CN111631729B - 一种基于多模融合的低血糖预测方法和系统 - Google Patents
一种基于多模融合的低血糖预测方法和系统 Download PDFInfo
- Publication number
- CN111631729B CN111631729B CN202010408213.3A CN202010408213A CN111631729B CN 111631729 B CN111631729 B CN 111631729B CN 202010408213 A CN202010408213 A CN 202010408213A CN 111631729 B CN111631729 B CN 111631729B
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- correlation
- human metabolism
- concentration
- glucose concentration
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
-
- 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
-
- 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
Abstract
本发明公开了一种基于多模融合的低血糖预警方法和系统。该系统包括:血糖传感信号获取模块,用于根据采集的多种模态的血糖传感信号与血糖值的相关性输出实时的血糖浓度;人体代谢活动模型构建模块,用于根据人体代谢信息与血糖浓度之间的相关性构建人体代谢活动模型,输出预测的血糖浓度变化趋势;心电信号响应特征分析模块,用于从采集的心电信号中选出与低血糖事件的相关程度满足设定标准的心电特征;非线性回声状态网络模块,用于构建非线性回声状态网络,以所述实时的血糖浓度、所述预测的血糖浓度变化趋势和所选出的心电特征为输入,输出血糖预测结果。本发明能够提供低成本、高精度、高稳定性的无创低血糖预警。
Description
技术领域
本发明涉及医疗健康技术领域,更具体地,涉及一种基于多模融合的低血糖预警方法和系统。
背景技术
低血糖是糖尿病患者最常见和严重的并发症之一。糖尿病患者的低血糖症通常是相对或绝对(外源性或内源性)胰岛素过量以及抵抗血浆葡萄糖浓度下降的生理防御能力受损共同作用的结果。低血糖事件会给患者带来严重的伤害和后遗症,短时间的低血糖会引起短暂的脑功能受损,而长时间低血糖则可能导致神经元的死亡;低血糖还会引发心动过速、心律失常,心肌耗氧量增加等一系列反应,进而导致心脑血管事件的发生,甚至危及生命。因此,如何实现不间断连续低血糖精确预警,成为了糖尿病患者血糖管理中亟待解决的关键问题。
目前实现低血糖预警的方法包括:1)基于人体代谢活动的低血糖预警,该方法主要通过分析人体血糖代谢过程建立预警模型,其输出为血糖值;2)基于植入式CGM(Continuous Blood Monitoring,连续血糖监测)传感器数据的低血糖预警,该方法主要利用植入式CGM传感器获取患者的血糖浓度值,根据历史血糖值及当前值对血糖浓度进行预测,从而实现低血糖预警;3)基于植入式CGM传感器数据和人体代谢活动的低血糖预警,该方法是通过获取患者的人体代谢信息以及植入式CGM传感器数据,从而实现低血糖预警。
然而,现有技术方案存在以下缺陷:
1)由于人体生理机制复杂性和人的生活方式差异,基于人体代谢活动的低血糖预警方法很难建立精准的低血糖预警模型。此外,该忽视了饮食、运动、药物之间的相互作用对血糖值的影响。
2)基于植入式CGM传感器数据的低血糖预警方法完全依赖于数据的获取及算法的优化,因此该方法对数据的要求比较高,如出现数据异常、漏缺等情况,将极大的限制低血糖预警的准确度。此外,植入式CGM传感器的使用增加了患者的感染、过敏的风险,且传感器寿命有限,需定时更换,使用成本高。
3)基于植入式CGM传感器数据和人体代谢活动的低血糖预警方法同样存在植入式CGM传感器的使用增加了患者的感染、过敏的风险,传感器寿命有限,需定时更换,使用成本高等问题。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于多模信号融合的低血糖预警方法和系统,能为糖尿病患者提供一种连续、便捷、舒适和安全的低血糖预警技术方案。
根据本发明的第一方面,提供一种基于多模融合的低血糖预警系统。
该系统包括:
血糖传感信号获取模块:用于根据采集的多种模态的血糖传感信号与血糖值的相关性输出实时的血糖浓度;
人体代谢活动模型构建模块:用于根据人体代谢信息与血糖浓度之间的相关性构建人体代谢活动模型,输出预测的血糖浓度变化趋势;
心电信号响应特征分析模块:用于从采集的心电信号中选出与低血糖事件的相关程度满足设定标准的心电特征;
非线性回声状态网络模块:用于构建非线性回声状态网络,以所述实时的血糖浓度、所述预测的血糖浓度变化趋势和所选出的心电特征为输入,输出血糖预测结果。
在一个实施例中,所述血糖传感信号获取模块执行以下过程:
同步获取利用介电谱、超声、红外三种不同模态的血糖传感信号;
采用最小均方自适应滤波对所述不同模态的血糖传感信号分别进行滤波处理;
利用所述不同模态的血糖传感信号与血糖值的相关性,确定所述实时的血糖浓度。
在一个实施例中,利用适合于佩戴在手腕处的传感器以无创方式同步获取所述不同模态的血糖传感信号,该传感器具备介电谱传感、超声传感和红外传感功能。
在一个实施例中,所述人体代谢活动模型构建模块根据人体代谢相关信息之间的相互作用对血糖浓度变化的影响构建人体代谢活动模型,所述人体代谢相关信息包括饮食、运动、药物、情绪中的一项或多项。
在一个实施例中,所述心电信号响应特征分析模块执行以下过程:
对采集的心电信号进行多尺度的小波分解;
利用分解的小波系数在各尺度对心电信号进行去燥重构处理,获得去燥后的心电信号;
对去燥后的心电信号进行特征提取并分析所提取特征与低血糖事件的相关性;
分析心电波形中不同片段的特征信息对低血糖事件的响应特征,选出与低血糖事件的相关程度满足设定标准的心电特征。
在一个实施例中,所述对去燥后的心电信号进行特征提取并分析所提取特征与低血糖事件的相关性包括:
从心电信号中提取心率变异性信息,通过从时域、频域两个角度获取心率变异性信息的SDNN、SDANN、RMSSD、PNN50、SDSD以及总功率TP,极低频VLF、低频LF、高频,利用Pearson相关分析方法确定心率变异性信息与低血糖事件的相关性。
根据本发明的第二方面,提供一种基于多模融合的低血糖预警方法。
该方法包括:
根据采集的多种模态的血糖传感信号与血糖值的相关性输出实时的血糖浓度;
根据人体代谢信息与血糖浓度之间的相关性构建人体代谢活动模型,输出预测的血糖浓度变化趋势;
从采集的心电信号中选出与低血糖事件的相关程度满足设定标准的心电特征;
构建非线性回声状态网络,以所述实时的血糖浓度、所述预测的血糖浓度变化趋势和所选出的心电特征为输入,输出血糖预测结果。
与现有技术相比,本发明的优点在于,利用介电谱、超声、红外等无创血糖传感方法实现血糖浓度的监测,通过监测饮食、运动、药物、患者情绪等人体代谢活动实现血糖变化趋势的预测,同时结合心电信号对低血糖事件的响应特性,采用基于非线性回声状态网络的深度学习算法对低血糖进行预警,从而为糖尿病患者提供一种连续、便捷、舒适和安全的低血糖预警方案。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于多模融合的低血糖预警系统的示意图;
图2是根据本发明一个实施例的从心电波形中获取不同片段的特征信息的示意图;
图3是根据本发明一个实施例的非线性回声状态网络的示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
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。
在这里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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
参见图1所示,本发明实施例提供的基于多模融合的低血糖预警系统包括血糖传感信号获取模块110、人体代谢活动模型构建模块120、心电信号响应特征分析模块130、非线性回声状态网络模块140。
血糖传感信号获取模块110用于通过无创传感方法实现血糖浓度的实时监测。例如,具体实现过程是:首先,设计一个同时具备介电谱传感、超声传感、红外传感的传感器,通过在手腕处佩戴该传感器,实现介电谱、超声、红外等多种不同模态的血糖传感信号的同步获取。
考虑到各种模态传感信号易受噪声干扰,在一个实施例中,采用最小均方自适应滤波算法分别对不同模态的血糖传感信号进行滤波处理,表示为:
其中x(n)为滤波前的血糖传感信号,y(n)为血糖传感信号滤波后的输出信号,e(n)为白噪声的随机误差,w(n)为滤波器的传递函数,M为滤波器的阶数,β为相关系数,J为滤波算法代价函数,为实现滤波器的滤波功能最优化,其滤波算法代价函数J应满足式(2)所示。
其中,wopt(n)表示滤波器的最优传递函数。
