CN111631730A - 基于传感数据和生理信息融合的低血糖预警方法和系统 - Google Patents
基于传感数据和生理信息融合的低血糖预警方法和系统 Download PDFInfo
- Publication number
- CN111631730A CN111631730A CN202010411935.4A CN202010411935A CN111631730A CN 111631730 A CN111631730 A CN 111631730A CN 202010411935 A CN202010411935 A CN 202010411935A CN 111631730 A CN111631730 A CN 111631730A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- model
- glucose concentration
- models
- sensing signals
- 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
Links
- 230000002218 hypoglycaemic effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 45
- 208000013016 Hypoglycemia Diseases 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 239000008280 blood Substances 0.000 claims abstract description 102
- 210000004369 blood Anatomy 0.000 claims abstract description 102
- 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 claims abstract description 92
- 239000008103 glucose Substances 0.000 claims abstract description 92
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 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 claims description 62
- 102000004877 Insulin Human genes 0.000 claims description 31
- 108090001061 Insulin Proteins 0.000 claims description 31
- 229940125396 insulin Drugs 0.000 claims description 31
- 235000005911 diet Nutrition 0.000 claims description 23
- 230000037213 diet Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 235000021074 carbohydrate intake Nutrition 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 206010012601 diabetes mellitus Diseases 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 206010020751 Hypersensitivity Diseases 0.000 description 4
- 208000026935 allergic disease Diseases 0.000 description 4
- 230000007815 allergy Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 230000007213 cerebrovascular event Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于传感数据和生理信息融合的低血糖预警方法和系统。该系统包括：输入层：用于获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型；学习层：用于以所述多种模态的血糖传感信号作为输入，利用第一模型获得第一血糖浓度预测值，并基于所述多种模态的血糖传感信号、所述多个相关模型的输出结果和所述第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；决策层：用于基于所述第一血糖浓度预测值和所述第二血糖浓度预测值对用户进行低血糖预警。本发明提高了低血糖预警准确度，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。
Description
技术领域
本发明涉及医疗健康技术领域，更具体地，涉及一种基于传感数据和生理信息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,而长时间的低血糖事件可导致神经元的死亡；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)基于生理信息的低血糖预警模型，该方法主要通过分析人体血糖代谢过程建立模型；2)基于植入式CGM(Continuous BloodMonitoring,连续血糖监测)传感器数据的低血糖预警模型，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传感器数据和生理信息混合驱动的低血糖预警模型，该方法通过获取患者的生理信息以及植入式CGM传感器数据，并将生理信息以及植入式CGM传感器数据共同作为模型的输入，输出为血糖预测值，从而实现低血糖预警。
然而，在上述方案中，植入式传感器会造成一些患者出现过敏、感染等现象，且传感器寿命较短，需定期更换；数据和生理信息直接混合，忽视了深层特征；血糖预警的精准性以及普适性有待提高。具体地，现有技术方案存在以下缺陷：
1)由于人体生理机制复杂性以及人们生活方式的差异，基于生理信息的低血糖预警方法很难建立精准的低血糖预警模型；
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，将极大地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传感器数据和生理信息混合驱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。另外，该方法是将植入式CGM传感器数据以及生理信息单独建模，然后作为两者作为模型的输入，未考虑不同信号之间的关联度与对低血糖的联合响应机制。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于无创传感数据和生理信息深度融合驱动的可穿戴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。
根据本发明的第一方面，提供一种基于传感数据和生理信息融合的低血糖预警系统。该系统包括：
输入层：用于获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型；
学习层：用于以所述多种模态的血糖传感信号作为输入，利用第一模型获得第一血糖浓度预测值，并基于所述多种模态的血糖传感信号、所述多个相关模型的输出结果和所述第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；
决策层：用于基于所述第一血糖浓度预测值和所述第二血糖浓度预测值对用户进行低血糖预警。
在一个实施例中，所述多个相关模型包括运动模型、饮食模型和胰岛素吸收模型，所述运动模型根据运动量、环境温度、环境湿度确定运动引起的血糖浓度值；所述饮食模型基于碳水化合物摄入量、环境温度、环境湿度确定饮食所引起的血糖浓度值；所述胰岛素吸收模型基于胰岛素摄入剂量、环境温度和环境湿度确定胰岛素摄入引起的血糖浓度值。
在一个实施例中，所述决策层包括两次决策，第一次决策结果表示为PD1＝f2(f1,fz)，第二次决策结果表示为PD2＝f3(PD1,Fout1)，其中，f2表示第一次决策过程，f1是所述第一模型的反馈结果，fz是所述第二模型输出的血糖浓度预测结果，f3表示第二次决策过程，PD1表示第一次决策结果，Fout1是所述第一模型输出的血糖浓度预测结果，f3是第二次决策过程。
在一个实施例中，利用可穿戴设备以无创方式获取所述不同模态的血糖传感信号，所述不同模态的血糖传感信号包括射频、阻抗、近红外血糖传感信号中的至少两种。
在一个是实施例中，所述运动量利用适于佩戴的惯性传感器所记录的运动数据获得，所述碳水化合物摄入量、所述胰岛素摄入量通过解析饮食、药物使用相关视频获得。
根据本发明的第二方面，提供一种基于传感数据和生理信息融合的血糖预警方法。该方法包括以下步骤：
获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型；
以所述多种模态的血糖传感信号作为输入，利用第一模型获得第一血糖浓度预测值，并基于所述多种模态的血糖传感信号、所述多个相关模型的输出结果和所述第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；
基于所述第一血糖浓度预测值和所述第二血糖浓度预测值对用户进行低血糖预警。
与现有技术相比，本发明的优点在于，所提出的基于无创传感数据和生理信息深度融合驱动的可穿戴低血糖预警方法和系统，通过采用可穿戴的方法获取患者的血糖传感信号以及生理信息，并通过学习过程和决策过程实现血糖传感信号与生理信息的深度融合，提高了低血糖预警准确度，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传感数据和生理信息融合的低血糖预警系统的示意图；
图2是根据本发明另一实施例的基于传感数据和生理信息融合的低血糖预警系统的示意图。
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传感数据和生理信息融合的低血糖预警系统包括：
输入层：其用于获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型。
学习层：其用于以多种模态的血糖传感信号作为输入利用第一模型获得第一血糖浓度预测值，并基于多种模态的血糖传感信号、所述多个相关模型的输出结果、第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；
决策层：其用于基于第一模型的输出结果和第二模型的输出结果通过多次决策对用户进行低血糖预警。
具体地，结合图2所示，在该实施例中，第一模型以基于SARIMA(季节性差分自回归滑动平均)的时间序列预测算法为例，第二模型以子空间学习为例，具体实现过程如下。
