CN111110249A - 一种血糖波动评价方法和评价装置 - Google Patents

一种血糖波动评价方法和评价装置 Download PDF

Info

Publication number
CN111110249A
CN111110249A CN201911378693.7A CN201911378693A CN111110249A CN 111110249 A CN111110249 A CN 111110249A CN 201911378693 A CN201911378693 A CN 201911378693A CN 111110249 A CN111110249 A CN 111110249A
Authority
CN
China
Prior art keywords
blood glucose
gradient
matrix
monitoring
fluctuation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911378693.7A
Other languages
English (en)
Other versions
CN111110249B (zh
Inventor
聂泽东
李景振
刘宇航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911378693.7A priority Critical patent/CN111110249B/zh
Publication of CN111110249A publication Critical patent/CN111110249A/zh
Priority to PCT/CN2020/129205 priority patent/WO2021129230A1/zh
Application granted granted Critical
Publication of CN111110249B publication Critical patent/CN111110249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种血糖波动评价方法和评价装置。该方法包括：将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；对矩阵进行梯度计算，获得横向梯度和纵向梯度，其中横向梯度表征各监测周期内的连续血糖监测数据的波动情况，纵向梯度表征各监测周期之间的连续血糖监测数据的波动情况；基于横向梯度和纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。本发明的方法和装置能够利用梯度变异值同时评价血糖的波动幅度和波动频率，并有效地预测低血糖。

Description

一种血糖波动评价方法和评价装置
技术领域
本发明涉及血糖评价技术领域，尤其涉及一种血糖波动评价方法和评价装置。
背景技术
糖尿病是由于体内胰岛素分泌缺陷或其生物作用受损所引起的代谢紊乱性疾病。随着人口老龄化和饮食习惯的改变，糖尿病的发病率呈急剧上升趋势。迄今为止，糖尿病尚无切实可行的根治方法，糖尿病患者被建议通过连续监测血糖浓度变化来及时调整口服降糖药物和胰岛素的用量或调整饮食运动等，进而控制血糖的波动水平，预防或减轻并发症。连续血糖监测(CGM)是一种通过葡萄糖传感器连续监测皮下组织间液葡萄糖浓度的技术。一般而言，CGM可连续获取患者24小时的血糖值，这与传统血糖监测方法相比具有明显的优势。
现有研究表明，血糖的波动水平与低血糖、糖尿病并发症之间存在相关性。因此，基于CGM数据的血糖波动评估是目前的研究热点。传统的血糖波动评估方法包括计算CGM的血糖标准差(SDBG)，血糖变异系数(CV)，最大血糖波动幅度(LAGE)，平均血糖波动幅度(MAGE)等。
具体地，现有技术包括以下技术方案：
1)、血糖标准差(SDBG)计算方法：
Figure BDA0002341699420000011
其中，G为测量血糖值，
Figure BDA0002341699420000012
为测量血糖值的平均值，N为血糖测量总数
2)、血糖变异系数(CV)计算方法：
Figure BDA0002341699420000013
其中，SDBG为血糖标准差，
Figure BDA0002341699420000014
为测量血糖值的平均值
3)、最大血糖波动幅度(LAGE)计算方法：
LAGE＝Gmax-Gmin
其中Gmax为测量最大血糖值，Gmin为测量最小血糖值。
4)、平均血糖波动幅度(MAGE)计算方法：
首先计算患者24小时内的血糖标准差(SDBG)；其次，计算血糖的波动幅度，根据波动幅度确定血糖的波动方向(上升或下降)；再次，根据血糖波动方向确定有效血糖波动幅度；最后，求取有效血糖波动的平均值。
然而，上述的计算CGM数据的血糖标准差，血糖变异系数等，只能计算出血糖波动的幅度，而忽略了血糖波动的频率。因而，目前的血糖波动参数很难同时表征血糖波动幅度与血糖波动频率，可能会导致部分信息丢失，无法描述血糖的真正波动情况。
发明内容
本发明的目的在于克服上述现有技术的缺陷，提供一种血糖波动评价方法和评价装置，是针对CGM数据基于梯度变异的血糖波动计算方法，所提出的梯度变异参数可以同时表征血糖波动幅度与血糖波动频率，为研究血糖波动提供一种新的思路。
根据本发明的第一方面，提供血糖波动评价方法。该方法包括以下步骤：
将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，其中，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；
对矩阵进行梯度计算，获得横向梯度和纵向梯度，其中所述横向梯度表征各监测周期内的连续血糖监测数据的波动情况，所述纵向梯度表征各监测周期之间的连续血糖监测数据的波动情况；
基于所述横向梯度和所述纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。
根据本发明的第二方面，提供一种血糖波动评价装置。该装置包括：数据表征单元，其用于将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，其中，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；梯度计算单元，其用于对矩阵进行计算梯度，获得横向梯度和纵向梯度，其中所述横向梯度表征各监测周期内的连续血糖监测数据的波动情况，所述纵向梯度表征每个监测周期之间的连续血糖监测数据的波动情况；血糖波动评价单元，其用于基于所述横向梯度和所述纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。
在一个实施例中，所述血糖波动评价单元采用以下公式计算所述梯度变异值：
Figure BDA0002341699420000031
其中，Fx(i,j)为横向梯度Fx的第(i,j)个元素，Fy(i,j)为纵向梯度Fy的第(i,j)个元素，Δti为相邻两个矩阵元素的横向时间，Δtj为相邻两个矩阵元素的纵向时间，origin(i,j)为矩阵origin的第(i,j)个元素，M为矩阵origin的行数，N为矩阵origin的列数。
与现有技术相比，本发明的优点在于：提出一种基于梯度变异的血糖波动评价方法和评价装置，能够同时反映出血糖的波动幅度与波动频率，通过实验验证这种基于梯度变异的血糖评价方法在预测低血糖时具有较大优势，为临床上分析血糖的波动提供了一种新的解决方案。
附图说明
以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
图1是根据本发明一个实施例的血糖评价方法的流程图；
图2是根据本发明一个实施例的周期为20分钟的CGM值；
图3是根据本发明一个实施例的周期为40分钟的CGM值；
图4是根据本发明一个实施例的周期为60分钟的CGM值；
图5是根据本发明一个实施例的不同参数下的ROC曲线。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
参见图1所示，本发明提出的血糖波动评价方法包括以下步骤：
步骤S110，获取并处理CGM数据。
具体地，对于连续血糖监测数据(CGM数据)的获取，可采用目前市场上的CGM设备，例如血糖监测频率为5分钟，1小时内可获取12个血糖值，1天内(24小时)则可获取288个血糖值。如果由于CGM设备暂时故障导致某部分数据缺失，对缺失的数据开入采用线性差值法进行拟合。
步骤S120，对CGM数据进行矩阵化处理，将以预设频率采集的多个监测周期的CGM数据表征为矩阵形式。
具体地，将CGM数据表述为以下矩阵：
Figure BDA0002341699420000041
其中(A0101......A0112)表示第一个小时(即第一个监测周期)的CGM值，共有12个值；(A0201......A0212)表示第二个小时(即第二个监测周期)的CGM值，共有12个值，以此类推。因此，矩阵origin的默认行数M＝24，默认列数N＝12。矩阵的行数M和列数N可根据实际需要进行设置。
步骤S130，对矩阵进行梯度计算，获得横向梯度和纵向梯度，横向梯度表征各监测周期内的CGM数据的波动情况，纵向梯度表征各监测周期之间的CGM数据的波动情况。
具体地，对矩阵进行梯度计算，包括横向梯度和纵向梯度，即gradient(origin)＝[Fx,Fy]，其中Fx为横向梯度，Fy为纵向梯度，分别表示为：
Figure BDA0002341699420000051
Figure BDA0002341699420000052
步骤S140，根据横向梯度和纵向梯度计算梯度变异值。
本发明实施例提出用梯度变异值GV反映血糖波动的新参数，该值计算方法如下：
Figure BDA0002341699420000053
其中Fx(i,j)为横向梯度Fx的第(i,j)个元素，Fy(i,j)为纵向梯度Fy的第(i,j)个元素，Δti为相邻两个矩阵元素的横向时间，即Δti为5分种(即约0.083小时)，Δtj为相邻两个矩阵元素的纵向时间，即Δti为1小时，origin(i,j)为矩阵origin的第(i,j)个元素，M为矩阵origin的行数，N为矩阵origin的列数。从梯度变异值GV表达式(4)可知，其包含了血糖5分钟内的波动，又能同时反映1小时内的波动，还可以反映血糖的波动幅度。
步骤S150，分析梯度变异值与其他血糖波动参数的相关性。
进一步地，分析梯度变异值GV与其他血糖波动参数的相关性。具体地，通过获取多个患者的CGM数据，分别计算每个患者的梯度变异值GV，标准差(SDBG)，血糖变异系数(CV)，最大血糖波动幅度(LAGE)，平均血糖波动幅度(MAGE)，采用相关性分析方法来分析所提出的梯度变异值GV与其他血糖波动参数的相关性。表1是相关性分析结果。由表1可知，梯度变异值GV与标准差SDBG，血糖变异系数CV，最大血糖波动幅度LAGE，平均血糖波动幅度MAGE均具有强的相关性，论证了所提出的梯度变异值GV可以反映出血糖的波动。
表1梯度变异值GV与其他血糖波动参数的相关性
相关系数 P值
梯度变异值GV与血糖标准差SDBG 0.5138 0
梯度变异值GV与血糖变异系数CV 0.7016 0
梯度变异值GV与最大血糖波动幅度LAGE 0.5835 0
梯度变异值GV与平均血糖波动幅度MAGE 0.6271 0
步骤S160，基于梯度变异值分析不同频率的血糖波动。
具体地，采用数值模拟方法，模拟了三种不同频率的CGM值，参见图2至图4所示，其中横坐标表示各个周期，纵坐标表示血糖值，图2的CGM值周期为20分钟，图3的CGM值的周期为40分钟，图4的CGM值的周期为60分钟。下表2给出了不同血糖波动参数的计算结果。由表2可知，对于不同周期的CGM值，其血糖标准差SDBG，血糖变异系数CV，最大血糖波动幅度LAGE，平均血糖波动幅度MAGE均无任何变化，而所提出的梯度变异值GV随着CGM值的周期变化而变化，从而论证了梯度变异值GV可以同时反映出血糖波动幅度与波动频率。
表2不同周期的各种血糖波动参数计算结果
参数 周期20分钟 周期40分钟 周期60分钟
梯度变异值GV 5.5092 2.2674 1.1018
血糖标准差SDBG 3.1053 3.1053 3.1053
血糖差异系数CV 0.4436 0.4436 0.4436
最大血糖波动幅度LAGE 6.2000 6.2000 6.2000
平均血糖波动幅度MAGE 5.672 5.672 5.672
步骤S170，分析梯度变异值与低血糖预测的关联性。
具体地，通过利用CGM设备分别获取多个患者在发生低血糖事件前与正常情况下的CGM数据，根据CGM数据分别计算其梯度变异值GV，血糖标准差SDBG，血糖变异系数CV，最大血糖波动幅度LAGE，平均血糖波动幅度MAGE。通过采用ROC曲线(受试者工作特征曲线)分析不同参数在预测低血糖事件时的敏感度与特异度。图5是以1-特异度为横坐标，敏感度为纵坐标的ROC曲线。从图5可以看出，梯度变异值GV的工作面积最大，验证了梯度变异值GV在预测低血糖方面具有更大的优势。
相应地，本发明还提供一种血糖评价装置，该装置用于实现上述方法的一个方面或多个方面，在此不在具体描述。例如，该装置包括：数据表征单元，其用于将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，其中，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；梯度计算单元，其用于对矩阵进行计算梯度，获得横向梯度和纵向梯度，其中所述横向梯度表征各监测周期内的连续血糖监测数据的波动情况，所述纵向梯度表征每个监测周期之间的连续血糖监测数据的波动情况；血糖波动评价单元，其用于基于所述横向梯度和所述纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。本发明装置中的各单元可通过逻辑硬件结构或处理器实现。
综上所述，本发明提供一种基于CGM数据评价血糖波动的方法和装置，通过矩阵运算等得出梯度变异值，与其他血糖波动参数相比，该参数能够同时反映出血糖波动的幅度以及波动频率，并且本发明所提出的梯度变异值在预测低血糖事件方面具有更大的优势。
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种血糖波动评价方法，包括以下步骤：
将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，其中，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；
对矩阵进行梯度计算，获得横向梯度和纵向梯度，其中所述横向梯度表征各监测周期内的连续血糖监测数据的波动情况，所述纵向梯度表征各监测周期之间的连续血糖监测数据的波动情况；
基于所述横向梯度和所述纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。
2.根据权利要求1所述的血糖波动评价方法，其特征在于，采用以下公式计算所述梯度变异值：
Figure FDA0002341699410000011
其中，Fx(i,j)为横向梯度Fx的第(i,j)个元素，Fy(i,j)为纵向梯度Fy的第(i,j)个元素，Δti为相邻两个矩阵元素的横向时间，Δtj为相邻两个矩阵元素的纵向时间，origin(i,j)为矩阵origin的第(i,j)个元素，M为矩阵origin的行数，N为矩阵origin的列数。
3.根据权利要求1所述的血糖波动评价方法，其特征在于，将所述监测周期设置为20分钟、40分钟或60分钟，所述监测周期数是一天所包含的监测周期，所述预设频率是5分钟。
4.一种血糖波动评价装置，其特征在于，包括：
数据表征单元：用于将以预设频率采集的多个监测周期的连续血糖监测数据表征为矩阵形式，其中，矩阵的行数对应监测周期数，矩阵的列数对应一个监测周期内采集的连续血糖监测数据的数目，矩阵中各元素是所采集的连续血糖监测数据值；
梯度计算单元，用于对矩阵进行计算梯度，获得横向梯度和纵向梯度，其中所述横向梯度表征各监测周期内的连续血糖监测数据的波动情况，所述纵向梯度表征每个监测周期之间的连续血糖监测数据的波动情况；
血糖波动评价单元：用于基于所述横向梯度和所述纵向梯度计算梯度变异值，进而利用该梯度变异值评价血糖波动幅度和波动频率。
5.根据权利要求4所述的血糖波动评价装置，其特征在于，所述血糖波动评价单元采用以下公式计算所述梯度变异值：
Figure FDA0002341699410000021
其中，Fx(i,j)为横向梯度Fx的第(i,j)个元素，Fy(i,j)为纵向梯度Fy的第(i,j)个元素，Δti为相邻两个矩阵元素的横向时间，Δtj为相邻两个矩阵元素的纵向时间，origin(i,j)为矩阵origin的第(i,j)个元素，M为矩阵origin的行数，N为矩阵origin的列数。
6.根据权利要求4所述的血糖波动评价装置，其特征在于，将所述监测周期设置为20分钟、40分钟或60分钟，所述监测周期数是一天所包含的监测周期，所述预设频率是5分钟。
7.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至3中任一项所述方法的步骤。
8.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至3中任一项所述的方法的步骤。
CN201911378693.7A 2019-12-27 2019-12-27 一种血糖波动评价方法和评价装置 Active CN111110249B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911378693.7A CN111110249B (zh) 2019-12-27 2019-12-27 一种血糖波动评价方法和评价装置
PCT/CN2020/129205 WO2021129230A1 (zh) 2019-12-27 2020-11-17 一种血糖波动评价方法和评价装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911378693.7A CN111110249B (zh) 2019-12-27 2019-12-27 一种血糖波动评价方法和评价装置

Publications (2)

Publication Number Publication Date
CN111110249A true CN111110249A (zh) 2020-05-08
CN111110249B CN111110249B (zh) 2021-08-27

Family

ID=70504217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911378693.7A Active CN111110249B (zh) 2019-12-27 2019-12-27 一种血糖波动评价方法和评价装置

Country Status (2)

Country Link
CN (1) CN111110249B (zh)
WO (1) WO2021129230A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030147A (zh) * 2021-03-16 2021-06-25 谱天（天津）生物科技有限公司 一种基于长期监测下尿液代谢物指标的评估方法
WO2021129230A1 (zh) * 2019-12-27 2021-07-01 中国科学院深圳先进技术研究院 一种血糖波动评价方法和评价装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101264019A (zh) * 2007-03-16 2008-09-17 北京中科光睿科技有限责任公司 一种基于光声技术的新型便携式无创、连续、实时血糖监测仪
CN101715317A (zh) * 2007-04-19 2010-05-26 C.G.M.3有限公司 监控血液分析物水平的设备系统和方法
US20110021891A1 (en) * 2009-07-23 2011-01-27 Hitachi Media Electronics Co., Ltd. Non-invasive glucose monitor
CN102831326A (zh) * 2012-09-06 2012-12-19 南方医科大学 一种平均血糖波动幅度的计算方法
CN103813821A (zh) * 2011-09-13 2014-05-21 诺沃—诺迪斯克有限公司 用于随时间优化药物剂量方案的自适应系统
US20150164414A1 (en) * 2013-12-10 2015-06-18 Grant Matthews Recursive Real-time Determination of Glucose Forcing in a Diabetic patient for use in a Closed Loop Insulin Delivery system
CN104856690A (zh) * 2015-05-14 2015-08-26 深圳市一体太赫兹科技有限公司 血糖检测方法和装置
US20160231235A1 (en) * 2014-09-29 2016-08-11 Zyomed Corp. Systems and methods for blood glucose and other analyte detection and measurement using collision computing
US20160345874A1 (en) * 2015-05-27 2016-12-01 Senseonics, Incorporated Wireless analyte monitoring
CN107252307A (zh) * 2010-04-27 2017-10-17 盈通格利应用有限公司 用于无创测量受检者的血糖水平的设备
CN109288525A (zh) * 2018-09-27 2019-02-01 北京中器华康科技发展有限公司 一种实时血糖监测管理系统
CN109662720A (zh) * 2018-11-27 2019-04-23 中国科学院深圳先进技术研究院 基于深度学习的多频段光声无创血糖浓度预测系统
US20190125963A1 (en) * 2017-10-27 2019-05-02 Microjet Technology Co., Ltd. Wearable liquid supplying device for human insulin injection
CN109846462A (zh) * 2019-04-03 2019-06-07 小甑科技（深圳）有限公司 一种测量血糖的方法及系统
US20190313951A1 (en) * 2018-04-13 2019-10-17 Seiko Epson Corporation Organism analyzing apparatus and organism analyzing method

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8758245B2 (en) * 2007-03-20 2014-06-24 Lifescan, Inc. Systems and methods for pattern recognition in diabetes management
US9439602B2 (en) * 2011-10-26 2016-09-13 Dexcom, Inc. Alert system for hypo and hyperglycemia prevention based on clinical risk
US9351670B2 (en) * 2012-12-31 2016-05-31 Abbott Diabetes Care Inc. Glycemic risk determination based on variability of glucose levels
US9465917B2 (en) * 2014-05-30 2016-10-11 Roche Diabetes Care, Inc. Hazard based assessment patterns
US10575790B2 (en) * 2016-03-02 2020-03-03 Roche Diabetes Care, Inc. Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof
CN111110249B (zh) * 2019-12-27 2021-08-27 中国科学院深圳先进技术研究院 一种血糖波动评价方法和评价装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101264019A (zh) * 2007-03-16 2008-09-17 北京中科光睿科技有限责任公司 一种基于光声技术的新型便携式无创、连续、实时血糖监测仪
CN101715317A (zh) * 2007-04-19 2010-05-26 C.G.M.3有限公司 监控血液分析物水平的设备系统和方法
US20110021891A1 (en) * 2009-07-23 2011-01-27 Hitachi Media Electronics Co., Ltd. Non-invasive glucose monitor
CN107252307A (zh) * 2010-04-27 2017-10-17 盈通格利应用有限公司 用于无创测量受检者的血糖水平的设备
CN103813821A (zh) * 2011-09-13 2014-05-21 诺沃—诺迪斯克有限公司 用于随时间优化药物剂量方案的自适应系统
CN102831326A (zh) * 2012-09-06 2012-12-19 南方医科大学 一种平均血糖波动幅度的计算方法
US20150164414A1 (en) * 2013-12-10 2015-06-18 Grant Matthews Recursive Real-time Determination of Glucose Forcing in a Diabetic patient for use in a Closed Loop Insulin Delivery system
US20160231235A1 (en) * 2014-09-29 2016-08-11 Zyomed Corp. Systems and methods for blood glucose and other analyte detection and measurement using collision computing
CN104856690A (zh) * 2015-05-14 2015-08-26 深圳市一体太赫兹科技有限公司 血糖检测方法和装置
US20160345874A1 (en) * 2015-05-27 2016-12-01 Senseonics, Incorporated Wireless analyte monitoring
US20190125963A1 (en) * 2017-10-27 2019-05-02 Microjet Technology Co., Ltd. Wearable liquid supplying device for human insulin injection
US20190313951A1 (en) * 2018-04-13 2019-10-17 Seiko Epson Corporation Organism analyzing apparatus and organism analyzing method
CN109288525A (zh) * 2018-09-27 2019-02-01 北京中器华康科技发展有限公司 一种实时血糖监测管理系统
CN109662720A (zh) * 2018-11-27 2019-04-23 中国科学院深圳先进技术研究院 基于深度学习的多频段光声无创血糖浓度预测系统
CN109846462A (zh) * 2019-04-03 2019-06-07 小甑科技（深圳）有限公司 一种测量血糖的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI,JINGZHEN，YANG,DARDEI，NIE,ZEDONG 等: "Investigation of Resonant Frequency and Impedance for Noninvasive Blood Glucose Monitoring", 《IEEE ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION CONTROL AND INTELLIGENT SYSTEMS》 *
TAKAHASHI HIROSHI，NISHIMURA RIMEI，ONDA YOSHIKO 等: "Prediction of nocturnal hypoglycemia unawareness by fasting glucose levels or post-breakfast glucose fluctuations in patients with type 1 diabetes receiving insulin degludec: A pilot study", 《PLOS ONE》 *
李景振,曾宁, 聂泽东,等: "无创血糖检测中不同葡萄糖浓度的介电-频率响应特性研究", 《集成技术》 *
马文雅: "葡萄糖无创动态监测的微波传感系统构建研究", 《浙江工商大学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129230A1 (zh) * 2019-12-27 2021-07-01 中国科学院深圳先进技术研究院 一种血糖波动评价方法和评价装置
CN113030147A (zh) * 2021-03-16 2021-06-25 谱天（天津）生物科技有限公司 一种基于长期监测下尿液代谢物指标的评估方法

Also Published As

Publication number Publication date
CN111110249B (zh) 2021-08-27
WO2021129230A1 (zh) 2021-07-01

Similar Documents

Publication Publication Date Title
US20230210412A1 (en) Retrospective retrofitting method to generate a continuous glucose concentration profile by exploiting continuous glucose monitoring sensor data and blood glucose measurements
US20230190156A1 (en) Sensitivity calibration of in vivo sensors used to measure analyte concentration
US11896371B2 (en) Method and apparatus for improving lag correction during in vivo measurement of analyte concentration with analyte concentration variability and range data
US10709392B2 (en) Sensor fault detection using analyte sensor data pattern comparison
EP3125761B1 (en) Method and apparatus for determining meal start and peak events in analyte monitoring systems
AU2022291499A1 (en) Analysis of glucose median, variability, and hypoglycemia risk for therapy guidance
Guerra et al. Enhancing the accuracy of subcutaneous glucose sensors: a real-time deconvolution-based approach
US20160193411A1 (en) Apparatus and method for generating a condition indication
US10881334B2 (en) Accuracy continuous glucose monitoring method, system, and device
CN111110249B (zh) 一种血糖波动评价方法和评价装置
Pasqualetti et al. Pre-analytical and analytical aspects affecting clinical reliability of plasma glucose results
Zhao et al. Statistical analysis based online sensor failure detection for continuous glucose monitoring in type I diabetes
Kovatchev et al. Accuracy and robustness of dynamical tracking of average glycemia (A1c) to provide real-time estimation of hemoglobin A1c using routine self-monitored blood glucose data
Vettoretti et al. Online calibration of glucose sensors from the measured current by a time-varying calibration function and Bayesian priors
Pretty et al. Impact of sensor and measurement timing errors on model-based insulin sensitivity
CN114145738B (zh) 分析物浓度数据生成方法和装置、监测分析物水平的系统
Zhao et al. An automatic glucose monitoring signal denoising method with noise level estimation and responsive filter updating
WO2020043706A1 (en) Using at home measurements to predict clinical state and improving the accuracy of at home measurements/predictions using data associated with circadian rhythm and meal timing
Vettoretti et al. Accuracy of devices for self-monitoring of blood glucose: A stochastic error model
Szigeti et al. The use of peak over threshold methods to characterise blood glucose curves
Adelberger et al. Prediction of postprandial glucose excursions in type 1 diabetes using control-oriented process models
US20230218204A1 (en) Personalized calibration for glucose sensing
Kaufman Proportional-integral control in the evaluation of glucose homeostasis and Type 2 Diabetes
EP4233062A1 (en) Generating personalized food guidance using predicted hunger
Bock et al. Estimating reliability of blood glucose concentration predictions in patients with type 1 diabetes mellitus

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