血糖预测方法和装置、监测血糖水平的系统制造方法及图纸

本发明专利技术涉及生理信号处理领域，提供一种血糖预测方法和装置、监测血糖水平的系统，其中所述方法包括：获取用户的血糖轨迹数据；将用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果；基于由血糖轨迹数据确定的血糖浓度变化率和/或当前血糖采集数据的状态，确定用户处于的当前场景；基于当前场景，在加权因子集中选取至少两个血糖预测模型在当前场景下对应的加权因子组，其中，加权因子集包含基于多个实时场景进行分类的多个加权因子组；基于至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组，得到血糖预测结果。本发明专利技术能够得到更加接近用户真实血糖水平的血糖预测结果，响应速度快，提高了用户体验感。高了用户体验感。高了用户体验感。

【技术实现步骤摘要】
血糖预测方法和装置、监测血糖水平的系统


[0001]本专利技术涉及生理信号处理领域，尤其涉及一种血糖预测方法和装置、监测血糖水平的系统。

技术介绍

[0002]糖尿病是一种代谢紊乱性疾病，糖尿病影响着世界人口的很大一部分，及时正确的诊断和治疗对于维持血糖预测用户相对健康的生活方式至关重要，通常，糖尿病的治疗需要依赖于当前时刻和/或将来时刻准确确定个体血液中的葡萄糖浓度。
[0003]随着生物传感器的技术发展，血糖浓度连续性监控系统（按一定频率连续提供实时血糖浓度数据）的出现，给血糖预测用户提供了更好地了解其血糖浓度的变化水平，这对于糖尿病的管理而言都是非常有用的，进而有了更好地控制血糖浓度的数据基础。血糖浓度连续性监控系统可通过植入式或非植入式血糖敏感型传感器按一定频率连续提供表示实时血糖浓度的传感器血糖测量信号，这种传感器测量血液、其他组织或人体某一部位的各种性质，包括光电传感器、电化学传感器、光学吸收或光学穿透等。
[0004]尽管血糖浓度连续性监控系统可提供血糖预测用户的实时血糖浓度水平，出于给血糖预测用户治疗的目的，还亟需要能够提供血糖浓度数据的预测，比如半小时后或更长时间段之后的血糖浓度数据。
[0005]一些数据处理的模型被运用至血糖浓度数据预测领域，如支持向量回归模型（SVR），神经网络模型（NN），自回归滑动平均模型（ARMA）和长短期记忆网络（LSTM）等，可以采用单一模型的方式进行预测，也可采用多重模型的混合模型进行预测。采用单一模型进行预测的方法，是基于血糖预测用户的输入和输出血糖训练数据，对初始化的深度学习模型进行训练，对血糖预测用户的血糖进行滚动预测。由于不同训练模型的特性差异，使用相同的训练数据训练得到的单一预测模型在不同的情况下准确性、响应速度、对输入信息的需求各不相同，因此，基于相同的个性化数据，不同的单一预测模型将会获得不同的预测血糖浓度数据。如ARMA模型使用的数据和资源占用率较少，是一种快速且相对成熟的模型，但是在实际的使用中，当选择的第二时间段较长，如30
‑
60分钟时，误差较大。因此该模型被主要用于快速得到临近的未来时间的血糖浓度预测中，如未来10分钟，或更短的时间。SVR模型在训练过程中没有考虑用户数据，如饮食和胰岛素的摄入等对血糖浓度的影响。因此当出现由上述用户数据引起的血糖快速波动时，SVR的预测有明显的滞后性。NN和LSTM模型均可以在训练中考虑到用户数据对血糖浓度的影响并可以结合用户数据（如饮食、胰岛素等）进行预测。但是由于部分用户数据为人为输入的数据，人为输入可能出现数据异常等情况，因此当训练的数据出现偏差或预测过程中使用的用户数据出现偏差时，模型的预测结果则会受一定的影响。
[0006]此外，采用混合模型进行预测的方法，可以针对血糖预测用户血糖浓度数据，分别应用自回归模型、支持向量回归模型和长短期记忆网络模型进行预测，得到各个模型的血糖预测结果，再分别计算所述模型的权重，进而对各自所述模型的血糖预测结果及各自模
型权重进行线性组合，得到组合预测模型预测值。多模型学习后按各自的固定权重进行线性组合，仍无法达到有效的预测精度和预测效率，由于未考虑到用户输入数据所带来的短时间内血糖浓度变化规律对预测结果的影响，譬如用户目前的血糖浓度水平、胰岛素使用量、摄入或消耗的碳水化合物、运动量、用药等或出现错误数据情况，未考虑到用户的个性化预测、尤其是无法确保一些不同场景下的血糖预测精度，导致用户体验感差。

技术实现思路

[0007]本专利技术提供一种血糖预测方法和装置、监测血糖水平的系统，用以解决现有技术中存在的技术缺陷。
[0008]本专利技术提供一种血糖预测方法，包括如下步骤。
[0009]获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
[0010]将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果。
[0011]基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态，确定所述用户处于的当前场景。
[0012]基于所述当前场景，在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组，其中，所述加权因子集包含基于多个实时场景进行分类的多个加权因子组，每个所述加权因子组包含至少两个加权因子，每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的。
[0013]基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组，得到血糖预测结果。
[0014]根据本专利技术所述的血糖预测方法，其中，所述获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据，包括：通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
[0015]其中，所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳，所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
[0016]根据本专利技术所述的血糖预测方法，其中，所述获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据，包括：获取用户输入的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据。
[0017]所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳；所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳，所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。
[0018]根据本专利技术所述的血糖预测方法，其中，所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。
[0019]根据本专利技术所述的血糖预测方法，其中，每个所述血糖预测模型分别按照以下方
式进行训练：基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。
[0020]或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。
[0021]根据本专利技术所述的血糖预测方法，其中，所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果，包括：将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果；其中，所述用户的血糖轨迹数据还包括所述用户的所在区域。
[0022]相应的，每个所述血糖预测模型分别按照以下方式进行训练：基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。
[0023]根据本专利技术所述的血糖预测方法，其中，所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血糖预测方法，其特征在于，包括：获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据；将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果；基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态，确定所述用户处于的当前场景；基于所述当前场景，在加权因子集中选取所述至少两个血糖预测模型在所述当前场景下对应的加权因子组，其中，所述加权因子集包含基于多个实时场景进行分类的多个加权因子组，每个所述加权因子组包含至少两个加权因子，每个所述加权因子是基于预设的多模融合目标标准误差以及所述至少两个血糖预测模型的预测标准误差确定的；基于所述至少两个血糖预评估结果及其在所述当前场景下对应的加权因子组，得到血糖预测结果。2.根据权利要求1所述的血糖预测方法，其特征在于，所述获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据，包括：通过网络从关联所述用户的血糖测量设备处获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据；其中，所述当前血糖采集数据包括当前时刻的第一血糖测量值及其对应的第一时间戳，所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。3.根据权利要求2所述的血糖预测方法，其特征在于，所述获取用户的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据，包括：获取用户输入的血糖轨迹数据，所述血糖轨迹数据包括当前血糖采集数据和历史血糖采集数据；所述当前血糖采集数据包括用户输入的当前时刻的第一血糖关联数据及其对应的第一关联时间戳；所述历史血糖采集数据包括用户输入的历史时刻的若干个历史血糖关联数据及其对应的若干个历史关联时间戳，所述第一血糖关联数据、历史血糖关联数据分别包括与血糖浓度相关联的一个或多个事件。4.根据权利要求3所述的血糖预测方法，其特征在于，所述一个或多个事件与食物消耗、饮料消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联。5.根据权利要求1所述的血糖预测方法，其特征在于，每个所述血糖预测模型分别按照以下方式进行训练：基于血糖浓度样本数据以及预先确定的真实血糖浓度标签进行训练，得到每个所述血糖预测模型；或周期性地基于所述用户迭代更新的血糖浓度样本数据以及对应的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。6.根据权利要求1所述的血糖预测方法，其特征在于，所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果，包括：将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评
估结果；其中，所述用户的血糖轨迹数据还包括所述用户的所在区域；相应的，每个所述血糖预测模型分别按照以下方式进行训练：基于所述用户所在区域的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。7.根据权利要求1所述的血糖预测方法，其特征在于，所述将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果，包括：将所述用户的血糖轨迹数据分别输入至少两个血糖预测模型，输出至少两个血糖预评估结果；其中，所述用户的血糖轨迹数据还包括所述用户所属的糖尿病类型；相应的，每个所述血糖预测模型分别按照以下方式进行训练：基于所述用户所属糖尿病类型的血糖浓度样本数据以及对应的预先确定的真实血糖浓度标签进行训练，得到每个所述血糖预测模型。8.根据权利要求3所述的血糖预测方法，其特征在于，所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态，确定所述用户处于的当前场景之前，包括：基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值，确定所述血糖浓度变化率；所述第二值包括第二血糖测量值及其对应的第二时间戳，所述第二时间戳与所述第一时间戳相关联。9.根据权利要求8所述的血糖预测方法，其特征在于，所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态，确定所述用户处于的当前场景，包括：当所述血糖浓度变化率不大于第一预设阈值，确定所述用户处于平稳区间场景；当所述血糖浓度变化率大于第一预设阈值、且不大于第二预设阈值，确定所述用户处于缓速升降区间场景；当所述血糖浓度变化率大于第二预设阈值、且不大于第三预设阈值，确定所述用户处于中速升降区间场景；当所述血糖浓度变化率大于第三预设阈值，确定所述用户处于快速升降区间场景。10.根据权利要求9所述的血糖预测方法，其特征在于，所述基于由所述血糖轨迹数据确定的血糖浓度变化率和/或所述当前血糖采集数据的状态，确定所述用户处于的当前场景，包括：当从关联所述用户的血糖测量设备处获取的用户的血糖轨迹数据异常，确定所述用户处于血糖测量值异常场景；当用户输入的当前时刻的第一血糖关联数据异常，确定所述用户处于用户输入异常场景；当用户输入的当前时刻的第一血糖关联数据正常，确定所...

【专利技术属性】
技术研发人员：韩洋，蒋娟，
申请(专利权)人：苏州百孝医疗科技有限公司，
类型：发明
国别省市：