CN111466921A - 基于多源信息感知及融合的无创血糖检测仪与检测方法 - Google Patents
基于多源信息感知及融合的无创血糖检测仪与检测方法 Download PDFInfo
- Publication number
- CN111466921A CN111466921A CN202010324632.9A CN202010324632A CN111466921A CN 111466921 A CN111466921 A CN 111466921A CN 202010324632 A CN202010324632 A CN 202010324632A CN 111466921 A CN111466921 A CN 111466921A
- Authority
- CN
- China
- Prior art keywords
- user
- detection
- blood glucose
- temperature
- blood sugar
- 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
- A61B5/1455—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
- A61B5/145—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于多源信息感知及融合的无创血糖检测仪与检测方法,该检测仪以近红外光电检测技术为基础,通过同步获取检测部位温度和其相对探头的压力的信息,校正测量环境对血糖光电响应信息的干扰,实现无创、快速、高精度的检测。本发明还包括一种基于多源信息感知及融合的无创血糖检测方法,该方法利用同时测量的有创检测的血糖值以及本发明仪器的测量值,建立针对使用用户个体化的血糖预测模型及数据样本集,消除使用者自身特性对检测精度的影响,最终实现提高检测的精度与稳定性的目的。
Description
技术领域
本发明属于人体血糖检测领域,具体涉及一种基于多源信息感知及融合的无创血糖检测仪与检测方法。
背景技术
定期且连续的血糖检测,对了解糖尿病患者的血糖变化,帮助医生确定最佳的治疗方案,精准的使用药物,延缓病情的发展具有重要的价值。血糖的常规检测方法主要是通过医院抽取血液样本进行分析或利用针刺手指的方式,通过试纸进行检测。这些方法都需要刺穿皮肤,并且频繁的采集血液不仅令患者产生心理恐惧,还易造成感染,同时检测成本较高,无法实现连续的血糖监控。
无创血糖检测可以有效规避传统有创血糖检测的弊端,在目前的无创血糖检测技术中,近红外光电检测技术被认为是最有前途发展的技术之一,近红外光电检测技术是通过检测葡萄糖对近红外光的吸收强度来确定其浓度,一般采用光学探头接触检测部位,对近红外光漫反射或透射信号进行采集。但是由于检测条件差异,近红外人体血糖检测时,检测部位的温度及其对探头的压力常常不一致,并且对于不同个体,其皮肤颜色、厚度、粗糙程度等都会有差异,从而导致检测部位的光学参数及器件光电响应发生变化。这些变化,会使仪器检测的信号叠加了非血糖浓度变化带来的干扰,每次检测的稳定性与精度难以保证。如何降低上述因素的影响,是近红外无创血糖检测技术研究热点,也是技术及仪器实用化的关键。
公开文献已有关于抑制近红外无创血糖检测过程中干扰的方法,如申请公布号CN101799412 A公布了一种无创测量人体血糖的近红外光谱透射方法及装置,该专利通过透光光强差值来计算人体介质衰减系数,从而推断人体血糖值,并且对人体温度进行测量,校正体温变化的影响,然而该方法仅考虑温度的影响效应,实际应用时仪器的精度还是难以保证;申请公布号CN 108261202 A公开了一种基于可见-近红外光谱测量血糖的***及其使用方法,该公开通过一种压力可调节的加持模块,实现检测部位对探头压力的调节,并通过温度测量模块测试部位的温度,只有当测试部位的温度符合设定温度时,光谱发射模块才可以发射可见-红外光束进行血糖检测,该方法通过控制检测部位的对探头的压力值与测试部位温度的方式对干扰效应进行抑制,虽然可以达到一定的抑制效果,但是由于压力与温度对检测结果的影响敏感度较高,在检测过程中,装置只能将温度或压力值调整至某一范围,很难保证检测部位的温度与对探头的压力恒定不变,因此精度难以满足实用要求;专利CN 104490403 B提供了一种基于光谱技术的无创血糖测量***及其测量方法,该专利也是通过压力调节模块调节测试部位受到的压力;申请公开号CN 107343791 A提供了一种无创血糖检测装置,该装置利用了两个采集器,第一采集器采集手指红外透射信号,通过第二采集器采集检测部位的温度与外界的温度,利用采集的温度校正无创血糖检测过程中的误差,但是该方法采用分离的方式采集温度,不能保证检测两个采集器中的待测部位温度一致,另外该方法也并未对加持装置对检测部位的压力以及个体化差异的影响进行校正;申请公布号CN 108937955A公开了一种基于人工智能的个性化自适应可穿戴血糖校正方法及其校正装置,该公开通过有创方式采集的准确的血糖值,对无创式血糖检测方法进行训练学习,归纳识别出专门针对该患者的血糖校正方法,用于无创式地监测该患者的血糖值,该方法虽然可以实现个性化的血糖校正,但是其仅考虑了个性化差异带来的干扰,未考虑其他因素导致的无创式检测方法导致的不准性。
上述的这些技术对近红外无损血糖检测技术的进一步研究与应用具有很好的参考意义,但是,其主要是对其中的单一影响因素进行了抑制,并多采用控制压力或者温度在某一设定值的方式来抑制影响。这些方式很难保证压力或温度在检测过程中恒定不变,因此精度难以提升至实用需求。
发明内容
本发明针对现有技术而需重点解决的技术问题是:由于检测部位的温度、对探头的压力以及个体化差异导致的现有近红外无创血糖检测精度较低、稳定性差的问题。
本发明提供了一种基于多源信息感知及融合的无创血糖检测仪与检测方法,通过对检测部位的近红外反射信号、以及其温度和对探头的压力进行检测,采集多源信息数据对干扰进行抑制,另外利用有创检测仪器和本发明仪器,采集的用户个人在不同时段的参考血糖值以及检测部位近红外反射值、温度和对探头压力的信息,建立个人数据样本库,并利用机器学习算法结合个人数据样本集对血糖预测模型进行训练,结合无创检测仪器最终实现提高检测精度与稳定性的目的。
本发明设计的一种基于多源信息感知及融合的无创血糖检测仪器,如图1所示,其特征在于包括探头1与控制箱2,探头1包括近红外光源1-1、近红外探测器1-2、温度传感器1-3以及压力传感器1-4,控制箱2包括光源驱动2-1、信号调理电路2-2、A/D转换电路2-3、主控制器2-4与显示屏幕2-5;所述的主控制器2-4控制光源驱动2-1驱动近红外光源1-1发射近红外光束,所述的近红外光束经过检测部位反射后进入到所述的近红外探测器1-2,所述的近红外探测器1-2将采集到的近红外光电信号传递给所述的信号调理电路2-2进行电流电压转换以及放大与滤波处理,使得信号可以被A/D转换电路2-3采集;所述的温度传感器1-3、压力传感器1-4对检测部位的温度、压力信息进行采集,并将采集的信号传递给进行A/D转换电路2-3,所述的A/D转换电路2-3将近红外光电信号、温度信号以及压力信号进行A/D转换,并将转换的结果传递给主控制器2-4;所述的主控制器2-4对A/D转换电路2-3传递的信号进行处理,并通过血糖预测模型对血糖浓度进行精确预测,血糖浓度通过显示屏幕2-5进行显示。所述用以发射近红外光的近红外光源1-1采用近红外激光二极管。所述的用以测量检测部位温度的温度传感器1-3采用人体温度测量传感器,测量范围为15-40℃,精度为0.1℃。所述的用以测量检测部位压力的压力传感器1-4采用薄膜压力传感器,测量范围为0-10N,测量精度为0.1N。
本发明还提供了一种基于多源信息感知及融合的无创血糖检测方法,该方法通过近红外探测器1-2测量检测部位的近红外光电吸收强度值,温度传感器1-3测量的检测部位的温度值,压力传感器1-4测量检测部位对探头的压力值,通过信息融合处理后抑制环境干扰影响,并通过建立使用者个体化的分析模型及样本集,消除使用者的个体差异影响,再基于随时间不断积累的个人样本集数据,利用机器学习算法,不断训练优化血糖预测模型,不断地提高检测的精度与稳定性;
该方法具体包含三种模式,模式1为用户数据样本集采集模式,具体包括步骤1-1到1-7:步骤1-1:选择样本采集模式,输入个人信息;步骤1-2:开始采集,选择确定与使用者个体活动密切相关的信息,包括是否用餐并输入餐后时长,是否运动并输入运动后时长,是否服用治疗血糖药物并输入服用药物时长;步骤1-3:将检测部位放置于探头内,对准探测器后开始测量,仪器的主控制控制光源驱动电路驱动近红外光源发射光束,光束照射到检测部位后发生漫反射,探测器接收到近红外光,并经过信号调理电路进行处理,同时温度、压力传感器采集此时检测部位的温度与压力数据,A/D转换电路将上述信号进行A/D转换,将数据传递给主控制器并保存;同时输入该用户利用有创血糖检测设备检测的此时的血糖数值;步骤1-4:重复步骤1-2到1-3,连续采集与使用者个体活动密切相关的数据,包括早上起床未就餐前、早中晚用餐后15-30分钟、运动后10-20分钟以及服用治疗血糖药物20-30分钟后,每类情形的数据不少于2次,总共不少于10组数据;步骤1-5:用户按照要求采集完数据后,选择采集结束,完成用户数据样本集的采集;
模式2为血糖预测模型的训练模式,具体步骤如下:步骤2-1:选择建模模式,设置多源信息与真实血糖值的通用模型,如下所示:
Glut=ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值,x0为近红外反射强度,x1为检测部位温度,x2为检测部位对探头的压力,系数a、b、c为针对使用者的系数;步骤2-2:仪器将调用用户数据样本集中不同时间检测部位的近红外光电信号、检测部位的温度、检测部位对探头的压力值以及参考血糖浓度作为输入值,血糖预测数值作为输出值,通过偏最小二乘回归算法,训练得到线性数理模型中的系数a、b、c,得到针对该使用者的血糖预测模型;步骤2-3:完成模型训练,建立血糖预测模型;
模式3为血糖检测模式,具体步骤如下:步骤3-1:选择为血糖检测模式,选择使用用户;输入确定是否用餐、是否剧烈运动以及是否服用药物信息;步骤3-2:用户将检测部位放置于探头中,点击开始检测仪器将自动采集检测部位的近红外漫反射信号、检测部位的温度、压力数据;步骤3-3:利用用户个人的血糖预测模型对数据进行处理;步骤3-4:得到预测的无创血糖数值,显示在屏幕上并记录在使用者的数据集档案中,完成检测。
另外仪器不断积累丰富使用者在使用过程中的测量值及相应的活动信息,利用机器学习算法,不断训练优化血糖预测模型,不断地提高检测的精度与稳定性。
本发明的有益效果是:本发明仪器同步获取检测部位的温度值、压力值及近红外光电检测值,通过多源信息融合处理后抑制环境干扰影响实现准确检测;建立针对个体化的血糖预测模型及样本集,消除使用者的个体差异影响;再基于不断积累的个人样本集数据,利用机器学习算法,不断地训练优化血糖预测模型,提高检测的精度与稳定性,达到实用化的无创血糖实时检测目的。
附图说明
图1是基于多源信息感知及融合的无创血糖检测仪器模块图。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效,下面结合附图及优选实施例,对本发明的具体实施方式、结构、特征及其功效进行详细的说明。
参考图1所示,本发明实施例本发明提供了一种基于多源信息感知及融合的无创血糖检测仪器,其特征在于包括探头1与控制箱2,探头1包括近红外光源1-1、近红外探测器1-2、温度传感器1-3以及压力传感器1-4,控制箱2包括光源驱动2-1、信号调理电路2-2、A/D转换电路2-3、主控制器2-4与显示屏幕2-5;所述的主控制器2-4控制光源驱动2-1驱动近红外光源1-1发射近红外光束,所述的近红外光束经过检测部位反射后进入到所述的近红外探测器1-2,所述的近红外探测器1-2将采集到的近红外光电信号传递给所述的信号调理电路2-2进行电流电压转换以及放大与滤波处理,使得信号可以被A/D转换电路2-3采集;所述的温度传感器1-3、压力传感器1-4对检测部位的温度、压力信息进行采集,并将采集的信号传递给进行A/D转换电路2-3,所述的A/D转换电路2-3将近红外光电信号、温度信号以及压力信号进行A/D转换,并将转换的结果传递给主控制器2-4;所述的主控制器2-4对A/D转换电路2-3传递的信号进行处理,并通过血糖预测模型对血糖浓度进行精确预测,血糖浓度通过显示屏幕2-5进行显示。所述用以发射近红外光的近红外光源1-1采用近红外激光二极管,所述的用以测量检测部位温度的温度传感器1-3采用人体温度测量传感器,测量范围为15-40℃,精度为0.1℃,所述的用以测量检测部位压力的压力传感器1-4采用薄膜压力传感器,测量范围为0-10N,测量精度为0.1N。
本发明还提供了一种基于多源信息感知及融合的无创血糖检测方法,该方法通过近红外探测器1-2测量检测部位的近红外光电吸收强度值,温度传感器1-3测量的检测部位的温度值,压力传感器1-4测量检测部位对探头的压力值,通过信息融合处理后抑制环境干扰影响,并通过建立使用者个体化的分析模型及样本集,消除使用者的个体差异影响,再基于随时间不断积累的个人样本集数据,利用机器学习算法,不断训练优化血糖预测模型,不断地提高检测的精度与稳定性;
该方法具体包含三种模式,模式1为用户数据样本集采集模式,具体包括步骤1-1到1-7:步骤1-1:选择样本采集模式,输入个人信息;步骤1-2:开始采集,选择确定与使用者个体活动密切相关的信息,包括是否用餐并输入餐后时长,是否运动并输入运动后时长,是否服用治疗血糖药物并输入服用药物时长;步骤1-3:将检测部位放置于探头内,对准探测器后开始测量,仪器的主控制控制光源驱动电路驱动近红外光源发射光束,光束照射到检测部位后发生漫反射,探测器接收到近红外光,并经过信号调理电路进行处理,同时温度、压力传感器采集此时检测部位的温度与压力数据,A/D转换电路将上述信号进行A/D转换,将数据传递给主控制器并保存;同时输入该用户利用有创血糖检测设备检测的此时的血糖数值;步骤1-4:重复步骤1-2到1-3,连续采集与使用者个体活动密切相关的数据,包括早上起床未就餐前、早中晚用餐后15-30分钟、运动后10-20分钟以及服用治疗血糖药物20-30分钟后,每类情形的数据不少于2次,总共不少于10组数据;步骤1-5:用户按照要求采集完数据后,选择采集结束,完成用户数据样本集的采集;
模式2为血糖预测模型的训练模式,具体步骤如下:步骤2-1:选择建模模式,设置多源信息与真实血糖值的通用模型,如下所示:
Glut=ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值,x0为近红外反射强度,x1为检测部位温度,x2为检测部位对探头的压力,系数a、b、c为针对使用者的系数;步骤2-2:仪器将调用用户数据样本集中不同时间检测部位的近红外光电信号、检测部位的温度、检测部位对探头的压力值以及参考血糖浓度作为输入值,血糖预测数值作为输出值,通过偏最小二乘回归算法,训练得到线性数理模型中的系数a、b、c,得到针对该使用者的血糖预测模型;步骤2-3:完成模型训练,建立血糖预测模型;
模式3为血糖检测模式,具体步骤如下:步骤3-1:选择血糖检测模式,并选择使用用户,输入是否用餐、是否剧烈运动以及是否服用药物信息;步骤3-2:用户将检测部位放置于探头中,点击开始检测仪器将自动采集检测部位的近红外漫反射信号、检测部位的温度、压力数据;步骤3-3:利用用户个人的血糖预测模型对数据进行处理;步骤3-4:得到预测的无创血糖数值,显示在屏幕上并记录在使用者的数据集档案中,完成检测。
另外仪器不断积累丰富使用者在使用过程中的测量值及相应的活动信息,利用机器学习算法,不断训练优化血糖预测模型,不断地提高检测的精度与稳定性。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于多源信息感知及融合的无创血糖检测仪,包括探头(1)与控制箱(2);所述的探头(1)包括近红外光源(1-1)、近红外探测器(1-2)、温度传感器(1-3)以及压力传感器(1-4);所述的控制箱(2)包括光源驱动(2-1)、信号调理电路(2-2)、A/D转换电路(2-3)、主控制器(2-4)与显示屏幕(2-5);其特征在于:
所述的主控制器(2-4)控制光源驱动(2-1)驱动近红外光源(1-1)发射近红外光束,所述的近红外光束经过检测部位反射后进入到所述的近红外探测器(1-2),所述的近红外探测器(1-2)将采集到的近红外光电信号传递给所述的信号调理电路(2-2)进行电流电压转换以及放大与滤波处理,使得信号可以被A/D转换电路(2-3)采集;所述的温度传感器(1-3)、压力传感器(1-4)对检测部位的温度、对探头的压力信息进行采集,并将采集的信号传递给进行A/D转换电路(2-3),所述的A/D转换电路(2-3)将近红外光电信号、温度信号以及压力信号进行A/D转换,并将转换的结果传递给主控制器(2-4);所述的主控制器(2-4)对A/D转换电路(2-3)传递的信号进行处理,并通过血糖预测模型对血糖浓度进行精确预测,血糖浓度通过显示屏幕(2-5)进行显示。
2.根据权利要求1所述的一种基于多源信息感知及融合的无创血糖检测仪,其特征在于:所述的近红外光源(1-1)采用近红外激光二极管。
3.根据权利要求1所述的一种基于多源信息感知及融合的无创血糖检测仪,其特征在于:所述的温度传感器(1-3)采用人体温度测量传感器,测量范围为15-40℃,精度为0.1℃。
4.根据权利要求1所述的一种基于多源信息感知及融合的无创血糖检测仪,其特征在于:所述的压力传感器(1-4)采用薄膜压力传感器,测量范围为0-10N,测量精度为0.1N。
5.一种基于权利要求1所述的一种基于多源信息感知及融合的无创血糖检测仪的无创血糖检测方法,其特征在于方法如下:
所述的近红外探测器(1-2)测量检测部位的近红外光电吸收强度值,温度传感器(1-3)测量的检测部位的温度值,压力传感器(1-4)测量检测部位对探头的压力值,通过信息融合处理后抑制环境干扰影响,并通过建立使用者个体化的分析模型及样本集,消除使用者的个体差异影响,再基于随时间不断积累的个人样本集数据,利用机器学习算法,不断训练优化血糖预测模型,不断地提高检测的精度与稳定性;
所述的方法具体包含三种模式,其中:
模式1:用户数据样本集采集模式,具体包括以下步骤:
步骤1-1:选择样本采集模式,输入个人信息;
步骤1-2:开始采集,选择确定与使用者个体活动密切相关的信息,包括是否用餐并输入餐后时长,是否运动并输入运动后时长,是否服用治疗血糖药物并输入服用药物时长;
步骤1-3:将检测部位放置于探头内,对准探测器后开始测量,仪器的主控制控制光源驱动电路驱动近红外光源发射光束,光束照射到检测部位后发生漫反射,探测器接收到近红外光,并经过信号调理电路进行处理,同时温度、压力传感器采集此时检测部位的温度与压力数据,A/D转换电路将上述信号进行A/D转换,将数据传递给主控制器并保存;同时输入该用户利用有创血糖检测设备检测的此时的血糖数值;
步骤1-4:重复步骤1-2到1-3,连续采集与使用者个体活动密切相关时段的数据,包括早上起床未就餐前、早中晚用餐后15-30分钟、运动后10-20分钟以及服用治疗血糖药物20-30分钟后,每类情形的数据不少于2次,总共不少于10组数据;
步骤1-5:完成用户数据样本集的采集;
模式2:血糖预测模型的训练模式,具体包括以下步骤:
步骤2-1:选择建模模式,设置多源信息与真实血糖值的通用模型,如下所示:
Glut=ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值,x0为近红外反射强度,x1为检测部位温度,x2为检测部位对探头的压力,系数a、b、c为针对使用者的系数;
步骤2-2:仪器将调用用户数据样本集中不同时间检测部位的近红外光电信号、检测部位的温度、检测部位对探头的压力值以及参考血糖浓度作为输入值,血糖预测数值作为输出值,通过偏最小二乘回归算法训练得到线性数理模型中的系数a、b、c,得到针对该使用者的血糖预测模型;
步骤2-3:完成模型训练,建立血糖预测模型;
模式3:血糖检测模式,具体包括以下步骤:
步骤3-1:选择为血糖检测模式,选择使用用户,输入确定是否用餐、是否剧烈运动以及是否服用药物信息;
步骤3-2:用户将检测部位放置于探头中,点击开始检测仪器将自动采集检测部位的近红外信号、检测部位的温度、压力数据;
步骤3-3:利用用户个人的血糖预测模型对数据进行处理;
步骤3-4:得到预测的无创血糖数值,显示在屏幕上并记录在使用者的数据集档案中,完成检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324632.9A CN111466921A (zh) | 2020-04-23 | 2020-04-23 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324632.9A CN111466921A (zh) | 2020-04-23 | 2020-04-23 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111466921A true CN111466921A (zh) | 2020-07-31 |
Family
ID=71760602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010324632.9A Pending CN111466921A (zh) | 2020-04-23 | 2020-04-23 | 基于多源信息感知及融合的无创血糖检测仪与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111466921A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485206A (zh) * | 2020-11-26 | 2021-03-12 | 深圳市莱康宁医用科技股份有限公司 | 一种接触式测量装置的校正方法及经皮黄疸仪 |
CN112515667A (zh) * | 2020-12-01 | 2021-03-19 | 戴昊霖 | 一种无创血糖估计方法 |
CN113063753A (zh) * | 2021-03-16 | 2021-07-02 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
CN113261954A (zh) * | 2020-09-11 | 2021-08-17 | 无锡轲虎医疗科技有限责任公司 | 多元感知和高度数据精确化的无创血糖检测仪及检测方法 |
CN116035571A (zh) * | 2022-10-31 | 2023-05-02 | 深圳市彩鸿虚拟现实科技有限公司 | 一种智能化的无创血糖仪 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101884541A (zh) * | 2010-07-05 | 2010-11-17 | 北京航空航天大学 | 人体血液生化参数无创检测仪及检测方法 |
CN102293654A (zh) * | 2011-06-17 | 2011-12-28 | 清华大学 | 基于代谢热-光学方法的无创血糖检测仪 |
CN103610456A (zh) * | 2013-12-08 | 2014-03-05 | 季忠 | 基于生理信号特征参数的颅脑压力无创监测分析*** |
CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
CN105816186A (zh) * | 2016-05-22 | 2016-08-03 | 张侃 | 一种无创式自动化手持血液分析仪 |
CN106725518A (zh) * | 2016-08-03 | 2017-05-31 | 赵宏杰 | 无创红外血糖检测*** |
CN108175416A (zh) * | 2018-01-09 | 2018-06-19 | 电子科技大学 | 一种多传感器血糖检测数据融合装置及方法 |
CN108618787A (zh) * | 2017-03-15 | 2018-10-09 | 株式会社百利达 | 酮体浓度推定装置、方法以及计算机可读存储介质 |
CN212521771U (zh) * | 2020-04-23 | 2021-02-12 | 中国科学院上海技术物理研究所 | 一种基于多源信息感知及融合的无创血糖检测仪 |
-
2020
- 2020-04-23 CN CN202010324632.9A patent/CN111466921A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101884541A (zh) * | 2010-07-05 | 2010-11-17 | 北京航空航天大学 | 人体血液生化参数无创检测仪及检测方法 |
CN102293654A (zh) * | 2011-06-17 | 2011-12-28 | 清华大学 | 基于代谢热-光学方法的无创血糖检测仪 |
CN103610456A (zh) * | 2013-12-08 | 2014-03-05 | 季忠 | 基于生理信号特征参数的颅脑压力无创监测分析*** |
CN105160199A (zh) * | 2015-09-30 | 2015-12-16 | 刘毅 | 基于持续血糖监测并具有干预信息的糖尿病管理信息处理和展示方法 |
CN105816186A (zh) * | 2016-05-22 | 2016-08-03 | 张侃 | 一种无创式自动化手持血液分析仪 |
CN106725518A (zh) * | 2016-08-03 | 2017-05-31 | 赵宏杰 | 无创红外血糖检测*** |
CN108618787A (zh) * | 2017-03-15 | 2018-10-09 | 株式会社百利达 | 酮体浓度推定装置、方法以及计算机可读存储介质 |
CN108175416A (zh) * | 2018-01-09 | 2018-06-19 | 电子科技大学 | 一种多传感器血糖检测数据融合装置及方法 |
CN212521771U (zh) * | 2020-04-23 | 2021-02-12 | 中国科学院上海技术物理研究所 | 一种基于多源信息感知及融合的无创血糖检测仪 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113261954A (zh) * | 2020-09-11 | 2021-08-17 | 无锡轲虎医疗科技有限责任公司 | 多元感知和高度数据精确化的无创血糖检测仪及检测方法 |
CN113261954B (zh) * | 2020-09-11 | 2023-03-07 | 无锡轲虎医疗科技有限责任公司 | 多元感知和高度数据精确化的无创血糖检测仪及检测方法 |
CN112485206A (zh) * | 2020-11-26 | 2021-03-12 | 深圳市莱康宁医用科技股份有限公司 | 一种接触式测量装置的校正方法及经皮黄疸仪 |
CN112485206B (zh) * | 2020-11-26 | 2024-04-16 | 深圳市莱康宁医用科技股份有限公司 | 一种接触式测量装置的校正方法及经皮黄疸仪 |
CN112515667A (zh) * | 2020-12-01 | 2021-03-19 | 戴昊霖 | 一种无创血糖估计方法 |
CN113063753A (zh) * | 2021-03-16 | 2021-07-02 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
CN113063753B (zh) * | 2021-03-16 | 2022-11-08 | 重庆大学 | 一种基于近红外光的血糖预测模型自校正方法 |
CN116035571A (zh) * | 2022-10-31 | 2023-05-02 | 深圳市彩鸿虚拟现实科技有限公司 | 一种智能化的无创血糖仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111466921A (zh) | 基于多源信息感知及融合的无创血糖检测仪与检测方法 | |
CN111599470B (zh) | 一种用于提高近红外无创血糖检测精度的方法 | |
Joshi et al. | iGLU 2.0: A new wearable for accurate non-invasive continuous serum glucose measurement in IoMT framework | |
WO2018107915A1 (zh) | 一种基于时序分析的通用无创血糖预测方法 | |
US20140330098A1 (en) | Reflectance calibration of fluorescence-based glucose measurements | |
CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
IL260295B2 (en) | Device, system and method for non-invasive monitoring of physiological indices | |
CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
CN212521771U (zh) | 一种基于多源信息感知及融合的无创血糖检测仪 | |
KR20040020878A (ko) | 조직의 광학특성을 통한 당의 비침습적 측정법 | |
CN108324286B (zh) | 一种基于pca-narx校正算法的红外光无创血糖检测装置 | |
CN108937955A (zh) | 基于人工智能的个性化自适应可穿戴血糖校正方法及其校正装置 | |
Losoya-Leal et al. | State of the art and new perspectives in non-invasive glucose sensors | |
CN112133442A (zh) | 一种连续无创血糖检测装置及方法 | |
Li et al. | Research on non-invasive glucose concentration measurement by NIR transmission | |
CN101138500A (zh) | 基于能量守恒法的无创血糖检测仪 | |
WO2019206345A1 (zh) | 光强测量值修正方法及时间门定光程参考浓度测量装置 | |
CN116035571A (zh) | 一种智能化的无创血糖仪 | |
Philip et al. | Continous monitoring of blood glucose using photophlythesmograph signal | |
CN103230273B (zh) | 早期亚临床无症状糖尿病的无创检测***及其方法 | |
CN1542434A (zh) | 可修正外层组织影响的组织血氧参数检测方法 | |
CN112568902A (zh) | 一种基于血糖值的无创血糖校准方法 | |
Albalat et al. | Non-invasive blood glucose sensor: A feasibility study | |
JPH09113439A (ja) | 生体成分測定方法及びこれを用いた生体成分測定装置 | |
CN111671436A (zh) | 一种温度补偿的光声无创血红蛋白检测装置及检测方法 |
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 |