通过采用最小均方自适应滤波算法分别对介电谱、超声、红外三种不同模态的血糖传感信号进行滤波处理后,利用植入式血糖传感器获取患者的实时血糖值,分析上述三种血糖传感信号与血糖值的相关性,建立血糖传感信号与血糖值的函数表达式,在后续可根据所建立的函数表达式实现血糖浓度的实时无创监测,例如,函数表达式可表示为线性方程y=k·x+a,y为血糖值,k为相关因子,x为传感信号值,a为偏置值,其中k和a可通过数据统计和分析确定。
在另外的实施例中,可进一步结合其他模态的传感信号实时血糖值,本发明对此不进行限制。
人体代谢活动模型构建模块120用于建立人体代谢活动模型实现血糖变化趋势的预测。例如,获取患者的运动、饮食、药物使用(主要考虑胰岛素影响)、情绪等信息,并综合考虑上述信息以及上述信息之间的相互作用对血糖浓度变化的影响。
在一个实施例中,采用以下方程组描述人体代谢活动模型,表示为:
其中Id(t),Iliv(t)分别是血浆和胰脏中胰岛素浓度,单位g/L;I(t)为胰岛素平均浓度,单位g/L。ki,k'i为比例因子,无量纲。X(t)为运动消耗的葡萄糖质量,单位g,Vs(t)为血浆总体积,单位L,S(t)为血糖浓度,单位g/L,P2U为运动过程中胰岛素对葡萄糖的作用因子,无量纲。Sp(t),St(t)分别是血浆中快速平衡组织和慢速平衡组中的葡萄糖质量,单位g,EGP(t)为内源葡萄糖产生量,单位g,Uii(t)是依赖胰岛素的葡萄糖消耗量,单位g,E(t)为肾中葡萄糖排泄量,单位g,Ra(t)为饮食中碳水化合物的摄入量,单位J,Q(t)为情绪因子,取值例如可为1,2,3等,分别对应不同的情绪(难过,正常,开心),无量纲。T(t),H(t)分别为环境的温度和湿度,单位分别为℃,g/L。k1,k2,k3,k4,k5,k6等为方程组中的比例因子,单位分别为:无量纲,无量纲,g/J,g/℃,L,g。
其中,Id(t),Iliv(t),I(t)等参数的大小可由医生结合临床经验确定,ki,k'i,k1,k2,k3,k4,k5,k6等方程组中的比例因子可通过采用Jacobi迭代法,G-S迭代法或者SOR迭代法求解。
心电信号响应特征分析模块130用于利用心电信号对低血糖事件的敏感性,提取出与低血糖相关强的心电信号特征。
在一个实施例中,根据以下步骤提取与低血糖事件具有较强相关性的心电特征:
步骤S210,对采集的心电信号进行做多尺度的小波分解。
考虑到心电信号噪声主要来源于基线漂移、肌电干扰及工频干扰等,通过采用小波变换对心电信号进行预处理,通过选择一个合适的小波基,将采集到的心电信号做多尺度的小波分解。
步骤S220,利用分解的小波系数的特征在各尺度对心电信号进行去燥重构处理。
根据不同尺度的心电信号特征和噪声特点,选取合适的规则,利用分解的小波系数的特征在各尺度对心电信号进行去噪,然后将去噪后的心电信号再进行重构,得到去除噪声之后的心电信号。
步骤S230,对心电信号进行特征提取并分析所提取特征与低血糖时间的相关性。
具体地,对心电信号进行特征提取与分析包括:从心电中提取心率变异性(HeartRate Viability,HRV)信息,通过从时域、频域两个角度对HRV进行研究,例如获取HRV的SDNN、SDANN、RMSSD、PNN50、SDSD等时域指标以及总功率TP,极低频VLF、低频LF、高频HF等频域指标,利用Pearson相关分析法分析HRV与低血糖事件发生前及低血糖事件发生时的相关性。
步骤S240,分析心电波形中不同片段的特征信息对低血糖事件的响应特征,选择与低血糖事件具有较强相关性的心电特征。
采用希尔伯特包络分析方法,从心电波形中获取其不同片段的特征信息,包括RRI,R-H,P-H,QRS,PRQ,QT,ST等,如图2所示,利用Pearson相关分析方法分析心电片段的特征信息与低血糖事件的相关性,明确不同特征信息对低血糖事件的响应特征根据相关性的分析结果,选择一些与低血糖事件具有较强相关性的心电特征。
非线性回声状态网络模块140用于实现低血糖的预警,其输入为无创血糖传感信号获取模块110、人体代谢活动模型构建模块120以及心电信号响应特征分析模块130的输出结果,输出为低血糖预测结果。参见图3所示,非线性回声状态网络包括输入层,储存池,输出层,非线性回声状态网络实现储存池到输出层为非线性连接关系,其输入层信号包括:介电谱传感信号、超声传感信号、红外传感信号、人体代谢活动模型输出结果、心电SDNN值、心电ST值等。
非线性回声状态网络具体如下:
首先,储存池的内部状态向量按式(4)进行更新:
x(t+1)=f1(W·x(t)+V·s(t+1)+T·y(t)) (4)
其中x(t)为t时刻内部状态向量,x(t+1)为t+1时刻内部状态向量,s(t+1)为t+1时刻输入层的输入值,y(t)为t时刻输出层的输出结果,W为储存池的权重矩阵,V表征储存池内部状态的连接,T为输出反馈矩阵。
储存池的权重矩阵W可表示为下式(5),其中p为储存池的内部状态的数目。
W=(wij)p×p;wij∈(-1,1)(i,j=1,2,3,...,p) (5)
储存池内部状态的连接V可表示为下式(6),K为输入层的单元个数。
V=(vij)p×k;vij∈(-1,1)(i=1,2,3,...,p;j=1,2,3,...,K) (6)
输出反馈矩阵T可表示为下式(7),L为输出层的单元个数。
T=(tij)p×L;tij∈(-1,1)(i=1,2,3,...,p;j=1,...,L) (7)
储存池的读取器输出则可以表示为下式(8):
非线性回声状态网络的输出可表示为:
其中U为储存池的输出矩阵,其可表示为:
根据公式(9)的输出结果,从而实现低血糖事件的预警。例如,如果输出结果为0,表示不会发生低血糖,输出结果为0.1,表示将发生低血糖的概率为10%,输出为0.2,表示将发生低血糖的概率为20%,以此类推。
综上所述,本发明实施例提供了基于多模态信号融合的无创低血糖预警方法,即通过无创血糖传感信号实现血糖浓度的监测,通过人体代谢活动模型实现血糖变化趋势的预测,同时利用心电信号对低血糖的响应特性,并采用非线性回声状态网络算法将不同模态的信号进行融合,实现低血糖的预警。利用本发明,能够为糖尿病患者提供一种低成本、高精度、高稳定性的无创低血糖预警方法,且避免了糖尿病患者在进行低血糖预警时可能面临的植入式传感器感染、过敏的风险。经过实验验证,本发明能够提高血糖预测的准确度和稳定性。
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可以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是――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。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
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。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种基于多模融合的低血糖预警系统,包括:
血糖传感信号获取模块:用于根据采集的多种模态的血糖传感信号与血糖值的相关性输出实时的血糖浓度;
人体代谢活动模型构建模块:用于根据人体代谢信息与血糖浓度之间的相关性构建人体代谢活动模型,输出预测的血糖浓度变化趋势;
心电信号响应特征分析模块:用于从采集的心电信号中选出与低血糖事件的相关程度满足设定标准的心电特征;
非线性回声状态网络模块:用于构建非线性回声状态网络,以所述实时的血糖浓度、所述预测的血糖浓度变化趋势和所选出的心电特征为输入,输出低血糖预测结果;
其中,所述人体代谢活动模型构建模块根据人体代谢相关信息之间的相互作用对血糖浓度变化的影响构建人体代谢活动模型,所述人体代谢相关信息包括饮食、运动、药物、情绪;
其中,采用以下方程组描述人体代谢活动模型:
其中Id(t),Iliv(t)分别是血浆和胰脏中胰岛素浓度,单位g/L;I(t)为胰岛素平均浓度,单位g/L;ki,k'i为比例因子,无量纲;X(t)为运动消耗的葡萄糖质量,单位g;Vs(t)为血浆总体积,单位L;S(t)为血糖浓度,单位g/L;P2U为运动过程中胰岛素对葡萄糖的作用因子,无量纲;Sp(t),St(t)分别是血浆中快速平衡组织和慢速平衡组中的葡萄糖质量,单位g;EGP(t)为内源葡萄糖产生量,单位g;Uii(t)是依赖胰岛素的葡萄糖消耗量,单位g;E(t)为肾中葡萄糖排泄量,单位g;Ra(t)为饮食中碳水化合物的摄入量,单位J;Q(t)为情绪因子,分别对应不同的情绪,无量纲;T(t),H(t)分别为环境的温度和湿度,单位分别为℃,g/L;k1,k2,k3,k4,k5,k6是方程组中的比例因子。
2.根据权利要求1所述的基于多模融合的低血糖预警系统,其中,所述血糖传感信号获取模块执行以下过程:
同步获取利用介电谱、超声、红外三种不同模态的血糖传感信号;
采用最小均方自适应滤波对所述不同模态的血糖传感信号分别进行滤波处理;
利用所述不同模态的血糖传感信号与血糖值的相关性,确定所述实时的血糖浓度。
3.根据权利要求2所述的基于多模融合的低血糖预警系统,其中,利用适合于佩戴在手腕处的传感器以无创方式同步获取所述不同模态的血糖传感信号,该传感器具备介电谱传感、超声传感和红外传感功能。
4.根据权利要求1所述的基于多模融合的低血糖预警系统,其中,所述心电信号响应特征分析模块执行以下过程:
对采集的心电信号进行多尺度的小波分解;
利用分解的小波系数在各尺度对心电信号进行去燥重构处理,获得去燥后的心电信号;
对去燥后的心电信号进行特征提取并分析所提取特征与低血糖事件的相关性;
分析心电波形中不同片段的特征信息对低血糖事件的响应特征,选出与低血糖事件的相关程度满足设定标准的心电特征。
5.根据权利要求4所述的基于多模融合的低血糖预警系统,其中所述对去燥后的心电信号进行特征提取并分析所提取特征与低血糖事件的相关性包括:
从心电信号中提取心率变异性信息,通过从时域、频域两个角度获取心率变异性信息的SDNN、SDANN、RMSSD、PNN50、SDSD以及总功率TP,极低频VLF、低频LF、高频,利用Pearson相关分析方法确定心率变异性信息与低血糖事件的相关性。
6.根据权利要求1所述的基于多模融合的低血糖预警系统,其中所述非线性回声状态网络包括输入层,储存池,输出层,其中储存池的内部状态向量更新表示为:
x(t+1)=f1(W·x(t)+V·S(t+1)+T·y(t))
其中x(t)为t时刻内部状态向量,x(t+1)为t+1时刻内部状态向量,s(t+1)为t+1时刻输入层的输入值,y(t)为t时刻输出层的输出结果,W为储存池的权重矩阵,V表征储存池内部状态的连接,T为输出反馈矩阵;
储存池的权重矩阵W表示为:
W=(wij)p×p;wij∈(-1,1);i,j=1,2,3,...,p
其中,p是储存池的内部状态的数目;
储存池内部状态的连接V表示为:
V=(vij)p×k;vij∈(-1,1),i=1,2,3,...,p;j=1,2,3,...,K
其中,K为输入层的单元个数;
输出反馈矩阵T表示为:
T=(tij)p×L;tij∈(-1,1);i=1,2,3,...,p;j=1,...,L
其中,L是输出层的单元个数;
储存池的读取器输出表示为:
非线性回声状态网络的输出表示为:
其中U为储存池的输出矩阵,表示为:
7.一种基于多模融合的低血糖预警方法,包括:
根据采集的多种模态的血糖传感信号与血糖值的相关性输出实时的血糖浓度;
根据人体代谢信息与血糖浓度之间的相关性构建人体代谢活动模型,输出预测的血糖浓度变化趋势;
从采集的心电信号中选出与低血糖事件的相关程度满足设定标准的心电特征;
构建非线性回声状态网络,以所述实时的血糖浓度、所述预测的血糖浓度变化趋势和所选出的心电特征为输入,输出血糖预测结果;
其中,所述人体代谢活动模型构建模块根据人体代谢相关信息之间的相互作用对血糖浓度变化的影响构建人体代谢活动模型,所述人体代谢相关信息包括饮食、运动、药物、情绪;
其中,采用以下方程组描述人体代谢活动模型:
其中Id(t),Iliv(t)分别是血浆和胰脏中胰岛素浓度,单位g/L;I(t)为胰岛素平均浓度,单位g/L;ki,k'i为比例因子,无量纲;X(t)为运动消耗的葡萄糖质量,单位g;Vs(t)为血浆总体积,单位L;S(t)为血糖浓度,单位g/L;P2U为运动过程中胰岛素对葡萄糖的作用因子,无量纲;Sp(t),St(t)分别是血浆中快速平衡组织和慢速平衡组中的葡萄糖质量,单位g;EGP(t)为内源葡萄糖产生量,单位g;Uii(t)是依赖胰岛素的葡萄糖消耗量,单位g;E(t)为肾中葡萄糖排泄量,单位g;Ra(t)为饮食中碳水化合物的摄入量,单位J;Q(t)为情绪因子,分别对应不同的情绪,无量纲;T(t),H(t)分别为环境的温度和湿度,单位分别为℃,g/L;k1,k2,k3,k4,k5,k6是方程组中的比例因子。
8.一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7所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408213.3A CN111631729B (zh) | 2020-05-14 | 2020-05-14 | 一种基于多模融合的低血糖预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408213.3A CN111631729B (zh) | 2020-05-14 | 2020-05-14 | 一种基于多模融合的低血糖预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111631729A CN111631729A (zh) | 2020-09-08 |
CN111631729B true CN111631729B (zh) | 2023-06-06 |
Family
ID=72324072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408213.3A Active CN111631729B (zh) | 2020-05-14 | 2020-05-14 | 一种基于多模融合的低血糖预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111631729B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114073519A (zh) * | 2021-12-03 | 2022-02-22 | 中山大学·深圳 | 一种基于心率变异性的无创血糖检测方法及装置 |
CN113951879B (zh) * | 2021-12-21 | 2022-04-05 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
CN116491938B (zh) * | 2023-06-27 | 2023-10-03 | 亿慧云智能科技(深圳)股份有限公司 | 一种ecg无创血糖测量方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326481A (zh) * | 2014-08-07 | 2016-02-17 | 何嘉健 | 一种无创伤动态血糖浓度预警系统 |
CN108652640A (zh) * | 2018-02-06 | 2018-10-16 | 北京大学深圳研究生院 | 一种基于心电信号的无创血糖检测方法及系统 |
CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8562587B2 (en) * | 2009-02-25 | 2013-10-22 | University Of Virginia Patent Foundation | CGM-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction of insulin delivery |
-
2020
- 2020-05-14 CN CN202010408213.3A patent/CN111631729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326481A (zh) * | 2014-08-07 | 2016-02-17 | 何嘉健 | 一种无创伤动态血糖浓度预警系统 |
CN108652640A (zh) * | 2018-02-06 | 2018-10-16 | 北京大学深圳研究生院 | 一种基于心电信号的无创血糖检测方法及系统 |
CN109171756A (zh) * | 2018-06-18 | 2019-01-11 | 广州普麦健康咨询有限公司 | 基于深度置信网络模型的糖尿病指标预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111631729A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamdi et al. | Accurate prediction of continuous blood glucose based on support vector regression and differential evolution algorithm | |
Shu et al. | Wearable emotion recognition using heart rate data from a smart bracelet | |
CN111631729B (zh) | 一种基于多模融合的低血糖预测方法和系统 | |
Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
Pérez-Gandía et al. | Artificial neural network algorithm for online glucose prediction from continuous glucose monitoring | |
Dubosson et al. | The open D1NAMO dataset: A multi-modal dataset for research on non-invasive type 1 diabetes management | |
Forkan et al. | A clinical decision-making mechanism for context-aware and patient-specific remote monitoring systems using the correlations of multiple vital signs | |
Sutton et al. | PhysOnline: an open source machine learning pipeline for real-time analysis of streaming physiological waveform | |
CN111631730B (zh) | 基于传感数据和生理信息融合的低血糖预警方法和系统 | |
Zhu et al. | Enhancing self-management in type 1 diabetes with wearables and deep learning | |
Chang et al. | Risk prediction of critical vital signs for ICU patients using recurrent neural network | |
Cordeiro et al. | Hyperglycemia identification using ECG in deep learning era | |
Agyeman et al. | Classification Techniques for Arrhythmia Patterns Using Convolutional Neural Networks and Internet of Things (IoT) Devices | |
Orphanidou et al. | Machine learning models for multidimensional clinical data | |
Asha et al. | Low-cost heart rate sensor and mental stress detection using machine learning | |
Sow et al. | Body sensor data processing using stream computing | |
Mehmood et al. | Your smartphone could act as a pulse-oximeter and as a single-lead ECG | |
Fuadah et al. | Classification of blood pressure levels based on photoplethysmogram and electrocardiogram signals with a concatenated convolutional neural network | |
Staszak et al. | From data to diagnosis: How machine learning is changing heart health monitoring | |
Nawaz et al. | Cloud-based healthcare framework for real-time anomaly detection and classification of 1-D ECG signals | |
Pal et al. | Future of healthcare—sensor data-driven prognosis | |
Padmavilochanan et al. | Personalized diabetes monitoring platform leveraging IoMT and AI for non-invasive estimation | |
de Looff et al. | Wearables: an R package with accompanying shiny application for signal analysis of a wearable device targeted at clinicians and researchers | |
Li et al. | Towards noninvasive and fast detection of Glycated hemoglobin levels based on ECG using convolutional neural networks with multisegments fusion and Varied-weight | |
Schwob et al. | Robust multimodal heartbeat detection using hybrid neural networks |
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 |