移和传感器灵敏度变化；按压传感器会逐渐使传感器信号变弱，导致压力引起的传感器衰减；传输通道异常会使CGM信号丢失等。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于连续血糖监测系统的在线故障检测与诊断方法，解决了现有技术中检测准确率低以及无法对故障进行分类诊断等技术问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：

S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；

S2、判断是否发生数据丢失情况；

若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；

若否，则执行下一步；

S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；

S4、判断当前时候测量值是否较上一时刻发生快速变化；

若是，则通过查看上一时刻是否故障；

若发生故障，则不修改阈值；

若未发生故障，则增大阈值；

若否，则保持初始阈值；

S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；

若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；

否则为正常工作状态，则返回S1；

S6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型；

优选地，所述步骤S1之前还包括：获取历史时刻CGM的测量值，利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差，继而计算获得历史时刻的KL散度。

优选地，所述步骤S6之后还包括：将在线预测值代替故障数据进行数据重构，然后执行S1。

优选地，所述KNN分类器模型为经过多种故障类型的测量数据训练后的模型；

所述多种故障类型至少包括：数据丢失、尖峰、漂移、停滞、压力引起的传感器衰减和偏差。

优选地，所述GPR算法模型的表达式为：

y＝f(x)+ε；数据集x∈R^D×n，y∈Rⁿ；

其中，x＝{x_i∈R^D|i＝1，2，...，n}，y＝{y_i∈R|i＝1，2，...，n}，D代表输入维数；ε是噪声且符合高斯分布其均值为0，方差为σ²，记为ε～N(0，σ²)。

优选地，所述GPR的均值和方差的表达式为：

其中，k(x_*)为训练集与测试集数据之间的协方差；k_y＝k+σ²I，其中k为训练集与训练集之间的协方差，I为单位矩阵，k(x_*，x_*)是测试集数据之间的协方差。

优选地，所述KL散度算法的表达式为：

其中，p和q是两个单变量正态分布，且满足p～N(μ₀，σ₀)和q～N(μ₁，σ₁)。

优选地，所述KNN分类器算法利用Mahalanobis距离作为两个向量之间的距离，距离公式为：

其中，k为协方差矩阵。

(三)有益效果

本发明的有益效果是：本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法，具有以下有益效果：

(1)防止闭环控制系统因CGM异常造成的误报做出错误甚至危险的控制决策。

(2)通过提升整个AP系统的安全性与可靠性，间接改善血糖管理水平与精度。

附图说明

图1为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法的流程示意图；

图2为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中实施例中系统的结构示意图；

图3为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中的流程框图；

图4为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中方法的算法框图；

图5为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中GPR算法在线预测对比图；

图6为本发明提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中的故障分类示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

如图1-图6示：本实施例公开了一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：

本实施例中提供了一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：

S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；

S2、判断是否发生数据丢失情况；

若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；

若否，则执行下一步；

S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；

S4、判断当前时候测量值是否较上一时刻发生快速变化；

若是，则通过查看上一时刻是否故障；

若发生故障，则不修改阈值；

若未发生故障，则增大阈值；

若否，则保持初始阈值；

S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；

若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；

否则为正常工作状态，则返回S1；

S6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型；

需要说明的是，本实施例中所述步骤S1之前还包括：获取历史时刻CGM的测量值，利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差，继而计算获得历史时刻的KL散度。

相应地，本实施例中所述的步骤S6之后还包括：将在线预测值代替故障数据进行数据重构，然后执行S1。

如表1所示：本实施例中所述KNN分类器模型为经过多种故障类型的测量数据训练后的模型；所述多种故障类型至少包括：数据丢失、尖峰、漂移、停滞、压力引起的传感器衰减和偏差。

表1六类故障的调整意见

应说明的是：本实施例中所述KNN分类器算法利用Mahalanobis距离作为两个向量之间的距离，距离公式为：

其中，k为协方差矩阵。

本实施例中所述GPR算法模型的表达式为：

y＝f(x)+ε；数据集x∈R^D×n，y∈Rⁿ；

其中，x＝{x_i∈R^D|i＝1，2，...，n}，y＝{y_i∈R|i＝1，2，...，n}，D代表输入维数；ε是噪声且符合高斯分布其均值为0，方差为σ²，记为ε～N(0，σ²)。

对于GPR算法与其他回归算法的主要区别在于：其它算法对于给定的输入值，得到的是输出的函数分布。

所述GPR的均值和方差的表达式为：

其中，k(x_*)为训练集与测试集数据之间的协方差。

k_y＝k+σ²I，其中k为训练集与训练集之间的协方差，I为单位矩阵，k(x_*，x_*)是测试集数据之间的协方差。

本实施例中所述KL散度表达式为：

其中，p和q是两个单变量正态分布，且满足p～N(μ₀，σ₀)和q～N(μ₁，σ₁)。

如图2所示：本实施例中还提供一种基于连续血糖监测系统的在线故障检测与诊断系统，采用上述实施例中所述的故障检测与诊断方法。

详细地，包括：血糖数据采集装置、云服务器和多个移动终端；所述血糖数据采集装置包括：临床数据采集设备和虚拟数据生成设备；

所述血糖数据采集装置与所述云服务器通信连接，并能够将采集到的血糖数据发送给所述云服务器；

所述云服务器分别与所述多个移动终端通信连接；

所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断，获得故障检测与诊断结果数据；

所述多个移动终端能够从所述云服务器处获取故障检测与诊断结果数据以及给予患者的CGM调整意见；

所述调整意见是指根据各种故障形式，基于处理经验给患者提供调整意见。

本实施例中所述的临床数据采集设备包括：连续血糖监测系统CGM和连续皮下胰岛素注射CSII；

所述连续皮下胰岛素注射CSII能够获得动作序列等数据，为后续建模与软测量、训练分类器等环节提供可靠的数据来源；

所述连续血糖监测系统CGM能够为所述云服务器发送患者的血糖数据。

本实施例中所述虚拟数据生成设备为基于Matlab软件的UVA/Padova仿真平台；

所述UVA/Padova仿真平台能够为所述云服务器提供虚拟患者的血糖数据。

本实施例中所述多个移动终端至少包括：患者使用的患者客户端和医生使用的医生监护端。

具体地，本实施例中所述云服务器至少包括：计算模块和云存储数据库；

所述计算模块能够通过获得的血糖数据计算得到故障检测与诊断结果数据，并将故障检测与诊断结果数据存储到所述云存储数据库中。

详细地，本实施例中所述患者使用的患者客户端为手机或其它智能设备；

所述医生使用的医生监护系统为电脑或其它智能设备；

患者能够借助于所述手机或所述其它智能设备展示的异常警报或调整意见，及时修复处于异常工作状态的所述血糖数据采集装置。

最后，应说明的是：这里所述的故障检测结果包括：设备正常和设备异常。

诊断结果至少包括：尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失中的一种或多种。

本实施例中的诊断系统分为：血糖数据采集装置、调整意见、云服务器、终端模块。如图2所示。

血糖数据采集装置主要获取CGM、CSII等传感器检测数据，为后续建模与软测量、训练分类器等环节提供可靠的数据源。

云服务器主要由云存储、故障检测、数据分类、数据重构组成。

将采集到的数据云存储，首先利用GPR方法进行软测量，然后利用故障检测方法检测云端CGM数据是否发生异常波动情况。

若异常情况发生则进行故障分类并给出患者调整意见，然后进行数据重构，即利用预测值替换检测值重构CGM数据存入云端。

所述云服务器是指为本发明系统提供数据存储以及数据处理部分。

所述调整意见是指根据各种故障形式，基于经验给患者提供调整意见。

移动终端是指将故障分类情况和调整意见发送到移动终端。患者可以通过手机等设备观测传感器发出的异常警报和调整方案，使患者可以及时修复处于异常工作状态的传感器。

在故障分类环节，选择KNN算法进行多分类故障判别。KNN(K最近邻)是能够判定未知样本的类别，以全部训练样本作为代表点，计算未知样本与训练样本的距离，并以最近邻近的类别作为决策未知样本类别的根据。

其中计算距离则用Mahalanobis距离作为两个向量之间的距离，距离公式为：

其中，k为协方差矩阵。

本实施例中提出的方法在UVA/Padova的I型糖尿病患者仿真平台上进行了验证。实验数据以5分钟为间隔通过采样获取6天血糖数据，将前两天数据作为训练集和测试集，通过软测量即预测5分钟后的血糖值浓度，计算GPR模型预测精度，预测精度指标使用均方根误差，均方根误差公式为

其中n为样本个数，t为训练集，Q为预测血糖值，P为测量值。根据公式可以求出RMSE＝1.3277。

在图5中，阴影部分为GPR的95％置信区间，实线为真实值，虚线为测试值。

CGM常见的故障类型为尖峰、漂移、偏差、数据丢失、数据停滞、压力引起的传感器衰减。仿真过程中每4小时随机的添加一种故障信号到正常的血糖数据中，故障信号的幅值设置为10％。

