CN113646625A - 用于使用谐波关系监测分析物浓度的方法和设备 - Google Patents

用于使用谐波关系监测分析物浓度的方法和设备 Download PDF

Info

Publication number
CN113646625A
CN113646625A CN202080025607.9A CN202080025607A CN113646625A CN 113646625 A CN113646625 A CN 113646625A CN 202080025607 A CN202080025607 A CN 202080025607A CN 113646625 A CN113646625 A CN 113646625A
Authority
CN
China
Prior art keywords
analyte
harmonic
circuit
containing fluid
processor
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
Application number
CN202080025607.9A
Other languages
English (en)
Inventor
尤尔根·J·扎克
丹尼尔·V·布朗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ascensia Diabetes Care Holdings AG
Bayer Healthcare LLC
Original Assignee
Bayer Healthcare LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayer Healthcare LLC filed Critical Bayer Healthcare LLC
Publication of CN113646625A publication Critical patent/CN113646625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/28—Electrolytic cell components
    • G01N27/30—Electrodes, e.g. test electrodes; Half-cells
    • G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
    • G01N27/3271—Amperometric enzyme electrodes for analytes in body fluids, e.g. glucose in blood
    • G01N27/3273—Devices therefor, e.g. test element readers, circuitry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • 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
    • A61B5/14507—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 specially adapted for measuring characteristics of body fluids other than blood
    • A61B5/1451—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 specially adapted for measuring characteristics of body fluids other than blood for interstitial fluid
    • 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
    • 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
    • A61B5/1468—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 using chemical or electrochemical methods, e.g. by polarographic means
    • A61B5/1473—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 using chemical or electrochemical methods, e.g. by polarographic means invasive, e.g. introduced into the body by a catheter
    • 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
    • A61B5/1468—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 using chemical or electrochemical methods, e.g. by polarographic means
    • A61B5/1477—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 using chemical or electrochemical methods, e.g. by polarographic means non-invasive
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/28—Electrolytic cell components
    • G01N27/30—Electrodes, e.g. test electrodes; Half-cells
    • G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
    • G01N27/3271—Amperometric enzyme electrodes for analytes in body fluids, e.g. glucose in blood
    • G01N27/3274—Corrective measures, e.g. error detection, compensation for temperature or hematocrit, calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/005—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods investigating the presence of an element by oxidation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0538—Measuring electrical impedance or conductance of a portion of the body invasively, e.g. using a catheter
    • 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
    • A61B5/14503—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 invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
    • 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
    • A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H04Q2209/43—Arrangements in telecontrol or telemetry systems using a wireless architecture using wireless personal area networks [WPAN], e.g. 802.15, 802.15.1, 802.15.4, Bluetooth or ZigBee
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
    • H04Q2209/823—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent when the measured values exceed a threshold, e.g. sending an alarm
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/86—Performing a diagnostic of the sensing device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Hematology (AREA)
  • Optics & Photonics (AREA)
  • Immunology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Urology & Nephrology (AREA)

Abstract

连续葡萄糖监测(CGM)可包括：经由CGM传感器的电极向人体间质流体施加周期激励信号以推动氧化/还原反应，以及测量通过所述电极的电流。在一些实施例中，对所测量的电流进行采样和数字化，并且提取所述激励信号的基频的各种谐波。至少两个谐波的关系集合各自由一组谐波对、三元组等的频谱振幅生成，并且所述关系集合映射到诸如基于具有预先存在的谐波关系集合的谐波关系数据库的内容的葡萄糖浓度和例如那些谐波关系集合所对应的葡萄糖浓度。提供了许多其他实施例。

Description

用于使用谐波关系监测分析物浓度的方法和设备
本申请要求2019年2月22日提交的并且名称为“Methods and Apparatus forAnalyte Concentration Monitoring Using Harmonic Relationships”的美国临时专利申请号62/809,039的优先权，所述专利申请出于所有目的特此以引用方式整体并入本文。
技术领域
本申请总体涉及确定含分析物流体中的分析物浓度。
背景技术
许多应用要求确定含分析物流体中的分析物浓度。一个应用特别是确定人血液中的葡萄糖浓度。确定人的血糖水平对于糖尿病的管理和控制很重要。为此，已开发出用于血糖监测(BGM)的方法和设备。然而BGM方法和设备需要通常通过“手指针刺/1”获得的血液样本，但血液可从身体其他部位(诸如手掌或前臂)得到；并且BGM结果不是连续的，而是取得血液样本时血糖水平的单次快照。
为了更加密切地监测人的葡萄糖水平并检测可能在糖尿病患者中迅速发生的葡萄糖水平的变化，已开发出用于连续葡萄糖监测(CGM)的方法和设备。尽管CGM系统被称为是“连续”的，但测量通常每隔几分钟进行一次，而不是真正的连续不断。具有可植入部分和不可植入部分的CGM产品可在移除和更换之前穿戴数天，且多达数周。
现有CGM产品提供对人的葡萄糖水平的频繁测量，而不需要每次这样的测量都伴随着抽血，诸如通过手指针刺。这些现有CGM产品可能仍需要偶尔进行手指针刺使用BGM系统来实现校准CGM系统的目的。CGM产品可包括被插入成以便定位在皮肤下方的传感器部分和粘附到皮肤外表面(例如腹部或上臂背面)的非植入处理部分。与测量血液中的葡萄糖浓度的BGM系统不同，CGM系统测量间质流体中的葡萄糖浓度。
改进的CGM方法和设备是需要的。
发明内容
在一个示例性实施例中，提供了一种电子探测含分析物流体中的氧化还原反应的方法。所述方法可包括由第一电路向所述含分析物流体施加周期激励信号，其中所述周期激励信号具有基频；在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；由第三电路对所述电流测量信号进行采样；由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；至少部分地基于所述数字化时域样本数据来提取多个谐波信号，其中所述谐波信号是所述基频的谐波，并且每个谐波信号具有对应的强度；基于所述多个谐波信号的至少一部分来计算谐波关系集合；基于所述多个谐波信号的至少一部分来计算谐波关系集合；访问谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的分析物浓度。
在另一示例性实施例中，一种产生与含分析物流体中的对应分析物浓度值相关的预定谐波关系信息集合的方法可包括：提供多个含分析物流体样本，其中所述多个含分析物流体样本中的每一个具有已知分析物浓度；以及针对所述多个含分析物流体样本中的每一个：由第一电路向所述含分析物流体样本施加周期激励信号，其中所述周期激励信号具有基频；在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述第一电路施加所述周期激励信号时所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的所述分析物浓度；由第三电路对所述电流测量信号进行采样；由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；从所述数字化时域样本数据提取多个谐波信号；基于所述多个谐波信号的至少一部分来计算谐波关系集合；将所述谐波关系集合与所述含分析物流体的所述已知分析物浓度相关联；以及将与所述已知分析物浓度相关联的所述谐波关系集合存储在谐波关系数据库中。
在另一示例性实施例中，一种连续分析物监测(CAM)系统可包括：第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号；第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的谐波关系数据库并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：从所述数字化时域样本数据提取多个谐波信号；基于所述多个谐波信号的至少一部分来计算谐波关系集合；访问所述谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
在另一示例性实施例中，一种连续葡萄糖监测(CGM)系统可包括：CGM传感器，所述CGM传感器被配置用于插入用户体内的间质流体的区域中；第一电路，所述第一电路被配置成耦接到所述CGM传感器并且被配置成可移除地附接到所述用户的外表面，其中所述第一电路包括：被配置成耦接到所述CGM传感器的周期激励信号发生器、被配置成耦接到所述CGM传感器的电流传感器和被配置成耦接到所述电流传感器的采样电路，所述采样电路被配置来输出采样时域数据；以及第二电路，所述第二电路耦接到所述第一电路，其中所述第二电路被配置来：从所述采样时域数据提取预定数量的谐波，基于所提取的谐波生成谐波关系集合，并且基于所述谐波关系集合确定葡萄糖水平。
在另一示例性实施例中，一种连续葡萄糖监测(CGM)的方法可包括：由周期激励信号发生器生成具有振幅和基频的周期激励信号；将所述周期激励信号施加到CGM传感器的电极；由电流传感器电路感测通过所述CGM传感器的电流以产生测量电流信号；由采样电路以一定采样速率、一定比特分辨率对所述测量电流信号进行采样持续一定时间周期，以产生时域样本数据集合；将所述时域样本数据集合变换为频域数据集合，其中所述频域数据集合至少包括所述基频的预定数量的谐波中的每一个的强度；基于所述预定数量的谐波中的每一个的强度来生成谐波关系集合；以及基于所述谐波关系集合来确定葡萄糖水平。
在一些实施例中，一种分析物监测系统包括：第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号；第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的谐波关系数据库并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：(a)从所述数字化时域样本数据提取多个谐波信号；(b)基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及(c)基于所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
在一些实施例中，一种分析物监测系统包括：(1)第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号，所述周期激励信号所具有的基频至少部分地基于所述含分析物流体内的近似分析物浓度来选择；(2)第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的所述分析物浓度；(3)第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及(4)处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的谐波关系数据库并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：(a)从所述数字化时域样本数据提取多个谐波信号；(b)基于所述多个谐波信号的至少一部分来计算谐波关系集合；(c)访问所述谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及(d)基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
在一些实施例中，一种电子探测含分析物流体中的氧化还原反应的方法包括：(a)确定含分析物流体中的近似分析物浓度；(b)至少部分地基于所确定的近似分析物浓度来确定施加到所述含分析物流体的周期激励信号的频率；(c)由第一电路向所述含分析物流体施加所述周期激励信号；(d)在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；(e)由第三电路对所述电流测量信号进行采样；(f)由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；(g)至少部分地基于所述数字化时域样本数据来提取多个谐波信号，其中所述谐波信号是所述周期激励信号的基频的谐波，并且每个谐波信号具有对应的强度；(h)基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及(i)基于所计算的谐波关系集合来确定所述含分析物流体中的分析物浓度。
在一些实施例中，一种分析物监测系统包括：(1)第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号，所述周期激励信号所具有的基频至少部分地基于所述含分析物流体内的近似分析物浓度来选择；(2)第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的所述分析物浓度；(3)第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及(4)处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：(a)从所述数字化时域样本数据提取多个谐波信号；(b)基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及(c)基于所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
根据本公开内容的实施例的其他特征、方面和优点将从以下详细描述、所附权利要求和附图通过示出多个示例性实施例和实现方式而变得更加显而易见。根据本公开内容的各种实施例还可以能够实现其他不同的应用，并且其若干细节可在各个方面进行修改，所有这些都不脱离权利要求的精神和范围。因此，附图和描述应被视为在本质上是说明性的而不是限制性的。附图不一定按比例绘制。
附图说明
图1A示出根据本公开内容的CGM系统的第一示例性实施例的高级框图，其中谐波关系数据库存储在CGM系统的可穿戴部分中。
图1B示出根据本公开内容的CGM系统的第二示例性实施例的高级框图，其中谐波关系数据库存储在CGM系统的便携式用户装置部分中。
图1C示出根据本公开内容的CGM系统的第三示例性实施例的高级框图。
图2示出根据本公开内容的一个示例性实施例的另一CGM系统的高级框图。
图3示出根据本公开内容的一个示例性实施例的又另一CGM系统的高级框图。
图4以高级别示出根据本公开内容的一个示例性实施例的用于将谐波关系映射到分析物浓度的数据结构。
图5以高级别示出根据本公开内容的一个示例性实施例的用于将谐波关系映射到分析物浓度的谐波关系数据库。
图6A示出根据本公开内容的一个示例性实施例的施加到三种不同浓度的含葡萄糖流体的周期激励信号的基频的二次谐波强度对三次谐波强度的比率的半对数图。
图6B示出根据本公开内容的一个示例性实施例的施加到三种不同浓度的含葡萄糖流体的周期激励信号的基频的三次谐波强度对五次谐波强度的比率的半对数图。
图6C示出根据本公开内容的一个示例性实施例的施加到三种不同浓度的含葡萄糖流体的周期激励信号的基频的四次谐波强度对三次谐波强度的比率的半对数图。
图6D示出根据本公开内容的一个示例性实施例的施加到三种不同浓度的含葡萄糖流体的周期激励信号的基频的二次谐波强度对四次谐波强度的比率的半对数图。
图7A至图7B示出根据本公开内容的一个示例性实施例的针对连续分析物监测系统生成谐波关系数据库的方法的流程图。
图8示出根据本公开内容的一个示例性实施例的确定分析物浓度的方法的流程图。
图9示出根据本公开内容的一个示例性实施例的连续葡萄糖监测的方法的流程图。
图10示出根据本公开内容的一个示例性实施例的分析物浓度监测的另一示例性方法的流程图。
具体实施方式
综述
CGM系统为人们提供许多益处，诸如但不限于减少手指针刺的次数和检测葡萄糖水平的快速变化。然而，实现CGM系统的技术挑战之一是对间质流体而不是直接对人血液进行葡萄糖测量可产生较低的信噪比(SNR)。低信噪比可使处理从患者间质流体获得的信号变得困难。
在本文所提供的并且下面更详细描述的各种实施例中，低频周期激励信号可被注入含葡萄糖流体中(例如，驱动流体中的葡萄糖氧化/还原(氧化还原)反应)并在流体中的电流的对应测量中产生非线性信号失真。谐波可从由非线性信号失真产生的复杂波形提取得到，并且可用于生成与流体中的葡萄糖浓度相关的谐波关系集合，诸如谐波比集合或谐波之间的其他关系。对于不同的葡萄糖浓度，谐波关系集合具有对应值的唯一集合。也就是说，谐波关系集合可充当葡萄糖浓度空间中的向量，其中向量坐标(即，所评估的谐波关系集合)指向或定义葡萄糖浓度。更一般地，可针对其他含分析物流体生成多个谐波关系集合，并且将它们采用来定义此类流体内的分析物浓度。
在一些实施例中，如果多种分析物同时存在于待分析的流体中并且一个或多个谐波关系的依赖性对于不同分析物和/或分析物浓度不同，则可同时确定多种分析物的浓度。类似地，可在分析物浓度的检测期间检测、分析和/或校正一种或多种干扰物。作为示例，待分析的流体可包含葡萄糖和可在电化学测量中模拟葡萄糖的至少一种干扰物。然而，葡萄糖浓度可与干扰物浓度不同地影响谐波关系集合。因此，谐波关系可用于确定葡萄糖浓度以及干扰物浓度和/或用于在校正干扰物的存在的同时确定葡萄糖浓度。
CGM设备
为了用CGM系统进行连续葡萄糖监测，将传感器插入患者体内。所插入的传感器向设置在患者体内的电极提供间质流体。电路可耦接到传感器。电路或包含电路的壳体或其他封装件可粘附到患者皮肤并保持粘附持续数天或更长时间。传感器和电路一起被配置为CGM系统的可穿戴部分。这种可穿戴部分可具有另外的电路以实现另外的特征和功能。
电路可用于处理由传感器从间质流体获得的电信号。这些信号取决于人的葡萄糖水平。这些信号可例如在一天中多次自动获得。可穿戴部分的电路可进一步被配置来存储、显示和/或传达与患者葡萄糖水平有关的信息。
如以上所指出，BGM系统在通过例如手指针刺进行抽血的同时确定人血液样本中的葡萄糖水平。已作出很多努力来加速BGM测量以尽可能快地为一个人获得单个葡萄糖测量结果。通过BGM系统确定血糖水平的本领域的现状是少于五秒。然而，对于CGM系统，相比动脉血中的葡萄糖与间质流体中的葡萄糖之间的固有时间滞后(约五分钟)，在明显更快的时间尺度上测量间质流体中的葡萄糖可能有很少的益处。因此，通过CGM系统确定葡萄糖水平的有意义的时间约束在一分钟的数量级。也就是说，在CGM系统中可用的时间比BGM系统多，并且额外的时间可用于处理从间质流体获得的低(与BGM系统相比)SNR信号以确定葡萄糖水平。因此，本文所提供的实施例可补偿与动脉血相比间质流体中的相对较低的SNR(例如，通过使用频域算法，所述频域算法可通过增加更多的激励循环来提供可扩展的SNR)。根据本文所描述的实施例，可类似地采用用于其他类型的分析物、干扰物或其他物质(诸如麦芽糖、半乳糖、血细胞比容、诸如对乙酰氨基酚的药物等)的连续监测系统。
图1A示出根据本文所提供的实施例的示例性CGM系统100的高级框图。尽管图1A中未示出，但应理解，各种电子部件和/或电路被配置成耦接到电源，诸如但不限于电池。CGM系统100包括第一电路102，所述第一电路102可被配置成耦接到CGM传感器104。第一电路102可被配置来通过CGM传感器104向含分析物流体施加周期激励信号(诸如周期电压信号)。在这个示例性实施例中，含分析物流体可以是人体间质流体，并且周期电压信号可施加到CGM传感器104的电极105。
在一些实施例中，CGM传感器104可包括两个电极，并且周期电压信号可跨电极对施加。在此类情况下，可通过CGM传感器104测量电流。在其他实施例中，CGM传感器104可包括三个电极，诸如工作电极、对电极和参考电极。在此类情况下，可在对电极与参考电极之间施加周期电压信号，并且可例如通过工作电极测量电流。CGM传感器104包括在氧化还原反应中与含葡萄糖溶液反应的化学物质，所述氧化还原反应影响电荷载子的浓度和CGM传感器104的时间依赖性阻抗。在一些实施例中，诸如当采用三个电极传感器时，第一电路102可被配置成包括恒电位仪，所述恒电位仪的输出端子形成第一电路102的输出端子。
由第一电路102生成的周期电压信号是时变信号，所述时变信号可以是例如但不限于具有或不具有DC偏移的正弦信号、方形信号、锯齿形信号、三角形信号等。为了简化后续信号处理，可在将周期信号施加到含分析物流体之前对其进行稳定(例如，以避免引入不是由氧化还原反应产生的谐波)。然而，在周期电压信号具有在传感器的化学反应动力学数量级(例如，远小于1kHz但大于0.01Hz)的基频的实施例中，稳定过程或等待期可减少或消除，因为此类低频周期信号的生成可以从一开始就变得非常“干净”。在远高于1kHz的频率下，传感器的化学反应动力学常常不会影响电流响应，所以不需要信号稳定期。在一些实施例中，由第一电路102生成的周期电压信号可包括DC偏移电压。
在一些实施例中，周期电压信号可具有固定频率或缓慢变化的频率。在其他实施例中，周期电压信号可具有在不同离散频率之间变化的频率(例如，在周期电压信号的多个周期(诸如例如10个或更多个)内保持处于各自的频率)。周期电压信号的示例性激励频率的范围为从约0.1Hz到10Hz，并且在一些实施例中为约0.5Hz到2Hz，但是可使用其他值。示例性峰值电压的范围为自约0.5毫伏到500毫伏，并且在一些实施例中多达约1伏，但是可使用更大或更小的值(例如，在具有或不具有DC偏移的情况下)。
含分析物流体中响应于周期电压信号通过CGM传感器104的电流是非线性的，并且可从CGM传感器104传送到第二电路106。第二电路106可被配置来生成电流测量信号，所述电流测量信号具有指示从CGM传感器104传送的电流幅值的幅值。在一些实施例中，第二电路106可包括具有已知标称值和已知标称精度(例如，0.1％到5％，或在一些实施例中甚至小于0.1％)的电阻器，从CGM传感器104传送的电流通过所述电阻器。跨第二电路106的电阻器产生的电压表示电流的幅值，并且可称为电流测量信号。
电流测量信号的非线性分量取决于所分析的含分析物流体内的分析物浓度。如下面将进一步描述的，根据本文所提供的实施例，电流测量信号的非线性特性(取决于分析物浓度)可通过提取所施加的周期信号的基频的高阶谐波来量化。例如，可将基频的每个谐波的“强度”(诸如振幅、功率等)提取为基频f的整数倍(诸如谐波n*f，其中n＝2，3，4，5，6，7，8，9，10或更多)。可采用非线性电流测量信号的整个频谱或一部分频率，也可采用特定频率(例如，使用傅里叶(Fourier)变换、快速傅里叶变换、离散傅里叶变换、戈泽尔(Goertzel)变换或其他变换)。
第三电路108可耦接到第二电路106，并且可被配置来对电流测量信号进行采样，并且可产生表示电流测量信号的数字化时域样本数据。例如，第三电路108可以是任何合适的众所周知的A/D转换器电路，所述A/D转换器电路被配置来接收作为模拟信号的电流测量信号并将它转换为具有所需比特数的数字信号作为输出。在一些实施例中，由第三电路108输出的比特数可为十六，但在其他实施例中可使用更多或更少的比特。在一些实施例中，第三电路108可以在每秒约10个样本到每秒1000个样本的范围内的采样速率对电流测量信号进行采样。可使用更快或更慢的采样速率。例如，可使用诸如约10kHz到100kHz的采样速率并进行降采样以进一步降低信噪比。
第三电路108可在称为采样窗口的时间周期内以所述采样速率对电流测量信号进行采样。在各种实施例中，采样窗口可在约10秒与300秒之间。可使用更长或更短的采样窗口。
仍然参考图1A，处理器110可耦接到第三电路108并且可进一步耦接到存储器112。在一些实施例中，处理器110和第三电路108被配置成经由有线通路彼此直接通信。在一些实施例中，处理器110与第三电路108之间的有线通路是其中一次传输一比特数字数据的串行路径。在其他实施例中，处理器110与第三电路108之间的有线通路是其中一次传输两比特或更多比特数字数据的并行路径。在再一些其他实施例中，处理器110和第三电路108的耦接可通过存储器112来实现。在这种布置中，第三电路108将数字数据写入存储器112，并且处理器110从存储器112读取数字数据。
存储器112可具有存储在其中的谐波关系数据库114(在下面详细描述)。存储器112还可具有存储在其中的多个指令。在各种实施例中，处理器110可以是计算资源，诸如但不限于微处理器、微控制器、嵌入式微控制器、数字信号处理器(DSP)、被配置来作为微控制器执行的可编程门阵列(FPGA)等。
在一些实施例中，存储在存储器112中的多个指令可包括在由处理器110执行时致使处理器110进行以下操作的指令：(a)从第三电路108所生成的数字化时域采样数据提取多个谐波信号；(b)基于多个谐波信号中的至少一部分来计算或以其他方式确定谐波关系集合；(c)访问谐波关系数据库114；以及(d)基于谐波关系数据库114和所确定的谐波关系集合来确定由CGM传感器104感测的含分析物流体中的分析物浓度的幅值。
存储器112可以是任何合适类型的存储器，诸如但不限于易失性存储器和/或非易失性存储器中的一种或多种。例如，存储器112可包括诸如易失性存储器和非易失性存储器的不同类型的存储器的组合。易失性存储器可包括但不限于静态随机存取存储器(SRAM)或动态随机存取存储器(DRAM)。非易失性存储器可包括但不限于电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、快闪存储器(例如，呈NOR或NAND配置、和/或堆叠或平面布置、和/或单级单元(SLC)、多级单元(MLC)或组合SLC/MLC布置的一种EEPROM)、电阻存储器、丝状存储器、金属氧化物存储器、相变存储器(诸如硫族化物存储器)或磁存储器。例如，存储器112可封装为单个芯片或多个芯片。在一些实施例中，存储器112可与一个或多个其他电路一起嵌入集成电路(诸如例如专用集成电路(ASIC))中。
如以上所指出，存储器112可具有存储在其中的多个指令，所述多个指令在由处理器110执行时致使处理器110执行由所存储的多个指令中的一个或多个指定的各种动作。存储器112还可具有被保留用于一个或多个“暂存器”存储区域的部分，所述存储区域可用于由处理器110响应于多个指令中的一个或多个指令的执行而进行的读取或写入操作。
在图1A的实施例中，第一电路102、CGM传感器104、第二电路106、第三电路108、处理器110和包括谐波关系数据库114的存储器112可设置在CGM系统100的可穿戴传感器部分116内。在一些实施例中，可穿戴传感器部分116可包括用于显示信息(诸如葡萄糖浓度信息)的显示器117(例如，而无需使用外部装备)。显示器117可以是任何合适类型的人可感知显示器，诸如但不限于液晶显示器(LCD)、发光二极管(LED)显示器或有机发光二极管(OLED)显示器。
仍然参考图1A，CGM系统100还包括便携式用户装置部分118。处理器120和显示器122可设置在便携式用户装置部分118内。显示器122可耦接到处理器120。处理器120可控制显示器122所显示的文本或图像。可穿戴传感器部分116和便携式用户装置部分118可通信地耦接。在一些实施例中，可穿戴传感器部分116和便携式用户装置部分118的通信耦接可通过无线通信来实现。这种无线通信可通过任何合适的手段来实现，包括但不限于基于标准的通信协议，诸如
Figure BDA0003284250800000111
通信协议。在各种实施例中，可穿戴传感器部分116与便携式用户装置部分118之间的无线通信可替代地通过近场通信(NFC)、射频(RF)通信、红外(IR)通信或光学通信来实现。在一些实施例中，可穿戴传感器部分116和便携式用户装置部分118可通过一根或多根导线连接。
显示器122可以是任何合适类型的人可感知显示器，诸如但不限于液晶显示器(LCD)、发光二极管(LED)显示器或有机发光二极管(OLED)显示器。
现在参考图1B，示出了示例性CGM系统150，它类似于图1A所示的实施例但具有不同的部件分区。在CGM系统150中，可穿戴传感器部分116包括耦接到CGM传感器104的第一电路102和耦接到CGM传感器104的第二电路106。CGM系统150的便携式用户装置部分118包括耦接到处理器120的第三电路108和耦接到处理器120的显示器122。处理器120进一步耦接到具有存储在其中的谐波关系数据库114的存储器112。在一些实施例中，例如，CGM系统150中的处理器120也可执行先前所描述的由图1A的CGM系统100的处理器110执行的功能。CGM系统150的可穿戴传感器部分116可比图1A的CGM系统100的可穿戴传感器部分116更小和更轻以及因此更小的侵入性，因为CGM系统150的可穿戴传感器部分116中不包括第三电路108、处理器110、存储器112等。
现在参考图1C，示出了示例性CGM系统170，它类似于图1B所示的实施例但具有不同的部件分区。在CGM系统170中，可穿戴传感器部分116包括耦接到CGM传感器104的第一电路102、耦接到CGM传感器104的第二电路106以及耦接到第二电路106的第三电路108。CGM系统170的便携式用户装置部分118包括处理器120、耦接到处理器120的显示器122。处理器120进一步耦接到具有存储在其中的谐波关系数据库114的存储器112。CGM系统170的可穿戴传感器部分116可比图1A的CGM系统100的可穿戴传感器部分116更小和更轻以及因此更小的侵入性，因为CGM系统170的可穿戴传感器部分116中不包括处理器110、存储器112等。
参考图2，本文所提供的示例性CGM系统200包括可穿戴部分202(在虚线框内示出)和便携式用户装置部分204(在虚线框内示出)。可穿戴部分202包括周期信号发生器206，所述周期信号发生器206耦接到CGM传感器208的电极207，所述电极207中的一个可例如为工作电极209。CGM传感器208的电极207被示出为在含分析物流体210中。在一些实施例中，含分析物流体是人体间质流体，并且分析物是葡萄糖。CGM传感器208的电极207进一步耦接到电流测量电路212。(信号发生器206和电流测量电路212可分别类似于图1A、图1B和图1C的第一电路102和第二电路106。)
电流测量电路212从电极207接收因含分析物流体210中的氧化还原反应生成的电流，并且所述电流是对信号发生器206施加到电极207的电压的响应。电流测量电路212生成电流测量信号，所述电流测量信号的幅值是对信号发生器206施加到电极207的电压的响应。电流测量电路212耦接到采样电路214。
与图1A、图1B和图1C的第三电路108类似的采样电路214被配置来接收电流测量电路212所生成的电流测量信号作为输入。采样电路214可被配置来对电流测量信号进行采样，并且可产生表示电流测量信号的数字化时域样本数据。在一些实施例中，采样电路214可以是具有任何合适的比特分辨率的A/D转换器。在一些实施例中，采样电路214可具有十六比特的比特分辨率。可使用更多或更少的比特。采样电路214可例如以在每秒约10个样本到每秒1000个样本的范围内的采样速率对电流测量信号进行采样。可使用更快或更慢的采样速率。例如，可使用诸如约10kHz到100kHz的采样速率并进行降采样以进一步降低信噪比。此外，采样电路214可在称为采样窗口的时间周期内以所述采样速率对电流测量信号进行采样。在各种实施例中，采样窗口可在约10秒与300秒之间。可使用其他采样速率和/或采样窗口。
仍然参考图2，采样电路214耦接到存储器216。在一些实施例中，采样电路214可被配置来将表示电流测量信号的数字化时域样本数据写入存储器216中。
存储器216可以是任何合适类型的存储器，诸如但不限于如先前参考图1A、图1B和图1C所描述的易失性存储器或非易失性存储器。例如，存储器216可包括诸如易失性存储器和非易失性存储器的不同类型的存储器的组合。
存储器216可具有存储在其中的多个指令。可穿戴部分202的存储器216进一步耦接到收发器218，所述收发器218耦接到天线220。存储器216更进一步地耦接到微控制器222。存储在存储器216中的多个指令在由微控制器222执行时致使微控制器222执行由所存储的多个指令中的一个或多个指定的各种动作。在一些实施例中，存储器216可具有存储在其中的谐波关系数据库(HRD)223。
仍然参考图2，微控制器222可以是独立微控制器、嵌入式微控制器、数字信号处理器(DSP)、被配置来作为微控制器执行的可编程门阵列(FPGA)等。
在示例性CGM系统200中，收发器218可以是无线电发射机/接收机，所述无线电发射机/接收机被配置来从存储器216读取信息并通过收发器224及其天线226将所述数据发射到便携式用户装置部分204。在一些实施例中，收发器224可将它从收发器218接收的信息写入存储器228中，所述存储器228设置在便携式用户装置部分204中。在下面所描述的一个替代实施例中，一个或多个其他电子部件可促进数据在采样电路214与存储器216之间的传输。在各种实施例中，收发器218、224之间的无线通信可通过
Figure BDA0003284250800000141
通信、近场通信(NFC)、射频(RF)通信、红外(IR)通信、光学通信等来实现。在一些实施例中，可穿戴传感器部分202和便携式用户装置部分204可通过一根或多根导线连接。
存储器228可进一步耦接到微处理器230。存储器228可以是任何合适类型的存储器，诸如但不限于如先前参考图1A、图1B和图1C所描述的易失性存储器或非易失性存储器。
微处理器230可以是以任何合适方式实现的计算资源。例如，微处理器230可以是但不限于独立芯片、多个逻辑耦接的芯片、被配置来执行微处理器的功能的FPGA、嵌入式处理器、数字信号处理器等。
微处理器230可进一步耦接到显示器232。显示器232可以是任何合适的显示器。例如，显示器232可以是人可感知显示器，诸如但不限于LCD、LED显示器或OLED显示器。
在一些实施例中，可穿戴传感器部分202可包括例如与图1A用于显示信息(诸如葡萄糖浓度信息)的显示器117类似的显示器233(例如，而无需使用外部装备)。显示器233可以是任何合适类型的人可感知显示器，诸如但不限于LCD、LED显示器或OLED显示器。
在一些替代实施例中，来自采样电路214的数据不能直接写入存储器216，而是可由微控制器222从采样电路214读取，并且然后由微控制器222写入存储器216(或写入便携式用户装置部分204)。此数据通路由图2中的虚线箭头234a、234b示出。
图1A、图1B、图1C和图2各自的示例性CGM系统100、150、170和200分别示出具有可穿戴部分和便携式用户装置部分的两件式CGM系统。图3示出示例性一件式CGM系统300，其包括先前所描述的可穿戴部分和便携式用户装置部分的功能性。也就是说，示例性一件式CGM系统300被配置来向含分析物流体施加周期激励电压，生成表示产生的电流的电流测量信号，基于电流测量信号来提取谐波，根据所提取的谐波来生成谐波关系集合，并且/或者至少部分地基于所生成的谐波关系集合来确定含分析物流体中的分析物浓度的幅值。在一些实施例中，一件式CGM系统300可进一步被配置来将所确定的分析物浓度无线地发射到与CGM系统300物理分离的一个或多个接收机。
如图3所示，示例性CGM系统300(在虚线框内示出)包括耦接到CGM传感器208的电极207的周期信号发生器206。图3示出设置在含分析物流体210中的CGM传感器208的电极207。电流测量电路212耦接到CGM传感器208的电极207并且进一步耦接到采样电路214，所述采样电路耦接到存储器302。收发器304及其对应天线306也可包括在CGM系统300中。收发器304耦接到存储器302。存储器302进一步耦接到微处理器308。例如，存储器302可类似于图2的存储器216和/或228并且包括谐波关系数据库(HRD)223。信号发生器206、电流测量电路212、采样电路214、存储器302、谐波关系数据库(HRD)223和微处理器308可采用来确定如以上所描述的含分析物流体210中的分析物浓度。收发器304和天线306然后可将所确定的分析物浓度无线地发射到与CGM系统300物理分离的一个或多个接收机。在一些实施例中，CGM系统300可包括用于显示分析物信息和/或其他信息(例如，分析物浓度)的显示器310。例如，显示器310可以是LCD、LED显示器或OLED显示器、或另一种合适的显示器。
图4和图5示出根据本文所提供的实施例的用于将谐波关系集合映射到对应的分析物浓度值的数据结构。图4以高抽象级别示出谐波比与分析物浓度之间的关系。图5以另外的细节示出谐波比与分析物浓度之间的关系。虽然图4和图5是关于谐波比来描述的，但应理解，可使用其他谐波关系，包括例如两个或更多个谐波的特性(例如，强度)的乘法、加法或减法、基于两个或更多个谐波的特性(例如，强度)的三角函数、对数函数、指数函数或多项式函数、上述的组合等。
图4示出可用于至少部分地基于一个或多个谐波比来确定含分析物流体的分析物浓度的示例性数据结构400的简化高级框图。在一些实施例中，谐波关系数据库114和/或223可包括类似于数据库结构400的一个或多个数据结构。如下面参考图5所描述，一般来说，可使用若干谐波比来确定分析物浓度。
数据结构400可以是例如具有预定数量的行和列的表(例如，查找表)。在图4所示的示例性数据结构400中，存在六行402、404、406、408、410和412以及两列414和416。在示例性数据结构400中，每一行包含第一条目，所述第一条目包含针对至少一个谐波比集合中的每一个的范围规范。例如，X表示可与特定分析物浓度或与分析物浓度范围相关联的谐波比集合。在图4的所示示例中，行402中的X被表征为在0与1(包括端值)之间，这与为1的分析物浓度相关联。同样地，行404中的X被表征为在1与2(包括端值)之间，这与为2的分析物浓度相关联。行406中的X被表征为在2与3(包括端值)之间，这与为3的分析物浓度相关联。行408中的X被表征为在3与4(包括端值)之间，这与为4的分析物浓度相关联。行410中的X被表征为在4与5(包括端值)之间，这与为5的分析物浓度相关联。类似地，行412中的X被表征为大于5，这与为6的分析物浓度相关联。示例性数据结构400中所提供的示例性值仅用于说明谐波比集合映射到对应的分析物浓度的使用。各种实施例在这种数据结构中可具有更多或更少的条目。
图5示出可用于至少部分地基于一个或多个谐波比来确定含分析物流体的分析物浓度的示例性谐波关系数据库500的高级框图。示例性分析物包括葡萄糖、麦芽糖、半乳糖、血细胞比容、诸如对乙酰氨基酚的药物等。在一些实施例中，图1A至图3的谐波关系数据库114和/或223可类似地配置。
如以上所指出，向含分析物流体提供周期激励(诸如AC周期激励信号)可产生时域电流信号，所述时域电流信号是含分析物流体中的分析物浓度的特性。可从时域电流信号提取激励信号的基频的谐波。可确定多个谐波之间的谐波关系，诸如各对提取谐波的强度比集合，在本文中称为谐波比。谐波比或其他谐波关系，如时域电流信号，是分析物浓度的特性。谐波比是一次谐波强度除以二次谐波强度的商。强度可包括例如振幅、功率等。谐波比可根据从时域样本数据提取的任何一对谐波强度值生成。因此，分析物浓度可由对应的谐波比集合表示。通过确定特定的(预定)分析物浓度的谐波比的特性集合，并将那些特性集合与它们的预定的对应分析物浓度一起存储在数据库中，然后可将从具有未知分析物浓度的含分析物流体获得的随后生成的谐波比集合与谐波比集合的数据库进行比较并与对应的分析物浓度值相匹配。除了谐波比之外或代替谐波比，可使用其他谐波关系，如先前所描述。
对于基频fin，谐波为：fn＝n*fin，其中n是谐波的(整数)阶次。根据谐波强度，可形成不同的属性，所述属性可被优化以与葡萄糖浓度、葡萄糖干扰物和/或传感器温度相关。示例性属性可包括：(1)谐波强度；(2)谐波强度对基频强度的比率(例如，以将电流感测电子器件的硬件校准归一化)；(3)两个或更多个谐波强度的比率，它可降低电流感测电子器件中的校准因子；和/或(4)包含两个或更多个谐波强度的任何其他函数关系。
谐波比的优点是他们产生许多不同的属性。如果N是可测量谐波的最大数量，则存在N(N-l)/2个不同的属性可包含在与葡萄糖浓度、温度和/或葡萄糖干扰物的相关函数中。例如，对于N＝15个谐波，存在105个不同的属性可用于仅从谐波比构建更加复杂的函数，诸如索引函数。
更一般地，谐波及其导出属性(例如，振幅、功率等)可与广泛范围的机器学习算法一起使用，所述机器学习算法包括但不限于多元回归、神经网络、牛顿-拉普森(Newton-Raphson)方法或用于分析分析物浓度或其他属性的共轭梯度优化。
现在参考图5，示例性谐波关系数据库500包括n个谐波比集合，每个谐波比集合具有指向对应分析物浓度的链接或指针。每个谐波比集合是一个n元组，并且可被视为分析物浓度空间中的向量。在示例性谐波关系数据库500中，n个向量各自都是m维的，其中m维中的每一个中的值由一对谐波强度的比值设置。一般来说，可使用任何数量的谐波比。
n个向量在此被示出为分别为502、506、510和514的第一向量、第二向量、第三向量和第n个向量。每个向量502、506、510和514包括m个谐波比，和分别为503、507、511和515的指向对应分析物浓度504、508、512和516的链接或指针。
作为一个示例，通过确定含分析物流体的谐波比ha1b1、ha2b2、ha3b3、......、hambm，可将谐波比ha1b1、ha2b2、ha3b3、......、hambm与谐波关系数据库500中设置的每个谐波比进行比较。如果例如谐波比ha1b1、ha2b2、ha3b3、......、hambm匹配含分析物样本的谐波比ha1b1-1、ha2b2-1、ha3b3-1、......、hambm-1，则可确定样本具有为Conc.-1的分析物浓度值。类似地，如果谐波比ha1b1、ha2b2、ha3b3、......、hambm匹配含分析物样本的谐波比ha1b1-2、ha2b2-2、ha3b3-2、......、hambm-2，则样本具有为Conc.-2的分析物浓度，依次类推。每向量n的谐波比的数目m可以是任何合适的值(例如，2、3、4、5、10、15等，多达谐波比的完整集合的大小)。可使用任何数目的向量n。
在一些实施例中，谐波比和/或其他谐波关系可使用实验测量的数据集之间的数值拟合(诸如多元多项式)、多维内插(诸如使用三次样条)等与葡萄糖浓度相关。
图6A至图6D示出根据本公开内容的一个示例性实施例的施加到三种不同浓度的含葡萄糖流体的周期电压信号的基频的各种谐波的强度比的半对数图。参考图6A、图6B、图6C和图6D，分别示出了对于样本中不同葡萄糖浓度(例如，50毫克/分升(mg/dl)、100mg/dl和300mg/dl)的以下比率的各种说明性谐波比曲线：二次谐波强度对三次谐波强度的比率h23，三次谐波强度对五次谐波强度的比率h35，四次谐波强度对五次谐波强度的比率h45和二次谐波强度对四次谐波强度的比率h24。谐波强度通过以下方式来确定：从数字化时域电流测量信号(例如，来自图1A、图1B或图1C中的第三电路108，或来自图2或图3中的采样电路214)提取谐波，并标识数字化时域电流测量信号的这些频谱分量的强度(例如，振幅、功率等)。例如，可使用傅里叶变换、离散傅里叶变换、快速傅里叶变换、戈泽尔变换等来提取频谱分量。图6A至图6D表明对于任何特定的葡萄糖浓度，存在谐波比值的唯一集合。因此，给定的谐波比值集合映射到唯一的对应葡萄糖浓度。
图7A至图7B示出根据本公开内容的一个示例性实施例的为连续分析物监测系统生成谐波关系数据库的方法700的流程图。例如，可采用谐波比和/或其他谐波关系。首先参考图7A，示例性方法700提供产生与含分析物流体中的对应分析物浓度值相关的预定谐波关系信息集合的方法。以此方式，可产生谐波关系数据库，所述谐波关系数据库可用于例如根据本公开内容的CGM产品中以确定人体间质流体中的葡萄糖水平。方法700可包括提供702多个含分析物流体样本，其中所述多个含分析物流体样本中的每一个具有已知分析物浓度。为了产生含葡萄糖流体的谐波关系数据库，流体样本包含已知浓度的葡萄糖。在替代实施例中，可通过使用包含已知浓度的不同分析物的流体样本来产生所述分析物的谐波关系数据库。因为方法700可用于针对多个含分析物流体样本中的每一个产生谐波关系信息集合，所以执行决策操作704以确定是否对所有的含分析物流体样本进行了处理。如果所有流体样本都已被处理，则方法700结束。在另一方面，如果存在更多的流体样本要处理，则方法700还包括：针对剩余的多个含分析物流体样本中的每一个，由第一电路(诸如图1A、图1B或图1C的第一电路102或图2、或图3的信号发生器206)向含分析物流体样本施加706周期激励(例如，电压)信号(具有基频)。方法700还包括：在第一电路施加周期电压信号时由第二电路生成708电流测量信号，其中所述电流测量信号具有指示因第一电路施加周期电压信号时含分析物流体样本中的氧化还原反应产生的电流的幅值，电流测量信号的幅值至少部分地取决于含分析物流体样本中的分析物浓度。第二电路可以是例如图1A、图1B或图1C的第二电路106、或图2或图3的电流测量电路212。方法700还包括：由第三电路对电流测量信号进行采样710和由第三电路提供712表示电流测量信号的数字化时域样本数据。第三电路可以是例如图1A、图1B或图1C的第三电路108、或图2或图3的采样电路214。
电流测量信号是复时变信号，所述复时变信号可通过例如使用从时域到频域的傅里叶变换将各自具有其自己的频率、振幅和相位特性的一系列信号相加来表示。复时变信号的频谱内容可例如通过将时域信号变换为频域信号并标识频谱峰值的频率来提取。可使用任何合适的变换，诸如傅里叶变换、离散傅里叶变换、快速傅里叶变换、戈泽尔变换等。谐波信号是所具有的频率为基频的整数倍的信号，在此示例中基频是施加到含分析物流体样本的周期电压信号的频率。
参考图7B，一旦数字化时域样本数据可用，方法700继续从数字化时域样本数据提取714多个谐波信号强度，并基于多个谐波信号的至少一部分来计算716谐波关系(诸如谐波比)集合。
每个提取谐波信号分量具有表示谐波信号的对应谐波频率的强度(例如，振幅、功率等)的值。根据方法700的一些实施例，所确定的谐波关系可以是谐波比，所述谐波比是至少两个谐波信号的强度的商(例如，至少两个谐波信号的强度比)。通过示例而非限制，谐波比可以是基频的三次谐波和基频的五次谐波的强度比。如上所述，除了谐波比之外或代替谐波比，可使用谐波信号和/或谐波信号强度之间的其他函数关系。在根据本公开内容的各种实施例中，可使用多个谐波关系(诸如多个谐波的强度比)来标识含分析物流体中的至少一种分析物的浓度。
在一些实施例中，图1A至图3的处理器和/或微控制器110、120、222、230和/或308可使用例如一个或多个时域到频域变换(例如，形成数字化频域数据)来执行和/或以其他方式辅助谐波提取和/或谐波关系计算。方法700继续将谐波关系集合与含分析物流体的已知分析物浓度相关联718，并将与已知分析物浓度相关联的谐波关系集合存储720在谐波关系数据库中。例如，可开发与图5的谐波关系数据库500类似的谐波关系数据库。
图8示出根据本公开内容的一个示例性实施例的确定分析物浓度的方法800的流程图。参考图8，示例性方法800提供电子探测含分析物流体中的氧化还原反应以确定流体中至少一种分析物的浓度。方法800包括：由第一电路(诸如图1A、图1B或图1C的第一电路102或图2、或图3的信号发生器206)向含分析物流体施加802周期激励(例如，电压)信号(具有基频)，和在第一电路施加周期电压信号时由第二电路生成804电流测量信号，所述电流测量信号具有指示因含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于含分析物流体中的分析物浓度。第二电路可以是例如图1A、图1B或图1C的第二电路106、或图2或图3的电流测量电路212。在一个实施例中，分析物可以是葡萄糖，并且在替代实施例中，一种或多种其他分析物可在含分析物流体中。方法800还包括：由第三电路对电流测量信号进行采样806和由第三电路提供808表示电流测量信号的数字化时域样本数据。在一些实施例中，采样电路可以是具有合适比特分辨率的A/D转换器。第三电路可以是例如图1A、图1B或图1C的第三电路108、或图2或图3的采样电路214。
一旦表示电流测量信号的数字化时域样本数据可用，方法800继续至少部分地基于数字化时域样本数据来提取810多个谐波信号，其中所述多个谐波信号是基频的谐波，并且每个谐波信号具有对应的强度。方法800继续基于已提取的多个谐波信号的至少一部分来计算812至少两个谐波强度(诸如谐波比)的谐波关系集合，并访问814谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合(参见例如图5)，每个谐波关系集合与对应的分析物浓度相关联。方法800还包括基于谐波关系数据库和所计算的谐波关系集合来确定816含分析物流体中的分析物浓度。在一些实施例中，确定分析物浓度包括：将所计算的谐波关系集合与谐波关系数据库(例如，图5的谐波关系数据库500)中的一个或多个向量进行比较，并且当在所计算的谐波关系集合与谐波关系数据库中的向量之间找到匹配时，将与匹配向量相关联的链接或指针沿循到相关联的分析物浓度值。在一些实施例中，图1A至图3的处理器和/或微控制器110、120、222、230和/或308可执行和/或以其他方式辅助谐波提取、谐波关系计算、和/或通过将所计算的谐波关系集合与谐波关系数据库中的一个或多个向量进行比较来确定分析物浓度。
在一些实施例中，谐波比和/或其他谐波关系可使用实验测量的数据集之间的数值拟合(诸如多元多项式)、多维内插(诸如使用三次样条)等与分析物浓度相关。此外，在一些实施例中，谐波及其导出属性(例如，振幅、功率等)可与广泛范围的机器学习算法一起使用，所述机器学习算法包括但不限于多元回归、神经网络、牛顿-拉普森方法或用于分析分析物浓度或其他属性的共轭梯度优化。
图9示出根据本公开内容的一个示例性实施例的连续葡萄糖监测的方法900的流程图。参考图9，在CGM传感器插入人皮肤下方并且CGM系统的可穿戴部分粘附到人皮肤之后，方法900提供由周期激励信号(例如，AC激励信号、周期电压信号等)发生器生成902具有振幅和基频的周期信号，并将激励信号施加904到CGM传感器的电极。方法900继续使用电流传感器电路感测906通过CGM传感器的电流以产生测量电流信号。测量电流信号至少部分地取决于激励信号，并且至少部分地取决于人体间质流体中的葡萄糖浓度。方法900继续使用采样电路以一定采样速率和一定比特分辨率对测量电流信号进行采样908持续一定时间周期，以产生时域样本数据集合。在各种实施例中，采样速率比激励信号的基频大，例如但不限于大五十倍、大一百倍、或甚至大两百倍、或甚至大四百倍。方法900继续将时域样本数据集合变换910为频域数据集合，其中所述频域数据集合包括基频的预定数量的谐波中的每一个的强度。方法900还包括基于预定数量的谐波中的每一个的强度来生成912谐波关系集合。方法900还包括基于谐波关系集合来确定914葡萄糖水平(例如，浓度)。如以上所指出，在一些实施例中，谐波关系集合可映射到谐波关系数据库内的葡萄糖浓度。方法900可例如由CGM系统100、150、170、200或300中的一者或多者执行。
在一些实施例中，可至少部分地基于含分析物流体中的近似分析物浓度来选择施加到含分析物流体的周期激励信号的频率。例如，近似分析物浓度可以是预期分析物浓度(例如，基于针对患者通常观察到的分析物浓度、之前针对患者测量的浓度水平、一天中的时间、患者上次进食的时间和/或食物等)。在一些实施例中，可执行简单的DC或其他分析物浓度测量以确定近似分析物浓度。
基于含分析物流体中的近似分析物浓度，可确定周期激励信号的基频。例如，对于葡萄糖，如果近似分析物(例如，葡萄糖)浓度表明待分析的流体中存在中间葡萄糖浓度，则可将约0.5Hz到1.5Hz的频率用于周期激励信号。作为另一示例，如果近似分析物(例如，葡萄糖)浓度表明待分析的流体中存在低葡萄糖浓度，则可将约4.5Hz到5.5Hz的频率用于周期激励信号。其他频率可用于这些和/或其他分析物浓度。在一些实施例中，至少部分地基于近似分析物浓度来选择周期激励信号的频率可提供更准确的基于频域的分析物浓度确定。
图10示出根据本公开内容的一个示例性实施例的分析物浓度监测的方法1000的流程图。参考图10，为了确定含分析物流体中的分析物浓度，方法1000提供确定1002含分析物流体的近似分析物浓度。如以上所描述，这可包括采用预期分析物浓度，采用简单的DC分析物浓度测量等，以获得估计的或近似的分析物浓度水平。方法1000然后包括基于近似分析物浓度来确定1004施加到含分析物流体的周期激励(例如，电压)信号的频率。例如，在一些实施例中，更高的频率可用于低分析物浓度而非中等或高分析物浓度。方法1000然后包括将周期信号施加1006到含分析物流体和生成1008电流测量信号。测量电流信号至少部分地取决于激励信号，并且至少部分地取决于含分析物流体中的分析物浓度。方法1000继续对测量电流信号进行采样1010以产生1012时域样本数据集合。在各种实施例中，采样速率比激励信号的基频大，例如但不限于大五十倍、大一百倍、或甚至大两百倍、或甚至大四百倍。方法1000继续至少部分地基于数字化时域样本数据来提取1014多个谐波信号并基于多个谐波信号的至少一部分来计算1016谐波关系集合。例如，可采用谐波比和/或两个或更多个谐波强度的其他组合以形成谐波关系集合。方法1000然后包括基于谐波关系集合来确定1018含分析物流体的分析物浓度。在一些实施例中，可使用谐波关系数据库、多元多项式、多维内插(诸如使用三次样条)等来确定分析物浓度。例如，方法1000可例如由监测系统100、150、170、200或300中的一者或多者执行。
如所描述，本文所描述的方法和系统可采用来确定除葡萄糖之外的分析物(诸如麦芽糖、半乳糖、血细胞比容等)的浓度、此类分析物的干扰物、诸如对乙酰氨基酚的药物等的浓度。
连续葡萄糖监测的主要挑战之一是间质流体中的传感器的校准。与利用绝对电流测量相比，作为算法属性的至少两个谐波强度的比率或其他关系可对校准具有较少的依赖性。与一次测量产生一个数据点的DC测量相比，具有建立在谐波关系上的基函数集的算法的优点是可提取许多谐波(通常在10-20或更多的范围内)，并且所有这些谐波之间的比率或其他函数关系可表示数百个独立的并发测量。可从激励脉冲的基本周期的整数倍的任何时间范围提取谐波。由于谐波关系的使用主要与校准无关，因此可放宽A/D转换器级的比特分辨率，从而降低部件成本和模拟前端可能的复杂性。基于谐波的算法是可扩展的，从而允许在范围为从小型微控制器上的高效戈泽尔变换到更高性能处理器的全面实时傅里叶分析的不同CPU平台上进行优化部署。
如本文所描述，电流响应中的非线性分量以可重复方式取决于葡萄糖浓度。量化非线性贡献的一种方式是通过提取基频的更高次谐波：
[1]fn＝n*fin，其中n是整数谐波阶次；
本文所描述的实施例可包括提取通过工作电极的电流的频谱中的多个谐波阶次的振幅或功率分量(例如，包括从n＝2到超过n＝10的阶次的谐波)。可使用任何合适的数值方法来提取整个频谱、或仅特定频率的贡献，所述数值方法包括但不限于离散傅里叶变换、快速傅里叶变换或戈泽尔变换。例如，基于方程[1]的离散傅里叶变换产生：
[2]
Figure BDA0003284250800000231
其中
timebins是采样间隔，并且
[3]k/timebins＝nfint
在来自方程[3]的谐波频率/n下提取的来自方程[2]的傅里叶变换Sk可称为谐波强度hn。根据谐波强度，可形成不同的属性，所述属性被优化以与葡萄糖浓度、葡萄糖干扰物和/或传感器温度相关，其中相关性可通过最直接的函数关系来描述。属性可包括例如适当的谐波强度hn、谐波强度对基频强度的比率：hn1＝hn/h1、两个强度的比率：hnm＝hn/hm和/或包含两个或更多个谐波强度的任何其他函数关系。关于谐波强度对基频强度的比率hn1＝hn/h1,这种方法的优点是基本上将电流传感电子设备的硬件校准归一化。例如，如果去除了任何DC偏移(例如，如果谐波提取设置为经良好调节的数字滤波器)，则可能不需要对电流传感电子器件进行绝对校准。
关于两个谐波强度的比率hnm＝hn/hm，这可产生类似的优点，诸如消除了电流传感电子器件中的校准因子。此外，谐波比产生N(N-l)/2个不同的属性，所述属性可包括在与葡萄糖、温度或葡萄糖干扰物的相关函数中，其中N是可测量谐波的最大数量。对于N＝15，105个不同的属性可用于仅从简单的谐波比构建更加复杂的函数，诸如索引函数。
本文所公开的实施例可通过监测通过传感器的工作电极的电流中的谐波比来提供水溶液中试剂浓度的连续测量。连续监测大量电流谐波允许对CGM中的信号进行自校准(例如，无需DC电流测量和频繁校准)。使用谐波提取的属性可消除绝对电流标度，从而降低对传感器电子器件和校准的需求(和成本)。属性与采集无关并且可容易地用任何合适的算法进行分析。
上述实施例可实现为连续算法，诸如例如通过数字滤波器。对连续数据流的任何操作可描述为滤波器，诸如有限冲激响应(FIR)滤波器、无限冲激响应(HR)滤波器或递归响应(RR)滤波器。确切的实现方式可取决于将部署算法的处理环境以及待提取的谐波数量。将FIR滤波器的通用定义与以上方程[2]中的傅里叶变换相结合，产生：
[4]
Figure BDA0003284250800000241
和
[5]btimebin,k＝exp(-2πi*tbink/timebins)
其中每个频率模式k都有一组FIR系数btimebin，k，所述系数在时间上“回顾”集成。对于中等数量的所提取的频率，方程[4]中的傅里叶变换可通过针对timebin＝0添加“最新”项btimebin,kImeas(-timebin)并针对timebin＝timebins减去“最早”项来更新。这将对测量电流的变化产生最快的反应时间，但如果需要提取大量频率，则可能不是最佳方法。在后一种情况下，可使用诸如快速傅里叶变换(TFT)的批处理算法，所述批处理算法可应用于窗口(方程[4]和[5]中的“timebins”)，但应用的周期远长于采样时间(例如，在这种情况下，由基础化学成分的预期变化率确定)。例如，在CGM情形下，FFT可每1-5分钟应用于覆盖少于1-5分钟的数据窗口(可能少得多，诸如对于苛刻的CPU约束为几秒钟)。在仅提取几个谐波的又一些情况下，可采用戈泽尔变换。
本文所描述的实施例可提供更加高效的方法来以连续采集和信号处理模式执行葡萄糖和可能的其他分析物浓度的测量，从而产生与间质流体中的地面真值延迟了一个时间间隔的时域测量结果，所述时间间隔与动脉血和间质流体之间的延迟相比较小。算法与低/高血糖事件的预测建模的任何实现方式(例如，线性回归、自回归预测建模、卡尔曼滤波或人工神经网络)兼容。在一些实施例中，可采用预测建模来生成一个或多个预测方程，所述一个或多个预测方程采用一个或多个谐波关系(诸如谐波比)集合来确定连续分析物感测期间的分析物浓度(例如，代替或除了使用谐波关系数据库之外)。例如，在一些实施例中，可采用多元回归，其中已知的分析物浓度作为回归目标并且大量谐波关系(诸如谐波比和/或其他项和/或交叉项)作为输入参数，从而提供从对周期激励信号的非线性电流响应收集的信息。在一些实施例中，此类预测方程中的一个或多个可存储在连续分析物感测装置的存储器中并用于通过使用谐波关系来计算连续分析物感测期间的分析物值。例如，一个或多个预测方程可存储在CGM系统100、150、170、200或300的存储器112、228和/或302中。
连续葡萄糖监测的主要挑战之一是间质流体中的传感器的校准。与利用绝对电流测量相比，作为算法属性的谐波的比率或其他关系可导致算法对校准的依赖性大大降低。与一次测量产生一个数据点的DC测量相比，本文所描述的实施例的优点是可提取许多谐波(通常在10-20的范围内)，并且所有这些谐波之间的比率或其他函数关系可包括大约数百个真实独立的并发测量。与从BGM测量导出的许多现有算法相反，本文所描述的实施例展示了可以是时间不变的算法(例如，可从激励脉冲周期的整数倍的任何时间范围提取葡萄糖值)。使用谐波比可消除对“绝对”传感器校准的需要，从而放宽模数转换器级的比特分辨率并降低部件成本和模拟前端可能的复杂性。算法是完全可扩展的，从而允许在范围为从小型微控制器上的高效戈泽尔变换到更高性能处理器的全面实时傅里叶分析的不同CPU平台上进行优化部署。
在一些实施例中，相位角和/或功率谱密度数据可从数字化频域数据生成并用于谐波强度信息。
在一些实施例中，分析物监测系统的不可穿戴部分可包括移动电话，诸如智能手机、智能手表等。
如以上关于图1A所描述，各种电子部件和/或电路被配置成耦接到电源，诸如但不限于电池。在一些实施例中，电池的替代形式可包括超级电容器。在一些实施例中，一个或多个能量收集电路(诸如以在RFID标签中使用而众所周知的那类普遍存在的能量收集电路)可用于为电容器或超级电容器充电，而所述超级电容器又充当电池。众所周知的那类能量收集电路被配置成将来自RF激励场的能量转换成经调节的DC电压。在一些替代实施例中，用于电容器或超级电容器的充电电流可由热电发电机供给。例如，由热电发电机产生电压所需的温度梯度可从在CGM附接点处的用户皮肤与远离附接点设置的CGM的远端之间的差异获得。
如本文所用，术语“电流分析法”是指溶液中离子的检测，其中所述检测至少部分地基于感测电流或感测电流的变化。
“处理器”意指任何一个或多个微处理器、一个或多个中央处理单元(CPU)、一个或多个图形处理单元(GPU)、一个或多个计算装置、一个或多个微控制器、一个或多个数字信号处理器(DSP)、一个或多个嵌入式处理器(诸如片上系统(SoC)中的嵌入式处理器)、一个或多个现场可编程门阵列(FPGA)、类似装置或上述的各种组合。
虽然设想了可使用适当编程的通用计算机或计算装置，但还设想了硬连线电路或定制硬件(例如，专用集成电路(ASIC))可代替或与软件指令结合使用以实现各种实施例的过程。因此，实施例不限于硬件和软件的任何特定组合。
术语“计算机可读介质”是指参与提供可由计算机、处理器或类似装置读取的数据(例如，指令)的任何法定介质。这种介质可采取许多形式，包括但不限于非易失性介质、易失性介质和特定类型的传输介质。非易失性介质可包括例如光盘、磁盘和其他持久性存储器。易失性介质可包括但不限于静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM)。传输介质的类型可包括例如同轴电缆、导电导线、迹线或线路(包括包含耦接到处理器的系统总线的导线、迹线或线路)以及光纤。计算机可读介质的常见形式可包括例如软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、数字视频光盘(DVD)、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理介质、只读存储器(ROM)、随机存取存储器(RAM)、可编程只读存储器(PROM)、电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、快闪存储器(一种EEPROM)、电阻存储器、丝状存储器、金属氧化物存储器、相变存储器、自旋转移存储器、USB记忆棒、任何其他存储芯片或盒式磁带、或计算机或处理器可从中访问存储在其中的数据或指令的任何其他介质。如本文所使用，术语“计算机可读存储器”和/或“有形介质”明确排除信号、波和波形或其他无形或暂时性介质，但这些介质仍然可被计算机读取。
如本文所用，术语“标称”是指部件、产品、信号或过程的特性、测量或其他参数的期望值或目标值，以及高于或低于期望值的值的范围。值的范围通常是由于制造过程的轻微变化或公差。
如本文所用，“或”意在作为包含性或，而不用作排他性或。也就是说，如本文所用，A或B意在包括单独的A、单独的B以及A和B一起。在意在表达单独的A、单独的B而不是A和B一起的情况下，将明确说明这一点。A和B中的至少一者意在包括单独的A、单独的B以及A和B。
除非另有明确规定，否则项(可以编号或可以不编号)的枚举列表并不暗指所述项中的任一个或全部是互相排斥的。同样地，除非另有明确规定，否则项(可以编号或可以不编号)的枚举列表并不暗指所述项中的任一个或全部包含任何类别。例如，枚举列表“计算机、膝上型计算机、智能手机”并不暗指这个列表的三个项中的任何一个或全部是互相排斥的，并且不暗指这个列表的三个项中的任何一个或全部包含任何类别。
尽管术语第一、第二等可在本文中用来描述各种元件、部件、区域、部分或部段，但这些元件、部件、区域、部分或部段不应受这些术语的限制。术语可用来区分一个元件、部件、区域、部分或部段与另一个元件、部件、区域、部分或部段。例如，在不脱离本公开内容的教导的情况下，以上讨论的第一元件、部件、区域、部分或部段可称为第二元件、部件、区域、部分或部段。第一、第二或第三电路可以是一个或多个其他电路的子部件。
前述描述仅公开示例性实施例。落入本公开内容范围内的以上所公开的设备和方法的修改对于本领域普通技术人员将是显而易见的。

Claims (58)

1.一种电子探测含分析物流体中的氧化还原反应的方法，包括：
由第一电路向所述含分析物流体施加周期激励信号，其中所述周期激励信号具有基频；
在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；
由第三电路对所述电流测量信号进行采样；
由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；
至少部分地基于所述数字化时域样本数据来提取多个谐波信号，其中所述谐波信号是所述基频的谐波，并且每个谐波信号具有对应的强度；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；
访问谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及
基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的分析物浓度。
2.如权利要求1所述的方法，其中提取所述多个谐波信号包括：
将所述数字化时域样本数据变换为数字化频域数据。
3.如权利要求2所述的方法，进一步包括：
从所述数字化频域数据生成功率频谱密度数据。
4.如权利要求1所述的方法，其中访问所述谐波关系数据库包括：
访问查找表。
5.如权利要求1所述的方法，进一步包括：
将表示所述电流测量信号的所述数字化时域样本数据从第一设备无线地发射到第二设备。
6.如权利要求5所述的方法，其中所述第一设备是可穿戴连续葡萄糖监测装置，并且所述第二设备是智能手机。
7.如权利要求1所述的方法，其中对所述电流测量信号进行采样包括：以第一采样速率进行采样持续第一时间周期。
8.如权利要求7所述的方法，其中所述第一采样速率在每秒10个样本到每秒1000个样本的范围内。
9.如权利要求8所述的方法，其中所述第一时间周期在10秒到300秒的范围内。
10.如权利要求1所述的方法，其中所述周期激励信号的所述基频在0.1Hz到10Hz的范围内。
11.如权利要求10所述的方法，其中所述周期激励信号具有在150毫伏到500毫伏的范围内的振幅。
12.如权利要求1所述的方法，其中所述含分析物流体包含葡萄糖。
13.如权利要求1所述的方法，其中确定所述含分析物流体中的所述分析物浓度的所述幅值由分析物监测系统的可穿戴部分执行。
14.如权利要求13所述的方法，进一步包括：在所述可穿戴部分的显示器上显示所述分析物浓度。
15.如权利要求1所述的方法，进一步包括：增加所述周期激励信号的循环数量以改进信噪比。
16.如权利要求1所述的方法，进一步包括：采用所计算的谐波关系来区分所述分析物与至少一种分析物干扰物。
17.一种产生与含分析物流体中的对应分析物浓度值相关的预定谐波关系信息集合的方法，包括：
提供多个含分析物流体样本，其中所述多个含分析物流体样本中的每一个具有已知分析物浓度；以及
针对所述多个含分析物流体样本中的每一个：
由第一电路向所述含分析物流体样本施加周期激励信号，其中所述周期激励信号具有基频；
在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述第一电路施加所述周期激励信号时所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的所述分析物浓度；
由第三电路对所述电流测量信号进行采样；
由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；
从所述数字化时域样本数据提取多个谐波信号；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；
将所述谐波关系集合与所述含分析物流体的所述已知分析物浓度相关联；以及
将与所述已知分析物浓度相关联的所述谐波关系集合存储在谐波关系数据库中。
18.如权利要求17所述的方法，其中提供所述多个含分析物流体样本包括：
提供多个含葡萄糖流体样本，
其中所述多个含葡萄糖流体样本中的每一个具有已知葡萄糖浓度。
19.如权利要求17所述的方法，其中将与所述已知分析物浓度相关联的所述谐波关系集合存储在所述谐波关系数据库中包括：
将所述谐波关系集合存储在存储器中。
20.如权利要求17所述的方法，其中将与所述已知分析物浓度相关联的所述谐波关系集合存储在所述谐波关系数据库中包括：
将所述谐波关系集合存储在连续葡萄糖监测系统的可穿戴部分的存储器中。
21.如权利要求17所述的方法，其中将与所述已知分析物浓度相关联的所述谐波关系集合存储在所述谐波关系数据库中包括：
将所述谐波关系集合存储在连续葡萄糖监测系统的不可穿戴部分的存储器中。
22.一种连续分析物监测(CAM)系统，包括：
第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号；
第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；
第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及
处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的谐波关系数据库并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：
从所述数字化时域样本数据提取多个谐波信号；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；
访问所述谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及
基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
23.如权利要求22所述的CAM系统，其中所述第一电路、所述第二电路和所述第三电路设置在可穿戴装置中。
24.如权利要求23所述的CAM系统，其中所述处理器和所述存储器设置在所述可穿戴装置中。
25.如权利要求22所述的CAM系统，其中所述指令在由所述处理器执行时进一步致使所述处理器将所述数字化时域样本数据变换为频域数据。
26.如权利要求22所述的CAM系统，其中所述指令在由所述处理器执行时进一步致使所述处理器指示无线发射机发射所述分析物浓度。
27.一种连续葡萄糖监测(CGM)系统，包括：
CGM传感器，所述CGM传感器被配置用于插入用户体内的间质流体的区域中；
第一电路，所述第一电路被配置成耦接到所述CGM传感器并且被配置成可移除地附接到所述用户的外表面，其中所述第一电路包括：被配置成耦接到所述CGM传感器的周期激励信号发生器、被配置成耦接到所述CGM传感器的电流传感器和被配置成耦接到所述电流传感器的采样电路，所述采样电路被配置来输出采样时域数据；以及
第二电路，所述第二电路耦接到所述第一电路，其中所述第二电路被配置来：从所述采样时域数据提取预定数量的谐波，基于所提取的谐波生成谐波关系集合，并且基于所述谐波关系集合确定葡萄糖水平。
28.如权利要求27所述的CGM系统，其中所述第一电路和所述第二电路设置在所述CGM系统的可穿戴部分中。
29.如权利要求27所述的CGM系统，其中所述第一电路设置在所述CGM系统的可穿戴部分中，而所述第二电路通信地耦接到所述第一电路。
30.如权利要求29所述的CGM系统，其中所述第二电路设置在所述CGM系统的与所述可穿戴部分分离的便携式部分中。
31.如权利要求27所述的CGM系统，其中所述电流传感器被配置来提供电压信号，并且所述采样电路进一步被配置来以比所述周期激励信号发生器所输出的周期激励信号的基频大50与400之间的因子的采样速率对所述电流传感器的所述电压信号进行采样。
32.如权利要求27所述的CGM系统，其中所述采样时域数据呈数字格式。
33.如权利要求27所述的CGM系统，其中所述第二电路被配置来通过将所述采样时域数据变换为频域数据而从所述采样时域数据提取预定数量的谐波。
34.如权利要求27所述的CGM系统，其中所述第二电路包括快速傅里叶变换电路。
35.如权利要求27所述的CGM系统，其中所述第二电路包括处理器和存储器，所述存储器具有存储在其中的指令，耦接到所述处理器，其中所述指令在由所述处理器执行时致使所述处理器：
从所述采样时域数据提取预定数量的谐波。
36.如权利要求35所述的CGM系统，其中所述指令在由所述处理器执行时进一步致使所述处理器：
执行包括傅里叶变换、离散傅里叶变换、快速傅里叶变换和戈泽尔变换中的一个或多个的变换操作。
37.如权利要求27所述的CGM系统，其中所述第一电路被配置来采用所述周期激励信号发生器以产生所具有的频率至少部分地基于所述间质流体的近似葡萄糖水平来选择的周期电压信号。
38.一种连续葡萄糖监测(CGM)的方法，包括：
由周期激励信号发生器生成具有振幅和基频的周期激励信号；
将所述周期激励信号施加到CGM传感器的电极；
由电流传感器电路感测通过所述CGM传感器的电流以产生测量电流信号；
由采样电路以一定采样速率、一定比特分辨率对所述测量电流信号进行采样持续一定时间周期，以产生时域样本数据集合；
将所述时域样本数据集合变换为频域数据集合，其中所述频域数据集合至少包括所述基频的预定数量的谐波中的每一个的强度；
基于所述预定数量的谐波中的每一个的强度来生成谐波关系集合；以及
基于所述谐波关系集合来确定葡萄糖水平。
39.如权利要求38所述的方法，其中施加所述激励信号包括：
由恒电位仪施加所述周期激励信号。
40.如权利要求38所述的方法，其中所述周期激励信号是正弦的。
41.如权利要求38所述的方法，其中所述周期激励信号是三角形的。
42.如权利要求38所述的方法，其中所述基频在0.1Hz与10Hz之间。
43.如权利要求38所述的方法，其中所述采样速率在每秒10个样本与每秒1000个样本之间。
44.如权利要求38所述的方法，其中所述频域数据还包括所述基频的预定数量的谐波中的每一个的相位角。
45.如权利要求38所述的方法，其中感测包括：
使来自所述CGM传感器的所述电流通过所具有的精度在0.1％到1％范围内的电阻器。
46.如权利要求38所述的方法，其中将所述时域样本数据集合变换为频域数据集合包括：
执行戈泽尔变换操作。
47.如权利要求38所述的方法，其中将所述时域样本数据集合变换为频域数据集合包括：
执行包括傅里叶变换、离散傅里叶变换、快速傅里叶变换和戈泽尔变换中的一个或多个的变换操作。
48.如权利要求38所述的方法，其中生成所述周期激励信号包括产生所具有的频率至少部分地基于所述间质流体的近似葡萄糖水平来选择的周期激励信号。
49.一种分析物监测系统，包括：
第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号；
第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；
第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及
处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的谐波关系数据库并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：
从所述数字化时域样本数据提取多个谐波信号；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及
基于所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
50.如权利要求49所述的分析物监测系统，其中所述第一电路、所述第二电路、所述第三电路、所述处理器和所述存储器设置在所述分析物监测系统的可穿戴部分上。
51.如权利要求50所述的分析物监测系统，进一步包括：显示器，所述显示器在所述分析物监测系统的所述可穿戴部分上，所述显示器被配置来显示分析物信息。
52.如权利要求49所述的分析物监测系统，其中所述第一电路和所述第二电路设置在所述分析物监测系统的可穿戴部分上，并且所述第三电路、所述处理器和所述存储器设置在所述分析物监测系统的不可穿戴部分上。
53.一种分析物监测系统，包括：
第一电路，所述第一电路被配置来向含分析物流体施加周期激励信号，所述周期激励信号所具有的基频基于所述含分析物流体内的近似分析物浓度来选择；
第二电路，所述第二电路被配置来生成电流测量信号，所述电流测量信号具有指示所述含分析物流体中的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的所述分析物浓度；
第三电路，所述第三电路被配置来对所述电流测量信号进行采样并且进一步被配置来产生数字化时域样本数据；以及
处理器，所述处理器耦接到存储器，所述存储器具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：
从所述数字化时域样本数据提取多个谐波信号；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及
基于所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
54.如权利要求53所述的分析物监测系统，其中所述第一电路、所述第二电路、所述第三电路、所述处理器和所述存储器设置在所述分析物监测系统的可穿戴部分上。
55.如权利要求54所述的分析物监测系统，进一步包括：显示器，所述显示器在所述分析物监测系统的所述可穿戴部分上，所述显示器被配置来显示分析物信息。
56.如权利要求53所述的分析物监测系统，其中所述第一电路和所述第二电路设置在所述分析物监测系统的可穿戴部分上，并且所述第三电路、所述处理器和所述存储器设置在所述分析物监测系统的不可穿戴部分上。
57.如权利要求53所述的分析物监测系统，其中所述存储器包括存储在其中的谐波关系数据库，并且进一步具有存储在其中的指令，所述指令在由所述处理器执行时致使所述处理器：
访问所述谐波关系数据库，其中所述谐波关系数据库包括多个谐波关系集合，每个谐波关系集合与对应的分析物浓度相关联；以及
基于所述谐波关系数据库和所计算的谐波关系集合来确定所述含分析物流体中的所述分析物浓度。
58.一种电子探测含分析物流体中的氧化还原反应的方法，包括：
确定含分析物流体中的近似分析物浓度；
至少部分地基于所确定的近似分析物浓度来确定施加到所述含分析物流体的周期激励信号的频率；
由第一电路向所述含分析物流体施加所述周期激励信号；
在所述第一电路施加所述周期激励信号时由第二电路生成电流测量信号，其中所述电流测量信号具有指示因所述含分析物流体中的氧化还原反应产生的电流的幅值，所述幅值至少部分地取决于所述含分析物流体中的分析物浓度；
由第三电路对所述电流测量信号进行采样；
由所述第三电路提供表示所述电流测量信号的数字化时域样本数据；
至少部分地基于所述数字化时域样本数据来提取多个谐波信号，其中所述谐波信号是所述周期激励信号的基频的谐波，并且每个谐波信号具有对应的强度；
基于所述多个谐波信号的至少一部分来计算谐波关系集合；以及
基于所计算的谐波关系集合来确定所述含分析物流体中的分析物浓度。
CN202080025607.9A 2019-02-22 2020-02-20 用于使用谐波关系监测分析物浓度的方法和设备 Pending CN113646625A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962809039P 2019-02-22 2019-02-22
US62/809,039 2019-02-22
PCT/EP2020/054459 WO2020169719A1 (en) 2019-02-22 2020-02-20 Methods and apparatus for analyte concentration monitoring using harmonic relationships

Publications (1)

Publication Number Publication Date
CN113646625A true CN113646625A (zh) 2021-11-12

Family

ID=69714012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080025607.9A Pending CN113646625A (zh) 2019-02-22 2020-02-20 用于使用谐波关系监测分析物浓度的方法和设备

Country Status (5)

Country Link
US (2) US11445944B2 (zh)
EP (1) EP3928089A1 (zh)
JP (1) JP2022521409A (zh)
CN (1) CN113646625A (zh)
WO (1) WO2020169719A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020161099A1 (en) 2019-02-05 2020-08-13 Ascensia Diabetes Care Holdings Ag Apparatus and methods for probing sensor operation of continuous analyte sensing and auto-calibration
WO2020169719A1 (en) 2019-02-22 2020-08-27 Ascensia Diabetes Care Holdings Ag Methods and apparatus for analyte concentration monitoring using harmonic relationships
US11678820B2 (en) 2019-09-10 2023-06-20 Ascensia Diabetes Care Holdings Ag Methods and apparatus for information gathering, error detection and analyte concentration determination during continuous analyte sensing

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1615434A (zh) * 2002-01-15 2005-05-11 埃葛梅崔克斯股份有限公司 适用于处理电化学信号的方法和装置
CN101675338A (zh) * 2007-05-09 2010-03-17 霍夫曼-拉罗奇有限公司 应用非线性样品应答进行分析物测量的系统和方法
CN102687008A (zh) * 2010-01-08 2012-09-19 霍夫曼-拉罗奇有限公司 基于ac测量方法的样本表征
TW201625925A (zh) * 2014-09-29 2016-07-16 濟奧美股份有限公司 使用碰撞計算之非侵入性血糖及其他分析物偵測及測量之系統及方法
WO2017156584A1 (en) * 2016-03-18 2017-09-21 La Trobe University Mobile voltammetric analysis
US20190008426A1 (en) * 2017-07-04 2019-01-10 Arkray, Inc. Measuring Apparatus, Computer Readable Medium Storing Measuring Program and Measuring Method

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5792668A (en) * 1993-08-06 1998-08-11 Solid State Farms, Inc. Radio frequency spectral analysis for in-vitro or in-vivo environments
JP3655587B2 (ja) 1999-09-20 2005-06-02 ロシュ ダイアグノスティックス コーポレーション 連続アナライトモニタリング用小型バイオセンサー
US6885883B2 (en) 2000-05-16 2005-04-26 Cygnus, Inc. Methods for improving performance and reliability of biosensors
ATE482649T1 (de) 2002-03-22 2010-10-15 Animas Technologies Llc Leistungsverbesserung einer analytenüberwachungsvorrichtung
US7299082B2 (en) 2003-10-31 2007-11-20 Abbott Diabetes Care, Inc. Method of calibrating an analyte-measurement device, and associated methods, devices and systems
EP3263032B1 (en) 2003-12-09 2024-01-24 Dexcom, Inc. Signal processing for continuous analyte sensor
US8057401B2 (en) 2005-02-24 2011-11-15 Erich Wolf System for transcutaneous monitoring of intracranial pressure
US20060094944A1 (en) 2004-10-28 2006-05-04 Sontra Medical Corporation System and method for analyte sampling and analysis with error correction
EP1913374B1 (en) 2005-07-20 2019-01-09 Ascensia Diabetes Care Holdings AG Method for signalling the user to add additional sample to a test strip, method for measuring the temperature of a sample and methods for determining the concentration of an analyte based on gated amperometry
US7809441B2 (en) 2006-05-17 2010-10-05 Cardiac Pacemakers, Inc. Implantable medical device with chemical sensor and related methods
US20080077015A1 (en) * 2006-05-17 2008-03-27 Olga Boric-Lubecke Determining presence and/or physiological motion of one or more subjects with multiple receiver Doppler radar systems
US20070299617A1 (en) 2006-06-27 2007-12-27 Willis John P Biofouling self-compensating biosensor
CA2743440C (en) 2008-12-08 2017-07-18 Bayer Healthcare Llc Biosensor system with signal adjustment
EP2419015A4 (en) 2009-04-16 2014-08-20 Abbott Diabetes Care Inc ANALYTE SENSOR CALIBRATION MANAGEMENT
KR101971233B1 (ko) 2010-06-07 2019-04-22 바이엘 헬쓰케어 엘엘씨 2차 출력 신호를 포함하는 기울기-기반 보상
US9008744B2 (en) 2011-05-06 2015-04-14 Medtronic Minimed, Inc. Method and apparatus for continuous analyte monitoring
US9775806B2 (en) 2011-09-21 2017-10-03 Ascensia Diabetes Care Holdings Ag Analysis compensation including segmented signals
WO2014046318A1 (ko) 2012-09-21 2014-03-27 ㈜ 더바이오 시료를 인식하는 방법 및 이를 이용한 바이오센서
WO2014128638A1 (en) 2013-02-20 2014-08-28 Università Degli Studi Di Padova Area Trasfermiento Di Tecnologia Retrospective retrofitting method to generate a continuous glucose concentration profile
US9486171B2 (en) 2013-03-15 2016-11-08 Tandem Diabetes Care, Inc. Predictive calibration
US20150073718A1 (en) * 2013-09-10 2015-03-12 Lifescan Scotland Limited Phase-difference determination using test meter
JP2017516548A (ja) 2014-06-06 2017-06-22 デックスコム・インコーポレーテッド データ及び文脈に基づいた故障判別及び応答処理
EP3648668B1 (en) 2017-07-03 2023-10-04 Roche Diabetes Care GmbH Method, electronics unit and system for detecting in-vivo properties of a biosensor
US11484227B2 (en) 2017-11-01 2022-11-01 Waveform Technologies, Inc. Method for conditioning of a sensor
WO2020169719A1 (en) * 2019-02-22 2020-08-27 Ascensia Diabetes Care Holdings Ag Methods and apparatus for analyte concentration monitoring using harmonic relationships

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1615434A (zh) * 2002-01-15 2005-05-11 埃葛梅崔克斯股份有限公司 适用于处理电化学信号的方法和装置
CN101675338A (zh) * 2007-05-09 2010-03-17 霍夫曼-拉罗奇有限公司 应用非线性样品应答进行分析物测量的系统和方法
CN102687008A (zh) * 2010-01-08 2012-09-19 霍夫曼-拉罗奇有限公司 基于ac测量方法的样本表征
TW201625925A (zh) * 2014-09-29 2016-07-16 濟奧美股份有限公司 使用碰撞計算之非侵入性血糖及其他分析物偵測及測量之系統及方法
WO2017156584A1 (en) * 2016-03-18 2017-09-21 La Trobe University Mobile voltammetric analysis
US20190008426A1 (en) * 2017-07-04 2019-01-10 Arkray, Inc. Measuring Apparatus, Computer Readable Medium Storing Measuring Program and Measuring Method

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALAN M. BOND ET AL.: "An integrated instrumental and theoretical approach to quantitative electrode kinetic studies based on large amplitude Fourier transformed a.c. voltammetry: A mini review", 《ELECTROCHEMISTRY COMMUNICATIONS》, vol. 57, pages 78 - 83, XP029212452, DOI: 10.1016/j.elecom.2015.04.017 *
SATOSHI NAKATA ET AL.: "Discrimination of Glucose from Its Interferences Using an Amperometric Sensor Based on Electrochemical Nonlinearity", 《ANAL. CHEM.》, vol. 70, pages 4304 - 4308, XP000789048, DOI: 10.1021/ac980442h *
赵航宇;毛王清;: "基于FFT的电力系统谐波分析", 电工技术, no. 13 *

Also Published As

Publication number Publication date
US11666253B2 (en) 2023-06-06
US11445944B2 (en) 2022-09-20
EP3928089A1 (en) 2021-12-29
WO2020169719A1 (en) 2020-08-27
JP2022521409A (ja) 2022-04-07
US20200268290A1 (en) 2020-08-27
US20200268323A1 (en) 2020-08-27

Similar Documents

Publication Publication Date Title
US11666253B2 (en) Methods and apparatus for analyte concentration monitoring using harmonic relationships
Qin et al. An Adaptive and Time‐Efficient ECG R‐Peak Detection Algorithm
Yu et al. An accurate noninvasive blood glucose measurement system using portable near-infrared spectrometer and transfer learning framework
JP2014514110A (ja) 適応的に選択されたカーネルパラメータおよび正則化パラメータを用いた正則化ネットワークベースのグルコース予測子
CN107440684A (zh) 用于预测分析物的浓度的方法和设备
AU2014353891A1 (en) Method and device for detecting a neural response in a neural measurement
Acciaroli et al. Reduction of blood glucose measurements to calibrate subcutaneous glucose sensors: A bayesian multiday framework
US20220369949A1 (en) Method and system for detecting concentration of analyte based on change in relative permittivity of biological tissue within living body
JP2022519854A (ja) 連続的分析物感知および自動較正のセンサ動作を精査するための装置および方法
Ginoux et al. Is type 1 diabetes a chaotic phenomenon?
EP3474288A1 (en) Apparatus and method for obtaining individualized unit spectrum, and apparatus and method for estimating biological component
Woodward et al. Rapid and non-invasive quantification of metabolic substrates in biological cell suspensions using non-linear dielectric spectroscopy with multivariate calibration and artificial neural networks. Principles and applications
Jain et al. An IoMT based non-invasive precise blood glucose measurement system
US8498696B2 (en) Health monitoring device and human electric signal processing method
Roy et al. BePCon: a photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning
Zanon et al. Assessment of linear regression techniques for modeling multisensor data for non-invasive continuous glucose monitoring
Calero et al. Self-adjustable galvanic skin response sensor for physiological monitoring
Shaham et al. On mappings between electronic noses
Hancewicz et al. Improved modeling of in vivo confocal Raman data using multivariate curve resolution (MCR) augmentation of ordinary least squares models
Boussen et al. Heart rate complexity helps mortality prediction in the intensive care unit: A pilot study using artificial intelligence
Acciaroli et al. Calibration of CGM systems
US11422103B1 (en) Method and system for detecting concentration of analyte based on oscillator having selective frequency characteristic
Chuiko et al. Improved robust handling of electromyograms with mining of new diagnostic signs.
US20170188892A1 (en) Method and Apparatus for Using Adaptive Plethysmographic Signal Conditioning to Determine Patient Identity
US20220039702A1 (en) Continuous analyte monitoring sensor calibration and measurements by a connection function

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211112