CN116723797A - 用于估计传感器葡萄糖值和减少传感器葡萄糖信号消隐的微模型和分层预测模型 - Google Patents

Abstract

本文描述了用于改进连续血糖监测(“CGM”)的方法、系统和装置。更具体地，这些方法、系统和装置描述了应用分层机器学习模型来生成预测的传感器葡萄糖值。系统可以使用预测的传感器葡萄糖值来向用户显示传感器葡萄糖值。分层模型可以跨许多场景生成更可靠的传感器葡萄糖预测，从而导致减少传感器葡萄糖信号消隐。本文所述的方法、系统和装置还包括应用多个微模型来估计异常条件下的传感器葡萄糖值。当系统基于传感器数据检测到某些异常条件时，系统可以优先考虑针对那些异常条件训练的模型。

Description

用于估计传感器葡萄糖值和减少传感器葡萄糖信号消隐的微 模型和分层预测模型

技术领域

本技术整体涉及传感器技术，包括用于感测各种生理参数(例如，葡萄糖浓度)的传感器。

背景技术

多年来，已经开发了多种用于对患者的血液中的特定药剂或组合物进行检测和/或定量的传感器，这使得患者和医务人员能够监测患者身体内的生理状况。说明性地，受试者可能希望连续地监测受试者身体内的血糖水平。因此，已开发了用于获得对糖尿病患者的血糖水平的指示的葡萄糖传感器。此类读数适用于监测和/或调整通常包括向患者定期施用胰岛素的治疗方案。目前，患者可以使用BG测量装置(即，血糖仪)例如测试条计、连续血糖测量系统(或连续血糖监测器)或医院BG测试来测量血糖(“BG”)。BG测量装置使用各种方法来测量患者的BG水平，诸如患者的血液样品、与体液接触的传感器、光学传感器、酶传感器或荧光传感器。当BG测量装置已生成BG测量结果时，该测量结果将显示在BG测量装置上。

发明内容

传统的连续血糖监测(“CGM”)系统间歇地产生对用户血液中葡萄糖浓度的不可靠估计。如果此类间歇性故障导致忽视或加重低血糖和高血糖，则其可能对用户具有严重或甚至致命的影响。例如，缺乏可用的或准确的传感器数据可能使得常规CGM系统无效，并且因此由常规CGM系统产生的估计葡萄糖读数可能不可靠。该缺点是由于当前系统对单个传感器葡萄糖估计模型的依赖性，该单个传感器葡萄糖估计模型的装备可能不足以处理可能发生的问题。例如，传感器数据可能周期性地变得不可用或受限，并且常规系统不能在这种情形下操作。为了克服这些缺陷，本文描述的方法和系统训练多个模型以用于在情形期间准确地检测葡萄糖浓度和/或检测给定情形何时出现。例如，分层模型方法(其包括被训练成基于传感器数据和概率信息两者来预测传感器葡萄糖值的模型)可以通过使用特定于给定情形的模型(和数据类型)来显著降低消隐的频率(例如，移除、忽略、或前述将传感器数据传输到传感器装置或具有显示界面的任何其他装置)。例如，当传感器数据容易获得时，系统可以使用优先考虑传感器数据的模型，而当传感器数据受限时，系统可以优先考虑概率信息，从而生成传感器葡萄糖值的伪未来估计值。这种分层方法使得能够在宽范围的传感器条件下操作的模型可用，并且允许系统使用最适于给定情形的模型。因此，本文描述的方法和系统应用分层机器学习模型来生成更可靠的传感器葡萄糖值。

此外，该分层技术的准确性提高了CGM系统遵守传感器装置的政府标准的能力。政府机构(例如，联邦药物管理局(“FDA”))对CGMS的灵敏度和准确性施加了限制和要求。例如，要求CGM装置满足许多标准(例如，集成连续血糖监测(“iCGM”)标准)以便传感器被认为是准确的。为了符合iCGM标准，CGM系统必须确保不符合iCGM标准的传感器数据不显示给用户。对于当前系统，这导致响应于不可靠传感器数据的过度消隐(例如，移除、忽略或前述将传感器数据传输到传感器装置或具有显示界面的任何其他装置)。这种过多的消隐会使传感器装置的用户失去有价值的传感器葡萄糖数据。本文描述的系统和方法通过应用分层机器学习模型系统来改进当前系统，以改进传感器葡萄糖测量的可靠性并由此减少消隐。

更具体地，描述了用于连续血糖监测的方法、系统和装置。例如，系统可以检索被训练成预测传感器葡萄糖值的多个机器学习模型。在一些实施方案中，多个机器学习模型中的每个机器学习模型可以关于一个或多个数据特性(例如，传感器数据可用性、传感器数据准确性、概率依赖性等)不同。在一些实施方案中，可以使用包括关于传感器葡萄糖行为的临床数据的训练数据来训练多个机器学习模型。系统可以从传感器装置接收CGM传感器数据并将传感器数据输入到多个机器学习模型中。在一些实施方案中，系统可以从多个机器学习模型接收指示多个预测的传感器葡萄糖值的输出。最后，系统可以基于多个预测的传感器葡萄糖值生成传感器葡萄糖值以供在显示界面上显示。例如，传感器葡萄糖值可以基于多个预测的传感器葡萄糖值的选择、平均、加权平均或其任意组合。

常规CGM系统的另一个限制是它们的装备不足以处理传感器装置所面临的宽范围条件。例如，用户依赖于在异常条件下接收准确的传感器数据，诸如与年轻用户、身体活跃的用户、具有高葡萄糖水平的用户、高海拔、高环境温度、高传感器温度、用户佩戴的高水平、身体上的非典型佩戴位置、制作或制造变化、或其他异常条件一起操作。在这些异常条件下无法产生准确且可靠的传感器葡萄糖值可能对传感器装置的用户具有严重或甚至致命的影响。为了克服这些缺陷，本文所述的方法和系统针对单个CGM系统训练多个微模型。系统训练每个微模型以在特定异常条件下操作，例如，使用专用于异常条件的异常训练数据。然而，某些异常条件是罕见的，并且因此对于训练机器学习模型以在那些异常条件下操作而言存在不足的临床数据。因此，本文描述的系统使用异常临床数据和标准训练数据的组合来训练模型以用于更稳健的训练。当异常条件发生时，系统可以基于传感器数据的输入特征的签名(例如，趋势、行为、模式)来识别异常条件。系统然后可以调整多个模型以表征或优先考虑被训练成在所识别的异常条件下操作的某些模型。这种方法允许CGM系统通过调整多个模型以达到特定模型的强度来在大范围的异常条件下产生准确的传感器葡萄糖值。

此外，该技术的准确性提高了CGM系统符合FDA iCGM标准的性能。本文描述的系统和方法通过在不同的异常条件下表征不同的微机器学习模型来改进常规系统，以便改进传感器葡萄糖测量结果的准确性并且减少消隐(例如，由于不符合iCGM标准的数据导致)。

更具体地，描述了用于连续血糖监测的方法、系统和装置。例如，系统可以检索被训练成预测传感器葡萄糖值的多个机器学习模型。在一些实施方案中，多个机器学习模型中的每一个机器学习模型可以针对特定异常条件进行训练(例如，使用异常临床数据和标准训练数据的组合)。系统可以从传感器装置接收CGM传感器数据并将传感器数据输入到多个机器学习模型中。系统可以识别传感器数据中的输入特征的签名(例如，趋势、行为、模式)。系统然后可以调整多个机器学习模型以表征或优先考虑与传感器数据中所识别的输入特征的签名相关联的一个或一个以上模型。该系统可以从经调整的多个机器学习模型接收指示预测的传感器葡萄糖值的输出。例如，预测的传感器葡萄糖值可以基于每个微模型的输出的选择、平均值、加权平均值、最大值、最小值、中值或其任意组合。在一些实施方案中，系统可以(例如，经由传感器装置的显示界面)向传感器装置的用户显示预测的传感器葡萄糖值。

通过详细描述和附图，各种其他方面、特征和优点将是显而易见的。还应当理解，前面的一般描述和下面的详细描述都是示例，而不是对本发明范围的限制。如在说明书和权利要求书中所使用的，单数形式的“一个”、“一种”和“所述”包括复数指示物，除非上下文另外清楚地指明。此外，如在说明书和权利要求书中所使用的，术语“或”意指“和/或”，除非上下文另外清楚地指明。另外，如在说明书中所使用的，“一部分”是指给定项目(例如，数据)的子部分或整体，除非上下文另外明确规定。

本公开的一个或多个方面的细节在以下附图和描述中阐述。根据说明书和附图以及权利要求书，本公开中描述的技术的其他特征、目的和优点将是显而易见的。

附图说明

将参照附图对本发明的实施方案进行详细描述，其中，相似的数字表示图式中的对应部分。

图1示出了根据一个或多个实施方案的可佩戴传感器电子装置。

图2是根据一个或多个实施方案的皮下传感器插入装置的透视图和传感器电子装置的框图。

图3示出了根据一个或多个实施方案的具有两侧的衬底，第一侧包括电极配置，第二侧包括电子电路。

图4示出了根据一个或多个实施方案的传感器电子装置和包括多个电极的传感器的框图。

图5示出了根据一个或多个实施方案的包括传感器和传感器电子装置的本发明的可选实施方案。

图6示出了根据一个或多个实施方案的传感器电极和施加到传感器电极的电压的电子框图。

图7示出了根据一个或多个实施方案的在应用分层预测模型以减少传感器葡萄糖信号消隐中涉及的步骤的流程图。

图8示出了根据一个或多个实施方案的在应用微模型以在异常条件下估计传感器葡萄糖值中所涉及的步骤的流程图。

图9示出根据一个或多个实施方案的机器学习模型系统，该机器学习模型系统用于进行促进减少传感器葡萄糖信号消隐的分层预测和促进估计异常条件下传感器葡萄糖值的预测。

图10示出了根据一个或多个实施方案的要被变换成传感器葡萄糖值的输入数据的流程图。

图11示出了根据一个或多个实施方案的图10的传感器葡萄糖建模器的示意图。

图12示出了根据一个或多个实施方案的图10的传感器葡萄糖建模器的示意图。

具体实施方式

在以下描述中，参考形成描述的一部分并且示出了本发明的几个实施方案的附图。应当理解，在不脱离本发明的范围的情况下，可以利用其他实施方案，并且可以进行结构和操作改变。

下文参考方法、系统、装置、设备以及编程产品和计算机程序产品的流程图图示来描述本发明。应当理解，流程图图示的每个框以及流程图图示中的框的组合可以通过编程指令来实施，该指令包括计算机程序指令(如图式中所描述的任何菜单屏幕)。可以将这些计算机程序指令加载到计算机或其他可编程数据处理设备(例如传感器电子装置中的控制器、微控制器或处理器)上以产生机器，使得在计算机或其他可编程数据处理设备上执行的指令产生用于实施在一个或多个流程图框中指定的功能的指令。这些计算机程序指令还可以存储在计算机可读存储器中，该计算机可读存储器可引导计算机或其他可编程数据处理设备以特定方式起作用，使得存储在计算机可读存储器中的指令产生制品，该制品包括实施一个或多个流程图框中所指定的功能的指令。计算机程序指令还可以加载到计算机或其他可编程数据处理设备上，以使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实施的过程，使得在计算机或其他可编程设备上执行的指令提供用于实施一个或多个流程图框中所指定的功能的步骤，和/或本文中呈现的菜单。编程指令还可存储于电子电路(例如，存储电路、处理电路)中和/或经由电子电路(例如，存储电路、处理电路)来实施，该电子电路包括结合传感器装置、设备和系统使用的集成电路(IC)和专用集成电路(ASIC)。本文还可以使用以下术语和定义：

图1示出了根据一个或多个实施方案的可佩戴传感器电子装置100和150。在一些实施方案中，可佩戴传感器电子装置100可以是输注泵。在一些实施方案中，输注泵可包括显示器。在一些实施方案中，可佩戴传感器电子装置100可以是输注泵/葡萄糖传感器一体机。在一些实施方案中，可佩戴传感器电子装置150可以是蜂窝电话或任何计算装置。在一些实施方案中，可佩戴传感器电子装置100和150可以包括计算机、个人数字助理、寻呼机或任何其他合适的可佩戴装置。在一些实施方案中，可佩戴传感器电子装置100和150可以容纳下面关于图2至图6描述的组件。

图2是皮下传感器插入装置的透视图和传感器电子装置(例如，如图1所示的可佩戴传感器电子装置100或150，或任何其他合适的传感器电子装置)的框图。如图2所示，提供皮下传感器组10，用于将柔性传感器12(参见例如图3)等的活动部分皮下放置在用户身体的选定部位处。传感器组10的皮下或经皮部分包括中空的开槽插入针14和套管16。针14用于促进快速并且容易地将套管16皮下放置在皮下插入部位。传感器12的感测部分18在套管16内部，该感测部分用于通过形成在套管16中的窗口22将一个或多个传感器电极20暴露于用户的体液。在一个实施方案中，一个或多个传感器电极20可以包括反电极、参比电极和一个或多个工作电极。插入后，拔出插入针14，使套管16和感测部分18以及传感器电极20留在选定的插入位点处的位置。

在特定实施方案中，皮下传感器组10促进精确放置柔性薄膜电化学传感器12，该传感器属于用于监测表示用户状况的特定血液参数的类型。传感器12监测体内的血糖水平，并且可以与外部或可植入类型的自动或半自动药物输注泵(例如，如图1中所示的可佩戴传感器电子装置100)结合使用，以控制胰岛素向糖尿病患者的递送，如例如在美国专利4,562,751号；4,678,408号；4,685,903号或4,573,994号中所描述的，其通过引用并入本文。

柔性电化学传感器12的特定实施方案是根据薄膜屏蔽技术构造的，以包括嵌入或包覆在选定的绝缘材料(例如聚酰亚胺膜或聚酰亚胺片)与膜之间的细长薄膜导体。当传感器12的感测部分18(或活动部分)被皮下放置在插入部位处时，感测部分18的顶端处的传感器电极20通过绝缘层中的一个暴露以与患者血液或其他体液直接接触。感测部分18接合到终止于导电接触垫等的连接部分24，该导电接触垫等也通过绝缘层中的一个绝缘层暴露。在替代实施方案中，可以使用其他类型的可植入传感器，例如基于化学的传感器、基于光学的传感器等。

如本领域已知的，连接部分24和接触垫通常适用于到合适的监视器或传感器电子装置200(例如，如图1所示的可佩戴传感器电子装置100或150，或任何其他合适的传感器电子装置)的直接有线电连接，以响应于从传感器电极20导出的信号来监视用户的状况。这种一般类型的柔性薄膜传感器的进一步描述将在5,391,250号，标题为《制造薄膜传感器的方法(METHOD OF FABRICATING THIN FILM SENSORS)》的美国专利中找到，在此引入作为参考。连接部分24可以方便地电连接到监视器或传感器电子装置200，或者通过连接器块28(或类似物)进行连接，如5,482,473号，标题为《柔性电路连接器(FLEX CIRCUITCONNECTOR)》的美国专利中所示和所描述的，其也通过引用并入本文。因此，根据本发明的实施方案，皮下传感器组10可以被配置或形成为与有线或无线特性监测系统一起工作。

传感器电极20可用于多种感测应用中，并且可以多种方式配置。例如，传感器电极20可以用于某一类型的生物分子用作催化剂的生理学参数感测应用。例如，传感器电极20可以用于具有催化与传感器电极20的反应的葡萄糖氧化酶(GOx)的葡萄糖和氧传感器中。传感器电极20连同生物分子或一些其他催化剂可以放置于人体内的血管或非血管环境中。例如，传感器电极20和生物分子可以放置在静脉中并且经受血流，或可以放置在人体的皮下或腹膜区。

监测器200也可以被称为传感器电子装置200。监测器200可以包括电源210、传感器接口222、处理电子器件224和数据格式化电子器件228。监测器200可以通过连接器经电缆202耦合到传感器组10，该连接器电耦合到连接部分24的连接器块28。在替代实施方案中，可省略电缆。在此实施方案中，监测器200可以包括用于直接连接到传感器组10的连接部分204的合适的连接器。传感器组10可被修改成使连接器部分204定位在不同位置处，例如定位在传感器组之上，以促进将监测器200放置在传感器组上方。

在一个实施方案中，传感器接口222、处理电子器件224和数据格式化电子器件228形成为单独半导体芯片，然而，另选的实施方案可将各种半导体芯片组合成单个或多个定制的半导体芯片。传感器接口222与电缆202连接，该电缆与传感器组10连接。

电源210可以是电池。电池可以包括三个串联的氧化银357电池单元。在替代实施方案中，可利用不同的电池化学物质，例如锂基化学物质、碱性电池、镍金属氢化物等，且可使用不同数目的电池。监测器200经由电源210通过电缆202和电缆连接器204向传感器组提供功率。在一个实施方案中，功率是提供给传感器组10的电压。在另一个实施方案中，功率是提供给传感器组10的电流。在一个实施方案中，功率是以特定电压提供给传感器组10的电压。

图3示出了根据一个实施方案的可植入传感器和用于驱动可植入传感器的电子器件。图3示出了具有两个侧的衬底320，其第一侧322包括电极配置，并且其第二侧324包括电子电路(例如，存储电路、处理电路等)。如图3所示，衬底的第一侧322包括在参比电极348的相对侧上的两个反电极-工作电极对340、342、344、346。衬底的第二侧324包括电子电路。如图所示，电子电路可被包封在气密密封的外壳326中，从而为电子电路提供保护性壳体。这允许传感器衬底320插入血管环境或可能使电子电路经受流体的其他环境中。通过将电子电路密封在气密密封的外壳326中，电子电路可进行操作而没有被周围流体短路的风险。图3还示出了可连接电子电路的输入和输出线路的垫328。电子电路本身可以多种方式制造。根据一个实施方案，可使用工业中常见的技术将电子电路制造为集成电路。

图4示出了根据一个实施方案的用于感测传感器的输出的电子电路的一般框图。至少一对传感器电极410可交接到数据转换器412，该数据转换器的输出端可交接到反电极414。反电极414可由控制逻辑416控制。反电极414的输出可以连接到线路接口418。线路接口418可连接到输入和输出线路420，并且还可连接到控制逻辑416。输入和输出线路420也可以连接到功率整流器422。

传感器电极410可用于多种感测应用中，并且可以多种方式配置。例如，传感器电极410可以用于某一类型的生物分子用作催化剂的生理学参数感测应用。例如，传感器电极410可用于具有催化与传感器电极410的反应的GOx酶的葡萄糖和氧传感器中。传感器电极410连同生物分子或一些其他催化剂可以放置于人体内的血管或非血管环境中。例如，传感器电极410和生物分子可放置在静脉中并且经受血流。

图5示出了根据本文实施方案的传感器电子装置(例如，如图1所示的可穿戴传感器电子装置100或150，或任何其他合适的传感器电子装置)和包括多个电极的传感器的框图。图5包括系统500。系统500包括传感器555和传感器电子装置560。传感器555包括反电极565、参比电极570和工作电极575。传感器电子装置560包括电源580、调节器585、信号处理器590、测量处理器595和显示/传输模块597。电源580向调节器585提供功率(呈电压、电流或包括电流的电压的形式)。调节器585将经调节的电压传输到传感器555。在一个实施方案中，调节器585将电压传输到传感器555的反电极565。

传感器555产生指示被测量的生理特性的浓度的传感器信号。例如，传感器信号可以指示血糖读数。在利用皮下传感器的实施方案中，传感器信号可以表示受试者体内的过氧化氢的水平。在利用血液或颅传感器的实施方案中，氧的量由传感器测量并且由传感器信号表示。在利用可植入或长期传感器的实施方案中，传感器信号可以表示受试者体内的氧的水平。在工作电极575处测量传感器信号。在一个实施方案中，传感器信号可以是在工作电极处测量的电流。在一个实施方案中，传感器信号可以是在工作电极处测量的电压。

在传感器555(例如，工作电极)处测量传感器信号之后，信号处理器590接收传感器信号(例如，所测量电流或电压)。信号处理器590处理传感器信号并生成经处理的传感器信号。测量处理器595接收经处理的传感器信号并利用参考值校准经处理的传感器信号。在一个实施方案中，参考值存储在参考存储器中并且提供给测量处理器595。测量处理器595生成传感器测量值。传感器测量值可以存储在测量存储器(未示出)中或被电路(例如存储电路)存储。传感器测量值可以被发送到显示/传输装置，以与传感器电子器件一起显示在壳体中的显示器上，或者被传输到外部装置。

传感器电子装置560可以是包括显示器以显示生理特性读数的监测器。传感器电子装置560还可安装在台式计算机、寻呼机、包括通信能力的电视、膝上型计算机、服务器、网络计算机、个人数字助理(PDA)、包括计算机功能的便携式电话、包括显示器的输注泵(例如，如图1所示的可佩戴传感器电子装置100)，包括显示器的葡萄糖传感器和/或输注泵/葡萄糖传感器一体机(例如，如图1所示的可佩戴传感器电子装置100)中。传感器电子装置560可容纳在黑莓(例如，如图1所示的可佩戴传感器电子装置150)、网络装置、家庭网络装置或连接到家庭网络的家电中。

图5还包括系统550。系统550包括传感器电子装置560和传感器555。传感器包括反电极565、参比电极570和工作电极575。传感器电子装置560包括微控制器510和数模转换器(DAC)520。传感器电子装置560还可包括电流频率转换器(I/F转换器)530。

微控制器510包括在被执行时使微控制器510向DAC 520传输信号的软件程序代码或可编程逻辑，其中信号表示要施加到传感器555的电压电平或值。DAC 520接收信号并生成由微控制器510指示的电平的电压值。在一个实施方案中，微控制器510可频繁地或不频繁地改变信号中的电压电平的表示。说明性地，来自微控制器510的信号可指示DAC 520施加第一电压值达一秒并且施加第二电压值达两秒。

传感器555可接收电压电平或值。在一个实施方案中，反电极565可接收运算放大器的输出，该运算放大器具有参考电压和来自DAC 520的电压值作为输入。电压电平的施加使传感器555产生指示被测量的生理特性的浓度的传感器信号。在一个实施方案中，微控制器510可测量来自工作电极的传感器信号(例如，电流值)。说明性地，传感器信号测量电路531可以测量传感器信号。在一个实施方案中，传感器信号测量电路531可包括电阻器，并且电流可流过电阻器以测量传感器信号的值。在一个实施方案中，传感器信号可以是电流电平信号，并且传感器信号测量电路531可以是电流频率(I/F)转换器530。电流频率转换器530可测量用电流读数表示的传感器信号，将该传感器信号转换为基于频率的传感器信号，并且将基于频率的传感器信号传输到微控制器510。在一些实施方案中，相比于不基于频率的传感器信号，微控制器510可能够更容易地接收基于频率的传感器信号。微控制器510接收传感器信号，不论是基于频率的还是不基于频率的传感器信号，并且确定受试者的生理特性的值，诸如血糖水平。微控制器510可包括程序代码，该程序代码在被执行或运行时能够接收传感器信号并将传感器信号转换为生理特性值。在一个实施方案中，微控制器510可以将传感器信号变换成血糖水平。在一个实施方案中，微控制器510可利用存储在内部存储器内或被电路(例如，存储电路)存储的测量值，以便确定受试者的血糖水平。在一个实施方案中，微控制器510可利用存储在微控制器510外部的存储器内或被电路存储的测量值，以帮助确定受试者的血糖水平。

在微控制器510确定生理特性值之后，微控制器510可在数个时间段内存储生理特性值的测量值。例如，可以每隔一定间隔(例如，每秒或五秒)将血糖值从传感器发送到微控制器510，并且微控制器可以每隔一定间隔(例如，从校准算法估计的BG值的五分钟或十分钟)保存传感器测量值。微控制器510可以将生理特性值的测量值传送到传感器电子装置560上的显示器。例如，传感器电子装置560可以是包括提供受试者的血糖读数的显示器的监测器。在一个实施方案中，微控制器510可将生理特性值的测量值传送到微控制器510的输出接口。微控制器510的输出接口可以将生理特征值(例如，血糖值)的测量值传送到外部装置，例如，输注泵(例如，如图1所示的可佩戴传感器电子装置100)、输注泵/血糖仪一体机(例如，如图1所示的可佩戴传感器电子装置100)、计算机、个人数字助理、寻呼机、网络家电、服务器、蜂窝电话(例如，如图1所示的可佩戴传感器电子装置150)或任何计算装置。

图6示出了根据实施方案的传感器电极和施加到传感器电极的电压的电子框图。在一些实施方案中，图6可以示出具有GOx传感器的电极和/或能够感测GOx的电极。例如，图6可以示出具有GOx传感器的工作电极，该GOx传感器与背景电极一起工作，其中背景电极不具有GOx传感器(例如，如下面关于图8和9所讨论的)。系统然后可以将第一信号和第二信号进行比较以检测用户对药物的摄取。系统可以基于比较来生成传感器葡萄糖值。在图6所示的实施方案中，运算放大器630或其他伺服控制装置可以通过电路/电极接口638连接到传感器电极610。运算放大器630利用通过传感器电极的反馈，尝试通过调整反电极636处的电压来维持参比电极632与工作电极634之间的指定电压(DAC可能希望所施加电压是该指定电压)。然后电流可以从反电极636流动到工作电极634。可以对这种电流进行测量以确定传感器电极610与已放置在传感器电极610的附近并用作催化剂的传感器的生物分子之间的电化学反应。图7至图8中公开的电路(例如，处理电路)可以用在长期或可植入传感器中，或者可以用在短期或皮下传感器中。

在长期传感器实施方案中，其中GOx酶用作传感器中的催化剂，只有当酶和传感器电极610附近存在氧时，电流才可以从反电极636流向工作电极634。说明性地，如果设置在参比电极632处的电压维持在约0.5伏，则从反电极636流动到工作电极634的电流量与包围酶和电极的区域中存在的氧量的单位斜率具有相当线性的关系。因此，通过将参比电极632维持在约0.5伏并且利用电流-电压曲线的此区域来改变血氧水平，可以提高确定血液中的氧量的准确度。不同的实施方案可以利用具有除葡萄糖氧化酶以外的生物分子的不同传感器，并且因此可以在参比电极处设置除0.5伏以外的电压。

如上文所讨论，在传感器610的初始植入或插入期间，由于受试者对传感器的调整以及由用于传感器中的催化剂产生的电化学副产物，传感器610可能提供不准确的读数。许多传感器需要稳定时段，以便于传感器610提供受试者的生理参数的准确读数。在稳定时段期间，传感器610不提供准确的血糖测量值。传感器的用户和制造商可能希望改善传感器的稳定时间帧，使得传感器在插入到受试者体内或受试者的皮下层中之后可以被快速利用。

在先前的传感器电极系统中，稳定时间段或时间帧是一小时到三小时。为了缩短稳定时段或时间范围并提高传感器的精度的及时性，传感器(或传感器的电极)可经受多个脉冲，而不是施加一个脉冲接着在第二时间段内施加另一电压。在一个实施方案中，第一电压可以是1.07伏。在一个实施方案中，第一电压可以是0.535伏。在一个实施方案中，第一电压可以是大约0.7伏。

图7示出了根据一个或多个实施方案的在应用分层预测模型(例如，监督式机器学习模型、无监督式机器学习模型、半监督式机器学习模型、或任何其他合适类型的机器学习模型)来减少传感器葡萄糖信号消隐中所涉及的步骤的流程图。例如，过程700可表示由如图1至图6所示的一个或多个装置采取的步骤。

在步骤702，过程700(例如，使用图1至图6中描述的组件)检索多个机器学习模型。在一些实施方案中，机器学习模型可被训练成预测传感器葡萄糖值。在一些实施方案中，每个机器学习模型可以关于一个或多个数据特性彼此不同。例如，数据特性可以包括传感器数据可用性、传感器数据准确性或概率依赖性。例如，过程700可以检索能够基于可用且准确的传感器数据(例如，正常情况)来预测传感器葡萄糖值的第一机器学习模型。过程700可以检索第二机器学习模型，该第二机器学习模型能够主要基于传感器数据且部分基于概率信息(例如，在缺少一些准确传感器数据的条件下)来预测传感器葡萄糖值。例如，过程700可以检测传感器数据中的短暂异常(例如，尖峰)，并且因此可以去除或最小化异常传感器数据在最终输出计算中的影响，从而更依赖于剩余的可靠传感器数据以及概率信息。过程700可以检索第三机器学习模型，该第三机器学习模型能够主要基于概率信息且部分基于传感器数据(例如，在准确传感器数据极其缺乏的条件下)来预测传感器葡萄糖值。例如，过程700可以检测传感器数据中的长期异常(例如，灵敏度损失)，并且因此可以忽略或最小化传感器数据的大部分在最终输出计算中的影响。过程700可以改为严重依赖于概率数据来预测传感器葡萄糖值。在一些实施方案中，概率依赖性可以基于来自一个或多个用户的过去的传感器数据趋势。

在步骤704，过程700(例如，使用图1至图6中描述的组件)接收CGM传感器数据。例如，过程800可以在传感器装置处接收传感器数据。例如，传感器信息可以包括间隙电流信号(“Isig”)、电化学阻抗谱信号(“EIS”)和反电压(“Vcntr”)。

在步骤706，过程700(例如，使用图1至图6中描述的组件)将传感器数据输入到多个机器学习模型中。在步骤708，过程700(例如，使用图1至图6中描述的组件)从多个机器学习模型接收指示多个预测的传感器葡萄糖值的输出。

在步骤710，过程700(例如，使用图1至图6中描述的组件)基于多个预测的传感器葡萄糖值生成传感器葡萄糖值以供在显示界面上显示。例如，在一些实施方案中，过程700可以识别多个机器学习模型中生成符合iCGM标准的结果或输出结果的机器学习模型。在一些实施方案中，过程700可以根据这些机器学习模型的概率依赖性对这些机器学习模型进行排序。过程700然后可以从多个预测的传感器葡萄糖值中选择与具有最低概率依赖性的机器学习模型相关联的传感器葡萄糖值。在一些实施方案中，过程700可以从经训练的机器学习模型中选择适于传感器数据条件的特定模型。例如，过程700可以基于可靠数据量(例如，无异常)来选择机器学习模型。如果传感器数据是准确且可靠的，则过程700可以选择仅依赖于传感器数据的机器学习模型。如果传感器数据大部分准确且可靠，那么过程700可以选择严重依赖于传感器数据且部分依赖于概率信息的机器学习模型。如果传感器数据不可靠，那么过程700可以选择主要依赖于概率信息且仅部分依赖于传感器数据的机器学习模型，等等。在一些实施方案中，传感器葡萄糖值可以基于多个预测的传感器葡萄糖值的加权平均值。在一些实施方案中，过程700可以基于在特定时间段期间对特定模型的过去积极用户体验来选择该特定模型，该特定时间段包括当日时间和星期几或活动状态(诸如锻炼或进餐)。在这些实施方案中，过程700可以依赖于从一个或多个用户生成的关于在一个或多个时间段或活动状态期间各种模型的性能的信息。

经考虑，图7的步骤或描述可以与本公开的任何其他实施方案一起使用。此外，结合图7描述的步骤和描述可以以替代的顺序或并行地进行，以进一步说明本公开的目的。例如，这些步骤中的每一个可以以任何顺序或并行或基本上同时执行，以减小滞后或提高系统或方法的速度。此外，应当注意，关于图3至图5讨论的任何装置或装备可用于执行图7中的一个或多个步骤。

图8示出了根据一个或多个实施方案的在应用微模型(例如，监督机器学习模型、无监督机器学习模型、半监督机器学习模型或任何其他合适类型的机器学习模型)来估计异常条件下的传感器葡萄糖值中所涉及的步骤的流程图。例如，过程800可表示由如图1至图6所示的一个或多个装置采取的步骤。

在步骤802，过程800(例如，使用图1至图6中描述的组件)检索多个机器学习模型(例如，微模型)。在一些实施方案中，机器学习模型可被训练成预测传感器葡萄糖值。在一些实施方案中，每个机器学习模型可在特定条件下预测传感器葡萄糖值。在一些实施方案中，每个特定条件可以是与标准条件不同的条件或场景(例如，异常条件)。例如，异常条件可以包括传感器装置的用户的类型(例如，年轻用户、身体活跃的用户、具有高葡萄糖水平的用户、葡萄糖变化高于人口平均值的用户等)。在一些实施方案中，异常条件可以包括环境条件(例如，高海拔、高环境温度等)。在一些实施方案中，异常条件可以包括佩戴条件(例如，由于传感器在长时间段内经历使用而导致的高佩戴水平、身体上的佩戴位置等)。在一些实施方案中，异常条件可以包括制作或制造条件(例如，葡萄糖限制膜可由于制作变化而在传感器装置之间略微不同，从而导致传感器装置之间的灵敏度差异，作为生产线上的替换带入的装备可以与其在线上替换的装备略微不同地执行，等等)。在一些实施方案中，异常条件可以包括用户活动条件(例如，跑步、跳跃等)。在一些实施方案中，每个机器学习模型可以使用训练数据来训练，该训练数据包括针对特定异常条件的临床数据(例如，如上所述)。在一些实施方案中，可以使用标准训练数据和异常训练数据的组合来训练每个机器学习模型。例如，多个机器学习模型中的第一机器学习模型可以被训练成使用来自身体活跃的用户的临床数据连同标准临床数据来预测身体非常活跃的用户的传感器葡萄糖值。在一些实施方案中，多个机器学习模型中的第二机器学习模型可以被训练成使用来自在高环境温度下操作的传感器装置的临床数据以及标准临床数据等来预测高环境温度下的用户的传感器葡萄糖值。

在步骤804，过程800(例如，使用图1至图6中描述的组件)接收CGM传感器数据。例如，过程800可以在传感器装置处接收传感器数据。例如，传感器信息可以包括间隙电流信号(“Isig”)、电化学阻抗谱信号(“EIS”)和反电压(“Vcntr”)。

在步骤806，过程800(例如，使用图1至图6中描述的组件)将传感器数据输入到多个机器学习模型中。在步骤808，过程800(例如，使用图1至图6中描述的组件)识别传感器数据中的输入特征的签名。在一些实施方案中，输入特征的签名可以包括传感器数据的特性。例如，过程800可以识别传感器数据的一个或多个输入特征的模式、趋势或行为(例如，灵敏度损失、灵敏度增加、尖峰、下降、周期性行为等)。在一些实施方案中，过程800可以分析实时输入特征、趋势化输入特征或跨传感器装置的寿命传感器数据的输入特征。过程800可以通过将输入特征与传感器数据的组合与数据库中预定的输入特征的签名进行匹配来识别传感器数据中的输入特征的签名。在一些实施方案中，数据库中的输入特征的签名可以各自与特定异常条件相关联。

在步骤810，过程800(例如，使用图1至图6中描述的组件)基于传感器数据中的输入特征的签名来调整多个机器学习模型。例如，过程800可以识别与所识别的输入特征的签名相关联的多个机器学习模型中的一个或多个机器学习模型。例如，一个或多个机器学习模型可以被训练成在与所识别的输入特征的签名匹配的条件下预测传感器葡萄糖值。过程800然后可以调整多个机器学习模型以表征或优先考虑与所识别的输入特征的签名相关联的一个或多个机器学习模型。例如，过程800可以选择一个或多个机器学习模型，使得一个或多个机器学习模型作为一个或多个主模型操作。过程800可以增加与一个或多个机器学习模型相关联的权重，使得多个机器学习模型的加权平均值表征与所识别的输入特征的签名最显著地相关联的一个或多个机器学习模型。在一些实施方案中，过程800可以采用表征或优先考虑与所识别的输入特征的签名相关联的一个或多个机器学习模型的这些或其他方法。

在步骤812，过程800(例如，使用图1至图6中描述的组件)从经调整的多个机器学习模型接收指示预测的传感器葡萄糖值的输出。在一些实施方案中，经调整的多个机器学习模型可以包括与单独地或最显著地特征化的所识别的输入特征的签名相关联的一个或多个机器学习模型。在一些实施方案中，来自经调整的多个机器学习模型的输出可以包括来自多个模型(例如，与所识别的输出特征的签名相关联的一个或多个机器学习模型)的输出的平均值、中值、最大值、最小值或权重。在一些实施方案中，过程800可以基于输出在显示界面上显示传感器装置的预测的传感器葡萄糖值。

经考虑，图8的步骤或描述可以与本公开的任何其他实施方案一起使用。此外，结合图8描述的步骤和描述可以以替代的顺序或并行地进行，以进一步说明本公开的目的。例如，这些步骤中的每一个可以以任何顺序或并行或基本上同时执行，以减小滞后或提高系统或方法的速度。此外，应当注意，关于图3至图5讨论的任何装置或装备可用于执行图8中的一个或多个步骤。

图9示出根据一个或多个实施方案的机器学习模型系统，该机器学习模型系统用于进行促进减少传感器葡萄糖信号消隐的分层预测和促进估计异常条件下传感器葡萄糖值的预测。

在一些实施方案中，机器学习模型系统可以包括一个或多个神经网络或其他机器学习模型。例如，神经网络可以基于大的神经单元(或人工神经元)集合。神经网络可以宽松地模拟生物脑工作的方式(例如，通过由轴突连接的生物神经元的大簇)。神经网络的每个神经单元可以与神经网络的许多其他神经单元连接。这种连接可以加强或抑制它们对连接的神经单元的激活状态的影响。在一些实施方案中，每个单独的神经单元可以具有将其所有输入的值组合在一起的求和函数。在一些实施方案中，每个连接(或神经单元本身)可以具有阈值函数，使得信号在传播到其他神经单元之前必须超过阈值。这些神经网络系统可以是自学习和经训练的，而不是显式编程的，并且与传统的计算机程序相比，可以在问题解决的某些领域表现好得多。在一些实施方案中，神经网络可以包括多个层(例如，其中信号路径从前层穿越到后层)。在一些实施方案中，神经网络可利用反向传播技术，其中正向刺激用于重置“前”神经单元上的权重。在一些实施方案中，神经网络的刺激和抑制可以是更自由流动的，连接以更混乱和复杂的方式相互作用。

在一些实施方案中，机器学习模型系统可以基于其对预测的评估来更新其配置(例如，权重、偏差或其他参数)。存储器可以存储训练数据和一个或多个经训练的机器学习模型。

作为示例，机器学习模型900可以采用输入902并提供输出904。在一种使用情况下，输出904可以被反馈(例如，主动反馈)到机器学习模型900，作为训练机器学习模型900的输入(例如，单独地或结合输出904的用户精度指示、与输入902相关联的标签，或与其他参考反馈信息一起)。在另一使用情况下，机器学习模型900可以基于其对其预测的评估(例如，输出904)和参考反馈信息(例如，用户精度指示、参考标签或其他信息)来更新其配置(例如，权重、偏差或其他参数)。在机器学习模型900是神经网络的另一使用情况中，可以调整连接权重以调和神经网络的预测和参考反馈之间的差异。在另一使用情况下，神经网络的一个或多个神经元(或节点)可能要求它们各自的错误通过神经网络向后发送到它们以便于更新过程(例如，错误的反向传播)。对连接权重的更新例如可以反映在前向传递已经完成之后向后传播的错误的大小。这样，例如，可以训练机器学习模型900以生成更好的预测。

在一些实施方案中，本文所述的方法和系统可以包括多个机器学习模型，该多个机器学习模型被训练以作出促进减少传感器葡萄糖信号消隐的预测。在一些实施方案中，输入902可以包括CGM传感器数据(例如，葡萄糖传感器数据)和先前建模数据，并且参考反馈信息904(其作为输入被反馈到机器学习模型900)可以包括关于传感器葡萄糖行为的临床数据。例如，临床数据可以是被标记的训练数据(例如，用趋势、行为等标记)。因此，当特定传感器数据作为输入902被提供给每个机器学习模型900时，每个机器学习模型900可以提供包括预测的传感器葡萄糖值的输出904。

在一些实施方案中，每个机器学习模型900可以被训练成选择某些输入902而不是其他输入，或者比其他输入更重地对某些输入902加权。例如，本文所述的系统和方法可以包括N个机器学习模型。第一机器学习模型可以仅依赖于包括CGM传感器数据的输入902。参考反馈信息904可以包括关于传感器葡萄糖行为的临床数据。当特定传感器数据作为输入902被提供时，第一机器学习模型可以提供输出904，该输出指示仅基于CGM传感器数据输入的预测的传感器葡萄糖值。第二机器学习模型可以依赖于包括CGM传感器数据和先前建模信息两者的输入902。参考反馈信息904可以包括关于传感器葡萄糖行为的临床数据。当特定传感器数据作为输入902被提供时，第二机器学习模型可以提供输出904，该输出指示基于CGM传感器数据和概率预测两者(例如，根据先前建模信息)的预测的传感器葡萄糖值。N个机器学习模型可以包括依赖于一系列这样的输入902(例如，基于选择、平均、加权等)的机器学习模型。

在一些实施方案中，本文所述的方法和系统可以包括多个机器学习模型，该多个机器学习模型被训练成作出便于在异常条件下估计传感器葡萄糖值的预测。例如，在一些实施方案中，输入902可以包括CGM传感器数据，并且参考反馈信息904(其作为输入反馈到机器学习模型900)可以包括关于异常条件的临床数据。例如，每个机器学习模型可以用特定于异常条件(例如，高身体活动水平、高环境温度、高传感器温度、高海拔、制作变化等)的临床数据来训练。临床数据可以包括来自在该特定异常条件下操作的传感器装置的数据。在一些实施方案中，除了关于特定异常条件的临床数据之外，用于每个机器学习模型的训练数据还可以包括标准训练数据(例如，不特定于任何异常条件的临床数据)。临床数据可以是标记的训练数据(例如，根据与其相关联的异常条件来标记)。当机器学习模型900接收输入902时，机器学习模型900可以提供包括预测的传感器葡萄糖值的输出904。

虽然机器学习模型900是相对于前述示例来描述的，但是应当理解，机器学习模型900可以根据任何其他标准或基于任何其他输入被训练成传感器葡萄糖值。在一些实施方案中，可以利用来自机器学习模型900的输出来确定信号的消隐和终止(例如，如下文关于图10所述)。

图10示出了根据一个或多个实施方案的用于将输入数据变换成传感器葡萄糖值的流程图1000。如图10示意性地示出的，本文的方法和系统包括：传感器特征生成器1002、血糖校准器1004、传感器葡萄糖建模器1006、以及条件消隐器和终止器1008。在一些实施方案中，传感器葡萄糖建模器(1002)可以接收原始间隙电流信号、电化学阻抗谱信号和反电压信号，并且提取由下游机器学习模型使用的输入特征。血糖校准器(1004)可以负责接收输入血糖值并且相应地调整来自1002的输入传感器特征。传感器葡萄糖建模器(1006)可以负责应用机器学习技术以将输入信号转换成传感器葡萄糖值。条件消隐器和终止器(1008)可以应用各种逻辑来确定何时停止显示传感器输出信号或终止传感器以降低向用户或接收输出装置显示噪声或错误信息的概率。在一些实施方案中，终止传感器可以包括停止从传感器装置传输传感器数据。在一些实施方案中，输入数据(即，间隙测量的电流(Isig)、反电压(Vcntr)、电化学阻抗谱(EIS)和血糖校准值(BG))可以通过所述算法被变换成传感器葡萄糖值或SG。下表显示了四个组件中每一个的信息输入和输出。

信息传递说明

本文所述的系统和方法可以改进传感器葡萄糖建模器1006。例如，传感器葡萄糖建模器1006可以包括多个(例如，N个)机器学习模型(例如，机器学习模型900，如图9所示)。N个机器学习模型可以各自依赖于不同输入数据或可以不同地对输入数据加权，如上文所描述。因此，当生成传感器葡萄糖值预测时，一些模型可以比其他模型做出更多的概率预测。当确定是消隐还是终止信号时，条件消隐器和终止器1008可以依赖于来自N个机器学习模型中的每一者的输出。在一些实施方案中，来自某些机器学习模型的某些输出可以是非依从性的(例如，基于iCGM标准)，并且因此将需要消隐。然而，来自不同机器学习模型的其他输出可以是兼容的(例如，基于iCGM标准)。系统因此可以向用户输出基于一个或多个依从性机器学习模型的传感器葡萄糖值，且可以降低由条件消隐器及终止器1008进行的信号消隐的频率。

图11示出了根据一个或多个实施方案的图10的传感器葡萄糖建模器1006的示意图1100。如图11所示，输入1102可以包括Isig、EIS、Vcntr或其他输入信号。在一些实施方案中，输入1102可以附加地包括先前建模(例如，趋势)信息。信号建模器和特征工程师1104可以包括N个模型。例如，模型1106、1108和1110可以包括针对各种输入或场景训练的机器学习模型。如上文关于图9所描述，机器学习模型可以被经训练成选择某些输入而非其他输入或比其他输入更重地对某些输入加权。例如，模型1(例如，1106)可以仅依赖于CGM传感器数据，而模型2(例如，1108)可以依赖于CGM传感器数据和先前建模信息两者。N个机器学习模型可以包括依赖于一系列这样的输入以便提供更多或更少概率输出的机器学习模型。

模型控制器1112可以对如由模型1106、1108和1110输出的传感器葡萄糖值执行选择、求平均、排序、加权或其他处理。例如，模型控制器1112可以基于确定准确的传感器数据是容易获得的而(例如，从模型1106、1108和1110中)选择概率最小的模型。在一些实施方案中，模型控制器1112可以(例如，从符合iCGM标准的模型1106、1108和1110的子集中)选择概率最小的模型。在一些实施方案中，模型控制器1112可以基于其他标准来选择模型。在一些实施方案中，模型控制器1112可以对模型1106、1108和1110的输出求平均以生成最终传感器葡萄糖值。在一些实施方案中，模型控制器1112可以对符合iCGM标准的模型1106、1108和1110的子集的输出求平均，以便生成最终传感器葡萄糖值。在一些实施方案中，模型控制器1112可以对模型1106、1108和1110的另一子集求平均。在一些实施方案中，模型控制器1112可以(例如，根据每个模型的概率、依从性等如何)对模型1106、1108和1110进行排序。在一些实施方案中，模型控制器1112可以根据其他标准对模型1106、1108和1110进行排序。在一些实施方案中，模型控制器1112可以对来自模型1106、1108和1110的输出进行加权。例如，模型控制器1112可以对符合iCGM标准的输出比不符合该标准的输出更重地加权。在一些实施方案中，模型控制器1112可以(例如，基于容易获得准确传感器数据的确定)比概率不低的输出更重地对概率较低的输出加权。在一些实施方案中，模型控制器1112可以根据这些或任何其他标准对模型1106、1108和1110或来自模型1106、1108和1110的输出进行加权。

在一些实施方案中，一旦模型控制器1112已经处理了来自模型1106、1108和1110的输出，系统可以向用户提供最终SG显示1114。例如，最终SG显示1114可以包括基于来自模型1106、1108和1110的输出的传感器葡萄糖值，如上文所述。在一些实施方案中，最终SG显示1114可以包括指示所显示的传感器葡萄糖值是正确的置信度的度量的置信度得分。在一些实施方案中，模型控制器1112可以调整模型输出以支持与最高置信度水平相关联的一个或多个模型。

在一些实施方案中，模型控制器1112可以评估传感器葡萄糖值输出的质量。模型控制器1112可以(例如，从用户)接收指示某些传感器葡萄糖值输出的准确度水平的反馈。模型控制器1112可以使用该反馈信息来在将来支持或不支持某些模型。在一些实施方案中，模型控制器1112可以在一个用户或多个用户的整体佩戴的框架内评估传感器葡萄糖值输出的质量。例如，模型控制器1112可以评估在传感器装置的寿命期间以比其他模型更高的速率(例如，针对一个用户或针对多个用户)选择哪些模型。该信息可以引导模型控制器1112在将来支持更流行的模型。

回到图10，本文所述的方法和系统改进了传感器葡萄糖建模器1006。例如，代替使用单个模型来预测传感器葡萄糖值，本文描述的方法和系统利用多个微模型，每个微模型被训练成在特定离群条件下操作(例如，年轻用户、身体活跃的用户、具有高葡萄糖水平的用户、高海拔、高环境温度、高传感器温度、用户的高佩戴水平、身体上的非典型佩戴位置、制作或制造变化等)。在基于传感器数据的输入特征检测到特定异常条件时，系统可以优先考虑针对特定异常条件训练的(多个微模型中的)某些模型。关于图12进一步详细描述对传感器葡萄糖建模器1006的此改进。

在一些实施方案中，传感器葡萄糖建模器1006可以区分异常条件和错误条件。例如，系统可以识别与跨临床数据的异常条件相关联的输入特征的签名。系统可以回顾性地将输入特征的签名与存在于临床数据中的异常条件相匹配。例如，在高环境温度下使用的传感器装置的临床数据可能表现出某些特性。系统可以将这些趋势作为签名存储在数据库中，使得系统可以训练模型以在未来在异常条件下操作。相反，错误条件可能跨临床数据不表现出这样的趋势。例如，每个错误条件可能以系统不能分类为异常条件的独特方式影响传感器数据。在另一示例中，错误条件可以影响传感器数据一次，而异常条件可以周期性地影响传感器数据(例如，每当用户参与剧烈身体活动时)。在一些实施方案中，条件消隐器及终止器1008可以响应于识别错误条件而消隐传感器数据。本文所述的方法和系统改善了系统处理异常条件的能力，如下面进一步详细描述的。

图12示出了根据一个或多个实施方案的图10的传感器葡萄糖建模器的示意图。如图12所示，输入1202可以包括Isig、EIS、Vcntr或其他输入信号。示意图1200可以使用用于信号建模和签名识别1204的输入1202。例如，信号建模和签名识别1204可以对输入1202进行建模并且识别输入1202的输入特征的签名(例如，通过与数据库中的签名匹配或其他手段)。在一些实施方案中，信号建模和签名识别1204可以包括多个机器学习模型1206。例如，多个机器学习模型1206可以包括系统中所包括的所有模型(例如，模型1-N)。在一些实施方案中，每个模型可以被训练以在特定的异常条件下操作(例如，年轻用户、身体活跃的用户、具有高葡萄糖水平的用户、高海拔、高环境温度、高传感器温度、用户的高佩戴水平、身体上的非典型佩戴位置、制作或制造变化等)。例如，模型1208可以被训练成在传感器装置的用户在身体非常活跃的条件下操作。模型1210可以针对用户将传感器装置佩戴在身体的非典型位置上(例如，在腿部上)的条件进行训练。模型1212可以针对传感器在高海拔处被佩戴的条件进行训练。可以针对制作变化导致异常葡萄糖限制膜的条件来训练模型1214。

当信号建模和签名识别1204接收输入1202时，信号建模和签名识别1204可以识别输入1202的特征输入的签名。例如，信号建模和签名识别1204可以搜索与异常条件相关联的输入1202的签名(例如，趋势、行为或模式)。如果信号建模和签名识别1204识别输入1202内的特征输入的签名，则信号建模和签名识别1204可以调整多个机器学习模型1206，以便优先考虑与传感器数据(例如，输入1202)中的所识别的输入特征的签名相关联的某些模型(例如，来自模型1-N)。例如，信号建模和签名识别1204可以识别输入特征的签名，该签名指示传感器正以非常高的高度被佩戴在身体稍微活动的用户上。因此，信号建模和签名识别1204可以调整多个机器学习模型1206以优先考虑针对身体活动的用户训练的模型1208和针对高海拔训练的模型1212。例如，信号建模和签名识别1204可以增加与模型1208和模型1212相关联的权重。在一些实施方案中，如果信号建模和签名识别1204没有基于传感器数据的输入特征来识别与模型1210或模型1214相关联的签名，则信号建模和签名识别1204可以将模型1210和模型1214保持原样，或者可以进一步调整多个机器学习模型1206以去除或淡化模型1210或模型1214(例如，通过减小与模型1210和模型1214相关联的权重)。在一些实施方案中，信号建模和签名识别1204可以选择与在传感器数据(例如，输入1202)中识别的签名相关联的某些模型，以作为单独的模型(例如，排除模型1210和模型1214)来操作。在一些实施方案中，信号建模和签名识别1204可以利用在特定异常条件下优先考虑模型(例如，模型1208和模型1212)的其他方法。

在一些实施方案中，信号建模和签名识别1204可以基于来自多个机器学习模型1206的输出生成最终传感器葡萄糖显示1216。例如，信号建模和签名识别1204可以对来自模型1-N中的每个模型的输出取平均值、加权平均值、中值、最大值、最小值等。在一些实施方案中，信号建模和签名识别1204可以对来自针对特定异常条件训练的模型中的每个模型(例如，模型1208和模型1212)的输出取平均值、加权平均值、中值、最大值、最小值等。在一些实施方案中，信号建模和签名识别1204可以以其他方式处理来自模型1-N的输出，以便生成最终SG显示1216。

本公开的上述实施方案是出于说明而非限制的目的而呈现，且本公开仅由所附权利要求书限制。此外，应当注意，在任何一个实施方案中描述的特征和限制可以应用于本文的任何其他实施方案，并且与一个实施方案相关的流程图或示例可以以适当的方式与任何其他实施方案组合，以不同的顺序进行，或并行进行。此外，这里描述的系统和方法可以实时执行。还应当注意，上述系统和/或方法可以应用于其他系统和/或方法或与其他系统和/或方法一起使用。

参考以下列举的实施例可以更好地理解本技术：

实施例1.一种方法，该方法包括：在传感器装置处接收CGM传感器数据；将传感器数据输入到多个机器学习模型中，其中多个机器学习模型中的每个机器学习模型关于一个或多个数据特性不同，并且使用包括关于传感器葡萄糖行为的临床数据的训练数据来训练；从多个机器学习模型接收指示多个预测的传感器葡萄糖值的输出；以及基于多个预测的传感器葡萄糖值生成传感器葡萄糖值以供在显示界面上显示。

实施例2.根据实施例1所述的方法，其中一个或多个数据特性包括传感器数据可用性或传感器数据准确性。

实施例3.根据实施例1至2中任一项所述的方法，其中一个或多个数据特征包括概率依赖性。

实施例4.根据实施例3所述的方法，其中概率依赖性基于过去的传感器数据趋势。

实施例5.根据实施例3所述的方法，还包括：确定多个机器学习模型的子集，对于该子集，属于子集的机器学习模型符合iCGM标准；根据子集的每个机器学习模型的概率依赖性对多个机器学习模型的子集进行排序；从多个预测的传感器葡萄糖值中选择与子集的具有最低概率依赖性的机器学习模型相关联的传感器葡萄糖值。

实施例6.根据实施例1至5中任一项所述的方法，其中传感器葡萄糖值基于多个预测的传感器葡萄糖值的加权平均值。

实施例7.根据实施例1至6中任一项所述的方法，还包括生成与传感器葡萄糖值相关联的置信度值以供在显示界面上显示。

实施例8.一种方法，该方法包括：在传感器装置处接收CGM传感器数据；将传感器数据输入到多个机器学习模型中，其中多个机器学习模型中的每个机器学习模型被训练成使用包括关于异常条件的临床数据的训练数据来预测特定异常条件下的传感器葡萄糖值；识别传感器数据中的输入特征的签名；基于传感器数据中的输入特征的签名来调整多个机器学习模型；以及接收来自经调整的多个机器学习模型的指示预测的传感器葡萄糖值的输出。

实施例9.根据实施例8所述的方法，还包括基于该输出在传感器装置的显示界面上显示预测的传感器葡萄糖值。

实施例10.根据实施例8至9中任一项所述的方法，其中识别传感器数据中的输入特征的签名包括将传感器数据中的输入特征的组合与数据库中预定的输入特征的签名匹配。

实施例11.根据实施例8至10中任一项所述的方法，其中基于传感器数据中的输入特征的签名来调整多个机器学习模型包括：识别多个机器学习模型中与所识别的输入特征的签名相关联的一个或多个机器学习模型；以及在多个机器学习模型中表征一个或多个机器学习模型。

实施例12.根据实施例11所述的方法，其中在多个机器学习模型中表征一个或多个机器学习模型包括增加与一个或多个机器学习模型相关联的权重。

实施例13.根据实施例11所述的方法，其中在多个机器学习模型中表征一个或多个机器学习模型包括选择一个或多个机器学习模型以用于生成输出。

实施例14.根据实施例8至13中任一项所述的方法，其中用于每个机器学习模型的训练数据是特定于特定异常条件的。

实施例15.根据实施例8至14中任一项所述的方法，其中传感器数据中的输入特征的签名是特定于特定异常条件的。

实施例16.一种有形非暂态机器可读介质，该有形非暂态机器可读介质存储指令，这些指令在由数据处理设备执行时使该数据处理设备执行包括根据实施例1-15中任一项所述的那些的操作。

实施例17.一种系统，包括：一个或多个处理器；以及存储指令的存储器，这些指令在由这些处理器执行时使这些处理器实现包括根据实施例1至15中任一项所述的那些的操作。

实施例18.一种系统，包括用于执行实施例1-15中任一项所述的方法。

Claims (15)

1.一种用于应用分层机器学习模型来减少传感器葡萄糖信号消隐的传感器装置，所述传感器装置包括：

存储器，所述存储器被配置为存储多个机器学习模型，其中所述多个机器学习模型中的每个机器学习模型关于一个或多个数据特性不同，并且使用包括关于传感器葡萄糖行为的临床数据的训练数据来训练；和

处理器，所述处理器被配置为：

接收CGM传感器数据；

将所述传感器数据输入到所述多个机器学习模型中；以及

从所述多个机器学习模型接收指示多个预测的传感器葡萄糖值的输出；以及

基于所述多个预测的传感器葡萄糖值生成传感器葡萄糖值以供在显示界面上显示。

2.根据权利要求1所述的传感器装置，其中所述一个或多个数据特性包括传感器数据可用性或传感器数据准确性。

3.根据权利要求1至2中任一项所述的传感器装置，其中所述一个或多个数据特性包括概率依赖性。

4.根据权利要求3所述的传感器装置，其中所述概率依赖性基于过去的传感器数据趋势。

5.根据权利要求3所述的传感器装置，其中所述处理器被进一步配置为：

确定所述多个机器学习模型的子集，对于所述子集，属于所述子集的机器学习模型符合iCGM标准；

根据所述子集的每个机器学习模型的所述概率依赖性对所述多个机器学习模型的所述子集进行排序；以及

从所述多个预测的传感器葡萄糖值中选择与所述子集的具有最低概率依赖性的机器学习模型相关联的传感器葡萄糖值。

6.根据权利要求1至5中任一项所述的传感器装置，其中所述传感器葡萄糖值基于所述多个预测的传感器葡萄糖值的加权平均值。

7.根据权利要求1至6中任一项所述的传感器装置，其中所述处理器被进一步配置为生成与所述传感器葡萄糖值相关联的置信度值以供在所述显示界面上显示。

8.一种用于应用微机器学习模型来减少传感器葡萄糖信号消隐的传感器装置，所述传感器装置包括：

存储器，所述存储器被配置为存储多个机器学习模型，其中所述多个机器学习模型中的每个机器学习模型被训练成使用包括关于异常条件的临床数据的训练数据来预测特定异常条件下的传感器葡萄糖值；和

处理器，所述处理器被配置为：

接收CGM传感器数据；

识别所述传感器数据中的输入特征的签名；

基于所述传感器数据中的所述输入特征的签名来调整所述多个机器学习模型；以及

接收来自经调整的多个机器学习模型的指示预测的传感器葡萄糖值的输出。

9.根据权利要求8所述的传感器装置，还包括基于所述输出在显示界面上显示传感器装置的所述预测的传感器葡萄糖值。

10.根据权利要求8至9中任一项所述的传感器装置，其中识别所述传感器数据中的所述输入特征的签名包括将所述传感器数据中的输入特征的组合与数据库中预定的输入特征的签名进行匹配。

11.根据权利要求8至10中任一项所述的传感器装置，其中基于所述传感器数据中的所述输入特征的签名来调整所述多个机器学习模型包括：识别所述多个机器学习模型中与所识别的输入特征的签名相关联的一个或多个机器学习模型；以及在所述多个机器学习模型中表征所述一个或多个机器学习模型。

12.根据权利要求11所述的传感器装置，其中在所述多个机器学习模型中表征所述一个或多个机器学习模型包括增加与所述一个或多个机器学习模型相关联的权重。

13.根据权利要求11所述的传感器装置，其中在所述多个机器学习模型中表征所述一个或多个机器学习模型包括选择所述一个或多个机器学习模型以用于生成所述输出。

14.根据权利要求8至13中任一项所述的传感器装置，其中用于每个机器学习模型的所述训练数据是特定于所述特定异常条件的。

15.根据权利要求8至14中任一项所述的传感器装置，其中所述传感器数据中的所述输入特征的签名是特定于所述特定异常条件的。