如图6，在线故障检测算法在平台中对测试数据进行分类验证。

如图6所示，图下方所示的柱形，其X值为采样点，Y值为高度，通过高度判断数据故障类型，即Y＝10为第一类故障类型尖峰，Y＝20为第二类故障类型漂移，Y＝30为第三类故障类型偏差，Y＝40为第四类故障类型数据丢失，Y＝50为第五类故障数据停滞，Y＝60为第六类故障类型PISA。

通过在平台中模拟六类故障，通过对真实故障数、报警总数、正确报警数、分类正确数、检测率、误报率和计算得出的正确率，制成表格2。

表格2故障检测与分类仿真结果

通过表格可以看出，本实施例中的故障检测方法和故障分类方法有着较高的精确度，在数据丢失、数据停滞和偏差等故障类型上都能做到较为精确的判断。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (4)

1.一种基于连续血糖监测系统的在线故障检测与诊断方法，其特征在于，应用于基于连续血糖监测系统的在线故障检测与诊断系统，所述在线故障检测与诊断系统包括：血糖数据采集装置、云服务器和多个移动终端；所述多个移动终端至少包括：患者使用的患者客户端和医生使用的医生监护端；

所述血糖数据采集装置包括：临床数据采集设备和虚拟数据生成设备；所述血糖数据采集装置与所述云服务器通信连接，并能够将采集到的血糖数据发送给所述云服务器；

所述云服务器分别与所述多个移动终端通信连接；所述云服务器能够针对获得的血糖数据对临床数据采集设备或由虚拟数据生成设备所产生的仿真故障进行故障检测与诊断，获得故障检测与诊断结果数据；

所述多个移动终端能够从所述云服务器处获取故障检测与诊断结果数据以及给予患者的连续血糖监测系统CGM调整意见；所述调整意见是指根据各种故障形式，基于处理经验给患者提供调整意见；

所述的临床数据采集设备包括：连续血糖监测系统CGM和连续皮下胰岛素注射CSII；所述连续皮下胰岛素注射CSII能够获得动作序列数据，为建模与软测量、训练分类器提供数据来源；

所述虚拟数据生成设备为基于Matlab软件的UVA/Padova仿真平台，所述UVA/Padova仿真平台能够为所述云服务器提供虚拟患者的血糖数据；

所述在线故障检测与诊断方法包括如下步骤：

S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；

S2、判断是否发生数据丢失情况；

若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；

若否，则执行下一步；

S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；

S4、判断当前时候测量值是否较上一时刻发生快速变化；

若是，则通过查看上一时刻是否故障；

若发生故障，则不修改阈值；

若未发生故障，则增大阈值；

若否，则保持初始阈值；

S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；

若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；

否则为正常工作状态，则返回S1；

S6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型；

所述KNN分类器模型为经过多种故障类型的测量数据训练后的模型；

所述多种故障类型至少包括：数据丢失、尖峰、漂移、停滞、偏差和压力引起的传感器衰减；

所述KNN分类器模型利用Mahalanobis距离作为两个向量之间的距离，距离公式为：

其中，k为协方差矩阵；

所述步骤S1之前还包括：获取历史时刻CGM的测量值，利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差，继而计算获得历史时刻的KL散度；

所述步骤S6之后还包括：将在线预测值代替故障数据进行数据重构，然后执行S1。

2.据权利要求1所述的方法，其特征在于，所述GPR算法模型的表达式为：

y＝f(x)+ε；数据集：

y∈R_n；

其中，x＝{x_i∈R^D|i＝1，2，...，n}，y＝{y_i∈R|i＝1，2，...，n}，D代表输入维数；ε是噪声且符合高斯分布其均值为0，方差为σ₂，记为ε～N(0，σ₂)。

3.根据权利要求2所述的方法，其特征在于，所述GPR的均值和方差的表达式为：

其中，k(x_*)为训练集与测试集数据之间的协方差；k_y＝k+σ²I，其中k为训练集与训练集之间的协方差，I为单位矩阵，k(x_*，x_*)是测试集数据之间的协方差。

4.根据权利要求3所述的方法，其特征在于，所述KL散度的表达式为：

其中，p和q是两个单变量正态分布，且满足p～N(μ₀，σ₀)和q～N(μ₁，σ₁)。

Images