CN112635054A - 一种基于脉图参数对目标血糖值进行预测的系统及方法 - Google Patents
一种基于脉图参数对目标血糖值进行预测的系统及方法 Download PDFInfo
- Publication number
- CN112635054A CN112635054A CN202011382965.3A CN202011382965A CN112635054A CN 112635054 A CN112635054 A CN 112635054A CN 202011382965 A CN202011382965 A CN 202011382965A CN 112635054 A CN112635054 A CN 112635054A
- Authority
- CN
- China
- Prior art keywords
- pulse
- amplitude
- wave
- dominant
- target
- 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.)
- Pending
Links
- 239000008280 blood Substances 0.000 title claims abstract description 44
- 210000004369 blood Anatomy 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 24
- 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 description 21
- 239000008103 glucose Substances 0.000 title claims description 21
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000003205 diastolic effect Effects 0.000 claims description 18
- 230000036278 prepulse Effects 0.000 claims description 12
- 230000003914 insulin secretion Effects 0.000 claims description 10
- 210000005240 left ventricle Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 206010012601 diabetes mellitus Diseases 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000007446 glucose tolerance test Methods 0.000 description 6
- 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 description 6
- 235000012054 meals Nutrition 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 108010075254 C-Peptide Proteins 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 3
- 108090001061 Insulin Proteins 0.000 description 3
- 229940125396 insulin Drugs 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 2
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000227 basophil cell of anterior lobe of hypophysis Anatomy 0.000 description 1
- 201000011529 cardiovascular cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007410 oral glucose tolerance test Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000001105 regulatory 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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于脉图参数对目标血糖值进行预测的系统及方法，属于数据处理技术领域。本发明系统，包括：采集单元，采集以预设的时间间隔及次数，采集目标的脉搏波数据；分析单元，调用所述采集单元采集的脉搏波数据，对脉搏波数据进行时域分析，获取脉象特征参数；血糖预测单元，建立筛查模型，将所述分析单元获取脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。本发明解决了现有的确定目标血糖值等方法存在着操作专业性强、有创性等问题，有效缓解目标的痛苦，使目标血糖值的筛查更容易普及。
Description
技术领域
本发明涉及数据处理技术领域，并且更具体地，涉及一种基于脉图参数对目标血糖值进行预测的系统及方法。
背景技术
糖尿病是由于多种病因引起以慢性高血糖为特征的代谢紊乱，已成为发达国家中继心血管病和肿瘤之后的第三大非传染性疾病，其患者人数正随着人民生活水平的提高、人口老龄化、生活方式的改变以及诊断技术的进步而迅速增加，世界卫生组织预测到2025年，全世界将有3亿多的糖尿病病人，糖尿病已成为严重威胁人类健康的世界性公共卫生问题之一。由此可见，早期准确的病情评估及防治对于改善本病的临床预后有着重要作用。
在我国，60.7％的糖尿病患者因未被早期发现而无法及早进行有效治疗，约半数的患者在糖尿病确诊时已出现了1项或1项以上的不可逆并发症。糖尿病早期筛查对糖尿病及其并发症的防控具有重要价值，评估糖尿病患病风险、早期发现糖尿病患者是糖尿病防控的关键步骤。
糖尿病的筛查方法包括尿糖测定、血糖测定、葡萄糖耐量试验、糖化血红蛋白、血浆胰岛素和C肽测定等。尿糖测定方便，留尿即可，但影响因素多，有误差，而且当血糖超高肾糖阈时，尿糖才会阳性，导致一部分血糖异常的人群被漏检；血糖测定、葡萄糖耐量试验、糖化血红蛋白、血浆胰岛素和C肽测定都属于有创检测，需要抽取静脉血，其中血糖测定、葡萄糖耐量试验，可以作为诊断糖尿病的依据，同时葡萄糖耐量试验还可以了解胰岛β细胞功能和机体对血糖的调节能力，对于诊断及治疗都有很好的指导意义。因此，葡萄糖耐量试验被认为是诊断糖尿病的金标准。
葡萄糖耐量试验的常规操作方法是空腹抽血后，5分钟内饮入250ml含有75g葡萄糖的糖水，饮完后开始计时，分别于喝完糖水后的0.5小时、1小时、2小时、3小时取血送检，也可同时取血进行胰岛素和C肽测定。实验有两个关键的问题，使很多需要做糖尿病筛查的人拒绝进行此检测，1)全过程3小时，每0.5-1小时即抽血一次，给检测者带来疼痛感和心理恐惧；2)口服糖水，很多人接受不了这口味，尤其是孕妇进行糖筛。因此，亟需发明一种具有和OGTT同等作用的简便、无创的血糖筛查方法。
发明内容
针对上述问题，本发明提出了一种基于脉图参数对目标血糖值进行预测的系统，包括：
采集单元，所述采集单元采集以预设的时间间隔及次数，采集目标的脉搏波数据；
分析单元，所述分析单元，调用所述采集单元采集的脉搏波数据，对脉搏波数据进行时域分析，获取脉象特征参数；
血糖预测单元，所述筛查单元建立筛查模型，将所述分析单元获取脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
可选的，脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
可选的，筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
可选的，系统还包括：
曲线输出单元，所述曲线输出单元，调用采集单元采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据使用分析单元进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
本发明还提出了一种基于脉图参数对目标血糖值进行预测的方法，包括：
采集以预设的时间间隔及次数，采集目标的脉搏波数据；
对脉搏波数据进行时域分析，获取脉象特征参数；
建立筛查模型，将脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
可选的，脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
可选的，筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
可选的，方法还用于，采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
本发明解决了现有的确定目标血糖值等方法存在着操作专业性强、有创性等问题，有效缓解目标的痛苦，使目标血糖值的筛查更容易普及。
附图说明
图1为本发明一种基于脉图参数对目标血糖值进行预测的系统结构图；
图2为本发明一种基于脉图参数对目标血糖值进行预测的系统胰岛素分泌曲线的曲线Ⅰ型；
图3为本发明一种基于脉图参数对目标血糖值进行预测的系统的曲线Ⅱ型图；
图4为本发明一种基于脉图参数对目标血糖值进行预测的系统的曲线Ⅲ型图；
图5为本发明一种基于脉图参数对目标血糖值进行预测的方法流程图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种基于脉图参数对目标血糖值进行预测的系统100，包括：
采集单元101，所述采集单元采集以预设的时间间隔及次数，采集目标的脉搏波数据；
分析单元102，所述分析单元，调用所述采集单元采集的脉搏波数据，对脉搏波数据进行时域分析，获取脉象特征参数；
血糖预测单元103，所述筛查单元建立筛查模型，将所述分析单元获取脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
曲线输出单元104，调用采集单元101采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据使用分析单元进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
采集单元可以佩戴在目标手腕上，为便携式装置，用于实时采集脉搏波数据，用于获取脉搏波数据，采集每隔一段时间采集一次脉搏波数据，共采集5次不同力度条件下得脉波数据；
胰岛素分泌曲线绘制采集受试者采集至少3次右手脉诊，分别为餐前(1号时点，空腹至少4个小时)，餐后1小时(2号时点，进餐结束开始算时间)，餐后2小时(3号时点，进餐结束开始算时间)进行脉诊测试，或加测餐后3小时的脉诊(4号时点，进餐结束开始算时间)，是否加测餐后3小时的脉诊，其依据是2号时点及3号时点的主波幅度，当2号时点的主波幅度大于3号时点的主波幅度时，需加测4号时点。
根据3-4次的脉象的主波幅度进行胰岛素分泌曲线的绘制，胰岛素分泌曲线有3种类型，如图2、3和4所示，图2所示的曲线Ⅰ型特点为2号时点高于1号及3号时点，图3所示的曲线Ⅱ型特点为2号时点高于1号时点，同时2号时点低于3号时点，3号时点为曲线最高点，图4所示的曲线Ⅲ型特点为2号时点最高，但其与3号时点幅度相差＜10％。
本发明还提出了一种基于脉图参数对目标血糖值进行预测的方法，如图5所示，包括：
采集以预设的时间间隔及次数，采集目标的脉搏波数据；
对脉搏波数据进行时域分析，获取脉象特征参数；
建立筛查模型，将脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
本发明解决了现有的确定目标血糖值等方法存在着操作专业性强、有创性等问题，有效缓解目标的痛苦，使目标血糖值的筛查更容易普及。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于脉图参数对目标血糖值进行预测的系统，所述系统包括：
采集单元，所述采集单元采集以预设的时间间隔，采集目标1次的脉搏波数据；
分析单元，所述分析单元，调用所述采集单元采集的脉搏波数据，对脉搏波数据进行时域分析，获取脉象特征参数；
血糖预测单元，所述筛查单元建立筛查模型，将所述分析单元获取脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
