CN116313099A - 血糖数据的获取方法及生成方法、装置、介质 - Google Patents

血糖数据的获取方法及生成方法、装置、介质 Download PDF

Info

Publication number
CN116313099A
CN116313099A CN202310392456.6A CN202310392456A CN116313099A CN 116313099 A CN116313099 A CN 116313099A CN 202310392456 A CN202310392456 A CN 202310392456A CN 116313099 A CN116313099 A CN 116313099A
Authority
CN
China
Prior art keywords
sugar concentration
concentration value
value
sugar
concentration
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.)
Granted
Application number
CN202310392456.6A
Other languages
English (en)
Other versions
CN116313099B (zh
Inventor
袁礼琨
谭海兵
邓华菁
杨丽芬
李万杰
崔瑞
王娟
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.)
Jiangxi Sitomai Medical Technology Co ltd
Original Assignee
Jiangxi Sitomai Medical Technology 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 Jiangxi Sitomai Medical Technology Co ltd filed Critical Jiangxi Sitomai Medical Technology Co ltd
Priority to CN202310392456.6A priority Critical patent/CN116313099B/zh
Publication of CN116313099A publication Critical patent/CN116313099A/zh
Application granted granted Critical
Publication of CN116313099B publication Critical patent/CN116313099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—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
    • A61B5/1473—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 invasive, e.g. introduced into the body by a catheter
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Emergency Medicine (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本公开涉及一种血糖数据的获取方法及生成方法、装置、介质，所述获取方法包括利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，第二糖浓度值表示对第一糖浓度值进行体内环境纠偏后的糖浓度值；利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内；基于第三糖浓度值确定第一采集时刻下第一用户的血糖浓度值。本公开实施例提供的血糖数据的获取方法及生成方法、装置、介质能够有效提升血糖浓度的测量精度。

Description

血糖数据的获取方法及生成方法、装置、介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种血糖数据的获取方法及生成方法、装置、介质。
背景技术
随着电化学水平和电极制备技术的进步，尤其是柔性电极的出现，使得电化学电极小型化并植入人体进行实时监测成为了现实。目前，当前方案大多采用植入人体内的传感器来监测血糖，传感器大多为一根三电极或四电极的传感器，在传感器外部附上葡萄糖酶层和外膜层，葡萄糖酶层主要成分为葡萄糖氧化酶(Glucose oxidase,GOD)，会对葡萄糖产生如下反应：
C6H12O6+O2+GOD→C6H10O6+H2O2
同时传感器会添加催化剂对过氧化氢进行催化：
H2O2→2H++O2+2e-
从而可以利用传感器监测氧气的生成量以获得电流，通过此电流就可以推算出参与反应的葡萄糖数量，从而获得参与反应的葡萄糖浓度。但是，这种测量葡萄糖浓度方法需要植入人体内并进行长期监测，存在很多不足之处。比如，由于传感器葡萄糖酶层外有外膜层保护，但外膜层同时限制了反应速度，由于现有制造工艺难以保证不同传感器外膜层透过的葡萄糖分子量具有一致性，使得传感器的灵敏度(工程上将电流和葡萄糖浓度的关系称为灵敏度)不同，导致测得糖浓度的准确度无法得到保障。再比如，葡萄糖氧化酶作为蛋白质，会存在酶失活的可能，同时葡萄糖外膜与人体细胞接触，会有组织细胞包裹在传感器外部，这些因素叠加起来会导致传感器灵敏度会随着时间变化而变化，此外，这些因素还有一定的随机性，故而反应在不同传感器的灵敏度变化量不一，这将不利于获取高精度的糖浓度。
发明内容
有鉴于此，本公开提出了一种血糖数据的获取方法及生成方法、装置、介质，能够有效提升血糖浓度的测量精度。
根据本公开的一方面，提供了一种血糖数据的获取方法，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值。
在本公开实施例中，通过连续两次浓度补偿的方式显著降低血糖测量过程中的误差，其中，利用首次浓度补偿对组织液糖浓度值进行体内纠偏，能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异以避免影响血糖浓度的测量精度，然后再对不满足预设浓度要求的糖浓度值进行二次浓度补偿，从而消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，进一步提升了血糖浓度的测量精度。
在一种可能的实现方式中，所述方法还包括：获取所述第一采集时刻下所述传感器的工作温度和工作时长；基于所述传感器的初始灵敏度、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述传感器的工作温度以及预设基准温度进行校准，得到所述校准后的传感器灵敏度；基于所述第一采集时刻下传感器采集的电流和校准后的传感器灵敏度，获得所述第一糖浓度值。
这样，通过获取一系列的传感器参数和基准温度校准传感器，并根据校准后的传感器灵敏度及通过校准后的传感器采集到的电流确定第一糖浓度值，能够最大化消除传感器灵敏度对测量糖浓度的影响，从而提升血糖浓度的测量精度，同时通过校准后的传感器灵敏度和传感器采集到的电流确定体内环境的组织液糖浓度值，能够消除传感器灵敏度对测量糖浓度的影响。
在一种可能的实现方式中，在所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值之前，所述方法还包括：响应于所述第一糖浓度值为非首次得到的第一糖浓度值，对所述第一糖浓度值进行滤波处理。
这样，通过对第一糖浓度值进行滤波，有效去除传感器在采集数据的过程中出现的噪声，有利于提升血糖浓度的测量精度。
在一种可能的实现方式中，所述体内纠偏参数包括第一体内纠偏参数和第二体内纠偏参数；所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，包括：将所述第一糖浓度值和所述第一体内纠偏参数之积与所述第二体内纠偏参数的和作为所述第二糖浓度值。
这样，对组织液糖浓度值进行体内纠偏，能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异以避免影响血糖数据的测量精度。
在一种可能的实现方式中，在所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内之前，所述方法还包括：确定所述第二糖浓度值与第四糖浓度值之间的第一差值，所述第四糖浓度值表示对第五糖浓度值进行体内环境纠偏后的糖浓度值，所述第五糖浓度值表示第二采集时刻下所述第一用户的体内环境的组织液糖浓度值，所述第二采集时刻为所述第一采集时刻的前一个采集时刻；若所述第一差值大于第一糖浓度阈值，则以所述第四糖浓度值与所述第一糖浓度阈值的和作为所述第二糖浓度值；若所述第一差值小于第二糖浓度阈值，则以所述第四糖浓度值与所述第二糖浓度阈值的和作为所述第二糖浓度值，其中，所述第一糖浓度阈值大于所述第二糖浓度阈值。
这样，通过对当前第二糖浓度值与前一个第二糖浓度值进行差分处理，根据差分结果和糖浓度阈值确定是否重置当前第二糖浓度值，能够消除在传感器使用过程中由生理因素以外原因导致的糖浓度测量结果产生大幅度变化的影响。
在一种可能的实现方式中，所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，包括：若所述第二糖浓度值未处于预设糖浓度临界范围内，则利用所述浓度补偿参数对所述第二糖浓度值进行浓度补偿，直至浓度补偿后得到的第三糖浓度值处于所述预设糖浓度临界范围内。
这样，通过第二糖浓度值与预设糖浓度临界范围的比较结果确定是否进行第二次浓度补偿，在第二糖浓度值未处于预设糖浓度临界范围内的情况下进行二次浓度补偿，能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，有效保障血糖数据获取的精度。
在一种可能的实现方式中，所述方法还包括：若所述第二糖浓度值处于预设糖浓度临界范围内，则以所述第二糖浓度值作为所述第三糖浓度值。
这样，通过在第二糖浓度值处于预设糖浓度临界范围内的情况下不进行二次浓度补偿，降低计算量，有助于后续快速得到血糖数据。
在一种可能的实现方式中，所述浓度补偿参数包括第一浓度补偿参数和第二浓度补偿参数；所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度阈值内，包括：以所述第二糖浓度值和所述第一浓度补偿参数之积与所述第二浓度补偿参数的和作为所述第三糖浓度值，以使所述第三糖浓度值处于所述预设糖浓度临界范围内。
这样，通过二次浓度补偿能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，有效保障血糖数据获取的精度。
在一种可能的实现方式中，所述方法还包括：根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，其中，所述各个采集时刻下的第六糖浓度值表示基于所述体内纠偏参数和所述浓度补偿参数对各个采集时刻下所述第一用户的体内环境的组织液糖浓度值进行浓度补偿后得到的糖浓度值，所述第二时间段中包括多个第三时间段；若所述判断结果为需要进行校准，则对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度；其中，所述根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，包括：确定第一平均值和第二平均值的第二差值，若所述第二差值超出预设阈值，则确定需要对所述传感器的初始灵敏度进行校准，若所述第二差值未超出所述预设阈值，则确定无需对所述传感器的初始灵敏度进行校准，其中，所述第一平均值表示所述第一时间段内各个采集时刻下的第六糖浓度值的平均值，所述第二平均值表示所述第二时间段内各个采集时刻下的第六糖浓度值的平均值；其中，所述对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，包括：根据多个第三平均值确定第四平均值，其中，每个所述第三平均值对应一个所述第三时间段，任意一个所述第三平均值表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，所述第四平均值表示所述多个第三平均值的平均值；利用所述浓度补偿参数对所述第四平均值进行首次反向浓度补偿得到第七糖浓度值，所述第七糖浓度值表示对所述第四平均值进行所述首次反向浓度补偿后的糖浓度值；利用所述体内纠偏参数对所述第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值，所述第八糖浓度值表示对所述第七糖浓度值进行所述二次反向浓度补偿后的糖浓度值；基于所述第八糖浓度值、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述基准温度以及所述第一时间段的运行信息对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，其中，所述运行信息包括所述第一时间段内各个采集时刻下的温度的平均值和电流的平均值。
这样，通过对传感器的初始灵敏度进行校准，能够防止传感器植入人体后出现预期外的灵敏度变化，避免导致糖浓度测量不准的情况。
根据本公开的另一方面，提供了一种血糖数据的生成方法，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
将所述第三糖浓度值、所述第一采集时刻以及第一用户信息输入至血糖生成模型中，输出所述第一采集时刻下所述第一用户的血糖浓度值，其中，所述第一用户信息至少包括所述第一用户的生理参数。
在本公开实施例中，通过血糖生成模型对补偿后的糖浓度值、时间信息及用户的生理参数进行处理，可以消除对血糖浓度值的测量误差，保证最终测得的血糖浓度值贴近于真实的血糖浓度值。
在一种可能的实现方式中，所述血糖生成模型的训练过程至少包括：初始化所述血糖生成模型的参数；利用第一训练集训练所述血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型；其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据至少包括第二用户的历史血糖浓度值和生理参数；所述第一预设条件为训练次数达到预设次数或者所述血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。
通过利用用户历史血糖浓度值和生理参数训练血糖生成模型，直至训练次数达到预设次数或者模型生成的血糖浓度值与实际血糖浓度值的差值满足预期，这样训练出来的血糖生成模型能够生成更贴近于真实情况的血糖浓度值。
根据本公开的另一方面，提供了一种血糖数据的生成方法，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值；
将所述第一采集时刻下所述第一用户的血糖浓度值、历史采集时刻下所述第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出所述第一用户的血糖走势数据，其中，所述历史采集时刻表示所述第一采集时刻之前的至少一个采集时刻，所述第二用户信息至少包括所述第一用户的生理参数、运动参数以及饮食参数。
在本公开实施例中，通过血糖走势预测模型对当前时刻及历史时刻下的血糖浓度值及用户的生理参数、运动参数及饮食参数进行处理，能够生成用户的未来血糖走势数据，为用户提供智能的预测血糖服务。
在一种可能的实现方式中，所述血糖走势预测模型的训练过程至少包括：初始化所述血糖走势预测模型的参数；利用第二训练集训练所述血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型；其中，所述第二训练集包括多组第二训练数据，每组所述第二训练数据至少包括第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数；所述第二预设条件为训练次数达到预设次数或者所述血糖走势预测模型生成的未来血糖走势数据与实际血糖走势数据的偏差满足第二预设范围。
通过利用用户历史血糖浓度值、生理参数、运动参数以及饮食参数训练血糖走势预测模型，直至训练次数达到预设次数或者模型生成的未来血糖走势数据与实际血糖走势数据的差值满足预期，这样训练出来的血糖走势预测模型能够生成更贴近于真实情况的未来血糖走势数据。
根据本公开的另一方面，提供了一种血糖数据的获取装置，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
血糖确定模块，所述血糖确定模块被配置为基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值。
在一种可能的实现方式中，所述装置还包括：第一获取模块，所述第一获取模块被配置为获取所述第一采集时刻下所述传感器的工作温度和工作时长；第一校准模块，所述第一校准模块被配置为基于所述传感器的初始灵敏度、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述传感器的工作温度以及预设基准温度进行校准，得到所述校准后的传感器灵敏度；第二获取模块，所述第二获取模块被配置为基于所述第一采集时刻下传感器采集的电流和校准后的传感器灵敏度，获得所述第一糖浓度值。
在一种可能的实现方式中，所述装置还包括：滤波处理模块，所述滤波处理模块被配置为在所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值之前，响应于所述第一糖浓度值为非首次得到的第一糖浓度值，对所述第一糖浓度值进行滤波处理。
在一种可能的实现方式中，所述体内纠偏参数包括第一体内纠偏参数和第二体内纠偏参数；所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，包括：将所述第一糖浓度值和所述第一体内纠偏参数之积与所述第二体内纠偏参数的和作为所述第二糖浓度值。
在一种可能的实现方式中，所述装置还包括：差分处理模块，所述差分处理模块被配置为确定所述第二糖浓度值与第四糖浓度值之间的第一差值，所述第四糖浓度值表示对第五糖浓度值进行体内环境纠偏后的糖浓度值，所述第五糖浓度值表示第二采集时刻下所述第一用户的体内环境的组织液糖浓度值，所述第二采集时刻为所述第一采集时刻的前一个采集时刻；第一确定模块，所述第一确定模块被配置为若所述第一差值大于第一糖浓度阈值，则以所述第四糖浓度值与所述第一糖浓度阈值的和作为所述第二糖浓度值；第二确定模块，所述第二确定模块被配置为若所述第一差值小于第二糖浓度阈值，则以所述第四糖浓度值与所述第二糖浓度阈值的和作为所述第二糖浓度值，其中，所述第一糖浓度阈值大于所述第二糖浓度阈值。
在一种可能的实现方式中，所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，包括：若所述第二糖浓度值未处于预设糖浓度临界范围内，则利用所述浓度补偿参数对所述第二糖浓度值进行浓度补偿，直至浓度补偿后得到的第三糖浓度值处于所述预设糖浓度临界范围内。
在一种可能的实现方式中，所述装置还包括：第三确定模块，所述第三确定模块被配置为若所述第二糖浓度值处于预设糖浓度临界范围内，则以所述第二糖浓度值作为所述第三糖浓度值。
在一种可能的实现方式中，所述浓度补偿参数包括第一浓度补偿参数和第二浓度补偿参数；所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度阈值内，包括：以所述第二糖浓度值和所述第一浓度补偿参数之积与所述第二浓度补偿参数的和作为所述第三糖浓度值，以使所述第三糖浓度值处于所述预设糖浓度临界范围内。
在一种可能的实现方式中，所述装置还包括：第二校准模块，所述第二校准模块被配置为根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，其中，所述各个采集时刻下的第六糖浓度值表示基于所述体内纠偏参数和所述浓度补偿参数对各个采集时刻下所述第一用户的体内环境的组织液糖浓度值进行浓度补偿后得到的糖浓度值，所述第二时间段中包括多个第三时间段；若所述判断结果为需要进行校准，则对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度；其中，所述根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，包括：确定第一平均值和第二平均值的第二差值，若所述第二差值超出预设阈值，则确定需要对所述传感器的初始灵敏度进行校准，若所述第二差值未超出所述预设阈值，则确定无需对所述传感器的初始灵敏度进行校准，其中，所述第一平均值表示所述第一时间段内各个采集时刻下的第六糖浓度值的平均值，所述第二平均值表示所述第二时间段内各个采集时刻下的第六糖浓度值的平均值；其中，所述对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，包括：根据多个第三平均值确定第四平均值，其中，每个所述第三平均值对应一个所述第三时间段，任意一个所述第三平均值表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，所述第四平均值表示所述多个第三平均值的平均值；利用所述浓度补偿参数对所述第四平均值进行首次反向浓度补偿得到第七糖浓度值，所述第七糖浓度值表示对所述第四平均值进行所述首次反向浓度补偿后的糖浓度值；利用所述体内纠偏参数对所述第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值，所述第八糖浓度值表示对所述第七糖浓度值进行所述二次反向浓度补偿后的糖浓度值；基于所述第八糖浓度值、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述基准温度以及所述第一时间段的运行信息对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，其中，所述运行信息包括所述第一时间段内各个采集时刻下的温度的平均值和电流的平均值。
根据本公开的另一方面，提供了一种血糖数据的生成装置，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
浓度输出模块，所述浓度输出模块被配置为将所述第三糖浓度值、所述第一采集时刻以及第一用户信息输入至血糖生成模型中，输出所述第一采集时刻下所述第一用户的血糖浓度值，其中，所述第一用户信息至少包括所述第一用户的生理参数。
在一种可能的实现方式中，所述生成装置还包括血糖生成模型训练模块，所述血糖生成模型训练模块被配置为：初始化所述血糖生成模型的参数；利用第一训练集训练所述血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型；其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据至少包括第二用户的历史血糖浓度值和生理参数；所述第一预设条件为训练次数达到预设次数或者所述血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。
根据本公开的另一方面，提供了一种血糖数据的生成装置，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
确定模块，所述确定模块被配置为基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值；
走势输出模块，所述走势输出模块被配置为将所述第一采集时刻下所述第一用户的血糖浓度值、历史采集时刻下所述第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出所述第一用户的血糖走势数据，其中，所述历史采集时刻表示所述第一采集时刻之前的至少一个采集时刻，所述第二用户信息至少包括所述第一用户的生理参数、运动参数以及饮食参数。
在一种可能的实现方式中，所述生成装置还包括血糖走势预测模型训练模块，所述血糖走势预测模型训练模块被配置为：初始化所述血糖走势预测模型的参数；利用第二训练集训练所述血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型；其中，所述第二训练集包括多组第二训练数据，每组所述第二训练数据至少包括第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数；所述第二预设条件为训练次数达到预设次数或者所述血糖走势预测模型生成的血糖走势数据与实际血糖走势数据的偏差满足第二预设范围。
