CN116052822A - 一种模拟血糖丢失值的方法 - Google Patents

Abstract

本发明公开了一种模拟血糖丢失值的方法，基于血糖检测信号丢失前和恢复后一段时间获取的血糖值以及血糖值相对于时间的一阶导数和二阶导数计算血糖估值，并通过融合算法对血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值，并向用户展示，通过上述方法可以填充丢失的血糖曲线，有助于用户的诊断和治疗。

Description

一种模拟血糖丢失值的方法

技术领域

本发明主要涉及医疗器械领域，特别涉及一种模拟血糖丢失值的方法。

背景技术

正常人的胰腺可根据人体血液中的葡萄糖水平，自动分泌所需的胰岛素/胰高血糖素，从而维持合理的血糖波动范围。而糖尿病患者的胰腺功能出现异常，无法正常分泌人体所需的胰岛素。糖尿病是代谢类疾病，为终身疾病。目前的医疗技术尚无法根治糖尿病，只能通过稳定血糖来控制糖尿病及其并发症的发生和发展。

糖尿病患者在向体内注射胰岛素之前需要检测血糖。目前的检测手段可以对血糖连续检测，并将血糖值实时发送至显示设备，便于用户查看，这种检测方法称为持续葡萄糖检测(Continuous Glucose Monitoring，CGM)。该方法需要检测装置贴在皮肤表面，将其携带的传感器刺入皮下的组织液完成检测。根据CGM检测到的血糖值，输注设备将当前所需的胰岛素输入皮下，进而构成闭环或者半闭环人工胰腺。

目前，在更换血糖检测传感器、传感器热机或者因肌肉运动造成传感器偏移等原因时，可能会出现检测数据丢失，进而在数据丢失这段时间内，用户无法获取体内血糖信息。

因此，现有技术亟需一种即使检测数据丢失，也能通过计算得到血糖估值的方法。

发明内容

本发明实施例公开了一种模拟血糖丢失值的方法，分别基于血糖检测信号丢失前获取的第一血糖值和恢复后获取的第二血糖值以及第一血糖值、第二血糖值相对于时间的一阶导数和/或二阶导数计算第一血糖估值和第二血糖估值，通过融合算法对第一血糖估值和第二血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值，填充了丢失的血糖曲线，有助于用户的诊断和治疗。

本发明公开了一种模拟血糖丢失值的方法，通过检测模块检测用户体内的血糖值，分别基于血糖检测信号丢失前获取的第一血糖值和血糖检测信号恢复后获取的第二血糖值，至少分别确定第一血糖值、第二血糖值相对于时间的一阶导数和二阶导数，并至少分别基于第一血糖值、第二血糖值以及第一血糖值、第二血糖值相对于时间的一阶导数和/或二阶导数计算第一血糖估值和第二血糖估值；通过融合算法对第一血糖估值和第二血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值。

根据本发明的一个方面，融合算法为对第一血糖估值和第二血糖估值进行平均处理。

根据本发明的一个方面，融合算法为对第一血糖估值和第二血糖估值进行加权处理。

根据本发明的一个方面，在进行加权处理时，加权系数与时间相关。

根据本发明的一个方面，在计算第一血糖估值和/或第二血糖估值时，还基于第一血糖值、第二血糖值相对于时间的更高阶导数。

根据本发明的一个方面，采用平滑算法对第一血糖值、第二血糖值相对于时间的一阶导数和/或二阶导数进行平滑处理。

根据本发明的一个方面，采用二次曲线拟合计算得到第一血糖值、第二血糖值相对于时间的一阶导数和/或二阶导数。

根据本发明的一个方面，第一血糖估值和/或第二血糖估值还结合指尖血值和血糖信任因子计算得到。

根据本发明的一个方面，血糖信任因子与时间相关。

根据本发明的一个方面，血糖检测信号丢失前获取的第一血糖值和血糖检测信号恢复后获取的第二血糖值来自于同一传感器。

根据本发明的一个方面，血糖检测信号丢失前获取的第一血糖值和血糖检测信号恢复后获取的第二血糖值来自于不同的传感器。

与现有技术相比，本发明的技术方案具备以下优点：

在本发明公开的模拟血糖丢失值的方法中，通过程序模块对基于血糖检测信号丢失前和恢复后获取的血糖值计算相对于时间的一阶导数和二阶导数，并基于获取的血糖值以及血糖值相对于时间的一阶导数和/或二阶导数计算血糖估值，再通过融合算法对血糖估值进行处理，可以得到血糖检测信号丢失期间的模拟血糖值，即使血糖传感器的检测数据丢失了一段时间，用户也能在历史数据中浏览这段时间的模拟血糖值，有助于用户的治疗和诊断。

进一步的，对血糖估值进行加权处理时，加权系数与时间相关，更信任与计算点接近的血糖估值，提高了计算结果的精确度。

进一步的，采用平滑算法对血糖值相对于时间的一阶导数和/或二阶导数进行平滑处理，可以减小采样过程中奇异点造成的干扰，提高了计算结果的精确度。

进一步的，结合指尖血和血糖信任因子计算血糖估值，可以优化计算结果，减小传感器数据抖动造成的干扰。

附图说明

图1为根据本发明一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图2为根据本发明一个实施例中通过分段加权处理和相对值转换法获得的风险空间与原始物理空间的血糖的关系对比图；

图3为根据本发明一个实施例中通过BGRI和CVGA方法转换获得的风险空间与原始物理空间的血糖的关系对比图；

图4为根据本发明一个实施例的胰岛素IOB曲线；

图5a为根据本发明一个实施例基于不同参数计算血糖值的曲线示意图；

图5b为根据本发明一个实施例计算模拟血糖值的示意图；

图6为根据本发明另一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图7为根据本发明又一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图8为根据本发明另一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

具体实施方式

如前所述，在更换血糖检测传感器、传感器热机或者因肌肉运动造成传感器偏移等原因时，可能会出现检测数据丢失，进而在数据丢失这段时间内，用户无法获取体内血糖信息，影响用户的治疗和使用体验。

为了解决该问题，本发明提供了一种模拟血糖丢失值的方法，基于血糖检测信号丢失前和恢复后一段时间获取的血糖值以及血糖值相对于时间的一阶导数和二阶导数计算血糖估值，并通过融合算法对血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值，并向用户展示，提升了用户体验。

现在将参照附图来详细描述本发明的各种示例性实施例。应理解，除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不应被理解为对本发明范围的限制。

此外，应当理解，为了便于描述，附图中所示出的各个部件的尺寸并不必然按照实际的比例关系绘制，例如某些单元的厚度、宽度、长度或距离可以相对于其他结构有所放大。

以下对示例性实施例的描述仅仅是说明性的，在任何意义上都不作为对本发明及其应用或使用的任何限制。这里对于相关领域普通技术人员已知的技术、方法和装置可能不作详细讨论，但在适用这些技术、方法和装置情况下，这些技术、方法和装置应当被视为本说明书的一部分。

应注意，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义或说明，则在随后的附图说明中将不需要对其进行进一步讨论。

图1为本发明实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例公开的闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、程序模块101与输注模块102。

检测模块100用于连续检测用户当前血糖值。一般的，检测模块100为持续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测用户当前血糖值，并监控血糖变化，将当前血糖值发送至程序模块101。

程序模块101用于控制检测模块100与输注模块102的工作。因此，程序模块101分别与检测模块100和输注模块102相连接。在这里，相连接包括常规的电连接或者无线连接。

输注模块102包含输注胰岛素所必备的机械结构，且受程序模块101控制。根据程序模块101发出的当前胰岛素输注量数据，输注模块102向用户体内输注当前所需的胰岛素。同时，输注模块102的输注状态也能够实时反馈到程序模块101中。

本发明的实施例并不限制检测模块100、程序模块101与输注模块102具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，三者互相电连接而组成一个整体结构。因此，三者粘贴在用户皮肤的同一个位置。三个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动的干扰；同时，也有效解决了分离设备之间无线通信可靠性的问题，进一步增强用户体验。

如在本发明的另一个实施例中，程序模块101与输注模块102互相连接而组成一个整体结构，而检测模块100单独设置于另一个结构中。此时，检测模块100与程序模块101互相发射无线信号以实现彼此连接。因此，程序模块101与输注模块102被粘贴在用户皮肤的某一个位置，而检测模块100被粘贴在用户皮肤的其他位置。

如在本发明的再一个实施例中，程序模块101与检测模块100互相连接而组成同一个设备，而输注模块102单独设置于另一个结构中。输注模块102与程序模块101互相发射无线信号以实现彼此连接。因此，程序模块101与检测模块100可被粘贴在用户皮肤的某一个位置，而输注模块102可被粘贴在用户皮肤的其他位置。

如在本发明的又一个实施例中，三者分别设置于不同的结构中。因此，三者被分别粘贴在用户皮肤的不同位置。此时，程序模块101分别与检测模块100、输注模块102之间互相发射无线信号以实现彼此连接。

需要说明的是，本发明实施例的程序模块101还具有存储、记录和访问数据库等功能，因此，程序模块101可以被重复利用。这样不仅能够存储用户身体状况数据，还节约生产成本与用户的使用成本。如上文所述，当检测模块100或者输注模块102寿命终止，程序模块101可与检测模块100、输注模块102或者同时与检测模块100和输注模块102分离。

一般的，检测模块100、程序模块101与输注模块102的使用寿命不同。因此，当三者互相电连接而组成同一个设备时，三者还可以两两互相分离。如某一个模块先终止寿命，用户可以只更换该模块，保留另两个模块继续使用。

在这里，需要说明的是，本发明实施例的程序模块101还可以包括多个子模块。根据子模块的功能，不同的子模块可分别设置于不同的结构中，在这里并不作具体限制，只要能够满足程序模块101的控制条件即可。

具体的，程序模块101中预设有将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的rPID(风险-比例-积分-微分)算法，rPID算法是在经典PID(比例-积分-微分)算法的基础上进行转换处理得到的，具体的处理方式下文将详述，根据rPID算法计算得出的相应输注指示，程序模块101控制输注模块102输注胰岛素。

经典PID算法的可用下述公式表示：

其中：

K_P是比例部分的增益系数；

K_I是积分部分的增益系数；

K_D是微分部分的增益系数；

G表示当前血糖值；

G_B表示目标血糖值；

C表示常数；

PID(t)表示发送给胰岛素输注系统的输注指示。

考虑到糖尿病患者葡萄糖浓度的实际分布特征，比如正常的血糖范围为80-140mg/dL，也可放宽到70-180mg/dL，一般的低血糖可以达到20-40mg/dL，而高血糖可以达到400-600mg/dL。

高/低血糖的分布在原始物理空间具有显著的不对称性，临床实践中血糖偏离正常范围相同的程度对应的高血糖风险和低血糖风险会明显不同，比如从120mg/dL降低70mg/dL达到50mg/dL会被认为是严重低血糖，具有很高的临床风险，需采取补充碳水化合物等应急措施；而从120mg/dL升高70mg/dL达到190mg/dL才刚刚超出正常范围，对于糖尿病患者来说，该血糖偏高的程度并不严重，在日常情况下也经常达到，基本无需采取处理措施。

针对葡萄糖浓度临床风险的不对称特点，将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，使PID算法更加稳健。

相应的，rPID算法公式转换成如下形式：

其中：

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

r表示血糖风险；

其他各符号表示的意义如前所述。

为了维持PID积分的稳定，结合胰岛素降低血糖的生理作用，在本发明的一个实施例中，对PID的输入参数——血糖偏离量Ge＝G-G_B进行处理，如对Ge＝G-G_B做出分段加权处理，如下：

在本发明的另一实施例中，对于大于目标血糖G_B的偏离量采用相对值来转换，如下：

图2为通过分段加权处理和相对值转换获得的血糖风险空间与原始物理空间的血糖关系对比图。

在原始PID算法中，目标血糖值两侧的血糖风险(即Ge)呈现出与原始物理空间一致的严重不对称性，在转换到血糖风险空间后，血糖目标值两侧的血糖风险近似对称，这样积分项可以保持稳定，使rPID算法更加稳健。

在本发明的另一实施例中，在风险转换时存在固定的零风险点，对偏离零风险点两侧的数据进行处理。大于零风险点对应的原始参数在转换到风险空间时为正值，小于零风险对应的原始参数在转换到风险空间时为负值。具体的，可以借鉴经典的血糖风险指数(BGRI)方法，该方法基于临床实践，认为20mg/dL的低血糖和600mg/dL的高血糖的临床风险相当，通过对数化来整体处理20-600mg/dL范围内的血糖。设定该方法零风险点对应的血糖值为目标血糖值G_B。其风险空间转换公式如下：

其中:

r(G)＝10*f(G)²

转换函数f(G)如下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

在经典血糖风险指数方法中，该方法零风险点对应的血糖值为112mg/dL。在本发明的其他实施例中，零风险点血糖值也可以结合临床实践的风险及数据趋势进行调整，在此不做具体限定。对血糖值大于零风险点的血糖值的风险空间进行拟合，具体的拟合方式也不做具体限制。

在本发明的另一实施例中，借鉴改进的控制易变量网格分析ControlVariability Grid Analysis(CVGA)方法，原CVGA定义的零风险点血糖值为110mg/dL，并假定了以下等风险的血糖值数据对(90mg/dL，180mg/dL；70mg/dL，300mg/dL；50mg/dL，400mg/dL)，在本发明实施例中，结合临床实践的真实风险及数据的趋势特征考虑，对其进行了调整，将其中的(70mg/dL，300mg/dL)等风险数据对修正成了(70mg/dL，250mg/dL)，并将零风险点血糖值设定为目标血糖值G_B。并对其进行了多项式模型拟合，获得了如下的零风险点两侧分别处理的风险函数：

并对其最大值进行了限制：

|r|＝min(|r|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

在本发明的其他实施例中，零风险点血糖值和等风险数据对也可以结合临床实践的真实风险及数据趋势进行调整，在此不做具体限定，再对等风险点进行拟合，具体的拟合方式也不做具体限制；用于限定最大值的具体数值也不作具体限制。

图3是通过BGRI和CVGA方法转换至风险空间的血糖风险与原始物理空间中的血糖关系对比图。

与Zone-MPC的处理类似，在血糖正常范围内，通过BGRI和CVGA方法转换后的血糖风险都相当平缓，尤其是在80-140mg/dL内。不同于Zone-MPC在该范围内完全为0，失去了进一步调优的能力，rPID的风险在该范围内虽然平缓，但仍具有稳定的、缓慢的调整能力，可使血糖进一步向目标值调整，实现更精准的血糖控制。

在本发明的另一实施例中，对于偏离零风险点两侧的数据可以采用统一的处理方式，如前述实施例中，偏离零风险点两侧的数据可以均采用BGRI或CVGA方法；也可以采用不同的处理方式，如同时结合BGRI和CVGA方法，此时可以采用相同的零风险点血糖值，如目标血糖值G_B，当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用CVGA方法，此时：

r＝-r(G),ifG≤G_B

其中:

r(G)＝10*f(G)²

转换函数f(G)如下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝-4.8265*10⁴-4*G²+0.45563*G-44.855,ifG>G_B。

同样的，也可以在血糖值小于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，此时：

r＝r(G),if G>G_B，

其中:

r(G)＝10*f(G)²

转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝G-G_B,ifG≤G_B。

同时还可以对最大值进行限制：

|r|＝min(|r|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

在本发明的其他实施例中，还可以将零风险点的血糖值设定为目标血糖值G_B，对于小于或等于目标血糖值G_B的数据采用BGRI方法，而对于大于目标血糖值G_B的数据采用偏离量的处理方法，具体的如分段加权处理或相对值处理。

当采用分段加权处理时，此时：

r＝-r(G),ifG≤G_B

其中:

r(G)＝10*f(G)²

转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

当采用相对值处理时：

r＝-r(G),ifG≤G_B，

其中:

r(G)＝10*f(G)²

拟合的对称转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝100*(G-G_B)/G,ifG>G_B

当零风险点对应的血糖值均为目标血糖值G_B时，对于小于等于目标血糖值G_B的数据，采用分段加权处理、相对值处理以及CVGA方法时，其处理函数是一致的，因此，当对小于等于目标血糖值G_B的数据采取分段加权处理或相对值处理，对大于零风险点血糖值的数据采取BGRI方法时，处理结果等价于前述在血糖值小于等于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，其计算公式不再赘述。

需要说明的是，在本发明的各实施例中，目标血糖值G_B为80～140mg/dL，优选的，目标血糖值G_B为110～120mg/dL。

通过上述处理方式均能使rPID算法在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，从而既能保留PID算法简单稳健的特点，又兼具针对性的有临床价值的血糖风险控制功能，实现闭环人工胰胰岛素腺输注系统的精准控制。

在闭环人工胰腺控制系统中存在三大延迟效应：胰岛素吸收延迟(从皮下到达血液循环组织约为20分钟，到达肝脏约为100分钟)，胰岛素起效延迟(约30-100分钟)，组织间液葡萄糖浓度与血液葡萄糖的感测延迟(约为5-15分钟)。任何加速闭环响应性的尝试都可能导致不稳定的系统行为和系统振荡。为了补偿闭环人工胰腺控制系统中的胰岛素吸收延迟，在本发明的一个实施例中，引入了胰岛素反馈补偿机制。从输出中扣除体内尚未被吸收的胰岛素量，一个和血浆胰岛素浓度估计成比例的分量

(实际人体胰岛素分泌也以血浆中的胰岛素浓度作为负反馈调节的信号)。其公式如下：

其中：

PID(t)表示发送给胰岛素输注系统的输注指示；

PID_c(t)表示发送给胰岛素输注系统的带补偿的输注指示；

γ表示估计的血浆胰岛素浓度对算法输出的补偿系数，系数变大会导致算法相对保守，系数变小则相对激进，因此，在本发明实施例中，γ的范围为0.4-0.6，优选的，γ为0.5。

表示血浆胰岛素浓度的估计，可由各种常规的预测算法获取，比如依据胰岛素的药代动力学曲线直接由输注的胰岛素计算，或采用常规的自回归方法：

其中：

表示当前时刻的血浆胰岛素浓度的估计；

PID_c(n-1)表示上一时刻带补偿的输出；

表示上一时刻的血浆胰岛素浓度的估计；

表示上上时刻的血浆胰岛素浓度的估计；

K₀表示上一时刻带补偿的输出部分的系数；

K₁表示上一时刻的血浆胰岛素浓度的估计部分的系数；

K₂表示上上时刻的血浆胰岛素浓度的估计部分的系数；

其中，初始值

各时刻间隔可根据实际需求选取。

相应的，通过前述方法进行风险转换后的补偿输出公式如下：

其中：

rPIDc(t)表示经风险转换后发送给胰岛素输注系统的带补偿的输注指示；

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

其他各字符的表示意义如前所述。

为了补偿闭环人工胰腺控制系统中的胰岛素起效延迟，在本发明的一个实施例中，引入了体内尚未起作用的胰岛素IOB(insulin on board)，在胰岛素的输出中扣除IOB，防止胰岛素输注累积、过量，造成餐后低血糖等风险。

图4是根据本发明实施例的胰岛素IOB曲线。

根据图4所示的IOB曲线，可以计算之前输注的胰岛素的累计残余量，具体曲线的选取，可以根据用户的实际胰岛素作用时间来确定。

PID′(t)＝PID(t)-IOB(t)

其中：

PID’(t)表示扣除IOB后发送给胰岛素输注系统的输注指示；

PID(t)表示发送给胰岛素输注系统的输注指示；

IOB(t)表示在t时刻在体内尚未起作用的胰岛素量。

相应的，通过前述方法进行风险转换后扣除在体内尚未起作用的胰岛素量的输出公式如下：

rPID′(t)＝rPID(t)-IOB(t)

其中：

rPID'(t)表示经风险转换后发送给胰岛素输注系统的扣除了在体内尚未起作用的胰岛素量的输注指示；

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

其他各字符的表示意义如前所述。

为了获得更理想的控制效果，对IOB的计算做了如下处理，IOB_m、IOB_o分别对应于进餐胰岛素和除进餐外的其他胰岛素的IOB。公式如下：

IOB(t)＝IOB_m,t+IOB_o,t

其中：

其中：

IOB_m,t表示t时刻在体内尚未起作用的进餐胰岛素量；

IOB_o,t表示t时刻在体内尚未起作用的非进餐胰岛素量；

D_i(i＝2-8)表示分别对应于胰岛素作用时间为i的IOB曲线的相应系数；

I_m,t表示进餐胰岛素量；

I_0，t表示非进餐胰岛素量；

IOB(t)表示t时刻在体内尚未起作用的胰岛素量。

对IOB进行进餐胰岛素和非进餐胰岛素的区分处理，可以在进餐、血糖过高时让胰岛素更快清除，可以获得更大的胰岛素输出，血糖调节更快速。而接近目标时，采用更长的胰岛素作用时间曲线，让胰岛素更慢清除，血糖调节更保守、稳健。

当PID’(t)>0或rPID’(t)>0时，最终输注的胰岛素量为PID’(t)或rPID’(t)；

当PID’(t)<0或rPID’(t)<0时，最终输注的胰岛素量为0。

为了补偿闭环人工胰腺控制系统中的组织液葡萄糖浓度和血液葡萄糖的感测延迟，在本发明的一个实施例中，采用了自回归方法进行了补偿，公式如下：

其中，

G_SC(n)表示当前时刻组织间液葡萄糖浓度，即感测系统的测量值；

表示上一时刻血液葡萄糖的估计浓度；

G_SC(n-1)和G_SC(n-2)分别表示上一时刻和上上时刻组织间液葡萄糖浓度；

K₀表示上一时刻血液葡萄糖的估计浓度部分的系数；

K₁和K₂分别表示上一时刻和上上时刻组织间液葡萄糖浓度的系数。

其中，初始时刻，

通过组织间液葡萄糖浓度对血液葡萄糖浓度进行估计，补偿了组织液葡萄糖浓度和血液葡萄糖的感测延迟，使PID算法更为精准，相应的，rPID算法也能更为准确的计算出人体对胰岛素的实际需求。

在本发明实施例中，对于胰岛素吸收延迟，胰岛素起效延迟，组织液葡萄糖浓度和血液葡萄糖的感测延迟可以进行部分补偿或是全部补偿，优选的，考虑所有的延迟因素，进行全部补偿，使rPID算法更为精准。

在本发明的另一实施例中，程序模块101中预设有将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的rMPC(风险-模型-预测-控制)算法，rMPC算法是在经典MPC(模型-预测-控制)算法的基础上进行转换处理得到的，根据rMPC算法计算得出的相应输注指示，程序模块101控制输注模块102输注胰岛素。

经典MPC算法由三个要素构成，预测模型、价值函数及约束条件。经典的MPC的预测模型如下：

x_t+1＝Ax_t+BI_t

G_t＝Cx_t

其中：

x_t+1表示下一时刻的状态参数，

x_t表示当前时刻的状态参数，

I_t表示当前时刻的胰岛素输注量；

G_t表示当前时刻的血糖浓度。

参数矩阵如下：

C＝[1 0 0]

b₁,b₂,b₃,K为先验值。

MPC的价值函数由输出G(血糖值)的偏差平方和和输入I(胰岛素量)的变化平方和构成。MPC需获取价值函数的最小解。

其中：

I'_t+j表示第j步后胰岛素输注量的变化；

表示第j步后预测血糖浓度和目标血糖值的差值；

t表示当前时刻；

N、P分别为控制时间窗口和预测时间窗口内的步数；

R为其中胰岛素分量的加权系数。

第j步的胰岛素输注量为I_t+I'_t+j。

在本发明实施例中，控制时间窗口T_c＝30min，预测时间窗口T_p＝60min，胰岛素量的加权系数R为11000。需要说明的是，虽然计算时采用的控制时间窗口为30min，实际运行时仅采用胰岛素输出的第一步运算结果，运行之后，根据获取的最新血糖值，重新计算上述价值函数的最小解。

在本发明实施例中，控制时间窗口内的输注时间步长为j_n，j_n的取值范围为0～30min，优选为2min。步数N＝T_c/j_n，j的范围为0到N。

在本发明的其他实施例中，控制时间窗口，预测时间窗和胰岛素量的加权系数还可以选取为其他值，在此不做具体限定。

如前所述，由于高/低血糖的分布(原始物理空间)具有显著的不对称性，临床实践中血糖偏离正常范围相同的程度对应的高血糖风险和低血糖风险会明显不同，针对葡萄糖浓度临床风险的不对称特点，将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，使MPC算法更加精准，灵活。经风险转换之后的rMPC算法的价值函数如下：

其中，

r_t+j表示第j步后血糖风险值；

I'_t+j表示第j步后胰岛素输注量的变化。

将血糖值的偏差转为相应的血糖风险，具体的转换方式和前述rPID算法中的方式一致，如分段加权处理和相对值处理；还包括在风险空间中设定固定的零风险点，零风险点的血糖浓度可以设定为目标血糖值。对偏离零风险点的两侧数据进行处理，如采用BGRI和改进的CVGA方法；还包括对偏离目标血糖值两侧的数据采用不同的方法处理。

具体的，当采用分段加权处理时：

当采用相对值处理时：

当采用经典血糖风险指数方法时：

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当采用控制易变性网格分析方法时：

同时也对其最大值进行了限制：

|r_t+j|＝min(|r_t+j|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/d。

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用CVGA方法时：

r_t+j＝-r(G_t+j),if G_t+j≤G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

r_t+j＝-4.8265*10⁴-4*G_t+j ²+0.45563*G_t+j-44.855,ifG_t+j>G_B

当在血糖值小于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法时：

r_t+j＝r(G_t+j),if G_t+j>G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

r_t+j＝G_t+j-G_B,ifG_t+j≤G_B。

同时还可以对最大值进行限制：

|r_t+j|＝min(|r_t+j|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用分段加权方法时：

r_t+j＝-r(G_t+j),if G_t+j≤G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用相对值转换时：

r_t+j＝-r(G_t+j),if G_t+j≤G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当对小于等于目标血糖值G_B的数据采取分段加权处理或相对值处理，对大于零风险点血糖值的数据采取BGRI方法时，处理结果等价于前述在血糖值小于等于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，其计算公式不再赘述。

需要说明的是，在上述各种转化公式中：

r_t+j为第j步时的血糖风险值；

G_t+j为第j步时检测的血糖值。

目标血糖值G_B为80～140mg/dL，优选的，目标血糖值G_B为110～120mg/dL。

经风险转换后的有益效果及血糖和血糖风险的关系对比均与rPID算法中一致，在此不再重复。

同样的，为了补偿胰岛素吸延迟，也可以采用胰岛素反馈补偿机制进行补偿；为了弥补胰岛素起效延迟，也可以采用IOB补偿；组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟，也可以采用自回归补偿，具体的补偿方式也与rPID算法中一致，具体的：

对于胰岛素吸延迟，补偿公式如下：

其中：

I_t+j表示第j步时发送给胰岛素输注系统的输注指示；

rI_c(t+j)表示经风险转换后第j步时发送给胰岛素输注系统的输注指示；

γ表示估计的血浆胰岛素浓度对算法输出的补偿系数，系数变大会导致算法相对保守，系数变小则相对激进，因此，在本发明实施例中，γ的范围为0.4-0.6，优选的，γ为0.5。

表示第j步时血浆胰岛素浓度的估计。

对于胰岛素起效延迟，补偿公式如下：

rI′_t+j＝rI_t+j-IOB(t+j)

其中：

rI'_t+j表示经风险转换后第j步时扣除IOB后发送给胰岛素输注系统的输注指示；

rI_t+j表示经风险转换后第j步时发送给胰岛素输注系统的输注指示；

IOB(t+j)表示在t+j时刻在体内尚未起作用的胰岛素量。

同样的，也可以对IOB(t+j)进行进餐和非进餐区分，此时：

IOB(t+j)＝IOB_m,t+j+IOB_o,t+j

其中：

其中：

IOB_m,t+j表示t+j时刻在体内尚未起作用的进餐胰岛素量；

IOB_o,t+j表示t+j时刻在体内尚未起作用的非进餐胰岛素量；

D_i(i＝2-8)表示分别对应于胰岛素作用时间为i的IOB曲线的相应系数；

I_m,t+j表示t+j时刻进餐胰岛素量；

I_0,t+j表示t+j时刻非进餐胰岛素量；

IOB(t+j)表示t+j时刻在体内尚未起作用的胰岛素量。

当rI'_t+j>0时，最终输注的胰岛素量为rI'_t+j；

当rI'_t+j<0时，最终输注的胰岛素量为0。

对于组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟，也可以采用自回归补偿，公式如下：

其中，

G_SC(t+j)表示t+j时刻组织间液葡萄糖浓度，即感测系统的测量值；

表示t+j-1时刻血液葡萄糖的估计浓度；

G_SC(t+j-1)和G_SC(t+j-2)分别表示t+j-1时刻和t+j-2时刻组织间液葡萄糖浓度；

K₀表示t+j-1时刻血液葡萄糖的估计浓度部分的系数；

K₁和K₂分别表示t+j-1时刻和t+j-2时刻组织间液葡萄糖浓度的系数。

其中，初始时刻，

各种补偿方式产生的有益效果与rPID算法中一致，在此不再重复。

需要说明的是，在rMPC算法中，优选的是对胰岛素起效延迟和组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟进行补偿。

在本发明另一实施例中，程序模块101中预设有复合算法，复合算法包括第一算法和第二算法，当检测模块100检测到当前血糖值，并将当前血糖值发送至程序模块101后，第一算法计算第一胰岛素输注量I₁，第二算法计算第二胰岛素输注量I₂，复合算法对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102根据最终输注量I₃进行胰岛素输注。

第一算法和第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种。rMPC算法或rPID算法为将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的算法。其中rMPC算法和rPID算法中血糖风险的转换方式如前所述。

当I₁＝I₂时，I₃＝I₁＝I₂；

当I₁≠I₂时，可以将I₁和I₂的算术平均值分别代入第一算法和第二算法中重新优化算法参数，在参数优化之后再一次通过第一算法和第二算法分别计算当前时刻所需的胰岛素输注量，如果I₁和I₂仍然不相同，则再次取I₁和I₂的算数平均值重复上述过程直至I₁和I₂相同，即：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的平均值

②将平均值

分别带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

此时，当第一算法或第二算法为PID或rPID算法时，算法参数为K_P，且K_D＝T_D/K_P，T_D可以取60min-90min，K_I＝T_I*K_P，T_I可以取150min-450min。当第一算法或第二算法为MPC或rPMC算法时，算法参数为K。

当I₁≠I₂时，还可以对I₁和I₂进行加权处理，将加权处理后的计算值分别代入第一算法和第二算法中重新优化算法参数，在参数优化之后再一次通过第一算法和第二算法分别计算当前时刻所需的胰岛素输注量，如果I₁和I₂仍然不相同，则再次对I₁和I₂进行加权处理，调整加权系数，重复上述过程直至I₁和I₂相同，即：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

同样的，当第一算法或第二算法为PID或RPID算法时，算法参数为K_P，且K_D＝T_D/K_P，T_D可以取60min-90min，K_I＝T_I*K_P，T_I可以取150min-450min。当第一算法或第二算法为MPC或rPMC算法时，算法参数为K。

在本发明实施例中，α和β可以根据第一胰岛素输注量I₁和第二胰岛素输注量I₂的大小进行调整，当I₁≥I₂时，α≤β；当I₁≤I₂时，α≥β；优选的，α+β＝1。在本发明的其他实施例中，α和β也可以为其他的取值范围，在此不做具体限定。

当两者的计算结果相同，即I₃＝I₁＝I₂时，则可认为是当前时刻的胰岛素输注量能够使血糖值达到理想的水平。通过上述方式的处理，各算法之间互为参考，优选的，第一算法和第二算法分别为rMPC算法和rPID算法，两者互为参考，进一步提高输出结果的准确性，使结果更加可行和可靠。

在本发明的另一实施例中，程序模块101中还设置有存储用户历史的身体状态，血糖值和胰岛素输注量等信息的存储器，可基于存储器中的信息进行统计学分析，得到当前时刻的统计分析结果I₄，当I₁≠I₂时，分别比较I₁、I₂和I₄，计算最终胰岛素输注量I₃，选取I₁和I₂中更为靠近统计学分析结果I₄的一个作为最终复合算法的计算结果，即最终胰岛素输注量I₃，程序模块101将最终胰岛素输注量I₃发送给输注装置102进行输注；即：

通过与历史数据的比较，从另一方面确保了胰岛素输注量的可靠性。

在本发明的另一实施例中，当I₁和I₂两者不一致且差别较大时，还可以通过变换rMPC算法和/或rPID算法中的血糖风险空间转换方式和/或关于延迟效应的补偿方式来调整，使其相近，然后再通过上述算术平均值，加权处理，或与统计分析结果进行比较的方式最终确定复合算法的输出结果。

在本发明另一实施例中，闭环人工胰腺控制系统还包括进餐识别模块和运动识别模块。用于识别用户是否正在进行用餐或运动，常用的进餐识别，可以基于血糖变化速率E_v，并通过特定的阈值来判断。血糖变化速率E_v可以由前后两时刻计算，或一段时间内多时刻的线性回归获取，具体的，当采用前后两时刻的变化速率计算时，计算式为：

E_v＝dG_t/dt＝(G_t-G_t-1)/Δt

其中：

E_v表示当前时刻的血糖变化速率；

G_t表示当前时刻的血糖值；

G_t-1表示上一时刻的血糖值；

Δt表示当前时刻和上一时刻的时间间隔。

当采用三点时刻的变化速率计算式，计算式为：

E_v＝dG_t/dt＝(3G_t-4G_t-1+G_t-2)/2Δt

其中：

G_t表示当前时刻的血糖值；

G_t-1表示上一时刻的血糖值；

G_t-2表示上上时刻的血糖值；

Δt表示当前时刻和上一时刻的时间间隔。

在计算血糖变化速率E_v前，还可以对原始持续葡萄糖数据先做滤波或平滑处理。阈值可以设置为1.8mg/mL-3mg/mL，也可以个性化设置。

在本发明其他实施例中，血糖变化速率E_v还可以采用加权平均法求得：

其中：

E_vi表示当前时刻前一段时间各个检测点的血糖变化速率。

采用加权平均法求得的血糖变化速率E_v更加平滑，排除了一些奇异点的干扰，提升了算法的精确度。

血糖变化速率为血糖值相对于时间的一阶导数，可以根据血糖变化速率E_v估算丢失或者未来的血糖值。例如，当更换传感器、信号连接不畅、检测模块100(CGM)缺电等原因，血糖检测信号丢失时，可以基于血糖变化速率E_v以及最近一次的血糖值估算已经丢失或未来需要的血糖值：

G_T＝E_v*T+G_T0

其中：

G_T为血糖估值；

T为血糖检测信号丢失持续时间；

G_T0为血糖检测信号丢失前的最近一次血糖值。

血糖检测信号丢失持续时间T可以被设置为如CGM设备一样的间歇式时间模式，如间隔2min计算一次，也可以被设置为更高频的间歇式时间模式，如间隔1min计算一次，也可以被设置为连续时间模式。

可以理解的是，如果血糖检测信号丢失持续时间T被设定为负值，那么根据上式可以计算得到血糖检测信号丢失前的血糖估值，即使在血糖检测信号丢失前可以由CGM获取用户体内实际血糖值，通过计算得到的血糖估值可以与实际血糖值互相比对、校准，从而得到更精确的历史血糖值，在本发明一些实施例中，经过校准后的历史血糖值可以覆盖先前由CGM测量的血糖值，以供用户了解到更精确的历史血糖值。

在本发明优选实施例中，血糖检测信号丢失持续时间T被限定有最大值，例如30min，血糖检测信号丢失超过30min后，程序模块101将不再计算血糖估值，因为血糖检测信号丢失时间过长将严重影响血糖估值的精确度，在此期间，用户可能会改变行为方式，例如从进餐状态转变为睡眠状态或者运动状态，基于此，血糖估值及对应计算得到的胰岛素注射量将不再具有参考意义。

如上所述，参照图5a，图5a为本发明实施例基于不同参数计算血糖值的曲线示意图。尽管可以使用血糖变化速率E_v来估算丢失或者未来的血糖值，但在实际血糖曲线处于转折点时，上述算法可能会失准。因此，还可以引入血糖值相对于时间的更高阶导数来估算丢失或者未来的血糖值，这样可以提高算法的准确性。

在本发明优选实施例中，引入血糖值相对于时间的二阶导数，即血糖变化加速度E_a来估算丢失或者未来的血糖值，即使实际血糖值处于转折点时，也能精确地估算血糖值。

在本发明一些实施例中，血糖变化加速度E_a的计算式为：

其中：

E_v0为当前时刻血糖变化速率；

E_v1为上一时刻血糖变化速率。

基于血糖变化加速度E_a来估算血糖值的计算式为：

如前所述，当血糖检测丢失持续时间T被设定为负值时，可以计算得到血糖检测信号丢失前一段时间的血糖估值。

在本发明另一些实施例中，可以采用加权平均法求得：

其中：

E_ai表示当前时刻前一段时间各个检测点的血糖变化加速度。

采用加权平均法求得的采用加权平均法求得的血糖变化加速度E_a更加平滑，排除了一些奇异点的干扰，提升了算法的精确度。

在本发明另一些实施例中，还可以采用二次曲线拟合法等平滑算法计算血糖变化速率和/或血糖变化加速度：

其中：

T_i为采样点时间；

G_Ti为采样点血糖值；

c为曲线常数。

采用二次曲线拟合前，需要对血糖检测信号丢失前一段时间的血糖值进行采样，得到以采样点血糖值、采样时间的一系列组合(G_Ti，T_i)，在本发明实施例中，应至少采样三组以完成二次曲线拟合。在本发明优选实施例中，取血糖检测信号丢失前的三次血糖值作为采样点。在本发明其他实施例中，还可以利用统计学剔除采样点的异常值后再进行二次曲线拟合，这样可以最大程度上排除奇异点的影响，使得模拟出来的曲线更加平滑，从而提升算法的精确度。

在本发明其他实施例中，还可以采用其他曲线拟合算法以计算血糖变化速率E_v和/或血糖变化加速度E_a，例如更高阶曲线拟合，在此不再赘述。

在本发明实施例中，血糖变化速率E_v和/或血糖变化加速度E_a是根据血糖检测信号丢失前的血糖值及对应时间计算出来的，因此在计算血糖估值期间，血糖变化速率E_v和/或血糖变化加速度E_a是不变的，这样可能会导致在血糖检测信号丢失期间，血糖估值会逐渐偏离实际血糖值，因此对血糖估值的计算时长不宜过长。若血糖检测信号恢复后，需要重新计算血糖变化速率E_v和/或血糖变化加速度E_a，从而实现动态的或者迭代的计算血糖估值，这样计算得到的血糖估值会更加贴合实际血糖值。

在本发明一些实施例中，当程序模块101判断血糖估值超出设定阈值时，即开始计算用户所需的胰岛素校正大剂量，并指示输注模块102完成输注。

在本发明另一些实施例中，在用户测量完指尖血值后，当程序模块101判断血糖值超出设定阈值时，即开始计算用户所需的胰岛素校正大剂量，并指示输注模块102完成输注。

上述阈值可由用户或其医护人员根据用户身体状况进行设定，本领域技术人员可以理解的是，阈值的设定不是固定的。

在本发明再一些实施例中，在用户开始进餐前，给予程序模块101进餐指示，程序模块101根据进餐指示计算用户所需的胰岛素校正大剂量，并指示输注模块102完成输注。

在本发明一些实施例中，在输注模块102开始输注校正大剂量前，还需要得到用户的确认指示，用户确认后才能开始输注校正大剂量。

在本发明一些实施例中，程序模块101计算得到血糖变化速率E_v和/或血糖变化加速度E_a后，结合血糖检测信号丢失前的一次血糖值，可以估算已经丢失或者未来一段时间的血糖值G_T，再根据估算的血糖值G_T计算人体所需胰岛素校正大剂量I_m：

I_m＝G_T*μ

其中：

μ为胰岛素灵敏度，可由用户设置。

进餐指令可以由用户输入，也可以由程序模块101根据血糖变化速率E_a或者血糖变化加速度E_v自行判断。

在本发明另一些实施例中，人体所需胰岛素校正大剂量I_m还可以在估算血糖值G_T的基础上，采用前述经典MPC算法、rMPC算法或复合人工胰腺算法中的一种计算得到，在此不作限制。

在本发明再一些实施例中，还可以结合指尖血值G_f对估算的血糖值进行优化处理：

G′_T＝G_f*f+G_T*(1-f)

其中：

G'_T为结合指尖血值优化后的血糖估值；

f为血糖信任因子。

指尖血值G_f可以用来补偿计算过程中可能出现的计算量偏移，以优化计算精确度。

在本发明实施例中，血糖信任因子f可以设置成随血糖检测信号丢失的时间t长短而调整：

其中：

T_max为血糖检测信号丢失的最大允许时长。

如前所述，超出了血糖检测信号丢失的最大允许时长后，血糖估算将失去意义。

在本发明实施例中，血糖信任因子f与血糖检测信号丢失时间呈正相关，即血糖检测信号丢失时间越长，越信任指尖血值，从而弱化通过算法估算的血糖值影响，提高了计算精确度。这是因为随着血糖检测信号丢失时间增加，通过算法估算的血糖值会逐渐偏离用户体内实际血糖值。

在本发明实施例中，在血糖检测信号丢失后，用户可自行测量指尖血值，并将测量结果录入到程序模块101中，以供程序模块101估算丢失和未来一段时间的血糖值，并进而计算需要输注的胰岛素校正大剂量I_m。

在计算得到胰岛素校正大剂量I_m后，输注模块102按照输注指示进行输注，以缓解用户在进餐期间血糖值的上升。

考虑到通过算法预估的血糖值G_T以及胰岛素校正大剂量I_m可能并不是用户实际的血糖值和实际需要的胰岛素大剂量，为了进一步保证用户的输注安全，可以将胰岛素校正大剂量分为两部分输入，即在较短的第一时间内输注完成的信任校正大剂量I_mx和在随后较长的第二时间内输注完成的剩余校正大剂量I_ms，即：

I_m＝I_mx+I_ms

第一时间持续时长短于第二时间持续时长。信任校正大剂量I_mx可以在短时间内输注完成，例如15min，以缓解用户进餐时及进餐后的血糖值飙升，但不能完全将用户体内血糖降下来，随后一段时间，例如2h，输注模块102继续以较慢的速率输注剩余校正大剂量I_ms，以将用户体内血糖降至安全区间内。在输注剩余校正大剂量I_ms期间，用户可能已经恢复了血糖检测，此时可以获取到血糖检测信号，输注剩余校正大剂量I_ms可以根据重新获取的血糖检测信号进行调整，进一步保证用户的输注安全。

在本发明实施例中，信任校正大剂量I_mx由校正大剂量I_m和输注信任因子g的乘积确定：

I_mx＝I_m*g

其中：

输注信任因子g与血糖检测信号丢失的时长t呈负相关，并且随丢失时长t的增加而递减：

上式表明，随着血糖检测信号丢失时长t的增加，输注模块102将逐步减少信任校正大剂量I_mx的输注。

在本发明一些实施例中，还可以在血糖检测信号丢失后，恢复血糖检测时进行采样，获取血糖检测信号恢复后的血糖值，并且按照如前所述方法对血糖检测信号恢复后的血糖值计算相对于时间的一阶导数、二阶导数，得到血糖变化速率E'_v和血糖变化加速度E'_a。

可以理解的是，血糖检测信号丢失可能是由于更换血糖传感器，此时，血糖检测信号丢失前以及恢复后的检测数据来自于不同的传感器。血糖检测信号丢失还可能是由于用户肌肉运动导致传感器偏移，待用户恢复传感器位置后可以重新获取血糖检测信号，此时，血糖检测信号丢失前以及恢复后的检测数据来自于同一个传感器。

在本发明一些实施例中，在血糖检测信号恢复后，基于血糖检测信号恢复后的血糖变化速率E′_v和血糖变化加速度E′_a，赋予负的时间值，可以计算出血糖检测信号丢失期间的血糖估值G″_T，其计算式与前文描述的计算式一致，这里不再赘述。

由于血糖检测信号丢失前以及恢复后，血糖传感器检测到的血糖值、血糖变化率以及血糖变化加速度不完全相同，因此，基于血糖检测信号丢失前的血糖值、血糖变化率以及血糖变化加速度和基于血糖检测信号恢复后的血糖值、血糖变化率以及血糖变化加速度计算出来的血糖估值G_T和G″_T不一致，那么可以采用融合算法将两个血糖估值进行处理，得到融合后的血糖估值，该血糖估值可以被作为血糖检测信号丢失期间的模拟血糖值。

具体的，参照图5b，图5b为本发明实施例计算模拟血糖值的示意图。在本发明一些实施例中，对血糖检测信号丢失前以及恢复后计算出来的血糖估值G_T和G″_T进行平均处理，得到模拟血糖值G_s：

本领域技术人员可以知晓的是，血糖检测信号丢失前以及恢复后计算的血糖估值G_T和G″_T应同为间歇式时间模式或者连续式时间模式，才能进行融合计算。计算得到的模拟血糖值G_s的曲线可以填充血糖检测信号丢失期间的血糖曲线，并在显示设备上向用户展示，以帮助用户进行诊断和治疗。

在本发明另一些实施例中，对基于血糖检测信号丢失前以及恢复后的数据计算出来的血糖估值G_T和G″_T进行加权处理，得到模拟血糖值G'_s：

G′_s＝G_T*q_t1+G″_T*q_t2

其中：

q_t1为基于血糖检测信号丢失前的血糖估值的加权值；

q_t2为基于血糖检测信号恢复后的血糖估值的加权值。

在本发明实施例中，加权值q_t1和q_t2可以被设置为固定值，也可以被设置为动态值。

在本发明实施例中，加权值q_t1和q_t2可以被设置为与时间相关的动态值：

其中：

α、β为加权常数；

t为计算点距离血糖检测信号丢失初始点的时间；

T为血糖检测信号丢失持续时间。

上式表明，计算模拟血糖值G'_s的时间点越靠近血糖检测信号丢失初始点越信任血糖检测信号丢失前的数据，计算模拟血糖值G'_s的时间点越靠近血糖检测信号丢失结束点越信任血糖检测信号恢复后的数据，并且上述信任度与计算点在血糖检测信号丢失期间的时间点相关，即加权系数与时间相关。

在本发明一些实施例中，加权常数α、β满足α+β＝1。在本发明优选实施例中，α＝0.5，β＝0.5。

在本发明一些实施例中，还可以对血糖检测信号恢复后的血糖值，以及血糖值相对于时间的一阶导数和二阶导数经过如前所述的平滑算法处理，可以减小奇异点的干扰，提高计算结果的精确度。

在本发明另一些实施例中，还可以采用如前所述的二次曲线拟合算法计算血糖检测信号恢复后的血糖值，以及血糖值相对于时间的一阶导数和二阶导数，可以减小奇异点的干扰，提高计算结果的精确度。

在本发明一些实施例中，还可以采用如前所述的方法，结合指尖血值对血糖检测信号恢复后的血糖估值进行优化处理，再用于融合计算血糖模拟值，可以提升计算结果的精确度。

与进餐识别类似，由于运动会导致血糖急速下降，因此，运动识别也可以基于血糖变化速率，并通过特定的阈值来判断。血糖变化速率的计算也可以如前所述，阈值可以个性化设置。为了更快的确定运动的发生，闭环人工胰腺胰岛素输注控制系统还包括运动传感器(未示出)。运动传感器用于自动检测用户的身体活动，程序模块101可接收身体活动状况信息。运动传感器能够自动且准确地感应用户的身体活动状态，并将活动状态参数发送至程序模块101，提高复合算法在运动情景下的输出可靠性。

运动传感器可以设置于检测模块100、程序模块101或者输注模块102中。优选的，在本发明实施例中，运动传感器设置于程序模块101中。

需要说明的是，本发明实施例并不限制运动传感器的数量、以及多个运动传感器的设置位置，只要能够满足运动传感器感知用户活动状况的条件即可。

运动传感器包括三轴加速度传感器或者陀螺仪。三轴加速度传感器或者陀螺仪能够更准确感应到身体的活动强度、活动方式或者身体姿态。优选的，在本发明实施例中，运动传感器为三轴加速度传感器和陀螺仪的结合。

需要说明的是，在计算过程中，rMPC算法和rPID算法所采用的血糖风险转换方式可以相同也可以不同，关于延迟效应的补偿方式也可以相同或不同，计算的过程中也可以根据实际情况进行调整。

图6为根据本发明另一实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例中，闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、输注模块102与电子模块103。

检测模块100用于连续检测用户实时血糖值。一般的，检测模块100为连续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测血糖值，并监控血糖变化，将当前血糖值发送至输注模块102和电子模块103。

输注模块102包含输注胰岛素所必备的机械结构，还包括输注处理器1021等能执行第一算法的元件，且受电子模块103控制。输注模块102接收由检测模块100发送的当前血糖值后通过第一算法计算当前所需的第一胰岛素输注量I₁，并将计算的第一胰岛素输注量I₁发送给电子模块103。

电子模块103用于控制检测模块100与输注模块102的工作。因此，电子模块103分别与检测模块100和输注模块102相连接。在这里，电子模块103为手机或手持机等外部电子装置，因此相连接是指无线连接。电子模块103包括第二处理器，在本发明实施例中，第二处理器为电子处理器1031等能执行第二算法和第三算法的元件，电子模块103收到由检测模块100发送的当前血糖值后通过第二算法计算当前所需的第二胰岛素输注量I₂。在这里，电子模块103和输注模块102用于计算当前所需的胰岛素量的第一算法和第二算法不相同。

电子模块103收到输注模块102发送的第一胰岛素输注量I₁后，通过第三算法进一步对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102向用户体内输注当前所需的胰岛素I₃。同时，输注模块102的输注状态也能够实时反馈到电子模块103中。具体的优化方式如前所述。即：

当I₁＝I₂时，I₃＝I₁＝I₂；

当I₁≠I₂时，电子模块103进一步将两者的算术平均值或经加权处理后的值代入算法中重新计算当前胰岛素输注量I₁和I₂，如数据还不相同，则重复上述过程，直至I₃＝I₁＝I₂，即：

①求解所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的平均值

②将平均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，最终胰岛素输注量I₃＝I₁＝I₂。

或：

①求解所述第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的所述第一算法和所述第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

当两者不同时，电子模块103还可以将两者与基于用户过去各时刻的身体状态，血糖值和胰岛素输注量等历史信息进行统计学分析，得到当前时刻的统计分析结果I₄进行比较，选取I₁和I₂中更为靠近统计学分析结果I₄的一个作为最终胰岛素输注量I₃，电子模块103将最终胰岛素输注量I₃发送给输注装置102进行输注；即：

在本发明实施例中，用户的历史信息可以存储在电子模块103中，也可以储存在云管理系统(未示出)中，云管理系统与电子模块103通过无线连接。

图7为根据本发明又一实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例中，闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、输注模块102与电子模块103。

检测模块100用于连续检测用户实时血糖值。一般的，检测模块100为连续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测血糖值，并监控血糖变化，当前血糖值只发送至输注模块102。检测模块100还包括第二处理器，在本发明实施例中，第二处理器为检测处理器1001等能执行第二算法的元件，检测模块100检测到实时血糖值后，直接通过第二算法计算第二胰岛素输注量I₂，并将计算的第二胰岛素输注量I₂发送给电子模块103。

输注模块102如前所述，接收由检测模块100发送的当前血糖值后通过第一算法计算第一胰岛素输注量I₁，并将第一胰岛素输注量I₁发送给电子模块103。在这里，检测模块103和输注模块102用于计算胰岛素量的第一算法和第二算法不相同。

电子模块103收到由检测模块100和输注模块102分别发出的第一胰岛素输注量I₁和第二胰岛素输注量I₂后，通过第三算法进一步对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102向用户体内输注当前所需的胰岛素I₃。同时，输注模块102的输注状态也能够实时反馈到电子模块103中。具体的优化方式如前所述。

在本发明的上述两个实施例中，在检测模块100检测当前血糖值后，输注处理器1021初步计算第一胰岛素输注量I₁，第二处理器(如电子处理器1031和检测处理器1001)的初步计算第二胰岛素输注量I₂，并将I₁和I₂发送给电子模块103，电子模块103进行进一步的优化，再将优化后的终胰岛素输注量I₃发送给输注模块102进行胰岛素输注，提高输注指令的准确性。

在本发明的上述两个实施例中，第一算法和第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种，采用rPID或rMPC算法计算的优势如前所述，进一步的优化方法的有益效果也如前所述，在此均不再重复。

本发明的实施例并不限制检测模块100与输注模块102具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，两者互相电连接而组成一个整体结构并粘贴在用户皮肤的同一个位置。两个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动伸展的干扰；同时，也有效解决了分离设备之间无线通信不畅的问题，进一步增强用户体验。

如在本发明的又一个实施例中，两者分别设置于不同的结构中并分别粘贴在用户皮肤的不同位置。此时，检测模块100与输注模块102之间互相发射无线信号以实现彼此连接。

图8为根据本发明另一实施例的闭环人工胰腺胰岛素输注控制系统模块关系示意图。

在本发明实施例中，本发明实施例公开的闭环人工胰腺胰岛素输注控制系统主要包括检测模块200和输注模块202。检测模块200用于连续检测用户当前血糖值。一般的，检测模块100为持续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测用户当前血糖值，并监控血糖变化；检测模块200中还包括检测处理单元2001，检测处理单元2001中预设有计算胰岛素输注量的算法，当检测模块200检测到用户当前血糖值时，检测处理单元2001通过预设的算法计算用户所需胰岛素量，并将用户所需胰岛素量发送给输注模块202。

输注模块202包含输注胰岛素所必备的机械结构和接收来自于检测模块200的用户胰岛素量信息的电子收发器。根据检测模块200发出的当前胰岛素输注量数据，输注模块202向用户体内输注当前所需的胰岛素。同时，输注模块102的输注状态也能够实时反馈到检测模块200中。

在本发明实施例中，检测处理单元2001中预设的计算胰岛素输注量的算法为经典PID算法、经典MPC算法、rMPC算法，rPID算法或复合算法中的一种，采用rPID、rMPC算法或复合算法计算的方法及有益效果如前所述，在此均不再重复。

本发明的实施例并不限制检测模块2100与输注模块202具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，两者互相电连接而组成一个整体结构并粘贴在用户皮肤的同一个位置。两个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动伸展的干扰；同时，也有效解决了分离设备之间无线通信不畅的问题，进一步增强用户体验。

如在本发明的又一个实施例中，两者分别设置于不同的结构中并分别粘贴在用户皮肤的不同位置。此时，检测模块200与输注模块202之间互相发射无线信号以实现彼此连接。

综上所述，本发明公开了一种模拟血糖丢失值的方法，基于血糖检测信号丢失前和恢复后一段时间获取的血糖值以及血糖值相对于时间的一阶导数和二阶导数计算血糖估值，并通过融合算法对血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值，并向用户展示，通过上述方法可以填充丢失的血糖曲线，有助于用户的诊断和治疗。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (11)

1.一种模拟血糖丢失值的方法，其特征在于：

通过检测模块检测用户体内的血糖值，分别基于血糖检测信号丢失前获取的第一血糖值和血糖检测信号恢复后获取的第二血糖值，至少分别确定所述第一血糖值和所述第二血糖值相对于时间的一阶导数和二阶导数，并至少分别基于所述第一血糖值、所述第二血糖值以及所述第一血糖值、所述第二血糖值相对于时间的一阶导数和/或二阶导数计算第一血糖估值和第二血糖估值；

通过融合算法对所述第一血糖估值和所述第二血糖估值作进一步处理，得到融合后的血糖估值，作为血糖检测信号丢失期间的模拟血糖值。

2.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，所述融合算法为对所述第一血糖估值和所述第二血糖估值进行平均处理。

3.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，所述融合算法为对所述第一血糖估值和所述第二血糖估值进行加权处理。

4.根据权利要求3所述的模拟血糖丢失值的方法，其特征在于，在进行所述加权处理时，加权系数与时间相关。

5.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，在计算所述第一血糖估值和/或所述第二血糖估值时，还基于所述第一血糖值、所述第二血糖值相对于时间的更高阶导数。

6.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，采用平滑算法对所述第一血糖值、所述第二血糖值相对于时间的一阶导数和/或二阶导数进行平滑处理。

7.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，采用二次曲线拟合计算得到所述第一血糖值、所述第二血糖值相对于时间的一阶导数和/或二阶导数。

8.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，所述第一血糖估值和/或所述第二血糖估值还结合指尖血值和血糖信任因子计算得到。

9.根据权利要求8所述的模拟血糖丢失值的方法，其特征在于，所述血糖信任因子与时间相关。

10.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，血糖检测信号丢失前获取的所述第一血糖值和血糖检测信号恢复后获取的所述第二血糖值来自于同一传感器。

11.根据权利要求1所述的模拟血糖丢失值的方法，其特征在于，血糖检测信号丢失前获取的所述第一血糖值和血糖检测信号恢复后获取的所述第二血糖值来自于不同的传感器。

Images