2.根据权利要求1所述的系统，所述脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
3.根据权利要求1所述的系统，所述筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
4.根据权利要求1所述的系统，所述系统还包括：
曲线输出单元，所述曲线输出单元，调用采集单元采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据使用分析单元进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
5.一种基于脉图参数对目标血糖值进行预测的方法，所述方法包括：
采集以预设的时间间隔及次数，采集目标的脉搏波数据；
对脉搏波数据进行时域分析，获取脉象特征参数；
建立筛查模型，将脉象特征参数输入至筛查模型，获取输出结果，所述输出结果即为目标的血糖值的预测值。
6.根据权利要求5所述的方法，所述脉象特征参数，包括：
主波幅度h1、主波峡幅度h2、重搏前波幅度h3、降中峡幅度h4、重搏波幅度h5、脉波起点到各波峰及波谷点的时值、收缩期面积和舒张期面积。
7.根据权利要求5所述的方法，所述筛查模型，具体为：
Y＝39.546+0.594*h1+0.277*h2-1.164*h3+0.035*h4-0.616*h5-59.738*t1+5.604*t2-64.561*t3-2.448*t4-36.309*t5+66.627*w1+71.466*w2+0.055*as+0.074*ad+13.957*A-4.044*B-80.687*C-43.373*D-0.05*E-2.978*F；
其中，h1为主波幅度，h2为主波峡幅度，h3为重搏前波幅度，h4为降中峡幅度，h5为重搏波幅度，t1为为脉图起点到主波峰点的时值，t2为为脉图起始点到主波峡之间的时值，t3为脉图起始点到重搏前波之间的时值，t4为脉图起始点到降中峡之间的时值，t5为降中峡到脉图终止点之间的时值。t5对应于左心室的舒张期，w1为将主波从脉图基线到峰顶高度h1之间划分三段的上1/3处的脉图宽度，w2为将主波从脉图基线到峰顶高度h1之间划分五段的上1/5处的脉图宽度，as为收缩期面积，ad为舒张期面积，A为h3/h1，B为h4/h1，C为w1/t，D为W2/t，E为h1/t1和F为t4/t5，其中t为脉波起点到各波峰及波谷点的时值和。
8.根据权利要求5所述的方法，所述方法还用于，采集目标至少3次的脉搏波数据，且在预设时段进行采集，对第3次及第3次后采集的脉搏波数据进行时域分析，获取脉象特征参数；
根据所述脉冲特征参数确定目标的胰岛素分泌曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011382965.3A CN112635054A (zh) | 2020-11-30 | 2020-11-30 | 一种基于脉图参数对目标血糖值进行预测的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011382965.3A CN112635054A (zh) | 2020-11-30 | 2020-11-30 | 一种基于脉图参数对目标血糖值进行预测的系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112635054A true CN112635054A (zh) | 2021-04-09 |
Family
ID=75307133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011382965.3A Pending CN112635054A (zh) | 2020-11-30 | 2020-11-30 | 一种基于脉图参数对目标血糖值进行预测的系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112635054A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
| JP2012081166A (ja) * | 2010-10-14 | 2012-04-26 | Seiko Epson Corp | 血糖値予測システム |
| CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
| CN204581297U (zh) * | 2015-04-23 | 2015-08-26 | 何雷 | 一种基于脉搏波的胰岛素抵抗检测仪 |
| US20170143279A1 (en) * | 2015-11-20 | 2017-05-25 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
| CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
| CN107174258A (zh) * | 2017-06-02 | 2017-09-19 | 北京信息科技大学 | 血糖浓度预测方法 |
| WO2018214298A1 (zh) * | 2017-05-20 | 2018-11-29 | 深圳市前海安测信息技术有限公司 | 无创血糖检测系统及方法 |
| CN109009005A (zh) * | 2018-07-19 | 2018-12-18 | 上海泰怡健康科技有限公司 | 一种可穿戴式中医脉象采集与分析系统 |
| 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 |
-
2020
- 2020-11-30 CN CN202011382965.3A patent/CN112635054A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012081166A (ja) * | 2010-10-14 | 2012-04-26 | Seiko Epson Corp | 血糖値予測システム |
| CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
| CN104224196A (zh) * | 2014-09-24 | 2014-12-24 | 天津大学 | 无创测量血液成分浓度的方法 |
| CN204581297U (zh) * | 2015-04-23 | 2015-08-26 | 何雷 | 一种基于脉搏波的胰岛素抵抗检测仪 |
| US20170143279A1 (en) * | 2015-11-20 | 2017-05-25 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
| CN107028603A (zh) * | 2015-11-20 | 2017-08-11 | 塔塔咨询服务有限公司 | 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法 |
| CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
| WO2018214298A1 (zh) * | 2017-05-20 | 2018-11-29 | 深圳市前海安测信息技术有限公司 | 无创血糖检测系统及方法 |
| CN107174258A (zh) * | 2017-06-02 | 2017-09-19 | 北京信息科技大学 | 血糖浓度预测方法 |
| CN109009005A (zh) * | 2018-07-19 | 2018-12-18 | 上海泰怡健康科技有限公司 | 一种可穿戴式中医脉象采集与分析系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
| Schultz et al. | Cardiorespiratory fitness attenuates the influence of amyloid on cognition | |
| KR100869514B1 (ko) | 허맥 및 실맥 진단 시스템 | |
| CN106264510B (zh) | 一种筛选手术患者的建模方法 | |
| JP2009515576A (ja) | 高血圧等の心臓血管系疾患の管理又は制御のためのシステム及び方法 | |
| WO2008092286A1 (en) | Assessment method to process a glucose concentration signal | |
| CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及系统 | |
| CN115299887B (zh) | 一种动态代谢功能的检测量化方法和系统 | |
| WO2018036368A1 (zh) | 心率变异性分析方法、装置及用途 | |
| Hage et al. | Heart rate variability predicts treatment outcome in major depression | |
| RU2017129810A (ru) | Способ прогнозирования риска развития ожирения у субъекта | |
| Lim et al. | Machine learning versus classical electrocardiographic criteria for echocardiographic left ventricular hypertrophy in a pre-participation cohort | |
| AU2010307157A1 (en) | Pattern recognition system for classifying the functional status of patients with pulmonary hypertension, including pulmonary arterial and pulmonary vascular hypertension | |
| Usman et al. | Estimation of HbA1c level among diabetic patients using second derivative of Photoplethysmography | |
| CN110464321A (zh) | 一种动脉脉搏波形的质量分析方法、装置和系统 | |
| CN112635054A (zh) | 一种基于脉图参数对目标血糖值进行预测的系统及方法 | |
| JP6401297B2 (ja) | インスリン分泌能分析装置、当該装置を備えるインスリン分泌能分析システム及びインスリン分泌能分析方法 | |
| CN116168834A (zh) | 一种基于多数据融合的糖尿病足分析预测方法及系统 | |
| Chatellier et al. | Decision to treat mild hypertension after assessment by ambulatory monitoring and World Health Organisation recommendations. | |
| Zhu et al. | An intelligent cardiac health monitoring and review system | |
| CN110575148A (zh) | 一种中医远程诊脉方法、装置和服务器 | |
| Khalil et al. | Duke Treadmill Score Predicts Coronary Artery Disease Severity in Diabetics and Non-Diabetics: Coronary Artery Disease Severity | |
| RU2728869C1 (ru) | Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по электрокардиограмме | |
| CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 | |
| US20230197239A1 (en) | Information processing device, information processing method and information processing program |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |