CN112102953B - 个性化糖尿病健康管理系统、设备及存储介质 - Google Patents
个性化糖尿病健康管理系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112102953B CN112102953B CN202011138904.2A CN202011138904A CN112102953B CN 112102953 B CN112102953 B CN 112102953B CN 202011138904 A CN202011138904 A CN 202011138904A CN 112102953 B CN112102953 B CN 112102953B
- Authority
- CN
- China
- Prior art keywords
- blood sugar
- mode
- data
- blood glucose
- patient
- 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
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 48
- 230000036541 health Effects 0.000 title claims abstract description 47
- 239000008280 blood Substances 0.000 claims abstract description 265
- 210000004369 blood Anatomy 0.000 claims abstract description 262
- 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 101
- 239000008103 glucose Substances 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 208000013016 Hypoglycemia Diseases 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 235000005911 diet Nutrition 0.000 abstract description 15
- 230000037213 diet Effects 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000002218 hypoglycaemic effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 235000013305 food Nutrition 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000002641 glycemic effect Effects 0.000 description 2
- 230000003345 hyperglycaemic effect Effects 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 210000000227 basophil cell of anterior lobe of hypophysis Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000020940 control diet Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009207 exercise therapy Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H50/30—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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种个性化糖尿病健康管理系统、设备及存储介质。系统包括:数据采集单元,用于获取患者所处模式并采集患者在所述模式下时序变化的血糖数据,模式包括睡眠、饮食、运动和休闲模式;血糖预测单元,用于将血糖数据输入血糖预测模型进行预测并输出未来一段时间内的血糖预测值,血糖预测模型是在所述模式下通过采用患者自身数据训练得到;比较单元,用于比较血糖预测值与预先设定的血糖异常阈值,若血糖预测值超出血糖异常阈值发出预警提醒。本发明还涉及数字医疗领域,上述个性化糖尿病健康管理系统、设备及存储介质可应用智慧医疗系统。本发明可实现个性化的糖尿病健康管理,管理更全面,血糖预警信息更准确。
Description
技术领域
本发明涉及人工智能技术领域以及数字医疗领域,特别是涉及一种个性化糖尿病健康管理系统、设备及存储介质。
背景技术
糖尿病是一种长期慢性疾病,需要长期坚持治疗和管理。患者日常行为和自我管理能力是糖尿病控制与否的关键之一,因此,糖尿病的控制除了药物上的治疗外还需要个性化的生活方式的干预措施,包括饮食、运动、自我血糖监测等内容。
其中,对于饮食:糖尿病患者需要控制饮食以维持标准体重、纠正已发生的代谢紊乱和减轻胰岛β细胞的负担,每天摄入的营养总量有一定标准,帮助糖尿病患者计算和统计各类物质摄入量有助于健康饮食计划的建立。对于运动:个性化的运动方案可以促进糖尿病患者坚持运动治疗,改善身体状况。对于自我血糖监测:患者在治疗过程中可能发生血糖过低现象,低血糖可导致不适甚至生命危险,也是血糖达标的主要障碍,如果能够在发生低血糖之前发出预警,及时采取措施,那就可以很大程度降低患者的低血糖风险。
现有的糖尿病管理系统大多只有血糖监测模块,缺少多方面的生活方式上的管理,同时,现有糖尿病管理系统缺乏个性化,不能满足各类糖尿病患者的需求。例如,中国专利CN110680340A公开了一种用于糖尿病健康管理的全天候血糖监测系统,其通过设置包含贴覆在手腕上的石墨烯柔性葡萄糖传感器的血糖采集模块进行血糖数据采集,接着通过预警模块直接判定采集数据是否落入预设报警门限,然后进行预警,该专利其预警为当前预警,虽然其还公开了饮食监测模块和用于食品血糖计算模块,但并未涉及其他方面的管理,且血糖预警结果的准确性也有待提高。
发明内容
基于上述问题,本发明的目的在于提供一种个性化糖尿病健康管理系统、设备及存储介质,以解决现有技术中糖尿病健康管理系统缺乏个性化,管理不全面,血糖预警信息不够准确的问题。
上述目的是通过以下技术方案实现的:
根据本发明得一个方面,本发明提供一种个性化糖尿病健康管理系统,包括:
数据采集单元,用于获取患者所处的模式,并采集患者在所述模式下时序变化的血糖数据,其中,所述模式包括:睡眠模式、饮食模式、运动模式和休闲模式;
血糖预测单元,用于将所述血糖数据输入到血糖预测模型中进行预测,并通过血糖预测模型输出未来一段时间内的血糖预测值,其中,所述血糖预测模型是在所述模式下通过采用患者自身的数据进行训练得到;
比较单元,用于比较所述血糖预测值与预先设定的血糖异常阈值,若所述血糖预测值超出血糖异常阈值,则发出预警提醒。
可选地,所述系统还包括:模型构建单元,用于采用LSTM算法构建不同模式下的血糖预测模型。
可选地,所述模型构建单元中,包括:
数据处理模块,用于采用滑动窗口的方式对血糖数据进行处理,其中,所述血糖数据为通过所述数据采集单元采集到的患者在各模式下自身的时序变化的血糖数据;
模型训练模块,采用处理后的患者自身血糖数据进行血糖预测模型的训练,其中,不同模式下的血糖数据训练得到不同的血糖预测模型;
模型验证模块,采用处理后的患者自身血糖数据进行血糖预测模型的验证,若预测值与真实值的误差在阈值内,则血糖预测模型构建完成。
可选地,所述数据处理模块,还用于将血糖数据划分为两部分,一部分用于模型训练模块对血糖预测模型进行训练,另一部分用于模型验证模块对血糖预测模型进行验证。
可选地,所述模型构建单元中,还包括:数据标注模块,用于对血糖数据的所处的模式进行标注得到所处模式标签,以及用于血糖数据的异常情况进行标注得到异常发生标签,并将所处模式标签和异常发生标签上传至模型训练模块,以便对血糖预测模型进行训练。其中,根据血糖数据采集时患者所进行的活动,或血糖数据采集时所处的时间段,对血糖数据的所处的模式进行标注。
可选地,所述系统还包括:录入调用单元,用于录入患者基本信息,以及用于根据患者基本信息调用采用所述患者自身的血糖数据进行训练得到的血糖预测模型。
可选地,所述血糖预测模型的输入的血糖数据为时间T到T+t的时序变化的血糖数据,输出的血糖预测值为T+t到T+t+Δt的血糖预测序列的平均值。
可选地,所述血糖异常阈值,包括:任何模式下的低血糖预警阈值、休闲模式下的血糖最高阈值、和饮食模式下的血糖最高阈值。其中,所述饮食模式下的血糖最高阈值高于休闲模式下的血糖最高阈值。进一步地,当血糖预测值小于任何模式下的低血糖预警阈值,发出低血糖预警提醒;当休闲模式下的血糖预测值高于休闲模式下的血糖最高阈值,发出血糖过高提醒;当饮食模式下血糖预测值高于饮食模式下的血糖最高阈值,发出血糖过高提醒。
根据本发明的另一个方面,本发明提供的一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的个性化糖尿病健康管理系统中各单元和/或模块的功能。
根据本发明的还一个方面,本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的个性化糖尿病健康管理系统中各单元和/或模块的功能。
与现有技术相比,本发明个性化糖尿病健康管理系统、设备及存储介质是基于人工智能的预测分析、数字医疗的健康管理和风险评估等技术得到的。本发明在四种不同模式下进行血糖数据采集和监测,并将各模式下血糖数据输入到采用患者自身的血糖数据在该模式下训练好的血糖预测模型中进行预测,最终输出未来时间段内的血糖预测值,将其与预先设置的阈值比较,并根据比较结果发出预警信号,使得血糖管理更加全面,血糖预警结果更加精确,且实现了个性化的血糖管理,可以满足各类糖尿病患者的需求。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。附图中:
图1是本发明实施例的个性化糖尿病健康管理系统的使用示意图;
图2是本发明实施例的个性化糖尿病健康管理系统运行流程框架示意图;
图3是本发明实施例的数据处理模块中滑动窗口的示意图;
图4是本发明实施例的采用LSTM构建血糖预测模型的框架结构示意图;
图5是本发明实施例的采用LSTM构建血糖预测模型的层结构示意图;
图6是本发明实施例个性化糖尿病健康管理系统的结构示意图;
图7是本发明实施例电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述:
本发明提供一种个性化糖尿病健康管理系统,包括:数据采集单元、血糖预测单元、以及比较单元。该系统实现了个性化的糖尿病健康管理,且管理更加全面,血糖预警信息更加准确,能够促进患者养成良好的生活习惯,从而改善健康状态。
本发明中,所述数据采集单元用于获取患者所处的模式,并采集患者在所述模式下时序变化的血糖数据。所述数据采集单元例如可以通过患者佩戴动态血糖仪采集各个模式下的时间序列的血糖数据。所述模式可以体现患者当前所进行的活动,所述模式可以包括:睡眠模式、饮食模式、运动模式和休闲模式等。为了合理的检测血糖,本发明提供了多个模式下的血糖干预,涵盖糖尿病患者的饮食、运动、睡眠和休息模式等,各模式下,患者的血糖变化不同,且差异可能较大,在四种模式下分别去监测血糖,可以让血糖警报信息更加准确,从而使得健康管理和预测结果更加全面、准确,即为糖尿病患者提供比较全面的糖尿病管理模式,有助于提升患者的自我管理能力,培养健康的生活方式,最终改善其临床结局、健康状况和生活质量。需要说明的是,本发明所述模式不限于此,例如还可以包括用药模式等。
所述血糖预测单元用于将所述血糖数据输入到血糖预测模型中进行预测,血糖预测模型输出未来一段时间内的血糖预测值,其中,所述血糖预测模型是在所述模式下通过采用患者自身的数据进行训练得到,根据个性化的数据训练出个性化的预测模型,充分体现出个性化的血糖管理方式,从而实现个性化的糖尿病健康管理系统。其中,未来一段时间是预先设定的将来的时间段,例如未来的0.5~4h等。所述血糖预测模型输入的血糖数据为时间T到T+t的时序变化的血糖数据,输出的血糖预测值为T+t到T+t+Δt的血糖预测序列的平均值,其中,Δt的具体取值可以根据患者生活习惯和血糖变化特点等来定,例如可以为3~4h等。本发明的血糖预测模型是在四个模式下分别训练得到的,所述血糖预测模型更稳健,预测效果更准确,血糖管理更加全面;另外,本发明各模式下的血糖预测模型是使用相应模式下患者自身的血糖数据进行训练得到的,实现了个性化的健康管理,且预测结果更加准确,满足了各类糖尿病患者的需求。
所述比较单元用于比较所述血糖预测值与预先设定的血糖异常阈值,若所述血糖预测值超出血糖异常阈值,则发出预警提醒。血糖异常阈值因所处活动模式不同而不同,也可以因人而异,本发明比较单元中是通过阈值设定模块来预先设定血糖异常阈值,另外,患者如需自定义阈值也可以通过阈值设定模块进行修改。所述血糖异常阈值,包括:任何模式下的低血糖阈值Glow,休闲模式下的血糖最高阈值Ghigh_relax,饮食模式下血糖最高阈值Ghigh_meal等,且所述饮食模式下的血糖最高阈值高于休闲模式下的血糖最高阈值,即Ghigh_meal>Ghigh_relax。例如,设血糖预测值为ypredict,若ypredict<Glow,发出低血糖预警,其中,Glow为任何模式下的低血糖阈值;休闲模式下,若ypredict>Ghigh_relax时,发出血糖过高提醒;饮食模式下,若ypredict>Ghigt_meal时,发出血糖过高提醒。同理,可以根据患者自身情况通过阈值设定单元预先设置睡眠模式下和运动模式下的血糖最低阈值和血糖最高阈值。本发明个性化的模型和个性化的预警阈值,能够满足糖尿病患者的日常血糖管理,避免发生严重低血糖事件或血糖过高带来的危险。
下面结合图1和图2对本发明实施例中个性化糖尿病健康管理系统进行详细说明。图1示意性示出了实施例的个性化糖尿病健康管理系统的使用示意图,图2示意性示出了实施例的个性化糖尿病健康管理系统运行流程框架。图1包括:通过网络连接的移动智能终端(智能手机)、蓝牙电子秤、动态血糖仪和智能手环。其中,采用所述移动智能终端可以完成患者基本信息录入和血糖预测模型的调用,同时可以完成系统的功能设定,另外还用于发出警报信息。所述智能手环可以接受警报信息,同时可以记录患者运动模式下的运动数据。所述动态血糖仪用于动态采集患者实时血糖数据并上传至移动智能终端中以进行数据处理、模型构建、预测等操作。所述蓝牙电子秤带有蓝牙功能可以用于收集患者饮食数据并上传至移动智能终端中。患者一天内的血糖会出现较大的波动,比如餐后血糖可能超过10mmol/L,而发生低血糖时,血糖可低至3.9mmol/L,采用本发明个性化糖尿病健康管理系统就可以在不同模式下分别监测血糖,进而通过对应模式下的血糖预测模型进行预测,从而使得血糖警报预测信息更加准确。
在一可选实施例中,所述系统还可以包括录入调用单元,用于录入患者基本信息,以及根据患者基本信息调用采用所述患者自身的血糖数据进行训练得到的血糖预测模型。其中,基本信息可以包括:患者姓名、性别、出生日期、身体质量指数BMI等。如图2所示,患者通过移动智能终端登录个性化糖尿病健康管理系统,初次使用时需要录入基本信息;然后根据患者每天的活动或所介于的时间段选择对应模式进行血糖预测模型训练,或者直接进入健康管理状态通过血糖预测模型进行血糖预测,最后进行比对后通过移动智能终端或者智能手环等作出警报提醒。本发明通过根据患者基本信息调用属于患者个人的血糖预测模型(即采用该患者自身数据训练得到的模型),进一步确保了血糖预测模型与患者一一对应,使得后续的血糖预测结果更加个性化,满足了不同患者的需求。
本发明中,所述个性化糖尿病健康管理系统,还包括:模型构建单元,用于采用LSTM算法构建不同模式下的血糖预测模型。其中,在模型构建过程中,每个模式下模型的构建过程相同,不同的是构建模型的参数和模型的数据(数据因是在不同模数下采集的所以不同)。为了提供个性化的管理方案,本发明提出使用患者自身的血糖数据进行血糖预测模型的训练,并且在不同的模式下使用不同的预测模型,分别训练模型有利于建立更精确的预测模型,同时也增加了个性化,使得血糖预测不仅在个人上表现不同,还在不同的模式下表现不同。LSTM(long short-term memory)非常适合用于时序序列的预测,即能够处理序列变化的数据。图4示意性地示出了LSTM的框架结构。如图4所示,其由一个忘记门zf,一个输入门zi,一个输出门zo控制,对上一个节点传进来的输入进行选择性忘记,将这个阶段的输入有选择性地进行记忆,将这两部分相加,得到传输给下一个状态的ct,输出阶段将决定哪些信息将会被当成当前状态的输出,由zo控制,得到ht。最后的输出yt由ht经过变换后得到。其中,ct、ht、yt的表达式分别为:ct=zf⊙ct-1+zi⊙z;yt=σ(W′ht);ht=zo⊙tanh(ct)。图5示意性的示出了LSTM的层结构,如图5所示,包括输入层(X1、X2......Xt),LSTM层(A1、A2......At;h1、h2......ht)、以及输出层(y1、y2、......yt);输入为处理好的时序血糖数据,输出为下一时段的血糖数据。
在一可选实施例中,所述模型构建单元中,可以包括:数据处理模块、模型训练模块、以及模型验证模块等。
其中,所述数据处理模块用于采用滑动窗口的方式对血糖数据进行处理;其中,所述血糖数据为通过所述数据采集单元采集到的患者在各模式下自身的时序变化的血糖数据。图3示意性示出了滑动窗口的结构,采用滑动窗口的方式,这样可以让训练数据增多。滑动窗口T的长度表示每个时间步长s的长度,也就是输入X的长度。进一步地,所述数据处理模块还用于将血糖数据划分为两部分,一部分用于模型训练模块对血糖预测模型进行训练,另一部分用于模型验证模块对血糖预测模型进行验证。例如,可以将血糖数据分为80%用于训练,20%用于验证。
所述模型训练模块采用处理后的患者自身血糖数据进行血糖预测模型的训练;其中,不同模式下的血糖数据训练得到不同的血糖预测模型。也就是说,为了训练个性化的血糖预测模型,患者需要提前使用一段时间例如一个月,采用数据采集单元来收集患者不同模式下时序变化的血糖数据,以进行模型训练,从而充分体现出个性化的血糖管理方式;同理,在该使用过程中,不同模式下的血糖预测模型的训练采用的是该患者在对应模式下的血糖数据。对于模式,本发明可以根据患者自身活动切换模式,也可以根据时间来切换模式。也就是说,所处模式可以根据血糖数据采集时患者所进行的活动来确定,例如,患者可以根据当前所进行的活动,进行模式切换,将该模式与在该模式下采集的血糖数据一并上传,以便后续对血糖数据进行标签标注工作,从而提高模型预测准确度;当然,所处模式也可以根据血糖数据采集时所处的时间段来确定,例如,可以将根据时间段来确定血糖数据所处模式设置为默认情况,即用户没有进行模式选择切换时,系统根据时间进行模式切换,例如如00:00:00-06:00:00属于睡眠模式。
所述模型验证模块采用处理后的患者自身血糖数据进行血糖预测模型的验证,若预测值与真实值的误差在阈值内,则血糖预测模型构建完成。即在20%的数据上测试下一时段血糖数据真实值与预测值的误差,具体地,根据20%的血糖数据进行验证,若误差在阈值(所允许的范围)内,模型验证通过,便可得到相应模式下训练好的血糖预测模型,若误差不在阈值内,需要继续训练并验证血糖预测模型,直至模型验证通过得到训练好的模型。
在一可选实施例中,所述数据采集单元中,还包括:数据标注模块。模型构建时,需要在数据收集过程中对数据进行标签标注,即需要有所处模式标签和异常发生标签,这样才能进行后续的模型训练。本发明采用所述数据标注模块用于对血糖数据的所处的模式进行标注得到所处模式标签,同时用于对血糖数据的异常情况进行标注得到异常发生标签,并将所处模式标签和异常发生标签上传至模型构建单元中,以对血糖预测模型进行构建和训练等步骤。进一步地,可以根据血糖数据采集时患者所进行的活动,或根据血糖数据采集时所处的时间段,对血糖数据的所处的模式进行标注。另外,若用户没有选择所处模式时,便可默认采用时间段来确定该血糖数据的所处模式。其中,所处模式标签包括运动模式标签、睡眠模式标签、饮食模式标签、休闲模式标签,例如,患者运动时采集到的血糖数据标注为运动模式标签,将00:00:00-06:00:00时间段获取的血糖数据标注为睡眠模式标签。所述异常发生标签可以包括:低血糖标签、血糖过高标签等,例如,当发生低血糖或高血糖时,用户可以通过智能设备返回异常标签(如点击智能手环上的异常上报按钮),这样血糖数据就有了所处模式标签和异常发生标签。
在一可选实施例中,所述个性化糖尿病健康管理系统,还可以包括:热量提醒单元,用于获取饮食模式下的食物类型,计算食物热量,并判断食物热量是否超过预设热量阈值,若超过,则发出饮食不合理提醒。具体地,患者就餐时,可以选择食物类型包括主食、蔬菜、水果、肉等,采用蓝牙电子秤称取重量后,计算食物热量,以提示患者饮食是否合理。
在另一可选实施例中,所述热量提醒单元,用于判断热量差值是否超过预设热量阈值,若超过,则发出饮食不合理提醒。其中,热量差值是指饮食模式下的食物热量和运动模式下所消耗的热量的差值。
图6示意性示出了本发明实施例个性化糖尿病健康管理系统的结构,如图6所示,本发明个性化糖尿病健康管理系统,在模型构建时:通过录入调用单元录入患者信息;通过数据采集单元采集同一患者在不同模式下的血糖数据,采用数据标注模块进行标签标注;然后输入模型构建单元,采用数据处理模块对数据进行处理,并将处理后数据输入到模型训练模块和模型验证模块进行模型训练和验证,最终得到训练好的血糖预测模型。在模型应用时:通过录入调用单元调用与患者匹配的模型,通过数据采集单元采集该患者在某模式下的血糖数据,将所述血糖数据输入血糖预测单元中通过血糖预测模型(与患者和模式均对应的模型)进行血糖预测,输出未来一段时间内的血糖预测值,然后通过比较单元将其与阈值比较后作出预警提醒。
本发明通过将采集到的某模式下的血糖数据输入到采用该模式下患者自身的血糖数据训练好的血糖预测模型中进行预测后,可输出未来时间段内的血糖预测值并根据其与阈值的比较结果来发出预警信号,使得血糖管理更加全面,血糖预警结果更加精确,实现了个性化的血糖管理,可以满足各类糖尿病患者的需求。
图7是本发明实现管理程序的电子设备的结构示意图。如图7所示,所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如管理程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如管理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如管理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,其并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的管理程序12是多个指令的组合,在所述处理器10中运行时,可以实现个单元和/或模块的功能,例如:用于获取患者所处的模式并采集患者在所述模式下时序变化的血糖数据的数据采集单元;用于将所述血糖数据输入到血糖预测模型中进行预测,血糖预测模型输出未来一段时间内的血糖预测值的血糖预测单元;用于比较所述血糖预测值与预先设定的血糖异常阈值,若所述血糖预测值超出血糖异常阈值则发出预警提醒的比较单元等。
具体地,所述处理器10对上述指令的具体实现方法可参考图6对应实施例中相关描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。其中,所述计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其上存储有可以被执行的计算机程序,该计算机程序被处理器执行时,通过存储的程序指令相关的硬件实现本发明个性化糖尿病健康管理系统各单元/模块的功能。例如,通过存储的程序指令相关硬件来实现获取患者所处的模式并采集患者在所述模式下时序变化的血糖数据,将所述血糖数据输入到血糖预测模型中进行预测,血糖预测模型输出未来一段时间内的血糖预测值,比较所述血糖预测值与预先设定的血糖异常阈值,若所述血糖预测值超出血糖异常阈值则发出预警提醒等功能。所述计算机可读介质,例如可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种个性化糖尿病健康管理系统,其特征在于,所述系统包括:
数据采集单元,用于获取患者所处的模式,并采集患者在所述模式下时序变化的血糖数据,其中,所述模式包括:睡眠模式、饮食模式、运动模式和休闲模式;
血糖预测单元,用于将所述血糖数据输入到血糖预测模型中进行预测,并通过血糖预测模型输出未来一段时间内的血糖预测值,其中,所述血糖预测模型是在所述模式下通过采用患者自身的数据进行训练得到;
比较单元,用于比较所述血糖预测值与预先设定的血糖异常阈值,若所述血糖预测值超出血糖异常阈值,则发出预警提醒。
2.根据权利要求1所述的个性化糖尿病健康管理系统,其特征在于,所述系统还包括:模型构建单元,用于采用LSTM算法构建不同模式下的血糖预测模型。
3.根据权利要求2所述的个性化糖尿病健康管理系统,其特征在于,所述模型构建单元中,包括:
数据处理模块,用于采用滑动窗口的方式对血糖数据进行处理,其中,所述血糖数据为通过所述数据采集单元采集到的患者在各模式下自身的时序变化的血糖数据;
模型训练模块,采用处理后的患者自身血糖数据进行血糖预测模型的训练,其中,不同模式下的血糖数据训练得到不同的血糖预测模型;
模型验证模块,采用处理后的患者自身血糖数据进行血糖预测模型的验证,若预测值与真实值的误差在阈值内,则血糖预测模型构建完成。
4.根据权利要求3所述的个性化糖尿病健康管理系统,其特征在于,所述数据处理模块,还用于将血糖数据划分为两部分,一部分用于模型训练模块对血糖预测模型进行训练,另一部分用于模型验证模块对血糖预测模型进行验证。
5.根据权利要求1所述的个性化糖尿病健康管理系统,其特征在于,所述数据采集单元中,还包括:
数据标注模块,用于对血糖数据的所处的模式进行标注得到所处模式标签,以及用于血糖数据的异常情况进行标注得到异常发生标签,并将所处模式标签和异常发生标签上传至模型构建单元,以构建血糖预测模型;其中,根据血糖数据采集时患者所进行的活动,或血糖数据采集时所处的时间段,对血糖数据的所处的模式进行标注。
6.根据权利要求1所述的个性化糖尿病健康管理系统,其特征在于,所述系统还包括:录入调用单元,用于录入患者基本信息,以及根据患者基本信息调用采用所述患者自身的血糖数据进行训练得到的血糖预测模型。
7.根据权利要求1所述的个性化糖尿病健康管理系统,其特征在于,所述血糖预测模型的输入的血糖数据为时间T到T+t的时序变化的血糖数据,输出的血糖预测值为T+t到T+t+Δt的血糖预测序列的平均值。
8.根据权利要求1所述的个性化糖尿病健康管理系统,其特征在于,所述血糖异常阈值,包括:任何模式下的低血糖预警阈值、休闲模式下的血糖最高阈值和饮食模式下的血糖最高阈值,其中,所述饮食模式下的血糖最高阈值高于休闲模式下的血糖最高阈值。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一所述的个性化糖尿病健康管理系统中的各单元和/或模块的功能。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一所述的个性化糖尿病健康管理系统中的各单元和/或模块的功能。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138904.2A CN112102953B (zh) | 2020-10-22 | 2020-10-22 | 个性化糖尿病健康管理系统、设备及存储介质 |
PCT/CN2021/097230 WO2022083124A1 (zh) | 2020-10-22 | 2021-05-31 | 个性化糖尿病健康管理系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138904.2A CN112102953B (zh) | 2020-10-22 | 2020-10-22 | 个性化糖尿病健康管理系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102953A CN112102953A (zh) | 2020-12-18 |
CN112102953B true CN112102953B (zh) | 2023-06-16 |
Family
ID=73786004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138904.2A Active CN112102953B (zh) | 2020-10-22 | 2020-10-22 | 个性化糖尿病健康管理系统、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112102953B (zh) |
WO (1) | WO2022083124A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102953B (zh) * | 2020-10-22 | 2023-06-16 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
CN113205884B (zh) * | 2021-05-12 | 2023-02-24 | 中国科学院深圳先进技术研究院 | 一种血糖预测方法、系统及其应用 |
CN113314237A (zh) * | 2021-06-03 | 2021-08-27 | 河北中医学院 | 一种“互联网+”智能经济型血糖仪管理系统 |
CN113948207B (zh) * | 2021-10-18 | 2024-08-16 | 东北大学 | 一种用于低血糖预警的血糖数据处理方法 |
CN115299890A (zh) * | 2022-07-26 | 2022-11-08 | 湖北智奥物联网科技有限公司 | 孕期健康管理的柔性装置及系统 |
CN115203595B (zh) * | 2022-09-19 | 2022-12-06 | 北京智源人工智能研究院 | 一种通过生活特征对体征健康进行预测的系统及方法 |
CN118298992A (zh) * | 2023-01-03 | 2024-07-05 | 华为技术有限公司 | 血糖管理方法及相关电子设备 |
CN116864124A (zh) * | 2023-07-06 | 2023-10-10 | 深圳市绿航星际太空科技研究院 | 一种基于大数据的营养健康预测系统 |
CN116931843B (zh) * | 2023-09-15 | 2023-11-21 | 厦门奇力夸拉网络科技有限公司 | 基于大语言模型的用户在线管理系统 |
CN117409984B (zh) * | 2023-09-21 | 2024-07-02 | 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 |
CN117038100B (zh) * | 2023-10-09 | 2024-03-15 | 深圳市乗名科技有限公司 | 一种基于iot技术的健康管理系统 |
CN117530684B (zh) * | 2024-01-09 | 2024-04-16 | 深圳市双佳医疗科技有限公司 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
CN117789987B (zh) * | 2024-02-23 | 2024-05-28 | 青岛大学附属医院 | 一种内分泌科康复评估模型的构建方法及系统 |
CN118136250A (zh) * | 2024-03-05 | 2024-06-04 | 江苏健中康华医疗科技有限公司 | 基于数据分析的健康管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670755A (zh) * | 2004-03-17 | 2005-09-21 | 希森美康株式会社 | 糖尿病诊疗支持系统以及存储介质 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN111599470A (zh) * | 2020-04-23 | 2020-08-28 | 中国科学院上海技术物理研究所 | 一种用于提高近红外无创血糖检测精度的方法 |
CN111755122A (zh) * | 2020-05-21 | 2020-10-09 | 甘肃卫生职业学院 | 一种基于cnn和模型融合的糖尿病血糖预测系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0910023A2 (de) * | 1997-10-17 | 1999-04-21 | Siemens Aktiengesellschaft | Verfahren und Anordnung zur neuronalen Modellierung eines dynamischen Systems mit nichtlinearem stochastischem Verhalten |
CN103310113B (zh) * | 2013-06-24 | 2016-03-30 | 浙江大学 | 一种基于频带分离和数据建模的通用血糖预测方法 |
CN107203700B (zh) * | 2017-07-14 | 2020-05-05 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
CN110379488A (zh) * | 2019-07-12 | 2019-10-25 | 深圳市预防宝科技有限公司 | 一种对餐后高血糖进行预警的装置及方法 |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN112102953B (zh) * | 2020-10-22 | 2023-06-16 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
-
2020
- 2020-10-22 CN CN202011138904.2A patent/CN112102953B/zh active Active
-
2021
- 2021-05-31 WO PCT/CN2021/097230 patent/WO2022083124A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670755A (zh) * | 2004-03-17 | 2005-09-21 | 希森美康株式会社 | 糖尿病诊疗支持系统以及存储介质 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN111599470A (zh) * | 2020-04-23 | 2020-08-28 | 中国科学院上海技术物理研究所 | 一种用于提高近红外无创血糖检测精度的方法 |
CN111755122A (zh) * | 2020-05-21 | 2020-10-09 | 甘肃卫生职业学院 | 一种基于cnn和模型融合的糖尿病血糖预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022083124A1 (zh) | 2022-04-28 |
CN112102953A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102953B (zh) | 个性化糖尿病健康管理系统、设备及存储介质 | |
US20180301220A1 (en) | Wearable Sensor Packages and Health Score Analytics for Athletic Performance and Training | |
EP2627251B1 (en) | Handheld diabetes management device with bolus calculator | |
EP2006786B1 (en) | Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback | |
Pappada et al. | Neural network-based real-time prediction of glucose in patients with insulin-dependent diabetes | |
US11081234B2 (en) | Clinical support systems and methods | |
Georga et al. | Data mining for blood glucose prediction and knowledge discovery in diabetic patients: The METABO diabetes modeling and management system | |
EP1972270B1 (en) | Method and glucose monitoring system for monitoring individual metabolic response | |
US20170124279A1 (en) | Adaptive Complimentary Self-Assessment And Automated Health Scoring For Improved Patient Care | |
KR20210008267A (ko) | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 | |
EP3567594B1 (en) | Diabetes management system with dynamic selection of prediction logic | |
JP2005328924A (ja) | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム | |
CN103250157B (zh) | 在手持糖尿病管理设备上的结构化血糖试验的可更新性 | |
CN106413549B (zh) | 用于分析用户的被连续地监视的生理测量值的方法和设备方法、系统和计算机程序产品 | |
KR20200066204A (ko) | 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법 | |
Zholdas et al. | Health monitoring system using internet of things | |
WO2022050992A1 (en) | Virtually monitoring glucose levels in a patient using machine learning and digital twin technology | |
Yoldemir | Internet of Things and women’s health | |
US20220313224A1 (en) | Fertility prediction from wearable-based physiological data | |
CN117116462A (zh) | 一种糖化血红蛋白值的预测方法、系统及装置 | |
Abeltino et al. | Digital applications for diet monitoring, planning, and precision nutrition for citizens and professionals: a state of the art | |
JPH1153319A (ja) | 健康管理装置 | |
Vyas et al. | DiaM-Integrated Mobile-Based Diabetes Management | |
Brooke et al. | mHealth Technologies in Pre-Diabetes and Diabetes Care | |
Bianchi et al. | Remote management of heart failure patients: A p-health example |
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 |