CN111329491A - 一种血糖预测方法、装置、电子设备和存储介质 - Google Patents
一种血糖预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111329491A CN111329491A CN202010125312.0A CN202010125312A CN111329491A CN 111329491 A CN111329491 A CN 111329491A CN 202010125312 A CN202010125312 A CN 202010125312A CN 111329491 A CN111329491 A CN 111329491A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- data
- feature
- prediction
- vector
- 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
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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本说明书一个或多个实施例提供一种血糖预测方法、装置、电子设备和存储介质;所述方法包括:获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;根据至少一个所述特征数据集,生成至少一个特征向量;根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。本说明书一个或多个实施例基于序列模型,利用血糖数据、进食数据以及胰岛素用药数据来预测用户的血糖值,不再是仅使用血糖数据进行预测,而是通过血糖数据、进食数据以及胰岛素用药数据来充分准确的反映用户的相关情况,有效的提升了血糖预测的准确率。
Description
技术领域
本说明书一个或多个实施例涉及人工智能技术领域,尤其涉及一种血糖预测方法、装置、电子设备和存储介质。
背景技术
随着生活水平的提高,越来越多的人患有糖尿病。研究数据表明过去三十年间,我国糖尿病患病率从低于1%迅速增长至超过10%。能够及时准确地预测血糖水平,有效地控制血糖波动,是治疗糖尿病的途径之一。
随着人工智能技术的快速发展和广泛应用,在相关技术中,已经出现通过人工智能技术来预测血糖的技术方案。然而,上述相关技术中的方案普遍存在无法准确反映用户的相关情况,准确率较低的问题。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种血糖预测方法、装置、电子设备和存储介质。
基于上述目的,本说明书一个或多个实施例提供了一种血糖预测方法,包括:
获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;
根据至少一个所述特征数据集,生成至少一个特征向量;
根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
基于同一发明构思,本说明书一个或多个实施例还提供了一种血糖预测装置,包括:
获取模块,被配置为获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;
生成模块,被配置为根据至少一个所述特征数据集,生成至少一个特征向量;
预测模块,被配置为根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项所述的方法。
基于同一发明构思,本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任意一项所述的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的血糖预测方法、装置、电子设备和存储介质,基于序列模型,利用血糖数据、进食数据以及胰岛素用药数据来预测用户的血糖值,不再是仅使用血糖数据进行预测,而是通过血糖数据、进食数据以及胰岛素用药数据来充分准确的反映用户的相关情况,有效的提升了血糖预测的准确率。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的血糖预测方法流程图;
图2为本说明书一个或多个实施例中血糖预测序列模型的工作方式示意图;
图3为本说明书一个或多个实施例的血糖预测装置结构示意图;
图4为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。
如背景技术部分所述,相关技术中的通过人工智能技术进行血糖预测的技术方案,普遍存在准确率较低的问题。相关技术中的通过人工智能技术进行血糖预测的技术方案大致可以分为两类:基于生理模型的血糖预测和基于数据的血糖预测。其中,基于生理模型的预测通过考虑人体中影响血糖水平的因素来预测血糖水平,然而由于人体的生理机制复杂,影响血糖水平的因素多且相互关联,因此难以建立准确的预测模型;另一方面采集人体生理信号费时费力,导致基于生理模型的血糖预测不方便用户使用。所以,相关技术中更多采用的是基于数据的血糖预测。
然而,相关技术中基于数据的血糖预测的准确率仍然较低。在实现本公开的过程中,发明人发现,造成相关技术中基于数据的血糖预测的准确率较低的原因在于:基于数据的血糖预测,均是单一的基于用户的历史血糖数据,而忽略人体生理机制来预测血糖水平。这种方法方便用户使用,然而由于仅仅利用了历史血糖数据,因此造成了准确率存在一定的损失。例如,假设用户的历史血糖数据完全一样,那么在用户使用了大量的含糖食物和没有食用食物的情况下,一小时后的血糖值应该是不同的。此外,用户对于胰岛素药物的使用同样会紧密影响血糖值。综合上述考虑,本说明书一个或多个实施例提出一种血糖预测技术方案,基于序列模型,利用血糖数据、进食数据以及胰岛素用药数据来预测用户的血糖值,不再是仅使用血糖数据进行预测,而是通过血糖数据、进食数据以及胰岛素用药数据来充分准确的反映用户的相关情况,有效的提升了血糖预测的准确率。
以下,通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。
参考图1,本说明书一个实施例的血糖预测方法,包括以下步骤:
步骤S101、获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据。
本步骤中,首先获取用户的特征数据集,基于特征数据集包括的数据来后续对用户的血糖进行预测。一个特征数据集中,至少包括有血糖数据、进食数据和用药数据三种数据。
血糖数据为用户的血糖值。具体的,血糖数据可以包括当前血糖数据和历史血糖数据中的至少一种。其中,当前血糖数据,是指当前对用户进行血糖检测得到的血糖值。历史血糖数据,是指用户历史上用户进行血糖检测得到的血糖值。根据具体的实施需要,可以仅使用当前血糖数据,也可以仅使用历史血糖数据,亦可以同时使用当前血糖数据和历史血糖数据。本实施例中对于血糖数据中用户的血糖值获取的途径不做具体限定,可以是用户自身检测获得并上传的,也可以是从外部的数据源中获取的(如生理指标监控***、软件等)。
进食数据为记载了用户是否进食了食物以及进食了何种食物的数据。获取方式上,可以通过用户上传获取,或者是其他的数据源获取(如医院制定的用户的进食计划)。
用药数据为记载了是否使用了控制血糖的相关药物(一般是胰岛素控制类药物,或者是直接注射胰岛素),以及是用了何种药物的数据。类似的,也可以通过用户上传获取,或者是其他的数据源获取(如医院制定的用户的用药计划)。
本实施例中,特征数据集的数量至少为一个。由于本实施例中后续使用序列模型进行预测,所述的特征数据集即构成一种序列数据,用于输入序列模型进行预测。当特征数据集的数量多于一个时,按照采集时刻的时序,多个特征数据集即构成按时序排列的序列数据。
每个特征数据集对应于一个采集时刻,特征数据集包括的血糖数据、进食数据和用药数据均是对应于一个采集时刻的,即在采集时刻时,用户的血糖值、是否有进食以及是否有用药。其中,由于进食数据和用药数据并不严格对应于一个采集时刻,所以进食数据和用药数据的采用可以扩展至包括采集时刻的一个时间段,如前一采集时刻到当前采集时刻的时间段内是否进食和用药。
此外,对于多个特征数据集对应的采集时刻,采集时刻之间可以是等时间间距的,也可以是非等时间间距的。本实施例中,以多个采集时刻是等时间间距的为例进行说明。
步骤S102、根据至少一个所述特征数据集,生成至少一个特征向量。
本步骤中,基于前述步骤中获取到的特征数据集,根据特征数据集包括的数据,生成对应于用户的特征向量,该特征向量作为后续预测步骤中序列模型的输入。
具体的,对于特征数据集中包括的血糖数据、进食数据和用药数据,分别确定其对应的特征值,即所述血糖数据对应的血糖特征值、血糖数据对应的进食特征值和用药数据对应的用药特征值。
其中,用户的血糖往往会表现出在时间上的连续性和相关性,故为进一步的符合实际情况,所述的血糖数据还可以包括当前血糖数据和历史血糖数据。当前血糖数据,即用户在当前的采集时刻对应的血糖值。历史血糖数据,即用户在历史上的其他时刻对应的血糖值。而前述的其他时刻,可以是当前采集时刻之前的任意时刻,也可以是前述步骤中获取到的其他特征数据集对应的采集时刻。本实施例中,以同时使用当前血糖数据和历史血糖数据为例进行说明。显然,根据实施需要,在其他实施例中也可以仅使用当前血糖数据和历史血糖数据中的一种。
对于血糖数据,其对应的血糖特征值即为血糖值。进一步的,血糖数据包括当前血糖数据和历史血糖数据。则相应的,当前血糖数据对应有当前血糖特征值,历史血糖数据对应有历史血糖特征值,当前血糖特征值和历史血糖特征值均为相应时刻的用户的血糖值。作为一个示例,取两个历史血糖数据,按照时序其相应对应的历史血糖特征值表示为Glu1、Glu2;当前血糖数据对应的当前血糖特征值表示Glu3;按照时序排列设置,血糖特征值即表示为:Glu1、Glu2、Glu3。
对于进食数据,其对应的进食特征值通过向量进行表示。向量中的元素位置表示食物的种类,而元素的取值则表示是否进食了该类食物。由于糖尿病患者进食主食的情况与血糖值关系较为密切,故食物的种类可以选择主食;本实施例中,以主食为例进行说明;显然,根据实施需要,食物的种类也可以设置为蔬菜、水果等其他食物。作为一个示例,表示进食特征值的向量可以表示为(food1,…,foodN),即表示有N种主食。其中,每个元素的取值为1或0;取值为1表示进食了该种主食,取值为0表示未进食该种主食。
对于用药数据,其对应的用药特征值通过向量进行表示,形式和方式上与前述的进食特征值类似。作为一个示例,表示用药特征值的向量可以表示为(drug1,…,drugN),即表示有N种药物。其中,每个元素的取值为1或0;取值为1表示使用了该种药物,取值为0表示未使用该种药物。
在生成特征向量时,将前述的血糖特征值、进食特征值和用药特征值合并生成特征向量,即特征向量可以表示为(Glu1,Glu2,Glu3,food1,…,foodN,drug1,…,drugN)。
以下给出一个更加具体的示例,具体的,包括三个特征数据集,分别为特征数据集1、特征数据集2、特征数据集3,其分别对应的采集时刻为t1、t2、t3;t1、t2、t3之间的时间间隔均为1小时。其中,血糖数据包括当前的采集时刻的血糖值,还包括之前两个采集时刻的血糖值血糖值;进食数据包括米饭和馒头两种主食的进食情况;用药数据包括注射胰岛素一种药物的使用。
对于特征数据集1,仅有采集时刻t1的血糖值为4,则血糖特征值Glu3取值为4;没有之前两个采集时刻的血糖值,则血糖特征值Glu1、Glu2的取值均为0。在采集时刻t1,用户没有进食,也没有使用药物。则根据特征数据集1,生成的特征向量x1为(0,0,4,0,0,0)。
对于特征数据集2,采集时刻t2的血糖值为6,则血糖特征值Glu3取值为6;前一采集时刻t1的血糖值为4,则血糖特征值Glu2取值为4;根据前述数据,血糖特征值Glu1取值为0。在采集时刻t2,用户食用了米饭和馒头,注射了胰岛素。则根据特征数据集2,生成的特征向量x2为(0,4,6,1,1,1)。
对于特征数据集2,采集时刻t3的血糖值为3,则血糖特征值Glu3取值为3;根据前述数据,Glu1、Glu2的取值均为分别为4和6。在采集时刻t3,用户没有进食,也没有使用药物。则根据特征数据集3,生成的特征向量x3为(4,6,3,0,0,0)。
按照时序,特征向量x1、x2、x3即构成了一组序列数据,用于后续的通过序列模型的预测过程。
步骤S103、根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
本步骤中,基于前述步骤中获得x1、x2、x3构成的序列数据,通过一血糖预测序列模型进行用户血糖值的预测。序列模型,是一种循环神经网络(Recurrent Neural Network,RNN),其以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。具体的,当序列数据中的数据输入序列模型后,序列模型会输出一记忆向量,该记忆向量即神经网络中负责将神经元的输入映射到输出端的激活函数的权重矩阵,其能够反映序列数据中,当前数据之前的各数据的对于结果的影响。在序列数据的下一数据输入序列模型时,一并输入的还有前次序列模型输出的记忆向量。其中,常用的激活函数可以选用Sigmoid函数、Tanh函数、ReLU函数等。
本实施例中,所述的血糖预测序列模型,是通过前述步骤中所述的类似的获取方式和构建方法得到的大量不同用户的特征数据集作为训练集,并基于该训练集对一初始的序列模型通过预定的机器学习算法进行训练后得到的。其中,预定的机器学习算法可以选择任意的适用于序列模型的机器学习算法,本实施例中,使用的机器学习算法为基于时间的反向传播算法(Back-Propagation Through Time,BPTT)。
本实施例中,按照所述采集时刻的时序,将前述步骤中获得的特征向量依次输入血糖预测序列模型。其中,血糖预测序列模型的输出包括记忆向量;所述血糖预测序列模型的输入包括所述血糖预测序列模型根据所述时序上前一特征向量输出的记忆向量。
其中,对于时序上首个特征向量,由于没有前序输出的记忆向量,则设置一初始记忆向量,该初始记忆向量中包括的各元素的取值可以为随机取值,也可以各元素均取值为0。在进行预测时,该初始记忆向量会与时序上首个特征向量一起输入血糖预测序列模型。
血糖预测序列模型根据时序上最后一特征向量输出的记忆向量,采用预定的预测算法,得到所述用户的血糖预测结果。其中,预定的预测算法可以选择任意可行的预测算法,如Softmax。
基于前述步骤中给出的特征向量的示例,本实施例中的预测过程可参考图2所示。
具体的,特征向量x1、特征向量x2、特征向量x3,其以时序依次输入血糖预测序列模型。对于特征向量x1其与初始记忆向量h0,一起输入血糖预测序列模型,血糖预测序列模型输出记忆向量h1;特征向量x2与记忆向量h1一起输入血糖预测序列模型,血糖预测序列模型输出记忆向量h2;特征向量x3与记忆向量h2一起输入血糖预测序列模型,血糖预测序列模型输出记忆向量h3。最后,根据记忆向量h3,通过预定的预测算法,得到用户的血糖预测结果。
其中,记忆向量的表达式为:hi=σ(W×xi+U×hi-1+b)。
进行预测时,可通过如下公式计算:y=vTh3。
上式中,i的取值范围为1-3;σ()为Sigmoid函数;W、U、b、v均为权重参数,在血糖预测序列模型的训练过程中确定。
对于血糖预测序列模型的训练过程,例如,给定训练集D={(x1,1,x1,2,x1,3,y1),…,(xn,1,xn,2,xn,3,yn)},通过基于时间的反向传播算法最小化损失函数即能够学习得到W、U、b和v等权重参数。损失函数的表达式为:
上式中,j的取值范围为1-n;y’为训练过程中的预测结果。
本实施例中,通过上述的预测过程,即能够得到用户的血糖预测结果,即预测的用户的血糖值。
由上述实施例可见,本实施例的血糖预测方法,基于序列模型,利用血糖数据、进食数据以及胰岛素用药数据来预测用户的血糖值,不再是仅使用血糖数据进行预测,而是通过血糖数据、进食数据以及胰岛素用药数据来充分准确的反映用户的相关情况,有效的提升了血糖预测的准确率。
作为一个可选的实施例,在前述实施例的血糖预测方法中,于获得用户的血糖预测结果之后,还包括以下步骤:
根据所述血糖预测结果,生成所述用户的健康建议报告;
对所述健康建议报告,进行如下操作中的至少一种:
显示所述健康建议报告;
将所述健康建议报告发送至预设的服务器;
将所述健康建议报告发送至预设的终端设备。
本实施例中,血糖预测结果包括了预测的用户的血糖值,根据该血糖值可以进一步生成用户的健康建议报告。该健康建议报告可以以血糖预测结果为基础,生成对用户的进食建议、用药建议,或者是其他的生活行为的建议,进而以文本、语音、视频或者是各种多媒体的形式的健康建议报告。其中,根据血糖预测结果生成上述各建议的过程,可以通过预定的血糖值与建议内容的对应关系以查表的方式得到,也可以算法计算得到,还可以通过人工智能方式通过机器学习模型得到。
本实施例中,生成健康建议报告后,还进一步将健康建议报告进行推送,具体的对于健康建议报告的推送方式可以灵活选择。
例如,对于本实施例的方法在单一设备上执行的应用场景,可以将健康建议报告直接在当前设备的显示部件(显示屏、投影组件等)上以显示的方式输出,使得用户能够从显示部件上直接看到健康建议报告。
又如,对于本实施例的方法在多个设备组成的***上执行的应用场景,可以将健康建议报告通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)推送至***内的其他作为接收方的预设设备上。可选的,该预设设备可以是预设的服务器,服务器一般设置在云端,作为数据的处理和存储中心,其能够将健康建议报告进行存储和分发;其中,分发的接收方是终端设备,该些终端设备的持有者或操作者可以是用户本人、亲人、医生等。
再如,对于本实施例的方法在多个设备组成的***上执行的应用场景时,可以将健康建议报告通过任意的数据通信方式直接发送至预设的终端设备,终端设备可以是前述段落列举中的一种或多种。
本实施例的血糖预测方法,进一步包括了将血糖预测结果进一加以处理,生成为用户的健康建议报告并推送的步骤,使得本实施例的方法的应用更加方便。
可以理解的是,本说明书一个或多个实施例的方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,本说明书一个或多个实施例还提供了一种血糖预测装置。参考图3,所述的血糖预测装置,包括:
获取模块301,被配置为获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;
生成模块302,被配置为根据至少一个所述特征数据集,生成至少一个特征向量;
预测模块303,被配置为根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
作为一个可选的实施例,所述生成模块302,具体被配置为对于每个所述特征数据集,确定所述血糖数据对应的血糖特征值、所述进食数据对应的进食特征值和所述用药数据对应的用药特征值;根据所述血糖特征值、进食特征值和用药特征值,生成所述特征向量。
作为一个可选的实施例,所述血糖数据,包括:当前血糖数据、历史血糖数据中的至少一种;所述生成模块,具体被配置为确定所述当前血糖数据对应的当前血糖特征值;和/或,确定所述历史血糖数据对应的历史血糖特征值。
作为一个可选的实施例,所述预测模块303,具体被配置为按照所述采集时刻的时序,将至少一个所述特征向量依次输入所述血糖预测序列模型;其中,所述血糖预测序列模型的输出包括记忆向量;所述血糖预测序列模型的输入包括所述血糖预测序列模型根据所述时序上前一特征向量输出的记忆向量;基于所述血糖预测序列模型根据所述时序上最后一特征向量输出的记忆向量,采用预定的预测算法,得到所述用户的血糖预测结果。
作为一个可选的实施例,所述预测模块303,具体被配置为对于所述时序上首个所述特征向量,获取一初始记忆向量;将所述初始记忆向量和述时序上首个所述特征向量输入所述血糖预测序列模型;其中,所述初始记忆向量内的每个元素均随机取值或均取值为零。
作为一个可选的实施例,所述血糖预测装置,还包括:推送模块,被配置为根据所述血糖预测结果,生成所述用户的健康建议报告;对所述健康建议报告,进行如下操作中的至少一种:显示所述健康建议报告;将所述健康建议报告发送至预设的服务器;将所述健康建议报告发送至预设的终端设备。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本说明书一个或多个实施例还提供了一种电子设备。该电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的血糖预测方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
基于同一发明构思,本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行日上任意一实施例所述的血糖预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (14)
1.一种血糖预测方法,其特征在于,包括:
获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;
根据至少一个所述特征数据集,生成至少一个特征向量;
根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
2.根据权利要求1所述的血糖预测方法,其特征在于,所述根据至少一个所述特征数据集,生成至少一个特征向量,包括:
对于每个所述特征数据集,确定所述血糖数据对应的血糖特征值、所述进食数据对应的进食特征值和所述用药数据对应的用药特征值;
根据所述血糖特征值、进食特征值和用药特征值,生成所述特征向量。
3.根据权利要求2所述的血糖预测方法,其特征在于,所述血糖数据,包括:当前血糖数据、历史血糖数据中的至少一种;
所述确定所述血糖数据对应的血糖特征值,具体包括:
确定所述当前血糖数据对应的当前血糖特征值;和/或,
确定所述历史血糖数据对应的历史血糖特征值。
4.根据权利要求1所述的血糖预测方法,其特征在于,所述根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果,包括:
按照所述采集时刻的时序,将至少一个所述特征向量依次输入所述血糖预测序列模型;其中,所述血糖预测序列模型的输出包括记忆向量;所述血糖预测序列模型的输入包括所述血糖预测序列模型根据所述时序上前一特征向量输出的记忆向量;
基于所述血糖预测序列模型根据所述时序上最后一特征向量输出的记忆向量,采用预定的预测算法,得到所述用户的血糖预测结果。
5.根据权利要求4所述的血糖预测方法,其特征在于,所述按照所述采集时刻的时序,将至少一个所述特征向量依次输入所述血糖预测序列模型,具体包括:
对于所述时序上首个所述特征向量,获取一初始记忆向量;将所述初始记忆向量和述时序上首个所述特征向量输入所述血糖预测序列模型;其中,所述初始记忆向量内的每个元素均随机取值或均取值为零。
6.根据权利要求1所述的血糖预测方法,其特征在于,还包括:
根据所述血糖预测结果,生成所述用户的健康建议报告;
对所述健康建议报告,进行如下操作中的至少一种:
显示所述健康建议报告;
将所述健康建议报告发送至预设的服务器;
将所述健康建议报告发送至预设的终端设备。
7.一种血糖预测装置,其特征在于,包括:
获取模块,被配置为获取用户的至少一个特征数据集;其中,每个所述特征数据集均对应于一个采集时刻;所述特征数据集包括:血糖数据、进食数据和用药数据;
生成模块,被配置为根据至少一个所述特征数据集,生成至少一个特征向量;
预测模块,被配置为根据所述采集时刻的时序、所述特征向量和预先训练的血糖预测序列模型,得到所述用户的血糖预测结果。
8.根据权利要求7所述的装置,其特征在于,所述生成模块,具体被配置为对于每个所述特征数据集,确定所述血糖数据对应的血糖特征值、所述进食数据对应的进食特征值和所述用药数据对应的用药特征值;根据所述血糖特征值、进食特征值和用药特征值,生成所述特征向量。
9.根据权利要求8所述的装置,其特征在于,所述血糖数据,包括:当前血糖数据、历史血糖数据中的至少一种;
所述生成模块,具体被配置为确定所述当前血糖数据对应的当前血糖特征值;和/或,确定所述历史血糖数据对应的历史血糖特征值。
10.根据权利要求7所述的装置,其特征在于,所述预测模块,具体被配置为按照所述采集时刻的时序,将至少一个所述特征向量依次输入所述血糖预测序列模型;其中,所述血糖预测序列模型的输出包括记忆向量;所述血糖预测序列模型的输入包括所述血糖预测序列模型根据所述时序上前一特征向量输出的记忆向量;基于所述血糖预测序列模型根据所述时序上最后一特征向量输出的记忆向量,采用预定的预测算法,得到所述用户的血糖预测结果。
11.根据权利要求10所述的装置,其特征在于,所述预测模块,具体被配置为对于所述时序上首个所述特征向量,获取一初始记忆向量;将所述初始记忆向量和述时序上首个所述特征向量输入所述血糖预测序列模型;其中,所述初始记忆向量内的每个元素均随机取值或均取值为零。
12.根据权利要求7所述的装置,其特征在于,还包括:
推送模块,被配置为根据所述血糖预测结果,生成所述用户的健康建议报告;对所述健康建议报告,进行如下操作中的至少一种:显示所述健康建议报告;将所述健康建议报告发送至预设的服务器;将所述健康建议报告发送至预设的终端设备。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
14.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125312.0A CN111329491A (zh) | 2020-02-27 | 2020-02-27 | 一种血糖预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125312.0A CN111329491A (zh) | 2020-02-27 | 2020-02-27 | 一种血糖预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111329491A true CN111329491A (zh) | 2020-06-26 |
Family
ID=71173956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125312.0A Pending CN111329491A (zh) | 2020-02-27 | 2020-02-27 | 一种血糖预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329491A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017778A (zh) * | 2020-08-06 | 2020-12-01 | 东北大学 | 一种面向临床的多层级血糖异常预警方法 |
CN112116967A (zh) * | 2020-09-25 | 2020-12-22 | 苏州市立医院 | 一种提高尿液样本收集效率的信息处理方法和装置 |
CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的*** |
WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理***、设备及存储介质 |
CN115662616A (zh) * | 2022-10-24 | 2023-01-31 | 重庆联芯致康生物科技有限公司 | 基于cgm的危重患者智能化血糖管理***及其管理方法 |
CN117612737A (zh) * | 2024-01-24 | 2024-02-27 | 胜利油田中心医院 | 一种糖尿病护理数据智能优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110098548A1 (en) * | 2009-10-22 | 2011-04-28 | Abbott Diabetes Care Inc. | Methods for modeling insulin therapy requirements |
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
US20140073892A1 (en) * | 2011-04-20 | 2014-03-13 | Novo Nordisk A/S | Glucose predictor based on regularization networks with adaptively chosen kernels and regularization parameters |
US20150347707A1 (en) * | 2014-05-30 | 2015-12-03 | Anthony Michael Albisser | Computer-Implemented System And Method For Improving Glucose Management Through Cloud-Based Modeling Of Circadian Profiles |
WO2019129857A1 (en) * | 2017-12-29 | 2019-07-04 | Hillo Ai | Systems and methods for prediction of glycemia and decisions support |
-
2020
- 2020-02-27 CN CN202010125312.0A patent/CN111329491A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110098548A1 (en) * | 2009-10-22 | 2011-04-28 | Abbott Diabetes Care Inc. | Methods for modeling insulin therapy requirements |
US20140073892A1 (en) * | 2011-04-20 | 2014-03-13 | Novo Nordisk A/S | Glucose predictor based on regularization networks with adaptively chosen kernels and regularization parameters |
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
US20150347707A1 (en) * | 2014-05-30 | 2015-12-03 | Anthony Michael Albisser | Computer-Implemented System And Method For Improving Glucose Management Through Cloud-Based Modeling Of Circadian Profiles |
WO2019129857A1 (en) * | 2017-12-29 | 2019-07-04 | Hillo Ai | Systems and methods for prediction of glycemia and decisions support |
Non-Patent Citations (1)
Title |
---|
WILLIAM SANDHAM ET AL.: "Blood glucose prediction for diabetes therapy using a recurrent artificial neural network", 《CONF PROC EUSIPCO》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017778A (zh) * | 2020-08-06 | 2020-12-01 | 东北大学 | 一种面向临床的多层级血糖异常预警方法 |
CN112017778B (zh) * | 2020-08-06 | 2024-04-05 | 东北大学 | 一种面向临床的多层级血糖异常预警方法 |
CN112116967A (zh) * | 2020-09-25 | 2020-12-22 | 苏州市立医院 | 一种提高尿液样本收集效率的信息处理方法和装置 |
WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理***、设备及存储介质 |
CN113679348A (zh) * | 2021-08-26 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
CN113679348B (zh) * | 2021-08-26 | 2024-02-06 | 深圳平安智慧医健科技有限公司 | 血糖预测方法、血糖预测装置、设备及存储介质 |
CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的*** |
CN115662616A (zh) * | 2022-10-24 | 2023-01-31 | 重庆联芯致康生物科技有限公司 | 基于cgm的危重患者智能化血糖管理***及其管理方法 |
CN117612737A (zh) * | 2024-01-24 | 2024-02-27 | 胜利油田中心医院 | 一种糖尿病护理数据智能优化方法 |
CN117612737B (zh) * | 2024-01-24 | 2024-05-03 | 胜利油田中心医院 | 一种糖尿病护理数据智能优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111329491A (zh) | 一种血糖预测方法、装置、电子设备和存储介质 | |
Li et al. | GluNet: A deep learning framework for accurate glucose forecasting | |
Martinsson et al. | Blood glucose prediction with variance estimation using recurrent neural networks | |
US11544610B2 (en) | Adaptive analytical behavioral and health assistant system and related method of use | |
Ali et al. | Continuous blood glucose level prediction of type 1 diabetes based on artificial neural network | |
Daskalaki et al. | Model-free machine learning in biomedicine: Feasibility study in type 1 diabetes | |
US10420489B2 (en) | System coordinator and modular architecture for open-loop and closed-loop control of diabetes | |
CN103907116A (zh) | 用于糖尿病的自适应咨询控制的方法、***以及计算机可读介质 | |
US20220257199A1 (en) | System and method for online domain adaptation of models for hypoglycemia prediction in type 1 diabetes | |
van Swieten et al. | Modeling the effects of motivation on choice and learning in the basal ganglia | |
Jacobs et al. | Artificial intelligence and machine learning for improving glycemic control in diabetes: best practices, pitfalls and opportunities | |
Erbas et al. | Embodied imitation-enhanced reinforcement learning in multi-agent systems | |
Zhu et al. | Population-specific glucose prediction in diabetes care with transformer-based deep learning on the edge | |
US20220359079A1 (en) | Systems, methods and devices for predicting personalized biological state with model produced with meta-learning | |
CN113076486B (zh) | 药物信息推送方法、装置、计算机设备及存储介质 | |
Hettiarachchi et al. | G2P2C—A modular reinforcement learning algorithm for glucose control by glucose prediction and planning in Type 1 Diabetes | |
Gutowski et al. | Machine learning with optimization to create medicine intake schedules for Parkinson’s disease patients | |
CN112037932A (zh) | 患者用药行为干预方法及装置、服务器、存储介质 | |
Goyal et al. | CarbMetSim: A discrete-event simulator for carbohydrate metabolism in humans | |
Avila et al. | A simple method for recommending specialized specifications for diabetes monitoring | |
US20220375615A1 (en) | Method and system for predicting health risk | |
Gustin et al. | Diabetes management through artificial intelligence and gamification: blood glucose prediction models and mHealth design considerations | |
Ginsberg et al. | Meeting Report: The Fourth Artificial Pancreas Workshop: Testing and Adoption of Current and Emerging Technologies | |
Breton et al. | Artificial intelligence and machine learning for improving glycemic control in diabetes: best practices, pitfalls and opportunities | |
Dylag | Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data |
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 |