CN116504355B - 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 - Google Patents
基于神经网络闭环胰岛素输注控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116504355B CN116504355B CN202310474231.5A CN202310474231A CN116504355B CN 116504355 B CN116504355 B CN 116504355B CN 202310474231 A CN202310474231 A CN 202310474231A CN 116504355 B CN116504355 B CN 116504355B
- Authority
- CN
- China
- Prior art keywords
- insulin infusion
- neural network
- blood glucose
- control
- time
- 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
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 title claims abstract description 306
- 102000004877 Insulin Human genes 0.000 title claims abstract description 153
- 108090001061 Insulin Proteins 0.000 title claims abstract description 153
- 229940125396 insulin Drugs 0.000 title claims abstract description 153
- 238000001802 infusion Methods 0.000 title claims abstract description 129
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000008280 blood Substances 0.000 claims abstract description 105
- 210000004369 blood Anatomy 0.000 claims abstract description 104
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 85
- 239000008103 glucose Substances 0.000 claims abstract description 85
- 230000003044 adaptive effect Effects 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 108010046685 Rho Factor Proteins 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 11
- 210000000496 pancreas Anatomy 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000013016 Hypoglycemia Diseases 0.000 description 4
- 230000002641 glycemic effect Effects 0.000 description 4
- 230000002218 hypoglycaemic effect Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Nutrition Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
- External Artificial Organs (AREA)
Abstract
本发明提供一种基于神经网络闭环胰岛素输注控制方法、装置及存储介质；主要通过神经网络预测模型得到使用者未来的血糖变化的预测值；根据神经网络预测模型所预测的血糖变化，通过最小方差控制算法调整胰岛素泵的理论胰岛素输注速率，再根据历史数据进行离线训练，最终计算得胰岛素输注开关控制参数和能量补偿量，通过采用自适应参考曲线、自适应柔化因子和自适应权重因子策略，提高了预测的准确度，进一步增加人工胰腺系统的实时监控和胰岛素输注控制的安全性。
Description
技术领域
本发明涉及胰岛素输注控制技术领域，特别涉及一种基于神经网络闭环胰岛素输注控制方法、装置及存储介质。
背景技术
糖尿病是世界上排名第三的慢性疾病，严重危害了人类的身体健康。糖尿病是由于人体不能分泌足够的胰岛素或无法有效使用胰岛素而导致血液中的葡萄糖水平升高时所发生的一种慢性疾病。人工胰腺，又被称为胰岛素闭环输注系统，是一种有效的糖尿病治疗手段。人工胰腺主要包括连续血糖监测系统(CGMS)、智能控制算法和胰岛素泵(IP)三个部分。其中，智能控制系统是整个人工胰腺的核心，直接决定了血糖控制的准确性和有效性，迄今为止已经有多种有效的控制算法应用于闭环人工胰腺控制系统。主要包括比例微积分控制、模糊控制、模型预测控制和广义预测控制。
面向青少年和儿童的人工胰腺智能控制算法研究是当下的热点和难点问题。这是因为青少年和儿童糖尿病患者的激素分泌水平较高并且具有较低的胰岛素敏感性，往往表现出剧烈的血糖波动和较大的个体差异。常见的人工胰腺智能控制算法，例如模型预测控制和广义预测控制，大多是利用线性方程描述胰岛素-血糖关系，往往无法准确预测和调控青少年和儿童的血糖变化。神经网络预测是当下最热门的非线性预测方法。它主要借鉴了人脑神经系统处理信息的过程，以数学网络拓扑为理论基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等功能为特征，集信息加工与存储一体化，具有广泛的应用前景。神经网络预测控制是一种有效的智能控制算法，其主要包括神经网络预测模块和最小方差控制模块两部分。神经网络预测模块主要用于预测患者血糖的变化趋势，最小方差控制模块则是基于血糖预测值计算出恰当的胰岛素注射速率。最小方差控制模块包括多个关键性的参数，例如参考曲线、柔化因子和权重因子。参考曲线是最小方差控制的追踪对象，直接决定了控制的效果。柔化因子直接决定了最小方差控制对于参考曲线的追踪速度，较低的柔化因子可以保证控制系统具有较高的追踪速度，但是却影响了系统的鲁棒性。反之，较低的柔化因子可以提高控制系统的鲁棒性，却牺牲了系统的追踪速度。权重因子决定了外加干预，即胰岛素输注速率，在整个控制模型的权重。低的权重因子数值意味着在患者血糖波动时有较急剧的胰岛素输注速率，而高的权重因子数值则意味着系统在监测到患者血糖波动时采用较平缓的胰岛素输注速率。糖尿病患者一日三餐的进食量存在差异和波动，并且青少年和儿童糖尿病患者的血糖波动较为剧烈。需要对上述重要参数实时监控和设置，否则容易影响引起药物注射不足或过剩导致的生病安全问题，甚至过量输注会导致昏迷甚至死亡，因此必须实时监控患者的胰岛素输注量以及患者的低血糖风险。
发明内容
为更好的实现人工胰腺系统的个体化治疗问题，本发明为解决上述技术问题，提供一种基于神经网络闭环胰岛素输注控制方法、装置及存储介质，通过基于神经网络闭环胰岛素输注控制模型能够提前15分钟以上预测患者的血糖变化，当患者的血糖预测值低于预警值时，例如70mg/dL，及时向患者发出预警信息和进餐补偿提醒。每日胰岛素总量控制则是循环累计患者每日所注射的胰岛素总量，当患者的每日胰岛素输注总量超过每日胰岛素总量控制值时，则及时关闭胰岛素输注，确保患者不会因为胰岛素输注过量而出现危险状况。
具体的，本发明提供的一种基于神经网络闭环胰岛素输注控制方法，包括以下步骤：
S1：实时监测人体血糖参数。
S2：根据所述血糖参数，构建基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数；根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量。
S3：完成本轮胰岛素输注，返回S1进入下一轮自动监控。
其中，所述S2中基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数，具体为：
S21：采用基于神经网络预测模型计算得下一预设时间的血糖值。
S22：根据所述血糖值，采用最小方差控制算法调整胰岛素输注速率。
S23：迭代步骤S21和S22，获得最优胰岛素输注参数。
优选的，所述步骤S21采用基于神经网络预测模型计算得下一预设时间的血糖值，具体为：
定义基于神经网络预测模型的输入层、隐含层和输出层；令输入信号分别为μ′和G，令输出信号为y；设置隐含层包含神经元个数为n，n≥1。
则输入信号μ′的向量形式为：
(μ(t),μ(-1),μ(t-2),…,μ(-d1))。
则输入信号G的向量形式为：
(G(t),(t-1),G(t-2),…,(t-d2))。
得输出信号y为：
y＝(y(t+1),Y(+2),Y(t+3),…,y(+m))。
式中，μ(t)表示t时刻由最小方差控制算法计算的胰岛素输注速率，μ(t)≥0/step，d1表示延时时长，d1≥0；G(t)表示由血糖值检测模块采集的t时刻使用者的血糖值，G(t)>0mg/dL，d2表示延时时长，d2≥0；y(t+1)表示t+1时刻的血糖预测值，
(+1)>0/，m为预测区间时长，m≥1。
本发明所述基于神经网络闭环胰岛素输注控制模型，还包括：
在计算胰岛素输注参数前，所述基于神经网络闭环胰岛素输注控制模型根据历史数据进行离线训练。
在离线训练时，自适应调整神经网络预测模型的内部神经元的权重，迭代训练K次或迭代至预测血糖值与当前监测血糖参数差值在预设范围内，则结束本轮离线训练。
进一步的，所述步骤S22根据所述血糖值，采用最小方差控制算法调整胰岛素输注速率，
具体为：
计算胰岛素输注速率：
w(t+j)＝αjy(t+j)+1-αj)yr(t+j)(j＝1,2,…,m)。
式中，μ(t+j-1)表示t时刻超前j-1步时的胰岛素输注速率，μ(t+j-2)表示t时刻超前j-2步时的胰岛素输注速率；m表示最大预测长度，m≥1；ρ表示自适应权重因子，ρ>0；n表示胰岛素输注速率的控制长度，n≥1；y(t+j)表示通过神经网络预测模型获得的在t时刻超前j步时的血糖预测值；yr(+j)表示t+j时刻自适应参考曲线yr的数值；α表示自适应柔化因子，0≤α≤1；αm表示超前m步时的柔化因子数值，j＝1,2,…,m。
所述自适应参考曲线yr，还包括：
若t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于期望值则自适应参考曲线yr的斜率为0；若t时刻超前最大预测长度m步时的预测血糖值y(t+m)高于期望值/>则自适应参考曲线yr的斜率为/>
所述自适应权重因子ρ和自适应柔化因子α，还包括：
设定期望值根据t时刻的血糖参数G(t)，计算所述血糖参数G(t)与期望值/>的偏离度τ，公式为：
计算下一m步血糖参数变化量ΔG，公式为：
ΔG＝y(t+m)-G()。
根据所述偏离度τ和血糖参数变化量ΔG分别计算自适应权重因子ρ和自适应柔化因子α，公式为：
α＝τ-|ΔG|。
式中，θ为底数系数，θ>1。
所述S2中根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量，具体为：
令每日有∈个输注步长，令患者体重为U kg。
当t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于预警值时，计算能量补偿量M为：
则每日胰岛素总量控制值为则设置胰岛素输注开关为：
式中，δ为转换系数，δ>0；control＝1表示开启胰岛素泵，control＝0表示关闭胰岛素泵。
作为另一优选的，一种基于神经网络闭环胰岛素输注控制装置，所述装置至少包括：
检测模块，用于实时监测人体血糖参数。
数据处理模块，通过构建基于神经网络闭环胰岛素输注控制模型，采用最小方差控制算法调整胰岛素输注速率，计算得最优胰岛素输注参数和预测血糖值。
控制模块，用于根据所述胰岛素输注参数设置胰岛素输注开关。
预警模块，根据当前血糖参数和预测血糖值进行能量补偿量预警。
在一种优选的方案中，所述装置还包括通信模块，所述的通信模块与控制模块双向电连接。
本优选方案中，通信模块用于将使用者的血糖值和胰岛素输注速率增量发送到远方系统/医护工作者系统，方便医护工作者随时监控使用者的血糖变化。
作为另一优选的，本发明还提供一种存储介质，为计算机可读存储介质中的一种，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述基于神经网络闭环胰岛素输注控制方法。
在一种优选的方案中，所述的计算机程序还支持远程医疗接入功能，所述的远程医疗接入功能包括以下内容：
若医护人员通过使用者的血糖值和胰岛素泵的胰岛素输注速率增量，判断需要介入控制胰岛素输注时，可以通过通信模块输入控制模块的相应的指令代码，该指令代码具有优先级，控制模块会优先按照医护工作者的指令代码，控制胰岛素泵的输注速率。
与现有技术相比，本发明技术方案的有益效果是：
1、本发明相较于已有的比例微积分控制、模糊逻辑控制和模型预测控制，本发明搭建较为容易，不需要手动输入进餐信息。同时本发明采用了神经网络预测模型是一种非线性预测模型，更加保证了预测的准确性。
2、本发明采用了自适应参考曲线、自适应柔化因子和自适应权重因子策略，上述策略增加了人工胰腺智能控制系统对于血糖波动剧烈的患者，例如青少年和儿童患者的血糖控制效果。
3、本发明中采用了低血糖预测、进餐补偿提醒和每日胰岛素总量控制模块，进一步增加人工胰腺系统的安全性。
附图说明
图1为本发明所述的基于神经网络闭环胰岛素输注控制方法流程图。
图2为图1所述基于神经网络闭环胰岛素输注控制方法原理图。
图3为本发明所述的基于神经网络闭环胰岛素输注控制装置示意图。
具体实施方式
下面结合具体实施例及附图对本发明的一种实现车载设备诊断和升级的方法，系统及存储介质，作进一步详细描述。
具体的，如图1-2所示，本发明提供的一种基于神经网络闭环胰岛素输注控制方法，包括以下步骤：
S1：实时监测人体血糖参数；并滤除血糖噪音。
S2：根据所述血糖参数，构建基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数；根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量。
S3：完成本轮胰岛素输注，返回S1进入下一轮自动监控。
在本发明中基于神经网络闭环胰岛素输注控制模型主要通过神经网络预测模型得到使用者未来的血糖变化的预测值；根据神经网络预测模型所预测的血糖变化，通过最小方差控制算法调整胰岛素泵的理论胰岛素输注速率。其中，最小方差控制算法使用的参考曲线是自适应参考曲线，最小方差控制算法使用的柔化因子是自适应柔化因子，最小方差控制算法使用的权重因子是自适应权重因子，所述的自适应参考曲线会根据血糖调节参考曲线的斜率，所述的自适应柔化因子会根据血糖值的变化而调节自身数值的大小，所述的自适应权重因子会根据血糖值的变化而自动调节自身数值的大小。
其中，所述S2中基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数，具体为：
S21：采用基于神经网络预测模型计算得下一预设时间的血糖值。
S22：根据所述血糖值，采用最小方差控制算法调整胰岛素输注速率。
S23：迭代步骤S21和S22，获得最优胰岛素输注参数。
优选的，所述步骤S21采用基于神经网络预测模型计算得下一预设时间的血糖值，具体为：
优选的，本发明中采用3层BP神经网络结构模型，定义基于神经网络预测模型的输入层、隐含层和输出层；令输入信号分别为μ′和G，令输出信号为y；设置隐含层包含神经元个数为n，n＝10。
则输入信号μ′的向量形式为：
(μ(t),μ(-1),μ(t-2),…,μ(-d1))。
则输入信号G的向量形式为：
(G(t),(t-1),G(t-2),…,(t-d2))。
得输出信号y为：
y＝(y(t+1),y(+2),y(t+3),…,y(+m))。
式中，μ(t)表示t时刻由最小方差控制算法计算的胰岛素输注速率，μ(t)≥0/step，d1表示延时时长，d1≥0，优选的，令d1＝5；G(t)表示由血糖值检测模块采集的t时刻使用者的血糖值，G(t)>0mg/dL，d2表示延时时长，d2≥0，优选的，令d2＝5；y(t+1)表示t+1时刻的血糖预测值，(+1)>0/，m为预测区间时长，m≥5。
本发明所述基于神经网络闭环胰岛素输注控制模型，还包括：
在计算胰岛素输注参数前，所述基于神经网络闭环胰岛素输注控制模型根据历史数据进行离线训练，以增强其预测效果。
在离线训练时，自适应调整神经网络预测模型的内部神经元的权重，迭代训练K次或迭代至预测血糖值与当前监测血糖参数差值在预设范围内，则结束本轮离线训练，优选的，训练过程中需设置训练迭代(epochs)的次数k(k＝10)，并选择训练函数Levenberg-Marquardt算法。
进一步的，所述步骤S22根据所述血糖值，采用最小方差控制算法调整胰岛素输注速，具体为：
计算胰岛素输注速率：
所述的w(t+j)由t时刻的血糖值y(t+j)和参考曲线数值yr(t+j)计算而得，具体通过下式进行表达：
w(t+j)＝αjy(t+j)+1-αj)yr(t+j)(j＝1,2,…,m)。
所述的J为控制目标，当J取最小值时，即可确定μ(t),μ(t+1),…,μ(t+n-1)数值。
式中，μ(t+j-1)表示t时刻超前j-1步时的胰岛素输注速率，μ(t+j-2)表示t时刻超前j-2步时的胰岛素输注速率；m表示最大预测长度，m＝5；ρ表示自适应权重因子，ρ>0；n表示胰岛素输注速率的控制长度，n＝5；y(t+j)表示通过神经网络预测模型获得的在t时刻超前j步时的血糖预测值；yr(t+j)表示t+j时刻自适应参考曲线yr的数值，单位为mg/dL；α表示自适应柔化因子，0≤α≤1；αm表示超前m步时的柔化因子数值，j＝1,2,…,m；m表示最大预测长度，m＝5。
优选的，可进一步表达为向量形式：
W＝Qy+Myr；
所述的yr表示自适应参考曲线，yr(t+j)表示t+j时刻参考曲线yr的数值，单位为mg/dL，所述的W通过下式进行表达：
W＝[w(t+1),w(t+2),…,w(t+n)]T；
所述的Q通过下式进行表达：
Q＝[α1,α2,…,αm]T；
所述的α表示自适应柔化因子，αm表示超前m步时的柔化因子数值，0≤α≤1。
所述的M通过下式进行表达：
M＝[1-α1,1-α2,…,1-αm]T。
所述自适应参考曲线yr，还包括：
在一种优选的方案中，若t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于期望值优选的，/>则自适应参考曲线yr的斜率为0mg/dL/step，即自适应参考曲线为直线/>若t时刻超前最大预测长度m步时的预测血糖值y(t+m)高于期望值/>则自适应参考曲线yr的斜率为/>
在一种优选的方案中，所述自适应权重因子ρ和自适应柔化因子α，还包括：
设定期望值根据t时刻的血糖参数G(t)，计算所述血糖参数G(t)与期望值/>的偏离度τ，公式为：
计算下一m步血糖参数变化量ΔG，公式为：
ΔG＝y(t+m)-G(t)。
根据所述偏离度τ和血糖参数变化量ΔG分别计算自适应权重因子ρ和自适应柔化因子α，公式为：
α＝-|ΔG|。
式中，θ为底数系数，θ＝2。
所述S2中根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量，具体为：
令每日有∈＝288个输注步长，令患者体重为Ukg。
当t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于预警值时，计算能量补偿量M为：
则每日胰岛素总量控制值为则设置胰岛素输注开关为：
式中，δ为转换系数，δ＝3；control＝1表示开启胰岛素泵，control＝0表示关闭胰岛素泵。
作为另一优选的,如图3所示，本发明还提供一种基于神经网络闭环胰岛素输注控制装置，所述装置至少包括：
检测模块，用于实时监测人体血糖参数。
数据处理模块，通过构建基于神经网络闭环胰岛素输注控制模型，采用最小方差控制算法调整胰岛素输注速率，计算得最优胰岛素输注参数和预测血糖值。
控制模块，用于根据所述胰岛素输注参数设置胰岛素输注开关。
优选的，控制模块采用芯片型号是ARM微控制器芯片FS32K146HNT0VLLT，但不限于此。
在控制模块一端胰岛素泵，用于给使用者输注胰岛素，胰岛素泵的输入端与FS32K146HNT0VLLT芯片的输出端信号连接。
预警模块，根据当前血糖参数和预测血糖值进行能量补偿量预警。
在一种优选的方案中，所述装置还包括通信模块，所述的通信模块与控制模块双向电连接。
在一种优选的方案中，所述装置还包括SD存储卡。
本优选方案中，通信模块用于将使用者的血糖值和胰岛素输注速率增量发送到远方系统/医护工作者系统，方便医护工作者随时监控使用者的血糖变化。
本优选方案中，采用可代替动物实验的糖尿病模拟治疗测试软件T1DMS，对算法进行性能测试。该软件包括了100个虚拟的糖尿病成人患者、100个青少年患者和100个儿童患者模型，并提供了虚拟的CGMS和胰岛素泵。测试过程中，只需要将控制算法植入测试平台，选定测试对象并设定进餐计划和监测指标，就可以观察其胰岛素泵的血糖控制效果。
经测试，得到表1所述结果，显示了成人、青少年和儿童患者的血糖控制指数、低血糖风险指数(LBGI)和高血糖风险指数(HBGI)：
| 患者类型 | 血糖控制效果 | LBGI | HBGI |
| 儿童 | 82％ | 1.8 | 2.6 |
| 青少年 | 92％ | 2.2 | 3.9 |
| 成人 | 95％ | 1.6 | 2.8 |
具体的，血糖控制指数为患者血糖位于目标区间70-180mg/dl的时间比例；LBGI和HBGI是T1DMS软件提供的两个指数，用以判断患者的血糖风险。LBGI用以衡量低血糖风险，区间分类为最小风险(LBGI<1.1)，低风险(1.1<LBGI<2.5)，中风险(2.5<LBGI<5)和高风险(LBGI>5.0)。相反的，HBGI用以衡量高血糖风险，区间分类为最小风险(HBGI<5.0)，低风险(5<HBGI<10)，中等风险(10<HBGI<15)和高风险(HBGI>15)。测试数据显示，患者的LBGI指数小于2.5，具有较低的低血糖风险，同时HBGI指数小于5.0，具有较低的高血糖风险。所以发明所述基于神经网络闭环胰岛素输注控制方法和装置在患者血糖控制方面表现出了较好的有效性并具有较高的安全性。
作为另一优选的，本发明还提供一种存储介质，为计算机可读存储介质中的一种，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述基于神经网络闭环胰岛素输注控制方法。
在一种优选的方案中，所述的计算机程序还支持远程医疗接入功能，所述的远程医疗接入功能包括以下内容：
若医护人员通过使用者的血糖值和胰岛素泵的胰岛素输注速率增量，判断需要介入控制胰岛素输注时，可以通过通信模块输入控制模块的相应的指令代码，该指令代码具有优先级，控制模块会优先按照医护工作者的指令代码，控制胰岛素泵的输注速率。
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。例如，针对不同的年龄段的使用者(成人患者、青少年患者和儿童患者)，可以设置不同的自适应曲线。或者针对不同的年龄段的使用者(成人、青少年患和儿童)，可以设置不同的自适应柔化因子计算模型，如指数模型或者对数模型，使得自适应柔化因子更恰合患者本身，更有利于稳定血糖值。在患者使用本实施例时进行选择，使得自适应参考曲线和自适应柔化因子更恰合患者本身，达到更好的治疗效果。又或者，若控制器芯片自带有存储功能，可以将程序模块存储在控制器中，不一定需要外设存储模块(如SD存储卡)进行程序存储。又或者，可以在实施例的基础上增加通信模块(如4G通信模块)，通信模可以将使用者的血糖值和胰岛素泵的输注速率发送到远方系统/医护工作者系统，方便医护工作者随时监控使用者的血糖变化；若医护人员通过使用者的血糖值和胰岛素泵的输注速率，判断需要介入控制胰岛素输注时，可以通过通信模块输入胰岛素泵的输注量的相应的指令代码，该指令代码具有优先级，FS32K146HNT0VLLT芯片会优先按照医护工作者的指令代码，胰岛素输注速率增量。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然对本发明的描述是结合以上具体实施例进行的，但是，熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。
Claims (8)
1.一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述控制方法包括：
S1：实时监测人体血糖参数；
S2：根据所述血糖参数，构建基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数；根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量；
S3：完成本轮胰岛素输注，返回S1进入下一轮自动监控；
其中，
S21：采用基于神经网络预测模型计算得下一预设时间的血糖值；
S22：根据所述血糖值，采用最小方差控制算法调整胰岛素输注速率；定义ρ表示自适应权重因子，ρ＞0；α表示自适应柔化因子，0≤α≤1
所述自适应权重因子ρ和自适应柔化因子α，还包括：
设定期望值根据t时刻的血糖参数G(t)，计算所述血糖参数G(t)与期望值/>的偏离度τ，公式为：
计算下一m步血糖参数变化量ΔG，公式为：
ΔG＝y(t+m)-G(t)；
根据所述偏离度τ和血糖参数变化量ΔG分别计算自适应权重因子ρ和自适应柔化因子α，公式为：
α＝τ-|ΔG|；
式中，θ为底数系数，θ＞1；
S23：迭代步骤S21和S22，获得最优胰岛素输注参数。
2.根据权利要求1所述的一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述步骤S21，具体为：
定义基于神经网络预测模型的输入层、隐含层和输出层；令输入信号分别为μ′和G，令输出信号为y；设置隐含层包含神经元个数为n，n≥1；
则输入信号μ′的向量形式为：
(μ(t)，μ(t-1)，μ(t-2)，...，μ(t-d1))；
则输入信号G的向量形式为：
(G(t)，G(t-1)，G(t-2)，...，G(t-d2))；
得输出信号y为：
y＝(y(t+1)，y(t+2)，y(t+3)，...，y(t+m))；
式中，μ(t)表示t时刻由最小方差控制算法计算的胰岛素输注速率，μ(t)≥0pmol/step，d1表示延时时长，d1≥0；G(t)表示由血糖值检测模块采集的t时刻使用者的血糖参数，G(t)＞0mg/dL，d2表示延时时长，d2≥0；y(t+1)表示t+1时刻的血糖预测值，y(t+1)＞0mg/dL，m为预测区间时长，m≥1。
3.根据权利要求2所述的一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述基于神经网络闭环胰岛素输注控制模型，还包括：
在计算胰岛素输注参数前，所述基于神经网络闭环胰岛素输注控制模型根据历史数据进行离线训练；
在离线训练时，自适应调整神经网络预测模型的内部神经元的权重，迭代训练K次或迭代至预测血糖值与当前监测血糖参数差值在预设范围内，则结束本轮离线训练。
4.根据权利要求3所述的一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述步骤S22，具体为：
计算胰岛素输注速率：
w(t+j)＝αjy(t+j)+(1-αj)yr(t+j)(j＝1，2，...，m)；
式中，μ(t+j-1)表示t时刻超前j-1步时的胰岛素输注速率，μ(t+j-2)表示t时刻超前j-2步时的胰岛素输注速率；m表示最大预测长度，m≥1；ρ表示自适应权重因子，ρ＞0；n表示胰岛素输注速率的控制长度，n≥1；y(t+j)表示通过神经网络预测模型获得的在t时刻超前j步时的血糖预测值；yr(t+j)表示t+j时刻自适应参考曲线yr的数值；α表示自适应柔化因子，0≤α≤1；αm表示超前m步时的柔化因子数值，j＝1，2，...，m。
5.根据权利要求4所述的一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述自适应参考曲线yr，还包括：
若t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于期望值则自适应参考曲线yr的斜率为0；若t时刻超前最大预测长度m步时的预测血糖值y(t+m)高于期望值则自适应参考曲线yr的斜率为/>
6.根据权利要求5所述的一种基于神经网络闭环胰岛素输注控制方法，其特征在于，所述S2中根据所述胰岛素输注参数设置胰岛素输注开关和能量补偿量，具体为：
令每日有∈个输注步长，令患者体重为U kg；
当t时刻超前最大预测长度m步时的预测血糖值y(t+m)等于或低于预警值时，计算能量补偿量M为：
则每日胰岛素总量控制值为则设置胰岛素输注开关为：
式中，δ为转换系数，δ＞0；control＝1表示开启胰岛素泵，control＝0表示关闭胰岛素泵。
7.一种采用如权利要求1-6任一所述的一种基于神经网络闭环胰岛素输注控制方法的装置，所述装置至少包括：
检测模块，用于实时监测人体血糖参数；
数据处理模块，通过构建基于神经网络闭环胰岛素输注控制模型，采用最小方差控制算法调整胰岛素输注速率，计算得最优胰岛素输注参数和预测血糖值；
控制模块，用于根据所述胰岛素输注参数设置胰岛素输注开关；
预警模块，根据当前血糖参数和预测血糖值进行能量补偿量预警。
8.一种存储介质，为计算机可读存储介质中的一种，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一所述的一种基于神经网络闭环胰岛素输注控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310474231.5A CN116504355B (zh) | 2023-04-27 | 2023-04-27 | 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310474231.5A CN116504355B (zh) | 2023-04-27 | 2023-04-27 | 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116504355A CN116504355A (zh) | 2023-07-28 |
| CN116504355B true CN116504355B (zh) | 2024-04-02 |
Family
ID=87321236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310474231.5A Active CN116504355B (zh) | 2023-04-27 | 2023-04-27 | 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116504355B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116721733B (zh) * | 2023-08-10 | 2023-11-07 | 武汉联影智融医疗科技有限公司 | 血糖值调整方法、装置和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104667379A (zh) * | 2015-03-06 | 2015-06-03 | 上海交通大学 | 动态闭环控制的胰岛素泵 |
| CN109925568A (zh) * | 2019-04-30 | 2019-06-25 | 广东食品药品职业学院 | 一种基于自适应柔化因子策略的广义预测控制胰岛素输注量计算方法 |
| CN110197306A (zh) * | 2019-05-31 | 2019-09-03 | 东北大学 | 一种基于vmd-pacf-bp模型的动态血糖在线预测方法 |
| WO2020127936A1 (en) * | 2018-12-21 | 2020-06-25 | Université de Nantes | Method for estimating glycemia and/or controlling an insulin injection device |
| CN111540436A (zh) * | 2020-04-17 | 2020-08-14 | 北京航空航天大学 | 一种自适应葡萄糖和胰岛素的浓度预测系统及方法 |
| CN111643771A (zh) * | 2019-04-30 | 2020-09-11 | 广东食品药品职业学院 | 一种基于自适应广义预测控制的闭环胰岛素输注系统 |
| CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
| KR20210154281A (ko) * | 2020-06-11 | 2021-12-21 | 고려대학교 산학협력단 | 췌장 인슐린 분비능 평가 지표 제공 방법 및 장치 |
| US11456080B1 (en) * | 2020-08-05 | 2022-09-27 | Vignet Incorporated | Adjusting disease data collection to provide high-quality health data to meet needs of different communities |
| WO2022219042A1 (en) * | 2021-04-14 | 2022-10-20 | F. Hoffmann-La Roche Ag | Method and means for postprandial blood glucose level prediction |
| CN115645679A (zh) * | 2022-10-19 | 2023-01-31 | 山东硅基算力科技有限公司 | 基于线性模型的自适应闭环控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220361812A1 (en) * | 2021-05-05 | 2022-11-17 | Insulet Corporation | Using macronutrient information to optimize insulin dosing |
-
2023
- 2023-04-27 CN CN202310474231.5A patent/CN116504355B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104667379A (zh) * | 2015-03-06 | 2015-06-03 | 上海交通大学 | 动态闭环控制的胰岛素泵 |
| WO2020127936A1 (en) * | 2018-12-21 | 2020-06-25 | Université de Nantes | Method for estimating glycemia and/or controlling an insulin injection device |
| CN109925568A (zh) * | 2019-04-30 | 2019-06-25 | 广东食品药品职业学院 | 一种基于自适应柔化因子策略的广义预测控制胰岛素输注量计算方法 |
| CN111643771A (zh) * | 2019-04-30 | 2020-09-11 | 广东食品药品职业学院 | 一种基于自适应广义预测控制的闭环胰岛素输注系统 |
| CN110197306A (zh) * | 2019-05-31 | 2019-09-03 | 东北大学 | 一种基于vmd-pacf-bp模型的动态血糖在线预测方法 |
| CN111540436A (zh) * | 2020-04-17 | 2020-08-14 | 北京航空航天大学 | 一种自适应葡萄糖和胰岛素的浓度预测系统及方法 |
| KR20210154281A (ko) * | 2020-06-11 | 2021-12-21 | 고려대학교 산학협력단 | 췌장 인슐린 분비능 평가 지표 제공 방법 및 장치 |
| US11456080B1 (en) * | 2020-08-05 | 2022-09-27 | Vignet Incorporated | Adjusting disease data collection to provide high-quality health data to meet needs of different communities |
| WO2022219042A1 (en) * | 2021-04-14 | 2022-10-20 | F. Hoffmann-La Roche Ag | Method and means for postprandial blood glucose level prediction |
| CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
| CN115645679A (zh) * | 2022-10-19 | 2023-01-31 | 山东硅基算力科技有限公司 | 基于线性模型的自适应闭环控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| Improved Generalized Predictive Control Algorithm for Blood Glucose Control of Type1 Diabetes;Liu Wenping等;《ARTIFICIAL ARGANS》;全文 * |
| 基于活性胰岛素累积量模糊自适应比例-积分-微分闭环胰岛素的控制方法;余丽玲等;《中国组织工程研究》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116504355A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8690820B2 (en) | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms | |
| CA2784143C (en) | Systems for managing drug delivery devices | |
| JP7019127B2 (ja) | 強化学習に基づくインスリンの評価 | |
| US20180043095A1 (en) | Method and system for closed-loop control of an artificial pancreas | |
| Georga et al. | A glucose model based on support vector regression for the prediction of hypoglycemic events under free-living conditions | |
| EP4013297A1 (en) | Device and method for medical diagnostics | |
| CN109887568B (zh) | 基于医嘱的健康管理系统 | |
| CN116504355B (zh) | 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 | |
| US20120123234A1 (en) | Method and system for automatic monitoring of diabetes related treatments | |
| CN107715230A (zh) | 基于云端大数据的胰岛素泵个体化配置优化系统和方法 | |
| WO2007149533A9 (en) | System, method and article for controlling the dispensing of insulin | |
| CN110124150A (zh) | 一种基于自适应柔化因子策略的广义预测控制闭环胰岛素输注系统 | |
| CN111643771B (zh) | 一种基于自适应广义预测控制的闭环胰岛素输注系统 | |
| US20160162797A1 (en) | Method to Determine Individualized Insulin Sensitivity and Optimal Insulin Dose by Linear Regression | |
| CN112216360A (zh) | 一种糖尿病病人日常血糖监测数据采集管理方法及系统 | |
| Murphy et al. | A batch, off-policy, actor-critic algorithm for optimizing the average reward | |
| CN112402731B (zh) | 一种预防低血糖现象的闭环胰岛素输注系统 | |
| CN109925568A (zh) | 一种基于自适应柔化因子策略的广义预测控制胰岛素输注量计算方法 | |
| JP7470121B2 (ja) | 患者の血糖値を調節する自動システム | |
| Esfanjani et al. | Backstepping nonlinear control by using sliding mode observer for controlling blood suger | |
| WO2022079077A1 (en) | Computerized system for the repeated determination of a set of at least one control parameters of a medical device | |
| CN117919546A (zh) | 基于神经网络反馈线性化闭环胰岛素输注控制方法及系统 | |
| CN116560220B (zh) | 一种可变优先级的人工胰腺自适应模型预测控制系统 | |
| CN118022101A (zh) | 个性化线性时变模型的人工胰腺预测控制方法 | |
| US20240082492A1 (en) | Method for estimating an unannounced meal ingested |
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 |