CN113317783A - 多模个性化纵横校准的方法 - Google Patents

多模个性化纵横校准的方法 Download PDF

Info

Publication number
CN113317783A
CN113317783A CN202110427055.0A CN202110427055A CN113317783A CN 113317783 A CN113317783 A CN 113317783A CN 202110427055 A CN202110427055 A CN 202110427055A CN 113317783 A CN113317783 A CN 113317783A
Authority
CN
China
Prior art keywords
value
calibration
gas
error
function
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.)
Granted
Application number
CN202110427055.0A
Other languages
English (en)
Other versions
CN113317783B (zh
Inventor
丁贤根
丁远彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbour Star Health Biology Shenzhen Co ltd
Original Assignee
Harbour Star Health Biology Shenzhen Co ltd
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
Application filed by Harbour Star Health Biology Shenzhen Co ltd filed Critical Harbour Star Health Biology Shenzhen Co ltd
Priority to CN202110427055.0A priority Critical patent/CN113317783B/zh
Priority to PCT/CN2021/092134 priority patent/WO2022222198A1/zh
Publication of CN113317783A publication Critical patent/CN113317783A/zh
Application granted granted Critical
Publication of CN113317783B publication Critical patent/CN113317783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/74—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

由于个体的多样性，在生物医学和工业监测等领域中，理化量采用同一个标准直接测量和校准理化量是困难的。多模个性化纵横校准的方法是：1、以低难度方法获取示值和约定真值；2、以多模方式引入并获取与示值存在关联函数的校准因素值来校准示值；3、采用测量个体的纵向校准算法和群体的横向校准算法和校准函数，来校准示值成为可信的修正值，使得修正值与真值的误差收敛在允许误差之内。校准算法包括基于个体的历史的和即时的示值和约定真值，采用黎曼流形、卡尔曼滤波器和深度学习等方法获取校准参数集，包括基于群体数据，校准个体的校准参数集。发明包括大数据、局域网及单点等模式，解决传统的用一个标准测量全部个体所带来的困境。

Description

多模个性化纵横校准的方法
技术领域
本发明涉及工业技术领域和生物医学领域，具体涉及医学数据和工业数据的测量与校准，尤其是对于无法直接测量而通过间接地、多模式地测量获得的数据的校准计算。
背景技术
理化量的测量包括直接测量和间接测量，直接测量可以通过提高测量理化量本身的精确度和准确度即可完成；而间接测量，限于被测量者的自身个性化属性，很多情况下直接测量其理化量是困难的，有时甚至即便测量到了间接理化量数据，也很难校准换算成具备足够精确度和准确度、误差符合要求的理化量数据。
例如，对于人体静脉血液中葡萄糖含量的体外无创测量校准，对于远洋集装箱货船的货舱风机如何在满足舱内冷藏集装箱工作的条件下实现最优化节能控制时的理化量测量校准，风力发电机最优控制中对于风场的理化量测量校准等，在目前技术手段条件下，都是一个极其困难的课题。
对于间接测量，发明人同时提出“多模式个性化监测的方法”，试图测量通过分解测量示值为多个与测量示值有关联的个性化、低难度的校准因素值，或者多个与测量示值有关联的校准因素值和低准确度、地难度的测量示值，采用这样的多模式个性化的检测，获得测量数据，再通过对这些数据进行校准，从而间接获得测量示值的修正值——可信的测量结果。
如何根据间接测量的数据，获得测量示值的修正值这一可信测量结果，发明人研究发现，需要完成以下关键步骤：
1、引入个性化校准
1.1、间接测量往往包含了很多干扰因素，必须予以扣除，否则无法实现减小误差，得到可信测量结果。
1.2、各个个体自身存在的个体个性化干扰因素又往往差异化很大，必须依据个体个性化做逐个计算和扣除。
1.3、即便对于同一个个体，还往往由于它所处在的环境不同，造成的环境个性化干扰因素又有所不同，因此必须扣除这些基于环境的个性化干扰。
2、引入多模式校准
在同一个测量个体中，需要测量的理化量(示值)往往与其它的理化量(校准因素值)有关，有可能还存在较为明显的函数关系。此时，引入多种模式的传感器测量相应的理化量，设计相应的计算方法，把测量到的各自的数据纳入校准计算，会给示值带来明显的功效。
3、引入纵向校准和横向校准
本发明所谓纵向校准，就是针对测量对象的个体，依据它的历史数据进行校准；所谓横向校准，就是针对具有相同测量属性的若干个个体，进行横向的互相校准。这种方法对于示值与环境有关、并且与个体的细分分类有关的示值的校准，具有明显的优势。
依据发明人的从业经验，发现目前的测量行业的业内现状主要还是以直接测量为主，间接测量较为少见，并且采用个性化、多模式和纵横校准的方法，尚未发现。尤其是针对以下若干具体应用的测量和校准，其现状是：
1、人体血糖监测校准现状
所谓人体血糖监测，根据国际卫生组织的定义，是监测人体静脉血管中葡萄糖含量的每升毫摩尔浓度(mmol/L)，目前常用的方法包括：
有创单点方式：抽取静脉血化验葡萄糖
微创单点方式：扎手指取手指毛细血管血用试纸检检测葡萄糖
微创连续方式：在手臂上扎入留置的酶电极探针连续监测葡萄糖
无创连续方式：采用电泳方法在皮肤上测量组织液中的葡萄糖、采用红外方法透过皮肤测量葡萄糖、采用微波方法测量皮下葡萄糖、采用带有微电路的隐形眼镜测量眼泪中的葡萄糖等。但是截至到本专利申请时为止，尚未发现获得医疗权威部门授权的产品。
单点测量无法解决血糖波动的监测问题，这对于1型糖尿病患者来说，由于血糖的短时间急速下降不能报警，从而带来患者的生命危险；此外，对于2型糖尿病患者，单点测量无法解决糖尿病的优化管理和治疗问题。无论是有创检测还是微创检测，都给患者带来痛苦和不便。
2、货舱节能监测校准现状
截至到本专利申请时为止，尚未发现任何相关产品问世。
现有方法不足
发明人认为，现有的校准算法存在以下不足：
1、直接测量在一些应用场景中无法实现，需要间接测量。
2、从测量原理上看，测量数据自身没有能够校准自身的信息，无法校准自身。
3、对于难以直接测量的间接单点测量数据本身包含着干扰因素，传统方法无法消除。
4、干扰因素中除了包括共性化内容，更多地包括了一些个性化的内容，无法实现采用同一个标准消除这些个性化的干扰。
5、虽然有些测量无法准确实现，但是可以通过引入多模式的校准变量，以增加测量准确度，但是目前没有发现这样的办法。
6、在大数据的前提下，群体中的个体之间存在一些共性，可以通过这些共性实现互相校准，然而目前尚未发现这样的校准方法。
现有校准方法中的以上若干不足，现实***中是存在的，需要有妥善的间接测量及其校准办法解决这些问题。
发明内容及目的
发明人通过长期的观察、实验和研究，提出多模个性化纵横校准的方法，本发明的目的和意图在于：
1、对于无法直接准确测量或者直接准确测量难度较大的测量项目，引入间接的多模的辅助校准测量数据，实现校准。
2、对于连续实时测量，本发明设计纵向校准算法，依据历史记录和约定真值，进行个性化校准。
3、对于由多个测量个体，本发明提出横向校准算法，依据其它个体的数据校准自身。
4、通过人工智能深度学习算法，对于后加入群体的个体，实现分类校准，减少对于约定真值的采集，实现简化校准。
特别声明：
1、本发明所指的示值，包括但不限于测量的示值。
2、本发明所指的约定真值，并不局限于通过高一精准度的测量设备所获得的，完全可以通过人工智能及深度学习所得。
3、本发明所指的校准函数，并非受限于本发明申请所罗列的这些函数和公式，包括业内中级设计人员依据这一思路所设计的其它函数和公式。
4、本发明的步骤编号，除非另外说明，否则不以编号大小存在前后顺序。
本发明的应用范围可以包括测量数据的校准和其它数据的校准。
本发明强调，本发明所列举的无论是示值的种类，还是校准因素值的种类，还是个体和群体的划分，都是源于这种思路。限于篇幅和发明的基本精神，本发明申请无法一一罗列这些数据信息的种类及关联，发明申请中所提出的信息种类，不意味着是对于本发明思路的限制。
发明的有益效果
1、提供基于多模个性化纵横校准的创新方法，实现发明类容及其发明目的，解决现有校准技术的不足。
2、提供具体的基于数学、统计学、人工智能深度学习等方法，快速高效地实现测量数据的校准，实现个性化的大数据资源共享。
3、针对类似于人体葡萄糖的体外连续监测，能够有效地进行校准，提高了处理准确度。
4、针对类似于远洋船舶的货舱风机节能，能够通过多模式测量、纵向校准和横向校准，实现节能。
附图说明
图1校准关系示意图；
图2状态空间图；
图3混合物质拉曼光谱；
图4葡萄糖拉曼位移光谱；
图5货舱风机节能校准方法；
图6货舱冷藏箱布局。
具体实施方式
本发明的目的和意图是采用如下实施例的技术方案实现的：
实施例一、人体葡萄糖监测数据校准方法
本发明的应用实施例之一是面向糖尿病的人工智能个性化管疗治疗的方法，这是本发明的一个典型的应用示例。在本实施例中，只涉及本发明的方法的叙述，不作为一个实际***的完整设计，也不是对于本发明的限定。
1、图示说明
图1校准关系示意图
从人体外部监测血糖值，是一个极其困难的事情。根据世卫组织(英文名称：WorldHealth Organization，缩写WHO，中文简称世卫组织)统计，世界糖尿病患者占总人口约11.4％，而人体静脉中的葡萄糖含量(简称血糖)又是确诊糖尿病的金标准。目前，常规的血糖监测分有创、微创和无创方法，其中有创包括在医院抽取静脉血，采用生化酶方法检测血糖值；微创大多采用扎手指挤出指血用试纸检测和在胳膊上扎入一个无线传感器来检测；而无创法由于完全是不穿透皮肤的方法，限于检测技术的发展，目前尚未发现较为普及的案例。此外，上述方法大多为单点测量，无法实现连续血糖值的监测。
在本实施例中，采用基于拉曼散射光谱探测人体葡萄糖值，亦即本发明所述的示值。由于在拉曼激光的回路中，全部葡萄糖都将被探测到，至少包括表皮部位、皮内部位、组织间液部位、毛细血管部位、静脉血管部位等处的全部葡萄糖的含量，甚至还包括其它未知部位的葡萄糖，因此，探测到的葡萄糖值时这些葡萄糖含量的总和。而依据世卫组织的定义，只有静脉血管中的葡萄糖才是需要的。为此，我们设计通过血压的变化量和血脂的变化量作为校准因素分量，依据血压和血脂的波动，从葡萄糖总量值中，分离出静脉血管中的葡萄糖分量，这就是本发明所提出的纵向多模校准——依据个体的历史数据、即时数据来校准示值使之成为修正值。此外，依据群体的大数据的统计，对于不同的肤色、人种、工作性质等具体情况，本发明还提出的横向多模校准——依据群体中其它的历史统计数据，来校准自身个体的示值使之成为修正值。
据此，如图1所示，本发明提出采用黎曼流形坐标系，部署***为微分几何函数坐标系，至少以血压函数作为横坐标轴及Y轴计算。实际上，葡萄糖值的增加，并非理想状态的垂直增长，依据人体的生理变化的大惯性和非线性分析，纵轴X也是一种非线性的曲线。只有T轴时间方向是线性的直线。
图2状态方程图
依据状态方程的信号***分析方法，本实施例如图2所示。包括示值分量、校准因素值、状态变量和纵向修正分量。其中，分解DTM(t)为表皮血糖值DTM1(t)(图4中拉曼位移光谱线4001)、皮内血糖值DTM2(t)(图4中拉曼位移光谱线4002)、组织间液血糖值DTM3(t)(图4中拉曼位移光谱线4003)、毛细血管血糖值DTM4(t)(图4中拉曼位移光谱线4004)、静脉血管血糖值DTM5(t)(图4中拉曼位移光谱线4005)、其它干扰值DTM6(t)，根据国际卫生组织(WHO)的血糖定义，只有静脉血管血糖值DTM5(t)的值才是真正需要的，所以，在这里需要求解DTM5(t)，即DTM0(t)＝DTM5(t)。
需要提醒的是，表皮血糖值DTM1(t)由于受到拉曼激光光斑照射处皮肤的清洁程度的影响，一旦受到类葡萄糖污染，其波动离散程度较大。
以DTC(t)为心血图测量函数，按照周期为TC进行体外测量，获取PPG、ECG、血氧值，分别记录为DTC1(t)、DTC2(t)、DTC3(t)。
本实施例的算法中，还包卡尔曼滤波器、括傅里叶变换、拉普拉斯变换和Z变换。
图3混合物质拉曼光谱
图3是针对混合物质的拉曼散射监测所得到的光谱图，亦即拉曼激光探测点上全部探测到的物质的拉曼波的合成。其中，3010是横轴，表示拉曼散射的位移波，3020是纵轴，表示拉曼波的强度，图中曲线为拉曼激光探测点上全部探测到的物质的拉曼波的合成，其中，3001是位移量为1003cm-1的第一个波峰，3002是位移量1125cm-1的第二个波峰，3003是位移量1450cm-1的第三个波峰，这3个波峰构成了葡萄糖的特征“指纹”。其它的波形是混合的非葡萄糖物质的特征波。
本发明的方法需要从图3的混合物质拉曼散射波中，分离出葡萄糖的信号量。
图4葡萄糖拉曼位移光谱
图4是单纯葡萄糖的拉曼位移光谱，也是本发明需要从图3中分离得到的葡萄糖的信号量。其中，4010是横轴，表示拉曼散射的位移波，4020是纵轴，表示拉曼波的强度，图中曲线为葡萄糖拉曼位移波的分量，4001是表皮血糖值DTM1(t)，4002是皮内血糖值DTM2(t)，4003是组织间液血糖值DTM3(t)，4004是毛细血管血糖值DTM4(t)，4005是静脉血管血糖值DTM5(t)。依据这种分类，最终的纵向修正值DTM0(t)＝DTM5(t)。
2、基础方案步骤
2.1：
多模个性化纵横校准的方法，包括下列步骤及其组合：
S2000步骤：依据时间序列获取个体的示值和与所述示值存在关联函数的多模校准因素值。
S3000步骤：基于设定的纵向校准算法，采用包括历史的和当前的所述校准因素值和所述示值，校准所述示值成为纵向修正值，并且确保所述纵向修正值与约定真值的误差收敛在允许误差之内。
对于医院或者机构用户，除了采用上述S2000步骤和S3000步骤之外，还可以增加以下S4000步骤。需要说明的是，这些步骤的编号，除非特别申明，否则不受数字大小而带来的前后顺序的约束。
S4000步骤：基于设定的横向校准算法，获取由一个以上所述个体构成的群体的所述校准因素值和所述示值，依据其它个体数据校准自身个体数据成为横向修正值。
2.2：
在前述技术方案的基础上，本发明在包括但不限于S2000步骤，具体可以采用如下列的或者多种局部改进的措施：
S2010步骤：依据公式(2.1)建立测量模组，依据公式(2.2)建立校准模组。
DTM＝{DTMαt|DTMαt，1≤α≤m，1≤t≤n} (2.1)
DTC＝{DTCβt|DTCβt，1≤β≤p，1≤t≤n} (2.2)
DTMa(t)＝DTMα(t+gTM) (2.3)
DTCβ(t)＝DTCβ(t+hTC) (2.4)
其中：
所述测量模组包括一个以上示值分量，所述示值分量包括依据所述时间序列采集获得的一个以上所述示值。
所述校准模组包括一个以上校准因素分量，所述校准因素分量包括依据所述时间序列采集获得的一个以上所述校准因素值。
DTM是所述示值的集合，也是所述测量模组，DTMαt为所述示值分量编号为α的所述时间序列为t的示值，m为所述示值分量的最大编号值，n为所述时间序列的当前值。
DTC是所述校准因素值的集合，也是所述校准模组，DTCβt为所述校准因素分量编号为β的所述时间序列为t的校准因素值，p为所述校准因素分量的最大编号值。
公式(2.3)为所述示值分量的时间函数，α为所述示值分量的编号，g为任意整数，TM为所述示值分量的周期。
公式(2.4)为所述校准因素分量的时间函数，β为所述校准因素分量的编号，h为任意整数，TC为所述校准因素分量的周期。
如图1所示，在本实施例中，测量模组包括人体葡萄糖(简称为血糖)示值分量、人体血脂(简称为血脂)示值分量。校准模组包括脉搏校准因素分量、血压校准因素分量。示值即血糖和血脂示值的集合，为DTM，校准因素值即脉搏和血压的的集合，为DTC，修正值为最终需要的血糖值。***建立包括X、Y、T的黎曼流形(几何)坐标系，其中，横坐标X取校准因素值DTCβ(t)的曲线；纵坐标Y取波动的幅度，在人体中，Y轴包括非线性的曲线和直线；深度轴取时间序列T，该轴为直线。
S2020步骤：所述关联函数包括依据公式(2.5)和公式(2.6)存在约束关系：
当TCβ1＜TMα1，取TCβ2≤TMα2＜TCβ1 (2.5)
当TCβ1≥TMα1，取TCβ2＜TMα1，并且TMα2＜TMα1 (2.6)
其中：
TCβ1为所述校准因素分量编号β的所述校准因素值的变化周期，TCβ2为所述校准因素分量编号β的所述校准因素值的采样周期，TMα1为所述示值分量编号为α的所述示值的变化周期，TMα2为所述示值分量编号为α的所述示值的采样周期。
在本实施例中：
取校准模组中的脉搏的变化周期为TC11，脉搏的采样周期为TC12，血压的变化周期为TC21，血压采样周期为TC22。
取测量模组中血糖的变化周期为TM11，血糖的采样周期为TM12，血脂的变化周期为TM21，血脂采样周期为TM22。
依据人体的实际脉搏、血压、血糖、血脂的变化周期测量获得TC11、TC21、TM11，TM21，采样周期依据传感器能力，脉搏、血压、血糖、血脂的采样周期TC12、TC22、TM12，TM22分别选取范围是：1ms至100ms、1ms至100ms、20ms至120s、20ms至120s。单位ms是毫秒，s是秒。
在本实施例中，各个分量之间的具体函数关系，依据医学上关于人体脉搏、血压、血糖、血脂之间的函数关系计算。
S2030步骤：当TCβ1＜TMα1同时TMa2＜TCβ1时，将TMα2分解为短采样周期TMα2S和长采样周期TMα2L，的，以TMα2L获取响应速度慢但是测量精确度较高的所述示值分量DTMαL，以TMα2S获取相应速度快但是测量精度较低的所述示值分量DTMαS，采用DTMαS与DTCβ之间建立所述关联函数，校准DTMαL的步骤。
在本实施例中：取TCβ1为脉搏周期，通常在1秒左右，取TMα1为血糖变化周期，至少为分钟级别，设定脉搏采样周期TMα2为50毫秒(mS)，根据对于血糖值的采样的设备的现状，不可能取毫秒级别，也就是说，TMα2＜TCβ1。为了进一步优化对于血糖值的校准，对于血糖采样周期的设定，本发明设计为采样周期长短结合的方式，例如，取TMα2S为200毫秒，取TMα2L为30秒，在200毫秒采样获得的血糖数据中，发明人知道其测量精度不足，并且信噪比也很大，但是这里面对于由于脉搏的波动而带来的对于血糖的影响趋势，却有着足够的影响信息。而在30秒采样获得的血糖数据中，测量精度和信噪比都够用，但是由于采样周期远大于200毫秒，由于积分的影响，依据傅里叶变换原理，我们无法计算脉搏波动对于血糖值的影响信息。因此，引入采样周期长短结合的方式，利用短周期采样找出脉搏波动对于血糖影响的波动函数，去校准长周期采样的血糖值，这样，既能够找出脉搏波动对于血糖的影响，有确保血糖测量的精度，是一个优化的选择。
S2040步骤：所述关联函数包括建立以公式(2.7)至公式(2.12)的约束关系，指定DTM0(t)作为所述校准因素值的所述纵向修正值：
建立以公式(2.7)为***的输入状态空间和以公式(2.8)为所述***的状态空间，建立以公式(2.9)和公式(2.11)为状态方程组，并且依据公式(2.13)或公式(2.14)计算所述纵向修正值，依据公式(2.12)复核计算结果，还包括建立卡尔曼滤波器，以包括所述示值变量、所述校准因素值变量作为输入变量，建立状态观测器以预测和计算所述纵向修正值：
DTM(t)＝[DTM1(t)，DTM2(t)…DTMm(t)]T (2.7)
DTC(t)＝[DTC1(t)，DTC2(t)…DTCp(t)]T (2.8)
Z(t)＝[Z1(t)，Z2(t)…Zq(t)]T (2.9)
Figure BDA0003029941740000062
DTM(t)＝Ψ(Z(t)，DTC(t)，t) (2.11)
Figure BDA0003029941740000061
DTM0(t)∈{DTMα(t)|DTMα(t)，1≤α≤m} (2.13)
DTM0(t)＝DTM(t)-R(t) (2.14)
其中：
公式(2.7)是由DTM1(t)轴，DTM2(t)轴…DTMm(t)维所构成的m维状态空间的所述示值分量的状态空间的函数。公式(2.8)由DTC1(t)轴，DTC2(t)轴…DTCp(t)轴所构成的p维状态空间的所述校准因素分量的状态空间的函数，T为矩阵的转置，公式(2.9)是由Z1(t)轴，Z2(t)轴，…Zq(t)轴构成的q为状态空间的所述状态变量的状态空间的函数，公式(2.10)是状态变量的微分方程，公式(2.11)是所述***的输出方程，公式(2.12)是所述纵向修正值函数DTM0(t)的误差∈0(t)小于等于所述允许误差∈0，公式(2.13)为所述纵向修正值属于所述示值的集合中的一个元素，公式(2.14)为所述纵向修正值是所述***的输出方程计算值减去误差修正函数R(t)的值。
如图2所示，这是依据状态空间方程原理部署的***。图3是一种基于拉曼散射原理，采用红外激光投射到人体皮肤，由于红外激光能够透射到皮下组织，所经过的透射路径中，遇到葡萄糖分子，在拉曼散射效应中，散射出来的拉曼散射波，探测所述拉曼散射波，从而测量出葡萄糖的含量。由于在这个过程中，测量到的葡萄糖包括表皮部位、皮内部位、组织间液部位、毛细血管部位、静脉血管部位等处的全部葡萄糖的含量。在本实施例中，示值和校准因素值的选取与S2010和S2020步骤不同，目的是给出本发明方法的另外一种局部改进的方案。具体是：
1、以DTM(t)为人体体外血糖(体内葡萄糖)测量函数，例如采用基于拉曼激光的体外监测、红外光体外监测、电泳体外酶电极监测等，按照周期TM获取示值。
2、在图4中，分解DTM(t)为表皮血糖值DTM1(t)(图4中拉曼位移光谱线4001)、皮内血糖值DTM2(t)(图4中拉曼位移光谱线4002)、组织间液血糖值DTM3(t)(图4中拉曼位移光谱线4003)、毛细血管血糖值DTM4(t)(图4中拉曼位移光谱线4004)、静脉血管血糖值DTM5(t)(图4中拉曼位移光谱线4005)、其它干扰值DTM6(t)，根据国际卫生组织(WHO)的血糖定义，只有静脉血管血糖值DTM5(t)的值才是真正需要的，所以，在这里需要求解DTM5(t)，即DTM0(t)＝DTM5(t)。
3、以DTC(t)为心血图测量函数，按照周期为TC进行体外测量，获取PPG、ECG、血氧值，分别记录为DTC1(t)、DTC2(t)、DTC3(t)。
4、按照公式(2.7)至公式(2.13)，从DTM1(t)至DTM6(t)中选择最接近的值作为DTM0(t)，即纵向修正值，或，按照公式(2.7)至公式(2.12)和公式(2.14)，计算纵向修正值。
S2050步骤：所述关联函数还包括记录单向变化和/或双向变化的步骤，具体是：
一个以上所述示值的变化会导致另外一个以上所述校准因素值的单向变化，或一个以上所述校准因素值的变化会导致另外一个以上所述示值的单向变化，或双方中任何一方的变化均导致另外一方的双向变化，所述变化包括如公式(2.7)或公式(2.8)或公式(2.9)确定的函数关系。
Figure BDA0003029941740000071
Figure BDA0003029941740000072
Figure BDA0003029941740000073
其中：
f2.7是双向映射函数，运算符号
Figure BDA0003029941740000074
为双向映射运算符，即所述校准因素值的改变会影响所述示值，而所述示值的改变也会影响所述校准因素值。
f2.8是左向映射函数，运算符
Figure BDA0003029941740000075
为左向映射运算符，即所示值的改变会影响所述校准因素值，而所述校准因素值的改变不会影响所述示值。
f2.9是右向映射函数，运算符
Figure BDA0003029941740000076
为右向映射运算符，即所述校准因素值的改变会影响所述示值，而所述示值的改变不会影响所述校准因素值。
在本实施例中，依据人体脉搏、血压和血糖、血脂的性质，从基于上述采样周期设定看，脉搏、血压的变化将影响血糖、血脂的变化，而血糖、血脂的变化，将不会影响脉搏、血压的变化，即符合公式(2.9)的映射关系。在其它的实施例中，依据具体情况，将有符合公式(2.7)或公式(2.8)的映射关系。
S2060步骤：所述关联函数还包括非周期性的所述示值函数和周期性的所述校准因素值函数的关系，包括在所述公式(2.3)中所述TM取无穷大和在所述公式(2.4)中所述TC取所述校准因素值函数的周期。
在这种情况下，本实施符合这一条定义，TM为血糖和血脂的变化周期，TC为血压和脉搏的变化周期，实际情况是，对于血压和脉搏的变化周期来说，血糖和血脂呈现非周期性函数。
S2070步骤：所述关联函数还包括线性时变性的所述示值函数和线性时不变性的所述校准因素值函数的关系，包括在所述公式(2.3)中函数的输出和输入之间为线性关系，并且函数的响应与输入的关系与时间有关联，所述公式(2.4)中函数的输出和输入之间为线性关系，并且函数的响应与输入的关系与时间无关联。
如上所述，在这种情况下，本实施例不符合这一条定义，但是对于其它的实施例来说，例如一些长短周期结合的工业测量，是符合这一条定义的。
S2080步骤：所述关联函数还包括因果-稳定性的所述示值函数和因果-稳定性的所述校准因素值函数的关系，包括在所述公式(2.3)和公式(2.4)中函数的输出与输出时刻之后的输入无关。
本实施例就是部分符合这一条定义，血糖和血脂的变化，部分符合血压和脉搏的因果-稳定性函数关系，但是血压和脉搏并不是血糖和血脂的变化的唯一因变量，饮食和运动却是血糖和血脂的另外的因变量，并且是权重较大的因变量。
S2090步骤：所述关联函数还包括在难以确定所述校准因素值集合和所述示值集合之间的映射关系，但是由大数据和人工智能算法分析而获得的所述校准因素值集合和所述示值集合之间的映射关系。
实际上，在本实施例中，我们可以在校准模组中设计更多的校准因素分量，例如饮食中的碳水化合物、含糖量、运动量等。通过大数据的统计，对于每个校准个体，会将带来更准确的校准。
S2100步骤：所述关联函数还包括采用所述校准因素值、所述示值和所述时间序列建立一个黎曼流行坐标系，采用黎曼几何建立所述校准因素值、所述示值和所述时间序列之间的关系函数，以避免在所述S2070步骤中，所述校准因素值集合和所述示值集合之间的映射关出现非一对一映射的问题。
在本实施例中，完全可以依据血压作为校准的基准，即采用如图1所示的黎曼流形的方法，采用血压值作为黎曼坐标的横轴，即X轴，设计算法。
S2110步骤：存储所述群体中全部所述个体历史的和当前的的时间点、所述校准模组、所述校准因素值、所述测量模组以及所述示值到数据库，所述历史的时间点是指包括所述当前的时间点之前的部分时间点或全部时间点。
在本实施例中，数据库存储与云中心，而用户是通过无线手机终端，连接云模式运行。2.3：
在前述技术方案的基础上，本发明在包括但不限于S3000步骤，具体可以采用如下列的一种或者多种局部改进的措施：
S3010步骤：依据所述当前的所述校准因素值和所述示值，采用校准函数计算所述当前的所述示值成为所述纵向修正值，使得所述纵向修正值与所述约定真值之间的误差小于允许误差的所述纵向校准算法步骤。
例如，采用当前的脉搏和血压来校准当前的血糖和血脂，采用偏微分方程，依据脉搏和血压的当前值和波动，关联当前的血糖和血脂，通过微分，获取脉搏和血压的波动对于血糖和血脂的波动，以减小血糖和血脂数据中的干扰因素，可获得更高的校准精度。
S3020步骤：依据一个以上所述历史的所述校准因素值和所述示值，依据所述时间序列的前后次序和波形属性设定权重，采用所述校准函数，计算所述当前的所述示值成为所述纵向修正值，使得所述纵向修正值与所述约定真值之间的误差小于允许误差的所述纵向校准算法步骤。
S3030步骤：所述纵向校准算法，还包括S3031至S3033依次执行的步骤，具体是：
S3031步骤：所述个体在相同时间段的所述时间序列上，依据所述校准因素值的波动，采用所述校准函数，对于所述示值按照所述相同时间段进行同步计算，从而获取所述个体的与所述约定真值之间的误差小于允许误差的纵向同步修正值的步骤。
S3032步骤：所述个体在不同时间段的所述时间序列上，以所述纵向同步修正值作为自变量，扩大所述时间段到包括日或周或月或年或用户指定周期，采用所述校准函数，计算获取纵向历史修正值，并计算所述纵向历史修正值与所述纵向同步修正值之间的误差。
S3033步骤：采用统计算法、人工智能的分类算法，减小或消除所述纵向历史修正值与所述纵向同步修正值之间的误差的步骤。
在本实施例中，采用T-检验或Z-检验分析误差，以剔除异常值。采用支持向量机SVM和卷积神经网络CNN算法，对于历史值进行分类。
所述时间段包括一个以上的连续的所述时间点或所述校准模组中的所述校准因素值的一个周期内的全部所述时间点。
S3040步骤：所述纵向校准算法，还包括：采用统计算法、人工智能的分类算法和所述历史的所述校准因素值与所述示值，建立所述校准因素值与所述示值之间的校准参数集，依据所述校准参数集和当前的所述校准因素值与所述示值，校准当前的所述示值为所述纵向修正值的步骤。
S3050步骤：所述纵向校准算法，还包括获取约定真值步骤，具体采用包括精密度、准确度或精度等级高一级以上、测量误差小于所述允许误差的监测设备测量所述个体，获取测量值，以此作为所述约定真值，所述小于包括所述标准监测设备与所述本发明方法的监测误差的比值小于0.5或者由用户指定的值。所述获取约定真值步骤，具体还包括采用所述其它个体的历史数据计算获得。
在本实施例中，采用医用级的血糖、血脂的抽血化验测量设备获取个体的血糖和血脂的测量值和记录测量时刻，以此作为约定真值。同时，亦即在所述相同时段，采用待校准设备测量的血糖、血脂的数值和时间序列，计算纵向同步修正值，并计算和验证纵向同步修正值和约定真值之间的误差，如果误差大于允许误差，则修改参数集并迭代计算，直到误差小于允许误差。
约定真值还可以采用对于其它个体的统计及人工智能算法等方法来获得，此时，无需采用高一级的医用设备测量获得。
在本实施例中，校准函数可以选用数学统计算法、支持向量机SVM和卷积神经网络CNN等算法，以误差小于允许误差作为目标，训练例如卷积核或相关参数，这些均归纳与校准参数集。
2.4：
在前述技术方案的基础上，本发明在基于群体大数据方向，还包括但不限于S4000步骤，具体可以采用如下列的一种或者多种局部改进的措施：
S4010步骤：建立由一个以上具有相同所述测量属性的所述个体构成的群体，获取所述群体中的所述个体的所述校准因素值和所述示值，并分别纳入所述标准模组和所述测量模组，所述群体包括其它个体和自身个体。
在本实施例中，针对市、区、医院，建立糖友群体，还可以根据性别、肤色、职业等建立糖友群体。从统计学和人工智能大数据角度看，群体中的糖友越多，横向校准的效果越好。
S4020步骤：所述横向校准算法，包括分步实施的步骤，具体是：
第一步：对于所述群体中的全部所述个体，执行所述纵向校准算法，获取全部所述个体的所述纵向修正值和所述误差，所述纵向修正值包括所述纵向同步修正值和所述纵向历史修正值。
第二步：依据所述其它个体的所述纵向修正值和所述误差，采用包括加权算法、滤波算法、偏微分算法、模糊算法、微分几何算法以及人工智能深度学习算法在内的所述校准函数，计算校准参数集，以校准所述自身个体的所述纵向修正值，使得所述纵向修正值的误差小于所述允许误差，获取所述自身个体的横向修正值。
S4030步骤：所述横向校准算法，还包括单步实施的步骤，具体是：
依据所述群体中的全部所述其它个体的所述校准因素值和所述示值和所述自身个体的所述校准因素值和所述示值，采用所述校准函数，来校准所述自身个体的所述示值，获取所述自身个体的误差小于所述允许误差的所述横向修正值和所述误差。
在本实施例中，在软件设计中，采用单步实施，实际上可以把单步实施理解为把分布实施在同一段软件代码中实施。
S4040步骤：所述横向校准算法，还包括循环实施的步骤，具体是：
依据历史时间段，循环执行所述S4020步骤或所述S4030步骤，获取所述自身个体的横向修正值和所述误差，循环体的周期依据所述测量属性，选择介于小于所述扩大的时间段并且大于所述时间段。
在本实施例中，在云中心，在服务器上，采用循环实施，将计算结果存储在数据库中，在用户终端手机上需要的时候，直接在云中心数据库中获取横向校准结果。
S4050步骤：所述横向校准算法，还包括分类的步骤，具体是：
针对所述群体中的所述个体，依据所述校准参数集进行分类，当所述自身个体进行横向校准时，选择相同类或者相近类的所述其它个体进行校准计算，获取所述自身个体的误差小于所述允许误差的所述横向修正值和所述误差。
S4060步骤：所述横向校准算法，还包括校准的步骤，具体是：
S4061步骤：计算所述群体中所述个体的个体误差，依据所述个体误差采用包括误差大小、误差严重程度建立个体误差类别和所述误差小于所述允许误差的误差修正参数。
S4062步骤：依据所述历史时间段，循环执行所述S4061步骤，获得所述个体的当前个体误差类别和当前误差修正参数。
S4063步骤：对于所述群体中新加入的所述个体，执行所述S4061步骤，或执行所述S4061步骤和S4062步骤。
S4064步骤：依据所述个体的所述个体误差类别和所述误差修正参数，或所述当前个体误差类别和所述当前误差修正参数，消除所述个体误差。
在本实施例中，采用群体之间横向校准可进一步提高校准的效率和减小误差，对于由于人体的生物多样性，例如不同的肤色、不同的年龄、不同的职业等情况，进行针对性地校准，以期获得更好的效果。
进一步，建立群体分类模型，并建立分类的校准参数集，对于新进入群体的个体，进行计算，以纳入分类，以该分类所对应的校准参数集进行快速校准。
2.5：
在前述技术方案的基础上，本发明在包括但不限于S5000步骤，具体可以采用如下列的一种或者多种局部改进的措施：
S5010步骤：依据所述公式(2.13)，所述校准函数，包括t-检验、Z-检验法，具体在所述示值的误差小于所述允许误差的条件下，采用包括以下步骤或步骤的组合：
在所述相同的时间段，获取一个所述约定真值，以此作为该时间段的平均值，并且获取一个以上所述示值，按照公式(5.1)或公式(5.2)计算所述误差，按照公式(5.3)或公式(5.4)计算标准偏差，按照公式(5.5)计算校准后的误差，按照公式(5.6)审核校准后的误差小于所述允许误差，按照公式(5.7)作为约束条件，约束校准后的所述示值的所述修正值。
Figure BDA0003029941740000111
Figure BDA0003029941740000112
Figure BDA0003029941740000113
Figure BDA0003029941740000114
Figure BDA0003029941740000115
Figure BDA00030299417400001111
Figure BDA0003029941740000116
其中：
Figure BDA0003029941740000117
和
Figure BDA0003029941740000118
分别为编号是α和β的示值分量和校准因素值分量的约定真值，∈αt为所述示值的误差，∈βt为所述校准因素值的误差，δαt为所述示值分量的标准差，δβt为所述校准因素分量的标准偏差，m为所述时间段内的所述示值总数，
Figure BDA0003029941740000119
是校准后的修正值，
Figure BDA00030299417400001110
是校准后的所述示值的修正值误差，∈0是所述允许误差。
如果m小于30，则对δαt和δβt做统计学中的t-检验，以标定异常值。
如果m大于30，则对δαt和δβt做统计学中的Z-检验，以标定异常值。
删除异常值或进行插值计算补充所述示值，将全部所述示值和经过插值计算的示值作为所述纵向修正值。
在本实施例中，删除一个异常值后，在该时间序列进行插值计算，以补充一个点，插值算法包括算术中值、算术均值、曲线中值、曲线均值、最小二乘法、高斯法、神经网络法等。
S5020步骤：依据所述公式(2.14)，所述校准函数，还包括S5021至S5023步骤计算误差修正函数R(t)的步骤：
S5021步骤：依据所述获取约定真值步骤，针对所述个体选取多个所述时间段获取所述约定真值，取R(t)＝0，采用函数拟合方法计算所述纵向修正值。
S5022步骤：针对所述群体中的多个所述个体，执行所述S5021步骤，获取所述公式(2.14)计算的对应表格。
S5023步骤：针对所述对应表格，采用统计方法或深度学习或神经网络的方法计算R(t)。
在本实施例中，在大数据的初期阶段，需要大量的带有不同时间段的采集到约定真值的个体的数据，以便在这个阶段之后，由深度学习来推理和分类，从而减少采集约定真值的动作，以减少实际成本支出和工作量。这里的函数拟合包括算术中值、算术均值、曲线中值、曲线均值、最小二乘法、高斯法、神经网络法等。
S5030步骤：所述校准函数，还包括集合映射法，在所述示值的误差大于所述允许误差的条件下，采用包括以下步骤：
依据所述关联函数选择相互关联的所述示值分量和所述校准因素分量，在相同的所述时间段之内，依据所述时间序列的所述校准因素分量的校准因素值集合，和，所述示值分量的示值集合，建立集合元素的对应映射关系函数。
针对所述对应映射关系函数对于所述时间序列取偏微分运算，依据所述示值分量集合中元素的波动，在所述校准因素值集合中选择与所述波动存在线性关系的分量，以此分量为主示值分量，余下为辅示值分量。
依据所述t-检验或Z-检验，对所述主分量标定异常值。
删除异常值或进行插值计算补充所述示值，将全部所述示值和经过插值计算的示值作为所述纵向修正值。
在本实施例中，这种算法是一种简化的计算方法，可以采用获得多个约定真值和示值分量的数据，如果它们之间符合某种线性关系，或者可拟合的曲线关系，则采用几何映射法，将会大幅度减小计算工作量。考察的前提条件是采用统计学的方法或卷积神经网络的方法来验证。
S5040步骤：所述校准函数，还包括状态方程法，具体是求解所述S2030步骤中的公式(2.11)和公式(2.12)的所述***的输出方程中的解，分解所述***的全部输出分量，以其中一个输出分量DTM0(t)作为所述纵向修正值，其它的输出分量看做是干扰值。
如图2所示，在本实施例中，采用包括S2030步骤，计算出DTM0(t)的血糖值。
S5050步骤，所述校准函数，还包括神经网络法，具体是：
针对所述数据库中的关系型数据记录，以所述数据记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络。
依据所述连接函数中，所述示值和所述校准因素值对于所述误差产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数。
采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数。
采用支持向量机算法，分类筛选所述误差和所述输出分量，并且筛选出所述纵向修正值和所述干扰值。
采用卷积神经网络算法，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括所述纵向修正值和所述干扰值，以及所对应的所述示值。
采用循环神经网络算法，建立层内关联函数，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值。
采用深度神经网络算法，对于各个所述神经网络的层之间的所述示值、所述校准因素值、所述误差，建立层间关联函数，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值。
采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值。
采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值。
在本实施例中，具体的步骤是：
1、对于拉曼激光光斑所照射的皮肤处所存在的物质，进行单物质分类和单物质拉曼光谱模型数据库建立。
2、选择包括卷积神经网络模型(英文名称：Convolutional Neu ral Networks，英文缩写：CNN)，对于上述模型数据库执行深度学习，计算卷积核和校准参数集。
3、建立由多人(本例为100人)构成的初始学习群体，采集他们的约定真值和对应的拉曼光谱示值和血压、血氧的校准因素值数据库，执行深度学习，计算优化卷积核和校准参数集。
4、扩大群体人数，并对于新增的个人按照概率做约定真值的抽检，并执行深度学习，计算优化验证卷积核和校准参数集。
5、当抽检的误差低于国家食品药品监督管理总局对于体外无创血糖仪的指标后，正式发布本***，并继续执行并执行深度学习，计算优化验证卷积核和校准参数集。
S5060步骤，所述校准函数，还包括采用卡尔曼滤波方法，建立状态观测器，采用包括所述示值变量、所述校准因素值变量作为输入变量，计算所述状态观测器的输出，再与所述纵向校准值进行比对，再由深度学习来分析比对结果，以修正所述校准参数集，使得所述误差收敛与所述允许误差之内。
S5070步骤：所述校准函数，还包括通过对于所述辅示值分量做统计计算，如果发现经过所述辅示值分量在其它时间段中存在一致，则在后续时段中计算所述示值扣除所述辅示值分量中的值作为所述纵向修正值。
S5080步骤：所述校准函数，还包括采用优化校准参数集进行简化计算，获得所述纵向修正值。
在本实施例中，依据针对特定分类的人群，例如分类条件为：黄种人+退休女人+深圳地区居住者+年龄介于55岁至75岁者+配合本发明统计工作者，依次建立分类的子数据库，由于她们的拉曼光谱数据较为稳定，表皮血糖值DTM1(t)相对较为稳定，波动程度较小，因此，定义DTM1(t)至DTM4(t)为辅示值，进行简化计算。
2.6：
在前述技术方案的基础上，本发明在包括但不限于S6000步骤，具体可以采用如下列的一种或者多种局部改进的措施：
S6010步骤：依据所述时间序列整理所述校准函数中的计算参数，建立固定数据格式，记录所述时间序列和算法编号，成为校准参数集记录。
S6020步骤：所述校准参数集，包括依据所述时间序列累积的全部所述校准参数集记录。
S6030步骤：所述校准参数集，还包括基于人工智能算法的算法本身、常数、系数、权重系数、过程参数、时间序列的数据。
S6040步骤：依据所述校准参数集，采用统计方法或人工智能的方法，以包括误差最小、标准偏差最小、计算量最小为优化指标，进行迭代优化升级，成为带有时间序列标签的优化校准参数集。
S6050步骤：存储所述校准参数集到所述数据库的步骤。
在本实施例中，如前所述，校准参数集与卷积核一起，纳入同步计算。
2.7：
在前述技术方案的基础上，本发明在包括但不限于S7000步骤，具体包括S7100云大数据模式、S7200局域网模式、S7300单点模式的单项步骤或者多项步骤的组合：
S7100步骤，云大数据模式：
S7110步骤，建立基于互联网模式的云中心，将本发明所获取的包括全部所述群体、所述个体的全部数据、中间计算结果、所述数据库，通过广域网网络传输，全部存储到基于互联网的一个以上云服务器上，以此作为一个以上云中心，采用云计算模式管理、计算和支撑。
S7120步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述数据库和前述的各个步骤，所述个体采用匿名记录，所述数据库中的信息采用带有时间戳的链式结构，用户访问所述数据库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式。
S7130步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述数据库核心数据的前提下，依据各自所述机构的所述数据库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个体；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护对象隐私。
S7140步骤，采用集中学习模式建立和训练对于不强调对象隐私保护时的模型训练，所述数据库存储于一个云中心。
S7150步骤，采用联邦学习模式建立和训练对于需要强调对象隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的数据。
S7200步骤，局域网模式：
建立基于局域网的服务器用于存储和管理支撑中心，将本发明所监测的包括全部所述群体、所述个体的全部数据、中间计算结果、所述数据库，通过局域网网络传输，全部存储到基于局域网的服务器上，以此管理、计算和支撑。
S7300步骤，单点模式：
所述单点为监测一个所述个体的检测、存储、管理、计算和支撑的步骤，将本发明所获取的所述个体的全部数据、中间计算结果、所述数据库，全部存储到所述单点的存储上。
在本实施例中，采用云大数据模式，个人终端设备与其智能手机通过蓝牙连接，再接入云大数据中心工作。
实施例二、集装箱船货舱风机节能的校准方法
1、基础方案简介
本实施例是作为本发明申请在工业领域中的应用举例。具体是在远洋集装箱船舶中，对于货舱大功率风机的节能控制，是一项多输入多输出的控制***，其中输入量包括货舱中堆放的各个冷藏集装箱的周边环境温度、风速、箱内设定温度、货舱整体风场等，输出控制包括全部的货舱风机的变频调速、风道出风口风门、货舱进风口、货舱出风口、冷藏集装箱控制信号等，总体控制指标是在确保冷藏集装箱箱内货物保质、用户设定的箱内温度不变的情况下，尽可能减少货舱风机的能耗。据实际***运行数据，采用本发明申请多模式纵横校准的方法，可以实现风机控制更加合理平稳，节能效果高达58％。
2、图示说明
图5：其中如编号5010所示是货舱，货舱中堆放着冷藏集装箱(冷藏箱)，在冷藏集装箱中，制冷机有一个闭环的温度控制***，例如采用的是PID调节器的控制温度***。在这个温度控制***中，或者通过外置通信设备从冷藏集装箱的对外接口获取冷藏集装箱的包括内部设定温度、送风温度、回风温度、外部环境温度等信号，或者通过内置通信电路获取这些信号，这些信号通过如编号5036所示输出，作为负反馈信号如编号5032所示输入到***的输入，与如编号5031所示的***给定信号和如编号5033所示的AI给定信号一起，形成完整的如编号5043所示反馈信号，驱动如编号5020所示的风机控制子***控制风机，最终形成如编号5035所示的控制理论上的闭环控制的方法。也就是说，依据采集的数据，作为闭环的负反馈数据去生成控制函数，直接去控制风机或者风机和闸门。但是需要注意的是，这里所谓的闭环，是针对从采集到控制的过程时间而言，这个时间差比较短，例如小于20分钟。需要注意的是，这里的20分钟只是一个举例，根据不同大小的舱室，这个数字可以更长或者更短。
图2：与图5关联的控制方法，采如用图2的多输入多输出的状态空间控制方法。
图6：其中编号6010和编号6020分别是船舶上一个货舱中堆放的冷藏集装箱的箱头所在的垂直平面，所述冷藏集装箱的箱头，是指冷藏集装箱在制冷机操作面板所在的一头。在船舶中，集装箱的堆放都有一个三维的坐标编号，即行号Bay、列号Row、层号Tier，简称BRT坐标。图6中，如编号6012、6022所示的白色方格是船底压载水舱的位置，如编号6011、6021所示的灰色方格是冷藏集装箱堆放的箱头，其中，箱头处的空气温度随着冷藏集装箱的工作而变化。为了便于描述，本发明专利申请用C1～C9示意该冷藏集装箱所在的位置点BRT坐标处的空气温度或者散热风扇的排风量、排风速度等数据，需要注意的是，该数据是连续量，图5中用C1～C9示意该连续量从小到大的不同，但这里并不意味着该连续量只分为C1～C9这9个等级。所述一个帧画面的数据，就是指对于一个货舱内的集装箱做一次采集，按照BRT坐标存放到环境数据的数据库。对于其它有源集装箱、无源集装箱或者非集装箱货物，以此类推。
3、差异化说明
与实施例一相同之处这里不再复述，不同之处有以下几点：
3.1、
设定示值为至少包括货舱内冷藏集装箱的位置坐标、环境温度、风速、箱内设定温度、出风口温度、送风口温度、货舱风机运行状态、货舱总体能耗。
选用约定真值为历史记录值，设定校准因素值为货舱风机控制控制函数、货舱总体能耗函数。设定关联函数为冷藏集装箱控制函数、货舱风机控制函数、货舱温度控制函数、货舱能耗函数。
设定个体为冷藏集装箱品牌型号，设定做种群体，其中每个货舱作为一个群体、每条船舶祖宗伟一个群体、每条航线作为一个群体。
3.2、
选定每个风机的控制或每个风机上的风门的控制作为纵向修正值，采用如图2所示的空间状态方程组作为关联函数、控制函数。对于每条船舶，采用各个货舱作为群体，进行横向校准。
3.3、
采用人工智能算法进行深度学习和标记，采用例如卷积神经网络CNN算法、贝叶斯Bayes算法、对抗神经网络GAN算法、萤火虫算法、蚁群算法等进行训练。优化的指标包括风机的能耗最小、设备动作最少(例如启停次数最少、启停风机个数最少)、对于内部温场扰动最少、对于出风数据扰动最少等策略，并且把实际的控制室结果按照时间存储到数据库，同时把能够获得的船舶航线数据、天气数据、集装箱的装卸数据以及停靠的码头数据等相关数据，全部输入到数据库。将这些都作为人工智能算法的深度学习的类容和经验内容，以便随着***的运行，人工智能算法的结果变得越来越“聪明”，同时由于设备动作减少，同时也延长了设备的使用寿命。
3.4、
每条船舶采用数据通信卫星实时与云大数据中心联网，采用区块链和安全多方计算保护各个船舶、各个货主的信息。

Claims (7)

1.多模个性化纵横校准的方法，其特征在于包括：
S2000步骤：依据时间序列获取个体的示值和与所述示值存在关联函数的多模校准因素值；
S3000步骤：基于设定的纵向校准算法，采用包括历史的和当前的所述校准因素值和所述示值，校准所述示值成为纵向修正值，并且确保所述纵向修正值与约定真值的误差收敛在允许误差之内；和/或，
S4000步骤：基于设定的横向校准算法，获取由一个以上所述个体构成的群体的所述校准因素值和所述示值，依据其它个体数据校准自身个体数据成为横向修正值。
2.根据权利要求1所述的方法，其特征在于，所述S2000步骤，具体包括：
S2010步骤：依据公式(2.1)建立测量模组，依据公式(2.2)建立校准模组；
DTM＝{DTMαt|DTMαt，1≤α≤m，1≤t≤n} (2.1)
DTC＝{DTCβt|DTCβt，1≤β≤p，1≤t≤n} (2.2)
DTMα(t)＝DTMα(t+gTM) (2.3)
DTCβ(t)＝DTCβ(t+hTC) (2.4)
其中：
所述测量模组包括一个以上示值分量，所述示值分量包括依据所述时间序列采集获得的一个以上所述示值；
所述校准模组包括一个以上校准因素分量，所述校准因素分量包括依据所述时间序列采集获得的一个以上所述校准因素值；
DTM是所述示值的集合，也是所述测量模组，DTMαt为所述示值分量编号为α的所述时间序列为t的示值，m为所述示值分量的最大编号值，n为所述时间序列的当前值；
DTC是所述校准因素值的集合，也是所述校准模组，DTCβt为所述校准因素分量编号为β的所述时间序列为t的校准因素值，p为所述校准因素分量的最大编号值；
公式(2.3)为所述示值分量的时间函数，α为所述示值分量的编号，g为任意整数，TM为所述示值分量的周期；
公式(2.4)为所述校准因素分量的时间函数，β为所述校准因素分量的编号，h为任意整数，TC为所述校准因素分量的周期；
S2020步骤：所述关联函数包括依据公式(2.5)和公式(2.6)存在约束关系：
当TCβ1<TMα1，取TCβ2≤TMα2<TCβ1 (2.5)
当TCβ1≥TMα1，取TCβ2<TMα1,并且TMα2<TMα1 (2.6)
其中：
TCβ1为所述校准因素分量编号β的所述校准因素值的变化周期，TCβ2为所述校准因素分量编号β的所述校准因素值的采样周期，TMα1为所述示值分量编号为α的所述示值的变化周期，TMα2为所述示值分量编号为α的所述示值的采样周期；和/或，
S2030步骤：当TCβ1<TMα1同时TMα2<TCβ1时，将TMα2分解为短采样周期TMα2S和长采样周期TMα2L的，以TMα2L获取响应速度慢但是测量精确度较高的所述示值分量DTMαL，以TMα2S获取相应速度快但是测量精度较低的所述示值分量DTMαS，采用DTMαS与DTCβ之间建立所述关联函数，校准DTMαL的步骤；
S2040步骤：所述关联函数包括建立以公式(2.7)至公式(2.12)的约束关系，指定DTM0(t)作为所述校准因素值的所述纵向修正值：
建立以公式(2.7)为***的输入状态空间和以公式(2.8)为所述***的状态空间，建立以公式(2.9)和公式(2.11)为状态方程组，并且依据公式(2.13)或公式(2.14)计算所述纵向修正值，依据公式(2.12)复核计算结果，还包括建立卡尔曼滤波器，以包括所述示值变量、所述校准因素值变量作为输入变量，建立状态观测器以预测和计算所述纵向修正值：
DTM(t)＝[DTM1(t)，DTM2(t)…DTMm(t)]T (2.7)
DTC(t)＝[DTC1(t)，DTC2(t)…DTCp(t)]T (2.8)
Z(t)＝[Z1(t)，Z2(t)…Zq(t)]T (2.9)
Figure FDA0003029941730000021
DTM(t)＝Ψ(Z(t)，DTC(t)，t) (2.11)
Figure FDA0003029941730000022
DTM0(t)∈{DTMα(t)|DTMα(t)，1≤α≤m} (2.13)
DTM0(t)＝DTM(t)-R(t) (2.14)
其中：
公式(2.7)是由DTM1(t)轴，DTM2(t)轴…DTMm(t)维所构成的m维状态空间的所述示值分量的状态空间的函数，公式(2.8)由DTC1(t)轴，DTC2(t)轴…DTCp(t)轴所构成的p维状态空间的所述校准因素分量的状态空间的函数，T为矩阵的转置，公式(2.9)是由Z1(t)轴，Z2(t)轴，…Zq(t)轴构成的q为状态空间的所述状态变量的状态空间的函数，公式(2.10)是状态变量的微分方程，公式(2.11)是所述***的输出方程，公式(2.12)是所述纵向修正值函数DTM0(t)的误差∈0(t)小于等于所述允许误差∈0，公式(2.13)为所述纵向修正值属于所述示值的集合中的一个元素，公式(2.14)为所述纵向修正值是所述***的输出方程计算值减去误差修正函数R(t)的值；
S2050步骤：所述关联函数还包括记录单向变化和/或双向变化的步骤，具体是：
一个以上所述示值的变化会导致另外一个以上所述校准因素值的单向变化，或一个以上所述校准因素值的变化会导致另外一个以上所述示值的单向变化，或双方中任何一方的变化均导致另外一方的双向变化，所述变化包括如公式(2.15)或公式(2.16)或公式(2.17)确定的函数关系；
Figure FDA0003029941730000023
(2.15)
Figure FDA0003029941730000024
(2.16)
Figure FDA0003029941730000025
其中：
f2.15是双向映射函数，运算符号
Figure FDA0003029941730000026
为双向映射运算符，即所述校准因素值的改变会影响所述示值，而所述示值的改变也会影响所述校准因素值；
f2.16是左向映射函数，运算符
Figure FDA0003029941730000027
为左向映射运算符，即所示值的改变会影响所述校准因素值，而所述校准因素值的改变不会影响所述示值；
f2.17是右向映射函数，运算符
Figure FDA0003029941730000028
为右向映射运算符，即所述校准因素值的改变会影响所述示值，而所述示值的改变不会影响所述校准因素值；和/或，
S2060步骤：所述关联函数还包括非周期性的所述示值函数和周期性的所述校准因素值函数的关系，包括在所述公式(2.3)中所述TM取无穷大和在所述公式(2.4)中所述TC取所述校准因素值函数的周期；和/或，
S2070步骤：所述关联函数还包括线性时变性的所述示值函数和线性时不变性的所述校准因素值函数的关系，包括在所述公式(2.3)中函数的输出和输入之间为线性关系，并且函数的响应与输入的关系与时间有关联，所述公式(2.4)中函数的输出和输入之间为线性关系，并且函数的响应与输入的关系与时间无关联；和/或，
S2080步骤：所述关联函数还包括因果-稳定性的所述示值函数和因果-稳定性的所述校准因素值函数的关系，包括在所述公式(2.3)和公式(2.4)中函数的输出与输出时刻之后的输入无关；和/或，
S2090步骤：所述关联函数还包括在难以确定所述校准因素值集合和所述示值集合之间的映射关系，但是由大数据和人工智能算法分析而获得的所述校准因素值集合和所述示值集合之间的映射关系；和/或，
S2100步骤：所述关联函数还包括采用所述校准因素值、所述示值和所述时间序列建立一个黎曼流行坐标系，采用黎曼几何建立所述校准因素值、所述示值和所述时间序列之间的关系函数，以避免在所述S2080步骤中，所述校准因素值集合和所述示值集合之间的映射关出现非一对一映射的问题；
S2110步骤：存储所述群体中全部所述个体历史的和当前的的时间点、所述校准模组、所述校准因素值、所述测量模组以及所述示值到数据库，所述历史的时间点是指包括所述当前的时间点之前的部分时间点或全部时间点。
3.根据权利要求1所述的方法，其特征在于，所述S3000步骤，具体包括：
S3010步骤：依据所述当前的所述校准因素值和所述示值，采用校准函数计算所述当前的所述示值成为所述纵向修正值，使得所述纵向修正值与所述约定真值之间的误差小于允许误差的所述纵向校准算法步骤；和/或，
S3020步骤：依据一个以上所述历史的所述校准因素值和所述示值，依据所述时间序列的前后次序和波形设定权重，采用所述校准函数，计算所述当前的所述示值成为所述纵向修正值，使得所述纵向修正值与所述约定真值之间的误差小于允许误差的所述纵向校准算法步骤；
S3030步骤：所述纵向校准算法，还包括S3031至S3033依次执行的步骤，具体是：
S3031步骤：所述个体在相同时间段的所述时间序列上，依据所述校准因素值的波动，采用所述校准函数，对于所述示值按照所述相同时间段进行同步计算，从而获取所述个体的与所述约定真值之间的误差小于允许误差的纵向同步修正值的步骤；
S3032步骤：所述个体在不同时间段的所述时间序列上，以所述纵向同步修正值作为自变量，扩大所述时间段到包括日或周或月或年或用户指定周期，采用所述校准函数，计算获取纵向历史修正值，并计算所述纵向历史修正值与所述纵向同步修正值之间的误差；
S3033步骤：采用统计算法和/或人工智能的分类算法，减小或消除所述纵向历史修正值与所述纵向同步修正值之间的误差的步骤；
所述时间段包括一个以上的连续的所述时间点或所述校准模组中的所述校准因素值的一个周期内的全部所述时间点；和/或，
S3040步骤：所述纵向校准算法，还包括：采用统计算法和/或人工智能的分类算法和所述历史的所述校准因素值与所述示值，建立所述校准因素值与所述示值之间的校准参数集，依据所述校准参数集和当前的所述校准因素值与所述示值，校准当前的所述示值为所述纵向修正值的步骤；
S3050步骤：所述纵向校准算法，还包括获取约定真值步骤，具体采用包括精密度、准确度或精度等级高一级以上、测量误差小于所述允许误差的监测设备测量所述个体，获取测量值，以此作为所述约定真值，所述小于包括所述标准监测设备与所述本发明方法的监测误差的比值小于0.5或者由用户指定的值；和/或，所述获取约定真值步骤，具体还包括采用所述其它个体的历史数据计算获得。
4.根据权利要求2和3所述的方法，其特征在于，所述S4000步骤，具体包括：
S4010步骤：建立由一个以上具有相同所述测量属性的所述个体构成的群体，获取所述群体中的所述个体的所述校准因素值和所述示值，并分别纳入所述标准模组和所述测量模组，所述群体包括其它个体和自身个体；
S4020步骤：所述横向校准算法，包括分步实施的步骤，具体是：
第一步：对于所述群体中的全部所述个体，执行所述纵向校准算法，获取全部所述个体的所述纵向修正值和所述误差，所述纵向修正值包括所述纵向同步修正值和所述纵向历史修正值；
第二步：依据所述其它个体的所述纵向修正值和所述误差，采用包括加权算法、滤波算法、偏微分算法、模糊算法、微分几何算法以及人工智能深度学习算法在内的所述校准函数，计算所述校准参数集，以校准所述自身个体的所述纵向修正值，使得所述纵向修正值的误差小于所述允许误差，获取所述自身个体的横向修正值；和/或，
S4030步骤：所述横向校准算法，还包括单步实施的步骤，具体是：
依据所述群体中的全部所述其它个体的所述校准因素值和所述示值和所述自身个体的所述校准因素值和所述示值，采用所述校准函数，来校准所述自身个体的所述示值，获取所述自身个体的误差小于所述允许误差的所述横向修正值和所述误差；和/或，
S4040步骤：所述横向校准算法，还包括循环实施的步骤，具体是：
依据历史时间段，循环执行所述S4020步骤或所述S4030步骤，获取所述自身个体的横向修正值和所述误差，循环体的周期依据所述测量属性，选择介于小于所述扩大的时间段并且大于所述时间段；和/或，
S4050步骤：所述横向校准算法，还包括分类实施的步骤，具体是：
针对所述群体中的所述个体，依据所述校准参数集进行分类，当所述自身个体进行横向校准时，选择相同类或者相近类的所述其它个体进行校准计算，获取所述自身个体的误差小于所述允许误差的所述横向修正值和所述误差；和/或，
S4060步骤：所述横向校准算法，还包括校准的步骤，具体是：
S4061步骤：计算所述群体中所述个体的个体误差，依据所述个体误差采用包括误差大小、误差严重程度建立个体误差类别和所述误差小于所述允许误差的误差修正参数；和/或，
S4062步骤：依据所述历史时间段，循环执行所述S4061步骤，获得所述个体的当前个体误差类别和当前误差修正参数；
S4063步骤：对于所述群体中新加入的所述个体，执行所述S4061步骤，或执行所述S4061步骤和S4062步骤；
S4064步骤：依据所述个体的所述个体误差类别和所述误差修正参数，或所述当前个体误差类别和所述当前误差修正参数，消除所述个体误差。
5.根据权利要求4所述的方法，其特征在于，还包括校准函数步骤，具体是：
S5010步骤：依据所述公式(2.13)，所述校准函数，包括t-检验、Z-检验法，具体在所述示值的误差小于所述允许误差的条件下，采用包括以下步骤或步骤的组合：
在所述相同的时间段，获取一个所述约定真值，以此作为该时间段的平均值，并且获取一个以上所述示值，按照公式(5.1)或公式(5.2)计算所述误差，按照公式(5.3)或公式(5.4)计算标准偏差，按照公式(5.5)计算校准后的误差，按照公式(5.6)审核校准后的误差小于所述允许误差，按照公式(5.7)作为约束条件，约束校准后的所述示值的所述修正值；
Figure FDA0003029941730000041
Figure FDA0003029941730000042
Figure FDA0003029941730000043
Figure FDA0003029941730000044
Figure FDA0003029941730000045
Figure FDA0003029941730000046
Figure FDA0003029941730000047
其中：
Figure FDA0003029941730000048
和
Figure FDA0003029941730000049
分别为编号是α和β的示值分量和校准因素值分量的约定真值，∈αt为所述示值的误差，∈βt为所述校准因素值的误差，δαt为所述示值分量的标准差，δβt为所述校准因素分量的标准偏差,m为所述时间段内的所述示值总数，
Figure FDA00030299417300000410
是校准后的修正值，
Figure FDA0003029941730000051
是校准后的所述示值的修正值误差，∈0是所述允许误差；
如果m小于30，则对δαt和δβt做统计学中的t-检验，以标定异常值；
如果m大于30，则对δαt和δβt做统计学中的Z-检验，以标定异常值；
删除异常值或进行插值计算补充所述示值，将全部所述示值和经过插值计算的示值作为所述纵向修正值；
S5020步骤：依据所述公式(2.14)，所述校准函数，还包括S5021至S5023步骤计算误差修正函数R(t)的步骤：
S5021步骤：依据所述获取约定真值步骤，针对所述个体选取多个所述时间段获取所述约定真值，取R(t)＝0，采用函数拟合方法计算所述纵向修正值；
S5022步骤：针对所述群体中的多个所述个体，执行所述S5021步骤，获取所述公式(2.14)计算的对应表格；
S5023步骤：针对所述对应表格，采用统计方法或深度学习或神经网络的方法计算R(t)；
S5030步骤：所述校准函数，还包括集合映射法，在所述示值的误差大于所述允许误差的条件下，采用包括以下步骤：
依据所述关联函数选择相互关联的所述示值分量和所述校准因素分量，在相同的所述时间段之内，依据所述时间序列的所述校准因素分量的校准因素值集合，和，所述示值分量的示值集合，建立集合元素的对应映射关系函数；
针对所述对应映射关系函数对于所述时间序列取偏微分运算，依据所述示值分量集合中元素的波动，在所述校准因素值集合中选择与所述波动存在线性关系的分量，以此分量为主示值分量，余下为辅示值分量；
依据所述t-检验或Z-检验，对所述主分量标定异常值；
删除异常值或进行插值计算补充所述示值，将全部所述示值和经过插值计算的示值作为所述纵向修正值；和/或，
S5040步骤：所述校准函数，还包括状态方程法，具体是求解所述S2030步骤中的公式(2.11)和公式(2.12)的所述***的输出方程中的解，分解所述***的全部输出分量，以其中一个输出分量DTM0(t)作为所述纵向修正值，其它的输出分量看做是干扰值；和/或，
S5050步骤，所述校准函数，还包括神经网络法，具体是：
针对所述数据库中的关系型数据记录，以所述数据记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络；
依据所述连接函数中，所述示值和所述校准因素值对于所述误差产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数；
采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数；和/或，
采用支持向量机算法，分类筛选所述误差和所述输出分量，并且筛选出所述纵向修正值和所述干扰值；和/或，
采用卷积神经网络算法，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括所述纵向修正值和所述干扰值，以及所对应的所述示值；和/或，
采用循环神经网络算法，建立层内关联函数，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值；和/或，
采用深度神经网络算法，对于各个所述神经网络的层之间的所述示值、所述校准因素值、所述误差，建立层间关联函数，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值；和/或，
采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值；和/或，
采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括筛选出所述纵向修正值和所述干扰值；和/或，
S5060步骤，所述校准函数，还包括采用卡尔曼滤波方法，建立状态观测器，采用包括所述示值变量、所述校准因素值变量作为输入变量，计算所述状态观测器的输出，再与所述纵向校准值进行比对，再由深度学习来分析比对结果，以修正所述校准参数集，使得所述误差收敛与所述允许误差之内；
S5070步骤：所述校准函数，还包括通过对于所述辅示值分量做统计计算，如果发现经过所述辅示值分量在其它时间段中存在一致，则在后续时段中计算所述示值扣除所述辅示值分量中的值作为所述纵向修正值；和/或，
S5080步骤：所述校准函数，还包括采用优化所述校准参数集进行简化计算，获得所述纵向修正值。
6.根据权利要求6所述的方法，其特征在于，包括所述校准参数集步骤，具体是：
S6010步骤：依据所述时间序列整理所述校准函数中的计算参数，建立固定数据格式，记录所述时间序列和算法编号，成为校准参数集记录；
S6020步骤：所述校准参数集，包括依据所述时间序列累积的全部所述校准参数集记录；
S6030步骤：所述校准参数集，还包括基于人工智能算法的算法本身、常数、系数、权重系数、过程参数、时间序列的数据；
S6040步骤：依据所述校准参数集，采用统计方法或人工智能的方法，以包括误差最小、标准偏差最小、计算量最小为优化指标，进行迭代优化升级，成为带有时间序列标签的优化校准参数集；
S6050步骤：存储所述校准参数集到所述数据库的步骤。
7.根据权利要求7所述的方法，其特征在于包括S7000步骤，具体包括S7100云大数据模式、S7200局域网模式、S7300单点模式的单项步骤或者多项步骤的组合：
S7100步骤，云大数据模式：
S7110步骤，建立基于互联网模式的云中心，将本发明所获取的包括全部所述群体、所述个体的全部数据、中间计算结果、所述数据库，以云终端形式通过广域网网络传输，全部存储到基于互联网的一个以上云服务器上，以此作为一个以上云中心，采用云计算模式管理、计算和支撑；和/或，
S7120步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述数据库和前述的各个步骤，所述个体采用匿名记录，所述数据库中的信息采用带有时间戳的链式结构，用户访问所述数据库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式；和/或，
S7130步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述数据库核心数据的前提下，依据各自所述机构的所述数据库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个体；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护对象隐私；和/或，
S7140步骤，采用集中学习模式建立和训练对于不强调对象隐私保护时的模型训练，所述数据库存储于一个云中心；和/或，
S7150步骤，采用联邦学习模式建立和训练对于需要强调对象隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的数据；和/或，
S7200步骤，局域网模式：
建立基于局域网的服务器用于存储和管理支撑中心，将本发明所监测的包括全部所述群体、所述个体的全部数据、中间计算结果、所述数据库，以网络终端形式通过局域网网络传输，全部存储到基于局域网的服务器上，以此管理、计算和支撑；和/或，
S7300步骤，单点模式：
所述单点为监测一个所述对象的检测、存储、管理、计算和支撑的步骤，将本发明所监测的对象的全部信息、中间计算结果、所述信息库，全部存储到所述单点的存储上，执行全部步骤。
CN202110427055.0A 2021-04-20 2021-04-20 多模个性化纵横校准的方法 Active CN113317783B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110427055.0A CN113317783B (zh) 2021-04-20 2021-04-20 多模个性化纵横校准的方法
PCT/CN2021/092134 WO2022222198A1 (zh) 2021-04-20 2021-05-07 多模个性化纵横校准的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110427055.0A CN113317783B (zh) 2021-04-20 2021-04-20 多模个性化纵横校准的方法

Publications (2)

Publication Number Publication Date
CN113317783A true CN113317783A (zh) 2021-08-31
CN113317783B CN113317783B (zh) 2022-02-01

Family

ID=77415013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110427055.0A Active CN113317783B (zh) 2021-04-20 2021-04-20 多模个性化纵横校准的方法

Country Status (2)

Country Link
CN (1) CN113317783B (zh)
WO (1) WO2022222198A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114732402A (zh) * 2022-05-11 2022-07-12 李益非 一种基于大数据的糖尿病数字化健康管理***

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5971922A (en) * 1998-04-07 1999-10-26 Meidensha Electric Mfg Co Ltd System and method for predicting blood glucose level
US20010021803A1 (en) * 1999-07-22 2001-09-13 Blank Thomas B. Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
US20090192362A1 (en) * 2008-01-24 2009-07-30 Sweeney Robert J System And Method For Corroborating Transitory Changes In Wellness Status Against A Patient Population
CN102469962A (zh) * 2009-07-28 2012-05-23 松下电工株式会社 血糖值推定装置
EP2544124A1 (en) * 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of glucose levels
US20130311102A1 (en) * 2012-05-15 2013-11-21 James M. Minor Diagnostic methods and devices for monitoring chronic glycemia
US20140051953A1 (en) * 2009-09-28 2014-02-20 Cercacor Laboratories, Inc. Adaptive calibration system for spectrophotometric measurements
US20140138261A1 (en) * 2012-11-16 2014-05-22 Cilag Gmbh International System and method for determination of a concentration of at least one interfering substance and correction of glucose concentration based on the concentration of the interfering substance
US20150031969A1 (en) * 2012-09-14 2015-01-29 Mohammad Khair System and method for monitoring arterial and venous blood oxygen, blood glucose, and blood constituent concentration
CN107771056A (zh) * 2015-09-10 2018-03-06 德克斯康公司 经皮分析物传感器和监视器、其校准以及相关联方法
CN107788994A (zh) * 2017-10-12 2018-03-13 微泰医疗器械(杭州)有限公司 一种基于云端大数据的智能实时动态血糖监测***及方法
CN108096807A (zh) * 2017-12-11 2018-06-01 丁贤根 一种运动数据监测方法和***
CN108937955A (zh) * 2017-05-23 2018-12-07 广州贝塔铁克医疗生物科技有限公司 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
CN109171754A (zh) * 2018-07-27 2019-01-11 清华-伯克利深圳学院筹备办公室 血糖预测模型的训练方法、装置、终端及存储介质
CN110264024A (zh) * 2019-02-25 2019-09-20 深圳艾迪宝智能***有限公司 一种冷藏集装箱群的测控方法与***
US20200367833A1 (en) * 2019-05-22 2020-11-26 Research & Business Foundation Sungkyunkwan University Personalized non-invasive blood glucose measurement device using machine learning or deep learning and method using the measurement device
WO2021026399A1 (en) * 2019-08-06 2021-02-11 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values
CN112423666A (zh) * 2019-06-04 2021-02-26 威孚姆技术公司 用基于卡尔曼的校准的传感器信号处理

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11883208B2 (en) * 2019-08-06 2024-01-30 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5971922A (en) * 1998-04-07 1999-10-26 Meidensha Electric Mfg Co Ltd System and method for predicting blood glucose level
US20010021803A1 (en) * 1999-07-22 2001-09-13 Blank Thomas B. Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
US20090192362A1 (en) * 2008-01-24 2009-07-30 Sweeney Robert J System And Method For Corroborating Transitory Changes In Wellness Status Against A Patient Population
CN102469962A (zh) * 2009-07-28 2012-05-23 松下电工株式会社 血糖值推定装置
US20140051953A1 (en) * 2009-09-28 2014-02-20 Cercacor Laboratories, Inc. Adaptive calibration system for spectrophotometric measurements
EP2544124A1 (en) * 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of glucose levels
US20130311102A1 (en) * 2012-05-15 2013-11-21 James M. Minor Diagnostic methods and devices for monitoring chronic glycemia
US20150031969A1 (en) * 2012-09-14 2015-01-29 Mohammad Khair System and method for monitoring arterial and venous blood oxygen, blood glucose, and blood constituent concentration
US20140138261A1 (en) * 2012-11-16 2014-05-22 Cilag Gmbh International System and method for determination of a concentration of at least one interfering substance and correction of glucose concentration based on the concentration of the interfering substance
CN107771056A (zh) * 2015-09-10 2018-03-06 德克斯康公司 经皮分析物传感器和监视器、其校准以及相关联方法
CN108937955A (zh) * 2017-05-23 2018-12-07 广州贝塔铁克医疗生物科技有限公司 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
CN107788994A (zh) * 2017-10-12 2018-03-13 微泰医疗器械(杭州)有限公司 一种基于云端大数据的智能实时动态血糖监测***及方法
CN108096807A (zh) * 2017-12-11 2018-06-01 丁贤根 一种运动数据监测方法和***
CN109171754A (zh) * 2018-07-27 2019-01-11 清华-伯克利深圳学院筹备办公室 血糖预测模型的训练方法、装置、终端及存储介质
CN110264024A (zh) * 2019-02-25 2019-09-20 深圳艾迪宝智能***有限公司 一种冷藏集装箱群的测控方法与***
US20200367833A1 (en) * 2019-05-22 2020-11-26 Research & Business Foundation Sungkyunkwan University Personalized non-invasive blood glucose measurement device using machine learning or deep learning and method using the measurement device
CN112423666A (zh) * 2019-06-04 2021-02-26 威孚姆技术公司 用基于卡尔曼的校准的传感器信号处理
WO2021026399A1 (en) * 2019-08-06 2021-02-11 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IMAN HAJIZADEH; MUDASSIR RASHID; ALI CINAR: "Ensuring Stability and Fidelity of Recursively Identified Control-Relevant Models"", 《IFAC-PAPERSONLINE》 *
闫朝峰: "基于个体化参数的血糖控制策略设计", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114732402A (zh) * 2022-05-11 2022-07-12 李益非 一种基于大数据的糖尿病数字化健康管理***
CN114732402B (zh) * 2022-05-11 2022-10-25 中食安泓(广东)健康产业有限公司 一种基于大数据的糖尿病数字化健康管理***

Also Published As

Publication number Publication date
CN113317783B (zh) 2022-02-01
WO2022222198A1 (zh) 2022-10-27

Similar Documents

Publication Publication Date Title
CN113317782B (zh) 多模个性化监测的方法
CN108601529B (zh) 用于生理测量的无创监测的设备、***和方法
Shokrekhodaei et al. Non-invasive glucose monitoring using optical sensor and machine learning techniques for diabetes applications
Zhao et al. Development and validation of a machine-learning model for prediction of extubation failure in intensive care units
EP1954184B1 (en) Residual-based monitoring of human health
CN110392547A (zh) 使用分析数据进行健康和营养监测和管理的***、装置和方法
Al-Dmour et al. A fuzzy logic–based warning system for patients classification
US20200113503A1 (en) Method For Predicting Of Mortality Risk Or Sepsis Risk And Device For Predicting Of Mortality Risk Or Sepsis Risk Using The Same
CN113317783B (zh) 多模个性化纵横校准的方法
CN112837804A (zh) 人工智能个性化慢病健康管疗的方法
Basjaruddin et al. Measurement device for stress level and vital sign based on sensor fusion
Mazing et al. Analytical complex for study of the oxygen status of tissues of the human organism
Deepa et al. IoT-enabled smart healthcare data and health monitoring based machine learning algorithms
Chen et al. Non-invasive blood glucose measurement based on mid-infrared spectroscopy
US11830340B1 (en) Method and system for secretion analysis embedded in a garment
Zhou et al. Crossgp: Cross-day glucose prediction excluding physiological information
Apar et al. Development of Portable Device for Measurement of Blood Glucose, Temperature and Pulse-Oximeter using Arduino
Fahim et al. Diagnosis of diabetes using clinical features: an analysis based on machine learning techniques
Mazing et al. Medical diagnostic intelligent system for recognizing of the functional state of a person
Tivay et al. A regularized system identification approach to subject-specific physiological modeling with limited data
AU2016200847A1 (en) Residual-based monitoring of human health
Valero et al. Pervasive glucose monitoring: A non-invasive approach based on near-infrared spectroscopy
RU48651U1 (ru) Автоматизированная система социально-экологического мониторинга
US20230215565A1 (en) Health state estimation using machine learning
Jadhav et al. Development of a Non-Invasive Blood Glucose Monitoring Device Using Machine Learning Technology

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
GR01 Patent grant
GR01 Patent grant