CN110706817A - 血糖传感数据判别方法及装置 - Google Patents
血糖传感数据判别方法及装置 Download PDFInfo
- Publication number
- CN110706817A CN110706817A CN201910574083.8A CN201910574083A CN110706817A CN 110706817 A CN110706817 A CN 110706817A CN 201910574083 A CN201910574083 A CN 201910574083A CN 110706817 A CN110706817 A CN 110706817A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- sensing data
- glucose sensing
- data
- sampling
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 461
- 210000004369 blood Anatomy 0.000 title claims abstract description 461
- 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 title claims abstract description 414
- 239000008103 glucose Substances 0.000 title claims abstract description 414
- 238000012850 discrimination method Methods 0.000 title claims description 24
- 238000005070 sampling Methods 0.000 claims abstract description 135
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 37
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012549 training Methods 0.000 description 45
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 208000015710 Iron-Deficiency Anemia Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A61B5/145—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
- A61B5/1495—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Emergency Medicine (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
提供一种血糖传感数据判别装置及方法。根据一实施例的血糖传感数据判别装置能够基于血糖传感数据的采样值及采样斜率判断血糖传感数据是否为错误数据,对错误数据使用血糖信号判别模型从而最终确定是否为最终错误数据。
Description
技术领域
下面,提供一种判别血糖传感数据的技术。
背景技术
近来,随着现代人饮食习惯的西化,受到糖尿病、高血脂、血栓等称为成人病的疾病困扰的人群不断增加,在年轻女性中,因过度减肥而导致缺铁性贫血的患者也大幅增加。测量上述成人病程度的简单方法是测量血液内的机体成分。通过测量机体成分,能够获得血糖、贫血、血液凝固等包括在血液中的多种成分的含量,具有普通人即使不去医院,也能够比较容易地判断特定成分的数值是否为正常水平,或者是否处于非正常水平等的优点。
测量机体成分的方法中,比较简单的方法是将从手指末端采集的血液注入至试纸后插入生物传感器,利用光化学或电度法对输出信号进行定量分析,通过这一方法,能够将特定成分含量显示在测量设备,适用于没有专业知识的普通人群。
生物传感器能够与智能设备结合使用,为此,需要一种技术,能够准确判别通过生物传感器感应的数据是否准确。
发明的内容
发明要解决的技术问题
根据一实施例的血糖传感数据判别装置能够将从生物传感器获得的血糖传感数据一次分类为错误数据。
根据一实施例的血糖传感数据判别装置能够基于血糖信号判别模型二次确定分类为错误数据的血糖传感数据是否为最终错误数据。
根据一实施例的血糖传感数据判别装置能够利用云服务器。
解决问题的技术方法
根据一实施例的血糖传感数据判别方法,包括以下步骤:收集对应于预先设定的时间长度的血糖传感数据;以及基于所述血糖传感数据的采样值(sampling value)及采样斜率(sampling slope)中至少一个,判断所述血糖传感数据是否为错误数据。
收集所述血糖传感数据的步骤,包括:在每个预先设定的时间间隔,接收包括按照时间序列在多个采样点测量的采样值的血糖传感数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当包括在所述血糖传感数据的采样点的个数(count)不足临界个数(threshold count)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当在所述血糖传感数据的等待区间(waiting interval)期间检测到超过临界等待值(threshold waiting value)的采样值时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当所述血糖传感数据的峰值(peak value)超出峰值范围(peak range)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:对在所述血糖传感数据的峰值区间(peak interval)期间的峰值点(peak point)缺失(absence)进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当在检测到峰值点之前检测到具有负的采样斜率的采样点时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当对象采样点的采样值为临界基准值(threshold reference value)以上,同时在
递减区间(diminishing interval)期间,所述对象采样点的采样斜率相比之前采样点的采样斜率增加超过第一临界比率(first threshold ratio)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当对象采样点的采样值不足临界基准值,同时在递减区间期间,所述对象采样点的采样斜率增加超过临界绝对值(threshold absolute value)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当所述血糖传感数据的采样点不足临界最小值(threshold minimum value)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当所述血糖传感数据的最后采样点的采样斜率相比之前采样点的采样斜率增加超过第二临界比率时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当在所述血糖传感数据的递减区间期间连续检测的具有正的采样斜率的采样点的个数为临界连续个数(thresholdsuccession count)以上时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
判断所述血糖传感数据是否为错误数据的步骤,包括:当在所述血糖传感数据的递减区间期间具有正的采样斜率的采样点大于临界累积次数(threshold accumulationcount)时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
血糖传感数据判别方法,还包括:在将所述血糖传感数据判断为所述错误数据时进行应答,基于血糖信号判别模型确定所述血糖传感数据是否为最终错误数据(errordata)的步骤。
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:基于所述血糖信号判别模型,从所述血糖传感数据算出预测血糖;从所述血糖传感数据检测出检测血糖;以及基于所述预测血糖及所述检测血糖之间的比较,确定所述血糖传感数据是否为最终错误数据。
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:算出所述预测血糖及所述检测血糖间的差异的步骤;以及当所述算出的差异超过临界差异时进行应答,将所述血糖传感数据确定为最终错误数据的步骤。
确定所述血糖传感数据是否为最终错误数据的步骤,包括:基于所述血糖传感数据指示的血糖值,从数据库将对应于所述血糖值的范围(range)的基准数据进行加载的步骤;以及基于所述血糖信号判别模型,对加载的所述基准数据验证所述血糖传感数据的步骤。
加载所述基准数据的步骤,包括,从所述血糖传感数据的最终采样点识别所述血糖值的步骤。
确定所述血糖传感数据是否为错误数据的步骤,包括以下步骤:从多层感知器(MLP,multi-layer perceptron)模型、动态时间规整(DTW,dynamic time warping)模型、卷积神经网络(CNN,convolutional neural network)、循环神经网络(RNN,recurrentneural network)、主成分分析(PCA,principal component analysis)模型、K均值聚类(Kmeans clustering)模型、支持向量机(SVM,support vector machine),及孤立森林(isolation forest)中至少一个以上算出指示所述血糖传感数据是否为最终错误数据的结果;以及当所述算出的结果中过半数结果指示所述血糖传感数据为最终错误数据时进行应答,将所述血糖传感数据确定为最终错误数据。
根据一实施例的计算机可读存储介质,其具有用于执行上述方法的计算机指令。
根据一实施例的血糖传感数据判别装置,包括:收集对应于预先设定的时间长度的血糖传感数据的数据收集部;以及基于所述血糖传感数据的采样值及采样斜率中的至少一个,判断所述血糖传感数据是否为错误数据的处理器。
发明的效果
根据一实施例的血糖传感数据判别装置能够基于从生物传感器获得的血糖传感数据的采样值及采样斜率,迅速确定是否为错误数据。
根据一实施例的血糖传感数据判别装置能够利用多种血糖信号判别模型,准确确定错误数据是否为最终错误数据。
根据一实施例的血糖传感数据判别装置通过云服务器,仅在需要时接收参数数据及基准数据,由此节约存储器。
附图说明
图1为显示根据一实施例的血糖传感数据判别系统的构成的块图。
图2为说明根据一实施例的血糖传感数据判别方法的流程图。
图3为说明根据一实施例的血糖传感数据的附图。
图4为说明根据一实施例的判断血糖传感数据是否为错误数据的方法的流程图。
图5至图9为说明根据一实施例的用于判断确定为错误数据的血糖传感数据是否为最终错误数据的血糖信号判别模型的附图。
图10为显示根据一实施例的血糖传感数据的多种波形的附图。
图11为说明根据一实施例的利用血糖信号判别模型验证血糖传感数据的示例的附图。
附图标记说明
100:血糖传感数据判别系统
110:血糖传感数据判别装置
111:数据收集部
112:处理器
113:存储器
114:通信部
120:云服务器
具体实施方式
下面,将参照附图对实施例进行详细说明。然而,能够对实施例进行多种变更,本发明的权利范围并非受到实施例的限制或限定。对于实施例的全部变形、等同物或替代物均包括在权利范围内。
实施例中使用的术语仅用于说明特定实施例,并非用于限定实施例。在内容中没有特别说明的情况下,单数表达包括复数含义。在本说明书中,“包括”或者“具有”等术语用于表达存在说明书中所记载的特征、数字、步骤、操作、构成要素、配件或其组合,并不排除还具有一个或以上的其他特征、数字、步骤、操作、构成要素、配件或其组合,或者附加功能。
在没有其他定义的情况下,包括技术或者科学术语在内的在此使用的全部术语,都具有本领域普通技术人员所理解的通常的含义。通常使用的与词典定义相同的术语,应理解为与相关技术的通常的内容相一致的含义,在本申请中没有明确言及的情况下,不能过度理想化或解释为形式上的含义。
并且,在参照附图进行说明的过程中,与附图标记无关,相同的构成要素赋予相同的附图标记,并省略对此的重复的说明。在说明实施例的过程中,当判断对于相关公知技术的具体说明会不必要地混淆实施例时,省略对其详细说明。
图1为显示根据一实施例的血糖传感数据判别系统的构成的块图。
血糖传感数据判别系统100能够包括血糖传感数据判别装置110及云服务器120。
血糖传感数据判别装置110能够包括数据收集部111、处理器112、存储器113及通信部114。血糖传感数据判别装置110能够是移动终端,但并非限定于此。
数据收集部111能够收集对应于预设时间长度的血糖传感数据。数据收集部111能够从生物传感器(例如,涂覆有用于检测血糖的物质的试片)收集血糖传感数据。数据收集部111能够从生物传感器收集作为模拟值的血糖传感信号,通过将血糖传感信号转换为数字值获得血糖传感数据。血糖传感数据能够显示将血糖传感信号量化为数字值的数据。根据不同设计,血糖传感数据的时间长度不同。在下列图3中将对血糖传感数据进行详细说明。
生物传感器能够生成指示目标生物体物质(target analyte)的量的血糖传感信号。在本说明书中的生物体物质能够是与生物体(living body)有关的物质(material)。生物体物质也称为被分析物(analyte)。例如,本说明书中的生物体物质主要是血糖,但并非限定于此。
例如,血糖传感数据判别装置110能够向生物传感器施加工作信号(例如,工作电压(working voltage))。生物传感器对施加的工作信号进行应答,输出血糖传感信号。例如,血糖传感信号能够是电流信号的形态。
处理器112基于血糖传感数据的采样值(sampling value)及采样斜率(samplingslope)中至少一个来判断血糖传感数据是否为错误数据(error candidate)。采样值能够是出现在血糖传感数据的任意采样点的值。采样斜率能够是在血糖传感数据的任意采样点出现的斜率,例如,能够是对象采样点的值与之前采样点的值之间的差分。错误数据能够是血糖传感数据中是最终错误数据的可能性高的预备的候选数据。判断是否为错误数据的操作将在图4中进行说明。
并且,当判断血糖传感数据为错误数据时处理器112进行应答,基于血糖信号判别模型确定血糖传感数据是否为最终错误数据。由此,处理器112能够利用血糖信号判别模型准确判断错误数据是否为最终错误数据。血糖信号判别模型将在图5至图9进行说明。
存储器113能够暂时或永久存储执行血糖传感数据判别方法所需的信息。例如,存储器113能够存储血糖信号判别模型及血糖传感数据等。
通信部114能够与云服务器120通信。例如,通信部114能够通过有线或无线方式从云服务器120接收血糖信号判别模型及相应的血糖信号判别模型的参数(例如,完成训练的连接权重等)。更进一步,通信部114能够向云服务器120上传血糖测量值。
云服务器120能够存储与血糖有关的数据库。例如,云服务器120能够按照不同血糖范围区分管理血糖传感数据。并且,云服务器120能够按照不同使用者区分存储血糖传感数据。云服务器120能够存储血糖信号判别模型及相应血糖信号判别模型的参数等。但,这仅为示例,并非限定于此。
图2为说明根据一实施例的血糖传感数据判别方法的流程图。
首先,在步骤210,血糖传感数据判别装置能够收集对应于预设时间长度的血糖传感数据。根据一实施例,血糖传感数据判别装置接收血糖传感数据,血糖传感数据包括在每一个预设的时间间隔,按照时间序列在多个采样点测量的采样值。例如,血糖传感数据判别装置能够收集对应于5秒预设时间长度的血糖传感数据。
之后,在步骤220,血糖传感数据判别装置基于血糖传感数据的采样值及采样斜率中的至少一个,判断血糖传感数据是否为错误数据。例如,血糖传感数据判别装置将血糖传感数据的采样值及采样斜率与预设的条件进行比较,当符合条件时将相应血糖传感数据确定为错误数据。将在图4中对错误数据的确定进行说明。
接下来,在步骤230,在判断血糖传感数据为错误数据时血糖传感数据判别装置进行应答,基于血糖信号判别模型确定血糖传感数据是否为最终错误数据。例如,血糖传感数据判别装置利用血糖信号判别模型算出确定为错误数据的血糖传感数据是否为最终错误数据的最终结果。
图3为说明根据一实施例的血糖传感数据的附图。
如上所述,血糖传感数据300是血糖传感信号的模拟值转换为数字值的数据。血糖传感数据300能够具有在每个多个采样点测量的采样值。各采样值能够是在个别采样点测量的指示生物传感器信号强度的数字值。采样点能够是将预设的时间长度等距离分割的点。例如,血糖传感数据300的预设的时间长度能够是5秒,并以0.1秒的间隔指定采样点。此时,血糖传感数据300包括51个采样点。最后第51个采样点391的采样值能够是5秒至5.2秒之间的平均值。由此,第51个采样点391能够具有与之前采样点(例如,第50个采样点392)的采样值非线性变化的采样值。例如,第51个采样点391能够具有相比之前采样点(例如,第50个采样点392)的采样值更大或更小的采样值。
在血糖传感数据300中,等待区间310是指开始测量的时间点到施加电压前的区间。
施加区间320能够是施加电压之后的区间。例如,向涂覆有血液的生物传感器(例如,试片)施加电压时,施加电压后通过生物传感器生成的电流立即急剧增加。在峰值341之后,通过生物传感器生成的电流逐渐减小。
峰值区间340是在施加电压后预计出现峰值341的区间。例如,当血糖传感数据300包括51个采样点时,峰值区间340能够是从第10个采样点到第13个采样点。
递减区间330是在峰值341之后采样值显示持续降低趋势的区间。然而,如上所述,最后采样点的采样值能够大于之前采样点的采样值。
图3为显示血糖传感数据300的正常波形的附图,在图10中将对多种波形进行说明。
图4为说明根据一实施例的判断血糖传感数据是否为错误数据的方法的流程图。
根据一实施例的血糖传感数据判别装置基于血糖传感数据的采样值及采样斜率确定血糖传感数据是否为错误数据。
在步骤420,血糖传感数据判别装置能够判断采样个数是否不足临界个数。例如,当包括在血糖传感数据的采样点个数(count)不足临界个数(threshold count)时血糖传感数据判别装置进行应答,在步骤426,血糖传感数据判别装置将血糖传感数据确定为错误数据。例如,在预设的时间长度为5秒,采样点之间的时间间隔为0.1秒时,临界个数是51个。当血糖传感数据的总的采样点个数不足临界个数时,代表至少遗漏对一个采样点的测量,因此,血糖传感数据判别装置能够将血糖传感数据确定为错误数据。
接下来在步骤421,血糖传感数据判别装置能够判断血糖传感数据的峰值(peakvalue)是否超出峰值范围(peak range)。血糖传感数据判别装置在血糖传感数据的峰值(peak value)超出峰值范围(peak range)时进行应答,在步骤426将血糖传感数据确定为错误数据。例如,峰值范围能够是对峰值的统计平均适用3西格玛的范围。下面表1以在血糖传感数据的最后采样点的采样值为基准显示峰值的分布。表1中3西格玛(3sigma)是显示允许约99.7%的数据的范围。3CV表示相对标准偏差的3倍。相对标准偏差作为变异系数(CV,coefficient of variation),是将标准偏差以算术平均相除的值。尽管未在下表1中显示,对于各个最后采样值能够映射对于相应采样值算出的平均峰值。例如,峰值范围能够是以对于各最后采样值映射的平均峰值为基准适用3西格玛的范围。
【表1】
最后采样值 | 3CV[%] | 最后采样值 | 3CV[%] | 最后采样值 | 3CV[%] |
234 | 42 | 1512 | 36 | 2790 | 21 |
376 | 31 | 1654 | 33 | 2932 | 20 |
518 | 35 | 1796 | 39 | 3074 | 22 |
660 | 46 | 1938 | 26 | 3216 | 21 |
802 | 49 | 2080 | 29 | 3358 | 18 |
944 | 50 | 2222 | 26 | 3500 | 17 |
1086 | 44 | 2364 | 25 | 3642 | 19 |
1228 | 43 | 2506 | 24 | 3784 | 19 |
1370 | 41 | 2648 | 20 | 3926 | 19 |
在上表1中,血糖传感数据判别装置能够通过线性插值(linear interpolation)确定对应最后采样值的中间值的3CV。对于在给定的采样值范围外的采样值,能够利用末尾位置的3CV值固定3CV值。例如,对于最后采样值为234以下的血糖传感数据,血糖传感数据判别装置能够将3CV值固定为42%。作为其他例子,对于最后采样值为3926以上的血糖传感数据,血糖传感数据判别装置能够将3CV值固定为19%。但,表1仅作为示例,并非用于限定。
然后在步骤422,血糖传感数据判别装置能够判断等待区间个数是否超出临界等待个数。例如,在血糖传感数据的等待区间(waiting interval)期间检测到超过临界等待值(threshold waiting value)的采样值时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,临界等待值能够是50,但并非限定于此,能够根据设计进行变更。因等待区间还未施加电压,因此,血糖传感数据判别装置在检测到过大的采样值时将相应血糖传感数据确定为错误数据。
接下来在步骤423中,血糖传感数据判别装置判断是否不存在峰值。例如,在血糖传感数据的峰值区间(peak interval)期间缺失(absence)峰值点(peak point)时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,当血糖传感数据包括51个采样点时,峰值区间能够对应从第10个至第13个采样点。未显示峰值的血糖传感数据可能是潜在的错误数据。
接下来在步骤424中,血糖传感数据判别装置能够判断在施加工作电压后是否出现负的斜率。例如,当检测到峰值点之前检测到具有负的采样斜率的采样点时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。负的采样斜率是小于0的斜率。在施加工作电压后,从第10个采样点到峰值点,电流应立即急剧增加,因此,在峰值前出现负的斜率的血糖传感数据可能是错误数据。
接下来在步骤425中,血糖传感数据判别装置判断在递减区间是否出现正的斜率。例如,血糖传感数据判别装置检测从施加工作电压起到5秒之间的区间期间是否存在非正常斜率。
例如,当对象采样点的采样值大于临界基准值(threshold reference value),同时,在递减区间(diminishing interval)期间对象采样点的采样斜率相比之前采样点的采样斜率增加超过第一临界比率(first threshold ratio)时,血糖传感数据判别装置进行应答,在步骤426将血糖传感数据确定为错误数据。对象采样点能够是在递减区间内采样的采样点。例如,临界基准值能够是500,第一临界比率能够是5%。采样值大于临界基准值的采样点较少受到噪声的影响,因此,血糖传感数据判别装置能够基于对象采样点及之前采样点间的斜率变化比率确定是否为错误数据。
作为其他例子,当对象采样点的采样值不足临界基准值的同时,在递减区间期间对象采样点的采样斜率增加超过临界绝对值(threshold absolute value)时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,临界绝对值能够是25,但并非限定于此,能够根据设计进行变更。采样值小于临界基准值的采样点相对较大地受到噪声影响,因此,基于对象采样点及之前采样点间的绝对值差异,确定是否为错误数据。
作为又一示例,血糖传感数据判别装置在血糖传感数据的采样点不足临界最小值(threshold minimum value)时进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,临界最小值能够是82,但并非限定于此。临界最小值是对应于血糖测量仪的血液投入临界的值。当采样值很小时,血糖传感数据可能是错误数据。
作为又一示例,当血糖传感数据的最后采样点的采样斜率相比之前采样点的采样斜率增加超过第二临界比率时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,第二临界比率能够是10%,但并非限定于此。能够将第二临界比率设置得高于上述第一临界比率。例如,最后采样点能够是5秒至5.2秒之间的平均值,因此,具有相比之前的采样点相对较大的值。最后采样点的采样值能够是对运算放大器(OPamplifier)的寄生电阻成分进行修正的值。
作为又一示例,在血糖传感数据的递减区间期间连续检测出的具有正的采样斜率的采样点超过临界连续个数(threshold succession count)时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。正的采样斜率是大于0的斜率。例如,临界连续个数能够是4。具有以小于第一临界比率的斜率持续增加的采样值的血糖传感数据可能是错误数据。
作为又一示例,在血糖传感数据的递减区间期间具有正的采样斜率的采样点超过临界累积次数(threshold accumulation count)时,血糖传感数据判别装置进行应答,在步骤426中将血糖传感数据确定为错误数据。例如,临界累积次数能够是10。当由于噪声或其他因素发生过度的波动(ripple)时,相应血糖传感数据可能是错误数据。
在步骤427,血糖传感数据判别装置能够将不满足所有步骤421至425的条件的血糖传感数据判断为正常数据。血糖传感数据判别装置从判断为正常数据的血糖传感数据识别使用者的血糖值。
在图4中,依次示出了对于采样值及采样斜率的条件的附图,但操作顺序并非受限于所示的顺序。例如,能够变更图4所示的操作顺序,或对部分操作进行省略。
图5至图9为说明根据一实施例的用于判断确定为错误数据的血糖传感数据是否为最终错误数据的血糖信号判别模型的附图。
如在图2的步骤230中说明,根据一实施例的血糖传感数据判别装置能够利用血糖信号判别模型最终确定作为错误数据的血糖传感数据是否为最终错误数据。血糖传感数据判别装置能够对确定为错误数据的血糖传感数据进行归一化(normalize)。例如,血糖传感判别装置能够将血糖传感数据归一化为具有0至1之间的值。
例如,血糖传感数据判别装置能够基于血糖信号判别模型从血糖传感数据算出预测血糖。血糖传感数据判别装置能够从血糖传感数据检测出检测血糖。血糖传感数据判别装置通过比较预测血糖与检测血糖,确定血糖传感数据是否为最终错误数据。此时,血糖信号判别模型是训练为可从所输入的血糖传感数据输出预测血糖的模型。血糖传感数据判别装置能够算出预测血糖及检测血糖之间的差异。当算出的差异超出临界差异时血糖传感数据判别装置进行应答,确定血糖传感数据为最终错误数据。
作为另一例子,血糖传感数据判别装置能够基于血糖信号判别模型从血糖传感数据确定血糖传感数据是否为最终错误数据。此时,血糖信号判别模型能够是训练为输出所输入的血糖传感数据是正常还是非正常数据的模型。
血糖传感数据判别装置能够从多层感知(MLP,multi-layer perceptron)模型、动态时间规整(DTW,dynamic time warping)模型、卷积神经网络(CNN,convolutionalneural network)、循环神经网络(RNN,recurrent neural network)、主成分分析(PCA,principal component analysis)模型、K均值聚类(K means clustering)模型、支持向量机(SVM,support vector machine),以及孤立森林(isolation forest)中至少一个以上算出显示血糖传感数据是否为最终错误数据的结果。当所算出的结果中过半数得出血糖传感数据指示最终错误数据时,血糖传感数据判别装置进行应答,将血糖传感数据确定为最终错误数据。但并非限定于此,血糖传感数据判别装置也能够将从多个模型输出的结果进行集成,确定相应血糖传感数据是否为最终错误数据。
当血糖传感数据被确定为正常数据(normal data)时,血糖传感数据判别装置进行应答,将血糖传感数据的最后采样点的采样值确定为最终血糖值。
下面,对血糖信号判别模型的个别示例进行说明。
图5示出了多层感知模型。例如,多层感知模型能够是设计为通过学习所输入的数据的各类模式,推导(infer)新的数据类型的神经网络。多层感知模型使非线性函数通过隐藏层,解决高维度问题。
神经网络500的概略结构的说明如下。
根据一实施例的神经网络500能够包括由多个节点构成的多个层。并且,神经网络500能够包括将多个层的各自的多个节点与包括在其他层的节点进行连接的连接权重。训练装置能够从存储于存储器的内部数据库获得神经网络500,或者通过通信部从外部服务器接收神经网络500。训练装置能够是独立于血糖传感数据判别装置的装置,当并非限定于此,也能够合并在血糖传感数据判别装置。
例如,神经网络500能够是利用通过连接线(edge)连接的多个人工神经元模仿生物学系统的计算能力的认知模型。神经网络500能够体现为软件、硬件或上述组合。神经网络500能够称为人工(artificial)神经网络。
神经网络500利用简化生物学神经元功能的人工神经元。人工神经元能够称为节点(node)。人工神经元能够通过具有连接权重(connection weight)的连接线互相连接。连接权重是连接线具有的特定值,能够称为突触权重(synapse weight)或连接强度。
神经网络500能够包括多个层。例如,神经网络500能够包括输入层(input layer)510、隐藏层(hidden layer)520、输出层(output layer)530。输入层510接收用于训练或认知的输入,传递至隐藏层520;输出层530基于从隐藏层520接收的信号生成神经网络500的输出。隐藏层520位于输入层510与输出层530之间,能够将输入层510传递的训练数据的训练输入转换为容易预测的值。
在本说明书中,训练数据能够体现为由多个训练对(training pair)构成的数据集(data set)。例如,训练对能够包括训练输入与训练输出,训练输出体现为应从成对的训练输入所输出的值。由此,训练数据包括多个训练输入,以及映射至各个多个训练输入的训练输出。
输入层510、隐藏层520及输出层530包括多个节点。包括在输入层510的节点称为输入节点(input node),包括在隐藏层520的节点称为隐藏节点(hidden node),包括在输出层530的节点称为输出节点(output node)。
包括在输入层510的输入节点和包括在隐藏层520的隐藏节点能够通过具有连接权重的连接线相互连接。包括在隐藏层520的隐藏节点与包括在输出层530的输出节点能够通过具有连接权重的连接线相互连接。
虽未图示,神经网络能够包括多个隐藏层。包括多个隐藏层的神经网络称为深度神经网络(deep neural network)。学习深度神经网络称为深度学习(deep learning)。假设隐藏层520包括第一隐藏层、第二隐藏层及第三隐藏层,属于第一隐藏层的隐藏节点的输出能够与属于第二隐藏层的隐藏节点连接。属于第二隐藏层的隐藏节点的输出能够与属于第三隐藏层的隐藏节点连接。
例如,训练装置能够通过具有连接权重的连接线输入包括在各隐藏层的之前隐藏层的之前隐藏节点的输出,基于向之前隐藏节点的输出适用连接权重的值及激活函数,生成包括在隐藏层的隐藏节点的输出。根据一示例,为向之后隐藏节点发起输出,激活函数的结果应超过当前隐藏节点的临界值。此时,节点通过输入向量,在到达特定临界激活强度之前,不向之后节点发起信号,而是保持非激活状态。
根据一实施例的训练装置能够通过监管学习(supervised learning)对神经网络500的至少一部分进行训练。训练装置能够通过软件模块、硬件模块或其组合体现。监管学习是将训练数据的训练输入及与其对应的训练输出一同输入神经网络500,并且通过更新连接线的连接权重,输出对应于训练数据的训练输出的输出数据的方法。
并且,训练装置能够通过无监管学习(unsupervised learning)对神经网络500的至少一部分进行训练。无监管学习是基于将训练数据的训练输入前向传播(forwardpropagate)的输出算损失(例如,熵损失),并且通过更新连接线的连接权重降低损失的方法。
图5将神经网络的结构以节点结构进行显示,但实施例并非受限于该节点结构。为将神经网络存储于存储器内存,能够利用多种数据结构。
根据一实施例,训练装置能够利用基于反向传播至神经网络的损失及包括在神经网络的节点的输出值的梯度下降(gradient descent)方法确定节点的参数。例如,训练装置能够通过损失反向传播学习(back-propagation learning)更新节点之间的连接权重。损失反向传播学习是对给定的训练数据通过正演计算(forward computation)推算损失后,将推算的损失朝向从输出层530开始向隐藏层520及输入层510的反向进行传递的同时向减少损失的方向更新连接权重的方法。神经网络500的处理按照输入层510、隐藏层520及输出层530的方向进行,而损失反向传播训练的连接权重的更新方向是输出层530、隐藏层520及输入层510。为按照期待的方向处理神经网络,处理器能够利用存储层或一系列计算数据的缓冲存储器。
训练装置对用于测量当前设定的连接权重接近最优的程度的目标函数(objective function)进行定义,并基于目标函数的结果持续变更连接权重并反复进行训练。例如,目标函数能够是损失函数,用于计算神经网络500基于训练数据的训练输入实际输出的输出值与期望输出的期待值之间的损失。训练装置能够朝向减小损失函数的值的方向更新连接权重。
例如,云服务器能够具有按照血糖浓度分类为多个组的基准血糖数据。基准血糖数据能够分类为以下浓度,例如50mg/dL、100mg/dL、150mg/dL、200mg/dL、300mg/dL、400mg/dL、500mg/dL。能够以对应于相应组的基准浓度对各基准血糖数据进行标记。将标记数据设定为真实数据(ground truth),训练装置能够将基准血糖数据训练至神经网络500。为进行性能评价,训练装置算出真实数据与预测数据(predict data)相一致的程度来计算准确度。训练装置能够将学习的参数(例如,连接权重)及偏转等存储为参数数据。参数数据能够存储于云服务器及血糖传感数据判别装置等。例如,云服务器能够从训练装置接收参数数据并传递至血糖传感数据判别装置。
图6为说明动态时间规整模型的附图。动态时间规整模型是分析时间序列模式的相似度的模型。如图6所示,作为基准的训练装置对作为基准的数据进行固定后,对待比较的时间序列数据生成n x n矩阵。在按照特定条件式向矩阵内填入值后,通道(path)的长度及最后(m,n)的值接近0的两个数据能够相似。在此,m及n是0以上的正数。
动态时间规整模型能够体现为K-NN分类器(K-nearest neighbor classifier)。1-NN能够是在K-NN中K为1的情况。K-NN分类器能够体现基于无母数的机器学习方法。在特征空间(feature space)内,数据是在k个最近的邻居之间属于最共同的项目的个体,能够基于过半数进行分类。K-NN分类器是基于欧几里德距离,能够用于低维度。
血糖传感数据判别装置利用动态时间规整模型求出与作为基准的时间序列的相似度,将其作为度量(metric)进行使用,求出全部1个维度的值后,利用K=1的K-NN将相似度相近的值分为一类。
例如,血糖传感数据判别装置能够设置代表各类的基准正常波形。血糖传感数据判别装置利用动态时间规整模型对从云服务器收集的波形与基准波形计算相似度。血糖传感数据判别装置能够生成[相似度值,血糖值]的数据表。血糖传感数据判别装置能够对1-NN分类器训练上述数据表。血糖传感数据判别装置能够利用不用于训练的实验数据算出相应1-NN分类器的准确度。血糖传感数据判别装置基于1-NN分类器从新的血糖传感数据算出预测血糖。
图7为显示卷积神经网络的附图。
卷积神经网络主要用于认知图像,也能够用于认知文章及信号处理等。卷积神经网络仅在接收域(receptive field)对各元素适用连接权重。血糖传感数据判别装置按照接收域的大小将信息量压缩为所期待的矩阵,从而缩小维度。由此,血糖传感数据判别装置通过卷积层缩小维度,由此减小特定数据的宽度(width)及高度(height)。通过缩小维度能够增加作为卷积核个数的深度(depth)。
血糖传感数据判别装置能够将卷积核大小设定为[1x10],并通过缩小血糖传感数据的波形特征提取抽象值。例如,卷积神经网络仅将从作为最后输出层的全连接层(fullyconnected layer)提取的信息作为对象进行学习。血糖传感数据判别装置基于卷积神经网络,从血糖传感数据算出预测血糖。
图8为显示循环神经网络(RNN,recurrent neural network)的附图。
循环神经网络主要适用于认知时间序列数据。循环神经网络能够在任意一单元同时输入t-1点的值,t时间点的值,及t+1时间点的值进行学习。循环神经网络能够训练为从基准血糖数据输出基准血糖值。血糖传感数据判别装置基于循环神经网络,从血糖传感数据算出预测血糖。在此,t为2以上的正数。
图9为说明主成分分析(PCA,principal component analysis)模型及K均值聚类(K means clustering)模型的附图。
主成分分析模型能够是将高维度数据缩小为低维度数据的模型。利用主成分分析模型能够在2维坐标平面上可视化地显示数据的分布。K均值聚类模型是将通过使用者指定的K个中心点随机设定在坐标平面后,进行训练直到搜索到最佳的中心点的模型。能够在用于之后训练的数据映射相当于中心点的标记,由此,能够按照标记对数据进行聚类。在此,K为1以上的正数。
血糖传感数据判别装置能够从云服务器收集与血糖传感数据的血糖值类似的N个值。在此,N为1以上的正数。对N个值适用主成分分析模型后,血糖传感数据判别装置对K均值聚类模型(例如,K=2的模型)适用N个值,由此,确认个别值所属的组。例如,位于多个数据的所属组的值能够是正常数据。相反时,相应值是最终错误数据。
图10为显示根据一实施例的血糖传感数据的多种波形的附图。
例如,第一血糖传感数据1010及第三血糖传感数据1030能够具有低血糖值。在第一血糖传感数据1010及第三血糖传感数据1030,采样值在峰值点之后急剧降低,在递减区间可能出现噪声。
第二血糖传感数据1020能够显示高的血糖值。在第二血糖传感数据1020,采样值在峰值点之后缓慢降低。
第四血糖传感数据1040能够显示最终错误数据。第四血糖传感数据1040不包括峰值点,也不包括递减区间。
根据一实施例的血糖传感数据判别装置,如图10所示,通过一次判断,判断根据血糖值显示出不同波形的血糖传感数据是否为错误数据,并通过二次判断,最终确定是否为最终错误数据。由此,对于判断为错误数据的血糖传感数据,当判断为正常数据时,血糖传感数据能够利用相应血糖传感数据的血糖值。
图11为说明根据一实施例的利用血糖信号判别模型验证血糖传感数据的示例的附图。
血糖传感数据判别装置基于血糖传感数据1110指示的血糖值,从数据库1190加载对应血糖值的范围(range)的基准数据1191。对应血糖值的范围能够是包括相应血糖值的范围。例如,血糖传感数据判别装置能够从血糖传感数据1110的最后采样点识别血糖值。云服务器能够包括各自包括标记有基准血糖值的基准数据1191的数据库1190。血糖传感数据判别装置能够对云服务器要求对应血糖值的范围的基准数据1191。例如,当所测量的血糖值为70mg/dL时,血糖传感数据判别装置能够从云服务器接收对应60mg/dL至80mg/dL的范围的基准数据1191。
血糖传感数据判别装置能够基于血糖信号判别模型1120对加载的基准数据1191验证血糖传感数据1110。例如,血糖传感数据判别装置基于血糖信号判别模型1120算出指示基准数据1191与血糖传感数据1110是否类似的结果1109(例如,相似度)。当判断作为错误数据的血糖传感数据1110与范围内的基准数据1191相似时,血糖传感数据判别装置能够将相应血糖传感数据1110确定为正常数据。当判断血糖传感数据1110与基准数据1191不相似时,血糖传感数据判别装置能够将相应血糖传感数据1110确定为最终错误数据。
由此,血糖传感数据判别装置能够考虑基于不同血糖值具有差异的波形特性,利用具有与当前测量的血糖传感数据1110邻近的范围的血糖值的基准数据1191。血糖传感数据判别装置能够更加准确地确定血糖传感数据1110是否为最终错误数据。
根据实施例的方法以能够通过多种计算机手段执行的程序命令的形态体现,并记录在计算机读写媒介。所述计算机读写媒介能够以单独或者组合的形式包括程序命令、数据文件、数据结构等。记录在所述媒介的程序命令能够是为实现实施例特别设计与构成的,或者是被计算机软件负责人公知而能够使用的。计算机读写记录媒介能够包括硬盘、软盘以及磁带等磁性媒介(magnetic media);与CD-ROM、DVD等类似的光学媒介(opticalmedia);与光磁软盘(floptical disk)类似的磁光媒介(magneto-optical media),以及与只读存储器(ROM)、随机存取存储器(RAM)、闪存等类似的为存储并执行程序命令而特别构成的硬件装置。程序命令的例子不仅包括通过编译器生成的机器语言代码,还包括通过计算机使用解释器等执行的高级语言代码。为执行实施例的操作,所述硬件装置能够构成为以一个以上的软件模块实现操作的方式。
软件能够包括计算机程序(computer program)、代码(code)、指令(instruction),或其中的一个以上的组合,能够将处理装置构成为按照所期待的方式操作,或者,单独或共同(collectively)命令处理装置的方式。软件和/或数据为通过处理装置进行解释或者向处理装置提供命令或数据,能够具体体现于(embody)任何类型的设备、构成要素(component)、物理装置、虚拟装置(virtual equipment)、计算机存储媒介或装置,或者永久体现于所传送的信号波(signal wave)。软件分布于通过网络连接的计算机系统上,能够以分布的方式存储或执行。软件及数据能够存储于一个以上的计算机读写记录媒介。
综上,通过有限的附图对实施例进行了说明,本领域普通技术人员能够基于所述记载进行多种更改与变形。例如,所说明的技术按照与说明的方法不同的顺序执行,和/或所说明的系统、结构、装置、电路等构成要素按照与说明的方法不同的形态进行结合或组合,或者由其他构成要素或者等同物置换或代替,也能得到适当的结果。
由此,其他体现,其他实施例以及权利要求范围的等同物,均属于本发明的权利要求范围。
Claims (21)
1.一种血糖传感数据判别方法,包括以下步骤:
收集对应于预先设定的时间长度的血糖传感数据;以及
基于所述血糖传感数据的采样值及采样斜率中至少一个,判断所述血糖传感数据是否为错误数据。
2.根据权利要求1所述的血糖传感数据判别方法,
收集所述血糖传感数据的步骤,包括:
接收包括在每个预先设定的时间间隔,按照时间序列在多个采样点测量的采样值的血糖传感数据的步骤。
3.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当包括在所述血糖传感数据的采样点的个数不足临界个数时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
4.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当在所述血糖传感数据的等待区间期间检测到超过临界等待值的采样值时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
5.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当所述血糖传感数据的峰值超出峰值范围时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
6.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
对在所述血糖传感数据的峰值区间期间的峰值点缺失进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
7.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当在检测到峰值点之前检测到具有负的采样斜率的采样点时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
8.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当对象采样点的采样值为临界基准值以上,同时在递减区间期间,所述对象采样点的采样斜率相比之前采样点的采样斜率增加超过第一临界比率时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
9.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当对象采样点的采样值不足临界基准值,同时在递减区间期间,所述对象采样点的采样斜率增加超过临界绝对值时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
10.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
在所述血糖传感数据的采样点不足临界最小值时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
11.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
在所述血糖传感数据的最后采样点的采样斜率相比之前采样点的采样斜率增加超过第二临界比率时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
12.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当在所述血糖传感数据的递减区间期间连续检测的具有正的采样斜率的采样点的个数为临界连续个数以上时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
13.根据权利要求1所述的血糖传感数据判别方法,
判断所述血糖传感数据是否为错误数据的步骤,包括:
当在所述血糖传感数据的递减区间期间具有正的采样斜率的采样点大于临界累积次数时进行应答,将所述血糖传感数据确定为所述错误数据的步骤。
14.根据权利要求1所述的血糖传感数据判别方法,还包括:
在将所述血糖传感数据判断为所述错误数据时进行应答,基于血糖信号判别模型确定所述血糖传感数据是否为最终错误数据的步骤。
15.根据权利要求14所述的血糖传感数据判别方法,
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:
基于所述血糖信号判别模型,从所述血糖传感数据算出预测血糖;
从所述血糖传感数据检测出检测血糖;以及
基于所述预期血糖及所述检测血糖之间的比较,确定所述血糖传感数据是否为最终错误数据。
16.根据权利要求15所述的血糖传感数据判别方法,
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:
算出所述预测血糖及所述检测血糖之间的差异;以及
当所述算出的差异超过临界差异时进行应答,将所述血糖传感数据确定为最终错误数据。
17.根据权利要求14所述的血糖传感数据判别方法,
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:
基于所述血糖传感数据指示的血糖值,从数据库将对应于所述血糖值的范围的基准数据进行加载;以及
基于所述血糖信号判别模型,对加载的所述基准数据验证所述血糖传感数据。
18.根据权利要求17所述的血糖传感数据判别方法,
加载所述基准数据的步骤,包括:
从所述血糖传感数据的最后采样点识别所述血糖值的步骤。
19.根据权利要求14所述的血糖传感数据判别方法,
确定所述血糖传感数据是否为最终错误数据的步骤,包括以下步骤:
从多层感知器模型、动态时间规整模型、卷积神经网络、循环神经网络、主成分分析模型、K均值聚类模型、支持向量机,及孤立森林中至少一个以上算出指示所述血糖传感数据是否为最终错误数据的结果;以及
当所述算出的结果中过半数结果指示所述血糖传感数据为最终错误数据时进行应答,将所述血糖传感数据确定为最终错误数据。
20.一种计算机可读存储介质,其具有用于执行权利要求1至19中任一项所述的方法的计算机指令。
21.一种血糖传感数据判别装置,包括:
数据收集部,用于收集对应于预先设定的时间长度的血糖传感数据;以及
处理器,基于所述血糖传感数据的采样值及采样斜率中的至少一个,判断所述血糖传感数据是否为错误数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180079111A KR102179203B1 (ko) | 2018-07-09 | 2018-07-09 | 혈당 센싱 데이터 판별 방법 및 장치 |
KR10-2018-0079111 | 2018-07-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706817A true CN110706817A (zh) | 2020-01-17 |
Family
ID=67105826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574083.8A Pending CN110706817A (zh) | 2018-07-09 | 2019-06-28 | 血糖传感数据判别方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200008750A1 (zh) |
EP (1) | EP3594956A1 (zh) |
KR (1) | KR102179203B1 (zh) |
CN (1) | CN110706817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
WO2021208790A1 (zh) * | 2020-04-16 | 2021-10-21 | 智准生医科技股份有限公司 | 生物信息测量系统以及生物信息校正方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754452B (zh) * | 2020-05-09 | 2021-05-18 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
CN114081482B (zh) * | 2021-11-23 | 2023-04-18 | 电子科技大学 | 一种基于波形证据回归的血糖浓度检测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030060692A1 (en) * | 2001-08-03 | 2003-03-27 | Timothy L. Ruchti | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes |
WO2008052199A2 (en) * | 2006-10-26 | 2008-05-02 | Abbott Diabetes Care, Inc. | Method, system and computer program product for real-time detection of sensitivity decline in analyte sensors |
WO2009055736A1 (en) * | 2007-10-25 | 2009-04-30 | Dexcom, Inc. | Systems and methods for processing sensor data |
US20130245401A1 (en) * | 2012-03-16 | 2013-09-19 | Dexcom, Inc. | Systems and methods for processing analyte sensor data |
US20140182350A1 (en) * | 2013-01-03 | 2014-07-03 | Dexcom, Inc. | End of life detection for analyte sensors |
WO2014128638A1 (en) * | 2013-02-20 | 2014-08-28 | Università Degli Studi Di Padova Area Trasfermiento Di Tecnologia | Retrospective retrofitting method to generate a continuous glucose concentration profile |
WO2016018432A1 (en) * | 2014-08-01 | 2016-02-04 | Edwards Lifesciences Corporation | Measurement of a patient analyte using wavelet transform analysis |
WO2016102227A1 (en) * | 2014-12-23 | 2016-06-30 | Roche Diabetes Care Gmbh | Method and system for determining a blood glucose level for a patient |
CA3088255A1 (en) * | 2015-12-28 | 2017-07-06 | Medtronic Minimed, Inc. | Methods for continuous glucose monitoring |
CN108254541A (zh) * | 2016-12-28 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 血糖检测数据修正方法、装置和血糖仪 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7494816B2 (en) * | 1997-12-22 | 2009-02-24 | Roche Diagnostic Operations, Inc. | System and method for determining a temperature during analyte measurement |
US8346337B2 (en) * | 1998-04-30 | 2013-01-01 | Abbott Diabetes Care Inc. | Analyte monitoring device and methods of use |
US6895263B2 (en) | 2000-02-23 | 2005-05-17 | Medtronic Minimed, Inc. | Real time self-adjusting calibration algorithm |
JP2010069065A (ja) * | 2008-09-19 | 2010-04-02 | Panasonic Corp | 非侵襲血糖測定装置 |
EP2373984B1 (en) * | 2008-12-08 | 2022-11-30 | Ascensia Diabetes Care Holdings AG | Biosensor signal adjustment |
EP2221608B1 (de) | 2009-02-18 | 2015-08-12 | F. Hoffmann-La Roche AG | Testverfahren zur Untersuchung einer Körperflüssigkeit |
EP2770063B1 (en) * | 2010-09-28 | 2017-04-19 | Lifescan Scotland Limited | Glucose electrochemical measurement method with error detection |
US9903830B2 (en) * | 2011-12-29 | 2018-02-27 | Lifescan Scotland Limited | Accurate analyte measurements for electrochemical test strip based on sensed physical characteristic(s) of the sample containing the analyte |
KR101466222B1 (ko) * | 2012-06-01 | 2014-12-01 | 주식회사 아이센스 | 정확도가 향상된 전기화학적 바이오센서 |
US9828621B2 (en) * | 2013-09-10 | 2017-11-28 | Lifescan Scotland Limited | Anomalous signal error trap for an analyte measurement determined from a specified sampling time derived from a sensed physical characteristic of the sample containing the analyte |
US9649058B2 (en) * | 2013-12-16 | 2017-05-16 | Medtronic Minimed, Inc. | Methods and systems for improving the reliability of orthogonally redundant sensors |
CN115349856A (zh) * | 2014-06-06 | 2022-11-18 | 德克斯康公司 | 基于数据和背景的故障判别和响应处理 |
US20160091450A1 (en) * | 2014-09-25 | 2016-03-31 | Lifescan Scotland Limited | Accurate analyte measurements for electrochemical test strip to determine analyte measurement time based on measured temperature, physical characteristic and estimated analyte value and their temperature compensated values |
-
2018
- 2018-07-09 KR KR1020180079111A patent/KR102179203B1/ko active IP Right Grant
-
2019
- 2019-06-27 EP EP19182793.0A patent/EP3594956A1/en active Pending
- 2019-06-28 CN CN201910574083.8A patent/CN110706817A/zh active Pending
- 2019-07-05 US US16/503,964 patent/US20200008750A1/en not_active Abandoned
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030060692A1 (en) * | 2001-08-03 | 2003-03-27 | Timothy L. Ruchti | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes |
WO2008052199A2 (en) * | 2006-10-26 | 2008-05-02 | Abbott Diabetes Care, Inc. | Method, system and computer program product for real-time detection of sensitivity decline in analyte sensors |
WO2009055736A1 (en) * | 2007-10-25 | 2009-04-30 | Dexcom, Inc. | Systems and methods for processing sensor data |
US20130245401A1 (en) * | 2012-03-16 | 2013-09-19 | Dexcom, Inc. | Systems and methods for processing analyte sensor data |
US20140182350A1 (en) * | 2013-01-03 | 2014-07-03 | Dexcom, Inc. | End of life detection for analyte sensors |
WO2014128638A1 (en) * | 2013-02-20 | 2014-08-28 | Università Degli Studi Di Padova Area Trasfermiento Di Tecnologia | Retrospective retrofitting method to generate a continuous glucose concentration profile |
WO2016018432A1 (en) * | 2014-08-01 | 2016-02-04 | Edwards Lifesciences Corporation | Measurement of a patient analyte using wavelet transform analysis |
WO2016102227A1 (en) * | 2014-12-23 | 2016-06-30 | Roche Diabetes Care Gmbh | Method and system for determining a blood glucose level for a patient |
CA3088255A1 (en) * | 2015-12-28 | 2017-07-06 | Medtronic Minimed, Inc. | Methods for continuous glucose monitoring |
CN108254541A (zh) * | 2016-12-28 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 血糖检测数据修正方法、装置和血糖仪 |
Non-Patent Citations (2)
Title |
---|
JIANGGH: "机器学习|我们在UCL找到了一个糖尿病数据集,用机器学习预测糖尿病(三)", pages 1 - 4, Retrieved from the Internet <URL:https://www.cnblogs.com/jlutiger/p/9009348.html> * |
田伊茗等: "住院糖尿病患者床旁血糖监测数据分析", 《中国糖尿病杂志》, vol. 25, no. 9, pages 792 - 795 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208790A1 (zh) * | 2020-04-16 | 2021-10-21 | 智准生医科技股份有限公司 | 生物信息测量系统以及生物信息校正方法 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
KR102179203B1 (ko) | 2020-11-16 |
US20200008750A1 (en) | 2020-01-09 |
EP3594956A1 (en) | 2020-01-15 |
KR20200005761A (ko) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706817A (zh) | 血糖传感数据判别方法及装置 | |
Xu et al. | A novel ensemble of random forest for assisting diagnosis of Parkinson's disease on small handwritten dynamics dataset | |
Rezaee et al. | A new cluster validity index for the fuzzy c-mean | |
Delgado-Escano et al. | A cross-dataset deep learning-based classifier for people fall detection and identification | |
WO2018070935A1 (en) | Determining sleep stages | |
CN106529442A (zh) | 一种行人识别方法和装置 | |
Sonawane et al. | Prediction of heart disease using learning vector quantization algorithm | |
Galicki et al. | Common optimization of adaptive preprocessing units and a neural network during the learning period. Application in EEG pattern recognition | |
Zaman et al. | Codon based back propagation neural network approach to classify hypertension gene sequences | |
CN112043252A (zh) | 基于脉搏信号中呼吸成分的情绪识别系统及方法 | |
Wen et al. | Rapid odor recognition based on reliefF algorithm using electronic nose and its application in fruit identification and classification | |
US10555689B1 (en) | CPS pressure based sensing system for symmetry measurements | |
Gupta et al. | A web based framework for liver disease diagnosis using combined machine learning models | |
Padmaja et al. | Analysis to predict coronary thrombosis using machine learning techniques | |
Papavlasopoulos et al. | A non-linear index to evaluate a journal’s scientific impact | |
Kiran et al. | A gradient boosted decision tree with binary spotted hyena optimizer for cardiovascular disease detection and classification | |
Suriani et al. | Smartphone sensor accelerometer data for human activity recognition using spiking neural network | |
Pal | Skin Disease Classification: A Comparative Analysis of K-Nearest Neighbors (KNN) and Random Forest Algorithm | |
Blatt et al. | Pattern classification techniques for lung cancer diagnosis by an electronic nose | |
CN111276248B (zh) | 状态确定系统和电子设备 | |
KR102350593B1 (ko) | 딥러닝 앙상블을 이용한 멀티모달 센서 기반의 보행 패턴 분류를 위한 장치 및 방법 | |
CN113948203A (zh) | 一种基于卷积神经网络的快速预测方法 | |
CN113780378A (zh) | 一种疾病高危人群预测装置 | |
Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network | |
KR101951727B1 (ko) | 멀티 암 판별을 위한 컴퓨팅 방법 및 이를 이용한 컴퓨팅 장치 |
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 |