CN117672523A - 糖尿病患者的控糖水平评估系统及方法 - Google Patents
糖尿病患者的控糖水平评估系统及方法 Download PDFInfo
- Publication number
- CN117672523A CN117672523A CN202311706244.7A CN202311706244A CN117672523A CN 117672523 A CN117672523 A CN 117672523A CN 202311706244 A CN202311706244 A CN 202311706244A CN 117672523 A CN117672523 A CN 117672523A
- Authority
- CN
- China
- Prior art keywords
- control level
- self
- test data
- training
- level evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 92
- 238000013210 evaluation model Methods 0.000 claims abstract description 74
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 210000004369 blood Anatomy 0.000 claims description 99
- 239000008280 blood Substances 0.000 claims description 99
- 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 claims description 47
- 239000008103 glucose Substances 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 210000002784 stomach Anatomy 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002641 glycemic effect Effects 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 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 4
- 238000010586 diagram Methods 0.000 description 4
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 3
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 229940116269 uric acid Drugs 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical group N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 208000001380 Diabetic Ketoacidosis Diseases 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 208000032781 Diabetic cardiomyopathy Diseases 0.000 description 1
- 208000008960 Diabetic foot Diseases 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020710 Hyperphagia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010030124 Oedema peripheral Diseases 0.000 description 1
- 208000004880 Polyuria Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 208000022530 polyphagia Diseases 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种糖尿病患者的控糖水平评估系统及方法，糖尿病患者的控糖水平评估方法包括：获取一定数量糖尿病患者的自测数据；对所述自测数据进行预处理，得到预处理数据；基于AdaBoost算法构建控糖水平评估模型；将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。该糖尿病患者的控糖水平评估方法存在无法准确评估糖尿病患者的控糖水平的问题。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种糖尿病患者的控糖水平评估系统、方法、电子设备及介质。
背景技术
糖尿病是由于胰岛素分泌或作用缺陷引起的以血糖升高为特征的代谢病，是当今社会一种常见病、多发病，它对人体的危害仅次于癌症，已成为现代病病种中的第二大杀手，是当今世界广泛关注的严重公共卫生问题之一。根据2023年4月6日发布的第十版《全球糖尿病概览》数据显示，截至2023年，全球约有5.37亿的患者；中国糖尿病患者人数达1.41亿人，发病率高达12.8％，糖尿病患者人数居全球首位。改善胰岛素功能或者胰岛素抵抗最重要的是控糖，糖尿病是一种慢性的终身性疾病，长期良好的控制血糖是重要的治疗方案。糖尿病一经诊断，几乎无法达到治愈的目的，虽然不能治愈，但通过合理的控糖措施，近期可减轻糖尿病症状，预防糖尿病酮症酸中毒、高渗性高血糖状态等急性并发症的发生；如果糖尿病未给予合理控糖，病情会呈进行性加重，血糖会呈逐渐升高的趋势，心脑血管疾病、失明、截肢、尿毒症等慢性并发症的发生风险也将逐渐增加。
实现糖尿病控糖评估有助于预防并发症的发生，不仅有助于保护患者的身体健康，还可以减轻医疗系统的负担；糖尿病患者经常面临各种血糖变化情形，容易导致患者产生不适、焦虑的心情影响生活品质，通过定期的评估和有效的血糖管理，患者可以减少负面情绪发生，降低不必要的医疗成本，享受更加稳定和愉快的日常生活。
因此，亟需一种糖尿病患者的控糖水平评估方法。
发明内容
本发明实施例的目的在于提供一种糖尿病患者的控糖水平评估系统、方法、电子设备及介质，用以解决现有技术中无法准确评估糖尿病患者的控糖水平的问题。
为实现上述目的，本发明实施例提供一种糖尿病患者的控糖水平评估方法，所述方法具体包括：
获取一定数量糖尿病患者的自测数据；
对所述自测数据进行预处理，得到预处理数据；
基于AdaBoost算法构建控糖水平评估模型；
将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述获取一定数量糖尿病患者的自测数据，包括：
响应于自测数据的获取请求，判断是否存在糖尿病患者的历史自测数据；
当存在糖尿病患者的历史自测数据时，采集本次空腹测得的血糖值，基于所述血糖至更新所述历史自测数据，得到糖尿病患者的自测数据。
进一步地，所述对所述自测数据进行预处理，得到预处理数据，包括：
对糖尿病患者的自测数据进行异常项标注处理，基于预设周期对糖尿病患者的血糖数据进行整体标注，得到标注结果，其中，所述标注结果包括优秀、良好、中等、一般和较差。
进一步地，所述对所述自测数据进行预处理，得到预处理数据，还包括：
将糖尿病患者的所述自测数据进行特异指标转换；
通过公式1计算预设周期最大血糖波动幅度；
其中，在预设周期共测n次血糖，测得的血糖值分别为X1,X2,...,Xn，L为预设周期最大血糖波动幅度，Xi max为第i日内测得最大血糖值，Xi min为最小血糖值；
通过公式2计算预设周期血糖变异系数；
其中，C为预设周期血糖变异系数，Xi为预设周期内测得的单个血糖值，n为测量次数，为预设周期平均血糖。
进一步地，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，包括：
将所述自测数据划分为训练集、验证集和测试集；
基于所述训练集训练所述控糖水平评估模型；
基于所述验证集对训练后的所述控糖水平评估模型进行性能评估，得到满足性能条件的控糖水平评估模型；
基于所述测试集评估满足性能条件的所述控糖水平评估模型的评估结果，得到所述控糖水平评估模型所对应的评价指数。
进一步地，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，还包括：
基于训练集的训练样本对基本分类器进行训练；
计算所述基本分类器的训练偏差；
循环迭代T次,对每个训练样本的权重进行更新；
通过多个带权重的所述基本分类器得到的强分类器H。
进一步地，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，还包括：
通过网格搜索法对所述基本分类器进行参数调优；
设定网格搜索变量(C,g)的范围及搜索步距，其中C的初始设置为[2-10,25]，g的初始设置为[2-10,23]，初始步距为0.5；
采用K-CV交叉验证方式对各训练集进行训练测试，得到最优局部参数；
并基于所述最优局部参数选择临近搜索区间进行二次寻优。
一种糖尿病患者的控糖水平评估系统，包括：
获取模块，用于获取一定数量糖尿病患者的自测数据；
预处理模块，用于对所述自测数据进行预处理，得到预处理数据；
构建模块，用于基于AdaBoost算法构建控糖水平评估模型；
训练模块，用于将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
评估结果获取模块，用于将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中的糖尿病患者的控糖水平评估方法，获取一定数量糖尿病患者的自测数据；对所述自测数据进行预处理，得到预处理数据；基于AdaBoost算法构建控糖水平评估模型；将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果；解决了现有技术中无法准确评估糖尿病患者的控糖水平的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明糖尿病患者的控糖水平评估方法的流程图；
图2为本发明糖尿病患者的控糖水平评估系统的架构图；
图3为本发明提供的电子设备实体结构示意图。
其中附图标记为：
获取模块10，预处理模块20，构建模块30，训练模块40，评估结果获取模块50，电子设备60，处理器601，存储器602，总线603。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1为本发明糖尿病患者的控糖水平评估方法实施例流程图，如图1所示，本发明实施例提供的一种糖尿病患者的控糖水平评估方法包括以下步骤：
S101，获取一定数量糖尿病患者的自测数据；
具体的，响应于自测数据的获取请求，判断是否存在糖尿病患者的历史自测数据；
当存在糖尿病患者的历史自测数据时，采集本次空腹测得的血糖值，基于所述血糖至更新所述历史自测数据，得到糖尿病患者的自测数据。
糖尿病患者首次使用需填写糖尿病患者自测数据，自测数据为：姓名、性别、年龄、身高、体重、腰围、患病年限、糖尿病家族史(有、无)、吸烟(是、否)、饮酒(是、否)、饮食管理程度(较差、一般、较好)、日常运动程度(较差、一般、较好)、生活压力程度(较差、一般、较好)、熬夜程度(较差、一般、较好)、饮食习惯(较差、一般、较好)、糖尿病症状及并发症(无症状、多饮、多食、多尿、视力模糊、乏力、疲劳、手脚麻木、下肢浮肿、体重明显下降、真菌感染、冠心病、心脑血管疾病、糖尿病肾病、视网膜病变、白内障、青光眼、糖尿病心肌病、糖尿病足等)、血糖、血压、糖化血红蛋白、血清总胆固醇、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、甘油三酯、血尿酸等；有历史自测数据的糖尿病患者只需采集本次空腹测得血糖值或选择更新自测数据。
S102，对自测数据进行预处理，得到预处理数据；
具体的，对糖尿病患者的自测数据进行异常项标注处理，基于预设周期对糖尿病患者的血糖数据进行整体标注，得到标注结果，其中，所述标注结果包括优秀、良好、中等、一般和较差。
根据获取的糖尿病症状及并发症进行计数，计算糖尿病患者所存在的症状和并发症个数并计入异常项。对获取的糖尿病患者信息进行异常项标注处理。根据获取的糖尿病患者身高和体重信息，可计算得出糖尿病患者的BMI值，当计算所得男性BMI值＞27或女性BMI值＞26即标注为异常项；男性腰围＞90cm或女性腰围＞80cm即标注为异常项；有糖尿病家族史即标注为异常项；有吸烟、饮酒即标注为异常项；饮食管理程度、日常运动程度、生活压力程度、熬夜程度、饮食习惯为较差即标注为异常项；血压＞140/90mmHg即标注为异常项；糖化血红蛋白＞7.5％即标注为异常项；血清总胆固醇＞6mmol/L即标注为异常项；高密度脂蛋白胆固醇＜0.9mmol/L即标注为异常项；低密度脂蛋白胆固醇＞4mmol/L即标注为异常项；甘油三酯＞2.2mmol/L即标注为异常项；男性血尿酸不在4-7mg/dl或女性血尿酸不在4-6mg/dl即标注为异常项等，上述异常项为真记为1，否则记为0。此外又由富有经验的多为医师对多位糖尿病患者每隔一周的血糖数据进行整体标注。
将糖尿病患者的所述自测数据进行特异指标转换；
通过公式1计算预设周期最大血糖波动幅度；
其中，在预设周期共测n次血糖，测得的血糖值分别为X1,X2,...,Xn，L为预设周期最大血糖波动幅度，Xi max为第i日内测得最大血糖值，Xi min为最小血糖值；
通过公式2计算预设周期血糖变异系数；
其中，C为预设周期血糖变异系数，Xi为预设周期内测得的单个血糖值，n为测量次数，为预设周期平均血糖。
如：单周最大血糖波动幅度、单周血糖变异系数、控糖水平量化参照值等。其中，单周最大血糖波动幅度即一周内每日最大(max)和每日最小(min)血糖值之差。如单日最大血糖波动幅度即日内最大(max)和最小(min)血糖值之差，其正常参考值＜4.4mmol/L。例如一天内最大血糖值为21mmol/L，最小血糖值为7mmol/L，则21-7＝14mmol/L；日内最大与最小血糖值之差14mmol/L远超出参考值4.4mmol/L，最大血糖波动幅度较大，风险较高。假设每周共测n次血糖，其测得的血糖值分别为X1,X2,...,Xn，第i日内测得最大血糖值为Xi max，最小血糖值为Xi min，则：
单周最大血糖波动幅度有两种情形；即以一周内各天的最大血糖波动幅度进行均值计算(输出周最大血糖波动幅度均值)；其中异常情况：每天均无血糖波动幅度则以一周内血糖监测值序列进行单次波动幅度计算(输出周最大血糖波动幅度)。
单周血糖变异系数是用以衡量一周内血糖控制稳定程度的指标。如单日血糖变异系数即单日血糖标准差与单日平均血糖的比值，可用于来评估糖尿病患者的血糖控制情况，越小表示控制越稳定。其中，标准差是表示数据离散程度的常用指标，指标越大表示数据越分散，反之则说明数据越集中。平均血糖是指某个时间段内的平均值，比如一天、一周或一个月。单周血糖变异系数C是以一周内所有监测血糖值序列为基础数据从而进行计算，其中Xi代表单周内测得的单个血糖值，n为测量次数，表示单周平均血糖，其公式表达为公式2；
血糖因子贡献值是根据糖尿病患者一周平均血糖测量值查找对应的单血糖因子控糖水平量化值，空腹血糖因子控糖量化表部分示意如表1所示：
表1
最后输出转换后的特异指标数据，结合自测数据以及标记结果，生成符合机器学习算法的数据集，提升了计算效率，一定程度上降低了控糖水平评估模型拟合复杂度。
S103，基于AdaBoost算法构建控糖水平评估模型；
S104，将预处理数据输入控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
具体的，将所述自测数据划分为训练集、验证集和测试集；
基于所述训练集训练所述控糖水平评估模型；
基于所述验证集对训练后的所述控糖水平评估模型进行性能评估，得到满足性能条件的控糖水平评估模型；
基于所述测试集评估满足性能条件的所述控糖水平评估模型的评估结果，得到所述控糖水平评估模型所对应的评价指数。
根据训练调优后的控糖水平评估模型进行用户验证，验证控糖水平评估模型有效性。数据集D中均匀等量各随机抽取100条数据记录组成验证集，将验证集数据全部输入评估模型进行预测评估，验证集上的准确率为0.908，其中优秀类别准确率为0.95、良好类别准确率为0.88、中等类别准确率为0.89、一般类别准确率为0.9、较差类别准确率为0.92。整体而言，评估模型具备良好性能，可实现控糖效果的准确分类，当结果为优秀时，对糖尿病患者进行表扬；如恭喜您的出色控糖成绩！继续坚持定期的医疗随访和自测，以保持这一良好状态。当结果为良好时，对糖尿病患者进行鼓励；如您的控糖效果良好，但仍需持续关注，确保定期的医疗随访以监测进展。当结果为中等时，对糖尿病患者进行提示；如您的控糖效果中等，需要更多的自我管理和关注，定期的医疗随访至关重要。当结果为一般时，对糖尿病患者进行提醒；如一般的控糖效果可能需要更严格的管理，与医疗专业人员合作，确保遵守治疗计划。当结果为较差时，对糖尿病患者进行预警；如较差的控糖效果需要您尽快与医疗专业人员沟通病情，改变控糖治疗计划；
基于训练集的训练样本对基本分类器进行训练；
作为一种流行的集成学习算法，AdaBoost算法完全基于多种基本分类器进行最终的决策，可以有效提高模型的鲁棒性。
该算法是通过每位糖尿病患者每周基础数据对应的权重来实现,给定训练集D＝{(x1,y1),(x2,y2)...(xn,yn),y∈{1,2,3,4,5,6}}，其中y标签数值对应标签类别集合中某种评估等级。初始时每个样本所对应的权重相等,并按照给定分块训练集进行训练，训练出一弱分类器h1。对于h1错分的数据样本适当增加该权重,未错分的样本适当降低其权重,以此更新训练集样本的分布。在新的样本分布下,再次对基本学习分类器进行训练,得到h2。反复迭代T次,得到T个弱分类器,最终的集成分类器是每个基本分类器的加权投票，具体到本应用，选取SVM作为基本分类器。算法具体流程如下:
给定训练集，每一个训练集有初始化权重
计算基本分类器的训练偏差
循环迭代T次,并对每个训练样本的权重进行更新；其中，Zt是标准化因子，/>ht是基本分类器。
最后得到的强分类器H是可通过多个带权重的基本分类器所表示，即
关于SVM参数的优化选取，一般通过大量的实验比较来确定参数，这种方法不仅浪费时间，而且不易寻得最优参数。网格搜索法是将待搜索参数在一定的空间范围中划分成网格，通过遍历网格中所有的点来寻找最优参数。这种方法在寻优区间足够大且步距足够小的情况下可以找出全局最优解。寻优过程如下：1)设定网格搜索变量(C,g)的范围及搜索步距。其中C的初始设置为[2-10,25]，g的初始设置为[2-10,23]，初始步距为0.5。2)采用K-CV交叉验证方式对各训练集进行训练测试，其中K值设定为9，得到使SVM分类准确率最高的局部最优参数即C＝1、g＝0.00095.最后根据得到的最优局部参数，选择临近搜索区间进行二次寻优，步距与1)中步距相等。上述过程具有不易过早收敛且易于快速定位参数空间等特点，可高效实现参数调优。
S105，将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果；
具体的，接收控糖水平评估结果并通过移动设备展出评估结果。通过移动设备(如智能手机或平板电脑)提供患者查看自测控糖评估结果。患者可使用自己的移动设备与系统进行互动，患者可以通过专用的应用程序或网页界面访问他们的控糖效果评估结果，随时了解自身的糖尿病管理状况。采用图形化的方式展示评估结果，患者可以通过直观的图表和图形了解自测血糖数据、控糖分析等信息，这有助于患者更清晰地了解自己的控糖情况。可以提供定期的提醒和通知，以鼓励患者定期监测和评估他们的控糖效果，帮助患者保持积极的糖尿病管理习惯。为患者提供个性化的建议和行动计划，以帮助他们改善血糖控制。具备高度的数据安全性，对数据进行加密和访问控制以确保患者的敏感健康信息得到保护。可以记录患者的控糖效果历史，允许他们和医疗专业人员查看以前的评估结果，以了解控糖趋势和进展。
该糖尿病患者的控糖水平评估方法，获取一定数量糖尿病患者的自测数据；对所述自测数据进行预处理，得到预处理数据；基于AdaBoost算法构建控糖水平评估模型；将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。该糖尿病患者的控糖水平评估方法存在无法准确评估糖尿病患者的控糖水平的问题。
图2为本发明糖尿病患者的控糖水平评估系统实施例流程图；如图2所示，本发明实施例提供的一种糖尿病患者的控糖水平评估系统，包括以下步骤：
获取模块10，用于获取一定数量糖尿病患者的自测数据；
所述获取模块10还用于：
响应于自测数据的获取请求，判断是否存在糖尿病患者的历史自测数据；
当存在糖尿病患者的历史自测数据时，采集本次空腹测得的血糖值，基于所述血糖至更新所述历史自测数据，得到糖尿病患者的自测数据。
预处理模块20，用于对所述自测数据进行预处理，得到预处理数据；
所述预处理模块20还用于：
对糖尿病患者的自测数据进行异常项标注处理，基于预设周期对糖尿病患者的血糖数据进行整体标注，得到标注结果，其中，所述标注结果包括优秀、良好、中等、一般和较差。
将糖尿病患者的所述自测数据进行特异指标转换；
通过公式1计算预设周期最大血糖波动幅度；
其中，在预设周期共测n次血糖，测得的血糖值分别为X1,X2,...,Xn，L为预设周期最大血糖波动幅度，Xi max为第i日内测得最大血糖值，Xi min为最小血糖值；
通过公式2计算预设周期血糖变异系数；
其中，C为预设周期血糖变异系数，Xi为预设周期内测得的单个血糖值，n为测量次数，为预设周期平均血糖。
构建模块30，用于基于AdaBoost算法构建控糖水平评估模型；
训练模块40，用于将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
所述训练模块40还用于：
将所述自测数据划分为训练集、验证集和测试集；
基于所述训练集训练所述控糖水平评估模型；
基于所述验证集对训练后的所述控糖水平评估模型进行性能评估，得到满足性能条件的控糖水平评估模型；
基于所述测试集评估满足性能条件的所述控糖水平评估模型的评估结果，得到所述控糖水平评估模型所对应的评价指数。
基于训练集的训练样本对基本分类器进行训练；
计算所述基本分类器的训练偏差；
循环迭代T次,对每个训练样本的权重进行更新；
通过多个带权重的所述基本分类器得到的强分类器H。
通过网格搜索法对所述基本分类器进行参数调优；
设定网格搜索变量(C,g)的范围及搜索步距，其中C的初始设置为[2-10,25]，g的初始设置为[2-10,23]，初始步距为0.5；
采用K-CV交叉验证方式对各训练集进行训练测试，得到最优局部参数；
并基于所述最优局部参数选择临近搜索区间进行二次寻优。
评估结果获取模块50，用于将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
本发明的一种糖尿病患者的控糖水平评估系统，通过获取模块10获取一定数量糖尿病患者的自测数据；通过预处理模块20对所述自测数据进行预处理，得到预处理数据；通过构建模块30基于AdaBoost算法构建控糖水平评估模型；通过训练模块40将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；通过评估结果获取模块50将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。该糖尿病患者的控糖水平评估方法存在无法准确评估糖尿病患者的控糖水平的问题。
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，电子设备60包括：处理器601(processor)、存储器602(memory)和总线603；
其中，处理器601、存储器602通过总线603完成相互间的通信；
处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取一定数量糖尿病患者的自测数据；对所述自测数据进行预处理，得到预处理数据；基于AdaBoost算法构建控糖水平评估模型；将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
本实施例提供一种非暂态计算机可读介质，非暂态计算机可读介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取一定数量糖尿病患者的自测数据；对所述自测数据进行预处理，得到预处理数据；基于AdaBoost算法构建控糖水平评估模型；将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种糖尿病患者的控糖水平评估方法，其特征在于，所述方法具体包括：
获取一定数量糖尿病患者的自测数据；
对所述自测数据进行预处理，得到预处理数据；
基于AdaBoost算法构建控糖水平评估模型；
将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
2.根据权利要求1所述的糖尿病患者的控糖水平评估方法，其特征在于，所述获取一定数量糖尿病患者的自测数据，包括：
响应于自测数据的获取请求，判断是否存在糖尿病患者的历史自测数据；
当存在糖尿病患者的历史自测数据时，采集本次空腹测得的血糖值，基于所述血糖至更新所述历史自测数据，得到糖尿病患者的自测数据。
3.根据权利要求1所述的糖尿病患者的控糖水平评估方法，其特征在于，所述对所述自测数据进行预处理，得到预处理数据，包括：
对糖尿病患者的自测数据进行异常项标注处理，基于预设周期对糖尿病患者的血糖数据进行整体标注，得到标注结果，其中，所述标注结果包括优秀、良好、中等、一般和较差。
4.根据权利要求3所述的糖尿病患者的控糖水平评估方法，其特征在于，所述对所述自测数据进行预处理，得到预处理数据，还包括：
将糖尿病患者的所述自测数据进行特异指标转换；
通过公式1计算预设周期最大血糖波动幅度；
其中，在预设周期共测n次血糖，测得的血糖值分别为X1,X2,...,Xn，L为预设周期最大血糖波动幅度，Xi max为第i日内测得最大血糖值，Xi min为最小血糖值；
通过公式2计算预设周期血糖变异系数；
其中，C为预设周期血糖变异系数，Xi为预设周期内测得的单个血糖值，n为测量次数，为预设周期平均血糖。
5.根据权利要求1所述的糖尿病患者的控糖水平评估方法，其特征在于，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，包括：
将所述自测数据划分为训练集、验证集和测试集；
基于所述训练集训练所述控糖水平评估模型；
基于所述验证集对训练后的所述控糖水平评估模型进行性能评估，得到满足性能条件的控糖水平评估模型；
基于所述测试集评估满足性能条件的所述控糖水平评估模型的评估结果，得到所述控糖水平评估模型所对应的评价指数。
6.根据权利要求5所述的糖尿病患者的控糖水平评估方法，其特征在于，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，还包括：
基于训练集的训练样本对基本分类器进行训练；
计算所述基本分类器的训练偏差；
循环迭代T次,对每个训练样本的权重进行更新；
通过多个带权重的所述基本分类器得到的强分类器H。
7.根据权利要求6所述的糖尿病患者的控糖水平评估方法，其特征在于，所述将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型，还包括：
通过网格搜索法对所述基本分类器进行参数调优；
设定网格搜索变量(C,g)的范围及搜索步距，其中C的初始设置为[2-10,25]，g的初始设置为[2-10,23]，初始步距为0.5；
采用K-CV交叉验证方式对各训练集进行训练测试，得到最优局部参数；
并基于所述最优局部参数选择临近搜索区间进行二次寻优。
8.一种糖尿病患者的控糖水平评估系统，其特征在于，包括：
获取模块，用于获取一定数量糖尿病患者的自测数据；
预处理模块，用于对所述自测数据进行预处理，得到预处理数据；
构建模块，用于基于AdaBoost算法构建控糖水平评估模型；
训练模块，用于将所述预处理数据输入所述控糖水平评估模型进行训练，得到训练好的控糖水平评估模型；
评估结果获取模块，用于将待评估的自测数据输入训练好的控糖水平评估模型，得到糖尿病患者的控糖水平评估结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。
10.一种非暂态计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706244.7A CN117672523A (zh) | 2023-12-13 | 2023-12-13 | 糖尿病患者的控糖水平评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706244.7A CN117672523A (zh) | 2023-12-13 | 2023-12-13 | 糖尿病患者的控糖水平评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117672523A true CN117672523A (zh) | 2024-03-08 |
Family
ID=90086185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311706244.7A Pending CN117672523A (zh) | 2023-12-13 | 2023-12-13 | 糖尿病患者的控糖水平评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117672523A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118366595A (zh) * | 2024-05-06 | 2024-07-19 | 盐城市大丰区疾病预防控制中心 | 一种糖尿病患者一体化综合管理系统 |
-
2023
- 2023-12-13 CN CN202311706244.7A patent/CN117672523A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118366595A (zh) * | 2024-05-06 | 2024-07-19 | 盐城市大丰区疾病预防控制中心 | 一种糖尿病患者一体化综合管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chatrati et al. | Smart home health monitoring system for predicting type 2 diabetes and hypertension | |
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| US20210391081A1 (en) | Predictive guidance systems for personalized health and self-care, and associated methods | |
| US20170206327A1 (en) | Self-improving method of using online communities to predict health-related outcomes | |
| US9861308B2 (en) | Method and system for monitoring stress conditions | |
| US20210241916A1 (en) | Forecasting and explaining user health metrics | |
| WO2016201499A1 (en) | Method and system for assessing mental state | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| US20200075167A1 (en) | Dynamic activity recommendation system | |
| WO2017141131A1 (en) | System and method for determining a hemodynamic instability risk score for pediatric subjects | |
| CN117672523A (zh) | 糖尿病患者的控糖水平评估系统及方法 | |
| US20220059226A1 (en) | Device and Method for Inferring Depressive State and Program for Same | |
| CN110299207A (zh) | 用于慢性病检测中的基于计算机预测模型数据处理方法 | |
| CN116250834A (zh) | 无创个性化动态血糖趋势监测及预警方法、装置 | |
| CN115985515A (zh) | 一种基于机器学习的弱视矫治效果预测方法、装置及设备 | |
| US20210345915A1 (en) | Methods Circuits Devices Systems and Machine Executable Code for Glucose Monitoring Analysis and Remedy | |
| US20240321447A1 (en) | Method and System for Personalized Prediction of Infection and Sepsis | |
| CN112435757B (zh) | 一种急性肝炎的预测装置及系统 | |
| CN110164523A (zh) | 一种具有心智功能的智能健康分析方法及系统 | |
| Manivannan et al. | Health monitoring system for diabetic patients | |
| KR102382659B1 (ko) | 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 | |
| KR102611534B1 (ko) | 학습 알고리즘 기반의 불면증 치료 서비스를 제공하는 장치 | |
| US20220230751A1 (en) | Decision support system, and method in relation thereto | |
| CN113192641A (zh) | 基于大数据的胃部患病概率的计算装置及系统 | |
| Ramyaveni et al. | Hyperparameter tuning of diabetes prediction using machine learning algorithm with pelican optimization algorithm |
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 |