CN111588384A - 获得血糖检测结果的方法、装置及设备 - Google Patents

获得血糖检测结果的方法、装置及设备 Download PDF

Info

Publication number
CN111588384A
CN111588384A CN202010463537.7A CN202010463537A CN111588384A CN 111588384 A CN111588384 A CN 111588384A CN 202010463537 A CN202010463537 A CN 202010463537A CN 111588384 A CN111588384 A CN 111588384A
Authority
CN
China
Prior art keywords
training data
detection result
blood sugar
target
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.)
Granted
Application number
CN202010463537.7A
Other languages
English (en)
Other versions
CN111588384B (zh
Inventor
高原
张珣
王胄
黄东升
韩阳
周莉
李鑫
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010463537.7A priority Critical patent/CN111588384B/zh
Publication of CN111588384A publication Critical patent/CN111588384A/zh
Priority to PCT/CN2021/095289 priority patent/WO2021238810A1/zh
Priority to US17/763,658 priority patent/US20220338764A1/en
Application granted granted Critical
Publication of CN111588384B publication Critical patent/CN111588384B/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/486—Bio-feedback
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • 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
    • G16H50/20—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
    • 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
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Emergency Medicine (AREA)
  • Anesthesiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开一个或多个实施例提供了一种获得血糖检测结果的方法、装置及设备，利用同一时段内采集到的无创血糖检测结果以及有创血糖检测结果做为训练数据对神经网络模型进行训练，得到训练好的第一神经网络模型，利用该模型基于无创血糖检测结果得到目标血糖检测结果，可实现利用有创血糖检测结果对无创血糖检测结果进行校正，从而可以提高获得的血糖检测结果的准确性。此外，通过将新增一组训练数据与训练集中的其他的训练数据之间的相关性，还可有效剔除训练集中的无效训练数据，确保新增的训练数据的有效性，可进一步提高通过第一神经网络模型确定出的血糖检测结果的准确度。

Description

获得血糖检测结果的方法、装置及设备
技术领域
本公开一个或多个实施例涉及血糖检测技术领域，尤其涉及一种获得血糖检测结果的方法、装置及设备。
背景技术
目前，糖尿病是典型的需要长期频繁监控的慢性疾病，可引起人体内一系列的代谢紊乱，被称为是现代疾病中的第二杀手。监控糖尿病的主要手段可通过频繁地检测血糖浓度并精确、及时地以此为依据调整人体口服降糖药物和胰岛素的用量，有效控制血糖浓度。大众广为使用的血糖检测是有(微)创滴血或指血加试纸的方式(下文简称有创血糖检测)，通常测试需要每天测试多次，操作较为复杂。PPG(Photo Plethysmo Graphy，光电容积脉搏波)技术是一种无创血糖检测方法，可用来检测人体内血液容积变化。检测过程中，使用固定波长的光照射到人体指端，光透过人体指端后传送到光电接收器，在光束透射过指端的皮肤和组织时，光线会被血液吸收一部分，因此，在另一端的光电接收器接收到的光信号会有所衰减。由于皮肤组织和肌肉具有一定的稳定性，因此，在血液循环过程中，它们的吸收可以看成是不变的，而血液在流动，血液容积随着心脏的跳动，呈规律性变化。于是，光电接收器接收到的光强会随着心脏的收缩呈脉动性变化，如果将这些脉动性变化的光信号转化为电信号，就得到了光电容积脉搏波。光电接收端接收到的脉搏波信号可以反映血糖浓度，故通过建立血糖浓度与脉搏波之间的数学模型，可以计算出血糖浓度值，从而实现无创连续检测。但无创血糖检测方式只能实现血糖趋势跟踪，无法提供较为准确的血糖检测结果。
发明内容
有鉴于此，本公开一个或多个实施例的目的在于提出一种获得血糖检测结果的方法、装置及设备，以解决相关技术中无创血糖检测方式无法提供较为准确的血糖检测结果的问题。
根据本公开的第一个方面，提供了一种获得血糖检测结果的方法，包括：获取被检测对象的第一有创血糖检测结果；将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组光电容积脉搏描记PPG信号的特征值构成一组新的训练数据；确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所述多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
可选的，所述方法还包括：获取带有标签的多组血糖影响因子的样本以及带有标签的血糖值的样本；以所述多组血糖影响因子的样本以及所述血糖值的样本为训练数据对神经网络模型进行训练，得到训练好的第二神经网络模型。
可选的，所述方法还包括：获取被检测对象的血糖影响因子以及所述目标血糖检测结果；将所述被检测对象的血糖影响因子以及所述目标血糖检测结果输入所述第二神经网络模型，输出所述被检测对象的健康系数。
可选的，所述血糖影响因子至少包括以下一种：所述被检测对象的个人基本信息、所述被检测对象的睡眠状况、所述被检测对象的运动状况以及检测当日的天气状况。
可选的，所述被检测对象的个人基本信息至少包括以下一种：所述被检测对象的年龄、身高、体重以及所述被检测对象是否吸烟。
可选的，获取被检测对象的血糖影响因子以及所述目标血糖检测结果，包括：响应于所述被检测对象录入个人基本信息的操作，接收所述个人基本信息；从终端设备中获取所述被检测对象的睡眠状况，运动状况以及天气状况；对所述个人基本信息、所述睡眠状况、所述运动状态以及所述天气状况进行量化，得到所述血糖影响因子；获取由所述第一神经网络模型输出的目标血糖检测结果。
可选的，所述标签包括所述个人基本信息对所述被检测对象的血糖检测结果的影响度，所述方法还包括：根据所述被检测对象的血糖影响因子对所述被检测对象的血糖值的影响度确定出影响所述被检测对象血糖值的高风险因素；确定与所述高风险因素对应的血糖改善措施；输出所述高风险因素以及血糖改善措施。
可选的，所述方法还包括：在得到目标血糖检测结果之后，确定所述目标血糖检测结果所对应的目标血糖值区间，其中，不同的血糖值区间对应于不同的治疗措施；确定所述目标血糖值区间对应的目标治疗措施；输出所述目标治疗措施。
根据本公开的第二个方面，提供了一种获得血糖检测结果的装置，包括：第一获取模块，用于获取被检测对象的第一有创血糖检测结果；结合模块，用于将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组光电容积脉搏描记PPG信号的特征值构成一组新的训练数据；第一确定模块，用于确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；判断模块，用于判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；更新模块，用于若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；第一训练模块，用于以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；第一执行模块，用于在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
根据本公开的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一种获得血糖检测结果的方法。
从上面所述可以看出，本公开一个或多个实施例提供的获得血糖检测结果的方法，利用同一时段内采集到的无创血糖检测结果以及有创血糖检测结果做为训练数据对神经网络模型进行训练，得到训练好的第一神经网络模型，利用该模型基于无创血糖检测结果得到目标血糖检测结果，可实现利用有创血糖检测结果对无创血糖检测结果进行校正，从而可以提高获得的血糖检测结果的准确性。此外，通过将新增一组训练数据与训练集中的其他的训练数据之间的相关性，还可有效剔除训练集中的无效训练数据，确保新增的训练数据的有效性，可进一步提高通过第一神经网络模型确定出的血糖检测结果的准确度。
附图说明
为了更清楚地说明本公开一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本公开一示例性实施例示出的一种获得血糖检测结果的方法的流程图；
图2是根据本公开一示例性实施例示出的一种获得血糖检测结果的装置的框图；
图3是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
图1是根据本公开一示例性实施例示出的一种获得血糖检测结果的方法的流程图，该方法可由一终端设备执行，如图1所示，该方法包括：
步骤101：获取被检测对象的第一有创血糖检测结果；
例如，终端设备可通过与血糖检测仪(例如，通过指血进行检测的常规血糖检测仪)建立蓝牙或无线通信连接，以获得血糖检测仪输出的有创血糖检测结果，该血糖检测结果例如可以是血糖值。
步骤102：将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组PPG信号的特征值构成一组新的训练数据；
该新的训练数据作为神经网络模型的训练集中的一个数据单元，用K表示由PPG信号提取的特征值，M表示无创血糖检测仪中光源数量，N表示训练集的数量，C表示有创血糖检测结果，则该数据单元的数学表示为：[K1N,K2N,K3N,...,KMN,CN]T；
步骤103：确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；
例如，可依次对新的训练数据与训练集中各数据单元进行相关性分析，从而得到新的训练数据与各数据单元之间的相关度。
其中，第一神经网络模型的训练集中包括多个数据单元，各数据单元中均包括同一时段内采集到的无创血糖检测结果以及有创血糖检测结果。
步骤104：判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；
其中，相关度阈值例如可以是预先设置好的。
步骤105：若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所述多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；
例如，将IN＝[K1N,K2N,K3N,...,KMN,CN]T与训练集中前N-1个数据单元中的特征进行相关分析，判断是否存在IQ＝[K1Q,K2Q,K3Q,...,KMQ,CQ]T与IN的相关度达到0.8(为上述相关度阈值的一个示例)，若未出现与IN的相关度达到0.8的相关数据单元，将IN添加至训练集；若存在相关数据单元IQ，则认为IN与IQ的检测背景一致，对||CN-CQ||进行计算，若相差大于1mmol/L(为上述差值阈值的一个示例)则认为被检测对象生理产生了较大变化，此时使用IN代替训练集中的IQ，否则训练集保持不变。
步骤106：以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；
步骤107：在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
其中，在获取到一组新的PPG信号后，提取该新的PPG信号作为测试样本输入到训练好的第一神经网络模型，可得到第一神经网络模型输出的目标血糖检测结果，该目标血糖检测结果例如可以是血糖值。
本公开一个或多个实施例提供的获得血糖检测结果的方法，利用同一时段内采集到的无创血糖检测结果以及有创血糖检测结果做为训练数据对神经网络模型进行训练，得到训练好的第一神经网络模型，利用该模型基于无创血糖检测结果得到目标血糖检测结果，可实现利用有创血糖检测结果对无创血糖检测结果进行校正，从而可以提高获得的血糖检测结果的准确性。此外，通过将新增一组训练数据与训练集中的其他的训练数据之间的相关性，还可有效剔除训练集中的无效训练数据，确保新增的训练数据的有效性，可进一步提高通过第一神经网络模型确定出的血糖检测结果的准确度。
在本公开的一个或多个实施例中，上述获得血糖检测结果的方法还可包括：
获取带有标签的多组血糖影响因子的样本以及带有标签的血糖值的样本；
例如，可获取不同用户对应的不同血糖影响因子以及该用户对应的血糖检值作为样本，其中，不同血糖影响因子的样本带有不同分数的标签，同样，不同血糖值的样本也带有不同分数的标签。
其中，血糖影响因子可包括被检测对象的特征以及被检测对象所处的环境的特征中，能对血糖值产生影响的特征，例如，被检测对象的年龄、身高、体重、是否吸烟、睡眠状况、运动状况以及检测当日的天气状况等，而获取的目标血糖检测结果则可以包括最近一次由上述第一神经网络模型输出的目标血糖结果。
以所述多组血糖影响因子的样本以及所述血糖值的样本为训练数据对神经网络模型进行训练，得到训练好的第二神经网络模型。
由于无创血糖检测设备不易穿戴，或无法克服日常使用中如运动干扰对检测结果产生的影响，故血糖监测是非连续的，且受制于使用者的检测意识。离散的血糖值较难说明使用者的健康情况，因为血糖的影响因素是众多的，如服药、运动、饮食、天气、睡眠、精神情绪、肥胖、吸烟、喝酒、炎症等，除记录血糖值，其他影响因素加入讨论对个性化血糖管理有着重要的意义。
在本公开的一个示例性实施例中，所述方法还可包括：
获取被检测对象的血糖影响因子以及所述目标血糖检测结果；
由于年龄、身高、体重以及是否吸烟这几种参数通常在短期内较为稳定，可有被检测对象录入，其中，系统所使用的各项参数可表示为，年龄：Rage＝age/10，即取商，身高：Rheight＝height(cm)/10即取商，体重：Rweight＝weight(kg)取整，是否吸烟：Rsmoke，可按照0-3分的严重程度由被检测对象自行打分；
睡眠以及运动这两个参数可通过移动终端自动打分，其中，移动终端通过内置的三轴加速度传感器、重力传感器以及三轴陀螺仪，可以对被检测对象每天行走的步数进行计算，故，系统所使用的各项参数可表示为，步数：Rstep＝step/1000；睡眠则可通过将移动终端放置在被检测对象的床头，来记录被检测对象一晚的翻身次数，例如，睡眠：Rsleep＝sleep/10；
对于天气这两参数来说，移动终端可通过自动调用当日的温度与湿度的数据，如可将天气参数表示为：Rweather＝Temperature+humidity×100％；
其中，对于目标血糖检测结果这项参数，可由医学专家预先对各血糖数据区间进行打分。
将所述被检测对象的血糖影响因子以及所述目标血糖检测结果输入所述第二神经网络模型，输出所述被检测对象的健康系数。其中，健康系数可用于表征被检测对象的健康程度，例如健康系数的取值范围为0～1，健康系数的数值越大，表示被检测对象越健康。
在本公开的一个或多个实施例中，所述血糖影响因子至少包括以下一种：所述被检测对象的个人基本信息、所述被检测对象的睡眠状况、所述被检测对象的运动状况以及检测当日的天气状况。所述血糖影响因子还可以包括所述被检测对象是否服用药物(指对被检测对象的血糖值有影响的药物)，所述被检测对象的饮食情况，所述被检测对象的情绪，所述被检测对象是否饮酒，所述被检测对象当前是否怀孕或具有其他疾病等。
在本公开的一个或多个实施例中，所述被检测对象的个人基本信息至少包括以下一种：
所述被检测对象的年龄、身高、体重以及所述被检测对象是否吸烟。可选的，被检测对象的个人基本信息例如可以是被检测对象注册个人基本信息时录入的保存在服务器中的信息，还可以是被检测对象在后续过程中，对个人基本信息进行修改后，保存在服务器中的信息，移动终端可从服务器中获取该信息。
在本公开的一个会多个实施例中，获取被检测对象的血糖影响因子以及所述目标血糖检测结果可包括：
响应于所述被检测对象录入个人基本信息的操作，接收所述个人基本信息，例如，被检测对象可通过移动终端录入其个人基本信息；从终端设备中获取所述被检测对象的睡眠状况，运动状况以及天气状况，例如，可通过调用移动终端中的睡眠管理应用来获取被检测对象的睡眠状况，以及调用移动终端中的运动管理软件来获取被检测对象的运动状态，调用移动终端中的气象应用来获取当日的天气状况；对所述个人基本信息、所述睡眠状况、所述运动状态以及所述天气状况进行量化，得到所述血糖影响因子；获取由所述第一神经网络模型输出的目标血糖检测结果。
在本公开的一个或多个实施例中，所述标签可包括所述个人基本信息对所述被检测对象的血糖检测结果的影响度，所述方法还可包括：
根据所述被检测对象的血糖影响因子对所述被检测对象的血糖值的影响度确定出影响所述被检测对象血糖值的高风险因素；例如，通过ANN模型学习用户的血糖数值与其年龄、身高、体重、是否吸烟、睡眠、运动等参数之间的关系，从而得到导致被检测对象血糖值升高的高风险因素。
确定与所述高风险因素对应的血糖改善措施；例如，可根据得到的高风险因素为用户提供生活习惯建议，假设确定出导致用户血糖值升高的高风险因素是睡眠不足以及吸烟，则建议用户减少吸烟以及建议用户早睡早起。
在本公开的一个或多个实施例中，所述方法还可包括：
在得到目标血糖检测结果之后，确定所述目标血糖检测结果所对应的目标血糖值区间，其中，不同的血糖值区间对应于不同的治疗措施；例如，预先设置了不同的血糖值区间对应于不同的治疗措施，不同的治疗措施例如可包括去医院进行治疗、自行注射胰岛素或服用其他药物，或维持现状等，确定所述目标血糖值区间对应的目标治疗措施；输出所述目标治疗措施。例如，预先设置了血糖值区间4.0-6.1mmol/L为对应于维持现状治疗措施，则，在得到目标血糖检测结果为5mmol/L，确定目标血糖值区间为4.0-6.1mmol/L，该目标血糖值区间对应的目标治疗措施为维持现状治疗。另外，当根据被检测对象的目标血糖值检测结果对应的血糖值区间对应于去医院治疗的治疗措施时，可启动报警功能，发出报警消息，以提示被检测者或被检测者的家属，以便及时采取治疗措施。
图2是根据本公开一示例性实施例示出的一种获得血糖检测结果的装置的框图，如图2所示，该装置20包括：
第一获取模块21，用于获取被检测对象的第一有创血糖检测结果；
结合模块22，用于将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组光电容积脉搏描记PPG信号的特征值构成一组新的训练数据；
第一确定模块23，用于确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；
判断模块24，用于判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；
更新模块25，用于若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；
第一训练模块26，用于以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；
第一输入模块27，用于在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
在本公开的一个或多个实施例中，所述装置还可包括：
第二获取模块，用于获取带有标签的多组血糖影响因子的样本以及带有标签的血糖值的样本；
第二训练模块，用于以所述多组血糖影响因子的样本以及所述血糖值的样本为训练数据对神经网络模型进行训练，得到训练好的第二神经网络模型。
在本公开的一个或多个实施例中，所述装置还可包括：
第三获取模块，用于获取被检测对象的血糖影响因子以及所述目标血糖检测结果；
第二输入模块，用于将所述被检测对象的血糖影响因子以及所述目标血糖检测结果输入所述第二神经网络模型，输出所述被检测对象的健康系数。
在本公开的一个或多个实施例中，所述血糖影响因子至少包括以下一种：
所述被检测对象的个人基本信息、所述被检测对象的睡眠状况、所述被检测对象的运动状况以及检测当日的天气状况。
在本公开的一个或多个实施例中，所述被检测对象的个人基本信息至少包括以下一种：
所述被检测对象的年龄、身高、体重以及所述被检测对象是否吸烟。
在本公开的一个或多个实施例中，所述数据获取模块用于：
响应于所述被检测对象录入个人基本信息的操作，接收所述个人基本信息；
从终端设备中获取所述被检测对象的睡眠状况，运动状况以及天气状况；
对所述个人基本信息、所述睡眠状况、所述运动状态以及所述天气状况进行量化，得到所述血糖影响因子；
获取由所述第一神经网络模型输出的目标血糖检测结果。
在本公开的一个或多个实施例中，所述标签包括所述个人基本信息对所述被检测对象的血糖检测结果的影响度，所述装置还包括：
第二确定模块，用于根据所述个人基本信息中各项参数对所述被检测对象的血糖值的影响度确定出影响所述被检测对象血糖值的高风险因素；
第三确定模块，用于确定与所述高风险因素对应的血糖改善措施；
第一输出模块，用于输出所述高风险因素以及血糖改善措施。
在本公开的一个或多个实施例中，所述装置还包括：
第四确定模块，用于在得到目标血糖检测结果之后，确定所述目标血糖检测结果所对应的目标血糖值区间，其中，不同的血糖值区间对应于不同的治疗措施；
第五确定模块，用于确定所述目标血糖值区间对应的目标治疗措施；
第二输出模块，用于输出所述目标治疗措施。
本公开的一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一种所述的获得血糖检测结果的方法。
需要说明的是，本公开一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本公开实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本公开实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种获得血糖检测结果的方法，其特征在于，包括：
获取被检测对象的第一有创血糖检测结果；
将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组光电容积脉搏描记PPG信号的特征值构成一组新的训练数据；
确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；
判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；
若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所述多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；
以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；
在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取带有标签的多组血糖影响因子的样本以及带有标签的血糖值的样本；
以所述多组血糖影响因子的样本以及所述血糖值的样本为训练数据对神经网络模型进行训练，得到训练好的第二神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取被检测对象的血糖影响因子以及所述目标血糖检测结果；
将所述被检测对象的血糖影响因子以及所述目标血糖检测结果输入所述第二神经网络模型，输出所述被检测对象的健康系数。
4.根据权利要求2或3所述的方法，其特征在于，所述血糖影响因子至少包括以下一种：
所述被检测对象的个人基本信息、所述被检测对象的睡眠状况、所述被检测对象的运动状况以及检测当日的天气状况。
5.根据权利要求4所述的方法，其特征在于，所述被检测对象的个人基本信息至少包括以下一种：
所述被检测对象的年龄、身高、体重以及所述被检测对象是否吸烟。
6.根据权利要求4所述的方法，其特征在于，获取被检测对象的血糖影响因子以及所述目标血糖检测结果，包括：
响应于所述被检测对象录入个人基本信息的操作，接收所述个人基本信息；
从终端设备中获取所述被检测对象的睡眠状况，运动状况以及天气状况；
对所述个人基本信息、所述睡眠状况、所述运动状态以及所述天气状况进行量化，得到所述血糖影响因子；
获取由所述第一神经网络模型输出的目标血糖检测结果。
7.根据权利要求4所述的方法，其特征在于，所述标签包括所述个人基本信息对所述被检测对象的血糖检测结果的影响度，所述方法还包括：
根据所述被检测对象的血糖影响因子对所述被检测对象的血糖值的影响度确定出影响所述被检测对象血糖值的高风险因素；
确定与所述高风险因素对应的血糖改善措施；
输出所述高风险因素以及血糖改善措施。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述方法还包括：
在得到目标血糖检测结果之后，确定所述目标血糖检测结果所对应的目标血糖值区间，其中，不同的血糖值区间对应于不同的治疗措施；
确定所述目标血糖值区间对应的目标治疗措施；
输出所述目标治疗措施。
9.一种获得血糖检测结果的装置，其特征在于，包括：
第一获取模块，用于获取被检测对象的第一有创血糖检测结果；
结合模块，用于将所述第一有创血糖检测结果以及最近一次采集到的所述被检测对象的一组光电容积脉搏描记PPG信号的特征值构成一组新的训练数据；
第一确定模块，用于确定新的训练数据与第一神经网络模型的训练集中的多组训练数据之间的相关度；
判断模块，用于判断所述多组训练数据中是否存在与所述新的训练数据的相关度达到相关度阈值的目标训练数据；
更新模块，用于若所述多组训练数据中存在所述目标训练数据，将所述第一有创检测结果与所述目标训练数据中的第二有创检测结果进行比较，若所述第一有创检测结果与所述第二有创检测结果之间差值大于差值阈值，使用新的训练数据替换所述目标训练数据，得到更新的训练集，若所多组训练数据中不存在所述目标训练数据，将所述新的训练数据加入所述训练集，得到更新的训练集；
第一训练模块，用于以更新的训练集中的训练数据对神经网络模型进行训练，得到训练好的所述第一神经网络模型；
第一执行模块，用于在获取到一组新的PPG信号后，提取所述新的PPG信号的特征值，将所述特征值输入训练好的第一神经网络模型，得到目标血糖检测结果。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可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如权利要求1至8任意一项所述的获得血糖检测结果的方法。
CN202010463537.7A 2020-05-27 2020-05-27 获得血糖检测结果的方法、装置及设备 Active CN111588384B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010463537.7A CN111588384B (zh) 2020-05-27 2020-05-27 获得血糖检测结果的方法、装置及设备
PCT/CN2021/095289 WO2021238810A1 (zh) 2020-05-27 2021-05-21 获得血糖检测结果的方法、装置及设备
US17/763,658 US20220338764A1 (en) 2020-05-27 2021-05-21 Method, apparatus and device for obtaining blood glucose measurement result

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463537.7A CN111588384B (zh) 2020-05-27 2020-05-27 获得血糖检测结果的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111588384A true CN111588384A (zh) 2020-08-28
CN111588384B CN111588384B (zh) 2023-08-22

Family

ID=72187910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463537.7A Active CN111588384B (zh) 2020-05-27 2020-05-27 获得血糖检测结果的方法、装置及设备

Country Status (3)

Country Link
US (1) US20220338764A1 (zh)
CN (1) CN111588384B (zh)
WO (1) WO2021238810A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113397538A (zh) * 2021-07-20 2021-09-17 深圳市微克科技有限公司 一种可穿戴嵌入式系统的光学血糖算法
WO2021238810A1 (zh) * 2020-05-27 2021-12-02 京东方科技集团股份有限公司 获得血糖检测结果的方法、装置及设备
WO2022042356A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 血糖检测模型训练方法、血糖检测方法、系统及电子设备
CN116602668A (zh) * 2023-07-06 2023-08-18 深圳大学 一种全自动智能血糖检测系统
CN117373586A (zh) * 2023-08-28 2024-01-09 北京华益精点生物技术有限公司 血糖数据比对方法及相关设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220031208A1 (en) * 2020-07-29 2022-02-03 Covidien Lp Machine learning training for medical monitoring systems

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050033127A1 (en) * 2003-01-30 2005-02-10 Euro-Celtique, S.A. Wireless blood glucose monitoring system
CN102722714A (zh) * 2012-05-18 2012-10-10 西安电子科技大学 基于目标跟踪的人工神经网络扩张式学习方法
CN105023022A (zh) * 2015-07-09 2015-11-04 深圳天珑无线科技有限公司 跌倒检测方法及系统
CN107296616A (zh) * 2017-05-20 2017-10-27 深圳市前海安测信息技术有限公司 便携式无创血糖检测设备及方法
US20170358093A1 (en) * 2016-06-08 2017-12-14 Axis Ab Method and apparatus for updating a background model
CN108685570A (zh) * 2017-04-12 2018-10-23 中国科学院微电子研究所 一种过完备字典的处理方法、装置及系统
CN108937954A (zh) * 2017-05-23 2018-12-07 中山大学 人工智能深度学习方法校正持续血糖的监测方法
CN109585018A (zh) * 2018-11-09 2019-04-05 青岛歌尔微电子研究院有限公司 信息处理方法、信息处理装置及生理检测设备
WO2019071201A1 (en) * 2017-10-06 2019-04-11 Alivecor, Inc. CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE
CN110428901A (zh) * 2019-07-19 2019-11-08 中国医学科学院阜外医院 脑卒中发病风险预测系统及应用
CN110575181A (zh) * 2019-09-10 2019-12-17 重庆大学 近红外光谱无创血糖检测网络模型训练方法
CN110705598A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 智能模型管理方法、装置、计算机设备及存储介质
US20200045063A1 (en) * 2018-07-31 2020-02-06 Fortinet, Inc. Automated feature extraction and artificial intelligence (ai) based detection and classification of malware
US20200077931A1 (en) * 2018-09-07 2020-03-12 One Drop Forecasting blood glucose concentration
US20200089949A1 (en) * 2018-09-13 2020-03-19 Kabushiki Kaisha Toshiba Model update support system

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US9445759B1 (en) * 2011-12-22 2016-09-20 Cercacor Laboratories, Inc. Blood glucose calibration system
CN108937955A (zh) * 2017-05-23 2018-12-07 广州贝塔铁克医疗生物科技有限公司 基于人工智能的个性化自适应可穿戴血糖校正方法及其校正装置
CN110338813B (zh) * 2019-06-04 2022-04-12 西安理工大学 一种基于频谱分析的无创血糖检测方法
CN111588384B (zh) * 2020-05-27 2023-08-22 京东方科技集团股份有限公司 获得血糖检测结果的方法、装置及设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050033127A1 (en) * 2003-01-30 2005-02-10 Euro-Celtique, S.A. Wireless blood glucose monitoring system
CN102722714A (zh) * 2012-05-18 2012-10-10 西安电子科技大学 基于目标跟踪的人工神经网络扩张式学习方法
CN105023022A (zh) * 2015-07-09 2015-11-04 深圳天珑无线科技有限公司 跌倒检测方法及系统
US20170358093A1 (en) * 2016-06-08 2017-12-14 Axis Ab Method and apparatus for updating a background model
CN108685570A (zh) * 2017-04-12 2018-10-23 中国科学院微电子研究所 一种过完备字典的处理方法、装置及系统
CN107296616A (zh) * 2017-05-20 2017-10-27 深圳市前海安测信息技术有限公司 便携式无创血糖检测设备及方法
CN108937954A (zh) * 2017-05-23 2018-12-07 中山大学 人工智能深度学习方法校正持续血糖的监测方法
WO2019071201A1 (en) * 2017-10-06 2019-04-11 Alivecor, Inc. CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE
US20200045063A1 (en) * 2018-07-31 2020-02-06 Fortinet, Inc. Automated feature extraction and artificial intelligence (ai) based detection and classification of malware
US20200077931A1 (en) * 2018-09-07 2020-03-12 One Drop Forecasting blood glucose concentration
US20200089949A1 (en) * 2018-09-13 2020-03-19 Kabushiki Kaisha Toshiba Model update support system
CN109585018A (zh) * 2018-11-09 2019-04-05 青岛歌尔微电子研究院有限公司 信息处理方法、信息处理装置及生理检测设备
CN110428901A (zh) * 2019-07-19 2019-11-08 中国医学科学院阜外医院 脑卒中发病风险预测系统及应用
CN110705598A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 智能模型管理方法、装置、计算机设备及存储介质
CN110575181A (zh) * 2019-09-10 2019-12-17 重庆大学 近红外光谱无创血糖检测网络模型训练方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021238810A1 (zh) * 2020-05-27 2021-12-02 京东方科技集团股份有限公司 获得血糖检测结果的方法、装置及设备
WO2022042356A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 血糖检测模型训练方法、血糖检测方法、系统及电子设备
CN113397538A (zh) * 2021-07-20 2021-09-17 深圳市微克科技有限公司 一种可穿戴嵌入式系统的光学血糖算法
CN116602668A (zh) * 2023-07-06 2023-08-18 深圳大学 一种全自动智能血糖检测系统
CN116602668B (zh) * 2023-07-06 2023-10-31 深圳大学 一种全自动智能血糖检测系统
CN117373586A (zh) * 2023-08-28 2024-01-09 北京华益精点生物技术有限公司 血糖数据比对方法及相关设备

Also Published As

Publication number Publication date
WO2021238810A1 (zh) 2021-12-02
US20220338764A1 (en) 2022-10-27
CN111588384B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Li et al. The current state of mobile phone apps for monitoring heart rate, heart rate variability, and atrial fibrillation: narrative review
CN111588384B (zh) 获得血糖检测结果的方法、装置及设备
CN113069096B (zh) 一种用于血压监测的系统和方法
CN101296651B (zh) 用于确定患者血压的系统和方法
JP6047346B2 (ja) 生体情報処理システム、ウェアラブル装置、サーバーシステム及びプログラム
US20180233227A1 (en) Systems and methods of analyte measurement analysis
KR102349961B1 (ko) 헬스 케어 장치 및 그 동작 방법
US20210345972A1 (en) Systems and methods of analyte measurement analysis
Rohit et al. Iot based health monitoring system using raspberry PI-review
Dunn et al. Speckleplethysmographic (SPG) estimation of heart rate variability during an orthostatic challenge
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
WO2016185931A1 (ja) 生体情報測定装置
JP2018175488A (ja) 健康支援装置、健康支援システム、健康支援方法及び健康支援装置のプログラム
Austin et al. GSM and Arduino Based Vital Sign Monitoring System
CN106504235B (zh) 基于图像处理的心率监测方法
Kethipalli et al. Wireless patient monitoring and alerting system (wpmas)
Kumar et al. ISSK-an integrated self service kiosk for health monitoring and management
CN111554403A (zh) 一种基于体能评估的生活管理平台及管理方法
CN113679360B (zh) 核心体温测量方法、装置、设备及可读介质
WO2018219532A1 (en) System and method for predicting an acute exacerbation of a patient's health condition
KR102382659B1 (ko) 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
JP7419904B2 (ja) 生体モニタ装置、生体モニタ方法及びプログラム
JP2023038142A (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
Limpiti et al. Non-invasive Optical Blood Glucose Measuring System using Regression Models
Zhan et al. Non-contact assessment of cardiac physiology using FO-MVSS-based ballistocardiography: a promising approach for heart failure evaluation

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