根据本公开的另一方面，提供了一种血糖数据的处理装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述获取方法或者生成方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述获取方法或者生成方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例提供的血糖数据的获取方法的流程图。
图2示出根据本公开实施例提供的连续血糖监测系统的框图。
图3示出根据本公开实施例提供的血糖数据的生成方法的流程图。
图4示出根据本公开实施例提供的血糖数据的生成方法的流程图。
图5示出根据本公开实施例提供的血糖数据的获取装置的框图。
图6示出根据本公开实施例提供的血糖数据的生成装置的框图。
图7示出根据本公开实施例提供的血糖数据的生成装置的框图。
图8示出根据本公开实施例提供的用于执行血糖数据的获取方法的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
为了方便本公领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。
随着电化学水平和电极制备技术的进步，尤其是柔性电极的出现，使得电化学电极小型化并植入人体进行实时监测成为了现实。目前大多采用植入人体内的传感器来监测血糖，通过监测氧气的生成量获得电流，并根据此电流就可以推算出参与反应的葡萄糖数量，从而获得参与反应的葡萄糖浓度。但是，这种测量葡萄糖浓度方法需要植入人体内并进行长期监测，存在很多不足之处。
比如，由于传感器葡萄糖酶层外有外膜层保护，但外膜层同时限制了反应速度，由于现有制造工艺难以保证不同传感器外膜层透过的葡萄糖分子量具有一致性，使得传感器的灵敏度不同，导致测得糖浓度的准确度无法得到保障，其中，工程上将电流和葡萄糖浓度的关系称为灵敏度。再者，葡萄糖氧化酶作为蛋白质，会存在酶失活的可能，同时葡萄糖外膜与人体细胞接触，会有组织细胞包裹在传感器外部，这些因素叠加起来会导致传感器灵敏度会随着时间变化而变化，此外，这些因素还有一定的随机性，故而反应在不同传感器的灵敏度变化量不一，这将不利于获取高精度的糖浓度。另外，传感器一般植入在皮下组织中，测量到的葡萄糖浓度为皮下组织的组织液糖浓度，而组织液糖的来源为血液中的葡萄糖渗透至组织液中，故而组织液糖浓度和血糖浓度这两者之间存在一定的生理延时和浓度水平差异，并且这种差异具有个体差异性，亦不利于获取高精度的血糖浓度。
本公开实施例提供的血糖数据的获取方法可以通过连续两次浓度补偿的方式显著降低血糖测量过程中的误差，其中，利用首次浓度补偿对组织液糖浓度值进行体内纠偏，能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异以避免影响血糖浓度的测量精度，然后再对不满足预设浓度要求的糖浓度值进行二次浓度补偿，从而消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，进一步提升了血糖浓度的测量精度。
图1示出根据本公开实施例提供的血糖数据的获取方法的流程图。如图1所示，所述获取方法可以包括：
步骤S101、利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值。
步骤S102、利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。
步骤S103、基于第三糖浓度值确定第一采集时刻下第一用户的血糖浓度值。
步骤S101为首次浓度补偿。通过对第一糖浓度值进行首次浓度补偿(即体内纠偏)，可以得到第二糖浓度值。其中，第一糖浓度值可表示第一采集时刻下第一用户的体内环境的组织液糖浓度值。第二糖浓度值可表示对第一糖浓度值进行体内环境纠偏后的糖浓度值，显然第二糖浓度值也是针对第一采集时刻而言的。第一采集时刻可以是任意一个采集时刻，也就是说，可以对任意采集时刻获取的第一糖浓度值进行体内环境纠偏得到相应时刻下的第二糖浓度值。采集糖浓度值可以是周期性采集，或者也可以是随机采集，或者也可以是按照用户预设的规则采集，本公开实施例对此不做限定。不同采集时刻采集到的糖浓度值可组成糖浓度序列，糖浓度序列中的每个糖浓度值都对应有一个序号，这个序号顺序可以根据采集时刻的先后顺序设置。第一用户可以表示任意一个待检测血糖浓度的用户，本公开实施例对此不做限制。
首次浓度补偿可以利用体内纠偏参数调整第一糖浓度值，得到第二糖浓度值。其中，体内纠偏参数可用于消除传感器在体内环境与制备环境测量糖浓度的误差。
在一种可能的实现方式中，体内纠偏参数可以包括第一体内纠偏参数和第二体内纠偏参数。从而步骤S101可以包括：将第一糖浓度值和第一体内纠偏参数之积与第二体内纠偏参数的和作为第二糖浓度值。这样，通过对组织液糖浓度值进行体内纠偏，能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异以避免影响血糖数据的测量精度。
在一个示例中，可以通过以下公式对第一糖浓度值G1进行首次浓度补偿，得到第二糖浓度值G2：
G2＝G1*a+b公式一
式中，G2表示第一采集时刻下的第二糖浓度值，G1表示第一采集时刻下的第一糖浓度值，a表示第一体内纠偏参数，b表示第二体内纠偏参数。
在一个示例中，体内纠偏参数可以通过以下方式确定：测定同一传感器分别位于某一糖浓度的体内环境和同一糖浓度的体外葡萄糖溶液下的电流响应数据，并对这些电流响应数据进行线性拟合，得到体内纠偏参数。
需要说明的是，尽管以上述为示例介绍了体内纠偏参数的确定方法，但本领域技术人员能够理解，本公开实施例应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定体内纠偏参数，只要能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异而不影响测量精度即可。
在一种可能的实现方式中，第一糖浓度值可通过传感器采集的电流和传感器的传感器灵敏度确定。其中，可以在传感器采集电流信号之前先校准传感器的传感器灵敏度，利用校准后的传感器灵敏度和电流确定第一糖浓度值，从而所述获取方法还可以包括：基于第一采集时刻下传感器采集的电流和校准后的传感器灵敏度，获得第一糖浓度值。这样，通过校准后的传感器灵敏度和传感器采集到的电流确定体内环境的组织液糖浓度值，能够消除传感器灵敏度对测量糖浓度的影响。
在一个示例中，可以通过以下公式确定第一糖浓度值G1：
G1＝I1*S公式二
式中，G1表示第一采集时刻下的第一糖浓度值，I1表示第一采集时刻下传感器在第一用户体内环境下采集到的电流，S表示校准后的传感器灵敏度。
下面对校准后的传感器灵敏度的确定方式进行说明。在一种可能的实现方式中，所述获取方法还可以包括：获取第一采集时刻下传感器的工作温度和工作时长；基于传感器的初始灵敏度、传感器的灵敏度时间漂移参数、传感器的温度响应参数、传感器的工作时长、传感器的工作温度以及预设基准温度进行校准，得到校准后的传感器灵敏度。这样，通过获取一系列的传感器参数和基准温度校准传感器，并根据校准后的传感器灵敏度及通过校准后的传感器采集到的电流确定第一糖浓度值，能够最大化消除传感器灵敏度对测量糖浓度的影响。
在一个示例中，可以通过以下公式确定校准后的传感器灵敏度S：
S＝Sstart*(1+Ds*t)*(1+(T-Tbase)*Ct)公式三
式中，S表示校准后的传感器灵敏度，Sstart表示传感器的初始灵敏度，Ds表示传感器的灵敏度时间漂移参数，t表示传感器当前的工作时长(即使用时长)，T表示传感器当前的工作温度，Tbase表示预设基准温度(一般可根据人体正常体温范围例如36.0℃至37.0℃自行设置，本公开实施例对此不做限定)，Ct表示传感器的温度响应参数。
传感器的初始灵敏度Sstart可以通过针对使用的传感器进行葡萄糖溶液-电流响应测试得到。在一个示例中，传感器的初始灵敏度Sstart的获取过程至少可以包括：在传感器出厂时使用葡萄糖和水配置不同浓度的葡萄糖溶液，使用传感器测量这些葡萄糖溶液并获取相应的电流信号，从而利用不同的葡萄糖溶液浓度值除以对应的电流值得到多个灵敏度值，再根据这些灵敏度值确定最终的初始灵敏度Sstart。
传感器的灵敏度时间漂移参数Ds可以通过抽样测量与使用的传感器为同一批次中其他传感器得到。在一个示例中，传感器的灵敏度时间漂移参数Ds的获取过程至少可以包括：抽取与使用的传感器为同一出厂批次的传感器中的10％进行检测，并进一步抽取5％的传感器用于测量传感器的灵敏度时间漂移参数Ds，另外5％的传感器用于测量传感器的温度响应参数Ct；配置特定浓度的葡萄糖溶液，葡萄糖溶液的浓度范围可为2mmol/L至50mmol/L，使用传感器对葡萄糖溶液进行长时间测量，测量时间可以为传感器的设计使用周期例如14天，从而获取传感器针对同一浓度的葡萄糖的溶液的灵敏度变化比例，将该灵敏度变化比例作为传感器的灵敏度时间漂移参数Ds。
传感器的温度响应参数Ct可以通过抽样测量与使用的传感器为同一批次中其他传感器得到。在一个示例中，传感器的温度响应参数Ct的获取过程至少可以包括：抽取与使用的传感器为同一出厂批次的传感器中的10％进行检测，并进一步抽取5％的传感器用于测量传感器的温度响应参数Ct，另外5％的传感器用于测量传感器的灵敏度时间漂移参数Ds；配置特定浓度的葡萄糖溶液，葡萄糖溶液的浓度范围可为2mmol/L至50mmol/L，并在可以调整温度的恒温环境中进行测量，可以调整的温度范围可为25℃至45℃，然后调整环境温度，获取传感器针对同一浓度在不同温度下的灵敏度变化比例，将该灵敏度变化比例作为传感器的温度响应参数Ct。
这样，通过获取传感器的初始灵敏度、传感器的灵敏度时间漂移参数以及传感器的温度响应参数并基于其与传感器的当前工作参数对传感器灵敏度进行校准漂移，能够最大化消除传感器灵敏度对测量糖浓度的影响。
考虑到传感器在数据采集过程中可能出现噪声，因此在一种可能的实现方式中，可以对第一糖浓度值进行滤波处理，具体的，在利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值之前，所述获取方法还可以包括：响应于第一糖浓度值为非首次得到的第一糖浓度值，对第一糖浓度值进行滤波处理。这样，通过对第一糖浓度值进行滤波，有效去除传感器在采集数据的过程中出现的噪声。
滤波处理的方式可包括但不限于经典有限脉冲响应(Finite Impulse Response,FIR)滤波、无限脉冲响应((Infinite Impulse Response,IIR)滤波、维纳滤波、贝叶斯滤波、卡尔曼滤波等滤波方法。以FIR滤波为例，其计算公式如下：
Figure BDA0004176368590000121
式中，Gout(n)表示对第一糖浓度值滤波后得到的糖浓度值，k表示滤波器延时周期数，N表示滤波器长度，h(k)表示滤波器系数，Gin(n-k)表示第一糖浓度值。
在一种可能的实现方式中，所述获取方法还可以包括：在所获得的第一糖浓度值为首次得到的第一糖浓度值的情况下，对所获得的第一糖浓度值不进行滤波处理。
为了避免连续采集的糖浓度值之间差异过大，在一种可能的实现方式中，可以先对第二糖浓度值进行差分重置，再对差分重置后的第二糖浓度值进行二次浓度补偿。从而在步骤S102之前，所述获取方法还可以包括：
先对首次浓度补偿后的当前糖浓度值和历史糖浓度值进行差分处理，可以得到差分结果(即第一差值)：确定第二糖浓度值与第四糖浓度值之间的第一差值，其中，第四糖浓度值表示对第五糖浓度值进行体内环境纠偏后的糖浓度值，第五糖浓度值表示第二采集时刻下第一用户的体内环境的组织液糖浓度值，第二采集时刻为第一采集时刻的前一个采集时刻。
再基于差分结果与预设的糖浓度阈值的比较结果进行相应的重置处理：若第一差值大于第一糖浓度阈值，则以第四糖浓度值与第一糖浓度阈值的和作为第二糖浓度值；若第一差值小于第二糖浓度阈值，则以第四糖浓度值与第二糖浓度阈值的和作为第二糖浓度值；若第一差值位于第一糖浓度阈值与第二糖浓度阈值之间，则不对第二糖浓度值进行重置。
第一糖浓度阈值大于第二糖浓度阈值。第一糖浓度阈值可以为Gthmmol/L,第二糖浓度阈值可以为-Gthmmol/L，其中，Gth的取值范围可以为0.5mmol/L至3mmol/L。第一糖浓度阈值、第二糖浓度阈值可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
这样，通过对当前第二糖浓度值与前一个第二糖浓度值进行差分处理，根据差分结果和糖浓度阈值确定是否重置当前第二糖浓度值，能够消除在传感器使用过程中由生理因素以外原因导致的糖浓度测量结果产生大幅度变化的影响。
在一个示例中，可以通过以下公式确定第一差值DG2n：
DG2n＝G2(n+1)-G2n公式五
式中，DG2n表示第一差值，n表示糖浓度序列的序号，G2(n+1)表示当前采集时刻下的第二糖浓度值，G2n表示上一个采集时刻下的第二糖浓度值。
现以一组包括序号为1且在t-1时刻下的G21＝10mmol/L、序号为2且在t时刻下的G22＝13mmol/L以及序号为3且在t+1时刻下的G23＝13mmol/L的糖浓度序列以及第一糖浓度阈值为2mmol/L为例：由于DG21＝G22-G21＝3mmol/L>2mmol/L，故以G21(即10mmol/L)与第一糖浓度阈值(即2mmol/L)的和(即12mmol/L)作为G22，以便后续以G22＝12mmol/L、G23＝13mmol/L的糖浓度序列进行差分重置工作。
现以另一组包括序号为4且在t+3时刻下的G24＝10mmol/L、序号为5且在t+4时刻下的G25＝7mmol/L以及序号为6且在t+5时刻下的G26＝9mmol/L的糖浓度序列以及第二糖浓度阈值为-2mmol/L为例：由于DG24＝G25-G24＝-3mmol/L<-2mmol/L，故以G24(即10mmol/L)与第二糖浓度阈值(即-2mmol/L)的和(即8mmol/L)作为G25，以便后续以G25＝8mmol/L、G26＝9mmol/L的糖浓度序列进行差分重置工作。
步骤S102为二次浓度补偿。通过对第二糖浓度值进行浓度补偿，可以得到第三糖浓度值。其中，第三糖浓度值可表示对第二糖浓度值进行浓度补偿后的组织液糖浓度值，显然第三糖浓度值也是针对第一采集时刻而言的。
在一种可能的实现方式中，可以基于第二糖浓度值与预设糖浓度临界范围判断是否进行二次浓度补偿。二次浓度补偿的目的在于令浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。从而步骤S102可以包括：若第二糖浓度值未处于预设糖浓度临界范围内，则利用浓度补偿参数对第二糖浓度值进行浓度补偿，直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。
也就是说，在第二糖浓度高于预设糖浓度临界范围的上界的情况下，或者，在第二糖浓度低于预设糖浓度临界范围的下界的情况下，可以对二糖浓度值进行二次浓度补偿，直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围的上界与下界之间。
预设糖浓度临界范围的上界可以是符合预期的最高糖浓度值(例如20mmol/L)，预设糖浓度临界范围的下界可以是符合预期的最低糖浓度值(例如5mmol/L)，预设糖浓度临界范围可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
这样，通过第二糖浓度值与预设糖浓度临界范围的比较结果确定是否进行第二次浓度补偿，在第二糖浓度值未处于预设糖浓度临界范围内的情况下进行二次浓度补偿，能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，有效保障血糖数据获取的精度。
二次浓度补偿可以利用浓度补偿参数调整第二糖浓度值，得到第三糖浓度值。其中，浓度补偿参数可用于消除预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差。
在一种可能的实现方式中，浓度补偿参数可以包括第一浓度补偿参数和第二浓度补偿参数。从而步骤S102可以包括：以第二糖浓度值和第一浓度补偿参数之积与第二浓度补偿参数的和作为第三糖浓度值，以使第三糖浓度值处于预设糖浓度临界范围内。这样，通过二次浓度补偿能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，有效保障血糖数据获取的精度。
在一个示例中，可以通过以下公式对第二糖浓度值G2进行二次浓度补偿，得到第三糖浓度值G3：
G3＝G2*c+d公式六
式中，G3表示第一采集时刻下的第三糖浓度值，G2表示第一采集时刻下的第二糖浓度值，c表示第一浓度补偿参数，d表示第二浓度补偿参数。
在一个示例中，浓度补偿参数可以通过以下方式确定：测定同一传感器分别位于某一高糖浓度和某一低糖浓度的模拟体内环境下的电流响应数据，并对这些电流响应数据进行线性拟合，得到浓度补偿参数。
需要说明的是，尽管以上述为示例介绍了浓度补偿参数的确定方法，但本领域技术人员能够理解，本公开实施例应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定浓度补偿参数，只要能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差即可。
在一种可能的实现方式中，步骤S102还可以包括：若第二糖浓度值处于预设糖浓度临界范围内，则以第二糖浓度值作为第三糖浓度值。
也就是说，在第二糖浓度处于预设糖浓度临界范围的上界与下界之间的情况下，可以不对二糖浓度值进行二次浓度补偿，直接以第二糖浓度值作为第三糖浓度值进行后续工作。
这样，通过在第二糖浓度值处于预设糖浓度临界范围内的情况下不进行二次浓度补偿，降低计算量，有助于后续快速得到血糖数据。
步骤S103为根据两次浓度补偿后得到的组织液糖浓度值(即第三糖浓度值)确定最终的血糖浓度值。这样，通过连续两次浓度补偿组织液糖浓度值，首次浓度补偿能够消除传感器在制备过程和实际使用过程中测量葡萄糖浓度的差异以避免影响血糖数据的测量精度，二次浓度补偿能够消除传感器在体内高浓度血糖和低浓度血糖下产生的传感器自身测量的固有误差，有效保障血糖数据获取的精度，方便用户得到准确的血糖数据。
在一种可能的实现方式中，步骤S103可以包括：将第三糖浓度值、第一采集时刻以及第一用户信息输入至训练后的血糖生成模型中，输出第一采集时刻下第一用户的血糖浓度值。这样，通过血糖生成模型对补偿后的糖浓度值、时间信息及用户的生理参数进行处理，可以消除对血糖浓度值的误差，保证最终测得的血糖浓度值贴近于真实的血糖浓度值。
第一用户信息至少可以包括第一用户的生理参数。生理参数可以包括但不限于年龄、性别、身高、体重等。第一用户信息可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
血糖生成模型可以基于但不限于线性回归、逻辑回归、支持向量机、移动平均自回归模型、神经网络等机器学习模型训练得到。血糖生成模型的具体模型结构可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
在一种可能的实现方式中，血糖生成模型的训练过程至少可以包括：初始化血糖生成模型的参数；利用第一训练集训练血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型。
第一训练集可以包括多组第一训练数据，每组第一训练数据至少可以包括但不限于第二用户的历史血糖浓度值和生理参数，其中，第二用户与第一用户分别指向不同的用户。除了第二用户的相关数据(即历史血糖浓度值和生理参数等)，第一训练集也还可以包括第一用户的相关数据。或者，第一训练集也可以不包括第一用户的相关数据，而仅包括第二用户的相关数据。第一训练集可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
第一预设条件可以为训练次数达到预设次数或者血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。也就是说，可以在实际训练次数达到预设训练次数的情况下，得到训练后的血糖生成模型。或者可以预先将用户的历史血糖浓度值分为两部分，一部分用于血糖生成模型的训练，另一部分用于评估训练得到的血糖生成模型的预测效果，即在利用训练得到的血糖生成模型输出的某一用户的血糖浓度值与该用户的实际血糖浓度值的差值小于或等于第一阈值。其中，第一阈值可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
这样，通过用户历史血糖浓度值和生理参数训练血糖生成模型，直至训练次数达到预设次数或者模型生成的血糖浓度值与实际血糖浓度值的差值小于或等于第一阈值，这样训练出来的血糖生成模型能够生成更贴近于真实情况的血糖浓度值。
现以神经网络模型为例说明血糖生成模型的训练过程：将服务器中的数据中非数值化的部分进行数值化，例如将性别量化为0和1。将数据进行随机分配为训练集、测试集，两者比例可为8:2。使用训练集数据进行训练，对数据进行归一化，归一化为将所有数据的范围归为0-1；设置网络层数和神经元个数；将训练集数据导入至血糖生成模型中进行训练，初步训练出模型；使用测试集对血糖生成模型进行验证，评估模型的预测效果。
在一种可能的实现方式中，在通过步骤S103确定第一用户的血糖浓度值后，还可以进一步确定第一用户的未来血糖走势数据。从而所述获取方法还可以包括：将第一采集时刻下第一用户的血糖浓度值、历史采集时刻下第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出第一用户的未来血糖走势数据。这样，通过血糖走势预测模型对当前时刻及历史时刻下的血糖浓度值及用户的生理参数、运动参数及饮食参数进行处理，能够生成用户的未来血糖走势数据，为用户提供智能的预测血糖服务。
历史采集时刻表示第一采集时刻之前的至少一个采集时刻。历史采集时刻的选择(采集时间和/或数量)可由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
第二用户信息至少包括第一用户的生理参数、运动参数以及饮食参数。生理参数可以包括但不限于年龄、性别、身高、体重等。运动参数可以包括但不限于运动步数、运动时间点、运动时长、运动种类、运动平均心率等。饮食参数可以包括但不限于饮食总热量、饮食时间以及饮食营养素比例等。第二用户信息可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
血糖走势预测模型可以基于但不限于线性回归、逻辑回归、支持向量机、移动平均自回归模型、神经网络等机器学习模型训练得到。血糖走势预测模型的具体模型结构可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
在一种可能的实现方式中，血糖走势预测模型的训练过程至少可以包括：初始化血糖走势预测模型的参数；利用第二训练集训练血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型。
第二训练集可以包括多组第二训练数据，每组第二训练数据至少可以包括但不限于第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数，其中，第三用户与第一用户分别指向不同的用户。除了第三用户的相关数据(即历史血糖浓度值、生理参数、运动参数以及饮食参数等)，第二训练集也还可以包括第一用户的相关数据(即历史血糖浓度值、生理参数、运动参数以及饮食参数)。或者第二训练集也可以不包括第一用户的相关数据，而仅包括第三用户的相关数据。第二训练集可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
第二预设条件可以为训练次数达到预设次数或者血糖走势预测模型生成的未来血糖走势数据与实际血糖走势数据的偏差满足第二预设范围。也就是说，可以在实际训练次数达到预设训练次数的情况下，得到训练后的血糖走势预测模型。或者可以预先将用户的历史血糖浓度值分为两部分，一部分用于血糖走势预测模型的训练，另一部分用于评估训练得到的血糖走势预测模型的预测效果，即在利用训练得到的血糖走势预测模型输出的某一用户的未来血糖走势数据与该用户的实际血糖走势数据的偏差满足第二预设范围。其中，第二预设范围可以由用户根据个人喜好和/或实际应用场景灵活设定，本公开实施例对此不做限定。
这样，通过用户历史血糖浓度值、生理参数、运动参数以及饮食参数训练血糖走势预测模型，直至训练次数达到预设次数或者模型生成的未来血糖走势数据与实际血糖走势数据的差值满足预期，这样训练出来的血糖走势预测模型能够生成更贴近于真实情况的未来血糖走势数据。
现以神经网络模型为例说明血糖走势预测模型的训练过程：将服务器中的数据中非数值化的部分进行数值化，例如将性别量化为0和1。将血糖-时间序列依据随机时间点切分为两部分，切分时间点之前的血糖-时间序列和用户的患者的生理参数、运动参数以及饮食参数等作为模型的训练集，切分时间点之后的血糖-时间序列作为模型的预测对照。将数据进行随机分配为训练集、测试集，二者比例为8:2。使用训练集数据进行训练，对数据进行归一化，归一化为将所有数据的范围归为0-1；设置网络层数和神经元个数；导入训练集数据至血糖走势预测模型中进行训练，初步训练出模型；使用测试集对血糖走势预测模型进行验证，评估模型的预测效果。
在一种可能的实现方式中，在对当前组织液糖浓度值进行两次浓度补偿得到第三糖浓度值后，还可以基于当前第三糖浓度值与历史第三糖浓度值判断是否需要校准传感器的初始灵敏度Sstart，以进一步提升测量精度。从而所述获取方法还可以包括：根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，其中，所述各个采集时刻下的第六糖浓度值表示基于所述体内纠偏参数和所述浓度补偿参数对各个采集时刻下所述第一用户的体内环境的组织液糖浓度值进行浓度补偿后得到的糖浓度值，所述第二时间段中包括多个第三时间段；若所述判断结果为需要进行校准，则对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度。其中，所述根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，可以包括：确定第一平均值和第二平均值的第二差值，若所述第二差值超出预设阈值，则确定需要对所述传感器的初始灵敏度进行校准，若所述第二差值未超出所述预设阈值，则确定无需对所述传感器的初始灵敏度进行校准，其中，所述第一平均值表示所述第一时间段内各个采集时刻下的第六糖浓度值的平均值，所述第二平均值表示所述第二时间段内各个采集时刻下的第六糖浓度值的平均值。其中，所述对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，可以包括：根据多个第三平均值确定第四平均值，其中，每个所述第三平均值对应一个所述第三时间段，任意一个所述第三平均值表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，所述第四平均值表示所述多个第三平均值的平均值；利用所述浓度补偿参数对所述第四平均值进行首次反向浓度补偿得到第七糖浓度值，所述第七糖浓度值表示对所述第四平均值进行所述首次反向浓度补偿后的糖浓度值；利用所述体内纠偏参数对所述第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值，所述第八糖浓度值表示对所述第七糖浓度值进行所述二次反向浓度补偿后的糖浓度值；基于所述第八糖浓度值、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述基准温度以及所述第一时间段的运行信息对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，其中，所述运行信息包括所述第一时间段内各个采集时刻下的温度的平均值和电流的平均值。
各个采集时刻下的第六糖浓度值可表示基于体内纠偏参数和浓度补偿参数对各个采集时刻下第一用户的体内环境的组织液糖浓度值进行两次浓度补偿后得到的糖浓度值。
第一时间段可表示当前第三糖浓度值对应的采集时刻所处的某一时间段，例如第一时间段可为当日。也就是说，第一时间段内各个采集时刻下的第六糖浓度值为当日所有采集时刻下的第三糖浓度值。
第二时间段中包括多个第三时间段，例如第三时间段可为一日，第二时间段可为多日。也就是说，第二时间段内各个采集时刻下的第六糖浓度值为多日所有采集时刻下的第三糖浓度值，第三时间段内各个采集时刻下的第六糖浓度值为每日所有采集时刻下的第三糖浓度值。
为了更好地说明，下文将第一时间段内各个采集时刻下的第六糖浓度值简称为当日糖浓度，将第二时间段内各个采集时刻下的第六糖浓度值简称为多日糖浓度，将第三时间段内各个采集时刻下的第六糖浓度值简称为每日糖浓度。
在一种可能的实现方式中，可以根据以下过程判断是否需要对传感器的初始灵敏度进行校准：确定第一平均值和第二平均值的第二差值，其中，第一平均值表示当日糖浓度的平均值，第二平均值表示多日糖浓度的平均值；在第二差值超出预设的第二阈值的情况下，可以确定需要对传感器的初始灵敏度进行校准；在第二差值未超出第二阈值的情况下，可以确定无需对传感器的初始灵敏度进行校准。
在一种可能的实现方式中，可以根据以下过程校准传感器的初始灵敏度，从而得到校准后的初始灵敏度：
首先，可以根据多个第三平均值确定第四平均值。每个第三平均值可对应一个第三时间段，任意一个第三平均值可表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，第四平均值表示多个第三平均值的平均值，也就是说，第四平均值可为多个每日糖浓度的平均值。
其次，判断第四平均值是否处于预设糖浓度临界范围内。预设糖浓度临界范围参见上文对二次浓度补偿的说明，此处不再赘述。当第四平均值高于预设糖浓度临界范围的上界时，或者，当第四平均值低于预设糖浓度临界范围的下界时，可以利用浓度补偿参数对第四平均值G4进行首次反向浓度补偿得到第七糖浓度值G′，首次反向浓度补偿可视为二次浓度补偿的逆过程，可根据以下公式进行：
Figure BDA0004176368590000181
式中，G′表示第七糖浓度值即对第四平均值G4进行首次反向浓度补偿得到的糖浓度值，G4表示第四平均值即多个每日糖浓度的平均值，c表示第一浓度补偿参数，d表示第二浓度补偿参数。
接着，可以利用体内纠偏参数对第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值。二次反向浓度补偿可视为首次浓度补偿的逆过程，可根据以下公式进行：
Figure BDA0004176368590000182
式中，G表示第八糖浓度值即对第七糖浓度值G′进行二次反向浓度补偿得到的糖浓度值，G′表示第七糖浓度值，a表示第一体内纠偏参数，b表示第二体内纠偏参数。
最后，可以基于第八糖浓度值、传感器的灵敏度时间漂移参数、传感器的温度响应参数、传感器的工作时长、基准温度以及第一时间段的运行信息对传感器的初始灵敏度进行校准，得到校准后的初始灵敏度。其中，运行信息包括第一时间段内各个采集时刻下的温度的平均值和电流的平均值。可根据以下公式得到校准后的初始灵敏度Sstart′：
Figure BDA0004176368590000183
式中，Sstart′表示校准后的传感器灵敏度，G表示第八糖浓度值，Imean表示第一时间段内各个采集时刻下的电流的平均值，Ds表示传感器的灵敏度时间漂移参数，t表示传感器当前的工作时长(即使用时长)，Tmean表示第一时间段内各个采集时刻下的温度的平均值，Tbase表示预设基准温度，Ct表示传感器的温度响应参数。
其中，Imean可根据以下公式得到：
Figure BDA0004176368590000184
式中，Imean表示第一时间段内各个采集时刻下的电流的平均值，N表示参与计算的第一时间段内传感器采集到的电流值总数，Ii表示第一时间段内传感器电流序列。传感器电流序列与上文的糖浓度序列同理，传感器电流序列可包括多个电流值，每个电流值对应一个糖浓度值。
其中，Tmean可根据以下公式得到：
Figure BDA0004176368590000191
式中，Tmean表示第一时间段内各个采集时刻下的温度的平均值，N表示参与计算的第一时间段内温度值总数，Ti表示第一时间段内温度序列。温度序列与上文的糖浓度序列同理，温度序列可包括多个温度值，每个温度值对应一个糖浓度值。
这样，通过对传感器的初始灵敏度进行校准，能够防止传感器植入人体后出现预期外的灵敏度变化，避免导致糖浓度测量不准的情况。
图2示出根据本公开实施例提供的连续血糖监测系统的框图。如图2所示，所述系统200可以包括传感器201、发射器202、终端设备203以及服务器204。
传感器201与发射器202可通过硬件连接，例如导线连接或触点连接。发射器202可具有温度采集模块。传感器201可植入第一用户体内测定在第一用户的体内环境下的电流信号。温度采集模块可测定工作温度。
终端设备203可通过发射器202获取到传感器201测量到的电流信号以及温度采集模块测量到的温度信号。终端设备203可以通过发射器202获取到传感器201的参数，或者也可以通过外部设备获取传感器201的参数，本公开对此不做限定。
终端设备203可将获取到的组织液糖值及传感器201、温度采集模块的相关运行数据上传至服务器204，以方便服务器204执行上述血糖数据的获取方法或下文的血糖数据的生成方法，从而服务器204得到血糖浓度值以及未来血糖走势数据后可发送至终端设备203。或者也可由终端设备203执行上述血糖数据的获取方法或下文的血糖数据的生成方法以得到组织液糖值、血糖浓度值以及未来血糖走势数据，并上传至服务器204以存储，本公开对此不做限定。
在一个示例中，所述血糖数据的获取方法可以包括：
第一步，获取初始参数。启动上述连续血糖监测系统(下文简称系统)，可以在传感器在与发射器通电后，通过读取发射器内处理芯片或微控制单元(Microcontroller Unit,MCU)读取传感器的出厂数据，也就是传感器的初始灵敏度、传感器的灵敏度时间漂移参数以及传感器的温度响应参数；或者也可以通过在服务器中查询预先存储的传感器参数。
第二步，对传感器进行温度校准和灵敏度漂移校准，得到校准后的传感器灵敏度。获取传感器测量的电流值、传感器的当前工作温度以及传感器的当前工作时间，其中，当前工作温度为当前时间点通过温度传感器采集的温度值，当前工作时间为传感器开始工作时间点到当前时间点的工作时长，当前工作温度可通过发射器上的温度采集模块测得；使用上述公式三对传感器灵敏度进行温度校准和灵敏度漂移校准，得到校准后的传感器灵敏度。
第三步，将校准后的传感器灵敏度和传感器植入用户体内采集到的电流值代入上述公式二，得到第一糖浓度值。
第四步，结合系统采集得到的历史第一糖浓度值，对当前获取到的第一糖浓度值进行滤波处理。如果当前获取到的第一糖浓度值为系统第一个组织液糖浓度值，那么不进行滤波，直接进入下一步。
第五步，针对体内环境对滤波后的第一糖浓度值进行体内纠偏，得到第二糖浓度值。
第六步，对当前第二糖浓度值和之前的第二糖浓度值做差分重置。
第七步，比较预设糖浓度临界范围与差分重置后的第二糖浓度值，若差分重置后的第二糖浓度值未处于预设糖浓度临界范围内，则对该第二糖浓度值进行浓度补偿，得到第三糖浓度值。
第八步，比较传感器测定当日的糖浓度序列的平均值(即第一平均值)与该传感器十四日内的糖浓度序列的平均值(即第二平均值)，若第一平均值和第二平均值的差值超出预设的第二阈值，则可以确定需要对传感器的初始灵敏度进行校准。
第九步，获取十四日中每日糖浓度序列平均值的平均值(即第四平均值)、当日的电流序列的平均值以及当日的温度序列的平均值。
第十步，若第四平均值未处于预设糖浓度临界范围内，则可基于上述公式七对第四平均值进行反向浓度补偿，得到第七糖浓度值。
第十一步，利用上述公式八对第七糖浓度值进行反向体内纠偏，得到第八糖浓度值。
第十二步，利用上述公式九对传感器的初始灵敏度进行校准，得到校准后的初始灵敏度。
第十三步，将第七步补偿得到的第三糖浓度值、当前采集时间信息以及用户的生理参数输入至血糖生成模型中，得到用户当前采集时刻的血糖浓度值，并通过终端设备的显示屏显示血糖浓度值。
第十四步，将第十三步得到血糖浓度值、历史采集时刻下同一用户的血糖浓度值以及用户的生理参数、运动参数以及饮食参数输入至血糖走势预测模型中，得到用户的未来血糖走势数据，并通过终端设备的显示屏显示未来血糖走势数据。
这样，基于传感器校准技术和机器学习技术提供的血糖数据的获取方法，不仅能够实时跟踪传感器在植入人体内的电流变化，还可由电流计算出的血糖变化，同时可实时校准传感器的灵敏度，降低传感器在测量糖浓度时产生的误差，并且结合机器学习方法消除组织液糖和血糖二者之间的生理延时和浓度差异问题。
图3示出根据本公开实施例提供的血糖数据的生成方法的流程图。如图3所示，所述生成方法可以包括：
步骤S301、利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值。
步骤S302、利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。
步骤S303、将第三糖浓度值、第一采集时刻以及第一用户信息输入至血糖生成模型中，输出第一采集时刻下第一用户的血糖浓度值。
其中，体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差。第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值。第二糖浓度值表示对第一糖浓度值进行体内环境纠偏后的糖浓度值。浓度补偿参数用于消除预设糖浓度阈值以外的糖浓度对传感器测量糖浓度的固有误差。第一用户信息至少包括第一用户的生理参数。
在本公开实施例中，通过血糖生成模型对补偿后的糖浓度值、时间信息及用户的生理参数处理，可以消除对血糖浓度值的测量误差，保证最终测得的血糖浓度值贴近于真实的血糖浓度值。
在一种可能的实现方式中，血糖生成模型的训练过程至少可以包括：初始化血糖生成模型的参数；利用第一训练集训练血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型；其中，第一训练集包括多组第一训练数据，每组第一训练数据至少包括第二用户的历史血糖浓度值和生理参数；第一预设条件为训练次数达到预设次数或者血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。
通过利用用户历史血糖浓度值和生理参数训练血糖生成模型，直至训练次数达到预设次数或者模型生成的血糖浓度值与实际血糖浓度值的差值满足预期，这样训练出来的血糖生成模型能够生成更贴近于真实情况的血糖浓度值。
在一些实施例中，本公开实施例提供的血糖数据的生成方法具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的获取方法实施例的描述，为了简洁，这里不再赘述。
图4示出根据本公开实施例提供的血糖数据的生成方法的流程图。如图4所示，所述生成方法可以包括：
步骤S401、利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值。
步骤S402、利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。
步骤S403、基于第三糖浓度值确定第一采集时刻下第一用户的血糖浓度值。
步骤S404、将第一采集时刻下第一用户的血糖浓度值、历史采集时刻下第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出第一用户的血糖走势数据。
其中，体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差。第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值。第二糖浓度值表示对第一糖浓度值进行体内环境纠偏后的糖浓度值。浓度补偿参数用于消除预设糖浓度阈值以外的糖浓度对传感器测量糖浓度的固有误差。历史采集时刻表示第一采集时刻之前的至少一个采集时刻，第二用户信息至少包括第一用户的生理参数、运动参数以及饮食参数。
在本公开实施例中，通过血糖走势预测模型对当前时刻及历史时刻下的血糖浓度值及用户的生理参数、运动参数及饮食参数处理，能够生成用户的未来血糖走势数据，为用户提供智能的预测血糖服务。
在一种可能的实现方式中，血糖走势预测模型的训练过程至少可以包括：初始化血糖走势预测模型的参数；利用第二训练集训练血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型；其中，第二训练集包括多组第二训练数据，每组第二训练数据至少包括第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数；第二预设条件为训练次数达到预设次数或者血糖走势预测模型生成的未来血糖走势数据与实际血糖走势数据的差值满足第二预设范围。
通过利用用户历史血糖浓度值、生理参数、运动参数以及饮食参数训练血糖走势预测模型，直至训练次数达到预设次数或者模型生成的未来血糖走势数据与实际血糖走势数据的差值满足预期，这样训练出来的血糖走势预测模型能够生成更贴近于真实情况的未来血糖走势数据。
在一些实施例中，本公开实施例提供的血糖数据的生成方法具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的获取方法实施例的描述，为了简洁，这里不再赘述。
图5示出根据本公开实施例提供的血糖数据的获取装置的框图。如图5所示，所述获取装置500可以包括：
第一浓度补偿模块501，第一浓度补偿模块501被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，第二糖浓度值表示对第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块502，第二浓度补偿模块502被配置为利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，浓度补偿参数用于消除预设糖浓度阈值以外的糖浓度对传感器测量糖浓度的固有误差；
血糖确定模块503，血糖确定模块503被配置为基于第三糖浓度值确定第一采集时刻下第一用户的血糖浓度值。
在一种可能的实现方式中，所述装置还包括：第一获取模块，第一获取模块被配置为获取第一采集时刻下传感器的工作温度和工作时长；第一校准模块，第一校准模块被配置为基于传感器的初始灵敏度、传感器的灵敏度时间漂移参数、传感器的温度响应参数、传感器的工作时长、传感器的工作温度以及预设基准温度进行校准，得到校准后的传感器灵敏度；第二获取模块，第二获取模块被配置为基于第一采集时刻下传感器采集的电流和校准后的传感器灵敏度，获得第一糖浓度值。
在一种可能的实现方式中，所述装置还包括：滤波处理模块，滤波处理模块被配置为在利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值之前，响应于第一糖浓度值为非首次得到的第一糖浓度值，对第一糖浓度值进行滤波处理。
在一种可能的实现方式中，体内纠偏参数包括第一体内纠偏参数和第二体内纠偏参数；所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，包括：将第一糖浓度值和第一体内纠偏参数之积与第二体内纠偏参数的和作为第二糖浓度值。
在一种可能的实现方式中，在利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内之前，装置还包括：差分处理模块，差分处理模块被配置为确定第二糖浓度值与第四糖浓度值之间的第一差值，第四糖浓度值表示对第五糖浓度值进行体内环境纠偏后的糖浓度值，第五糖浓度值表示第二采集时刻下第一用户的体内环境的组织液糖浓度值，第二采集时刻为第一采集时刻的前一个采集时刻；若第一差值大于第一糖浓度阈值，则以第四糖浓度值与第一糖浓度阈值的和作为第二糖浓度值；若第一差值小于第二糖浓度阈值，则以第四糖浓度值与第二糖浓度阈值的和作为第二糖浓度值，其中，第一糖浓度阈值大于第二糖浓度阈值。
在一种可能的实现方式中，所述利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，包括：若第二糖浓度值未处于预设糖浓度临界范围内，则利用浓度补偿参数对第二糖浓度值进行浓度补偿，直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内。
在一种可能的实现方式中，装置还包括：确定模块，确定模块被配置为若第二糖浓度值处于预设糖浓度临界范围内，则以第二糖浓度值作为第三糖浓度值。
在一种可能的实现方式中，浓度补偿参数包括第一浓度补偿参数和第二浓度补偿参数；所述利用浓度补偿参数对第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度阈值内，包括：以第二糖浓度值和第一浓度补偿参数之积与第二浓度补偿参数的和作为第三糖浓度值，以使第三糖浓度值处于预设糖浓度临界范围内。
在一种可能的实现方式中，装置还包括：第二校准模块，第二校准模块被配置为根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对传感器的初始灵敏度进行校准，其中，各个采集时刻下的第六糖浓度值表示基于体内纠偏参数和浓度补偿参数对各个采集时刻下第一用户的体内环境的组织液糖浓度值进行浓度补偿后得到的糖浓度值，第二时间段中包括多个第三时间段；若判断结果为需要进行校准，则对传感器的初始灵敏度进行校准，得到校准后的初始灵敏度；其中，根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对传感器的初始灵敏度进行校准，包括：确定第一平均值和第二平均值的第二差值，若第二差值超出预设阈值，则确定需要对传感器的初始灵敏度进行校准，若第二差值未超出预设阈值，则确定无需对传感器的初始灵敏度进行校准，其中，第一平均值表示第一时间段内各个采集时刻下的第六糖浓度值的平均值，第二平均值表示第二时间段内各个采集时刻下的第六糖浓度值的平均值；其中，对传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，包括：根据多个第三平均值确定第四平均值，其中，每个第三平均值对应一个第三时间段，任意一个第三平均值表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，第四平均值表示多个第三平均值的平均值；利用浓度补偿参数对第四平均值进行首次反向浓度补偿得到第七糖浓度值，第七糖浓度值表示对第四平均值进行首次反向浓度补偿后的糖浓度值；利用体内纠偏参数对第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值，第八糖浓度值表示对第七糖浓度值进行二次反向浓度补偿后的糖浓度值；基于第八糖浓度值、传感器的灵敏度时间漂移参数、传感器的温度响应参数、传感器的工作时长、基准温度以及第一时间段的运行信息对传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，其中，运行信息包括第一时间段内各个采集时刻下的温度的平均值和电流的平均值。
在一些实施例中，本公开实施例提供的血糖数据的获取装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的获取方法实施例的描述，为了简洁，这里不再赘述。
图6示出根据本公开实施例提供的血糖数据的生成装置的框图。如图6所示，所述生成装置600可以包括：
第一浓度补偿模块601，所述第一浓度补偿模块601被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块602，所述第二浓度补偿模块602被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
浓度输出模块603，所述浓度输出模块603被配置为将所述第三糖浓度值、所述第一采集时刻以及第一用户信息输入至血糖生成模型中，输出所述第一采集时刻下所述第一用户的血糖浓度值，其中，所述第一用户信息至少包括所述第一用户的生理参数。
在一种可能的实现方式中，所述生成装置还包括血糖生成模型训练模块，所述血糖生成模型训练模块被配置为：初始化所述血糖生成模型的参数；利用第一训练集训练所述血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型；其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据至少包括第二用户的历史血糖浓度值和生理参数；所述第一预设条件为训练次数达到预设次数或者所述血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。
在一些实施例中，本公开实施例提供的血糖数据的生成装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的生成方法实施例的描述，为了简洁，这里不再赘述。
图7示出根据本公开实施例提供的血糖数据的生成装置的框图。如图7所示，所述生成装置700可以包括：
第一浓度补偿模块701，所述第一浓度补偿模块701被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块702，所述第二浓度补偿模块702被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
确定模块703，所述确定模块703被配置为基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值；
走势输出模块704，所述走势输出模块704被配置为将所述第一采集时刻下所述第一用户的血糖浓度值、历史采集时刻下所述第一用户的血糖浓度值以及所述第二用户信息输入至血糖走势预测模型，输出所述第一用户的血糖走势数据，其中，所述历史采集时刻表示所述第一采集时刻之前的至少一个采集时刻，所述第二用户信息至少包括所述第一用户的生理参数、运动参数以及饮食参数。
在一种可能的实现方式中，所述生成装置还包括：血糖走势预测模型训练模块，所述血糖走势预测模型训练模块被配置为初始化所述血糖走势预测模型的参数；利用第二训练集训练所述血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型；其中，所述第二训练集包括多组第二训练数据，每组所述第二训练数据至少包括第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数；所述第二预设条件为训练次数达到预设次数或者所述血糖走势预测模型生成的血糖走势数据与实际血糖走势数据的偏差满足第二预设范围。
在一些实施例中，本公开实施例提供的血糖数据的生成装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的生成方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种血糖数据的处理装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述血糖数据的获取方法或者生成方法。
在一些实施例中，本公开实施例提供的血糖数据的处理装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的获取方法或者生成方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述血糖数据的获取方法或者生成方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
在一些实施例中，本公开实施例提供的计算机可读存储介质具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文血糖数据的获取方法或者生成方法实施例的描述，为了简洁，这里不再赘述。
图8示出根据本公开实施例提供的用于执行血糖数据的获取方法的装置的框图。例如，装置1900可以被提供为一服务器或终端设备。参照图8，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述血糖数据的获取方法方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (18)

1.一种血糖数据的获取方法，其特征在于，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一采集时刻下所述传感器的工作温度和工作时长；
基于所述传感器的初始灵敏度、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述传感器的工作温度以及预设基准温度进行校准，得到校准后的传感器灵敏度；
基于所述第一采集时刻下传感器采集的电流和所述校准后的传感器灵敏度，获得所述第一糖浓度值。
3.根据权利要求1所述的方法，其特征在于，在所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值之前，所述方法还包括：
响应于所述第一糖浓度值为非首次得到的第一糖浓度值，对所述第一糖浓度值进行滤波处理。
4.根据权利要求1所述的方法，其特征在于，所述体内纠偏参数包括第一体内纠偏参数和第二体内纠偏参数；所述利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，包括：
将所述第一糖浓度值和所述第一体内纠偏参数之积与所述第二体内纠偏参数的和作为所述第二糖浓度值。
5.根据权利要求1所述的方法，其特征在于，在所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内之前，所述方法还包括：
确定所述第二糖浓度值与第四糖浓度值之间的第一差值，所述第四糖浓度值表示对第五糖浓度值进行体内环境纠偏后的糖浓度值，所述第五糖浓度值表示第二采集时刻下所述第一用户的体内环境的组织液糖浓度值，所述第二采集时刻为所述第一采集时刻的前一个采集时刻；
若所述第一差值大于第一糖浓度阈值，则以所述第四糖浓度值与所述第一糖浓度阈值的和作为所述第二糖浓度值；
若所述第一差值小于第二糖浓度阈值，则以所述第四糖浓度值与所述第二糖浓度阈值的和作为所述第二糖浓度值，其中，所述第一糖浓度阈值大于所述第二糖浓度阈值。
6.根据权利要求1所述的方法，其特征在于，所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，包括：
若所述第二糖浓度值未处于预设糖浓度临界范围内，则利用所述浓度补偿参数对所述第二糖浓度值进行浓度补偿，直至浓度补偿后得到的第三糖浓度值处于所述预设糖浓度临界范围内。
7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：
若所述第二糖浓度值处于预设糖浓度临界范围内，则以所述第二糖浓度值作为所述第三糖浓度值。
8.根据权利要求1或6所述的方法，其特征在于，所述浓度补偿参数包括第一浓度补偿参数和第二浓度补偿参数；所述利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度阈值内，包括：
以所述第二糖浓度值和所述第一浓度补偿参数之积与所述第二浓度补偿参数的和作为所述第三糖浓度值，以使所述第三糖浓度值处于所述预设糖浓度临界范围内。
9.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，其中，所述各个采集时刻下的第六糖浓度值表示基于所述体内纠偏参数和所述浓度补偿参数对各个采集时刻下所述第一用户的体内环境的组织液糖浓度值进行浓度补偿后得到的糖浓度值，所述第二时间段中包括多个第三时间段；若所述判断结果为需要进行校准，则对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度；
其中，所述根据第一时间段内和第二时间段内各个采集时刻下的第六糖浓度值判断是否需要对所述传感器的初始灵敏度进行校准，包括：
确定第一平均值和第二平均值的第二差值，若所述第二差值超出预设阈值，则确定需要对所述传感器的初始灵敏度进行校准，若所述第二差值未超出所述预设阈值，则确定无需对所述传感器的初始灵敏度进行校准，其中，所述第一平均值表示所述第一时间段内各个采集时刻下的第六糖浓度值的平均值，所述第二平均值表示所述第二时间段内各个采集时刻下的第六糖浓度值的平均值；
其中，所述对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，包括：
根据多个第三平均值确定第四平均值，其中，每个所述第三平均值对应一个所述第三时间段，任意一个所述第三平均值表示对应的第三时间段内各个采集时刻下的第六糖浓度值的平均值，所述第四平均值表示所述多个第三平均值的平均值；
利用所述浓度补偿参数对所述第四平均值进行首次反向浓度补偿得到第七糖浓度值，所述第七糖浓度值表示对所述第四平均值进行所述首次反向浓度补偿后的糖浓度值；
利用所述体内纠偏参数对所述第七糖浓度值进行二次反向浓度补偿得到第八糖浓度值，所述第八糖浓度值表示对所述第七糖浓度值进行所述二次反向浓度补偿后的糖浓度值；
基于所述第八糖浓度值、所述传感器的灵敏度时间漂移参数、所述传感器的温度响应参数、所述传感器的工作时长、所述基准温度以及所述第一时间段的运行信息对所述传感器的初始灵敏度进行校准，得到校准后的初始灵敏度，其中，所述运行信息包括所述第一时间段内各个采集时刻下的温度的平均值和电流的平均值。
10.一种血糖数据的生成方法，其特征在于，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
将所述第三糖浓度值、所述第一采集时刻以及第一用户信息输入至血糖生成模型中，输出所述第一采集时刻下所述第一用户的血糖浓度值，其中，所述第一用户信息至少包括所述第一用户的生理参数。
11.根据权利要求10所述的方法，其特征在于，所述血糖生成模型的训练过程至少包括：
初始化所述血糖生成模型的参数；
利用第一训练集训练所述血糖生成模型，直至满足第一预设条件，得到训练后的血糖生成模型；
其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据至少包括第二用户的历史血糖浓度值和生理参数；所述第一预设条件为训练次数达到预设次数或者所述血糖生成模型生成的血糖浓度值与实际血糖浓度值的差值满足第一预设范围。
12.一种血糖数据的生成方法，其特征在于，包括：
利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值；
将所述第一采集时刻下所述第一用户的血糖浓度值、历史采集时刻下所述第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出所述第一用户的血糖走势数据，其中，所述历史采集时刻表示所述第一采集时刻之前的至少一个采集时刻，所述第二用户信息至少包括所述第一用户的生理参数、运动参数以及饮食参数。
13.根据权利要求12所述的方法，其特征在于，所述血糖走势预测模型的训练过程至少包括：
初始化所述血糖走势预测模型的参数；
利用第二训练集训练所述血糖走势预测模型，直至满足第二预设条件，得到训练后的血糖走势预测模型；
其中，所述第二训练集包括多组第二训练数据，每组所述第二训练数据至少包括第三用户的历史血糖浓度值、生理参数、运动参数以及饮食参数；所述第二预设条件为训练次数达到预设次数或者所述血糖走势预测模型生成的血糖走势数据与实际血糖走势数据的偏差满足第二预设范围。
14.一种血糖数据的获取装置，其特征在于，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
血糖确定模块，所述血糖确定模块被配置为基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值。
15.一种血糖数据的生成装置，其特征在于，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
浓度输出模块，所述浓度输出模块被配置为将所述第三糖浓度值、所述第一采集时刻以及第一用户信息输入至血糖生成模型中，输出所述第一采集时刻下所述第一用户的血糖浓度值，其中，所述第一用户信息至少包括所述第一用户的生理参数。
16.一种血糖数据的生成装置，其特征在于，包括：
第一浓度补偿模块，所述第一浓度补偿模块被配置为利用体内纠偏参数对第一糖浓度值进行浓度补偿得到第二糖浓度值，其中，所述体内纠偏参数用于消除传感器在体内环境与制备环境测量糖浓度的误差，所述第一糖浓度值表示第一采集时刻下第一用户的体内环境的组织液糖浓度值，所述第二糖浓度值表示对所述第一糖浓度值进行体内环境纠偏后的糖浓度值；
第二浓度补偿模块，所述第二浓度补偿模块被配置为利用浓度补偿参数对所述第二糖浓度值进行浓度补偿直至浓度补偿后得到的第三糖浓度值处于预设糖浓度临界范围内，所述浓度补偿参数用于消除所述预设糖浓度临界范围以外的糖浓度对传感器测量糖浓度的固有误差；
确定模块，所述确定模块被配置为基于所述第三糖浓度值确定所述第一采集时刻下所述第一用户的血糖浓度值；
走势输出模块，所述走势输出模块被配置为将所述第一采集时刻下所述第一用户的血糖浓度值、历史采集时刻下所述第一用户的血糖浓度值以及第二用户信息输入至血糖走势预测模型，输出所述第一用户的血糖走势数据，其中，所述历史采集时刻表示所述第一采集时刻之前的至少一个采集时刻，所述第二用户信息至少包括所述第一用户的生理参数、运动参数以及饮食参数。
17.一种血糖数据的处理装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至9中任意一项所述的获取方法，或者权利要求10至11中任意一项所述的生成方法，或者权利要求12至13中任意一项所述的生成方法。
18.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的获取方法，或者权利要求10至11中任意一项所述的生成方法，或者权利要求12至13中任意一项所述的生成方法。
CN202310392456.6A 2023-04-12 2023-04-12 血糖数据的获取方法及生成方法、装置、介质 Active CN116313099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310392456.6A CN116313099B (zh) 2023-04-12 2023-04-12 血糖数据的获取方法及生成方法、装置、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310392456.6A CN116313099B (zh) 2023-04-12 2023-04-12 血糖数据的获取方法及生成方法、装置、介质

Publications (2)

Publication Number Publication Date
CN116313099A true CN116313099A (zh) 2023-06-23
CN116313099B CN116313099B (zh) 2024-04-26

Family

ID=86822380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310392456.6A Active CN116313099B (zh) 2023-04-12 2023-04-12 血糖数据的获取方法及生成方法、装置、介质

Country Status (1)

Country Link
CN (1) CN116313099B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118392967A (zh) * 2024-06-24 2024-07-26 北京华益精点生物技术有限公司 血糖仪数据处理方法、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8092386B1 (en) * 2006-12-22 2012-01-10 Pacesetter, Inc. Method and implantable system for blood-glucose concentration monitoring
US20130109942A1 (en) * 2011-10-26 2013-05-02 Medtronic Minimed, Inc. Method and/or system for multicompartment analyte monitoring
CN108209936A (zh) * 2017-12-25 2018-06-29 重庆大学 一种皮下植入式血糖仪的自适应校准算法
US20190223766A1 (en) * 2018-01-23 2019-07-25 Dexcom, Inc. Systems, devices, and methods to compensate for temperature effects on sensors
CN110208352A (zh) * 2019-06-24 2019-09-06 深圳硅基传感科技有限公司 葡萄糖传感器的出厂校准方法
US20200077931A1 (en) * 2018-09-07 2020-03-12 One Drop Forecasting blood glucose concentration
CN111326255A (zh) * 2020-01-19 2020-06-23 湖南盈赛缇思人工智能公共数据平台有限公司 一种基于大数据的血糖浓度校正方法、存储介质及系统
US20210059602A1 (en) * 2018-01-16 2021-03-04 The Regents Of The University Of California Systems, devices and methods for estimating blood glucose concentrations from signals of sensors deployed in tissue

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8092386B1 (en) * 2006-12-22 2012-01-10 Pacesetter, Inc. Method and implantable system for blood-glucose concentration monitoring
US20130109942A1 (en) * 2011-10-26 2013-05-02 Medtronic Minimed, Inc. Method and/or system for multicompartment analyte monitoring
CN108209936A (zh) * 2017-12-25 2018-06-29 重庆大学 一种皮下植入式血糖仪的自适应校准算法
US20210059602A1 (en) * 2018-01-16 2021-03-04 The Regents Of The University Of California Systems, devices and methods for estimating blood glucose concentrations from signals of sensors deployed in tissue
US20190223766A1 (en) * 2018-01-23 2019-07-25 Dexcom, Inc. Systems, devices, and methods to compensate for temperature effects on sensors
US20200077931A1 (en) * 2018-09-07 2020-03-12 One Drop Forecasting blood glucose concentration
CN110208352A (zh) * 2019-06-24 2019-09-06 深圳硅基传感科技有限公司 葡萄糖传感器的出厂校准方法
CN111326255A (zh) * 2020-01-19 2020-06-23 湖南盈赛缇思人工智能公共数据平台有限公司 一种基于大数据的血糖浓度校正方法、存储介质及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄永红;刘洪英;田森富;皮喜田;: "葡萄糖传感器的实时自调整校准算法研究", 仪器仪表学报, no. 09, 15 September 2016 (2016-09-15), pages 2053 - 2060 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118392967A (zh) * 2024-06-24 2024-07-26 北京华益精点生物技术有限公司 血糖仪数据处理方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN116313099B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
JP7125493B2 (ja) 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム
US20180089386A1 (en) Method to recalibrate continuous glucose monitoring data on-line
CN109640796B (zh) 用于提供与在连续监测系统中测得的分析物值相关联的信号质量度的方法
US8374668B1 (en) Analyte sensor with lag compensation
US8473022B2 (en) Analyte sensor with time lag compensation
CN116313099B (zh) 血糖数据的获取方法及生成方法、装置、介质
US11737688B2 (en) Apparatus and methods of probing sensor operation and/or determining analyte values during continuous analyte sensing
EP3822625B1 (en) Method for measuring concentration of a biometric measurement object by using artificial intelligence deep learning
CN107788994A (zh) 一种基于云端大数据的智能实时动态血糖监测系统及方法
EP4098194A1 (en) Method for calculating calibration sensitivity of sensor for insertion into body
EP2787343A1 (en) Analyte meter for test strips
CN114617549A (zh) 用于检测异常值和错误传感器使用情况以及校正、消隐或终止血糖传感器的机器学习模型
CN114145738B (zh) 分析物浓度数据生成方法和装置、监测分析物水平的系统
CN109935327B (zh) 基于智能决策支持的高血压患者心血管危险分层评估方法
CN116350196A (zh) 基于深度学习的无创血压值预测方法及系统
US20220233109A1 (en) Micro models and layered prediction models for estimating sensor glucose values and reducing sensor glucose signal blanking
CN106456065A (zh) 使用基线分析物水平的分析物水平校准
JP2019537026A (ja) リスク因子モニタリング
US20220240818A1 (en) Model mosaic framework for modeling glucose sensitivity
US20220245306A1 (en) Model mosaic framework for modeling glucose sensitivity
CN115708677A (zh) 一种数据处理方法、装置、电子设备和存储介质
US20170363565A1 (en) Analyte Measurement
Kirchsteiger et al. A novel online recalibration strategy for continuous glucose measurement sensors employing LMI techniques
CN110007087B (zh) 一种基于可充电血糖仪的测量血糖方法
US20210068723A1 (en) Intelligent prediction-based glucose alarm devices, systems, and methods

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