CN117582222A - 信息化血糖监测***及方法 - Google Patents
信息化血糖监测***及方法 Download PDFInfo
- Publication number
- CN117582222A CN117582222A CN202410072794.6A CN202410072794A CN117582222A CN 117582222 A CN117582222 A CN 117582222A CN 202410072794 A CN202410072794 A CN 202410072794A CN 117582222 A CN117582222 A CN 117582222A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- time sequence
- time
- short
- sequence
- 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
Links
- 239000008280 blood Substances 0.000 title claims abstract description 572
- 210000004369 blood Anatomy 0.000 title claims abstract description 572
- 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 376
- 239000008103 glucose Substances 0.000 title claims abstract description 376
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 306
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 206010012601 diabetes mellitus Diseases 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 208000013016 Hypoglycemia Diseases 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 230000002218 hypoglycaemic effect Effects 0.000 description 2
- 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 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- -1 then Substances 0.000 description 1
- 238000000844 transformation Methods 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
- A61B5/145—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种信息化血糖监测***及方法，涉及血糖监测领域。其首先将多个预定时间点的血糖值按照时间维度进行排列并进行局部时序特征分析以得到血糖局部时序特征向量的序列，然后，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量，接着，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征，最后，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示。这样，可以提高对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
Description
技术领域
本申请涉及血糖监测领域，且更为具体地，涉及一种信息化血糖监测***及方法。
背景技术
血糖是人体代谢的重要指标，血糖水平的异常会导致糖尿病等多种疾病。因此，对血糖进行有效的监测和预测是保障患者健康的重要手段。目前，市场上存在多种血糖监测设备，但大多数都需要患者定期采集血液样本进行分析，这需要患者频繁进行血糖的采集和测试，不仅给患者带来不便和痛苦，而且可能会造成血糖数据采集不连续等问题，无法实时反映血糖的动态变化，也无法准确地进行血糖预测和管理。
因此，期望一种优化的信息化血糖监测***及方法。
发明内容
有鉴于此，本申请提出了一种信息化血糖监测***及方法，其可以通过患者的血糖动态变化来进行血糖值的短时预测和预警，提高对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
根据本申请的一方面，提供了一种信息化血糖监测方法，其包括：
通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；
将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；
对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；
计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；
融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；
基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示。
其中，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量，包括：
以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
在上述信息化血糖监测方法中，对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列，包括：
对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；
将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
在上述信息化血糖监测方法中，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征，包括：
将所述血糖局部时序特征向量的序列拼接为全局血糖时序特征向量后，融合所述血糖短时波动特征向量和所述全局血糖时序特征向量以得到血糖多维度时序特征向量作为所述血糖多维度时序特征。
在上述信息化血糖监测方法中，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示，包括：
对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量；
将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值；
基于所述血糖的短时预测值与血糖预定阈值的比较，确定是否产生预警提示。
在上述信息化血糖监测方法中，对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量，包括：
将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度后进行融合校正以获得校正特征向量；
将所述校正特征向量与所述血糖多维度时序特征向量进行融合以得到所述优化血糖多维度时序特征向量。
在上述信息化血糖监测方法中，将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值，包括：
使用所述基于解码器的血糖预测器的多个全连接层以如下解码公式对所述优化血糖多维度时序特征向量进行解码回归以获得所述血糖的短时预测值，其中，所述解码公式为：，其中，/>是所述优化血糖多维度时序特征向量，/>是所述血糖的短时预测值，/>是权重矩阵，/>是偏置向量，/>表示矩阵乘法，/>为激活函数。
根据本申请的另一方面，提供了一种信息化血糖监测***，其包括：
数据采集模块，用于通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；
向量化模块，用于将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；
局部时序特征分析模块，用于对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；
系数计算模块，用于计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；
融合模块，用于融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；
预测模块，用于基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示；
其中，所述系数计算模块，用于：
以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
在上述的信息化血糖监测***中，所述局部时序特征分析模块，包括：
向量切分单元，用于对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；
血糖时序特征提取单元，用于将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
本申请首先将多个预定时间点的血糖值按照时间维度进行排列并进行局部时序特征分析以得到血糖局部时序特征向量的序列，然后，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量，接着，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征，最后，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示。这样，可以提高对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的信息化血糖监测方法的流程图。
图2示出根据本申请的实施例的信息化血糖监测方法的架构示意图。
图3示出根据本申请的实施例的信息化血糖监测方法的子步骤S160的流程图。
图4示出根据本申请的实施例的信息化血糖监测***的框图。
图5示出根据本申请的实施例的信息化血糖监测方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为通过在患者的指尖佩戴血糖传感器，以通过无创的方式从患者皮肤体液中采集血糖数据，以便于实时监测和采集患者的血糖值，并在后端引入数据处理和分析算法来进行该患者的血糖值的时序分析，以此来进行血糖的短时预测和预警。这样，无需采集血液样本，减少了患者的不便和痛苦，并且，通过患者的血糖动态变化来进行血糖值的短时预测和预警，提高了对患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
图1示出根据本申请的实施例的信息化血糖监测方法的流程图。图2示出根据本申请的实施例的信息化血糖监测方法的架构示意图。如图1和图2所示，根据本申请实施例的信息化血糖监测方法，包括步骤：S110，通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；S120，将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；S130，对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；S140，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；S150，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；以及，S160，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示。
应可以理解，S110步骤的作用是通过佩戴于被监测患者指尖的血糖传感器采集被监测患者在预定时间段内多个预定时间点的血糖值；S120步骤的作用是将所采集到的多个预定时间点的血糖值按照时间维度进行排列，以得到血糖时序输入向量；S130步骤中通过局部时序特征分析得到的血糖局部时序特征向量的序列可以反映血糖的变化趋势和规律；S140步骤中计算血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数得到的由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量可以反映血糖的瞬时波动情况；S150步骤中融合血糖局部时序特征向量的序列和血糖短时波动特征向量得到的血糖多维度时序特征可以综合反映血糖的长期趋势和短期波动情况；在S160步骤中，根据血糖的多维度时序特征，可以进行血糖的预测，并根据预测结果确定是否需要发出预警提示，以提醒患者或医生采取相应的措施。
具体地，在本申请的技术方案中，首先，通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值。接着，考虑到所述血糖值在时间维度上具有着时序的动态变化规律，也就是说，所述多个预定时间点的血糖值之间存在着时序的关联关系。因此，需要将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量，以整合所述血糖值在时间维度上的时序分布信息。
然后，考虑到血糖水平的变化通常具有一定的时序性，并且血糖的这种时序变化具有着波动性，导致患者的血糖值在不同的时间跨度下呈现出不同的时序变化特征。因此，为了能够更好地进行患者血糖数据的时序分析，以更准确地描述血糖的变化情况，并为后续的预测和预警提供更可靠的依据，在本申请的技术方案中，对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列。
继而，将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器中进行特征挖掘，以分别提取出所述血糖值在时间维度上的各个局部时间段中的局部时序特征信息，从而得到血糖局部时序特征向量的序列。这样，能够捕捉到血糖数据的局部时序细节变化特征，这有利于捕捉到血糖的上升或下降趋势、波动性等特征信息，从而能够更准确地描述血糖的变化情况，并为后续的预测和预警提供更可靠的依据。
相应地，在步骤S130中，对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列，包括：对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；以及，将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
值得一提的是，向量切分的作用是将血糖时序输入向量按照一定的窗口大小进行切分，得到血糖局部时序输入向量的序列。通过切分血糖时序输入向量，可以将整个时间段内的血糖数据分成多个局部时序子段，以便更好地分析血糖的局部变化趋势。一维卷积层是深度学习中的一种神经网络层，用于提取输入数据的特征。在血糖监测中，基于一维卷积层的血糖时序特征提取器可以通过对血糖局部时序输入向量的序列进行卷积操作，提取出血糖数据的时序特征。一维卷积层可以捕捉到血糖数据中的时序模式和变化趋势，从而得到血糖局部时序特征向量的序列。通过向量切分和一维卷积层的应用，可以更好地分析血糖数据的时序特征，提取出血糖的局部变化趋势，为后续的特征融合和预测提供更准确的信息。
应可以理解，血糖水平的波动性是糖尿病管理中需要关注的重要指标之一。患者血糖的短时波动特征反映了血糖在较短时间内的变化情况，可以提供有关血糖的波动程度和稳定性的特征信息，这有助于帮助医生和患者更好地了解血糖的波动情况，以便于及时调整治疗方案，预防低血糖或高血糖的发生。因此，为了提取血糖的短时波动特征，在本申请的技术方案中，进一步计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量。通过计算每相邻两个所述血糖局部时序特征向量之间的波动语义度量系数，可以量化血糖的短时波动程度。因此，得到的所述血糖短时波动特征向量提供了血糖波动性的时序特征信息，可以用于衡量血糖的不稳定性和变化趋势。这些特征可以帮助医生和患者更好地了解血糖的波动情况，及时调整治疗方案，预防低血糖或高血糖的发生。
相应地，步骤S140中，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量，包括：以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
应可以理解，血糖短时波动语义度量系数是衡量血糖短期波动性的度量指标，它用于衡量相邻两个血糖局部时序特征向量之间的波动程度，并反映血糖的瞬时变化情况。具体而言，血糖短时波动语义度量系数可以通过计算相邻两个血糖局部时序特征向量之间的差异程度来得到。这些差异可以包括血糖的斜率、波动幅度、变化速度等信息。通过计算血糖短时波动语义度量系数，可以从数值上量化血糖的短期波动性，进而提供血糖的瞬时变化情况。血糖短时波动语义度量系数的计算可以基于数学模型或统计方法进行，具体的计算方法可能根据实际应用的情况而有所不同。这个度量系数可以用于血糖监测***中的特征提取、预测模型的训练等方面，以提供更全面和准确的血糖波动信息。
进一步地，考虑到血糖在时序上的变化是一个复杂的过程，其异常性既包括血糖的整体时序变化趋势的异常，也包括了在短时内的波动异常。因此，为了能够更为准确地对于血糖值进行短时预测，以提供更为准确地预警，在本申请的技术方案中，进一步将所述血糖局部时序特征向量的序列拼接为全局血糖时序特征向量后，融合所述血糖短时波动特征向量和所述全局血糖时序特征向量以得到血糖多维度时序特征向量。应可以理解，所述全局血糖时序特征向量反映了血糖的时序全局变化特征，所述血糖短时波动特征向量反映了血糖的短时波动特征信息，因此，通过融合所述血糖短时波动特征向量和所述全局血糖时序特征向量，可以将血糖的时序波动性和整体变化趋势结合起来，形成一个多维度的血糖时序特征向量。这样的特征向量可以综合考虑血糖的局部波动和整体变化趋势，从而提供更准确和全面的血糖特征描述，为后续的预测和预警提供更准确和可靠的依据。
相应地，在步骤S150中，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征，包括：将所述血糖局部时序特征向量的序列拼接为全局血糖时序特征向量后，融合所述血糖短时波动特征向量和所述全局血糖时序特征向量以得到血糖多维度时序特征向量作为所述血糖多维度时序特征。
值得一提的是，拼接是将多个向量或序列按照一定顺序连接在一起形成一个更长的向量或序列的操作。在步骤S150中，拼接操作用于将血糖局部时序特征向量的序列拼接为全局血糖时序特征向量。具体而言，将血糖局部时序特征向量按照一定顺序连接在一起，形成一个包含了所有局部时序特征的全局血糖时序特征向量。这样做的目的是将每个局部时序特征的信息综合起来，以提供更全面和完整的血糖时序特征。拼接后，将血糖短时波动特征向量和全局血糖时序特征向量进行融合，以得到血糖多维度时序特征向量。通过将两种不同类型的特征向量进行融合，可以综合考虑血糖的局部时序特征和短时波动特征，从而提供更全面和准确的血糖多维度时序特征。拼接操作的作用是将不同的特征信息整合在一起，以便更好地进行后续的特征分析、模型训练或预测等任务。通过拼接操作，可以将不同来源的特征信息进行有机组合，从而提供更丰富和准确的特征表示。
继而，再将所述血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值。也就是说，对所述血糖值的时序多维度特征信息来进行解码回归，以基于血糖的时序全局变化趋势和短时波动情况来进行患者血糖值的短时预测，并基于所述血糖的短时预测值与血糖预定阈值的比较，确定是否产生预警提示。这样，能够基于患者的血糖动态变化来进行血糖值的短时预测和预警，而无需采集血液样本，减少了患者的不便和痛苦，同时提高了对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
相应地，在步骤S160中，如图3所示，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示，包括：S161，对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量；S162，将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值；以及，S163，基于所述血糖的短时预测值与血糖预定阈值的比较，确定是否产生预警提示。
应可以理解，S161步骤的作用是对血糖多维度时序特征向量进行特征分布优化，这个步骤可以通过一些优化算法或方法，对血糖多维度时序特征向量进行调整和优化，使得特征向量更加符合血糖数据的分布特征，从而提高后续预测模型的准确性。在S162步骤中，预测模型使用优化后的血糖多维度时序特征向量作为输入，通过解码器进行计算和推理，得到对未来血糖值的预测结果。S163步骤的作用是基于血糖的短时预测值与血糖预定阈值的比较，确定是否产生预警提示，在这个步骤中，预测模型的输出结果与预定的血糖阈值进行比较。如果预测值超过或低于设定的阈值范围，***会发出预警提示，提醒患者或医生采取相应的措施，如调整饮食、调整胰岛素剂量或寻求医疗帮助等。这些步骤的目的是通过对血糖的多维度时序特征进行优化和预测，提供对血糖未来走势的预测，并根据预测结果判断是否需要发出预警提示，以帮助患者或医生做出相应的决策和行动。
特别地，在上述技术方案中，所述血糖局部时序特征向量的序列中的每个血糖局部时序特征向量表达所述血糖值在全局时域划分后的局部时域下的局部时域内时序关联特征，由此，所述全局血糖时序特征向量表达全局时域下的血糖值的局部时域内时序关联特征，而所述血糖短时波动特征向量表达全局时域下的局部时域间血糖值时序关联波动度量特征，因此，所述血糖短时波动特征向量和所述全局血糖时序特征向量具有在全局时域下的血糖局部时域内-局部时域间关联维度表达差异。
这样，在融合所述血糖短时波动特征向量和所述全局血糖时序特征向量时，期望抑制由于全局时域下的血糖局部时域内-局部时域间关联维度表达差异导致的所述血糖短时波动特征向量和所述全局血糖时序特征向量在高维融合特征空间内基于与不同几何变换对应的特征分布方向的高维几何变化差异，从而提升融合表达效果。
基于此，本申请的申请人首先将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度，再进一步进行融合校正，以获得校正特征向量。
相应地，在步骤S161中，对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量，包括：将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度后进行融合校正以获得校正特征向量；以及，将所述校正特征向量与所述血糖多维度时序特征向量进行融合以得到所述优化血糖多维度时序特征向量。
其中，将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度后进行融合校正以获得校正特征向量，包括：以如下融合公式将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度后进行融合校正以获得所述校正特征向量；其中，所述融合公式为：
；
其中，是所述血糖短时波动特征向量，/>是所述全局血糖时序特征向量，/>、/>和/>分别是所述血糖短时波动特征向量/>、所述全局血糖时序特征向量/>和所述校正特征向量的特征值，/>和/>分别是特征向量的1范数和2范数，/>是特征向量的长度，且/>是权重超参数，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值。
具体地，为了在进行融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述血糖短时波动特征向量和所述全局血糖时序特征向量/>的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留融合特征的旋转不变性，从而避免在进行融合时在高维融合特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述血糖多维度时序特征向量进行融合，就可以提升所述血糖多维度时序特征向量对所述血糖短时波动特征向量/>和所述全局血糖时序特征向量/>的融合效果，从而改进其通过解码器得到的解码值的准确性。这样，能够基于患者血糖的时序全局变化和短时波动情况来进行血糖值的短时预测和预警，这不仅减少了患者的不便和痛苦，而且提高了对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
进一步地，在步骤S162中，将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值，包括：使用所述基于解码器的血糖预测器的多个全连接层以如下解码公式对所述优化血糖多维度时序特征向量进行解码回归以获得所述血糖的短时预测值，其中，所述解码公式为：，其中，/>是所述优化血糖多维度时序特征向量，/>是所述血糖的短时预测值，/>是权重矩阵，/>是偏置向量，/>表示矩阵乘法，/>为激活函数。
综上，基于本申请实施例的信息化血糖监测方法，其可以提高对于患者血糖监测的准确性和及时性，从而能够帮助糖尿病患者更好地监测和管理血糖水平。
图4示出根据本申请的实施例的信息化血糖监测***100的框图。如图4所示，根据本申请实施例的信息化血糖监测***100，包括：数据采集模块110，用于通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；向量化模块120，用于将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；局部时序特征分析模块130，用于对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；系数计算模块140，用于计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；融合模块150，用于融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；以及，预测模块160，用于基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示。
在一种可能的实现方式中，所述局部时序特征分析模块130，包括：向量切分单元，用于对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；以及，血糖时序特征提取单元，用于将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
在一种可能的实现方式中，所述系数计算模块140，用于：以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
这里，本领域技术人员可以理解，上述信息化血糖监测***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的信息化血糖监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的信息化血糖监测***100可以实现在各种无线终端中，例如具有信息化血糖监测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的信息化血糖监测***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该信息化血糖监测***100可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该信息化血糖监测***100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该信息化血糖监测***100与该无线终端也可以是分立的设备，并且该信息化血糖监测***100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图5示出根据本申请的实施例的信息化血糖监测方法的应用场景图。如图5所示，在该应用场景中，首先，采集被监测患者在预定时间段内多个预定时间点的血糖值（例如，图5中所示意的D），然后，将所述多个预定时间点的血糖值输入至部署有信息化血糖监测算法的服务器（例如，图5中所示意的S）中，其中，所述服务器能够使用所述信息化血糖监测算法对所述多个预定时间点的血糖值进行处理以得到血糖的短时预测值。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种信息化血糖监测方法，其特征在于，包括：
