CN113679348B - 血糖预测方法、血糖预测装置、设备及存储介质 - Google Patents
血糖预测方法、血糖预测装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113679348B CN113679348B CN202110991121.7A CN202110991121A CN113679348B CN 113679348 B CN113679348 B CN 113679348B CN 202110991121 A CN202110991121 A CN 202110991121A CN 113679348 B CN113679348 B CN 113679348B
- Authority
- CN
- China
- Prior art keywords
- data
- blood glucose
- medical record
- record information
- time difference
- 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.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 312
- 210000004369 blood Anatomy 0.000 title claims abstract description 312
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 213
- 239000008103 glucose Substances 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 40
- 201000010099 disease Diseases 0.000 claims abstract description 88
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 88
- 239000003814 drug Substances 0.000 claims abstract description 77
- 229940079593 drug Drugs 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000002554 disease preventive effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 27
- 235000005911 diet Nutrition 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000037213 diet Effects 0.000 claims description 15
- 230000006806 disease prevention Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 10
- 235000015097 nutrients Nutrition 0.000 claims description 9
- 230000003449 preventive effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000378 dietary effect Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 11
- 208000024891 symptom Diseases 0.000 description 11
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 208000019901 Anxiety disease Diseases 0.000 description 7
- 206010044565 Tremor Diseases 0.000 description 7
- 230000036506 anxiety Effects 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 201000001421 hyperglycemia Diseases 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 235000003642 hunger Nutrition 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 230000027939 micturition Effects 0.000 description 5
- 230000000291 postprandial effect Effects 0.000 description 5
- 102000004877 Insulin Human genes 0.000 description 4
- 108090001061 Insulin Proteins 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229940125396 insulin Drugs 0.000 description 4
- 230000037351 starvation Effects 0.000 description 4
- 201000004384 Alopecia Diseases 0.000 description 3
- 206010033425 Pain in extremity Diseases 0.000 description 3
- 231100000360 alopecia Toxicity 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002641 glycemic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 2
- 208000013016 Hypoglycemia Diseases 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000003472 antidiabetic agent Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002218 hypoglycaemic effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 208000032131 Diabetic Neuropathies Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 235000009811 Momordica charantia Nutrition 0.000 description 1
- 208000022329 Protein metabolism disease Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 244000078912 Trichosanthes cucumerina Species 0.000 description 1
- 235000008322 Trichosanthes cucumerina Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000027905 limb weakness Diseases 0.000 description 1
- 231100000861 limb weakness Toxicity 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- A61B5/145—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及人工智能领域,尤其涉及血糖预测方法、装置、设备及存储介质,所述方法包括:获取用户的病历信息、血糖数据和用药数据;对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。由此可以提醒用户对可能发生的疾病进行预防,提高用户使用体验。
Description
技术领域
本申请涉及人工智能领域,尤其涉及血糖预测方法、血糖预测装置、计算机设备及存储介质。
背景技术
糖尿病目前已经是高发疾病,特别针对老龄人群,一直威胁着我们的健康和生命,虽然糖尿病治疗技术在飞速发展,但是很多人因为不会定期检测血糖,因此很多人无法察觉自己患有糖尿病,同时也没有及时的进行治疗,容易造成病情恶化,从而导致陷入昏迷甚至引发死亡的情况。
如今一般都是用户主动去医院进行复查或自发进行血糖测量,当测量到的血糖值较高的时候,往往才会发现自己可能患有糖尿病。现有的血糖预测模型仅仅通过用户的实时血糖数据进行预测,并没有考虑注射胰岛素、服用降糖药物或过往发病记录等因素对未来血糖趋势的影响,因而导致血糖预测结果并不准确,从而无法提前对糖尿病等疾病进行预防,导致用户错过最佳治疗时机。
发明内容
本申请提供了一种血糖预测方法、血糖预测装置、计算机设备及存储介质,旨在解决用户无法察觉自己患病情况,导致没有及时的进行治疗,容易造成病情恶化,从而导致陷入昏迷甚至引发死亡的问题。
为实现上述目的,本申请提供一种血糖预测方法,所述方法包括:
获取用户的病历信息、血糖数据和用药数据;
对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;
将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;
获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;
根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。
为实现上述目的,本申请还提供一种血糖预测装置,所述血糖预测装置包括:
数据获取模块,用于获取用户的病历信息、血糖数据和用药数据;
病历信息筛选模块,用于对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;
血糖预测模块,用于将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;
疾病预测获取模块,用于获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;
预防措施生成模块,用于根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。
此外,为实现上述目的,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述的计算机程序并在执行所述的计算机程序时实现本申请实施例提供的任一项所述的血糖预测方法。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供的任一项所述的血糖预测方法。
本申请实施例公开的血糖预测方法、血糖预测装置、设备及存储介质,根据用户病历数据、实时血糖值数据对用户的血糖值进行监控并预测未来的血糖趋势,从而提醒用户对可能发生的疾病进行预防,提高用户使用体验。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的一种血糖预测方法的场景示意图;
图2是本申请实施例提供的一种血糖预测方法的流程示意图;
图3是本申请一实施例提供的一种血糖预测装置的示意性框图;
图4是本申请一实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。另外,虽然在装置示意图中进行了功能模块的划分,但是在某些情况下,可以以不同于装置示意图中的模块划分。
在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
血液中的糖份称为血糖,绝大多数情况下都是葡萄糖。体内各组织细胞活动所需的能量大部分来自葡萄糖,所以血糖必须保持一定的水平才能维持体内各器官和组织的需要。正常人在空腹血糖浓度为3.9~6.1mmol/L。空腹血糖浓度超过7.0mmol/L称为高血糖。
一旦检测出高血糖,往往还会出现糖尿病。糖尿病是一组由多病因引起的以慢性高血糖为特征的代谢性疾病,是由于胰岛素分泌和(或)利用缺陷所引起。长期碳水化合物、脂肪、蛋白质代谢紊乱,可引起多***损害,导致眼、肾、神经、心脏、血管等组织器官出现慢性进行性病变、功能减退及衰竭。因此对血糖含量的监控以及预测对于预防糖尿病尤其重要。
一般来说,血糖过高容易引起糖尿病,还会引起并发症比如容易引起糖尿病肾病、糖尿病末梢神经病变、糖尿病视网膜病变等;而血糖过低容易引起心脑血管疾病,因此要将用户的血糖控制在一个良好的范围,这样才能使用户不容易出现并发症。
为解决上述问题,本申请提供了一种血糖预测方法,应用在服务器,由此可以根据用户病历数据、实时血糖值数据对用户的血糖值进行监控并预测未来的血糖趋势,从而提醒用户对可能发生的疾病进行预防,提高用户使用体验。
其中,所述终端设备可以包括诸如手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)等固定终端。服务器例如可以为单独的服务器或服务器集群。但为了便于理解,以下实施例将以应用于服务器的血糖预测方法进行详细介绍。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,本申请实施例提供的血糖预测方法,可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120,其中,终端设备110可以通过网络与服务器120进行通信。具体地,服务器120获取终端设备110发送的病历信息、当前时刻的血糖数据和用药数据和状态特征数据,服务器120根据获取到的数据确定未来血糖趋势、预期疾病和疾病预防措施并发送给终端设备110,以提醒用户进行疾病预防。其中,服务器120可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
请参阅图2,图2是本申请实施例提供的一种血糖预测方法的示意流程图。其中,该血糖预测方法可以应用在服务器中,由此可以根据用户病历数据、实时血糖值数据对用户的血糖值进行监控并预测未来的血糖趋势,从而提醒用户对可能发生的疾病进行预防,提高用户使用体验。
如图2所示,该血糖预测方法包括步骤S101至步骤S105。
S101、获取用户的病历信息、血糖数据和用药数据。
其中,所述用户的病历信息为用户在进行看病时记录的病情信息,具体可以是电子病历信息,包括用户的各类疾病以及对应的看病记录。服务器可以与医院***通信连接,从而从医院***中获取用户的病历信息,也可以是用户自行从终端设备输入。所述血糖数据为用户最近一次测量的血糖值,具体可以包括用户的空腹血糖值、餐后两小时血糖值、随机血糖值和历史血糖值,所述空腹血糖值是指在未进食任何含热量的食物至少8小时以上的状态下测量的血糖值。所述随机血糖值是指与进餐时间无关的任意时间血糖值,可以在餐前或餐后任意时间测定。所述历史血糖值为用户最近几天(比如最近3天)的空腹血糖值、餐后两小时血糖值和随机血糖值。所述用药数据为用户最近一次服用的降糖药物或胰岛素等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一些实施例中,获取血糖数据之后,对用户的血糖数据进行清洗处理,得到清洗后的血糖数据;对所述清洗后的数据进行平滑去噪处理,得到处理后的血糖数据,并将所述处理后的血糖数据作为输入到所述预训练好的血糖预测模型的血糖数据。由此可以得到标准的血糖数据,并作为预训练好的血糖预测模型的输入。
具体地,对用户的血糖数据进行数据清洗时,可以通过对用户的血糖数据进行异常检测,从而得到对应的异常血糖数据,并将所述异常血糖数据进行清洗处理,得到清洗后的血糖数据。利用卡尔曼滤波对清洗后的血糖数据进行平滑去噪,通过使用卡尔曼滤波对清洗后的数据集进行平滑去噪处理,可以保证较小的时间延迟,同时高频噪声下降明显。
在一些实施例中,对用户的血糖数据进行清洗处理是通过对每个所述血糖数据进行异常检测,若所述血糖数据存在异常血糖值,对所述异常血糖值进行清洗处理,得到清洗后的血糖数据。
具体地,对每个所述血糖数据进行异常检测;若所述血糖数据存在异常血糖值,对所述异常血糖值进行清洗处理,得到清洗后的血糖数据;若所述血糖数据不存在异常血糖值,则认为该血糖数据为清洗后的血糖数据。
对每个所述血糖数据进行异常检测是通过检测同一组血糖数据内任意两个数据点的血糖差值是否超过预设血糖差值阈值来确定;若同一组血糖数据内任意两个数据点的血糖差值超过预设血糖差值阈值,则认为该组血糖数据存在异常;若同一组血糖数据内任意两个数据点的血糖差值未超过预设血糖差值阈值,则认为该组血糖数据不存在异常。其中,所述同一组血糖数据可以为同一天采集的空腹血糖值、餐后两小时血糖值和随机血糖值。所述预设血糖差值阈值可以为任意数值。
示例性的,若在同一组血糖数据内,空腹血糖值为3.4mmol/L、餐后两小时血糖值为11.5mmol/L,而血糖正常的标准为空腹是3.9-6.1mmol/L,餐后2小时血糖<7.8mmol/L,若预设血糖差值阈值为4mmol/L,则该组血糖数据存在异常。而且此时空腹血糖值显示为低血糖,而餐后两小时血糖值显示为高血糖,不符合常规,因此认定则该组血糖数据存在异常。
S102、对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息。
其中,所述目标病历信息为异常血糖值对应的的相关病历信息,比如若出现尿频、易饿、焦虑、震颤等症状,则表示当时测量血糖值出现异常,则这些症状对应的病历信息为目标病历信息,或直接从病历信息获取到异常血糖值对应的病历信息,则将所述异常血糖值对应的病历信息作为目标病历信息。
由于用户的病历信息包括了很多与血糖过高或血糖过低而引起的并发症无关的信息,比如用户某一次发烧去医院进行看病,病历中记录了包括头晕、四肢乏力等症状,但很明显这是由于发烧所引起的症状,与本申请的血糖预测方法所需的目标病历信息关联性不大,或者是病历信息包括了很多病症,但血糖值并没有出现异常,因此需要将该信息进行筛选。
同时用户的病历信息可能还包括患病时的血糖数据和患病时的用药数据,所述患病时的血糖数据为用户患病时的空腹血糖值、餐后两小时血糖值和随机血糖值,所述患病时的用药数据为用户患病时服用的降糖药物或胰岛素等。由此可以通过对用户的病历信息进行筛选,得到上述数据,并将上述数据输入至预训练好的血糖预测模型进行血糖预测。
在一些实施例中,基于分词算法,对所述病历信息进行分词处理,得到所述病历信息对应的分词结果;对所述分词结果进行筛选,得到目标病历信息。其中,所述分词算法可以为基于隐马尔可夫模型的分词算法、基于条件随机场的分词算法等算法。由此可以通过先对病历信息进行分词处理,再对分词结果进行筛选得到引起血糖上升或下降的相关病历信息,用于作为血糖预测模型的输入。
具体地,基于预设的医疗知识库,对所述病历信息进行分词得到多个分词结果;其中,所述预设的医疗知识库中包括标准名、近义词以及关联症状词等等。
示例性的,可以基于血糖并发症对应的知识库(预设的医疗知识库),该知识库包括血糖并发症对应的标准名、近义词、关联症状词等,对病历信息进行分词,进而得到分词结果。
示例性的,比如对一个病历信息中进行分词处理,得到对应关联症状词包括尿频、易饿、焦虑、震颤、脚痛、脱发等,再对分词结果进行筛选,很明显脚痛和脱发这两个症状与血糖异常对应的并发症关系不大,因此将这两个症状筛选出来,得到目标病历信息。
在一些实施例中,对所述分词结果进行筛选,得到目标病历信息是基于医疗词义预测模型对所述分词结果中每个分词进行词义预测,得到每个分词对应的词义预测结果,基于所述词义预测结果对所述分词结果进行筛选,得到目标病历信息。由此可以快速筛选得到与血糖异常所引起的并发症相关的病历信息。
其中,所述医疗词义预测模型用于预测分词结果与标准医疗分词的相似程度,所述医疗词义预测模型通过语义匹配模型与标准医疗分词数据库进行训练得到,所述语义预测模型可以包括LSTM匹配模型、MV-DSSM模型、ESIM模型等模型,所述标准医疗分词数据库用于存储标准医疗分词的数据库,其中,所述标准医疗分词为血糖异常所引起的并发症相关的医疗分词,所述词义预测结果为每个分词与标准医疗分词数据库中的标准医疗分词的相似度。
具体地,可以通过医疗词义预测模型在血糖并发症对应的标准医疗分词数据库进行医疗分词的匹配,计算每个分词与标准医疗分词数据库中的标准医疗分词的相似度,根据所述相似度对每个所述词义预测结果进行排序,得到排序结果;基于所述排序结果对所述分词结果进行筛选,得到标准医疗数据。
示例性的,若分词结果中的分词包括尿频、易饿、焦虑、震颤、脚痛、脱发等,由于尿频、易饿、焦虑、震颤属于血糖异常的常见症状,因此尿频、易饿、焦虑、震颤这几个症状对应的相似度较高,而焦虑和震颤不属于血糖异常的常见症状,因此焦虑和震颤这两个症状对应的相似度较低,因此可能在后续的筛选中把相似度较低的分词筛选掉,得到比较符合血糖并发症对应的分词,并将包括这些分词的病历信息作为目标病历信息。
S103、将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据。
其中,所述预训练好的血糖预测模型用于预测用户未来的血糖趋势,为后续的疾病诊断做铺垫。
在一些实施例中,分别确定所述目标病历信息中的患病时间、所述血糖数据的测量时间以及所述用药数据的用药时间;根据所述患病时间、所述测量时间和所述用药时间确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例;并将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入到预训练好的血糖预测模型,得到血糖趋势数据。其中,所述患病时间为目标病历信息中症状对应的发生时间,所述测量时间为测量每个血糖值对应的采集时间,所述用药时间为服用药物或注射胰岛素对应的时间。由此可以为日期临近的血糖数据分配较高的权重比例,提高血糖预测的准确性。
示例性的,假如确定所述目标病历信息中的患病时间为7月21日-7月27日、所述血糖数据的测量时间为8月3日以及所述用药数据的用药时间为8月1日;由于时间间隔越久,数据的可信度越低,因此为时间间隔越久的数据分配越低的权重比例,为时间间隔越近的数据分配越高的权重比例。因此可以确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例分别可以为20%、50%和30%。
在一些实施例中,分别确定所述患病时间、所述测量时间和所述用药时间与数据获取时间的差值,得到对应的第一时差、第二时差和第三时差;根据所述第一时差确定所述目标病历信息对应的权重比例;根据所述第二时差确定所述血糖数据对应的权重比例;根据所述第三时差确定所述用药数据对应的权重比例。由此可以通过时差确定每种数据的时间间隔,从而确定数据的可信度,为日期临近的血糖数据分配较高的权重比例,提高血糖预测的准确性。
其中,所述数据获取时间为服务器获取用户的病历信息、用户的血糖数据和用药数据对应的时间。所述第一时差为所述患病时间与服务器获取用户的病历信息对应的时间的差值,所述第二时差为所述测量时间与服务器获取用户的血糖数据对应的时间的差值,所述第三时差为所述用药时间与服务器获取用户的用药数据对应的时间的差值。
示例性的,若第一时差为24h,第二时差为14h,第三时差为18h,则可以看出第二时差最短,即所述血糖数据的可信度最高,目标病历信息的可信度最低,因此可以确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例分别可以为20%、50%和30%。
在一些实施例中,分别确定所述患病时间、所述测量时间和所述用药时间与数据获取时间的差值,得到对应的第一时差、第二时差和第三时差;根据所述第一时差、所述第二时差和所述第三时差计算得到总时差;确定所述第一时差与所述总时差的占比,根据所述第一时差与所述总时差的占比确定所述目标病历信息对应的权重比例;确定所述第二时差与所述总时差的占比,根据所述第二时差与所述总时差的占比确定所述血糖数据对应的权重比例;确定所述第三时差与所述总时差的占比,根据所述第三时差与所述总时差的占比确定所述用药数据对应的权重比例。
示例性的,若第一时差为1h,第二时差为4h,第三时差为5h,则计算得到总时差为10h,确定第一时差与总时差的占比为10%,确定第二时差与总时差的占比为40%,确定第一时差与总时差的占比为50%,,因此可以确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例分别可以为10%、40%和50%。
在一些实施例中,获取目标用户的病历信息、血糖数据和用药数据,并将所述目标用户的病历信息、血糖数据和用药数据作为训练集;通过所述训练集对预设的血糖预测模型进行训练,得到预训练好的血糖预测模型。其中,所述预设的血糖预测模型为未经过训练的血糖预测模型,所述目标用户为患有糖尿病的用户或由于血糖过高、过低引起的并发症对应的用户。具体地,所述预设的血糖预测模型包括基于长短期记忆模型的递归神经网络,这个神经网络能够学习长期的依赖关系,同时长短期记忆模型中的存储单元可帮助神经网络将存储的记忆和数据结合,从而提高预测的准确性。而且由于使用的是双向长短期记忆模型,所以神经网络能够参考过期的数据、推理未来的数据,加速训练时间。
具体地,获取目标用户的病历信息、血糖数据和用药数据,并将上述数据分为训练集、验证集和测试集,通过所述训练集对预设的血糖预测模型进行训练,从而学习转换后的病历信息、血糖数据和用药数据,再利用验证集调整该血糖预测模型的参数,如在神经网络中选择隐藏单元数并确定网络结构或者控制模型复杂程度的参数。最后通过测试集测试训练好的模型的分辨能力比如识别率等性能,从而达到检验的性能,并选择最优的模型作为目标检测模型。由此可以通过开源数据集对神经网络进行训练,从而得到对应的与训练好的血糖预测模型。
在一些实施例中,将所述目标病历信息、所述血糖数据和所述用药数据输入预训练好的血糖预测模型中的第一长短期记忆网络中运算,得到所述第一长短期记忆网络中的隐藏状态向量序列,所述血糖预测模型包括用于编码的第一长短期记忆网络和用于解码的第二长短期记忆网络;将所述隐藏状态向量序列输入所述第二长短期记忆网络中运算,得到血糖趋势数据。
其中,所述第二长短期记忆模型为基于注意力机制的递归神经网络模型。所述第一长短期记忆模型与第二长短期记忆模型的不同之处在于,第二长短期模型中加入了注意力机制。注意力机制借鉴了人类的视觉注意力机制,视觉注意力机制是人类视觉所特有的大脑信号处理机制。
具体地,根据所述目标病历信息、所述血糖数据和所述用药数据确定血糖未来趋势对应的影响因子;将所述血糖未来趋势对应的影响因子输入血糖预测模型中的第一长短期记忆网络中运算,得到所述第一长短期记忆网络中的隐藏状态向量序列。将所述隐藏状态向量序列输入所述第二长短期记忆网络中运算,从而得到所述第二长短期记忆网络输出的高维向量序列;根据预设的分向量与预测结果含义对应关系,解读所述高维向量序列,从而得到在将来不同时间段内的血糖趋势数据。
其中,将所述目标病历信息、所述血糖数据和所述用药数据与所述血糖未来趋势对应的影响因子共同作为长短期记忆模型的输入。所述隐藏状态向量序列可以作为第二长短期记忆网络的解码基础,所述第二长短期记忆网络输出的是高维向量序列,所述高维向量序列代表了不同时间段的预测结果,其中的高维向量的分向量代表了血糖趋势数据。根据预设的分向量与预测结果含义对应关系,即可获知将来不同时间段内的血糖趋势数据。
S104、获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病。
其中,所述状态特征数据包括生理数据、饮食数据和运动数据,所述生理数据可以包括用户的身高信息、体重信息等,所述饮食数据可以为用户最近的午餐和晚餐食物,所述运动数据为用户最近的健身或跑步时长。所述预期疾病为用户未来可能出现的疾病。
在一些实施例中,基于预先训练好的疾病分类预测模型,并根据所述血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据进行疾病预测,确定预期患病以及对应的概率;其中,所述疾病分类预测模型包括全连接层和softmax层。
具体地,将所述血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据输入到预先训练好的疾病分类模型中,最后所述疾病分类模型能够输出用户的预期患病以及对应的概率。
其中,所述全连接层将权重矩阵与输入向量相乘再加上偏置,将n种疾病种类映射为k个实数,同时,所述softmax层将k个实数映射为k个在(0,1)中的实数(概率),同时保证它们之和为1。示例性地,最后可以分别得到糖尿病的概率为70%、心脑血管疾病的概率为20%和脑血栓的概率为10%。
而具体概率计算公式为:
γ=softmax(z)=softmax(WTx+b)
其中,x为全连接层的输入,具体可以将血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据作为全连接层的输入,W为权重,WTx为权重与全连接层的输入的内积,b为偏置项,γ为Softmax输出的概率,由此可以计算得到每种预期患病以及对应的概率。经过全连接层,获得K个患病种类在(-∞,+∞)范围内的分数,为了得到每种患病种类对应的概率,先通过将分数映射到(0,+∞),然后在归一化到(0,1)中,从而得到对应的概率,具体的softmax计算公式为:
其中,zj可以表示为第j个患病种类的对应的分数,具体地,zj=wj*x+bj,其中,bj为第j个患病种类对应的偏置项,wj为第j个患病种类对应的数据权重,即每个数据的重要程度、对最终分数的影响程度,通过对特征加权求和得到每个类别的分数,再经过Softmax函数映射为概率。
在一些实施例中,分别对所述血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据进行特征提取,得到每种数据对应的特征信息;根据所述特征信息在预设的疾病库中进行特征匹配,得到预期患病以及对应的概率。其中,所述预设的疾病库包括与血糖过低或过高引起的一系列疾病,且每种疾病对应有各种数据的特征信息。
具体地,可以通过预训练好的解码器比如ResNet解码器、GloVe解码器等对血糖趋势数据、生理数据、饮食数据和运动数据进行特征提取,得到每种数据对应的特征信息。利用提取得到的特征信息与预设的疾病库中的每种疾病对应的特征信息逐项进行相似度比较,得到综合相似度,也可以认为是每种疾病对应的概率,可以将综合相似度最高的疾病认为是预期疾病。
示例性的,若与疾病库中的糖尿病进行匹配,将血糖特征信息与糖尿病对应的血糖特征信息进行相似度比较,得到相似度为80%,再依次比较生理特征信息、饮食特征信息和运动特征信息,分别得到相似度为70%、60%和90%。通过求各项相似度的平均值可以得到综合相似度为75%,则可以认为预期疾病为糖尿病且对应的概率为75%。
在一些实施例中,确定预期患病以及对应的概率之后,还可以输出预测完成的提示信息。
其中,所述提示信息的方式具体可以包括应用程序(APP)或以Email、短信、聊天工具例如微信、qq等手段。
示例性的,确定患病种类以及对应的概率之后,应用程序(APP)会发射弹窗提醒用户疾病预测已经完成的提示信息,用户也可以在应用程序(APP)上查看预测的预期患病以及对应的概率。
S105、根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。
其中,所述疾病预防措施为对预期疾病进行预防的措施,具体可以包括饮食计划和运动计划,其中,所述目标终端为用户的终端设备。
在一些实施例中,根据所述生理数据、所述饮食数据、所述运动数据和所述预期疾病,确定营养元素的需求量以及目标运动量;根据所述营养元素的需求量以及目标运动量确定对应的疾病预防措施,所述疾病预防措施包括饮食计划和运动计划。
具体地,根据所述生理数据、所述饮食数据和所述预期疾病确定营养元素的需求量,根据所述营养元素的需求量确定对应的饮食计划。根据所述生理数据、所述运动数据和所述预期疾病确定营养元素的需求量,根据目标运动量确定对应的疾病预防措施运动计划。
示例性的,若用户体型偏胖,分析所述饮食数据得到最近并没有摄入足量的蛋白质,分析所述运动数据得到运动时长为每周20分钟,所述预期疾病概率最高为糖尿病。
由于预期疾病概率最高为糖尿病,且最近并没有摄入足量的蛋白质,因此确认对应的饮食计划可以如下:早餐可以吃一个鸡蛋,150毫升的牛奶和一个小包子。中餐可以吃米饭,炒菜可以吃凉拌木耳,炒苦瓜,黄瓜等。晚餐可以吃少量米饭,蔬菜可以吃芹菜和炒菠菜。由于预期疾病概率最高为糖尿病,用户体型偏胖且运动量不足,因此确认对应的运动计划可以如下:每天跑步15分钟,肌肉放松5分钟,力量训练10分钟。
请参阅图3,图3是本申请一实施例提供的一种血糖预测装置的示意性框图,该血糖预测装置可以配置于服务器中,用于执行前述的血糖预测方法。
如图3所示,该血糖预测装置200包括:数据获取模块201、病历信息筛选模块202、血糖预测模块203、疾病预测获取模块204和预防措施生成模块205。
数据获取模块201,用于获取用户的病历信息、血糖数据和用药数据;
病历信息筛选模块202,用于对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;
血糖预测模块203,用于将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;
疾病预测获取模块204,用于获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;
预防措施生成模块205,用于根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的方法、装置可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
示例性的,上述的方法、装置可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
如图4所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种血糖预测方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种血糖预测方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,该计算机设备的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一些实施方式中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:获取用户的病历信息、血糖数据和用药数据;对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端。
在一些实施例中,所述处理器还用于:基于分词算法,对所述病历信息进行分词处理,得到所述病历信息对应的分词结果;基于医疗词义预测模型对所述分词结果中每个分词进行词义预测,得到每个分词各自对应的词义预测结果;基于所述词义预测结果对所述分词结果进行筛选,得到目标病历信息。
在一些实施例中,所述处理器还用于:分别确定所述目标病历信息中的患病时间、所述血糖数据的测量时间以及所述用药数据的用药时间;根据所述患病时间、所述测量时间和所述用药时间确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例;将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入到预训练好的血糖预测模型,得到血糖趋势数据。
在一些实施例中,所述处理器还用于:分别确定所述患病时间、所述测量时间和所述用药时间与数据获取时间的差值,得到对应的第一时差、第二时差和第三时差;根据所述第一时差、所述第二时差和所述第三时差计算得到总时差;确定所述第一时差与所述总时差的占比,根据所述第一时差与所述总时差的占比确定所述目标病历信息对应的权重比例;确定所述第二时差与所述总时差的占比,根据所述第二时差与所述总时差的占比确定所述血糖数据对应的权重比例;确定所述第三时差与所述总时差的占比,根据所述第三时差与所述总时差的占比确定所述用药数据对应的权重比例。
在一些实施例中,所述处理器还用于:将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入预训练好的血糖预测模型中的第一长短期记忆网络中运算,得到所述第一长短期记忆网络中的隐藏状态向量序列;将所述隐藏状态向量序列输入所述第二长短期记忆网络中运算,得到血糖趋势数据。
在一些实施例中,所述处理器还用于:基于预先训练好的疾病分类预测模型,并根据所述血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据进行疾病预测,得到预期患病以及对应的概率;其中,所述疾病分类预测模型包括全连接层和softmax层。
在一些实施例中,所述处理器还用于:根据所述状态特征数据和所述预期疾病,确定营养元素的需求量以及目标运动量;根据所述营养元素的需求量以及所述目标运动量确定对应的疾病预防措施,其中,所述疾病预防措施包括饮食计划和运动计划。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时实现本申请实施例提供的任一种血糖预测方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种血糖预测方法,其特征在于,所述方法包括:
获取用户的病历信息、血糖数据和用药数据;
对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;
将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;
获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;
根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端;
所述将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据,包括:
分别确定所述目标病历信息中的患病时间、所述血糖数据的测量时间以及所述用药数据的用药时间;
获取所述患病时间、所述测量时间和所述用药时间各自对应的数据获取时间;
根据所述患病时间、所述测量时间和所述用药时间以及各自对应的数据获取时间,确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例;
将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入到预训练好的血糖预测模型,得到血糖趋势数据;
所述根据所述患病时间、所述测量时间和所述用药时间确定所述目标病历信息、所述血糖数据和所述用药数据各自对应的权重比例,包括:
分别确定所述患病时间、所述测量时间和所述用药时间与各自对应的数据获取时间的差值,得到对应的第一时差、第二时差和第三时差;
根据所述第一时差、所述第二时差和所述第三时差计算得到总时差;
确定所述第一时差与所述总时差的占比,根据所述第一时差与所述总时差的占比确定所述目标病历信息对应的权重比例;
确定所述第二时差与所述总时差的占比,根据所述第二时差与所述总时差的占比确定所述血糖数据对应的权重比例;
确定所述第三时差与所述总时差的占比,根据所述第三时差与所述总时差的占比确定所述用药数据对应的权重比例。
2.根据权利要求1所述的方法,其特征在于,所述对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息,包括:
基于分词算法,对所述病历信息进行分词处理,得到所述病历信息对应的分词结果;
基于医疗词义预测模型对所述分词结果中每个分词进行词义预测,得到每个分词各自对应的词义预测结果;
基于所述词义预测结果对所述分词结果进行筛选,得到目标病历信息。
3.根据权利要求1所述的方法,其特征在于,所述血糖预测模型包括第一长短期记忆网络和第二长短期记忆网络,所述将所述目标病历信息、所述血糖数据和所述用药数据以及对应的权重比例输入到预训练好的血糖预测模型,得到血糖趋势数据,包括:
将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入预训练好的血糖预测模型中的第一长短期记忆网络中运算,得到所述第一长短期记忆网络中的隐藏状态向量序列;
将所述隐藏状态向量序列输入所述第二长短期记忆网络中运算,得到血糖趋势数据。
4.根据权利要求1所述的方法,其特征在于,所述状态特征数据包括生理数据、饮食数据和运动数据,所述根据所述状态特征数据进行疾病预测,得到预期疾病以及对应的概率,包括:
基于预先训练好的疾病分类预测模型,并根据所述血糖趋势数据、所述生理数据、所述饮食数据和所述运动数据进行疾病预测,得到预期患病以及对应的概率;其中,所述疾病分类预测模型包括全连接层和softmax层。
5.根据权利要求1所述的方法,其特征在于,所述根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端,包括:
根据所述状态特征数据和所述预期疾病,确定营养元素的需求量以及目标运动量;
根据所述营养元素的需求量以及所述目标运动量确定对应的疾病预防措施,其中,所述疾病预防措施包括饮食计划和运动计划。
6.一种血糖预测装置,其特征在于,包括:
数据获取模块,用于获取用户的病历信息、血糖数据和用药数据;
病历信息筛选模块,用于对所述病历信息进行筛选,得到异常血糖值对应的病历信息,并将所述异常血糖值对应的病历信息作为目标病历信息;
血糖预测模块,用于将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据;
疾病预测获取模块,用于获取用户的状态特征数据,并根据所述血糖趋势数据和所述状态特征数据进行疾病预测,得到预期疾病;
预防措施生成模块,用于根据所述状态特征数据和所述预期疾病确定对应的疾病预防措施,并将所述疾病预防措施推送给目标终端;
所述将所述目标病历信息、所述血糖数据和所述用药数据输入到预训练好的血糖预测模型,得到血糖趋势数据,包括:
分别确定所述目标病历信息中的患病时间、所述血糖数据的测量时间以及所述用药数据的用药时间;
获取所述患病时间、所述测量时间和所述用药时间各自对应的数据获取时间;
根据所述患病时间、所述测量时间和所述用药时间以及各自对应的数据获取时间,确定所述目标病历信息、所述血糖数据和所述用药数据对应的权重比例;
将所述目标病历信息、所述血糖数据和所述用药数据以及各自对应的权重比例输入到预训练好的血糖预测模型,得到血糖趋势数据;
所述根据所述患病时间、所述测量时间和所述用药时间确定所述目标病历信息、所述血糖数据和所述用药数据各自对应的权重比例,包括:
分别确定所述患病时间、所述测量时间和所述用药时间与各自对应的数据获取时间的差值,得到对应的第一时差、第二时差和第三时差;
根据所述第一时差、所述第二时差和所述第三时差计算得到总时差;
确定所述第一时差与所述总时差的占比,根据所述第一时差与所述总时差的占比确定所述目标病历信息对应的权重比例;
确定所述第二时差与所述总时差的占比,根据所述第二时差与所述总时差的占比确定所述血糖数据对应的权重比例;
确定所述第三时差与所述总时差的占比,根据所述第三时差与所述总时差的占比确定所述用药数据对应的权重比例。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述的计算机程序并在执行所述的计算机程序时实现:
如权利要求1-5任一项所述的血糖预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至5中任一项所述的血糖预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991121.7A CN113679348B (zh) | 2021-08-26 | 2021-08-26 | 血糖预测方法、血糖预测装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991121.7A CN113679348B (zh) | 2021-08-26 | 2021-08-26 | 血糖预测方法、血糖预测装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113679348A CN113679348A (zh) | 2021-11-23 |
CN113679348B true CN113679348B (zh) | 2024-02-06 |
Family
ID=78583055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991121.7A Active CN113679348B (zh) | 2021-08-26 | 2021-08-26 | 血糖预测方法、血糖预测装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113679348B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862795A (zh) * | 2022-09-22 | 2023-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段的血糖预测方法 |
CN115662617B (zh) * | 2022-10-24 | 2023-06-27 | 重庆联芯致康生物科技有限公司 | 基于cgm的结果病情预测***及其预测方法 |
CN116504355B (zh) * | 2023-04-27 | 2024-04-02 | 广东食品药品职业学院 | 基于神经网络闭环胰岛素输注控制方法、装置及存储介质 |
CN116671906A (zh) * | 2023-08-01 | 2023-09-01 | 亿慧云智能科技(深圳)股份有限公司 | 一种智能手表无创血糖测量方法及*** |
CN116936133B (zh) * | 2023-09-18 | 2023-12-08 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的营养状况监测方法和*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108852365A (zh) * | 2018-05-04 | 2018-11-23 | 中国人民解放军第三〇九医院 | 血糖监控***、智能药盒终端和血糖监控主*** |
CN109166608A (zh) * | 2018-09-17 | 2019-01-08 | 新华三大数据技术有限公司 | 电子病历信息提取方法、装置和设备 |
CN109299239A (zh) * | 2018-09-29 | 2019-02-01 | 福建弘扬软件股份有限公司 | 一种基于es的电子病历检索方法 |
CN109692007A (zh) * | 2019-01-25 | 2019-04-30 | 北京中器华康科技发展有限公司 | 一种基于血糖监测的妊娠期血糖监控***及在疾病监控***中的应用 |
CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
CN109977422A (zh) * | 2019-04-18 | 2019-07-05 | 中国石油大学(华东) | 一种基于分词技术的病历关键信息提取模型 |
CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
CN111274806A (zh) * | 2020-01-20 | 2020-06-12 | 医惠科技有限公司 | 分词和词性识别方法、装置及电子病历的分析方法、装置 |
CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及*** |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1672629A (zh) * | 2005-04-29 | 2005-09-28 | 天津大学 | 基于usb的多种生理参数检测*** |
US8030891B2 (en) * | 2008-04-10 | 2011-10-04 | Smiths Medical Asd, Inc. | Ambulatory medical device with electrical isolation from connected peripheral device |
CN101536900B (zh) * | 2009-03-24 | 2011-06-29 | 重庆大学 | 一种基于usb hub的模块化医疗仪器构建方法和*** |
CN206151451U (zh) * | 2016-08-15 | 2017-05-10 | 深圳市理邦精密仪器股份有限公司 | 多参数监护设备 |
JP7418213B2 (ja) * | 2017-04-13 | 2024-01-19 | インテュイティ メディカル インコーポレイテッド | 分析物および患者データを使用して慢性疾病を管理するためのシステムおよび方法 |
CN115412106A (zh) * | 2022-07-12 | 2022-11-29 | 北京中科睿谱科技有限公司 | 一种多通道高隔离度差分开关矩阵电路 |
-
2021
- 2021-08-26 CN CN202110991121.7A patent/CN113679348B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108852365A (zh) * | 2018-05-04 | 2018-11-23 | 中国人民解放军第三〇九医院 | 血糖监控***、智能药盒终端和血糖监控主*** |
CN109166608A (zh) * | 2018-09-17 | 2019-01-08 | 新华三大数据技术有限公司 | 电子病历信息提取方法、装置和设备 |
CN109299239A (zh) * | 2018-09-29 | 2019-02-01 | 福建弘扬软件股份有限公司 | 一种基于es的电子病历检索方法 |
CN109692007A (zh) * | 2019-01-25 | 2019-04-30 | 北京中器华康科技发展有限公司 | 一种基于血糖监测的妊娠期血糖监控***及在疾病监控***中的应用 |
CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
CN109977422A (zh) * | 2019-04-18 | 2019-07-05 | 中国石油大学(华东) | 一种基于分词技术的病历关键信息提取模型 |
CN110459324A (zh) * | 2019-06-27 | 2019-11-15 | 平安科技(深圳)有限公司 | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 |
CN111274806A (zh) * | 2020-01-20 | 2020-06-12 | 医惠科技有限公司 | 分词和词性识别方法、装置及电子病历的分析方法、装置 |
CN111297329A (zh) * | 2020-02-24 | 2020-06-19 | 苏州大学 | 预测糖尿病患者心血管并发症动态发病风险的方法及*** |
CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113679348A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113679348B (zh) | 血糖预测方法、血糖预测装置、设备及存储介质 | |
Dave et al. | Feature-based machine learning model for real-time hypoglycemia prediction | |
JP2022534422A (ja) | 生体監視および血糖予測のためのシステムならびに関連付けられる方法 | |
Reddy et al. | Prediction of hypoglycemia during aerobic exercise in adults with type 1 diabetes | |
US20140316220A1 (en) | Personal Health Monitoring System | |
Wang et al. | A novel adaptive-weighted-average framework for blood glucose prediction | |
Afsaneh et al. | Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review | |
KR102400740B1 (ko) | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
WO2019183510A1 (en) | System and method for assessing heart health and communicating the assessment to a patient | |
Al Ahdal et al. | [Retracted] Monitoring Cardiovascular Problems in Heart Patients Using Machine Learning | |
Meneghetti et al. | Detection of insulin pump malfunctioning to improve safety in artificial pancreas using unsupervised algorithms | |
US20220336109A1 (en) | Application for tracking progression and isolating causes of adverse medical conditions | |
Kardas et al. | Type 2 diabetes patients benefit from the COMODITY12 mHealth system: results of a randomised trial | |
De Falco et al. | A genetic programming-based regression for extrapolating a blood glucose-dynamics model from interstitial glucose measurements and their first derivatives | |
Alenizi et al. | Machine learning approach for diabetes prediction | |
Meneghetti et al. | Machine learning-based anomaly detection algorithms to alert patients using sensor augmented pump of infusion site failures | |
CN109065126A (zh) | 一种生活方式管理方法、装置及终端 | |
US20230255556A1 (en) | Biosensors and food logger systems for personalized health and self-care | |
Panyamit et al. | Identification of factors in the survival rate of heart failure patients using machine learning models and principal component analysis | |
Zhang | Predicting occurrences of acute hypoglycemia during insulin therapy in the intensive care unit | |
Zope et al. | Hybrid Ensemble and Features Selection for Heart Disease Prediction Using Machine Learning | |
ZareMehrjardi et al. | Assessment of the Relationship Between Physical Behaviours, Psychological Factors, Medication Use, Body Composition and Weight Regain Following Bariatric Surgery | |
US20230420142A1 (en) | Application for tracking progression and isolating causes of adverse medical conditions | |
Chaki et al. | Computer and Information Sciences |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220922 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |