TW202245689A - 血糖值推定裝置、血糖值推定方法及程式 - Google Patents

血糖值推定裝置、血糖值推定方法及程式 Download PDF

Info

Publication number
TW202245689A
TW202245689A TW111111232A TW111111232A TW202245689A TW 202245689 A TW202245689 A TW 202245689A TW 111111232 A TW111111232 A TW 111111232A TW 111111232 A TW111111232 A TW 111111232A TW 202245689 A TW202245689 A TW 202245689A
Authority
TW
Taiwan
Prior art keywords
blood sugar
sugar level
blood
estimation
biological information
Prior art date
Application number
TW111111232A
Other languages
English (en)
Inventor
安藤徳隆
正箱尚久
Original Assignee
日商日清食品控股股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2022034204A external-priority patent/JP2022153288A/ja
Application filed by 日商日清食品控股股份有限公司 filed Critical 日商日清食品控股股份有限公司
Publication of TW202245689A publication Critical patent/TW202245689A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/14551—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 for measuring blood gases

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Optics & Photonics (AREA)
  • Hematology (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Emergency Medicine (AREA)
  • Urology & Nephrology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Biotechnology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)

Abstract

習知，關於血糖值之測定，已知採取被驗者之血液，或自間質液預測血糖值之方法。然而，無論採用哪種方法，均需侵襲性地向被驗者之皮膚中紮入針等，從而存在對被驗者造成心理上或生理上之負擔之問題。  根據本發明，基於事先獲得之數個被驗者之屬性資訊、非侵襲性生物體資訊及血液檢查之檢查資料，藉由機械學習生成血糖值推定模型，藉此能根據既定之使用者之屬性資訊及/或非侵襲性生物體資訊，非侵襲性地推定血糖值。

Description

血糖值推定裝置、血糖值推定方法及程式
本發明係關於一種血糖值推定裝置、血糖值推定方法及程式。
習知，關於血糖值之測定，已知採取被驗者之血液，或自間質液預測血糖值之方法。然而，無論採用哪種方法，均需侵襲性地向被驗者之皮膚中紮入針等，從而存在對被驗者造成心理上或生理上之負擔之問題。作為非侵襲性地推定血糖值之方法，例如已知專利文獻1中所記載之方法。專利文獻1中記載了：測定呼氣試樣中包含之異戊二烯之天然穩定碳同位素比，而將其使用作為血糖值動態指標。  [先前技術文獻]  [專利文獻]
[專利文獻1]日本專利特開2017-9597號公報  [非專利文獻]
[非專利文獻1]Psychology Research and Behavior Management 2011:4 81-86、Summary of the clinical investigations E.S.Teck Complex March, 20, 2010摘要  [非專利文獻2]R. N. Chua, Y. W. Hau, C. M. Tiew and W. L. Hau, "Investigation of Attention Deficit/Hyperactivity Disorder Assessment Using Electro Interstitial Scan Based on Chronoamperometry Technique," in IEEE Access, vol. 7, pp. 144679-144690, 2019, doi: 10.1109/ACCESS.2019.2938095.  [非專利文獻3]Maarek A. Electro interstitial scan system: assessment of 10 years of research and development. Med Devices (Auckl). 2012; 5:23-30. doi:10.2147/MDER.S29319
(發明所欲解決之問題)
此處，藉由呼氣中之生物標記分子所進行之非侵襲性血糖值推定係伴有穩定碳同位素比之測定，因此難以於健康診斷等中簡易地測定血糖值。
本發明係鑒於如上所述之情況而完成者，本發明之目的在於，提供一種能根據非侵襲性生物體資訊精度極佳地推定血糖值之血糖值推定裝置、血糖值推定方法及程式。  (解決問題之技術手段)
本發明之血糖值推定裝置之特徵在於，其具備：資訊獲取部，其係獲取既定之使用者之屬性資訊及非侵襲性生物體資訊；推定模型記憶部，其係記憶血糖值推定模型；及推定處理部，其係使用血糖值推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算既定之使用者之血糖值推定值。
血糖值推定裝置之特徵在於，其進而具備：訓練資料記憶部，其係記憶訓練資料集；及學習處理部，其係基於上述訓練資料集，藉由機械學習生成上述血糖值推定模型。
血糖值推定裝置之特徵在於：屬性資訊係包含年齡及性別之任一者、或該等之組合，且非侵襲性生物體資訊係包含身體質量指數(BMI，Body Mass Index)、血壓、脈波資料、心電圖資料、生物體阻抗、或該等之組合。
血糖值推定裝置之特徵在於：非侵襲性生物體資訊係進而包含血氧飽和度(SpO2)。
血糖值推定裝置之特徵在於：上述訓練資料集係包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值，且血糖值推定值之推定係精度滿足國際標準ISO 15197中規定之測定精度。
血糖值推定裝置之特徵在於：上述訓練資料集係包含被驗者之非侵襲性生物體資訊及自血液所測定出之血糖值，且上述推定處理部係計算血糖值風險來代替上述血糖值推定值。
血糖值推定裝置之特徵在於：上述學習處理部係於上述訓練資料集上附加基於自血液測定出之血糖值而表示有無上述血糖值風險之標籤，且當上述標籤中有上述血糖值風險之數與無上述血糖值風險之數之差為既定之值以上之情形時，增加上述訓練資料集中之樣本資料，以縮小上述差。
血糖值推定裝置之特徵在於：上述學習處理部係基於不同種類之訓練資料集，分別藉由機械學習生成第1血糖值推定模型及第2血糖值推定模型，且上述推定處理部係使用上述第1血糖值推定模型及上述第2血糖值推定模型，計算上述既定之使用者之血糖值推定值。
血糖值推定裝置之特徵在於，其進而具備：生物體資訊推定部，其係推定上述生物體資訊中包含之BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊，且上述資訊獲取部係獲取藉由上述生物體資訊推定部所推定出之生物體資訊作為上述既定之使用者之生物體資訊。
本發明之非侵襲血糖值推定系統之特徵在於：除了具備血糖值推定裝置以外，進而具備測定非侵襲性生物體資訊之生物體資訊測定裝置，從而構成非侵襲血糖值推定系統。
本發明中之血糖值推定方法之特徵在於，其包含以下步驟：記憶包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值之訓練資料集的步驟；基於訓練資料集，藉由機械學習生成血糖值推定模型的步驟；及使用血糖值推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算既定之使用者之血糖值推定值的步驟。
本發明中之程式之特徵在於，其使電腦執行以下步驟：記憶包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值之訓練資料集的步驟；基於訓練資料集，藉由機械學習生成血糖值推定模型的步驟；及使用血糖值推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算既定之使用者之血糖值推定值的步驟。  (對照先前技術之功效)
根據本發明，能使用非侵襲性生物體資訊，藉由機械學習精度極佳地推定血糖值。
以下，參照圖式對實施形態進行說明。再者，實施形態為例示，本發明並不限定於下述構成。
＜裝置之功能＞  參照圖1～圖8，對本實施形態之血糖值推定系統1及血糖值推定裝置30進行說明。圖1係表示本實施形態之血糖值推定系統1之概略構成之方塊圖。血糖值推定系統1係具備終端裝置10、生物體資訊測定裝置20、血糖值推定裝置30、顯示裝置39。
終端裝置10只要為可輸入使用者之屬性資訊(姓名、ID、年齡、性別等)及身高、體重等，且可將輸入之資訊通過有線或無線之通信網路輸出至血糖值推定裝置30之資訊終端，即可採用任何資訊終端。例如可例舉包括平板終端、智慧型手機、可穿戴終端等在內之行動終端等、或個人電腦(PC，Personal Computer)。再者，身高、體重等可藉由下述生物體資訊測定裝置20來測定。
生物體資訊測定裝置20係測定使用者之非侵襲性生物體資訊。此處，所謂非侵襲性生物體資訊係指採用無需向皮膚內或軀體之開口部位插入器具之方法所獲得之生物體資訊。非侵襲性生物體資訊可利用市售之身高計、體重計、血壓計、脈搏血氧儀、脈波計、心電圖計、阻抗測定機、膚電測定機等來測定。又，亦可使用能同時測定脈波資料、心電圖資料、生物體阻抗、血氧飽和度(SpO2)之EstecBC-3(兩用系統)。該等裝置能不對使用者造成心理上或生理上之負擔地測定出非侵襲性生物體資料。
於本發明之實施形態中，非侵襲性生物體資訊包含BMI(身體質量指數)、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或該等之組合，進而亦可包含血氧飽和度(SpO2)。
BMI係根據身高h[m]及體重w[kg]，藉由下述計算式而算出：  BMI＝w/h 2[kg/m 2]。
血壓中包含收縮期血壓、舒張期血壓、脈壓及平均動脈壓之任一者、或該等之組合。脈壓係藉由下述式計算：  脈壓＝收縮期血壓－舒張期血壓。  平均動脈壓係藉由下述式計算：  平均動脈壓＝舒張期血壓＋脈壓×1/3。
脈波資料係利用脈波計或脈搏血氧儀，藉由對手指等軀體突出部位自紅色發光二極體(Red LED)照射紅色光(～660 nm)、自紅外線發光二極體(IR LED照)射近紅外光(～905 nm)，並由光電晶體接收該透射光而測定。  脈波資料中包含脈搏、彈性指數、末梢血管阻力、加速度脈波、b/a、e/a、-d/a、高澤式加速度脈波老化指數、射血率、左室射血時間(LVET，Left Ventricular Ejection Time)、重搏彈性指數(DEI，Dicrotic-pulse Elasticity Index)之任一者、或該等之組合。  此處，所謂彈性指數係指自指尖容積脈波中收縮期之波峰起至檢測到舒張期之波峰為止之時間除以身高所得之數值。末梢血管阻力係藉由平均動脈壓/心輸出量×80而求出。DEI(重搏彈性指數)係表示舒張期血管之彈性之指標，可藉由脈波傳導速度(PWV，Pulse Wave Velocity)測定裝置來測定。0.3~0.7為正常，0.3以下有高血壓或動脈硬化之可能性，0.7以上則暗示有急性焦慮神經症之可能性。  加速度脈波係指尖容積脈波(photoplethysmogram：PTG)之二次微分波(second derivative of photoplethysmogram：SDPTG)。加速度脈波由初期陽性波(a波)、初期陰性波(b波)、收縮中期再上升波(c波)、收縮後期再下降波(d波)、及舒張初期陽性波(e波)所構成，上述b/a、e/a、-d/a係根據各波高之比例計算。隨著老化，可見b/a之上升及c/a、d/a、e/a之下降，因此藉由高澤式加速度脈波老化指數(b-c-d-e)/a可評估出血管之老化。射血率係各心跳自心室輸送之血液之比例，且與加速度脈波老化指數成正比。LVET係左心室射血時間，且為主動脈瓣打開後左室內之血液向主動脈射出之時間。
心電圖資料可藉由使用電極進行之心電圖法(ECG)或光電脈波法(PPG)而測定。  心電圖資料中包含呼吸次數、心率、RR間隔、RR間隔之標準偏差、MxDMn比率、低頻帶之功率譜、高頻帶之功率譜、心率變動指標低頻(LF，Low Frequency)/高頻(HF，High Frequency)、總功率之任一者、或該等之組合。此處，所謂RR間隔係指自心電圖之QRS波至下一個QRS波之間隔。所謂MxDMn比率係指時間內之最長RR間隔與最短RR間隔之比，且為不規律之心跳指數。所謂總功率係指2分鐘之分鐘測定中之頻率為0～0.4 Hz(超低頻(VLF，Very Low Frequency)、LF、HF)之功率譜之總功率之計算值。該值反映交感神經活動主要佔據之自主神經系統活動整體。  藉由根據心電圖計算功率譜密度，能計算高頻之功率譜比例(0.1875～0.50 Hz：HF)、低頻之功率譜比例(0.05～0.1875 Hz：LF)、LF/HF比、超低頻帶之功率譜比例(0～0.05 Hz：VLF)。
生物體之阻抗(電導)可藉由使例如雙足、雙手、左右額共計6處電極中之2處之間流通微弱之電流而測定。若使6處電極中之2處流通電流，則能測定(i)陽極/陰極之電導(μS)、(ii)陰極/陽極之電導(μS)、(iii)藉由上述(i)所測定出之電導與藉由上述(ii)所測定出之電導之差量(∆SCR A－SCR C)、(iv)電導率(μS/m)。又，同時亦能測定肌肉量、體脂量、總水分量、相位角、阻力值。又，亦能測定右手
Figure 02_image001
左手間、右額
Figure 02_image001
左額間通電時之介電係數(μSi)。較佳為自6處電極利用22個圖案之通電性測定生物體之阻抗(電導)。
生物體阻抗中包含體脂量(kg)、體脂量(%)、去脂體重、去脂率、肌肉量、總水分量(kg)、總水分量(%)、細胞內水分量(%)、心輸出量、1額左側-2右手/SCR A、1額左側-2右手/∆SCR C－SCR A、5左手-6左足/∆SCR C－SCR A、13左足-14右足/SCR A、15右手-16額左側/∆SCR C－SCR A、15右手-16額左側SCR C、19右足-20左手/∆SCR C－SCR A、ESG2＋4＋15＋17(μS/m)、ESG6＋13＋19(%)、ESG6＋8＋19＋21(%)、ESG6＋8＋19＋21(μS/m)、ESG9＋10(μS/m)、ESG9＋10(%)、左足之電導、R(Ω)、相位角、額路徑之介電係數、至額路徑之電導率(9)、單手-單手路徑之介電係數、自手至手之電導率(11、12)、1次搏出量(心輸出量÷心率)之任一者、或該等之組合。
此處，所謂SCR為皮膚電導反應(skin conductance response)之簡稱，所謂ESG為電子掃描圖之簡稱。ESG2＋4＋15＋17中之「＋」係意指藉由身體上所隨附之哪個電極所測定出的。例如，ESG2＋4＋15＋17係意指如圖2所示藉由自左手向左額通電時之左手、自右手向右額通電時之右手、自右手向左額通電時之右手、自左手向右額通電時之左手所測定出之電導之平均值。關於該等電導，非專利文獻1中有詳細記載。再者，關於ESG(電子掃描圖)之測定方法，非專利文獻2、3中有詳細記載。  「1額左側-2右手/SCR A」係意指以使「1額左側」為陰極，「2右手」為陽極方向之方式流通電流時所測定出之路徑之電導(或傳導性)，「5左手-6左足/∆SCR C－SCR A」係意指以使「5左手」、「6左足」間呈陽極-陰極、陰極-陽極之方式通電時所測定出之電導之差分。
BMI及血壓可藉由身高體重計、血壓計來測定。又，非侵襲性生物體資訊中亦可包含根據SpO2及心輸出量所計算出之氧運輸量。
所測定出之非侵襲性生物體資訊係通過有線或無線之通信網路輸出至血糖值推定裝置30。生物體資訊測定裝置20可為配置之測定裝置，亦可為如能穿戴終端般可攜之測定裝置。
血糖值推定裝置30係具備第1獲取部31、第2獲取部32、使用者資料記憶部33、訓練資料記憶部34、學習處理部35、推定模型記憶部36、推定處理部37、推定資料記憶部38。第1獲取部31係藉由終端裝置10獲取使用者之屬性資訊。又，第2獲取部32係藉由生物體資訊測定裝置20獲取使用者之非侵襲性生物體資訊。
使用者資料記憶部33係記憶由第1獲取部31及第2獲取部32獲得之使用者之屬性資訊與非侵襲性生物體資訊。
訓練資料記憶部34係記憶數個由事先獲得之數個被驗者之屬性資訊、非侵襲性生物體資訊、藉由血液檢查得到之血糖值等檢體檢查資訊所構成之訓練資料集，將其作為用於機械學習之訓練資料集。再者，檢體檢查資訊中亦可進而包含自血液、尿、便等得到之檢查資訊。
學習處理部35係獲取訓練資料記憶部34中記憶之訓練資料集，並使用訓練資料集製作血糖值推定模型。具體而言，將所獲得之訓練資料集正規化，並藉由神經網路(NN)、XGBoost等梯度提昇、線性回歸等之機械學習，學習屬性資訊及非侵襲性生物體資訊與血糖值之關係。學習處理部35係生成根據非侵襲性生物體資訊推定血糖值之推定模型。  推定模型記憶部36係記憶藉由學習處理部35所生成之血糖值推定模型。  非侵襲性生物體資訊中包含BMI、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或該等之組合。進而，視需要而包含血氧飽和度(SpO2)。
推定處理部37係使用藉由學習處理部35所生成之推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，推定使用者之血糖值。然後，血糖值推定值被記憶至推定資料記憶部38。
顯示裝置39可將血糖值推定值與使用者之屬性資訊及非侵襲性生物體資訊一併顯示。再者，該等資料亦可顯示於使用者所持有之終端裝置10。
＜裝置之硬體構成＞  圖3係血糖值推定裝置30之硬體構成圖。如圖3所示，血糖值推定裝置30係由具有一個或數個處理器301、記憶體302、儲存器303、輸入輸出埠304、通信埠305之電腦300所構成。處理器301係藉由執行程式而進行與本實施形態之血糖值推定相關之處理。記憶體302係暫時記憶程式及程式之運算結果。儲存器303係儲存執行血糖值推定裝置30所進行之處理之程式。儲存器303只要能藉由電腦讀取，即可採用任意儲存器，例如可利用記錄媒體(磁碟、光碟等)、隨機存取記憶體、快閃型記憶體、唯讀記憶體等各種記錄媒體。輸入輸出埠304係藉由終端裝置10及生物體資訊測定裝置20輸入資訊，或向顯示裝置39輸出血糖值推定值。通信埠305係於未圖示之其他電腦等資訊終端之間進行資料之收發。通信之方法可利用無線通信、有線通信。  再者，血糖值推定裝置30可藉由市售之桌上型PC或筆記型PC來安裝，使用推定模型算出血糖值推定值所需之時間為數秒。  再者，於血糖值推定裝置30之處理器301中，進行動作時，上述第1獲取部31、第2獲取部32、學習處理部35、推定處理部37等發揮功能。
＜藉由機械學習生成血糖值推定模型＞  圖4係表示藉由機械學習生成血糖值推定模型之執行步序之流程圖。  於步驟ST101中，學習處理部35係進行輸入資料(例如，上述訓練資料集)之預處理。具體而言，學習處理部35係將各被驗者之性別之屬性資訊轉換成獨熱(One-hot)向量。又，學習處理部35係將除了性別以外之屬性資訊、各被驗者之非侵襲性生物體資訊、藉由血液檢查所得到之血糖值之檢體檢查資訊利用yeo-johnson轉換或boc-box轉換等正規化。  於步驟ST102中，學習處理部35係使藉由線性回歸、神經網路(NN)及梯度提昇回歸樹所進行之機械學習並行地執行。再者，亦可選擇線性回歸、神經網路(NN)及梯度提昇回歸樹中之任一者使用，或將兩者組合使用。又，關於梯度提昇之超參數調整，亦可使用格點搜索。於藉由梯度提昇回歸樹所進行之機械學習時，可使用XGBoost、CatBoost、LightBGM等軟體庫。  於步驟ST103中，學習處理部35係對藉由線性回歸、神經網路(NN)及梯度提昇回歸樹所得到之學習結果，進而執行非採樣(unsample)學習(嶺回歸)。再者，當於步驟ST102中選擇了線性回歸、神經網路(NN)及梯度提昇回歸樹之任一者時，無需執行步驟ST103中之非採樣學習(嶺回歸)。  學習處理部35係將藉由上述學習處理所生成之血糖值推定模型記憶至推定模型記憶部36。
藉由線性回歸所進行之機械學習，係例如可使用屬於Python之開源機械學習庫之Scikit-learn中所提供之線性回歸(linear regression)。又，視需要，亦可藉由主成分分析壓縮維數。  再者，上述機械學習演算法僅為一例，並不限定於其等。
圖5係使用作為推定模型之神經網路(NN)之構造。長方形係表示進行資料轉換之層群，圓角長方形係表示輸入輸出資料。D為檢查項目數。圖5之推定模型係經由4個層群(Compile A1~Compile A3、Compile B)，按照D維、96維、96維、96維、1維之順序轉換資料。
又，如圖5所示，Compile A1～A3係包含進行全連接處理之全連接層「Linear」、進行正則化之「Keranel regulizar」、進行ReLU處理之ReLU層「ReLU」，層群Compile B係包含進行全連接處理之全連接層「Linear」、及進行最佳化處理之「Adam」層。層群Compile A1之全連接層之輸入單元相當於輸入層，層群Compile B之輸出單元相當於輸出層，位於該等之間之單元相當於中間層(隱藏層)。中間層中包含將一部分輸入值控制為0以防止過學習之Dropout層。
於在藉由梯度提昇回歸樹所進行之機械學習中使用了XGBoost之情形時，計算藉由血液檢查所得到之血糖值與血糖值推定值之殘差，並調整XGBoost之各參數(max_depth、subsample、colsample_bytree、learning_rat)以使均方誤差最小，而生成推定模型。max_depth為決策樹之深度，subsample為各樹中隨機抽出之標本之比例，colsample_bytree為各樹中隨機抽出之行之比例，learning_rate表示學習率。其中，max_depth係於1～10之範圍內進行調整，subsample係於0.1～1.0之範圍內進行調整，colsample_bytree係於0.3～1.0之範圍內進行調整，learning_rate係於0.1～0.7之範圍內進行調整。
＜使用血糖值推定模型推定血糖值＞  圖6係表示血糖值推定處理之執行步序之流程圖。  於步驟ST201中，血糖值推定裝置30之第1獲取部31藉由終端裝置10獲取使用者之屬性資訊。於步驟ST202中，血糖值推定裝置30之第2獲取部32獲取使用者之非侵襲性生物體資訊。然後，將使用者之屬性資訊與非侵襲性生物體資訊記憶至使用者資料記憶部33。繼而，於步驟ST203中，使用推定模型記憶部36中所儲存之血糖值推定模型，藉由推定處理部37算出血糖值推定值。  於步驟ST204中，將所算出之血糖值推定值記憶至推定資料記憶部38，於步驟ST205中，將血糖值推定值輸出至顯示裝置39等外部終端，使其顯示。
＜實施例(血糖值推定)＞  以下記載本案發明之實施例。但，本發明並不限定於以下實施例。  屬性資訊中包含ID、姓名、年齡、性別，非侵襲性生物體資訊中包含BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)。作為BMI之計算基準之身高、體重分別藉由身高計及體重計來計測，血壓則藉由血壓計來測定。又，脈波資料、心電圖資料、生物體阻抗、血氧飽和度(SpO2)係藉由EstecBC-3(兩用系統)來測定。再者，亦可取代EstecBC-3，而將市售之脈波計、心電圖計、阻抗測定裝置、脈搏血氧儀組合使用。又，可使用既定之可穿戴終端來獲取上述非侵襲性生物體資訊。  生物體阻抗(電導)之測定係藉由使雙足、雙手、左右額共計6處電極中之2處之間流通微弱之電流而進行測定。電壓與電流分別設定為1.28 V、200 μA，電導係每1秒測定32毫秒。使6處電極中之2處流通電流，而測定(i)陽極/陰極之電導(μS)、(ii)陰極/陽極之電導(μS)、(iii)藉由上述(i)所測定出之電導與藉由上述(ii)所測定出之電導之差量(∆SCR A－SCR C)、(iv)電導率(μS/m)。  又，測定肌肉量、體脂量、總水分量、相位角及阻力值，亦測定右手
Figure 02_image004
左手間、右額
Figure 02_image004
左額間通電時之介電係數(μSi)。
藉由EstecBC-3，對各被驗者進行2分鐘之脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)之測定。測定時，於被驗者之左手食指安裝具備心電圖、脈波計及脈搏血氧儀之功能之儀器，且於額頭安裝2個電極，然後於坐在椅子上之狀態下將雙手雙足置放於電極板之上。
＜學習模型1＞  於學習模型1中，如圖4所示，使藉由線性回歸、神經網路(NN)及梯度提昇回歸樹(XGBoost)所進行之機械學習並行地執行，並對該等之學習結果進而執行非採樣學習(嶺回歸)。  此時，選擇、使用下述所示之資料作為屬性資訊及非侵襲性生物體資料。(A)屬性資訊・性別(B)非侵襲性生物體資料・BMI・血壓…收縮期血壓、舒張期血壓、脈壓・脈波資料…脈搏、射血率、彈性指數、LVET(左心室射血時間)、b/a、-d/a、加速度脈波老化指數・心電圖資料…呼吸頻率、MxDMn比率、LF/HF、總功率・生物體阻抗…肌肉量、ESG2＋4＋15＋17(μS/m)、ESG6＋8＋19＋21[%]、ESG9＋10(μS/m)、ESG9＋10[%]、R(Ω)、總水分量(%)、心輸出量・血氧飽和度(SpO2)。  此處，ESG9＋10係於圖2所示之部位測定出之阻抗之平均值。[μS/m]係實測平均值之單位，[%]係於通常可計測之範圍內將實測平均值縮比轉換所得之值。
又，非侵襲性生物體資料中進而包含根據生物體阻抗中包含之心輸出量及血氧飽和度(SpO2)所推定出之氧運輸量及脈壓/脈搏之資料。
＜學習模型2＞  於學習模型2中，執行藉由梯度提昇回歸樹(XGBoost)所進行之機械學習。此時，選擇、使用下述所示之資料作為屬性資訊及非侵襲性生物體資料。(A)屬性資訊・年齡・性別(B)非侵襲性生物體資料・BMI・血壓…舒張期血壓、平均動脈壓、脈壓・脈波資料…脈搏、彈性指數、b/a、射血率、加速度脈波老化指數・心電圖資料…心率、RR間隔、低頻帶之功率譜、LF/HF・生物體阻抗…體脂量(%)、肌肉量、ESG2＋4＋15＋17(μS/m)、ESG9＋10(μS/m)、ESG9＋10(%)、R(Ω)、心輸出量・血氧飽和度(SpO2)。
又，非侵襲性生物體資料中進而包含根據生物體阻抗中包含之心輸出量及血氧飽和度(SpO2)所推定出之氧運輸量及脈壓/脈搏之資料。
＜實施例1＞  於實施例1中，使用累計555名被驗者之(1)屬性資訊、(2)藉由身高體重計、血壓計及EstecBC-3所測定出之非侵襲性生物體資訊、及(3)藉由與非侵襲性生物體資訊測定同日進行之血液檢查所得到之血糖值之訓練資料集，通過上述學習模型1之機械學習，生成血糖值推定模型。  然後，對血糖值推定模型之推定精度進行是否滿足ISO 15197中所規定之測定精度之評價。具體而言，確認血糖值推定值中之95%以上，在血糖值為100 mg/dL以下之情形時是否收斂於±15 mg/dL之範圍內，在100 mg/dL以上之情形時是否收斂於±15%之範圍內。  其結果，血糖值推定值與實際血糖值之誤差之平均：-0.7，標準偏差：7.43，標準誤差：0.63，基於ISO 15197之基準之準確率超過95%且為97%。
＜實施例2＞  於實施例2中，使用累計711名被驗者之(1)屬性資訊、(2)藉由身高體重計、血壓計及EstecBC-3所測定出之非侵襲性生物體資訊、及(3)藉由與非侵襲性生物體資訊測定同日進行之血液檢查所得到之血糖值之訓練資料集，通過上述學習模型2之機械學習，生成血糖值推定模型。  然後，對血糖值推定模型之推定精度進行是否滿足ISO 15197中所規定之測定精度之評價。具體而言，確認血糖值推定值中之95%以上，在血糖值為100 mg/dL以下之情形時是否收斂於±15 mg/dL之範圍內，在100 mg/dL以上之情形時是否收斂於±15%之範圍內。  其結果，血糖值推定值與實際血糖值之誤差之平均：0.18，標準偏差：7.77，標準誤差：0.58，基於ISO 15197之基準之準確率超過95%且為95.4%。
如上所述，基於包含BMI(身體質量指數)、血壓、脈波資料、心電圖資料及生物體阻抗等之非侵襲生物體資料，通過機械學習生成血糖值推定模型，藉此，無需進行血液檢查即可進行血糖值之推定。
又，如下所示，即便限定了非侵襲生物體資料中包含之各資料之數，亦能進行「血糖值風險」、即血糖值是否正常化之判定。
＜藉由機械學習生成血糖值風險推定模型＞  圖7係表示藉由機械學習生成血糖值風險推定模型之執行步序之流程圖。  於步驟ST301中，學習處理部35進行輸入資料(例如，上述訓練資料集)之預處理。具體而言，學習處理部35係針對藉由血液檢查所得到之血糖值，將血糖值未滿100 mg/ml轉換成0(無風險)，將100 mg/ml以上轉換成1(有風險)。又，學習處理部35於被歸類為0之人數與被歸類為1之人數相背離且不均衡之情形時，亦可對學習資料應用SMOTE(Chawla, NV. et al. 2002)，而人工地生成訓練樣本。亦即，可於輸入資料(訓練資料集)上附加基於自血液所測定出之血糖值而表示有無血糖值風險之標籤(例如，上述0或1)，且當該標籤中有血糖值風險(標籤：1)之數與無血糖值風險(標籤：0)之數之差為既定之值以上之情形時，增加(生成)訓練資料集中之樣本資料，以縮小該差。  於步驟ST302中，學習處理部35係執行藉由邏輯回歸所進行之機械學習。於藉由邏輯回歸所進行之機械學習時，例如可使用屬於Python之開源機械學習庫之Scikit-learn中所提供之邏輯回歸(Logistic Regression)。又，視需要，亦可藉由主成分分析壓縮維數。  又，比較藉由血液檢查所得到之血糖值風險與藉由機械學習所推定出之血糖值風險，調整邏輯回歸之各參數(C、正則化方法、max_iter、solber)，以使f1得分最大，而生成血糖值風險推定模型。此處，所謂C為決定正則化強度之權衡參數，值越大則正則化強度越弱。所謂正則化方法係意指L1正則化或L2正則化，並從中選擇。max_iter為重複學習之最大次數。於solber中選擇將交叉熵誤差最小化之收斂方法(例如，L-BFGS法、牛頓CG法、雙線性(liblinear)、sag及saga)。再者，於下述實施例3、4中選擇了雙線性法。  再者，上述機械學習演算法僅為一例，並不限定於其等。
＜使用血糖值風險推定模型推定血糖值風險＞  如圖8所示，於步驟ST401中，血糖值推定裝置30之第1獲取部31自終端裝置10獲取使用者之屬性資訊。於步驟ST402中，血糖值推定裝置30之第2獲取部32獲取使用者之非侵襲性生物體資訊。然後，將使用者之屬性資訊與非侵襲性生物體資訊記憶至使用者資料記憶部33。繼而，於步驟ST403中，使用推定模型記憶部36中儲存之血糖值風險推定模型，藉由推定處理部37算出血糖值風險、即屬於0級(無風險)或1級(有風險)之概率。於步驟ST404中，將所算出之血糖值風險推定值記憶至推定資料記憶部38，於步驟ST405中，將血糖值風險推定值輸出至顯示裝置39等外部終端，使其顯示。  再者，血糖值推定裝置30可藉由市售之桌上型PC或筆記型PC來安裝，使用推定模型算出血糖值推定值所需之時間為數秒。
＜實施例(血糖值風險推定)＞  以下記載血糖值風險推定之實施例。但，本發明中之血糖值風險推定之樣態並不限定於以下實施例。  屬性資訊中包含ID、姓名、年齡、性別，非侵襲性生物體資訊中包含BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)。作為BMI之計算基準之身高、體重分別藉由身高計及體重計來計測，血壓則藉由血壓計來測定。又，脈波資料、心電圖資料、生物體阻抗、血氧飽和度(SpO2)係藉由EstecBC-3(兩用系統)來測定。再者，亦可取代EstecBC-3，而將市售之脈波計、心電圖計、阻抗測定裝置、脈搏血氧儀組合使用。又，可使用既定之可穿戴終端來獲取上述非侵襲性生物體資訊。  生物體阻抗(電導)之測定係藉由使雙足、雙手、左右額共計6處電極中之2處之間流通微弱之電流而進行測定。電壓與電流分別設定為1.28 V、200 μA，電導係每1秒測定32毫秒。使6處電極中之2處流通電流，而測定(i)陽極/陰極之電導(μS)、(ii)陰極/陽極之電導(μS)、(iii)藉由上述(i)所測定出之電導與藉由上述(ii)所測定出之電導之差量(∆SCR A－SCR C)、(iv)電導率(μS/m)。  又，測定肌肉量、體脂量、總水分量、相位角及阻力值，亦測定右手
Figure 02_image004
左手間、右額
Figure 02_image004
左額間通電時之介電係數(μSi)。
藉由EstecBC-3，對各被驗者進行2分鐘之脈波資料、心電圖資料、生物體阻抗及血氧飽和度(SpO2)之測定。測定時，於被驗者之左手食指安裝具備心電圖、脈波計及脈搏血氧儀之功能之儀器，且於額頭安裝2個電極，然後於坐在椅子上之狀態下將雙手雙足置放於電極板之上。
＜學習模型3＞  於學習模型3中，如圖7所示，執行藉由邏輯回歸所進行之機械學習。此時，選擇、使用下述所示之資料作為非侵襲性生物體資料。再者，與上述學習模型1、2不同，於學習模型3中無需被驗者之屬性資訊。(B)非侵襲性生物體資料・血壓…收縮期血壓・脈波資料…彈性指數・心電圖資料…呼吸頻率、心率、低頻之功率譜・生物體阻抗…體脂量(kg)、肌肉量、總水分量(%)、19右足-20左手/∆SCR C－SCR A、ESG6+13+19(%)與ESG6+8+19+21(%)之平均值。
＜學習模型4＞  於學習模型4中，如圖7所示，執行藉由邏輯回歸所進行之機械學習。此時，選擇、使用下述所示之資料作為非侵襲性生物體資料。再者，與上述學習模型1、2不同，於學習模型4中無需被驗者之屬性資訊。(B)非侵襲性生物體資料・BMI・血壓…收縮期血壓・脈波資料…彈性指數、末梢血管阻力・心電圖資料…呼吸頻率、心率、低頻帶之功率譜、LF/HF・生物體阻抗…體脂量(%)、肌肉量、總水分量(%)、3額右側-4左手/SCR A、ESG6+13+19(%)與ESG6+8+19+21(%)之平均值、雙足之電導值合計值。
又，非侵襲性生物體資料中進而包含根據生物體阻抗中包含之心輸出量及血氧飽和度(SpO2)所推定出之氧運輸量。
＜實施例3＞  於實施例3中，使用321名被驗者之(1)藉由身高體重計、血壓計及EstecBC-3所測定出之非侵襲性生物體資訊、及(2)藉由與非侵襲性生物體資訊測定同日進行之血液檢查所得到之血糖值之訓練資料集，通過上述學習模型3之機械學習，生成血糖值風險推定模型。  然後，關於血糖值風險推定模型之推定精度，藉由ROC_AUC曲線評價推定結果。其結果，ROC_AUC顯示為0.78，表示可完成良好之分類且超過0.7。實施例3之推定結果之ROC_AUC曲線示於圖9。
＜實施例4＞  於實施例4中，使用累計711名被驗者之(1)藉由身高體重計、血壓計及EstecBC-3所測定出之非侵襲性生物體資訊、及(2)藉由與非侵襲性生物體資訊測定同日進行之血液檢查所得到之血糖值之訓練資料集，通過上述學習模型4之機械學習，生成血糖值風險推定模型。  然後，關於血糖值風險推定模型之推定精度，藉由ROC_AUC曲線評價推定結果。其結果，ROC_AUC顯示為0.79，表示可完成良好之分類且超過0.7。實施例4之推定結果之ROC_AUC曲線示於圖10。
(變化例)  於上述實施形態中，雖對使用學習模型1或學習模型2推定血糖值、使用學習模型3或學習模型4推定血糖值風險之例進行了說明，但亦可使用數個學習模型來推定血糖值或血糖值風險。  藉此，相較於使用1個學習模型推定血糖值或血糖值風險，能更高精度地進行推定。
又，於上述實施形態及實施例中，可見若使用BMI作為學習模型之資料集則推定精度提高之事例，因此亦可於血糖值推定裝置設置推定該BMI之功能部。  BMI一般無法藉由可穿戴終端等獲得，而是根據使用者所輸入之身高、體重求出，藉由推定該BMI，僅獲取生物體資訊即可獲得上述血糖值或血糖值風險，因此對於使用者而言，方便性提高。  BMI之推定方法並不特別限定，例如已知BMI與使用者之腹部之(既定位置之)傾斜度存在相關性。因此，例如亦可於使用者之腹部設置既定之加速度感測器(或使具備加速度感測器之手環式可穿戴終端等抵著腹部)，基於自該加速度感測器所輸出之資料，求出腹部之傾斜度，而推定BMI。
又，與上述同樣地，亦可使用具備脈波感測器或血氧濃度感測器之手環式可穿戴終端等來推定脈波資料、血氧飽和度。
又，與上述同樣地，亦可使用手環式可穿戴終端等來推定血壓。此係由於已知藉由心跳通過動脈所傳輸之脈波之速度與血壓存在相關性，因此亦可使用測定該藉由心跳通過動脈所傳輸之脈波之速度的既定之感測器來推定血壓。
又，與上述同樣地，亦可使用手環式可穿戴終端等來推定心電圖資料。例如，可基於自設置於手環式可穿戴終端之與顯示面為相反側之面之電極、及設置於顯示面側之電極所得到之資料，推定心電圖資料。具體而言，可使佩戴有手環式可穿戴終端之手(例如，左手)之手腕與上述設置於相反側面之電極相接，使與該佩戴之手為相反側之手(例如，右手)之指尖與上述設置於顯示面側之電極相接，根據藉此得到之資料來推定心電圖資料。
又，與上述同樣地，對於生物體阻抗，亦可使用具備各種電極之手環式可穿戴終端等來推定生物體阻抗。例如，可使用手環式可穿戴終端等，基於自胸部與手腕所得到之生物體資訊來推定生物體阻抗。
再者，亦可將能藉由可穿戴終端獲得之生物體資訊、及上述推定對象之生物體資訊(BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊)作為教學資料，使用採用各種機械學習演算法所生成之分類器來推定作為上述推定對象之生物體資訊。  再者，於該情形時，上述第1獲取部亦可獲取所推定出之生物體資訊。
(其他)  又，例如上述一系列處理可藉由硬體來執行，亦可藉由軟體來執行。換言之，上述功能性構成僅為例示，並不特別限定。亦即，只要資訊處理系統具備能整體執行上述一系列處理之功能即可，至於究竟使用怎樣之功能模塊來實現該功能並不特別限定於上述例。又，功能模塊之存在位置亦不特別限定於圖4所示，可任意設定。例如，可將伺服器之功能模塊移植至其他終端或裝置等。反之亦可將其他終端或裝置之功能模塊移植至伺服器等。又，一個功能模塊可由硬體單體構成，亦可由軟體單體構成，還可由該等之組合構成。
於藉由軟體執行一系列處理之情形時，構成該軟體之程式係自網路或記錄媒體安裝至電腦等。電腦可為組裝於專用之硬體中之電腦。又，電腦亦可為藉由安裝各種程式而能執行各種功能之電腦，例如伺服器之其他通用之智慧型手機或個人電腦。
包含此種程式之記錄媒體不僅可由為了向使用者等提供程式而與裝置本體分開配置之未圖示之可移媒體所構成，亦可由以預先組裝於裝置本體中之狀態向使用者等提供之記錄媒體等所構成。程式可經由網路而傳送，因此記錄媒體亦可為能搭載或接入至已連接於或可連接於網路之電腦。
再者，於本說明書中，記述記錄媒體中所記錄之程式之步驟當然包含按照其順序遵循時間序列所進行之處理，亦包含未必遵循時間序列來執行而是並行或個別地執行之處理。又，於本說明書中，「系統」之用語係意指由數個裝置或數個手段等所構成之整體裝置。
1:血糖值推定系統 10:終端裝置 20:生物體資訊測定裝置 30:血糖值推定裝置 31:第1獲取部 32:第2獲取部 33:使用者資料記憶部 34:訓練資料記憶部 35:學習處理部 36:推定模型記憶部 37:推定處理部 38:推定資料記憶部 39:顯示裝置 300:電腦 301:處理器 302:記憶體 303:儲存器 304:輸入輸出埠 305:通信埠
圖1係表示血糖值推定系統之概略構成之方塊圖。  圖2係用以說明電子掃描圖(ESG，Electros Scan Gram)之圖。  圖3係血糖值推定裝置之硬體構成圖。  圖4係表示藉由機械學習生成血糖值推定模型之執行步序之流程圖。  圖5係神經網路之階層構造。  圖6係表示血糖值推定處理之執行步序之流程圖。  圖7係表示藉由機械學習生成血糖值風險推定模型之執行步序之流程圖。  圖8係表示血糖值風險推定處理之執行步序之流程圖。  圖9係實施例3中之推定結果之ROC_AUC曲線。  圖10係實施例4中之推定結果之ROC_AUC曲線。
1:血糖值推定系統
10:終端裝置
20:生物體資訊測定裝置
30:血糖值推定裝置
31:第1獲取部
32:第2獲取部
33:使用者資料記憶部
34:訓練資料記憶部
35:學習處理部
36:推定模型記憶部
37:推定處理部
38:推定資料記憶部
39:顯示裝置

Claims (12)

  1. 一種血糖值推定裝置，其特徵在於，其具備： 資訊獲取部，其係獲取既定之使用者之屬性資訊及非侵襲性生物體資訊；  推定模型記憶部，其係記憶血糖值推定模型；及  推定處理部，其係使用上述血糖值推定模型，基於上述既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算上述既定之使用者之血糖值推定值。
  2. 如請求項1之血糖值推定裝置，其中，上述屬性資訊係包含年齡及性別之任一者、或該等之組合，且  上述非侵襲性生物體資訊係包含BMI、血壓、脈波資料、心電圖資料及生物體阻抗之任一者、或該等之組合。
  3. 如請求項2之血糖值測定裝置，其中，上述非侵襲性生物體資訊係進而包含血氧飽和度(SpO2)。
  4. 如請求項1至3中任一項之血糖值推定裝置，其進而具備：  訓練資料記憶部，其係記憶訓練資料集；及  學習處理部，其係基於上述訓練資料集，藉由機械學習生成上述血糖值推定模型。
  5. 如請求項4之血糖值推定裝置，其中，上述訓練資料集係包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值，且  血糖值之推定精度係滿足國際標準ISO 15197中規定之測定精度。
  6. 如請求項4或5之血糖值推定裝置，其中，上述訓練資料集係包含被驗者之非侵襲性生物體資訊及自血液所測定出之血糖值，且  上述推定處理部係計算血糖值風險來替代上述血糖值推定值。
  7. 如請求項6之血糖值推定裝置，其中，上述學習處理部係於上述訓練資料集上附加基於自血液測定出之血糖值而表示有無上述血糖值風險之標籤，且  當上述標籤中有上述血糖值風險之數與無上述血糖值風險之數之差為既定之值以上之情形時，增加上述訓練資料集中之樣本資料，以縮小上述差。
  8. 如請求項4至7中任一項之血糖值推定裝置，其中，上述學習處理部係基於不同種類之訓練資料集，分別藉由機械學習生成第1血糖值推定模型及第2血糖值推定模型，且  上述推定處理部係使用上述第1血糖值推定模型及上述第2血糖值推定模型，計算上述既定之使用者之血糖值推定值。
  9. 如請求項1至8中任一項之血糖值推定裝置，其進而具備生物體資訊推定部，其係推定上述生物體資訊中包含之BMI、血壓、脈波資料、心電圖資料、生物體阻抗及血氧飽和度中至少一者以上之生物體資訊，且  上述資訊獲取部係獲取藉由上述生物體資訊推定部所推定出之生物體資訊作為上述既定之使用者之生物體資訊。
  10. 一種非侵襲血糖值推定系統，其特徵在於：  其具備請求項1至9中任一項之上述血糖值推定裝置、及  測定非侵襲性生物體資訊之生物體資訊測定裝置。
  11. 一種血糖值推定方法，其包含以下步驟：  記憶包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值之訓練資料集的步驟；  基於上述訓練資料集，藉由機械學習生成血糖值推定模型的步驟；及  使用上述血糖值推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算既定之使用者之血糖值推定值的步驟。
  12. 一種程式，其使電腦執行以下步驟：  記憶包含被驗者之屬性資訊、非侵襲性生物體資訊及自血液所測定出之血糖值之訓練資料集的步驟；  基於上述訓練資料集，藉由機械學習生成血糖值推定模型的步驟；及  使用上述血糖值推定模型，基於既定之使用者之屬性資訊及/或非侵襲性生物體資訊，計算既定之使用者之血糖值推定值的步驟。
TW111111232A 2021-03-29 2022-03-25 血糖值推定裝置、血糖值推定方法及程式 TW202245689A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021055063 2021-03-29
JP2021-055063 2021-03-29
JP2022034204A JP2022153288A (ja) 2021-03-29 2022-03-07 血糖値推定装置、血糖値推定方法及びプログラム
JP2022-034204 2022-03-07

Publications (1)

Publication Number Publication Date
TW202245689A true TW202245689A (zh) 2022-12-01

Family

ID=83459255

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111111232A TW202245689A (zh) 2021-03-29 2022-03-25 血糖值推定裝置、血糖值推定方法及程式

Country Status (5)

Country Link
US (1) US20230309866A1 (zh)
EP (1) EP4318482A1 (zh)
CN (1) CN115885182A (zh)
TW (1) TW202245689A (zh)
WO (1) WO2022210570A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117918831A (zh) * 2024-01-25 2024-04-26 广东食品药品职业学院 基于特征优化的机器学习血糖无创检测方法，系统及模型

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6471983B2 (ja) 2015-06-16 2019-02-20 日本電信電話株式会社 呼気試料中イソプレンの天然の安定炭素同位体比（１３ｃ／１２ｃ）を分析する方法、および血糖値のモニタリング方法
CN111050642A (zh) * 2017-07-07 2020-04-21 国立大学法人大阪大学 利用了趋势分析的疼痛判别、机器学习、经济性判别模型及应用了IoT的医疗装置、定制化机器学习、以及新型疼痛判别用脑波特征量
JP7046262B2 (ja) * 2019-03-12 2022-04-01 三菱電機株式会社 移動体制御装置および移動体制御方法
JP7517668B2 (ja) * 2019-03-29 2024-07-17 株式会社タニタ 健康情報提供システム及び健康情報提供プログラム

Also Published As

Publication number Publication date
WO2022210570A1 (ja) 2022-10-06
US20230309866A1 (en) 2023-10-05
CN115885182A (zh) 2023-03-31
EP4318482A1 (en) 2024-02-07

Similar Documents

Publication Publication Date Title
JP2022153288A (ja) 血糖値推定装置、血糖値推定方法及びプログラム
Vakulenkoa et al. New application of blood pressure monitor with software environment Oranta-AO based on arterial oscillography methods
WO2022210570A1 (ja) 血糖値推定装置、血糖値推定方法及びプログラム
WO2023013164A1 (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
WO2023013166A1 (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
WO2023013165A1 (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
WO2022270098A1 (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
WO2023013167A1 (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
WO2022270099A1 (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
JP2023024256A (ja) ＨｂＡ１ｃリスク推定装置、ＨｂＡ１ｃリスク推定方法及びプログラム
JP2023002452A (ja) 血中中性脂肪推定装置、血中中性脂肪推定方法及びプログラム
JP2023024258A (ja) 尿酸値推定装置、尿酸値推定方法及びプログラム
JP2023024257A (ja) γＧＴ推定装置、γＧＴ推定方法及びプログラム
JP2023024259A (ja) クレアチニンリスク推定装置、クレアチニンリスク推定方法及びプログラム
JP2023002453A (ja) コレステロールリスク推定装置、コレステロールリスク推定方法及びプログラム
CN117693313A (zh) HbA1c风险推定装置、HbA1c风险推定方法以及程序
CN117678032A (zh) γGT推定装置、γGT推定方法以及程序
CN117677849A (zh) 肌酐风险推定装置、肌酐风险推定方法以及程序
CN117678033A (zh) 尿酸值推定装置、尿酸值推定方法以及程序
Sinichi et al. Quality in Question: Assessing the accuracy of four heart rate wearables and the implications for psychophysiological research.
Centonze A Novel Approach For Blood Pressure Prediction Using Machine Learning Techniques
Rezaei Yousefi Atrial Fibrillation Detection from Photoplethysmography Data Using Artificial Neural Networks
Tsai et al. Analysis of the Accuracy of Resting Heart Rate with the Standing Electronic Weight Scale by Ballistocardiogram
Mahmoud Deep Learning Method for ABP Estimattion Using PPG During Daily Activities
Vakulenko et al. New Application of Arterial Pulsations Registered during Blood Pressure Measurement with the Oranta-AO Information System