CN114557690B - 一种用于连续葡萄糖监测的校准系统及方法 - Google Patents
一种用于连续葡萄糖监测的校准系统及方法 Download PDFInfo
- Publication number
- CN114557690B CN114557690B CN202210185630.5A CN202210185630A CN114557690B CN 114557690 B CN114557690 B CN 114557690B CN 202210185630 A CN202210185630 A CN 202210185630A CN 114557690 B CN114557690 B CN 114557690B
- Authority
- CN
- China
- Prior art keywords
- value
- glucose
- interstitial fluid
- blood
- blood glucose
- 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
- 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 243
- 239000008103 glucose Substances 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 239000008280 blood Substances 0.000 claims abstract description 191
- 210000004369 blood Anatomy 0.000 claims abstract description 191
- 238000004891 communication Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 210000003722 extracellular fluid Anatomy 0.000 claims description 87
- 230000008859 change Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005316 response function Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 230000036541 health Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010241 blood sampling Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 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 2
- 238000007726 management method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 229920002527 Glycogen Polymers 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229940096919 glycogen Drugs 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B5/14507—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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及智能医疗器械技术领域，具体涉及一种用于连续葡萄糖监测的校准系统，包括连续葡萄糖传感器模块、外部血糖检测模块、终端、与终端通讯连接的数据传输模块、与数据传输模块通讯连接的服务器、与服务器通讯连接的PC机；所述连续葡萄糖传感器模块和所述外部血糖检测模块均与所述终端通讯连接；本发明还提供一种用于连续葡萄糖监测的校准方法，将患者进行划分，在划分后的群体内进行预估模型的计算，得出的血糖值预估模型针对性更强，提高预估模型的准确度；并结合三种计算方法计算预估模型，设定每个模型的权重系数，提高连续葡萄糖监测的精度；同时还能够根据实时配对情况自动更新权重系数，提高实际生产应用效果。
Description
技术领域
本发明涉及智能医疗器械技术领域，具体涉及一种用于连续葡萄糖监测的校准系统及方法。
背景技术
糖尿病是人们熟知的一种疾病，糖尿病的特征为糖原代谢异常，进而引起人体内血糖含量升高，因此，人们需要使用血糖监测仪检测体内的血糖含量。传统的血糖监测仪是采用指尖采血检测，但是人体内的血糖水平和人们的饮食、生活习惯息息相关，对于糖尿病患者而言，需要经常检测体内的血糖水平，避免突发事故的发生，因此，为了减少糖尿病患者的采血的痛苦，发展出连续葡萄糖检测仪。连续葡萄糖检测仪无需指尖采血，检测方便，并且实时检测，可以显示血糖的变化趋势。连续葡萄糖检测仪是通过获取组织间液葡萄糖的浓度反应血糖水平，并非直接测量血液中葡萄糖的浓度，当血糖相对稳定时，组织间液葡萄糖浓度与血液葡萄糖浓度比较接近；当血糖变化迅速时，二者之间存在一定的延迟，通常是组织间液葡萄糖的变化滞后于血糖浓度的变化，延迟的时间约5-15分钟。
由于连续葡萄糖检测仪的滞后性导致连续葡萄糖检测仪的测量准确度有所下降，连续葡萄糖传感器的输出值和实际血糖值之间存在一定的误差。为纠正血糖和组织液糖之间的生理迟滞，现有的方法仅采用单一模型的方法利用所有群体离线数据人工进行分析，得到通用参数适用于所有患者，未考虑到群体的差异性和所采用的模型对患者的适用性。这种处理方式使得血糖值的检测对部分患者来说相对安全性不高，并且复杂的处理流程使模型中参数的更新速度变慢，生理延迟校准的精度提升有限，对相关业务数据的进一步分析的周期也比较长，导致对实际生产应用的效果降低。
如现有技术CN102821687B公开了一种用于校准葡萄糖监测传感器和/或胰岛素递送系统的方法，具体公开了将血糖参考样本与传感器测量值进行相关，从而获得传感器测量值有关的预估模型参数，从而确定传感器测量值与血糖浓度的函数关系。该方法并未将群体的差异性引入函数关系的预估中，因此，最终得出的函数关系的适用范围有限。
因此，亟需提供一种用于连续葡萄糖监测的校准系统及方法。
发明内容
为了解决现有技术中组织间液葡萄糖浓度与血糖实际浓度的差异，提高连续葡萄糖监测的准确度，本发明提供一种用于连续葡萄糖监测的校准系统及方法。
本发明的技术方案如下：
一种用于连续葡萄糖监测的校准系统，包括连续葡萄糖传感器模块、外部血糖检测模块、终端、与所述终端通讯连接的数据传输模块、与所述数据传输模块通讯连接的服务器、与所述服务器通讯连接的PC机；所述连续葡萄糖传感器模块和所述外部血糖检测模块均与所述终端通讯连接；
所述连续葡萄糖传感器模块包括传感器探头和信号发射器，所述传感器探头用于监测组织间液葡萄糖浓度，所述信号发射器用于将所述传感器探头监测的组织间液葡萄糖浓度数据传送至所述终端；
所述外部血糖检测模块包括指尖血糖仪和血糖分析仪，所述指尖血糖仪用于采集血液葡萄糖数据；所述血糖分析仪用于将所述指尖血糖仪采集的血液葡萄糖数据转换为血液葡萄糖浓度，并将血液葡萄糖浓度传送至所述终端；
所述终端将所述组织间液葡萄糖浓度以及所述血液葡萄糖浓度通过所述数据传输模块传送至所述服务器，所述服务器用于保存数据和处理数据以及权限管理；
所述PC机用于人机交互。
进一步地，所述终端是支持5G通信的手机、平板或者计算机，所述终端上安装血糖监测APP。
进一步地，所述数据传输模块包括控制器MCU、常用通信单元和5G模组，控制器MCU用于控制5G模组与常用通信单元间的数据交互，便于尚未支持5G通信的服务器可通过常用通信接口将数据经数据传输模块实现5G无线通信。
本发明还提供一种用于连续葡萄糖监测的校准方法，具体步骤包括：
S1、用户通过终端进行注册，并输入用户的基本信息，所述终端将用户的基本信息通过数据传输模块发送至服务器保存；同时，所述终端将传感器探头的信息通过数据传输模块发送至服务器保存；
S2、服务器根据用户的基本信息和传感器探头的信息建立用户信息表和传感器信息表；
S3、服务器根据群体划分条件以及用户的基本信息，建立群体划分信息表；
S4、连续葡萄糖传感器模块以设定的采样间隔采集组织间液糖值，信号发射器将所述连续葡萄糖传感器模块采集的组织间液糖值发送至终端，所述终端通过数据传输模块将组织间液糖值发送至所述服务器保存；
S5、外部血糖检测模块采集用户的血糖值，人工将用户的血糖录入终端中，终端将血糖值发送至服务器保存；
S6、服务器建立组织间液糖记录表和血糖记录表；
S7、将组织间液糖值和血糖值进行即时配对得出与组织间液糖值即使配对的血糖值，同时将组织间液糖值和血糖值进行延迟配对得出最佳延迟时间；
S8、根据步骤S7得出的最佳延迟时间，匹配出每个组织间液糖值对应的血糖预估值并存储至服务器，采用变化率法、反卷积法及预测法分别计算出组织间液糖值和对应的血糖预估值之间的函数关系；
S9、将步骤S8得出的三种函数关系进行结合得出最终的血糖预估模型；
S10、根据步骤S9得出的血糖预估模型用于患者血糖水平的进一步分析。
进一步地，步骤S1中用户的基本信息以及传感提探头的信息以json串的形式通过数据传输模块传输，具体为：
{“传感器ID”：{传感器信息}}
{“用户ID”：{用户信息}}
进一步地，步骤S1中用户的基本信息包括姓名、身份证号、联系方式、通讯地址、年龄、性别、糖尿病类型、身高、体重、有无其余基础疾病。
进一步地，步骤S2中的用户信息表包括用户ID、基本信息、群体类别ID和可扩展字段，主键为用户ID、外键为群体类别ID，通过群体类别ID能够关联群体划分信息表。
进一步地，步骤S2中的传感器信息表包括传感器ID、传感器属性、用户ID、传感器状态和可扩展字段，主键为传感器ID，外键为用户ID，通过用户ID能够关联所述用户信息表。
更进一步地，所述传感器属性包括传感器型号、传感器规格。
更进一步地，传感器状态包括使用中和停止使用两种状态。
进一步地，步骤S3中的群体划分信息表包括群体类别ID、群体信息和可扩展字段，主键为群体类别ID。
更进一步地，所述群体信息包括群体内特征信息的平均值和方差、性别百分比、糖尿病类别的百分比，其中特征信息包括年龄、BIM、空腹血糖值。
进一步地，步骤S6中的组织间液糖记录表包括记录序号、组织间液糖值、时间、传感器ID和可扩展字段，主键为记录序号，外键为传感器ID，通过传感器ID能够关联所述传感器信息表。
进一步地，步骤S6中的血糖记录表包括记录序号、血糖值、时间、传感器ID和可扩展字段，主键为记录序号，外键为传感器ID，通过传感器ID能够关联传感器信息表。
进一步地，步骤S7的具体步骤包括：
S71、进行即时配对：设定时间阈值Tthres，并且其中Tinter为采样间隔，与t时刻的组织间液糖值SG(t)配对的血糖值BG(t)在时间区间[t-Tthres，t+Tthres]中选取，将满足条件的SG(t)和BG(t)保存，不满足条件的摒弃；
S72、进行延迟配对：取得当前t时刻血糖值BG(t)，分别与滞后5min，10min，15min的组织间液糖值SG配对，设置一定的时间阈值界限Tr_min，Tr_max，且 Tinter为采样间隔，则BG(t)对应滞后5min的组织间液糖值SG(t+5)可取[t+5-Tr_min，t+5+Tr_max]区间内的间液糖值，以此类推，则BG(t)对应滞后10min的组织间液糖值SG(t+10)可取[t+10-Tr_min，t+10+Tr_max]区间内的间液糖值，则BG(t)对应滞后15min的组织间液糖值SG(t+15)可取[t+15-Tr_min，t+15+Tr_max]区间内的间液糖值；将满足条件的BG(t)和对应的SG(t+5)、SG(t+10)、SG(t+15)保存；
S73、将步骤S72中满足条件的血糖和组织间液糖滞后配对值分别利用克拉克网格分析和MARD误差进行分析，取落入克拉克网格A+B区域百分比最大、MARD误差最小的延迟时间为最佳延迟时间τ。
更进一步地，步骤S73中MARD的计算方法如下：
进一步地，步骤S8中采用变化率法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下：
其中，表示t时刻采用变化率法计算的血糖估计值，SG(t)表示t时刻传感器输出的组织间液糖值，/>表示t时刻组织间液糖值的变化率，μ表示变化率的权重，ε表示偏置。
更进一步地，对一个群体中的每个患者采取最小二乘法估算出每个患者的权重μ和偏置ε，相应的，这个群体的权重μ和偏置ε为此群体中所有患者的权重和偏置的平均值。
进一步地，步骤S8中采用反卷积法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下：
在向量中获取/>win代表选取的窗口，win包含N个时间点，代表窗口内的血糖估计值，SG(win)代表窗口内的间液糖值；
H代表状态转移矩阵，F可取N×N维度的单位矩阵，δ为正则项系数。
更进一步地，状态转移矩阵H通过对响应函数进行离散化来获取，形成N×N维度的状态转移矩阵H；
将响应函数h(t)离散化为h(ti)，i＝0，1…n，则状态转移矩阵H为：
根据组织间液糖值和血糖值的关系确定H，组织间液糖值和血糖值的关系式如下：
SG(win)＝H•BG(win)+w
其中，SG(win)代表窗口内的间液糖，BG(win)代表窗口内的血糖，w代表噪声；
将血糖记录表中的血糖值BG(win)作为输入值，将组织间液糖记录表中的组织间液糖值SG(win)作为输出值，采用最小二乘法计算出每个群体内每个患者的参数ρ，相应群体的参数ρ为此群体内每个患者的ρ的平均值；根据群体的ρ值可计算出此群体的状态转移矩阵H，进而得出采用反卷积法计算的组织间液糖和血糖预估值之间的函数关系。
进一步地，步骤S8中采用预测法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下
预测法采用AR自回归模型进行建模，其中，m表示自回归模型的阶数，Wi代表自回归模型的权重系数，SG代表组织间液糖值，∈表示偏置，τ表示最佳延迟时间，Tinter为采样间隔，表示通过向上取整计算得到的步长，/>代表t时刻采用预测法得到的血糖估计值，即采用对应预测的步长值/>来作为t时刻预估血糖值。
更进一步地，采用最小二乘法确定权重系数Wi和偏置∈，具体为：
将组织间液糖值SG(t-i)作为输入值，i＝0、1、2....m-1，将与组织间液糖值配对的血糖值BG(t)作为输出值，以群体为单位，计算出每个患者的权重系数W和偏置∈，群体的权重和偏置为此群体内所有患者的权重和偏置的平均值。
进一步地，步骤S9中最终的血糖预估模型为：
其中，为通过变化率法计算得到的血糖预估值，/>为通过反卷积法计算得到的血糖预估值，/>为通过预测法计算得到的血糖预估值，α、β和γ均为对应的权重系数。
更进一步地，α、β和γ的初始值均为采用变化率法、反卷积法和预测法得到相应的血糖预估值/>和/>与组织间液糖值配对的实际的血糖值进行比较，计算每种计算模型下的MARD，则更新后的权重系数为：
α＝1-MARDR
β＝1-MARDD
γ＝1-MARDP。
与现有技术相比，本发明的有益效果为：
本发明通过一定群体划分条件，将患者进行划分，在划分后的群体内进行预估模型的计算，得出的血糖值预估模型针对性更强，提高预估模型对患者的适用性，提高预估模型的准确度；并且结合三种计算方法计算预估模型，设定每个模型的权重系数，有助于提高血糖预估值的准确度，提高连续葡萄糖监测的精度；同时还能够根据实时配对情况自动更新权重系数，提高实际生产应用效果。
附图说明
图1为本发明中校准系统的结构框图。
图2为本发明中校准方法的流程图。
具体实施方式
下面将结合附图说明对本发明的技术方案进行清楚的描述，显然，所描述的实施例并不是本发明的全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种用于连续葡萄糖监测的校准系统，包括连续葡萄糖传感器模块、外部血糖检测模块、终端、与所述终端通讯连接的数据传输模块、与所述数据传输模块通讯连接的服务器、与所述服务器通讯连接的PC机；所述连续葡萄糖传感器模块和所述外部血糖检测模块均与所述终端通讯连接；
所述连续葡萄糖传感器模块包括传感器探头和信号发射器，所述传感器探头用于监测组织间液葡萄糖浓度，所述信号发射器用于将所述传感器探头监测的组织间液葡萄糖浓度数据传送至所述终端；传感器探头和信号发射器可以为一体式也可以为分体式，根据实际需要选择；信号发射器优选选择采用蓝牙方式与终端通信实现数据传输。
所述外部血糖检测模块包括指尖血糖仪和YSI血糖分析仪，所述指尖血糖仪用于采集血液葡萄糖数据；所述血糖分析仪用于将所述指尖血糖仪采集的血液葡萄糖数据转换为血液葡萄糖浓度，并将血液葡萄糖浓度传送至所述终端；
所述终端将所述组织间液葡萄糖浓度以及所述血液葡萄糖浓度通过所述数据传输模块传送至所述服务器，所述服务器用于保存数据和处理数据以及权限管理；所述终端是支持5G通信的手机、平板或者计算机，所述终端上安装血糖监测APP。
所述数据传输模块包括控制器MCU、常用通信单元和5G模组，控制器MCU用于控制5G模组与常用通信单元间的数据交互，便于尚未支持5G通信的服务器可通过常用通信接口将数据经数据传输模块实现5G无线通信。常用通信单元包括RS485接口、RS232接口、RJ-45接口、USB接口以及wifi接口，一方面，当5G模组接收到来自终端的数据时，控制器MCU可以将接收的数据通过常用通信单元发出至服务器；另一方面，常用通信单元接受来自服务器的数据，控制器MCU将常用通信单元接收的数据，通过5G模组发送至终端。
服务器包括内置计算单元、网络的权限管理单元和存储单元，存储单元用于存储血糖结构化数据，包含mysql、HBase、HDFS数据块；内置计算单元用于数据的计算和处理；权限管理单元可以根据群体划分条件以及不同的使用人员进行网络切片，对应不同的网络切片设置不同的访问权限，在一个切片内部还可以设置更详细的切片。并且在不同切片内部可以根据数据传输的类型设置不同的网速，如用户的基本信息以及更新权重数据需要及时传输，则可以给予高优先级的网速，血糖信息、传感器信息可以给予低优先级的网速。
所述PC机用于人机交互。技术人员可以通过PC机查看或者调用服务器中的数据。
如图2所示，本发明还提供一种用于连续葡萄糖监测的校准方法，用于上述的校准系统，具体步骤包括：
S1、用户通过终端进行注册，并输入用户的基本信息，所述终端将用户的基本信息通过数据传输模块发送至服务器保存；同时，所述终端将传感器探头的信息通过数据传输模块发送至服务器保存；
S2、服务器根据用户的基本信息和传感器探头的信息建立用户信息表和传感器信息表；
S3、服务器根据群体划分条件以及用户的基本信息，建立群体划分信息表；
S4、连续葡萄糖传感器模块以设定的采样间隔采集组织间液糖值，信号发射器将所述连续葡萄糖传感器模块采集的组织间液糖值发送至终端，所述终端通过数据传输模块将组织间液糖值发送至所述服务器保存；
S5、外部血糖检测模块采集用户的血糖值，人工将用户的血糖录入终端中，终端将血糖值发送至服务器保存；
S6、服务器建立组织间液糖记录表和血糖记录表；
S7、将组织间液糖值和血糖值进行匹配，得出最佳延迟时间；
S8、根据步骤S7得出的最佳延迟时间，匹配出每个组织间液糖值对应的血糖预估值并存储至服务器，采用变化率法、反卷积法及预测法分别计算出组织间液糖值和对应的血糖预估值之间的函数关系；
S9、将步骤S8得出的三种函数关系进行结合得出最终的血糖预估模型；
S10、根据步骤S9得出的血糖预估模型用于患者血糖水平的进一步分析。
进一步地，步骤S1中用户的基本信息以及传感提探头的信息以json串的形式通过数据传输模块传输，具体为：
{“传感器ID”：{传感器信息}}
{“用户ID”：{用户信息}}
步骤S1中用户的基本信息包括姓名、身份证号、联系方式、通讯地址、年龄、性别、糖尿病类型、身高、体重、有无其余基础疾病。
步骤S2中的用户信息表如表一所示，包括用户ID、基本信息、群体类别ID和可扩展字段，主键为用户ID、外键为群体类别ID，通过群体类别ID能够关联群体划分信息表。
表一用户信息表
步骤S2中的传感器信息表如表二所示，包括传感器ID、传感器属性、用户ID、传感器状态和可扩展字段，主键为传感器ID，外键为用户ID，通过用户ID能够关联所述用户信息表。
表二传感器信息表
所述传感器属性包括传感器型号、传感器规格。传感器状态包括使用中和停止使用两种状态。
步骤S3中的群体划分信息表如表三所示，包括群体类别ID、群体信息和可扩展字段，主键为群体类别ID。
表三群体划分信息表
其中，所述群体类别ID患者所属的群体类别号，其群体的划分依据患者的基本信息，通过在患者基本信息中提取特征如(性别、年龄、BMI、糖尿病类型、空腹血糖等)进行特征工程，通过服务器中内置计算单元对特征进行聚类分析，由此确定该患者所属群体类别。
具体地，将患者性别、糖尿病类型等离散变量做one-hot编码，年龄、BMI、空腹血糖等分别进行归一化到0～1之间。对于初始的群体划分可采用kmeans++算法，利用患者的特征数据进行聚类，初步划分成对应的类别。对于kmeans++中K值的确定采用SSE(误差平方和)，K是聚类类别的数量，测试递增K值后SSE的变化，若随着K值得增大SSE下降进而趋于平缓，这个最先趋于平缓得点就是合适的K值(即最合适的类别数)，将生成的聚类模型保存，可进一步用于判断患者群体的类别。
当患者的特征数据达到一定数量后，可根据对应聚类的结果进行有监督的分类模型训练，选取相应的患者数据，将对应的患者标号为上述对应的群体类别号(0,1,2,3…)，采用一般的分类模型如决策树、LightGBM模型对上述的数据进行训练得到合适的分类模型保存，形成划分后的群体。
所述群体信息包括群体内特征信息的平均值和方差、性别百分比、糖尿病类别的百分比，其中特征信息包括年龄、BIM、空腹血糖值。
步骤S6中的组织间液糖记录表如表四所示，包括记录序号、组织间液糖值、时间、传感器ID和可扩展字段，主键为记录序号，外键为传感器ID，通过传感器ID能够关联所述传感器信息表。
表四组织间液糖记录表
步骤S6中的血糖记录表如表五所示，包括记录序号、血糖值、时间、传感器ID和可扩展字段，主键为记录序号，外键为传感器ID，通过传感器ID能够关联传感器信息表。
表五血糖记录表
步骤S7的具体步骤包括：
S71、进行即时配对：设定时间阈值Tthres，并且其中Tinter为采样间隔，与t时刻的组织间液糖值SG(t)配对的血糖值BG(t)在时间区间[t-Tthres，t+Tthres]中选取，将满足条件的SG(t)和BG(t)保存，不满足条件的摒弃；满足的条件是指在时间区间内存在与SG(t)的时间间隔最小的血糖值BG(t)。
S72、进行延迟配对：取得当前t时刻血糖值BG(t)，分别与滞后5min，10min，15min的组织间液糖值SG配对，设置一定的时间阈值界限Tr_min，Tr_max，且 Tinter为采样间隔，则BG(t)对应滞后5min的组织间液糖值SG(t+5)可取[t+5-Tr_min，t+5+Tr_max]区间内的间液糖值，以此类推，则BG(t)对应滞后10min的组织间液糖值SG(t+10)可取[t+10-Tr_min，t+10+Tr_max]区间内的间液糖值，则BG(t)对应滞后15min的组织间液糖值SG(t+15)可取[t+15-Tr_min，t+15+Tr_max]区间内的间液糖值；将满足条件的BG(t)和对应的SG(t+5)、SG(t+10)、SG(t+15)保存；
S73、将步骤S72中满足条件的血糖和组织间液糖滞后配对值分别利用克拉克网格分析和MARD误差进行分析，取落入克拉克网格A+B区域百分比最大、MARD误差最小的延迟时间为最佳延迟时间τ。
步骤S73中MARD的计算方法如下：
步骤S8中采用变化率法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下：
其中，表示t时刻采用变化率法计算的血糖估计值，SG(t)表示t时刻传感器输出的组织间液糖值，/>表示t时刻组织间液糖值的变化率，μ表示变化率的权重，ε表示偏置。
具体地，可以通过选取t时间前后一段数据段进行线性拟合，用拟合后的线性函数的斜率表示/>并且t时刻间液糖值的变化率/>应满足一定的阈值限制，即取值应在/>的区间范围内。阈值的界限根据实际数据分析，属于经验参数。对一个群体中的每个患者采取最小二乘法估算出每个患者的权重μ和偏置ε，相应的，这个群体的权重μ和偏置ε为此群体中所有患者的权重和偏置的平均值。
步骤S8中采用反卷积法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下∶
在向量中获取/>win代表选取的窗口，win包含N个时间点，代表窗口内的血糖估计值，SG(win)代表窗口内的间液糖值；
H代表状态转移矩阵，F可取N×N维度的单位矩阵或者倒三角矩阵，若采用倒三角矩阵，则F为∶
δ为正则项系数，δ取值的大小可根据实际数据通过最小二乘法或者其他拟合函数得到合适的值。
状态转移矩阵H通过对响应函数进行离散化来获取，形成N×N维度的状态转移矩阵H；将响应函数h(t)离散化为h(ti)，i＝0，1…n，则状态转移矩阵H为：
根据组织间液糖值和血糖值的关系确定H，组织间液糖值和血糖值的关系式如下：
SG(win)＝H•BG(win)+w
其中，SG(win)代表窗口内的间液糖，BG(win)代表窗口内的血糖，w代表噪声；
将血糖记录表中的血糖值BG(win)作为输入值，将组织间液糖记录表中的组织间液糖值SG(win)作为输出值，采用最小二乘法计算出每个群体内每个患者的参数ρ，相应群体的参数ρ为此群体内每个患者的ρ的平均值；根据群体的ρ值可计算出此群体的状态转移矩阵H，进而得出采用反卷积法计算的组织间液糖和血糖预估值之间的函数关系。
步骤S8中采用预测法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下
预测法采用AR自回归模型进行建模，其中，m表示自回归模型的阶数，Wi代表自回归模型的权重系数，SG代表组织间液糖值，∈表示偏置，τ表示最佳延迟时间，Tinter为采样间隔，表示通过向上取整计算得到的步长，/>代表t时刻采用预测法得到的血糖估计值，即采用对应预测的步长值/>来作为t时刻预估血糖值。
具体地，采用最小二乘法确定权重系数Wi和偏置∈，具体为：
将组织间液糖值SG(t-i)作为输入值，i＝0、1、2....m-1，将与组织间液糖值配对的血糖值BG(t)作为输出值，以群体为单位，计算出每个患者的权重系数W和偏置∈，群体的权重和偏置为此群体内所有患者的权重和偏置的平均值。
步骤S9中最终的血糖预估模型为：
其中，为通过变化率法计算得到的血糖预估值，/>为通过反卷积法计算得到的血糖预估值，/>为通过预测法计算得到的血糖预估值，α、β和γ均为对应的权重系数。
更进一步地，α、β和γ的初始值均为当用户产生了满足条件的血糖和间液糖数据即时配对数据，并且配对数据达到了一定的数据量后，采用变化率法、反卷积法和预测法得到相应的血糖预估值/>和/>与组织间液糖值配对的实际的血糖值进行比较，计算每种计算模型下的MARDR、MARDD、MARDp，则更新后的权重系数为：
α＝1-MARDR
β＝1-MARDD
γ＝1-MARDP
通过权重计算公式得到每个用户以及每个群体更适合的模型，将性能更佳模型的权重增加，将性能较弱模型的权重降低。针对不同的用户，将上述更新的权重以json串形式通过5G无线传输到对应的终端中，在血糖监测APP中计算当前用户对应的血糖预估值。服务器可以根据时间或者数据量设置权重更新周期，达到一定时间或者数据量后根据用户新的数据对模型的权重系数进行自动更新。
技术人员可以通过PC机调用服务器内的数据，对患者的健康状况进行风险评估，生成相应的健康评估报告；管理人员可以通过PC机查阅患者健康信息和风险报告并推送给患者。
以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种用于连续葡萄糖监测的校准方法，应用连续葡萄糖监测的校准系统，其特征在于，包括：
S1、用户通过终端进行注册，并输入用户的基本信息，所述终端将用户的基本信息通过数据传输模块发送至服务器保存；同时，所述终端将传感器探头的信息通过数据传输模块发送至服务器保存；
S2、服务器根据用户的基本信息和传感器探头的信息建立用户信息表和传感器信息表；
S3、服务器根据群体划分条件以及用户的基本信息，建立群体划分信息表；
S4、连续葡萄糖传感器模块以设定的采样间隔采集组织间液糖值，信号发射器将所述连续葡萄糖传感器模块采集的组织间液糖值发送至终端，所述终端通过数据传输模块将组织间液糖值发送至所述服务器保存；
S5、外部血糖检测模块采集用户的血糖值，人工将用户的血糖录入终端中，终端将血糖值发送至服务器保存；
S6、服务器建立组织间液糖记录表和血糖记录表；
S7、将组织间液糖值和血糖值进行即时配对得出与组织间液糖值即使配对的血糖值，同时将组织间液糖值和血糖值进行延迟配对得出最佳延迟时间；
S8、根据步骤S7得出的最佳延迟时间，匹配出每个组织间液糖值对应的血糖预估值并存储至服务器，采用变化率法、反卷积法及预测法分别计算出组织间液糖值和对应的血糖预估值之间的函数关系；
S9、将步骤S8得出的三种函数关系进行结合得出最终的血糖预估模型；
S10、根据步骤S9得出的血糖预估模型用于患者血糖水平的进一步分析；
步骤S9中最终的血糖预估模型为：
其中，为通过变化率法计算得到的血糖预估值，/>为通过反卷积法计算得到的血糖预估值，/>为通过预测法计算得到的血糖预估值，α、β和γ均为对应的权重系数；
α、β和γ的初始值均为采用变化率法、反卷积法和预测法得到相应的血糖预估值和/>与组织间液糖值配对的实际的血糖值进行比较，计算每种计算模型下的MARD，则更新后的权重系数为：
α＝1-MARDR
β＝1-MARDD
γ＝1-MARDP
2.根据权利要求1所述的用于连续葡萄糖监测的校准方法，其特征在于，步骤S7的具体步骤包括：
S71、进行即时配对：设定时间阈值Tthres，并且其中Tinter为采样间隔，与t时刻的组织间液糖值SG(t)配对的血糖值BG(t)在时间区间[t-Tthres,t+Tthres]中选取，将满足条件的SG(t)和BG(t)保存，不满足条件的摒弃；
S72、进行延迟配对：取得当前t时刻血糖值BG(t)，分别与滞后5min，10min，15min的组织间液糖值SG配对，设置一定的时间阈值界限Tr_min，Tr_max，且Tinter为采样间隔，则BG(t)对应滞后5min的组织间液糖值SG(t+5)可取[t+5-Tr_min，t+5+Tr_max]区间内的间液糖值，以此类推，则BG(t)对应滞后10min的组织间液糖值SG(t+10)可取[t+10-Tr_min，t+10+Tr_max]区间内的间液糖值，则BG(t)对应滞后15min的组织间液糖值SG(t+15)可取[t+15-Tr_min，t+15+Tr_max]区间内的间液糖值；将满足条件的BG(t)和对应的SG(t+5)、SG(t+10)、SG(t+15)保存；
S73、将步骤S72中满足条件的血糖和组织间液糖滞后配对值分别利用克拉克网格分析和MARD误差进行分析，取落入克拉克网格A+B区域百分比最大、MARD误差最小的延迟时间为最佳延迟时间τ。
3.根据权利要求2所述的用于连续葡萄糖监测的校准方法，其特征在于，步骤S73中MARD的计算方法如下：
4.根据权利要求2所述的用于连续葡萄糖监测的校准方法，其特征在于，步骤S8中采用变化率法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下：
其中，表示t时刻采用变化率法计算的血糖估计值，SG(t)表示t时刻传感器输出的组织间液糖值，/>表示t时刻组织间液糖值的变化率，μ表示变化率的权重，ε表示偏置。
5.根据权利要求1所述的用于连续葡萄糖监测的校准方法，其特征在于，步骤S8中采用反卷积法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下：
在向量中获取/>win代表选取的窗口，win包含N个时间点，/>代表窗口内的血糖估计值，SG(win)代表窗口内的间液糖值；
H代表状态转移矩阵，F可取N×N维度的单位矩阵，δ为正则项系数。
6.根据权利要求5所述的用于连续葡萄糖监测的校准方法，其特征在于，状态转移矩阵H通过对响应函数进行离散化来获取，形成N×N维度的状态转移矩阵H；
将响应函数h(t)离散化为h(ti)，i＝0,1…n，n为卷积核的大小，则状态转移矩阵H为：
根据组织间液糖值和血糖值的关系确定H，组织间液糖值和血糖值的关系式如下：
SG(win)＝H·BG(win)+w
其中，SG(win)代表窗口内的间液糖，BG(win)代表窗口内的血糖，w代表噪声；
将血糖记录表中的血糖值BG(win)作为输入值，将组织间液糖记录表中的组织间液糖值SG(win)作为输出值，采用最小二乘法计算出每个群体内每个患者的参数ρ，相应群体的参数ρ为此群体内每个患者的ρ的平均值；根据群体的ρ值可计算出此群体的状态转移矩阵H，进而得出采用反卷积法计算的组织间液糖和血糖预估值之间的函数关系。
7.根据权利要求1所述的用于连续葡萄糖监测的校准方法，其特征在于，步骤S8中采用预测法计算组织间液糖值和对应的血糖预估值之间的函数关系的计算方法如下
预测法采用AR自回归模型进行建模，其中，m表示自回归模型的阶数，Wi代表自回归模型的权重系数，SG代表组织间液糖值，∈表示偏置，τ表示最佳延迟时间，Tinter为采样间隔，表示通过向上取整计算得到的步长，/>代表t时刻采用预测法得到的血糖估计值，即采用对应预测的步长值/>来作为t时刻预估血糖值。
8.一种用于连续葡萄糖监测的校准系统，其特征在于，使用权利要求1-7任一项所述的校准方法，包括连续葡萄糖传感器模块、外部血糖检测模块、终端、与所述终端通讯连接的数据传输模块、与所述数据传输模块通讯连接的服务器、与所述服务器通讯连接的PC机；所述连续葡萄糖传感器模块和所述外部血糖检测模块均与所述终端通讯连接；
所述连续葡萄糖传感器模块包括传感器探头和信号发射器，所述传感器探头用于监测组织间液葡萄糖浓度，所述信号发射器用于将所述传感器探头监测的组织间液葡萄糖浓度数据传送至所述终端；
所述外部血糖检测模块包括指尖血糖仪和血糖分析仪，所述指尖血糖仪用于采集血液葡萄糖数据；所述血糖分析仪用于将所述指尖血糖仪采集的血液葡萄糖数据转换为血液葡萄糖浓度，并将血液葡萄糖浓度传送至所述终端；
所述终端将所述组织间液葡萄糖浓度以及所述血液葡萄糖浓度通过所述数据传输模块传送至所述服务器，所述服务器用于保存数据和处理数据以及权限管理；
所述PC机用于人机交互。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210185630.5A CN114557690B (zh) | 2022-02-28 | 2022-02-28 | 一种用于连续葡萄糖监测的校准系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210185630.5A CN114557690B (zh) | 2022-02-28 | 2022-02-28 | 一种用于连续葡萄糖监测的校准系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114557690A CN114557690A (zh) | 2022-05-31 |
| CN114557690B true CN114557690B (zh) | 2023-10-13 |
Family
ID=81715674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210185630.5A Active CN114557690B (zh) | 2022-02-28 | 2022-02-28 | 一种用于连续葡萄糖监测的校准系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114557690B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577388B (zh) * | 2023-07-13 | 2023-09-19 | 南京晶捷生物科技有限公司 | 一种细胞压积校正方法、装置、系统及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101365374A (zh) * | 2005-08-31 | 2009-02-11 | 弗吉尼亚大学专利基金委员会 | 改善连续式葡萄糖传感器的准确度 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US10638979B2 (en) * | 2017-07-10 | 2020-05-05 | Glysens Incorporated | Analyte sensor data evaluation and error reduction apparatus and methods |
-
2022
- 2022-02-28 CN CN202210185630.5A patent/CN114557690B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101365374A (zh) * | 2005-08-31 | 2009-02-11 | 弗吉尼亚大学专利基金委员会 | 改善连续式葡萄糖传感器的准确度 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114557690A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11147451B2 (en) | Integrated sensor network methods and systems | |
| US20210151165A1 (en) | Health tracking device | |
| CN103959291B (zh) | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 | |
| JP2018125026A (ja) | 分析物データの処理およびレポートを生成するためのシステムおよび方法 | |
| KR101632308B1 (ko) | 혈당 관리 정보를 제공하는 방법 및 장치 | |
| US20160193411A1 (en) | Apparatus and method for generating a condition indication | |
| EP3777679B1 (en) | Cloud big data-based smart real-time dynamic blood sugar monitoring system and method | |
| US20200383645A1 (en) | Method and device for analyzing continuously monitored physiological measurement values of a user | |
| Staal et al. | Kalman smoothing for objective and automatic preprocessing of glucose data | |
| RU2712395C1 (ru) | Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) | |
| CN113951879B (zh) | 血糖预测方法和装置、监测血糖水平的系统 | |
| CN114557690B (zh) | 一种用于连续葡萄糖监测的校准系统及方法 | |
| EP4098194A1 (en) | Method for calculating calibration sensitivity of sensor for insertion into body | |
| CN115312194A (zh) | 生理数据分析系统、方法、设备及存储介质 | |
| CN114246578A (zh) | 腺样体肥大初筛装置、系统以及终端设备 | |
| KR102515740B1 (ko) | 사용자 맞춤형 치유 프로그램 추천 방법 및 이를 실행하는 장치 | |
| CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 | |
| WO2023151212A1 (zh) | 自动校准方法和装置、监测分析物浓度水平的系统 | |
| CN108335750B (zh) | 动态分析血糖值的方法、系统与计算机存储介质 | |
| CN115036033A (zh) | 健康数据管理方法、装置、电子设备和可读存储介质 | |
| CN114145738A (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 | |
| KR20230083520A (ko) | 혈당 반응값을 활용한 식이 추천 시스템 및 그 방법 | |
| CN108968975A (zh) | 基于人工智能的血糖值的测量方法及设备 | |
| CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
| CN112786185A (zh) | 血压健康状态获取方法、装置和系统 |
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 |