CN110151192A - 一种用于血糖监控与预警的辅助医疗***及其使用方法 - Google Patents
一种用于血糖监控与预警的辅助医疗***及其使用方法 Download PDFInfo
- Publication number
- CN110151192A CN110151192A CN201910513061.0A CN201910513061A CN110151192A CN 110151192 A CN110151192 A CN 110151192A CN 201910513061 A CN201910513061 A CN 201910513061A CN 110151192 A CN110151192 A CN 110151192A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- data
- cloud server
- level data
- glucose level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种用于血糖监控与预警的辅助医疗***,包括:多通道临床血糖数据采集装置、云服务器和多个移动终端;所述临床血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;所述云服务器分别与所述多个移动终端通信连接;所述云服务器能够针对获得的血糖数据进行血糖数据预测,获得血糖预测结果数据;多个移动终端能够从所述云服务器处获取血糖预测结果数据。本发明提供的辅助医疗***,通过多通道传感器的数据采集不仅能够使患者看到自己的实时血糖值与30分钟血糖动态预报,而且还能够协助医生监控区域内多个患者的血糖实时信息与预测信息,并根据血糖监测数据与预测血糖值,实现异常血糖状态的预警功能。
Description
技术领域
本发明属于辅助医疗技术领域,尤其涉及一种用于血糖监控与预警的辅助医疗***及其使用方法。
背景技术
随着社会的飞速发展,人们的生活节奏越来越快,我国人民糖尿病发病率也逐渐升高。糖尿病发病主要原因是人体内胰岛素不足或胰岛素受体发生了异常,进而导致血糖含量大于人体最大过滤能力,它的主要表现是高血糖,根据发病机理不同,糖尿病分为Ⅰ型糖尿病和Ⅱ型糖尿病。
目前,美敦力胰岛素泵利用其强大的市场优势不断进行技术创新,已成为胰岛素泵市场上的佼佼者,占据了绝大多数胰岛素市场。美敦力最新提出的胰岛素泵可以根据患者自身的需要灵活调整所需胰岛素基础量,是一款半闭环式胰岛素泵。但是,由于美敦力胰岛素泵无预测血糖的功能,所以存在给药滞后性并且费用昂贵。此外,每个美敦力胰岛素泵仅能针对一个患者进行给药输出,医生仅能看到一位患者的血糖值波动情况,无法同时看到多个患者的血糖数据,加大了医生的工作难度,因此需要提出一种可以协助医生实时对多名患者进行血糖监测与异常预警***。
虽然血糖的变化有一定规律可循,但是血糖波动会受很多方面的影响,如进食后人体血糖会升高,运动或过于紧张焦虑,人体血糖值会下降,所以血糖数据很难稳定在某一均值附近。胰岛素发挥作用具有时滞性,患者注射胰岛素后,经过代谢循环,胰岛素通常会在15-30分钟后发挥作用,为临床上的精确给药设置了一道难题。因此,对预测的解决可以使医生对患者的血糖波动进行预判,帮助医生更好的确定胰岛素的给药量,也可以扩大血糖预测方面在血糖控制中使用的场景。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种用于血糖监控与预警的辅助医疗***及其使用方法,利用多通道采集多个传感器信息,不仅能够使患者看到自己的实时血糖值与30分钟血糖动态预报,而且还能够协助医生监控区域内多个患者的血糖实时信息与预测信息并根据预测血糖值,实现高/低血糖预警功能。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种用于血糖监控与预警的辅助医疗***,包括:多通道临床血糖数据采集装置、云服务器和多个移动终端;
所述多通道临床血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;
所述云服务器分别与所述多个移动终端通信连接;
所述云服务器能够针对获得的血糖数据进行血糖数据预测,获得血糖预测结果数据;
所述多个移动终端能够从所述云服务器处获取血糖预测结果数据。
优选地,所述临床血糖数据采集装置包括:持续血糖监测传感器CGM和胰岛素输注信息采集装置传感器CSII;
所述胰岛素输注信息采集装置传感器CSII能够为所述云服务器发送患者胰岛素注射数据;
所述持续血糖监测传感器CGM能够为所述云服务器发送患者的血糖数据。
优选地,所述多通道临床血糖数据采集装置为UVA/Padova仿真平台;
所述UVA/Padova仿真平台能够为所述云服务器生成虚拟血糖数据。
优选地,所述多个移动终端至少包括:病患使用的患者客户端和医生使用的监控界面信息***客户端。
优选地,所述云服务器至少包括:计算模块和云存储数据库;
所述计算模块能够将获得血糖数据处理为血糖预测结果数据,并将血糖预测结果数据存储到所述云存储数据库中。
本技术方案还提供一种基于上述所述的医疗***的使用方法,包括如下步骤:
临床血糖数据采集装置将采集或模拟的患者血糖数据发送到云存储数据库中;
云存储数据库将接收到的患者血糖数据发送给计算模块;
计算模块利用接收到的患者血糖数据进行血糖预测,获得30分钟后的血糖预测结果数据,并将血糖预测结果数据反馈到云存储数据库中;
云存储数据库中的数据信息反馈给多个移动终端;
所述数据信息至少包括:患者血糖数据和血糖预测结果数据。
优选地,所述步骤:计算模块利用接收到的患者血糖数据进行血糖预测,还包括如下子步骤:
S1、对患者血糖数据进行预处理;
S2、利用变分模态方法VMD对预处理后的血糖数据进行分解,获得一组比原始数据更为平稳的子模态;
S3、针对每个子模态建立GPR模型对子模态进行预测,获得每个子模态的预测值,再将所有获得的预测值融合叠加得到最终的血糖预测结果数据。
优选地,所述步骤S2还包括如下子步骤:
S201、针对每个子模态uk通过希尔伯特变换计算与之相关的解析信号得到单侧频谱,如下:
其中,H(t)为模态解析信号,δ(t)是狄拉克分布,t是采样时间点,{uk}={u1,...,uK};
S202、针对各个子模态,通过对其中心频率ωk进行指数项混叠,将每个子模态调制到对应的基频带,其公式如下:
式中为ωk复平面上的向量描述,{ωk}={ω1,...,ωK};
S203、估计各个子模态的带宽,计算其梯度的平方L2范数,对应求处的约束条件变分问题为:
S204、引入增广拉格朗日函数,用二次惩罚函数项和拉格朗日乘子得到一个非约束问题,最后求解该问题的公式为:
其中,是惩罚项,λ是拉格朗日乘数。
优选地,所述步骤S2还包括:
A1、通过交替更新和来寻找最优解,其收敛条件为:
其中ε代表收敛条件,代表傅立叶变换,n是迭代次数;
A2、得到uk和ω1k函数:
其中,代表当前剩余量,代表当前模态函数功率谱的重心。
优选地,所述步骤S3中GPR模型的核函数为:
其中,m为血糖输入向量的长度,为输出规模参数;为数据的方差。
(三)有益效果
本发明的有益效果是:本发明提供的一种用于血糖监控与预警的辅助医疗***及其使用方法,具有以下有益效果:
(1)能够利用多通道采集多个患者的传感器信息,不仅患者可以看到自己的实时血糖值与30分钟血糖动态预报,同时还能够协助医生监控区域内多个患者的血糖实时信息与预测信息。
(2)***可以为患者提供血糖异常预警功能,患者可以根据自己情况,进行用餐补偿或采取相应给措施。
(3)本发明所采用的VMD-GPR预测模型,能够较为准确的预测出血糖的变化趋势,有利于进行血糖控制。
附图说明
图1为本发明提供的一种用于血糖监控与预警的辅助医疗***的结构示意图;
图2为本发明提供的一种用于血糖监控与预警的辅助医疗***的使用方法中VMD-GPR算法的方法示意图;
图3为本发明提供的一种用于血糖监控与预警的辅助医疗***的使用方法中VMD-GPR算法的算法流程示意图;
图4为本发明提供的一种用于血糖监控与预警的辅助医疗***的使用方法中血糖真实值和预测输出的对比示意图;
图5为本发明提供的一种用于血糖监控与预警的辅助医疗***的使用方法中预测部分效果图;
图6为本发明提供的一种用于血糖监控与预警的辅助医疗***的使用方法中预测预警仿真图;
图7为本发明提供的一种用于血糖监控与预警的辅助医疗***的医生监控界面端信息***的示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
如图1所示:本实施例公开了一种用于血糖监控与预警的辅助医疗***,包括:多通道临床血糖数据采集装置、云服务器和多个移动终端。
所述多通道临床血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器。所述云服务器分别与所述多个移动终端通信连接;所述云服务器能够针对获得的血糖数据进行血糖数据预测,获得血糖预测结果数据;所述多个移动终端能够从所述云服务器处获取血糖预测结果数据。
应说明的是:这里所述的多通道临床血糖数据采集装置能够同时对一个区域内的一个或多个患者进行采集血糖数据,并将采集到的血糖数据发送给云服务器。
其中,多个移动终端至少包括:病患使用的患者客户端和医生使用的监控界面信息***客户端。
在实际应用中患者客户端可以为安装在患者手机客户端APP或其它移动终端,同理医生使用的监控界面信息***客户端可以为手机或电脑等设备。
本实施例中所述临床血糖数据采集装置包括:持续血糖监测传感器CGM和胰岛素输注信息采集装置传感器CSII;所述胰岛素输注信息采集装置传感器CSII能够为所述云服务器发送患者胰岛素注射数据。
所述持续血糖监测传感器CGM能够为所述云服务器发送患者的血糖数据。
或者,本实施例中所述的临床血糖数据采集装置还可以为UVA/Padova仿真平台,即虚拟数据生成平台。
在临床数据不足以驱动相关算法时,利用UVA/Padova仿真平台的虚拟数据协助生成。
这里所述的UVA/Padova仿真平台能够为所述云服务器提供虚拟血糖数据,且能够同时生成一个或多个患者的虚拟血糖数据。
最后,应说明的是本实施例中所述云服务器至少包括:计算模块和云存储数据库。
所述计算模块能够将获得血糖数据处理为血糖预测结果数据,并将血糖预测结果数据存储到所述云存储数据库中。
相应地,本实施例中所述的云服务器还能够根据患者的血糖数据,以及血糖预测结果数据为监控界面信息客户端和患者客户端提供血糖异常警报和血糖智能评估等信息。
本实施例还提供一种基于上述实施例中所述医疗***的使用方法,包括如下步骤:
多通道临床血糖数据采集装置将采集或模拟的患者血糖数据发送到云存储数据库中;
云存储数据库将接收到的患者血糖数据发送给计算模块;
计算模块利用接收到的患者血糖数据进行血糖预测,获得30分钟后的血糖预测结果数据,并将血糖预测结果数据反馈到云存储数据库中;
云存储数据库中的数据信息反馈给多个移动终端;
所述数据信息至少包括:患者血糖数据和血糖预测结果数据。
当然,这里所述的数据信息还包括血糖异常警报和血糖智能评估等信息。
如图2和图3所示:本实施例中所述的步骤:计算模块利用接收到的患者血糖数据进行血糖预测,还包括如下子步骤:
S1、对患者血糖数据进行预处理;
S2、利用变分模态方法VMD对预处理后的血糖数据进行分解,获得一组比原始数据更为平稳的子模态;
S3、针对每个子模态建立GPR模型对子模态进行预测,获得每个子模态的预测值,再将所有获得的预测值融合叠加得到最终的血糖预测结果数据。
本实施例中所述的步骤S2还包括如下子步骤:
S201、针对每个子模态uk通过希尔伯特变换计算与之相关的解析信号得到单侧频谱,如下:
其中,H(t)为模态解析信号,δ(t)是狄拉克分布,t是采样时间点,{uk}={u1,...,uK};
S202、针对各个子模态,通过对其中心频率ωk进行指数项混叠,将每个子模态调制到对应的基频带,其公式如下:
式中为ωk复平面上的向量描述,{ωk}={ω1,...,ωK};
S203、估计各个子模态的带宽,计算其梯度的平方L2范数,对应求处的约束条件变分问题为:
S204、引入增广拉格朗日函数,用二次惩罚函数项和拉格朗日乘子得到一个非约束问题,最后求解该问题的公式为:
其中,是惩罚项,λ是拉格朗日乘数。
相应地,所述步骤S2还包括:
A1、通过交替更新和来寻找最优解,其收敛条件为:
其中ε代表收敛条件,代表傅立叶变换,n是迭代次数;
A2、得到uk和ωk函数:
其中,代表当前剩余量,代表当前模态函数功率谱的重心。
最后,应说明的是:所述步骤S3中GPR模型的核函数为:
其中,m为血糖输入向量的长度,为输出规模参数;为数据的方差。
实施例二
本实施例中提供的医疗***的使用方法还可为如下步骤:
S1、若为真实患者,首先采集传感器数据,如CGM采取其血糖数据和CSII采集其注射数据。
若无临床数据,则选用matlab仿真模块生产虚拟患者数据用于***测试。
S2、若为真实患者,则取医生所诊治区域内所有患者的传感器数据利用MySQL云存储,若为虚拟患者,则将其多个虚拟患者的数据一起进行云存储。
S3、利用Python语言将存入数据云中多个患者的血糖数据多通道利用VMD-GPR预测模型进行预测,然后将预测结果反馈回数据云中。
S4、将数据云中的数据信息反馈给患者客户端和医生的监控界面端信息***。患者可以在移动终端中看到自己的实时血糖值、30分钟预测动态预报、血糖异常预警,以及血糖异常智能评估。在血糖预警中首先结合血糖动态预报结果,结合临床采用的血糖安全阈值范围,设计血糖异常在线预警***。
S5、医生可以通过登录监控界面端信息***(IMS)查阅到他所治疗区域的所有患者的实时血糖值、30分钟血糖动态预测值以及针对血糖预警患者提出给药建议和用餐提醒。
1、从matlab平台中随机选出一名患者,利用其CGM检测出的血糖数据进行预处理,重新采样后作为其血糖值,在仿真中,展现了VMD-GPR预测模型近3天的血糖数据,如图4所示,其中实线为真实值,虚线为预测值。
如图5所示:为针对预测部分的效果图,通过预测样本与测试样本的对比图可以观察到,VMD-GPR模型可以较为精准的预测出血糖变化趋势,利用评价函数中均方根误差得出RMSE=5.99,可以说明在线预测结果较为准确并且精度较高。
2、在血糖预警部分中采用如图所示,其分为血糖值超过180mg/dl时,启动高血糖报警,在140mg/dl-180mg/dl时启动高血糖预警,在70mg/dl-80mg/dl时启动低血糖预警,在70mg/dl以下时启动低血糖报警,如下表所示,本实施例中的血糖异常预警***能够在预测血糖过高或过低发出预警,预设报警标签及相关解释如表所示。
如图6所示:针对预警***在matlab中将血糖预测数据进行了仿真。
在仿真结果图中,+为高血糖报警,○为高血糖预警,·为血糖值处于正常范围。
3、如图7所示:对于多通道的30分钟血糖动态预报部分(以三个虚拟病人为例)。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种用于血糖监控与预警的辅助医疗***,其特征在于,包括:多通道的临床血糖数据采集装置、云服务器和多个移动终端;
所述多通道临床血糖数据采集装置与所述云服务器通信连接,并能够将采集到的血糖数据发送给所述云服务器;
所述云服务器分别与所述多个移动终端通信连接;
所述云服务器能够针对获得的血糖数据进行血糖数据预测,获得血糖预测结果数据;
所述多个移动终端能够从所述云服务器处获取血糖预测结果数据。
2.根据权利要求1所述的医疗***,其特征在于,
所述多通道临床血糖数据采集装置包括:持续血糖监测传感器CGM和胰岛素输注信息采集装置传感器CSII;
所述胰岛素输注信息采集装置传感器CSII能够为所述云服务器发送患者胰岛素注射数据;
所述持续血糖监测传感器CGM能够为所述云服务器发送患者的血糖数据。
3.根据权利要求1所述的医疗***,其特征在于,
所述临床血糖数据采集装置为UVA/Padova仿真平台;
所述UVA/Padova仿真平台能够为所述云服务器提供虚拟血糖数据。
4.根据权利要求2或3所述的医疗***,其特征在于,
所述多个移动终端至少包括:病患使用的患者客户端和医生使用的监控界面信息***客户端。
5.根据权利要求4所述的医疗***,其特征在于,
所述云服务器至少包括:计算模块和云存储数据库;
所述计算模块能够将获得血糖数据处理为血糖预测结果数据,并将血糖预测结果数据存储到所述云存储数据库中。
6.一种基于如权利要求1-5任一项所述的医疗***的使用方法,其特征在于,包括如下步骤:
多通道临床血糖数据采集装置将采集或模拟的患者血糖数据发送到云存储数据库中;
云存储数据库将接收到的患者血糖数据发送给计算模块;
计算模块利用接收到的患者血糖数据进行血糖预测,获得30分钟后的血糖预测结果数据,并将血糖预测结果数据反馈到云存储数据库中;
云存储数据库中的数据信息反馈给多个移动终端;
所述数据信息至少包括:患者血糖数据和血糖预测结果数据。
7.根据权利要求6所述的医疗***,其特征在于,所述步骤:计算模块利用接收到的患者血糖数据进行血糖预测,还包括如下子步骤:
S1、对患者血糖数据进行预处理;
S2、利用变分模态方法VMD对预处理后的血糖数据进行分解,获得一组比原始数据更为平稳的子模态;
S3、针对每个子模态建立GPR模型对子模态进行预测,获得每个子模态的预测值,再将所有获得的预测值融合叠加得到最终的血糖预测结果数据。
8.根据权利要求7所述的医疗***,其特征在于,所述步骤S2还包括如下子步骤:
S201、针对每个子模态uk通过希尔伯特变换计算与之相关的解析信号得到单侧频谱,如下:
其中,H(t)为模态解析信号,δ(t)是狄拉克分布,t是采样时间点,{uk}={u1,...,uK};
S202、针对各个子模态,通过对其中心频率ωk进行指数项混叠,将每个子模态调制到对应的基频带,其公式如下:
式中为ωk复平面上的向量描述,{ωk}={ω1,...,ωK};
S203、估计各个子模态的带宽,计算其梯度的平方L2范数,对应求处的约束条件变分问题为:
S204、引入增广拉格朗日函数,用二次惩罚函数项和拉格朗日乘子得到一个非约束问题,最后求解该问题的公式为:
其中,是惩罚项,λ是拉格朗日乘数。
9.根据权利要求8所述的预测方法,其特征在于,所述步骤S2还包括:
A1、通过交替更新和来寻找最优解,其收敛条件为:
其中ε代表收敛条件,代表傅立叶变换,n是迭代次数;
A2、得到uk和ωk函数:
其中,代表当前剩余量,代表当前模态函数功率谱的重心。
10.根据权利要求9所述的方法,其特征在于,所述步骤S3中GPR模型的核函数为:
其中,m为血糖输入向量的长度,为输出规模参数;为数据的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513061.0A CN110151192A (zh) | 2019-06-14 | 2019-06-14 | 一种用于血糖监控与预警的辅助医疗***及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513061.0A CN110151192A (zh) | 2019-06-14 | 2019-06-14 | 一种用于血糖监控与预警的辅助医疗***及其使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110151192A true CN110151192A (zh) | 2019-08-23 |
Family
ID=67628924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910513061.0A Pending CN110151192A (zh) | 2019-06-14 | 2019-06-14 | 一种用于血糖监控与预警的辅助医疗***及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110151192A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110600128A (zh) * | 2019-09-24 | 2019-12-20 | 东北大学 | “胰岛素依赖型”糖尿病患者的血糖管理***及使用方法 |
CN111128327A (zh) * | 2019-12-30 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种低血糖预警方法和装置 |
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和*** |
CN112370053A (zh) * | 2020-10-16 | 2021-02-19 | 湖州美奇医疗器械有限公司 | 血糖数据通信的监护方法及应用方法 |
CN113796858A (zh) * | 2021-11-18 | 2021-12-17 | 湖州美奇医疗器械有限公司 | 用于血糖数据监测的参比偏移校准算法*** |
CN115363571A (zh) * | 2022-08-31 | 2022-11-22 | 重庆联芯致康生物科技有限公司 | 一种基于cgm传感器的机器学习血糖监测***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104605862A (zh) * | 2010-01-26 | 2015-05-13 | 霍夫曼-拉罗奇有限公司 | 用于处理从具有糖尿病的人测量的葡萄糖数据的方法和*** |
CN108670202A (zh) * | 2012-12-31 | 2018-10-19 | 德克斯康公司 | 分析物测量的远程监测 |
US20180317817A1 (en) * | 2017-05-05 | 2018-11-08 | Samsung Electronics Co., Ltd. | Method of predicting blood glucose level using near-infrared (nir) spectroscopy data |
CN109859850A (zh) * | 2019-03-06 | 2019-06-07 | 东北大学 | 基于变分模态分解和极限学习机的血糖预测方法 |
-
2019
- 2019-06-14 CN CN201910513061.0A patent/CN110151192A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104605862A (zh) * | 2010-01-26 | 2015-05-13 | 霍夫曼-拉罗奇有限公司 | 用于处理从具有糖尿病的人测量的葡萄糖数据的方法和*** |
CN108670202A (zh) * | 2012-12-31 | 2018-10-19 | 德克斯康公司 | 分析物测量的远程监测 |
US20180317817A1 (en) * | 2017-05-05 | 2018-11-08 | Samsung Electronics Co., Ltd. | Method of predicting blood glucose level using near-infrared (nir) spectroscopy data |
CN109859850A (zh) * | 2019-03-06 | 2019-06-07 | 东北大学 | 基于变分模态分解和极限学习机的血糖预测方法 |
Non-Patent Citations (1)
Title |
---|
KONSTANTIN DRAGOMIRETSKIY等: "Variational Mode Decomposition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110600128A (zh) * | 2019-09-24 | 2019-12-20 | 东北大学 | “胰岛素依赖型”糖尿病患者的血糖管理***及使用方法 |
CN111128327A (zh) * | 2019-12-30 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种低血糖预警方法和装置 |
WO2021135688A1 (zh) * | 2019-12-30 | 2021-07-08 | 中国科学院深圳先进技术研究院 | 一种低血糖预警方法和装置 |
CN111128327B (zh) * | 2019-12-30 | 2023-05-26 | 中国科学院深圳先进技术研究院 | 一种低血糖预警方法和装置 |
CN111631730A (zh) * | 2020-05-15 | 2020-09-08 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和*** |
CN111631730B (zh) * | 2020-05-15 | 2023-06-06 | 中国科学院深圳先进技术研究院 | 基于传感数据和生理信息融合的低血糖预警方法和*** |
CN112370053A (zh) * | 2020-10-16 | 2021-02-19 | 湖州美奇医疗器械有限公司 | 血糖数据通信的监护方法及应用方法 |
CN113796858A (zh) * | 2021-11-18 | 2021-12-17 | 湖州美奇医疗器械有限公司 | 用于血糖数据监测的参比偏移校准算法*** |
CN115363571A (zh) * | 2022-08-31 | 2022-11-22 | 重庆联芯致康生物科技有限公司 | 一种基于cgm传感器的机器学习血糖监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110151192A (zh) | 一种用于血糖监控与预警的辅助医疗***及其使用方法 | |
US10188796B2 (en) | Method and system for management of diabetes with a glucose monitor and infusion pump to provide feedback on bolus dosing | |
CN103959291B (zh) | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 | |
CN104147663A (zh) | 基于云技术的胰岛素注射服务*** | |
US20170068790A1 (en) | Systems for predicting hypoglycemia and methods of use thereof | |
CN110192383A (zh) | 电子设备及其操作方法 | |
Bansal et al. | Smart heart rate monitoring system | |
EP4101482A1 (en) | Exercise safety prediction based on physiological conditions | |
EP3294132B1 (en) | Blood glucose measurement apparatus and blood glucose measurement method thereof | |
Zholdas et al. | Health monitoring system using internet of things | |
CN106073734A (zh) | 一种健康仪 | |
WO2022118319A1 (en) | A wearable health data monitoring & conditions detection & treatment device associated to eyeglasses | |
US20210121077A1 (en) | Physical parameter measuring devices | |
US20210228804A1 (en) | Meal insulin determination for improved post prandial response | |
CN116195982A (zh) | 健康检测方法及相关设备 | |
Sun et al. | Design of a human-body health monitoring system based on Android | |
KR20220117632A (ko) | 원격 상담 서비스 제공 방법 및 시스템 | |
Piersanti et al. | Comparison of software packages for the analysis of continuous glucose monitoring data | |
US20230032033A1 (en) | Adaptation of medicament delivery in response to user stress load | |
US20240100253A1 (en) | Incorporation of additional sensors into adaptation of aid systems | |
US20240138776A1 (en) | Wearable non-invasive blood glucose monitoring system | |
CN218792247U (zh) | 一种糖尿病动态监管*** | |
Sharmila et al. | A Survey on Technologies Used in Glucose Monitoring for Diabetic Patients | |
US20220249773A1 (en) | Techniques and devices for adaptation of maximum drug delivery limits | |
Jirka et al. | Glucose measuring device with advanced data processing and improved strip detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |