一种基于连续血糖监测系统的在线故障检测与诊断方法技术方案

本发明专利技术涉及一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；S2、判断是否发生数据丢失情况；若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；若否，则执行下一步；S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；本发明专利技术提供的故障检测与诊断方法，不仅检测准确率高，而且还能够对故障进行精确诊断和分类。

An on-line fault detection and diagnosis method based on continuous blood glucose monitoring system

The invention relates to an online fault detection and diagnosis method based on a continuous blood glucose monitoring system, which comprises the following steps: S1. Obtaining the measured value of CGM at the current time, inputting it into the GPR algorithm model for soft measurement, obtaining the online predicted value and predicted error, and then calculating the KL divergence at the current time; S2. Judging whether there is data loss; if so, data reconstruction , that is, replace the measured value with the obtained online predicted value, and execute S1 again; if not, execute the next step; S3, calculate the mean value and variance of KL divergence at the historical time and KL divergence at the current time, and determine the initial threshold; the fault detection and diagnosis method provided by the invention not only has high detection accuracy, but also can accurately diagnose and classify the fault.

【技术实现步骤摘要】
一种基于连续血糖监测系统的在线故障检测与诊断方法
本专利技术属于血糖监测
，尤其涉及一种基于连续血糖监测系统的在线故障检测与诊断方法。
技术介绍
连续血糖监测系统(ContinuousGlucoseMonitoring,CGM)是指通过葡萄糖感应器检测皮下组织间液的葡萄糖浓度而间接反映血糖水平的一种可穿戴的智能传感器，可以在规定的时间间隔下自动的测量血糖浓度。CGM是人工胰腺(ArtificialPancreas，AP)系统的测量部分核心。AP系统的目的是通过闭环控制算法自动注射胰岛素，帮助患者管理血糖。CGM测量值向AP系统提供血糖浓度信息，使AP系统闭环控制成为可能。因此，对CGM在线故障检测与诊断是保证AP系统稳定工作的基础，根据故障诊断的结果及时排除故障是维护AP系统安全运行的重要条件。目前，针对CGM故障检测的文献所用方法包括：基于设备冗余、多元统计分析、模型预测、信息熵等方法，但是CGM故障诊断的方法却从未被提出。在故障检测的方法中，基于设备冗余的方法虽然操作简单、准确率高，但是会增加患者的经济负担，对身体造成过度伤害。基于多元统计分析的方法需要多种信息元，所分析的特征物理意义不明确。基于模型预测的方法，首先需要预测CGM测量值，然后通过比较预测值和测量值进行故障检测。这种方法在预测准确的基础上，能够较为准确地判断偏差程度较小的故障情况，但是模型预测的准确性会受到训练集数据的限制。基于信息熵的方法是一种新被提出的CGM故障检测方法，可以对单一信息进行分析，而且不需要建立准确的预测模型，不会受到训练集的影响。因此，提出一种基于模型预测和信息熵相结合的故障检测方法，继而对其进行故障诊断是十分有意义的。利用CGM采集患者血糖数据的过程中可能会产生六种故障，分别为尖峰、漂移、停滞、压力引起的传感器衰减、偏差和数据丢失，这六种故障可能导致CGM无法跟踪实际的血糖浓度，影响患者后续给药治疗机制。例如：生物絮凝可以导致传感器信号漂移和传感器灵敏度变化；按压传感器会逐渐使传感器信号变弱，导致压力引起的传感器衰减；传输通道异常会使CGM信号丢失等。
技术实现思路
(一)要解决的技术问题针对现有存在的技术问题，本专利技术提供一种基于连续血糖监测系统的在线故障检测与诊断方法，解决了现有技术中检测准确率低以及无法对故障进行分类诊断等技术问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；S2、判断是否发生数据丢失情况；若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；若否，则执行下一步；S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；S4、判断当前时候测量值是否较上一时刻发生快速变化；若是，则通过查看上一时刻是否故障；若发生故障，则不修改阈值；若未发生故障，则增大阈值；若否，则保持初始阈值；S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；否则为正常工作状态，则返回S1；S6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型；优选地，所述步骤S1之前还包括：获取历史时刻CGM的测量值，利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差，继而计算获得历史时刻的KL散度。优选地，所述步骤S6之后还包括：将在线预测值代替故障数据进行数据重构，然后执行S1。优选地，所述KNN分类器模型为经过多种故障类型的测量数据训练后的模型；所述多种故障类型至少包括：数据丢失、尖峰、漂移、停滞、压力引起的传感器衰减和偏差。优选地，所述GPR算法模型的表达式为：y＝f(x)+ε；数据集x∈RD×n，y∈Rn；其中，x＝{xi∈RD|i＝1，2，...，n}，y＝{yi∈R|i＝1，2，...，n}，D代表输入维数；ε是噪声且符合高斯分布其均值为0，方差为σ2，记为ε～N(0，σ2)。优选地，所述GPR的均值和方差的表达式为：其中，k(x*)为训练集与测试集数据之间的协方差；ky＝k+σ2I，其中k为训练集与训练集之间的协方差，I为单位矩阵，k(x*，x*)是测试集数据之间的协方差。优选地，所述KL散度算法的表达式为：其中，p和q是两个单变量正态分布，且满足p～N(μ0，σ0)和q～N(μ1，σ1)。优选地，所述KNN分类器算法利用Mahalanobis距离作为两个向量之间的距离，距离公式为：其中，k为协方差矩阵。(三)有益效果本专利技术的有益效果是：本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法，具有以下有益效果：(1)防止闭环控制系统因CGM异常造成的误报做出错误甚至危险的控制决策。(2)通过提升整个AP系统的安全性与可靠性，间接改善血糖管理水平与精度。附图说明图1为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法的流程示意图；图2为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中实施例中系统的结构示意图；图3为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中的流程框图；图4为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中方法的算法框图；图5为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中GPR算法在线预测对比图；图6为本专利技术提供的一种基于连续血糖监测系统的在线故障检测与诊断方法中的故障分类示意图。具体实施方式为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。如图1-图6示：本实施例公开了一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：本实施例中提供了一种基于连续血糖监测系统的在线故障检测与诊断方法，包括如下步骤：S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；S2、判断是否发生数据丢失情况；若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；若否，则执行下一步；S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；S4、判断当前时候测量值是否较上一时刻发生快速变化；若是，则通过查看上一时刻是否故障；<本文档来自技高网...

【技术保护点】
1.一种基于连续血糖监测系统的在线故障检测与诊断方法，其特征在于，包括如下步骤：/nS1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；/nS2、判断是否发生数据丢失情况；/n若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；/n若否，则执行下一步；/nS3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；/nS4、判断当前时候测量值是否较上一时刻发生快速变化；/n若是，则通过查看上一时刻是否故障；/n若发生故障，则不修改阈值；/n若未发生故障，则增大阈值；/n若否，则保持初始阈值；/nS5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；/n若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；/n否则为正常工作状态，则返回S1；/nS6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型。/n

【技术特征摘要】
1.一种基于连续血糖监测系统的在线故障检测与诊断方法，其特征在于，包括如下步骤：
S1、获取的当前时刻CGM的测量值，将其输入GPR算法模型中进行软测量并获得在线预测值和预测误差，继而计算当前时刻的KL散度；
S2、判断是否发生数据丢失情况；
若是，则数据重构，即用获得的在线预测值代替测量值，并重新执行S1；
若否，则执行下一步；
S3、计算历史时刻的KL散度与当前时刻KL散度的均值和方差，确定初始阈值；
S4、判断当前时候测量值是否较上一时刻发生快速变化；
若是，则通过查看上一时刻是否故障；
若发生故障，则不修改阈值；
若未发生故障，则增大阈值；
若否，则保持初始阈值；
S5、利用当前时刻的KL散度与阈值比较、CGM测量值与GPR的95％置信区间比较来判断CGM是否正常工作；
若当前时刻KL散度大于阈值且CGM测量值超过GPR的95％置信区间，则为CGM异常状态，则执行下一步；
否则为正常工作状态，则返回S1；
S6、将CGM测量值由KNN分类器模型进行故障诊断，获得诊断故障类型。


2.根据权利要求1所述的方法，其特征在于，
所述步骤S1之前还包括：获取历史时刻CGM的测量值，利用历史时刻CGM的测量值训练GPR模型并获得历史时刻预测值和历史预测误差，继而计算获得历史时刻的KL散度。


3.根据权利要求2所述的方法，其特征在于，
所述步骤S6之后还包括：将在线...

【专利技术属性】
技术研发人员：李鸿儒，高巍，于霞，李益明，杨叶虹，
申请(专利权)人：东北大学，复旦大学附属华山医院，
类型：发明
国别省市：辽宁;21