GR20180100577A - Method and system for non-invasive glucose / diabetes diagnosis and monitoring - Google Patents
Method and system for non-invasive glucose / diabetes diagnosis and monitoring Download PDFInfo
- Publication number
- GR20180100577A GR20180100577A GR20180100577A GR20180100577A GR20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A
- Authority
- GR
- Greece
- Prior art keywords
- glucose
- subsystem
- invasive
- analysis
- monitoring
- Prior art date
Links
- 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 106
- 239000008103 glucose Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims description 22
- 239000008280 blood Substances 0.000 claims abstract description 48
- 210000004369 blood Anatomy 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013186 photoplethysmography Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000000090 biomarker Substances 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000010191 image analysis Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 9
- 230000031700 light absorption Effects 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 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 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004587 chromatography analysis Methods 0.000 claims description 4
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 4
- 201000001421 hyperglycemia Diseases 0.000 claims description 4
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005057 finger movement Effects 0.000 claims description 3
- 108091005995 glycated hemoglobin Proteins 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 208000013016 Hypoglycemia Diseases 0.000 claims description 2
- 150000002632 lipids Chemical class 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000035487 diastolic blood pressure Effects 0.000 claims 2
- 238000007477 logistic regression Methods 0.000 claims 2
- 230000035488 systolic blood pressure Effects 0.000 claims 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 235000005911 diet Nutrition 0.000 claims 1
- 230000000378 dietary effect Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 230000001747 exhibiting effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 12
- 238000003331 infrared imaging Methods 0.000 abstract description 2
- 102100024130 Matrix metalloproteinase-23 Human genes 0.000 abstract 1
- 108050006284 Matrix metalloproteinase-23 Proteins 0.000 abstract 1
- 238000010521 absorption reaction Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 10
- 210000003491 skin Anatomy 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000004497 NIR spectroscopy Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001413 far-infrared spectroscopy Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- RGHNJXZEOKUKBD-SQOUGZDYSA-N D-gluconic acid Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C(O)=O RGHNJXZEOKUKBD-SQOUGZDYSA-N 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 210000003722 extracellular fluid Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000302 molecular modelling Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- SPFMQWBKVUQXJV-BTVCFUMJSA-N (2r,3s,4r,5r)-2,3,4,5,6-pentahydroxyhexanal;hydrate Chemical compound O.OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O SPFMQWBKVUQXJV-BTVCFUMJSA-N 0.000 description 1
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- RFSUNEUAIZKAJO-VRPWFDPXSA-N D-Fructose Natural products OC[C@H]1OC(O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-VRPWFDPXSA-N 0.000 description 1
- RGHNJXZEOKUKBD-UHFFFAOYSA-N D-gluconic acid Natural products OCC(O)C(O)C(O)C(O)C(O)=O RGHNJXZEOKUKBD-UHFFFAOYSA-N 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 239000004366 Glucose oxidase Substances 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000007563 acoustic spectroscopy Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 210000001742 aqueous humor Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 235000021316 daily nutritional intake Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005182 global health Effects 0.000 description 1
- 235000012208 gluconic acid Nutrition 0.000 description 1
- 239000000174 gluconic acid Substances 0.000 description 1
- 150000002303 glucose derivatives Chemical class 0.000 description 1
- 229940116332 glucose oxidase Drugs 0.000 description 1
- 235000019420 glucose oxidase Nutrition 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
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000000711 polarimetry Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010340 saliva test Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000037067 skin hydration Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000000434 stratum corneum Anatomy 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 210000003462 vein Anatomy 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—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
- A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
Description
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE /
ΔΙΑΒΗΤΗ DIABETES
Τίτλος Εφεύρεσης ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / ΔΙΑΒΗΤΗ Title of Invention METHOD AND SYSTEM FOR NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE / DIABETES
Τεχνικό Πεδίο Η παρούσα εφεύρεση αναφέρεται σε μία μη επεμβατική μέθοδο Εφεύρεσης καί σύστημα διάγνωσης καί παρακολούθησης της γλυκόζης αίματος, μέσω της φωτοπληθυσμογραφικής PPG καί απεικονιστικές τεχνικές, αποτελούμενη από ένα υποσύστημα αναλύσεων αισθητήρων καί ένα έξυπνο προγνωστικό υποσύστημα αυτοδιαχείρισης του διαβήτη. Technical Field The present invention refers to a non-invasive Invention method and blood glucose diagnosis and monitoring system, by means of PPG photoplethysmography and imaging techniques, consisting of a sensor analysis subsystem and an intelligent predictive diabetes self-management subsystem.
Στάθμη υφιστάμενων [001] Η παρούσα εφεύρεση αναφέρεται σε ένα μη επεμβατικό τεχνικών καί σύστημα καί μέθοδο προσδιορισμού των επιπέδων γλυκόζης στο αποτίμηση αυτών αίμα. Μία συνδυαστική μέθοδος που περιλαμβάνει PPG, τεχνικές απεικόνισης και μετρήσεις άλλων κλινικών παραμέτρων όπως Sp02 και καθημερινές δραστηριότητες και χρησιμοποιείται σε συνδυασμό με εργαλεία τεχνητής νοημοσύνης και μηχανικής μάθησης για τη μέτρηση, την παρακολούθηση, την πρόβλεψη και τη μελλοντική συγκέντρωση γλυκόζης και άλλων αναλυτών ( π.χ. χοληστερόλη) στο αίμα. Current level [001] The present invention refers to a non-invasive technique and system and method for determining glucose levels in the blood. A combinatorial method that includes PPG, imaging techniques and measurements of other clinical parameters such as Sp02 and daily activities and is used in conjunction with artificial intelligence and machine learning tools to measure, monitor, predict and future concentration of glucose and other analytes (e.g. eg cholesterol) in the blood.
[002] Ο διαβήτης είναι ένα σημαντικό παγκόσμιο πρόβλημα υγείας, το οποίο χαρακτηρίζεται από υψηλή συγκέντρωση γλυκόζης στο αίμα και στους ιστούς του σώματος. Πρόκειται για μια μεταβολική διαταραχή στην οποία το πάγκρεας είτε υπολειτουργεί (διαβήτης τύπου II) ή δεν παράγει καθόλου (διαβήτης τύπου I) ινσουλίνη. Υπάρχουν διάφοροι τύποι DM (διαβήτη), οι οποίοι είναι αποτέλεσμα μιας περίπλοκης αλληλεπίδρασης μεταξύ γενετικών παραγόντων, περιβαλλοντικών παραγόντων και τρόπου ζωής. Όταν η γλυκόζη του αίματος είναι πολύ υψηλή ή πολύ χαμηλή, προκαλείται σημαντική επίδραση στην υγεία, καθώς οι επιπλοκές του διαβήτη είναι πολύ σοβαρές, όπως η κίρρωση του ήπατος και η νευροπάθεια. Εκτιμάται ότι ο συνολικός αριθμός των διαβητικών σε όλο τον κόσμο είναι περίπου 180 εκατομμύρια. Περίπου 4 εκατομμύρια θάνατοι προκαλούνται κάθε χρόνο (9% των θανάτων παγκοσμίως). Μελέτες έχουν δείξει ότι περίπου το 1,7% του παγκόσμιου πληθυσμού πάσχει από διαβήτη και ότι αυτό το ποσοστό είναι πιθανό να αυξηθεί μεσοπρόθεσμα και μακροπρόθεσμα. Έτσι, ο διαβήτης παραμένει μια σημαντική αιτία νοσηρότητας και θνησιμότητας. [002] Diabetes is a major global health problem, which is characterized by a high concentration of glucose in the blood and body tissues. It is a metabolic disorder in which the pancreas either under-functions (type II diabetes) or does not produce insulin at all (type I diabetes). There are several types of DM (diabetes), which are the result of a complex interaction between genetic factors, environmental factors and lifestyle. When blood glucose is too high or too low, it has a significant impact on health, as the complications of diabetes are very serious, such as cirrhosis of the liver and neuropathy. It is estimated that the total number of diabetics worldwide is about 180 million. About 4 million deaths are caused each year (9% of deaths worldwide). Studies have shown that approximately 1.7% of the world's population suffers from diabetes and that this percentage is likely to increase in the medium and long term. Thus, diabetes remains a major cause of morbidity and mortality.
[003] Οι τρέχουσες μέθοδοι που χρησιμοποιούνται για τη μέτρηση της γλυκόζης αίματος, άμεσα, αντλούν αίμα από τους χρήστες, με ηλεκτροχημικό τρόπο. Η πρότυπη μέθοδος για την ανίχνευση της γλυκόζης αίματος είναι η ενζυματική αντίδραση του δείγματος με οξειδάση γλυκόζης για το σχηματισμό γλυκονικού οξέος και υπεροξειδίου του υδρογόνου. Η μεταβολή του ρεύματος, μεταξύ των ηλεκτροδίων σε μια ταινία δοκιμής, καταγράφεται μετά από μια αντίδραση με οξυγόνο, με μια χρωματομετρική ένδειξη. Αυτή η μέθοδος θεωρείται ακόμα πιο ακριβής (αν και προκαλεί λάθος ~ ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [003] Current methods used to measure blood glucose directly draw blood from users, electrochemically. The standard method for detecting blood glucose is the enzymatic reaction of the sample with glucose oxidase to form gluconic acid and hydrogen peroxide. The change in current between the electrodes on a test strip is recorded after a reaction with oxygen, with a colorimetric reading. This method is considered even more accurate (although it causes error ~ METHOD AND NON-INVASIVE GLUCOSE DIAGNOSIS AND MONITORING SYSTEM /
ΔΙΑΒΗΤΗ DIABETES
9%), αντίθετα με νέες δοκιμές ούρων, εξετάσεις σάλιου και άλλες εξετάσεις σωματικού υγρού για το σάκχαρο του αίματος. Οι παρενέργειες αυτής της επεμβατικής μεθόδου είναι σημαντικές και συχνά εμποδίζουν τους χρήστες να παρακολουθούν αποτελεσματικά τη γλυκόζη. 9%), versus new urine tests, saliva tests, and other body fluid tests for blood sugar. The side effects of this invasive method are significant and often prevent users from effectively monitoring glucose.
[004] Χρησιμοποιώντας επεμβατικό τρόπο για τη μέτρηση της γλυκόζης αίματος για μακροχρόνιους ασθενείς με υψηλή περιεκτικότητα σε λιπαρά, αυξάνεται ο κίνδυνος μόλυνσης. Η μέτρηση γίνεται επώδυνη, ενοχλητική και δαπανηρή, καθώς και προκαλεί ψυχολογικά προβλήματα στους περισσότερους ανθρώπους που υποβάλλονται σε αυτή τη διαδικασία, ειδικά σε μικρά παιδιά που πάσχουν από διαβήτη. Αυτοί οι παράγοντες περιορίζουν τους ανθρώπους από την εύκολη και περιοδική μέτρηση και κατανόηση των επιπέδων γλυκόζης. [004] Using an invasive way to measure blood glucose for long-term high-fat patients increases the risk of infection. The measurement becomes painful, embarrassing and expensive, as well as causing psychological problems for most people who undergo this procedure, especially young children suffering from diabetes. These factors limit people from easily and periodically measuring and understanding glucose levels.
[005] Προκειμένου να ξεπεραστούν αυτές οι δυσκολίες που απορρέουν από τις επεμβατικές μεθόδους μετρήσεων, φασματικοί μέθοδοι και αναλύσει σωματικών υγρών χρησιμοποιούνται για να προβλέψουντην περιεκτικότητα γλυκόζης στο αίμα, με ένα λιγότερο επεμβατικό τρόπο. Στην πραγματικότητα, οι απεικονιστικές τεχνικές και τεχνικές φασματικής ανάλυσης έχουν χρησιμοποιηθεί εκτενώς τις προηγούμενες δεκαετίες, όπως η απεικόνιση με βάση τη μικροσκοπία, η απεικόνιση μαγνητικού συντονισμού (MRI), ο υπέρηχος (US), η Raman, η φωτοακουστική (ΡΑ), η υπολογιστική τομογραφία (CT), ο φθορισμός και συναφή , ως εξέλιξη προς τις παραδοσιακές επεμβατικές διαγνωστικές τεχνικές. Ειδικότερα, η γλυκόζη μπορεί να ανιχνευθεί μέσω φασματοσκοπικών τεχνικών που χρησιμοποιούν διαφορετικά μήκη κύματος, για να εκτιμηθείτο φάσμα απορρόφησης ενέργειας. Τέτοιες τεχνικές είναι η φασματοσκοπία Near Infrared (NIR), Mid-Infrared (MIR) και FIR, η αντίστροφη ιοντοφόρηση, η φασματοσκοπία αντίστασης, η ηλεκτρομαγνητική ανίχνευση, ο φθορισμός, η φασματοσκοπία Raman και η ακουστική φασματοσκοπία. [005] In order to overcome these difficulties arising from invasive measurement methods, spectral methods and body fluid analysis are used to predict blood glucose content, in a less invasive way. In fact, imaging and spectral analysis techniques have been extensively used in the past decades, such as microscopy-based imaging, magnetic resonance imaging (MRI), ultrasound (US), Raman, photoacoustics (PA), computational tomography (CT), fluorescence and related, as an evolution towards traditional invasive diagnostic techniques. In particular, glucose can be detected through spectroscopic techniques that use different wavelengths to estimate the energy absorption spectrum. Such techniques are Near Infrared (NIR), Mid-Infrared (MIR) and FIR spectroscopy, reverse iontophoresis, impedance spectroscopy, electromagnetic detection, fluorescence, Raman spectroscopy and acoustic spectroscopy.
[006] Οι μη επεμβατικές τεχνικές μέτρησης γλυκόζης στο αίμα εξαρτώνται κυρίως από την απορρόφηση ή τη μετάδοση. Οι πιο συνηθισμένες μέθοδοι χρησιμοποιούν φασματοφωτομετρική ανάλυση απορρόφησης φωτός βάσει του νόμου Beer-Lambert. Πέρα από τις κοινές φασματοσκοπικές μεθόδους, υπάρχουν και άλλες υψηλής ακρίβειας τεχνολογίες που χρησιμοποιείται για τις μετρήσεις της γλυκόζης, που περιγράφεται, αν και, με ορισμένους περιορισμούς, όπως η Πολαρομετρία, η ηλεκτρομαγνητική μέτρηση, ο υπέρηχος, η θερμοκρασιακά ρυθμιζόμενη εντοπισμένη ανάκλαση, η οπτικής συνεκτικότητας τομογραφία. Κατά την περίοδο αυτή αρκετές πιθανές εναλλακτικές λύσεις έχουν προκύψει, συμπεριλαμβανομένων διεισδυτικών εμφυτεύσιμων μικροαισθητήρων, ελάχιστα επεμβατική διαδικασία της δημιουργίας μικροπόρων του δέρματος χρησιμοποιώντας λέιζερ ή μικροσκοπικών βελονών καθώς και διαδερμική μέτρηση που ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [006] Non-invasive blood glucose measurement techniques rely primarily on absorption or transmission. The most common methods use spectrophotometric analysis of light absorption based on the Beer-Lambert law. Beyond the common spectroscopic methods, there are other high-precision technologies used for glucose measurements, described, although, with certain limitations, such as Polarimetry, electromagnetic measurement, ultrasound, temperature-regulated localized reflection, optical coherence tomography. During this period several possible alternatives have emerged, including invasive implantable microsensors, minimally invasive procedure of creating micropores of the skin using lasers or tiny needles as well as transdermal measurement which METHOD AND SYSTEM OF NON-INVASIVE GLUCOSE DIAGNOSIS AND MONITORING /
ΔΙΑΒΗΤΗ DIABETES
βασίζεται στην έκχυση των διάμεσων υγρών μέσω του δέρματος χρησιμοποιώντας ιοντοφόρηση ή ηχοφόρηση. Αυτές οι οπτικές μέθοδοι έχουν συμπεριλάβει την μέτρηση της περιστροφής του οπτικού πόλωσης στο υδατοειδές υγρό του φακού του ματιού ή σε χρωματο μετρικούς φακούς επαφής που μετρούν το δάκρυ με ταινία ή τη χρήση του εγγυούς υπερύθρου φασματοσκοπίας, NIRS, σε ιστούς όπως το δάκτυλο ή το χείλος. is based on perfusion of interstitial fluids through the skin using iontophoresis or sonophoresis. These optical methods have included measuring the rotation of the optical polarizer in the aqueous humor of the lens of the eye or in colorimetric contact lenses that measure the tear with tape, or using near infrared spectroscopy, NIRS, in tissues such as the finger or lip. .
[007] Η φωτοπληθυσμογραφία (PPG) είναι η διαδικασία μέτρησης της ροής αίματος από το φως που μεταδίδεται μέσω ή αντανακλάται από το δέρμα. Πρόκειται για μια τεχνική οπτικής μέτρησης που χρησιμοποιεί ένα αόρατο υπέρυθρο φως στον ιστό και την ποσότητα του οπίσθιου φωτός που αντιστοιχεί στην μεταβολή του όγκου του αίματος. Συνήθως, η PPG χρησιμοποιεί έναν προσαρμοσμένο αισθητήρα σε επαφή με το δέρμα και μια ειδική φωτεινή πηγή (όπως μια δίοδος εκπομπής φωτός (LED)). Η φωτοπληθυσμογραφία αποτελείται από παλμική συνιστώσα (AC) και μη παλμική συνιστώσα (DC). To AC συγχρονίζεται με τον καρδιακό και αρτηριακό παλμό, ενώ το DC σχετίζεται με την απορρόφηση του φωτός στον όγκο των ιστών, των φλεβών και του διαστολικού αρτηριακού αίματος. Παρόλο που η ανάλυση PPG είναι ανώδυνη και μπορεί να είναι οικονομικά αποδοτική, σε συγκεκριμένες ρυθμίσεις, παρόλα αυτά παρέχει περιορισμένα ακρίβεια λόγω γενικών προβλημάτων που σχετίζονται με την ανάλυση του ανάλυση φωτός (διασκορπισμό, φωτισμό) και μεγάλη παραμόρφωση σήματος από εξωτερικούς παράγοντες, όπως εξωτερικό φως, χαρακτηριστικά δέρματος (χρωματισμός, βάθος, υφή), παράγοντες κίνησης κλπ. [007] Photoplethysmography (PPG) is the process of measuring blood flow by light transmitted through or reflected from the skin. This is an optical measurement technique that uses an invisible infrared light on the tissue and the amount of back light that corresponds to the change in blood volume. Typically, PPG uses a custom sensor in contact with the skin and a special light source (such as a light emitting diode (LED)). Photoplethysmography consists of a pulsed (AC) component and a non-pulsed (DC) component. AC is synchronized with cardiac and arterial pulse, while DC is related to light absorption in tissue volume, veins and diastolic arterial blood. Although PPG analysis is painless and can be cost-effective, in certain settings, it still provides limited accuracy due to general problems associated with light analysis (scattering, illumination) and large signal distortion from external factors such as external light , skin characteristics (coloration, depth, texture), movement factors, etc.
[008] Η φασματοσκοπία εγγυούς υπερύθρου (NIRS) είναι μια φασματοσκοπική μέθοδος που χρησιμοποιεί την περιοχή εγγυούς υπερύθρου του ηλεκτρομαγνητικού φάσματος (από περίπου 700 nm έως 2500 nm). Τυπικές εφαρμογές περιλαμβάνουν ιατρικές διαγνώσεις και διαγνώσεις φυσιολογίας και έρευνες συμπεριλαμβανομένου του σακχάρου στο αίμα. Η φασματοσκοπία εγγυούς υπέρυθρης ακτινοβολίας βασίζεται σε μοριακές οξειδωτικές και συνδυαστικές δονήσεις, με πολύ μικρή απορροφητικότητα μοριακής απορρόφησης στην εγγύ περιοχή IR. Η μέτρηση της γλυκόζης με φασματοσκοπία NIR επιτρέπει τη διερεύνηση βάθους ιστού στην περιοχή από 1 έως 100 χιλιοστά. Αυτό επιτρέπει τη διείσδυση του NIR πολύ περισσότερο από ένα δείγμα μέσης υπέρυθρης ακτινοβολίας. Στην πραγματικότητα, μεγαλύτερο το μήκος κύματος, μικρότερο το βάθος διείσδυσης. Καθώς η συγκέντρωση της γλυκόζης στο αίμα αλλάζει, η ένταση του φωτός, αντίστοιχα, αλλάζει. [008] Near infrared spectroscopy (NIRS) is a spectroscopic method that uses the near infrared region of the electromagnetic spectrum (from about 700 nm to 2500 nm). Typical applications include medical and physiology diagnoses and investigations including blood sugar. Far-infrared spectroscopy is based on molecular oxidation and combinatorial vibrations, with very small molecular absorption absorptivity in the near-IR region. Glucose measurement with NIR spectroscopy allows investigation of tissue depths in the range of 1 to 100 millimeters. This allows the NIR to penetrate much further than a mid-infrared sample. In fact, the longer the wavelength, the lower the penetration depth. As the concentration of glucose in the blood changes, the intensity of the light, correspondingly, changes.
[009] Η απορρόφηση του ολικού αίματος στο εύρος του ορατού και infrared επηρεάζεται από τα διαφορετικά παράγωγα γλυκόζης, το νερό και τη μελανίνη. Δυσκολίες στις μετρήσεις παρουσιάζονται επίσης λόγω περιβαλλοντικών παραγόντων όπως η υγρασία, η ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [009] The absorption of whole blood in the visible and infrared range is affected by the different glucose derivatives, water and melanin. Difficulties in measurements also occur due to environmental factors such as humidity, temperature, and NON-INVASIVE GLUCOSE MONITORING AND DIAGNOSIS METHOD /
ΔΙΑΒΗΤΗ DIABETES
ενυδάτωση του δέρματος, το φως, η πίεση, η τεχνητή κίνηση καί η φυσική / χημική θερμοκρασία, το λιπιδικό προφίλ, η αλβουμίνη καί το Sp02. Όλες αυτές οι φυσικές καιχημικές παράμετροι περιορίζουν τον ακριβή προσδιορισμό της γλυκόζης μέσω απορρόφησης φωτός NIR. skin hydration, light, pressure, artificial movement and physical/chemical temperature, lipid profile, albumin and Sp02. All these physical and chemical parameters limit the accurate determination of glucose by NIR light absorption.
[010] To Mid-IRS βασίζεται σε εύρος μήκους κύματος 2500-10000 nm. To MID φαίνεται να είναι ανώτερο στις μετρήσεις της γλυκόζης από το NIR, με την έννοια ότι εκτελεί υψηλότερη πρόσληψη των μηκών κύματος, αλλά η μετάδοση του φωτός στο Mid-IRS απαιτεί περισσότερο χρόνο. [010] Mid-IRS is based on a wavelength range of 2500-10000 nm. MID appears to be superior in glucose measurements than NIR, in the sense that it performs a higher uptake of wavelengths, but the transmission of light to Mid-IRS takes longer.
[011] Η υπολογιστική Ανάλυση Εικόνας περιλαμβάνει σε μεγάλο βαθμό τα πεδία της υπολογιστική ή μηχανικής όρασης και της ιατρικής απεικόνισης, κάνοντας σημαντική χρήση αναγνώρισης προτύπων, ψηφιακής γεωμετρίας και επεξεργασίας σημάτων. Στην υπολογιστική όραση, η κατάτμηση εικόνας είναι η διαδικασία διαίρεσης μιας ψηφιακής εικόνας σε πολλά τμήματα. Το αποτέλεσμα της τμηματοποίησης εικόνας είναι ένα σύνολο από τμήματα που καλύπτουν συλλογικά ολόκληρη την εικόνα ή ένα σύνολο από περιγράμματα που εξάγονται από την εικόνα. Αν και αυτή η τεχνική είναι ιδιαίτερα δημοφιλής στην ιατρική απεικόνιση για ανακατασκευή, στην περίπτωση αυτή θα χρησιμοποιηθεί για λεπτομερή αναγνώριση μορίων γλυκόζης. Η αναγνώριση μοτίβων είναι ένας κλάδος της μηχανικής μάθησης που επικεντρώνεται στην αναγνώριση των μοτίβων και των κανονικοτήτων στα δεδομένα. Και οι δύο αυτές τεχνικές αποδεικνύονται ιδιαίτερα αποτελεσματικές, αν και απαιτούν σημαντικό λογισμικό και σημαντικούς επεξεργαστικούς πόρους, οι οποίοι συχνά δεν διατίθενται σε μικρές συσκευές και κινητά τηλέφωνα και tablet. [011] Computational Image Analysis largely encompasses the fields of computer or machine vision and medical imaging, making significant use of pattern recognition, digital geometry and signal processing. In computer vision, image segmentation is the process of dividing a digital image into multiple segments. The result of image segmentation is a set of segments that collectively cover the entire image or a set of contours extracted from the image. Although this technique is particularly popular in medical imaging for reconstruction, in this case it will be used for detailed identification of glucose molecules. Pattern recognition is a branch of machine learning that focuses on recognizing patterns and regularities in data. Both of these techniques prove to be highly effective, although they require significant software and processing resources, which are often not available on small devices and mobile phones and tablets.
[012] Τα νευρωνικά δίκτυα θα χρησιμοποιηθούν για περαιτέρω επεξεργασία δεδομένων (τόσο βιοσημάτων αισθητήρων όσο και χειροκίνητων καταχωρήσεων). Τα Deep Convolutional Neural Networks (CNN) είναι αρχιτεκτονικές που εκμεταλλεύονται τη χωρική δομή των εισαγόμενων πληροφοριών. Χρησιμοποιούνται ευρέως σε διάφορες εφαρμογές, όπως ανάλυση εικόνας, αναγνώριση εικόνας, αντικειμένων και συναισθημάτων. Τα CNN είναι εξαιρετικό για να βοηθήσει τη χωρική δομή της εκμετάλλευσης της συγκέντρωσης των μορίων του αίματος. Τα περιοδικά νευρωνικά δίκτυα (RNN) χρησιμοποιούνται εκτενώς σε εργασίες μοντελοποίησης και πρόβλεψης αλληλουχιών. Τα RNNs λαμβάνουν βιοστοιχεία. Ειδικότερα, το μοντέλο Long Short-Term Memory (LSTM) χρησιμοποιεί κρυφά δεδομένα με πύλες, ελέγχοντας τη ροή δεδομένων σε κρυφές καταστάσεις και δεδομένα εισόδου. Ένα LSTM είναι κατάλληλο για ταξινόμηση, επεξεργασία και πρόβλεψη χρονολογικών σειρών, δεδομένων των χρονικών κενών αγνώστου μεγέθους και διάρκειας μεταξύ σημαντικών γεγονότων. [012] Neural networks will be used to further process data (both sensor biosignals and manual entries). Deep Convolutional Neural Networks (CNN) are architectures that exploit the spatial structure of input information. They are widely used in various applications such as image analysis, image, object and emotion recognition. CNNs are excellent for helping to exploit the spatial structure of the concentration of blood molecules. Recurrent neural networks (RNNs) are used extensively in sequence modeling and prediction tasks. RNNs receive biodata. In particular, the Long Short-Term Memory (LSTM) model uses hidden data with gates, controlling the flow of data in hidden states and input data. An LSTM is suitable for classification, processing and forecasting of time series, given the time gaps of unknown size and duration between significant events.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE /
ΔΙΑΒΗΤΗ DIABETES
Σύντομη Παρουσίαση [013] Ένα μη επεμβατικό σύστημα καί μέθοδος για τον της Εφεύρεσης - προσδιορισμό των επιπέδων γλυκόζης αίματος αναπτύσσεται στην Πλεονεκτήματα της παρούσα εφεύρεση. Η συνδυαστική μέθοδος διάγνωσης Εφεύρεσης αποτελείται από ένα υποσύστημα καταγραφής καί ανάλυσης σήματος καί ένα ευφυές υποσύστημα πρόγνωσης καί παρακολούθησης. Brief Presentation [013] A non-invasive system and method for the Invention - determination of blood glucose levels is developed in the Advantages of the present invention. The combined diagnosis method of the Invention consists of a signal recording and analysis subsystem and an intelligent prognosis and monitoring subsystem.
[014] Η αρχιτεκτονική του συνολικού συστήματος είναι δομημένη σε: [014] The architecture of the overall system is structured in:
i) ένα δέκτη δεδομένων (κινητή συσκευή) με ενσωματωμένους ή εξωτερικούς αισθητήρες, διεπαφή καί υποσύστημα αισθητήρα i) a data receiver (mobile device) with integrated or external sensors, interface and sensor subsystem
ii) μία τοπική βάση δεδομένων μέσα στην εφαρμογή για κινητές συσκευές καί μία βάση δεδομένων cloud όπου όλα τα δεδομένα κατευθύνονται καί αποθηκεύονται iii) ένα Web API όπου όλα τα αποθηκευμένα καί επεξεργασμένα δεδομένα παρουσιάζονται καί τροποποιούνται (όπου χρειάζεται) ii) a local database within the mobile application and a cloud database where all data is routed and stored iii) a Web API where all stored and processed data is presented and modified (where needed)
iν) Υποσύστημα έξυπνης παρακολούθησης καί πρόβλεψης [015] Σε μία υλοποίηση, χρησιμοποιείται εμπορική φωτοδίοδο για μετρήσεις των εντάσεων φωτός που μεταδίδονται, όπως σε μία μη επεμβατική συσκευή για τη μέτρηση των επιπέδων γλυκόζης κάθε χρήστη. Εμπορικά έξυπνα κινητά τηλέφωνα μπορούν να χρησιμοποιηθούν για την παροχή βασικών αισθητήρων, μονάδων επεξεργασίας και αποθήκευσης για την ανίχνευση, την επεξεργασία καιτην αποθήκευση λειτουργιών. Στην πραγματικότητα, το σύστημα χρησιμοποιεί τις ενσωματωμένους αισθητήρες των smartphones (φως led, υπέρυθρο πομπό / δέκτη, φωτογραφικές μηχανές, επιταχυνσιόμετρο, ηχείο, μικρόφωνο, βαρόμετρο, γυροσκόπιο και θερμόμετρο) που καταγράφουν περιβαλλοντικά σήματα και σήματα φυσιολογίας, που απαιτούνται για τον προσδιορισμό της συγκέντρωση γλυκόζης. Τα σήματα που λαμβάνονται από τους ενσωματωμένους αισθητήρες, είτε υποβάλλονται σε επεξεργασία τοπικά ή μεταφέρονται μέσω διαδικτύου και επεξεργάζονται με εξελιγμένα αναλυτικά εργαλεία. Τα αποτελέσματα παρουσιάζονται σε πραγματικό χρόνο στις διεπαφές του χρήστη και αποθηκεύονται τόσο τοπικά (αποθήκευση τηλεφώνου) όσο και στον προσωπικό λογαριασμό του χρήστη. i) Smart Monitoring and Prediction Subsystem [015] In one embodiment, a commercial photodiode is used for measurements of transmitted light intensities, such as in a non-invasive device for measuring each user's glucose levels. Commercial smart phones can be used to provide basic sensors, processing and storage units for sensing, processing and storing functions. In fact, the system uses the built-in sensors of smartphones (led light, infrared transmitter / receiver, cameras, accelerometer, speaker, microphone, barometer, gyroscope and thermometer) that record environmental and physiological signals, required to determine the concentration glucose. The signals received from the built-in sensors are either processed locally or transferred over the internet and processed with sophisticated analytical tools. Results are presented in real-time on user interfaces and stored both locally (phone storage) and in the user's personal account.
[016] Σε άλλη ενσωμάτωση οι κινητές συσκευές που αποτελούνται από πομπό, κάμερα, επιταχυνσιόμετρο, ηχείο, μικρόφωνο, βαρόμετρο, γυροσκόπιο, θερμόμετρο, επεξεργαστή, διεπαφές, και μονάδα αποθήκευσης δεδομένων, καταγράφουν σήματα, αποθηκεύουν, επεξεργάζονται, παρουσιάζουν και μεταφέρουν μέσω διαδικτύου δεδομένα για περαιτέρω ανάλυση για τη διάγνωση και να παρακολούθηση των επιπέδων γλυκόζης στο αίμα. [016] In another embodiment, mobile devices consisting of a transmitter, camera, accelerometer, speaker, microphone, barometer, gyroscope, thermometer, processor, interfaces, and data storage unit, capture signals, store, process, present, and transmit data over the Internet. for further analysis to diagnose and monitor blood glucose levels.
[017] Η μέθοδος μέτρησης της γλυκόζης αίματος χρησιμοποιεί μια επιφάνεια δέρματος, ιδανικά μια επιφάνεια για την λήψη εικόνων και σημάτων PPG. Μία συνδυαστική μέθοδος, της ανάλυσης IR και ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [017] The blood glucose measurement method uses a skin surface, ideally a surface for acquiring images and PPG signals. A combined method of IR analysis and METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE /
ΔΙΑΒΗΤΗ DIABETES
του φωτοπληθυσμογραφικού σήματος (PPG) λαμβάνεται από συνεχόμενα βιντεοκάμετρα, συμπεριλαμβανομένων αρκετών κλινικών παραμέτρων του χρήστη. Ο χωρικός μέσος όρος χρησιμοποιείται για τη βελτίωση της αναλογίας σήματος προς θόρυβο (SNR). Η συσκευή μέτρησης της γλυκόζης αίματος, με την ενσωματωμένη κάμερα για τη λήψη σηματοδοσίας εικόνας και το εξελιγμένο αναλυτικό λογισμικό, ή να εγκατασταθεί απευθείας στο smartphone της συνήθους αγοράς και να χρησιμοποιήσει τους ενσωματωμένους αισθητήρες (κάμερες, υπέρυθρες , επιταχυνσιόμετρο, φλας, ηχείο και μικρόφωνο). Το λογισμικό που είναι εγκατεστημένο στο smartphone με τη μορφή εφαρμογής που μπορεί να μεταφορτωθεί αποτελείται από το υποσύστημα παρακολούθησης υποσυστήματος και έξυπνης αξιολόγησης. of the photoplethysmographic signal (PPG) is obtained from continuous video cameras, including several clinical parameters of the user. Spatial averaging is used to improve the signal-to-noise ratio (SNR). The blood glucose meter, with its built-in camera to capture image signaling and sophisticated analytical software, or install directly on your off-the-shelf smartphone and use the built-in sensors (cameras, infrared, accelerometer, flash, speaker and microphone) . The software installed on the smartphone in the form of a downloadable application consists of the subsystem monitoring and intelligent evaluation subsystem.
[018] Σε μία άλλη ενσωμάτωση, χρησιμοποιείται συνδυαστική μέθοδος για τη χρήση μετρήσεων παλμικού κύματος PPG, φασματικής ανάλυσης NIR και MIR, απεικονιστικής ανάλυσης σε πραγματικό χρόνο μετρήσεις συσχετιζόμενων ζωτικών σημείων και βιοδεικτών, για τον προσδιορισμό των επιπέδων γλυκόζης με μη επεμβατικό τρόπο. Τα πλαίσια βίντεο επεξεργάζονται σε διαφορετικά μήκη κύματος (ορατά, IR, NIR, MIR), χρησιμοποιώντας ταυτόχρονα και άλλα χρώματα (κόκκινο, πράσινο, μπλε) για την επιθυμητή μέτρηση βάθους του δέρματος. [018] In another embodiment, a combinatorial method is used to use pulse wave PPG measurements, NIR and MIR spectral analysis, real-time imaging analysis, measurements of associated vital signs and biomarkers, to determine glucose levels non-invasively. Video frames are processed at different wavelengths (visible, IR, NIR, MIR), while also using other colors (red, green, blue) for the desired skin depth measurement.
[019]. Σε άλλη ενσωμάτωση, απεικονιστικά δεδομένα, που λαμβάνονται από τα πλαίσια βίντεο, υποβάλλονται σε επεξεργασία και τροφοδοτούνται με τους προγνωστικούς αλγορίθμους για βέλτιστα αποτελέσματα. Φιλτραρισμένα δείγματα παρεμβάλλονται για να σχηματίσουν μια γραμμή καλύτερης προσαρμογής μέσω γραμμικής παλινδρόμησης. Ο μέσος όρος της γραμμής αυτής παρέχει τιμές γλυκόζης, κλιμακούμενες σε κλίμακα 50-350 mg / dl. [019]. In another embodiment, imaging data, obtained from the video frames, is processed and fed to the predictive algorithms for optimal results. Filtered samples are interpolated to form a line of best fit via linear regression. The average of this line provides glucose values, scaled on a scale of 50-350 mg/dl.
[020] Σε μια άλλη ενσωμάτωση της εφεύρεσης, PPG βιοσήματα παρέχουν πληροφορίες για άμεση μέτρηση της γλυκόζης και πρόσθετα ζωτικά σημάδια και βιοδείκτες μέτρησης για συσχέτιση και βελτιστοποίηση του προσδιορισμού της γλυκόζης. [020] In another embodiment of the invention, PPG biomarkers provide information for direct glucose measurement and additional vital signs and measurement biomarkers for correlation and optimization of glucose determination.
[021] Ένα άρθρωμα DSS για την υποστήριξη της παρακολούθησης και αυτοδιαχείρισης του διαβήτη, είναι ενσωματωμένη στο υποσύστημα πρόβλεψης και παρακολούθησης. Τα επίπεδα της γλυκόζης και ο καθορισμός HbAlc, όπως καταγράφεται από την κινητή συσκευή μελετώνται για ορισμένες περιόδους, ώστε να παραχθούν εκτιμήσεις της αξιολόγησης διαβήτη (τρέχουσες τιμές, πιθανότητα εξέλιξη) και πιθανών υπεργλυκαιμιών/ υπογλυκαιμιών. Η ιατρική εκτίμηση εξαρτάται σε μεγάλο βαθμό από τα προσωπικά δεδομένα που παρέχονται στον ιατρικό φάκελο από τους χρήστες όπως το φύλο, η ηλικία, το ιατρικό ιστορικό, το βάρος κλπ. Αυτή η πληροφορία τροφοδοτεί τον προγνωστικό αλγόριθμο, βελτιώνοντας άμεσα το διαβητικό προφίλ του χρήστη. Η ευκολία της μεθόδου παρακολούθησης επιτρέπει στους χρήστες να εκτελούν πολύ συχνές μετρήσεις, σαν να εξετάζονταν σε μια συνεχή λειτουργία [021] A DSS component to support diabetes monitoring and self-management is integrated into the prediction and monitoring subsystem. Glucose levels and HbAlc determination, as recorded by the mobile device, are studied for certain periods to produce estimates of diabetes assessment (current values, probability of progression) and possible hyperglycaemia/hypoglycaemia. The medical assessment is highly dependent on the personal data provided in the medical record by the users such as gender, age, medical history, weight, etc. This information feeds the predictive algorithm, instantly improving the diabetic profile of the user. The convenience of the monitoring method allows users to perform very frequent measurements, as if they were being examined in a continuous operation
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE /
ΔΙΑΒΗΤΗ DIABETES
παρακολούθησης γλυκόζης. Συχνές μετρήσεις, μαζί με τιμές γλυκοζυλιωμένης αιμοσφαιρίνης (HbAlc) παρέχουν ακριβείς πληροφορίες σχετικά με τα μοτίβα της γλυκόζης του αίματος, νηστείας, καί μεταγευματική υπεργλυκαιμία προ-, επίδραση από γεύματα, δραστηριότητες, καί φαρμακευτική αγωγή. Αυτές οι πληροφορίες τροφοδοτούν συνεχώς το προγνωστικό μοντέλο το οποίο εκπαιδεύεται και παρέχει συνεχώς όλο και πιο ακριβείς τιμές γλυκόζης και κυρίως χρήσιμα στοιχεία για την αυτοδιαχείρισης του διαβήτη, τόσο για τους ασθενείς όσο και για τους γιατρούς τους. "Αναλυτική Περιγραφή [022] Το υποσύστημα Ανάλυσης αποτελείται από μια μέθοδο της Εφεύρεσης μέτρησης 2 διακριτών και αλληλοσυνδεόμενων μερών ι) φασματική ανάλυση του φωτός στην επιφάνεια του δέρματος σε συγκεκριμένα μήκη κύματος για την ποσοτικοποίηση των μορίων γλυκόζης στο αίμα ϋ) ανάλυση εικόνας μέσω αναγνώρισης προτύπων σε πλαίσια βίντεο αίματος. Η ανάλυση πραγματοποιείται τόσο τοπικά όσο και εξ' αποστάσεως μέσω του διαδικτύου, χρησιμοποιώντας τα λαμβανόμενα πλαίσια βίντεο, μέσω της ανάλυσης PPG σε συγκεκριμένα μήκη κύματος (IR, NIR, MIR) καιτηςχρωματογραφικής ανάλυσης, παράλληλα με το άρθρωμα ανάλυσης εικόνας. Όλα τα αποτελέσματα βαθμονομούνται με την ταυτόχρονη μέτρηση του βιοδείκτη μεταβλητότητας της καρδιακής συχνότητας που βρίσκεται ότι συνδέεται άμεσα με τη διαφοροποίηση των επιπέδων γλυκόζης στο αίμα. glucose monitoring. Frequent measurements, along with glycated hemoglobin (HbAlc) values provide accurate information about blood glucose patterns, fasting, and postprandial hyperglycemia pre-, effect of meals, activities, and medication. This information continuously feeds the predictive model, which is trained and continuously provides more and more accurate glucose values and, above all, useful information for diabetes self-management, both for patients and their doctors. "Detailed Description [022] The Analysis subsystem consists of a measurement method of the Invention of 2 distinct and interconnected parts j) spectral analysis of light on the surface of the skin at specific wavelengths for the quantification of blood glucose molecules d) image analysis through pattern recognition on blood video frames.Analysis is performed both locally and remotely over the internet, using the received video frames, through PPG analysis at specific wavelengths (IR, NIR, MIR) and chromatographic analysis, alongside the image analysis suite. All results are calibrated by simultaneously measuring the heart rate variability biomarker found to be directly related to variation in blood glucose levels.
[023] Η φασματική ανάλυση του μεταδιδόμενου φωτός στην επιφάνεια του δέρματος σε συγκεκριμένες περιοχές μήκους κύματος για την εκτίμηση των μορίων γλυκόζης στο αίμα βασίζεται στην τεχνική της φωτοπλυθησμογραφίας (PPG) σε πραγματικό χρόνο, στην απεικόνιση με υπέρυθρη ακτινοβολία (NIFR-MIFR), σε μετρήσεις της μεταβλητότητας της καρδιακής συχνότητας και συναφών κλινικών παραμέτρων, που περιλαμβάνουν: [023] Spectral analysis of transmitted light at the skin surface in specific wavelength ranges for the estimation of blood glucose molecules is based on the real-time photoplethysmography (PPG) technique, infrared imaging (NIFR-MIFR), in measurements of heart rate variability and related clinical parameters, including:
λήψη συνεχόμενων πλαισίων βίντεο. capture continuous video frames.
λήψη σημάτων από μήκη κύματος υπέρυθρων (IR), μεσαίων υπερύθρων (MIR) και κοντά σε υπέρυθρες ακτίνες (NIR) δημιουργία ανάλυσης εικόνας (χρωματογραφίας), μέσω PPG, όπως καταγράφηκε από την βιντεοκάμερα. receiving signals from infrared (IR), mid-infrared (MIR) and near-infrared (NIR) wavelengths generating image analysis (chromatography), via PPG, as recorded by the video camera.
(Sp02 και αρτηριακή πίεση), μέσω της φωτοπλυθησμογραφίας (PPG), (Sp02 and blood pressure), via photoplethysmography (PPG),
ααπομάκρυνσης θορύβου από ψηφιακά φίλτρα de-noise from digital filters
[024] Το υποσύστημα ανάλυσης αισθητήρων εκτελεί έναν αλγόριθμο που χωρίζει σε η αριθμό εικονοστοιχείων σε κάθε καρέ και είτε υπολογίζει τις μέσες τιμές όλων των εικονοστοιχείων από κάθε καρέ είτε διαβάζει μόνο τα εικονοστοιχεία που παρουσιάζουν διαφορετική τιμή από το προηγούμενο εικονοστοιχείο προκειμένου να μειωθούν οι επεξεργαστικές απαιτήσεις εκτελώντας τα ακόλουθα βήματα : [024] The sensor analysis subsystem performs an algorithm that divides by the number of pixels in each frame and either averages all the pixels from each frame or reads only the pixels that have a different value from the previous pixel in order to reduce processing requirements by performing the following steps:
διαιρεί κάθε καρέ σε η αριθμό εικονοστοιχείων. divides each frame into n number of pixels.
αναθέτει σε κάθε εικονοστοιχείο x, y συντεταγμένες. assigns each pixel x,y coordinates.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND MONITORING OF GLUCOSE /
ΔΙΑΒΗΤΗ DIABETES
συγκρίνει κάθε ένα διαδοχικό πλαίσιο ένα προς ένα. προσδιορίζει τα εικονοστοιχεία των συντεταγμένων xi, yi, των δύο διαδοχικών πλαισίων τα οποία είναι πανομοιότυπα (όσον αφορά τις τιμές χρώματος). compares each successive frame one by one. identifies the pixels of coordinates xi, yi, of two consecutive frames which are identical (in terms of color values).
αφαιρεί αυτά τα εικονοστοιχεία από τις μετρήσεις, subtracts these pixels from the measurements,
αναζητά νέα εικονοστοιχεία με διαφορές μεταξύ ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t και ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t 1. αναλύει αποκλειστικά, την πληροφορία που περιέχεται στα εικονοστοιχεία όπως έχει αναγνωριστεί για να παρουσιάσει διαφορές στο χρώμα. looks for new pixels with differences between a pixel of coordinates xi, yi and time t and a pixel of coordinates xi, yi and time t 1. exclusively analyzes the information contained in the pixels as identified to present color differences.
[025] Πριν από οποιαδήποτε ανάλυση σήματος, το υποσύστημα ανάλυσης περιλαμβάνει περαιτέρω μια διαδικασία ψηφιακής προεπεξεργασίας / προ-φιλτραρίσματος που αποτελείται από 3 στάδια: [025] Before any signal analysis, the analysis subsystem further includes a digital pre-processing / pre-filtering process consisting of 3 stages:
i) με τη χρήση ζώνης ελέγχου διορθωτικών περιορισμών, με διόρθωση θορύβου σε περιβαλλοντικό φως, περιβαλλοντικούς ήχους, εφαρμοσμένη πίεση δακτύλων στην ενσωματωμένη κάμερα και σημεία κίνησης στο δάκτυλο. i) using a control band of corrective constraints, with noise correction in ambient light, ambient sounds, applied finger pressure on the built-in camera and finger motion points.
ii) την αφαίρεση των εικονοστοιχείων με μηδενική προστιθέμενη πληροφορία, πριν από τις μετρήσεις και ii) the removal of the pixels with zero added information, before the measurements and
iii) εφαρμόζοντας σε σειρά φίλτρο Gauss, φίλτρο εγκοπής και φίλτρα band-pass. iii) applying Gaussian filter, notch filter and band-pass filters in series.
[026] Η ζώνη ελέγχου φιλτραρίσματος χρησιμοποιείται για την απομάκρυνση κάθε θορύβου από το πρώτο στάδιο της λήψης πλαισίων βίντεο ακρίβειας από τη ροή αίματος των δακτύλων. Η διόρθωση εφαρμόζεται στο περιβαλλοντικό φως, τους περιβαλλοντικούς ήχους, την πίεση των δακτύλων στην ενσωματωμένη κάμερα και τα αντικείμενα κίνησης των δακτύλων. Για κάθε μία από τις παραμέτρους, καθορίζονται συγκεκριμένα όρια, τα οποία υποχρεώνουν τον χρήστη να επανεκκινήσει τη μέτρηση, εάν ξεπεραστεί κάποιο από αυτά τα όρια. Οι έγκυρες μετρήσεις είναι μόνο εκείνες που εκτελούνται στις ακόλουθες ρυθμίσεις: [026] The filtering control band is used to remove any noise from the first stage of capturing precision video frames from the finger blood flow. Correction is applied to ambient light, ambient sounds, finger pressure on the built-in camera, and finger movement objects. For each of the parameters, specific limits are defined, which oblige the user to restart the measurement if any of these limits are exceeded. Valid measurements are only those performed in the following settings:
ΐ) το περιβαλλοντικό φως πρέπει να κυμαίνεται μεταξύ 200 - 1500 lux i) the ambient light should be between 200 - 1500 lux
ϋ) ο περιβαλλοντικός ήχος πρέπει να είναι <90 dB d) ambient sound must be <90 dB
iv) η επιφάνεια του δακτύλου πρέπει να αγγίζει σταθερά την κάμερα της κινητής συσκευής, χωρίς να ασκεί καθόλου πίεση iv) the surface of the finger must firmly touch the camera of the mobile device, without applying any pressure
ν) Κάθε κίνηση του δακτύλου αφαιρείται αυτόματα και αγνοείται από τις συνολικές μετρήσεις. n) Every finger movement is automatically subtracted and ignored from the total measurements.
[027] Η μέτρηση PPG σε 240 fps επιτυγχάνεται μέσω χρωματογραφικής ανάλυσης (RGB), για τον προσδιορισμό των βασικών βιολογικών δεικτών (ανάλυση βάση χρόνου και περιοχήςΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [027] PPG measurement at 240 fps is achieved through chromatographic analysis (RGB), for the determination of key biological markers (time- and area-based analysis METHOD AND SYSTEM OF NON-INVASIVE GLUCOSE MONITORING AND DIAGNOSIS /
ΔΙΑΒΗΤΗ DIABETES
συχνότητας) που ακολουθείται παράλληλα με φασματικές μετρήσεις σε διαφορετικά μήκη κύματος. Στην πραγματικότητα, υπάρχει μία εγγραφή βίντεο, η οποία αποθηκεύεται καί αναλύεται σε διαφορετικά μήκη κύματος (IR, NIR, MIR). frequency) followed in parallel with spectral measurements at different wavelengths. In fact, there is a video recording, which is stored and analyzed at different wavelengths (IR, NIR, MIR).
[028] Τα ληφθέντα δεδομένα μπορούν είτε να αποθηκευτούν τοπικά σε κάθε smartphone / κινητή συσκευή είτε να αποθηκευτούν στο προσωπικό λογαριασμό κάθε χρήστη (απαιτείται login) καθώς αποθηκεύονται σε ένα διακομιστή σύννεφο. Σε αυτήν την περίπτωση, όλα τα δεδομένα μεταφέρονται καί εμφανίζονται στη συνδεδεμένη διεπαφή Web API, επιτρέποντας περαιτέρω επεξεργασία καί παρουσίαση αποτελεσμάτων. Οι αλγόριθμοι διάγνωσης και πρόβλεψης έχουν σχεδιαστεί για να παρέχουν ακριβείς ενδείξεις, λαμβάνοντας υπόψη όλα τα δεδομένα (δημογραφικά στοιχεία, καθημερινές συνήθειες, ζωτικά σήματα κ.λπ.) από έναν χρήστη. Η καθημερινή πρόσληψη τροφής, η άσκηση και τα επίπεδα άγχους είναι όλοι απαραίτητοι παράγοντες που καταγράφονται και προσμετρούνται στην ανάλυση. [028] The received data can either be stored locally on each smartphone / mobile device or stored on each user's personal account (login required) as it is stored on a cloud server. In this case, all data is transferred and displayed in the connected Web API interface, allowing further processing and presentation of results. Diagnosis and prediction algorithms are designed to provide accurate readings, taking into account all data (demographics, daily habits, vital signs, etc.) from a user. Daily food intake, exercise and stress levels are all necessary factors that are recorded and factored into the analysis.
[029] Η συγκέντρωση της γλυκόζης προσδιορίζεται με τη μετατροπή της έντασης της απορρόφησης του μεταδιδόμενου φωτός καθώς περνά μέσα από το ανθρώπινο σώμα (επιφάνεια δακτύλου του δακτύλου). Το φως κοντά στο υπέρυθρο (NIR) μπορεί να διεισδύσει στην κεράτινη στιβάδα και την επιδερμίδα στον υποδόριο χώρο σε ποσοστό μεγαλύτερο από 90% (καλή απορρόφηση φωτός σε σύγκριση με άλλα χρωμοφόρα). Οι υπολογισμοί μοριακής μοντελοποίησης επιτρέπουν την ποσοτικοποίηση των εντάσεων του φωτός σε συγκεκριμένες θέσεις ζώνης. Το ενσωματωμένο φως led χρησιμεύει ως μία και μοναδική πηγή φωτός με προγραμματισμένα μήκη κύματος. Η μέτρηση της γλυκόζης με φασματοσκοπία NIR ενεργοποιείται σε κλίμακα μήκους κύματος 1000nm-1550nm λόγω της υψηλής αναλογίας σήματος προς θόρυβο (SNR) για τα σήματα γλυκόζης, με γενική μείωση στο βάθος διείσδυσης καθώς αυξάνεται η τιμή του μήκους κύματος, με προστιθέμενη ευαισθησία και επιλεκτικότητα . Χρησιμοποιείται ένα ψηφιακό χαμηλής συχνότητας φίλτρο (low pass) για τη μείωση του θορύβου υψηλής συχνότητας. Τα φάσματα διαφοράς υπολογίζονται από τα σήματα σε άλλα μήκη κύματος (πράσινο, κόκκινο και IR) όπως αυτά ανιχνεύονται από το φως, προκειμένου να εξαλειφθούν οι επιδράσεις των οστών, άλλων ιστών και του μη παλμικού αίματος. Η μετάδοση PPG στα μέσα υπέρυθρης ακτινοβολίας εφαρμόζεται στην περιοχή των 900nm-1200nm και των δεύτερων υπερτονικών περιοχών απορρόφησης γλυκόζης (0,8μm-1,35μm), με βάση τους δεσμούς μορίων γλυκόζης. Αυτά τα μήκη κύματος έχουν προσδιοριστεί με βάση τον σταθμισμένο μέσο όρο απορρόφησης πάνω από το φασματικό εύρος ζώνης του μεταδιδόμενου φωτός. [029] Glucose concentration is determined by converting the intensity of absorption of transmitted light as it passes through the human body (fingertip surface). Near-infrared (NIR) light can penetrate the stratum corneum and epidermis in the subcutaneous space at a rate greater than 90% (good light absorption compared to other chromophores). Molecular modeling calculations allow the quantification of light intensities at specific band positions. The integrated led light serves as a single light source with programmed wavelengths. Glucose measurement by NIR spectroscopy is enabled in the 1000nm-1550nm wavelength range due to the high signal-to-noise ratio (SNR) for glucose signals, with a general decrease in penetration depth as the wavelength value increases, with added sensitivity and selectivity. A digital low pass filter is used to reduce high frequency noise. Difference spectra are calculated from the signals at other wavelengths (green, red and IR) as detected by the light, in order to eliminate the effects of bone, other tissues and non-pulsatile blood. PPG transmission in the mid-infrared is applied in the range of 900nm-1200nm and the second hypertonic absorption regions of glucose (0.8μm-1.35μm), based on the bonds of glucose molecules. These wavelengths have been determined based on the weighted average of absorbance over the spectral bandwidth of the transmitted light.
[030] Η απορρόφηση γλυκόζης στην περιοχή αυτή αποτελείται από δύο ζώνες. Η ζώνη I είναι ασθενής ζώνη απορρόφησης με κορυφή απορρόφησης στην περιοχή από 0,80-0,95 pm, ενώ η ζώνη II είναι ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [030] Glucose absorption in this region consists of two zones. Zone I is a weak absorption zone with an absorption peak in the range of 0.80-0.95 pm, while zone II is a METHOD AND SYSTEM FOR NON-INVASIVE GLUCOSE DIAGNOSTIC AND MONITORING /
ΔΙΑΒΗΤΗ DIABETES
μία ισχυρή ζώνη απορρόφησης με κορυφή απορρόφησης στην περιοχή από 1,15-1,35 μm. Μικρά εύρη είναι απαραίτητα για αυτόματη βαθμονόμηση λόγω των διαφορετικών χαρακτηριστικών των διαφορετικών smartphones. Αυτή η αυτόματη βαθμονόμηση παραλείπεται στην περίπτωση κινητής συσκευής που έχει σχεδιαστεί με ειδικά χαρακτηριστικά απορρόφησης. a strong absorption band with an absorption peak in the range of 1.15-1.35 µm. Small ranges are necessary for automatic calibration due to the different characteristics of different smartphones. This automatic calibration is omitted in the case of a mobile device designed with special absorption characteristics.
[031] Καθώς το μεταδιδόμενο φως περνάει από την επιφάνεια του δέρματος (αποτελείται περίπου από 60% εξωκυτταρικού υλικού και 40% ενδοκυτταρικό υλικό), το μεγαλύτερο μέρος του φωτός μεταδίδεται μέσω του ενδιάμεσου υγρού και όχι του πλάσματος (αίματος) όπου τα μόρια γλυκόζης πρόκειται να προσδιοριστούν. Στην πραγματικότητα, το πλάσμα αποτελείται μόνο από το 30% του εξωκυτταρικού υλικού, με πολλά άλλα συστατικά να συμπεριλαμβάνονται στο υπόλοιπο 70% που προκαλεί σύγχυση στη μέτρηση της απορρόφησης φωτός γλυκόζης. Για την περαιτέρω εξάλειψη των σφαλμάτων που προέκυψαν από την απορρόφηση και τη διασπορά του φωτός λόγω του ύδατος, των λιπαρών ιστών, των παραγώγων των οστών και της γλυκόζης (ξεχωριστή D-φρουκτόζη από τη D-γλυκόζη), έχουν καθοριστεί όλες οι περιοχές απορρόφησης ενέργειας και εντοπίζονται και εξαιρούνται σε κάθε μέτρηση. Αυτό επιτυγχάνεται κυρίως μέσω IR, πράσινου και κόκκινου φωτός. Οι υπέρυθρες συχνότητες προσδιορίζονται συγκρίνοντας τις εντάσεις που παρατηρούνται σε φάσματα IR με εντάσεις από υπολογισμούς μοριακής μοντελοποίησης, προσομοιώνοντας τη μετρούμενη συγκέντρωση γλυκόζης στο αίμα του ασθενούς και όχι σε άλλα υγρά. [031] As the transmitted light passes through the surface of the skin (composed of approximately 60% extracellular material and 40% intracellular material), most of the light is transmitted through the interstitial fluid rather than the plasma (blood) where the glucose molecules are to be determined. In fact, plasma is only 30% of the extracellular material, with many other components included in the remaining 70% that confounds the measurement of glucose light absorption. To further eliminate errors arising from light absorption and scattering due to water, adipose tissue, bone derivatives and glucose (separate D-fructose from D-glucose), all energy absorption regions have been determined and are detected and excluded in each measurement. This is mainly achieved through IR, green and red light. Infrared frequencies are determined by comparing intensities observed in IR spectra with intensities from molecular modeling calculations, simulating the measured glucose concentration in the patient's blood and not in other fluids.
[032] Η μετάδοση του φωτός NIR εξαρτάται από την ποσότητα του αίματος στη διαδρομή του φωτός. Προκειμένου να απομονωθεί η διαπερατότητα του φωτός λόγω των επιπέδων γλυκόζης, είναι απαραίτητο να προσδιοριστεί η ακριβής ποσότητα κορεσμού οξυγόνου στην επιφάνεια δοκιμής (π.χ. δάκτυλο, κόρη ματιών). Ως εκ τούτου, το SpO2 προσδιορίζεται μέσω PPG (προσδιορισμός AC / DC), και στη συνέχεια η γλυκόζη κλιμακώνεται με βάση τις μετρούμενες τιμές SpO2, κλιμακούμενες έως 100%. [032] The transmission of NIR light depends on the amount of blood in the path of the light. In order to isolate light transmittance due to glucose levels, it is necessary to determine the exact amount of oxygen saturation at the test surface (eg, finger, pupil). Therefore, SpO2 is determined via PPG (AC/DC determination), and then glucose is scaled based on the measured SpO2 values, scaled up to 100%.
[033] Το βίντεο που λαμβάνεται (χωρισμένο σε καρέ / δευτερόλεπτο) υποβάλλεται σε προεπεξεργασία / προ-φιλτράρισμα για την εξάλειψη μη προστιθέμενων πληροφοριών πλαισίων και μείωση του μεγέθους των συνολικών δεδομένων, προκειμένου να μεταφερθούν τα αρχεία σε λιγότερο χρόνο με μειωμένη κατανάλωση ευρυζωνικότητας. Τα αρχεία φορτώνονται αυτόματα στο αναλυτικό εργαλείο και αναλύονται ανά διαφορετικές ρυθμίσεις για να καλύψουν όλα τα προκαθορισμένα μήκη κύματος - εύρος συχνοτήτων. Οι αλγόριθμοι ταξινόμησης έχουν καθορίσει τους προορισμένους σταθμισμένους συντελεστές για κάθε σύνολο δοκιμών (NIR, MIR) και καταλήγουν σε μία μοναδική τιμή γλυκόζης. Αυτή η τιμή βελτιστοποιείται αργότερα με την εκτίμηση της απεικονιστικής ανάλυσης αναγνώρισης μοτίβων. Πρόσθετα ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [033] The captured video (divided into frames / second) is pre-processed / pre-filtered to eliminate unadded frame information and reduce the overall data size in order to transfer the files in less time with reduced bandwidth consumption. The files are automatically loaded into the analysis tool and analyzed by different settings to cover all predefined wavelengths - frequency ranges. The classification algorithms have determined the assigned weighting factors for each set of tests (NIR, MIR) and result in a unique glucose value. This value is later optimized by estimating the pattern recognition imaging analysis. Additions METHOD AND SYSTEM OF NON-INVASIVE DIAGNOSIS AND GLUCOSE MONITORING /
ΔΙΑΒΗΤΗ DIABETES
ψηφιακά φίλτρα εφαρμόζονται μετά την εκτίμηση γλυκόζης, συμπεριλαμβανομένου του φίλτρου Gaussian Filter και band-pass, με φίλτρο FIR σε συχνότητες αποκοπής στα 0.7 Hz και 2.5 Ηz. digital filters are applied after glucose estimation, including Gaussian Filter and band-pass filter, with FIR filter at cut-off frequencies of 0.7 Hz and 2.5 Hz.
[034] Η αναγνώριση μοτίβων, η οποία αποτελεί κύρια τεχνική ανάλυσης απεικόνισης, θα εξυπηρετείται μέσω ενός τοπικά εγκατεστημένου προγράμματος (π.χ. OpenCV) ή / και ενός αναλυτικού προγράμματος εγκατεστημένου σε έναν εξωτερικό διακομιστή, π.χ. Matlab. Λόγω του σχετικά μικρού αριθμού ακρίβειας των συλλεγέντων πλαισίων (640x480 εικονοστοιχεία), η απεικονιστική ανάλυση στηρίζεται σε μέσους όρους χρωμάτων και εικονοστοιχείων, όπως το μοντέλο έχει εκπαιδευτεί και ταξινομηθεί, χρησιμοποιώντας χιλιάδες δείγματα οπτικών μικροσκοπικών εικόνων σε ανάλυση μεγέθυνσης > Χ45.000. Τα χαρακτηριστικά χρώματος συσχετίζονται με τις συγκεντρώσεις γλυκόζης, επιτρέποντας τον ακριβή προσδιορισμό των επιπέδων γλυκόζης, ακόμα και σε ανάλυση πλαισίων χαμηλής ακρίβειας. [034] Pattern recognition, which is a primary imaging analysis technique, will be served through a locally installed program (eg OpenCV) and/or an analytical program installed on an external server, eg. Matlab. Due to the relatively small precision of the collected frames (640x480 pixels), the imaging analysis is based on color and pixel averages, as the model is trained and classified, using thousands of optical microscopic image samples at a magnification resolution > X45,000. Color features correlate with glucose concentrations, enabling accurate determination of glucose levels, even in low-precision frame resolution.
[035] Για να αντισταθμιστούν οι μη γραμμικότητες, δημιουργήθηκε ένα αντίστροφο μοντέλο χρησιμοποιώντας τα Neural Networks. Πιο συγκεκριμένα, αυτό το μοντέλο αποτελείται από ένα τεχνητό νευρωνικό δίκτυο (ΑΝΝ), ιδανικό για την προσέγγιση λειτουργιών μη γραμμικής ευκρίνειας και νευρωνικών δικτύων Convolutional (CNNs) ιδανικό για την ανάλυση απεικόνισης (αναγνώριση προτύπων). [035] To compensate for non-linearities, an inverse model was created using Neural Networks. More specifically, this model consists of an Artificial Neural Network (ANN), ideal for approximating non-linear resolution functions, and Convolutional Neural Networks (CNNs) ideal for image analysis (pattern recognition).
[036] Το δεύτερο υποσύστημα (Προγνωστικό και Παρακολούθηση) στηρίζεται σε μια μέθοδο πρόβλεψης 3 διακριτών και διασυνδεδεμένων στοιχείων: [036] The second subsystem (Prediction and Monitoring) is based on a prediction method of 3 distinct and interconnected elements:
i) όλη τα αποτελέσματα από το υποσύστημα ανάλυσης, συν ii) εικόνες παλμικών κυματομορφών από τη PPG, πουοδηγούν στην εκτίμηση των καρδιαγγειακών (HRV) βιοδεικτών και i) all results from the analysis subsystem, plus ii) pulse waveform images from PPG, leading to the estimation of cardiovascular (HRV) biomarkers and
iii) πληροφορίες για το κλινικό προφίλ του χρήστη και σχετικά στοιχεία ζωτικών σημείων και δημογραφικών δεδομένων για την εκτίμηση με ακρίβεια της συγκέντρωσης της γλυκόζης και της HbAlC, σε χρόνο t και t η. iii) user clinical profile information and relevant vital signs and demographic data to accurately estimate glucose and HbAlC concentration at time t and t h;
[037] Το υποσύστημα Πρόγνωσης και Παρακολούθησης εκτελεί μια ανάλυση πολλαπλής παλινδρόμησης, ακολουθούμενη από την ταξινόμηση του Convolutional Neural Network (ανάλυση εικόνας), την ταξινόμηση των επαναλαμβανόμενων νευρωνικών δικτύων (φασματική ανάλυση) και τους αλγόριθμους αναγνώρισηςπρόβλεψης, προκειμένου να προσδιοριστούν, και να προβλεφθούν τα επίπεδα γλυκόζης. Το υποσύστημα τρέχει πρώτα μια ανάλυση πολλαπλής παλινδρόμησης και, στη συνέχεια, το Convolutional Neural Network. Τα συνεργατικά νευρωνικά δίκτυα (CNNs) είναι ένα υπολογιστικό μοντέλο που χρησιμοποιείται στη μηχανική μάθηση και σε άλλους ερευνητικούς κλάδους που βασίζονται σε μια μεγάλη συλλογή συνδεδεμένων απλών μονάδων που ονομάζονται τεχνητοί νευρώνες. Τα CNN που αναπτύχθηκαν στο ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [037] The Prediction and Monitoring subsystem performs a multiple regression analysis, followed by Convolutional Neural Network classification (image analysis), Recurrent Neural Network classification (spectral analysis), and predictive recognition algorithms, in order to identify and predict the glucose levels. The subsystem first runs a multiple regression analysis and then the Convolutional Neural Network. Collaborative neural networks (CNNs) are a computational model used in machine learning and other research disciplines based on a large collection of connected simple units called artificial neurons. The CNNs developed in METHOD AND SYSTEM OF NON-INVASIVE GLUCOSE MONITORING AND DIAGNOSIS /
ΔΙΑΒΗΤΗ DIABETES
TensorFlow βελτιστοποιούν την ακρίβεια της ταυτοποίησης των μορίων γλυκόζης σε κάθε πλαίσιο. TensorFlow optimizes the accuracy of identifying glucose molecules in each frame.
[038] Παράλληλα με τα CNN, τα επαναλαμβανόμενα νευρωνικά δίκτυα (Recurrent Neural Networks) με μοντέλο LSTM (για μετρήσεις μικρής και μεσαίας διάρκειας) ταξινομούν και προβλέπουν τα επίπεδα γλυκόζης σε συγκεκριμένες χρονικές περιόδους. Χρησιμοποιούνται δύο αλγόριθμοι αναγνώρισης-πρόβλεφης ταξινόμησης ΑΝΝ για την ανάπτυξη του προγνωστικού μοντέλου. Ένας αλγόριθμος χρησιμοποιείται για ταξινόμηση και ο άλλος για πρόβλεψη. Οι εισροές για το ΑΝΝ μας είναι τα πλάτη και οι φάσεις των συνιστωσών του Fourier. Ο αλγόριθμος είναι καταρχήν εκπαιδευμένος για να εκτιμήσει την περιοχή εντός της οποίας ανήκουν τα επίπεδα γλυκόζης στο αίμα. [038] In parallel with CNNs, Recurrent Neural Networks with LSTM model (for short- and medium-term measurements) classify and predict glucose levels in specific time periods. Two ANN recognition-predictive classification algorithms are used to develop the predictive model. One algorithm is used for classification and the other for prediction. The inputs to our ANN are the amplitudes and phases of the Fourier components. The algorithm is first trained to estimate the range within which blood glucose levels fall.
Στη συνέχεια, τα σύνολα δεδομένων δοκιμής υποβάλλονται σε επεξεργασία από τον αλγόριθμο πρόβλεψης. Μόνο αυτές οι τιμές που βρίσκονται μέσα στο εκπαιδευμένο εύρος της συγκέντρωσης γλυκόζης αποθηκεύονται. Πολλές δοκιμές καταλήγουν σε έναν υψηλά εκπαιδευμένο αλγόριθμο, ικανό να αφαιρέσειοποιεσδήποτε τιμές που δεν ταιριάζουν με τις μέσες τιμές. Για να ελέγξουμε την εγκυρότητα της μεθόδου μας, τα αποτελέσματα από το ΑΝΝ συγκρίνονται με την επεμβατικά μετρημένη γλυκόζη αίματος, η οποία θεωρείται το χρυσό πρότυπο. The test data sets are then processed by the prediction algorithm. Only those values that are within the trained glucose concentration range are stored. Many tests result in a highly trained algorithm, capable of removing any values that do not match the mean values. To test the validity of our method, results from ANN are compared with invasively measured blood glucose, which is considered the gold standard.
[039] Ο έξυπνος αλγόριθμος χρησιμοποιεί πληροφορίες από το κλινικό προφίλ του χρήστη και συσχετίζει στοιχεία ζωτικών σημείων και δημογραφικών δεδομένων με τα ληφθέντα βιοσήματα (παλμικά κύματα και εικόνες), για να δημιουργηθεί η πρώτη εκτιμώμενη συγκέντρωση γλυκόζης. Τιμές από επιπλέον κλινικούς παραμέτρους μετρούνται παράλληλα με τη γλυκόζη και παρέχουν ακριβέστερα αποτελέσματα, δεδομένης της συσχέτισης των συσχετισμένων κλινικών παραμέτρων με τα επίπεδα γλυκόζης, όπως η Sp02 και η αρτηριακή πίεση (διαστολική - συστολική). [039] The intelligent algorithm uses information from the user's clinical profile and correlates vital signs and demographic data with the acquired biomarkers (pulse waves and images) to generate a first estimated glucose concentration. Values from additional clinical parameters are measured alongside glucose and provide more accurate results given the correlation of associated clinical parameters with glucose levels, such as Sp02 and blood pressure (diastolic - systolic).
[040] Η συνιστώσα βαθμονόμησης του έξυπνου υποσυστήματος αυτοαξιολόγησης, μετά την ανάλυση NIR και απεικόνισης, είναι οι βιοδείκτες HRV, όπως λαμβάνονται με τη μέθοδο PPG, που είναι σε θέση να συνδέουν άμεσα την ανταπόκριση του καρδιαγγειακού συστήματος με τα επίπεδα γλυκόζης στο αίμα. Οι εξαγόμενες και ταξινομημένες συσχετίσεις μεταξύ συγκέντρωσης γλυκόζης στο αίμα και των βιοδεικτών SDNN και rMSSD ρυθμίζουν αυτόματα τα εκτιμώμενα επίπεδα γλυκόζης όπως υποδεικνύεται από τη φασματική υπέρυθρη μέθοδο, βελτιστοποιώντας την ακρίβεια του τελικού προσδιορισμού της γλυκόζης. [040] The calibration component of the smart self-assessment subsystem, after NIR and imaging analysis, are HRV biomarkers, as obtained by the PPG method, which are able to directly link cardiovascular response to blood glucose levels. The extracted and ranked correlations between blood glucose concentration and the SDNN and rMSSD biomarkers automatically adjust the estimated glucose levels as indicated by the spectral infrared method, optimizing the accuracy of the final glucose determination.
[041] Για τις ανάγκες του έξυπνου προγνωστικού υποσυστήματος, απαιτούνται πολλά περισσότερα από τις μετρήσεις συγκέντρωσης γλυκόζης για την πρόβλεψη της ακριβούς εκτίμησης, σε χρόνο t i. Υπάρχουν αρκετοί παράγοντες που επηρεάζουν το επίπεδο γλυκόζης στο αίμα, όπως η ποσότητα και η ποιότητα της ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / [041] For the needs of the intelligent predictive subsystem, much more than glucose concentration measurements are required to predict the exact estimate, at time t i . There are several factors that affect the level of glucose in the blood, such as the quantity and quality of NON-INVASIVE GLUCOSE MONITORING AND DIAGNOSIS METHOD /
ΔΙΑΒΗΤΗ DIABETES
διατροφικής πρόσληψης, το επίπεδο άσκησης καί το επίπεδο άγχους, που οδηγούν σε αυξημένη μη γραμμικότητα. dietary intake, exercise level and stress level, leading to increased non-linearity.
[042] Με τον ίδιο τρόπο που τα επίπεδα γλυκόζης μετρούνται μέσω της συνδυαστικής μεθόδου ανάλυσης PPG και απεικόνισης, μέσω της ταυτοποίησης και ποσοτικοποίησης μορίων γλυκόζης στο αίμα, μπορούν να ποσοτικοποιηθούν οποιαδήποτε μόρια αναλύτη (π.χ. χοληστερόλης), δεδομένου ακρίβειας προδιαγραφών / χαρακτηριστικών. Τα μήκη κύματος IR παρακολούθησης υιοθετούνται για την απορρόφηση ενέργειας των ειδικών δεσμών, ενώ μελετώνται εικόνες του αναλυτή υπό προσδιορισμό και εκπαιδεύεται ο προβλεπτικός αλγόριθμος για τις ανάγκες της αναγνώρισης προτύπων. [042] In the same way that glucose levels are measured through the combined method of PPG analysis and imaging, through the identification and quantification of glucose molecules in blood, any analyte molecules (e.g. cholesterol) can be quantified, given precision specifications / characteristics . Monitoring IR wavelengths are adopted for the energy absorption of the specific bands, while images of the analyte under determination are studied and the predictive algorithm is trained for the needs of pattern recognition.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑ ΔΙΑ ΑΝΑΦΟΡΕΣ NON-INVASIVE METHOD AND SYSTEM BY REFERENCES
ΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ/ ΒΗΤΗ KNOWLEDGE AND MONITORING OF GLUCOSE/BETA
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20180100577A GR20180100577A (en) | 2018-12-31 | 2018-12-31 | Method and system for non-invasive glucose / diabetes diagnosis and monitoring |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20180100577A GR20180100577A (en) | 2018-12-31 | 2018-12-31 | Method and system for non-invasive glucose / diabetes diagnosis and monitoring |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| GR20180100577A true GR20180100577A (en) | 2020-07-16 |
Family
ID=71658153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| GR20180100577A GR20180100577A (en) | 2018-12-31 | 2018-12-31 | Method and system for non-invasive glucose / diabetes diagnosis and monitoring |
Country Status (1)
| Country | Link |
|---|---|
| GR (1) | GR20180100577A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2751817C1 (en) * | 2020-08-31 | 2021-07-19 | Закрытое Акционерное Общество "Ес-Лизинг" | Computerized method for non-invasive detection of carbohydrate metabolism disorders by heart rate variability and wearable autonomous device for its implementation |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2544124A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of glucose levels |
| KR20150082045A (en) * | 2014-01-07 | 2015-07-15 | 삼성전자주식회사 | Electronic device and photoplethysmography method |
| US20180214088A1 (en) * | 2016-09-24 | 2018-08-02 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| WO2018220052A1 (en) * | 2017-05-30 | 2018-12-06 | Bioepic Ltd | An apparatus and method |
-
2018
- 2018-12-31 GR GR20180100577A patent/GR20180100577A/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2544124A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of glucose levels |
| KR20150082045A (en) * | 2014-01-07 | 2015-07-15 | 삼성전자주식회사 | Electronic device and photoplethysmography method |
| US20180214088A1 (en) * | 2016-09-24 | 2018-08-02 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| WO2018220052A1 (en) * | 2017-05-30 | 2018-12-06 | Bioepic Ltd | An apparatus and method |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2751817C1 (en) * | 2020-08-31 | 2021-07-19 | Закрытое Акционерное Общество "Ес-Лизинг" | Computerized method for non-invasive detection of carbohydrate metabolism disorders by heart rate variability and wearable autonomous device for its implementation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Delbeck et al. | Non-invasive monitoring of blood glucose using optical methods for skin spectroscopy—Opportunities and recent advances | |
| Zhang et al. | A noninvasive blood glucose monitoring system based on smartphone PPG signal processing and machine learning | |
| Nemcova et al. | Monitoring of heart rate, blood oxygen saturation, and blood pressure using a smartphone | |
| Van Gastel et al. | New principle for measuring arterial blood oxygenation, enabling motion-robust remote monitoring | |
| Habbu et al. | Estimation of blood glucose by non-invasive method using photoplethysmography | |
| Gupta et al. | Towards non-invasive blood glucose measurement using machine learning: An all-purpose PPG system design | |
| US11617523B2 (en) | Apparatus and method for estimating biological component | |
| Fan et al. | Robust blood pressure estimation using an RGB camera | |
| JP5948836B2 (en) | Measuring device, measuring method, program, and recording medium | |
| CN108366759A (en) | Equipment, system and method for extracting physiologic information | |
| EP3752060A1 (en) | System and method for obtaining health data using a neural network | |
| WO2017112753A1 (en) | Devices and methods for predicting hemoglobin levels using electronic devices such as mobile phones | |
| WO2018220052A1 (en) | An apparatus and method | |
| Golap et al. | Hemoglobin and glucose level estimation from PPG characteristics features of fingertip video using MGGP-based model | |
| Jain et al. | Everything you wanted to know about noninvasive glucose measurement and control | |
| Prabha et al. | Intelligent estimation of blood glucose level using wristband PPG signal and physiological parameters | |
| GR20180100577A (en) | Method and system for non-invasive glucose / diabetes diagnosis and monitoring | |
| Karolcik et al. | A multi-site, multi-wavelength PPG platform for continuous non-invasive health monitoring in hospital settings | |
| Nampoothiri et al. | Comparison of infrared and red photoplethysmography signals for non-calibrated non-invasive blood glucose monitoring | |
| Singha et al. | Multiple Regression Analysis Based Non-Invasive Blood Glucose Level Estimation Using Photoplethysmography | |
| Lee et al. | A Non-Invasive Blood Glucose Estimation System using Dual-channel PPGs and Pulse-Arrival Velocity | |
| Chatterjee et al. | Non-Invasive Heart State Monitoring an Article on Latest PPG Processing | |
| Natarajan et al. | Camera-based blood pressure monitoring | |
| US20240023838A1 (en) | Non-invasive blood glucose monitoring system | |
| Hassan et al. | A real-time non-contact heart rate measurement based on imaging photoplethysmography (ippg)-power spectral density (psd) |