CN114732402B - 一种基于大数据的糖尿病数字化健康管理系统 - Google Patents

一种基于大数据的糖尿病数字化健康管理系统 Download PDF

Info

Publication number
CN114732402B
CN114732402B CN202210506725.2A CN202210506725A CN114732402B CN 114732402 B CN114732402 B CN 114732402B CN 202210506725 A CN202210506725 A CN 202210506725A CN 114732402 B CN114732402 B CN 114732402B
Authority
CN
China
Prior art keywords
firefly
data
blood glucose
module
insulin
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
Application number
CN202210506725.2A
Other languages
English (en)
Other versions
CN114732402A (zh
Inventor
李益非
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Food Anhong Guangdong Health Industry Co ltd
Original Assignee
Chinese Food Anhong Guangdong Health Industry Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Food Anhong Guangdong Health Industry Co ltd filed Critical Chinese Food Anhong Guangdong Health Industry Co ltd
Priority to CN202210977933.0A priority Critical patent/CN115274140A/zh
Priority to CN202210506725.2A priority patent/CN114732402B/zh
Publication of CN114732402A publication Critical patent/CN114732402A/zh
Application granted granted Critical
Publication of CN114732402B publication Critical patent/CN114732402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
    • A61B5/1451—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood for interstitial fluid
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1468—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using chemical or electrochemical methods, e.g. by polarographic means
    • A61B5/1477—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using chemical or electrochemical methods, e.g. by polarographic means non-invasive
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/18—General characteristics of the apparatus with alarm
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Emergency Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于大数据的糖尿病数字化健康管理系统，包括传感器模块、血糖数据预处理模块、血糖控制模块、连续血糖监测模块和报警模块，通过传感器模块获取患者血糖数据，血糖数据预处理模块实现对异常数据进行清洗和筛选，血糖控制模块利用算法计算患者需要输注的胰岛素并控制胰岛素泵向患者体内输注胰岛素，连续血糖监测模块实现对患者血糖数据的实时监测，当胰岛素泵开始输注或胰岛素量不足时，报警模块会发出警报该系统开始工作或工作异常，本发明的有益效果：该系统能对患者无创连续监测，帮助患者准确计算和调整胰岛素注射剂量，具有广覆盖、低成本、高留存和高活跃的特性。

Description

一种基于大数据的糖尿病数字化健康管理系统
技术领域
本发明涉及医疗健康管理领域，特别是涉及一种基于大数据的糖尿病数字化健康管理系统。
背景技术
在经济迅速发展的当今社会，健康问题已经成为人类重要问题。而糖尿病为是人类健康的挑战之一，糖尿病是一种以高血糖为特征的代谢性疾病，糖尿病的主要的临床表现为高血糖，目前尚无根治的方法。糖尿病属于慢性病。慢病管理是指对慢性非传染性疾病及其风险因素进行定期检测，连续监测，评估与综合干预管理的医学行为及过程，主要内涵包括慢病早期筛查，慢病风险预测、预警与综合干预，以及慢病人群的综合管理，慢病管理效果评估等。实际上，慢病管理是对慢性病人和高危人群的管理，包括对其合理膳食、行为习惯、健康心理等多方面的管理和干预；宣传正确的慢病管理理念、知识、技能，扎实做好慢病综合防治工作等。
作为一种典型的慢性病，糖尿病的主要的临床表现为高血糖，目前尚无根治的方法。日常生活中不健康的生活习惯、家族病史和特定疾病等因素容易诱发糖尿病。我国当前的糖尿病状况堪忧，存在发病率高、患病人口多、医疗护理水平有限等问题，糖尿病的预防和治疗工作任重而道远。首先，我国有着极其庞大的糖尿病人群。国际糖尿病联盟发布的数据表明，我国的糖尿病患者数量居全球之最。庞大的糖尿病人群需要大量的日常监测和持续治疗，这意味着对政府、社会和家庭的沉重负担。此外，我国还存在大量的潜在糖尿病人群，他们具有较高的患病风险，却未能被及时识别和干预。其次，近年来我国的糖尿病流行速度越来越快，流行趋势倾向于年轻化。然而，国内的医疗体系尚未健全，糖尿病治疗水平有限，护理条件亟待改善，而且医疗资源分布严重不均衡，给相应的诊断、治疗工作带来了严重的负担；对于普通居民而言，看病成本高，经济负担重。这些问题都严重限制了我国糖尿病医疗健康事业的进步。最后，我国居民普通对糖尿病认识不足，健康意识不高。由于生活节奏日益紧张、工作压力不断增加以及日常运动过分缺乏，大多数公民处在亚健康的状态，这大大增加了人们患糖尿病的风险；而环境恶化及不良饮食习惯等因素又为糖尿病的频发埋下了隐患。人们对糖尿病的危害缺乏基本的了解和认知，大多数公民的健康素养有待提高。
目前，糖尿病的主要评估手段可大致分为以下两种：传统诊断和自主健康评估。传统的糖尿病诊断主要依赖于医院的临床检查，涉及的主要检查指标包括血糖、胰岛素、c肽水平、糖化血红蛋白、血脂、血压等项目。这种方式完全依赖于医生经验，结果准确可靠；但成本较高，且缺少病人的自主参与，仅反映短期疾病信息，灵活性不足。另一种方式是糖尿病自主监测，主要依赖患者自身参与和主导，利用便捷的监测设备随时随地进行病情自主评估，由相应的监测系统在后台提供支持。这种模式通过对已有的疾病信息进行挖掘和分析，提供面向患者和其家庭的辅助诊断服务，其特点是灵活便捷，操作简单，适合日常健康评估和风险预测。虽然自我健康管理指居民基于个人自主评估的方式，对自身的健康状况和患病风险进行分析、预测，进而采取预防措施的全过程，是一种新兴的个人健康监测方式。这种日益流行的健康护理方式是人们健康需求和时代发展的产物。传统的医院信息系统主要在就医流程、患者管理、医院业务等方面提供便利，但对辅助医疗、健康咨询等服务难以发挥作用。随着居民健康意识的提高，人们已不再满足于传统医疗的现状，而是对疾病诊治和健康护理有了更高的要求。普通居民，特别是糖尿病患者，希望日常身体保健、疾病诊断等活动不再仅仅局限于医疗机构的范畴，要求能足不出户了解自身的糖尿病风险和患病状态，随时掌握自身动态的健康信息，及时作出健康决策。这为健康评估的发展提供了方向。通过对这些医学信息进行分析、挖掘，我们可以寻找潜在的知识和规律，为风险识别、疾病诊断、医药治疗等方面提供辅助建议，从而更好地指导医护人员、患者等进行疾病的预防和治疗，进而满足自我健康管理的需求。
发明内容
一种基于大数据的糖尿病数字化健康管理系统，包括传感器模块、血糖数据预处理模块、血糖控制模块、连续血糖监测模块和报警模块，传感器模块包括发射单元、传感器单元和接收单元，其中通过发射单元向传感器单元发送采集数据的信号，传感器单元通过埋在皮下的血糖传感器监测组织间液中的葡萄糖浓度，组织间液中的葡萄糖与传感器接触，并发生氧化还原反应，将化学信号转化为电信号，最终传送至接收单元，将葡萄糖浓度数据传送至血糖数据预处理模块，实现对异常数据进行清洗和筛选，血糖控制模块包括血糖浓度计算单元和血糖控制单元，血糖浓度计算单元将埋在皮下的血糖传感器监测到的组织间液中葡萄糖浓度利用算法传化为血糖浓度，血糖控制单元利用算法计算患者需要输注的胰岛素并控制胰岛素泵向患者体内输注胰岛素，连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，提示患者需要补充胰岛素。
进一步的，所述传感器模块，包括发射单元、传感器单元和接收单元，其中通过发射单元向传感器单元发送采集数据的信号，传感器单元通过埋在皮下的血糖传感器监测组织间液中的葡萄糖浓度，组织间液中的葡萄糖与传感器接触，并发生氧化还原反应，将化学信号转化为电信号，最终传送至接收单元。
进一步的，将葡萄糖浓度数据传送至所述血糖数据预处理模块，实现对异常数据进行清洗和筛选，异常数据包括缺省以及低信任度的数据，造成异常数据产生的原因包括传感器探头不灵敏和患者的运动状态，如果由于传感器探头不灵敏而产生异常数据，那么这些数据会持续缺省，从而无法被发送至下一模块，导致该系统无法正常工作，如果由于患者的运动状态而产生异常数据，那么这些数据会在某一时间段内出现缺省或低信任值状态，血糖数据预处理模块会滤除所有异常数据，当患者保证平静状态时，该系统恢复正常工作状态。
进一步的，血糖数据预处理模块需要对传感器模块传来的血糖数据定时更新，包含血糖数据更新单元，需调取传感器模块中的血糖数据对支持向量机进行训练和测试，血糖数据更新单元通过传感器模块调取的血糖数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure BDA0003637635330000031
在上式中，xi(t+1)表示萤火虫i在第(t+1)次迭代更新后的位置，xi(t)表示萤火虫i在第t次迭代更新后的位置，xj(t)表示萤火虫j在第t次迭代更新后的位置，βij(t)表示在第t次迭代更新后萤火虫j对于萤火虫i的吸引度，αij(t)表示在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
进一步的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度βij(t)的值设置为：
Figure BDA0003637635330000041
在上式中，
Figure BDA0003637635330000042
表示在第t次迭代更新后萤火虫j对萤火虫i的原始吸引度，且
Figure BDA0003637635330000043
的值为：
Figure BDA0003637635330000044
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性，rij(t)为在第t次迭代更新后萤火虫i和萤火虫j之间的笛卡尔距离，ρij(t)为在第t次迭代更新后萤火虫j对于萤火虫i的吸引度的历史调节系数，且ρij(t)的值为：
Figure BDA0003637635330000045
μ(t)表示迭代修正系数，且
Figure BDA0003637635330000046
其中，Tmax为最大迭代次数，kij(t)表示在第t次迭代更新后萤火虫i和萤火虫j之间的区域历史统计系数，kij(t)的值为：
Figure BDA0003637635330000047
其中，Ωij(t)表示以位置xi(t)为中心、以rij(t)为半径的球形区域，xj(τ)为萤火虫j在第τ次迭代更新后的位置，f(xj(τ),Ωij(t))为用于位置xj(τ)和区域Ωij(t)之间的区域判断函数，且
Figure BDA0003637635330000048
M表示种群中的萤火虫数，t表示当前迭代次数。
进一步的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数αij(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure BDA0003637635330000051
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数，yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure BDA0003637635330000052
Figure BDA0003637635330000053
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k<MK(t)，xl,a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure BDA0003637635330000054
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure BDA0003637635330000055
当θK(t)的值满足：θK(t)>1时，则随机项系数αij(t)的值为：
Figure BDA0003637635330000056
当θK(t)的值满足：θK(t)≤1时，则随机项系数αij(t)的值为：
Figure BDA0003637635330000057
在上式中，α0为给定的初始随机项系数值，且α0∈[0,1]，ωj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的局部空间系数，ωj(t)的值为：
Figure BDA0003637635330000058
Figure BDA0003637635330000061
xj(t)表示萤火虫j在第t次迭代更新后的位置，δj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的全局寻优系数，δj(t)的值为：
Figure BDA0003637635330000062
其中，
Figure BDA0003637635330000063
表示在第t次迭代更新后萤火虫j在序列LK(t)中的排序，
Figure BDA0003637635330000064
表示序列LK(t)中的第
Figure BDA0003637635330000065
个萤火虫在第t次迭代更新后的位置。
进一步的，所述血糖浓度计算单元将埋在皮下的血糖传感器监测到的组织间液中葡萄糖浓度利用算法传化为血糖浓度，血糖是血液中的葡萄糖浓度，目前常用单位为mmol/L，空腹血糖正常值为3.9-6.1mmol/L，空腹血糖大于等于7.0mmol/L，应考虑糖尿病，随机血糖两小时血糖大于等于11.1mmol/L(200mg/dL)，也应考虑糖尿病，采用拟合算法推断葡萄糖和血糖的转换关系，通过血糖传感器监测并采集组织间液中葡萄糖样本，记作xi,i＝1,2,…,n,假设对应的血糖输出记为yi,i＝1,2,…,n,利用最小二乘法定义
Figure BDA0003637635330000066
有
Figure BDA0003637635330000067
Figure BDA0003637635330000068
其中，k为拟合曲线斜率，b为偏置，xi为采集组织间液中葡萄糖样本，yi为对应的血糖输出，
Figure BDA0003637635330000069
为拟合的血糖输出，
Figure BDA00036376353300000610
为拟合的曲线斜率，
Figure BDA00036376353300000611
拟合的偏置，利用最小二乘法，令
Figure BDA00036376353300000612
其中L为损失函数，需搜索k，b使得L最小，可分别对k和b求偏导，有：
Figure BDA00036376353300000613
进一步的，可以得到
Figure BDA00036376353300000614
利用总体平方和来评价拟合的好坏，其中总体平方和包括误差平方和和回归平方和，定义SST＝SSE+SSR，其中SST表示总体平方和，SSE表示误差平方和，SSR表示回归平方和，假设拟合优度为R2，定义
Figure BDA00036376353300000615
R2越接近1，说明误差平方和越接近0，误差越小说明拟合的越好，对于总体平方和SST，有
Figure BDA0003637635330000071
Figure BDA0003637635330000072
对于误差平方和SSE，有
Figure BDA0003637635330000073
对于回归平方和SSR，有
Figure BDA0003637635330000074
其中
Figure BDA0003637635330000075
表示拟合输出的平均值。
进一步的，所述血糖控制单元，根据血糖浓度计算单元拟合出的血糖浓度来推断胰岛素泵需要输注剂量，利用机器学习玻尔兹曼机算法，定义可见变量v＝{0,1}D，其中D为可见变量的维数，定义隐藏变量h＝0,1P,其中，P为隐藏变量的维数，记L＝[Lij]D×D，其中，L表示可见变量v之间的权重，记J＝[Jij]P×P，其中，J表示隐藏变量h之间的权重，记W＝[Wij]D×P,其中，W表示可见变量和隐藏变量之间的权重，定义联合概率密度函数
Figure BDA0003637635330000076
其中，z表示隐变量，p(v,h)表示关于可见变量和隐藏变量之间联合概率密度函数，U(v,h)为能量函数，
Figure BDA0003637635330000077
其中，vT为v的转置，hT为h的转置，记p(v)为p(v,h)的边缘概率分布，有p(v)＝∑hp(v,h)，记θ为参数集合θ＝{W,L,J},假设样本总数为N，并且V为v的样本集合，有||V||＝N，那么对数极大似然估计为：
Figure BDA0003637635330000078
为了求出对数极大似然估计的最值所对应的分布参数θ，对分布参数θ求梯度：
Figure BDA0003637635330000079
其中，
Figure BDA00036376353300000710
对于W梯度方向，有：
Figure BDA00036376353300000711
因此，
Figure BDA00036376353300000712
Figure BDA00036376353300000713
Figure BDA00036376353300000714
其中
Figure BDA00036376353300000715
表示基于pdata分布下对变量vhT求期望，
Figure BDA0003637635330000081
表示基于pmodel分布下对变量vhT求期望，满足pdata＝pdata(v)pmodel(h|v)，pmodel＝pmodel(v,h)，则三种参数分布增量可以表示为：
Figure BDA0003637635330000082
其中，α为玻尔兹曼机探索步长，那么经过t次迭代后，新的三种参数集合矩阵可以表示成：
Figure BDA0003637635330000083
其中，W(t)表示迭代t次后可见变量与隐藏变量之间的权重，L(t)表示迭代t次后可见变量之间的权重，J(t)表示迭代t次后隐藏变量之间的权重，W(t+1)表示迭代t+1次后可见变量与隐藏变量之间的权重，L(t+1)表示迭代t+1次后可见变量之间的权重，J(t+1)表示迭代t+1次后隐藏变量之间的权重，那么转移概率可以写成：
Figure BDA0003637635330000084
Figure BDA0003637635330000085
其中，v-i为{v-vi}的集合，h-i为{h-hi}的集合，
Figure BDA0003637635330000086
表示k从1取到D不包括i的累加，
Figure BDA0003637635330000087
表示m从1取到D不包括j的累加，σ为sigmoid函数，p(vi＝1|h,v-i)表示给定h和v-i时，vi＝1的概率，p(hj＝1|v,h-i)表示给定v和h-i时，hj＝1的概率，对于血糖控制单元，若p(vi＝1|h,v-i)越大，表示该时刻越需要向患者体内输注胰岛素，若p(hj＝1|v,h-i)越大，表示该时刻需要向患者体内输注胰岛素的概率越小。
进一步的，所述连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，在胰岛素治疗过程中，非强化治疗患者每天需要注射2-3次药物，强化治疗患者每日须进行3-4次注射。
进一步的，报警模块包括音量键和扩音器，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，该报警声为长鸣音，可通过音量键调节报警声大小，报警声持续时长为胰岛素输注时长，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，该报警声为间断的短促音，直到补充胰岛素后结束警报声，还可通过双击音量键强制中断警报声。
本发明的有益效果：该系统具有“智能设备+智能决策”的特点，主要在于患者解决“将要用多少药”的问题，实际上，患者“什么时间、用了多少药”同样重要，现实生活中有患者会忘记什么时候打了胰岛素、打了多少胰岛素，还能帮助患者家人、医生等掌握用药情况，以便对患者进行适时提醒、鼓励，或者综合患者的其他生活行为数据以调整管理方案，通过传感器模块能够自适应的完成信号的传输、数据的采集等功能，其工作过程不影响患者的正常生活作息，能够实现24小时的实时监测，为患者的生命体征带来了安全保障，血糖数据预处理模块中血糖数据更新单元利用萤火虫算法并应用到对支持向量机的参数的寻优中，并对萤火虫算法固有的缺陷进行改进，使得通过改进的萤火虫算法确定的参数能够有效的提高支持向量机的分类精度，血糖控制模块结合了拟合和玻尔兹曼机算法，它在神经元状态变化中引入了统计概率，网络的平衡状态服从玻尔兹曼分布，网络运行机制基于模拟退火算法，玻尔兹曼机结合多层前馈神经网络和离散Hopfield网络在网络结构、学习算法和动态运行机制方面的优点，是建立在离散Hopfield网基础上的，具有学习能力，能够通过一个模拟退火过程寻求最优解，连续血糖监测模块能够根据患者血糖浓度划分患病风险，风险等级包括低度、中度、高度和极高，可实现糖尿病高危人群的筛查，通过扩音器进行报警，可根据报警声来判断该系统的工作状态。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例提出一种基于大数据的糖尿病数字化健康管理系统，包括传感器模块、血糖数据预处理模块、血糖控制模块、连续血糖监测模块和报警模块，传感器模块包括发射单元、传感器单元和接收单元，其中通过发射单元向传感器单元发送采集数据的信号，传感器单元通过埋在皮下的血糖传感器监测组织间液中的葡萄糖浓度，组织间液中的葡萄糖与传感器接触，并发生氧化还原反应，将化学信号转化为电信号，最终传送至接收单元，将葡萄糖浓度数据传送至血糖数据预处理模块，实现对异常数据进行清洗和筛选，血糖控制模块包括血糖浓度计算单元和血糖控制单元，血糖浓度计算单元将埋在皮下的血糖传感器监测到的组织间液中葡萄糖浓度利用算法传化为血糖浓度，血糖控制单元利用算法计算患者需要输注的胰岛素并控制胰岛素泵向患者体内输注胰岛素，连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，提示患者需要补充胰岛素。
具体的，所述传感器模块，包括发射单元、传感器单元和接收单元，其中通过发射单元向传感器单元发送采集数据的信号，传感器单元通过埋在皮下的血糖传感器监测组织间液中的葡萄糖浓度，组织间液中的葡萄糖与传感器接触，并发生氧化还原反应，将化学信号转化为电信号，最终传送至接收单元。
具体的，将葡萄糖浓度数据传送至所述血糖数据预处理模块，实现对异常数据进行清洗和筛选，异常数据包括缺省以及低信任度的数据，造成异常数据产生的原因包括传感器探头不灵敏和患者的运动状态，如果由于传感器探头不灵敏而产生异常数据，那么这些数据会持续缺省，从而无法被发送至下一模块，导致该系统无法正常工作，如果由于患者的运动状态而产生异常数据，那么这些数据会在某一时间段内出现缺省或低信任值状态，血糖数据预处理模块会滤除所有异常数据，当患者保证平静状态时，该系统恢复正常工作状态。
具体的，血糖数据预处理模块需要对传感器模块传来的血糖数据定时更新，包含血糖数据更新单元，需调取传感器模块中的血糖数据对支持向量机进行训练和测试，血糖数据更新单元通过传感器模块调取的血糖数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure BDA0003637635330000111
在上式中，xi(t+1)表示萤火虫i在第(t+1)次迭代更新后的位置，xi(t)表示萤火虫i在第t次迭代更新后的位置，xj(t)表示萤火虫j在第t次迭代更新后的位置，βij(t)表示在第t次迭代更新后萤火虫j对于萤火虫i的吸引度，αij(t)表示在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
具体的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度βij(t)的值设置为：
Figure BDA0003637635330000112
在上式中，
Figure BDA0003637635330000113
表示在第t次迭代更新后萤火虫j对萤火虫i的原始吸引度，且
Figure BDA0003637635330000114
的值为：
Figure BDA0003637635330000115
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性，rij(t)为在第t次迭代更新后萤火虫i和萤火虫j之间的笛卡尔距离，ρij(t)为在第t次迭代更新后萤火虫j对于萤火虫i的吸引度的历史调节系数，且ρij(t)的值为：
Figure BDA0003637635330000116
μ(t)表示迭代修正系数，且
Figure BDA0003637635330000117
其中，Tmax为最大迭代次数，kij(t)表示在第t次迭代更新后萤火虫i和萤火虫j之间的区域历史统计系数，kij(t)的值为：
Figure BDA0003637635330000118
其中，Ωij(t)表示以位置xi(t)为中心、以rij(t)为半径的球形区域，xj(τ)为萤火虫j在第τ次迭代更新后的位置，f(xj(τ),Ωij(t))为用于位置xj(τ)和区域Ωij(t)之间的区域判断函数，且
Figure BDA0003637635330000121
M表示种群中的萤火虫数，t表示当前迭代次数。
具体的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数αij(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure BDA0003637635330000122
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数，yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure BDA0003637635330000123
Figure BDA0003637635330000124
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k<MK(t)，xl,a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure BDA0003637635330000125
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure BDA0003637635330000126
当θK(t)的值满足：θK(t)>1时，则随机项系数αij(t)的值为：
Figure BDA0003637635330000127
当θK(t)的值满足：θK(t)≤1时，则随机项系数αij(t)的值为：
Figure BDA0003637635330000131
在上式中，α0为给定的初始随机项系数值，且α0∈[0,1]，ωj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的局部空间系数，ωj(t)的值为：
Figure BDA0003637635330000132
Figure BDA0003637635330000133
xj(t)表示萤火虫j在第t次迭代更新后的位置，δj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的全局寻优系数，δj(t)的值为：
Figure BDA0003637635330000134
其中，
Figure BDA0003637635330000135
表示在第t次迭代更新后萤火虫j在序列LK(t)中的排序，
Figure BDA0003637635330000136
表示序列LK(t)中的第
Figure BDA0003637635330000137
个萤火虫在第t次迭代更新后的位置。
具体的，所述血糖浓度计算单元将埋在皮下的血糖传感器监测到的组织间液中葡萄糖浓度利用算法传化为血糖浓度，血糖是血液中的葡萄糖浓度，目前常用单位为mmol/L，空腹血糖正常值为3.9-6.1mmol/L，空腹血糖大于等于7.0mmol/L，应考虑糖尿病，随机血糖两小时血糖大于等于11.1mmol/L(200mg/dL)，也应考虑糖尿病，采用拟合算法推断葡萄糖和血糖的转换关系，通过血糖传感器监测并采集组织间液中葡萄糖样本，记作xi,i＝1,2,…,n,假设对应的血糖输出记为yi,i＝1,2,…,n,利用最小二乘法定义
Figure BDA0003637635330000138
有
Figure BDA0003637635330000139
Figure BDA00036376353300001310
其中，k为拟合曲线斜率，b为偏置，xi为采集组织间液中葡萄糖样本，yi为对应的血糖输出，
Figure BDA00036376353300001311
为拟合的血糖输出，
Figure BDA00036376353300001312
为拟合的曲线斜率，
Figure BDA00036376353300001313
拟合的偏置，利用最小二乘法，令
Figure BDA00036376353300001314
其中L为损失函数，需搜索k，b使得L最小，可分别对k和b求偏导，有：
Figure BDA00036376353300001315
移项可得：
Figure BDA0003637635330000141
Figure BDA0003637635330000142
可以得到
Figure BDA0003637635330000143
利用总体平方和来评价拟合的好坏，其中总体平方和包括误差平方和和回归平方和，定义SST＝SSE+SSR，其中SST表示总体平方和，SSE表示误差平方和，SSR表示回归平方和，假设拟合优度为R2，定义
Figure BDA0003637635330000144
R2越接近1，说明误差平方和越接近0，误差越小说明拟合的越好，对于总体平方和SST，有
Figure BDA0003637635330000145
对于误差平方和SSE，有
Figure BDA0003637635330000146
对于回归平方和SSR，有
Figure BDA0003637635330000147
其中
Figure BDA0003637635330000148
表示拟合输出的平均值。
具体的，所述血糖控制单元，根据血糖浓度计算单元拟合出的血糖浓度来推断胰岛素泵需要输注剂量，利用机器学习玻尔兹曼机算法，定义可见变量v＝{0,1}D，其中D为可见变量的维数，定义隐藏变量h＝0,1P,其中，P为隐藏变量的维数，记L＝[Lij]D×D，其中，L表示可见变量v之间的权重，记J＝[Jij]P×P，其中，J表示隐藏变量h之间的权重，记W＝[Wij]D×P,其中，W表示可见变量和隐藏变量之间的权重，定义联合概率密度函数
Figure BDA0003637635330000149
其中，z表示隐变量，p(v,h)表示关于可见变量和隐藏变量之间联合概率密度函数，U(v,h)为能量函数，
Figure BDA00036376353300001410
其中，vT为v的转置，hT为h的转置，记p(v)为p(v,h)的边缘概率分布，有p(v)＝∑hp(v,h)，记θ为参数集合θ＝{W,L,J},假设样本总数为N，并且V为v的样本集合，有||V||＝N，那么对数极大似然估计为：
Figure BDA00036376353300001411
为了求出对数极大似然估计的最值所对应的分布参数θ，对分布参数θ求梯度：
Figure BDA0003637635330000151
其中，
Figure BDA0003637635330000152
对于W梯度方向，有：
Figure BDA0003637635330000153
因此，
Figure BDA0003637635330000154
Figure BDA0003637635330000155
Figure BDA0003637635330000156
其中Epdata[vhT]表示基于pdata分布下对变量vhT求期望，
Figure BDA0003637635330000159
表示基于pmodel分布下对变量vhT求期望，满足pdata＝pdata(v)pmodel(h|v)，pmodel＝pmodel(v,h)，则三种参数分布增量可以表示为：
Figure BDA0003637635330000157
其中，α为玻尔兹曼机探索步长，那么经过t次迭代后，新的三种参数集合矩阵可以表示成：
Figure BDA0003637635330000158
其中，W(t)表示迭代t次后可见变量与隐藏变量之间的权重，L(t)表示迭代t次后可见变量之间的权重，J(t)表示迭代t次后隐藏变量之间的权重，W(t+1)表示迭代t+1次后可见变量与隐藏变量之间的权重，L(t+1)表示迭代t+1次后可见变量之间的权重，J(t+1)表示迭代t+1次后隐藏变量之间的权重，那么转移概率可以写成：
Figure BDA0003637635330000161
Figure BDA0003637635330000162
其中，v-i为{v-vi}的集合，h-i为{h-hi}的集合，
Figure BDA0003637635330000163
表示k从1取到D不包括i的累加，
Figure BDA0003637635330000164
表示m从1取到D不包括j的累加，σ为sigmoid函数，p(vi＝1|h,v-i)表示给定h和v-i时，vi＝1的概率，p(hj＝1|v,h-i)表示给定v和h-i时，hj＝1的概率，对于血糖控制单元，若p(vi＝1|h,v-i)越大，表示该时刻越需要向患者体内输注胰岛素，若p(hj＝1|v,h-i)越大，表示该时刻需要向患者体内输注胰岛素的概率越小。
具体的，所述连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，在胰岛素治疗过程中，非强化治疗患者每天需要注射2-3次药物，强化治疗患者每日须进行3-4次注射。
具体的，所述连续血糖监测模块根据患者血糖浓度划分患病风险，风险等级包括低度、中度、高度和极高，可实现糖尿病高危人群的筛查。
更具体的，空腹血糖值<5.0mmol/L且血中甘油三酯值<2.3mmol/L时，可判定为低度风险；空腹血糖值介于5.6-6.1mmol/L之间且血中甘油三酯值<2.3mmol/L时，可判定为中度风险；空腹血糖值介于6.1-7.0mmol/L之间且血中甘油三酯值<2.3mmol/L时，可判定为高度风险；空腹血糖值介于6.1-7.0mmol/L之间且血中甘油三酯值≥2.3mmol/L时，可判定为极高风险。
优选的，报警模块包括音量键和扩音器，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，该报警声为长鸣音，可通过音量键调节报警声大小，报警声持续时长为胰岛素输注时长，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，该报警声为间断的短促音，直到补充胰岛素后结束警报声，还可通过双击音量键强制中断警报声。
本发明的有益效果：该系统具有“智能设备+智能决策”的特点，主要在于患者解决“将要用多少药”的问题，实际上，患者“什么时间、用了多少药”同样重要，现实生活中有患者会忘记什么时候打了胰岛素、打了多少胰岛素，还能帮助患者家人、医生等掌握用药情况，以便对患者进行适时提醒、鼓励，或者综合患者的其他生活行为数据以调整管理方案。通过传感器模块能够自适应的完成信号的传输、数据的采集等功能，其工作过程不影响患者的正常生活作息，能够实现24小时的实时监测，为患者的生命体征带来了安全保障，血糖数据预处理模块中血糖数据更新单元利用萤火虫算法并应用到对支持向量机的参数的寻优中，并对萤火虫算法固有的缺陷进行改进，使得通过改进的萤火虫算法确定的参数能够有效的提高支持向量机的分类精度，血糖控制模块结合了拟合和玻尔兹曼机算法，它在神经元状态变化中引入了统计概率，网络的平衡状态服从玻尔兹曼分布，网络运行机制基于模拟退火算法，玻尔兹曼机结合多层前馈神经网络和离散Hopfield网络在网络结构、学习算法和动态运行机制方面的优点，是建立在离散Hopfield网基础上的，具有学习能力，能够通过一个模拟退火过程寻求最优解，连续血糖监测模块能够根据患者血糖浓度划分患病风险，风险等级包括低度、中度、高度和极高，可实现糖尿病高危人群的筛查，通过扩音器进行报警，可根据报警声来判断该系统的工作状态。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，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实质和范围。

Claims (6)

1.一种基于大数据的糖尿病数字化健康管理系统，包括传感器模块、血糖数据预处理模块、血糖控制模块、连续血糖监测模块和报警模块，传感器模块包括发射单元、传感器单元和接收单元，其中通过发射单元向传感器单元发送采集数据的信号，传感器单元通过埋在皮下的血糖传感器监测组织间液中的葡萄糖浓度，组织间液中的葡萄糖与传感器接触，并发生氧化还原反应，将化学信号转化为电信号，最终传送至接收单元，将葡萄糖浓度数据传送至血糖数据预处理模块，实现对异常数据进行清洗和筛选，血糖控制模块包括血糖浓度计算单元和血糖控制单元，血糖浓度计算单元将埋在皮下的血糖传感器监测到的组织间液中葡萄糖浓度利用算法传化为血糖浓度，血糖控制单元利用算法计算患者需要输注的胰岛素并控制胰岛素泵向患者体内输注胰岛素，连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，提示患者需要及时补充胰岛素；血糖数据预处理模块需要对传感器模块传来的血糖数据定时更新，包含血糖数据更新单元，需调取传感器模块中的血糖数据对支持向量机进行训练和测试，血糖数据更新单元通过传感器模块调取的血糖数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure FDA0003801117170000011
在上式中，xi(t+1)表示萤火虫i在第(t+1)次迭代更新后的位置，xi(t)表示萤火虫i在第t次迭代更新后的位置，xj(t)表示萤火虫j在第t次迭代更新后的位置，βij(t)表示在第t次迭代更新后萤火虫j对于萤火虫i的吸引度，αij(t)表示在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
2.根据权利要求1所述一种基于大数据的糖尿病数字化健康管理系统，其特征在于，将葡萄糖浓度数据传送至所述血糖数据预处理模块，实现对异常数据进行清洗和筛选，异常数据包括缺省以及低信任度的数据，造成异常数据产生的原因包括传感器探头不灵敏和患者的运动状态不平稳，如果由于传感器探头不灵敏而产生异常数据，那么这些数据会持续缺省，从而无法被发送至下一模块，导致该系统无法正常工作，如果由于患者的运动状态而产生异常数据，那么这些数据会在某一时间段内出现缺省或低信任值状态，血糖数据预处理模块会滤除所有异常数据，当患者保证平静状态时，该系统恢复正常工作状态。
3.根据权利要求1所述的一种基于大数据的糖尿病数字化健康管理系统，其特征在于，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度βij(t)的值设置为：
Figure FDA0003801117170000021
在上式中，
Figure FDA0003801117170000022
表示在第t次迭代更新后萤火虫j对萤火虫i的原始吸引度，且
Figure FDA0003801117170000023
的值为：
Figure FDA0003801117170000024
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性，rij(t)为在第t次迭代更新后萤火虫i和萤火虫j之间的笛卡尔距离，ρij(t)为在第t次迭代更新后萤火虫j对于萤火虫i的吸引度的历史调节系数，且ρij(t)的值为：
Figure FDA0003801117170000025
μ(t)表示迭代修正系数，且
Figure FDA0003801117170000026
其中，Tmax为最大迭代次数，kij(t)表示在第t次迭代更新后萤火虫i和萤火虫j之间的区域历史统计系数，kij(t)的值为：
Figure FDA0003801117170000027
其中，Ωij(t)表示以位置xi(t)为中心、以rij(t)为半径的球形区域，xj(τ)为萤火虫j在第τ次迭代更新后的位置，f(xj(τ),Ωij(t))为用于位置xj(τ)和区域Ωij(t)之间的区域判断函数，且
Figure FDA0003801117170000028
M表示种群中的萤火虫数，t表示当前迭代次数。
4.根据权利要求3所述的一种基于大数据的糖尿病数字化健康管理系统，其特征在于，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数αij(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure FDA0003801117170000031
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数，yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure FDA0003801117170000032
Figure FDA0003801117170000033
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k＜MK(t)，xl，a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure FDA0003801117170000034
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure FDA0003801117170000035
当θK(t)的值满足：θK(t)＞1时，则随机项系数αij(t)的值为：
Figure FDA0003801117170000036
当θK(t)的值满足：θK(t)≤1时，则随机项系数αij(t)的值为：
Figure FDA0003801117170000037
在上式中，α0为给定的初始随机项系数值，且α0∈[0，1]，ωj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的局部空间系数，ωj(t)的值为：
Figure FDA0003801117170000041
Figure FDA0003801117170000042
xj(t)表示萤火虫j在第t次迭代更新后的位置，δj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的全局寻优系数，δj(t)的值为：
Figure FDA0003801117170000043
其中，
Figure FDA0003801117170000044
表示在第t次迭代更新后萤火虫j在序列LK(t)中的排序，
Figure FDA0003801117170000045
表示序列LK(t)中的第
Figure FDA0003801117170000046
个萤火虫在第t次迭代更新后的位置。
5.根据权利要求1所述一种基于大数据的糖尿病数字化健康管理系统，其特征在于，所述连续血糖监测模块对传感器模块、血糖数据预处理模块、血糖控制模块工作实时监督，保证患者生命体征，在胰岛素治疗过程中，非强化治疗患者每天需要注射2-3次药物，强化治疗患者每日须进行3-4次注射。
6.根据权利要求1所述一种基于大数据的糖尿病数字化健康管理系统，其特征在于，报警模块包括音量键和扩音器，当胰岛素泵开始输注，由报警模块发出开始输注胰岛素的警报声，该警报声为长鸣音，可通过音量键调节警报声大小，警报声持续时长为胰岛素输注时长，提示患者胰岛素泵正在工作，当胰岛素量不足时，发出胰岛素量不足的警报声，该警报声为间断的短促音，直到补充胰岛素后结束警报声，还可通过双击音量键强制中断警报声。
CN202210506725.2A 2022-05-11 2022-05-11 一种基于大数据的糖尿病数字化健康管理系统 Active CN114732402B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210977933.0A CN115274140A (zh) 2022-05-11 2022-05-11 一种基于大数据和人工智能的糖尿病数字化健康管理系统
CN202210506725.2A CN114732402B (zh) 2022-05-11 2022-05-11 一种基于大数据的糖尿病数字化健康管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506725.2A CN114732402B (zh) 2022-05-11 2022-05-11 一种基于大数据的糖尿病数字化健康管理系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210977933.0A Division CN115274140A (zh) 2022-05-11 2022-05-11 一种基于大数据和人工智能的糖尿病数字化健康管理系统

Publications (2)

Publication Number Publication Date
CN114732402A CN114732402A (zh) 2022-07-12
CN114732402B true CN114732402B (zh) 2022-10-25

Family

ID=82285060

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210506725.2A Active CN114732402B (zh) 2022-05-11 2022-05-11 一种基于大数据的糖尿病数字化健康管理系统
CN202210977933.0A Withdrawn CN115274140A (zh) 2022-05-11 2022-05-11 一种基于大数据和人工智能的糖尿病数字化健康管理系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210977933.0A Withdrawn CN115274140A (zh) 2022-05-11 2022-05-11 一种基于大数据和人工智能的糖尿病数字化健康管理系统

Country Status (1)

Country Link
CN (2) CN114732402B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115445022B (zh) * 2022-09-30 2023-08-18 中南大学湘雅二医院 一种智能化的胰岛素泵控制系统
CN116631563B (zh) * 2023-07-21 2023-10-03 北京杏林康云信息科技股份有限公司 一种医药行业大数据存储及智能匹配方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973768A (zh) * 2005-11-28 2007-06-06 中国科学院电子学研究所 用于闭环胰岛素注射的无创血糖仪
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN104520862A (zh) * 2012-06-07 2015-04-15 美敦力迷你迈德公司 用于建议调整胰岛素输注设备的糖尿病治疗管理系统
CN105160199A (zh) * 2015-09-30 2015-12-16 刘毅 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法
CN109284810A (zh) * 2018-08-30 2019-01-29 广西民族大学 一种基于单纯形法的萤火虫方法
CN213219990U (zh) * 2020-07-07 2021-05-18 苏州菲拓生物科技有限公司 基于汗糖连续监测和胰岛素输注的糖尿病患者管理系统
CN113317783A (zh) * 2021-04-20 2021-08-31 港湾之星健康生物(深圳)有限公司 多模个性化纵横校准的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9445757B2 (en) * 2010-12-29 2016-09-20 Medtronic Minimed, Inc. Glycemic health metric determination and application

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973768A (zh) * 2005-11-28 2007-06-06 中国科学院电子学研究所 用于闭环胰岛素注射的无创血糖仪
CN104520862A (zh) * 2012-06-07 2015-04-15 美敦力迷你迈德公司 用于建议调整胰岛素输注设备的糖尿病治疗管理系统
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN105160199A (zh) * 2015-09-30 2015-12-16 刘毅 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法
CN109284810A (zh) * 2018-08-30 2019-01-29 广西民族大学 一种基于单纯形法的萤火虫方法
CN213219990U (zh) * 2020-07-07 2021-05-18 苏州菲拓生物科技有限公司 基于汗糖连续监测和胰岛素输注的糖尿病患者管理系统
CN113317783A (zh) * 2021-04-20 2021-08-31 港湾之星健康生物(深圳)有限公司 多模个性化纵横校准的方法

Also Published As

Publication number Publication date
CN115274140A (zh) 2022-11-01
CN114732402A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114732402B (zh) 一种基于大数据的糖尿病数字化健康管理系统
AU2019217879B2 (en) System and method for decision support
Naber et al. Attachment in toddlers with autism and other developmental disorders
US8150509B2 (en) Systems and methods for drug therapy enhancement using expected pharmacodynamic models
US20060025931A1 (en) Method and apparatus for real time predictive modeling for chronically ill patients
Jeddi et al. Remote patient monitoring using artificial intelligence
JP2006507875A (ja) 患者の健康を自動診断するシステムおよび方法
Georga et al. Data mining for blood glucose prediction and knowledge discovery in diabetic patients: The METABO diabetes modeling and management system
Afsaneh et al. Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review
CN110880362A (zh) 一种大规模医疗数据知识挖掘与治疗方案推荐系统
CN108511070A (zh) 一种糖尿病患者评估及管理系统
EP1810197A2 (en) Method and apparatus for real time predictive modeling for chronically ill patients
Zhu et al. Enhancing self-management in type 1 diabetes with wearables and deep learning
CN111000569B (zh) 一种异常血糖智能认知的监护系统
Do et al. Classification of asthma severity and medication using TensorFlow and multilevel databases
CN113383395A (zh) 用于睡眠障碍识别的决策支持软件系统
WO2022086454A1 (en) System and method for delivering personalized cognitive intervention
AU2022218711A1 (en) Digital therapeutic platform
Shi et al. Artificial neural networks: current applications in modern medicine
WO2021247928A1 (en) Systems for adaptive healthcare support, behavioral intervention, and associated methods
Igbe et al. An absolute magnitude deviation of HRV for the prediction of prediabetes with combined artificial neural network and regression tree methods
CN112466423A (zh) 智能慢病健康管理方法及系统
Kalatzis et al. Interactive dimensionality reduction for improving patient adherence in remote health monitoring
US20230386656A1 (en) Computerized system for the repeated determination of a set of at least one control parameters of a medical device
CN115188474A (zh) 一种基于神经网络的血糖浓度预测及高低血糖预警方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221010

Address after: 510000 room 2501, No. 163, Huangpu Avenue West, Tianhe District, Guangzhou City, Guangdong Province (Part I) (office only) (not for plant use)

Applicant after: CHINESE FOOD ANHONG (GUANGDONG) HEALTH INDUSTRY Co.,Ltd.

Address before: 650300 No. 4, building 54, yunbao reporter village, Taiping South Road, Taiping new town sub district office, Anning City, Kunming City, Yunnan Province

Applicant before: Li Yifei

GR01 Patent grant
GR01 Patent grant