对于输入层，首先，用户可通过可穿戴设备获取射频、阻抗、近红外等不同模态的血糖传感信号以及周围环境信息，例如温度、湿度等。生理信息包括运动、饮食、药物使用相关信息，可通过多种方式获取生理信息。例如，用户采用手动记录方法记录每次运动持续时间、运动的类型、饮食时间、饮食类型、胰岛素使用时间以及使用剂量。又如，用户可通过佩戴惯性传感器以及具有摄像功能的可穿戴设备实现运动、饮食、药物使用等生理信息的自动记录。在一个实施例中，利用惯性传感器所记录的加速度、倾斜、冲击、振动、旋转和多自由度运动数据，自动提取出用户的运动信息，包括运动时间、运动强度等。利用具有摄像功能的可穿戴设备获取饮食、药物使用等相关视频，通过对相关视频进行解析，提取出碳水化合物摄入、胰岛素摄入等相关信息。
在获取运动、饮食、药物使用(胰岛素)等生理信息后，输入层还需建立生理信息与血糖浓度变化趋势的相关模型。考虑到环境变化(温度、湿度)会影响血糖浓度的变化，因此在模型中分别加入了环境变化因素的影响。
具体地，在一个实施例中，运动模型可表示为：
其中I1(t)为运动引起的血糖浓度值，S(t)为运动量，
表示运动量的二阶导数，T(t)为环境温度，H(t)为环境湿度，k1，k'1，k”1为运动模型的相关系数，可通过数据统计分析确定，设置为常数项。
在一个实施例中，饮食模型表示为：
其中I2(t)为饮食所引起的血糖浓度值，D(t)为碳水化合物摄入量，
表示碳水化合物摄入量的一阶导数，T(t)为环境温度，H(t)为环境湿度，k2，k'2，k”2为饮食模型的相关系数，可通过数据统计分析确定，设置为常数项。
在一个实施例中，胰岛素吸收模型可表示为：
其中I3(t)表示胰岛素摄入引起的血糖浓度值，Y1(t)表示胰岛素摄入剂量，Y2表示胰岛素的快吸收过程，
表示对其进行二阶求导，Y3表示胰岛素的慢吸收过程，
表示对其进行二阶求导，T(t)为环境温度，H(t)为环境湿度，k3，k'3，k”3为胰岛素吸收模型的相关系数，可通过数据统计分析确定，设置为常数项。
需要说明是，上述运动模型、饮食模型和胰岛素吸收模型也可采用其他的表达形式，例如，增加更高阶或更低阶的求导项，或增加偏置项，而上述公式是经验证和统计分析确定的优选模型，通过加入合适阶数的求导项即能够改善获得的血糖浓度值的稳定性，并且能够提高计算结果的准确性。
对于学习层，该实施例包含两种多模融合方法，分别是基于SARIMA的时间序列预测算法以及基于子空间学习的多模融合算法。
基于SARIMA的时间序列预测算法用于实现血糖浓度趋势的预测，其输入为射频、阻抗、近红外等不同模态的可穿戴传感信号，输出为血糖浓度预测值，SARIMA算法的实现过程表示为：
φp(z-1)·ΦP(z-s)·▽s D▽dG(t)＝θq(z-1)·ΘQ(z-1)·ε(t) (4)
其中，▽为后向差分算子，且▽G(t)＝G(t)-G(t-1)，G(t)表示时间为t时刻的血糖传感值，s为季节性值，D，d为时间序列的季节性差分阶数与非季节性差分阶数，一般来说，D，d相对较小，通常其大小为0，1，2。ε(t)为白噪声的随机误差，下标p，P，q，Q分别表示非季节，季节，自回归，移动平均算法的最大滞后阶数。
其中，φp，ΦP，θq，ΘQ可表示如下：
通过确定SARIMA模型的D，d，p，P，q，Q参数后，该模型即为所建立的血糖浓度预测模型。
采用SARIMA模型预测出的血糖浓度能够反映血糖变化趋势或周期性变化，并且通过差分提高了预测的稳定性。在另外的实施例中，可采用其它的时间序列预测模型，例如，长短时记忆网络(LSTM)等。
在图2的实施例中，第二模型是基于子空间学习的多模融合算法，用于实现可穿戴传感信号与生理信息的深度融合，其输入包括：射频传感信号、阻抗传感信号、近红外等多种模态的传感信号、运动模型的输出结果、饮食模型的输出结果、胰岛素吸收模型的输出结果以及基于SARIMA的时间序列预测算法的反馈结果f1，输出为血糖浓度预测值。
例如，基于子空间学习的多模融合过程具体包括：
步骤S210，利用结构化稀疏投影矩阵
和
将射频、阻抗、近红外等可穿戴血糖传感信号，运动、饮食、胰岛素吸收等模型输出结果以及基于SARIMA的时间序列预测算法的反馈结果分别转换为模态私有特征矩阵
以及模态共享特征矩阵VC，投影到潜在特征子空间；
步骤S220，利用上述模态的不变图规则化和投影矩阵稀疏化，构建多模态重构误差函数，并通过共享特征耦合，联合优化各函数变量使得重构误差最小；
步骤S230，通过迭代的模态间相关和不相关特征的共学习得到潜在子空间中鲁棒的跨模态数据共享特征矩阵VC以及私有特征矩阵
步骤S240，根据Karush Kuhn Tucker(KKT)条件，对
VC和
进行迭代更新优化，如下式(5)至(8)，直至模板函数满足收敛条件，其中α，β为相关系数，W(v)为模态距离权重矩阵，D(v)为模态的对角矩阵，
为中间变量，X(v)为各模态信号的初始输入值。
步骤S250，利用K邻近算法或其他算法对特征矩阵VC以及私有特征矩阵
进行聚类，从而实现上述多模模态信号的深度融合。
上述投影、共学习、聚类等的具体过程，属于现有技术，在此不再赘述。
需要说明的是，在图2实施例中，通过子空间学习能够将多种模态的传感信号、运动模型的输出结果、饮食模型的输出结果、胰岛素吸收模型的输出结果以及基于SARIMA的时间序列预测算法的反馈结果f1进行深度融合，在保证尽量不丢失信息的前提下，又能降低数据维度，从而降低过拟合现象。在另外实施例中，也可采用其他的机器学习方法实现第二模型。
对于决策层，该实施例包含两次决策过程f2以及f3。f2代表第一次的决策，其可表示为PD1＝f2(f1,fz)，其中f1为基于SARIMA的时间序列预测算法的反馈结果，fz为基于子空间学习多模融合后输出的血糖预测结果，f2为决策过程，其可表征为二次多项式。f3代表第二次的决策，其可表示为PD2＝f3(PD1,Fout1)，其中PD1表示第一次的决策结果，Fout1为基于SARIMA的时间序列预测算法的输出结果，f3为第二次决策过程，其可表征为二次多项式，同时结合指尖血校准，根据决策结果对用户进行低血糖的预警。通过两次决策过程，能够获得更准确的低血糖预警。
本发明涉及的上述公式中，各参数具有通常含义的单位，例如，血糖浓度单位是g/L，环境温度单位是℃，而各常数项或相关系数通常是无量纲，除非根据上下文另有所指，在此不再赘述。
综上所述，本发明可以为糖尿病患者提供一种低成本、高精度、高稳定性的可穿戴的低血糖预警方法，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，本发明能够改善低血糖预警的准确性和高效性。
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 (10)
1.一种基于传感数据和生理信息融合的低血糖预警系统，包括：
输入层：用于获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型；
学习层：用于以所述多种模态的血糖传感信号作为输入，利用第一模型获得第一血糖浓度预测值，并基于所述多种模态的血糖传感信号、所述多个相关模型的输出结果和所述第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；
决策层：用于基于所述第一血糖浓度预测值和所述第二血糖浓度预测值对用户进行低血糖预警。
2.根据权利要求1所述的系统，其中所述多个相关模型包括运动模型、饮食模型和胰岛素吸收模型，所述运动模型根据运动量、环境温度、环境湿度确定运动引起的血糖浓度值；所述饮食模型基于碳水化合物摄入量、环境温度、环境湿度确定饮食所引起的血糖浓度值；所述胰岛素吸收模型基于胰岛素摄入剂量、环境温度和环境湿度确定胰岛素摄入引起的血糖浓度值。
3.根据权利要求1所述的系统，其中，所述第一模型是基于季节性差分自回归滑动平均的时间序列预测模型，其基于不同时刻的所述多种模态的传感信号获得相应的血糖浓度预测，表示为：
其中，
为后向差分算子，且
G(t)表示时间为t时刻的血糖传感值，s为季节性值，D，d为时间序列的季节性差分阶数与非季节性差分阶数，p，P，q，Q分别表示非季节、季节、自回归、移动平均算法的最大滞后阶数，φp，ΦP，θq，ΘQ表示为：
4.根据权利要求2所述的系统，其中所述第二模型执行子空间学习，包括：
利用结构化稀疏投影矩阵
和
将所述多种模态的血糖传感信号、所述运动模型、所述饮食模型、所述胰岛素吸收模型的输出结果以及所述第一模型的反馈结果分别转换为模态私有特征矩阵
以及模态共享特征矩阵VC，投影到特征子空间；
构建多模态重构误差函数，并通过共享特征耦合，联合优化各使重构误差最小；
通过迭代的模态间相关和不相关特征的共学习得到特征子空间中鲁棒的跨模态数据共享特征矩阵VC以及私有特征矩阵
对
VC和
进行迭代更新优化，直到满足设定的收敛条件；
对特征矩阵VC以及私有特征矩阵
进行聚类，从而实现多模信号的深度融合。
5.根据权利要求2所述的系统，其中，所述运动模型表示为：
其中I1(t)是运动引起的血糖浓度值，S(t)是运动量，
表示运动量的二阶导数，T(t)是环境温度，H(t)是环境湿度，k1，k'1，k”1是运动模型的相关系数；
所述饮食模型表示为：
其中，其中I2(t)是饮食所引起的血糖浓度值，D(t)是碳水化合物摄入量，
表示碳水化合物摄入量的一阶导数，T(t)是环境温度，H(t)是环境湿度，k2，k'2，k”2是饮食模型的相关系数；
所述胰岛素吸收模型表示为：
其中I3(t)表示胰岛素摄入引起的血糖浓度值，Y1(t)表示胰岛素摄入剂量，Y2表示胰岛素的快吸收过程，
表示对其进行二阶求导，Y3表示胰岛素的慢吸收过程，
表示对其进行二阶求导，T(t)是环境温度，H(t)是环境湿度，k3，k'3，k”3是胰岛素吸收模型的相关系数。
6.根据权利要求1所述的系统，其中，所述决策层包括两次决策，第一次决策结果表示为PD1＝f2(f1,fz)，第二次决策结果表示为PD2＝f3(PD1,Fout1)，其中，f2表示第一次决策过程，f1是所述第一模型的反馈结果，fz是所述第二模型输出的血糖浓度预测结果，f3表示第二次决策过程，PD1表示第一次决策结果，Fout1是所述第一模型输出的血糖浓度预测结果，f3是第二次决策过程。
7.根据权利要求1所述的系统，其中，利用可穿戴设备以无创方式获取所述不同模态的血糖传感信号，所述不同模态的血糖传感信号包括射频、阻抗、近红外血糖传感信号中的至少两种。
8.根据权利要求2所述的系统，其中，所述运动量利用适于佩戴的惯性传感器所记录的运动数据获得，所述碳水化合物摄入量、所述胰岛素摄入量通过解析饮食、药物使用相关视频获得。
9.一种基于传感数据和生理信息融合的血糖预警方法，包括以下步骤：
获取多种模态的血糖传感信号和周围环境信息，并构建表征生理信息、周围环境信息与血糖浓度变化趋势之间关联性的多个相关模型；
以所述多种模态的血糖传感信号作为输入，利用第一模型获得第一血糖浓度预测值，并基于所述多种模态的血糖传感信号、所述多个相关模型的输出结果和所述第一模型的反馈结果，利用第二模型获得第二血糖浓度预测值；
基于所述第一血糖浓度预测值和所述第二血糖浓度预测值对用户进行低血糖预警。
10.一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9所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010411935.4A CN111631730B (zh) | 2020-05-15 | 2020-05-15 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010411935.4A CN111631730B (zh) | 2020-05-15 | 2020-05-15 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111631730A true CN111631730A (zh) | 2020-09-08 |
| CN111631730B CN111631730B (zh) | 2023-06-06 |
Family
ID=72324011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010411935.4A Active CN111631730B (zh) | 2020-05-15 | 2020-05-15 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111631730B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112133442A (zh) * | 2020-09-22 | 2020-12-25 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
| CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 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 |
| CN117409984A (zh) * | 2023-09-21 | 2024-01-16 | 山东第一医科大学附属省立医院 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2031534A1 (en) * | 2007-03-20 | 2009-03-04 | Lifescan, Inc. | Systems and methods for pattern recognition in diabetes management |
| US20110106011A1 (en) * | 2009-10-06 | 2011-05-05 | Illinois Institute Of Technology | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms |
| CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
| CN110151192A (zh) * | 2019-06-14 | 2019-08-23 | 东北大学 | 一种用于血糖监控与预警的辅助医疗系统及其使用方法 |
-
2020
- 2020-05-15 CN CN202010411935.4A patent/CN111631730B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2031534A1 (en) * | 2007-03-20 | 2009-03-04 | Lifescan, Inc. | Systems and methods for pattern recognition in diabetes management |
| US20110106011A1 (en) * | 2009-10-06 | 2011-05-05 | Illinois Institute Of Technology | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms |
| CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
| CN110151192A (zh) * | 2019-06-14 | 2019-08-23 | 东北大学 | 一种用于血糖监控与预警的辅助医疗系统及其使用方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112133442A (zh) * | 2020-09-22 | 2020-12-25 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| CN112133442B (zh) * | 2020-09-22 | 2024-02-13 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
| CN113284572B (zh) * | 2021-04-30 | 2024-04-23 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
| CN113397510A (zh) * | 2021-05-07 | 2021-09-17 | 华南师范大学 | 一种连续血压测量方法、系统、装置及存储介质 |
| CN113397510B (zh) * | 2021-05-07 | 2023-05-02 | 华南师范大学 | 一种连续血压测量系统、装置及存储介质 |
| CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 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 |
| CN117409984A (zh) * | 2023-09-21 | 2024-01-16 | 山东第一医科大学附属省立医院 | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111631730B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11923079B1 (en) | Creating and testing digital bio-markers based on genetic and phenotypic data for therapeutic interventions and clinical trials | |
| Sutton et al. | PhysOnline: an open source machine learning pipeline for real-time analysis of streaming physiological waveform | |
| WO2019229562A1 (en) | Personalized device recommendations for proactive health monitoring and management | |
| US10638980B2 (en) | System and method for predicting heart failure decompensation | |
| CN111631729B (zh) | 一种基于多模融合的低血糖预测方法和系统 | |
| US20210076953A1 (en) | Methods and systems for pulse transit time determination | |
| US20220257199A1 (en) | System and method for online domain adaptation of models for hypoglycemia prediction in type 1 diabetes | |
| Himi et al. | MedAi: A smartwatch-based application framework for the prediction of common diseases using machine learning | |
| Orphanidou et al. | Machine learning models for multidimensional clinical data | |
| CN111161883A (zh) | 基于变分自编码器的疾病预测系统及其电子设备 | |
| Le et al. | Predicting heart failure using a wrapper-based feature selection | |
| WO2022235618A1 (en) | Methods, systems, and apparatuses for preventing diabetic events | |
| JP2022506987A (ja) | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 | |
| Nawaz et al. | Cloud-based healthcare framework for real-time anomaly detection and classification of 1-D ECG signals | |
| Keikhosrokiani et al. | Heartbeat sound classification using a hybrid adaptive neuro-fuzzy inferences system (ANFIS) and artificial bee colony | |
| Shukur et al. | Diabetes at a Glance: Assessing AI Strategies for Early Diabetes Detection and Intervention | |
| EP4174721A1 (en) | Managing a model trained using a machine learning process | |
| Gecili et al. | Functional data analysis and prediction tools for continuous glucose-monitoring studies | |
| US20200323448A1 (en) | System of Determining Physiological State | |
| US20210022620A1 (en) | Systems, Methods and Media for Estimating Compensatory Reserve and Predicting Hemodynamic Decompensation Using Physiological Data | |
| WO2021127566A1 (en) | Devices and methods for measuring physiological parameters | |
| Zhou et al. | Crossgp: Cross-day glucose prediction excluding physiological information | |
| Lillo-Castellano et al. | Weaning outcome prediction from heterogeneous time series using normalized compression distance and multidimensional scaling | |
| Au-Yeung et al. | State of the art in artificial intelligence and machine learning techniques for improving patient outcomes pertaining to the cardiovascular and respiratory systems |
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 |