CN117223065A - 用于确定葡萄糖值序列的相似性的系统 - Google Patents

Abstract

在用于确定葡萄糖值序列的相似性的系统的具体实施中，计算装置实现相似性系统以接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据。该相似性系统通过以下方式来针对多个葡萄糖值序列计算相似性分数：将包括在用户葡萄糖值序列中的每个葡萄糖值与包括在多个序列中的每个序列中的每个葡萄糖值进行比较。识别与最高相似性分数相关联的特定葡萄糖值序列。该相似性系统确定与特定序列相关联的外部因素。该相似性系统生成外部因素的指示以用于在用户界面中显示。

Description

用于确定葡萄糖值序列的相似性的系统

相关申请

本申请要求2021年5月17日提交的名称为“用于确定葡萄糖值序列的相似性的系统(Systems for Determining Similarity of Sequences of Glucose Values)”的美国临时专利申请63/189,469号的权益，其全部公开内容据此以引用方式并入。

背景技术

糖尿病是一种影响数亿人的代谢性疾病。对于这些人来说，监测血液葡萄糖水平并将这些水平调节到在可接受范围内不仅对于缓解诸如心脏病和视力障碍的长期问题非常重要，而且对于避免高血糖和低血糖的影响也非常重要。将血液葡萄糖水平保持在可接受范围内可能是具有挑战性的，因为这一水平几乎会随着时间的推移以及对诸如进食或锻炼的日常事件的反应而不断变化。

医疗技术的进步促进了用于监测血液葡萄糖的各种系统的开发，包括基本上实时地测量和记录葡萄糖浓度的连续葡萄糖监测(CGM)系统。这些CGM系统的用户能够监测他们的当前血糖水平，并且还能够查看他们的历史血糖水平，以便将昨天的血糖水平与今天的血糖水平进行比较。查看存档的历史血糖水平的能力允许CGM系统的用户识别对用于维持健康血糖水平的个体方案的潜在改进。

在一个示例中，这些CGM系统的用户依赖于从他们的历史血糖水平计算的聚合数据度量作为他们的糖尿病管理的一部分。例如，CGM系统的用户将今天的目标范围内时间(TIR)与用户在过去一个月中的平均TIR进行比较，作为确定用户是否应当做一些不同的事情来增加今天的TIR的一种方式。在另一示例中，用户将今天的TIR与用户的平均TIR进行比较，以确定用户今天所做的一些不同的事情是否有效地相对于用户的平均TIR增加了今天的TIR。

虽然聚合CGM数据度量(诸如平均TIR)的使用提供了具有临床意义的信息，但是CGM数据的聚合不能捕获或利用包括在数据的顺序特性中的信息。例如，原始CGM数据描述葡萄糖值的时间序列，并且聚合原始数据以计算平均葡萄糖值有效地将包括在该时间序列中的每个葡萄糖值视为单独的观察结果。这种不能利用包括在CGM数据的顺序特性中的信息是传统CGM系统的限制。

发明内容

为了克服传统系统的限制，描述了用于确定葡萄糖值序列的相似性的技术和系统。在一个示例中，接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据。通过以下方式来针对多个葡萄糖值序列计算相似性分数：将包括在用户葡萄糖值序列中的每个葡萄糖值与包括在多个序列中的每个序列中的每个葡萄糖值进行比较。例如，访问或生成相似性模型。相似性模型利用离散随机变量(例如，葡萄糖变量)并且基于来自葡萄糖测量结果集的观察结果来建立离散随机变量的分类分布。例如，该集包括数百万天的葡萄糖测量结果，并且这些葡萄糖测量结果代表许多类型的正常状况以及各种异常状况。

实现相似性模型以基于葡萄糖测量结果集来计算在给定证据或上下文数据的情况下观察到特定葡萄糖值的概率。为了计算多个序列的特定葡萄糖值序列的相似性分数，确定在给定证据或上下文数据的情况下观察到每个用户葡萄糖值的概率与在给定证据或上下文数据的情况下观察到包括在特定序列中的每个葡萄糖值的概率之间的差。针对特定序列的相似性分数等于所有所确定的差的总和。

识别与相似性分数中的最大相似性分数相关联的特定葡萄糖值序列。例如，特定序列是包括在多个序列中的用户葡萄糖值序列的最相似序列。确定与特定序列相关联的外部因素。在一个示例中，外部因素是关于特定序列已知的并且能够针对用户葡萄糖值序列进行推断的某个因素。在该示例中，生成外部因素的指示以用于在用户界面中显示。

这一发明内容以简化的形式介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。因此，这一发明内容不旨在识别要求保护的主题的必要特征，也不旨在用于帮助确定要求保护的主题的范围。

附图说明

参考附图描述具体实施方式。

图1是能够操作以采用本文所述的技术的示例性具体实施中的环境的图示。

图2更详细地描绘了图1的连续葡萄糖监测(CGM)系统的示例。

图3描绘了示例性具体实施，其中计算装置将输入数据传达到相似性系统，并且计算装置从相似性系统接收与确定葡萄糖值序列的相似性有关的相似序列数据。

图4更详细地描绘了图3的相似性系统的示例性具体实施。

图5示出了确定葡萄糖值序列的相似性的表示。

图6示出了基于用户葡萄糖值序列和相似葡萄糖值序列的指示的搜索请求的表示。

图7示出了用户界面的表示，该用户界面接收用作搜索查询的至少一个葡萄糖值序列，并输出被确定为搜索查询的搜索结果的一个或多个相似葡萄糖值序列。

图8示出了包括反事实指示的外部因素的指示的表示。

图9是描绘示例性具体实施中的程序的流程图，其中接收描述用户葡萄糖值序列的输入数据并且生成与相似葡萄糖值序列相关联的外部因素的指示。

图10是描绘示例性具体实施中的程序的流程图，其中接收描述用户葡萄糖值序列的输入数据并且生成与具有最高相似性分数的葡萄糖值序列相关联的外部因素的指示。

图11是描绘示例性具体实施中的程序的流程图，其中确定候选序列的相似性分数并且将其与相似性阈值分数进行比较。

图12示出了包括示例性计算装置的示例性系统，该示例性计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。

具体实施方式

概述

传统连续葡萄糖监测(CGM)系统限于从葡萄糖值序列确定聚合度量(诸如平均值、最小值、最大值等)。这是传统系统的限制，因为聚合CGM度量不利用包括在葡萄糖值的顺序特性中的信息。例如，聚合度量将包括在葡萄糖值序列中的每个葡萄糖值视为单独的观察结果，而不是将葡萄糖值序列视为其中后续值取决于先前值的时间序列。因此，即使第一序列和第二序列具有相同的聚合度量值，也不能够从关于第二序列的可用信息可靠地推断出关于第一序列的信息。例如，第一序列和第二序列具有相同的最小值或最大值，但没有其他共同的值。为了克服传统系统的限制，描述了用于确定葡萄糖值序列的相似性的技术和系统。在一个示例中，所描述的系统利用包括在葡萄糖值序列的顺序特性中的信息来确定相似性。

一旦葡萄糖值序列被确定为与附加葡萄糖值序列相似，则关于葡萄糖值序列的信息能够从关于附加葡萄糖值序列的信息推断。例如，在对应于附加葡萄糖值序列的时间段期间有益的干预也可以在对应于葡萄糖值序列的时间段期间是有益的。例如，用户完成了跑步，以在对应于附加葡萄糖值序列的时间段期间将用户的血糖水平保持在可接受范围内。在该示例中，完成类似的跑步可帮助在对应于葡萄糖值序列的时间段期间将用户的血糖水平保持在可接受范围内。

类似地，在对应于附加葡萄糖值序列的时间段期间无益的干预可能在对应于葡萄糖值序列的时间段期间是无益的。在一个示例中，用户完成了跑步，但是在对应于附加葡萄糖值序列的时间段期间未能将用户的血糖水平保持在可接受范围内。例如，完成类似的跑步可能不足以在对应于葡萄糖值序列的时间段期间将用户的血糖水平保持在可接受范围内。

为了在示例中确定葡萄糖值序列的相似性，接收描述由CGM系统测量的用户葡萄糖值序列的输入数据。在该示例中，实现相似性模型以计算用户葡萄糖值序列与附加或历史葡萄糖值序列之间的相似性分数。基于以下概率之间的差来计算相似性分数：在给定证据或上下文数据的情况下观察到包括在用户葡萄糖值序列中的输入葡萄糖值的概率和在给定证据或上下文数据的情况下观察到包括在历史葡萄糖值序列中的历史葡萄糖值的概率。例如，证据或上下文数据以先后顺序描述输入葡萄糖值和历史葡萄糖值之前和/或之后的葡萄糖值。

在一个示例中，识别与相似性分数中的最高相似性分数相关联的特定历史葡萄糖值序列。在该示例中，由于两个序列的相似性，关于用户葡萄糖值序列的信息能够从关于特定历史序列可用的信息推断。例如，确定与特定历史序列相关联的外部因素。该外部因素是关于特定历史序列已知的并且对于用户葡萄糖值序列是能够推断的某个因素，诸如在对应于历史序列的时间段期间有益的干预。例如，生成外部因素的指示以用于在用户界面中显示，以向用户通知有益的干预。该功能是不可能通过使用限于从葡萄糖值序列确定聚合度量的传统系统来实现。

由于所描述的系统能够确定葡萄糖值序列的相似性，因此这些系统有助于实现使用传统系统也不可能实现的各种附加功能。例如，所描述的系统能够用于自动糖尿病指导、自动技术支持、对应于相似葡萄糖值序列的事件的自动链接等。考虑用户与计算装置的用户界面交互以搜索与用户的葡萄糖值的输入序列相似的用户的葡萄糖值序列的一个示例。用户的葡萄糖值的历史序列被识别为对于用户的葡萄糖值的输入序列具有最高相似性分数，并且在用户界面中显示历史序列的指示。例如，该指示包括关于历史序列的信息，该信息是能够关于用户的葡萄糖值的输入序列推断的，以支持用户保持健康的血糖水平。

在以下描述中，首先描述被配置成采用本文所述的技术的示例性环境。然后描述可在示例性环境以及其他环境中执行的示例性具体实施细节和程序。示例性程序的执行不限于示例性环境，并且示例性环境不限于示例性程序的执行。

示例性环境

图1是能够操作以采用本文所述的技术的示例性具体实施中的环境100的图示。所示环境100包括人102，此人被描绘为佩戴连续葡萄糖监测(CGM)系统104、胰岛素递送系统106和计算装置108。所示环境100还包括CGM系统、CGM平台112和物联网114(IoT 114)中的用户群体110中的其他用户。CGM系统104、胰岛素递送系统106、计算装置108、用户群体110、CGM平台112和IoT 114通信地联接(包括经由网络116联接)。

另选地或附加地，CGM系统104、胰岛素递送系统106或计算装置108中的一者或多者以其他方式(诸如使用一个或多个无线通信协议和/或技术)通信地联接。以举例的方式，CGM系统104、胰岛素递送系统106和计算装置108被配置成使用蓝牙(例如，蓝牙低功耗链路)、近场通信(NFC)、5G等中的一者或多者来彼此通信。在一些示例中，CGM系统104、胰岛素递送系统106和/或计算装置108能够进行射频(RF)通信并且包括RF发射器和RF接收器。在这些示例中，一个或多个RFID可用于识别和/或跟踪环境100内的CGM系统104、胰岛素递送系统106或计算装置108。例如，CGM系统104、胰岛素递送系统106和计算装置108被配置成利用各种类型的通信以在彼此之间形成闭环系统。

根据所描述的技术，CGM系统104被配置成连续地监测人102的葡萄糖。例如，在一些具体实施中，CGM系统104配置有CGM传感器，该CGM传感器连续地检测指示人102的葡萄糖的分析物并使得能够生成葡萄糖测量结果。在所示环境100中，这些测量结果被表示为葡萄糖测量结果118。下文关于图2进一步详细地描述CGM系统104的配置的这一功能和另外的方面。

在一个或多个具体实施中，CGM系统104经由本文所述的通信协议中的一个或多个通信协议(诸如经由无线通信)将葡萄糖测量结果118传输到计算装置108。CGM系统104被配置成使用CGM传感器实时地传达这些测量结果(例如，当产生葡萄糖测量结果118时)。另选地或附加地，CGM系统104被配置成以指定间隔(例如，每30秒、每分钟、每五分钟、每小时、每六小时、每天等)将葡萄糖测量结果118传达到计算装置108。在一些具体实施中，CGM系统104被配置成响应于来自计算装置108的请求(例如，当计算装置108针对人102生成葡萄糖测量结果预测时发起的请求、当显示传送关于人102的葡萄糖测量结果的信息的用户界面时发起的请求、其组合等)来传达葡萄糖测量结果。因此，计算装置108被配置成至少暂时地保持人102的葡萄糖测量结果118(例如，通过将葡萄糖测量结果118存储在计算机可读存储介质中，如下文关于图12进一步详细描述的)。

尽管示为可穿戴装置(例如，智能手表)，但计算装置108可在不脱离所描述技术的精神或范围的情况下以多种配置来实现。以举例而非限制的方式，在一些具体实施中，计算装置108被配置为不同类型的移动装置(例如，移动电话或平板装置)。在其他具体实施中，计算装置108被配置为与CGM平台112相关联的专用装置(例如，支持从CGM系统104获得葡萄糖测量结果118、执行与葡萄糖测量结果118有关的各种计算、显示与葡萄糖测量结果118和CGM平台112有关的信息、将葡萄糖测量结果118传达到CGM平台112、其组合等的功能的装置)。与计算装置108被配置为移动电话的具体实施相比，计算装置108排除当在专用CGM装置配置中实现时移动电话或可佩戴配置以其他方式可用的功能，诸如拨打电话、捕获图像、利用社交网络应用程序等的功能。

在一些具体实施中，计算装置108代表多于一个装置。例如，计算装置108代表可穿戴装置(例如，智能手表)和移动电话两者。在此类多装置具体实施中，多个装置中的不同装置能够执行相同操作中的至少一些操作，诸如从CGM系统104接收葡萄糖测量结果118、经由网络116将葡萄糖测量结果118传达到CGM平台112、显示与葡萄糖测量结果118有关的信息等。另选地或附加地，多装置具体实施中的不同装置支持相对于彼此的不同能力，诸如受特定装置的计算指令限制的能力。

在计算装置108表示单独装置(例如，智能手表和移动电话)的一些示例性具体实施中，一个装置配置有各种传感器和功能，以测量人102的各种生理标志(例如，心率、呼吸、血流速率等)和活动(例如，步数、海拔变化等)。继续此示例性多装置具体实施，另一装置未配置有此类传感器或功能，或者包括有限量的此类传感器或功能。例如，多个装置中的一个装置包括多个装置中的另一装置不支持的能力，诸如用以捕获可用于预测未来葡萄糖水平的膳食图像的相机、使得装置能够有效地执行关于葡萄糖测量结果118的计算的计算资源量(例如，电池寿命、处理速度等)。即使在多个装置中的一个装置(例如，智能电话)能够执行此类计算的场景中，计算指令也可将这些计算的执行限制到多个装置中的一个装置，以便不使多个装置负担冗余计算，并且更有效地利用可用资源。以这种方式，计算装置108代表多种不同的配置，并且代表除本文所述的特定示例性具体实施之外的不同数量的装置。

如上所述，计算装置108将葡萄糖测量结果118传达到CGM平台112。在所示环境100中，葡萄糖测量结果118被描绘为存储在CGM平台112的存储装置120中。存储装置120代表能够存储葡萄糖测量结果118的一种或多种类型的存储设备(例如，数据库)。以这种方式，存储装置120被配置成存储除葡萄糖测量结果118之外的多种其他数据。例如，根据一个或多个具体实施，人102表示至少CGM平台112和一个或多个其他服务(例如，由一个或多个第三方服务提供方提供的服务)的用户。以这种方式，人102能够与个人可归属信息(例如，用户名)相关联，并且可能在某个时间被要求提供认证信息(例如，密码、生物计量数据、远程医疗服务信息等)，以使用个人可归属信息来访问CGM平台112。存储装置120被配置成保持此个人可归属信息、认证信息以及有关人102的其他信息(例如，人口统计信息、卫生保健提供方信息、支付信息、处方信息、健康指标、用户偏好、与可穿戴装置相关联的账户信息、社交网络账户信息、其他服务提供方信息等)。

存储装置120被进一步配置成保持有关用户群体110中的其他用户的数据。因此，存储装置120中的葡萄糖测量结果118既代表来自人102所佩戴的CGM系统104的CGM传感器的葡萄糖测量结果，也代表来自用户群体110中所表示的其他人所佩戴的CGM系统的葡萄糖测量结果。以类似的方式，用户群体110的这些其他人的葡萄糖测量结果118可由相应装置经由网络116传达到CGM平台112，使得其他人与CGM平台112中的相应用户配置文件相关联。

数据分析平台122表示单独处理葡萄糖测量结果118和/或与存储装置120中保持的其他数据一起处理葡萄糖测量结果。基于这些处理，CGM平台112被配置成提供与葡萄糖测量结果118相关的通知(例如，警报、预警、建议或基于处理生成的其他信息)。例如，CGM平台112被配置成向人102、与人102相关联的医疗服务提供方、其组合等提供通知。尽管被描绘为与计算装置108分开，但数据分析平台122的部分或全部被另选地或附加地被配置用于在计算装置108处实现。数据分析平台122被进一步配置成处理经由IoT 114获得的附加数据。

为了供应除先前葡萄糖测量结果之外的这些附加信息中的一些附加信息，IoT114代表能够提供将人102和人102的活动描述为一个或多个服务提供方的用户以及与真实世界的活动的数据的各种来源。以举例的方式，IoT 114包括用户的各种装置(例如，相机、移动电话、膝上型计算机、锻炼装备等)。以这种方式，IoT 114被配置成提供关于用户与各种装置的交互的信息(例如，与基于web的应用程序的交互、拍摄的照片、与其他用户的通信等)。另选地或附加地，IoT 114可包括各种真实世界制品(例如，鞋、衣服、运动装备、器具、汽车等)，这些真实世界制品配置有传感器以提供描述行为的信息，诸如迈出的步数、脚撞击地面的力、步伐的长度、用户的体温(以及其他生理测量结果)、用户周围的温度、存储在冰箱中的食物类型、从冰箱移除的食物类型、驾驶习惯等。另选地或附加地，IoT 114包括CGM平台112的第三方，诸如能够分别提供医疗数据和制造数据的医疗提供方(例如，人102的医疗提供方)和制造商(例如，CGM系统104、胰岛素递送系统106或计算装置108的制造商)、跟踪人102的锻炼和营养摄取的平台，这些平台可由数据分析平台122利用。因此，IoT114代表能够提供大量数据而不脱离所描述的技术的精神或范围的装置和传感器。在例如连续地测量葡萄糖并获得描述此类测量结果的数据的上下文中，考虑下文对图2的描述。

图2更详细地描绘了图1的CGM系统104的示例性具体实施200。具体地，所示示例200包括CGM系统104的顶视图和对应的侧视图。

CGM系统104示为包括传感器202和传感器模块204。在所示示例200中，传感器202在侧视图中被描绘为皮下插入皮肤206(例如，人102的皮肤)中。传感器模块204在顶视图中被描绘为具有虚线轮廓的矩形。CGM系统104还被示为包括发射器208。表示传感器模块204的矩形的虚线轮廓的使用指示传感器模块204可被容纳在发射器208中或以其他方式在该发射器的壳体内实现。在该示例200中，CGM系统104还包括粘结垫210和附接机构212。

在操作中，传感器202、粘结垫210和附接机构212可被组装以形成施加组件，其中施加组件被配置成施加至皮肤206，使得传感器202如所描绘的皮下插入。在此类场景中，发射器208可在该组件施加至皮肤206之后诸如经由附接机构212附接到该组件。附加地或另选地，发射器208可作为施加组件的一部分并入，使得传感器202、粘结垫210、附接机构212和发射器208(与传感器模块204一起)可全部同时施加至皮肤206。在一个或多个具体实施中，使用单独的施加器(未示出)将施用组件施加至皮肤206。也可通过将粘结垫210从皮肤206上剥离来移除此施用组件。以这种方式，CGM系统104及其如图2所示的各种部件表示一个示例性形状因数，并且CGM系统104及其部件可具有不同的形状因数而不脱离所描述技术的精神或范围。

在操作中，传感器202经由至少一个通信信道通信地联接到传感器模块204，该至少一个通信信道可以是“无线”连接或“有线”连接。从传感器202到传感器模块204、或从传感器模块204到传感器202的通信可主动地或被动地实现，并且可为连续的(例如，模拟的)或离散的(例如，数字的)。

传感器202可以是响应于至少部分地独立于传感器202的事件而变化或导致发生变化的装置、分子和/或化学物质。传感器模块204被实现以接收对传感器202的变化或由传感器202引起的变化的指示。例如，传感器202可包括葡萄糖氧化酶，该葡萄糖氧化酶与葡萄糖和氧反应以形成过氧化氢，该过氧化氢可由传感器模块204的电极电化学检测到。在该示例中，传感器202可被配置成或可包括葡萄糖传感器，该葡萄糖传感器被配置成使用一种或多种测量技术来检测血液或间质液中指示葡萄糖水平的分析物。

在另一示例中，传感器202(或CGM系统104的附加的、未描绘的传感器)可包括第一电导体和第二电导体，并且传感器模块204可电检测跨传感器202的第一电导体和第二电导体的电位的变化。在该示例中，传感器模块204和传感器202被配置为热电偶，使得电位的变化对应于温度变化。在一些示例中，传感器模块204和传感器202被配置成检测单一分析物(例如，葡萄糖)。在其他示例中，传感器模块204和传感器202被配置成检测多种分析物(例如，钠、钾、二氧化碳和葡萄糖)。另选地或附加地，CGM系统104包括多个传感器以不仅检测一种或多种分析物(例如，钠、钾、二氧化碳、葡萄糖和胰岛素)，而且检测一种或多种环境条件(例如，温度)。因此，传感器模块204和传感器202(以及任何附加传感器)可检测一种或多种分析物的存在、一种或多种分析物的不存在和/或一种或多种环境条件的变化。

在一个或多个具体实施中，尽管在图2的所示示例中未描绘，但传感器模块204可包括处理器和存储器。通过利用这种处理器，传感器模块204可基于与传感器202的指示一个或多个变化(例如，分析物变化、环境条件变化等)的通信来生成葡萄糖测量结果118。基于与传感器202的通信，传感器模块204被进一步配置成生成CGM装置数据214。CGM装置数据214代表包括至少一个葡萄糖测量结果118的可传达数据包。另选地或附加地，CGM装置数据214包括其他数据，诸如多个葡萄糖测量结果118、传感器识别216、传感器状态218、其组合等。在一个或多个具体实施中，CGM装置数据214可包括其他信息，诸如对应于葡萄糖测量结果118和其他分析物的测量结果的温度中的一个或多个温度。以这种方式，CGM装置数据214可包括除至少一个葡萄糖测量结果118之外的各种数据，而不脱离所描述的技术的精神或范围。

在操作中，发射器208可将CGM装置数据214作为数据流无线地传输到计算装置108。另选地或附加地，传感器模块204可缓冲CGM装置数据214(例如，在传感器模块204的存储器中)并导致发射器208以各种间隔传输缓冲的CGM装置数据214，这些间隔例如时间间隔(每秒钟、每三十秒、每分钟、每五分钟、每小时等)、存储间隔(当缓冲的CGM装置数据214达到阈值数据量或CGM装置214的实例数量时)、其组合等。

除了生成CGM装置数据214并导致其被传达到计算装置108之外，传感器模块204被配置成根据一个或多个具体实施来执行附加功能。传感器模块204的此附加功能还可包括初始地或在持续的基础上校准传感器202，以及校准CGM系统104的任何其他传感器。在经由网络116到服务的连接受限或不存在的情况下，传感器模块204的这种计算能力特别有利。

关于CGM装置数据214，传感器识别216表示从其他传感器(例如，其他CGM系统104的其他传感器、先前或随后植入皮肤206中的其他传感器等)唯一地识别传感器202的信息。通过唯一地识别传感器202，传感器识别216还可用于识别关于传感器202的其他方面，诸如传感器202的制造批次、传感器202的包装细节、传感器202的装运细节等。以这种方式，可以不同的方式识别和使用针对以与传感器202类似的方式制造、包装和/或装运的传感器检测到的各种问题(例如，以校准葡萄糖测量结果118、通知用户更换或处置有缺陷的传感器、通知制造设施加工问题等)。

传感器状态218表示传感器202在给定时间的状态(例如，在产生葡萄糖测量结果118中的一个葡萄糖测量结果的同时传感器的状态)。为此，传感器状态218可包括针对葡萄糖测量结果118中的每个葡萄糖测量结果的条目，使得在葡萄糖测量结果118与传感器状态218信息中捕获的状态之间存在一对一关系。一般来讲，传感器状态218描述传感器202的操作状态。在一个或多个具体实施中，传感器模块204可识别给定葡萄糖测量结果118的多个预定操作状态中的一个预定操作状态。所识别的操作状态可基于来自传感器202的通信和/或这些通信的特性。

以举例的方式，传感器模块204可包括(例如，在存储器或其他存储设备中)具有预定数量的操作状态和用于从另一状态选择一个状态的基础的查找表。例如，预定状态可包括“正常”操作状态，其中选择此状态的基础可以是来自传感器202的通信落入指示正常操作的阈值内(例如，在预期时间的阈值内、在预期信号强度的阈值内、当环境温度在适当温度的阈值内以按预期继续操作时、其组合等)。预定状态还可包括指示传感器202通信的一个或多个特性在正常活动之外并且可能导致葡萄糖测量结果118中的潜在误差的操作状态。

这些非正常操作状态的基础可包括在阈值预期时间之外接收来自传感器202的通信、在预期信号强度阈值之外检测传感器202的信号强度、在适当温度之外检测环境温度以按预期继续操作、检测到人102已相对于CGM系统104改变了取向(例如，在床上翻身)等。传感器状态218可指示关于传感器202和CGM系统104的多种方面，而不脱离本文所述的技术的精神或范围。

考虑了示例性环境和示例性CGM系统后，现在考虑根据一个或多个具体实施的用于确定葡萄糖序值序列的相似性的技术的一些示例性细节的描述。

确定葡萄糖值序列的相似性

图3描绘了示例300具体实施，其中计算装置将输入数据传达到相似性系统，并且计算装置从相似性系统接收与确定葡萄糖值序列的相似性有关的相似序列数据。

所示示例300包括CGM系统104和关于图1介绍的计算装置108的示例。所示示例300还包括数据分析平台122和存储装置120，该存储装置如上所述存储葡萄糖测量结果118。在示例300中，CGM系统104被描绘为将CGM装置数据214传输到计算装置108。如关于图2所描述的，CGM装置数据214包括葡萄糖测量结果118以及其他数据。CGM系统104被配置成以多种方式将CGM装置数据214传输到计算装置108。

所示示例300还包括CGM包302。CGM包302代表包括CGM装置数据214(例如，葡萄糖测量结果118、传感器识别216和传感器状态218)、输入数据304和/或其部分的数据。在一个示例中，输入数据304描述从葡萄糖测量结果118提取的用户葡萄糖值306序列。例如，人102与计算装置108交互以指定输入数据304。在另一示例中，计算装置108自动生成描述用户葡萄糖值306序列的输入数据304。如图所示，CGM包302(其包括输入数据304)存储在存储装置120中并且可用于数据分析平台122。

在示例300中，数据分析平台122示为具有、接收和/或传输用户葡萄糖值306序列。数据分析平台122还示为具有、接收和/或传输描述多个葡萄糖值序列的序列数据308。例如，序列数据308描述与用户群体110相关联的葡萄糖值序列。在另一示例中，序列数据308描述与人102相关联的葡萄糖值序列。在一些示例中，序列数据308描述与用户群体110相关联的葡萄糖值序列以及与人102相关联的葡萄糖值序列。

数据分析平台122示为包括相似性系统310，该相似性系统处理用户葡萄糖值306序列和序列数据308以生成相似序列数据312。为了这样做，相似性系统310生成或访问相似性模型。在相似性系统310生成相似性模型的一个示例中，相似性系统310定义离散随机变量(例如，具有39至401的离散值范围的葡萄糖变量)并且基于来自葡萄糖测量结果118集的观察结果来建立离散随机变量的分类分布。例如，该集包括数百万天的葡萄糖测量结果118。在该示例中，包括在该集中的葡萄糖测量结果118代表许多类型的正常状况以及所有已知类型的异常状况。

在第一示例中，该集仅包括用户群体110的葡萄糖测量结果118。在第二示例中，该集仅包括人102的葡萄糖测量结果118。在第三示例中，该集包括用户群体110的葡萄糖测量结果118以及人102的葡萄糖测量结果118。不管该集是如何填充的，相似性系统310从包括在该集中的数据建立离散随机变量的分类分布以生成相似性模型。

一旦生成或访问相似性模型，相似性系统310就实现该模型以接收特定葡萄糖值和上下文数据或证据作为输入。相似性模型被配置成基于来自葡萄糖测量结果118集的观察结果输出在给定上下文数据或证据的情况下观察到特定葡萄糖值的概率。在一个示例中，在给定上下文数据或证据的情况下观察到的葡萄糖值的分类分布是在给定上下文数据或证据的情况下的葡萄糖值的后验分布。在该示例中，在给定上下文数据或证据的情况下，第一葡萄糖值与第二葡萄糖值之间的距离或相似性是利用上下文数据或证据观察到第一葡萄糖值的概率与利用上下文数据或证据观察到第二葡萄糖值的概率之间的差。类似地，在给定上下文数据或证据的情况下，第一葡萄糖值序列与第二葡萄糖值序列之间的距离或相似性能够表示为在给定上下文数据或证据的情况下观察到包括在第一序列中的每一葡萄糖值的概率与观察到包括在第二序列中的每一葡萄糖值的概率之间的差的总和。

相似性系统310使用相似性模型来处理用户葡萄糖值306序列和序列数据308。例如，相似性系统310识别由序列数据308描述的与用户葡萄糖值306序列最相似的特定葡萄糖值序列。在该示例中，相似性系统310生成描述特定序列的相似序列数据312。数据分析平台122例如经由网络116将相似序列数据312传达到计算装置108。

在一个示例中，相似性系统310还确定与特定序列相关联的外部因素。在该示例中，外部因素是关于特定序列已知的或估计的并且也能够关于用户葡萄糖值306序列进行推断的某个因素。在一些示例中，能够从包括在特定序列中的数据确定外部因素，但在其他示例中，不能够从特定序列本身确定外部因素。例如，外部因素可为已发生的事件或未发生的事件(例如，避免的事件)。在示例中，外部因素是正常状况、消耗的餐食、身体活动、传感器识别216、传感器状态218、CGM系统104的修改、通知、警报等。

考虑外部因素与不良事件相关的一个示例。例如，特定序列包括来自经历不良事件或避免经历不良事件的个体的葡萄糖测量结果118的葡萄糖值。由于特定序列与用户葡萄糖值306序列之间的高度相似性，人102也可经历不良事件或避免经历不良事件。

考虑外部因素与干预相关的一个示例。在该示例中，干预可以是关于不良事件的，诸如作为不良事件的结果而发生的干预、防止不良事件发生的干预等。因此，相似性系统310生成外部因素的指示314。

在一个示例中，生成指示314以向人102指示外部因素。例如，相似性系统310响应于查询生成指示314。在一些示例中，指示314是反事实预测，诸如指示身体活动将可能如何影响人102的未来葡萄糖测量结果118的预测。

相似性系统310以各种不同的方式确定外部因素。例如，在与特定序列相关联的元数据中描述外部因素，并且相似性系统310通过处理元数据来确定外部因素。在该示例中，由序列数据308描述的葡萄糖值序列被标记有相关联的外部因素，并且相似性系统310基于这些标记的外部因素生成指示。

如图所示，计算装置108接收相似序列数据312和指示314。例如，计算装置108处理相似序列数据312以生成特定序列的指示。在该示例中，计算装置108响应于请求特定序列的用户查询而在用户界面中呈现特定序列的指示。在一些示例中，计算装置108也在用户界面中呈现指示314以将外部因素传达到人102。

图4更详细地描绘了图3的相似性系统310的示例400具体实施。相似性系统310示为包括比较管理器402和指示管理器404。如图所示，比较管理器402接收输入数据304和序列数据308作为输入。在该示例中，输入数据304包括在葡萄糖测量结果118中，但是在其他示例中，输入数据304不包括在葡萄糖测量结果118中。比较管理器402处理输入数据304和序列数据308，以生成相似性分数406。例如，相似性模型可用于比较管理器402或包括在其中，并且比较管理器402利用相似性模型来生成相似性分数406。

为了这样做，在一个示例中，比较管理器402确定在给定上下文数据或证据的情况下观察到包括在用户葡萄糖值306序列中的葡萄糖值的概率。比较管理器402还确定在给定上下文数据或证据的情况下观察到包括在序列数据308中的特定葡萄糖值序列中的每个葡萄糖值的概率。比较管理器402然后计算在给定上下文数据或证据的情况下观察到包括在用户葡萄糖值306序列中的葡萄糖值的概率与观察到包括在特定序列中的葡萄糖值的概率的每一者之间的差。比较管理器402然后针对包括在用户葡萄糖值306序列中的另一葡萄糖值重复该过程，直到比较管理器402已经计算出在给定上下文数据或证据的情况下观察到包括在用户葡萄糖值306序列中的葡萄糖值的概率与观察到包括在特定序列中的每个葡萄糖值的概率之间的差。比较管理器402将特定序列的相似性分数确定为所有概率差的总和。

特定序列的相似性分数表示特定序列与用户葡萄糖值306序列之间的距离或相似性。例如，比较管理器402计算概率差的总和的倒数，使得较高的相似性分数对应于较高的相似性，而较低的相似性分数对应于较低的相似性。比较管理器402生成相似性分数406，该相似性分数包括特定序列的相似性分数以及由序列数据308描述的每个葡萄糖值序列的相似性分数。

在一些示例中，比较管理器402将用户葡萄糖值子序列与特定序列的子序列进行比较，另选地或另外地将包括在用户葡萄糖值306序列中的每个葡萄糖值与包括在特定序列中的每个葡萄糖值进行比较。例如，比较管理器402首先将用户葡萄糖值子序列与包括在特定序列中的葡萄糖值子序列进行比较，以近似用户葡萄糖值306序列与特定序列之间的距离或相似性。基于该近似，比较管理器402确定是否对葡萄糖值进行比较。在一个示例中，比较管理器402基于用户葡萄糖值子序列与包括在特定序列中的葡萄糖值子序列的比较来生成特定序列的相似性分数。

如图所示，指示管理器404接收相似性分数406，并且指示管理器404比较相似性分数406以确定最高相似性分数。在该示例中，指示管理器404识别对应于最高相似性分数的葡萄糖值序列。例如，特定序列与包括在相似性分数406中的最高相似性分数相关联。在该示例中，指示管理器404生成如描述特定序列的相似序列数据312。

指示管理器404示为包括外部因素模块408，并且指示管理器404实现外部因素模块408以确定与特定序列相关联的外部因素。例如，特定序列具有描述外部因素的元数据，并且外部因素模块408处理该元数据以确定外部因素。如先前所描述的，外部因素是关于特定序列已知的或估计的并且也能够关于用户葡萄糖值306序列进行推断的某个因素。外部因素模块408生成如描述外部因素的指示314。

图5示出了确定葡萄糖值序列的相似性的表示500。表示500包括第一序列502和第二序列504。第一序列502包括葡萄糖值506-544作为第一时间序列，并且第二序列504包括葡萄糖值546-584作为第二时间序列。考虑相似性系统310确定第一序列502与第二序列504之间的距离或相似性的一个示例。例如，相似性系统310利用相似性模型来确定在给定证据或上下文数据的情况下观察到葡萄糖值506-544中的每一者的概率与在给定证据或上下文数据的情况下观察到葡萄糖值546-584中的每一者的概率之间的差。

针对葡萄糖值506-544中的特定一者的证据或上下文数据指的是以先后顺序围绕葡萄糖值506-544中的特定一者的局部结构。在第一示例中，针对葡萄糖值524的证据或上下文数据包括葡萄糖值522和葡萄糖值526。因此，相似性系统310使用相似性模型来确定在给定葡萄糖值522和葡萄糖值526的观察结果的情况下观察到葡萄糖值524的概率。在一个示例中，相似性系统310然后确定该概率与在给定证据或上下文数据的情况下观察到葡萄糖值546-584的概率之间的差。

例如，相似性系统310使用相似性模型来确定在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值546的概率，并且从在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值524的概率中减去该概率。在该示例中，相似性系统310然后确定在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值548的概率，并且从在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值524的概率中减去该概率。继续该示例，相似性系统310接下来确定在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值550的概率，并且从在给定葡萄糖值522、526的观察结果的情况下观察到葡萄糖值524的概率中减去该概率。在该示例中，相似性系统310针对葡萄糖值552-584中的每一者重复该过程，然后针对葡萄糖值506-544中的每一者重复该过程。

例如，相似性系统310确定在给定葡萄糖值524和葡萄糖值528的观察结果的情况下观察到葡萄糖值526的概率。相似性系统310然后确定在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值546的概率，并从在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值526的概率中减去该概率。继续该示例，相似性系统310确定在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值548的概率，并且从在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值526的概率中减去该概率。在该示例中，相似性系统310确定在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值550的概率，并且从在给定葡萄糖值524、528的观察结果的情况下观察到葡萄糖值526的概率中减去该概率。相似性系统310针对葡萄糖值552-584中的每一者重复该过程。例如，相似性系统将所有这些差进行求和作为第二序列504的相似性分数。

在另一示例中，相似性系统310将针对葡萄糖值506-544中的特定一者的证据或上下文数据定义为包括葡萄糖值中的该特定一者之前和之后的多个葡萄糖值。例如，相似性系统310确定在给定葡萄糖值520、522、526、528的观察结果的情况下观察到葡萄糖值524的概率。在该示例中，相似性系统310确定在给定葡萄糖值520、522、526、528的观察结果的情况下观察到葡萄糖值546的概率，并且从在给定葡萄糖值520、522、526、528的观察结果的情况下观察到葡萄糖值524的概率中减去该概率。相似性系统310针对葡萄糖值548-584中的每一者重复该过程。

例如，相似性系统310将针对葡萄糖值506-544中的特定一者的证据或上下文数据定义为葡萄糖值中的该特定一者之前的三个葡萄糖值和葡萄糖值中的该特定一者之后的三个葡萄糖值。在一个示例中，相似性系统310将针对葡萄糖值506-544中的特定一者的证据或上下文数据定义为葡萄糖值中的该特定一者之前的四个葡萄糖值和葡萄糖值中的该特定一者之后的四个葡萄糖值。在另一示例中，相似性系统将第一序列502的子序列和第二序列504的子序列进行比较，以确定第一序列502和第二序列504之间的距离或相似性。在该示例中，第一序列502包括子序列506-514、子序列516-524、子序列526-534和子序列536-544。第二序列504包括子序列546-554、子序列556-564、子序列566-574和子序列576-584。相似性系统310以与以下方式相同或相似的方式将第一序列502的子序列中的每一个子序列与第二序列504的子序列中的每一个子序列进行比较：将葡萄糖值506-544中的每一者与葡萄糖值546-584中的每一者进行比较。

例如，相似性系统310构造具有363行和363列的矩阵作为距离惩罚矩阵，以确定第一序列502和第二序列504之间的距离或相似性。在该示例中，将行编号为39至401，将列编号为39至401。行、列索引39、39包括零，并且第一行的其余索引包括距离参数。索引40、39包括零并且索引40、40包括零。行40的其余索引包括距离参数。索引41、39；索引41、40；以及索引41、41各自包括零。行41的其余索引包括距离参数。以这种方式填充距离惩罚矩阵直至行401，该行完全用零填充。相似性系统310使用距离惩罚矩阵来计算葡萄糖值506-544和葡萄糖值546-584的所有对之间的距离，并且将所有这些距离进行求和作为第二序列504的相似性分数。

在一个示例中，相似性系统310减少确定第一序列502与第二序列504之间的距离或相似性所需的计算量。为了这样做，相似性系统310利用包括在葡萄糖值506-544和葡萄糖值546-584两者中的相同值之间的距离零，并且还设置葡萄糖值506-544和葡萄糖值546-584之间的距离，该距离大于距离阈值，该距离阈值等于大常数。在一个示例中，距离阈值是50mg/dL。在其他示例中，距离阈值大于50mg/dL或小于50mg/dL。以这种方式，相似性系统310可将确定第一序列502与第二序列504之间的距离或相似性所需的计算量减少多达50％。在另一示例中，相似性系统310通过将子序列506-514、518-524、526-534和536-544与子序列546-554、556-564、566-574和576-584进行比较来确定第一序列502与第二序列504之间的距离或相似性，这将计算量减少了另外50％。例如，相似性系统310将子序列506-514与子序列546-554、556-564、566-574和576-584中的每一者进行比较；相似性系统310将子序列518-524与子序列546-554、556-564、566-574和576-584中的每一者进行比较；相似性系统310将子序列526-534与子序列546-554、556-564、566-574和576-584中的每一者进行比较；以及相似性系统310将子序列536-544与子序列546-554、556-564、566-574和576-584中的每一者进行比较。

例如，相似性系统310可通过确定在给定证据或上下文数据的情况下观察到葡萄糖值546-584的概率来确定第一序列502与第二序列504之间的相似性或距离。在该示例中，相似性系统310然后确定在给定证据或上下文数据的情况下观察到葡萄糖值506-544的概率。继续该示例，相似性系统310然后计算观察到葡萄糖值546-584的概率与观察到葡萄糖值506-544的概率之间的差，并且将这些差进行求和作为第二序列504的相似性分数。

相似性系统310实现相似性模型以确定在给定葡萄糖值560的观察结果的情况下和在给定葡萄糖值564的观察结果的情况下观测到葡萄糖值562的概率。相似性系统310确定在给定葡萄糖值560、564的观察结果的情况下观察到葡萄糖值506的概率，并从在给定葡萄糖值560、564的观察结果的情况下观察到葡萄糖值562的概率中减去该概率。继续该示例，相似性系统310确定在给定葡萄糖值560、564的观察结果的情况下观察到葡萄糖值508的概率，并且从在给定葡萄糖值560、564的观察结果的情况下观察到葡萄糖值562的概率中减去该概率。相似性系统310针对葡萄糖值510-544中的每一者重复该过程。

相似性系统310然后确定在给定葡萄糖值562的观察结果的情况下和在给定葡萄糖值566的观察结果的情况下观察到葡萄糖值564的概率。相似性系统310利用相似性模型来确定在给定葡萄糖值562、566的观察结果的情况下观察到葡萄糖值506的概率，并且从在给定葡萄糖值562、566的观察结果的情况下观察到葡萄糖值564的概率中减去该概率。相似性系统310然后确定在给定葡萄糖值562、566的观察结果的情况下观察到葡萄糖值508的概率，并从在给定葡萄糖值562、566的观察结果的情况下观察到葡萄糖值564的概率中减去该概率。相似性系统310针对葡萄糖值510-544中的每一者重复该过程。例如，相似性系统310确定在给定证据或上下文数据的情况下观察到葡萄糖值546-584中的每一者的概率与在给定证据或上下文数据的情况下观察到葡萄糖值506-544中的每一者的概率之间的差。在该示例中，所有这些差的总和等于第二序列504的相似性分数。

考虑包括在第一序列502和/或第二序列504中的葡萄糖值之间存在差距的一个示例。在该示例中，证据或上下文数据对于葡萄糖值506-544和/或葡萄糖值546-584而言是不完整的或不可用的。在第一示例中，相似性系统310估计葡萄糖值以完善不完整的或不可用的证据或上下文数据。例如，如果在第一序列502中的葡萄糖值518和葡萄糖值522之间不包括葡萄糖值，则相似性系统310通过在葡萄糖值518和葡萄糖值522之间进行线性内插来估计葡萄糖值520。

在一个示例中，出于完善不完整的或不可用的证据或上下文数据的目的，相似性系统310仅估计葡萄糖值520。在相似性系统310估计葡萄糖值520的示例中，相似性系统310确定在给定葡萄糖值516的观察结果的情况下和在给定葡萄糖值520的观察结果的情况下观察到葡萄糖值518的概率。相似性系统310从在给定葡萄糖值516、520的观察结果的情况下观察到葡萄糖值518的概率中减去在给定葡萄糖值516、520的观察结果的情况下观察到葡萄糖值546-584中的每一者的概率。

继续前一示例，相似性系统310还确定在给定葡萄糖值520的观察结果的情况下和在给定葡萄糖值524的观察结果的情况下观察到葡萄糖值522的概率。相似性系统310然后从在给定葡萄糖值520、524的观察结果的情况下观察到葡萄糖值522的概率中减去在给定葡萄糖值520、524的观察结果的情况下观察到葡萄糖值546-584中的每一者的概率。相似性系统310针对葡萄糖值506-516和524-544中的每一者重复此过程，并且将所有这些差进行求和作为第二序列504的相似性分数。

在另一示例中，相似性系统310估计葡萄糖值520，以用于与葡萄糖值546-584进行比较。在该示例中，相似性系统310重复前一示例的过程，并且另外地确定在给定葡萄糖值518的观察结果的情况下和在给定葡萄糖值522的观察结果的情况下观察到葡萄糖值520的概率。例如，相似性系统310从在给定葡萄糖值518、522的观察结果的情况下观察到葡萄糖值520的概率中减去在给定葡萄糖值518、522的观察结果的情况下观察到葡萄糖值546-584中的每一者的概率。然后，相似性系统310将所有这些差进行求和作为第二序列504的相似性分数。

在一个示例中，相似性系统310利用可用于确定葡萄糖值序列的相似性的任何证据或上下文数据，而不是估计葡萄糖值以完善不完整的或不可用的证据或上下文数据。例如，相似性系统310确定在给定证据或上下文数据的情况下观察到葡萄糖值506的概率。在该示例中，葡萄糖值506是第一序列502的第一值，并且在葡萄糖值506之前没有葡萄糖值可用。例如，相似性系统310实现相似性模型以确定在给定葡萄糖值508的观察结果的情况下观察到葡萄糖值506的概率。相似性系统310然后确定在给定葡萄糖值508的观察结果的情况下观察到葡萄糖值546的概率，并从在给定葡萄糖值508的观察结果的情况下观察到葡萄糖值506的概率中减去该概率。相似性系统310然后确定在给定葡萄糖值508的观察结果的情况下观察到葡萄糖值548的概率，并且从在给定葡萄糖值508的观察结果的情况下观察到葡萄糖值506的概率中减去该概率。例如，相似性系统310针对葡萄糖值550-584中的每一者重复该过程。

缺失的或不可用的葡萄糖值

如上所述，第一序列502是葡萄糖值506-544的时间序列，并且第二序列504是葡萄糖值546-584的时间序列。因此，包括在葡萄糖值506-544中的任何特定葡萄糖值与包括在葡萄糖值506-544中的其他葡萄糖值中的每一者相关。类似地，包括在葡萄糖值546-584中的任何特定葡萄糖值与包括在葡萄糖值546-584中的其他葡萄糖值中的每一者相关。

然而，存在多种预期和未预期的情形，其中葡萄糖值506-544和/或葡萄糖值546-584中的一者或多者是缺失的(例如，人102断开CGM系统104以更换传感器202)或不可用的(例如，传感器状态218指示特定葡萄糖测量结果118可能不准确)。另外地，存在葡萄糖值在用户葡萄糖值306序列中缺失的或不可用的各种情形。例如，序列数据308描述与具有缺失的/不可用的葡萄糖值的用户群体110相关联的葡萄糖值序列。

如前所述，相似性系统310能够估计缺失的或不可用的葡萄糖值以完善不完整的或不可用的证据或上下文数据。在一些示例中，计算装置108和/或CGM系统104能够单独地或共同地估计缺失的或不可用的葡萄糖值，以用于完善不完整的/不可用的证据或上下文数据。例如，计算装置108和/或CGM系统104能够单独地或共同地估计缺失的或不可用的葡萄糖值以用于其他目的，诸如用于在用户界面中显示所估计的值、计算人102的TIR、作为生成针对人102的预警或警报的一部分等。

考虑计算装置108和/或CGM系统104利用来自葡萄糖测量结果118数据库的观察结果来估计缺失的或不可用的葡萄糖值的一个示例。例如，葡萄糖测量结果118数据库包括用于建立离散随机变量的分类分布的葡萄糖测量结果118集。在第一示例中，葡萄糖测量结果118数据库仅包括人102的葡萄糖测量结果。在第二示例中，葡萄糖测量结果118数据库仅包括用户群体110的葡萄糖测量结果。在第三示例中，葡萄糖测量结果118数据库包括人102的葡萄糖测量结果和用户群体110的葡萄糖测量结果。

例如，葡萄糖测量结果118数据库可以包括人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果。葡萄糖测量结果118数据库还可以包括合成葡萄糖测量结果，而不是包括人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果。例如，合成葡萄糖测量结果可以以符合监管要求、隐私期待、人102和用户群体110的知情同意等的方式从人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果生成。

在一个示例中，使用在训练数据上训练的机器学习模型来生成合成葡萄糖测量结果，该训练数据是从人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果生成的。如本文所用，术语“机器学习模型”是指能够基于输入进行调整(例如，训练)以近似未知函数的计算机表示。以举例的方式，术语“机器学习模型”包括一种模型，该模型利用算法通过分析已知数据来学习已知数据并对已知数据进行预测，以学习生成反映已知数据的模式和属性的输出。根据各种具体实施，这种机器学习模型使用监督学习、半监督学习、无监督学习、强化学习和/或转移学习。例如，机器学习模型能够包括但不限于聚类、决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络(例如，全连接神经网络、深度卷积神经网络或递归神经网络)、深度学习等。以举例的方式，机器学习模型通过根据已知输入数据生成数据驱动的预测或决策来对数据进行高级抽象。

在一个示例中，使用包括发生器网络和鉴别器网络的差分隐私生成对抗网络来生成合成葡萄糖测量结果。在该示例中，差分隐私生成对抗网络学习包括人102的实际血糖测量结果118和/或用户群体110的实际血糖测量结果的训练数据的分布。通过使用包括实际血糖测量结果118的训练数据最小化损失函数来计算发生器网络的权重的梯度。

继续此示例，使用削波界限从梯度生成每样本梯度。计算具有与削波界限成比例的方差的高斯噪声，并且将所计算的高斯噪声添加到每样本梯度。在将高斯噪声添加到每样本梯度之后，更新差分隐私生成对抗网络以将隐私损失最小化。然后使用更新的差分隐私生成对抗网络来生成合成葡萄糖测量结果，该更新的差分隐私生成对抗网络混淆了人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果。

在使用差分隐私生成对抗网络来生成合成葡萄糖测量结果的另一示例中，使用包括人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果的训练数据来训练差分隐私鉴别器网络。在包括人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果的训练数据上训练了差分隐私鉴别器网络之后，将高斯噪声添加到训练数据以生成隐私训练数据。使用隐私训练数据和经训练的差分隐私鉴别器网络(例如，在包括实际葡萄糖测量118的训练数据上训练的差分隐私鉴别器网络)来重新训练差分隐私生成对抗网络。以这种方式，在隐私训练数据上训练差分隐私生成对抗网络的生成器网络以生成合成葡萄糖测量结果，该合成葡萄糖测量结果不能够与人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果区分。

在附加示例中，使用生成对抗网络生成合成葡萄糖测量结果，该生成对抗网络包括被配置为生成器网络的第一卷积神经网络和被配置为鉴别器网络的第二卷积神经网络。在该附加示例中，基于包括数字图像和/或数字数据的训练数据来训练生成对抗网络。例如，数字图像在视觉上描绘了人102的实际葡萄糖测量结果118和/或用户群体110的实际葡萄糖测量结果。为了生成训练数据，葡萄糖测量结果118可被转换成包括在葡萄糖测量结果118中的信息的视觉表示，并且这些视觉表示可被捕获为数字图像或数字数据以用于训练生成对抗网络。

例如，视觉表示是葡萄糖测量结果118随时间推移的曲线图或图表。在一个示例中，第一序列502和第二序列504是葡萄糖测量结果118的视觉表示，该视觉表示能够转化为用于包括在训练数据中的数字图像。继续该示例，使用对训练数据的对抗训练来训练发生器网络和鉴别器网络。例如，作为该对抗训练的一部分，发生器网络学习生成葡萄糖测量结果的视觉表示，鉴别器网络学习将该视觉表示分类为真实的(例如，包括在真实训练数据中)或假的(例如，由发生器网络生成)。一旦被训练，由发生器网络生成的葡萄糖测量结果的视觉表示被转换成时间序列表示，该时间序列表示能够用作合成葡萄糖测量结果。

尽管相对于葡萄糖测量结果118数据库的示例描述了合成葡萄糖测量结果，但是应当理解，在一些示例中，序列数据308描述合成葡萄糖测量结果和/或输入数据304描述合成葡萄糖测量结果。例如，序列数据308描述从用户群体110的实际葡萄糖测量结果118生成的合成葡萄糖测量结果，而不是描述与用户群体110相关联的葡萄糖值序列。在一个示例中，序列数据308描述从人102的实际葡萄糖测量结果118生成的合成葡萄糖测量结果，而不是描述与人102相关联的葡萄糖值序列。在另一示例中，输入数据304描述从实际葡萄糖测量结果118生成的合成葡萄糖测量结果，而不是描述用户葡萄糖值306序列。因此，相似性系统310能够识别与合成葡萄糖测量结果序列相似的葡萄糖值序列，并且相似性系统310也能够识别与葡萄糖值序列相似的合成葡萄糖测量结果序列。

不管葡萄糖测量结果118数据库是否包括合成葡萄糖测量结果、实际葡萄糖测量结果118或合成葡萄糖测量结果与实际葡萄糖测量结果118的组合，包括在数据库中的葡萄糖值序列的分布能够用于估计丢失的或不可用的葡萄糖值。在葡萄糖值510是缺失的或不可用的示例中考虑葡萄糖值506、508、510、512、514的序列。例如，葡萄糖值506-514分别是100mg/dL、101mg/dL、XXXmg/dL、103mg/dL和104mg/dL。计算装置108和/或CGM系统104查询葡萄糖测量结果118数据库，以识别相似葡萄糖值序列以及所识别的相似序列在葡萄糖测量结果118数据库中的出现频率。

例如，计算装置108和/或CGM系统104基于包括在葡萄糖值506、508、XXX、512、514的序列中的每个葡萄糖值以及包括在相似葡萄糖值序列中的每个葡萄糖值来识别相似葡萄糖值序列。在该示例中，计算装置108和/或CGM系统104基于包括在作为如上所述的时间序列的相似序列中的葡萄糖值的顺序特性来识别相似葡萄糖值序列。例如，计算装置108和/或CGM系统104通过以下方式来计算葡萄糖值506、508、XXX、512、514的序列与包括在葡萄糖测量结果118数据库中的葡萄糖值序列之间的相似性分数406：将在给定证据或上下文数据的情况下观察到葡萄糖值506、508、512、514中的每一者的概率与在给定证据或上下文数据的情况下观察到包括在葡萄糖测量结果118数据库中的葡萄糖值序列中的每一葡萄糖值的概率之间的差进行求和。在一个示例中，计算装置108和/或CGM系统104仅基于如上所述的相似性分数406来识别相似葡萄糖值序列。在另一示例中，计算装置108和/或CGM系统104不使用相似性分数406来识别相似葡萄糖值序列，或者使用相似性分数406仅部分地识别相似葡萄糖值序列。

在一个示例中，计算装置108和/或CGM系统104使用相似性系统310来识别葡萄糖测量结果118数据库中的相似序列。在该示例中，相似性系统310使用葡萄糖测量结果118数据库作为序列数据308并且使用葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列作为输入数据304来计算相似性分数406。例如，相似性系统310通过将缺失的或不可用的葡萄糖值510视为“无关”值来计算相似性分数406，使得相似性分数406基于葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL来计算，其中XXX被允许是任何值(例如，XXX是在40mg/dL至400mg/dL范围内的任何值)。在为了减小搜索空间的一些示例中，XXX是40mg/dL至400mg/dL的范围的子集中的任何值，其中该子集从该范围中排除极端值或异常值，诸如40mg/dL、400mg/dL等。

在计算装置108和/或CGM系统104利用相似性系统310来识别葡萄糖测量结果118数据库中的相似序列的另一示例中，使用缺失的或不可用的葡萄糖值510的占位符来计算相似性分数406，而不是将缺失的或不可用的葡萄糖值510视为“无关”值。在该另一示例中，占位符可以是值100mg/dL、101mg/dL、103mg/dL和104mg/dL的平均值。例如，如果在葡萄糖值506、508、510、512、514的序列中在缺失的或不可用的葡萄糖值510之前可用的葡萄糖值506、508的数量大于第一阈值最小数量并且小于第一阈值最大数量，则计算装置108和/或CGM系统104可将占位符计算为葡萄糖值506、508的平均值。在该示例中，第一阈值最小数量确保葡萄糖值506、508的数量(即，在该示例中为两个)足够大，以避免在占位符中引入欠采样误差/异常。类似地，第一阈值最大数量确保葡萄糖值506、508的数量足够小，以避免在占位符中引入过采样误差/异常。

继续前一示例，如果在葡萄糖值506、508、510、512、514的序列中在缺失的或不可用的葡萄糖值510之前可用的葡萄糖值512、514的数量大于第二阈值最小数量并且小于第二阈值最大数量，则计算装置108和/或CGM系统104可将占位符计算为葡萄糖值512、514的平均值。例如，第二阈值最小数量防止在占位符中引入欠采样误差/异常，并且第二阈值最大数量防止在占位符中引入过采样误差/异常。在一个示例中，如果在缺失的或不可用的葡萄糖值510之前和之后可用的葡萄糖值的数量满足第一最小阈值数量和第二最小阈值数量以及第一最大阈值数量和第二最大阈值数量，则计算装置108和/或CGM系统104将占位符计算为葡萄糖值506、508、512、514的平均值。

在其他示例中，计算装置108和/或CGM系统104通过对葡萄糖值508和葡萄糖值512进行线性内插来计算占位符。例如，占位符能够计算包括在葡萄糖测量结果118数据库中的葡萄糖测量结果的平均值。在一个示例中，占位符被计算为从40mg/dL至400mg/dL的范围中选择的任意值或随机值。

在一些示例中，基于包括在葡萄糖测量值118数据库的迭代搜索中识别的相似序列和/或相似序列分布中的葡萄糖值来迭代地计算占位符。考虑计算装置108和/或CGM系统104实现相似性系统310以搜索葡萄糖测量结果118数据库，从而识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的输入序列的第一最相似序列和/或第一最相似序列分布(基于相似性分数406)的一个示例，其中XXX是选自40mg/dL至400mg/dL的范围的随机值。基于第一最相似序列和/或第一最相似序列分布来计算新的占位符值，并且相似性系统310搜索葡萄糖测量结果118数据库以识别葡萄糖值100mg/dL、101mg/dL、YYYmg/dL、103mg/dL、104mg/dL的输入序列的第二最相似序列和/或第二最相似序列分布，其中YYY是新的占位符值。相似性系统310基于第二最相似序列和/或第二最相似序列分布来计算附加的新占位符值，并且相似性系统310继续搜索葡萄糖测量结果118数据库并且基于先前搜索的结果来重新计算占位符，直到识别出与来自先前搜索或多个先前搜索的结果的所计算的占位符基本上相同的特定占位符值为止。例如，特定占位符值能够用作缺失的或不可用的葡萄糖值510的估计值。

在一些示例中，计算装置108和/或CGM系统104实现相似性系统310以通过识别葡萄糖值506、508、510、512、514的子序列的相似子序列(和/或相似子序列分布)来识别葡萄糖测量结果118数据库中的相似序列。例如，在一些情形中，所识别的相似子序列能够用于以比识别相似序列来计算占位符更高的准确度来计算占位符。考虑相似性系统310搜索葡萄糖测量结果118数据库以识别100mg/dL、101mg/dL、XXXmg/dL的输入子序列的第一相似子序列和/或第一相似子序列分布的一个示例，其中XXX是用于缺失的或不可用的葡萄糖值510的“无关”值。相似性系统310使用所识别的第一相似子序列和/或所识别的第一相似子序列分布来估计缺失的或不可用的葡萄糖值510的第一子序列值。

继续前一示例，相似性系统310搜索葡萄糖测量结果118数据库以识别XXXmg/dL、103mg/dL、104mg/dL的输入子序列的第二相似子序列和/或第二相似子序列分布，其中XXX是缺失的或不可用的葡萄糖值510的“无关”值。相似性系统310使用所识别的第二相似子序列和/或所识别的第二相似子序列分布来估计缺失的或不可用的葡萄糖值510的第二子序列值。在第一示例中，相似性系统310使用第一子序列值(和/或第一相似子序列分布)和第二子序列值(和/或第二相似子序列分布)来直接估计缺失的或不可用的葡萄糖值510的值。

在第二示例中，相似性系统310使用第一子序列值(和/或第一相似子序列分布)和第二子序列值(和/或第二相似子序列分布)来计算占位符值。在该第二示例中，相似性系统310搜索葡萄糖测量结果118数据库，以使用缺失的或不可用的葡萄糖值510的占位符值来识别相似序列。在一些示例中，相似性系统310还在搜索迭代中搜索葡萄糖测量结果118数据库，以识别相似子序列和/或相似子序列分布。例如，可执行搜索迭代以用更高的准确度来识别相似子序列(和/或相似子序列分布)，诸如利用第一搜索迭代的结果来改进或改善第二搜索迭代的搜索输入。在其他示例中，可执行搜索迭代以用降低的计算成本来识别相似子序列(和/或相似子序列分布)，诸如利用第一搜索迭代的结果来将用于第二搜索迭代的葡萄糖测量结果118数据库内的搜索空间最小化。

考虑相似性系统310能够在迭代中搜索葡萄糖测量结果118数据库以估计第一序列502中缺失的或不可用的葡萄糖值的示例。在输入数据304描述葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的一个示例中，相似性系统310能够在迭代中搜索葡萄糖测量结果118数据库以识别XXX的值的范围，而不是诸如通过将XXX视为“无关值”来允许XXX为任何值(例如，XXX为40mg/dL至400mg/dL范围内的任何值)。在该示例中，相似性系统310在迭代中搜索葡萄糖测量结果118数据库，每次迭代允许XXX是不同葡萄糖值范围内的任何值。

例如，相似性系统310在第一次迭代中搜索葡萄糖测量结果118数据库以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列，其中XXX被允许是第一范围(例如，90mg/dL至100mg/dL的范围)中的任何值。在一个示例中，针对第一次迭代确定第一最相似序列和对应的第一相似性分数(例如，相似性分数406的第一相似性分数)。在该示例中，相似性系统310在第二次迭代中搜索葡萄糖测量值118数据库以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列，其中XXX被允许为第二范围(例如，95mg/dL至105mg/dL的范围)中的任何值。针对第二次迭代确定第二最相似序列以及对应的第二相似性分数(例如，相似性分数406的第二相似性分数)。

在前一示例中，如果第一相似性分数大于第二相似性分数，则用于XXX的值在90mg/dL至94mg/dL的范围内，因为第一范围的剩余值也包括在第二范围内。例如，如果第二相似性分数大于第一相似性分数，则用于XXX的值在101mg/dL至105mg/dL的范围内，因为第二范围的剩余值也包括在第一范围内。类似地，如果第一相似性分数基本上等于第二相似性分数，则用于XXX的值在95mg/dL至100mg/dL的范围内，因为这些值包括在第一范围和第二范围两者内。因此，在该示例中，可通过仅执行两次搜索迭代来确定包括用于XXX的值的三个可能范围中的一个可能范围。应当理解，相似性系统310能够在迭代中搜索葡萄糖测量结果118数据库，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列，其中XXX被允许是在不包括重叠值的范围内的任何值，XXX被允许是在包括附加重叠值的范围内的任何值，XXX被允许是在包括具有一些附加范围的重叠值并且不包括具有其他附加范围的重叠值的范围内的任何值等。

尽管上述示例被描述为由相似性系统310在迭代中搜索葡萄糖测量结果118数据库，每次迭代允许XXX是不同葡萄糖值范围内的任何值，但是在其他示例中，相似性系统310在迭代中搜索，每次迭代查询不同的葡萄糖测量结果118数据库或者每次迭代查询葡萄糖测量结果118数据库的不同子集。例如，相似性系统310在初始迭代中搜索葡萄糖测量结果118数据库的初始子集，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列。在该示例中，葡萄糖测量结果118数据库的初始子集包括与包括在葡萄糖测量结果118数据库中的葡萄糖值序列的数量相比相对小数量的葡萄糖值序列。

在一个示例中，相似性系统310在初始迭代中搜索葡萄糖测量结果118数据库，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列，其中XXX被允许是任何值(例如，XXX是在40mg/dL至400mg/dL范围内的任何值)。继续该示例，相似性系统310利用包括在从初始迭代识别的葡萄糖测量结果118数据库的初始子集中的最相似葡萄糖值序列(和/或最相似葡萄糖值分布)来估计XXX的有限范围(例如，XXX是50mg/dL至200mg/dL范围内的任何值)。相似性系统310在后续迭代中搜索葡萄糖测量结果118数据库的后续子集，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的序列的相似序列(和/或相似序列分布)，其中XXX被允许是有限范围内的任何值。

在一个示例中，葡萄糖测量结果118数据库的后续子集包括的葡萄糖值序列的数量大于包括在葡萄糖测量结果118数据库的初始子集中的葡萄糖值序列的数量。例如，包括在葡萄糖测量结果118数据库的后续子集中的葡萄糖值序列的数量小于包括在葡萄糖测量结果118数据库中的葡萄糖值序列的数量。在一个示例中，相似性系统310能够在迭代中搜索葡萄糖测量结果118数据库的子集并且允许XXX是葡萄糖值范围内的值，使得相对于前一迭代，下一迭代搜索葡萄糖测量结果118数据库的子集，该子集具有比在前一迭代中搜索的葡萄糖测量结果118数据库的子集数量更大的葡萄糖值序列。在该示例中，相似性系统310通过允许XXX是值范围内中的任何值来在下一次迭代中搜索葡萄糖测量结果118数据库的子集，该值范围比前一迭代中允许的XXX的值范围更窄(包括更少的XXX的可能值)。

尽管缺失的或不可用的葡萄糖值510示为单个葡萄糖值，但是应当理解，在一些示例中，葡萄糖值506、508、510、512、514的序列具有多个缺失的或不可用的葡萄糖值。在一些示例中，多个缺失的或不可用的葡萄糖值是相邻的，诸如葡萄糖值510、512是缺失的或不可用的一个示例。在其他示例中，多个缺失的或不可用的葡萄糖值不相邻，诸如在葡萄糖值510、514是缺失的或不可用的一个示例中。

对于在葡萄糖值506、508、510、512、514的序列中缺失的或不可用的并且相邻的葡萄糖值510、512，计算装置108和/或CGM系统104实现相似性系统310以搜索葡萄糖测量结果118数据库，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、XXXmg/dL、104mg/dL的输入序列的相似序列(基于相似性分数406和/或相似性比较)，其中缺失的或不可用的葡萄糖值510、512各自被视为相同的“无关”值。在一个示例中，相似性系统310搜索葡萄糖测量结果118数据库以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、104mg/dL的输入序列的相似序列，其中缺失的或不可用的葡萄糖值510、512被视为单个“无关”值。在识别包括在葡萄糖测量结果118数据库中的最相似序列(和/或最相似序列分布)(其中缺失的或不可用的葡萄糖值510、512被视为相同的“无关”值或单个“无关”值)之后，相似性系统310使用所识别的最相似序列(和/或所识别的最相似序列分布)来估计缺失的或不可用的葡萄糖值510、512中一者的值。相似性系统310然后使用占位符或“无关”值来迭代地从葡萄糖测量结果118数据库中搜索缺失的或不可用的葡萄糖值510、512中的另一者。

对于缺失的或不可用的并且在葡萄糖值506、508、510、512、514的序列中不相邻的葡萄糖值510、514，计算装置108和/或CGM系统104实现相似性系统310以搜索葡萄糖测量结果118数据库，以识别葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、103mg/dL的输入序列的相似序列(和/或相似序列分布)，其中缺失的或不可用的葡萄糖值510被视为“无关”值，并且缺失的或不可用的葡萄糖值514分配有在葡萄糖值506、508、510、512、514的序列中可用的相邻葡萄糖值的值。另选地，相似性系统310搜索葡萄糖测量结果118数据库以识别葡萄糖值100mg/dL、101mg/dL、101mg/dL、103mg/dL、XXXmg/dL的输入序列的相似序列(和/或相似序列分布)，其中缺失的或不可用的葡萄糖值514被视为“无关”值，并且缺失的或不可用的葡萄糖值510分配有在葡萄糖值506、508、510、512、514的序列中可用的相邻葡萄糖值的值。在任一替代方案中，在从葡萄糖测量结果118数据库识别能够用于估计在搜索中被视为“无关”值的缺失的或不可用的葡萄糖值的值的相似葡萄糖值序列(和/或葡萄糖值序列的相似分布)之后，使用所估计的值来代替由输入数据304描述的更新的葡萄糖值输入序列中的“无关”值，该输入数据包括缺失的或不可用的葡萄糖值的“无关”值，该缺失的或不可用的葡萄糖值分配有在葡萄糖值506、508、510、512、514的序列中可用的相邻葡萄糖值的值。例如，相似性系统310搜索葡萄糖测量结果118数据库以基于更新的葡萄糖值输入序列识别相似序列(和/或相似序列分布)。在该示例中，使用所识别的相似序列和/或所识别的相似序列分布来估计剩余“无关”值的值。

不管如何搜索葡萄糖测量结果118数据库，计算装置108和/或CGM系统104识别100mg/dL、101mg/dL、102mg/dL、103mg/dL、104mg/dL的第一序列；100mg/dL、101mg/dL、103mg/dL、103mg/dL、104mg/dL的第二序列；100mg/dL、101mg/dL、100mg/dL、103mg/dL、104mg/dL的第三序列；99mg/dL、101mg/dL、102mg/dL、103mg/dL、104mg/dL的第四序列；以及类似于葡萄糖值100mg/dL、101mg/dL、XXXmg/dL、103mg/dL、104mg/dL的99mg/dL、101mg/dL、103mg/dL、103mg/dL、106mg/dL的第五序列。例如，第一序列在葡萄糖测量结果118数据库中具有25％的出现频率；第二序列、第三序列和第四序列在葡萄糖测量结果118数据库中各自具有20％的出现频率；以及第五序列在葡萄糖测量结果118数据库中具有15％的出现频率。因此，在该示例中，缺失的或不可用的葡萄糖值510的分布是100mg/dL(20％)；102mg/dL(45％)；以及103mg/dL(35％)。

在一些示例中，计算装置108和/或CGM系统104针对以上缺失的或不可用的葡萄糖值510的分布来估计缺失的或不可用的葡萄糖值510的值102mg/dL。在其他示例中，分布的可能值的加权平均值用于缺失的或不可用的葡萄糖值510。例如，相似性系统310通过将分布的可能值中的每一者乘以其在分布中的对应出现频率来计算加权平均值。

在一些示例中，在给定缺失的或不可用的葡萄糖值510的分布为100mg/dL(20％)；102mg/dL(45％)；以及103mg/dL(35％)的情况下，相似性系统310使用任何聚合函数(例如，平均值、中值等)来计算缺失的或不可用的葡萄糖值510的估计值。在一个示例中，相似性系统310使用蒙特卡罗方法来计算缺失的或不可用的葡萄糖值510的估计值。例如，相似性系统310从分布中提取在分布中具有低发生率的葡萄糖值。例如，在分布中提取具有低发生率的葡萄糖值的概率不为零，并且通过足够的时间和样本，所提取的葡萄糖值将匹配分布的采样分布。

例如，针对缺失的或不可用的葡萄糖值510估计的值在该值由CGM系统104确定的情况下与在该值由计算装置108确定的情况下是不同的。考虑葡萄糖测量结果118数据库被配置成使用用于CGM系统104的最小计算资源进行搜索的一个示例。例如，CGM系统104使用第一葡萄糖测量结果118数据库来估计缺失的或不可用的葡萄糖值，并且计算装置108使用第二葡萄糖测量结果118数据库来估计缺失的或不可用的葡萄糖值。

在一些示例中，第一葡萄糖测量结果118数据库包括比第二葡萄糖测量结果118数据库更少的数据。在一个示例中，第一数据库包括人102的葡萄糖测量结果118，并且第二数据库包括人102的葡萄糖测量结果118和用户群体110的葡萄糖测量结果118。在另一示例中，第一葡萄糖测量结果118数据库被配置成使用将在搜索中消耗的计算资源最小化的技术(诸如使用校验和和/或散列值)来搜索。

应当理解，通过估计缺失的或不可用的葡萄糖值的值，所估计的值能够用于代替缺失的或不可用的葡萄糖值，以促进各种附加功能。例如，各种机器学习模型的输入需要完整序列来生成有意义且准确的输出，这在序列具有缺失的或不可用的葡萄糖值的情况下是不可能的。通过估计缺失的或不可用的葡萄糖值的值来完善不完整序列，能够使用在完善不完整序列之前不可能的各种机器学习模型来处理完善的序列。

虽然第一序列502被描述为葡萄糖值506-544的时间序列，但是应当理解，所描述的系统和技术也适用于例如从葡萄糖值序列计算的增量值序列。例如，增量值可被计算为葡萄糖值506-544的连续葡萄糖值之间的差，使得序列中的第一增量值等于葡萄糖值506与葡萄糖值508之间的差，序列中的第二增量值等于葡萄糖值508与葡萄糖值510之间的差，序列中的第三增量值等于葡萄糖值510与葡萄糖值512之间的差等。在一些示例中，增量值被计算为第一序列502中的当前葡萄糖值与先前葡萄糖值之间的差，而在其他示例中，增量值被计算为第一序列502中的先前葡萄糖值与当前葡萄糖值之间的差。例如，增量值被计算为第一序列502中的连续葡萄糖值之间的差的绝对值。

继续该示例，增量值序列被用作搜索输入以识别由包括在从人102的葡萄糖测量结果118和/或用户群体110的葡萄糖测量结果计算的增量值集中的数据描述的最相似增量值序列。例如，利用离散随机变量(例如，葡萄糖增量变量)，并且基于来自增量值集的观察结果来生成离散随机变量的分类分布。在给定证据或上下文数据的情况下观察到特定增量值的概率能够使用增量值集来确定。例如，能够将第一增量值和第二增量值之间的相似性或距离计算为在给定证据或上下文数据的情况下观察到第一增量值与在给定证据或上下文数据的情况下观察到第二增量值的概率之间的差。

以类似于能够计算两个葡萄糖值序列的相似性分数(例如，相似性分数406的相似性分数)的方式，通过确定在给定证据或上下文数据的情况下观察到序列中的一者的每一增量值的概率与在给定证据或上下文数据的情况下观察到序列中的另一者的每一增量值的概率之间的差来计算两个增量值序列的相似性分数。例如，两个增量值序列的相似性分数等于所确定的差的总和。因此，增量值序列是用于搜索增量值集以识别增量值序列的最相似增量值序列(例如，具有最高相似性分数的增量值序列)的搜索输入。

在一些示例中，除了葡萄糖值序列之间的相似性之外，还可利用增量值序列之间的相似性。在其他示例中，增量值序列之间的相似性可被用作葡萄糖值序列之间的相似性的替代。例如，增量值序列之间的相似性关于生成针对人102的预警和/或警报而言是可利用的，从而避免生成针对增量值序列的警报，该增量值序列被确定为与导致针对人102的危害警报的生成的附加增量值序列相似。在一个示例中，增量值序列用于混淆人102和/或用户群体110的实际葡萄糖测量结果118。例如，增量值序列用作合成葡萄糖测量结果，或者增量值序列用于代替合成葡萄糖测量结果来识别相似葡萄糖值序列。

图6示出了基于用户葡萄糖值序列和相似葡萄糖值序列的指示的搜索请求的表示600。表示600包括查询示例602和响应示例604。在查询示例602中，人102与计算装置108交互以指定查询和时间范围。如图所示，查询是“与今天最相似的一天”并且时间范围是“一个月”。

人102与用户界面元素606交互以执行搜索。相似性系统310接收描述人102的查询的输入数据304，并且相似性系统310将人102的葡萄糖值序列分配为用户葡萄糖值306序列。相似性系统310然后使用相似性模型来识别由序列数据308描述的特定葡萄糖值序列，该特定葡萄糖值序列在最近一个月内对于用户葡萄糖值306序列具有最高相似性分数(例如，相似性分数406中的最高相似性分数)。

相似性系统310生成如描述特定序列的相似序列数据312，并且还确定与特定序列相关联的外部因素。在一个示例中，特定序列包括描述外部因素的元数据，并且相似性系统310通过处理该元数据来确定外部因素。如响应示例604所示，计算装置108接收相似序列数据312和外部因素的指示314，并且显示特定序列的指示和外部因素的指示314。

特定序列的指示是“在一个月的时间范围内今天与昨天最相似”。外部因素的指示314是“今天和昨天都是过去一周的异常日”。用户与用户界面元素608交互以解除所显示的指示。

考虑人102与计算装置108交互以指定如在前一示例中的查询和时间范围的另一示例。然而，在该示例中，人102的葡萄糖值序列已经具有缺失的或不可用的葡萄糖值。由于人102的葡萄糖值序列中的这些缺失的或不可用的葡萄糖值，相似性系统310不可能识别由序列数据308描述的特定葡萄糖值序列，该特定葡萄糖值序列在最近一个月内对于用户葡萄糖值306序列具有最高相似性分数。例如，如果输入数据304描述了具有缺失的或不可用的葡萄糖值的葡萄糖值序列，则相似性系统310不能处理输入数据304。在一个示例中，如果输入数据304描述了在序列中的两个可用的葡萄糖值之间缺失葡萄糖值的葡萄糖值序列，则相似性系统310不能处理输入数据304。由于特定葡萄糖值序列是不可识别的，因此计算装置108不能显示外部因素的指示314。

继续该示例，在识别由序列数据308描述特定葡萄糖值序列之前，计算装置108和/或CGM系统104可实现相似性系统310以搜索葡萄糖测量结果118数据库，从而使用人102的葡萄糖值序列中的缺失的或不可用的葡萄糖值的“无关”值或占位符值来识别人102的葡萄糖值序列的最相似葡萄糖值序列。相似性系统310将特定葡萄糖值序列识别为与特定序列不同的最相似序列。计算装置108和/或CGM系统104使用特定葡萄糖值序列来估计人102的葡萄糖值序列中缺失的或不可用的葡萄糖值。

例如，相似性系统310接收描述人102的查询的输入数据304，并且相似性系统310将人102的葡萄糖值序列(包括缺失的或不可用的葡萄糖值的估计值)分配为用户葡萄糖值306序列。相似性系统310然后使用相似性模型来识别由序列数据308描述的特定葡萄糖值序列，该特定葡萄糖值序列在最近一个月或指定时间段内对于用户葡萄糖值306序列具有最高相似性分数。相似性系统310通过处理包括在描述外部因素的特定序列中的元数据来确定外部因素，并且计算装置108将外部因素的指示314显示为“今天和昨天都是过去一周的异常日”。

图7示出了用户界面的表示700，该用户界面接收用作搜索查询的至少一个葡萄糖值序列，并输出被确定为搜索查询的搜索结果的一个或多个相似葡萄糖值序列。表示700包括计算装置702，并且用户(诸如人102或用户群体110的成员)相对于计算装置702的用户界面704与输入装置(例如，触控笔、鼠标、触摸屏、键盘等)交互以搜索与今天的葡萄糖值706相似的葡萄糖值序列。例如，用户相对于用户界面704与输入装置交互，以在用户界面704中显示的搜索字段708中输入今天的葡萄糖值706。如图所示，今天的葡萄糖值706是基于从今天开始的12:00AM到今天结束的12:00AM的人102的葡萄糖测量结果118的葡萄糖值序列。尽管被描述为今天的葡萄糖值706，但是应当理解，可以使用任何葡萄糖值序列来代替今天的葡萄糖值706或者作为今天的葡萄糖值的补充。能够用于代替今天的葡萄糖值706或作为今天的葡萄糖值的补充的葡萄糖值序列的示例包括不同日的葡萄糖值、多个不同日的葡萄糖值、一小时的葡萄糖值、多个小时的葡萄糖值、一分钟的葡萄糖值、多分钟的葡萄糖值等。

在一个示例中，计算装置702包括相似性系统310和存储装置120，并且相似性系统310基于输入到搜索字段708的今天的葡萄糖值706来接收今天的葡萄糖值706。在另一示例中，计算装置702不包括相似性系统310。在该示例中，计算装置702连接到网络116，并且计算装置702基于输入到搜索字段708的今天的葡萄糖值706经由网络116将今天的葡萄糖值706传达到相似性系统310。继续该示例，相似性系统310接收今天的葡萄糖值706作为用户葡萄糖值306序列。

例如，相似性系统310处理用户葡萄糖值306序列以识别今天的葡萄糖值706的相似葡萄糖值序列710-714。如图所示，在用户界面704中显示相似序列710-714的指示。在计算装置702包括相似性系统310的示例中，计算装置702直接从相似性系统310接收描述相似序列710-714的数据。在计算装置702不包括相似性系统310的示例中，计算装置702经由网络116从相似性系统310接收描述相似序列710-714的数据。

例如，基于相似序列710-714中的每一者相对于今天的葡萄糖值706的相似程度，在用户界面704中显示相似序列710-714。在一个示例中，今天的葡萄糖值706最大程度地与今天的葡萄糖值706相似(例如，葡萄糖值序列最大程度地与其自身相似)。今天的葡萄糖值706示为与今天的葡萄糖值706具有为283.0的相似性分数。因此，在该示例中，为283.0的相似性分数是两个葡萄糖值序列的最高可能相似性分数。在其他示例中，两个葡萄糖值序列的最高可能相似性分数大于283.0或小于283.0。

在一个示例中，相似序列710是相似序列710-714的今天的葡萄糖值706的最相似序列；相似序列712比相似序列710与今天的葡萄糖值706更不相似；以及相似序列714比相似序列712与今天的葡萄糖值706更不相似。在一个示例中，相似性系统310基于相似性分数406确定相似序列710-714与今天的葡萄糖值706的相对相似性。在该示例中，相似序列710与今天的葡萄糖值706具有为48.1168的相似性分数，相似序列712与今天的葡萄糖值706具有为26.5652的相似性分数，以及相似序列714与今天的葡萄糖值706具有为37.9157的相似性分数。因此，在该示例中，相似序列710-714未按照相似性的顺序显示在用户界面704中，因为相似序列714具有比相似序列712更高的与今天的葡萄糖值706的相似性分数。

考虑相似性系统310不使用相似性分数406来识别相似序列710-714或者仅部分地使用相似性分数406来识别相似序列710-714的一个示例。例如，相似性系统310至少部分地基于其他数据来识别相似序列710-714。将可包括在其他数据中的数据的示例作为指示716-720显示在用户界面704中。指示716对应于相似序列710，并且指示716将某一天识别为“昨天”作为当将人102的葡萄糖测量结果118记录为相似序列710的时间段。指示716还识别了为70％的目标范围内时间、100％利用率、消耗的3顿餐食和为50的推注胰岛素。

指示718对应于相似序列712，并且指示718将某一天识别为“1个月前”作为当将人102的葡萄糖测量结果118记录为相似序列712的时间段。指示718还识别了为68％的目标范围内时间、100％利用率、消耗的3顿餐食和为65的推注胰岛素。例如，指示720对应于相似序列714，并且指示720将某一天识别为“5天前”作为当将人102的葡萄糖测量结果118记录为相似序列714的时间段。指示720还识别了为72％的目标范围内时间、100％利用率、消耗的3顿餐食和为45的推注胰岛素。

在一个示例中，即使相似序列714比相似序列712具有更高的与今天的葡萄糖值706的相似性分数，相似性系统310基于相似性比较在用户界面704中在相似序列714之前将相似序列712显示为比相似序列714与今天的葡萄糖值706更相似。在该示例中，相似性系统310识别出今天的目标范围内时间是68％，这与某一天“1个月前”的目标范围内时间相同。基于该相似性比较，相似性系统310使得相似序列712在相似序列714之前显示在用户界面704中。在另一示例中，相似性系统310识别出今天的推注胰岛素是65，该值是与某一天“1个月前”相同的推注胰岛素。基于该另一示例中的该相似性比较，相似性系统310使得相似序列712在相似序列714之前显示在用户界面704中。

图8示出了包括反事实指示的外部因素的指示的表示800。如图所示，计算装置108确定人102已经进行了跑步，并且计算装置108将人102的最新葡萄糖值序列传达到相似性系统310。例如，人102与计算装置108的用户界面交互以指示关于人102的跑步的信息，诸如跑步期间经过的总距离、跑步期间人102的心率、跑步期间燃烧的卡路里等。在一个示例中，计算装置108从另一计算装置(诸如智能手表)接收描述人102的跑步的数据。相似性系统310从包括在用户葡萄糖值306序列中的时间标记识别该跑步，并且提取恰好在该跑步之前的葡萄糖值子序列。相似性系统310识别由序列数据308描述的葡萄糖值子序列，该葡萄糖值子序列与所提取的葡萄糖值子序列相似。

相似性系统310然后确定所识别的子序列包括在由序列数据308描述的葡萄糖值序列中，该序列数据对应于人102没有去跑步的某一天。相似性系统310生成相似序列数据312和指示314，并且计算装置108接收相似序列数据312和指示314。计算装置108显示反事实指示，该反事实指示是“由于你完成跑步，所以与在一个月的时间范围内没有完成跑步的相似日相比，今天你的TIR应该增加大约14％”。例如，人102与用户界面元素804交互以解除该反事实指示。

示例性程序

该部分描述了用于确定葡萄糖值序列的相似性的示例性程序。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。图9是描绘示例性具体实施中的程序900的流程图，其中接收描述用户葡萄糖值序列的输入数据并且生成与相似葡萄糖值序列相关联的外部因素的指示。接收描述由连续葡萄糖监测(GCM)系统测量的用户葡萄糖值序列的输入数据，用户葡萄糖值序列包括用户葡萄糖值子序列(框902)。例如，相似性系统310接收输入数据。访问描述多个葡萄糖值序列的序列数据，该多个序列中的每个序列包括葡萄糖值子序列(框904)。在一个示例中，相似性系统310访问序列数据。

基于用户葡萄糖值子序列的每个子序列与包括在特定序列中的每个葡萄糖值子序列之间的比较，识别多个葡萄糖值序列中与用户葡萄糖值序列相似的特定序列(框906)。在一个示例中，相似性系统310识别特定序列。确定与特定序列相关联的外部因素(框908)。例如，相似性系统310确定外部因素。生成外部因素的指示以用于在用户界面中显示(框910)。在一个示例中，相似性系统310生成外部因素的指示。

图10是描绘示例性具体实施中的程序1000的流程图，其中接收描述用户葡萄糖值序列的输入数据并且生成与具有最高相似性分数的葡萄糖值序列相关联的外部因素的指示。接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据(框1002)。在一个示例中，相似性系统310接收输入数据。通过以下方式来针对多个葡萄糖值序列计算相似性分数：将包括在用户葡萄糖值序列中的每个葡萄糖值与包括在多个序列中的每个序列中的每个葡萄糖值进行比较(框1004)。例如，相似性系统310计算相似性分数。

识别与相似性分数中的最高相似性分数相关联的多个序列中的特定葡萄糖值序列(框1006)。在一个示例中，相似性系统310将特定序列识别为与最高相似性分数相关联。确定与特定序列相关联的外部因素(框1008)。例如，相似性系统310确定外部因素。生成外部因素的指示以用于在用户界面中显示(框1010)。在一个示例中，相似性系统310生成外部因素的指示。

图11是描绘示例性具体实施中的程序1100的流程图，其中确定候选序列的相似性分数并且将其与相似性阈值分数进行比较。接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据(框1102)。例如，相似性系统310接收输入数据。确定基于上下文数据观察到包括在用户葡萄糖值序列中的每个葡萄糖值的概率与基于上下文数据观察到包括在候选葡萄糖值序列中的每个葡萄糖值的概率之间的差(框1104)。在一个示例中，相似性系统310确定差。

通过对所确定的差进行求和来计算候选序列的相似性分数(框1106)。在一个示例中，相似性系统310计算相似性分数。将相似性分数与相似性阈值分数进行比较(框1108)。例如，相似性系统310将相似性分数与相似性阈值分数进行比较。响应于相似性分数大于相似性阈值分数，生成候选序列的指示以用于用户界面中显示(框1110)。在一个示例中，相似性系统310生成候选序列的指示。

示例性系统和装置

图12示出了总体上以1200表示的示例性系统，该示例性系统包括示例性计算装置1202，该示例性计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。这通过将CGM平台112包含在内来示出。计算装置1202可以是例如服务提供方的服务器、与客户端相关联的装置(例如，客户端装置)、片上系统和/或任何其他合适的计算装置或计算系统。

如图所示，示例性计算装置1202包括处理系统1204、一个或多个计算机可读介质1206以及彼此通信地联接的一个或多个I/O接口1208。尽管未示出，但计算装置1202还进一步包括将各种部件彼此联接的系统总线或其他数据和命令转移系统。系统总线可包括不同总线结构中的任一总线结构或它们的组合，诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一总线架构的处理器或本地总线。还可以设想多种其他示例，诸如控制线和数据线。

处理系统1204代表使用硬件执行一个或多个操作的功能。因此，处理系统1204示为包括可被配置成处理器、功能块等的硬件元件1210。这可包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其他逻辑装置。硬件元件1210不受形成它们的材料或其中采用的处理机制的限制。例如，处理器可包括半导体和/或晶体管(例如，电子集成电路(IC))。在这种上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质1206示为包括存储器/存储设备1212。存储器/存储设备1212表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储部件1212可包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存存储器、光盘、磁盘等)。存储器/存储部件1212可包括固定介质(例如，RAM、ROM、固定硬盘驱动器、它们的组合等)以及可移动介质(例如，闪存存储器、可移动硬盘驱动器、光盘、它们的组合等)。计算机可读介质1206可以多种其他方式配置，如下文进一步详细描述的。

输入/输出接口1208代表使用户能够向计算装置1202输入命令和/或信息，并且能够使用各种输入/输出装置向用户和/或其他部件或装置呈现信息的功能。输入装置的示例包括键盘、光标控制装置(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，电容传感器或被配置成检测物理触摸的其他传感器)、相机(例如，被配置成采用可见波长或不可见波长(诸如红外频率)来将移动识别为不涉及触摸的手势的装置)等。输出装置的示例包括显示装置(例如，监测器或投影仪)、扬声器、打印机、网卡、触觉响应装置等。因此，计算装置1202可如下文进一步描述的各种方式来配置以支持用户交互。

本文可在软件、硬件元件或程序模块的一般上下文中描述各种技术。一般来讲，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、部件、数据结构等。本文使用的术语“模块”、“功能”和“部件”通常表示软件、固件、硬件或其组合。本文所述的技术的特征是平台无关的，这意味着这些技术可在具有多种处理器的多种商业计算平台上实现。

所描述的模块和技术的具体实施可存储在某种形式的计算机可读介质上或跨某种形式的计算机可读介质传输。计算机可读介质可包括可由计算装置1202访问的多种介质。以举例而非限制的方式，计算机可读介质可包括“计算机可读存储介质”和“计算机可读信号介质”。

“计算机可读存储介质”可指能够持久地和/或非暂态地存储信息的介质和/或装置，而不仅仅是信号传输、载波或信号本身。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或存储装置的硬件，该硬件以适合于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的信息的方法或技术实现。计算机可读存储介质的示例可包括但不限于RAM、ROM、EEPROM、闪存存储器或其他存储技术、CD-ROM、数字多功能盘(DVD)或其他光学存储设备、硬盘、盒式磁带、磁带、磁盘存储设备或其他磁存储装置、或其他存储装置、有形介质、或适于存储所需信息并可由计算机访问的制品。

“计算机可读信号介质”可指被配置成诸如经由网络向计算装置1102的硬件传输指令的信号承载介质。信号介质通常可在调制数据信号(诸如载波、数据信号或其他传送机制)中体现计算机可读指令、数据结构、程序模块或其他数据。信号介质还包括任何信息递送介质。术语“调制数据信号”是指其特性中的一个或多个特性以编码信号中信息的方式设置或改变的信号。以举例而非限制的方式，通信介质包括诸如有线网络或直接有线连接的有线介质，以及诸如声介质、RF介质、红外介质和其他无线介质的无线介质。

如先前所描述的，硬件元件1210和计算机可读介质1206代表以硬件形式实现的模块、可编程装置逻辑和/或固定装置逻辑，其可在一些实施方案中用于实现本文所述技术的至少一些方面，以执行一个或多个指令。硬件可包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅或其他硬件中的其他具体实施的部件。在此上下文中，硬件可作为执行由硬件体现的指令和/或逻辑定义的程序任务的处理装置，以及用于存储用于执行的指令的硬件(例如，本文所述的计算机可读存储介质)来操作。

也可采用前述的组合来实现本文所述的各种技术。因此，软件、硬件或可执行模块可被实现为在某种形式的计算机可读存储介质上体现和/或由一个或多个硬件元件1210体现的一个或多个指令和/或逻辑。计算装置1202可被配置成实现对应于软件和/或硬件模块的特定指令和/或功能。因此，例如，通过使用计算机可读存储介质和/或处理系统1204的硬件元件1210，可至少部分地以硬件实现能够由计算装置1202作为软件执行的模块的具体实施。指令和/或功能可以能够由一个或多个制品(例如，一个或多个计算装置1202和/或处理系统1204)执行/操作，以实现本文所述的技术、模块和示例。

本文所述的技术可由计算装置1202的各种配置支持，并且不限于本文所述的技术的具体示例。此功能还可全部或部分地通过使用分布式系统来实现，诸如经由平台1216在“云”1214上实现，如下所述。

云1214包括和/或代表用于资源1218的平台1216。平台1216抽象云1214的硬件(例如，服务器)和软件资源的底层功能。资源1218可包括当在远离计算装置1202的服务器上执行计算机处理时可以利用的应用程序和/或数据。资源1218还可包括通过互联网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。

平台1216可抽象化资源和功能以将计算装置1202与其他计算装置连接。平台1216还可用于抽象化资源的缩放以提供对应的缩放级别，以满足对经由平台1216实现的资源1218的需求。因此，在互连的装置实施方案中，本文所述的功能的具体实施可分布在整个系统1200中。例如，该功能可部分地在计算装置1202上实现以及经由抽象化云1214的功能的平台1216来实现。

结论

尽管已经以结构特征和/或方法动作专用的语言描述了系统和技术，但应当理解，所附权利要求中定义的系统和技术不一定限于所描述的特定特征或动作。相反，特定特征或动作被公开为实现要求保护的主题的示例性形式。

Claims (20)

1.一种由计算装置实现的方法，所述方法包括：

接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据，所述用户葡萄糖值序列包括用户葡萄糖值子序列；

访问描述多个葡萄糖值序列的序列数据，所述多个序列中的每个序列包括葡萄糖值子序列；

基于所述用户葡萄糖值子序列的每个子序列与包括在特定序列中的每个葡萄糖值子序列之间的比较，识别所述多个葡萄糖值序列中与所述用户葡萄糖值序列相似的特定序列；

确定与所述特定序列相关联的外部因素；以及

生成所述外部因素的指示以用于在用户界面中显示。

2.根据权利要求1所述的方法，其中通过与所述特定序列相关联的元数据来描述所述外部因素。

3.根据权利要求1或2所述的方法，其中所述外部因素是如果不进行干预可能发生的不良事件，并且其中所述外部因素的所述指示包括所述干预的指示。

4.根据权利要求1或2所述的方法，其中所述外部因素是如果所述用户葡萄糖值序列与所述特定序列不相似可能发生的不良事件。

5.根据权利要求4所述的方法，其中所述外部因素的所述指示包括反事实指示。

6.根据权利要求1至5中任一项所述的方法，其中所述用户葡萄糖值序列与特定用户相关联，并且所述多个葡萄糖值序列与所述特定用户相关联。

7.根据权利要求1至6中任一项所述的方法，其中所述用户葡萄糖值序列与特定用户相关联，并且所述多个葡萄糖值序列与不同的用户相关联。

8.根据权利要求7所述的方法，其中所述多个葡萄糖值序列与多个不同的用户相关联。

9.根据权利要求1至8中任一项所述的方法，其中所述比较包括确定基于上下文数据观察到包括在一个用户葡萄糖值子序列中的第一葡萄糖值的概率与基于所述上下文数据观察到包括在所述特定序列中的一个葡萄糖值子序列中的第二葡萄糖值的概率之间的差。

10.根据权利要求9所述的方法，其中上下文数据描述所述一个用户葡萄糖值子序列中的所述第一葡萄糖值之前或之后的葡萄糖值。

11.根据权利要求9所述的方法，其中所述上下文数据描述所述一个葡萄糖值子序列中的所述第二葡萄糖值之前或之后的葡萄糖值。

12.一种由计算装置实现的方法，所述方法包括：

接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据；

通过以下方式来针对多个葡萄糖值序列计算相似性分数：将包括在所述用户葡萄糖值序列中的每个葡萄糖值与包括在所述多个序列中的每个序列中的每个葡萄糖值进行比较；

识别与所述相似性分数中的最高相似性分数相关联的所述多个序列中的特定葡萄糖值序列；

确定与所述特定序列相关联的外部因素；以及

生成所述外部因素的指示以用于在用户界面中显示。

13.根据权利要求12所述的方法，其中所述用户葡萄糖值序列与特定用户相关联，并且所述多个葡萄糖值序列与所述特定用户相关联。

14.根据权利要求12所述的方法，其中所述用户葡萄糖值序列与特定用户相关联，并且所述多个葡萄糖值序列与多个不同的用户相关联。

15.根据权利要求12至14中任一项所述的方法，其中所述比较包括确定基于上下文数据观察到包括在所述用户葡萄糖值序列中的第一葡萄糖值的概率与基于所述上下文数据观察到包括在所述特定序列中的第二葡萄糖值的概率之间的差。

16.根据权利要求15所述的方法，其中上下文数据描述所述用户葡萄糖值序列中的所述第一葡萄糖值之前或之后的葡萄糖值。

17.根据权利要求15所述的方法，其中所述上下文数据描述所述特定序列中的所述第二葡萄糖值之前或之后的葡萄糖值。

18.一种由计算装置实现的方法，所述方法包括：

接收描述由连续葡萄糖监测(CGM)系统测量的用户葡萄糖值序列的输入数据；

确定基于上下文数据观察到包括在所述用户葡萄糖值序列中的每个葡萄糖值的概率与基于所述上下文数据观察到包括在候选葡萄糖值序列中的每个葡萄糖值的概率之间的差；

通过对所确定的差进行求和来计算所述候选序列的相似性分数；

将所述相似性分数与相似性阈值分数进行比较；以及

响应于所述相似性分数大于所述相似性阈值分数，生成所述候选序列的指示以用于在用户界面中显示。

19.根据权利要求18所述的方法，所述方法进一步包括：

确定与所述候选序列相关联的外部因素；以及

生成所述外部因素的指示以用于在所述用户界面中显示。

20.根据权利要求19所述的方法，其中所述外部因素的所述指示包括反事实指示。