通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；
将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；
对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；
计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；
融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；
基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示；
其中，计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量，包括：
以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
2.根据权利要求1所述的信息化血糖监测方法，其特征在于，对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列，包括：
对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；
将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
3.根据权利要求2所述的信息化血糖监测方法，其特征在于，融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征，包括：
将所述血糖局部时序特征向量的序列拼接为全局血糖时序特征向量后，融合所述血糖短时波动特征向量和所述全局血糖时序特征向量以得到血糖多维度时序特征向量作为所述血糖多维度时序特征。
4.根据权利要求3所述的信息化血糖监测方法，其特征在于，基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示，包括：
对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量；
将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值；
基于所述血糖的短时预测值与血糖预定阈值的比较，确定是否产生预警提示。
5.根据权利要求4所述的信息化血糖监测方法，其特征在于，对所述血糖多维度时序特征向量进行特征分布优化以得到优化血糖多维度时序特征向量，包括：
将所述血糖短时波动特征向量和所述全局血糖时序特征向量通过线性变换转换为相同长度后进行融合校正以获得校正特征向量；
将所述校正特征向量与所述血糖多维度时序特征向量进行融合以得到所述优化血糖多维度时序特征向量。
6.根据权利要求5所述的信息化血糖监测方法，其特征在于，将所述优化血糖多维度时序特征向量通过基于解码器的血糖预测器以得到血糖的短时预测值，包括：
使用所述基于解码器的血糖预测器的多个全连接层以如下解码公式对所述优化血糖多维度时序特征向量进行解码回归以获得所述血糖的短时预测值，其中，所述解码公式为：，其中，/>是所述优化血糖多维度时序特征向量，/>是所述血糖的短时预测值，/>是权重矩阵，/>是偏置向量，/>表示矩阵乘法，/>为激活函数。
7.一种信息化血糖监测***，其特征在于，包括：
数据采集模块，用于通过佩戴于被监测患者指尖的血糖传感器采集所述被监测患者在预定时间段内多个预定时间点的血糖值；
向量化模块，用于将所述多个预定时间点的血糖值按照时间维度进行排列以得到血糖时序输入向量；
局部时序特征分析模块，用于对所述血糖时序输入向量进行局部时序特征分析以得到血糖局部时序特征向量的序列；
系数计算模块，用于计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的血糖短时波动特征向量；
融合模块，用于融合所述血糖局部时序特征向量的序列和所述血糖短时波动特征向量以得到血糖多维度时序特征；
预测模块，用于基于所述血糖多维度时序特征，确定血糖的短时预测值，并确定是否产生预警提示；
其中，所述系数计算模块，用于：
以如下系数计算公式计算所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量之间的血糖短时波动语义度量系数以得到由多个血糖短时波动语义度量系数组成的所述血糖短时波动特征向量；其中，所述系数计算公式为：
；
其中，和/>分别是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的各个位置的特征值，/>表示以2为底的对数函数，/>是所述血糖局部时序特征向量的序列中每相邻两个血糖局部时序特征向量的尺度，/>是所述血糖短时波动特征向量中各个位置的特征值。
8.根据权利要求7所述的信息化血糖监测***，其特征在于，所述局部时序特征分析模块，包括：
向量切分单元，用于对所述血糖时序输入向量进行向量切分以得到血糖局部时序输入向量的序列；
血糖时序特征提取单元，用于将所述血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序特征提取器以得到所述血糖局部时序特征向量的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072794.6A CN117582222B (zh) | 2024-01-18 | 2024-01-18 | 信息化血糖监测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072794.6A CN117582222B (zh) | 2024-01-18 | 2024-01-18 | 信息化血糖监测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117582222A true CN117582222A (zh) | 2024-02-23 |
| CN117582222B CN117582222B (zh) | 2024-03-29 |
Family
ID=89911932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410072794.6A Active CN117582222B (zh) | 2024-01-18 | 2024-01-18 | 信息化血糖监测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117582222B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110119081A1 (en) * | 2008-07-10 | 2011-05-19 | B.G. Informatica S.R.L. | Method For Defining And Interactively Managing A Treatment For Glycemic Level Control In A Diabetic Patient And Device That Carries Out Said Method |
| US20150297144A1 (en) * | 2012-12-04 | 2015-10-22 | Nec Solution Innovators, Ltd. | Blood sugar level prediction device, measurement device, blood sugar level prediction method and computer-readable storage medium |
| CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
| 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 |
| US20200060584A1 (en) * | 2016-05-23 | 2020-02-27 | "Intecellular Substance Technologies Laboratory"R&D Intercell"Limited Liability Co(R&D Intercell LLC | Method and multisensory device for non-invasive blood glucose level monitoring |
| US20200201727A1 (en) * | 2018-12-21 | 2020-06-25 | Microsoft Technology Licensing, Llc | Machine learning model monitoring |
| CN113080949A (zh) * | 2021-03-30 | 2021-07-09 | 北京京东拓先科技有限公司 | 低血糖预警方法及装置、计算机可存储介质 |
| CN114207737A (zh) * | 2019-05-31 | 2022-03-18 | 明智数据***公司(d/b/a一滴公司) | 用于生物监测和血糖预测的***及相关联方法 |
| US20220087577A1 (en) * | 2020-09-18 | 2022-03-24 | Iplemind.inc | Method, apparatus and program for measuring electrocardiogram-based blood glucose using artificial intelligence |
| CN114239718A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 基于多元时序数据分析的高精度长期时间序列预测方法 |
| CN114548158A (zh) * | 2022-01-28 | 2022-05-27 | 广东工业大学 | 一种用于血糖预测的数据处理方法 |
| CN115062729A (zh) * | 2022-07-15 | 2022-09-16 | 展讯通信（上海）有限公司 | 分类模型及其训练方法、分类方法、设备及介质 |
| CN115827988A (zh) * | 2023-02-10 | 2023-03-21 | 成都桉尼维尔信息科技有限公司 | 一种自媒体内容热度预测方法 |
| US20230097161A1 (en) * | 2021-09-15 | 2023-03-30 | University Of Virginia Patent Foundation | Using an Online Disturbance Rejection and Anticipation System to Reduce Hyperglycemia |
| CN116911419A (zh) * | 2023-01-28 | 2023-10-20 | 杭州电子科技大学 | 一种基于趋势相关性特征学习的长时序预测方法 |
-
2024
- 2024-01-18 CN CN202410072794.6A patent/CN117582222B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110119081A1 (en) * | 2008-07-10 | 2011-05-19 | B.G. Informatica S.R.L. | Method For Defining And Interactively Managing A Treatment For Glycemic Level Control In A Diabetic Patient And Device That Carries Out Said Method |
| US20150297144A1 (en) * | 2012-12-04 | 2015-10-22 | Nec Solution Innovators, Ltd. | Blood sugar level prediction device, measurement device, blood sugar level prediction method and computer-readable storage medium |
| US20200060584A1 (en) * | 2016-05-23 | 2020-02-27 | "Intecellular Substance Technologies Laboratory"R&D Intercell"Limited Liability Co(R&D Intercell LLC | Method and multisensory device for non-invasive blood glucose level monitoring |
| CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
| 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 |
| US20200201727A1 (en) * | 2018-12-21 | 2020-06-25 | Microsoft Technology Licensing, Llc | Machine learning model monitoring |
| CN114207737A (zh) * | 2019-05-31 | 2022-03-18 | 明智数据***公司(d/b/a一滴公司) | 用于生物监测和血糖预测的***及相关联方法 |
| US20220087577A1 (en) * | 2020-09-18 | 2022-03-24 | Iplemind.inc | Method, apparatus and program for measuring electrocardiogram-based blood glucose using artificial intelligence |
| CN113080949A (zh) * | 2021-03-30 | 2021-07-09 | 北京京东拓先科技有限公司 | 低血糖预警方法及装置、计算机可存储介质 |
| US20230097161A1 (en) * | 2021-09-15 | 2023-03-30 | University Of Virginia Patent Foundation | Using an Online Disturbance Rejection and Anticipation System to Reduce Hyperglycemia |
| CN114239718A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 基于多元时序数据分析的高精度长期时间序列预测方法 |
| CN114548158A (zh) * | 2022-01-28 | 2022-05-27 | 广东工业大学 | 一种用于血糖预测的数据处理方法 |
| CN115062729A (zh) * | 2022-07-15 | 2022-09-16 | 展讯通信（上海）有限公司 | 分类模型及其训练方法、分类方法、设备及介质 |
| CN116911419A (zh) * | 2023-01-28 | 2023-10-20 | 杭州电子科技大学 | 一种基于趋势相关性特征学习的长时序预测方法 |
| CN115827988A (zh) * | 2023-02-10 | 2023-03-21 | 成都桉尼维尔信息科技有限公司 | 一种自媒体内容热度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANXIN WANG ET AL: "Relationship Between Time-Dependent Proteinuria and Risk of Stroke in Population With Different Glucose Tolerance Status", 《JOURNAL OF THE AMERICAN HEART ASSOCIATION》, 31 December 2020 (2020-12-31) * |
| 王喆，王有力，孙雯雯，吕巍: "PCR-RBF-SVM 预测模型在财政数据中的应用", 《吉林大学学报( 理学版)》, vol. 50, no. 1, 31 January 2012 (2012-01-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
| CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117582222B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117582222B (zh) | 信息化血糖监测***及方法 | |
| US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
| WO2017064609A1 (en) | System and method for predicting heart failure decompensation | |
| Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
| CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及*** | |
| CN117598700A (zh) | 智能化血氧饱和度检测***及方法 | |
| CN117152827A (zh) | 一种近视预测模型的训练方法、近视预测方法及装置 | |
| CN117617921B (zh) | 基于物联网的智能血压监控***及方法 | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| JP6053166B2 (ja) | 数値データ解析装置及びプログラム | |
| Gallacher et al. | Assessing the health economic agreement of different data sources | |
| CN114557690B (zh) | 一种用于连续葡萄糖监测的校准***及方法 | |
| US20170011184A1 (en) | Method of Adaptively Predicting Blood-Glucose Level by Collecting Biometric and Activity Data with A User Portable Device | |
| KR20230083520A (ko) | 혈당 반응값을 활용한 식이 추천 시스템 및 그 방법 | |
| Kapur et al. | GlucoBreath: Non-Invasive Glucometer to Detect Diabetes using Breath | |
| Jain et al. | Predictive Modeling for Early Hyperglycemia Detection in Type 2 Diabetes | |
| EP4250311A1 (en) | Ultrasound system with customization unit | |
| EP4248842A1 (en) | Personalized patient hydration state measuring device | |
| US20230000446A1 (en) | Apparatus and method for estimating lipid concentration | |
| Hwong et al. | Machine Learning-Based Glucose Monitoring Techniques for Diabetes Management: A Review | |
| WO2024049445A1 (en) | Multi-head convolutional network for average glucose prediction | |
| CN117672531A (zh) | 一种基于多参数的糖尿病风险评价*** | |
| CN118197629A (zh) | 一种智能手表无创血糖预测方法及*** | |
| CN115444367A (zh) | 基于人工智能的呼吸功能康复训练仪的监控方法及*** | |
| Gómez et al. | Check for updates Electronic Biosignal Monitoring System for the Prevention of Respiratory Diseases by Applying Artificial Intelligence |
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 |