CN112133442B - 一种连续无创血糖检测装置及方法 - Google Patents
一种连续无创血糖检测装置及方法 Download PDFInfo
- Publication number
- CN112133442B CN112133442B CN202011004281.XA CN202011004281A CN112133442B CN 112133442 B CN112133442 B CN 112133442B CN 202011004281 A CN202011004281 A CN 202011004281A CN 112133442 B CN112133442 B CN 112133442B
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- physiological
- model
- blood
- insulin
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 283
- 210000004369 blood Anatomy 0.000 title claims abstract description 276
- 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 title claims abstract description 227
- 239000008103 glucose Substances 0.000 title claims abstract description 227
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 29
- 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 abstract description 92
- 229940125396 insulin Drugs 0.000 claims abstract description 54
- 230000004060 metabolic process Effects 0.000 claims abstract description 44
- 102000004877 Insulin Human genes 0.000 claims abstract description 38
- 108090001061 Insulin Proteins 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000002503 metabolic effect Effects 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 24
- 230000029087 digestion Effects 0.000 claims description 18
- 210000003722 extracellular fluid Anatomy 0.000 claims description 18
- 235000012054 meals Nutrition 0.000 claims description 15
- 230000036284 oxygen consumption Effects 0.000 claims description 12
- 235000013372 meat Nutrition 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 230000017531 blood circulation Effects 0.000 claims description 6
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 230000009229 glucose formation Effects 0.000 claims description 5
- 235000012631 food intake Nutrition 0.000 claims description 3
- 230000002440 hepatic effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 238000013186 photoplethysmography Methods 0.000 claims description 3
- 230000037406 food intake Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000037396 body weight Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000000291 postprandial effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000001079 digestive effect Effects 0.000 description 2
- 210000000624 ear auricle Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000004153 glucose metabolism Effects 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 206010033675 panniculitis Diseases 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000004304 subcutaneous tissue Anatomy 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 229920002527 Glycogen Polymers 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229940096919 glycogen Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Emergency Medicine (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种连续无创血糖检测装置，包括，模型训练模块和血糖检测模块，其中，所述模型训练模块，用于连续采集血糖参考值及生理代谢特征，估计最佳效能参数，建立回归模型；所述血糖检测模块，用于根据所述回归模型进行血糖预测。本发明还提供一种连续无创血糖检测方法，能够通过生理模型驱动和数据驱动结合的方式实现血糖预测，并且能够反映胰岛素作用和进食过程对血糖变化速率的影响。
Description
技术领域
本发明涉及医疗健康技术领域，尤其涉及连续无创血糖检测装置及方法。
背景技术
糖尿病是一种以高血糖为特征的严重的慢性疾病，患者由于分泌的胰岛素不足或者无法有效使用胰岛素造成长期的高血糖状态。2019年全世界范围内的成年糖尿病患者达到了4.63亿。长期的血糖失常会导致一系列严重的并发症，例如失明、组织受损、肾衰竭、中风和心脏病等等，对社会和患者造成巨大负担。尽管还没有治愈糖尿病的手段，我们可以通过正常化血糖水平来控制病情发展。
正常化血糖水平需要掌握血糖浓度或者血糖变化趋势，研究显示，患者血糖谱对于优化其血糖管理具有相当大的潜力。连续无创血糖检测方法无疑是理想的血糖检测手段。目前的无创血糖测试方法大多是基于人体生理信号和血糖值之间的物理回归模型，是以数据驱动为实现方式的单点血糖检测。此外，检测过程容易受到人体其他成分和附属效应的干扰，以及由于生理特征和血糖浓度之间存在延迟而导致血糖预测结果的滞后。研究者提出利用多传感器结合的方式校正血糖估计中的干扰因素，以及使用了时序分析的模型解决人体生理参数和血糖浓度之间的延迟。但截至目前，还没有能够实际应用的无创连续血糖监测设备。
血糖与人体代谢的葡萄糖之间存在动态平衡，这一过程同时受到胰岛素的调控影响。由于胰岛素参与代谢的复杂性，多数无创血糖检测的研究没有对胰岛素在模型中的作用做出讨论。Bergman等研究者进行了人体血糖浓度变化生理模型的研究，建立并验证了血糖代谢的最小模型，通过微分方程刻画血糖和胰岛素作用之间的动态关系，该模型广泛应用于胰岛素敏感性的临床检测。结合该生理模型，可能实现人体血糖水平的连续预测。
发明内容
为了解决现有技术存在的不足，本发明的目的在于提供一种连续无创血糖检测装置及方法，能够通过生理模型驱动和数据驱动结合的方式实现血糖预测，并且能够反映胰岛素作用和进食过程对血糖变化速率的影响。
为实现上述目的，本发明提供的连续无创血糖检测装置，包括，模型训练模块和血糖检测模块，其中，
所述模型训练模块，用于连续采集血糖参考值及生理代谢特征，估计最佳效能参数，建立回归模型；
所述血糖检测模块，用于根据所述回归模型进行血糖预测。
进一步地，所述生理代谢特征，包括，热特征、耗氧量特征、脉搏波特征、进食消化特征。
进一步地，所述模型训练模块，包括，生理模型推导单元、生理代谢特征单元、模型离散化-血糖迭代模型单元、数据库建立单元、参考血糖曲线获取单元、生理代谢特征采集单元、最佳效能参数选取单元和回归模型建立单元，其中，
所述生理模型推导单元，其用于描述血糖梯度变化；
所述生理代谢特征单元，其根据生理代谢特征设置建模对象；
所述模型离散化-血糖迭代模型单元，其获取血糖的迭代公式，进行连续无创血糖预测；
所述数据库建立单元，其用于建立包括连续生理代谢特征和连续参考血糖值的数据库；
所述参考血糖曲线获取单元，连续采集血糖参考值并将其作为建模真值；
所述生理代谢特征采集单元，用于连续采集生理代谢特征；
所述最佳效能参数选取单元，其用于获取最佳效能参数；
所述回归模型建立单元，其根据所述效能参数，训练回归模型并完成建模。
进一步地，所述生理模型推导单元，其利用含有最小血糖-胰岛素生理模型描述血糖梯度变化。
进一步地，所述模型离散化-血糖迭代模型单元，其获取血糖的迭代公式，通过离散化推导，结合数据驱动方式和多传感器信号，进行连续无创血糖预测。
进一步地，所述最佳效能参数选取单元，其对生理代谢特征参考血糖曲线进行拟合，得到血糖估计曲线,选择预测准确度最高的效能参数作为最佳效能参数。
进一步地，所述回归模型建立单元，其根据所述效能参数，训练回归模型并完成建模
根据所述最佳效能参数，获取建模目标对象的参考值，以生理代谢特征为输入、建模目标对象的参考值为输出，训练回归模型并完成建模。
进一步地，所述血糖检测模块，其利用参考血糖曲线、生理代谢特征或按照效能参数的参考值0.031～0.035min-1计算，得到最佳效能参数。
更进一步地，所述血糖检测模块，包括，连续无创血糖检测单元，
所述连续无创血糖检测单元，其根据最佳效能参数，利用所述回归模型，进行连续无创血糖预测。
为实现上述目的，本发明还提供一种连续无创血糖检测方法，包括以下步骤：
1)建立血糖-胰岛素生理模型；
2)连续采集血糖参考值及生理代谢特征；
3)拟合所述血糖-胰岛素生理模型及所述生理代谢特征估计最佳效能参数；
4)根据所述最佳效能参数建立回归模型；
5)根据所述回归模型进行血糖预测。
进一步地，所述步骤1)进一步包括，根据血糖随时间变化浓度、效能参数、间质胰岛素的作用速率、基础状态下的血糖浓度建立血糖梯度变化的血糖-胰岛素生理模型。
进一步地，所述步骤1)进一步包括以下步骤：
11)假设胰岛素促进组织器官吸收利用葡萄糖的速率与血糖浓度和细胞间液中的胰岛素浓度乘积成正比，建立所述生理代谢特征与所述血糖浓度和细胞间液中的胰岛素浓度乘积的函数关系；
12)结合生理代谢特征与所述血糖浓度和细胞间液中的胰岛素浓度乘积的函数关系与所述血糖-胰岛素生理模型，选择一阶离散化，得到当前血糖值与前一个时刻血糖值和当前时刻生理代谢特征的函数关系。
进一步地，所述步骤12)进一步包括以下步骤：
定义消化过程中葡萄糖的产生率和人体的葡萄糖分布容积，修正血糖-胰岛素生理模型；
假设人体的葡萄糖分布容积和人体消化吸收对于总摄入的比例恒定，定义消化过程中葡萄糖的产生率为相对进食时间和生理指数的函数；
根据消化过程中葡萄糖的产生率更改建模对象和血糖的迭代公式。
进一步地，所述步骤2)进一步包括以下步骤：
在受控环境下，连续定时采集数据库样本数据，跟踪记录血糖和所述生理代谢特征变化；
所述生理代谢特征包括热特征、耗氧量特征、光电容积法脉搏波特征和进食消化有关特征。
进一步地，所述步骤3)进一步包括，根据血糖参考值，遍历不同效能参数，根据所述生理模型，计算参考血糖浓度和细胞间液中的胰岛素浓度乘积曲线，拟合所述生理代谢特征和血糖浓度和细胞间液中的胰岛素浓度乘积，根据当前血糖值与前一个时刻血糖值和当前时刻代谢特征的函数关系递推得到血糖估计曲线，根据血糖估计曲线准确度确定最佳效能参数。
进一步地，所述步骤4)进一步包括以下步骤，根据所述效能参数，推导建模目标对象的参考值，以生理代谢特征为输入，建模目标对象的参考值为输出训练回归模型。
进一步地，所述步骤5)进一步包括，连续采集生理代谢特征，结合所述回归模型，以及血糖迭代函数，进行连续无创血糖预测。
更进一步地，所述步骤2)进一步包括，获取参考血糖曲线时，将连续组织液血糖序列和指尖血血糖曲线相关性最大的时刻设定为延时滞后时间，校准得到参考血糖曲线，在消除延时后，以指尖血血糖为准进行修正。
本发明的连续无创血糖检测装置及方法，具有以下有益效果：
1)能够实现无创式的连续血糖检测和血糖谱跟踪。
2)将血糖梯度和胰岛素作用动态地结合到一起，更完善地描述葡萄糖代谢的通路，可能实现更符合生理过程地血糖连续检测。
3)较好地考虑了胰岛素和进食等因素在血糖代谢中的作用，有助于提高无创血糖预测准确度。
4)推导了无创血糖序列预测地迭代公式，建模相关的生理代谢特征在预测时具有较好的鲁棒性，能够避免血糖迭代时的误差累加，具有较好的血糖跟踪谱跟踪性能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：
图1为根据本发明的血糖生理代谢模型框图；
图2为根据本发明的连续无创血糖检测装置结构示意图；
图3为根据本发明的参考血糖曲线获取过程示意图；
图4为根据本发明的可见光-进红外光脉搏波交流信号示意图；
图5不同效能参数对应血糖预测的相关系数和均方根误差的变化；
图6为根据本发明的神经网络训练回归模型示意图；
图7为根据本发明的连续无创血糖检测方法流程图；
图8为根据本发明的连续无创血糖检测结果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为根据本发明的血糖生理代谢模型框图，如图1所示，本发明的血糖生理代谢模型，分为血浆和间质液两个区域，血糖浓度的来源主要包括进食消化和肝脏的糖原释放，去向包括肝脏和间质液中的功能细胞；胰岛素同样分为两室作用，胰腺释放血浆胰岛素I(t)，胰岛素扩散至间质液，间质液胰岛素浓度X(t)作用于肝脏和功能细胞摄取葡萄糖；功能细胞通过代谢摄取的葡萄糖，进而产生代谢热和耗氧量以及脉搏波等变化。
图2为根据本发明的连续无创血糖检测装置结构示意图，如图2所示，本发明的连续无创血糖检测装置，包括，模型训练模块和血糖检测模块，其中，
模型训练模块，其根据生理代谢特征设置建模对象FXG&meal，完成FXG&meal对象的建模，并估计出最佳效能参数p1[min-1]。
本实施例中，模型训练模块，包括，生理模型推导单元10、生理代谢特征单元20、模型离散化-血糖迭代模型单元30、数据库建立单元40、参考血糖曲线获取单元50、生理代谢特征采集单元60、最佳效能参数选取单元70和回归模型建立单元80；血糖检测模块，包括，血糖检测单元90。
生理模型推导单元10，用于利用含有最小血糖-胰岛素生理模型描述血糖梯度变化，其微分形式为：
其中，G(t)[mg/dl]为血糖随时间变化浓度，为血糖变化梯度，p1[min-1]表示基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能参数，X(t)[min-1]为间质胰岛素的作用速率，Gb为基础状态下的血糖浓度，可用空腹血糖代替。
若考虑进食作用，将生理模型调整为：
Rmeat(t)为消化过程中葡萄糖的产生率(mg/kg/min)，V是人体的葡萄糖分布容积(dl/kg)。
生理代谢特征单元20，其根据生理代谢特征设置建模对象。
本实施例中，生理代谢特征，包括但不限于：热特征、耗氧量特征、光电容积法脉搏波特征、进食消化特征等其他生理代谢特征。
本实施例中，假设V恒定，假设人体消化吸收对于总摄入的比例恒定。定义Rmeat(t)是关于相对进食时间t和BMI指数(或体重)的函数，即Rmeat(t)＝f1(t，BMI)。
设置建模对象为：
其中，H表示代谢热相关特征，包括人体与环境通过蒸发、传导、辐射等方式进行的热交换特征，具体的可通过环境以及人体的温湿度等具体特征求得；O2表示耗氧量相关特征；PPG表示血流速光电容积法脉搏波特征。
模型离散化-血糖迭代模型单元30，用于获取血糖的迭代公式，通过离散化推导，结合数据驱动方式和多传感器信号，进行连续无创血糖预测。
本实施例中，离散化方式，通过一阶差分形式展开：
(Δtp1+1)G(i)＝Δtp1Gb+G(i-1)-ΔtFXG&meal 式4
数据库建立单元40，用于招募一定数量的受试者数据作为数据库，以便建模，数据库包括受试者连续生理代谢特征和连续的参考血糖值。
参考血糖曲线获取单元50，用于连续采集血糖参考值，作为建模真值使用。
图3为根据本发明的参考血糖曲线获取过程示意图，如图3所示，通过皮下组织液葡萄糖扫描仪或瞬感血糖扫描仪，记录受试者由空腹至餐后3小时的连续组织液血糖序列(CGM)。同时在空腹至餐后3小时，每间隔20-30分钟采集一次受试者指尖毛细血管血糖，用以校正组织液葡萄糖曲线的延迟。
本实施例中，CGM每隔2分钟采样，指尖血血糖序列通过三次样条插值同样得到每间隔2分钟血糖，通过将CGM和指尖毛细血管血糖曲线相关性最大的时刻设定为延时CGM滞后时间m*，并校准得到每位受试者参考血糖曲线。若存在CGM整体血糖偏低，在消除延时后，以指尖血血糖为准进行修正。
生理代谢特征采集单元60，其用于连续采集人体的生理代谢特征。
本实施例中，连续采集人体的生理代谢特征，包括但不限于：热特征、耗氧量特征、脉搏波特征、进食消化特征，其中，
热特征，包括人体与环境通过蒸发、传导、辐射等方式进行的热交换特征，可通过环境以及人体的温湿度等具体特征求得；
耗氧量特征，包括血流速qb、血氧饱和度SpO2、心率等有关特征；
脉搏波特征，包括通过可见光和进红外光传感器采集到的人体的脉搏波信号中提取的系列特征：舒张压、收缩压、血流灌注率、偏度、峰度、方差等，可见光-进红外光脉搏波交流信号，如图4所示，为通过不同波长光信号照射皮肤获得的脉搏波信号交流分量的单周期波形，我们可以通过这些波形计算上述特征；
进食消化有关特征：相对进食时间t和BMI指数/体重等。
最佳效能参数选取单元70，用于通过步进搜索的方式，寻找受试者的最佳效能参数p1，每位受试者单独搜索。
本实施例中，已知参考血糖曲线，根据式1，遍历不同p1下，计算参考X(t)G(t)曲线，拟合生理代谢特征和X(t)G(t)，使用多元线性回归模型，并交叉验证防止过拟合，递推得到血糖估计曲线，以相关系数、均方根误差或者DTW等相似性度量方法作为血糖曲线预测的评价指标，选择预测准确度最高的效能参数最为最佳效能参数，优选的，如图5所示，效能参数在相近位置处的预测血糖值与参考血糖值达到最高的相关系数和最小的均方根误差，我们取两者对应的效能参数的均值作为最佳效能参数。
回归模型建立单元80，用于根据数据库中受试者各自的最佳效能参数，推导出建模目标对象FXG&meal的参考值。以生理代谢特征作为输入，FXG&meal为输出训练回归模型，完成式3的建模。该回归模型应使用非线性模型，包括但不限于深度神经网络、SVM、随机森林、KNN等非线性回归算法，模型训练时，将特征空间进行归一化，选择2层隐藏层的神经网络进行建模，并采用贝叶斯正则化，如图6所示。
血糖检测模块，其连续采集血糖参考值、生理代谢特征，获取最佳效能参数，或将按照效能参数的参考值0.031～0.035min-1计算最佳效能参数，连续无创生理代谢特征的采集，利用建立的回归模型，实现连续无创血糖预测。
本实施例中，血糖检测模块，包括血糖检测单元90，实现连续无创血糖预测。
本实施例中，所述的血糖检测模块，利用参考血糖曲线获取单元50、生理代谢特征采集单元60和最佳效能参数选取单元70，获得自身的最佳效能参数，或者按照效能参数的参考值0.031～0.035min-1计算出最佳效能参数后，再利用生理代谢特征采集单元60连续无创采集生理代谢特征；血糖检测单元90结合回归模型80的回归模型，以及式4的血糖迭代方法，实现连续无创血糖预测。
本实施例中，一位新的测试者，可选择的经过一次约3个小时的校准，期间连续、无创地采集信息，采集若干次指尖毛细血管血糖即可完成校准，从而实现连续无创血糖检测，预测血糖曲线具有较好的跟踪效果。
本实施例中，生理代谢特征采集可用于多个身体部位，包括指尖、耳垂、手腕等血管分布密集部位。
图7为根据本发明的连续无创血糖检测方法流程图，下面将参考图7，对本发明的连续无创血糖检测方法进行详细描述。
首先，在步骤701，建立最小血糖-胰岛素生理模型。
优选地，最小血糖-胰岛素生理模型的理论为含有最少参数的最小血糖-胰岛素生理模型描述了血糖梯度变化的微分形式：
其中，G(t)[mg/dl]为血糖随时间变化浓度；为血糖变化梯度；p1[min-1]表示基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能参数；X(t)[min-1]为间质胰岛素的作用速率；Gb为基础状态下的血糖浓度，可用空腹血糖代替。
在步骤702，连续采集血糖参考值，作为建模真值使用。该步骤中，通过皮下组织液葡萄糖扫描仪，例如瞬感血糖扫描仪，记录受试者由空腹至餐后若干小时的连续组织液血糖序列(CGM)。
优选地，在空腹至餐后若干小时，每间隔20-30分钟采集一次受试者指尖毛细血管血糖，跟踪时长大于3小时，用以校正组织液葡萄糖曲线的延迟。
具体地，采集数据库样本时，在为受控环境下进行餐后血糖跟踪实验，受试者在空腹状态下，依次进行CGM数值读取、无创血糖数据采集和指尖毛细血管血糖/静脉血糖检测，随后受试者食用标准餐，就餐完毕后连续跟踪若干小时餐后的血糖和相关生理代谢特征变化。
在步骤703，无创采集人体特征信息。该步骤中，连续采集人体的生理代谢特征。
优选地，生理代谢特征采集包括但不限于热特征、耗氧量特征、光电容积法脉搏波特征、进食消化等有关特征(相对进食时间和BMI指数/体重)等。
具体地，热特征包括人体与环境通过蒸发、传导、辐射等方式进行的热交换特征，可通过环境以及人体的温湿度等具体特征求得；耗氧量特征包括心率、血氧饱和度、血流速等有关特征；光电容积法脉搏波特征涉及通过可见光和进红外光传感器采集到的人体的脉搏波信号中提取的系列特征，包括舒张压、收缩压、血流灌注率、偏度、峰度、方差等特征。
具体地，由于代谢热整合法假设人体参与代谢的葡萄糖与血糖成正比，提出人体代谢的热特征H可以表达成葡萄糖浓度G、血流速qb、血氧饱和度SpO2、心率的函数关系，即：
H＝Function(G，qb，SpO2，Hr) 式(2)
但是代谢热整合法未考虑胰岛素水平对于代谢过程的影响，生理模型假设胰岛素促进组织器官吸收利用葡萄糖的速率与血糖浓度和细胞间液中的胰岛素浓度乘积(X(t)G(t))成正比。因此，X(t)G(t)能够通过代谢特征来反映：
X(t)G(t)＝f(H，qb，SpO2，Hr，…) 式(3)
优选地，结合经过临床验证的、符合血糖-胰岛素代谢规律地生理模型，通过离散化推导，结合数据驱动方式和多传感器信号，用于连续无创血糖预测。如式3所示，离散化方式为通过一阶差分形式展开。
优选地，选择一阶离散化，将公式(3)代入式(1)得到i时刻的血糖关系为：
整理为：
该方法使得当前血糖值取决于前一个时刻的血糖和当前时刻的代谢特征，需要将X(t)G(t)＝f(H，qb，SpO2，Hr，…)作为建模对象。
具体地，为了描述进食对于血糖连续变化的影响，定义Rmeat(t)为消化过程中葡萄糖的产生率(mg/kg/min)，V是人体的葡萄糖分布容积(dl/kg)，修正式(1)为：
优选地，假设V恒定，假设人体消化吸收对于总摄入的比例恒定。定义Rmeat(t)是关于相对进食时间t和BMI指数(或体重)的函数，即Rmeat(t)＝f1(t，BMI)。
因此将建模对象更改为：
血糖的迭代公式变为：
(Δtp1+1)G(i)＝Δtp1Gb+G(i-1)-ΔtFXG&meal 式(8)
优选地，建立目标对象的回归模型，由于Rmeat(t)＝f1(t，BMI)是关于时间的非线性函数，因此该回归模型应使用非线性模型，包括但不限于深度神经网络、SVM、随机森林、KNN等非线性回归算法，模型训练时，将特征空间进行归一化。
在步骤704，估计效能参数p1[min-1]。通过步进搜索的方式，寻找受试者的最佳效能参数p1，每位受试者单独搜索。该步骤中，模型训练过程完成FXG&meal对象的建模，并估计受试者的效能参数p1[min-1]。
优选地，已知参考血糖曲线，遍历不同p1下，根据式(1)，计算参考X(t)G(t)曲线，拟合生理代谢特征和X(t)G(t)，根据式(5)递推得到血糖估计曲线，选择估计准确度最高的效能参数为最佳效能参数。
优选地，使用多元线性回归模型，并交叉验证防止过拟合，以相关系数、均方根误差或者DTW等相似性度量方法作为血糖曲线预测准确度的评价指标。
在步骤705，建立目标对象模型。
优选地，已知参考血糖曲线，根据步骤704求得的数据库中受试者各自的最佳效能参数，推导出建模目标对象FXG&meal的参考值。以生理代谢特征作为输入，FXG&meal为输出训练回归模型，完成式(7)的建模。
在步骤706，血糖检测模块根据训练的回归模型和已知参数实现无创连续血糖跟踪。该步骤中，连续无创采集生理代谢特征，结合模型训练过程中的步骤705训练的回归模型，以及式(8)的血糖迭代方法，实现连续无创血糖预测。
优选地，受试者完成模型训练模块中的步骤702至步骤703，获得自身的最佳效能参数，否则按照效能参数的参考值计算。
优选地，模型训练模块在训练过程中，获取参考血糖曲线时，通过以下方式消除CGM曲线延迟。CGM每隔2分钟采样，指尖毛细血管血糖序列通过三次样条插值同样得到每间隔2分钟血糖，通过将CGM和指尖血血糖曲线相关性最大的时刻设定为延时CGM滞后时间m*，并校准得到每位受试者参考血糖曲线。若存在CGM整体血糖偏低，在消除延时后，以指尖血血糖为准进行修正。
优选地，生理代谢征采集可用于多个身体部位，包括指尖、耳垂、手腕等血管分布密集部位。
图8为根据本发明的连续无创血糖检测结果示意图，如图8所示，本发明的无创的连续血糖检测方法及装置，是一种基于人体生理模型的可解释的、无创的连续血糖检测方法及装置，本发明结合多传感器获取的代谢特征，通过生理模型驱动和数据驱动结合的方式实现血糖预测。通过对生理模型离散化推导和改进后，新的血糖预测模型能够反映胰岛素作用和进食过程对血糖变化速率的影响。
Claims (15)
1.一种连续无创血糖检测装置，其特征在于，包括，模型训练模块和血糖检测模块，其中，
所述模型训练模块，用于连续采集血糖参考值及生理代谢特征，估计最佳效能参数，建立回归模型；
所述血糖检测模块，用于根据所述回归模型进行血糖预测；
所述模型训练模块，包括，生理模型推导单元、生理代谢特征单元、模型离散化-血糖迭代模型单元、数据库建立单元、参考血糖曲线获取单元、生理代谢特征采集单元、最佳效能参数选取单元和回归模型建立单元，其中，
所述生理模型推导单元，其利用含有最小血糖-胰岛素生理模型描述血糖梯度变化，其微分形式为：
其中，G(t)[mg/dl]为血糖随时间变化浓度，为血糖变化梯度，p1[min-1]表示基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能参数，X(t)[min-1]为间质胰岛素的作用速率，Gb为基础状态下的血糖浓度；
所述生理代谢特征单元，其根据生理代谢特征设置建模对象：
其中，Rmeat(t)是关于相对进食时间t和BMI指数的函数：Rmeat(t)＝f1(t，BMI)；H表示代谢热相关特征；O2表示耗氧量相关特征；PPG表示血流速光电容积法脉搏波特征；
所述模型离散化-血糖迭代模型单元，用于获取血糖的迭代公式，通过离散化推导，结合数据驱动方式和多传感器信号，进行连续无创血糖预测，离散化方式，通过一阶差分形式展开：
(Δtp1+1)G(i)＝Δtp1Gb+G(i-1)-ΔtFXG&meal；
所述数据库建立单元，其用于建立包括连续生理代谢特征和连续参考血糖值的数据库；
所述参考血糖曲线获取单元，连续采集血糖参考值并将其作为建模真值；
所述生理代谢特征采集单元，用于连续采集生理代谢特征；
所述最佳效能参数选取单元，其用于获取最佳效能参数；
所述回归模型建立单元，其根据所述效能参数，训练回归模型并完成建模。
2.根据权利要求1所述的连续无创血糖检测装置，其特征在于，所述生理代谢特征，包括，热特征、耗氧量特征、脉搏波特征、进食消化特征。
3.根据权利要求1所述的连续无创血糖检测装置，其特征在于，所述最佳效能参数选取单元，其对生理代谢特征参考血糖曲线进行拟合，得到血糖估计曲线,选择预测准确度最高的效能参数作为最佳效能参数。
4.根据权利要求1所述的连续无创血糖检测装置，其特征在于，所述回归模型建立单元，其根据所述效能参数，训练回归模型并完成建模
根据所述最佳效能参数，获取建模目标对象的参考值，以生理代谢特征为输入、建模目标对象的参考值为输出，训练回归模型并完成建模。
5.根据权利要求1所述的连续无创血糖检测装置，其特征在于，所述血糖检测模块，其利用参考血糖曲线、生理代谢特征或按照效能参数的参考值0.031～0.035min-1计算，得到最佳效能参数。
6.根据权利要求5所述的连续无创血糖检测装置，其特征在于，所述血糖检测模块，包括，连续无创血糖检测单元，
所述连续无创血糖检测单元，其根据最佳效能参数，利用所述回归模型，进行连续无创血糖预测。
7.一种连续无创血糖检测方法，应用于权利要求1至6任一项所述的连续无创血糖检测装置，其特征在于，包括以下步骤：
1)建立血糖-胰岛素生理模型；
2)连续采集血糖参考值及生理代谢特征；
3)拟合所述血糖-胰岛素生理模型及所述生理代谢特征估计最佳效能参数；
4)根据所述最佳效能参数建立回归模型；
5)根据所述回归模型进行血糖预测。
8.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤1)进一步包括，根据血糖随时间变化浓度、效能参数、间质胰岛素的作用速率、基础状态下的血糖浓度建立血糖梯度变化的血糖-胰岛素生理模型。
9.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤1)进一步包括以下步骤：
11)假设胰岛素促进组织器官吸收利用葡萄糖的速率与血糖浓度和细胞间液中的胰岛素浓度乘积成正比，建立所述生理代谢特征与所述血糖浓度和细胞间液中的胰岛素浓度乘积的函数关系；
12)结合生理代谢特征与所述血糖浓度和细胞间液中的胰岛素浓度乘积的函数关系与所述血糖-胰岛素生理模型，选择一阶离散化，得到当前血糖值与前一个时刻血糖值和当前时刻生理代谢特征的函数关系。
10.根据权利要求9所述的连续无创血糖检测方法，其特征在于，所述步骤12)进一步包括以下步骤：
定义消化过程中葡萄糖的产生率和人体的葡萄糖分布容积，修正血糖-胰岛素生理模型；
假设人体的葡萄糖分布容积和人体消化吸收对于总摄入的比例恒定，定义消化过程中葡萄糖的产生率为相对进食时间和生理指数的函数；
根据消化过程中葡萄糖的产生率更改建模对象和血糖的迭代公式。
11.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤2)进一步包括以下步骤：
在受控环境下，连续定时采集数据库样本数据，跟踪记录血糖和所述生理代谢特征变化；
所述生理代谢特征包括热特征、耗氧量特征、光电容积法脉搏波特征和进食消化有关特征。
12.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤3)进一步包括，根据血糖参考值，遍历不同效能参数，根据所述生理模型，计算参考血糖浓度和细胞间液中的胰岛素浓度乘积曲线，拟合所述生理代谢特征和血糖浓度和细胞间液中的胰岛素浓度乘积，根据当前血糖值与前一个时刻血糖值和当前时刻代谢特征的函数关系递推得到血糖估计曲线，根据血糖估计曲线准确度估计最佳效能参数。
13.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤4)进一步包括以下步骤，根据所述效能参数，推导建模目标对象的参考值，以生理代谢特征为输入，建模目标对象的参考值为输出训练回归模型。
14.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤5)进一步包括，连续采集生理代谢特征，结合所述回归模型，以及血糖迭代函数，进行连续无创血糖预测。
15.根据权利要求7所述的连续无创血糖检测方法，其特征在于，所述步骤2)进一步包括，获取参考血糖曲线时，将连续组织液血糖序列和指尖血血糖曲线相关性最大的时刻设定为延时滞后时间，校准得到参考血糖曲线，在消除延时后，以指尖血血糖为准进行修正。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004281.XA CN112133442B (zh) | 2020-09-22 | 2020-09-22 | 一种连续无创血糖检测装置及方法 |
| PCT/CN2021/118987 WO2022063048A1 (zh) | 2020-09-22 | 2021-09-17 | 一种连续无创血糖检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004281.XA CN112133442B (zh) | 2020-09-22 | 2020-09-22 | 一种连续无创血糖检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112133442A CN112133442A (zh) | 2020-12-25 |
| CN112133442B true CN112133442B (zh) | 2024-02-13 |
Family
ID=73842404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011004281.XA Active CN112133442B (zh) | 2020-09-22 | 2020-09-22 | 一种连续无创血糖检测装置及方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112133442B (zh) |
| WO (1) | WO2022063048A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113160970A (zh) * | 2021-04-14 | 2021-07-23 | 杭州慧钥医疗器械科技有限公司 | 指标数据的分析方法、装置、设备及存储介质 |
| CN114098724B (zh) * | 2021-11-22 | 2024-03-26 | 乐普（北京）医疗器械股份有限公司 | 基于光学信号特征及代谢热特征的血糖预测方法和装置 |
| CN114550940A (zh) * | 2022-04-26 | 2022-05-27 | 广东工业大学 | 基于Stacking模型融合的无创血糖估计方法、系统及存储介质 |
| CN115662617B (zh) * | 2022-10-24 | 2023-06-27 | 重庆联芯致康生物科技有限公司 | 基于cgm的结果病情预测系统及其预测方法 |
| CN115841874B (zh) * | 2022-11-15 | 2024-02-23 | 广东工业大学 | 一种连续血糖数据长期监测方法和系统 |
| CN116803344B (zh) * | 2023-07-27 | 2024-02-13 | 迈德医疗科技(深圳)有限公司 | 基于多范数聚类和双层离散网络的血糖分类方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107280686A (zh) * | 2017-07-25 | 2017-10-24 | 周訾顺 | 一种无创可穿戴式的血糖仪 |
| FR3056095A1 (fr) * | 2016-09-21 | 2018-03-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme automatise de regulation de la glycemie d'un patient |
| WO2019016452A1 (fr) * | 2017-07-21 | 2019-01-24 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme automatise de regulation de la glycemie d'un patient |
| CN109872821A (zh) * | 2019-04-24 | 2019-06-11 | 北京信息科技大学 | 一种构建血糖预测模型的方法及装置 |
| CN110623678A (zh) * | 2018-06-22 | 2019-12-31 | 深圳市游弋科技有限公司 | 一种血糖测量装置及其数据处理方法、存储介质 |
| CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9486171B2 (en) * | 2013-03-15 | 2016-11-08 | Tandem Diabetes Care, Inc. | Predictive calibration |
| CN111599470B (zh) * | 2020-04-23 | 2022-07-29 | 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 |
| 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 |
-
2020
- 2020-09-22 CN CN202011004281.XA patent/CN112133442B/zh active Active
-
2021
- 2021-09-17 WO PCT/CN2021/118987 patent/WO2022063048A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3056095A1 (fr) * | 2016-09-21 | 2018-03-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme automatise de regulation de la glycemie d'un patient |
| WO2019016452A1 (fr) * | 2017-07-21 | 2019-01-24 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Systeme automatise de regulation de la glycemie d'un patient |
| CN107280686A (zh) * | 2017-07-25 | 2017-10-24 | 周訾顺 | 一种无创可穿戴式的血糖仪 |
| CN110623678A (zh) * | 2018-06-22 | 2019-12-31 | 深圳市游弋科技有限公司 | 一种血糖测量装置及其数据处理方法、存储介质 |
| CN109872821A (zh) * | 2019-04-24 | 2019-06-11 | 北京信息科技大学 | 一种构建血糖预测模型的方法及装置 |
| CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于阻抗谱法的无创血糖检测系统设计;李洋;唐飞;李曙哲;王晓浩;;传感器与微系统(第03期);第77-82页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112133442A (zh) | 2020-12-25 |
| WO2022063048A1 (zh) | 2022-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112133442B (zh) | 一种连续无创血糖检测装置及方法 | |
| Zhang et al. | A noninvasive blood glucose monitoring system based on smartphone PPG signal processing and machine learning | |
| JP7261811B2 (ja) | 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法 | |
| Loh et al. | Application of photoplethysmography signals for healthcare systems: An in-depth review | |
| Mirshekarian et al. | Using LSTMs to learn physiological models of blood glucose behavior | |
| US20210401332A1 (en) | Self-monitoring and care assistant for achieving glycemic goals | |
| US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
| CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
| Li et al. | Non-invasive monitoring of three glucose ranges based on ECG by using DBSCAN-CNN | |
| EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
| CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
| CN111508607B (zh) | 一种基于bp神经网络的肥胖症预测系统 | |
| Luo et al. | Heart rate prediction model based on neural network | |
| Guo | Noninvasive blood glucose measurement based on NIR spectrums and double ANN analysis | |
| Philip et al. | Continous monitoring of blood glucose using photophlythesmograph signal | |
| CN114420301B (zh) | 基于分段域rf建模预测血糖的方法、系统及存储介质 | |
| Wang et al. | A novel approach to estimate blood pressure of blood loss continuously based on stacked auto-encoder neural networks | |
| Liu et al. | PbFG: Physique-based fuzzy granular modeling for non-invasive blood glucose monitoring | |
| CN113662520A (zh) | 一种基于不确定性量化策略的可穿戴连续血压测量系统 | |
| Shamim et al. | Diagnostic accuracy of smartphone-connected electrophysiological biosensors for prediction of blood glucose level in a type-2 diabetic patient using machine learning: A pilot study | |
| Nampoothiri et al. | Comparison of infrared and red photoplethysmography signals for non-calibrated non-invasive blood glucose monitoring | |
| CN115486824A (zh) | 一种基于不确定性度量的无袖带连续血压估计系统 | |
| Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
| Susana et al. | Review of Non-Invasive Blood Glucose Level Estimation based on Photoplethysmography and Artificial Intelligent Technology | |
| CN115067912A (zh) | 一种基于elm模型的无创血液粘稠度预测方法及装置 |
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 |