CN115602282A - 血糖监测的指导方法及相关设备 - Google Patents
血糖监测的指导方法及相关设备 Download PDFInfo
- Publication number
- CN115602282A CN115602282A CN202211164648.3A CN202211164648A CN115602282A CN 115602282 A CN115602282 A CN 115602282A CN 202211164648 A CN202211164648 A CN 202211164648A CN 115602282 A CN115602282 A CN 115602282A
- Authority
- CN
- China
- Prior art keywords
- node
- split
- splitting
- optimal
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 239000008280 blood Substances 0.000 title claims abstract description 50
- 210000004369 blood Anatomy 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims abstract description 39
- 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 claims abstract description 26
- 239000008103 glucose Substances 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 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 30
- 102000004877 Insulin Human genes 0.000 description 15
- 108090001061 Insulin Proteins 0.000 description 15
- 229940125396 insulin Drugs 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 206010012601 diabetes mellitus Diseases 0.000 description 9
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229940126701 oral medication Drugs 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请提供一种血糖监测的指导方法及相关设备。所述方法，包括：根据获取的数据样本确定最优分裂节点；根据所述最优分裂节点构建决策树模型；将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。本申请实施例通过完善自身的基本信息以及录入相关的特征节点对应的数值，能够获得从大数据上来说合理的血糖监测建议，最终能够合理选取每一个监测点，在降低对患者的经济和身体上双重负担且保证足以反馈患者病情的基础上，有效指导患者的血糖监测。
Description
技术领域
本申请涉及糖尿病居家管理技术领域，尤其涉及一种血糖监测的指导方法及相关设备。
背景技术
目前对于糖尿病患者在居家进行血糖监测，依靠医生凭借多年从医经验，给患者进行监测建议。
但是依赖医生的经验，则完全由医生的主观判断来决定，没有系统在决策上能够给予建议。而且一周总共56个监测点，如果监测点太少，则不足以反馈患者的血糖情况，监测点过多则会对患者造成经济上与身体上的双重负担。
发明内容
有鉴于此，本申请的目的在于提出一种血糖监测的指导方法及相关设备。
基于上述目的，本申请提供了一种血糖监测的指导方法，包括：
根据获取的数据样本确定最优分裂节点；
根据所述最优分裂节点构建决策树模型；
将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
在一种可能的实现方式中，所述获取的数据样本包括至少两个特征节点；
其中，所述根据获取的数据样本确定最优分裂节点，包括：
计算每一所述特征节点的基尼指数；
将所述基尼指数最小的特征节点作为所述最优分裂节点。
在一种可能的实现方式中，所述根据所述最优分裂节点构建决策树模型，包括：
根据所述最优分裂节点对所述数据样本进行分裂，得到至少两个分裂后节点；
根据所述分裂后节点的监测概率与预设阈值，得到所述分裂后节点的分裂结果；
根据所述分裂结果构建所述决策树模型。
在一种可能的实现方式中，所述分裂结果包括：分裂和不分裂；
其中，所述根据所述分裂后节点的监测概率与预设阈值，得到所述分裂后节点的分裂结果，包括：
响应于所述分裂后节点的监测概率不小于所述预设阈值，得到所述分裂结果为不分裂；
响应于所述分裂后节点的监测概率小于所述预设阈值，得到所述分裂结果为分裂。
在一种可能的实现方式中，所述方法，还包括：
响应于所述分裂后节点的分裂结果为分裂，保留所述数据样本中对应于所述分裂后节点的数据样本，作为新的数据样本；
根据所述新的数据样本确定新的最优分裂节点，以继续构建所述决策树模型。
在一种可能的实现方式中，所述方法，还包括：
响应于所述分裂后节点的分裂结果为不分裂，将所述分裂后节点作为叶子节点，不再进行分裂。
在一种可能的实现方式中，通过下式计算所述基尼指数：
其中，Gini（D,A）表示某个特征节点中的某个类别的总基尼指数，|D|表示数据样本的个数，|D1|表示某个类别的数据样本的个数，Gini(D1)表示某个类别的基尼指数，|D2|表示非某个类别的数据样本的个数，Gini(D1)表示非某个类别的基尼指数。
基于同一发明构思，本说明书一个或多个实施例还提供了一种血糖监测的指导装置，包括：
确定模块，被配置为根据获取的数据样本确定决策树模型中的最优分裂节点；
构建模块，被配置为根据所述最优分裂节点构建决策树模型；
预测模块，被配置为将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，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意一项所述的血糖监测的指导方法。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的血糖监测的指导方法。
从上面所述可以看出，本申请实施例提供的血糖监测的指导方法及相关设备，根据获取的数据样本确定最优分裂节点；根据所述最优分裂节点构建决策树模型；将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。对于居家的糖尿病患者来说，通过完善自身的基本信息以及录入相关的特征节点对应的数值，能够获得从大数据上来说合理的血糖监测建议，最终能够合理选取每一个监测点，在降低对患者的经济和身体上双重负担且保证足以反馈患者病情的基础上，有效指导患者的血糖监测。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的血糖监测的指导方法流程图；
图2为本申请实施例的样本数据表示意图；
图3为本申请实施例的第一次节点分裂示意图；
图4为本申请实施例的分裂后节点的分裂结果示意图；
图5为本申请实施例的新的数据样本表示意图；
图6为本申请实施例的新的最优分裂节点的分裂结果示意图；
图7为本申请实施例的某个患者经决策树模型指导示意图；
图8为本申请实施例的血糖监测的指导装置结构示意图；
图9为本申请实施例的电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，目前对于糖尿病患者居家进行血糖监测基本依靠医生多年的从医经验，来基于患者监测建议，但若仅依赖医生的经验则最终的监测会完全由医生的主观判断来决定，不同医生间的主观判断也存在相应的偏差。而且一周内的监测点太多，在进行监测点选择的时候，如果最后的监测点太少，则无法良好反应患者的血糖情况，若监测点过多，则对于患者的身体和经济上来说会造成双重负担。
综合上述考虑，本申请实施例提出一种血糖监测的指导方法，根据大量数据样本寻找最优分裂节点，进而构建在大数据浇灌下形成的决策树模型，根据该决策树模型得到最终的指导结果。从而使得最终的指导监测血糖意见免于仅依赖医生的主观判断，引入更客观的指导意见，最终能够合理选取每一个监测点，在降低对患者的经济和身体上双重负担且保证足以反馈患者病情的基础上，有效指导患者的血糖监测。
以下，通过具体的实施例来详细说明本申请实施例的技术方案。
参考图1，本申请实施例的血糖监测的指导方法，包括以下步骤：
步骤S101，根据获取的数据样本确定最优分裂节点；
步骤S102，根据所述最优分裂节点构建决策树模型；
步骤S103，将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
针对步骤S101，首先需要确定糖尿病患者在进行血糖监测时的特征节点。
医生在给糖尿病患者制定血糖监测点时，需要考虑的因素非常多，将这些因素归纳总结后得到可能影响血糖监测的特征节点。
在本实施例中，归纳得到的特征节点有：年龄、病程、并发症、BMI、口服药、胰岛素、环比血糖、同比血糖、时段均值、整体达标、本次是否建议监测。需要注意的是，上述归纳得到的特征节点并不限于上述列出的范围，可以根据需要自行选择增减。一般而言，选择的特征节点越多，最终得到的结果就越精确，但数据处理的量也越大，因此在一般情况下，均选取能够代表重要信息的特征节点进行计算。
其中，参考图2，为本申请实施例的样本数据表示意图。可以看出本申请实施例将年龄分为青年、中年和老年、将病程分为新诊、小于5年和大于5年，将并发症分为有并发症和无并发症，将BMI分为正常和肥胖，将口服药分为服用和不服用，将胰岛素分为注射和不注射，将环比血糖分为达标和不达标，将同比血糖分为达标和不达标，将时段均值分为达标和不达标，将整体达标分为达标和不达标。
其中，环比血糖指的是上次监测的血糖，同比血糖指的是上次同时段监测的血糖。
进一步的，计算每个特征节点下每一因素的基尼指数。
在一种可能的实现方式中，通过下式计算所述基尼指数：
其中，Gini（D,A）表示某个特征节点中的某个类别的总基尼指数，|D|表示数据样本的个数，|D1|表示某个类别的数据样本的个数，Gini(D1)表示某个类别的基尼指数，|D2|表示非某个类别的数据样本的个数，Gini(D1)表示非某个类别的基尼指数。
为了下述计算方便，分别以A1-A10依次表示10种因素：年龄、病程、是否有并发症、BMI、是否口服药、是否注射胰岛素、环比血糖是否达标、同比血糖是否达标、时段均值是否达标、整体是否达标。
在本申请实施例中，以15个患者为例，首先计算特征节点A1的基尼系数，A1中有三个类别，青年、中年、老年，样本数量都是5，根据基尼指数公式，假设求Gini(D,A1=青年)的值，其中|D|表示所有样本个数，为15，|D1|表示年龄是青年的样本个数，值为5，|D2|表示年龄不是青年的样本个数，值为10。
则Gini(D1)表示青年这个类别的基尼指数，对应的结果有两种可能，一种是监测，另一种是不监测，代入公式可得：
同理，计算出所有特征节点中每一因素的基尼指数，在本实施例中：
进一步的，从所有的基尼指数中选取基尼指数最小的值的特征节点作为最优分裂节点。在本实施例中，从上述公式可以看出，Gini（D,A6=注射）和Gini（D,A6=不注射）的值最小，那么将胰岛素节点作为最优分裂节点。
进一步的，针对步骤S102，根据最优分裂节点对所述数据样本进行分裂，得到至少两个分裂后节点；
根据所述分裂后节点的监测概率与预设阈值，得到所述分裂后节点的分裂结果；
根据所述分裂结果构建所述决策树模型。
参考图3，为本申请实施例第一次节点分裂示意图。在本实施例中，上述步骤中求得最优分裂节点为胰岛素节点，进一步的，对数据样本进行分裂，得到至少两个分裂后节点，在本实施例中即为不注射节点和注射节点，两个分裂后节点分别代表属于该节点特征的一系列数据样本。至此，构建出经第一次节点分裂后的决策树模型。
进一步的，需要根据分裂后节点的监测概率和预设阈值来得到分裂后节点的分裂结果。
具体的，参考图4，为本申请实施例的分裂后节点的分裂结果示意图。
在本实施例中，可见注射胰岛素的分裂后节点所代表的样本，4个建议监测，0个不建议监测，监测概率为100%，本申请的预设阈值为90%，判断得出监测概率大于预设阈值，则注射胰岛素的分裂后节点的分裂结果为不分裂，不注射胰岛素的分裂后节点所代表的样本，5个建议监测，6个不建议监测，监测概率为45%，判断得出监测概率小于预设阈值，则不注射胰岛素的分裂后节点的分裂结果为分裂。
需要注意的是，当该分裂后节点的分裂结果为不分裂时，该节点会变为叶子节点，不会再向下分裂出其他的分裂后节点。
进一步的，当分裂后节点的分裂结果为分裂时，保留对应节点对应的数据样本，并将其作为新的数据样本。
具体的，参考图5，为本申请实施例的新的数据样本表示意图。
从图5中可以看出，变浅的部分即为注射胰岛素节点所包括的数据样本，而颜色深的部分为不用注射胰岛素节点所包括的数据样本，即为分解结果为分裂所对应的分裂后节点对应的数据样本，为本实施例对应的新的数据样本。
进一步的，根据新的数据样本来确定新的最优分裂节点，以继续构建决策树模型。
具体的，在本实施例中，继续计算新的数据样本中的特征节点的基尼系数：
从上述计算结果可得知，Gini(D,A9=达标)=0.27与Gini(D,A9=不达标)=0.27值最小，所以特征节点A9（该时段均值是否达标）作为新的最优分裂节点。
参考图6，为本申请实施例的新的最优分裂节点的分裂结果示意图。
从图6中可以看出，决策树从不注射的分裂后节点后计算得到新的最优分裂节点：时段均值，新的最优分裂节点分裂后形成的新的分裂后节点分别为达标和不达标，其中，不达标的新的分裂后节点中，监测概率为100%，大于90%，因此其作为新的叶子节点，而达标的新的分裂后节点，监测概率为25%。相应的，进一步以达标对应的分裂后节点对应的数据样本作为新的数据样本进行后续的分裂，以继续构建决策树模型。
在本实施例中，因后续构建决策树的步骤与前述步骤相似，故在此不再赘述，并以上述步骤最后构建成的决策树为例，展示预测过程。
参考图7，为本申请实施例的某个患者经决策树模型指导示意图。
针对步骤S103，具体的，本申请实施例浇灌得到的决策树模型中的最优分裂节点为胰岛素和时段均值，对应的，首先判断该患者是否注射了胰岛素，而图7中示出的患者，其注射胰岛素，因此可以直接得出结论，指导建议该患者监测血糖。相应的，若该患者并未注射胰岛素，则需要进一步判断其时段均值是否达标，从图7中可以看出，其时段均值不达标，因此得出指导为建议监测血糖。
需要注意的是，对于本申请而言，在实际应用过程中，是以大量数据对决策树模型进行浇灌的，且从实际经验中提取出的特征节点也可以相应的增加，相应的，最终的决策树模型的预测结果的指导意见的科学性也会相应的提升。
通过上述实施例可以看出，本申请实施例所述的血糖检测的指导方法，根据大量数据样本寻找最优分裂节点，进而构建在大数据浇灌下形成的决策树模型，根据该决策树模型得到最终的指导结果。从而使得最终的指导监测血糖意见免于仅依赖医生的主观判断，引入更客观的指导意见，最终能够合理选取每一个监测点，在降低对患者的经济和身体上双重负担且保证足以反馈患者病情的基础上，有效指导患者的血糖监测。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种血糖监测的指导装置。
参考图8，所述血糖监测的指导装置，包括：
确定模块81，被配置为根据获取的数据样本确定最优分裂节点；
构建模块82，被配置为根据所述最优分裂节点构建决策树模型；
预测模块83，被配置为将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的血糖监测的指导方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的血糖监测的指导方法。
图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的血糖监测的指导方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的血糖监测的指导方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的血糖监测的指导方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围（包括权利要求）被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种血糖监测的指导方法，其特征在于，包括：
根据获取的数据样本确定最优分裂节点；
根据所述最优分裂节点构建决策树模型；
将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
2.根据权利要求1所述的方法，其特征在于，所述获取的数据样本包括至少两个特征节点；
其中，所述根据获取的数据样本确定最优分裂节点，包括：
计算每一所述特征节点的基尼指数；
将所述基尼指数最小的特征节点作为所述最优分裂节点。
3.根据权利要求1所述的方法，其特征在于，所述根据所述最优分裂节点构建决策树模型，包括：
根据所述最优分裂节点对所述数据样本进行分裂，得到至少两个分裂后节点；
根据所述分裂后节点的监测概率与预设阈值，得到所述分裂后节点的分裂结果；
根据所述分裂结果构建所述决策树模型。
4.根据权利要求3所述的方法，其特征在于，所述分裂结果包括：分裂和不分裂；
其中，所述根据所述分裂后节点的监测概率与预设阈值，得到所述分裂后节点的分裂结果，包括：
响应于所述分裂后节点的监测概率不小于所述预设阈值，得到所述分裂结果为不分裂；
响应于所述分裂后节点的监测概率小于所述预设阈值，得到所述分裂结果为分裂。
5.根据权利要求4所述的方法，其特征在于，所述方法，还包括：
响应于所述分裂后节点的分裂结果为分裂，保留所述数据样本中对应于所述分裂后节点的数据样本，作为新的数据样本；
根据所述新的数据样本确定新的最优分裂节点，以继续构建所述决策树模型。
6.根据权利要求4所述的方法，其特征在于，所述方法，还包括：
响应于所述分裂后节点的分裂结果为不分裂，将所述分裂后节点作为叶子节点，不再进行分裂。
7.根据权利要求2所述的方法，其特征在于，通过下式计算所述基尼指数：
其中，Gini（D,A）表示某个特征节点中的某个类别的总基尼指数，|D|表示数据样本的个数，|D1|表示某个类别的数据样本的个数，Gini(D1)表示某个类别的基尼指数，|D2|表示非某个类别的数据样本的个数，Gini(D1)表示非某个类别的基尼指数。
8.一种血糖监测的指导装置，其特征在于，包括：
确定模块，被配置为根据获取的数据样本确定最优分裂节点；
构建模块，被配置为根据所述最优分裂节点构建决策树模型；
预测模块，被配置为将待指导的数据信息输入所述决策树模型中，得到所述数据信息对应的指导结果。
9.一种电子设备，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7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211164648.3A CN115602282A (zh) | 2022-09-23 | 2022-09-23 | 血糖监测的指导方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211164648.3A CN115602282A (zh) | 2022-09-23 | 2022-09-23 | 血糖监测的指导方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115602282A true CN115602282A (zh) | 2023-01-13 |
Family
ID=84845905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211164648.3A Pending CN115602282A (zh) | 2022-09-23 | 2022-09-23 | 血糖监测的指导方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115602282A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084377A (zh) * | 2019-04-30 | 2019-08-02 | 京东城市(南京)科技有限公司 | 用于构建决策树的方法和装置 |
| CN112395273A (zh) * | 2019-08-15 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据处理方法及装置、存储介质 |
| CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
| CN113936765A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 周期行为报告的生成方法及装置、存储介质、电子设备 |
| CN114330476A (zh) * | 2021-11-02 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 用于媒体内容识别的模型训练方法及媒体内容识别方法 |
-
2022
- 2022-09-23 CN CN202211164648.3A patent/CN115602282A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084377A (zh) * | 2019-04-30 | 2019-08-02 | 京东城市(南京)科技有限公司 | 用于构建决策树的方法和装置 |
| CN112395273A (zh) * | 2019-08-15 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据处理方法及装置、存储介质 |
| CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
| CN114330476A (zh) * | 2021-11-02 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 用于媒体内容识别的模型训练方法及媒体内容识别方法 |
| CN113936765A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 周期行为报告的生成方法及装置、存储介质、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wagner et al. | PTB-XL, a large publicly available electrocardiography dataset | |
| US11210292B2 (en) | Search method and apparatus | |
| US20230215556A1 (en) | Systems and Methods for Optimizing Medical Care Through Data Monitoring and Feedback Treatment | |
| TWI667629B (zh) | 一種用以操作一糖尿病管理系統的方法 | |
| US8768673B2 (en) | Computer-implemented system and method for improving glucose management through cloud-based modeling of circadian profiles | |
| US11587653B2 (en) | Graphical user interface for tracking and displaying patient information over the course of care | |
| WO2013097929A1 (en) | A handheld diabetes manager with a personal data module | |
| CN111631729B (zh) | 一种基于多模融合的低血糖预测方法和系统 | |
| Cichosz et al. | Combining information of autonomic modulation and CGM measurements enables prediction and improves detection of spontaneous hypoglycemic events | |
| Patra et al. | Optimal H∞ insulin injection control for blood glucose regulation in IDDM patient using physiological model | |
| CN111631730A (zh) | 基于传感数据和生理信息融合的低血糖预警方法和系统 | |
| EP2828780A1 (en) | Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring | |
| US20230329650A1 (en) | Medical monitoring systems and methods | |
| CN117198512B (zh) | 给药量预测方法及相关装置、设备和存储介质 | |
| Calvo et al. | A methodology to analyze heart data using fuzzy automata | |
| CN103263258A (zh) | 一种多功能医疗仪器 | |
| CN115602282A (zh) | 血糖监测的指导方法及相关设备 | |
| CN116798640A (zh) | 患者行为预测方法、装置、计算机设备及存储介质 | |
| US20230010826A1 (en) | Control of a therapeutic delivery system | |
| EP3767636B1 (en) | User interface for patient risk analysis system | |
| Squara et al. | Toward intelligent hemodynamic monitoring: a functional approach | |
| Lederer et al. | The importance of data quality control in using Fitbit device data from the All of us research program | |
| Singh et al. | Modified multiscale entropy in HRV for automatic selection of threshold value r | |
| CN115394440A (zh) | 基于模型融合的葡萄糖浓度预测方法及相关设备 | |
| CN117357132B (zh) | 一种基于多层脑网络节点参与系数的任务执行方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230113 |