CN115841874B - 一种连续血糖数据长期监测方法和系统 - Google Patents
一种连续血糖数据长期监测方法和系统 Download PDFInfo
- Publication number
- CN115841874B CN115841874B CN202211636712.3A CN202211636712A CN115841874B CN 115841874 B CN115841874 B CN 115841874B CN 202211636712 A CN202211636712 A CN 202211636712A CN 115841874 B CN115841874 B CN 115841874B
- Authority
- CN
- China
- Prior art keywords
- data
- original
- blood sugar
- blood glucose
- cgm
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 521
- 210000004369 blood Anatomy 0.000 title claims abstract description 521
- 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 252
- 239000008103 glucose Substances 0.000 title claims abstract description 252
- 238000012544 monitoring process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000007774 longterm Effects 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 22
- 235000021152 breakfast Nutrition 0.000 claims description 116
- 235000012054 meals Nutrition 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种连续血糖数据长期监测方法和系统，涉及血糖监测的技术领域，包括获取若干个正常人的原始CGM数据集，并划分用餐区间原始血糖数据和稳态区间原始血糖数据；获取监测对象连续两天的真实血糖数据，根据前一天的真实血糖数据，构建监测对象的若干个CGM数据集；之后输入长短期记忆人工神经网络，输出对应的血糖预测数据，结合后一天的真实血糖数据，计算对应的预测精度平均百分比误差；将百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集，输入长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。本发明实现了短期微创长期无创、贴合实际、高精度的连续血糖监测。
Description
技术领域
本发明涉及血糖监测的技术领域，更具体地，涉及一种连续血糖数据长期监测方法和系统。
背景技术
糖尿病是一种影响全球数十亿人的慢性终身疾病损害者人们的幸福与生活。血糖监测是糖尿病患者的重要监测指标之一。随着人工智能技术和大数据技术的不断应用和发展，随着人们健康疗养意识的进一步提高和医疗服务行业的强烈需求，血糖预测引起了业界和学术界的广泛关注。如今的血糖监测方式主要有基于血糖仪的患者自我监测、基于葡萄糖传感器的连续血糖监测，以及在学术界被大量探讨的基于光电容积脉搏波PPG信号和信号处理技术的血糖监测方法。基于血糖仪的患者自我监测方法能测得比较准确的血糖值，但对人体有伤害的，并且存在需要按时采样、工序麻烦等缺点；基于葡萄糖监测器的连续血糖监测方法(CGM)通过微创的方式采集人体的连续血糖监测信息，且医用和家用的葡萄糖传感器通常只能连续使用14天。如果以此长期监测自身血糖情况，难免要付出不低的经济代价。近年来提出的基于光电容积脉搏波PPG信号和信号处理技术的血糖监测方法，是通过一个带有PPG光源的手环式设备去连续测量人体的血糖情况，实现了对血糖情况的无创监测。但此技术还处在初级阶段，市面上较少成型产品，即使是科研界研究用的PPG光源的手环式设备在测量血糖真实值时，预测精度MARD(平均百分比误差)较高，难以控制在20％以内，并且成本造价高昂，无法在短期内实现普及。
现有技术公开了一种血糖预测方法和装置、监测血糖水平的系统，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；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。现有技术基于每次对用户的血糖采样和采样时的场景，获得血糖预测数据，无法实现长期连续血糖数据监测，并且工序繁琐，监测精度低。
发明内容
本发明为克服上述现有技术无法实现对血糖数据长期高精度监测的缺陷，提供一种连续血糖数据长期监测方法和系统，能够实现对连续血糖数据高精度监测。
为解决上述技术问题，本发明的技术方案如下：
本发明提供了一种连续血糖数据长期监测方法，包括：
S1：获取若干个正常人的原始CGM数据集；
S2：将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据；
S3：获取监测对象连续两天的真实血糖数据；
S4：根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；
S5：将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
S6：利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
S7：将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
S8：将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
优选地，所述步骤S2中，将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据的具体方法为：
每个原始CGM数据集是正常人一天24小时的血糖数据集，对每个原始CGM数据集，用餐区间原始血糖数据包括早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据；其中，7点-9点为早餐区间，早餐区间原始血糖数据记为X早，早餐区间原始血糖数据最大值记为X早max，早餐区间原始血糖数据最大值前、后15分钟血糖数据记为X早f15,X早b15；11点-14点为午餐区间，午餐区间原始血糖数据记为X午，午餐区间原始血糖数据最大值记为X午max，午餐区间原始血糖数据最大值前、后15分钟血糖数据记为X午f15,X午b15；17点-20点为晚餐区间，晚餐区间原始血糖数据记为X晚，晚餐区间原始血糖数据最大值记为X晚max，晚餐区间原始血糖数据最大值前、后15分钟血糖数据记为X晚f15,X晚b15；一天中的其余时间段为稳态区间，稳态区间原始血糖数据记为X稳，每个原始CGM数据集中出现次数最多的血糖数据记为Xnorm。
优选地，所述步骤S3中，获取监测对象连续两天的真实血糖数据包括：
获取监测对象连续两天中，每天的早餐时间、早餐前血糖数据X早餐前、早餐后血糖数据X早餐后、午餐时间、午餐前血糖数据X午餐前、午餐后血糖数据X午餐后、晚餐时间、晚餐前血糖数据X晚餐前、晚餐后血糖数据X晚餐后和睡前血糖数据X睡前。
优选地，所述步骤S4的具体步骤为：
S4.1：以监测对象连续两天中的前一天早餐时间、午餐时间和晚餐时间作为新波峰位置，以原始CGM数据集中早餐区间原始血糖数据最大值X早max、午餐区间原始血糖数据最大值X午max和晚餐区间原始血糖数据最大值X晚max作为原波峰位置，将早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据均从原波峰位置平移至新波峰位置；
S4.2：根据原始CGM数据集中早餐区间原始血糖数据、早餐区间始血糖数据最大值前15分钟血糖数据、早餐区间始血糖数据最大值后15分钟血糖数据和监测对象连续两天中的前一天的早餐前血糖数据、早餐后血糖数据，构造监测对象早餐区间血糖数据；
S4.3：利用与步骤S4.2相同的方法，构造监测对象午餐区间数据和监测对象晚餐区间血糖数据；
S4.4：根据原始CGM数据集中稳态区间原始血糖数据、整个原始CGM数据集出现次数最多的血糖数据和监测对象连续两天中的前一天的睡前血糖数据，构造监测对象稳态区间血糖数据；
S4.5：将监测对象早餐区间血糖数据、出监测对象午餐区间数据、监测对象晚餐区间血糖数据和监测对象稳态区间血糖数据拼接，获得监测对象CGM数据集；
S4.6：对每个原始CGM数据集重复步骤S4.1-S4.5，获得监测对象若干个CGM数据集。
优选地，所述步骤S4.2中，构造监测对象早餐区间血糖数据的具体方法为：
式中，表示监测对象第m个早餐区间血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值后15分钟血糖数据，m＝1,2,…,M，M表示原始CGM数据集数量；/>表示监测对象连续两天中的前一天早餐前血糖数据，/>表示监测对象连续两天中的前一天早餐后血糖数据。
优选地，所述步骤S4.3中，构造监测对象午餐区间数据和监测对象晚餐区间血糖数据的具体方法为：
式中，表示监测对象第m个午餐区间血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天午餐前血糖数据，/>表示监测对象连续两天中的前一天午餐后血糖数据；/>表示监测对象第m个晚餐区间血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天晚餐前血糖数据，/>表示监测对象连续两天中的前一天晚餐后血糖数据。
优选地，所述步骤S4.4中，构造监测对象稳态区间血糖数据的具体方法为：
式中，表示监测对象第m个稳态区间血糖数据，/>表示第m个原始CGM数据集中稳态区间原始血糖数据，/>表示第m个原始CGM数据集出现次数最多的血糖数据，表示监测对象连续两天中的前一天睡前血糖数据。
优选地，所述步骤S5中，血糖预测数据包括早餐区间最大值前15分钟预测血糖数据、早餐区间最大值后15分钟预测血糖数据、午餐区间最大值前15分钟预测血糖数据、午餐区间最大值后15分钟预测血糖数据、晚餐区间最大值前15分钟预测血糖数据、晚餐区间最大值后15分钟预测血糖数据和出现次数最多的预测血糖数据，依次记为Mpre,i，i＝1,2,…,N，N＝7，N表示血糖数据的数量。
优选地，所述步骤S6中，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差的具体方法为：
监测对象连续两天中后一天的血糖真实数据包括早餐前血糖数据、早餐后血糖数据、午餐前血糖数据、午餐后血糖数据、晚餐前血糖数据、晚餐后血糖数据和睡前血糖数据，依次记为Xreal,，其中i＝1,2,…,N，N＝7，N表示血糖数据的数量；则预测精度平均百分比误差的计算公式为：
式中，MARDm表示监测对象第m个CGM数据集对应的预测精度平均百分比误差，表示监测对象第m个CGM数据集第i个血糖预测数据。
本发明还提供了一种连续血糖数据长期监测系统，用于实现上述的连续血糖数据长期监测方法，所述系统包括：
原始CGM数据集获取模块，用于获取若干个正常人的原始CGM数据集；
CGM数据集处理模块，用于将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据；
监测对象数据获取模块，用于获取监测对象连续两天的真实血糖数据；
监测对象CGM数据集构建模块，用于根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；
血糖数据预测模块，用于将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
误差计算模块，利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
监测对象CGM数据集优选模块，用于将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
连续血糖数据监测模块，用于将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
与现有技术相比，本发明技术方案的有益效果是：
本发明利用若干个正常人的原始CGM数据集作为基础数据，考虑真实场景中，人体血糖在进食后达到峰值，其余时刻在稳态值附近波动，故将原始CGM数据集划分用餐区间原始血糖数据和稳态区间原始血糖数据；之后获取监测对象连续两天的真实血糖数据，利用前一天的真实血糖数据结合每个原始CGM数据集构造监测对象的若干个CGM数据集；然后利用长短期记忆人工神经网络进行血糖预测，获得监测对象的每个CGM数据集对应的血糖预测数据，分别与监测对象后一天的真实血糖数据计算预测精度平均百分比误差，预测精度平均百分比误差最小的监测对象CGM数据集即为最贴合监测对象实际情况的数据集，将其选做监测对象的最终CGM数据集；最后将最终CGM数据集输入长短期记忆人工神经网络，输出长期的血糖预测数据，实现短期微创长期无创、贴合实际、高精度的血糖监测。
附图说明
图1为实施例1所述的一种连续血糖数据长期监测方法的流程图。
图2为实施例2所述的现有的长短期记忆人工神经网络的结构示意图。
图3为实施例3所述的一种连续血糖数据长期监测系统的结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供了一种连续血糖数据长期监测方法，如图1所示，包括：
S1：获取若干个正常人的原始CGM数据集；
S2：将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据；
S3：获取监测对象连续两天的真实血糖数据；
S4：根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；
S5：将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
S6：利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
S7：将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
S8：将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
在具体实施过程中，本实施例基于以下两个基本理论：
1)微创的连续血糖监测(CGM)可以得到一个基于连续时间采样的时序信号，对CGM数据的预测工作可以去预估监测对象血糖的走势，达到对个体血糖的监测；
2)正常人体的能量代谢遵从一定的规律，人体的血糖通常时刻会在一个稳态值附近波动，而在早中晚三餐用餐后达峰值；
基于以上两个基本理论，本实施例利用若干个正常人的原始CGM数据集作为基础数据，考虑真实场景中，人体血糖在进食后达到峰值，其余时刻在稳态值附近波动，故将原始CGM数据集划分用餐区间原始血糖数据和稳态区间原始血糖数据；之后获取监测对象连续两天的真实血糖数据，利用前一天的真实血糖数据结合每个原始CGM数据集构造监测对象的若干个CGM数据集；然后利用长短期记忆人工神经网络进行血糖预测，获得监测对象的每个CGM数据集对应的血糖预测数据，分别与监测对象后一天的真实血糖数据计算预测精度平均百分比误差，预测精度平均百分比误差最小的监测对象CGM数据集即为最贴合监测对象实际情况的数据集，将其选做监测对象的最终CGM数据集；最后将最终CGM数据集输入长短期记忆人工神经网络，输出长期的血糖预测数据，实现短期微创长期无创、贴合实际、高精度的血糖监测。
实施例2
本实施例提供了一种连续血糖数据长期监测方法，包括：
S1：获取若干个正常人的原始CGM数据集；
S2：将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据；具体的：
每个原始CGM数据集是正常人一天24小时的血糖数据集，对每个原始CGM数据集，用餐区间原始血糖数据包括早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据；其中，7点-9点为早餐区间，早餐区间原始血糖数据记为X早，早餐区间原始血糖数据最大值记为X早max，早餐区间原始血糖数据最大值前、后15分钟血糖数据记为X早f15,X早b15；11点-14点为午餐区间，午餐区间原始血糖数据记为X午，午餐区间原始血糖数据最大值记为X午max，午餐区间原始血糖数据最大值前、后15分钟血糖数据记为X午f15,X午b15；17点-20点为晚餐区间，晚餐区间原始血糖数据记为X晚，晚餐区间原始血糖数据最大值记为X晚max，晚餐区间原始血糖数据最大值前、后15分钟血糖数据记为X晚f15,X晚b15；一天中的其余时间段为稳态区间，稳态区间原始血糖数据记为X稳，每个原始CGM数据集中出现次数最多的血糖数据记为Xnorm。
S3：获取监测对象连续两天的真实血糖数据；具体的：
获取监测对象连续两天中，每天的早餐时间、早餐前血糖数据X早餐前、早餐后血糖数据X早餐后、午餐时间、午餐前血糖数据X午餐前、午餐后血糖数据X午餐后、晚餐时间、晚餐前血糖数据X晚餐前、晚餐后血糖数据X晚餐后和睡前血糖数据X睡前。
S4：根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；具体步骤为：
S4.1：以监测对象连续两天中的前一天早餐时间、午餐时间和晚餐时间作为新波峰位置，以原始CGM数据集中早餐区间原始血糖数据最大值X早max、午餐区间原始血糖数据最大值X午max和晚餐区间原始血糖数据最大值X晚max作为原波峰位置，将早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据均从原波峰位置平移至新波峰位置；
S4.2：根据原始CGM数据集中早餐区间原始血糖数据、早餐区间始血糖数据最大值前15分钟血糖数据、早餐区间始血糖数据最大值后15分钟血糖数据和监测对象连续两天中的前一天的早餐前血糖数据、早餐后血糖数据，构造监测对象早餐区间血糖数据；具体方法为：
式中，表示监测对象第m个早餐区间血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值后15分钟血糖数据，m＝1,2,…,M，M表示原始CGM数据集数量；/>表示监测对象连续两天中的前一天早餐前血糖数据，/>表示监测对象连续两天中的前一天早餐后血糖数据；
S4.3：利用与步骤S4.2相同的方法，构造监测对象午餐区间数据和监测对象晚餐区间血糖数据；具体方法为：
式中，表示监测对象第m个午餐区间血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天午餐前血糖数据，/>表示监测对象连续两天中的前一天午餐后血糖数据；/>表示监测对象第m个晚餐区间血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天晚餐前血糖数据，/>表示监测对象连续两天中的前一天晚餐后血糖数据。
S4.4：根据原始CGM数据集中稳态区间原始血糖数据、整个原始CGM数据集出现次数最多的血糖数据和监测对象连续两天中的前一天的睡前血糖数据，构造监测对象稳态区间血糖数据；
具体方法为：
式中，表示监测对象第m个稳态区间血糖数据，/>表示第m个原始CGM数据集中稳态区间原始血糖数据，/>表示第m个原始CGM数据集出现次数最多的血糖数据，表示监测对象连续两天中的前一天睡前血糖数据。
S4.5：将监测对象早餐区间血糖数据、监测对象午餐区间数据、监测对象晚餐区间血糖数据和监测对象稳态区间血糖数据拼接，获得监测对象CGM数据集；
S4.6：对每个原始CGM数据集重复步骤S4.1-S4.5，获得监测对象若干个CGM数据集。
S5：将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
血糖预测数据包括早餐区间最大值前15分钟预测血糖数据、早餐区间最大值后15分钟预测血糖数据、午餐区间最大值前15分钟预测血糖数据、午餐区间最大值后15分钟预测血糖数据、晚餐区间最大值前15分钟预测血糖数据、晚餐区间最大值后15分钟预测血糖数据和出现次数最多的预测血糖数据，依次记为Xpre,i，i＝1,2,…,N，N＝7，N表示血糖数据的数量。
如图2所示，长短期记忆人工神经网络适用于处理和预测时间序列中具有长间隔和延迟的重要事件，主要用来描述当前数据与之前输入数据之间的关系；利用其记忆能力来保存输入网络之前的状态信息，利用之前的状态信息来影响后续数据的准确值和发展趋势，在血糖预测中表现优异，可以有效降低预测精度平均百分比误差；
S6：利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
具体方法为：
监测对象连续两天中后一天的血糖真实数据包括早餐前血糖数据、早餐后血糖数据、午餐前血糖数据、午餐后血糖数据、晚餐前血糖数据、晚餐后血糖数据和睡前血糖数据，依次记为Xreal,，其中i＝1,2,…,N，N＝7，N表示血糖数据的数量；则预测精度平均百分比误差的计算公式为：
式中，MARDm表示监测对象第m个CGM数据集对应的预测精度平均百分比误差，表示监测对象第m个CGM数据集第i个血糖预测数据。
S7：将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
S8：将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
实施例3
本实施例提供了一种连续血糖数据长期监测系统，用于实现实施例1或2所述的连续血糖数据长期监测方法，如图3所示，所述系统包括：
原始CGM数据集获取模块，用于获取若干个正常人的原始CGM数据集；
CGM数据集处理模块，用于将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据；
监测对象数据获取模块，用于获取监测对象连续两天的真实血糖数据；
监测对象CGM数据集构建模块，用于根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；
血糖数据预测模块，用于将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
误差计算模块，利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
监测对象CGM数据集优选模块，用于将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
连续血糖数据监测模块，用于将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种连续血糖数据长期监测方法，其特征在于，包括：
S1：获取若干个正常人的原始CGM数据集；
S2：将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据，具体方法为：
每个原始CGM数据集是正常人一天24小时的血糖数据集，对每个原始CGM数据集，用餐区间原始血糖数据包括早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据；其中，7点-9点为早餐区间，早餐区间原始血糖数据记为X早，早餐区间原始血糖数据最大值记为X早max，早餐区间原始血糖数据最大值前、后15分钟血糖数据记为X早f15,X早b15；11点-14点为午餐区间，午餐区间原始血糖数据记为X午，午餐区间原始血糖数据最大值记为X午max，午餐区间原始血糖数据最大值前、后15分钟血糖数据记为X午f15,X午b15；17点-20点为晚餐区间，晚餐区间原始血糖数据记为X晚，晚餐区间原始血糖数据最大值记为X晚max，晚餐区间原始血糖数据最大值前、后15分钟血糖数据记为X晚f15,X晚b15；一天中的其余时间段为稳态区间，稳态区间原始血糖数据记为X稳，每个原始CGM数据集中出现次数最多的血糖数据记为Xnorm；
S3：获取监测对象连续两天的真实血糖数据，包括：
获取监测对象连续两天中，每天的早餐时间、早餐前血糖数据X早餐前、早餐后血糖数据X早餐后、午餐时间、午餐前血糖数据X午餐前、午餐后血糖数据X午餐后、晚餐时间、晚餐前血糖数据X晚餐前、晚餐后血糖数据X晚餐后和睡前血糖数据X睡前；
S4：根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集，具体步骤为：
S4.1：以监测对象连续两天中的前一天早餐时间、午餐时间和晚餐时间作为新波峰位置，以原始CGM数据集中早餐区间原始血糖数据最大值X早max、午餐区间原始血糖数据最大值X午max和晚餐区间原始血糖数据最大值X晚max作为原波峰位置，将早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据均从原波峰位置平移至新波峰位置；
S4.2：根据原始CGM数据集中早餐区间原始血糖数据、早餐区间始血糖数据最大值前15分钟血糖数据、早餐区间始血糖数据最大值后15分钟血糖数据和监测对象连续两天中的前一天的早餐前血糖数据、早餐后血糖数据，构造监测对象早餐区间血糖数据；具体方法为：
式中，表示监测对象第m个早餐区间血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值后15分钟血糖数据，m＝1,2,…,M，M表示原始CGM数据集数量；/>表示监测对象连续两天中的前一天早餐前血糖数据，/>表示监测对象连续两天中的前一天早餐后血糖数据；
S4.3：利用与步骤S4.2相同的方法，构造监测对象午餐区间数据和监测对象晚餐区间血糖数据；具体方法为：
式中，表示监测对象第m个午餐区间血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天午餐前血糖数据，/>表示监测对象连续两天中的前一天午餐后血糖数据；/>表示监测对象第m个晚餐区间血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天晚餐前血糖数据，/>表示监测对象连续两天中的前一天晚餐后血糖数据；
S4.4：根据原始CGM数据集中稳态区间原始血糖数据、整个原始CGM数据集出现次数最多的血糖数据和监测对象连续两天中的前一天的睡前血糖数据，构造监测对象稳态区间血糖数据；具体方法为：
式中，表示监测对象第m个稳态区间血糖数据，/>表示第m个原始CGM数据集中稳态区间原始血糖数据，/>表示第m个原始CGM数据集出现次数最多的血糖数据，/>表示监测对象连续两天中的前一天睡前血糖数据；
S4.5：将监测对象早餐区间血糖数据、监测对象午餐区间数据、监测对象晚餐区间血糖数据和监测对象稳态区间血糖数据拼接，获得监测对象CGM数据集；
S4.6：对每个原始CGM数据集重复步骤S4.1-S4.5，获得监测对象若干个CGM数据集；
S5：将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
S6：利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
S7：将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
S8：将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
2.根据权利要求1所述的连续血糖数据长期监测方法，其特征在于，所述步骤S5中，血糖预测数据包括早餐区间最大值前15分钟预测血糖数据、早餐区间最大值后15分钟预测血糖数据、午餐区间最大值前15分钟预测血糖数据、午餐区间最大值后15分钟预测血糖数据、晚餐区间最大值前15分钟预测血糖数据、晚餐区间最大值后15分钟预测血糖数据和出现次数最多的预测血糖数据，依次记为Xpre,i，i＝1,2,…,N，N＝7，N表示血糖数据的数量。
3.根据权利要求2所述的连续血糖数据长期监测方法，其特征在于，所述步骤S6中，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差的具体方法为：
监测对象连续两天中后一天的血糖真实数据包括早餐前血糖数据、早餐后血糖数据、午餐前血糖数据、午餐后血糖数据、晚餐前血糖数据、晚餐后血糖数据和睡前血糖数据，依次记为Xreal,i，其中i＝1,2,…,N，N＝7，N表示血糖数据的数量；则预测精度平均百分比误差的计算公式为：
式中，MARDm表示监测对象第m个CGM数据集对应的预测精度平均百分比误差，表示监测对象第m个CGM数据集第i个血糖预测数据。
4.一种连续血糖数据长期监测系统，用于实现权利要求1-3任意一项所述的连续血糖数据长期监测方法，其特征在于，所述系统包括：
原始CGM数据集获取模块，用于获取若干个正常人的原始CGM数据集；
CGM数据集处理模块，用于将每个原始CGM数据集按照用餐时间划分用餐区间原始血糖数据和稳态区间原始血糖数据，具体的：
每个原始CGM数据集是正常人一天24小时的血糖数据集，对每个原始CGM数据集，用餐区间原始血糖数据包括早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据；其中，7点-9点为早餐区间，早餐区间原始血糖数据记为X早，早餐区间原始血糖数据最大值记为X早max，早餐区间原始血糖数据最大值前、后15分钟血糖数据记为X早f15,X早b15；11点-14点为午餐区间，午餐区间原始血糖数据记为X午，午餐区间原始血糖数据最大值记为X午max，午餐区间原始血糖数据最大值前、后15分钟血糖数据记为X午f15,X午b15；17点-20点为晚餐区间，晚餐区间原始血糖数据记为X晚，晚餐区间原始血糖数据最大值记为X晚max，晚餐区间原始血糖数据最大值前、后15分钟血糖数据记为X晚f15,X晚b15；一天中的其余时间段为稳态区间，稳态区间原始血糖数据记为X稳，每个原始CGM数据集中出现次数最多的血糖数据记为Xnorm；
监测对象数据获取模块，用于获取监测对象连续两天的真实血糖数据，包括：
获取监测对象连续两天中，每天的早餐时间、早餐前血糖数据X早餐前、早餐后血糖数据X早餐后、午餐时间、午餐前血糖数据X午餐前、午餐后血糖数据X午餐后、晚餐时间、晚餐前血糖数据X晚餐前、晚餐后血糖数据X晚餐后和睡前血糖数据X睡前；
监测对象CGM数据集构建模块，用于根据监测对象连续两天中的前一天的真实血糖数据，分别结合用餐区间原始血糖数据和稳态原始血糖数据，构建监测对象的若干个CGM数据集；具体的：
以监测对象连续两天中的前一天早餐时间、午餐时间和晚餐时间作为新波峰位置，以原始CGM数据集中早餐区间原始血糖数据最大值X早max、午餐区间原始血糖数据最大值X午max和晚餐区间原始血糖数据最大值X晚max作为原波峰位置，将早餐区间原始血糖数据、午餐区间原始血糖数据和晚餐区间原始血糖数据均从原波峰位置平移至新波峰位置；
根据原始CGM数据集中早餐区间原始血糖数据、早餐区间始血糖数据最大值前15分钟血糖数据、早餐区间始血糖数据最大值后15分钟血糖数据和监测对象连续两天中的前一天的早餐前血糖数据、早餐后血糖数据，构造监测对象早餐区间血糖数据；具体方法为：
式中，表示监测对象第m个早餐区间血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中早餐区间原始血糖数据最大值后15分钟血糖数据，m＝1,2,…,M，M表示原始CGM数据集数量；/>表示监测对象连续两天中的前一天早餐前血糖数据，/>表示监测对象连续两天中的前一天早餐后血糖数据；
构造监测对象午餐区间数据和监测对象晚餐区间血糖数据；具体方法为：
式中，表示监测对象第m个午餐区间血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中午餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天午餐前血糖数据，/>表示监测对象连续两天中的前一天午餐后血糖数据；/>表示监测对象第m个晚餐区间血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值前15分钟血糖数据，/>表示第m个原始CGM数据集中晚餐区间原始血糖数据最大值后15分钟血糖数据，/>表示监测对象连续两天中的前一天晚餐前血糖数据，/>表示监测对象连续两天中的前一天晚餐后血糖数据；
根据原始CGM数据集中稳态区间原始血糖数据、整个原始CGM数据集出现次数最多的血糖数据和监测对象连续两天中的前一天的睡前血糖数据，构造监测对象稳态区间血糖数据；具体方法为：
式中，表示监测对象第m个稳态区间血糖数据，/>表示第m个原始CGM数据集中稳态区间原始血糖数据，/>表示第m个原始CGM数据集出现次数最多的血糖数据，/>表示监测对象连续两天中的前一天睡前血糖数据；
将监测对象早餐区间血糖数据、监测对象午餐区间数据、监测对象晚餐区间血糖数据和监测对象稳态区间血糖数据拼接，获得监测对象CGM数据集；
对每个原始CGM数据集重复以上操作，获得监测对象若干个CGM数据集；
血糖数据预测模块，用于将监测对象的每个CGM数据集分别输入现有的长短期记忆人工神经网络，输出监测对象的每个CGM数据集对应的血糖预测数据；
误差计算模块，利用监测对象连续两天中的后一天的真实血糖数据，分别与监测对象的每个CGM数据集对应的血糖预测数据，计算监测对象的每个CGM数据集对应的预测精度平均百分比误差；
监测对象CGM数据集优选模块，用于将预测精度平均百分比误差取值最小的监测对象CGM数据集作为该监测对象的最终CGM数据集；
连续血糖数据监测模块，用于将所述监测对象的最终CGM数据集输入现有的长短期记忆人工神经网络，输出长期的血糖预测数据，实现对监测对象的连续血糖数据监测。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211426870 | 2022-11-15 | ||
| CN2022114268706 | 2022-11-15 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115841874A CN115841874A (zh) | 2023-03-24 |
| CN115841874B true CN115841874B (zh) | 2024-02-23 |
Family
ID=85578873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211636712.3A Active CN115841874B (zh) | 2022-11-15 | 2022-12-15 | 一种连续血糖数据长期监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841874B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110448306A (zh) * | 2019-07-30 | 2019-11-15 | 东北大学 | 一种基于连续血糖监测系统的在线故障检测与诊断方法 |
| WO2022063048A1 (zh) * | 2020-09-22 | 2022-03-31 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| EP4066249A1 (en) * | 2019-11-26 | 2022-10-05 | Dexcom, Inc. | Recommendations based on continuous glucose monitoring |
| CN115188474A (zh) * | 2022-07-13 | 2022-10-14 | 广东食品药品职业学院 | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 |
| CN115249541A (zh) * | 2022-07-29 | 2022-10-28 | 复旦大学附属中山医院 | 一种基于深度学习的动态血糖预测模型构建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017190143A1 (en) * | 2016-04-29 | 2017-11-02 | Senseonics, Incorporated | Real-time denoising and prediction for a continuous glucose monitoring system |
| US20220211329A1 (en) * | 2021-01-07 | 2022-07-07 | Universitat Politècnica De València (Upv) | Method and system for enhancing glucose prediction |
-
2022
- 2022-12-15 CN CN202211636712.3A patent/CN115841874B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110448306A (zh) * | 2019-07-30 | 2019-11-15 | 东北大学 | 一种基于连续血糖监测系统的在线故障检测与诊断方法 |
| EP4066249A1 (en) * | 2019-11-26 | 2022-10-05 | Dexcom, Inc. | Recommendations based on continuous glucose monitoring |
| WO2022063048A1 (zh) * | 2020-09-22 | 2022-03-31 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| CN115188474A (zh) * | 2022-07-13 | 2022-10-14 | 广东食品药品职业学院 | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 |
| CN115249541A (zh) * | 2022-07-29 | 2022-10-28 | 复旦大学附属中山医院 | 一种基于深度学习的动态血糖预测模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GRU网络的血糖预测方法研究;滕建丽;容芷君;许莹;但斌斌;;计算机应用与软件;20201012(第10期) * |
| 滕建丽 ; 容芷君 ; 许莹 ; 但斌斌 ; .基于GRU网络的血糖预测方法研究.计算机应用与软件.2020,(第10期),第1-2页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115841874A (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Walch et al. | Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable device | |
| De Zambotti et al. | A validation study of Fitbit Charge 2™ compared with polysomnography in adults | |
| Chan et al. | Multi-site photoplethysmography technology for blood pressure assessment: challenges and recommendations | |
| Dubosson et al. | The open D1NAMO dataset: A multi-modal dataset for research on non-invasive type 1 diabetes management | |
| CN107192690B (zh) | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 | |
| EP2006786A1 (en) | Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback | |
| EP3262548A1 (en) | Method and system for assessing a readiness score of a user | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| JP5135197B2 (ja) | 生体指標管理装置 | |
| WO2022115701A1 (en) | Method and system for detecting mood | |
| US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
| Del Giorno et al. | Comparing oscillometric and tonometric methods to assess pulse wave velocity: A population-based study | |
| EP3080732A1 (en) | Calculating a current circadian rhythm of a person | |
| Taylor et al. | Bed occupancy measurements using under mattress pressure sensors for long term monitoring of community-dwelling older adults | |
| CN111820879A (zh) | 一种适用于慢性疾病患者的健康评价管理方法 | |
| Suzuki et al. | Development of a sleep monitoring system with wearable vital sensor for home use | |
| WO2013173499A2 (en) | Diagnostic methods and devices for monitoring chronic glycemia | |
| CN114587310A (zh) | 一种基于光电容积脉搏波实现有创血压波形估计的方法 | |
| Zholdas et al. | Health monitoring system using internet of things | |
| Podrug et al. | What is the smallest change in pulse wave velocity measurements that can be attributed to clinical changes in arterial stiffness with certainty: a randomized cross-over study | |
| CN115841874B (zh) | 一种连续血糖数据长期监测方法和系统 | |
| Aghav et al. | Health track | |
| Langarica et al. | Deep Learning-Based Glucose Prediction Models: A Guide for Practitioners and a Curated Dataset for Improved Diabetes Management | |
| Lim et al. | Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities | |
| Prabhu et al. | A multi-layered LSTM for predicting physician stress during an ED shift |
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 |