CN112798783B - 血糖检测系统和方法 - Google Patents

Abstract

本申请的实施例提供了一种血糖检测系统和方法，该系统包括血糖仪及与血糖仪通讯连接的云服务器；血糖仪被配置为：将其所测得的温度值和湿度值发送至云服务器，并基于云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算；云服务器被配置为：获取多组数据，每组数据中包括标准参数对照表以及相同条件下的温度值和湿度值；以温度值、湿度值以及标准参数对照表训练BP神经网络模型；接收血糖仪发送的温度值和湿度值；将温度值和湿度值输入训练完成的BP神经网络模型，以获得温度补偿计算参数；将温度补偿计算参数发送至血糖仪。本申请能够提高血糖仪检测血糖浓度的准确性以及测试过程的质量控制。

Description

血糖检测系统和方法

技术领域

本申请的实施例涉及医疗器械技术领域，尤其涉及一种血糖检测系统和方法。

背景技术

血液中的葡萄糖与固定在试条表面的葡萄糖氧化酶（GOD）和铁氰化钾反应，产生葡萄糖和亚铁氰化钾，血糖仪向试条施加恒定的工作电压400mV，使亚铁氰化钾氧化为铁氰化钾，产生氧化电流，氧化电流的大小与葡萄糖浓度成正比，经过处理后可以由该氧化电流确定葡萄糖浓度。但是，由于酶具有活性，不同的温度下酶的活性不同，若酶的活性降低则会使得其与葡萄糖反应时产生的电流变小，从而使得测量结果变低，为了在不同温度都能测量出准确的血糖浓度，需要根据实时的温度来进行温度补偿，但是由于空气中存在一定的湿度，会导致温度测量装置测得的温度存在偏差，从而导致血糖浓度测量不准确。

发明内容

为了提高血糖仪检测血糖浓度的准确性，本申请的实施例提供了一种血糖检测系统和方法。

在本申请的第一方面，提供了一种血糖检测系统，包括血糖仪以及与所述血糖仪通讯连接的云服务器；

所述血糖仪被配置为：

将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至所述云服务器，并基于所述云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算；

所述云服务器被配置为：

获取多组数据，每组数据中包括标准参数对照表以及相同条件下的所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值；

以所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值以及所述标准参数对照表训练BP神经网络模型；

接收所述血糖仪发送的所述第一温度值、所述第二温度值、所述第一湿度值以及所述第二湿度值；

将所述第一温度值、所述第二温度值、所述第一湿度值以及所述第二湿度值输入训练完成的所述BP神经网络模型，以获得所述温度补偿计算参数；

将所述温度补偿计算参数发送至所述血糖仪。

由以上技术方案可知，将血糖仪上的温度探头和湿度探头测得的温度值和湿度值发送至云服务器，云服务器将该温度值和湿度值输入预先训练的BP神经网络模型中得到温度补偿计算参数，并将温度补偿计算参数发送至血糖仪，使得血糖仪基于云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算，从而能够减小空气中的湿度对温度测量结果的影响，进而能够提高血糖仪测量血糖浓度准确性。

在一种可能的实现方式中，所述血糖仪包括：

血糖仪本体，其限定有至少两个相对独立的容纳空间；

至少一个第一温度探头、至少一个第一湿度探头和通讯模块，设置于其中一个所述容纳空间；

至少一个第二温度探头、至少一个第二湿度探头，设置于其中另一个所述容纳空间；

血糖检测组件，设置于其中另一个所述容纳空间。

在一种可能的实现方式中，以所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值以及所述标准参数对照表训练BP神经网络模型包括：

构建所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值之间的数学模型；

将所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值输入所述BP神经网络模型，得到所述BP神经网络模型的输出值；

构建所述BP神经网络模型的数学模型；

以所述BP神经网络模型的数学模型中误差函数取最小值时的输出值作为所述温度补偿计算参数。

在一种可能的实现方式中，所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值之间的数学模型为：

y=f(t ₁ ,t ₂ ,h ₁ ,h ₂ )

其中，t ₁ 为第一温度值，t ₂ 为第二温度值，h ₁ 为第一湿度值,h ₂ 为第二湿度值，y为BP神经网络的输入。

在一种可能的实现方式中，所述BP神经网络模型的数学模型为：

其中，E为误差函数，y _i (h ₁ ,h ₂ )为BP神经网络模型的输出值，

为实际温度值，w _ij 为输入层节点到隐层节点的连接权值，v _ih 为隐层节点到输出层节点的连接权值，ξ _i 为过程神经元的输出阈值，η _h 为输出神经元阈值，g为隐层神经元的激励函数，f为输出神经元的激励函数。

在本申请的第二方面，提供了一种血糖检测方法，应用于上述的血糖检测系统，包括：

所述血糖仪将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至所述云服务器；

所述云服务器将所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值输入预先训练的BP神经网络模型以获得温度补偿计算参数，并将所述温度补偿计算参数发送至所述血糖仪；

所述血糖仪基于所述云服务器返回的所述温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算。

由以上技术方案可知，血糖仪将其所测得的温度值和湿度值发送至云服务器，云服务器将温度值和湿度值输入预先训练的BP神经网络模型以获得温度补偿计算参数，并将温度补偿计算参数发送至血糖仪，血糖仪基于云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算，从而能够减小湿度对温度的影响，进而提高血糖仪检测血糖浓度的准确性。

在一种可能的实现方式中，所述云服务器中，训练所述BP神经网络模型的过程包括：

获取多组数据，每组数据中包括标准参数对照表以及相同条件下的所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值；

构建所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值之间的数学模型；

将所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值输入所述BP神经网络模型，得到所述BP神经网络模型的输出值；

构建所述BP神经网络模型的数学模型；

以所述BP神经网络模型的数学模型中误差函数取最小值时的输出值作为所述温度补偿计算参数。

在一种可能的实现方式中，所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值之间的数学模型为：

y=f(t ₁ ,t ₂ ,h ₁ ,h ₂ )

其中，t ₁ 为第一温度值，t ₂ 为第二温度值，h ₁ 为第一湿度值,h ₂ 为第二湿度值，y为BP神经网络的输入。

在一种可能的实现方式中，所述BP神经网络模型的数学模型为：

其中，E为误差函数，y _i (h ₁ ,h ₂ )为BP神经网络模型的输出值，

为实际温度值，w _ij 为输入层节点到隐层节点的连接权值，v _ih 为隐层节点到输出层节点的连接权值，ξ _i 为过程神经元的输出阈值，η _h 为输出神经元阈值，g为隐层神经元的激励函数，f为输出神经元的激励函数。

应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本申请的实施例的血糖仪的结构示意图。

图2示出了根据本申请的实施例的血糖浓度检测系统的架构图。

图3示出了根据本申请的实施例的血糖浓度检测方法的流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

血糖仪从工作原理上可以划分为两种：一种是光电型血糖仪，另一种是电极型血糖仪。光电型血糖仪具有光电探头，由于光电探头长期暴露在空气中，容易受到污染，从而导致测量结果不够精确；电极型血糖仪的电极内藏，可以避免空气的污染，其使用寿命较长。需要说明的是，本申请可以应用于上述两种类型的血糖仪，本说明书中仅以电极型血糖仪为例来进行说明。

参见图1，血糖仪100包括血糖仪本体、至少一个第一温度探头110、至少一个第一湿度探头120、至少一个第二温度探头、至少一个第二湿度探头、通讯模块和血糖检测组件。在一种可能的实现方式中，血糖仪本体限定有两个相对独立的容纳空间，至少一个第一温度探头110、至少一个第一湿度探头120和通讯模块均设置于其中一个容纳空间内，并且至少一个第一温度探头110的端部和至少一个第一湿度探头120的端部均暴露于外界环境下，从而能够方便检测测试环境的温度和湿度，血糖检测组件、至少一个第二温度探头及至少一个第二湿度探头设置于其中另一个容纳空间内，这样的设置方式，测量出血糖试条反应区的温度和湿度。当然，血糖仪100限定的容纳空间的数量，至少一个第一温度探头110、至少一个第一湿度探头120、至少一个第二温度探头和至少一个第二湿度探头的设置方式不仅限于上述的方式，只要能够确保第一温度探头和第一湿度探头能够检测测试环境的温度和湿度、第二温度探头和第二湿度探头能够检测血糖试条反应区的温度和湿度即可。

以血糖仪本体限定有三个容纳空间为例，至少一个第一温度探头110和至少一个第一湿度探头120可以设置于其中一个容纳空间内，通讯模块可以设置于其中另一个容纳空间内，血糖检测组件、至少一个第二温度探头及至少一个第二湿度探头可以设置于最后一个容纳空间内。

以血糖仪100包括两个第一温度探头110、两个第一湿度探头120、两个第二温度探头、两个第二湿度探头为例，血糖仪本体可以限定三个相对独立地容纳空间，其中一个用于安装血糖检测组件、两个第二温度探头及两个第二湿度探头，两个第一温度探头设置在血糖仪本体相对的两个侧面上，两个第一湿度探头也设置在血糖仪本体相对的两个侧面上，这样能够检测到血糖仪两侧的测试环境温度和测试环境湿度，并对两个温度值和两个湿度分别求平均值，从而能够使得温度探头110测得的温度值和湿度值更加贴近真实的环境温度。

针对血糖仪100测量血糖浓度的过程，首先需要采集被测者的血液，将该血液中的葡萄糖与固定在试条表面的葡萄糖氧化酶（GOD）和铁氰化钾反应，能够产生葡萄糖酸和亚铁氰化钾，然后血糖仪100向试条施加恒定的电压（例如400mV），使得亚铁氰化钾氧化为铁氰化钾，这个过程会产生氧化电流，氧化电流的大小与葡萄糖浓度成正比，通过对氧化电流的处理和计算，就能够得知被测者血液中葡萄糖浓度。

由于葡萄糖氧化酶（GOD）是有活性的，一般情况下在20度以上其活性变化不大，在20度以下，温度越低其活性越差。活性变差就会在和葡萄糖反应时产生的氧化电流变小，从而使测量结果变低，为了在不同的温度都能测出准确的血糖值，可以通过热敏电阻根据实时的温度情况来调节仪器电阻值，从而尽可能使酶和血液在不同的温度下都能产生和血糖值相匹配的电流，进而得出正确的血糖值，但是环境温度的测量会受到环境湿度的影响，导致所测得的温度不准确，那么对热敏电阻的调节也会不准确，最终导致血糖浓度会有偏差。

为解决血糖浓度测量不准确的问题，可以通过将血糖仪100上的第一温度探头110、第一湿度探头120、第二温度探头及第二湿度探头测得的数值通过血糖监测系统中的云服务器200进行处理，尽可能地降低环境湿度会环境温度的影响，使得最后得出的温度值更贴近真实的环境温度值。

参见图2，血糖检测系统包括血糖仪100和云服务器200。其中，血糖仪100通过其内置的通讯模块与云服务器200通讯连接，能够实现数据的收发。

血糖仪100被配置为：将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至云服务器200，并基于云服务器200返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算。

第一温度值可以是直接由血糖仪100上一个第一温度探头110直接测得的测试环境的温度，也可以是由血糖仪100上至少两个第一温度探头110测得的测试环境的温度的平均值。第一湿度值可以是直接由血糖仪100上的一个第一湿度探头120直接测得的测试环境湿度，也可以是由血糖仪100上至少两个第一湿度探头120测得的测试环境湿度的平均值。

第二温度值可以是直接由血糖仪100上一个第二温度探头直接测得的血糖试条反应区的温度，也可以是由血糖仪100上至少两个第二温度探头测得的血糖试条反应区的温度的平均值。第二湿度值可以是直接由血糖仪100上的一个第二湿度探头直接测得的血糖试条反应区的湿度，也可以是由血糖仪100上至少两个第二湿度探头测得的血糖试条反应区的湿度的平均值。

在使用时，第一温度探头110、第一湿度探头120、第二温度探头及第二湿度探头检测到温度值和湿度值可以通过血糖仪100上的通讯模块发送至云服务器200。

云服务器200被配置为：获取多组数据，每组数据中包括标准参数对照表以及相同条件下的第一温度值、第二温度值、第一湿度值和第二湿度值；以第一温度值、第二温度值、第一湿度值和第二湿度值以及标准参数对照表训练BP神经网络模型；接收血糖仪发送的第一温度值、第二温度值、第一湿度值以及第二湿度值；将第一温度值、第二温度值、第一湿度值以及第二湿度值输入训练完成的BP神经网络模型，以获得温度补偿计算参数；将温度补偿计算参数发送至血糖仪100。

需要说明的是，相同条件，即环境相同、测量设备相同、测量时间相同。相同条件下的测量温度值，即采用相同的测量设备，在同一时间、环境下测量得到的温度值。相同条件下的测量湿度值，即采用相同的测量设备，在同一时间、环境下测量得到的湿度值。还需要说明的是，标准参数对照表包括温度探头的阻值和温度的对应关系，标准参数对照表可以是由操作人员向服务器中输入得到。

在本实施例中，相同条件下的第一温度值、第二温度值、第一湿度值好第二湿度值可以由相应人员进行测量并输入至云服务器200中，用于BP神经网络模型的训练。在云服务器200获得大量的数据后，可以根据这些数据对BP神经网络模型进行训练，训练的具体过程如下：

搭建一个初始BP神经网络结构；

构建测量温度值和测量湿度值之间的数学模型如下：

y=f(t ₁ ,t ₂ ,h ₁ ,h ₂ )

其中，t ₁ 为第一温度值，t ₂ 为第二温度值，h ₁ 为第一湿度值,h ₂ 为第二湿度值，y为BP神经网络的输入；

将第一温度值、第二温度值、第一湿度值、第二湿度值输入BP神经网络模型，得到BP神经网络模型的输出值；

构建BP神经网络模型的数学模型如下：

其中，E为误差函数，y _i (h ₁ ,h ₂ )为BP神经网络模型的输出值，

为实际温度值，w _ij 为输入层节点到隐层节点的连接权值，v _ih 为隐层节点到输出层节点的连接权值，ξ _i 为过程神经元的输出阈值，η _h 为输出神经元阈值，g为隐层神经元的激励函数，f为输出神经元的激励函数；

采用梯度下降法来寻找误差函数的最小值；

以BP神经网络模型的数学模型中误差函数取最小值时的输出值作为温度补偿计算参数。

由此可知，云服务器200对环境温度和环境湿度数据的处理，能够降低环境湿度对环境温度的影响，使得最终返回至血糖仪100的温度补偿计算参数更加贴近真实的环境温度，血糖仪100根据温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算来调整热敏电阻，从而能够提高血糖仪100检测血糖浓度的准确性。

本申请实施例还提供了一种血糖检测方法，在一些实施例中，该方法应用于上述的血糖检测系统。参见图3，该血糖检测方法包括以下步骤：

步骤310，血糖仪100将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至云服务器200。

步骤320，云服务器200将第一温度值、第二温度值、第一湿度值和第二湿度值输入预先训练的BP神经网络模型以获得温度补偿计算参数，并将温度补偿计算参数发送至血糖仪100。

在本实施例中，云服务器200中训练BP神经网络模型的过程包括：

获取多组数据，每组数据中包括标准参数对照表以及相同条件下的所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值；

构建所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值之间的数学模型如下：

y=f(t ₁ ,t ₂ ,h ₁ ,h ₂ )

其中，t ₁ 为第一温度值，t ₂ 为第二温度值，h ₁ 为第一湿度值,h ₂ 为第二湿度值，y为BP神经网络的输入；

将所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值输入所述BP神经网络模型，得到所述BP神经网络模型的输出值；

构建所述BP神经网络模型的数学模型如下：

其中，E为误差函数，y _i (h ₁ ,h ₂ )为BP神经网络模型的输出值，

为实际温度值，w _ij 为输入层节点到隐层节点的连接权值，v _ih 为隐层节点到输出层节点的连接权值，ξ _i 为过程神经元的输出阈值，η _h 为输出神经元阈值，g为隐层神经元的激励函数，f为输出神经元的激励函数。

以BP神经网络模型的数学模型中误差函数取最小值时的输出值作为温度补偿计算参数。

步骤330，血糖仪100基于云服务器200返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算。

由此可知，血糖仪100将其所测得的温度值和湿度值发送至云服务器200，云服务器200将温度值和湿度值输入预先训练的BP神经网络模型以获得温度补偿计算参数，使得温度补偿计算参数尽可能地贴近真实的环境温度值，并将温度补偿计算参数发送至血糖仪100，血糖仪100基于云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算，从而能够减小湿度对温度的影响，进而提高血糖仪100检测血糖浓度的准确性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的方法的具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种血糖检测系统，其特征在于，包括：

血糖仪以及与所述血糖仪通讯连接的云服务器；

所述血糖仪被配置为：

将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至所述云服务器，并基于所述云服务器返回的温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算；

所述云服务器被配置为：

获取多组数据，每组数据中包括标准参数对照表以及相同条件下的所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值；

以所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值以及所述标准参数对照表训练BP神经网络模型；

接收所述血糖仪发送的所述第一温度值、所述第二温度值、所述第一湿度值以及所述第二湿度值；

将所述第一温度值、所述第二温度值、所述第一湿度值以及所述第二湿度值输入训练完成的所述BP神经网络模型，以获得所述温度补偿计算参数；

将所述温度补偿计算参数发送至所述血糖仪。

2.根据权利要求1所述的血糖检测系统，其特征在于，所述血糖仪包括：

血糖仪本体，其限定有至少两个相对独立的容纳空间；

至少一个第一温度探头、至少一个第一湿度探头和通讯模块，设置于其中一个所述容纳空间；

至少一个第二温度探头、至少一个第二湿度探头，设置于其中另一个所述容纳空间；

血糖检测组件，设置于其中另一个所述容纳空间。

3.根据权利要求1所述的血糖检测系统，其特征在于，以所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值以及所述标准参数对照表训练BP神经网络模型包括：

构建所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值之间的数学模型；

将所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值输入所述BP神经网络模型，得到所述BP神经网络模型的输出值；

构建所述BP神经网络模型的数学模型；

以所述BP神经网络模型的数学模型中误差函数取最小值时的输出值作为所述温度补偿计算参数。

4.一种血糖检测方法，应用于如权利要求1至3中任一项所述的血糖检测系统，其特征在于，包括：

所述血糖仪将其所测得的测试环境的第一温度值和第一湿度值、血糖试条反应区的第二温度值和第二湿度值发送至所述云服务器；

所述云服务器将所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值输入预先训练的BP神经网络模型以获得温度补偿计算参数，并将所述温度补偿计算参数发送至所述血糖仪；

所述血糖仪基于所述云服务器返回的所述温度补偿计算参数在测量血糖浓度过程中进行温度补偿计算。

5.根据权利要求4所述的血糖检测方法，其特征在于，所述云服务器中，训练所述BP神经网络模型的过程包括：

获取多组数据，每组数据中包括标准参数对照表以及相同条件下的所述第一温度值、所述第二温度值、所述第一湿度值和所述第二湿度值；

构建所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值之间的数学模型；

将所述第一温度值、所述第二温度值、所述第一湿度值、所述第二湿度值输入所述BP神经网络模型，得到所述BP神经网络模型的输出值；

构建所述BP神经网络模型的数学模型；

以所述BP神经网络模型的数学模型中误差函数取最小值时的输出值作为所述温度补偿计算参数。

Images