CN113796858B - 用于血糖数据监测的参比偏移校准算法系统 - Google Patents
用于血糖数据监测的参比偏移校准算法系统 Download PDFInfo
- Publication number
- CN113796858B CN113796858B CN202111365318.6A CN202111365318A CN113796858B CN 113796858 B CN113796858 B CN 113796858B CN 202111365318 A CN202111365318 A CN 202111365318A CN 113796858 B CN113796858 B CN 113796858B
- Authority
- CN
- China
- Prior art keywords
- blood sugar
- value
- monitoring
- blood
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- A61B5/1495—Calibrating or testing of in-vivo probes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
用于血糖数据监测的参比偏移校准算法系统,包括传感器、发射器、监测接收终端、监护接收终端和云端服务器;监测接收终端包括监测软件,监测软件包括数据处理模块;数据处理模块包括参比偏移校准算法,云端服务器包括血糖值平稳段提取算法;参比偏移校准算法包括当前血糖值平稳段预测算法和参比校准算法。本发明的用于血糖数据监测的参比偏移校准算法系统对监测得到的血糖值平稳段进行提取,对当前血糖值平稳段进行预测计算并校准,能够大大提高血糖值的准确性,减少指尖血修正频率,提升用户体验,并且能够延长传感器的佩戴时长,为糖尿病患者减轻经济压力。
Description
技术领域
本发明涉及血糖数据的通信、监测领域,更具体的说涉及用于血糖数据监测的参比偏移校准算法系统。
背景技术
动态血糖监测系统(RGMS)是近年来投入临床使用的一种新型持续动态血糖监测系统,它连接一个探测头类似针头,探测头用于置入皮下组织。探测头直径很小,置入时患者无明显痛感和不适感。仪器间隔一定时间从探测头接受一次反映血糖变化的电信号,将多次采集到的电信号平均值转化成为血糖值存储起来。每天可以记录几百个血糖值。动态血糖监测仪还可以同时存储进餐、运动、用药等时间。这就可以让患者不用每天再忍受针扎的痛苦,并且它能提供每日血糖图,多日血糖图波动趋势分析和每日血糖数据的小结,是血糖检测的新突破。
血糖值通过传感器产生电流,再通过无线传输方式将电流数据传输至终端设备并进行计算得出。在传感器佩戴过程中,通过传感器测得的血糖值和指尖血测得的血糖值会存在一定的偏差,并且随着时间的推移偏差值可能会逐渐增大,解决这一问题的方法是隔一段时间测一次指尖血并将测得的参比血糖值输入监测接收终端,对传感器电流计算得到的监测血糖值进行修正。而不同指尖血修正的方式使得用户使用变的繁琐,体验较差,因此通过云端大数据计算进行校准的方式能够减少指尖血修正频率,提升用户体验。
动态血糖监测传感器通过和人体组织液间产生电化学反应产生的微电流进行血糖值的计算,随着传感器佩戴时间的推移,电化学反应的介质会逐渐损耗,微电流的强度和稳定性也逐渐减弱,因此需要经常更换传感器;为了降低用户的使用成本,延长传感器的佩戴时间,通常需要采用算法将当前血糖值和历史数据进行比较,从而对当前的血糖值进行修正,并实时修正最新的参比值,避免参比值产生较大的偏移;而血糖波动时候的血糖值不够稳定,对校准的准确性影响较大,相对而言,血糖值平稳时候的数据更加稳定准确,进行校准计算的准确性更好。
发明内容
针对现有技术的不足之处本发明提供一种血糖数据监测系统,本发明的用于血糖数据监测的参比偏移校准算法系统对监测得到的血糖值平稳段进行提取,对当前血糖值平稳段进行预测计算并校准,能够大大提高血糖值的准确性,减少指尖血修正频率,提升用户体验,并且能够延长传感器的佩戴时长,为糖尿病患者减轻经济压力。
本发明的具体技术方案如下,用于血糖数据监测的参比偏移校准算法系统,包括传感器、发射器、监测接收终端、监护接收终端和云端服务器;所述传感器设有电极以及与所述电极导通的第一导电触点;所述发射器包括电池模块、内存模块、第一蓝牙模块和第二导电触点,所述传感器和所述发射器之间通过所述第一导电触点和所述第二导电触点的电连接实现数据传输,所述电池模块为所述发射器和所述电极供电,所述内存模块接收所述电极的微电流数据并通过所述第一蓝牙模块传输至所述监测接收终端;所述监测接收终端包括第二蓝牙模块、第一无线网络模块和监测软件,所述第二蓝牙模块和所述第一蓝牙模块配对实现所述监测接收终端和所述发射器之间的数据传输,所述第一无线网络模块能够实现和所述云端服务器之间的数据传输,所述监测软件包括数据处理模块、监测数据显示模块、参比输入模块、监测提示警报模块;所述监护接收终端包括第二无线网络模块和监护软件,所述第二无线网络模块能够实现和所述云端服务器之间的数据传输,所述监护软件包括监护数据显示模块、监护提示警报模块;所述云端服务器能够接收所述监测接收终端数据并将数据传输给所述监护接收终端;其特征在于:所述数据处理模块包括参比偏移校准算法,所述云端服务器包括血糖值平稳段提取算法;所述参比偏移校准算法包括当前血糖值平稳段预测算法和参比校准算法。
由此,动态血糖监测传感器通过和人体组织液间产生电化学反应产生的微电流进行血糖值的计算,随着传感器佩戴时间的推移,电化学反应的介质会逐渐损耗,微电流的强度和稳定性也逐渐减弱,因此需要经常更换传感器;为了降低用户的使用成本,延长传感器的佩戴时间,通常需要采用算法将当前血糖值和历史数据进行比较,从而对当前的血糖值进行修正,并实时修正最新的参比值,避免参比值产生较大的偏移;而血糖波动时候的血糖值不够稳定,对校准的准确性影响较大,相对而言,血糖值平稳时候的数据更加稳定准确,进行校准计算的准确性更好,故对血糖值平稳段进行提取,对当前血糖值平稳段进行预测计算并校准能够大大提高血糖值的准确性,延长传感器的佩戴时长,为糖尿病患者减轻经济压力。
作为本发明的优选,所述血糖值平稳段提取算法包括以下计算步骤:
步骤A、初始化血糖值平稳段初始时间t0,初始化血糖值平稳段初始血糖值SG0,初始化血糖值平稳段数组,设置血糖波动阈值q,设置血糖宽幅波动系数k;
步骤B、所述云端服务器接收所述监测接收终端发送的时间数据以及对应的血糖值,将血糖值以及对应的时间数据分别赋值给SG0和t0并存入血糖值平稳段数组的第一列;
步骤C、所述云端服务器接收所述监测接收终端发送的时间数据以及对应的血糖值,将时间数据和血糖值存入所述血糖值平稳段数组,对所述血糖值平稳段数组内最后存储的两个血糖值进行比较,若两个血糖值的差值绝对值小于等于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数小于6个,则重复当前步骤;若两个血糖值的差值绝对值大于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数小于6个,则返回步骤B;若两个血糖值的差值绝对值小于等于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数大于等于6个,则进入步骤D;若两个血糖值的差值绝对值大于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数大于等于6个,则将所述血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤D、对所述血糖值平稳段数组内最后一列的血糖值和倒数第六列的血糖值进行比较,若两个血糖值的差值绝对值小于等于k*q,则返回步骤C;若两个血糖值的差值绝对值大于k*q,则将所述血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤E、对所述血糖值平稳段数组内所有的血糖值求平均值并赋值给SG_average,将所述血糖值平稳段数组内第一个时间数据和最后一个时间数据分别赋值给t_start和t_end,将所述血糖值平稳段数组和SG_average、t_start、t_end存入数据库。
由此,通过血糖值平稳段提取算法能够将波动范围小且持续时间较长的血糖值数据以及对应的时间数据存储到云端数据库,为参比校准算法提供相对有效的血糖数据。
作为本发明的优选,所述当前血糖值平稳段预测算法包括以下计算步骤:
步骤A、计算数据库内的所述血糖值平稳段数组的发生时间中值t_median和持续时间值t_duration,其中t_median=( t_start+t_end)/2,t_duration=t_end- t_start;
步骤B、对数据库内的所述血糖值平稳段数组赋持续时间权重值W_ duration;
步骤C、将数据库内最新的所述血糖值平稳段数组的t_median赋值给t_median_recent,以t_median_recent为基准,对其余的所述血糖值平稳段数组赋临近时间权重值W_median;
步骤D、计算数据库内除最新的所述血糖值平稳段数组外的其余数组的加权血糖值SG_w,SG_w=SG_average*W_ duration*W_ median;
步骤E、将数据库内第i个血糖值平稳段数组的SG_average、W_duration、W_median分别赋值为SG_average_i、W_duration_i、W_median_i,计算当前血糖值平稳段预测平均值SG_average_calculate=∑(SG_average_i*W_ duration_i*W_ median_i)/∑( W_duration_i*W_ median_i),i由1至n-1。
由此,所述当前血糖值平稳段预测算法能够通过云端数据库内的血糖值平稳段数组进行加权计算,获得当前血糖值平稳段预测平均值。
作为本发明的优选,所述参比校准算法包括以下计算步骤:
步骤A、计算得到预测血糖值权重值W_calculate,获取数据库内最新的所述血糖值平稳段数组的SG_average并赋值给SG_average_recent;
步骤B、计算校准平均血糖值SG_calibration=SG_average_calculate*W_calculate+SG_average_recent*(1-W_calculate);
步骤C、获取血糖转换系数SF,计算校准血糖转换系数CF= SG_calibration/SG_average_recent,将所述校准血糖转换系数CF赋值给SF。
由此,通过将校准平均血糖值和最新的血糖值平稳段平均值进行比较,对血糖转换系数SF进行校准,从而保证之后测得的血糖值能够得到一定的校准,提高血糖监测的准确性。
作为本发明的优选,所述预测血糖值权重值W_calculate在0和1之间,且和血糖数据监测传感器佩戴时长成正相关。
由此,传感器佩戴时长越长,实际测得的血糖值的参考价值越低,预测血糖值权重值的参考价值越高,计算权重也越大。
作为本发明的优选,将数据库内第i个血糖值平稳段数组的t_duration赋值为t_duration_i,第i个持续时间权重值W_duration_i和t_duration_i成正相关。
由此,所述血糖值平稳段数组持续时间越长,参考价值越大,计算权重也越大。
作为本发明的优选,所述临近时间权重值W_ median_i计算方法包括以下计算步骤:
步骤A、将数据库内第i个血糖值平稳段数组的t_median赋值为t_median_i;
步骤B、计算(t_median_recent-t_median_i)/24h,其中整数部分为间隔天数t_d_i,余数部分为间隔分钟数t_m_i;
步骤C、计算间隔天数权重值W_t_d_i和间隔分钟权重值W_t_m_i,其中W_t_d_i和t_d_i成负相关,W_t_m_i和t_m_i成负相关;
步骤D、计算W_ median_i=W_t_d_i+W_t_m_i。
由此,当前的血糖值平稳段数组和历史的血糖值平稳段数组间隔天数越长,参考价值越低,计算权重也越小;当前的血糖值平稳段数组和历史的血糖值平稳段数组在一天内发生时间的间隔分钟数越长,参考价值越低,计算权重也越小;临近时间权重值W_median综合计算间隔天数和间隔分钟后得到。
综上所述,本发明具有以下有益效果:
本发明的用于血糖数据监测的参比偏移校准算法系统对监测得到的血糖值平稳段进行提取,对当前血糖值平稳段进行预测计算并校准,能够大大提高血糖值的准确性,减少指尖血修正频率,提升用户体验,并且能够延长传感器的佩戴时长,为糖尿病患者减轻经济压力。
附图说明
图1为本发明血糖数据监测系统的结构示意图;
图2为本发明血糖数据监测系统血糖值平稳段提取算法的流程示意图。
具体实施方式
下面将结合附图,通过具体实施例对本发明作进一步说明。
如图1,用于血糖数据监测的参比偏移校准算法系统,包括传感器、发射器、监测接收终端、监护接收终端和云端服务器;传感器设有电极以及与电极导通的第一导电触点;发射器包括电池模块、内存模块、第一蓝牙模块和第二导电触点,传感器和发射器之间通过第一导电触点和第二导电触点的电连接实现数据传输,电池模块为发射器和电极供电,内存模块接收电极的微电流数据并通过第一蓝牙模块传输至监测接收终端;监测接收终端包括第二蓝牙模块、第一无线网络模块和监测软件,第二蓝牙模块和第一蓝牙模块配对实现监测接收终端和发射器之间的数据传输,第一无线网络模块能够实现和云端服务器之间的数据传输,监测软件包括数据处理模块、监测数据显示模块、参比输入模块、监测提示警报模块;监护接收终端包括第二无线网络模块和监护软件,第二无线网络模块能够实现和云端服务器之间的数据传输,监护软件包括监护数据显示模块、监护提示警报模块;云端服务器能够接收监测接收终端数据并将数据传输给监护接收终端;其特征在于:数据处理模块包括参比偏移校准算法,云端服务器包括血糖值平稳段提取算法;参比偏移校准算法包括当前血糖值平稳段预测算法和参比校准算法。
由此,动态血糖监测传感器通过和人体组织液间产生电化学反应产生的微电流进行血糖值的计算,随着传感器佩戴时间的推移,电化学反应的介质会逐渐损耗,微电流的强度和稳定性也逐渐减弱,因此需要经常更换传感器;为了降低用户的使用成本,延长传感器的佩戴时间,通常需要采用算法将当前血糖值和历史数据进行比较,从而对当前的血糖值进行修正,并实时修正最新的参比值,避免参比值产生较大的偏移;而血糖波动时候的血糖值不够稳定,对校准的准确性影响较大,相对而言,血糖值平稳时候的数据更加稳定准确,进行校准计算的准确性更好,故对血糖值平稳段进行提取,对当前血糖值平稳段进行预测计算并校准能够大大提高血糖值的准确性,延长传感器的佩戴时长,为糖尿病患者减轻经济压力。
如图2,血糖值平稳段提取算法包括以下计算步骤:
步骤A、初始化血糖值平稳段初始时间t0,初始化血糖值平稳段初始血糖值SG0,初始化血糖值平稳段数组,设置血糖波动阈值q,设置血糖宽幅波动系数k;
步骤B、云端服务器接收监测接收终端发送的时间数据以及对应的血糖值,将血糖值以及对应的时间数据分别赋值给SG0和t0并存入血糖值平稳段数组的第一列;
步骤C、云端服务器接收监测接收终端发送的时间数据以及对应的血糖值,将时间数据和血糖值存入血糖值平稳段数组,对血糖值平稳段数组内最后存储的两个血糖值进行比较,若两个血糖值的差值绝对值小于等于血糖波动阈值q且血糖值平稳段数组内存储的血糖值个数小于6个,则重复当前步骤;若两个血糖值的差值绝对值大于血糖波动阈值q且血糖值平稳段数组内存储的血糖值个数小于6个,则返回步骤B;若两个血糖值的差值绝对值小于等于血糖波动阈值q且血糖值平稳段数组内存储的血糖值个数大于等于6个,则进入步骤D;若两个血糖值的差值绝对值大于血糖波动阈值q且血糖值平稳段数组内存储的血糖值个数大于等于6个,则将血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤D、对血糖值平稳段数组内最后一列的血糖值和倒数第六列的血糖值进行比较,若两个血糖值的差值绝对值小于等于k*q,则返回步骤C;若两个血糖值的差值绝对值大于k*q,则将血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤E、对血糖值平稳段数组内所有的血糖值求平均值并赋值给SG_average,将血糖值平稳段数组内第一个时间数据和最后一个时间数据分别赋值给t_start和t_end,将血糖值平稳段数组和SG_average、t_start、t_end存入数据库。
由此,通过血糖值平稳段提取算法能够将波动范围小且持续时间较长的血糖值数据以及对应的时间数据存储到云端数据库,为参比校准算法提供相对有效的血糖数据。
其中步骤A中血糖值平稳段数组初始化状态为两行一列的二维数组,即{{0},{0}};步骤B中将SG0和t0存入数组内,例如SG0=6.5、t0=8:15,则得到数组{{8:15},{6.5}},(该实施例为方便理解数据形式采用不同类型,实际计算机程序会将时间数据转化成小数形式进行存储);步骤C开始将新接收到的时间数据以及对应的血糖值继续存入数组内,例如时间数据为8:18,对应血糖值为6.6,则得到数组{{8:15, 8:18},{6.5,6.6}},再对数组内存储在最后的两个血糖值进行比较,例如血糖波动阈值q=0.3,则数组{{8:15, 8:18},{6.5,6.6}}同时满足两个血糖值的差值绝对值小于等于q和血糖值个数小于6个,便继续执行步骤C;若最新接收到的时间数据为8:21,对应血糖值为7.0,则得到数组{{8:15, 8:18,8:21},{6.5,6.6,7.0}},对数组内存储在最后的两个血糖值进行比较后得到血糖值的差值为0.4,超过了血糖波动阈值q的0.3,说明血糖值波动较大,便返回步骤B重新进行数据的存储;若持续接收到几个波动较小的血糖值后,数组内的血糖值个数达到6个,则进入步骤D进一步进行比较计算;若持续接收到几个波动较小的血糖值后,数组内的血糖值个数达到6个以上,且突然接收到了波动较大的血糖值,例如得到数组{{8:15, 8:18, 8:21,8:24,8:27,8:30,8:33,8:36},{6.5,6.6,6.6,6.7,6.8,6.8,7.0,7.5}},对数组内存储在最后的两个血糖值进行比较后得到血糖值的差值为0.5,超过了血糖波动阈值q的0.3,说明血糖值波动较大,便舍弃最后一个波动较大的血糖值,并进入步骤E对血糖值平稳段数组内所有的血糖值求平均值并赋值给SG_average,同时对初始时间和末尾时间进行存储,分别赋值给t_start和t_end;步骤D是在血糖值平稳段数组内的血糖值个数达到6以上时进行进一步的计算,一般血糖宽幅波动系数k设置为2,例如得到数组{{8:15, 8:18, 8:21,8:24,8:27,8:30,8:33,8:36},{6.5,6.6,6.6,6.7,6.8,6.8,7.0,7.1}},则最后一列的血糖值7.1和倒数第六列的血糖值6.6之间的差值为0.5,小于k*q的0.6,则返回步骤C继续扩充数组,如果得到数组{{8:15, 8:18, 8:21,8:24,8:27,8:30,8:33,8:36, 8:39},{6.5,6.6,6.6,6.7,6.8,6.8,7.0,7.1,7.4}},则最后一列的血糖值7.4和倒数第六列的血糖值6.7之间的差值为0.7,大于k*q的0.6,说明在时间持续较长时血糖值波动较大,便舍弃最后一个波动较大的血糖值,并进入步骤E对血糖值平稳段数组内所有的血糖值求平均值并赋值给SG_average,同时对初始时间和末尾时间进行存储,分别赋值给t_start和t_end。
当前血糖值平稳段预测算法包括以下计算步骤:
步骤A、计算数据库内的血糖值平稳段数组的发生时间中值t_median和持续时间值t_duration,其中t_median=( t_start+t_end)/2,t_duration=t_end- t_start;
步骤B、对数据库内的血糖值平稳段数组赋持续时间权重值W_ duration;
步骤C、将数据库内最新的血糖值平稳段数组的t_median赋值给t_median_recent,以t_median_recent为基准,对其余的血糖值平稳段数组赋临近时间权重值W_median;
步骤D、计算数据库内除最新的血糖值平稳段数组外的其余数组的加权血糖值SG_w,SG_w=SG_average*W_ duration*W_ median;
步骤E、将数据库内第i个血糖值平稳段数组的SG_average、W_duration、W_median分别赋值为SG_average_i、W_duration_i、W_median_i,计算当前血糖值平稳段预测平均值SG_average_calculate=∑(SG_average_i*W_ duration_i*W_ median_i)/∑( W_duration_i*W_ median_i),i由1至n-1。
由此,当前血糖值平稳段预测算法能够通过云端数据库内的血糖值平稳段数组进行加权计算,获得当前血糖值平稳段预测平均值。
其中持续时间权重值W_ duration以及临近时间权重值W_ median通过算法获得,血糖值平稳段数组持续时间越长,相应的持续时间权重值W_ duration越大,间隔天数和一天内间隔时间越短,临近时间权重值W_ median越大;当前血糖值平稳段预测平均值SG_average_calculate通过对每个血糖值平稳段数组的平均值SG_average做加权平均计算后获得,以保证预测值的准确性。
参比校准算法包括以下计算步骤:
步骤A、计算得到预测血糖值权重值W_calculate,获取数据库内最新的血糖值平稳段数组的SG_average并赋值给SG_average_recent;
步骤B、计算校准平均血糖值SG_calibration=SG_average_calculate*W_calculate+SG_average_recent*(1-W_calculate);
步骤C、获取血糖转换系数SF,计算校准血糖转换系数CF= SG_calibration/SG_average_recent,将校准血糖转换系数CF赋值给SF。
由此,通过将校准平均血糖值和最新的血糖值平稳段平均值进行比较,对血糖转换系数SF进行校准,从而保证之后测得的血糖值能够得到一定的校准,提高血糖监测的准确性。
预测血糖值权重值W_calculate在0和1之间,且和血糖数据监测传感器佩戴时长成正相关。
由此,传感器佩戴时长越长,实际测得的血糖值的参考价值越低,预测血糖值权重值的参考价值越高,计算权重也越大。
将数据库内第i个血糖值平稳段数组的t_duration赋值为t_duration_i,第i个持续时间权重值W_duration_i和t_duration_i成正相关。
由此,血糖值平稳段数组持续时间越长,参考价值越大,计算权重也越大。
临近时间权重值W_ median_i计算方法包括以下计算步骤:
步骤A、将数据库内第i个血糖值平稳段数组的t_median赋值为t_median_i;
步骤B、计算(t_median_recent-t_median_i)/24h,其中整数部分为间隔天数t_d_i,余数部分为间隔分钟数t_m_i;
步骤C、计算间隔天数权重值W_t_d_i和间隔分钟权重值W_t_m_i,其中W_t_d_i和t_d_i成负相关,W_t_m_i和t_m_i成负相关;
步骤D、计算W_ median_i=W_t_d_i+W_t_m_i。
由此,当前的血糖值平稳段数组和历史的血糖值平稳段数组间隔天数越长,参考价值越低,计算权重也越小;当前的血糖值平稳段数组和历史的血糖值平稳段数组在一天内发生时间的间隔分钟数越长,参考价值越低,计算权重也越小;临近时间权重值W_median综合计算间隔天数和间隔分钟后得到。
上面所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下,本领域普通人员对本发明的技术方案做出的各种变型和改进,均应落入到本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (6)
1.用于血糖数据监测的参比偏移校准算法系统,包括传感器、发射器、监测接收终端、监护接收终端和云端服务器;所述传感器设有电极以及与所述电极导通的第一导电触点;所述发射器包括电池模块、内存模块、第一蓝牙模块和第二导电触点,所述传感器和所述发射器之间通过所述第一导电触点和所述第二导电触点的电连接实现数据传输,所述电池模块为所述发射器和所述电极供电,所述内存模块接收所述电极的微电流数据并通过所述第一蓝牙模块传输至所述监测接收终端;所述监测接收终端包括第二蓝牙模块、第一无线网络模块和监测软件,所述第二蓝牙模块和所述第一蓝牙模块配对实现所述监测接收终端和所述发射器之间的数据传输,所述第一无线网络模块能够实现和所述云端服务器之间的数据传输,所述监测软件包括数据处理模块、监测数据显示模块、参比输入模块、监测提示警报模块;所述监护接收终端包括第二无线网络模块和监护软件,所述第二无线网络模块能够实现和所述云端服务器之间的数据传输,所述监护软件包括监护数据显示模块、监护提示警报模块;所述云端服务器能够接收所述监测接收终端数据并将数据传输给所述监护接收终端;其特征在于:所述数据处理模块包括参比偏移校准算法,所述云端服务器包括血糖值平稳段提取算法;所述参比偏移校准算法包括当前血糖值平稳段预测算法和参比校准算法;
所述血糖值平稳段提取算法包括以下计算步骤:
步骤A、初始化血糖值平稳段初始时间t0,初始化血糖值平稳段初始血糖值SG0,初始化血糖值平稳段数组,设置血糖波动阈值q,设置血糖宽幅波动系数k;
步骤B、所述云端服务器接收所述监测接收终端发送的时间数据以及对应的血糖值,将血糖值以及对应的时间数据分别赋值给SG0和t0并存入血糖值平稳段数组的第一列;
步骤C、所述云端服务器接收所述监测接收终端发送的时间数据以及对应的血糖值,将时间数据和血糖值存入所述血糖值平稳段数组,对所述血糖值平稳段数组内最后存储的两个血糖值进行比较,若两个血糖值的差值绝对值小于等于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数小于6个,则重复当前步骤;若两个血糖值的差值绝对值大于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数小于6个,则返回步骤B;若两个血糖值的差值绝对值小于等于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数大于等于6个,则进入步骤D;若两个血糖值的差值绝对值大于所述血糖波动阈值q且所述血糖值平稳段数组内存储的血糖值个数大于等于6个,则将所述血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤D、对所述血糖值平稳段数组内最后一列的血糖值和倒数第六列的血糖值进行比较,若两个血糖值的差值绝对值小于等于k*q,则返回步骤C;若两个血糖值的差值绝对值大于k*q,则将所述血糖值平稳段数组内最后一列的数据删除并进入步骤E;
步骤E、对所述血糖值平稳段数组内所有的血糖值求平均值并赋值给SG_average,将所述血糖值平稳段数组内第一个时间数据和最后一个时间数据分别赋值给t_start和t_end,将所述血糖值平稳段数组和SG_average、t_start、t_end存入数据库。
2.根据权利要求1所述的用于血糖数据监测的参比偏移校准算法系统,其特征在于,所述当前血糖值平稳段预测算法包括以下计算步骤:
步骤A、计算数据库内的所述血糖值平稳段数组的发生时间中值t_median和持续时间值t_duration,其中t_median=( t_start+t_end)/2,t_duration=t_end- t_start;
步骤B、对数据库内的所述血糖值平稳段数组赋持续时间权重值W_ duration;
步骤C、将数据库内最新的所述血糖值平稳段数组的t_median赋值给t_median_recent,以t_median_recent为基准,对其余的所述血糖值平稳段数组赋临近时间权重值W_median;
步骤D、计算数据库内除最新的所述血糖值平稳段数组外的其余数组的加权血糖值SG_w,SG_w=SG_average*W_ duration*W_ median;
步骤E、将数据库内第i个血糖值平稳段数组的SG_average、W_duration、W_median分别赋值为SG_average_i、W_duration_i、W_median_i,计算当前血糖值平稳段预测平均值SG_average_calculate=∑(SG_average_i*W_ duration_i*W_ median_i)/ ∑( W_duration_i*W_ median_i),i由1至n-1。
3.根据权利要求2所述的用于血糖数据监测的参比偏移校准算法系统,其特征在于,所述参比校准算法包括以下计算步骤:
步骤A、计算得到预测血糖值权重值W_calculate,获取数据库内最新的所述血糖值平稳段数组的SG_average并赋值给SG_average_recent;
步骤B、计算校准平均血糖值SG_calibration=SG_average_calculate*W_calculate+SG_average_recent*(1-W_calculate);
步骤C、获取血糖转换系数SF,计算校准血糖转换系数CF= SG_calibration/SG_average_recent,将所述校准血糖转换系数CF赋值给SF。
4.根据权利要求3所述的用于血糖数据监测的参比偏移校准算法系统,其特征在于:所述预测血糖值权重值W_calculate在0和1之间,且和血糖数据监测传感器佩戴时长成正相关。
5.根据权利要求2所述的用于血糖数据监测的参比偏移校准算法系统,其特征在于:将数据库内第i个血糖值平稳段数组的t_duration赋值为t_duration_i,第i个持续时间权重值W_duration_i和t_duration_i成正相关。
6.根据权利要求2所述的用于血糖数据监测的参比偏移校准算法系统,其特征在于,所述临近时间权重值W_ median_i计算方法包括以下计算步骤:
步骤A、将数据库内第i个血糖值平稳段数组的t_median赋值为t_median_i;
步骤B、计算(t_median_recent-t_median_i)/24h,其中整数部分为间隔天数t_d_i,余数部分为间隔分钟数t_m_i;
步骤C、计算间隔天数权重值W_t_d_i和间隔分钟权重值W_t_m_i,其中W_t_d_i和t_d_i成负相关,W_t_m_i和t_m_i成负相关;
步骤D、计算W_ median_i=W_t_d_i+W_t_m_i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365318.6A CN113796858B (zh) | 2021-11-18 | 2021-11-18 | 用于血糖数据监测的参比偏移校准算法系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365318.6A CN113796858B (zh) | 2021-11-18 | 2021-11-18 | 用于血糖数据监测的参比偏移校准算法系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113796858A CN113796858A (zh) | 2021-12-17 |
CN113796858B true CN113796858B (zh) | 2022-02-08 |
Family
ID=78938296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111365318.6A Active CN113796858B (zh) | 2021-11-18 | 2021-11-18 | 用于血糖数据监测的参比偏移校准算法系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113796858B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115568834A (zh) * | 2022-10-10 | 2023-01-06 | 维沃移动通信有限公司 | 数据处理方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103713024B (zh) * | 2013-12-24 | 2016-09-07 | 江苏大学 | 一种血糖电子测量的稳定取值方法 |
CN104921736B (zh) * | 2015-06-08 | 2017-08-04 | 浙江大学 | 一种包含参数估计功能滤波模块的连续血糖监测设备 |
CN110151192A (zh) * | 2019-06-14 | 2019-08-23 | 东北大学 | 一种用于血糖监控与预警的辅助医疗系统及其使用方法 |
CN110836915A (zh) * | 2019-11-20 | 2020-02-25 | 齐齐哈尔大学 | 非嵌入式血糖检测系统及其建造方法及检测方法 |
CN112370053B (zh) * | 2020-10-16 | 2022-10-04 | 湖州美奇医疗器械有限公司 | 血糖数据通信的监护方法及应用方法 |
CN112885489B (zh) * | 2021-04-28 | 2021-07-20 | 湖州美奇医疗器械有限公司 | 适用不同病情糖尿病患者的血糖数据监测算法系统 |
-
2021
- 2021-11-18 CN CN202111365318.6A patent/CN113796858B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113796858A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110177502B (zh) | 用于校准和优化葡萄糖传感器和传感器输出的方法、系统和设备 | |
CN108697365B (zh) | 传感器融合的方法、系统和设备 | |
CN111920423B (zh) | 血糖数据监测系统、血糖数据通信的监护方法及应用方法 | |
RU2665157C2 (ru) | Система и способ для оценивания риска, связанного с гликемическим состоянием | |
CN107788994A (zh) | 一种基于云端大数据的智能实时动态血糖监测系统及方法 | |
CN113796858B (zh) | 用于血糖数据监测的参比偏移校准算法系统 | |
CN109567747B (zh) | 睡眠监测方法、装置、计算机设备和存储介质 | |
CN113365555A (zh) | 用于连续葡萄糖监测的方法、系统和装置 | |
US10178974B2 (en) | Method and system for monitoring continuous biomedical signal | |
US11213230B2 (en) | Optional sensor calibration in continuous glucose monitoring | |
EP3614392A1 (en) | Learned monitoring device correction | |
EP4274472A1 (en) | Detection of changes in patient health based on sleep activity | |
WO2020094765A1 (en) | Method and system of determining a probability of a blood glucose value for a patient being in an adverse blood glucose range at a prediction time, and computer program product | |
CN112885489B (zh) | 适用不同病情糖尿病患者的血糖数据监测算法系统 | |
KR102383512B1 (ko) | 혈당측정장치 및 이를 이용하는 혈당측정시스템 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN114145738B (zh) | 分析物浓度数据生成方法和装置、监测分析物水平的系统 | |
JP2019013750A (ja) | 測定装置、測定プログラム及び測定方法 | |
US20220000415A1 (en) | Epileptic seizure predicting device, method for analyzing electrocardiographic index data, seizure predicting computer program, model constructing device, model constructing method, and model constructing computer program | |
US20210068723A1 (en) | Intelligent prediction-based glucose alarm devices, systems, and methods | |
CN114694851A (zh) | 一种转氨酶数据通信的监护方法及应用方法 | |
CN114694347A (zh) | 转氨酶数据监测系统 | |
AU2020480642B2 (en) | Measurement system, measurement method, measurement device, and program | |
JP2023121708A (ja) | 医療データ提供装置、医療データ提供方法及びコンピュータプログラム | |
US20210068764A1 (en) | Intelligent prediction-based glucose alarm devices, systems, and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |