CN113380411B

CN113380411B - 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法

Info

Publication number: CN113380411B
Application number: CN202110811537.6A
Authority: CN
Inventors: 韩洋
Original assignee: Diascience Medical Co Ltd
Current assignee: Diascience Medical Co Ltd
Priority date: 2021-07-19
Filing date: 2021-07-19
Publication date: 2024-03-01
Anticipated expiration: 2041-07-19
Also published as: WO2023000530A1; CN113380411A

Abstract

本申请公开了一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法，该方法采用多项式拟合对当前采集时刻之前不同的采集周期内的分析物浓度数据C进行直线拟合，得到一阶线性拟合方程C(t)=P·t+X（P为拟合直线的斜率，X为常量），通过比较不同的采集周期内的P的符号、差值或比值，最终实现不输出分析物浓度变化实时趋势，从而降低引入错误治疗方案的可能性。与现有回顾式的分析方法相比，本申请无需获取之前大量的分析物浓度数据后进行建模，而是只需调用之前少量的分析物浓度数据，大大简化了工作量和复杂度，提高了浓度变化实时趋势的准确率。

Description

一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法

技术领域

本申请涉及动物体分析物浓度连续监测过程中，分析物浓度数据的变化、以及分析物浓度变化实时趋势的研究领域，特别是涉及判断分析物浓度数据是否为异常或存疑、判断是否输出分析物浓度变化实时趋势，以提高分析物浓度变化实时趋势准确率的方法。

背景技术

连续性分析物浓度监控系统（具有一定采集周期Δt的采集时刻t输出与采集时刻t对应的分析物浓度数据C(t)）的出现，给慢性病患者提供了更好地了解该分析物浓度的变化水平，进而实现更好地控制该分析物的浓度。在临床上，对分析物浓度数据的分析（不管是实时的还是回顾性的），对于慢性病的管理而言都是非常有用的。

上述分析物包括但不限于：乙酰胆碱、淀粉酶、胆红素、胆固醇、绒毛膜促性腺激素、肌酸激酶、肌氨酸、肌酸酐、DNA、果糖胺、葡萄糖、谷氨酸盐、生长激素类、激素类、酮体、乳酸、过氧化物、前列腺特异性抗原、凝血素、RNA、促甲状腺激素和肌钙蛋白等。分析物还可包括药物，如为抗生素（比如，庆大霉素、万古霉素等）、洋地黄毒苷、地高辛、滥用药物、茶碱和华法令阻凝剂等。分析物浓度数据通常情况下是通过分析物传感器获得，分析物传感器可以是葡萄糖传感器、酮传感器或其他与分析物对应的传感器等。

通常情况下，为便于慢性病患者更好地进行自我管理，连续性分析物浓度监控系统会按一定（采集）周期输出分析物浓度数据及浓度变化趋势（如图1所示，其中浓度变化趋势采用箭头趋势的表现形式）。通过分析物传感器获得较为准确的分析物浓度数据是相对容易的，而要获得相对准确的分析物浓度变化趋势，尤其是分析物浓度变化实时趋势（指在当前采集时刻给出分析物浓度数据的同时分析物浓度正在发生的变化状态）则变得相对困难。

针对分析物浓度变化实时趋势的判断，可计算以当前采集时刻T为终点的1个采集周期内的分析物浓度数据变化量D₁（D₁=C(T)-C(T-Δt)，其中当前采集时刻为T，相应时刻输出的分析物浓度为C(T)，下同）、变化率dD₁（dD₁=D₁/Δt）和以当前采集时刻T为终点的n个采集周期内的分析物浓度数据变化量D₂（D₂=C(T)-C(T-nΔt)，n为大于1的正整数），通过D₁与D₂的符号和大小可以得到浓度变化方向和变化量，根据dD₁和D₂所处的阈值区间分类得到浓度变化实时箭头趋势。

以Δt=3min、当前采集时刻是12:00为例，以当前采集时刻T为终点的1个采集周期指的是11:57~12:00，其包含2个分析物浓度数据；以当前采集时刻T为终点的3个采集周期指的是11:51~12:00，其包含4个分析物浓度数据。

关于D₂中n个采集周期（nΔt）的选择，则是根据不同的分析物种类、分析物浓度变化事件、医学知识或生理特征的特点来决定其最长时间。

例如，以分析血糖浓度为例，在无人为干预（无饮食摄入、用药、注射胰岛素或运动等）情况下，一般认为连续15分钟持续的血糖趋势为一个血糖事件；在有饮食摄入的情况下，一般认为餐后三小时或以内的某一时间段为一个血糖事件。依据上述方法，以15分钟（即nΔt=15min）为例可以计算变化量D₂，并根据dD₁和D₂所对应的阈值区间（表1）给出浓度变化实时箭头趋势。

表1 血糖浓度变化实时箭头趋势判断表。

。

箭头向上的角度及数量的多少表示分析物浓度上升的速率，向上角度越大、数量越多则表示上升的速率越快；采用箭头向下的角度及数量的多少表示分析物浓度下降的速率，向下角度越大、数量越多则表示下降的速率越快；采用水平的箭头表示分析物浓度处于平稳的趋势。在无法计算出血糖的变化的速度和方向时则不输出实时趋势。

上述方法存在一个问题，比如，在某一个持续稳定的趋势中上述分析物浓度变化实时趋势的判断方法是没问题的；但是，当在某一个持续稳定的趋势中分析物浓度数据突然出现异常（如，分析物浓度数据由上升变为下降/下降变为上升、分析物传感器异常、个体代谢功能的差异、人为干预等导致的浓度数据异常上升或下降）而导致该时刻分析物浓度数据存疑（下文也称该数据为不可信任数据，或不可信任点）时，上述分析物浓度变化实时趋势的判断方法则无法准确输出分析物浓度变化实时趋势（依据上述方法，可以计算出血糖的变化的速度和方向，可以输出分析物浓度变化实时趋势，但是准确率存在问题），甚至基于上述阈值区间进行归类而导致错误的治疗方案。

此外，还存在dD₁和D₂处于不同阈值区间的情况，这同样会导致无法准确输出分析物浓度变化实时趋势。

如图3实时趋势汇总图所示，以正常健康人体血液中的葡萄糖含量数据为例，采用上述判断方法来模拟血糖浓度变化实时趋势，可见在一个持续稳定的趋势中（如采集周期104~112之间）每个采集时刻均给出了缓慢上升或上升的实时趋势，这些趋势也是正确的。

而在采集周期为103时血糖浓度突然下降，按照上述判断方法则给出了此刻血糖浓度正在缓慢下降，因该浓度接近阈值区间边缘，可能会误导患者采取措施以避免血糖浓度继续下降；或者在前两个采集时刻（采集周期为102和103时）给出血糖浓度正在上升和下降，在此刻（采集周期为104时）血糖浓度正在上升，也就是说在连续的三个采集时刻（采集周期为102~104时）分别给出了血糖浓度的实时趋势为上升、下降和上升，这将导致患者的使用体验感不好。因此，上述分析物浓度变化实时趋势判断方法的准确性还有待提高，并希望获得如图4所示的实时趋势汇总图。

需要指出的是，上述背景技术内容部分仅代表申请人对相关技术的理解，并不构成现有技术。

发明内容

针对上述问题，需要一种能够提供分析物浓度变化实时趋势的方法，尤其是提高分析物浓度变化实时趋势准确率的方法，在必要的时候仅有分析物浓度数据但无浓度变化实时箭头趋势输出（如图2所示），且希望这种无浓度变化实时箭头趋势输出情况越少越好，给予慢性病患者正确的治疗指导。

更具体的，通过本申请公开的技术方案，可以识别出通过分析物浓度算法获得的分析物浓度数据是否异常或存疑、判断是否输出分析物浓度变化实时趋势。

基于上述问题，本申请引入基于最小二乘法多项式（如式1）拟合的方法对以当前采集时刻T为终点分析物浓度数据C(t)进行拟合，。

式1。

对于变化的动物体分析物浓度，过去的长时间数据（如72h，24h，12h，6h等）对分析其短期变化趋势没有实际意义，且从医学角度考虑在一定短的时间内分析物浓度变化不会出现剧烈的波动，因此进行拟合时涉及到的分析物浓度数据的数量有限（即涉及到的采集周期数有限），为简化运算模型，式1中取a=1，得到拟合直线的一阶线性方程：

C(t)=P·t+X（t∈ (T-mΔt , T)，P为拟合直线的斜率，X为常量）。

上述一阶线性方程即为时间t与分析物浓度C(t)关系的线性方程，使得在采集时刻t时经拟合计算的分析物浓度数据与连续性分析物浓度监控系统输出的分析物浓度数据之间得累积差值满足最小。

更具体的，采用多项式拟合对以当前采集时刻T为终点的m₁个采集周期内的分析物浓度数据C进行直线拟合，得到一阶线性拟合方程C(t₁)=P₁·t₁+X₁（t₁∈(T-m₁Δt, T)，1≤m₁，P₁为拟合直线的斜率，X₁为常量）。

更具体的，采用多项式拟合对以当前采集时刻T为终点的m₂个采集周期内的分析物浓度数据C进行直线拟合，得到一阶线性拟合方程C(t₂)=P₂·t₂+X₂（t₂∈(T-m₂Δt, T)，m₁<m₂，P₂为拟合直线的斜率，X₂为常量）。

根据上述思路可知，P的符号正负则对应分析物浓度是上升还是下降，P的绝对值大小则对应分析物浓度变化速率的快和慢。

作为本申请的一个方面，通过比较P₁和P₂的符号，即可快速判断是否输出分析物浓度变化实时趋势。具体的，若符号不一致（其中任意一个为0也视为符号不一致），则说明在采集时刻T获得的分析物浓度数据异常，或至少是存疑的，为不可信任数据，判断不输出分析物浓度变化实时趋势。

更具体的，假设P₂符号为正，则表示在过去较长一段时间段内（T-m₂Δt至T所持续的时间）整体处于上升的趋势。而如果此刻P₁符号为负或者等于0，则表示在过去较短一段时间段内（T-m₁Δt至T所持续的时间）处于突然的下降或突然的平稳趋势。在这种情况下，由于未知未来采集时刻（T+Δt）的分析物浓度数据情况，无法确定当前数据是属于上升变为下降的转折点，还是整体上升阶段的突变点。因此在采集时刻T不输出分析物浓度变化实时趋势。

作为本申请的另一个方面，若P₁和P₂符号一致，则进一步采用如下方法判断是否输出分析物浓度变化实时趋势。

采用多项式拟合对以采集时刻T-m_xΔt为终点的m₃个采集周期内的分析物浓度数据C进行直线拟合，得到一阶线性拟合方程C(t₃)=P₃·t₃+X₃（t₃∈(T-(m₃+m_x)Δt, T-m_xΔt)，1≤m_x，m₁<m₃，P₃为拟合直线的斜率，X₃为常量）。

再比较P₁与P₃的大小关系或比例关系，若P₁与P₃差值（P₁-P₃）或P₁与P₃比值（P₁/P₃）处于设定阈值区间之外，则不输出分析物浓度变化实时趋势。

图5给出了出了上述提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率方法的流程示意图。

更具体的，P₃表示除去当前时刻T之前m_x个采集周期内分析物浓度数据（即排除包含当前数据的部分数据）的累积趋势。如果当前数据点异常很大（即P₁的绝对值较大）完全不具备临床意义的情况时，可以采用前一段（T-(m₃+m_x)Δt至T-m_xΔt）m₃个采集周期内具有较高信任度的分析物浓度数据的累积变化趋势分析过去时间段内的正常趋势。另外，由于动物体内分析物浓度具有一定的连续性，前一段m₃个采集周期内数据的累积趋势可以一定程度上反馈当前的趋势。

因P₁和P₂符号一致，由于采样周期较短，P₁和P₃的符号也一致，比较 P₁与P₃的大小关系或比例关系，若P₁与P₃差值（P₁-P₃）或P₁与P₃比值（P₁/P₃）处于设定阈值区间之外，则说明在当前采集时刻T获得的分析物浓度数据存疑，为不可信任数据，判断不输出分析物浓度变化实时趋势。

作为本申请的优选方案，为使得一阶线性拟合方程C(t₁)=P₁·t₁+X₁中P₁更具有代表性，优选的m₁≤3，更优选的取m₁=1，可直接反应在临近当前时刻的上一个周期内分析物浓度变化趋势。

作为本申请的另一优选方案，为使得一阶线性拟合方程C(t₂)=P₂·t₂+X₂更具有代表性，优选的，m₂依据医学研究与经验判断的分析物浓度事件所持续的最长时间确定。

作为本申请的另一优选方案，分析物为血液中葡萄糖时，根据目前的医学研究与经验判断，在无人为干预的情况下，连续15分钟持续的血糖趋势为一个血糖事件，因此优选的，m₂Δt≤15分钟。

作为本申请的另一优选方案，分析物为血液中葡萄糖时，根据目前的医学研究与经验判断，在有饮食摄入的情况下，一般认为餐后三小时或以内的某一时间段为一个血糖事件，因此优选的，m₂Δt≤180分钟。。

分析物浓度变化实时趋势作为用户得到的信息的重要组成部分，长时间的无浓度变化实时趋势输出会降低用户的体验进而降低监测的效果，且长时间的无浓度变化实时趋势输出会将本身正确的峰值错误判断。因此合理的选择m₂可以最大可能的消除的实时趋势输出并不影响用户体验。

作为本申请的另一优选方案，m₂可通过机器学习的方法来获得，即利用机器学习的方法通过样本量来获得不同m₂、比较基于该m₂判定为不输出分析物浓度变化实时趋势所持续周期的数量，持续周期数越少，则m₂越合适；对于不同的分析物浓度数据（不同的变化速率和异常点前后的数据趋势不同），相同的m₂可以对应不同的不输出分析物浓度变化实时趋势所持续的采集周期数。通过回顾式的方法，可以遍历人为设定的阈值下的一段数据内的所有确定不输出分析物浓度变化实时趋势的集合A。通过有监督的机器学习或K均值聚类算法等方法将不输出分析物浓度变化实时趋势的结果进行归类为集合B。通过A与B的比较可以得到m₂的最优解。

作为本申请的另一优选方案，排除分析物浓度数据应尽可能的少以尽可能地保留分析物浓度变化的特征，优选的，m_x≤3；更优选的取m_x=1，即只排除当前时刻的浓度数据。

作为本申请的另一优选方案，P₁与P₃差值（P₁-P₃）或P₁与P₃比值（P₁/P₃）超出设定阈值区间可以由医学常识得到，即通过医学研究与经验确定分析物浓度变化的单位时间的理论最大值。优选的，针对血糖浓度，合理的P₁/P₃的阈值区间为≤10，。

与现有技术相比，本申请公开的方案具有如下优势。

（1）本申请所公开的提高浓度变化实时趋势准确率的方法，无需像回顾式的分析方法需要获取之前大量的分析物浓度数据后进行建模，而是只需调用之前少量的分析物浓度数据，大大简化了工作量和复杂度，提高了浓度变化实时趋势的准确率。

（2）本申请所公开的方法可以避免在出现不可信任数据时错误提供实时趋势，降低引入错误治疗方案的可能性。

（3）本申请所公开的方法可适用于无预测功能的实时检测，具有更好地适应性。

附图说明

图1：有分析物浓度数据及浓度变化箭头趋势输出的示意图。

图2：有分析物浓度数据无浓度变化箭头趋势输出的示意图。

图3：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用变化率dD₁和变化量D₂判断方法来模拟血糖浓度变化获得的实时趋势汇总图。

图4：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用本申请公开的方案来模拟血糖浓度变化获得的实时趋势汇总图。

图5：本申请公开的提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法流程示意图。

图6：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用本申请公开的方案来模拟血糖浓度变化获得的另一实时趋势汇总图。

图7：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用本申请公开的方案来模拟血糖浓度变化获得的另一实时趋势汇总图。

图8：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用本申请公开的方案（m₂=5）来模拟血糖浓度变化获得的另一实时趋势汇总图。

图9：基于正常健康人体血液中的葡萄糖含量数据（某一时间段），采用本申请公开的方案（m₂=10）来模拟血糖浓度变化获得的另一实时趋势汇总图。

具体实施方式

为便于本领域技术人员更好地理解本申请的技术方案，以下结合附图及各种示例性实施例来对本申请额方案做进一步阐述。需提醒的是，除非另外具体说明，否则这些实施例中阐述的方法不限制本申请的范围。

本申请的实施例中，除特殊说明外，所引用的附图均是基于正常健康人体的血糖浓度数据（某一时间段）、模拟本申请公开的方案并输出浓度变化实时趋势的实时趋势汇总图。横坐标为采集周期，可以理解为在当时时刻进行信号采集并输出了浓度数据，纵坐标为分析度（血糖）的浓度，其中信号采集周期/输出浓度数据的间隔为3min。

需要提醒的是，尽管我们现在可能可以从汇总图中判断出血糖浓度的变化在当时是一个怎样的趋势，但是在当时输出浓度变化实时趋势时，并不知道下一个采集时刻血糖浓度是多少。

实施例1。

从图6可知（血糖浓度数据为餐后三小时内某一段时间内数据），假定当前采集时刻为第1796个采集周期时刻，与第1795个采集周期时刻相比此时血糖浓度有稍微的上升。根据第1795~1796采集周期时刻（m₁=1）的血糖浓度拟合得到的P₁符号为正，根据第1791~1796共5个采集周期（m₂Δt=15min）的血糖浓度拟合得到的P₂符号为负。P₁与P₂符号不同，则判定在采集时刻（第1796个采集周期时刻）的血糖浓度存疑，仅输出浓度数据，不输出分析物浓度变化实时趋势。

类似的，假定当前采集时刻为第1797个采集周期时刻，此时与第1796、1795个采集周期时刻相比血糖浓度均有稍微的上升。根据第1795~1797采集周期时刻（m₁=2）的血糖浓度拟合得到的P₁符号为正，根据第1792~1797共5个采集周期（m₂Δt=15min）的血糖浓度拟合得到的P₂符号为负。P₁与P₂符号不同，则判定在采集时刻（第1797个采集周期时刻）的血糖浓度存疑，仅输出浓度数据，不输出分析物浓度变化实时趋势。

类似的，假定当前采集时刻为第1797个采集周期时刻，此时与第1796个采集周期时刻相比血糖浓度仍有稍微的上升。根据第1796~1797采集周期时刻（m₁=1）的血糖浓度拟合得到的P₁符号为正，根据第1792~1797共5个采集周期（m₂Δt=15min）的血糖浓度拟合得到的P₂符号为负。P₁与P₂符号不同，则判定在采集时刻（第1797个采集周期时刻）的血糖浓度存疑，仅输出浓度数据，不输出分析物浓度变化实时趋势。

类似的，P₁符号为负、P₂符号为正，或者两者中任意一个为0，判断方式是一样的，输出逻辑也是一样的。

实施例2。

从图6可知（血糖浓度数据为餐后三小时内某一段时间内数据），P₂可以根据第1784~1796共12个采集周期（m₂Δt=36min），或更长的采集周期（图中未示出）的血糖浓度拟合得到的，P₂符号为负。

其与方法和实施例1类似。

实施例3。

图7中，人为地将第273和274个采集周期时刻的血糖浓度改为异常下降的数据（数据很小）。

假定当前采集时刻为第273个采集周期时刻，根据实施例1的方法（m₁=1，m₂Δt=15min），获得的P₁和P₂符号相同，均为负。

此时，则舍弃第273个采集周期时刻（m_x=1）的血糖浓度数据，采用第272个采集周期数的时刻的血糖浓度数据及前5个采集周期（即第267~272周期数，m₃Δt=15min）的血糖浓度拟合得到的P₃符号为负。

比较P₁和P₃符号，相同。则进一步比较P₁与P₃的大小关系或比例关系。

在本实施例中，针对的是血糖浓度，则优选比较P₁与P₃的比例关系，P₁/P₃>10，则判定在采集时刻（第273个采集周期数时）的血糖浓度存疑，仅输出浓度数据，不输出分析物浓度变化实时趋势。

通常情况下， P₁与P₃差值的阈值或P₁与P₃比值的阈值可以由医学常识得到，即通过医学研究与经验确定分析物浓度变化的单位时间的理论最大值。具体的，针对血糖浓度，P₁和P₃两者的比值超出10，则认为该采集时刻的血糖浓度存疑。

类似的，舍弃第273和272个采集周期时刻（m_x=2）的血糖浓度数据，采用第271个采集周期数的时刻的血糖浓度数据及前5个采集周期（即第266~271周期数，m₃Δt=15min）的血糖浓度拟合得到的P₃符号为负。

类似的，人为地将第273和274个采集周期数时刻的血糖浓度改为异常上升的数据（数据很大），根据实施例1的方法，倘若获得的P₁符号为正、P₂符号为负，或P₁符号为负、P₂符号为正，则在采集时刻（第273个采集周期数时）不输出分析物浓度变化实时趋势（未示出图例）。

此种判断方法主要针对于信号传感器设备短路（数据很小）或断路（数据很大）的情况下的数据异常。

实施例4

如图8所示，当计算P₂采用5个采集周期（m₂=5）的数据时，出现连续3个采集时刻（第1842~1844采集周期时刻）不输出实时趋势；如图9所示，当计算P₂采用10个采集周期（m₂=10）的数据时，出现连续4个采集时刻（第1842~1845采集周期时刻）不输出实时趋势；可见，这两个m₂的取值均不太满足患者使用要求。

进一步地，通过回顾式的方法，可以遍历人为设定的阈值下的一段数据内的所有确定不输出分析物浓度变化实时趋势的集合A。通过有监督的机器学习或K均值聚类算法等方法将不输出分析物浓度变化实时趋势的结果进行归类为集合B。通过A与B的比较可以得到m₂的最优解。

尽管上述各实施例是针对血糖浓度的，应当理解，对于其他分析物，如动物体分泌物、代谢产物，或摄入药物等均可采用类似上述实施例的判断方法，所不同的是依据医学研究与经验判断的分析物浓度事件重新确定不同事件对应的m₂Δt最长时间。

上述实施例是示例性的，并非穷尽性的。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。

Claims

1.一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法，包括在具有一定采集周期Δt(以分钟为单位)的采集时刻t、通过分析物浓度算法、获取与采集时刻t对应的分析物浓度数据C(t)，其特征在于：在当前采集时刻T输出的分析物浓度为C(T)，不输出分析物浓度变化实时趋势，所述方法包括：

采用多项式拟合对包含当前采集时刻T为终点的m₁个采集周期内的分析物浓度数据C进行拟合，得到一阶线性拟合方程C(t₁)＝P₁·t₁+X₁，t₁∈(T-m₁Δt,T)，1≤m₁，X₁为常量；

采用多项式拟合对包含当前采集时刻T为终点的m₂个采集周期内的分析物浓度数据C进行拟合，得到一阶线性拟合方程C(t₂)＝P₂·t₂+X₂，t₂∈(T-m₂Δt,T)，m₁<m₂，X₂为常量；

比较P₁和P₂的符号，

(1)符号不一致，则不输出分析物浓度变化实时趋势；或

(2)符号一致，则

采用多项式拟合对包含当前采集时刻前第m_x个采集时刻T-m_xΔt为终点的m₃个采集周期内的分析物浓度数据C进行拟合，得到一阶线性拟合方程C(t₃)＝P₃·t₃+X₃，t₃∈(T-(m₃+m_x)Δt，T-m_xΔt)，1≤m_x，m₁<m₃，X₃为常量，

比较P₁与P₃的大小关系或比例关系，若P₁与P₃差值(P₁-P₃)或P₁与P₃比值(P₁/P₃)处于设定阈值之外，则不输出分析物浓度变化实时趋势。

2.根据权利要求1所述的方法，其特征在于：所述分析物为动物体分泌物、代谢产物，或摄入药物中的任意一种。

3.根据权利要求1或2所述的方法，其特征在于：所述分析物为血液中葡萄糖。

4.根据权利要求1所述的方法，其特征在于：所述多项式为最小二乘法多项式。

5.根据权利要求1所述的方法，其特征在于：所述m₁≤3。

6.根据权利要求1所述的方法，其特征在于：所述m₁＝1。

7.根据权利要求1所述的方法，其特征在于：所述m₂依据医学研究与经验判断的分析物浓度事件所持续的最长时间确定，使得m₂Δt≤分析物浓度事件所持续的最长时间。

8.根据权利要求1所述的方法，其特征在于：所述分析物为血液中葡萄糖时，m₂Δt≤15分钟。

9.根据权利要求1所述的方法，其特征在于：所述分析物为血液中葡萄糖时，m₂Δt对应为餐后三小时以内。

10.根据权利要求1所述的方法，其特征在于：所述m₂为通过机器学习方法来获得。

11.根据权利要求10所述的方法，其特征在于：所述机器学习方法为K均值聚类算法。

12.根据权利要求1所述的方法，其特征在于：所述m_x≤3。

13.根据权利要求1所述的方法，其特征在于：所述m_x＝1。

14.权利要求1所述的方法，其特征在于：所述设定阈值可通过医学研究与经验确定。

15.权利要求1所述的方法，其特征在于：所述分析物为血液中葡萄糖时，P₁/P₃≤10。