CN117098498A - 利用卡尔曼滤波器对连续式葡萄糖监测器(cgm)信号进行过滤 - Google Patents
利用卡尔曼滤波器对连续式葡萄糖监测器(cgm)信号进行过滤 Download PDFInfo
- Publication number
- CN117098498A CN117098498A CN202280025747.5A CN202280025747A CN117098498A CN 117098498 A CN117098498 A CN 117098498A CN 202280025747 A CN202280025747 A CN 202280025747A CN 117098498 A CN117098498 A CN 117098498A
- Authority
- CN
- China
- Prior art keywords
- signal
- sensor
- sensor signal
- kalman filter
- residual
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 38
- 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 title description 91
- 239000008103 glucose Substances 0.000 title description 91
- 238000000034 method Methods 0.000 claims abstract description 138
- 239000012491 analyte Substances 0.000 claims abstract description 120
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 description 23
- 210000004369 blood Anatomy 0.000 description 22
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 19
- 230000006870 function Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 15
- 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 14
- 238000010586 diagram Methods 0.000 description 10
- 239000000126 substance Substances 0.000 description 10
- 102000004877 Insulin Human genes 0.000 description 7
- 108090001061 Insulin Proteins 0.000 description 7
- 238000012377 drug delivery Methods 0.000 description 7
- 229940125396 insulin Drugs 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000007920 subcutaneous administration Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000002255 enzymatic effect Effects 0.000 description 3
- 230000002218 hypoglycaemic effect Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- KWGRBVOPPLSCSI-WPRPVWTQSA-N (-)-ephedrine Chemical compound CN[C@@H](C)[C@H](O)C1=CC=CC=C1 KWGRBVOPPLSCSI-WPRPVWTQSA-N 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108010015776 Glucose oxidase Proteins 0.000 description 2
- 239000004366 Glucose oxidase Substances 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 229940088598 enzyme Drugs 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 229940116332 glucose oxidase Drugs 0.000 description 2
- 235000019420 glucose oxidase Nutrition 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 229960005489 paracetamol Drugs 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- YKFCISHFRZHKHY-NGQGLHOPSA-N (2s)-2-amino-3-(3,4-dihydroxyphenyl)-2-methylpropanoic acid;trihydrate Chemical compound O.O.O.OC(=O)[C@](N)(C)CC1=CC=C(O)C(O)=C1.OC(=O)[C@](N)(C)CC1=CC=C(O)C(O)=C1 YKFCISHFRZHKHY-NGQGLHOPSA-N 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 1
- WTDRDQBEARUVNC-UHFFFAOYSA-N L-Dopa Natural products OC(=O)C(N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-UHFFFAOYSA-N 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010040943 Skin Ulcer Diseases 0.000 description 1
- 239000004098 Tetracycline Substances 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 208000034698 Vitreous haemorrhage Diseases 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- GZCGUPFRVQAUEE-VANKVMQKSA-N aldehydo-L-glucose Chemical compound OC[C@H](O)[C@H](O)[C@@H](O)[C@H](O)C=O GZCGUPFRVQAUEE-VANKVMQKSA-N 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 239000003472 antidiabetic agent Substances 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 235000010323 ascorbic acid Nutrition 0.000 description 1
- 229960005070 ascorbic acid Drugs 0.000 description 1
- 239000011668 ascorbic acid Substances 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 229940083181 centrally acting adntiadrenergic agent methyldopa Drugs 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229940107161 cholesterol Drugs 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- KWGRBVOPPLSCSI-UHFFFAOYSA-N d-ephedrine Natural products CNC(C)C(O)C1=CC=CC=C1 KWGRBVOPPLSCSI-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 229960002179 ephedrine Drugs 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000004905 finger nail Anatomy 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 210000003128 head Anatomy 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
- 230000003345 hyperglycaemic effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 229940126904 hypoglycaemic agent Drugs 0.000 description 1
- 229960001680 ibuprofen Drugs 0.000 description 1
- 230000000984 immunochemical effect Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 229960004502 levodopa Drugs 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000008185 minitablet Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000000711 polarimetry Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 150000003873 salicylate salts Chemical class 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 231100000019 skin ulcer Toxicity 0.000 description 1
- 235000019364 tetracycline Nutrition 0.000 description 1
- 150000003522 tetracyclines Chemical class 0.000 description 1
- 229940040944 tetracyclines Drugs 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000004906 toe nail Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000029663 wound healing Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了,根据一种用于监测分析物浓度的系统和/或方法,可以从分析物传感器接收指示受者中的分析物浓度的传感器信号。可以使用卡尔曼滤波器对传感器信号进行过滤,该卡尔曼滤波器具有带有过程协方差的过程噪声和带有测量协方差的测量噪声。该过滤可以包括使用与在卡尔曼滤波器的模型中采用的一个或多个参数相关联的值来更新与过程协方差和测量协方差中的至少一者相关联的值。可以从卡尔曼滤波器输出代表受者中的分析物浓度的经过滤的传感器信号。
Description
相关申请
本申请根据35 U.S.C.§119(e)要求2021年3月31日提交的名称为“利用卡尔曼滤波器对CGM信号进行过滤(Filtering of CGM Signals with aKalman Filter)”的美国临时专利申请63/168,867号以及2021年6月8日提交的名称为“利用卡尔曼滤波器对连续式葡萄糖监测器(CGM)信号进行过滤(Filtering of Continuous Glucose Monitor(CGM)Signals with a Kalman Filter)”的美国临时专利申请63/208,362号的优先权,这些美国临时专利申请的全部公开内容据此以引用方式并入本文。
背景技术
糖尿病是胰腺不能产生足够的胰岛素(I型或胰岛素依赖性)和/或胰岛素无效(II型或非胰岛素依赖性)的病症。在糖尿病状态下,患者或用户患有高血糖,这可能引起一系列与小血管退化相关联的生理紊乱,例如,肾衰竭、皮肤溃疡或眼睛玻璃体出血。低血糖反应(低血糖)可由胰岛素的意外过量诱发,或在正常剂量的胰岛素或降糖剂伴随剧烈运动或食物摄入不足之后诱发。
照惯例,糖尿病患者会携带自我血糖监测(SMBG)监测器,这种监测器通常需要采用刺破手指的方法,这往往让人不适。由于舒适性和便利性不足,糖尿病患者在通常情况下每天只测量血糖水平两到四次。不幸的是,这样的时间间隔过于分散,以至糖尿病患者可能过迟才发现高血糖或低血糖状况,有时这会招致危险的副作用。糖尿病患者不仅不太可能及时觉察到危险状况从而将其消解,而且他或她基于常规方法也可能不会知道自己的血糖浓度值是正在上升(较高)还是正在下降(较低)。因此,可能阻碍糖尿病患者作出接受胰岛素疗法的决定。
一些糖尿病患者用来监测血糖的另一种装置是连续式分析物传感器,例如,连续式葡萄糖监测器(CGM)系统。CGM系统通常包括侵入式、微创式或无创式地放置的传感器。该传感器测量体内的给定分析物(例如,葡萄糖)浓度,并且使用与该传感器相关联的电子器件来生成原始信号。原始信号被转换成在显示器上呈现的输出值。由原始信号转换产生的输出值典型地以向用户提供有意义信息的形式来表示,并且用户已经熟悉以该形式来分析,诸如以mg/dL表示的血糖。
一些CGM系统依赖于血糖(BG)手指针刺仪值来将传感器信号与临床血糖相关联,而其他CGM系统不需要实时BG手指针刺仪值来将传感器导出的原始信号关联(校准/变换)为表示患者中的葡萄糖浓度的临床血糖换算值(例如,替代性地基于工厂信息)。这两种类型的系统都可能遭受不准确,特别是在传感器寿命的起点或终点附近时,这可能是由于BG值或校准代码被过于简单地解译而导致的。
发明内容
在第一方面,提供了一种用于监测受者中血液分析物浓度的方法,该方法包括:从连续式分析物传感器接收指示受者中血液分析物浓度的传感器信号;使用卡尔曼滤波器对传感器信号进行过滤,该卡尔曼滤波器具有带有过程协方差的过程噪声和带有测量协方差的测量噪声,其中该过滤包括使用在卡尔曼滤波器的模型中采用的一个或多个参数的值来更新过程协方差和测量协方差中的至少一者的值;以及从卡尔曼滤波器输出表示受者中的血液分析物浓度的经过滤的传感器信号。
在第一方面的实施方案中,用于更新过程协方差和测量协方差中的至少一者的一个或多个参数包括在卡尔曼滤波器模型中采用的新息项和残余项的值。
在第一方面的实施方案中,当在传感器信号中检测到一个或多个预定义伪影时执行更新。
在第一方面的实施方案中,当在使用卡尔曼滤波器对传感器信号进行过滤之后在传感器信号中检测到一个或多个预定义伪影时执行更新。
在第一方面的实施方案中,该方法进一步包括通过检查残余信号来检测一个或多个预定义伪影,该残余信号是从分析物传感器接收的传感器信号与使用卡尔曼滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,残余信号是临时残余信号,该临时残余信号是从分析物传感器接收的传感器信号与在更新过程协方差和测量协方差中的至少一者之前使用滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,残余信号是最终残余信号,该最终残余信号是从分析物传感器接收的传感器信号与在更新过程协方差和测量协方差中的至少一者之后使用滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,预定义伪影中的一个预定义伪影是超过阈值的残差的值或残差的导数,该残差是临时残余信号的值与最终残余信号的值之间的差,该临时残余信号是从分析物传感器接收的传感器信号与在更新过程协方差和测量协方差中的至少一者之前使用滤波器对传感器信号进行过滤之后的传感器信号之间的差,并且该最终残余信号是从分析物传感器接收的传感器信号与在更新过程协方差和测量协方差中的至少一者之后使用滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,预定义伪影中的一个预定义伪影是残余偏差,该残余偏差反映残余信号在一个或多个所选时间窗口内具有一致的正值或负值。
在第一方面的实施方案中,预定义伪影中的一个预定义伪影是最终残余信号的零点交叉,该最终残余信号的零点交叉反映最终残余信号的值在一个或多个所选时间窗口内经历从正到负或从负到正的符号变化的次数。
在第一方面的实施方案中,一个或多个预定义伪影基于传感器信号的模型。
在第一方面的实施方案中,该方法进一步包括在检测到传感器信号中的一个或多个指定伪影时,取消对过程协方差和测量协方差中的至少一者的值的先前更新。
在第一方面的实施方案中,用于更新过程协方差和测量协方差中的至少一者的一个或多个参数包括故障度量,该故障度量基于在卡尔曼滤波器模型中采用的新息项和新息协方差的值。
在第一方面的实施方案中,故障度量是在从分析物传感器接收的指定数量的测量样本上平均的瞬时故障度量的移动平均值。
在第一方面的实施方案中,一个或多个预定义伪影包括超过阈值的故障度量的值,该故障度量基于在卡尔曼滤波器模型中采用的新息项和新息协方差。
在第一方面的实施方案中,该方法进一步包括在过滤的每次迭代之后自适应地执行更新。
在第一方面的实施方案中,使用残余信号和指定步长系数自适应地执行更新,该残余信号是从分析物传感器接收的传感器信号与使用卡尔曼滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,使用传递函数来调整指定步长系数,该传递函数基于故障度量。
在第一方面的实施方案中,过程协方差具有使用传递函数调整的最小值。
在第一方面的实施方案中,该方法进一步包括调整在传递函数中采用的设计参数,以实现信号平滑与时间延迟之间的规定折衷。
在第一方面的实施方案中,该方法进一步包括当传感器信号是低分辨率信号时在检测到传感器信号中的一个或多个伪影时执行校正动作,该校正动作至少部分地由残余信号的符号确定,该残余信号是从分析物传感器接收的传感器信号与使用卡尔曼滤波器对传感器信号进行过滤之后的传感器信号之间的差。
在第一方面的实施方案中,该方法进一步包括从历史数据追溯地确定当传感器信号是高分辨率信号时先前采用的最优卡尔曼滤波器模型。
在第一方面的实施方案中,使用残余偏差和零点交叉来执行该确定,该残余偏差反映残余信号在一个或多个所选时间窗口内具有一致的正值或负值,并且零点交叉反映残余信号在一个或多个选定时间窗口内经历从正到负或从负到正的符号变化的次数。
在第一方面的实施方案中,该方法包括在检测到传感器信号中的一个或多个伪影时执行校正动作,该校正动作包括更新在卡尔曼滤波器模型中采用的参数中的一个或多个参数的值,选择更新值以实现待实现的分析物传感器信号平滑的量与跟踪分析物传感器信号中的变化的时间延迟之间的规定折衷。
在第一方面的实施方案中,该方法进一步包括使用利用临床数据训练的基于规则的模型来确定传感器信号中识别的特征是否待被分类为预定义伪影。
在第一方面的实施方案中,该方法进一步包括使用机器学习模型来确定传感器信号中识别的特征是否待被分类为预定义伪影。
在第一方面的实施方案中,预定义伪影中的一个预定义伪影是残余峰度的值或R/Q值。
在第一方面的实施方案中,在传感器信号域中识别伪影中的至少一个预定义伪影。
在第一方面的实施方案中,在将传感器信号转换为对应的血糖值之后识别伪影中的至少一个预定义伪影。
在第二方面,提供了一种用于监测受者中的血液分析物浓度的方法,该方法包括:从连续式分析物传感器接收指示受者中的血液分析物浓度的传感器信号;使用卡尔曼滤波器对传感器信号进行过滤;检测传感器信号中的一个或多个预定义伪影;在检测到传感器信号中的一个或多个伪影时执行校正动作,其中该校正动作包括更新在卡尔曼滤波器的模型中采用的参数中的一个或多个参数的值;以及从卡尔曼滤波器输出表示受者中的血液分析物浓度的经过滤的传感器信号。
原始传感器信号与由卡尔曼滤波器过滤的信号之间的差表示信号上的噪声。该值用于测量信号的信噪比,并且指示信号质量。可以使用其他度量来提供另外的信号质量度量,诸如由卡尔曼滤波器计算的误差协方差,该误差协方差可以是状态估计值的精度的量度。
附图说明
通过研究附图可以部分地理解本公开的关于其结构和操作两者的细节,在附图中相同的附图标记指代相同的部分。附图不一定按比例绘制,而是将重点放在图示本公开的原理上。
图1是包括连续式葡萄糖传感器和药物输送装置的集成系统的一个示例的图。
图2是被配置为与本发明的系统和方法一起使用的电子装置的前正视图。
图3是图2的电子装置的功能框图。
图4是示出到卡尔曼滤波器模块的主要输入和来自卡尔曼滤波器模块的主要输出的简化框图。
图5示出在将原始传感器信号过滤之前由CGM系统提供的一段时间内患者的葡萄糖水平的曲线图。
图6示出卡尔曼滤波器的示例的简化框图,其中采用伪影检测模块来检查由卡尔曼滤波器状态更新模块输出的传感器信号。
图7示出卡尔曼滤波器的示例的简化框图,其中采用故障度量计算模块来检查由卡尔曼滤波器更新模块使用的各种内部变量。
图8示出图5中所示的原始传感器信号,除了使用根据本文所述的技术配置的卡尔曼滤波器对信号进行过滤之外。
图9示出原始传感器信号和利用卡尔曼滤波器使用三组不同参数进行过滤后的经过滤的传感器信号。
图10是示出用于监测受者中的血液分析物浓度的方法的流程图。
具体实施方式
本文所公开的示例性实施方案涉及使用葡萄糖传感器,该葡萄糖传感器测量葡萄糖浓度或者指示另一种分析物的浓度或存在的物质的浓度。在一些实施方案中,该葡萄糖传感器是连续式装置,例如皮下、透皮、经皮、无创式、眼内和/或血管内(例如,静脉内)装置。在一些实施方案中,该装置是非连续式装置。在一些实施方案中,该装置可以分析多个间歇性血液样本。该葡萄糖传感器可以使用任何葡萄糖测量方法,包括酶法、化学法、物理法、电化学法、光学法、光化学法、基于荧光的方法、分光光度法、光谱法(例如,光学吸收光谱法、拉曼光谱法等)、旋光测定法、量热测定法、离子电渗法、辐射测定法等。
该葡萄糖传感器可以使用任何已知的检测方法,包括侵入式、微创式和无创式感测技术,以提供指示受者中的分析物浓度的数据流。该数据流通常是原始数据信号,其用于向可能正在使用传感器的用户(诸如患者或医疗保健专业人士(例如医生))提供分析物的可用值。
尽管这些说明和示例中的大部分涉及能够测量受者中的葡萄糖浓度的可植入的葡萄糖传感器,但是这些实施方案中的系统和方法可以应用于任何一种或多种可测量的分析物。应当理解,本文所述的系统、装置和方法可以应用于能够检测分析物的浓度并且提供表示分析物的浓度的输出信号的任何系统、装置和/或方法。
正如指出的那样,在一些实施方案中,分析物传感器是可植入的葡萄糖传感器,诸如参考美国专利6,001,067号和美国专利公布US-2011-0027127-A1号所描述的。在一些实施方案中,分析物传感器是经皮葡萄糖传感器,诸如参考美国专利公布US-2006-0020187-A1号所描述的。在还有其他实施方案中,分析物传感器是双电极分析物传感器,诸如参考美国专利公布US-2009-0137887-A1号所描述的。在还有其他实施方案中,该传感器被配置为植入受者血管中或在体外植入,诸如在美国专利公布US-2007-0027385-A1号中所描述的。这些专利和专利公布全文以引用方式并入本文。
以下描述和示例参照附图对本发明的实施方案进行描述。在附图中,附图标记对本发明实施方案的元件进行标示。这些附图标记在下文中结合对相应附图特征的讨论来重现。
图1是优选实施方案的集成系统的框图,包括连续式葡萄糖传感器和药物输送装置。这是在其中可以实现本文所述的一些实施方案的示例性环境。这里,分析物监测系统100包括连续式分析物传感器系统8。连续式分析物传感器系统8包括传感器电子器件(例如传感器电子器件模块)12和连续式分析物传感器10。系统100还可以包括其他装置和/或传感器,诸如药物输送泵2和/或分析物参考计量器4。连续式分析物传感器10可以物理连接到传感器电子器件12。传感器电子器件12可以与连续式分析物传感器10成一体(例如,不可释放地附接)或者能够可释放地附接到该连续式分析物传感器。另选地,连续式分析物传感器10可以与传感器电子器件12物理分离,但是却经由电感式耦合等电耦合。另外,传感器电子器件12、药物输送泵2和/或分析物参考计量器4可以与一个或多个附加装置(诸如显示装置14、16、18和/或20中的任一者或全部)通信。显示装置14、16、18和20通常可以包括处理器、存储器、存储装置,以及足以运行包括决策支持模块在内的应用程序的其他部件。
如本文所用,与分析物监测结合使用的术语“连续式”可以指装置基本上连续地产生测量结果的能力,使得装置可以被配置为以时间间隔(例如,每小时、每30分钟、每5分钟等)产生葡萄糖测量结果。然而,在各种实施方案中,本文中所讨论的系统和技术可以使用非连续传感器和系统来实施。例如,连续式分析物传感器系统8可以用非连续式分析物传感器来实施,该非连续式分析物传感器可以被配置为在被请求(例如,响应于用户请求)时产生分析物测量结果(例如,葡萄糖测量结果)。
在一些具体实施中,图1的系统100还可以包括(基于云的)处理器22,该处理器被配置为分析通过网络24直接或间接地从传感器系统8、药物输送泵2、分析物参考计量器4和/或显示装置14、16、18、20中的一者或多者提供的分析物数据、药物输送数据和/或其他用户相关数据。基于所接收的数据,处理器22可以进一步处理该数据、生成基于经处理的数据来提供统计信息的报告、触发到与受者或受者看护人相关联的电子装置的通知和/或将经处理的信息提供给图1的其他装置中的任一者。在一些示例性具体实施中,处理器22包括一个或多个服务器。如果处理器22包括多个服务器,则这些服务器可以在地理上是本地的,或者彼此分离。网络24可以包括用于传输数据的任何有线和无线通信介质,包括WiFi网络、蜂窝网络、互联网以及它们的任意组合。
在一些示例性具体实施中,传感器电子器件12可以包括与测量和处理由连续式分析物传感器10生成的数据相关联的电子电路。这种所生成的连续式分析物传感器数据还可以包括可以用于处理和校准连续式分析物传感器数据的算法,但是这些算法也能够以其他方式提供,诸如由装置14、16、18和/或20提供。传感器电子器件12可以包括硬件、固件、软件或它们的组合,以经由连续式分析物传感器或非连续式分析物传感器(例如,连续式葡萄糖传感器或非连续式葡萄糖传感器)提供分析物水平的测量结果。
正如指出的那样,传感器电子器件12可以与一个或多个装置(诸如显示装置14、16、18和20中的任一者或全部)耦合(例如,以无线方式等)。显示装置14、16、18和/或20可以被配置用于处理和呈现信息,这样的传感器信息由传感器电子器件模块12传输以供在显示装置处显示。显示装置14、16、18和20还可以基于分析物传感器数据触发警报并且/或者提供决策支持建议。
在图1中,显示装置14为类似密钥卡的显示装置,显示装置16是手持式专用计算装置(例如,可以从德康医疗公司(DexCom,Inc.)商购获得或先前可以从德康医疗公司商购获得的DexCom接收器和/或其他接收器),显示装置18是通用智能电话或平板计算装置20(例如,运行AndroidTMOS的电话、可从苹果公司(Apple,Inc.)商购获得或先前可以从苹果公司商购获得的AppleTMiPhoneTM、iPadTM或iPod TouchTM),并且显示装置20是计算机工作站20。在一些示例性具体实施中,相对较小的类似密钥卡的显示装置14可以是在手表、腰带、项链、吊坠、一件首饰、粘性贴片、寻呼机、密钥卡、塑料卡(例如,信用卡)、身份证(ID)卡和/或类似物中实现的计算装置。这种小显示装置14可以包括相对小的显示器(例如,比显示装置18小),并且可以被配置为显示有限的一组可显示的传感器信息,诸如数值26和箭头28。一些系统还可以包括可佩戴装置21,诸如2013年11月14日提交的名称为“Devices andMethods for Continuous Analyte Monitoring”的美国临时专利申请号61/904,341中所描述的,该专利申请的全部公开内容据此以引用方式明确地结合到本文中。可佩戴装置21可以包括被佩戴在用户的视觉、衣物和/或身体上或者集成到用户的视觉、衣物和/或身体中的任何装置。示例性装置包括可佩戴装置、脚镯、眼镜、戒指、项链、臂带、垂饰、皮带夹、发夹/领带、别针、袖扣、文身、张贴物、袜子、袖子、手套、服装(例如,衬衫、裤子、内衣、胸罩等)、“服装首饰”(诸如拉链拉手)、纽扣、手表、鞋子、隐形眼镜、皮下植入物、镜片、耳蜗植入物、鞋撑、矫正器(口腔)、矫正器(身体)、医疗包装材料、运动绑带(腕带、头带)、帽子、绷带、头发编织物、指/趾甲油、人造关节/身体部位、矫形针/装置、可植入的心脏或神经装置等。小显示装置14和/或可佩戴装置21可以包括相对小的显示器(例如,比显示装置18小),并且可以被配置为显示传感器信息的图形表示和/或数值表示,诸如数值26和/或箭头28。相比之下,显示装置16、18和20可以是较大的显示装置,该较大的显示装置可以能够显示较大的一组和/或不同的可显示信息或可显示信息的形式,诸如除了其他信息(诸如数值和箭头)之外在手持式接收器16上描绘的趋势图30和/或作为其他信息的替代的手持式接收器上描绘的趋势图。
应当理解,除了参考图1讨论的那些内容之外或代替参考图1讨论的那些内容,可以使用被配置为至少呈现信息(例如,药物输送信息、离散的自我监测分析物读数、心率监测器、热量摄取监测器等)的任何其他用户设备(例如,计算装置)。
在图1的一些示例性具体实施中,连续式分析物传感器10包括用于检测和/或测量分析物的传感器,并且连续式分析物传感器10可以被配置为作为无创式装置、皮下装置、透皮装置和/或血管内装置来连续地检测和/或测量分析物。在一些示例性具体实施中,连续式分析物传感器10可以分析多个间歇性血液样本,但是也可以使用其他分析物。在一个或多个具体实施中,传感器10可以替代地实施为非连续式分析物传感器。
在图1的一些示例性具体实施中,连续式分析物传感器10可以包括葡萄糖传感器,该葡萄糖传感器被配置为使用一种或多种测量技术来测量血液中的葡萄糖,这些测量技术诸如酶法、化学法、物理法、电化学法、荧光法、分光光度法、旋光测定法、量热测定法、离子电渗法、辐射测定法、免疫化学法等。在其中连续式分析物传感器10包括葡萄糖传感器的具体实施中,葡萄糖传感器可以包括能够测量葡萄糖浓度的任何装置,并且可以使用多种技术来测量葡萄糖,包括侵入式、微创式和无创式感测技术(例如,荧光监测),以提供指示受者中的葡萄糖浓度的数据,诸如数据流。数据流可以是原始数据信号,其被转换成用于向受者诸如用户、患者或看护人(例如,父母、亲属、监护人、老师、医生、护士或对受者的健康感兴趣的任何其他个体)提供葡萄糖值的经校准和/或经过滤的数据流。此外,连续式分析物传感器10可以作为以下类型的传感器中的至少一种植入:可植入的葡萄糖传感器、经皮葡萄糖传感器、植入受者血管中或在体外植入的传感器、皮下传感器、可再填充的皮下传感器、眼内或血管内传感器。如贯穿全文所述,在一个或多个实施方案中,传感器10可以替代地实施为非连续式葡萄糖传感器。
图2展示了被配置为与本发明的系统和方法一起使用的电子装置200的一个实施方案。电子装置200包括显示器202和一个或多个输入/输出(I/O)装置,诸如一个或多个按钮204和/或开关206,当被激活(例如,被点击和/或被操纵)时,该I/O装置执行一种或多种功能。在一些实施方案中,电子装置200可以是移动通信装置。例如,在该所展示的实施方案中,电子装置200是智能电话,并且显示器202包括触摸屏,该触摸屏也用作I/O装置。在其他实施方案中,电子装置200可以包括不是智能电话的一个或多个装置,诸如CGM系统的接收器、智能手表、平板计算机、迷你平板计算机、手持式个人数字助理(PDA)、游戏机、多媒体播放器、可佩戴装置(诸如上述那些)、汽车或其他交通工具中的屏幕等。虽然电子装置200在附图中被展示为智能电话,但是电子装置200可以是本文所提及的任何其他电子装置并且/或者结合任何或所有其他电子装置的功能,包括其中这些功能中的一些或所有功能被体现在远程服务器上。如本文更详细地描述的,在某些实施方案中,数据(诸如本文所讨论的数据(例如,CGM系统的数据))的处理可以由电子装置200使用电子装置200的一个或多个处理器来执行。替代地或另外地,本文所讨论的数据的处理和过滤可以由除了装置200之外的一个或多个装置来执行。例如,本文所讨论的处理和过滤技术可以至少部分地由可佩戴设备(例如,可佩戴装置21)来执行,该可佩戴装置被佩戴在用户的身体上并且向另一装置(诸如电子装置200)传达信息。
图3是图2中所示的电子装置200的框图,展示了根据一些实施方案的其功能部件。电子装置200包括显示器202和一个或多个输入/输出(“I/O”)装置204、206,如上文关于图2所描述的。显示器202可以是能够显示输出的任何装置,诸如LCD或LED屏幕,以及其他装置。输入/输出(I/O)装置202、204、206可以包括例如键盘(未示出)、一个或多个按钮204、一个或多个开关206等。在包括触摸屏的实施方案中,显示器202也用作I/O装置。
电子装置200还包括处理器208(也称为中央处理单元(CPU))、存储器210、存储装置212、收发器214,并且可以包括其他部件或装置(未示出)。存储器210经由系统总线或本地存储器总线216耦接到处理器208。处理器208可以是或可以包括一个或多个可编程的通用或专用微处理器、数字信号处理器(DSP)、可编程控制器、专用集成电路(ASIC)、可编程逻辑器件(PLD)等,或者此类基于硬件的装置的组合。
存储器210允许处理器208在执行时间访问存储在存储器210中的数据和程序信息。典型地,存储器210包括随机存取存储器(RAM)电路、只读存储器(ROM)、闪存存储器等,或此类装置的组合。
存储装置212可以包括一个或多个内部和/或外部大容量存储装置,其可以是或者可以包括用于以非易失性方式存储大量数据的任何常规介质。例如,存储装置212可以包括常规的磁盘、光盘、磁光(MO)存储装置、基于闪存的存储装置,或者适于存储结构化或非结构化数据的任何其他类型的非易失性存储装置。存储装置212还可以包括使用所谓的云计算的“云”中的存储装置。云计算涉及提供计算资源与其底层技术架构(例如,服务器、存储装置、网络)之间的抽象化的计算能力,从而实现对可配置计算资源的共享池的方便的按需网络访问,该可配置计算资源能够以最小的管理努力或服务提供方交互来快速地供应和释放。
电子装置200可以执行各种过程,诸如,关联数据、模式分析和其他过程。在一些实施方案中,电子装置200可以靠自身执行此类过程。替代性地,此类过程可以由一个或多个其他装置(诸如上文所述的一个或多个基于云的处理器22)执行。在还有另外的实施方案中,这些过程可以部分地由电子装置200执行并且部分地由其他装置执行。本文参考电子装置200来描述各种示例过程。应当理解,这些示例过程不限于由电子装置200单独执行。另外,如本文所用,术语“电子装置”应当被理解为包括电子装置200与之交互的其他装置,诸如一个或多个基于云的处理器、服务器等。
电子装置200还可以包括用于执行各种功能的其他装置/接口。例如,电子装置200可以包括相机(未示出)。
收发器214使得电子装置200能够经由网络与其他计算系统、存储装置和其他装置通信。虽然该所展示的实施方案包括收发器214,但是在替代性实施方案中,单独的发射器和单独的接收器可以代替收发器214。
在一些实施方案中,处理器208可以执行各种应用程序,例如,加载在电子装置200上的CGM应用程序。应用程序(例如,CGM应用程序)可以通过互联网和/或蜂窝网络等下载到电子装置200。用于各种应用程序的数据可以在电子装置200与一个或多个其他装置/系统之间共享,并且由存储装置212存储以及/或者存储在一个或多个其他装置/系统上。该CGM应用程序可以包括决策支持电子器件(例如,决策支持模块)并且/或者可以包括足以操作如下所述的决策支持评估功能和方法的处理。
在本发明的某些实施方案中,将图1的连续式分析物传感器系统8的传感器10插入受者的皮肤中。用传感器10、传感器电子器件12和电子装置200发起新的传感器会话。可以采用多种技术来初始化传感器10。例如,当传感器电子器件12接合传感器10时,可以触发初始化。在另一个示例中,初始化可以由机械开关触发,诸如接纳传感器电子器件12的卡扣式底座上的开关(未示出)。当传感器电子器件12卡扣到该底座中时,开关自动跳闸。在另一个示例中,初始化可以是菜单驱动的,并且可以通过在电子装置200的显示器202上的用户界面来提示用户通过在该用户界面上作出选择(诸如通过按下按钮或触摸显示器202(其可以包括触摸屏)上的指定区域)来开始初始化。在另一个示例中,初始化可以基于信号特性的评估或分析,诸如由传感器电子器件12从传感器10接收的信号。在涉及应用于佩戴者皮肤的无创式传感器的另一个示例中,传感器10可以感测其何时与皮肤接触并且自动启动。另外,分析物传感器系统8可以使用上述技术中的任一种来检测新传感器10的使用、经由系统8的用户界面上的提示来自动地提示用户确认新传感器会话,并且响应于该提示来发起对用户确认的初始化响应。初始化传感器10的附加示例可以在2013年3月12日提交的美国专利申请序列号13/796,185中找到,该专利申请的全部公开内容据此以引用方式并入本文。
优选的实施方案提供了测量感兴趣分析物的浓度或指示分析物的浓度或存在的物质的浓度的连续式分析物传感器。在一些实施方案中,分析物传感器是侵入式、微创式或无创式装置,例如皮下、透皮、血管内或体外装置。在一些实施方案中,分析物传感器可以分析多个间歇性生物样本。分析物传感器可以使用任何分析物测量方法,包括酶法、化学法、物理法、电化学法、分光光度法、旋光测定法、量热测定法、辐射测定法等。
在一些实施方案中,分析物传感器可以广泛地表征为基于扩散的传感器。更具体地,基于扩散的传感器的一些具体实施方案可以是电化学传感器或基于电极的传感器。在一些实施方案中,电化学传感器或基于电极的传感器可以是酶传感器,诸如基于GOX的传感器或基于GOX的H2O2传感器。
一般来讲,分析物传感器提供至少一个工作电极和至少一个参比电极,它们被配置为测量与受者中的分析物浓度相关联的信号,诸如下文更详细描述的,并且如本领域技术人员所理解的。例如,输出信号通常是用于向患者或医生提供受者中的实测分析物浓度的可用值的原始数据流。然而,一些实施方案的分析物传感器包括被配置为测量至少一个附加信号的至少一个附加工作电极,如本文别处所讨论的。例如,在一些实施方案中,该附加信号与分析物传感器的基线和/或灵敏度相关联,从而使得能够监测连续式分析物传感器中随时间推移可能出现的基线和/或灵敏度变化。
一般来讲,连续式分析物传感器限定传感器生成的测量结果(例如,以pA或nA为单位的电流,或A/D转换后的数字计数)与参考测量结果(例如,以mg/dL或mmol/L为单位的葡萄糖浓度)之间的关系,该关系对用户(例如,患者或医生)有意义。就可植入的基于扩散的葡萄糖氧化酶电化学葡萄糖传感器而言,感测机制通常取决于与葡萄糖浓度成线性关系的现象,例如:(1)葡萄糖扩散穿过位于植入部位和/或电极表面之间的膜系统(例如,生物界面膜和膜系统),(2)该膜系统内的酶促反应,以及(3)H2O2扩散到传感器。由于这种线性,对传感器的校准可以通过求解以下方程来理解:
y=mx+b
其中y表示传感器信号(例如,计数),x表示估计的葡萄糖浓度(例如,mg/dL),m表示传感器对葡萄糖的灵敏度(例如,计数/mg/dL),b表示基线信号(例如,计数)。当灵敏度m和基线(背景)b两者在体内随时间推移而变化时,校准通常需要至少两个独立的匹配数据对(x1,y1;x2,y2)来求解m和b,因此在只有传感器信号y可用时允许对葡萄糖作出估计。匹配数据对可以通过将参考数据(例如,来自血糖仪等的一个或多个参考葡萄糖数据点)与基本上时间对应的传感器数据(例如,一个或多个葡萄糖传感器数据点)进行匹配以提供一个或多个匹配数据对来创建,诸如在美国专利公布US-2005-0027463-A1号中所描述的。在一些可植入的葡萄糖传感器中,诸如在全文以引用方式并入本文的授予Heller等人的美国专利号6,329,161中更详细描述的,感测层利用固定化介体(例如,氧化还原化合物)将酶电连接到工作电极,而非使用扩散介体。在一些可植入的葡萄糖传感器中,诸如在美国专利号4,703,756中更详细描述的,该系统具有位于氧气可渗透外壳中的两个氧气传感器,一个传感器未改变,另一个接触葡萄糖氧化酶,从而允许对体液或组织中指示葡萄糖水平的氧气含量进行微差测量。测量受者中的葡萄糖的多种系统和方法是已知的,所有这些系统和方法均可以受益于一些实施方案,以提供信噪比基本上不受非恒定噪声影响的传感器。分析物传感器构造的附加描述可以在以下专利中找到:2007年3月27日提交的名称为“用于连续式分析物传感器的双电极系统(DUAL ELECTRODE SYSTEM FOR A CONTINUOUS ANALYTESENSOR)”的美国专利申请序列11/692,154号、美国专利公布US-2007-0027385-A1号,以及美国专利公布US-2005-0143635-A1号。
通常,可植入的传感器测量与受者中感兴趣的分析物相关的信号。例如,电化学传感器可以测量受者(诸如动物(例如,人))中的葡萄糖、肌酸酐或尿素。通常,信号在数学上被转换成指示分析物状态的数值(诸如分析物浓度)。传感器经历一定程度的噪声并不是罕见的。一般来讲,“连续式噪声”(有时称为连续式背景或基线)是由随时间变化相对稳定的非分析物相关因素引起的,包括但不限于由通常连续式(例如,每日)代谢过程产生的电活性物质。连续式噪声可以在受者之间差异很大。相比之下,“非连续式噪声”(有时称为非连续式背景)是由非连续式、非分析物体相关物质(例如,引起非连续式噪声的电活性物质)在瞬时事件期间(诸如在受者代谢过程期间(例如,创伤愈合或响应于病情))或由于摄入某些化合物(例如,某些药物)引起的。在一些情况下,噪声可以由多种引起噪声的电活性物质引起。
一般而言,噪声可以由多种因素引起,从机械因素到生物因素。例如,在一些实施方案中,宏观或微观运动、局部缺血、pH变化、温度变化、压力、应力或甚至未知的机械、电气和/或生物化学来源都可能引起噪声。引起非连续式噪声的干扰物质可以是化合物,诸如已经施用于受者的药物,或者各种受者代谢过程的间歇产生的产物。示例性干扰物包括但不限于多种药物(例如,对乙酰氨基酚)、来自外部来源的H2O2(例如,在传感器膜系统外部产生)以及活性代谢物质(例如,活性氧和氮物质、一些激素等)。葡萄糖传感器的一些已知干扰物质包括但不限于对乙酰氨基酚、抗坏血酸、胆红素、胆固醇、肌酸酐、多巴胺、麻黄素、布洛芬、左旋多巴、甲基多巴、水杨酸盐、四环素、妥拉磺脲、甲苯磺丁脲、甘油三酯和尿酸。在一些情况下,当受者间歇地久坐时(诸如在睡眠或长时间坐着期间),也可能产生噪声。当受者再次开始移动时,噪声可以快速消散。
噪声在临床上是重要的,因为它可以引起误差并且可以降低传感器性能,诸如通过提供使得分析物浓度表现为高于或低于实际分析物浓度的信号。例如,向上或高噪声(例如,引起信号增加的噪声)可能使得受者的葡萄糖浓度表现为高于其真实的葡萄糖浓度,这可能导致不适当的治疗决策。类似地,向下或低噪声(例如,引起信号降低的噪声)可能使得受者的葡萄糖浓度表现为低于其葡萄糖浓度,这也可能导致不适当的治疗决策。因此,能够减少在分析物传感器中产生的噪声的分析物传感器系统提供了重要的技术优点。
用于对原始传感器信号进行过滤的常规技术可能不总是导致令人满意的结果。例如,图5示出在原始传感器信号被过滤之前由CGM系统提供的一段时间内患者的葡萄糖水平。原始传感器信号在时间7.65之前不久变得明显有噪声,并且在时间7.65之后保持有噪声。噪声数据可能由多种来源引起,作为示例包括由于患者的移动或电子误差而导致的传感器在患者体内的位移。该图还示出使用常规IIR滤波器过滤之后的信号。然而,在接收到噪声数据之后的一段时间内,经过滤的信号显然不能准确地跟踪来自传感器的信号。因此,数据可能在很长一段时间内不被呈现给用户。图5还示出在该时段期间向用户显示的数据,并且葡萄糖水平的接近零的值指示在该整个时段内没有数据显示。
卡尔曼滤波器属于贝叶斯估计器类,其是一组算法,在给定噪声测量结果和关于变量的一些先验知识的情况下,该组算法提取关于一组未知变量或状态的信息。卡尔曼滤波可以使用两步估计过程以通过假定未知变量由概率密度函数而非离散值表示来提取关于未知变量的信息。卡尔曼滤波器估计过程的另外的细节通常可以在S.Akhlaghi,N.Zhou和Z.Huang的“用于动态状态估计的卡尔曼滤波中噪声协方差的自适应调整(Adaptiveadjustment of noise covariance in Kalman filter for dynamic stateestimation)”(2017年IEEE电力与能源学会大会,伊利诺伊州芝加哥(2017IEEE Power&Energy Society General Meeting,Chicago,IL),2017年,第1-5页)(“Akhlaghi”)中找到,其全部内容据此以引用方式并入。该估计过程可以应用于如下所述的连续式葡萄糖监测器(CGM)测量结果。
在一个示例中,当应用于分析物(例如,CGM)测量结果时,卡尔曼滤波器处理来自CGM传感器的原始分析物(例如,葡萄糖)信号(噪声测量结果),并且通过从原始分析物信号去除噪声来提供经过滤的分析物(例如,葡萄糖)信号(第一未知变量)的估计。它还提供分析物(例如,葡萄糖)信号变化率(第二未知变量)的粗略估计值。
图4是示出到卡尔曼滤波器模块40的示例性主要输入和来自卡尔曼滤波器模块的示例性主要输出的简化框图。输入包括原始葡萄糖信号42和逐点模型参数48。原始葡萄糖信号42表示从CGM传感器获得的葡萄糖信号值,该葡萄糖信号值通常可以以规则的时间间隔(例如,每30秒、每5分钟等)提供。逐点模型参数48可以用于将葡萄糖信号值(通常以Pa为单位测量)转换成葡萄糖值(通常以mg/dL为单位测量)。
来自卡尔曼滤波器模块40的输出可以是经过滤的葡萄糖信号44和葡萄糖信号变化率46。经过滤的葡萄糖信号44可以是经去噪的葡萄糖信号的估计。葡萄糖信号变化率46可以在后续模块中用于估计趋势值和/或其他信息或分析。
卡尔曼滤波器可以执行迭代(例如,两步)估计过程,其中首先确定经过滤的葡萄糖信号和其变化率的预测估计值(称为先验估计值),随后是其中更新经过滤的葡萄糖信号的预测估计值的校正步骤。
卡尔曼滤波器的操作可以基于状态空间模型,其中:
在一个示例性实施方案中,xk是未知状态变量,gk是在时间k处的未知葡萄糖信号值,并且dk是在时间k处的葡萄糖信号的未知变化率。
状态空间模型可以定义在每个时间k处状态空间模型中的未知变量如何能够从先前的步骤k预测,这可以由下式给出:
xk=F×xk-1+wk-1
其中
Δt指示两个迭代步骤之间的时间差(例如,原始葡萄糖信号的采样时间),并且如果CGM传感器以30秒间隔提供原始葡萄糖信号值,则Δt例如可以等于0.5分钟。时间差和/或采样率可以被选择为任何合适的时间差或采样率。在一些情况下,时间差和/或采样率可以是动态的和/或自适应的时间差或采样率。wk-1是状态过程噪声,其中均值可以等于零,并且在过程噪声具有多变量正态分布的假设下,在时间k处的过程噪声的协方差矩阵可以假设由给出。
测量模型确定未知(状态)变量xk如何与观测值或测量值yk(例如,来自CGM传感器的原始葡萄糖信号)相关,这可以由下式给出:
yk=H×xk+vk
其中
H=[1 0]。
vk是测量噪声,其中均值等于零,并且在测量噪声具有多变量正态分布的假设下,在时间k处的测量噪声的协方差矩阵假设由给出。
给定以上定义,在卡尔曼滤波器过程的每次迭代中,可以如下文所讨论执行预测和校正的两个步骤。
在预测步骤中,基于在k-1处的状态变量与状态模型的知识来获得未知状态变量xk的先验估计值。具体地,先验估计值是
其中上标“+”指示估计值是后验,而“-”表示估计值是先验,并且它是参考相对于在时间k处的当前观测。
在可以在预测步骤之后发生的校正步骤中,修正状态变量xk的先验估计值以获得更准确的估计值,该更准确的估计值被称为后验估计值。具体地,使用状态变量xk的先验估计值、当前噪声测量值yk和测量方程来计算状态变量xk的后验估计值。即,预测步骤在考虑测量值yk之前确定状态变量xk的值。然后,校正步骤通过考虑在时间k处的测量值来修正状态变量xk的值。下面给出详细的计算:
其中dk是新息项并且Pinnov是新息协方差。卡尔曼增益由Gk表示。状态变量和协方差矩阵的后验估计值分别由和给出。
基于上述方程,可以在每个卡尔曼滤波器迭代步骤中计算更新的后验状态估计值。待确定的附加值是和的初始值,这可以在初始化步骤期间提供。
在一个实施方案中,将卡尔曼滤波器应用于来自CGM传感器的原始葡萄糖信号可以总结如下。例如,如果CGM传感器例如每30秒生成测量值,则卡尔曼滤波器每30秒接收计数或样本。假设在时间t=150秒处接收到计数,并且此时在预测步骤中,卡尔曼滤波器基于直到并且包括t=120秒接收到的计数来预测状态变量xk将是多少。该预测基于从传感器获得的先前获得的测量计数以及由状态模型采用的关于葡萄糖水平如何随时间变化的假设。接下来,在t=150秒处执行校正步骤,其中使用最近测量的计数值来更新状态变量的估计值。因此,在t=150秒处,存在可用的未知状态变量x的预测值和测量值y。通过比较这两个值来获得预测值的误差。该误差被称为测量新息,因为它是基于在时间k处的观测或测量来获得的新信息。其他实施方案可以使用用于产生测量值和/或操作卡尔曼滤波器处理的其他时间间隔(例如,每15秒、1分钟、5分钟等)。
可以在卡尔曼滤波器中采用两个噪声分量(过程噪声和测量噪声)。这些噪声分量可以是预先已知的和/或从数据估计的。测量噪声可以近似地对应于观测信号上存在的噪声,并且过程噪声可以近似地对应于模型误差。当出现信号异常时,这些噪声分量的正确估计可能在噪声的最佳去除和/或其鲁棒性方面对卡尔曼滤波器的性能具有影响。上述测量新息可以用于更新测量协方差R和过程协方差Q。然后,Q和R的更新值可以用于更新卡尔曼滤波器使用的其他参数,诸如卡尔曼增益和/或后验状态值。
当违反关于噪声的某些基本假设(例如,其高斯性质)时,常规卡尔曼滤波过程可能不会产生高质量经过滤的信号。当没有葡萄糖值显示给用户时,该过滤过程可能导致相对长的停机时间周期。这些问题可以通过下面描述的技术来解决,这些技术修改更新噪声协方差项Q和R的过程。出于这个目的,可以采用各种实施方案,如下面列出并且随后更详细地解释的:
·使用每个步骤中的新息值和残余误差值来估计Q和R的值。
·使用每个步骤中的新息值和残余误差值来估计Q和R的值,该每个步骤使用基于信号异常的存在的可能性来计算的可调整自适应系数。
·如果检测到信号异常,则修改卡尔曼滤波器估计步骤。
·添加伪影检测模块来检测信号异常。
如上所述,这些新息值和残余误差值可以用于估计Q和R的值,例如通过自适应地调整它们的值,使用常数系数或使用数据驱动的特征来调整自适应系数。这可以使得卡尔曼滤波器能够对于信号异常更稳健和/或在去除噪声和以更少的延迟跟踪信号变化方面获得更好的折衷。
在一些实施方案中,当识别出某些伪影时,可以不同地更新过程噪声项和测量噪声项。识别或以其他方式确定存在此类伪影的方式在不同具体实施中可以不同。例如,在一些实施方案中,在下面更详细地讨论,可以通过检查传感器信号中的某些特征来识别此类伪影。在又其他实施方案中,也在下面讨论,可以通过基于在卡尔曼滤波器中使用的内部变量检查一个或多个度量来确定此类伪影的存在的指示。
图6示出卡尔曼滤波器的一个示例的简化框图,其中采用伪影检测模块56来检查由卡尔曼滤波器状态更新模块50输出的传感器信号。伪影检测可以在卡尔曼滤波器更新传感器信号之后执行,以检测传感器信号上的信号异常的存在。图6的示例性卡尔曼滤波器还包括测量噪声协方差模块52和过程噪声协方差模块54,该测量噪声协方差模块和过程噪声协方差模块分别提供测量噪声协方差矩阵和过程噪声协方差矩阵的更新值。如果伪影检测模块56检测到伪影,则可以关于对测量噪声协方差矩阵和过程噪声协方差矩阵的更新采取某些预防和/或校正动作,如下面更详细地讨论的。
在一些实施方案中,伪影检测模块检查残余信号,该残余信号被定义为原始传感器信号与由卡尔曼滤波器更新之后的估计的(经过滤的)传感器信号之间的差。可以在两个不同步骤中定义残余信号。在第一步骤中,可以在更新测量协方差R、过程协方差Q和其他参数(诸如卡尔曼增益G)之前定义临时残余信号。在第二步骤中,可以在更新测量协方差R、过程协方差Q和其他参数(诸如卡尔曼增益G)之后定义最终残余信号。临时和/或最终残余信号的各种特征可以指示伪影,这些伪影可以导致关于对卡尔曼滤波器中的内部变量(诸如状态变量和/或噪声协方差)的更新采取某些预防和/或校正动作。一般来讲,可以从(临时和最终)残余信号中的任一者或两者和/或从两个残余信号之间的相互作用或关系提取指示信号伪影的特征。
例如,可以指示伪影的一个特征是残差,该残差被定义为临时残余信号(更新卡尔曼参数之前的残余信号)的值与最终残余信号(更新卡尔曼参数之后的残余信号)的值之间的差。可以将残差(或残差的导数)与预定义阈值(诸如残余信号域中的数据驱动的预定义阈值)进行比较。如果残差高于(或低于)阈值,则可能存在信号伪影。在一个另选的实施方案中,通过应用用于执行转换或校准的必要模型参数,可以将残差转换为估计的葡萄糖值中的对应差。以此方式,可以将葡萄糖域中的残差与预定义阈值进行比较,以便检测信号伪影的存在。一般来讲,可以将不同的数学运算应用于信号域或葡萄糖值域中的残差,以便识别信号伪影。
可以检查伪影是否存在的另一个特征是残余偏差,该残余偏差确定在不同时间窗口内最终残余信号中是否存在一致的高幅度正值或负值。在这种情况下,最终残余信号被定义为原始传感器信号与由卡尔曼滤波器输出的估计的传感器信号之间的差的平滑值。负或正最终残余值在给定时间窗口中的累加可以表明噪声为白高斯噪声的假设无效。以此方式,残余偏差可以用于指示伪影的存在。
可以检查伪影是否存在的另一个特征被称为最终残余信号的零点交叉。该特征可以跟踪在不同时间窗口内最终残余信号中的符号变化的数量。在这种情况下,最终残余被定义为原始传感器信号与由卡尔曼滤波器输出的估计的信号之间的差的平滑值。大量零点交叉可以指示无偏噪声的存在,而较小数量的零点交叉可以指示有偏噪声且因此指示伪影的存在。
通过识别伪影,残余偏差和/或零点交叉特征可以用于识别信号的不可靠部分,使得采取预防和/或校正动作,这将在下面更详细地讨论。这些特征还可以追溯地应用于信号的过去历史,以改善系统的性能。除此之外,残余偏差不仅可以用于检测伪影的存在,还可用于检测步骤异常的存在,例如,当压力突然施加到传感器时(诸如当用户躺下时),可能发生这种情况。
在另选的实施方案或示例中,其他特征可以检查是否存在伪影。例如,可以用于实时伪影检测的特征是基于模型的变化度量,包括从信号中减去的中值/均值模型、从信号中减去的随时间变化的线性模型、新息值、残余值、新息值/残余值的符号、R/Q值和/或残余峰度。
一旦检测到伪影,可以使用基于规则的模型来确定该特征是否应当被分类为应当使得过程协方差和测量协方差被更新和/或使得其他动作被采取的伪影。例如,可以使用临床数据来训练数据驱动的决策树模型,以使用前述特征中的任一者来检测伪影。同样地,可以将各种各样的机器学习模型应用于上述特征或特征的组合,以确定存在伪影。
例如,在一个具体实施中,在检测到伪影时所采取的预防动作可以取消最近的卡尔曼滤波器参数更新,并且将它们的值维持在正常范围内。如果触发校正动作,则可以根据例如传感器信号的采样频率来遵循若干策略。例如,在低分辨率信号可用性(即,以相对较低频率采样的信号)的情况下,基于残余信号的符号触发不同的校正动作。在高分辨率信号可用性(即,以相对高频率采样的信号)的情况下,可以追溯地使用另外的特征(诸如残余偏差和零点交叉(如上所述))来确定如从相关历史数据确定的过去使用的最佳卡尔曼滤波器模型。一般来讲,当更新卡尔曼滤波器参数以选择其最佳值时可以采取的校正动作涉及信号平滑的量(从信号移除的噪声的量)与跟踪信号的变化的延迟之间的折衷。
如前所提及的,代替在由卡尔曼滤波器处理之后针对伪影检查传感器信号和/或除了在由卡尔曼滤波器处理之后针对伪影检查传感器信号之外,在其他实施方案中,可以通过基于在卡尔曼滤波器中使用的内部变量检查一个或多个度量来确定此类伪影的存在的指示。
图7示出卡尔曼滤波器的一个示例的简化框图,其中采用故障度量计算模块66来检查由卡尔曼滤波器更新模块60使用的各种内部变量。图7的示例性卡尔曼滤波器还包括测量噪声协方差模块62和过程噪声协方差模块64,该测量噪声协方差模块和过程噪声协方差模块基于从故障度量计算模块接收的故障度量的值来分别提供测量噪声协方差矩阵和过程噪声协方差矩阵的更新值。
在一个实施方案中,所采用的故障度量可以基于在Zheng等人的“用于具有不确定噪声协方差的非线性估计的鲁棒自适应无迹卡尔曼滤波器(ARobust Adaptive UnscentedKalman Filter for Nonlinear Estimation with Uncertain Noise Covariance)”中讨论的故障度量。《传感器(Sensors)》2018年,18,808。具体地,故障度量可以被定义为在指定数量(例如,10)的测量样本上平均的临时或瞬时故障度量的移动平均值。更具体地,临时故障度量可以由下式给出:
其中dk是新息项并且Pinnov是新息协方差。临时故障度量可以是归一化的新息平方,并且故障度量是该项的移动平均值。故障度量的高值可以指示信号异常已发生,并且因此其可以用于针对受影响数据点重新调整卡尔曼滤波器参数。
如何基于故障度量的值来更新测量噪声协方差矩阵和过程噪声协方差矩阵的示例在下面给出。
在一个实施方案中,测量噪声的协方差矩阵(Rk)可以基于残余信号(εk)和步长(αr)在卡尔曼滤波器的每次迭代(k)中自适应地更新,由下式给出:
其中
先验估计值协方差
H:观测模型
yk:观测信号
后验状态估计值。
同样地,在一个实施方案中,过程噪声的协方差矩阵可以由下式给出:
其中
Gk:卡尔曼增益
先验状态估计值。b
在一些具体实施中,过程噪声的协方差矩阵Qk是2×2矩阵,其中元素Qk(2,2)控制信号的估计的变化率的变化。Qk(2,2)的较小值可能导致估计的模型的较慢改变,并且因此使得传感器信号更加平滑。另一方面,Qk(2,2)的较高值可能导致估计的模型的较快改变,并且因此导致传感器信号的更多跟踪。最小值可以应用于协方差矩阵Qk中的项,即,如果Qk(2,2)小于Qmin值,则它可以被限制为等于Qmin。在一些具体实施中,最小值(Qmin)可以是恒定值。
在一个实施方案中,在计算故障度量之后,在更新测量噪声协方差和过程噪声协方差中使用的步长系数(αr,αq)以及所应用的最小值(Qmin)可以基于故障度量fk使用以下传递函数来调整:
设计参数(诸如 和)可以基于人口数据来优化,以在具有高变化率的区域处实现平滑与时间延迟之间的期望折衷。
图8示出图5中所示的相同原始传感器信号,除了在图8中使用根据本文所述的技术中的至少一些技术配置的卡尔曼滤波器对信号进行过滤之外。如图所示,经过滤的信号允许数据被连续地呈现给用户。没有或减少没有数据呈现给用户的时间段可以表示对图5中所示的经过滤的信号的改进。图9示出另一个原始传感器信号和利用卡尔曼滤波器使用三组不同的参数进行过滤之后的经过滤的传感器信号。一条曲线表示当调整该组参数以提供更多平滑时的经过滤的信号。另一条曲线表示当调整该组参数以提供较大时间延迟时的经过滤的信号。第三经过滤的信号表示当调整该组参数以提供整体优化水平时的经过滤的信号。
图10是示出用于监测受者中的血液分析物浓度的方法的一个示例的示例性流程图。根据该方法,在步骤305处,从连续式分析物传感器接收指示受者中的血液分析物浓度的传感器信号。在步骤310处,使用卡尔曼滤波器对传感器信号进行过滤。在步骤315处,在传感器信号中检测一个或多个(例如,预定义的)伪影。在步骤320处,在检测到传感器信号中的一个或多个伪影时执行校正动作。校正动作可以包括更新与在卡尔曼滤波器的模型中采用的参数中的一个或多个参数相关联的值。在步骤325处,从卡尔曼滤波器输出表示受者中的血液分析物浓度的经过滤的传感器信号。在另选的实施方案中,可以执行比针对图10明确示出的步骤更多、更少和/或不同的步骤和/或步骤的不同顺序。
上述的方法的各种操作可通过能够执行这些操作的任何合适装置来执行,例如各种硬件和/或软件组件、电路和/或模块。通常,图中所示的任何操作都可以由能够执行这些操作的相应功能装置来执行。值得注意的是,术语“模块”的使用并不将由给定模块执行的功能限制为单独且离散模块。相反,被描述为由给定模块执行的功能也可以由在单个处理器上执行的系统来执行,即使该功能未被分成离散模块。
可以使用目的在于执行本文所述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散硬件组件或它们的任何组合来实施或执行结合本公开描述的各种说明性逻辑块、模块和电路。通用处理器可以是微处理器,但是在替代方案中,该处理器可以是任何可商购获得的处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合,例如,DSP与微处理器的组合、多个微处理器的组合、与DSP核心结合的一个或多个微处理器的组合,或任何其它此类配置。
在一个或多个方面,可以使用硬件、软件、固件或它们的任何组合来实施所述的功能。如果用软件实施,这些功能可以作为一个或多个指令或代码存储在或传输到非临时性计算机可读介质上。作为示例而非限制地,这种非暂时性计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置。
本文公开的方法包括用于实现所述方法的一个或多个步骤或动作。在不脱离权利要求书的范围的情况下,方法步骤和/或动作可以彼此互换。换句话讲,除非指定步骤或动作的特定顺序,否则可以在不脱离权利要求书的范围的情况下修改特定步骤和/或动作的顺序和/或使用。
某些方面可包括用于执行本文所呈现的操作的计算机程序产品。例如,这种计算机程序产品可包括其上存储(和/或编码)的有指令的计算机可读介质,这些指令可由一个或多个处理器执行以进行本文所述的操作。对于某些方面,计算机程序产品可包括封装材料。
软件或指令也可以在传输介质上传输。例如,如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或无线技术(诸如红外线、无线电和微波)从网站、服务器或其他远程来源传输软件,那么该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外线、无线电和微波)包括在传输介质的定义中。
此外,应当理解的是,用于执行本文所述的方法和技术的模块和/或其他合适装置可以由用户终端和/或基站下载和/或以其他方式获得,如果适用的话。例如,这种设备可以耦合到服务器,以便于用于执行本文所述的方法的装置的转移。或者,可经由存储装置(例如,RAM、ROM、诸如压缩光盘(CD)或软盘等物理储存介质)来提供本文所述的各种方法,使得用户终端和/或基站可在将存储装置耦合到或提供给设备时获得各种方法。此外,可以利用用于向设备提供本文所述的方法和技术的任何其他合适的技术。
应当理解的是,权利要求不限于上述的精准配件和组件。在不脱离权利要求书的范围的情况下,可对上述的方法及设备的布置、操作及细节作出各种修改、改变及变化。
除非另外定义,否则所有术语(包括技术和科学术语)将被赋予其对于本领域普通技术人员而言的普通和习惯含义,并且不限于特定或定制的含义,除非本文明确如此定义。应当注意的是,当描述本公开的某些特征或方面时,特定术语的使用不应被视为暗示该术语在本文中被重新定义以被限制为包括与该术语相关联的本公开的特征或方面的任何特定特性。除非另有明确说明,否则本申请中使用的术语和短语以及它们的变型,特别是所附权利要求中使用的术语和短语,应当被解释为开放式而非限制性的。作为前述的示例,术语“包括”应理解为是指“包括但不限于(including,without limitation和including butnot limited to)”等;本文使用的术语“包含”与“包括”、“含有”或“特征在于”同义,并且具有包容性或开放性,并且不排除额外的未列举的要素或方法步骤;术语“具有”应解释为“至少具有”;术语“包括”应解释为“包括但不限于”;术语“示例”用于提供所讨论事项的示例性实例,而不是详尽地或限制性其列表;形容词如“已知的”、“正常的”、“标准的”以及具有类似含义的术语不应被理解为将所述的事项限制在某一特定时间段或截止某一特定时间可获得的事项,而是应当被理解为涵盖现在或未来任何时间可知的或可获得的已知、正常或标准技术;并且术语如“优选地”、“优选”、“期望的”、或“可取的”以及类似含义的字词的使用不应理解为暗示某些特征对于发明的结构或功能来说是关键的、必要的或甚至是重要的,而是仅旨在强调在发明的特定实施方案中可以使用或可以不使用的另选地或附加特征。同样,除非另有明确说明,否则与连接词“和”连接的一组事项不应解读为要求这些事项中的每一个事项都存在于该组中,而是应解读为“和/或”。类似地,除非另有明确说明,否则与连接词“或”连接的一组事项不应解读为要求该组事项之间的相互排斥,而是应解读为“和/或”。
在提供数值范围的情况下,应当理解,上限和下限以及该范围的上限与下限之间的每个居间值均涵盖在这些实施方案中。
关于本文中对基本上任何复数术语和/或单数术语的使用,本领域技术人员可以根据上下文和/或应用适当地从复数转换为单数并且/或者从单数转换为复数。为了清楚起见,本文可明确地阐述各种单数/复数置换。不定冠词“一个”或“一种”不排除多个/多种。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中记载某些措施这一事实本身并不表明不能有利地使用这些措施的组合。权利要求书中的任何附图标记均不应被理解为对范围作出限制。
本领域技术人员将进一步理解,如果意图是引入的权利要求叙述的特定数量,则这样的意图将在权利要求书中明确地叙述,并且在不存在此类叙述的情况下,不存在此类意图。例如,为了帮助理解,以下所附权利要求可以包含使用引导性短语“至少一个/种”和“一个或多个/一种或多种”来引入权利要求记载。然而,使用此类短语不应被理解为暗示由不定冠词“一个”或“一种”引入的权利要求记载将包含这种引入的权利要求记载的任何特定权利要求限制为仅包含一个这种记载的实施方案,即使当同一权利要求包括引入性短语“一个或多个/一种或多种”或者“至少一个/种”以及不定冠词诸如“一个”或“一种”(例如,“一个”和/或“一种”通常应当被解释为意指“至少一个/种”或者“一个或多个/一种或多种”);对于用于引入权利要求陈述的定冠词的使用也是如此。此外,即使明确地记载了特定数量的所引入的权利要求记载,本领域技术人员也将认识到,这样的记载通常应当被解释为至少意指所记载的数量(例如,没有其他修饰词的裸记载“两个记载”通常意指至少两个记载,或者两个或更多个记载)。此外,在使用类似于“A、B和C等中的至少一者”的惯例的那些情况下,一般来讲,这样的构造在本领域技术人员将理解该惯例的意义上,旨在例如包括所列项目的任何组合,包括单个成员(例如,“具有A、B和C中的至少一者的系统”将包括但不限于具有单独的A、单独的B、单独的C、在一起的A和B、在一起的A和C、在一起的B和C,以及/或者在一起的A、B和C等的系统)。在使用类似于“A、B或C等中的至少一者”的惯例的那些情况下,一般来讲,这样的构造旨在具有本领域技术人员将理解的该惯例的意义(例如,“具有A、B或C中的至少一者的系统”将包括但不限于具有单独的A、单独的B、单独的C、在一起的A和B、在一起的A和C、在一起的B和C,以及/或者在一起的A、B和C等的系统)。本领域技术人员将进一步理解,无论在说明书、权利要求书还是附图中,实际上呈现两个或更多个另选术语的任何转折连词和/或短语应当被理解为设想包括这些术语中的一者、这些术语中的任一者或两个术语的可能性。例如,短语“A或B”将被理解为包括“A”或“B”或者“A和B”的可能性。
在本说明书中使用的表示成分的量、反应条件等的所有数字应理解为在所有情况下都由术语“约”修饰。因此,除非有相反的说明,否则本文中列出的数值参数是近似值,其可以根据所求获得的期望性质而变化。在要求本申请优先权的任何申请中,每个数值参数都应当根据有效数字的数量和普通的四舍五入方法来解释,而不是试图将等同原则的应用限制于任何权利要求的范围。
本文所引用的所有参考文献以引用方式全文并入本文。就以引用方式并入的出版物和专利或专利申请与说明书中包含的公开内容相矛盾而言,说明书旨在取代和/或优先于任何此类矛盾的材料。
此外,尽管为了清楚和理解的目的,已经通过图示和示例的方式相当详细地描述了前述内容,但是对于本领域的技术人员而言显而易见的是,可以实施某些改变和修改。因此,本说明书和示例不应被理解为将发明的范围限制于本文所述的具体实施方案和示例,而是还涵盖所有落入本发明的真实范围和精神的修改和替换。
Claims (20)
1.一种用于监测分析物浓度的方法,所述方法包括:
从分析物传感器接收指示受者中的分析物浓度的传感器信号;
使用卡尔曼滤波器对所述传感器信号进行过滤,所述卡尔曼滤波器具有带有过程协方差的过程噪声和带有测量协方差的测量噪声,其中所述过滤包括使用在所述卡尔曼滤波器的模型中采用的一个或多个参数的值来更新所述过程协方差或所述测量协方差中的至少一者的值;以及
从所述卡尔曼滤波器输出表示所述受者中的所述分析物浓度的经过滤的传感器信号。
2.根据权利要求1所述的方法,其中用于更新所述过程协方差和所述测量协方差中的至少一者的所述一个或多个参数包括在所述卡尔曼滤波器模型中采用的新息项和残余项的值。
3.根据权利要求1或2所述的方法,其中当在所述传感器信号中检测到一个或多个预定义伪影时执行所述更新。
4.根据权利要求3所述的方法,所述方法进一步包括通过检查残余信号来检测所述一个或多个预定义伪影,所述残余信号是从所述分析物传感器接收的所述传感器信号与使用所述卡尔曼滤波器对所述传感器信号进行过滤之后的所述传感器信号之间的差。
5.根据权利要求4所述的方法,其中所述残余信号是临时残余信号,所述临时残余信号是从所述分析物传感器接收的所述传感器信号与在更新所述过程协方差和所述测量协方差中的至少一者之前使用所述滤波器对所述传感器信号进行过滤之后的所述传感器信号之间的差。
6.根据权利要求4所述的方法,其中所述残余信号是最终残余信号,所述最终残余信号是从所述分析物传感器接收的所述传感器信号与在更新所述过程协方差和所述测量协方差中的至少一者之后使用所述滤波器对所述传感器信号进行过滤之后的所述传感器信号之间的差。
7.根据权利要求4所述的方法,其中所述预定义伪影中的一个预定义伪影是残余偏差,所述残余偏差反映所述残余信号在一个或多个所选时间窗口内具有一致的正值或负值。
8.根据权利要求7所述的方法,其中所述预定义伪影中的一个预定义伪影是最终残余信号的零点交叉,所述最终残余信号的所述零点交叉反映所述最终残余信号的值在一个或多个所选时间窗口内经历从正到负或从负到正的符号变化的次数。
9.根据权利要求1至8中任一项所述的方法,所述方法进一步包括在检测到所述传感器信号中的一个或多个指定伪影时,取消对所述过程协方差和所述测量协方差中的至少一者的所述值的先前更新。
10.根据权利要求1至9中任一项所述的方法,其中用于更新所述过程协方差和所述测量协方差中的至少一者的所述一个或多个参数包括故障度量,所述故障度量基于在所述卡尔曼滤波器模型中采用的新息项和新息协方差的值。
11.根据权利要求10所述的方法,其中所述故障度量是在从所述分析物传感器接收的指定数量的测量样本上平均的瞬时故障度量的移动平均值。
12.根据权利要求1至11中任一项所述的方法,所述方法进一步包括当所述传感器信号是低分辨率信号时在检测到所述传感器信号中的一个或多个伪影时执行校正动作,所述校正动作至少部分地由残余信号的符号确定,所述残余信号是从所述分析物传感器接收的所述传感器信号与使用所述卡尔曼滤波器对所述传感器信号进行过滤之后的所述传感器信号之间的差。
13.根据权利要求1至12中任一项所述的方法,所述方法进一步包括从历史数据追溯地确定当所述传感器信号是高分辨率信号时先前采用的最优卡尔曼滤波器模型。
14.根据权利要求13所述的方法,其中使用残余偏差和零点交叉来执行所述确定,所述残余偏差反映残余信号在一个或多个所选时间窗口内具有一致的正值或负值,并且所述零点交叉反映所述残余信号在一个或多个选定时间窗口内经历从正到负或从负到正的符号变化的次数。
15.一种用于监测分析物浓度的方法,所述方法包括:
从分析物传感器接收指示受者中的分析物浓度的传感器信号;
使用卡尔曼滤波器对所述传感器信号进行过滤;
检测所述传感器信号中的一个或多个伪影;
在检测到所述传感器信号中的所述一个或多个伪影时执行校正动作,其中所述校正动作包括更新在所述卡尔曼滤波器的模型中采用的参数中的一个或多个参数的值;以及
从所述卡尔曼滤波器输出表示所述受者中的所述分析物浓度的经过滤的传感器信号。
16.根据权利要求15所述的方法,其中所述检测所述传感器信号中的所述一个或多个伪影包括检查所述卡尔曼滤波器的一个或多个内部变量以检测所述伪影,其中所述一个或多个内部变量包括故障度量。
17.一种用于监测分析物浓度的方法,所述方法包括:
从分析物传感器接收指示受者中的分析物浓度的传感器信号;
使用卡尔曼滤波器对所述传感器信号进行过滤;
在所述过滤期间,检查残余信号以检测所述传感器信号中的伪影,所述残余信号包括所述传感器信号与由所述卡尔曼滤波器生成的估计的经过滤的传感器信号之间的差;以及
响应于检测到所述传感器信号中的所述伪影,更新所述估计的经过滤的传感器信号。
18.根据权利要求17所述的方法,其中基于反映所述残余信号在一个或多个时间段内具有一致的正值或负值的残余偏差来检测所述伪影。
19.根据权利要求17或18所述的方法,其中基于零点交叉来检测所述伪影,所述零点交叉指示所述残余信号在一个或多个时间段内经历符号变化的次数。
20.根据权利要求17至19中任一项所述的方法,其中通过将所述残余信号与预定义阈值进行比较来检测所述伪影。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/168,867 | 2021-03-31 | ||
US202163208362P | 2021-06-08 | 2021-06-08 | |
US63/208,362 | 2021-06-08 | ||
PCT/US2022/022558 WO2022212512A1 (en) | 2021-03-31 | 2022-03-30 | Filtering of continuous glucose monitor (cgm) signals with a kalman filter |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117098498A true CN117098498A (zh) | 2023-11-21 |
Family
ID=88783531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280025747.5A Pending CN117098498A (zh) | 2021-03-31 | 2022-03-30 | 利用卡尔曼滤波器对连续式葡萄糖监测器(cgm)信号进行过滤 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117098498A (zh) |
-
2022
- 2022-03-30 CN CN202280025747.5A patent/CN117098498A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2022201202B2 (en) | Advanced calibration for analyte sensors | |
JP2022188264A (ja) | 経皮分析物センサ及びモニタ、その校正、ならびに関連方法 | |
Forlenza et al. | Factory-calibrated continuous glucose monitoring: how and why it works, and the dangers of reuse beyond approved duration of wear | |
US20220322976A1 (en) | Filtering of continuous glucose monitor (cgm) signals with a kalman filter | |
JP7547346B2 (ja) | 連続グルコース監視システムのユーザに対して行われる意思決定支援推奨用の安全ツール | |
Chmayssem et al. | Insight into continuous glucose monitoring: from medical basics to commercialized devices | |
JP2022518109A (ja) | 分析物監視システムの食事および治療インタフェースを改善するためのシステム、デバイス、および方法 | |
CN117098498A (zh) | 利用卡尔曼滤波器对连续式葡萄糖监测器(cgm)信号进行过滤 | |
US20230225615A1 (en) | Systems, devices, and methods for improved analyte sensor accuracy and fault detection | |
US20230181065A1 (en) | End-of-life detection for analyte sensors experiencing progressive sensor decline | |
US20240225535A1 (en) | Systems, devices, and methods relating to medication dose guidance | |
Danne et al. | New Technologies for Glucose Monitoring |
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 |