CN113951879A - 血糖预测方法和装置、监测血糖水平的系统 - Google Patents
血糖预测方法和装置、监测血糖水平的系统 Download PDFInfo
- Publication number
- CN113951879A CN113951879A CN202111565948.8A CN202111565948A CN113951879A CN 113951879 A CN113951879 A CN 113951879A CN 202111565948 A CN202111565948 A CN 202111565948A CN 113951879 A CN113951879 A CN 113951879A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- user
- data
- blood sugar
- prediction
- 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.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 974
- 210000004369 blood Anatomy 0.000 title claims abstract description 974
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 581
- 239000008103 glucose Substances 0.000 title claims abstract description 581
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 230000008859 change Effects 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 33
- 206010012601 diabetes mellitus Diseases 0.000 claims description 28
- 230000001174 ascending effect Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 235000012631 food intake Nutrition 0.000 claims description 7
- 235000013361 beverage Nutrition 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 38
- 230000005856 abnormality Effects 0.000 description 27
- 235000005911 diet Nutrition 0.000 description 22
- 230000037213 diet Effects 0.000 description 20
- 102000004877 Insulin Human genes 0.000 description 19
- 108090001061 Insulin Proteins 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 19
- 229940125396 insulin Drugs 0.000 description 19
- 230000000694 effects Effects 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 102100032202 Cornulin Human genes 0.000 description 3
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 208000004104 gestational diabetes Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明涉及生理信号处理领域,提供一种血糖预测方法和装置、监测血糖水平的系统,其中所述方法包括:获取用户的血糖轨迹数据;将用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;基于由血糖轨迹数据确定的血糖浓度变化率和/或当前血糖采集数据的状态,确定用户处于的当前场景;基于当前场景,在加权因子集中选取至少两个血糖预测模型在当前场景下对应的加权因子组,其中,加权因子集包含基于多个实时场景进行分类的多个加权因子组;基于至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。本发明能够得到更加接近用户真实血糖水平的血糖预测结果,响应速度快,提高了用户体验感。
Description
技术领域
本发明涉及生理信号处理领域,尤其涉及一种血糖预测方法和装置、监测血糖水平的系统。
背景技术
糖尿病是一种代谢紊乱性疾病,糖尿病影响着世界人口的很大一部分,及时正确的诊断和治疗对于维持血糖预测用户相对健康的生活方式至关重要,通常,糖尿病的治疗需要依赖于当前时刻和/或将来时刻准确确定个体血液中的葡萄糖浓度。
随着生物传感器的技术发展,血糖浓度连续性监控系统(按一定频率连续提供实时血糖浓度数据)的出现,给血糖预测用户提供了更好地了解其血糖浓度的变化水平,这对于糖尿病的管理而言都是非常有用的,进而有了更好地控制血糖浓度的数据基础。血糖浓度连续性监控系统可通过植入式或非植入式血糖敏感型传感器按一定频率连续提供表示实时血糖浓度的传感器血糖测量信号,这种传感器测量血液、其他组织或人体某一部位的各种性质,包括光电传感器、电化学传感器、光学吸收或光学穿透等。
尽管血糖浓度连续性监控系统可提供血糖预测用户的实时血糖浓度水平,出于给血糖预测用户治疗的目的,还亟需要能够提供血糖浓度数据的预测,比如半小时后或更长时间段之后的血糖浓度数据。
一些数据处理的模型被运用至血糖浓度数据预测领域,如支持向量回归模型(SVR),神经网络模型(NN),自回归滑动平均模型(ARMA)和长短期记忆网络(LSTM)等,可以采用单一模型的方式进行预测,也可采用多重模型的混合模型进行预测。采用单一模型进行预测的方法,是基于血糖预测用户的输入和输出血糖训练数据,对初始化的深度学习模型进行训练,对血糖预测用户的血糖进行滚动预测。由于不同训练模型的特性差异,使用相同的训练数据训练得到的单一预测模型在不同的情况下准确性、响应速度、对输入信息的需求各不相同,因此,基于相同的个性化数据,不同的单一预测模型将会获得不同的预测血糖浓度数据。如ARMA模型使用的数据和资源占用率较少,是一种快速且相对成熟的模型,但是在实际的使用中,当选择的第二时间段较长,如30-60分钟时,误差较大。因此该模型被主要用于快速得到临近的未来时间的血糖浓度预测中,如未来10分钟,或更短的时间。SVR模型在训练过程中没有考虑用户数据,如饮食和胰岛素的摄入等对血糖浓度的影响。因此当出现由上述用户数据引起的血糖快速波动时,SVR的预测有明显的滞后性。NN和LSTM模型均可以在训练中考虑到用户数据对血糖浓度的影响并可以结合用户数据(如饮食、胰岛素等)进行预测。但是由于部分用户数据为人为输入的数据,人为输入可能出现数据异常等情况,因此当训练的数据出现偏差或预测过程中使用的用户数据出现偏差时,模型的预测结果则会受一定的影响。
此外,采用混合模型进行预测的方法,可以针对血糖预测用户血糖浓度数据,分别应用自回归模型、支持向量回归模型和长短期记忆网络模型进行预测,得到各个模型的血糖预测结果,再分别计算所述模型的权重,进而对各自所述模型的血糖预测结果及各自模型权重进行线性组合,得到组合预测模型预测值。多模型学习后按各自的固定权重进行线性组合,仍无法达到有效的预测精度和预测效率,由于未考虑到用户输入数据所带来的短时间内血糖浓度变化规律对预测结果的影响,譬如用户目前的血糖浓度水平、胰岛素使用量、摄入或消耗的碳水化合物、运动量、用药等或出现错误数据情况,未考虑到用户的个性化预测、尤其是无法确保一些不同场景下的血糖预测精度,导致用户体验感差。
发明内容
本发明提供一种血糖预测方法和装置、监测血糖水平的系统,用以解决现有技术中存在的技术缺陷。
本发明提供一种血糖预测方法,包括如下步骤。
获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
根据本发明所述的血糖预测方法,其中,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
其中,所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳,所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
根据本发明所述的血糖预测方法,其中,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:获取用户输入的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳;所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳,所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。
根据本发明所述的血糖预测方法,其中,所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。
根据本发明所述的血糖预测方法,其中,每个所述血糖预测模型分别按照以下方式进行训练:基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
根据本发明所述的血糖预测方法,其中,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户的所在区域。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
根据本发明所述的血糖预测方法,其中,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户所属的糖尿病类型。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所属糖尿病类型的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景之前,包括:基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值,确定所述血糖浓度变化率;所述第二值包括第二血糖测量值及其对应的第二时间戳,所述第二时间戳与所述第一时间戳相关联。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景,包括如下步骤。
当所述血糖浓度变化率不大于第一预设阈值,确定所述用户处于平稳区间场景。
当所述血糖浓度变化率大于第一预设阈值、且不大于第二预设阈值,确定所述用户处于缓速升降区间场景。
当所述血糖浓度变化率大于第二预设阈值、且不大于第三预设阈值,确定所述用户处于中速升降区间场景。
当所述血糖浓度变化率大于第三预设阈值,确定所述用户处于快速升降区间场景。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景,包括:当从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常,确定所述用户处于血糖测量值异常场景。
当用户输入的当前时刻的第一血糖关联数据异常,确定所述用户处于用户输入异常场景。
当用户输入的当前时刻的第一血糖关联数据正常,确定所述用户处于用户输入正常场景。
在确定所述用户处于的当前场景时,所述血糖测量值异常场景为第一优先级,所述用户输入异常场景和用户输入正常场景为第二优先级,所述平稳区间场景、缓速升降区间场景、中速升降区间场景以及快速升降区间场景为第三优先级,所述第一优先级大于第二优先级,所述第二优先级大于第三优先级。
根据本发明所述的血糖预测方法,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:设定至少两个血糖预测模型在第j个实时场景下的多个加权因子分别为,…,,且满足。
每个血糖预测模型的预测标准误差RMSE的计算公式为:
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签。
根据本发明所述的血糖预测方法,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定并周期性地迭代更新的。
根据本发明所述的血糖预测方法,其中,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果,包括:将所述至少两个血糖预评估结果分别与所述当前场景下对应的加权因子组中对应的加权因子相乘后求和,得到与所述当前时刻对应的预设时间段之后的血糖预测结果。
根据本发明所述的血糖预测方法,其中,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果之后,还包括:利用至少一显示模块实现所述血糖预测结果的可视化;和/或,利用至少一告警模块基于预设血糖阈值实现所述血糖预测结果的告警提示。
本发明还提供了一种血糖预测装置,包括如下多个模块。
血糖轨迹数据获取模块,用于获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
血糖预评估模块,用于将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
当前场景确定模块,用于基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
加权因子组选取模块,用于基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
血糖预测模块,用于基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
本发明还提供了一种用于监测血糖水平的系统,包括:
传感器,其被配置成获取用户的血糖测量值;
无线发射器,其用以发射所述血糖测量值;
以及
移动计算装置,其包括:
无线接收器,其被配置成接收所述血糖测量值;
存储器,其用以存储包含所述所接收血糖测量值的数据;
处理器,其用以处理所述数据,以及软件应用程序,其包含存储于所述存储器中的指令,所述指令当由所述处理器执行时获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;
基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景;
基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的;
基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述血糖预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述血糖预测方法的步骤。
本发明通过在基于不同的血糖预测模型和用户处于的不同实时场景所预先设置的加权因子集中,动态选取与当前场景匹配最优的加权因子组,将至少两个血糖预测模型输出的至少两个血糖预评估结果分别赋予加权因子组的各个加权因子,综合考虑了各个模型在不同场景下的预测精度、响应速度、用户的个性化预测等因素,在当前场景下加强表现好的模型的优点,弱化表现不好的模型的缺点,达到一个与当前场景最匹配的预测结果,能够得到更加接近用户真实血糖水平的血糖预测结果,该预测结果精准可靠,响应速度快,提高了用户体验感。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的血糖预测方法的流程示意图。
图2是本发明提供的血糖预测方法中至少两个血糖预测模型分别单独预测的血糖预评估结果效果示意图。
图3是本发明提供的血糖中多模型融合的血糖预测结果效果示意图。
图4是本发明提供的血糖预测装置的结构示意图。
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的一种血糖预测方法,该方法包括如下步骤。
S1、获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
血糖轨迹数据包括但不限于带有时间戳的血糖浓度数据、与血糖浓度相关联的数据,血糖轨迹数据的获取方式包括但不限于葡萄糖浓度传感器、用户输入、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的用户当前血糖浓度数据和带有时间戳的用户历史血糖浓度数据。当前血糖采集数据是当前时刻采集的血糖数据,具有实时性,历史血糖采集数据是历史采集的血糖数据,可以是距离当前时刻第一时间段的历史血糖采集数据,第一时间段可以为过去30分钟至2小时以内,历史血糖采集数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段历史数据波形。
S2、将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
至少两个血糖预测模型可以是有监督模型、分别是经过大数据样本和真实标签进行训练并测试的,模型训练迭代的损失函数使用平均绝对误差(MAE),即L1损失作为损失函数;每个血糖预测模型都可以用于基于用户的血糖轨迹数据,预测一个血糖预评估结果,得到的至少两个血糖预评估结果均是基于当前血糖采集数据和历史血糖采集数据所预测的未来第二时间段之后,第二时间段可以为未来1分钟至2小时以内,血糖预评估结果分别可以体现为未来第二时间段的以时间为横轴、以血糖浓度预测值为纵轴的一段未来预评估数据波形。对应于第一时间段的第一时刻的采集数据,可以预测出第二时间段之后、在未来第二时刻的血糖浓度预测值。由于数据是实时向后平移推进的,相当于实时动态不断调整第一时间段的起点时刻和终点时刻(相当于当前时刻),例如,第一时刻可以是终点时刻或接近终点时刻,采用至少两个血糖预测模型分别可以获得在多个第二时刻(与当前时刻同步向后平移推进)的血糖浓度预测值集合,形成所述未来预评估数据波形。
S3、基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
血糖浓度变化率是由所述血糖轨迹数据中的当前血糖采集数据和历史血糖采集数据中的某个接近当前时刻的值来确定的,当前血糖采集数据的状态包括但不限于:当前血糖采集数据异常(包含血糖浓度数据异常和用户输入异常)、当前血糖采集数据正常(包含血糖浓度数据正常和用户输入正常)。在确定所述用户处于的当前场景时,当前血糖采集数据异常的优先级高于当前血糖采集数据正常,在当前血糖采集数据正常时,有用户输入时,优先考虑用户输入,无用户输入时,再基于血糖浓度变化率来确定所述用户处于的当前场景。
用户数据是否异常的判断是根据以往的用户的数据历史和经验进行判断。血糖浓度数据异常的判断是根据大数据、以往的用户的数据历史和经验进行判断。血糖浓度数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因造成的。
S4、基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
基于S3所确定的所述用户处于的当前场景,可以确定出当前场景对应的各个血糖预测模型对应的加权因子组。每一次预测过程中的加权因子组是动态的、基于每个当前时刻用户所处于的当前场景在加权因子集中选取的,也就是说,每个时刻的加权因子组可能是相同,也可能是不同的,是基于当前场景确定的。加权因子集是预存的、且预先基于不同的实时场景进行分类的。每个模型的加权因子与每个血糖预测模型的预测标准误差相关。当前场景是对应于当前时刻的,多个实时场景是指多个当前时刻对应的所有可能出现的当前场景的集合,每个时刻对应的当前场景可能相同,也可能不同。每个当前时刻是基于时间的变化而实时动态平移推进的,当前时刻的当前场景也是随着时间的平移推进而变化的。预设的多模融合目标标准误差是预先设定好的阈值,可以根据经验、各个模型的特点、各个场景的特点等设置,一个实时场景所对应的至少两个模型对应的至少两个加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差共同确定的。
S5、基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
基于在所述当前场景下对应的加权因子组,赋予各血糖预评估结果以各个加权因子,并对其进行线性组合,可得到血糖预测结果。血糖预测结果包括对应于当前时刻在未来第二时刻的血糖浓度预测值,也包含了多个第二时刻的血糖浓度预测值集合,血糖预测结果可以体现为未来第二时间段的以时间为横轴、以血糖浓度预测值为纵轴的一段未来预测数据波形,该血糖预测结果综合考虑了各个模型在不同场景下的预测精度等因素,因此更加接近用户的真实血糖水平,该预测结果精准可靠。
图2示出了至少两个血糖预测模型分别单独预测的血糖预评估结果,图3示出了多模型融合的血糖预测结果效果。在图2-3中,横坐标表示时间,具体含义是第1-500个3分钟,纵坐标表示不同时刻所预测的未来血糖浓度值。图2表示CRNN、使用高斯核函数的SVR(SVR模型中的一种)模型分别单独测得的未来血糖浓度值以及真实血糖浓度标签;图3表示CRNN、SVR两个模型考虑当前场景进行权重因子融合后测得的未来血糖浓度值以及真实血糖浓度标签,图3中的第一个箭头1表示该时刻对应的用户输入的饮食数据(点),第二箭头2表示另一时刻用户输入的饮食数据(点),第三个箭头3表示胰岛素注入,在用户输入正确的情况下,是基于用户输入的数据确定每个当前场景和权重因子。可以看出,图3中预测的结果无论是当用户处于平稳区间场景,还是缓速升降区间场景、用户输入正确场景或快速升降区间场景,相较于图2中单个模型的预测结果都是更为接近真实血糖浓度标签,得到的结果更精准,CRNN、SVR、以及两个模型融合得混合模型的分别在图2-3所示的所有时刻的平均均方根差(RMSE,也就是预测标准误差)如表1所示。
表1 几种模型的平均均方根差
本发明通过在基于不同的血糖预测模型和用户处于的不同实时场景所预先设置的加权因子集中,动态选取与当前场景匹配最优的加权因子组,将至少两个血糖预测模型输出的至少两个血糖预评估结果分别赋予加权因子组的各个加权因子,综合考虑了各个模型在不同场景下的预测精度、响应速度、用户的个性化预测等因素,在当前场景下加强表现好的模型的优点,弱化表现不好的模型的缺点,达到一个与当前场景最匹配的预测结果,能够得到更加接近用户真实血糖水平的血糖预测结果,该预测结果精准可靠,响应速度快,提高了用户体验感。
根据本发明所述的血糖预测方法,其中,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
网络为有线或无线网络,关联所述用户的血糖测量设备包括但不限于含葡萄糖传感器的血糖仪、采血测量设备、其他可以采集血糖浓度数据的生理数据采集设备。优选的,所述血糖测量设备是能够连续实时采集血糖浓度数据的连续血糖监测设备。
其中,所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳,所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
预设时间间隔为连续血糖监测设备产生血糖的间隔,如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
根据本发明所述的血糖预测方法,其中,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:获取用户输入的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
用户输入的血糖轨迹数据包括用户手动输入、或利用手机应用程序(APP)获取的图片识别出的与血糖浓度相关联的数据,例如食物摄入及其摄入量等。
所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳;所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳,所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。
当前时刻的第一血糖关联数据及其对应的第一关联时间戳用于确定当前场景,历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳可用于确定历史时刻对应的场景,也可以用于辅助校准用户在历史时刻的血糖浓度。
根据本发明所述的血糖预测方法,其中,所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。物质的施予包含食物、饮料、药物、或胰岛素的施予。一个或多个事件均与血糖浓度相关联。
根据本发明所述的血糖预测方法,其中,每个所述血糖预测模型分别按照以下方式进行训练:基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
血糖浓度样本数据可以包含某些用户的大数据中的一些历史血糖浓度数据和历史用户输入的数据,真实血糖浓度标签是实际测得的与血糖浓度样本数据对应的未来某些特定时刻的真实血糖浓度值。每个血糖预测模型在没有用户个性化数据的前提下,可以利用大数据进行训练好,也可以达到实现较好的预测精度。
或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
当某一个用户的数据量每累计到一定程度(如10000条数据)后就周期性的迭代更新训练模型,此时就可以将该10000条数据作为血糖浓度样本数据,将该用户实测的对应的未来某些特定时刻的血糖浓度值作为真实血糖浓度标签,以用户的数据来训练模型,生活习惯、所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的,可以得到更加个性化的模型,预测的结果更接近用户的真实情况。
根据本发明所述的血糖预测方法,其中,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户的所在区域。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
在预测时,考虑到用户的所在区域,区域的划分可以是按照国别、预设的大区域(例如东北、华北等)等因素进行区别,因为每个特定区域的用户可能存在相似的生活习性、环境,同一个区域的用户对于血糖浓度的变化具有一定的规律性,因此训练时采用所述用户所在区域的血糖浓度样本数据以及对应的预先确定的该区域的真实血糖浓度标签进行训练,可以得到具有地域化的模型,预测的结果更接近在特定区域中用户的真实情况。
根据本发明所述的血糖预测方法,其中,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户所属的糖尿病类型。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所属糖尿病类型的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
在预测时,考虑到用户的糖尿病类型,糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病,因为每个糖尿病类型的用户可能存在相似的血糖浓度规律、以及不同的食物、药物敏感性等,每个糖尿病类型的用户对于血糖浓度的变化具有一定的规律性,因此训练时采用所述用户所属糖尿病类型的血糖浓度样本数据以及患有该糖尿病类型对应的预先确定的真实血糖浓度标签进行训练,可以得到具有按照用户所属糖尿病类型进行区分的模型,预测的结果更接近患有该糖尿病类型的用户的真实情况。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景之前,包括:基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值,确定所述血糖浓度变化率;所述第二值包括第二血糖测量值及其对应的第二时间戳,所述第二时间戳与所述第一时间戳相关联。
血糖浓度变化率的计算方式为:|第一血糖测量值-第二血糖测量值|/(第二时间戳-第一时间戳),第二值的选择可在距离当前时刻的第三时间段内进行选择,第三时间段可以是1分钟至30分钟,优选的,可选择当前时刻之前的3分钟时的数据,若有数据缺失或异常,可选择其他距离当前时刻的第三时间段内的数据。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,按如下方法确定所述用户处于的当前场景。
当所述血糖浓度变化率不大于第一预设阈值,确定所述用户处于平稳区间场景;优选的,第一预设阈值设置为0.05mmol/L/min。
当所述血糖浓度变化率大于第一预设阈值、且不大于第二预设阈值,确定所述用户处于缓速升降区间场景;优选的,第二预设阈值设置为0.1mmol/L/min。
当所述血糖浓度变化率大于第二预设阈值、且不大于第三预设阈值,确定所述用户处于中速升降区间场景;优选的,第三预设阈值设置为0.15mmol/L/min。
当所述血糖浓度变化率大于第三预设阈值,确定所述用户处于快速升降区间场景。
需要说明的是,所述第一预设阈值、第二预设阈值、第三预设阈值的设置是基于大量试验数据进行选取的,包括但不限于以上数值区间。
根据本发明所述的血糖预测方法,其中,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景,包括:当从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常,确定所述用户处于血糖测量值异常场景。
从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常可能是传感器异常、传输数据的网络异常、或其他情况导致的血糖轨迹数据异常,该异常是基于用户历史情况以及一些经验进行阈值的设置来判定的,血糖轨迹数据是否异常的判定方式有多种,当血糖轨迹数据异常时,当前时刻的血糖值已经不能用于未来的预测。
当用户输入的当前时刻的第一血糖关联数据异常,确定所述用户处于用户输入异常场景。
当用户输入的当前时刻的第一血糖关联数据正常,确定所述用户处于用户输入正常场景。
用户输入的当前时刻的第一血糖关联数据异常可能是用户在输入时输入了一个不可能达到的事件,例如将饮食输入为5千克可以确定为用户输入异常,饮食输入为200克则确认为用户输入正常。该异常或正常同理是基于用户历史情况以及一些经验进行阈值的设置来判定的。当用户输入异常时,该用户输入的数据则不能用于未来的预测,当用户输入正常时,该用户输入的数据可以用于未来的预测。
在确定所述用户处于的当前场景时,所述血糖测量值异常场景为第一优先级;所述用户输入异常场景和用户输入正常场景为第二优先级,所述平稳区间场景、缓速升降区间场景、中速升降区间场景以及快速升降区间场景为第三优先级,所述第一优先级大于第二优先级,所述第二优先级大于第三优先级。
第一优先级作为确定所述用户处于的当前场景时最优先考虑的因素,如果不存在第一优先级的情况,则考虑第二优先级的因素,若既不存在第一优先级也不存在第二优先级的情况,则考虑第三优先级的因素。
根据本发明所述的血糖预测方法,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:设定至少两个血糖预测模型在第j个实时场景下的多个加权因子分别为,…,,且满足。
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签。
每个血糖预测模型的预测标准误差RMSE的计算公式为:
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签;每个血糖预测模型的预测标准误差RMSE在不同的场景下是不同的,上式中的RMSE是在当前场景j下各个模型的预测标准误差。
选取使小于预设的多模融合目标标准误差的一组,,,作为ARMA模型、SVR模型、LSTM模型、NN模型分别在第j个实时场景下的加权因子。预设的多模融合目标标准误差是基于历史经验选定的,优选为0.5mmol/L。当存在最小值时,优先选取使最小的一组,,,作为ARMA模型、SVR模型、LSTM模型、NN模型分别在第j个实时场景下的加权因子。当只有两个模型融合时,此时即存在最小值。当不存在最小值时,则选取使小于预设的多模融合目标标准误差的一组,,,作为ARMA模型、SVR模型、LSTM模型、NN模型分别在第j个实时场景下的加权因子。
以上四种模型均具有利用历史血糖数据预测未来血糖值的能力,在进行血糖浓度的预测过程中必须输入的内容为历史的血糖浓度数据和其时间戳。由于不同训练模型的特性差异,使用相同的训练数据训练得到的单一预测模型在不同的情况下准确性、响应速度、对输入信息的需求各不相同,基于相同的个性化数据,不同的单一预测模型将会获得不同的预测血糖浓度数据,因此综合考虑多个血糖预测模型,基于不同的场景对每个模型赋予不同的因子,能够加强在当前场景下某些表现好的模型的优点,弱化某些表现不好模型的缺点,达到一个与当前场景最匹配的预测结果。
根据本发明所述的血糖预测方法,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定并周期性地迭代更新的。当血糖预测模型迭代更新时,对应的加权因子也同步迭代更新,每个加权因子是与多个血糖预测模型的预测标准误差相关联的。
本发明实施例可以应用自回归模型、支持向量回归模型和长短期记忆网络模型进行预测,得到各个模型的血糖预测结果,再分别计算所述模型的权重,进而对各自所述模型的血糖预测结果及各自模型权重进行线性组合,得到组合预测模型预测值。同时还通过不断更新各模型的权重,使得预测效果好的模型获得更大的权重。每一次各个血糖预测模型迭代更新时,每个血糖预测模型的预测标准误差也相应更新,因此每个血糖预测模型对应的加权因子也会迭代更新。
根据本发明所述的血糖预测方法,其中,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果,包括:将所述至少两个血糖预评估结果分别与所述当前场景下对应的加权因子组中对应的加权因子相乘后求和,得到与所述当前时刻对应的预设时间段之后的血糖预测结果。该预设时间段同上述第二时间段。
血糖预测结果的计算如下式所示:
其中,Glu代表最终血糖浓度预测结果,a,b,c…d等分别代表不同模型的加权因子组,下标j表示对应于不同具体实时场景的加权因子,n表示场景总量,可以有多个场景,在本发明实施例中优选的是1至7个场景,代表采用A模型血糖预评估结果,代表采用B模型血糖预评估结果,其余含义类似。各个场景下多个模型的加权因子如表2所示。
表2 不同场景下各模型的加权因子
A-M模型代表包含支持向量回归模型(SVR),神经网络模型(NN),自回归滑动平均模型(ARMA)和长短期记忆网络(LSTM)等在内的可以基于一定的数据进行数据预测的模型。
根据本发明所述的血糖预测方法,其中,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果之后,还包括:利用至少一显示模块实现所述血糖预测结果的可视化。
优选的,显示模块可以配置为显示以当前时刻为起点、第二时间段之后在第二时刻的血糖浓度预测值。
和/或,利用至少一告警模块基于预设血糖阈值实现所述血糖预测结果的告警提示。
告警模块可以与显示模块集成在同一个显示设备中,也可以分别独立,当血糖预测结果超出预设血糖阈值(结合用户设置和历史经验等因素设定),则对未血糖浓度进行告警提示。
为了进一步说明本发明的血糖预测方法,结合不同的当前场景,提供以下具体实施例。
患者的血糖数值主要受饮食(碳水化合物)和胰岛素的影响,患者通过接收设备,如移动应用程序记录摄入饮食的开始时间、摄入量以及胰岛素的注射时间和注射量,在用户的显示界面显示血糖历史曲线和饮食和胰岛素。
在第一个具体实施例中,混合模型包括:支持向量回归模型(SVR),神经网络模型(NN)和长短期记忆网络(LSTM)。其中SVR模型预测过程中的输入仅有过去2小时的血糖数据和对应的时间戳,而另外两种得输入可以包含血糖、饮食和胰岛素和其对应的时间戳。三种模型分别进行运算最终得到该患者未来一段时间的预测值,时间的长度可以由用户根据需求进行设置,设置的最小值为连续血糖监测设备产生血糖的间隔,如3分钟。一般情况下由于人体代谢复杂,且未来用户的行为很难预测,预测的最佳长度推荐为30分钟。
由于SVR模型未考虑饮食和胰岛素的影响,因此当出现用户记录饮食或胰岛素的输入后,人体的血糖开始出现对应的上升或下降,通过训练的结果可得在一定时间内,SVR未能及时预测上升或下降,因此,此时下式中的SVR的加权因子a较小或者为0。
在一种情况下,饮食和胰岛素的数据为用户手动输入的数值,根据用户的历史习惯,当饮食或胰岛素的数值过分偏离常识或用户习惯时,认为用户输入了不准确的信息。为了防止不准确的信息影响最终的预测结果,将NN和LSTM的预测结果的加权因子(b和c)减小或为0。
在一种情况下,胰岛素输入量可以由胰岛素输注设备通过第一网络传输至接收设备。
在一种情况下,饮食数据可以由自动识别食物图片中的热量的软件获得。
在第二个具体实施例中,SVR,NN和LSTM在训练过程中使用中国人的数据进行训练,训练的数据中包含血糖,饮食和胰岛素信息。以30分钟为目标,通过训练得到多个基本的模型。通过对比多个模型和实际值的不同时间的差异在不同时间和不同情况下的加权因子。差异通过RMSE进行评估。
如,在血糖平稳(每分钟血糖变化率小于0.016mmol/L)的情况下,以30分钟为目标时间,三种模型均有一定的差异,如三种模型和真实值的平均差异均在1mmol左右。但三种模型的预测值与真实值的大小关系不同,因此,通过尝试不同的加权因子得到一组加权因子:
使得预测结果Glu与30分钟后的真实值相差最小。
在血糖快速波动,特别是由于饮食和胰岛素的摄入导致的快速波动的过程中,SVR的表现较差,则得到另外的加权因子组,最终得到加权因子集,该集合和三种模型一起被部署到接收设备中和云端服务器。
由于饮食结构和身体代谢的不同,利用其他地区的人群进行训练得到不同的模型和对应的加权因子集。在用户使用的过程中,选择自己所在的国家和地区来调用不同的模型和加权因子集进行预测。
在第三个具体实施例中,当出现用户记录的饮食、胰岛素等事件的时候,由于ARMA或SVR无法响应用户输入的事件,因此在用户数据产生的时候此两种模型的加权因子置零,另外两种加权因子的确定,根据上述RMSE进行确定:。
此时,设定c+d=1,
ARMA和SVR的加权因子恢复时间根据用户事件对血糖的影响减小时,如餐后2小时后饮食事件对血糖值的影响减小,加权因子的选择根据第一种情况的血糖波动区间选择。
当系统检测到错误的用户数据时,为了避免错误的数据传递到系统中,该场景下,可以将预测过程中会使用用户数据的LSTM和NN模型的加权因子置零,恢复时间根据血糖变化率或用户事件对血糖的影响减小时,如餐后2小时。用户数据是否错误的判断由电子设备进行,根据以往的用户的数据历史和经验进行判断。
当与传感器耦合的电子设备监测到传感器异常时,传感器得到的血糖结果已经不能用于未来的预测时,所有加权因子全部为零,即停止产生血糖预测,暂停血糖预测结果输出。待传感器恢复正常工作,且正常工作产生的数据量可以满足各模型需求时再根据以上情况提供血糖预测。
参见图4,下面对本发明提供的血糖预测装置进行描述,下文描述的血糖预测装置与上文描述的血糖预测方法可相互对应参照,所述血糖预测装置包括:血糖轨迹数据获取模块10,用于获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
血糖轨迹数据包括但不限于带有时间戳的血糖浓度数据、与血糖浓度相关联的数据,血糖轨迹数据的获取方式包括但不限于葡萄糖浓度传感器、用户输入、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的用户当前血糖浓度数据和带有时间戳的用户历史血糖浓度数据。当前血糖采集数据是当前时刻采集的血糖数据,具有实时性,历史血糖采集数据是历史采集的血糖数据,可以是距离当前时刻第一时间段的历史血糖采集数据,第一时间段可以为过去30分钟至2小时以内,历史血糖采集数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段历史数据波形。
血糖预评估模块20,用于将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
至少两个血糖预测模型可以是有监督模型、分别是经过大数据样本和真实标签进行训练并测试的,模型训练迭代的损失函数使用平均绝对误差(MAE),即L1损失作为损失函数;每个血糖预测模型都可以用于基于用户的血糖轨迹数据,预测一个血糖预评估结果,得到的至少两个血糖预评估结果均是基于当前血糖采集数据和历史血糖采集数据所预测的未来第二时间段之后,第二时间段可以为未来1分钟至2小时以内,一般情况下由于人体代谢复杂,且未来用户的行为很难预测,预测的优选长度推荐为30分钟。血糖预评估结果分别可以体现为未来第二时间段的以时间为横轴、以血糖浓度预测值为纵轴的一段未来预评估数据波形。对应于第一时间段的第一时刻的采集数据,可以预测出第二时间段之后、在未来第二时刻的血糖浓度预测值。由于数据是实时向后平移推进的,相当于实时动态不断调整第一时间段的起点时刻和终点时刻(相当于当前时刻),第一时刻可以是终点时刻或接近终点时刻,采用至少两个血糖预测模型分别可以获得在多个第二时刻(与当前时刻同步向后平移推进)的血糖浓度预测值集合,形成所述未来预评估数据波形。
当前场景确定模块30,用于基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
血糖浓度变化率是由所述血糖轨迹数据中的当前血糖采集数据和历史血糖采集数据中的某个接近当前时刻的值来确定的,当前血糖采集数据的状态包括但不限于:当前血糖采集数据异常(包含血糖浓度数据异常和用户输入异常)、当前血糖采集数据正常(包含血糖浓度数据正常和用户输入正常)。在确定所述用户处于的当前场景时,当前血糖采集数据异常的优先级高于当前血糖采集数据正常,在当前血糖采集数据正常时,有用户输入时,优先考虑用户输入,无用户输入时,再基于血糖浓度变化率来确定所述用户处于的当前场景。
用户数据是否异常的判断是根据以往的用户的数据历史和经验进行判断。血糖浓度数据异常的判断是根据大数据、以往的用户的数据历史和经验进行判断。血糖浓度数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因造成的。
加权因子组选取模块40,用于基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
基于当前场景确定模块30所确定的所述用户处于的当前场景,可以确定出当前场景对应的各个血糖预测模型对应的加权因子组。每一次预测过程中的加权因子组是动态的、基于每个当前时刻用户所处于的当前场景在加权因子集中选取的,也就是说,每个时刻的加权因子组可能是相同,也可能是不同的,是基于当前场景确定的。加权因子集是预存的、且预先基于不同的实时场景进行分类的。每个模型的加权因子与每个血糖预测模型的预测标准误差相关。当前场景是对应于当前时刻的,多个实时场景是指多个当前时刻对应的所有可能出现的当前场景的集合,每个时刻对应的当前场景可能相同,也可能不同。每个当前时刻是基于时间的变化而实时动态平移推进的,当前时刻的当前场景也是随着时间的平移推进而变化的。预设的多模融合目标标准误差是预先设定好的阈值,可以根据经验、各个模型的特点、各个场景的特点等设置,一个实时场景所对应的至少两个模型对应的至少两个加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差共同确定的。
血糖预测模块50,用于基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
基于在所述当前场景下对应的加权因子组,赋予各血糖预评估结果以各个加权因子,并对其进行线性组合,得到血糖预测结果。血糖预测结果包括对应于当前时刻在未来第二时刻的血糖浓度预测值,也包含了多个第二时刻的血糖浓度预测值集合,血糖预测结果可以体现为未来第二时间段的以时间为横轴、以血糖浓度预测值为纵轴的一段未来预测数据波形,该血糖预测结果综合考虑了各个模型在不同场景下的预测精度等因素,因此更加接近用户的真实血糖水平,该预测结果精准可靠。
根据本发明所述的血糖预测装置,其中,所述血糖轨迹数据获取模块10用于:通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
网络为有线或无线网络,关联所述用户的血糖测量设备包括但不限于含葡萄糖传感器的血糖仪、采血测量设备、其他可以采集血糖浓度数据的生理数据采集设备。优选的,所述血糖测量设备是能够连续实时采集血糖浓度数据的连续血糖监测设备。
其中,所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳,所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
预设时间间隔为连续血糖监测设备产生血糖的间隔,如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
根据本发明所述的血糖预测装置,其中,所述血糖轨迹数据获取模块10用于:获取用户输入的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
用户输入的血糖轨迹数据包括用户手动输入、或利用APP获取的图片识别出的与血糖浓度相关联的数据,例如食物摄入等。
所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳;所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳,所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。
当前时刻的第一血糖关联数据及其对应的第一关联时间戳用于确定当前场景,历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳可用于确定历史时刻对应的场景,也可以用于辅助校准用户在历史时刻的血糖浓度。
根据本发明所述的血糖预测装置,其中,所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。物质的施予包含食物、饮料、药物、或胰岛素的施予。一个或多个事件均与血糖浓度相关联。
根据本发明所述的血糖预测装置,其中,每个所述血糖预测模型分别按照以下方式进行训练:基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
血糖浓度样本数据可以包含某些用户的大数据中的一些历史血糖浓度数据和历史用户输入的数据,真实血糖浓度标签是实际测得的与血糖浓度样本数据对应的未来某些特定时刻的真实血糖浓度值。每个血糖预测模型在没有用户个性化数据的前提下,可以利用大数据进行训练好,也可以达到实现较好的预测精度。
或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
当某一个用户的数据量每累计到一定程度(如10000条数据)后就周期性的迭代更新训练模型,此时就可以将该10000条数据作为血糖浓度样本数据,将该用户实测的对应的未来某些特定时刻的血糖浓度值作为真实血糖浓度标签,以用户的数据来训练模型,生活习惯、所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的,可以得到更加个性化的模型,预测的结果更接近用户的真实情况。
根据本发明所述的血糖预测装置,其中,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户的所在区域。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
在预测时,考虑到用户的所在区域,区域的划分可以是按照国别、预设的大区域(例如东北、华北等)等因素进行区别,因为每个特定区域的用户可能存在相似的生活习性、环境,同一个区域的用户对于血糖浓度的变化具有一定的规律性,因此训练时采用所述用户所在区域的血糖浓度样本数据以及对应的预先确定的该区域的真实血糖浓度标签进行训练,可以得到具有地域化的模型,预测的结果更接近在特定区域中用户的真实情况。
根据本发明所述的血糖预测装置,其中,所述血糖预评估模块20用于:将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户所属的糖尿病类型。
相应的,每个所述血糖预测模型分别按照以下方式进行训练:基于所述用户所属糖尿病类型的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
在预测时,考虑到用户的糖尿病类型,糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病,因为每个糖尿病类型的用户可能存在相似的血糖浓度规律、以及不同的食物、药物敏感性等,每个糖尿病类型的用户对于血糖浓度的变化具有一定的规律性,因此训练时采用所述用户所属糖尿病类型的血糖浓度样本数据以及患有该糖尿病类型对应的预先确定的真实血糖浓度标签进行训练,可以得到具有按照用户所属糖尿病类型进行区分的模型,预测的结果更接近患有该糖尿病类型的用户的真实情况。
根据本发明所述的血糖预测装置,其中,所述装置还包括变化率确定模块,所述变化率确定模块用于:基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值,确定所述血糖浓度变化率;所述第二值包括第二血糖测量值及其对应的第二时间戳,所述第二时间戳与所述第一时间戳相关联。
血糖浓度变化率的计算方式为:|第一血糖测量值-第二血糖测量值|/(第二时间戳-第一时间戳),第二值的选择可在距离当前时刻的第三时间段内进行选择,第三时间段可以是1分钟至30分钟,优选的,可选择当前时刻之前的3分钟时的数据,若有数据缺失或异常,可选择其他距离当前时刻的第三时间段内的数据。
根据本发明所述的血糖预测装置,其中,所述当前场景确定模块30用于:当所述血糖浓度变化率不大于第一预设阈值,确定所述用户处于平稳区间场景;优选的,第一预设阈值设置为0.05mmol/L/min。
当所述血糖浓度变化率大于第一预设阈值、且不大于第二预设阈值,确定所述用户处于缓速升降区间场景;优选的,第二预设阈值设置为0.1mmol/L/min。
当所述血糖浓度变化率大于第二预设阈值、且不大于第三预设阈值,确定所述用户处于中速升降区间场景;优选的,第三预设阈值设置为0.15mmol/L/min。
当所述血糖浓度变化率大于第三预设阈值,确定所述用户处于快速升降区间场景。
需要说明的是,所述第一预设阈值、第二预设阈值、第三预设阈值的设置是基于大量试验数据进行选取的,包括但不限于以上数值区间。
根据本发明所述的血糖预测装置,其中,所述当前场景确定模块30用于:当从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常,确定所述用户处于血糖测量值异常场景。
从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常可能是传感器异常、传输数据的网络异常、或其他情况导致的血糖轨迹数据异常,该异常是基于用户历史情况以及一些经验进行阈值的设置来判定的,血糖轨迹数据是否异常的判定方式有多种,当血糖轨迹数据异常时,当前时刻的血糖值已经不能用于未来的预测。
当用户输入的当前时刻的第一血糖关联数据异常,确定所述用户处于用户输入异常场景。
当用户输入的当前时刻的第一血糖关联数据正常,确定所述用户处于用户输入正常场景。
用户输入的当前时刻的第一血糖关联数据异常可能是用户在输入时输入了一个不可能达到的事件,例如将饮食输入为5千克可以确定为用户输入异常,饮食输入为200克则确认为用户输入正常。该异常或正常同理是基于用户历史情况以及一些经验进行阈值的设置来判定的。当用户输入异常时,该用户输入的数据则不能用于未来的预测,当用户输入正常时,该用户输入的数据可以用于未来的预测。
在确定所述用户处于的当前场景时,所述血糖测量值异常场景为第一优先级;所述用户输入异常场景和用户输入正常场景为第二优先级,所述平稳区间场景、缓速升降区间场景、中速升降区间场景以及快速升降区间场景为第三优先级,所述第一优先级大于第二优先级,所述第二优先级大于第三优先级。
第一优先级作为确定所述用户处于的当前场景时最优先考虑的因素,如果不存在第一优先级的情况,则考虑第二优先级的因素,若既不存在第一优先级也不存在第二优先级的情况,则考虑第三优先级的因素。例如,血糖测量值异常场景下,由于当前时刻获取的血糖浓度值不准,也就无法预测对应的未来时刻的血糖浓度值,此时也就不输出预测结果。在各种不同的实时场景下,多个血糖预测模型的加权因子组如表3所示。
表3 多场景多血糖预测模型加权因子组
根据本发明所述的血糖预测装置,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签。
每个血糖预测模型的预测标准误差RMSE的计算公式为:
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签。
以上四种模型均具有利用历史血糖数据预测未来血糖值的能力,在进行血糖浓度的预测过程中必须输入的内容为历史的血糖浓度数据和其时间戳。由于不同训练模型的特性差异,使用相同的训练数据训练得到的单一预测模型在不同的情况下准确性、响应速度、对输入信息的需求各不相同,基于相同的个性化数据,不同的单一预测模型将会获得不同的预测血糖浓度数据,因此综合考虑多个血糖预测模型,基于不同的场景对每个模型赋予不同的因子,能够加强在当前场景下某些表现好的模型的优点,弱化某些表现不好模型的缺点,达到一个与当前场景最匹配的预测结果。
根据本发明所述的血糖预测装置,其中,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:
每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定并周期性地迭代更新的。当血糖预测模型迭代更新时,对应的加权因子也必须同步迭代更新,每个加权因子是与每个血糖预测模型的预测标准误差相关联的。
本发明实施例分别应用自回归模型、支持向量回归模型和长短期记忆网络模型进行预测,得到各个模型的血糖预测结果,再分别计算所述模型的权重,进而对各自所述模型的血糖预测结果及各自模型权重进行线性组合,得到组合预测模型预测值。同时还通过不断更新各模型的权重,使得预测效果好的模型获得更大的权重。每一次各个血糖预测模型迭代更新时,每个血糖预测模型的预测标准误差也相应更新,因此每个血糖预测模型对应的加权因子也会迭代更新。
根据本发明所述的血糖预测装置,其中,所述血糖预测模块50用于:将所述至少两个血糖预评估结果分别与所述当前场景下对应的加权因子组中对应的加权因子相乘后求和,得到与所述当前时刻对应的预设时间段之后的血糖预测结果。该预设时间段同上述第二时间段。
根据本发明所述的血糖预测装置,其中,所述装置还包括:至少一显示模块,用于实现所述血糖预测结果的可视化。
优选的,显示模块可以配置为显示以当前时刻为起点、第二时间段之后在第二时刻的血糖浓度预测值。
至少一告警模块,用于基于预设血糖阈值实现所述血糖预测结果的告警提示。
告警模块可以与显示模块集成在同一个显示设备中,也可以分别独立,当血糖预测结果超出预设血糖阈值(结合用户设置和历史经验等因素设定),则对未血糖浓度进行告警提示。
本发明还提供了一种用于监视血糖水平的系统,包括:
传感器,其被配置成获取用户的血糖测量值;
无线发射器,其用以发射所述血糖测量值;
以及
移动计算装置,其包括:
无线接收器,其被配置成接收所述血糖测量值;
存储器,其用以存储包含所述所接收血糖测量值的数据;
处理器,其用以处理所述数据,以及软件应用程序,其包含存储于所述存储器中的指令,所述指令当由所述处理器执行时获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;
基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景;
基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的;
基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
图5示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行血糖预测方法,该方法包括: S1、获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
S2、将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
S3、基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
S4、基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
S5、基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的血糖预测方法,该方法包括:S1、获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
S2、将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
S3、基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
S4、基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
S5、基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法所提供的血糖预测方法,该方法包括: S1、获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
S2、将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果。
S3、基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景。
S4、基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
S5、基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (18)
1.一种血糖预测方法,其特征在于,包括:
获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;
基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景;
基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的;
基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
2.根据权利要求1所述的血糖预测方法,其特征在于,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:
通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
其中,所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳,所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
3.根据权利要求2所述的血糖预测方法,其特征在于,所述获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据,包括:
获取用户输入的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳;所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳,所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。
4.根据权利要求3所述的血糖预测方法,其特征在于,所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。
5.根据权利要求1所述的血糖预测方法,其特征在于,每个所述血糖预测模型分别按照以下方式进行训练:
基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型;
或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
6.根据权利要求1所述的血糖预测方法,其特征在于,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户的所在区域;
相应的,每个所述血糖预测模型分别按照以下方式进行训练:
基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
7.根据权利要求1所述的血糖预测方法,其特征在于,所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果,包括:
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;其中,所述用户的血糖轨迹数据还包括所述用户所属的糖尿病类型;
相应的,每个所述血糖预测模型分别按照以下方式进行训练:
基于所述用户所属糖尿病类型的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练,得到每个所述血糖预测模型。
8.根据权利要求3所述的血糖预测方法,其特征在于,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景之前,包括:
基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值,确定所述血糖浓度变化率;所述第二值包括第二血糖测量值及其对应的第二时间戳,所述第二时间戳与所述第一时间戳相关联。
9.根据权利要求8所述的血糖预测方法,其特征在于,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景,包括:
当所述血糖浓度变化率不大于第一预设阈值,确定所述用户处于平稳区间场景;
当所述血糖浓度变化率大于第一预设阈值、且不大于第二预设阈值,确定所述用户处于缓速升降区间场景;
当所述血糖浓度变化率大于第二预设阈值、且不大于第三预设阈值,确定所述用户处于中速升降区间场景;
当所述血糖浓度变化率大于第三预设阈值,确定所述用户处于快速升降区间场景。
10.根据权利要求9所述的血糖预测方法,其特征在于,所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景,包括:
当从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常,确定所述用户处于血糖测量值异常场景;
当用户输入的当前时刻的第一血糖关联数据异常,确定所述用户处于用户输入异常场景;
当用户输入的当前时刻的第一血糖关联数据正常,确定所述用户处于用户输入正常场景;
在确定所述用户处于的当前场景时,所述血糖测量值异常场景为第一优先级,所述用户输入异常场景和用户输入正常场景为第二优先级,所述平稳区间场景、缓速升降区间场景、中速升降区间场景以及快速升降区间场景为第三优先级,所述第一优先级大于第二优先级,所述第二优先级大于第三优先级。
11.根据权利要求1所述的血糖预测方法,其特征在于,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:
其中,所述m表示每个血糖预测模型的血糖浓度样本数据的总量,i表示从1至m的变量,i、j均为大于等于1的正整数,表示每个血糖预测模型的第i个血糖预评估结果,表示每个血糖预测模型的第i个真实血糖浓度标签;
12.根据权利要求1所述的血糖预测方法,其特征在于,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的,包括:
每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定并周期性地迭代更新的。
13.根据权利要求1所述的血糖预测方法,其特征在于,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果,包括:
将所述至少两个血糖预评估结果分别与所述当前场景下对应的加权因子组中对应的加权因子相乘后求和,得到与所述当前时刻对应的预设时间段之后的血糖预测结果。
14.根据权利要求1所述的血糖预测方法,其特征在于,所述基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果之后,还包括:
利用至少一显示模块实现所述血糖预测结果的可视化;
和/或,利用至少一告警模块基于预设血糖阈值实现所述血糖预测结果的告警提示。
15.一种血糖预测装置,其特征在于,包括:
血糖轨迹数据获取模块,用于获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
血糖预评估模块,用于将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;
当前场景确定模块,用于基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景;
加权因子组选取模块,用于基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的;
血糖预测模块,用于基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
16.一种用于监测血糖水平的系统,其特征在于,包括:
传感器,其被配置成获取用户的血糖测量值;
无线发射器,其用以发射所述血糖测量值;
以及
移动计算装置,其包括:
无线接收器,其被配置成接收所述血糖测量值;
存储器,其用以存储包含所述所接收血糖测量值的数据;
处理器,其用以处理所述数据,以及软件应用程序,其包含存储于所述存储器中的指令,所述指令当由所述处理器执行时获取用户的血糖轨迹数据,所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据;
将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型,输出至少两个血糖预评估结果;
基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态,确定所述用户处于的当前场景;
基于所述当前场景,在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组,其中,所述加权因子集包含基于多个实时场景进行分类的多个加权因子组,每个所述加权因子组包含至少两个加权因子,每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的;
基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组,得到血糖预测结果。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至14任一项所述的血糖预测方法的步骤。
18.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至14任一项所述的血糖预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565948.8A CN113951879B (zh) | 2021-12-21 | 2021-12-21 | 血糖预测方法和装置、监测血糖水平的系统 |
PCT/CN2022/085450 WO2023115751A1 (zh) | 2021-12-21 | 2022-04-07 | 血糖预测方法和装置、监测血糖水平的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565948.8A CN113951879B (zh) | 2021-12-21 | 2021-12-21 | 血糖预测方法和装置、监测血糖水平的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113951879A true CN113951879A (zh) | 2022-01-21 |
CN113951879B CN113951879B (zh) | 2022-04-05 |
Family
ID=79473312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565948.8A Active CN113951879B (zh) | 2021-12-21 | 2021-12-21 | 血糖预测方法和装置、监测血糖水平的系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113951879B (zh) |
WO (1) | WO2023115751A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145738A (zh) * | 2022-02-10 | 2022-03-08 | 苏州百孝医疗科技有限公司 | 分析物浓度数据生成方法和装置、监测分析物水平的系统 |
WO2023115751A1 (zh) * | 2021-12-21 | 2023-06-29 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
WO2024060438A1 (zh) * | 2022-09-22 | 2024-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段血糖预测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0621822D0 (en) * | 2006-11-02 | 2006-12-13 | Butler Richard | Predictor of nocturnal hypoglyceamia for individuals with diabetes |
US20120203166A1 (en) * | 2009-08-10 | 2012-08-09 | Riback Jacob Lars Fredrik | Apparatus and method for processing glycemic data |
US20140118166A1 (en) * | 2012-10-30 | 2014-05-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
CN108766578A (zh) * | 2018-05-16 | 2018-11-06 | 清华大学深圳研究生院 | 一种血糖预测方法及装置 |
US20180353112A1 (en) * | 2017-06-09 | 2018-12-13 | President And Fellows Of Harvard College | Prevention of post-bariatric hypoglycemia using a novel glucose prediction algorithm and mini-dose stable glucagon |
CN109998560A (zh) * | 2019-04-30 | 2019-07-12 | 苏州百孝医疗科技有限公司 | 分离供电动态血糖监测发射器、系统及信号采样方法 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN110197724A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技(深圳)有限公司 | 预测糖尿病患病阶段的方法、装置及计算机设备 |
CN110650683A (zh) * | 2017-03-24 | 2020-01-03 | 美敦力泌力美公司 | 患者专用的葡萄糖预测系统和方法 |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN111631729A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 一种基于多模融合的低血糖预测方法和系统 |
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
US20200375549A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
CN112402731A (zh) * | 2020-10-10 | 2021-02-26 | 广东食品药品职业学院 | 一种预防低血糖现象的闭环胰岛素输注系统 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 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 |
CN113614850A (zh) * | 2018-09-07 | 2021-11-05 | 明智数据系统公司(d/b/a一滴公司) | 预测血糖浓度 |
WO2021238092A1 (zh) * | 2020-05-29 | 2021-12-02 | 中国科学院深圳先进技术研究院 | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5266221B2 (ja) * | 2006-08-08 | 2013-08-21 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 生理パラメータを監視する方法および装置 |
GB0719969D0 (en) * | 2007-10-12 | 2007-11-21 | Cambridge Entpr Ltd | Substance monitoring and control in human or animal bodies |
EP2897070A1 (en) * | 2012-08-30 | 2015-07-22 | Medtronic MiniMed, Inc. | Safeguarding techniques for a closed-loop insulin infusion system |
BR112015020002B1 (pt) * | 2013-02-21 | 2022-07-12 | University Of Virginia Patent Foundation | Sistema e método implementado por computador para proporcionar estimativa em tempo real de hemoglobina glicosilada (hbalc) de paciente e meio não transitório capaz de ser lido por computador |
EP3073918B1 (en) * | 2013-11-28 | 2023-03-22 | Roche Diabetes Care GmbH | Method and device method for analyzing continuously monitored physiological measurement values of a user, a system, and computer program product |
AU2015244291B2 (en) * | 2014-04-10 | 2017-06-22 | Dexcom, Inc. | Glycemic urgency assessment and alerts interface |
US10867012B2 (en) * | 2015-08-21 | 2020-12-15 | Medtronic Minimed, Inc. | Data analytics and insight delivery for the management and control of diabetes |
US11801344B2 (en) * | 2019-09-13 | 2023-10-31 | Insulet Corporation | Blood glucose rate of change modulation of meal and correction insulin bolus quantity |
CN113951879B (zh) * | 2021-12-21 | 2022-04-05 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
-
2021
- 2021-12-21 CN CN202111565948.8A patent/CN113951879B/zh active Active
-
2022
- 2022-04-07 WO PCT/CN2022/085450 patent/WO2023115751A1/zh unknown
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0621822D0 (en) * | 2006-11-02 | 2006-12-13 | Butler Richard | Predictor of nocturnal hypoglyceamia for individuals with diabetes |
US20120203166A1 (en) * | 2009-08-10 | 2012-08-09 | Riback Jacob Lars Fredrik | Apparatus and method for processing glycemic data |
US20140118166A1 (en) * | 2012-10-30 | 2014-05-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
CN110650683A (zh) * | 2017-03-24 | 2020-01-03 | 美敦力泌力美公司 | 患者专用的葡萄糖预测系统和方法 |
US20180353112A1 (en) * | 2017-06-09 | 2018-12-13 | President And Fellows Of Harvard College | Prevention of post-bariatric hypoglycemia using a novel glucose prediction algorithm and mini-dose stable glucagon |
CN108766578A (zh) * | 2018-05-16 | 2018-11-06 | 清华大学深圳研究生院 | 一种血糖预测方法及装置 |
CN113614850A (zh) * | 2018-09-07 | 2021-11-05 | 明智数据系统公司(d/b/a一滴公司) | 预测血糖浓度 |
CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技(深圳)有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
CN110197724A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技(深圳)有限公司 | 预测糖尿病患病阶段的方法、装置及计算机设备 |
CN109998560A (zh) * | 2019-04-30 | 2019-07-12 | 苏州百孝医疗科技有限公司 | 分离供电动态血糖监测发射器、系统及信号采样方法 |
US20200375549A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN111631729A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 一种基于多模融合的低血糖预测方法和系统 |
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和系统 |
WO2021238092A1 (zh) * | 2020-05-29 | 2021-12-02 | 中国科学院深圳先进技术研究院 | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 |
CN112402731A (zh) * | 2020-10-10 | 2021-02-26 | 广东食品药品职业学院 | 一种预防低血糖现象的闭环胰岛素输注系统 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
JINYU XIE,等: "Benchmarking Machine Learning Algorithms on Blood Glucose Prediction for Type I Diabetes in Comparison With Classical Time-Series Models", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
母东生,等: "基于生活习惯的糖尿病预测与可视分析", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023115751A1 (zh) * | 2021-12-21 | 2023-06-29 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
CN114145738A (zh) * | 2022-02-10 | 2022-03-08 | 苏州百孝医疗科技有限公司 | 分析物浓度数据生成方法和装置、监测分析物水平的系统 |
WO2024060438A1 (zh) * | 2022-09-22 | 2024-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段血糖预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023115751A1 (zh) | 2023-06-29 |
CN113951879B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113951879B (zh) | 血糖预测方法和装置、监测血糖水平的系统 | |
JP7127086B2 (ja) | ヘルストラッキングデバイス | |
US20220338764A1 (en) | Method, apparatus and device for obtaining blood glucose measurement result | |
US20180242907A1 (en) | Determining metabolic parameters using wearables | |
US20230157643A1 (en) | System, Device and Method of Dynamic Glucose Profile Response to Physiological Parameters | |
US10004411B2 (en) | Living body determination devices and methods | |
CN112150327A (zh) | 一种用于学生体质检测的测试系统 | |
KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
KR20200066204A (ko) | 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법 | |
Montoye et al. | Validation of a wireless accelerometer network for energy expenditure measurement | |
CN112365955A (zh) | 健身计划的确定方法及确定装置、可穿戴系统 | |
Pires et al. | Limitations of energy expenditure calculation based on a mobile phone accelerometer | |
US20220005580A1 (en) | Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system | |
CN111341416B (zh) | 一种心理压力评估模型处理方法以及相关设备 | |
US20110184898A1 (en) | Weight-Prediction System and Method Thereof | |
CN107111855A (zh) | 信息处理装置、卡路里管理系统、卡路里收支估计方法和程序 | |
US11457863B1 (en) | Virtual health coach based insulin titration platform | |
CN113936771B (zh) | 一种健康指标目标的迭代生成方法及装置 | |
Aras et al. | GreenMonitor: Extending battery life for continuous heart rate monitoring in smartwatches | |
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 | |
US20140371886A1 (en) | Method and system for managing performance of an athlete | |
CN113569140A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
KR102640995B1 (ko) | 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치 | |
KR101845301B1 (ko) | 사용자 단말에 의해 수집된 사용자 정보를 아바타를 통해 제공하는 방법, 서버 및 컴퓨터 판독가능 기록매체 | |
US20240160699A1 (en) | Smart bottle system |
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 |