CN111065332B - 用于非侵入性葡萄糖测量的装置 - Google Patents
用于非侵入性葡萄糖测量的装置 Download PDFInfo
- Publication number
- CN111065332B CN111065332B CN201880057501.XA CN201880057501A CN111065332B CN 111065332 B CN111065332 B CN 111065332B CN 201880057501 A CN201880057501 A CN 201880057501A CN 111065332 B CN111065332 B CN 111065332B
- Authority
- CN
- China
- Prior art keywords
- invasive
- vectors
- vector
- new
- blood glucose
- 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.)
- Active
Links
- 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 200
- 239000008103 glucose Substances 0.000 title claims abstract description 200
- 238000005259 measurement Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 253
- 239000008280 blood Substances 0.000 claims abstract description 111
- 210000004369 blood Anatomy 0.000 claims abstract description 111
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000002955 isolation Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000031700 light absorption Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012806 monitoring device Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- SPFMQWBKVUQXJV-BTVCFUMJSA-N (2r,3s,4r,5r)-2,3,4,5,6-pentahydroxyhexanal;hydrate Chemical compound O.OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O SPFMQWBKVUQXJV-BTVCFUMJSA-N 0.000 claims 1
- 238000000034 method Methods 0.000 description 30
- 206010012601 diabetes mellitus Diseases 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 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 4
- 238000005204 segregation Methods 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000019612 pigmentation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000002249 Diabetes Complications Diseases 0.000 description 1
- 206010012655 Diabetic complications Diseases 0.000 description 1
- 206010013786 Dry skin Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000037336 dry skin Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005182 global health Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007230 neural mechanism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 102220015505 rs141611486 Human genes 0.000 description 1
- 102220283719 rs1555526920 Human genes 0.000 description 1
- 102220017003 rs200670993 Human genes 0.000 description 1
- 102220037215 rs2228415 Human genes 0.000 description 1
- 102220013368 rs397516586 Human genes 0.000 description 1
- 102220062244 rs748527030 Human genes 0.000 description 1
- 102220028992 rs7614776 Human genes 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
Images
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
- A61B5/145—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
- A61B5/14503—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 invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—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
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6825—Hand
- A61B5/6826—Finger
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Emergency Medicine (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于监测血液葡萄糖的装置,包括:一侵入式构件,用于侵入性测量血液葡萄糖;及一非侵入式构件,包括(多个)彩色图像传感器,用于从穿越所述组织的光的吸收来生成多个图像,用于接受一身体部位并生成一非侵入式血液葡萄糖读数。(多个)处理器将所述多个图像转换为与一特定的至少一侵入式血液葡萄糖度量gk1相关联的一矢量V,形成一规则的学习矩阵λ,通过所述矢量λk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及通过让所述神经网络通过至少一个测试来校准所述神经网络。
Description
技术领域及背景技术
本发明涉及用于非侵入性计算组织葡萄糖的诸多装置及诸多方法。
糖尿病是一种全球性健康负担,由于它迅速成长的患病率,被世界卫生组织(WHO)声明为一种全球疫情。这是一种慢性疾病,由于胰腺对胰岛素分泌不足或身体对胰岛素的非有效使用,导致在身体内的糖水平升高。糖尿病的影响包括长期损害、功能障碍以及包括视网膜、肾脏及脉管系统在内的各种器官的衰竭。
强化血液葡萄糖水平(blood glucose levels)的管理对糖尿病的管理及治疗至关重要。糖尿病控制与并发症试验及英国前瞻性糖尿病研究的后续研究显示,早期地严格控制1型及2型糖尿病患者的葡萄糖,可降低长期糖尿病并发症发展或进展的风险。
如今,手指棒测试(finger stick testing)是血液葡萄糖检测的主要手段。足够的血液葡萄糖监测需要频繁(一天超过四次)进行血液测量,并且伴随着不适感及疼痛感。
对于便利的血液葡萄糖自我监测技术的需求导致包括连续及非侵入式监测在内的替代性技术的发展。诸多连续血液葡萄糖装置需要将侵入式传感器插入皮肤下方,每一个月至少更换一次或两次,这是不便且昂贵的。
到目前为止,几种非侵入式方法已经被提出,包括近红外光谱法、拉曼光谱法、超声法等,但是没有令人满意的解决方案被引入市场。诸多光学方法未能识别血液葡萄糖水平,主要是因为葡萄糖对光譬如对红外光可见的连结较弱。此外,在通用校准流形(universal calibration manifold)的情况下,对全球整体人口进行校准是极不可能的,因为校准过程中会遇到很多障碍,例如:组织灌注、组织温度、其他血液物质、诸多血液动力学因素、肤色、指甲、皮肤干燥等。此外,葡萄糖占人体组织的重量少于0.1%。因此,由于热、机械、血液动力学、光学或其他不稳定性引起的变化可能会干扰非侵入式葡萄糖读数(non-invasive glucose reading)。
发明内容
本发明的一个方面是一种监测一人员的一血液葡萄糖的方法,包括步骤:(a)(i)使用一生物参数监测装置的一侵入式构件以侵入性测量所述人员的所述血液葡萄糖,将一侵入式血液葡萄糖读数gk1存储在所述生物参数监测装置的一非侵入式构件中,以及(ii)可选地重复步骤(a)(i)用于生成至少一附加的侵入式血液葡萄糖测量gk2,及如果步骤(a)(i)被重复,则通过一预定的接近测量要求gk2足够接近gk1;以及(ii)可选地重复步骤(a)(i),用于生成至少一附加的侵入式血液葡萄糖测量gk2,如果步骤(a)(i)被重复,则通过一预定的接近测量要求gk2足够接近gk1;(b)在步骤(a)前或后的一接近时间内,在所述装置的所述非侵入式构件中的一个或多个彩色图像传感器生成一系列图像,所述系列图像反映具有所述人员的身体部位穿越组织的光的吸收,所述系列图像被转换为一矢量V,其中所述矢量V与一特定的至少一侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,并与一被侵入性决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;由一个或多个处理器从多个学习矢量中形成一M乘N正规学习矩阵λ,通过重复步骤(a)至(b),以便获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定;(c)通过矢量Vk与侵入式血液葡萄糖水平的唯一关联来实现组织葡萄糖水平的非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,Vk是学习集合λ中的矢量,并且丢弃使非侵入式离析关联失败的多个矢量Vk;(d)由一个或多个处理器通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及(e)通过让所述神经网络通过至少一个内部盲测来校准所述神经网络。
本发明的另一方面是一种用于监测一人员的一血液葡萄糖的装置,包括:(a)一侵入式构件,被配置用于:(i)使用一生物参数监测装置的一侵入式构件以侵入性测量所述人员的所述血液葡萄糖,将一侵入式血液葡萄糖读数gk1存储在所述生物参数监测装置的一非侵入式构件中,以及(ii)可选地重复步骤(a)(i)用于生成至少一附加的侵入式血液葡萄糖测量gk2,及如果步骤(a)的步骤(i)被重复进行,则通过一预定的接近测量要求gk2足够接近gk1;一非侵入式构件,被建构成接受所述人员的一身体部位,并且被配置为在所述患者的所述身体部位插入所述非侵入式构件时生成所述身体部位的组织的一非侵入式血液葡萄糖读数,所述非侵入式构件包括一个或多个彩色图像传感器,所述彩色图像传感器被配置为生成一系列图像反映已穿越所述组织的光的吸收,所述装置具有一个或多个处理器,所述处理器使用程序代码被编程,用于:将所述系列图像转换为一矢量V,其中所述矢量V与一特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,并与一被侵入性决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;通过使用(a)及(b)的所述组织的所述非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;通过所述矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及通过让所述神经网络通过至少一个内部盲测来校准所述神经网络。
本发明的又一方面是一种非暂时性计算机可读的介质,具有被存储在其上的一葡萄糖监测软件,所述葡萄糖监测软件由一个或多个处理器执行,由所述一个或多个处理器所执行的所述葡萄糖监测软件进行以下步骤:将一侵入式血液葡萄糖读数gk1存储在一葡萄糖监测装置的一非侵入式构件中,并且可选地存储一附加的侵入式血液葡萄糖读数gk2,并且如果发生可选的存储,则通过一预定的接近测量要求gk2足够接近gk1;从一个或多个彩色图像传感器接收一系列图像反映已穿越一人员的一身体部位的组织的光的吸收,将所述系列图像转换为一矢量V,其中所述矢量V与一特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,并与一被侵入地决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;通过使用(a)及(b)的所述组织的所述非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;通过所述矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及通过让所述神经网络通过至少一个内部盲测来校准所述神经网络。
参考以下附图、描述及权利要求,将更好地理解本发明的这些及其他特征、方面及优点。
附图说明
本文仅通过举例的方式,参考附图描述各种实施例,其中:
图1A是根据本发明的一个实施例的一装置的一照片;
图1B是根据本发明的一个实施例的图1的所述装置的一剖视图;
图2是根据本发明的一个实施例的在一装置的一非侵入式构件中被使用的一闭环矢量关联的一非限制性示例的一示意图;
图3是根据本发明的一个实施例的与所述非侵入式样本矢量相关联的一个人葡萄糖映对图,其中所述矢量代表部分信息;
图4是根据本发明一个实施例示出的一方法的一流程图;
图5是根据本发明的一个实施例的所述装置的所述内部处理的一示意图;
图6是根据本发明的一个实施例示出的用于校准的一第一个内部盲测的多个步骤的一流程图;及
图7是根据本发明的一个实施例示出的用于校准的一第二个内部盲测的多个步骤的一流程图。
具体实施方式
下面的详细描述是执行本发明的诸多当前最佳设想模式。由于本发明的范围由所附的权利要求书最佳地限定,因此本描述不是限制性的,而仅仅是出于说明本发明的一般原理的目的。
本发明总体上提供一种医疗装置及方法,被配置为一旦被校准就生成多个非侵入式血液葡萄糖读数。所述装置能够非侵入性测量组织葡萄糖浓度及侵入性测量毛细血管血液葡萄糖浓度。非侵入式葡萄糖读数通常基于测量空间提供不规则或杂乱无序的数学流形(mathematical manifold),因此最不可能建立在所述非侵入式原始数据与实际真实侵入式葡萄糖水平之间相关联的一传递函数。为了克服此主要问题,所述装置具有如下所述的诸多特征,包括一程序代码,所述程序代码与所述装置的两个构件接口以利用一关联性数学概念。此外,代替通用或群集校准的是,一个人校准技术(personal calibrationtechnique)被使用。所述装置有助于糖尿病管理,并能实现更加高效及无痛的患者照护。
本发明的所述装置是小型、轻便及便携式的装置,如图1A所示。所述装置旨在用于家庭环境以及诊所中的一附加支持。在某些实施例中,所述装置包括医疗及控制子系统。所述医疗子系统包含一彩色图像传感器、诸多LED及一DSP,所述DSP负责图像采集、图像处理、照明控制系统以及临床参数值的提取。所述控制子系统包含四个触摸按钮、一显示器、一扬声器及一微控制器单元(MCU),所述微控制器单元负责用户界面、过程管理、内部存储及装置的电源管理。如图1B所述,所述装置10可以具有一手指隔室(finger compartment)、四个在可见的到IR光谱上(~600nm至~1000nm)的单色光源、一个或多个彩色图像传感器以及一侵入式葡萄糖测试仪附加模块(invasive glucometer add-on module)(侵入式构件20)。所述附加模块被用于校准所述非侵入式构件。在某些情况下,所述医疗及控制子系统被嵌入在单个处理器诸如DSP或微控制器中。
所述技术基于一彩色图像传感器。在一些实施例中,所述装置使用一实时彩色图像传感器,所述实时彩色图像传感器提供在空间-时间-颜色域上分析组织色素沉淀(pigmentation)的能力。与其他已知装置诸如标准脉搏血氧仪相比,诸多彩色图像传感器提供更丰富的信息。所述脉搏血氧仪通常使用两个离散的二极管传感器及两个单色光源。所述装置使用4个单色光源及彩色图像传感器,所述彩色图像传感器吸收通常范围在从蓝色到IR的连续波长的光。所述彩色图像原始数据由所述彩色图像传感器获取,并被存储在一存储缓冲区中,用于计算在所述装置的DSP构件中被执行的一专用算法(dedicatedalgorithm)。
如图1所示,在一些实施例中,所述装置10包括一个或多个彩色图像传感器40,而不是多个离散的传感器。在一些实施例中,一个或多个彩色图像传感器40代表在三个彩色平面即红色、绿色及蓝色中的从350nm到1000nm变化的连续吸收。这种传感器提供对颜色特殊时间空间的洞察(insight into the color-special-temporal space)。在一个实施例中,一种简单的彩色图像传感器被使用。在一些其他实施例中,装置10包括一附加的矩阵传感器。在某些实施例中,所述装置10利用个人校准而不是通用校准。但是,一旦足够的售后知识已被收集,就可以考虑进行一群集或通用校准。所述装置在一些实施例中还采用这样的原理,即代表暂时吸收的单个矢量应不代表两个相对不同的葡萄糖水平。
参考附图及随附的描述,用于非侵入式葡萄糖测量的方法及装置的原理及操作可以被更好地理解。
如图4所示,根据一个实施例,一种监测一人员的一血液葡萄糖的方法100包括一步骤110的(i)使用一生物参数监测装置10的一侵入式构件侵入性测量所述人员的所述血液葡萄糖,将一侵入式血液葡萄糖读数gk1存储在所述生物参数监测装置的一非侵入式构件中,以及(ii)可选地重复步骤(i),用于生成至少一个附加的侵入式血液葡萄糖测量(additional invasive blood glucose measurement)gk2,如果步骤(i)被重复,通过一预定的接近测量要求gk2足够接近gk1。
作为方法100的另一步骤120A,在一接近时间内,例如在步骤110前或后的一到七分钟之间,所述装置10的所述非侵入式构件中的一个或多个彩色图像传感器15生成一系列图像,所述系列图像反映穿越所述组织的光的吸收。在步骤120B中,所述系列图像可以被转换为一矢量V(例如:通过将所述系列图像转换为多个变量的一集合,并将所述多个变量的所述集合或其一组合转换为一矢量V,或者在其他示例中通过直接转换为一矢量V),其中所述矢量V与一特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表所述人员的血液中的一瞬时葡萄糖水平(momentary glucose level)。与一被侵入性决定的血液葡萄糖水平相关联的所有矢量V的所述集合定义所述装置的所述学习集合λ(注意的是,用于“学习集合(learning set)”的符号“λ”与用于如后所述的单色光的符号“Lin”不相关)。
根据一个特定实施例,建构一矢量Vk如下,如此示例所示:
1.令rn(x,y,t)、gn(x,y,t)及bn(x,y,t)为三个时空彩色视频流(spatial-temporal-color video stream),代表在由具有多个发射电平(ein)的单色光(Lin)的一集合照射的考虑下的毛细血管组织的多个吸收水平,其中i(1,2,3,4)代表一波长指数,而n代表光组合的集合1≤n≤N。
示例:
n=1;i=1,2,3,4
·L11=以e11毫安被发射的625nm LED
·L21=以e21毫安被发射的740nm LED
·L31=以e31毫安被发射的850nm LED
·L41=以e41毫安被发射的940nm LED
n=2;i=1,2,3,4
·L12=以e12毫安被发射的625nm LED
·L22=以e22毫安被发射的740nm LED
·L32=以e32毫安被发射的850nm LED
·L42=以e42毫安被发射的940nm LED
每个光的集合n对应于实时图像的一集合rn(x,y,t)、gn(x,y,t)及bn(x,y,t),其中对于n=1,它对应于r1(x,y,t)、g1(x,y,t)及b1(x,y,t),以及,对于n=2,它对应于r2(x,y,t)、g2(x,y,t)及b2(x,y,t)。
2.令Ukn为与侵入式整体血液葡萄糖水平gk及光的集合n=1…N相关联的一特征矢量。k表明在所述装置的日志文件(log file)中的第k个(kth)特征矢量的索引。
3.令Vk为由{Ukn}即Vk={(Uk1,Uk2,Uk3,..,Ukn)}组成的一特征矢量。在以上例作为考虑下,所述矢量V1即k=1由两个子矢量U11及U12组成,即V1=(U11,U12),其中子扇区U11代表对Li1个光发射的集合的吸收响应,且U12代表对Li2个光发射的集合的吸收响应。
所述预先排期的(pre-scheduled)非侵入式数据收集的过程由多个矢量与真实的侵入式读数的一集合所代表。通过设计最佳的个人预先排期的血液葡萄糖读数,一被建议的个人校准被实现。血色素(pigment)可能因人而异。另外,对于一给定的人员,血色素可根据一天中的时间而变化,例如清醒时间、早晨、中午时间、傍晚,夜晚时间。在另一个示例中,血色素可以从饭前改变为饭后。因此,在一个特定的非限制性实施例中,一个人一天进行八次参考测试,持续七天,从而得到由多个可靠参考定制的五十六次预先排期的校准。在某些实施例中,在所述校准周期内,对每个非侵入式样本矢量V的“双重检查”的两个标准常规条带被用于作为参考。此时间表基于以下事实:血色素沉淀在白天(清醒时间、早晨、中午时间、傍晚、夜晚时间以及用餐前与用餐后)会变化。在此特定实施例中,建立个人模式(pattern)的过程(个人校准过程)可能需要约五十六次参考测试(每个参考测试使用两个条带读数),以实现最准确的模式。如果两个条带读数彼此之间的距离不够近,则由系统将所述非侵入式样本矢量内部地声明为‘不良参考(bad reference)’。个人校准与通用校准相比的优势在于,所述个人模式考虑了单个用户的‘诸多干扰因素(interferingfactors)’。
如图4所示,方法100还可包括一步骤130,其中由一个或多个处理器形成一M×N的规则学习矩阵。通过重复步骤“110”及“120”从多个学习矢量形成所述矩阵,以便获取在所述学习集合中的N个矢量。所述数量N根据所述人员的被侵入性决定的血液葡萄糖水平被决定。例如:如果所述人员患有一严重情况的糖尿病,并且所述人员的葡萄糖通常很高,例如在200左右,则在所述学习集合λ中的矢量的数量N将更大。另一方面,如果由于受试者患有一轻度的糖尿病,则受试者的葡萄糖水平趋于降低,则N将更低,因为在所述学习集合λ中被需要的矢量更少。
方法100还可包括一步骤140,通过所述矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制(noninvasive isolationmechanism),其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,并且Vk是在所述学习集合L中的一矢量。此外,使所述非侵入式离析关联失败的多个矢量Vk被丢弃。
在建构非侵入式生物标记物读数中最困难的部分是所述生物标记物的离析(isolation od the bio marker)。通过将一矢量V关联到单个葡萄糖水平,使得所述非侵入式葡萄糖离析被实现。所述矢量的多个分量基于由所述彩色图像传感器收集的信息。据此,在代表暂时性光吸收穿越所述组织的两个不相同矢量的考虑下可以代表相同或几乎相同的葡萄糖水平,但是,两个相同或几乎相同的矢量将代表单个葡萄糖水平。
从杂乱无序中获得秩序的诸多方法中的一个是通过使用与大脑神经机制相似的一关联机制。当前的自适应学习机(adaptive learning machne)将多个矢量的多个群组与各种葡萄糖水平相关联。所述关联不是唯一的,单个葡萄糖水平可以与一个或多个矢量相关联。但是,每个矢量具有对葡萄糖水平的一独特性关联(离析机制),即单个矢量不能与两个不同的葡萄糖水平相关联。图3描述与各种葡萄糖数值相关联的多个矢量的各种被同步的多个群组。
关于方法100的步骤110及140,在一些实施例中,每个非侵入式读数生成一样本矢量Vk,使用彼此足够靠近的多个标准常规条带,即gk1及gk2,与两个侵入式血液葡萄糖测量(而不是被重复进行测量的一个侵入式血液葡萄糖测量)相关联。这种关联被认为是所述组织葡萄糖的“离析机制(Isolation Mechanism)”。例如:
(1)(即所述离析机制)的一基本要求是所述矢量集合{Vk}的独立性。独立性意指的是没有两个矢量足够接近彼此,即对于k≠n,Vk=Vn导致两个不同(即不够接近)的葡萄糖水平。以数学术语来说:
(2)如果Vk=Vn,则对于任何k≠n,gk=gn
其中gk及gn是由所述装置的所述侵入式构件获取的所述多个实际葡萄糖水平参考。
方法100可以包括另一步骤150,由所述一个或多个处理器通过将多个矢量配对成一个分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此关联的所述多个血液葡萄糖水平上具有一预定的相似性,则所述两个矢量被配对(例如:两个矢量中的每个矢量的葡萄糖水平是足够接近彼此的)。
在一示例中,自适应机器学习包括以下的关联规则。多个非侵入式信号与基于欧几里得Rn空间的葡萄糖是混沌相关联的。因此,一种模仿一神经网络的关联方法被建议。根据本发明的一个实施例,以下提供所述神经网络的一般规则。
1.有效样本矢量:
如果两个参考彼此的距离足够近并且所述矢量本身通过所有内部要求以便在内部地声明它的有效性,则与两个侵入式参考相关联的一矢量Vk是一有效的样本矢量。
2.将新的矢量插入所述学习集合:
如果一新的矢量Vnew独立于校准集合L中的所有先前的矢量,则将所述新的矢量Vnew插入所述学习集合。
3.从所述学习集合L中删除一矢量:
如果一矢量Vk变得无用(过时),则应将它从所述神经网络删除。
4.树、分支、环、群组及关联(Tree,branches,loops,groups and association):
当前的神经网络可能在各个方向(向前、向后、向左或向右)具有多个连接,从而生成多个分支及多个环。在生成开环及/或闭环(open and/or close loops)的各种矢量之间的关系。
一分支是两个矢量之间的关联或连接。如图2所示,通过连接V1→V6→V9→V4→V1给出一闭环。一开环是不以一闭环作为结尾的多个被连接的矢量(多个分支)的一集合。一棵树是具有单一起源的多个分支的一集合。在一些实施例中,一加权函数(或权重)与取决于一葡萄糖或其他生物标记物水平、测量时间、组织温度等的一分支相关联。一“群组”是具备一开环或闭环的多个被连接的矢量的一集合,所述开环或闭环履行一定条件。
方法100可以包括另一步骤160,通过使所述神经网络通过至少一个内部盲测(internal blind test)来对所述神经网络校准多个测试。
根据某些实施例,一学习集合λ包括N个预先排期的测量,而N取决于患者的疾病的严重性。在此实施例中,所述校准过程基于两个测试:
1.将所述学习日志文件中的约70%的整体有效样本矢量合并的校准,被用于生成一神经网络。所述30%的剩余样本矢量正在被用于所述内部盲测,并且被视为多个新的矢量{Vnew}的一集合。此子集被测试并且被关联到在所述基本的学习集合中的多个矢量的所述最佳环。如果所述剩余的30%盲测通过所述被要求的准确性,则对整体学习集合(70%+30%)执行一第二个测试,如下所述。
2.排除所述矢量Vk以外的多个有效样本矢量的一子集{Ak=(V1,..Vk-1,Vk+1,…,Vn)}被暂时地用于生成一神经网络。所述被排除的矢量Vk现在正在被用于内部盲测,并且被视为一新的矢量Vnew。所述矢量被测试并且被关联到在子集Ak中的多个矢量的所述最佳环。在某些实施例中,此过程在所有其他有效样本矢量之间被重复。
相应地,在步骤160的一些实施例中,如图6所示,所述第一个内部盲测包括:(a)从所述学习集合λ中暂时地排除一预定的少数的矢量(pre-determined minority ofvectors){V},并且在所述学习集合λ中的剩余的多数的矢量(remaining majority ofvectors){V}被用于决定一当前的神经网络,同时将多个被排除的矢量{V}的所述集合视为多个新的矢量{Vnew}的一集合;及(b)对于每个被排除的矢量Vnew决定在所述当前的神经网络中的多个矢量的一最佳相关环(an optimal correlated loop of vectors),其中先前与所述最佳相关环相关联的所述多个侵入式葡萄糖水平被用于非侵入性决定与每个所述被排除的少数的矢量Vnew相关联的所述瞬时葡萄糖水平ngk作为所述非侵入式读数。
方法100可以包括进行一第二个内部盲测,如图7所示,通过以下步骤:
(a)从所述学习集合λ中排除在所述第一个盲测后被重构的单个矢量V,其中在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一第二个当前的神经网络,同时将所述被排除的矢量V视为一新的矢量Vnew;及
(b)决定在所述第二个当前的神经网络中的多个矢量的另一最佳相关环,并且使用先前与所述另一最佳环相关联的所述多个侵入式葡萄糖水平用于非侵入性决定所述瞬时葡萄糖水平ngk。
在一些实施例中,对于所述学习集合λ中的所有矢量循环地重复所述第二个内部盲测。
校准被完成及在校准后:如果所述学习集合λ满足所述诸多“校准完成(calibration complete)”要求,则所述装置准备进行独立于所述侵入式构件的非侵入式读取(non-invasive reading)。据此,在方法100的一些实施例中,如果所述第一个内部盲测及第二个内部盲测通过由与所述学习集合L中的每个矢量相关联的所述非侵入式读数ngk与所述侵入式读数gk之间的多个差异所定义的一内部准确性要求,则所述装置10被声明为已校准。
方法100可以包括一步骤,由一个或多个处理器通过使用在所述非侵入式构件中的所述一个或多个彩色图像传感器用于生成从所述身体部位的组织的一个或多个彩色图像传感器被获取的一系列图像,来通过非侵入性方式测量所述人员的一身体位置,来获得一新的矢量Vnew,对所述装置进行后校准,并将所述系列图像转换为一新的矢量Vnew,并以所述新的矢量Vnew寻找所述被校准的神经网络的一最佳相关环,并使用与在所述被校准的神经网络的所述最佳相关环中的所述多个矢量相关联的所述多个侵入式葡萄糖水平gk,用于非侵入性计算与所述新的矢量Vnew相关联的所述葡萄糖水平ngnew。
图3是与所述多个非侵入式样品矢量相关联的一个人葡萄糖映对图。所述多个矢量代表部分信息。图3描述进行决定与一个人相关联的所述个人葡萄糖图的机制。在中心的圆圈描述所述侵入式血液葡萄糖测量,而外围的方框则描述所述相关联的矢量的多个分支{Vk}。
后校准代表一自适应学习机,所述自适应学习机基于所述学习集合的所述时间空间成文情况(spatial-temporal statutory situation)随时添加新的参考数据。例如:根据一个实施例,诸多顾客将通过一种非侵入式测量然后由所述装置10的所述侵入式构件(附加的可拆卸模块12)进行两次侵入式测量来校准所述装置。所述诸多客户将继续测量他们自己。
如图5的示意图例所示,本发明的一个实施例是一种用于监测一人员的一血液葡萄糖的装置10。在一个实施例中,装置10可以包括(a)一侵入式构件20,所述侵入式构件20可以被配置为(i)侵入性测量所述人员的所述血液葡萄糖,并将一侵入式血液葡萄糖读数gk1存储在一非侵入式构件20中,以及被配置为(ii)可选地重复进行步骤(i)的所述侵入式测量,以生成至少一附加的侵入式血液葡萄糖测量gk2。图5示出来自穿越一人员的一身体部位18的一光源的光,所述光然后对至少一个彩色图像传感器40造成影响,所述彩色图像传感器40被连接到装置10的一侵入式构件30的一个或多个处理器50。
如图5所示,装置10还包括一非侵入式构件30,所述非侵入式构件30被建构成接受一患者的一身体部位18,并且被配置为在所述患者的身体部位18插入所述非侵入式构件30时生成所述身体部位的组织的一非侵入式生物参数读数,所述非侵入式构件包括一个或多个彩色图像传感器40,所述彩色图像传感器40被建构为生成一系列图像,所述系列图像反映已穿越所述人员的所述身体部位的所述组织的光(来自光源S)的吸收,以将所述系列图像转换为一矢量V(例如:通过将所述系列图像转换为多个变量的一集合并将在一矢量V中转换所述多个变量的集合或其一组合,或者在其他示例中将所述系列图像直接转换为一矢量V)。本发明的某些实施例(图5)包括在所述侵入式部件20与所述非侵入式部件30之间的一联接构件(coupling component)99。
装置10可以具有一个或多个处理器50,所述处理器50使用程序代码55被编程,用于进行:
(I)如果这样的一附加的侵入式血液葡萄糖测量gk2被收到及被存储,则通过一预定的接近测量要求gk2足够接近gk1,
(II)将所述系列图像转换为一矢量V(例如:通过将所述系列图像转换为多个变量的一集合并将所述多个变量的集合或其一组合转换为一矢量V,或者在其他示例中,通过将所述系列图像直接转换为一矢量V),其中所述矢量V与一特定的至少一侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,以及与被侵入性决定的血液葡萄糖水平相关联的所述所有矢量V的集合定义所述装置的所述学习集合λ;
(III)通过使用在步骤(a)及在步骤(b)的所述组织的所述非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;
(IV)通过所述矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;
(V)通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联(例如在两个矢量中的每个矢量的所述多个葡萄糖水平都足够接近彼此)的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及
(VI)通过让所述神经网络通过至少一个内部盲测来校准所述神经网络。
在所述装置10的一些实施例中,所述一个或多个处理器50还使用程序代码55被编程,以进行所述至少一个内部盲测中的一第一个内部盲测,包括:(a)从所述学习集合λ中暂时排除一预定的少数的矢量{V},且在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一当前的神经网络,同时将多个被排除的矢量{V}的所述集合视为多个新的矢量{Vnew}的一集合;及(b)对于每个被排除的矢量Vnew决定在所述当前的神经网络中的多个矢量的一最佳相关环,其中先前与所述最佳相关环相关联的所述多个侵入式葡萄糖水平被用于非侵入性决定与所述每个被排除的少数的矢量Vnew相关联的所述瞬时葡萄糖水平ngk作为所述非侵入式读数。
在一些实施例中,所述一个或多个处理器还使用程序代码被编程,用于通过以下步骤进行一第二个内部盲测:(a)从所述学习集合λ中排除在所述第一个盲测后被重构的单个矢量V,其中在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一第二个当前的神经网络,同时将所述被排除的矢量V视为一新的矢量Vnew;及(b)决定在所述第二个当前的神经网络中的多个矢量的另一最佳相关环,并且使用先前与所述另一最佳环相关联的所述多个侵入式葡萄糖水平用于非侵入性决定所述瞬时葡萄糖水平ngk。
在一些实施例中,对于所述学习集合λ中的所有矢量循环地重复所述第二个内部盲测。在一些实施例中,如果所述第一个内部盲测及所述第二个内部盲测通过由与所述学习集合λ中的每个矢量相关联的所述非侵入式读数ngk与所述侵入式读数gk之间的多个差异所定义的一内部精度要求,则所述装置被声明为已校准。
在一些实施例中,所述一个或多个处理器还使用程序代码被编程,用于通过使用在所述非侵入式构件中的所述一个或多个彩色图像传感器用于生成从所述身体部位的组织的一个或多个彩色图像传感器被获取的一系列图像,来通过非侵入性方式测量所述人员的一身体位置,来获得一新的矢量Vnew,对所述装置进行后校准,并将所述系列图像转换为一新的矢量Vnew,并以所述新的矢量Vnew寻找所述被校准的神经网络的一最佳相关环,并使用与在所述被校准的神经网络的所述最佳相关环中的所述多个矢量相关联的所述多个侵入式葡萄糖水平gk,用于非侵入性计算与所述新的矢量Vnew相关联的所述葡萄糖水平ngnew。
本发明的另一实施例是一种非暂时性计算机可读的介质,所述非暂时性计算机可读的介质具有被存储在其上的一葡萄糖监测软件,所述葡萄糖监测软件由一个或多个处理器执行,由所述一个或多个处理器所执行的所述葡萄糖监测软件进行以下步骤:
将一侵入式血液葡萄糖读数gk1存储在一葡萄糖监测装置的一非侵入式构件中,并且可选地存储一附加的侵入式血液葡萄糖读数gk2,并且如果发生可选的存储,则通过一预定的接近测量要求gk2足够接近gk1;
从一个或多个彩色图像传感器接收一系列图像反映已穿越一人员的一身体部位的组织的光的吸收,将所述系列图像转换为一矢量V(例如:通过将所述系列图像转换为多个变量的一集合,并将所述多个变量的所述集合或其一组合转换为一矢量V,或者在其他示例中通过直接转换为一矢量V),其中所述矢量V与一特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,并与一被侵入地决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;
通过使用在步骤(a)及在步骤(b)的所述组织的所述非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以便获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;
通过所述矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;
通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联(例如:两个矢量中的每个矢量的所述葡萄糖水平都足够接近彼此)的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及
通过让所述神经网络通过至少一个内部盲测来校准所述神经网络。
在一些实施例中,所述程序代码还执行所述至少一个内部盲测中的一第一个内部盲测,所述第一个内部盲测包括步骤:
(a)从所述学习集合λ中暂时排除一预定的少数的矢量{V},并且在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一当前的神经网络,同时将多个被排除的矢量{V}的所述集合视为多个新的矢量的一集合{Vnew};及
(b)对于每个被排除的矢量Vnew决定在所述当前的神经网络中的多个矢量的一最佳相关环,其中先前与所述最佳相关环相关联的所述多个侵入式葡萄糖水平被用于非侵入性决定与每个所述被排除的少数的矢量Vnew相关联的所述瞬时葡萄糖水平ngk作为所述非侵入式读数。
在一些实施例中,所述程序代码还进行一第二个内部盲测,通过以下步骤:
(a)从所述学习集合λ中排除在所述第一个盲测后被重构的单个矢量V,其中在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一第二个当前的神经网络,同时将所述被排除的矢量V视为一新的矢量Vnew;及
(b)决定在所述第二个当前的神经网络中的多个矢量的另一最佳相关环,并且使用先前与所述另一最佳环相关联的所述多个侵入式葡萄糖水平用于非侵入性决定所述瞬时葡萄糖水平ngk。
在一些实施例中,所述程序代码还对于所述学习集合λ中的所有矢量循环地重复所述第二个内部盲测。
在一些实施例中,如果所述第一个内部盲测及所述第二个内部盲测通过一内部精度要求,所述内部精度要求由与所述学习集合λ中的每个矢量相关联的所述非侵入式读数ngk与所述侵入式读数gk之间的多个差异所定义,则所述装置被声明为已校准。
在一些实施例中,所述程序代码还通过使用在所述非侵入式构件中的所述一个或多个彩色图像传感器用于生成从所述身体部位的组织的一个或多个彩色图像传感器被获取的一系列图像,来通过非侵入性方式测量所述人员的一身体位置,来通过获得一新的矢量Vnew,对所述装置进行后校准,并将所述系列图像转换为一新的矢量Vnew,并以所述新的矢量Vnew寻找所述被校准的神经网络的一最佳相关环,并使用与在所述被校准的神经网络的所述最佳相关环中的所述多个矢量相关联的所述多个侵入式葡萄糖水平gk,用于非侵入性计算与所述新的矢量Vnew相关联的所述葡萄糖水平ngnew。
尽管本发明已经针对有限数量的实施例被描述,但是应当理解的是,本发明的许多变型、修改及其他应用可被定制。因此,如所附权利要求书中所述的要求保护的发明不限于本文所述的诸多实施例。
Claims (12)
1.一种用于监测一人员的一血液葡萄糖的装置,其特征在于:所述装置包括:
(a)一侵入式构件,被配置用于:(i)使用一生物参数监测装置的一侵入式构件以侵入性测量所述人员的所述血液葡萄糖,将一侵入式血液葡萄糖读数gk1存储在所述生物参数监测装置的一非侵入式构件中,以及(ii)重复步骤(i)用于生成至少一附加的侵入式血液葡萄糖测量gk2,及如果步骤(a)(i)被重复,则通过一预定的接近测量要求gk2足够接近gk1;
(b)一非侵入式构件,被建构成接受所述人员的一身体部位,并且被配置为在所述人员的所述身体部位插入所述非侵入式构件时生成所述身体部位的组织的一非侵入式血液葡萄糖读数,所述非侵入式构件包括一个或多个彩色图像传感器,所述彩色图像传感器被配置为生成一系列图像反映已穿越所述组织的光的吸收,
所述装置具有一个或多个处理器,所述处理器使用程序代码被编程,用于:将所述系列图像转换为一矢量V,其中所述矢量V与特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,以及与一被侵入性决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;
通过使用(a)及(b)的所述组织的非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以便获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;
通过矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;
通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及
让所述神经网络通过至少一个内部盲测来校准所述神经网络。
2.如权利要求1所述的装置,其特征在于:所述一个或多个处理器使用程序代码被编程,以进行所述至少一个内部盲测中的一第一个内部盲测,所述第一个内部盲测包括步骤:
(a)从所述学习集合λ中暂时排除一预定的少数的矢量{V},并且在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一当前的神经网络,同时将多个被排除的矢量{V}的集合视为多个新的矢量{Vnew}的一集合;及
(b)对于每个被排除的矢量Vnew决定在所述当前的神经网络中的多个矢量的一最佳相关环,其中先前与所述最佳相关环相关联的多个侵入式葡萄糖水平被用于非侵入性决定与每个所述被排除的少数的矢量Vnew相关联的瞬时葡萄糖水平ngk作为非侵入式读数。
3.如权利要求2所述的装置,其特征在于:所述一个或一个以上处理器使用程序代码被编程,用于通过以下步骤进行一第二个内部盲测:
(a)从所述学习集合λ中排除在所述第一个内部盲测后被重构的单个矢量V,其中在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一第二个当前的神经网络,同时将被排除的矢量V视为一新的矢量Vnew;及
(b)决定在所述第二个当前的神经网络中的多个矢量的另一最佳相关环,并且使用先前与所述另一最佳相关环相关联的多个侵入式葡萄糖水平用于非侵入性决定所述瞬时葡萄糖水平ngk。
4.如权利要求3所述的装置,其特征在于:对于所述学习集合λ中的所有矢量循环地重复所述第二个内部盲测。
5.如权利要求3所述的装置,其特征在于:如果所述第一个内部盲测及所述第二个内部盲测通过一内部精度要求,所述内部精度要求由与所述学习集合λ中的每个矢量相关联的所述瞬时葡萄糖水平ngk与所述血液葡萄糖水平的参考gk之间的多个差异所定义,则所述装置被声明为已校准。
6.如权利要求1所述的装置,其特征在于:所述一个或多个处理器还使用程序代码被编程,用于通过使用在所述非侵入式构件中的所述一个或多个彩色图像传感器用于生成从所述身体部位的组织的一个或多个彩色图像传感器被获取的一系列图像,来通过非侵入性方式测量所述人员的一身体位置,来获得一新的矢量Vnew,对所述装置进行后校准,并将所述系列图像转换为一新的矢量Vnew,并以所述新的矢量Vnew寻找所述被校准的神经网络的一最佳相关环,并使用与在所述被校准的神经网络的所述最佳相关环中的所述多个矢量相关联的多个侵入式葡萄糖水平,用于非侵入性计算与所述新的矢量Vnew相关联的所述葡萄糖水平ngnew。
7.一种非暂时性计算机可读的介质,其特征在于:所述非暂时性计算机可读的介质具有被存储在其上的一葡萄糖监测软件,所述葡萄糖监测软件由一个或多个处理器执行,由所述一个或多个处理器所执行的所述葡萄糖监测软件进行以下步骤:
将一侵入式血液葡萄糖读数gk1存储在一葡萄糖监测装置的一非侵入式构件中,并且存储一附加的侵入式血液葡萄糖读数gk2,并且如果发生可选的存储,则通过一预定的接近测量要求gk2足够接近gk1;
从一个或多个彩色图像传感器接收一系列图像反映已穿越一人员的一身体部位的组织的光的吸收,将所述系列图像转换为一矢量V,其中所述矢量V与特定的至少一个侵入式血液葡萄糖测量gk1相关联,代表在所述人员的血液中的一瞬时葡萄糖水平,以及与一被侵入地决定的血液葡萄糖水平相关联的所有矢量V的集合定义所述装置的一学习集合λ;
通过使用(a)及(b)的所述组织的非侵入式生物特征读数两者的多个被重复的侵入式测量的一输出,以便获取在所述学习集合中的N个矢量,其中N是根据所述人员的被侵入性决定的血液葡萄糖水平被决定,从多个学习矢量形成一M乘N正规学习矩阵λ;
通过矢量Vk与一侵入式血液葡萄糖水平的唯一关联来实现所述组织葡萄糖水平的一非侵入式离析机制,其中所述关联被定义为Vk→gk,其中如果Vk=Vn,则对于任何k≠n,gk=gn,其中gk及gn是所述人员的多个被侵入性决定的血液葡萄糖水平的参考,且Vk是在所述学习集合λ中的一矢量,并且丢弃使所述非侵入式离析关联失败的多个矢量Vk;
通过将多个矢量配对成一分支并将多个分支形成为多个环来从所述学习集合λ决定一神经网络,其中如果两个矢量在彼此相关联的所述多个血液葡萄糖水平具有一预定的相似性,则所述两个矢量被配对;及
让所述神经网络通过至少一个内部盲测来校准所述神经网络。
8.如权利要求7所述的介质,其特征在于:所述葡萄糖监测软件还进行:所述至少一个内部盲测中的一第一个内部盲测,所述第一个内部盲测包括步骤:
(a)从所述学习集合λ中暂时排除一预定的少数的矢量{V},并且在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一当前的神经网络,同时将多个被排除的矢量{V}的集合视为多个新的矢量{Vnew}的一集合;及
(b)对于每个被排除的矢量Vnew决定在所述当前的神经网络中的多个矢量的一最佳相关环,其中先前与所述最佳相关环相关联的多个侵入式葡萄糖水平被用于非侵入性决定与每个所述被排除的少数的矢量Vnew相关联的瞬时葡萄糖水平ngk作为所述非侵入式读数。
9.如权利要求8所述的介质,其特征在于:所述葡萄糖监测软件还进行一第二个内部盲测,通过以下步骤:
(a)从所述学习集合λ中排除在所述第一个内部盲测后被重构的单个矢量V,其中在所述学习集合λ中的剩余的多数的矢量{V}被用于决定一第二个当前的神经网络,同时将被排除的矢量V视为一新的矢量Vnew;及
(b)决定在所述第二个当前的神经网络中的多个矢量的另一最佳相关环,并且使用先前与所述另一最佳相关环相关联的多个侵入式葡萄糖水平用于非侵入性决定所述瞬时葡萄糖水平ngk。
10.如权利要求9所述的介质,其特征在于:所述葡萄糖监测软件还对于所述学习集合λ中的所有矢量循环地重复所述第二个内部盲测。
11.如权利要求9所述的介质,其特征在于:如果所述第一个内部盲测及所述第二个内部盲测通过一内部精度要求,所述内部精度要求由与所述学习集合λ中的每个矢量相关联的所述瞬时葡萄糖水平ngk与所述血液葡萄糖水平的参考gk之间的多个差异所定义,则所述装置被声明为已校准。
12.如权利要求7所述的介质,其特征在于:所述葡萄糖监测软件还通过使用在所述非侵入式构件中的所述一个或多个彩色图像传感器用于生成从所述身体部位的组织的一个或多个彩色图像传感器被获取的一系列图像,来通过非侵入性方式测量所述人员的一身体位置,来通过获得一新的矢量Vnew,对所述装置进行后校准,并将所述系列图像转换为一新的矢量Vnew,并以所述新的矢量Vnew寻找所述被校准的神经网络的一最佳相关环,并使用与在所述被校准的神经网络的所述最佳相关环中的多个矢量相关联的所述多个侵入式葡萄糖水平,用于非侵入性计算与所述新的矢量Vnew相关联的所述葡萄糖水平ngnew。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/695,056 US10687739B2 (en) | 2017-09-05 | 2017-09-05 | Method and apparatus for non-invasive glucose measurement |
US15/695,056 | 2017-09-05 | ||
PCT/IL2018/050940 WO2019049126A1 (en) | 2017-09-05 | 2018-08-26 | METHOD AND APPARATUS FOR NON-INVASIVE GLUCOSE MEASUREMENT |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111065332A CN111065332A (zh) | 2020-04-24 |
CN111065332B true CN111065332B (zh) | 2023-04-14 |
Family
ID=65517781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880057501.XA Active CN111065332B (zh) | 2017-09-05 | 2018-08-26 | 用于非侵入性葡萄糖测量的装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10687739B2 (zh) |
EP (1) | EP3678545A4 (zh) |
CN (1) | CN111065332B (zh) |
WO (1) | WO2019049126A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965886A (zh) * | 2019-03-21 | 2019-07-05 | 邓庆平 | 一种无创伤智能血糖测量仪 |
KR102234894B1 (ko) * | 2019-05-22 | 2021-04-02 | 성균관대학교산학협력단 | 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법 |
US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
CN114730456A (zh) * | 2019-12-12 | 2022-07-08 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及其装置 |
US20210298648A1 (en) * | 2020-03-24 | 2021-09-30 | Medtronic Minimed, Inc. | Calibration of a noninvasive physiological characteristic sensor based on data collected from a continuous analyte sensor |
KR20220107525A (ko) * | 2021-01-25 | 2022-08-02 | 삼성전자주식회사 | 체내성분 추정 장치 및 방법 |
WO2024012479A1 (en) * | 2022-07-12 | 2024-01-18 | South King Health Limited | Devices, systems and methods for blood glucose monitoring |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5910109A (en) | 1997-02-20 | 1999-06-08 | Emerging Technology Systems, Llc | Non-invasive glucose measuring device and method for measuring blood glucose |
WO2002065090A2 (en) * | 2001-01-26 | 2002-08-22 | Sensys Medical | Noninvasive measurement of glucose through the optical properties of tissue |
US6998247B2 (en) * | 2002-03-08 | 2006-02-14 | Sensys Medical, Inc. | Method and apparatus using alternative site glucose determinations to calibrate and maintain noninvasive and implantable analyzers |
US20050033127A1 (en) * | 2003-01-30 | 2005-02-10 | Euro-Celtique, S.A. | Wireless blood glucose monitoring system |
US7620674B2 (en) * | 2003-03-07 | 2009-11-17 | Sensys Medical, Inc. | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation |
SG156540A1 (en) | 2008-04-16 | 2009-11-26 | Glucostats System Pte Ltd | Method and system for measuring a composition in the blood stream of a patient |
US8948833B2 (en) * | 2011-01-23 | 2015-02-03 | Cnoga Ltd. | Combination non-invasive and invasive bioparameter measuring device |
CN106446777A (zh) | 2016-08-29 | 2017-02-22 | 广东工业大学 | 基于卷积神经网络的无创血糖数据处理方法及系统 |
-
2017
- 2017-09-05 US US15/695,056 patent/US10687739B2/en active Active
-
2018
- 2018-08-26 CN CN201880057501.XA patent/CN111065332B/zh active Active
- 2018-08-26 EP EP18855100.6A patent/EP3678545A4/en not_active Withdrawn
- 2018-08-26 WO PCT/IL2018/050940 patent/WO2019049126A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP3678545A1 (en) | 2020-07-15 |
US10687739B2 (en) | 2020-06-23 |
CN111065332A (zh) | 2020-04-24 |
WO2019049126A1 (en) | 2019-03-14 |
US20190069821A1 (en) | 2019-03-07 |
EP3678545A4 (en) | 2021-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111065332B (zh) | 用于非侵入性葡萄糖测量的装置 | |
Segman | Device and method for noninvasive glucose assessment | |
US9844345B2 (en) | Combination non-invasive and invasive bioparameter measuring device | |
Habbu et al. | Estimation of blood glucose by non-invasive method using photoplethysmography | |
JP2021519168A (ja) | 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法 | |
WO2018064211A1 (en) | Systems and methods for biological metrics measurement | |
Lang | Beyond Fitbit: a critical appraisal of optical heart rate monitoring wearables and apps, their current limitations and legal implications | |
US20200383628A1 (en) | Optical response measurement from skin and tissue using spectroscopy | |
Chacon et al. | A wearable pulse oximeter with wireless communication and motion artifact tailoring for continuous use | |
WO2017112753A1 (en) | Devices and methods for predicting hemoglobin levels using electronic devices such as mobile phones | |
Tham et al. | IoT health monitoring device of oxygen saturation (SpO2) and heart rate level | |
US20220183569A1 (en) | Blood Pressure Assessment Using Features Extracted Through Deep Learning | |
Scardulla et al. | Photoplethysmograhic sensors, potential and limitations: Is it time for regulation? A comprehensive review | |
US20230172565A1 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
Guo | Noninvasive blood glucose measurement based on NIR spectrums and double ANN analysis | |
Bui et al. | Smartphone-based spo2 measurement by exploiting wavelengths separation and chromophore compensation | |
Karolcik et al. | A multi-site, multi-wavelength ppg platform for continuous non-invasive health monitoring in hospital settings | |
Nandi et al. | A novel cnn-lstm model based non-invasive cuff-less blood pressure estimation system | |
Jayakody et al. | HemoSmart: A non‐invasive device and mobile app for anemia detection | |
US20220142520A1 (en) | A non-invasive glucometer | |
Arefin et al. | Non-invasive blood glucose determination using near infrared LED in diffused reflectance method | |
CN115474930A (zh) | 一种基于高光谱图像重建的无创血红蛋白检测方法 | |
Yamani et al. | A proposed noninvasive point-of-care technique for measuring hemoglobin concentration | |
Susana et al. | Review of Non-Invasive Blood Glucose Level Estimation based on Photoplethysmography and Artificial Intelligent Technology | |
Udara et al. | DiabiTech-non-invasive blood glucose monitoring system |
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 |