CN117042688A - 非侵入式生物信息的校正方法 - Google Patents
非侵入式生物信息的校正方法 Download PDFInfo
- Publication number
- CN117042688A CN117042688A CN202280023185.0A CN202280023185A CN117042688A CN 117042688 A CN117042688 A CN 117042688A CN 202280023185 A CN202280023185 A CN 202280023185A CN 117042688 A CN117042688 A CN 117042688A
- Authority
- CN
- China
- Prior art keywords
- information
- invasive
- biological information
- user
- event
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000001965 increasing effect Effects 0.000 claims abstract description 52
- 230000003247 decreasing effect Effects 0.000 claims abstract description 51
- 238000012937 correction Methods 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 18
- 230000004962 physiological condition Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000008280 blood Substances 0.000 abstract description 267
- 210000004369 blood Anatomy 0.000 abstract description 267
- 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 abstract description 255
- 239000008103 glucose Substances 0.000 abstract description 255
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 210000001124 body fluid Anatomy 0.000 description 7
- 239000010839 body fluid Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010241 blood sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 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 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 208000002249 Diabetes Complications Diseases 0.000 description 1
- 206010012655 Diabetic complications Diseases 0.000 description 1
- 206010017711 Gangrene Diseases 0.000 description 1
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000004880 Polyuria Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- -1 and therefore Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000021158 dinner Nutrition 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 235000021156 lunch Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000004296 neuralgia Diseases 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 208000028169 periodontal disease Diseases 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 208000022530 polyphagia Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
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
- A61B5/1495—Calibrating or testing of in-vivo probes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
-
- 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
- A61B5/15—Devices for taking samples of blood
- A61B5/155—Devices specially adapted for continuous or multiple sampling, e.g. at predetermined intervals
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种由非侵入式生物信息测量仪测量的非侵入式生物信息的校正方法,更具体地,涉及一种能够利用通过连续血糖测量仪测量的连续生物信息学习由非侵入式血糖测量仪测量的非侵入式生物信息,并针对用户个性化地校正非侵入式生物信息,并且能够利用通过连续血糖测量仪测量的连续生物信息针对用户个性化地校正由非侵入式血糖测量仪测量的不确实的非侵入式生物信息,从而能够由尚不确实的非侵入式生物信息准确地判断用户生物信息的增减模式的非侵入式生物信息的校正方法。
Description
技术领域
本发明涉及一种由非侵入式生物信息测量仪测量的非侵入式生物信息的校正方法,更具体地,涉及一种能够利用通过连续血糖测量仪测量的连续生物信息学习由非侵入式血糖测量仪测量的非侵入式生物信息,并针对用户个性化地校正非侵入式生物信息,并且能够利用通过连续血糖测量仪测量的连续生物信息针对用户个性化地校正由非侵入式血糖测量仪测量的非侵入式生物信息,从而能够由尚不确实的非侵入式生物信息准确地判断用户生物信息的增减模式的非侵入式生物信息的校正方法。
背景技术
糖尿病是现代人多发的一种慢性疾病,据国际糖尿病联合会(IDF)统计,全球有4亿糖尿病患者。
糖尿病是由于肥胖、压力、错误的饮食习惯、先天性遗传等多种原因,胰腺产生的胰岛素绝对不足或相对不足,无法纠正血液中糖的平衡而导致血液中糖的成分绝对增多而发病的。
血液中通常含有一定浓度的葡萄糖,组织细胞从中获取能量。
但是,当葡萄糖必要以上地升高时,会无法适当地储存在肝脏或肌肉或脂肪细胞等而蓄积在血液中,因此,糖尿病患者的血糖维持得远高于正常人,并且随着过多的血糖直接通过组织而以小便排出,身体各组织绝对需要的糖分变得不足,从而导致身体各组织出现异常。
糖尿病的特征在于,初期几乎没有自觉症状,但随着病情的进展,出现糖尿病特有的多饮、多食、多尿、体重减轻、全身疲倦、皮肤瘙痒、手脚伤口久治不愈的情况等特有的症状。当病情进一步进展时,会出现发展到视力障碍、高血压、肾病、中风、牙周疾病、肌肉痉挛、神经痛、坏疽等的并发症。
为了诊断这样的糖尿病,并管理使其不会发展到并发症,应并行系统的血糖测量和治疗。
糖尿病有必要持续测量血糖以进行管理,因此与血糖测量相关的装置的需求呈持续增长的趋势。通过各种研究证实,当糖尿病患者严格调节血糖时,糖尿病并发症的发生率显著降低。从而,为了调节血糖,糖尿病患者定期测量血糖极为重要。
为了进行糖尿病患者的血糖管理,通常主要使用采血型血糖测量仪(fingerprick method),这种采血型血糖测量仪虽然有助于糖尿病患者的血糖管理,但由于只显现测量当时的结果,存在着难以准确掌握经常变化的血糖数值的问题。此外,采血型血糖测量仪需要一天内随时为了测量血糖而屡次采血,因此存在对于糖尿病患者而言采血负担较大的问题。
为了克服这样的采血型血糖测量仪的局限性,开发了一种插入人体内并以几分钟的间距测量血糖的连续血糖测量仪(CGMS,Continuous Glucose Monitoring System),利用其可以容易应对糖尿病患者的管理和紧急状况。
连续血糖测量仪是一种能够通过部分地插入用户的身体部位而配置的传感器提取体液(intersitital fluid)并从提取的体液中实时测量用户的血糖的装置。部分地插入人体的连续血糖测量仪用传感器在插入人体规定期间,例如,约15日左右的状态下提取用户的体液,并且连续血糖测量仪从提取的体液中周期性地生成血糖生物信息并提供给用户。
然而,即使在连续血糖测量仪的情况下,也存在必须每1周、15天或1个月更换传感器并将其插入附接于身体的不便,并且还存在需要使用单独的采血型血糖仪在每个设定时间校正所测量的血糖值的不便。
另一方面,近来正在研究和开发能够在不出血的情况下用便携式设备测量血糖数值的非侵入式(non invasive)血糖测量仪。非侵入式血糖检查人体无害,无痛,没有检查带来的副作用,并且检查的再现性出色,因此是所有糖尿病患者梦寐以求的血糖检查方式。
自1990年以来,一直持续进行用于以非侵入式测量血糖的研究,并且正在尝试利用多种原理的接近方法。
正在研究和开发的代表性的非侵入式血糖测量方法大地可以分为四种原理。最初尝试的方法是通过将作为消耗品的贴片贴附于皮肤来测量皮下组织血糖的方法(Transdermal),但存在局限在较薄的皮肤层的测量技术的准确度和再现性方面的局限性。在此之后,尝试了一种通过利用光学原理入射光并测量和分析反射的光的光谱来获知血糖浓度的方法(Optical),并且至今仍以该领域为中心进行大量研究。另一方面,正尝试一些通过提供电刺激并诱发电化学反应来测量血糖的方法(Electrochemical),或者正在提出一种利用深入渗透到活体中的超声波来测量血糖浓度的方式(Ultrasound)。
然而,非侵入式血糖测量仪虽然具有能够从皮肤外侧或接触皮肤无痛地测量血糖的优点,但与直接从身体采血来测量血糖或提取体液来测量血糖的现有方式相比,不够准确,并且由于每个用户的身体或生理条件不同,存在难以一概给所有用户用相同的方式准确地测量血糖的问题。
发明内容
技术问题
本发明旨在解决上文中述及的现有非侵入式生物特征信息的测量方式中存在的问题,本发明要达成的目的在于,提供一种能够利用通过连续生物信息测量仪测量的连续生物信息学习由非侵入式生物信息测量仪测量的非侵入式生物信息,并针对用户个性化地校正非侵入式生物信息的方法。
本发明要达成的另一目的在于,提供一种能够利用通过连续生物信息测量仪测量的连续生物信息针对用户个性化地校正由非侵入式生物信息测量仪测量的非侵入式生物信息,从而由非侵入式生物信息准确地判断用户生物信息的增减模式的非侵入式生物信息的校正方法。
本发明要达成的又一目的在于,提供一种将对应于输入的事件信息的非侵入式生物信息和连续生物信息进行比较,并针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息,以便以后即使没有连续生物信息也能通过仅利用事件信息和非侵入式生物信息准确地判断用户的生物信息的非侵入式生物信息的校正方法。
本发明要达成的又一目的在于,提供一种能够将对应于输入的事件信息的非侵入式生物信息与连续生物信息进行比较,并针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息后,仅利用事件信息和非侵入式生物信息判断或预测用户的生物信息,并且遇到紧急情况时向用户提供警报的非侵入式生物信息的校正方法。
技术方案
为了达成本发明的目的,本发明的一实施例的非侵入式生物信息的校正方法包括:通过传感器的一部分被插入到用户的身体并在规定期间内测量用户的生物信息的连续生物信息测量装置来测量用户的连续生物信息的步骤;通过非侵入式地测量用户的生物信息的非侵入式生物信息测量装置在规定期间内测量用户的非侵入式生物信息的步骤;以及对在规定期间内测量的非侵入式生物信息与连续生物信息进行比较,并针对用户个性化地学习与非侵入式生物信息相应的连续生物信息的步骤。
优选地,在本发明的一实施例的非侵入式生物信息的校正方法中,当经过规定期间后通过非侵入式生物信息测量装置获取到用户的追加非侵入式生物信息时,判断与追加非侵入式生物信息相应地学习的连续生物信息以校正追加非侵入式生物信息的步骤。
其中,在本发明的一实施例的非侵入式生物信息的校正方法中,对非侵入式生物信息的增减模式与连续生物信息的增减模式进行比较,并针对用户个性化地学习与非侵入式生物信息的增减模式相应的连续生物信息的增减模式;由追加非侵入式生物信息判断与追加非侵入式生物信息的增减模式相应地学习的连续生物信息的增减模式,并基于判断的连续生物信息的增减模式校正追加非侵入式生物信息的增减模式。
优选地,本发明的一实施例的非侵入式生物信息的校正方法还包括:在规定期间内获取发生于用户的事件的事件信息的步骤,并且将对应于事件信息的非侵入式生物信息与连续生物信息进行比较,并针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息。
其中,事件信息是显示的事件输入用界面画面输入的。
优选地,本发明的一实施例的非侵入式生物信息的校正方法还包括:获取事件信息时一并发生于用户的事件的发生条件信息的步骤,并且将对应于事件信息和发生条件信息的非侵入式生物信息与连续生物信息进行比较,并利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息。
其中,发生条件信息是事件发生的季节信息、时刻信息、地点信息、位置信息、温度信息、湿度信息中的至少某一个。
其中,发生条件信息是通过显示的发生条件输入用界面画面输入的。
其中,在非侵入式生物信息的校正方法中,通过多个连续生物信息测量装置在多个规定期间内测量用户的连续生物信息;对在多个规定期间内测量的非侵入式生物信息与连续生物信息进行比较,并在多个规定期间内针对用户个性化地学习与非侵入式生物信息相应的连续生物信息。
其中,多个规定期间是彼此间隔开设定的,例如,多个规定期间以相同的时间间隔间隔开设定,或者,又例如,多个规定期间由环境条件、季节条件、用户身体条件、用户生理条件中的至少某一个间隔开设定。
优选地,本发明的一实施例的非侵入式生物信息的校正方法还包括:当经过规定期间后获取到发生于用户的后续事件信息和用户的追加非侵入式生物信息时,判断与后续事件信息和追加非侵入式生物信息相应地学习的连续生物信息以校正追加非侵入式生物信息的步骤。
优选地,在本发明的另一实施例中,非侵入式生物信息的校正方法还包括:当经过规定期间后获取到发生于用户的后续事件信息、后续事件发生的后续事件的发生条件信息以及用户的追加非侵入式生物信息时,判断与后续事件信息、后续事件的发生条件信息以及追加非侵入式生物信息相应地学习的连续生物信息以校正追加非侵入式生物信息的步骤。
在本发明的非侵入式生物信息的校正方法中,对非侵入式生物信息的增减模式与连续生物信息的增减模式进行比较,并针对用户个性化地学习与非侵入式生物信息的增减模式相应的连续生物信息的增减模式;由追加非侵入式生物信息判断追加非侵入式生物信息的增减模式和与追加事件信息相应地学习的连续生物信息的增减模式以校正追加非侵入式生物信息的增减模式。
本发明的又一实施例的非侵入式生物信息的校正方法包括:通过传感器的一部分被插入到用户的身体并在规定期间内测量用户的生物信息的连续生物信息测量装置来测量用户的连续生物信息的步骤;通过非侵入式地测量用户的生物信息的非侵入式生物信息测量装置在规定期间内测量用户的非侵入式生物信息的步骤;在测量连续生物信息的期间内获取发生于用户的事件的事件信息的步骤;将事件信息和非侵入式生物信息的增减模式与连续生物信息的增减模式进行比较,并针对用户个性化地学习与事件信息和非侵入式生物信息的增减模式相应的连续生物信息的增减模式的步骤;经过规定期间后通过非侵入式生物信息测量装置获取用户的追加非侵入式生物信息和发生于用户的追加事件信息的步骤;以及对由追加非侵入式生物信息判断的追加非侵入式生物信息的增减模式和与追加事件信息相应地学习的连续生物信息的增减模式进行判断以校正追加非侵入式生物信息的增减模式的步骤。
其中,事件信息和追加事件信息是通过显示的事件输入用界面画面输入的。
优选地,本发明的又一实施例的非侵入式生物信息的校正方法还包括:获取事件信息时一并获取发生于用户的事件的发生条件信息的步骤;将对应于事件信息和发生条件信息的非侵入式生物信息的增减模式与连续生物信息的增减模式进行比较,并利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式生物信息的增减模式相应的连续生物信息的增减模式。
其中,事件的发生条件信息或追加事件的发生条件信息是通过显示的发生条件输入用界面画面输入的。
优选地,本发明的又一实施例的非侵入式生物信息的校正方法还包括:基于校正的追加非侵入式生物信息的增减模式判断增减变化率的步骤;以及当判断的增减变化率超过临界变化率时,向用户提供警报的步骤。
优选地,本发明的又一实施例的非侵入式生物信息的校正方法还包括:基于校正的追加非侵入式生物信息的增减模式预测后续增减变化率的步骤;以及当预测的后续增减变化率超过临界变化率时,向用户提供警报的步骤。
发明的效果
本发明的非侵入式生物信息的校正方法具有如下效果。
第一、在本发明的非侵入式生物信息的校正方法中,利用通过连续生物信息测量仪测量的准确的连续生物信息学习由非侵入式生物信息测量仪测量的非侵入式生物信息,从而即使每个用户的身体条件和生理条件不同,也能够针对用户个性化地校正非侵入式生物信息。
第二、在本发明的非侵入式生物信息的校正方法中,利用通过连续生物信息测量仪测量的连续生物信息针对用户个性化地校正由非侵入式生物信息测量仪测量的非侵入式生物信息,从而能够由尚不准确的非侵入式生物信息准确地判断用户生物信息的增减模式。
第三、在本发明的非侵入式生物信息的校正方法中,将对应于输入的事件信息的非侵入式生物信息与连续生物信息进行比较,并针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息,从而后续即使没有后续的连续生物信息,也能够仅利用事件信息和非侵入式生物信息准确地判断用户的生物信息。
根据本发明的校正非侵入式生物特征信息的方法根据输入事件信息比较非侵入式生物特征信息和连续生物特征信息,并将与非侵入式生物特征信息相对应的连续生物特征信息个性化并学习到所述连续生物特征信息。当事件发生时,即使没有连续的生物特征信息,仅使用事件信息和非侵入性生物特征信息也可以准确地确定用户的生物特征信息。
第四、在本发明的非侵入式生物信息的校正方法中,将对应于输入的事件信息的非侵入式生物信息与连续生物信息进行比较,并针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息,从而能够仅利用事件信息和非侵入式生物信息判断或预测用户的生物信息,并且遇到紧急情况时向用户提供警报。
附图说明
图1是用于说明本发明的一实施例的非侵入式生物信息的校正系统的图。
图2是用于说明本发明的另一实施例的非侵入式生物信息的校正系统的图。
图3是用于说明本发明的非侵入式生物信息的校正装置的功能框图。
图4是用于说明本发明的学习部的动作的图。
图5是用于说明本发明的校正部的动作的图。
图6是用于说明本发明的一实施例的非侵入式生物信息的校正方法的流程图。
图7是用于说明本发明的另一实施例的非侵入式生物信息的校正方法的流程图。
图8示出由非侵入式生物信息测量仪测量的非侵入式血糖信息和由连续生物信息测量仪测量的连续血糖信息的一例。
图9对将连续生物信息测量仪佩戴于身体的规定期间进行说明。
图10对本发明中输入事件信息的界面画面的一例进行说明。
图11对通过输入用界面画面输入的事件信息的一例进行描述。
图12是用于说明在去除连续生物信息测量仪后仅利用非侵入式生物信息测量仪显示测量的血糖信息的一例的图。
图13是用于说明基于血糖信息的增减模式向用户提供警报的一例的流程图。
图14是用于说明基于血糖信息的后续增减变化率向用户提供警报的一例的流程图。
图15示出提供给用户的警报消息的一例。
具体实施方式
需要注意的是,本发明中使用的技术术语仅用于说明特定的实施例,并不意图限定本发明。此外,除非在本发明中特殊定义为不同的含义,本发明中使用的技术术语应被解释为本发明所属技术领域中的一般的技术人员所通常理解的含义,而不应解释为过度包括性的含义或被过度缩小的含义。此外,当本发明中使用的技术术语为无法准确表达本发明的思想的错误的技术术语时,应被替代为能够被本领域中的一般的技术人员正确理解的技术术语而理解。
此外,除非上下文明确另有定义,本发明中所使用的单数表达包括复数表达。在本发明中,诸如“由......构成”或“包括”等术语不应被解释为必须包括本发明中所记载的多个构成要素或多个步骤中的全部,而是应被解释为可能够不包括其中的一些构成要素或一些步骤,或者还可以进一步包括额外的构成要素或步骤。
此外,需要注意的是,附图只是为了便于理解本发明的思想,不应理解为本发明的思想被附图限制。
图1是用于说明本发明的一实施例的非侵入式生物信息的校正系统的图,图2是用于说明本发明的另一实施例的非侵入式生物信息的校正系统的图。
本发明的非侵入式生物信息的校正系统具备连续生物信息测量仪10和非侵入式生物信息测量仪30,可以以单独的用户终端50为媒介来校正非侵入式生物信息,或者可以在没有单独的用户终端50的情况下由非侵入式生物信息测量仪30直接校正非侵入式生物信息。
虽然下文中描述为连续生物信息测量仪10和非侵入式生物信息测量仪30分别测量用户的血糖,但根据应用本发明的领域,作为连续生物信息测量仪10和非侵入式生物信息测量仪30,可以使用能够测量多种生物信息的装置。
首先,参考图1对以用户终端50为媒介校正非侵入式生物信息的系统进行说明,连续生物信息测量仪10具备传感器,传感器是一部分插入贴附于用户身体并能够在规定期间内提取体液以测量用户的血糖信息的装置,非侵入式生物信息测量仪30是能够在用户佩戴的状态下与用户的皮肤接触或者与皮肤间隔开并非侵入式地测量用户的血糖信息的装置。
用户终端50以无线或有线方式与连续生物信息测量仪10通信连接,并从连续生物信息测量仪10周期性地或根据请求接收测量的用户的连续血糖信息,并且用户终端50以无线或有线方式与非侵入式生物信息测量仪30通信连接并从非侵入式生物信息测量仪30周期性地或根据请求接收测量的用户的非侵入式血糖信息。
优选地,用户可以在贴附连续生物信息测量仪10的规定期间内将发生于用户的事件的信息输入到用户终端50。在用户终端50上显示能够输入事件信息的界面画面,用户可以通过界面画面输入以后将发生于用户的事件信息或之前发生的事件信息。根据本发明所应用于的领域,还可以包括用于感测发生于用户的事件的多个传感器,例如用户终端50可以通过活动量传感器、位置传感器等来判断发生于用户的事件,并通过用户确认自动输入判断的事件。
这里,事件是可影响用户的血糖的,例如可以是使用户的血糖升高的事件,例如用户吃早餐、午餐、晚餐或零食等,或者使可以是降低用户的血糖的事件,比如运动、工作、学习等。为了更准确地判断事件对用户的血糖的影响,可以一起输入有关用户所摄取的食物的种类、所摄取的食物的量等的详细事件信息,或者一起输入有关用户进行的运动的种类、运动时间等的详细事件信息。
优选地,当事件发生时,用户可以将关于事件的发生条件的信息进一步地输入到用户终端50。在用户终端50上显示能够输入事件发生条件信息的界面画面,用户可以通过界面画面输入事件发生条件信息。根据本发明所应用于的领域,还可以包括用于感测发生于用户的事件的发生条件的多个传感器,例如用户终端50可以通过位置传感器、温度传感器、湿度传感器等判断事件的发生条件信息,或者通过网络获取发生条件信息。事件的发生条件信息可以通过用户确认自动输入。
用户终端50具备:存储机构,其能够在规定期间内存储连续血糖信息、非侵入式血糖信息、事件信息以及发生条件信息;以及处理器机构,其能够利用存储在存储机构中的学习模型从连续血糖信息、非侵入式血糖信息、事件信息以及发生条件信息中针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息,
用户终端50可以从连续生物信息测量仪10接收连续血糖信息,并从非侵入式生物信息测量仪30接收非侵入式血糖信息,并且在规定期间内对接收的非侵入式血糖信息与连续血糖信息进行比较,并针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息。
优选地,除了连续血糖信息和非侵入式血糖信息,用户终端50还可以在规定期间内接收发生于用户的事件的信息、以及事件发生时的发生条件信息,并且将对应于事件信息和发生条件信息的非侵入式血糖信息和连续血糖信息进行比较,并利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式血糖信息相应的连续血糖信息。
即,利用连续生物信息测量仪10和用户终端50,连续生物信息测量仪10可以在规定期间,例如1周、15天、1个月内连续测量用户的血糖信息,并且用户终端50可以利用在规定期间内测量的连续血糖信息针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息。
连续生物信息测量仪10在贴附于用户身体规定期间后被移除,并且仅利用非侵入式生物信息测量仪30判断用户的血糖信息,当利用由学习结果生成的校正模型接收非侵入式血糖信息时,用户终端50将非侵入式血糖信息、事件信息、事件的发生条件信息应用于校正模型来校正由非侵入式生物信息测量仪30测量的非侵入式血糖信息。
由此,克服以往仅利用非侵入式生物信息测量仪测量用户的血糖信息时血糖信息不准确或每个用户测量的血糖值不同的缺点,从而可以将非侵入式生物信息针对用户个性化地准确测量血糖信息,或者至少准确地判断用户的血糖增减模式。
下面参考图2来对在没有用户终端50的媒介的情况下校正非侵入式生物信息的系统进行描述,连续生物信息测量仪10由传感器的一部分插入贴附于用户身体并在规定期间内提取体液来测量用户的血糖信息,并且非侵入式生物信息测量仪30在规定期间内在用户佩戴的状态下非侵入式地测量用户的血糖信息。
连续生物信息测量仪10和非侵入式生物信息测量仪30以无线或有线方式通信连接,非侵入式生物信息测量仪30从连续生物信息测量仪10接收周期性地或根据请求测量的用户的连续血糖信息。
优选地,用户可以在贴附连续生物信息测量仪10的规定期间内将发生于用户的事件的信息输入至非侵入式生物信息测量仪30。在非侵入式生物信息测量仪30上显示能够输入事件信息的界面画面,用户可以通过界面画面输入以后将发生于用户的事件信息或之前发生的事件信息。根据本发明被应用的领域,还可以包括用于感测发生于用户的事件的多个传感器,例如非侵入式生物信息测量仪30可以通过活动量传感器、位置传感器等来判断发生于用户的事件,并通过用户确认自动输入判断的事件。
优选地,当事件发生时,用户可以将关于事件的发生条件的信息进一步地输入到非侵入式生物信息测量仪30。在非侵入式生物信息测量仪30上显示能够输入事件发生条件信息的界面画面,用户可以通过界面画面输入事件发生条件信息。根据本发明所应用于的领域,还可以包括用于感测发生于用户的事件的发生条件的多个传感器,例如非侵入式生物信息测量仪30可以通过位置传感器、温度传感器、湿度传感器等判断事件的发生条件信息,或者通过网络获取发生条件信息。事件的发生条件信息可以通过用户确认自动输入。
非侵入式生物信息测量仪30具备:存储机构,其能够在规定期间内存储连续血糖信息、非侵入式血糖信息、事件信息以及发生条件信息;以及处理器机构,其能够利用存储在存储机构中的学习模型从连续血糖信息、非侵入式血糖信息、事件信息以及发生条件信息中针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息,
非侵入式生物信息测量仪30可以对从连续生物信息测量仪10接收的连续血糖信息与非侵入式血糖信息进行比较,并针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息。
优选地,非侵入式生物信息测量仪30可以将对应于事件信息和发生条件信息的非侵入式血糖信息和连续血糖信息进行比较,并利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式血糖信息相应的连续血糖信息。
即,通过与非侵入式生物信息测量仪30一起利用连续生物信息测量仪10,连续生物信息测量仪10可以在规定期间,例如1周、15天、1个月内连续测量用户的连续血糖信息,并且非侵入式生物信息测量仪30可以利用在规定期间内测量的连续血糖信息针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息。
连续生物信息测量仪10在贴附于用户身体规定期间后被移除,并且仅利用非侵入式生物信息测量仪30测量用户的血糖信息,当利用由学习结果生成的校正模型获取非侵入式血糖信息时,非侵入式生物信息测量仪30将非侵入式血糖信息、事件信息、事件的发生条件信息应用于校正模型来校正非侵入式血糖信息。
由此,克服仅以往仅利用非侵入式生物信息测量仪测量用户的血糖信息时血糖信息不准确或每个用户测量的血糖值不同的缺点,从而可以将非侵入式生物信息针对用户个性化地准确测量血糖信息,或者至少准确地判断用户的血糖增减模式。
图3是用于说明本发明的非侵入式生物信息的校正装置的功能框图。图3中说明的非侵入式生物信息的校正装置在图1的情况下可以实现为用户终端,并且在图2的情况下可以实现为非侵入式生物信息测量仪。
参考图3更具体而言,通信部110与外部终端进行通信并收发数据。这里,当非侵入式生物信息校正装置实现为用户终端时,通信部110与连续生物信息测量仪和非侵入式生物信息测量仪收发数据;当非侵入式生物信息校正装置在非侵入式生物信息测量仪中实现时,通信部110与连续生物信息测量仪收发数据。通信部110可以以有线或无线的方式与外部终端收发数据,例如可以采用蓝牙(Bluetooth)、NFC(Near Field Communication,近场通信)、红外通信、Wi-Fi通信、USB电缆通信等方式收发数据。
连续生物信息测量仪贴附于用户的身体并在规定期间内连续地测量用户的连续血糖信息,并且非侵入式生物信息测量仪也被用户佩戴并非侵入式地测量非侵入式血糖信息。存储部130中存储测量的连续血糖信息、非侵入式血糖信息。学习部120将在规定期间内通过连续生物信息测量仪测量的连续血糖信息和通过非侵入式生物信息测量仪测量的非侵入式血糖信息应用于学习模型并针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息。
优选地,在规定期间内测量连续血糖信息的期间,可以获取发生于用户的事件信息或事件发生的时间点上事件的发生条件信息,并且在存储部130中存储获取的连续血糖信息、非侵入式血糖信息、事件信息以及事件的发生条件信息等。当由学习部120利用连续血糖信息针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息时,可以利用存储在存储部130中的连续血糖信息、非侵入式血糖信息、事件信息以及事件的发生条件信息将对应于事件信息和发生条件信息的非侵入式血糖信息和连续血糖信息进行比较,并利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式血糖信息相应的连续血糖信息。
即,学习部120利用由连续血糖信息、非侵入式血糖信息、测量连续血糖信息的期间内发生的事件信息、事件发生时的事件的发生条件信息等组成的训练数据集,通过发生条件信息针对用户个性化地学习与事件发生时的非侵入式血糖信息相应的连续血糖信息,并从学习结果中生成用于校正非侵入式血糖信息的校正模型。
这里,学习部120可以利用多种学时习模型算法来执行学习,例如,可以利用广义线性模型(Generalized linear models,GLM)、决策树(Decision trees)、随机森林(Random forests)、梯度提升机(Gradient boosting machine,GBM)、深度学习(Deeplearning)等学习模型算法来执行学习。根据本发明所应用于的领域,在针对用户个性化地学习与非侵入式血糖信息相应的续血糖信息时,可以使用多种学习模型算法,并且这落入本发明的范围内。
这里,事件信息可以由用户通过输出到用户界面部150的事件输入用界面画面直接输入,并且事件的发生条件信息可以由用户通过输出到用户界面部150的发生条件输入用界面画面直接输入。
根据本发明所应用于的领域,可以通过事件判断部160判断发生于用户的事件,事件判断部160可以基于从活动量传感器、位置传感器接收到的信息判断发生于用户的事件。优选地,当由事件判断部160判断发生的事件时,向用户界面部150输出关于判断的事件的信息,并当接收到用户的确认时,确定为发生于用户的事件。
可以通过对应于本发明所应用于的领域的发生条件判断部170判断事件发生时的事件的发生条件信息,发生条件判断部170可以基于从位置传感器、活动量传感器、温度传感器、湿度传感器等接收的信息或通过网络获取的季节信息、地点信息、位置信息、温度信息、湿度信息等判断事件的发生条件信息。优选地,当由发生条件判断部170判断发生的事件的发生条件信息时,向用户界面部150输出判断的事件的发生条件信息,并且当收到用户的确认时,确定事件的发生条件信息。
连续生物信息测量仪用于生成针对非侵入式血糖信息的个性化的校正模型,在生成校正模型后从用户的身体被移除。校正部140将由非侵入式生物信息测量仪测量的非侵入式血糖信息应用于校正模型来校正非侵入式血糖信息。优选地,当移除连续生物信息测量仪后获取发生于用户的事件信息、事件的发生条件信息以及非侵入式血糖信息时,校正部140将事件信息、事件的发生条件信息以及非侵入式生物信息应用于校正模型来校正非侵入式血糖信息。
警报部180由校正的非侵入式血糖信息判断非侵入式血糖信息的增减变化率,当非侵入式血糖信息的增减变化率超过临界变化率时,向用户提供警报,或者从校正的非侵入式血糖信息中预测非侵入式血糖信息的后续增减变化率;当非侵入式血糖信息的后续增减变化率超过临界变化率时,向用户提供警报。
图4是用于说明本发明的学习部的动作的图,图5是用于说明本发明的校正部的动作的图。
首先参考图4对学习部的动作进行描述,当连续血糖信息和非侵入式血糖信息被输入到学习部120时,学习部120将与非侵入式血糖信息相同时间的连续血糖信息应用于学习模型算法来针对用户个性化地学习与非侵入式血糖信息相应的连续血糖信息,并生成用于非侵入式血糖信息的校正模型作为学习结果。
优选地,除了连续血糖信息、非侵入式血糖信息外,还可以向学习部120进一步输入事件信息和事件发生时的发生条件信息,学习部120将连续血糖信息、非侵入式血糖信息、事件信息以及事件发生时的发生条件信息应用于学习模型算法来利用发生条件信息针对用户个性化地学习与事件发生时的非侵入式血糖信息相应的连续血糖信息,并且生成用于校正非侵入式血糖信息的校正模型作为学习结果。
另一方面,参考图5对校正部的动作进行描述,在从身体移除连续生物信息测量仪之后,仅利用非侵入式生物信息测量仪测量用户的血糖信息,校正部140也可以将连续生物信息测量仪被移除后获取的追加非侵入式血糖信息应用于校正模型来校正追加非侵入式血糖信息。
优选地,除了非侵入式血糖信息外,校正部140还可以被进一步输入追加事件信息和追加事件发生时的追加发生条件信息,校正部140可以将非侵入式血糖信息、事件信息以及事件发生时的发生条件信息应用于校正模型来校正追加非侵入式血糖信息。
图6是用于说明本发明的一实施例的非侵入式生物信息的校正方法的流程图。
参考图6进行更具体的描述,当在规定期间内通过连续生物信息测量仪测量连续血糖信息时,接收并获取连续血糖信息(S111);当在规定期间内通过非侵入式生物信息测量仪测量非侵入式血糖信息时,获取非侵入式血糖信息(S113)。
连续生物信息测量仪贴附于身体规定期间以测量连续血糖信息,并且在经过规定期间后从身体被移除,将规定期间内测量的连续血糖信息和规定期间内在与连续血糖信息同一时刻测量的非侵入式血糖信息应用于学习模型算法以针对用户个性化地学习,并从学习结果中生成校正模型(S115)。
对在同一时刻测量的非侵入式血糖信息与连续血糖信息进行比较以提取非侵入式血糖信息的特征(feature),并学习与提取的特征相应的连续血糖信息以生成校正模型,或者将在同一时刻测量的非侵入式血糖信息和连续血糖信息应用于人工神经网络(neuralnetwork model)的输入节点来以线性回归方式计算隐藏节点(hidden node)的权重以生成校正模型。由于基于从机器学习中提取的特征的学习方式基于人工神经网络模型的学习方式是广泛公知的,因此将省略对其的详细描述。
根据本发明所应用于的领域,除了针对用户个性化地学习与非侵入式血糖信息相应的连续生物信息来生成校正模型外,还可以由非侵入式血糖信息针对用户个性化地学习与非侵入式血糖信息的增减模式相应的连续血糖信息的增减模式来生成校正模型。针对增减模式的校正模型是单纯基于非侵入式血糖信息来校正用户的血糖是升高的模式还是下降的模式的,因此可以比由非侵入式血糖信息校正用户的血糖值更准确。
再次参考图6进行描述,当从身体移除连续生物信息测量仪后从非侵入式生物信息测量仪获取追加非侵入式血糖信息时(S117),将追加非侵入式血糖信息应用于校正模型来校正非侵入式血糖信息(S119)。
图7是用于说明本发明的另一实施例的非侵入式生物信息的校正方法的流程图。
图7中描述的本发明的另一实施例的非侵入式生物信息的校正方法涉及一种除了在规定期间内获取的连续血糖信息外还一并利用规定期间内发生的事件信息或事件发生时的发生条件信息来针对用户个性化地学习非侵入式血糖信息的方法。
参考图7进行描述,当在规定期间内通过连续生物信息测量仪测量连续血糖信息时,接收并获取连续血糖信息(S131);当在规定期间内通过非侵入式生物信息测量仪测量非侵入式血糖信息时,获取非侵入式血糖信息(S132)。
当在规定期间内发生了事件时,获取发生的事件信息和事件发生时的事件的发生条件信息(S133)。这里,事件信息是可影响用户的生物信息信息的一切,例如可以包括用户进行的运动、运动的种类和时间、摄取的食物、摄取的食物的种类和量、用户承受的压力的程度、用户的身体状态(睡眠时间和质量、由于疾病等)等。
另一方面,当事件发生时,事件的发生条件信息可以包括事件发生的季节、天气、时刻、地点、位置、温度、湿度等。
这样的事件信息和事件发生条件信息可以由用户通过输入用界面画面直接输入,但可以利用通过多种传感器获取的信息或通过网络获取的信息来自动判断。
除了规定期间内测量的连续血糖信息和规定期间内在与连续血糖信息同一时刻测量的非侵入式血糖信息外,进一步地还将事件信息和事件发生条件信息应用于学习模型算法来以针对用户个性化地学习,并从学习结果中生成校正模型(S134)。
可以对事件信息与事件发生条件信息中与测量的非侵入式血糖信息相同时刻测量的连续血糖信息进行比较以提取非侵入式血糖信息的特征(feature),并学习与提取的特征相应的连续血糖信息以生成校正模型,或者将事件信息、事件发生条件信息以及在同一时刻测量的非侵入式血糖信息和连续血糖信息应用于人工神经网络(neural networkmodel)的输入节点来以线性回归方式计算隐藏节点(hidden node)的权重以生成校正模型。由于基于从机器学习中提取的特征的学习方式基于人工神经网络模型的学习方式是广泛公知的,因此将省略对其的详细描述。
根据本发明所应用于的领域,除了利用事件发生条件针对用户个性化地学习与事件发生时的非侵入式生物信息相应的连续生物信息来生成校正模型外,还可以利用事件发生条件由事件发生时的非侵入式血糖信息针对用户个性化地学习与非侵入式血糖信息的增减模式相应的连续血糖信息的增减模式来生成校正模型。
再次参考图7,在从身体移除连续生物信息测量仪后,由非侵入式生物信息测量仪获取追加非侵入式血糖信息(S135),当获取发生于用户的事件信息以及事件的发生条件信息时(S137),将追加非侵入式血糖信息、事件信息以及事件的发生条件信息应用于校正模型来校正非侵入式血糖信息(S139)。
图8示出由非侵入式生物信息测量仪测量的非侵入式血糖信息和由连续生物信息测量仪测量的连续血糖信息的一例。
如图8的(a)所示,就非侵入式生物信息测量仪测量的非侵入式血糖信息而言,由于血糖信息的测量原理不准确或难以针对用户个性化地设定非侵入式生物信息测量仪等多种原因,并不是在实际用户的血糖升高时相同地升高或者在血糖下降时相同地下降,而是可能会获取到如同噪声或杂声等血糖值的升高和下降反复的无意义的值。
不同于此,如图8的(b)所示,连续生物信息测量仪测量的连续血糖信息可以在某种程度上保证准确性,将测量到在用户的血糖升高时相同地升高,并且在血糖下降时相同地下降的连续血糖信息。
这样,可以利用通过连续生物信息测量仪在规定期间内测量的连续血糖信息针对用户个性化地校正非侵入式血糖信息。
这种连续生物信息测量仪可以在规定期间内插入贴附于用户身体来测量连续血糖信息,并利用在规定期间内连续地获取的连续血糖信息针对用户个性化地校正由非侵入式生物信息测量仪测量的非侵入式血糖信息。
图9对将连续生物信息测量仪佩戴于身体的规定期间进行说明。
参考图9(a)进行描述,连续生物信息测量仪可以插入贴附于用户的身体时间段T1、T2、T3中的某一个规定时间段。
这里,就T1、T2、T3而言,可以在连续生物信息测量仪的使用期间内佩戴于用户的身体,例如1周、15天或1个月。
然而,即使连续生物信息测量仪的使用期限为1个月,根据需要,也可以佩戴于用户的身体短于使用期限的时间段T1、T2、T3。这里,将连续生物信息测量仪插入佩戴于身体来测量连续血糖信息的期间可以被设定为完成校正模型的时间。即,即使连续生物信息测量仪的使用期限为1个月,当从10天内测量的连续血糖信息中生成要求的准确度的校正模型时,可以在10天之后移除连续生物信息测量仪。
在本发明中,可以利用多个连续生物信息测量仪在多个规定期间内测量连续血糖信息,并由在多个规定期间内测量的连续血糖信息生成更准确的校正模型。
将多个连续生物信息测量仪插入贴附测量连续血糖信息的多个规定期间可以彼此间隔开而设定,如图9的(b)所示,多个规定期间T1、T2、T3、T4以相同的时间间隔间隔开设定,或者如图9的(c)所示,多个规定期间T1、T2、T3、T4可以由环境条件、季节条件、用户身体条件、用户生理条件中的至少某一个以彼此不同的间隔间隔开设定。
图10对本发明中输入事件信息的界面画面的一例进行说明。
如图10的(a)所示,在用户终端的显示部上激活用于输入事件信息的输入用界面画面,用户可以通过输入用界面画面输入事件种类、详细种类、事件明细等。
如图10的(b)所示,当非侵入式生物信息测量仪中设有显示部时,在显示部上激活用于输入事件信息的输入用界面画面,用户可以通过输入用界面画面输入事件种类、详细种类、事件明细等。
图11对通过输入用界面画面输入的事件信息的一例进行描述。
如图11所示,当规定期间中发生于用户的事件和事件发生时的发生条件信息通过输入用界面画面输入时,告知已输入随时间的经过而发生的事件信息和事件发生条件信息的事件图标E被一起显示。当选择事件图标时,激活关于相应事件的信息和发生条件信息的详细明细。
图12是用于说明在去除连续生物信息测量仪后仅利用非侵入式生物信息测量仪显示测量的血糖信息的一例的图。
移除连续生物信息测量仪后,用户仅利用非侵入式生物信息测量仪接收测量的血糖信息,如图12的(a)所示,显示将后续输入的事件信息、后续事件的发生条件信息以及后续非侵入式血糖信息应用于校正模型来进行校正的血糖信息R。
如图12的(b)所示,显示关于由将后续输入的事件信息、后续事件的发生条件信息以及后续非侵入式血糖信息应用于校正模型来进行校正的血糖信息判断的用户血糖的增减模式的信息。
图13是用于说明基于血糖信息的增减模式向用户提供警报的一例的流程图。
参考图13进行更具体的描述,将追加非侵入式血糖信息、追加事件信息以及追加事件的发生条件信息应用于校正模型来判断用户的血糖信息的增减模式(S151),并由判断的增减模式判断增减变化率(S153)。
判断所判断的增减变化率是否大于临界变化率(S155),当所判断的增减变化率大于临界变化率时,生成警报消息并提供给用户(S157)。
图14是用于说明基于血糖信息的后续增减变化率向用户提供警报的一例的流程图。
参考图14进行更具体的描述,将追加非侵入式血糖信息、追加事件信息以及追加事件的发生条件信息应用于校正模型来判断用户的血糖信息的增减模式(S171),并基于所判断的增减模式来判断预期的后续增减变化率(S173)。这里,预期的后续增减变化率可以基于由根据针对用户个性化地进行的学习所判断的增减模式预期后续会看到的增减模式来判断。
判断所判断的后续增减变化率是否大于临界变化率(S175),当所判断的后续增减变化率大于临界变化率时,生成警报消息并提供给用户(S177)。
图15示出提供给用户的警报消息的一例。
如图15的(a)所示,与校正血糖信息R一起,告知存在发生于用户的事件的事件图标E以及告知存在警报消息的警报图标A按事件经过顺序显示。当选择警报图标A2时,可以激活具体的警报消息。
如图15的(b)所示,与关于用户血糖的增减模式的信息一起,告知存在发生于用户的事件的事件图标E以及告知存在警报消息的警报图标A按事件经过顺序显示。当选择警报图标A1时,可以激活具体的警报消息。
另一方面,上述本发明的实施例可以被编写为可以在计算机上执行的程序,并且可以在利用计算机可读记录介质运行所述程序的通用数字计算机中实现。
所述计算机可读记录介质包括磁存储介质(例如,ROM、软盘、硬盘等)、光读取介质(例如,CD-ROM、DVD等)以及诸如载波(例如,通过互联网的传输)的存储介质。
虽然参考附图中所示的实施例描述了本发明,但这些仅仅是示例性的,本领域技术人员将可以理解,由此可以实施多种变形和等同的其他实施例。因此,本发明的真正的技术保护范围应由所附权利要求书的技术思想来界定。
Claims (22)
1.一种非侵入式生物信息的校正方法,其特征在于,包括:
通过传感器的一部分被插入到用户的身体并在规定期间内测量用户的生物信息的连续生物信息测量装置来测量用户的连续生物信息的步骤;
通过与用户的皮肤间隔开或接触来测量用户的生物信息的非侵入式生物信息测量装置在所述规定期间内测量用户的非侵入式生物信息的步骤;以及
对在所述规定期间内测量的所述非侵入式生物信息和所述连续生物信息进行比较,并针对用户个性化地学习与所述非侵入式生物信息相应的连续生物信息的步骤。
2.根据权利要求1所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:
当在经过所述规定期间后通过所述非侵入式生物信息测量装置获取到用户的追加非侵入式生物信息时,判断与所述追加非侵入式生物信息相应地学习的连续生物信息以校正所述追加非侵入式生物信息的步骤。
3.根据权利要求2所述的非侵入式生物信息的校正方法,其特征在于,
在所述非侵入式生物信息的校正方法中,
对所述非侵入式生物信息的增减模式与所述连续生物信息的增减模式进行比较,并针对用户个性化地学习与所述非侵入式生物信息的增减模式相应的所述连续生物信息的增减模式;
由所述追加非侵入式生物信息判断与追加非侵入式生物信息的增减模式相应地学习的连续生物信息的增减模式以校正所述追加非侵入式生物信息的增减模式。
4.根据权利要求1所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:获取在所述规定期间内发生于所述用户的事件的事件信息的步骤,
将对应于所述事件信息的所述非侵入式生物信息与所述连续生物信息进行比较,并针对用户个性化地学习与所述事件发生时的所述非侵入式生物信息相应的连续生物信息。
5.根据权利要求4所述的非侵入式生物信息的校正方法,其特征在于,
所述事件信息是通过显示的事件输入用界面画面来输入的。
6.根据权利要求4所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:获取所述事件信息时一并获取发生于所述用户的事件的发生条件信息的步骤,
将对应于所述事件信息和所述发生条件信息的所述非侵入式生物信息与所述连续生物信息进行比较,以利用所述发生条件信息针对用户个性化地学习与事件发生时的所述非侵入式生物信息相应的连续生物信息。
7.根据权利要求6所述的非侵入式生物信息的校正方法,其特征在于,
所述发生条件信息是所述事件发生的季节信息、时刻信息、地点信息、位置信息、温度信息、湿度信息中的至少某一个。
8.根据权利要求7所述的非侵入式生物信息的校正方法,其特征在于,
所述发生条件信息是通过所显示的发生条件输入用界面画面输入的。
9.根据权利要求1至8中任一项所述的非侵入式生物信息的校正方法,其特征在于,
在所述非侵入式生物信息的校正方法中,
通过多个连续生物信息测量装置在多个规定期间内测量用户的连续生物信息;
对在所述多个规定期间内测量的非侵入式生物信息与所述连续生物信息进行比较,并在所述多个规定期间内针对用户个性化地学习与所述非侵入式生物信息相应的连续生物信息。
10.根据权利要求9所述的非侵入式生物信息的校正方法,其特征在于,
所述多个规定期间是彼此间隔开设定的。
11.根据权利要求10所述的非侵入式生物信息的校正方法,其特征在于,
所述多个规定期间以相同的时间间隔间隔开设定。
12.根据权利要求10所述的非侵入式生物信息的校正方法,其特征在于,
所述多个规定期间由环境条件、季节条件、用户身体条件、用户生理条件中的至少某一个间隔开设定。
13.根据权利要求4所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:
当在经过所述规定期间后获取到发生于用户的后续事件信息和用户的追加非侵入式生物信息时,判断与所述后续事件信息和所述追加非侵入式生物信息相应地学习的连续生物信息以校正所述追加非侵入式生物信息的步骤。
14.根据权利要求6所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:
当经过所述规定期间后获取到发生于用户的后续事件信息、后续事件发生的后续事件的发生条件信息以及用户的追加非侵入式生物信息时,判断与所述后续事件信息、所述后续事件的发生条件信息以及所述追加非侵入式生物信息相应地学习的连续生物信息以校正所述追加非侵入式生物信息的步骤。
15.根据权利要求13或14所述的非侵入式生物信息的校正方法,其特征在于,
在所述非侵入式生物信息的校正方法中,
对所述非侵入式生物信息的增减模式与所述连续生物信息的增减模式进行比较,并针对用户个性化地学习与所述非侵入式生物信息的增减模式相应的所述连续生物信息的增减模式;
由追加非侵入式生物信息判断所述追加非侵入式生物信息的增减模式和与所述追加事件信息相应地学习的连续生物信息的增减模式以校正所述追加非侵入式生物信息的增减模式。
16.一种非侵入式生物信息的校正方法,其特征在于,包括:
通过传感器的一部分被插入到用户的身体并在规定期间内测量用户的生物信息的连续生物信息测量装置来测量用户的连续生物信息的步骤;
通过与用户的皮肤间隔开或接触来测量用户的生物信息的非侵入式生物信息测量装置在所述规定期间内测量用户的非侵入式生物信息的步骤;
在测量所述连续生物信息的期间内获取发生于所述用户的事件的事件信息的步骤;
将所述事件信息和所述非侵入式生物信息的增减模式与所述连续生物信息的增减模式进行比较,并针对用户个性化地学习与所述事件信息和所述非侵入式生物信息的增减模式相应的连续生物信息的增减模式的步骤;
经过所述规定期间后通过所述非侵入式生物信息测量装置获取用户的追加非侵入式生物信息和发生于用户的追加事件信息的步骤;以及
对由所述追加非侵入式生物信息判断的追加非侵入式生物信息的增减模式和与所述追加事件信息相应地学习的连续生物信息的增减模式进行判断以校正所述追加非侵入式生物信息的增减模式的步骤。
17.根据权利要求16所述的非侵入式生物信息的校正方法,其特征在于,
所述事件信息和所述追加事件信息是通过显示的事件输入用界面画面输入的。
18.根据权利要求16所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:获取所述事件信息时一并获取发生于所述用户的事件的发生条件信息的步骤,
将对应于所述事件信息和所述发生条件信息的所述非侵入式生物信息的增减模式与所述连续生物信息的增减模式进行比较,并利用所述发生条件信息针对用户个性化地学习与事件发生时的所述非侵入式生物信息的增减模式相应的连续生物信息的增减模式。
19.根据权利要求18所述的非侵入式生物信息的校正方法,其特征在于,
所述发生条件信息是所述事件发生的季节信息、时刻信息、地点信息、位置信息、温度信息、湿度信息中的至少某一个。
20.根据权利要求19所述的非侵入式生物信息的校正方法,其特征在于,
所述事件的发生条件信息或所述追加事件的发生条件信息是通过显示的发生条件输入用界面画面输入的。
21.根据权利要求16或18所述的非侵入式生物信息的校正方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:
基于校正的所述追加非侵入式生物信息的增减模式判断增减变化率的步骤;以及
当判断的增减变化率超过临界变化率时,向用户提供警报的步骤。
22.根据权利要求16或18所述的方法,其特征在于,
所述非侵入式生物信息的校正方法还包括:
基于校正的所述追加非侵入式生物信息的增减模式预测后续增减变化率的步骤;以及
当预测的所述后续增减变化率超过临界变化率时,向用户提供警报的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210065023A KR102614602B1 (ko) | 2021-05-20 | 2021-05-20 | 비침습 생체정보의 교정 방법 |
KR10-2021-0065023 | 2021-05-20 | ||
PCT/KR2022/003887 WO2022244963A1 (ko) | 2021-05-20 | 2022-03-21 | 비침습 생체정보의 교정 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117042688A true CN117042688A (zh) | 2023-11-10 |
Family
ID=84140584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280023185.0A Pending CN117042688A (zh) | 2021-05-20 | 2022-03-21 | 非侵入式生物信息的校正方法 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP4324394A1 (zh) |
JP (1) | JP2024519772A (zh) |
KR (1) | KR102614602B1 (zh) |
CN (1) | CN117042688A (zh) |
AU (1) | AU2022275592A1 (zh) |
CA (1) | CA3218307A1 (zh) |
WO (1) | WO2022244963A1 (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009039267A (ja) * | 2007-08-08 | 2009-02-26 | Panasonic Corp | 非侵襲生体情報測定装置 |
JP5034762B2 (ja) * | 2007-08-08 | 2012-09-26 | パナソニック株式会社 | 血糖測定システム |
JP2011062335A (ja) * | 2009-09-17 | 2011-03-31 | Panasonic Electric Works Co Ltd | 血糖値モニタリング装置 |
KR102424353B1 (ko) * | 2015-05-12 | 2022-07-22 | 삼성전자주식회사 | 혈당량의 변화율에 기초한 혈당 측정 방법 및 이를 위한 혈당 측정 장치 |
KR102015431B1 (ko) | 2016-03-29 | 2019-08-28 | 주식회사 엘지화학 | 리튬 이차전지용 전극 슬러리 제조방법 |
KR102498120B1 (ko) * | 2017-10-17 | 2023-02-09 | 삼성전자주식회사 | 생체정보 센서의 오차 보정 장치 및 방법과, 생체정보 추정 장치 및 방법 |
KR102191057B1 (ko) * | 2018-12-18 | 2020-12-15 | 한국전자기술연구원 | 다중 센서를 이용한 비침습식 생체정보 측위 기반 보정 시스템 및 방법 |
KR20200127470A (ko) * | 2019-05-02 | 2020-11-11 | 삼성전자주식회사 | 개인화된 생체 정보 보정 장치 및 방법 |
KR102234894B1 (ko) * | 2019-05-22 | 2021-04-02 | 성균관대학교산학협력단 | 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법 |
KR102475913B1 (ko) * | 2019-08-08 | 2022-12-09 | 주식회사 아이센스 | 연속 혈당 측정 시스템에서 교정 정보를 관리하는 방법 |
KR20210041337A (ko) | 2019-10-07 | 2021-04-15 | 에스케이텔레콤 주식회사 | 순찰 출동 관제 시스템과 관제 장치 및 이의 운용 방법 |
KR102300630B1 (ko) | 2019-10-07 | 2021-09-09 | 세메스 주식회사 | 타워 리프트 |
-
2021
- 2021-05-20 KR KR1020210065023A patent/KR102614602B1/ko active IP Right Grant
-
2022
- 2022-03-21 JP JP2023569980A patent/JP2024519772A/ja active Pending
- 2022-03-21 AU AU2022275592A patent/AU2022275592A1/en active Pending
- 2022-03-21 CA CA3218307A patent/CA3218307A1/en active Pending
- 2022-03-21 CN CN202280023185.0A patent/CN117042688A/zh active Pending
- 2022-03-21 EP EP22782804.3A patent/EP4324394A1/en active Pending
- 2022-03-21 WO PCT/KR2022/003887 patent/WO2022244963A1/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CA3218307A1 (en) | 2022-11-24 |
KR20220157205A (ko) | 2022-11-29 |
EP4324394A1 (en) | 2024-02-21 |
AU2022275592A1 (en) | 2023-11-16 |
JP2024519772A (ja) | 2024-05-21 |
WO2022244963A1 (ko) | 2022-11-24 |
KR102614602B1 (ko) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11096611B2 (en) | Method for providing a signal quality degree associated with an analyte value measured in a continuous monitoring system | |
JP5266221B2 (ja) | 生理パラメータを監視する方法および装置 | |
JP3647032B2 (ja) | 低血糖事象の予測のためのマイクロプロセッサーおよびデバイス | |
JP6986007B2 (ja) | 生理学的パラメータに対する動的グルコースプロファイル応答のシステム、デバイス及び方法 | |
CA2622986A1 (en) | Non-invasive glucose monitoring | |
CN106156532A (zh) | 三级预防健康管理系统和方法 | |
EP4098194A1 (en) | Method for calculating calibration sensitivity of sensor for insertion into body | |
EP2699175A1 (en) | Analyte monitoring devices and methods | |
KR20200066204A (ko) | 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법 | |
US11759102B2 (en) | Device and methods for monitoring a visual field progression of a user | |
CN117042688A (zh) | 非侵入式生物信息的校正方法 | |
KR102418341B1 (ko) | 연속혈당 데이터를 이용한 당 관리 장치 및 그 방법 | |
KR102418339B1 (ko) | 연속혈당 데이터를 이용한 혈당 수치 추출 장치 및 그 방법 | |
US20230000447A1 (en) | Event-oriented predictions of glycemic responses | |
US20230270362A1 (en) | Continuous health monitoring system | |
CN117546251A (zh) | 事件导向型血糖反应预测 | |
US7510528B2 (en) | Device and method for noninvasive measuring glucose level in the blood | |
CN117750908A (zh) | 校准警报方法 | |
Khoury | Analysis of transient failures in continuous glucose monitoring sensors: data modeling and simulation |
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 |