TW202324448A - 血糖數值監控方法 - Google Patents
血糖數值監控方法 Download PDFInfo
- Publication number
- TW202324448A TW202324448A TW110146469A TW110146469A TW202324448A TW 202324448 A TW202324448 A TW 202324448A TW 110146469 A TW110146469 A TW 110146469A TW 110146469 A TW110146469 A TW 110146469A TW 202324448 A TW202324448 A TW 202324448A
- Authority
- TW
- Taiwan
- Prior art keywords
- blood glucose
- value
- mobile device
- risk
- level
- Prior art date
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本案係一種血糖數值監控方法,其包括下列步驟:藉由一血糖機收集一血糖值相關資料,該血糖機具有一第一藍芽模組;將該血糖值相關資料經由該第一藍芽模組傳送至一行動裝置上,該行動裝置中具有一第二藍芽模組;該行動裝置將該血糖值相關資料傳送至一雲端計算模組,於進行候選風險因子計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準;以及將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組回傳至該行動裝置,該行動裝置上具有一應用程式,該應用程式於接收該個人化參數、風險數值及套用條件標準後,可以一圖像儀表板方式顯示該血糖值相關資料。
Description
本發明係有關於一種血糖數值監控方法,尤指一種可以一數字化儀表板方式顯示該血糖值相關資料之血糖數值監控方法。
按,根據衛福部所公布最新的統計資料顯示,台灣在2019年國人十大死因的前十位中,糖尿病以高居第五位,台灣每年在每十萬人口中就有42.4人死於糖尿病,且人數有上升的趨勢。
目前第二型糖尿病患者多為中老人,一般量測血糖常常使用紙本記錄,或使用門診醫師護理師提供的紀錄手冊,經常忘記填寫、寫錯、塗改,遺失等等問題不斷的發生。
目前坊間雖有許多健康管理應用程式(APP),但著重在亞健康或健康民眾的健康管理,包含血壓、身高體重(BMI)、或運動(步數)等資料的紀錄與追蹤,缺乏針對糖尿病患者的長期追蹤。
即便有一些針對血糖機的配合APP,也只有針對血糖數值的紀錄與折線圖趨勢分析,並未提供以視覺化(圖像)為主的介面與紅、黃、綠燈號的儀表板與警示等功能。
另,習知之血糖數值監控方法技術,例如中華民國I580966號發明專利「血糖計啟動系統」,係揭示一種血糖計啟動系統,包含一試片與一血糖計。其中,試片中具有至少二接腳,且至少二接腳距離試片底緣的距離不等。當試片插入血糖計中後,至少二接腳可以與血糖計內的至少二連接點電性連接,並形成短路進而啟動血糖計。本發明透過接腳距離試片底緣位置不等的設計,可改善試片接腳尚未到適當位置前血糖計即被提前啟動的問題。
又例如中華民國M295501號新型專利「掌上型生理監測裝置」,係揭示一種掌上型生理監測裝置,其係包括一外殼、一可充氣加壓與洩氣釋壓的薄袋、一用以偵測薄袋脈動的壓力感測單元、一偵測血氧濃度的血氧偵測探頭及一中央處理器單元,該中央處理器單元係用以控制及計算出血壓、血氧以及血管特性評估結果,並可加入溫度測量模組和生物感測器測量模組組合為多功能居家生理監測裝置,另該裝置可具有無線傳輸的功能,藉此提供一方便攜帶可作為居家護理和遠距醫療使用且具有直流和交流雙電源系統的生理監測裝置。
又例如中華民國I502537號新型專利「生理資料量測管理系統及其方法」,係揭示一種生理資料量測管理方法。首先,接收一生理資料輸入。其次,依據上述生理資料輸入,得到一量測排程,其中上述量測排程包括一量測頻率與相應上述量測頻率之至少一量測點。之後,於上述量測點進行生理資料量測,得到一量測值。接著,依據上述量測值與一既定異常判斷準則,動態更新上述量測排程之上述量測頻率及/或上述量測點,並以上述更新後之量測頻率及/或更新後之量測點來進行後續量測。
但上述I580966號、M295501號及I502537號專利及習知多健康管理APP或系統軟體都多僅具有為儲存功能,皆未具有可以一圖像儀表板方式顯示血糖值相關資料之技術特徵,誠屬美中不足之處。
針對上述習知血糖數值監控技術之缺點,本發明提供一種血糖數值監控方法,以改善上述之缺點。
本發明之一目的係提供一種血糖數值監控方法,其可以一數字化儀表板方式顯示該血糖值相關資料。
為達上述之目的,本發明之血糖數值監控方法,其包括下列步驟:藉由一血糖機收集一血糖值相關資料,該血糖機具有一第一藍芽模組;將該血糖值相關資料經由該第一藍芽模組傳送至一行動裝置上,該行動裝置中具有一第二藍芽模組;該行動裝置將該血糖值相關資料傳送至一雲端計算模組,於進行候選風險因子計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準;以及將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組回傳至該行動裝置,該行動裝置上具有一顯示裝置,且該顯示裝置上具有一應用程式,該應用程式於接收該個人化參數、風險數值及套用條件標準後,可以一圖像儀表板方式顯示該血糖值相關資料。
其中,該血糖值相關資料包括一血糖數值、一尿酸數值、體脂數值、血壓數值、膽固醇數值、體重數值、性別數值、年齡數值、身高數值及體重數值。
其中,該雲端計算模組進一步包括一單一建模模式及一二階預測模式。
其中,該單一建模模式可將風險因子都直接用作預測變數,並依序與一RF、一SVM、一ELM、一MARS 及一XGBoost風險因子建構五個單一預測模型;該二階預測模式係整合該RF、MARS、XGBoost三種風險因子的結果為輸入變數,再使用該RF、SVM、ELM、MARS及 XGBoost風險因子的二階段預測模式,以識別重要的風險因子。
其中,該RF風險因子是基於CART決策樹的演算方法,其概念為以隨機的方式運用多個決策樹建立一個森林,森林裡面由很多獨立的決策樹組成,每棵樹由拔靴樣本(Bootstrap Samples)的袋內資料建構,再由袋外資料(未被抽取的樣本)估計模型的預測的平均準確率及錯誤率(Breiman, 2001),以調整選擇子特徵數量,最後,每棵樹的集合以資料型態若是連續型則採用平均,而類別型資料以簡單多數表決投票決定。
其中,該ELM風險因子是根據單隱藏層前饋神經網路(Single-hidden Layer Feedforward neural Networks, SLFNs)的新學習方法,ELM主要是隨機確定輸入權重並系統地計算網絡的輸出權重(Harrington, 2012),其建模時間比傳統的前饋網絡學習算法要快。
其中,該MARS風險因子是一個多變量、非線性及無母數迴歸處理方法,為遞迴分割(Recursive Partitioning)與雲形適應(Spline Fitting)技術的結合,其本質是以數個基本函數不斷的近似與加權,並建構出較具可調整與彈性的預測模式(Friedman, 1991)。
其中,該XGBoost風險因子是一種基於梯度提升的決策樹方法Chen, & Guestrin, 2016),其原理是通過每個迭代過程都產生新模型,並試圖糾正先前模型中的缺陷或不足,在梯度提升中,新的弱學習器被構造為與每次迭代與整個組件相關的損失函數的負梯度最大相關。
其中,該SVM風險因子是以統計學習理論(Statistical Learning Theory)為基礎(Vapnik, 1998),運用結構風險最小化原理(Structural Risk Minimization Inductive Principle)以及最大化在群體間之點的邊界所提出的機器學習系統(Vapnik, 1995),SVM建構模式為使用核函式線性或非線性將輸入向量,以維度映射並進行非線性的預測,其概念為建構一個超平面,讓資料在空間中能夠良好的被區分成兩類(Cortes, & Vapnik, 1995)。
其中,該行動裝置為一智慧型手機或平板,該圖像儀表板包括一綠燈、一黃燈及一紅燈或一派餅圖。
為使 貴審查官能進一步瞭解本發明之結構、特徵及其目的,茲附以圖式及較佳具體實施例之詳細說明如后。
請一併參照圖1至圖3b,其中圖1繪示本案一較佳實施例之血糖數值監控方法之流程圖;圖2繪示本案一較佳實施例之血糖數值監控方法之使用示意圖;圖3a繪示本案一較佳實施例之應用程式之示意圖;圖3b繪示本案一較佳實施例之應用程式之細部示意圖。
如圖所示,本發明之血糖數值監控方法,其包括下列步驟:藉由一血糖機10收集一血糖值相關資料,該血糖機10具有一第一藍芽模組11(步驟1);將該血糖值相關資料經由該第一藍芽模組11傳送至一行動裝置20上,該行動裝置20中具有一第二藍芽模組21(步驟2);該行動裝置20將該血糖值相關資料傳送至一雲端計算模組30,於進行候選風險因子計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準(步驟3);以及將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組21回傳至該行動裝置20,該行動裝置20上具有一顯示裝置22,且該顯示裝置22上具有一應用程式23,該應用程式23於接收該個人化參數、風險數值及套用條件標準後,可以一圖像儀表板方式顯示該血糖值相關資料(步驟4)。
其中,於該步驟1中,藉由一血糖機10收集一血糖值相關資料,該血糖機10具有一第一藍芽模組11;其中,該血糖值相關資料包括例如但不限於為一血糖數值、一尿酸數值、體脂數值、血壓數值、膽固醇數值、體重數值、性別數值、年齡數值、身高數值及體重數值。
於該步驟2中,將該血糖值相關資料經由該第一藍芽模組11傳送至一行動裝置20上,該行動裝置20中具有一第二藍芽模組21;其中,該行動裝置20例如但不限於為一智慧型手機或平板。
於該步驟3中,該行動裝置20將該血糖值相關資料傳送至一雲端計算模組30,於進行候選風險因子計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準;其中,該雲端計算模組30進一步包括一單一建模模式及一二階預測模式。
其中,該單一建模模式可將風險因子都直接用作預測變數,並依序與一RF(Random Forest, RF,隨機森林)、一SVM(Support vector machine, SVM,支援向量機)、一ELM(extreme learning machine, ELM,極限學習機)、一MARS(Multivariate Adaptive Regression Splines, MARS,多元適應性雲形迴歸)及一XGBoost(eXtreme Gradient Boosting, XGBoost,極限梯度提升)風險因子建構五個單一預測模型;該二階預測模式係整合該RF、MARS、XGBoost三種風險因子的結果為輸入變數,再使用該RF、SVM、ELM、MARS及 XGBoost風險因子的二階段預測模式,以識別重要的風險因子。
其中,該RF是基於CART決策樹的演算方法,其概念為以隨機的方式運用多個決策樹建立一個森林,森林裡面由很多獨立的決策樹組成,每棵樹由拔靴樣本(Bootstrap Samples)的袋內資料建構,再由袋外資料(未被抽取的樣本)估計模型的預測的平均準確率及錯誤率(Breiman, 2001),以調整選擇子特徵數量,最後,每棵樹的集合以資料型態若是連續型則採用平均,而類別型資料以簡單多數表決投票決定。其中RF 模型中樹的集合,可以定義為等式(1)表示:
(1) |
該SVM是以統計學習理論(Statistical Learning Theory)為基礎(Vapnik, 1998),運用結構風險最小化原理(Structural Risk Minimization Inductive Principle)以及最大化在群體間之點的邊界所提出的機器學習系統(Vapnik, 1995)。SVM建構模式為使用核函式線性或非線性將輸入向量,以維度映射並進行非線性的預測,其概念為建構一個超平面,讓資料在空間中能夠良好的被區分成兩類(Cortes, & Vapnik, 1995)。SVM 的目標是搜索超平面的以優化問題,SVM 可以由以下公式(2)表示:
(2) |
其中
是輸入變量,
是已知的目標變量, 𝑁 是樣本觀測的數量,𝑑是每個觀測的維度,
是超平面的向量,𝑏是一個偏差項。為了求解方程(2),使用拉格朗日方法轉化優化問題。藉由懲罰因子調整參數以控制最大化邊界距離和分類誤差之間的權衡。
該ELM是根據單隱藏層前饋神經網路(Single-hidden Layer Feedforward neural Networks, SLFNs)的新學習方法,ELM主要是隨機確定輸入權重並系統地計算網絡的輸出權重(Harrington, 2012),其建模時間比傳統的前饋網絡學習算法要快。減少了在基於梯度的方法中發現的通常的缺點,例如停止標準,學習率(Ting et al., 2020)。在 SLFNs 中,𝑁 表示任意不同的樣本
,使用
個隱藏神經元和激活函數向量
,並以零誤差逼近 𝑁 樣本,由公式(3)表示為:
(3) |
該MARS是一個多變量、非線性及無母數迴歸處理方法,為遞迴分割(Recursive Partitioning)與雲形適應(Spline Fitting)技術的結合,其本質是以數個基本函數不斷的近似與加權,並建構出較具可調整與彈性的預測模式(Friedman, 1991)。MARS可以使用公式(4)表示
(4) |
其中變數
與
皆為參數值,其主要是賦予類似迴歸係數的功能,M為BF的個數,藉由評估準則決定;
乃通用模型中後段累乘的部分,亦即基本方程式(BF)。MARS模式使用前向算法選擇所有可能的基本函數及其相應的節點,並基於廣義交叉驗證標準,使用反向算法以在所有基本函數中消除沒有貢獻的基本函數。最終,生成一個最佳的非線性預測模式。
該XGBoost是一種基於梯度提升的決策樹方法Chen, & Guestrin, 2016)。其原理是通過每個迭代過程都產生新模型,並試圖糾正先前模型中的缺陷或不足。在梯度提升中,新的弱學習器被構造為與每次迭代與整個組件相關的損失函數的負梯度最大相關。Xgboost的目標函數由兩部分組成:訓練集上的損失函數和懲罰模型複雜性的正則化項如下(Mitchell, & Frank, 2017):
(5) |
於該步驟4中,將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組21回傳至該行動裝置20,該行動裝置20上具有一顯示裝置22,且該顯示裝置22上進一步一應用程式23,該應用程式23於接收該個人化參數、風險數值及套用條件標準後,可以一圖像儀表板方式顯示該血糖值相關資料;其中,該數字化儀表板例如但不限於包括一綠燈、一黃燈及一紅燈或一派餅(pie)圖。
如圖2所示,本發明之血糖數值監控方法於運作時,使用者可藉由一血糖機10收集一血糖值相關資料,該血糖機10同時內建有一第一藍芽模組11;接著將該血糖值相關資料經由該第一藍芽模組11傳送至該行動裝置20上,該行動裝置20中具有一第二藍芽模組21,其中該血糖值相關資料除了使用者的血糖值外,也可包含測量時間、使用者的尿酸數值、體脂數值、血壓數值、膽固醇數值、體重數值、性別數值、年齡數值、身高數值及體重數值等;接著,該行動裝置20將該血糖值相關資料傳送至雲端計算模組30,藉由如上所述之單一建模模式及二階預測模式根據該RF、SVM、ELM、MARS 及XGBoost等風險因子進行計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準;最後,再將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組21回傳至該行動裝置20,該行動裝置20上則具有一顯示裝置22,且該顯示裝置22上進一步具有一應用程式23,該應用程式23於接收該個人化參數、風險數值及套用條件標準等資料後,可以一數字化儀表板方式顯示該血糖值相關資料。
如圖3a所示,本發明之應用程式23中進一步具有:一血糖記錄欄位231;一體重記錄欄位232;一血壓記錄欄位233;一體脂記錄欄位234;一尿酸記錄欄位235;以及一膽固醇記錄欄位236等資料欄位。
如圖3b所示,當使用者點選及觸控該血糖記錄欄位231選項時,該顯示裝置22之應用程式23上會進一步以一數字化儀表板方式顯示該血糖值相關資料,例如但不限於為該數字化儀表板可以一綠燈2311、一黃燈2312及一紅燈2313方式顯示該血糖值相關資料。其中,當該使用者的血糖值單位(mg/dl)落在100~110之間時,該數字化儀表板會以綠燈2311(表示控制良好)顯示
;如果是使用者的血糖值單位落在120~160之間時,則以黃燈2312顯示(提醒使用者要注意飲食)
;如果,使用者的血糖值單位時常超過180,甚至是一直在200以上,則以紅燈2313顯示(提醒使用者要注意飲食及按時服藥)。以方便使用者可以採用更淺顯易懂的方式知道自己(病人)、朋友(長輩患者)或自身家人(父母親患者)的身體狀況,對於現今市面上有的應用程式,承接新型的預估測量以及風險分析處理方式,使繁雜的健康資料簡潔且精準地呈現讓使用者可以更早發現身體可能的隱疾,盡早向醫療機構尋求協助及治療。同時,本發明將支援台灣糖尿病照護網下的各醫療機構或診所,未來可擷取醫生建議,並且可以利用本發明之的應用程式轉換至個人健康數據EXCEL或儀表板圖示的PDF提供給醫生,方便原看診主治醫生追蹤與監控,以達到24小時全天候血糖監控與健康照護的功能,實現人工智能糖尿病健康助理的目的。
當然本發明之應用程式23還有建置其他的專利演算法,當不同的性別、年齡、血壓數值、或其他的重要以輸入的參考變數,經雲端計算後,參考標準也會異動,符合不同的病人,或個人不同的階段標準。此外,本發明之應用程式23亦可以派餅圖方式顯示該血糖值、體重值、血壓值、體脂值、尿酸值以及膽固醇值等相關資料。
綜上所述,藉由本發明之血糖數值監控方法之實施,其具有:1、可以一綠燈、一黃燈及一紅燈或一派餅圖方式顯示該血糖值相關資料,以方便使用者可以採用更淺顯易懂的方式知道自己(病人)、朋友(長輩患者)或自身家人(父母親患者)的身體狀況,對於現今市面上有的應用程式,承接新型的預估測量以及風險分析處理方式,使繁雜的健康資料簡潔且精準地呈現讓使用者可以更早發現身體可能的隱疾,盡早向醫療機構尋求協助及治療;2、支援台灣糖尿病照護網下的各醫療機構或診所,未來可擷取醫生建議,並且可以利用本發明之的應用程式轉換至個人健康數據EXCEL或儀表板圖示的PDF提供給醫生,方便原看診主治醫生追蹤與監控,以達到24小時全天候血糖監控與健康照護的功能,實現人工智能糖尿病健康助理的目的等優點,確實可改善習知血糖數值監控技術之缺點且具有進步性。
本案所揭示者,乃較佳實施例,舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者,俱不脫本案之專利權範疇。
綜上所陳,本案無論就目的、手段與功效,在在顯示其迥異於習知之技術特徵,且其首先發明合於實用,亦在在符合發明之專利要件,懇請 貴審查委員明察,並祈早日賜予專利,俾嘉惠社會,實感德便。
10:血糖機
11:第一藍芽模組
20:行動裝置
21:第二藍芽模組
22:顯示裝置
23:應用程式
23:應用程式
231:血糖記錄欄位
2311:綠燈
2312:黃燈
2313:紅燈
232:體重記錄欄位
233:血壓記錄欄位
234:體脂記錄欄位
235:尿酸記錄欄位
236:膽固醇記錄欄位
30:雲端計算模組
圖1為一示意圖,其繪示本案一較佳實施例之血糖數值監控方法之流程圖。
圖2為一示意圖,其繪示本案一較佳實施例之血糖數值監控方法之使用示意圖。
圖3a為一示意圖,其繪示本案一較佳實施例之應用程式之示意圖。
圖3b為一示意圖,其繪示本案一較佳實施例之應用程式之細部示意圖。
10:血糖機
11:第一藍芽模組
20:行動裝置
21:第二藍芽模組
22:顯示裝置
23:應用程式
30:雲端計算模組
231:血糖記錄欄位
232:體重記錄欄位
233:血壓記錄欄位
234:體脂記錄欄位
235:尿酸記錄欄位
236:膽固醇記錄欄位
Claims (10)
- 一種血糖數值監控方法,其包括下列步驟: 藉由一血糖機收集一血糖值相關資料,該血糖機具有一第一藍芽模組; 將該血糖值相關資料經由該第一藍芽模組傳送至一行動裝置上,該行動裝置中具有一第二藍芽模組; 該行動裝置將該血糖值相關資料傳送至一雲端計算模組,於進行候選風險因子計算及決定後分別產生一個人化參數、一風險數值及一套用條件標準;以及 將該個人化參數、風險數值及套用條件標準經由該第二藍芽模組回傳至該行動裝置,該行動裝置具有一顯示裝置,且該顯示裝置上進一步具有一應用程式,該應用程式於接收該個人化參數、風險數值及套用條件標準後,可以一圖像儀表板方式顯示該血糖值相關資料。
- 如申請專利範圍第1項所述之血糖數值監控方法,其中該血糖值相關資料包括一血糖數值、一尿酸數值、體脂數值、血壓數值、膽固醇數值、體重數值、性別數值、年齡數值、身高數值及體重數值。
- 如申請專利範圍第1項所述之血糖數值監控方法,其中該雲端計算模組進一步包括一單一建模模式及一二階預測模式。
- 如申請專利範圍第3項所述之血糖數值監控方法,其中該單一建模模式可將風險因子都直接用作預測變數,並依序與一RF、一SVM、一ELM、一MARS 及一XGBoost風險因子建構五個單一預測模型;該二階預測模式係整合該RF、MARS、XGBoost三種風險因子的結果為輸入變數,再使用該RF、SVM、ELM、MARS及 XGBoost風險因子的二階段預測模式,以識別重要的風險因子。
- 如申請專利範圍第4項所述之血糖數值監控方法,其中該RF風險因子是基於CART決策樹的演算方法,其概念為以隨機的方式運用多個決策樹建立一個森林,森林裡面由很多獨立的決策樹組成,每棵樹由拔靴樣本的袋內資料建構,再由袋外資料(未被抽取的樣本)估計模型的預測的平均準確率及錯誤率,以調整選擇子特徵數量,最後,每棵樹的集合以資料型態若是連續型則採用平均,而類別型資料以簡單多數表決投票決定。
- 如申請專利範圍第4項所述之血糖數值監控方法,其中該ELM風險因子是根據單隱藏層前饋神經網路的新學習方法,ELM主要是隨機確定輸入權重並系統地計算網絡的輸出權重,其建模時間比傳統的前饋網絡學習算法要快。
- 如申請專利範圍第4項所述之血糖數值監控方法,其中該MARS風險因子是一個多變量、非線性及無母數迴歸處理方法,為遞迴分割與雲形適應技術的結合,其本質是以數個基本函數不斷的近似與加權,並建構出較具可調整與彈性的預測模式。
- 如申請專利範圍第4項所述之血糖數值監控方法,其中該XGBoost風險因子是一種基於梯度提升的決策樹方法,其原理是通過每個迭代過程都產生新模型,並試圖糾正先前模型中的缺陷或不足,在梯度提升中,新的弱學習器被構造為與每次迭代與整個組件相關的損失函數的負梯度最大相關。
- 如申請專利範圍第4項所述之血糖數值監控方法,其中該SVM風險因子是以統計學習理論為基礎,運用結構風險最小化原理以及最大化在群體間之點的邊界所提出的機器學習系統,SVM建構模式為使用核函式線性或非線性將輸入向量,以維度映射並進行非線性的預測,其概念為建構一個超平面,讓資料在空間中能夠良好的被區分成兩類。
- 如申請專利範圍第1項所述之血糖數值監控方法,其中該行動裝置為一智慧型手機或平板,該圖像儀表板包括一綠燈、一黃燈及一紅燈或一派餅圖。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110146469A TW202324448A (zh) | 2021-12-10 | 2021-12-10 | 血糖數值監控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110146469A TW202324448A (zh) | 2021-12-10 | 2021-12-10 | 血糖數值監控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202324448A true TW202324448A (zh) | 2023-06-16 |
Family
ID=87803658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110146469A TW202324448A (zh) | 2021-12-10 | 2021-12-10 | 血糖數值監控方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202324448A (zh) |
-
2021
- 2021-12-10 TW TW110146469A patent/TW202324448A/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6723952B2 (ja) | 非一時的コンピュータ可読媒体、デバイス及び方法 | |
García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
Bhaskar et al. | Time series classification-based correlational neural network with bidirectional LSTM for automated detection of kidney disease | |
KR102297367B1 (ko) | 생체정보 수집 및 온라인 문진을 이용한 건강관리케어 서비스 제공 서버 | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
CN107803843A (zh) | 一种基于树莓派的人体健康监测机器人 | |
Dabas et al. | Application of artificial intelligence methodologies to chronic wound care and management: a scoping review | |
KR102421172B1 (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
Basjaruddin et al. | Measurement device for stress level and vital sign based on sensor fusion | |
Davoodnia et al. | Deep multitask learning for pervasive BMI estimation and identity recognition in smart beds | |
CN112890785A (zh) | 利用非接触影像式生理检测技术的健康管理系统 | |
Kim et al. | Modeling long-term human activeness using recurrent neural networks for biometric data | |
Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
JP2020513274A (ja) | バランスを定量化するための多重パラメータ法 | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
TW202324448A (zh) | 血糖數值監控方法 | |
US20210345915A1 (en) | Methods Circuits Devices Systems and Machine Executable Code for Glucose Monitoring Analysis and Remedy | |
CN114903475A (zh) | 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 | |
CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
Sundas et al. | Comprehensive Study of Machine Learning-Based Systems for Early Warning of Clinical Deterioration | |
Zhao et al. | External validation of a deep learning prediction model for in-hospital mortality among ICU patients | |
Manivannan et al. | Health monitoring system for diabetic patients | |
US20240099656A1 (en) | Method and system for secretion analysis embedded in a garment | |
EP4224373A1 (en) | System for forecasting a mental state of a subject and method |