CN117612692B - 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 - Google Patents
一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 Download PDFInfo
- Publication number
- CN117612692B CN117612692B CN202410077129.6A CN202410077129A CN117612692B CN 117612692 B CN117612692 B CN 117612692B CN 202410077129 A CN202410077129 A CN 202410077129A CN 117612692 B CN117612692 B CN 117612692B
- Authority
- CN
- China
- Prior art keywords
- insulin pump
- fault
- blood glucose
- insulin
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 title claims abstract description 437
- 229940125396 insulin Drugs 0.000 title claims abstract description 219
- 102000004877 Insulin Human genes 0.000 title claims abstract description 207
- 108090001061 Insulin Proteins 0.000 title claims abstract description 207
- 239000008280 blood Substances 0.000 title claims abstract description 118
- 210000004369 blood Anatomy 0.000 title claims abstract description 118
- 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 claims abstract description 100
- 239000008103 glucose Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 19
- 238000001802 infusion Methods 0.000 claims description 30
- 230000004153 glucose metabolism Effects 0.000 claims description 26
- 230000000903 blocking effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 239000012530 fluid Substances 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 11
- 238000007920 subcutaneous administration Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims description 6
- 230000002503 metabolic effect Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 2
- 201000001421 hyperglycemia Diseases 0.000 abstract description 4
- 230000002218 hypoglycaemic effect Effects 0.000 abstract description 4
- 208000013016 Hypoglycemia Diseases 0.000 abstract description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 6
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000037396 body weight Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010023379 Ketoacidosis Diseases 0.000 description 1
- 208000007976 Ketosis Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial 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
- 230000005540 biological transmission Effects 0.000 description 1
- 235000021074 carbohydrate intake Nutrition 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 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
- A61B5/14532—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
本发明提出一种基于连续血糖监测的胰岛素泵故障诊断系统及方法，其中，系统包括数据集成单元、模型集成单元、故障检测、故障定位与状态识别单元。方法为利用胰岛素泵本身的电机转速信号、控制信号、腔体压力信号等数据的基础上，通过挖掘可穿戴连续血糖监测设备提供的实时动态血糖信息，对胰岛素泵组卡死、泄漏、阻塞等故障开展诊断。本发明能够在故障发生之前或在其初期检测到故障并进行故障定位和状态识别。这有助于防止胰岛素泵组发生更严重故障，从而减少了由于胰岛素泵组故障未能被及时发现而引起的血糖过高或过低的风险。
Description
技术领域
本发明涉及一种故障检测方法，特别涉及一种基于连续血糖监测的胰岛素泵故障诊断系统。
背景技术
糖尿病是一种慢性代谢性疾病，通常由胰岛素分泌不足或细胞对胰岛素的反应受损引起。其特征是人体处于高血糖状态，人体长期处于高血糖状态可能会导致一系列严重的健康问题，如心血管疾病、肾脏疾病、神经损伤、失明等。胰岛素是一种由胰腺分泌的降糖激素，外源性胰岛素输注是糖尿病患者主要的临床降糖、控糖手段。便携式持续皮下胰岛素输注系统，简称胰岛素泵，是目前先进的胰岛素输注设备，不同于传统定时分次注射，胰岛素泵可以模拟真实胰腺的分泌模式，全天候持续微量输注胰岛素以维持血糖平稳。
作为一种可直接影响患者血糖水平的医疗设备，胰岛素泵的安全性至关重要。当胰岛素泵及其组件发生故障时，胰岛素不能正常按剂量输出，由此导致的血糖异常升高可能引发酮症酸中毒等严重后果，严重时甚至危及患者生命安全。因此，快速、精准诊断胰岛素泵组故障，提醒患者及时采取补救措施，是保证胰岛素泵安全使用的关键。
当前，胰岛素泵发生故障后，直到数十小时患者出现不良反应后才能发现胰岛素泵组故障。糖尿病血糖连续监测，Continuous Glucose Monitoring，简称CGM，是一种先进的技术，用于监测糖尿病患者的血糖水平。血糖数据可以反映胰岛素的输注量，有潜力辅助提高胰岛素泵故障诊断速度和精度。
发明内容
针对现有技术的不足，本发明提供一种基于连续血糖监测的胰岛素泵故障诊断系统。
本发明采用的技术方案是：一种基于连续血糖监测的胰岛素泵故障诊断系统，包括：数据集成单元、模型集成单元、故障检测单元、故障定位与状态识别单元；
数据集成单元：用于实时采集患者生理数据和胰岛素泵运行数据；
其中，患者生理数据包括患者血浆中的胰岛素浓度、血浆中葡萄糖浓度、皮下间质可测量的葡萄糖浓度、患者体重；
胰岛素泵运行数据包括胰岛素泵腔体压力，胰岛素泵体端的输出流量，柔性管道内部压力，胰岛素的输注量；
模型集成单元：无故障胰岛素泵组的流体动力学模型、葡萄糖-胰岛素血糖代谢模型、血糖预测模型和胰岛素泵组故障机理模型；
葡萄糖-胰岛素血糖代谢模型表达为：，式中，F(·)为描述胰岛素输注量与血糖代谢映射函数，H(·)为描述血糖代谢与血糖值映射函数，X(t)为系统状态变量，包括患者血浆中的胰岛素浓度x(t)，血浆中葡萄糖浓度G(t)和皮下间质可测量的葡萄糖浓度G f (t)，u(t)表示胰岛素输注量，θ表示血糖代谢相关参数向量，包括患者体重W，胰岛素吸收时滞参数t I ，血糖传递时滞性参数τ，有效胰岛素的代谢清除率M，胰岛素敏感系数S i ，基础血糖值G b ，葡萄糖自调节率K，U表示患者摄入糖分量及摄入时间，z(t)表示患者实时血糖测量值；
无故障胰岛素泵组的流体动力学模型表达为：，式中，f p (·)为描述正常状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，/>，/>，P 0 表示胰岛素泵腔体压力，Q 1 表示胰岛素泵体端的输出流量，P c2 表示柔性管道内部压力，Q p 表示胰岛素的输注量；
基于t=k时刻血糖值和5个历史采样时刻的胰岛素输注量和进食扰动U计算得到的t=k+1时刻的血糖预测模型表达为：；
胰岛素泵组故障机理模型表达为：
，式中， f' p (·)为描述故障状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，θ′为等效泄漏节流孔直径d x 与等效阻塞厚度h z ，即/>；
故障检测单元：计算连续5个采样时刻的血糖测量值与基于模型得到的血糖预测值之间的残差，故障阈值设定为血糖预测值的20%、当连续的五个采样点残差都大于故障阈值时,则判定胰岛素泵组发生故障；
故障定位与状态识别单元：结合胰岛素泵体内的故障压力信号对胰岛素泵组故障进行定位，将腔体压力阈值设定为正常腔体压力值的1.2倍，当故障压力信号>压力阈值时判定胰岛素泵组发生阻塞故障，压力信号≤压力阈值时判定为卡死或泄漏故障，当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。
一种基于连续血糖监测系统的胰岛素泵故障诊断方法，包含如下步骤：
S1、实时采集患者生理数据和胰岛素泵运行数据；
S2、建立检测模型；
S3、将特定时间段的实时采集数据带入模型检测。
进一步地，S2包括：
S2-1、建立葡萄糖-胰岛素血糖代谢模型；
S2-2、基于键合图的功率流方向、因果关系以及建模规则，建立无故障胰岛素泵组的流体动力学模型；
S2-3、建立血糖预测模型；
S2-4、建立胰岛素泵组故障机理模型。
进一步地，S3包括：
S3-1、故障检测：计算连续5个采样时刻的血糖测量值与基于模型得到的血糖预测值之间的残差，故障阈值设定为血糖预测值的20%、当连续的五个采样点残差都大于故障阈值时,则判定胰岛素泵组发生故障；
S3-2、故障定位与识别：
S3-2-1、故障定位结合胰岛素泵体内的故障压力信号对胰岛素泵组故障进行定位，将腔体压力阈值设定为正常腔体压力值的1.2倍，当故障压力信号>压力阈值时判定胰岛素泵组发生阻塞故障，压力信号≤压力阈值时判定为卡死或泄漏故障，当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。
进一步地，S3还包括：
S3-2-2、利用贝叶斯推理方法进行故障状态的识别：定义阻塞和泄漏故障状态下的血糖模型：，式中，θ i 为等效泄漏节流孔直径d x 或等效阻塞厚度h z ，利用模块集成单元中的个性化参数识别方法对胰岛素泵组的等效泄漏节流孔直径d x 、等效阻塞厚度h z 进行动态估计，得到/>和/>，根据上述故障参数即判定当前胰岛素泵组的故障状态。
本发明具有以下有益效果：
1、通过充分挖掘连续的实时血糖数据中包含的信息，更加快速的发现并精准识别胰岛素泵组的健康状态；
2、通过动态估计个体参数，更加精准的描述患者个体实时血糖代谢情况，提高诊断模型精度，也使得该方法对不同患者具有自适应能力；
3、基于所建立的故障机理模型、个性化血糖代谢模型以及血糖监测数据，在无需手动添加进食信息的情况下，实现在进食耦合作用下对胰岛素泵组故障进行准确估计。
具体实施方式
本发明的基于连续血糖监测系统的胰岛素泵故障诊断系统包含如下四个单元：数据集成单元、模型集成单元、故障检测单元、故障定位与状态识别单元，依次连接上述四个单元进行胰岛素泵组的故障诊断。
数据集成单元用于采集、储存糖尿病患者个体的可测量的相关生理数据，和胰岛素泵的相关信号。生理数据包括患者的血糖监测数据、胰岛素输入量数据以及体重，其中血糖的监测数据是利用连续数据血糖监测系统获得，即每隔一段时间获得一个糖尿病患者的实时血糖值。数据单元中的胰岛素输入量数据是根据胰岛素泵输注控制信号确定，以获得该时间段间隔内的平均基础胰岛素输注量，并假定在两次测量间隔的相同时间段内基础胰岛素输注速率为定值；体重根据患者自身信息输入。胰岛素泵组的信号包括电机转速信号、输注控制信号、腔体压力信号，通过胰岛素泵进行数据读取。该单元为诊断系统提供数据支持。
模型集成单元包括葡萄糖-胰岛素血糖代谢模型、无故障胰岛素泵组的流体动力学模型、血糖预测模型和胰岛素泵组故障机理模型。葡萄糖-胰岛素血糖代谢模型描述从胰岛素皮下输注到胰岛素发挥降糖作用，再到血糖被连续监测系统测量的整个过程。无故障胰岛素泵组的流体动力学模型描述胰岛素在泵体、柔性导管和刚性针头内的流体传动机制。血糖预测模型描述考虑人体血糖值受个体差异、进食扰动、测量误差等多种不确定性因素影响下的血糖代谢机理。胰岛素泵组故障机理模型描述胰岛素泵组故障状态下的胰岛素流体动态特性。
具体为：
葡萄糖-胰岛素血糖代谢模型：从胰岛素皮下输注到胰岛素发挥降糖作用，再到血糖被连续监测系统测量的整个过程分为三个阶段 ：1、胰岛素从皮下组织输注并被吸收至血浆；2、血浆中胰岛素、葡萄糖与碳水摄入发生耦合作用；3、耦合作用后的血浆葡萄糖传递至皮下间隙并被血糖仪检测。
无故障胰岛素泵组的流体动力学模型：综合考虑：1、胰岛素流过泵口小孔、柔性导管与刚性针头时由摩擦产生的液阻；2、泵体液容和柔性导管液容；3、胰岛素传输过程中的液感，基于键合图理论，根据胰岛素泵组的连接方式与能量转换过程，可以得到胰岛素泵组的液压系统功率键合图，进而得到无故障胰岛素泵组的流体动力学模型。
血糖预测模型：个体差异以及多变的生理状态使得人体血糖调节系统具有很强的不确定性，本部分将上述不确定性转换为时间尺度上的变异性，基于随机过程建立随机微分方程。
胰岛素泵组故障机理模型：根据假设：1、胰岛素泵卡死故障为有输注信号但胰岛素无输出；2、泄漏故障为刚性针头末端开有节流孔；3、阻塞故障为刚性针头内壁增设阻塞层，基于键合图理论即可得到包含多种故障的胰岛素泵组液压系统功率键合图，由此建立胰岛素泵组故障机理模型。
故障检测单元，通过比较模型集成单元中无故障血糖预测模型结果与数据集成单元中血糖监测值的残差，并与设定阈值进行比较，对胰岛素泵组进行故障检测。
故障定位与状态识别单元，首先针对胰岛素泵组常见的卡死、泄漏、阻塞三种故障模式，基于残差值与胰岛素泵腔体压力传感信号进行故障定位。再基于历史时间窗口内的胰岛素泵控制信号与血糖轨迹，识别故障参数，实现胰岛素泵组故障状态的识别。具体包含如下步骤：
故障定位：
结合胰岛素泵的控制信号和压力信号对胰岛素泵组故障定位。当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。当腔体压力超过该阈值时判定胰岛素泵组发生阻塞故障，否则判定为泄漏故障。
利用贝叶斯推理方法进行故障状态的识别：
阻塞和泄漏故障需要进一步对故障状态进行识别，利用模块集成单元中的个性化参数识别方法对胰岛素泵组泄漏和阻塞程度进行动态估计，判定胰岛素泵组的故障状态。
进一步地，对胰岛素泵组的故障诊断方法包括：
1、通过数据集成单元采集、储存糖尿病患者个体的可测量的相关生理数据，和胰岛素泵的信号。
生理数据包括患者血浆中的胰岛素浓度x(t)，患者血浆中葡萄糖浓度G(t)，患者皮下间质可测量的葡萄糖浓度G f (t)，患者体重W，胰岛素吸收时滞参数t I ，血糖传递时滞性参数τ，有效胰岛素的代谢清除率M，胰岛素敏感系数S i ，基础血糖值G b ，葡萄糖自调节率K。上述生理数据通过对患者生理检测或实时取样检测获得。
胰岛素泵的信号包括胰岛素泵腔体压力P 0 ，胰岛素泵体端的输出流量Q 1 ，柔性管道内部压力P c2 ，系统胰岛素输注信号Q p ，胰岛素泵活塞移动速度v。
数据单元中的胰岛素输入量数据是根据胰岛素泵输注控制信号确定，本实施例中以获得15分钟时间间隔内的平均基础胰岛素输注量，并假定在两次测量间隔的15分钟内基础胰岛素输注速率为定值。
2、在模型集成单元中建立无故障胰岛素泵组的流体动力学模型和葡萄糖-胰岛素血糖代谢模型。通过探究无故障状态下葡萄糖-胰岛素血糖代谢关系和胰岛素泵组各信号之间的关系为接下来的故障检测提供判断标准。
2-1、葡萄糖-胰岛素血糖代谢模型表达为：
(1)
式中，F(·)为描述胰岛素输注量与血糖代谢映射函数，H(·)为描述血糖代谢与血糖值映射函数，X(t)为系统状态变量，包括患者血浆中的胰岛素浓度x(t)，血浆中葡萄糖浓度G(t)和皮下间质可测量的葡萄糖浓度G f (t)。u(t)表示胰岛素输注量，通过系统胰岛素输注信号Q p 换算得到。θ表示血糖代谢相关参数向量，。U表示患者摄入糖分量及摄入时间，z(t)表示患者实时血糖测量值。
2-2、基于键合图的功率流方向、因果关系以及建模规则，可以得到无故障胰岛素泵组的流体动力学模型：
(2)
式中，f p (·)为描述正常状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，，/>。
2-3、血糖预测模型：首先将模型中的不确定参数描述为扩展状态变量，即
(3)
为了描述糖尿病患者血糖的不确定性，在建立的扩展血糖代谢模型上叠加上述随机过程。对于，假设/>是一个随机过程，该过程驱动下的随机微分方程可以表示为：
(4)
考虑到模型误差的不确定性、模型参数不确定性以及测量误差的不确定性，进一步添加相应的动态噪声和测量噪声，得到不确定性血糖代谢系统的状态方程如下：
(5)
式中，ω表示过程噪声，ε表示测量噪声，δ为 Dirichlet函数。
由于血糖监测系统采集的数据是离散的，采用一阶前项差分对系统模型进行变换，得到离散血糖代谢系统状态方程：
(6)
利用连续血糖监测系统每隔15分钟对患者的血糖数据进行一次采样，首先设定包含连续 5 次采样时刻的反观时间窗口T d ，假设在该时间窗口内模型参数恒定不变。利用模型集成单元建立的无故障状态下的个性化血糖代谢模型，基于当前时刻血糖值、参数估计值、时间窗口内的胰岛素理论输入量，可以得到基于t=k时刻血糖值和5个历史采样时刻的胰岛素输注量和进食扰动U计算得到的t=k+1时刻的血糖预测模型：
(7)
2-4、胰岛素泵组故障机理模型：手动模拟胰岛素泵组常见的三种故障，首先模拟胰岛素泵卡死故障，表现为活塞持续移动但胰岛素输出量Q 0 =0。接着模拟第二类为泄漏故障，由刚性针头末端的节流孔近似表示，节流孔流量即泄漏量记为q x ，等效节流孔液阻表示为R x 。最后模拟阻塞故障，其效果可近似为在刚性针头内壁增设厚度为h z 的等效阻塞厚度，等效液阻表示为R z 。分别记录胰岛素泵在三种不同故障状态下的电机转速信号、输注控制信号、腔体压力信号。根据以上故障分类，基于键合图建立故障状态下的胰岛素泵组流体模型：
(8)
式中， f' p (·)为描述故障状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，θ′表示故障参数向量，本实施例中，θ′为等效泄漏节流孔直径d x 与等效阻塞厚度h z ，即。基于上述胰岛素泵组流体动力学模型，可定量描述卡死、泄漏、阻塞等多种故障及其对胰岛素泵腔体压力和胰岛素输注量的影响。
3、故障识别与定位：
3-1、使用故障检测单元检测：将连续5个采样时刻的血糖测量值G m (k)与基于模型得到的血糖预测值z(k)之间的残差定义为δ(k)，即δ(k)=‖G m (k)-z(k)‖，故障阈值ξ th 设定为血糖预测值的20%。当连续的五个采样点δ(k)都大于ξ th 时,则判定胰岛素泵组发生故障。
3-2、利用故障定位与状态识别单元进行检测：
3-2-1、故障定位：
当判定胰岛素泵组发生故障时，结合胰岛素泵体内的故障压力信号P m 对胰岛素泵组故障进行定位。将腔体压力阈值P th 设定为正常腔体压力值的1.2倍，当P m >P th 时判定胰岛素泵组发生阻塞故障，P m ≤P th 时判定为卡死或泄漏故障。当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。
3-2-2、利用贝叶斯推理方法进行故障状态的识别：
阻塞和泄漏故障需要进一步对故障状态进行识别，定义阻塞和泄漏故障状态下的血糖模型：
(9)
式中，θ i 为等效泄漏节流孔直径d x 或等效阻塞厚度h z ，利用模块集成单元中的个性化参数识别方法对胰岛素泵组的等效泄漏节流孔直径d x 、等效阻塞厚度h z 进行动态估计，得到和/>。根据上述故障参数即判定当前胰岛素泵组的故障状态。
本发明基于连续血糖监测系统的胰岛素泵故障诊断方法结合能够在故障发生之前或在其初期检测到故障。这有助于防止胰岛素泵组发生更严重故障，从而减少了由于胰岛素泵组故障未能被及时发现而引起的血糖过高或过低的风险。连续血糖监测系统提供实时的血糖数据，为即时诊断提供了便利。有助于胰岛素泵组更加精确地输送胰岛素，减少了胰岛素注入过度或不足的风险。有助于医疗人员和患者更好地管理血糖水平。
Claims (5)
1.一种基于连续血糖监测的胰岛素泵故障诊断系统，其特征是：包括：数据集成单元、模型集成单元、故障检测单元、故障定位与状态识别单元；
数据集成单元：用于实时采集患者生理数据和胰岛素泵运行数据；
其中，患者生理数据包括患者血浆中的胰岛素浓度、血浆中葡萄糖浓度、皮下间质可测量的葡萄糖浓度、患者体重；
胰岛素泵运行数据包括胰岛素泵腔体压力，胰岛素泵体端的输出流量，柔性管道内部压力，胰岛素的输注量；
模型集成单元：无故障胰岛素泵组的流体动力学模型、葡萄糖-胰岛素血糖代谢模型、血糖预测模型和胰岛素泵组故障机理模型；
所述葡萄糖-胰岛素血糖代谢模型表达为：，式中，F(·)为描述胰岛素输注量与血糖代谢映射函数，H(·)为描述血糖代谢与血糖值映射函数，X(t)为系统状态变量，包括患者血浆中的胰岛素浓度x(t)，血浆中葡萄糖浓度G(t)和皮下间质可测量的葡萄糖浓度G f (t)，u(t)表示胰岛素输注量，θ表示血糖代谢相关参数向量，包括患者体重W，胰岛素吸收时滞参数t I ，血糖传递时滞性参数τ，有效胰岛素的代谢清除率M，胰岛素敏感系数S i ，基础血糖值G b ，葡萄糖自调节率K，U表示患者摄入糖分量及摄入时间，z(t)表示患者实时血糖测量值；
所述无故障胰岛素泵组的流体动力学模型表达为：，式中，f p (·)为描述正常状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，/>，/>，P 0 表示胰岛素泵腔体压力，Q 1 表示胰岛素泵体端的输出流量，P c2 表示柔性管道内部压力，Q p 表示胰岛素的输注量，v表示胰岛素泵活塞移动速度；
基于t=k时刻血糖值和5个历史采样时刻的胰岛素输注量和进食扰动U计算得到的t=k+1时刻的血糖预测模型表达为：；
所述胰岛素泵组故障机理模型表达为：
，式中， f' p (·)为描述故障状态下胰岛素泵活塞移动速度v与胰岛素泵组流体特征参数向量X p 的映射函数，θ′为等效泄漏节流孔直径d x 与等效阻塞厚度h z ，即/>；
故障检测单元：计算连续5个采样时刻的血糖测量值与基于模型得到的血糖预测值之间的残差，故障阈值设定为血糖预测值的20%、当连续的五个采样点残差都大于故障阈值时,则判定胰岛素泵组发生故障；
故障定位与状态识别单元：结合胰岛素泵体内的故障压力信号对胰岛素泵组故障进行定位，将腔体压力阈值设定为正常腔体压力值的1.2倍，当故障压力信号>压力阈值时判定胰岛素泵组发生阻塞故障，压力信号≤压力阈值时判定为卡死或泄漏故障，当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。
2.一种基于连续血糖监测的胰岛素泵故障诊断方法，该方法采用权利要求1所述的一种基于连续血糖监测的胰岛素泵故障诊断系统实现，其特征是：包含如下步骤：
S1、实时采集患者生理数据和胰岛素泵运行数据；
S2、建立检测模型；
S3、将特定时间段的实时采集数据带入模型检测。
3.根据权利要求2所述的一种基于连续血糖监测的胰岛素泵故障诊断方法，其特征是：所述S2包括：
S2-1、建立葡萄糖-胰岛素血糖代谢模型；
S2-2、基于键合图的功率流方向、因果关系以及建模规则，建立无故障胰岛素泵组的流体动力学模型；
S2-3、建立血糖预测模型；
S2-4、建立胰岛素泵组故障机理模型。
4.根据权利要求3所述的一种基于连续血糖监测的胰岛素泵故障诊断方法，其特征是：所述S3包括：
S3-1、故障检测：计算连续5个采样时刻的血糖测量值与基于模型得到的血糖预测值之间的残差，故障阈值设定为血糖预测值的20%、当连续的五个采样点残差都大于故障阈值时,则判定胰岛素泵组发生故障；
S3-2、故障定位与识别：
S3-2-1、结合胰岛素泵体内的故障压力信号对胰岛素泵组故障进行定位，将腔体压力阈值设定为正常腔体压力值的1.2倍，当故障压力信号>压力阈值时判定胰岛素泵组发生阻塞故障，压力信号≤压力阈值时判定为卡死或泄漏故障，当控制信号不为0，压力信号不变，电机转速为0时，判定胰岛素泵组发生卡死故障。
5.根据权利要求4所述的一种基于连续血糖监测的胰岛素泵故障诊断方法，其特征是：所述S3还包括：
S3-2-2、利用贝叶斯推理方法进行故障状态的识别：定义阻塞和泄漏故障状态下的血糖模型：，式中，θ i 为等效泄漏节流孔直径d x 或等效阻塞厚度h z ，利用模块集成单元中的个性化参数识别方法对胰岛素泵组的等效泄漏节流孔直径d x 、等效阻塞厚度h z 进行动态估计，得到/>和/>，根据参数/>和/>即判定当前胰岛素泵组的故障状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410077129.6A CN117612692B (zh) | 2024-01-19 | 2024-01-19 | 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410077129.6A CN117612692B (zh) | 2024-01-19 | 2024-01-19 | 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117612692A CN117612692A (zh) | 2024-02-27 |
| CN117612692B true CN117612692B (zh) | 2024-04-05 |
Family
ID=89944633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410077129.6A Active CN117612692B (zh) | 2024-01-19 | 2024-01-19 | 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612692B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102500013A (zh) * | 2011-11-22 | 2012-06-20 | 北京化工大学 | 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置 |
| CN205698711U (zh) * | 2016-04-01 | 2016-11-23 | 国网安徽省电力公司培训中心 | 一种具有输注报警功能的胰岛素泵 |
| CN109276778A (zh) * | 2018-10-31 | 2019-01-29 | 大连医诚医用科技成果转移转化有限公司 | 一种多用户动态血糖和胰岛素泵监测系统 |
| CN110379503A (zh) * | 2019-07-30 | 2019-10-25 | 东北大学 | 一种基于连续血糖监测系统的在线故障检测与诊断系统 |
| WO2019229686A1 (en) * | 2018-05-31 | 2019-12-05 | Universita' Degli Studi Di Padova | System for detecting malfunctions in insulin delivery devices |
| CN116350882A (zh) * | 2023-05-31 | 2023-06-30 | 江南大学附属医院 | 一种精准给药的胰岛素泵及其使用方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100521855B1 (ko) * | 2003-01-30 | 2005-10-14 | 최수봉 | 무선교신이 가능한 인슐린펌프 제어방법 |
| US20130231543A1 (en) * | 2012-03-05 | 2013-09-05 | Andrea Facchinetti | Method to improve safety monitoring in type-1 diabetic patients by detecting in real-time failures of the glucose |
| US20210145370A1 (en) * | 2019-11-19 | 2021-05-20 | University Of Louisiana At Lafayette | Glucose monitorying method and system |
| CN116762136A (zh) * | 2021-02-03 | 2023-09-15 | 德克斯康公司 | 基于风险的胰岛素输送转换的系统和方法 |
-
2024
- 2024-01-19 CN CN202410077129.6A patent/CN117612692B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102500013A (zh) * | 2011-11-22 | 2012-06-20 | 北京化工大学 | 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置 |
| CN205698711U (zh) * | 2016-04-01 | 2016-11-23 | 国网安徽省电力公司培训中心 | 一种具有输注报警功能的胰岛素泵 |
| WO2019229686A1 (en) * | 2018-05-31 | 2019-12-05 | Universita' Degli Studi Di Padova | System for detecting malfunctions in insulin delivery devices |
| CN109276778A (zh) * | 2018-10-31 | 2019-01-29 | 大连医诚医用科技成果转移转化有限公司 | 一种多用户动态血糖和胰岛素泵监测系统 |
| CN110379503A (zh) * | 2019-07-30 | 2019-10-25 | 东北大学 | 一种基于连续血糖监测系统的在线故障检测与诊断系统 |
| CN116350882A (zh) * | 2023-05-31 | 2023-06-30 | 江南大学附属医院 | 一种精准给药的胰岛素泵及其使用方法 |
Non-Patent Citations (2)
| Title |
|---|
| Model-based detection and classification of insulin pump faults and missed meal announcements in artificial pancreas systems for type 1 diabetes therapy;Lorenzo Meneghetti等;IEEE Transaction on biomedical engineering;20210131;第68卷(第1期);170-180 * |
| 胰岛素泵的故障分析及预防性维护;姚远，李建波;医疗装备;20190815;第32卷(第15期);116-118 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117612692A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10588575B2 (en) | Determination and application of glucose sensor reliability indicator and/or metric | |
| CN109891510B (zh) | 用于检测和应对低血糖响应不足的方法和装置 | |
| Christiansen et al. | Accuracy of a fourth-generation subcutaneous continuous glucose sensor | |
| CN107095681B (zh) | 用于确定血糖参考样本时间的方法和/或系统 | |
| JP5431959B2 (ja) | 冗長センサを用いて血糖値を検出する方法、および冗長センサを用いて血糖値を検出する装置 | |
| Goldberg et al. | Experience with the Continuous Glucose Monitoring System® in a medical intensive care unit | |
| CN103997964B (zh) | 用于多区室分析物监测的方法和/或系统 | |
| US20080076970A1 (en) | Fluid management measurement module | |
| JP2001204817A (ja) | グルコース濃度の外挿システム | |
| JP5771864B2 (ja) | 患者のグルコース代謝に関する少なくとも１つの特性値を求める方法及びその装置 | |
| US9033878B2 (en) | Glucose sensor signal reliability analysis | |
| JP2010505534A5 (zh) | ||
| US11957822B2 (en) | Apparatus for performing peritoneal dialysis | |
| WO2020029814A1 (zh) | 一种基于医疗器械设备的医生健康监测系统 | |
| US20100094113A1 (en) | Hemodynamic monitoring during automated measurement of blood constituents | |
| CN117612692B (zh) | 一种基于连续血糖监测的胰岛素泵故障诊断系统及方法 | |
| US20140275903A1 (en) | System and method for quick-access physiological measurement history | |
| Klonoff | The benefits of implanted glucose sensors | |
| JP5675889B2 (ja) | センサ値を用いてインスリンを注入するための閉ループ装置または半閉ループ装置 | |
| WO2006096758A2 (en) | System and method for determining cardiac output | |
| CN115337502A (zh) | 一种血糖监测控制系统以及血糖监测控制方法 | |
| EP3971905A1 (en) | System and method for blood glucose control | |
| CN217015076U (zh) | 一种人工心脏的体外血栓性能测试系统 | |
| EP3939504A1 (en) | Device for obtaining an indicator of a microcirculatory condition | |
| Lin et al. | A Multi-Marker Approach for Improved Glycemic Management in Diabetes Mellitus |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |