基于无创的血糖监测装置、系统及存储介质的制作方法

专利2022-05-10  3



1.本发明涉及血糖管理技术领域,尤其涉及基于无创的血糖监测装置、系统及存储介质。


背景技术:

2.随着社会经济的不断发展,人们的生活水平的不断提高,使得中国高血糖病患者逐年上升,目前已达到人口数量的10%左右,造成这以局面的主要因素是血糖监测方式的繁琐,目前市面上监测血糖方式分为静脉抽血和扎手指两种有创方式,而国内和国外的监测血糖也是要用微创的方式才可以达到监测的结果,正是由于微创和有创的血糖监测方式使得用户在心理和生理上产生了排斥感,从而忽略了对血糖的监测,并且上述方式都不能做到连续获取人体血糖数据,由于用户的身体状态在随时变化,通过当前测得的血糖值预测之后的血糖趋势,存在较大的误差。
3.上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。


技术实现要素:

4.本发明的主要目的在于提供一种基于无创的血糖监测装置、系统及存储介质,旨在解决现有技术无法有效提高对待监测用户血糖值的监测效率和准确性的技术问题。
5.为实现上述目的,本发明提供了一种基于无创的血糖监测装置,其特征在于,所述基于无创的血糖监测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于无创的血糖监测程序,所述基于无创的血糖监测程序配置为实现如下步骤:
6.获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;
7.将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;
8.获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;
9.通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
10.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
11.获取待监测用户的身体状态信息和预设血糖标签信息;
12.根据所述预设血糖标签信息对所述身体状态信息进行筛选,得到对应的筛选结果;
13.提取所述筛选结果中的特征信息。
14.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
15.根据所述历史血糖信息得到对应的历史特征矩阵;
16.获取预设时间信息,根据所述预设时间信息和所述历史特征矩阵计算目标样本数
据集;
17.将所述目标样本数据集输入至所述预设神经网络模型,以使所述预设神经网络模型根据所述目标样本数据集进行训练,得到目标血糖预测模型。
18.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
19.获取预设血糖值,若所述待监测用户的血糖值大于或等于所述预设血糖值,则根据所述血糖值和所述预设血糖值计算对应的危险系数;
20.根据所述危险系数确定对应的血糖降低策略,将所述血糖降低策略发送至目标显示设备,以使所述目标显示设备警示所述待监测用户根据所述血糖降低策略对所述血糖值进行降低。
21.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
22.根据所述危险系数确定血糖降低策略集合;
23.获取待监测用户的历史血糖降低策略集合,根据所述历史血糖降低策略集合在所述血糖降低策略集合中进行查询;
24.若未查询到所述历史血糖降低策略集合,则提取所述历史血糖降低策略的关键字;
25.根据所述关键字在预设健康平台查找对应的血糖降低策略。
26.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
27.若查询到所述历史血糖降低策略,则获取历史时间信息、当前血糖降低策略以及血糖降低率;
28.根据所述历史时间信息、当前血糖降低策略以及血糖降低率建立对应的血糖关系映射表;
29.从所述血糖关系映射表中选取目标血糖降低率对应的血糖降低策略。
30.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
31.获取预设时间信息,提取所述预设时间信息对应的当前时刻;
32.获取目标时钟调用指令,将所述目标时钟调用指令发送至时钟程序,以使所述时钟程序在接收到所述目标时钟调用指令开始启动,根据所述当前时刻开始计时并反馈对应的时长信息;
33.若所述时长信息为预设时长信息,则获取所述待监测用户的目标身体状态信息;
34.根据所述目标身体状态信息和目标血糖预测模型得到所述待监测用户的目标血糖值。
35.可选地,所述基于无创的血糖监测程序配置为实现如下步骤:
36.获取所述待监测用户的血糖值,根据所述血糖值和所述目标血糖值得到所述待监测用户的血糖变化曲线图;
37.获取所述待监测用户的身份信息,根据所述身份信息和所述血糖变化曲线图建立对应的健康档案;
38.获取预设血糖查询请求,根据所述预设血糖查询请求在所述健康档案中进行查询,以实现对所述待监测用户的血糖值的溯源。
39.此外,为实现上述目的,本发明还提出一种基于无创的血糖监测系统,所述基于无创的血糖监测系统包括:提取模块、查找模块、生成模块以及预测模块;
40.提取模块,用于获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;
41.查找模块,用于将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;
42.生成模块,用于获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;
43.预测模块,用于通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
44.此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于无创的血糖监测程序,所述基于无创的血糖监测程序被处理器执行时实现如下步骤:
45.获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;
46.将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;
47.获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;
48.通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
49.本发明提出的基于无创的血糖监测装置,通过获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测,相较于现有技术通过静脉抽血和扎手的取样方式得到待监测用户的血糖值,能够有效提高对待监测用户血糖值的监测效率和准确性。
附图说明
50.图1是本发明实施例方案涉及的硬件运行环境的基于无创的血糖监测设备的装置示意图;
51.图2为本发明基于无创的血糖监测装置第一实施例的流程示意图;
52.图3为本发明基于无创的血糖监测装置一实施例的隐藏层展开图;
53.图4为本发明基于无创的血糖监测装置第二实施例的流程示意图;
54.图5为本发明基于无创的血糖监测装置第三实施例的流程示意图;
55.图6为本发明基于无创的血糖监测系统一实施例的结构框图。
56.本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
57.应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
58.参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于无创的血糖监测装置结构示意图。
59.如图1所示,该基于无创的血糖监测装置可以包括:处理器1001,例如中央处理器(central processing unit,cpu),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless

fidelity,wi

fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory,ram)存储器,也可以是稳定的非易失性存储器(non

volatile memory,nvm),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
60.本领域技术人员可以理解,图1中示出的结构并不构成对基于无创的血糖监测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
61.如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于无创的血糖监测程序。
62.在图1所示的基于无创的血糖监测装置中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于无创的血糖监测装置中的处理器1001、存储器1005可以设置在基于无创的血糖监测装置中,所述基于无创的血糖监测装置通过处理器1001调用存储器1005中存储的基于无创的血糖监测程序,并执行本发明实施例提供的基于无创的血糖监测装置。
63.基于上述硬件结构,提出本发明基于无创的血糖监测装置实施例。
64.参照图2,图2为本发明基于无创的血糖监测装置第一实施例的流程示意图。
65.在第一实施例中,所述基于无创的血糖监测装置包括以下步骤:
66.步骤s10,获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息。
67.需要说明的是,本实施例的执行主体为基于无创的血糖监测设备,还可为其他可实现相同或相似功能的设备,例如血糖监测手环等,本实施例对此不作限制,在本实施例中,以血糖监测手环为例进行说明。
68.应当理解的是,身体状态信息指的是待监测用户身体的当前健康状态信息,该状态信息分为三种,分别为健康状态信息、亚健康状态信息以及非健康状态信息,而不同的身体状态信息对应的血流形态各不相同,例如,在亚健康状态和非健康状态下,身体状态信息对应的身体的血流形态较慢,即血流不通畅等,其中,通过身体状态信息可得到血流形态、强度、速率以及生理节律等信息。
69.进一步地,为了有效提高待监测用户血糖值的监测效率,步骤s10包括:
70.获取待监测用户的身体状态信息和预设血糖标签信息;根据所述预设血糖标签信息对所述身体状态信息进行筛选,得到对应的筛选结果;提取所述筛选结果中的特征信息。
71.可以理解的是,在得到待监测用户的身体状态信息后,通过预设血糖标签信息从身体状态信息中筛选出监测血糖所需的特征信息,例如,通过预设血糖标签信息筛选身体状态信息得到的筛选结果为血流形态、强度以及速率等,而得到当前待监测用户的血流形态,此时的血流形态即为提取的特征信息,其中,预设血糖标签信息指的是计算血糖所需要的标签信息。
72.在具体实施中,血糖监测手环获取待监测用户的身体状态信息,提取所述身体状
态信息中的特征信息。
73.步骤s20,将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息。
74.应当理解的是,目标服务器指的是与血糖监测手环采用无线连接的服务设备,该无线连接方式可以为4g,也可以为嵌入式电话卡(embedded

sim,esim),还可以为蓝牙传输,本实施例对此不作限制,以蓝牙为例进行说明,通过该服务设备可以查询网络上的所有数据,在接收到特征信息后,将特征信息发送到目标服务器,以使目标服务器根据特征信息在大数据平台进行查找与特征信息对应的历史血糖信息,其中,大数据平台指的是存储着大量的数据的管理平台,历史血糖信息包括在不同时间段的历史血糖值,而根据个人身体状态和场景的不同,该特征信息在同一时间段的历史血糖信息存在不同,即存在一对多的情况,此时,若历史血糖信息对应的历史血糖未超过最高血糖值,则将其作为历史血糖信息。
75.在具体实施中,血糖监测手环将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息。
76.步骤s30,获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型。
77.应当理解的是,预设神经网络模型指的是输入层、隐藏层和输出层组成的基础神经网络模型,在得到历史血糖信息,将历史血糖信息输入至预设神经网络模型,以使预设神经网络模型根据历史血糖信息进行训练,得到目标血糖预测模型,该目标血糖预测模型可以为循环神经网络模型(recurrent neural network,rnn),也可以为其他神经网络模型,本实施例对此不作限制,以rnn网络模型为例进行说明。
78.进一步地,为了有效提高待监测用户血糖值的监测准确率,步骤s30,包括:
79.根据所述历史血糖信息得到对应的历史特征矩阵;获取预设时间信息,根据所述预设时间信息和所述历史特征矩阵计算目标样本数据集;将所述目标样本数据集输入至所述预设神经网络模型,以使所述预设神经网络模型根据所述目标样本数据集进行训练,得到目标血糖预测模型。
80.可以理解的是,在得到历史血糖信息后,对历史血糖信息进行解析,并将解析得到的数据在矩阵中进行依次排列,得到历史特征矩阵,由于预设伸进网络模型由不同的分层组成,因此需要通过预设时间信息对应的时间段将分层划分,从而得到目标样本数据集,再将目标样本数据集输入至rnn网络模型进行训练,从而得到目标血糖预测模型,参考图3,图3为本发明基于无创的血糖监测装置一实施例的隐藏层展开图,其中,t

1、t以及t 1表示的是时间值,x代表输入的血糖特征矩阵,s
t
代表样本在t时间的隐藏层的参数,并且有:
81.s
t
=f(w*s
t
‑1 u*x
t
);
82.其中,w表示特征矩阵的权重,u表示在此刻特征矩阵的权重,v表示输出实时血糖参数的权重值。
83.在具体实施中,血糖监测手环获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型。
84.步骤s40,通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
85.应当理解的是,在得到目标血糖预测模型后,将特征信息输入至目标血糖预测模型,以使目标血糖预测模型对特征信息进行预测,得到待监测用户的血糖值,此时的目标血糖预测模型可对待监测用户的不同状态下的血糖预测,例如,饭前和饭后的血糖值、运动状态与非运动状态的血糖值等等。
86.在具体实施中,血糖监测手环通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
87.本实施例通过获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,相较于现有技术通过静脉抽血和扎手的取样方式得到待监测用户的血糖值,能够有效提高待监测用户血糖值的监测效率和准确性。
88.在一实施例中,如图4所述,基于第一实施例提出本发明基于无创的血糖监测装置第二实施例,所述步骤s40之后,还包括:
89.步骤s501,获取预设血糖值,若所述待监测用户的血糖值大于或等于所述预设血糖值,则根据所述血糖值和所述预设血糖值计算对应的危险系数。
90.应当理解的是,预设血糖值指的是卫生组织规定的正常血糖范围内的最高值,在待监测用户的血糖值大于或等于预设血糖值,显示设备的颜色会发生变化,例如,在空腹情况下,正常血糖范围为3.9~6.1毫摩/升,在饭后1小时的情况下,正常血糖范围为:6.7~9.4毫摩/升,在饭后2小时的情况下:小于或等于7.8毫摩/升,因此,可将预设血糖值设为6.1、9.4以及7.8毫摩/升,则需要根据血糖值和预设血糖值计算出待监测用户的危险系数,具体计算方式为:危险系数=(血糖值

预设血糖值)/预设血糖值*100%,例如,在待监测用户为空腹情况下,若此时的血糖值为6.5毫摩/升,预设血糖值为6.1毫摩/升,则此时的危险系数为:(6.5

6.1)/6.1*100%=6.5%。
91.在具体实施中,血糖监测手环获取预设血糖值,若所述待监测用户的血糖值大于或等于所述预设血糖值,则根据所述血糖值和所述预设血糖值计算对应的危险系数。
92.步骤s502,根据所述危险系数确定对应的血糖降低策略,将所述血糖降低策略发送至目标显示设备,以使所述目标显示设备警示所述待监测用户根据所述血糖降低策略对所述血糖值进行降低。
93.可以理解的是,血糖降低策略指的是在血糖值等于或者高于预设血糖值对血糖值进行降低的策略,由于不同的危险系数所对应的血糖降低策略不同,因此需要根据危险系数确定对应的血糖降低策略,例如,在危险系数为a时,对应的血糖降低策略为a1,在危险系数为b时,对应的血糖降低策略为b1,在确定血糖降低策略后,将血糖降低策略发送至目标显示设备,以使待监测用户根据血糖降低策略对血糖值进行降低,其中,目标显示设备可以为血糖监测手环上面的显示屏,此时目标显示设备还可通过内置在esim电话卡进行短信和电话进行预警提醒。
94.在具体实施中,血糖监测手环根据所述危险系数确定对应的血糖降低策略,将所述血糖降低策略发送至目标显示设备,以使所述目标显示设备警示所述待监测用户根据所述血糖降低策略对所述血糖值进行降低。
95.进一步地,为了有效提高降低血糖值的效率,根据所述危险系数确定对应的血糖降低策略,包括:
96.根据所述危险系数确定血糖降低策略集合;获取待监测用户的历史血糖降低策略集合,根据所述历史血糖降低策略集合在所述血糖降低策略集合中进行查询;若未查询到所述历史血糖降低策略集合,则提取所述历史血糖降低策略的关键字;根据所述关键字在预设健康平台查找对应的血糖降低策略。
97.应当理解的是,历史血糖降低策略指的是待监测用户在历史血压值高于预设血糖值时待监测用户降低血糖值的策略,由于不同的血压值对应的降低策略不同,因此,将降低血糖的策略组成历史血糖降低策略集合,而血糖降低策略集合针对是一般情况下的降低策略,若此时用户的血糖值高于预设血糖值,则需要判断血糖降低策略集合中是否存在历史血糖降低策略集合中的任一降低策略,若不存在,此时只需要通过历史血糖降低策略中的关键字在预设健康平台上进行查找出对应的血糖降低策略,例如,血糖降低策略集合为a、b以及c三种,而历史血糖降低策略为d和e,此时血糖降低策略集合并不存在历史血糖降低策略,通过历史血糖降低策略为d和e所共有的关键字m在预设健康平台上查找到对应的血糖降低策略。
98.可以理解的是,在查询到血糖降低策略集合中存在历史血糖降低策略集合时,需要通过血糖关系映射表比较各血糖降低策略的降低血糖的效果,例如,历史血糖降低策略中的d在1分钟能降低0.5毫摩/升,降低率为5%,而e在1分钟只能降低0.1毫摩/升,降低率为1%,因此需要选择与降低率5%对应的血糖降低策略d。
99.本实施例通过获取预设血糖值,若所述待监测用户的血糖值大于或等于所述预设血糖值,则根据所述血糖值和所述预设血糖值计算对应的危险系数;根据所述危险系数确定对应的血糖降低策略,将所述血糖降低策略发送至目标显示设备,以使所述目标显示设备警示所述待监测用户根据所述血糖降低策略对所述血糖值进行降低,在待监测用户的血糖值大于预设血糖值时,通过目标显示设备警示待监测用户,使得待监测用户根据血糖降低策略对血糖值降低,从而能够有效提高降低血糖值的效率。
100.在一实施例中,如图5所述,基于第一实施例提出本发明基于无创的血糖监测装置第三实施例,所述步骤s40之后,还包括:
101.步骤s503,获取预设时间信息,提取所述预设时间信息对应的当前时刻。
102.可以理解的是,预设时间信息指的是对待监测用户的当前监测时间信息,此时需要将预设时间信息所对应的时刻信息进行提取,以得到监测的当前时刻,例如,在对待监测用户的血糖的监测时间为5分钟,在监测完成时的当前时刻为12:35。
103.在具体实施中,血糖监测手环获取预设时间信息,提取所述预设时间信息对应的当前时刻。
104.步骤s504,获取目标时钟调用指令,将所述目标时钟调用指令发送至时钟程序,以使所述时钟程序在接收到所述目标时钟调用指令开始启动,根据所述当前时刻开始计时并反馈对应的时长信息。
105.可以理解的是,目标时钟调动指令指的是启动时钟程序的指令,即时钟程序在接收到目标时钟调动指令后就会立即启动,并开始计时,例如,当前时刻为12:35,时钟程序在该时刻接收到目标时钟调动指令并开始计时以及反馈对应的时长信息,时长信息为当前时
刻加上监测时间信息。
106.在具体实施中,血糖监测手环获取目标时钟调用指令,将所述目标时钟调用指令发送至时钟程序,以使所述时钟程序在接收到所述目标时钟调用指令开始启动,根据所述当前时刻开始计时并反馈对应的时长信息。
107.步骤s505,若所述时长信息为预设时长信息,则获取所述待监测用户的目标身体状态信息。
108.应当理解的是,预设时长信息指的是血糖监测手环下一次监测时长信息,在当前时刻加上监测时间信息得到的时长信息为预设时长信息时,表明此时可以进行下一次的监测,即获取待监测用户的目标身体状态信息,此时的目标身体状态信息为时长信息对应的时刻的身体状态信息。
109.在具体实施中,若所述时长信息为预设时长信息,血糖监测手环则获取所述待监测用户的目标身体状态信息。
110.步骤s506,根据所述目标身体状态信息和目标血糖预测模型得到所述待监测用户的目标血糖值。
111.可以理解的是,在得到目标身体状态信息后,将目标身体状态信息输入至目标血糖预测模型,目标血糖预测模型根据目标身体状态信息对待监测用户的血糖值进行预测,以得到对应的目标血糖值。
112.在具体实施中,血糖监测手环根据所述目标身体状态信息和目标血糖预测模型得到所述待监测用户的目标血糖值。
113.进一步地,为了有效提高对待监测用户血糖值的监测的准确率,步骤s506之后,还包括:
114.获取所述待监测用户的血糖值,根据所述血糖值和所述目标血糖值得到所述待监测用户的血糖变化曲线图;获取所述待监测用户的身份信息,根据所述身份信息和所述血糖变化曲线图建立对应的健康档案;获取预设血糖查询请求,根据所述预设血糖查询请求在所述健康档案中进行查询,以实现对所述待监测用户的血糖值的溯源。
115.应当理解的是,根据待监测用户的血糖值和目标血糖值绘制血糖变化曲线图,将血糖变化曲线图添加至根据待监测用户的身份信息建立的档案中,以得到对应的健康档案,此时,若待监测用户或者医生想要查询待监测用户的血糖,则发送预设血糖查询请求至健康档案,以实现对待监测用户的血糖值的溯源,其中,身份信息指的是待监测用户的身份证号或者医疗卡号,预设血糖请求信息指的是查询待监测用户的血糖值的请求信息。
116.本实施例通过获取预设时间信息,提取所述预设时间信息对应的当前时刻;获取目标时钟调用指令,将所述目标时钟调用指令发送至时钟程序,以使所述时钟程序在接收到所述目标时钟调用指令开始启动,根据所述当前时刻开始计时并反馈对应的时长信息;若所述时长信息为预设时长信息,则获取所述待监测用户的目标身体状态信息;根据所述目标身体状态信息和目标血糖预测模型得到所述待监测用户的目标血糖值,通过时钟程序和预设时长信息对待监测用户的血糖值进行多次监测,能够有效提高对待监测用户血糖值的监测的准确率。
117.此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于无创的血糖监测程序,所述基于无创的血糖监测程序被处理器执行时实现如上文所述的基于无创的
血糖监测装置的步骤。
118.由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
119.此外,参照图6,本发明实施例还提出一种基于无创的血糖监测系统,所述基于无创的血糖监测系统包括:提取模块、查找模块、生成模块以及预测模块:
120.提取模块10,用于获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息。
121.应当理解的是,身体状态信息指的是待监测用户身体的当前健康状态信息,该状态信息分为三种,分别为健康状态信息、亚健康状态信息以及非健康状态信息,而不同的身体状态信息对应的血流形态各不相同,例如,在亚健康状态和非健康状态下,身体状态信息对应的身体的血流形态较慢,即血流不通畅等,其中,通过身体状态信息可得到血流形态、强度、速率以及生理节律等信息。
122.进一步地,为了有效提高待监测用户血糖值的监测效率,步骤s10包括:
123.获取待监测用户的身体状态信息和预设血糖标签信息;根据所述预设血糖标签信息对所述身体状态信息进行筛选,得到对应的筛选结果;提取所述筛选结果中的特征信息。
124.可以理解的是,在得到待监测用户的身体状态信息后,通过预设血糖标签信息从身体状态信息中筛选出监测血糖所需的特征信息,例如,通过预设血糖标签信息筛选身体状态信息得到的筛选结果为血流形态、强度以及速率等,而得到当前待监测用户的血流形态,此时的血流形态即为提取的特征信息,其中,预设血糖标签信息指的是计算血糖所需要的标签信息。
125.在具体实施中,血糖监测手环获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息。
126.查找模块20,用于将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息。
127.应当理解的是,目标服务器指的是与血糖监测手环采用无线连接的服务设备,通过该服务设备可以查询网络上的所有数据,在接收到特征信息后,将特征信息发送到目标服务器,以使目标服务器根据特征信息在大数据平台进行查找与特征信息对应的历史血糖信息,其中,大数据平台指的是存储着大量的数据的管理平台,历史血糖信息包括在不同时间段的历史血糖值,而根据个人身体状态和场景的不同,该特征信息在同一时间段的历史血糖信息存在不同,即存在一对多的情况,此时,若历史血糖信息对应的历史血糖未超过最高血糖值,则将其作为历史血糖信息。
128.在具体实施中,血糖监测手环将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息。
129.生成模块30,用于获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型。
130.应当理解的是,预设神经网络模型指的是输入层、隐藏层和输出层组成的基础神经网络模型,在得到历史血糖信息,将历史血糖信息输入至预设神经网络模型,以使预设神经网络模型根据历史血糖信息进行训练,得到目标血糖预测模型,该目标血糖预测模型可以为循环神经网络模型(recurrent neural network,rnn),也可以为其他神经网络模型,
本实施例对此不作限制,以rnn网络模型为例进行说明。
131.进一步地,为了有效提高待监测用户血糖值的监测准确率,步骤s30,包括:
132.根据所述历史血糖信息得到对应的历史特征矩阵;获取预设时间信息,根据所述预设时间信息和所述历史特征矩阵计算目标样本数据集;将所述目标样本数据集输入至所述预设神经网络模型,以使所述预设神经网络模型根据所述目标样本数据集进行训练,得到目标血糖预测模型。
133.可以理解的是,在得到历史血糖信息后,对历史血糖信息进行解析,并将解析得到的数据在矩阵中进行依次排列,得到历史特征矩阵,由于预设伸进网络模型由不同的分层组成,因此需要通过预设时间信息对应的时间段将分层划分,从而得到目标样本数据集,再将目标样本数据集输入至rnn网络模型进行训练,从而得到目标血糖预测模型,参考图3,图3为本发明基于无创的血糖监测装置一实施例的隐藏层展开图,其中,t

1、t以及t 1表示的是时间值,x代表输入的血糖特征矩阵,s
t
代表样本在t时间的隐藏层的参数,并且有:
134.s
t
=f(w*s
t
‑1 u*x
t
);
135.其中,w表示特征矩阵的权重,u表示在此刻特征矩阵的权重,v表示输出实时血糖参数的权重值。
136.在具体实施中,血糖监测手环获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型。
137.预测模块40,用于通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
138.应当理解的是,在得到目标血糖预测模型后,将特征信息输入至目标血糖预测模型,以使目标血糖预测模型对特征信息进行预测,得到待监测用户的血糖值,此时的目标血糖预测模型可对待监测用户的不同状态下的血糖预测,例如,饭前和饭后的血糖值、运动状态与非运动状态的血糖值等等。
139.在具体实施中,血糖监测手环通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,以实现对待监测用户血糖的监测。
140.本实施例通过获取待监测用户的身体状态信息,提取所述身体状态信息中的特征信息;将所述特征信息发送至目标服务器,以使所述目标服务器根据所述特征信息在大数据平台查找并反馈对应的历史血糖信息;获取预设神经网络模型,根据所述历史血糖信息和预设神经网络模型生成目标血糖预测模型;通过所述目标血糖预测模型对所述特征信息进行预测,得到所述待监测用户的血糖值,相较于现有技术通过静脉抽血和扎手的取样方式得到待监测用户的血糖值,能够有效提高对待监测用户血糖值的监测效率和准确性。
141.需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
142.另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于无创的血糖监测装置,此处不再赘述。
143.在一实施例中,所述提取模块10,还用于获取待监测用户的身体状态信息和预设血糖标签信息;根据所述预设血糖标签信息对所述身体状态信息进行筛选,得到对应的筛选结果;提取所述筛选结果中的特征信息。
144.在一实施例中,所述生成模块30,还用于根据所述历史血糖信息得到对应的历史特征矩阵;获取预设时间信息,根据所述预设时间信息和所述历史特征矩阵计算目标样本数据集;将所述目标样本数据集输入至所述预设神经网络模型,以使所述预设神经网络模型根据所述目标样本数据集进行训练,得到目标血糖预测模型。
145.在一实施例中,所述预测模块40,还用于获取预设血糖值,若所述待监测用户的血糖值大于或等于所述预设血糖值,则根据所述血糖值和所述预设血糖值计算对应的危险系数;根据所述危险系数确定对应的血糖降低策略,将所述血糖降低策略发送至目标显示设备,以使所述目标显示设备警示所述待监测用户根据所述血糖降低策略对所述血糖值进行降低。
146.在一实施例中,所述预测模块40,还用于根据所述危险系数确定血糖降低策略集合;获取待监测用户的历史血糖降低策略集合,根据所述历史血糖降低策略集合在所述血糖降低策略集合中进行查询;若未查询到所述历史血糖降低策略集合,则提取所述历史血糖降低策略的关键字;根据所述关键字在预设健康平台查找对应的血糖降低策略。
147.在一实施例中,所述预测模块40,还用于若查询到所述历史血糖降低策略,则获取历史时间信息、当前血糖降低策略以及血糖降低率;根据所述历史时间信息、当前血糖降低策略以及血糖降低率建立对应的血糖关系映射表;从所述血糖关系映射表中选取目标血糖降低率对应的血糖降低策略。
148.在一实施例中,所述预测模块40,还用于获取预设时间信息,提取所述预设时间信息对应的当前时刻;获取目标时钟调用指令,将所述目标时钟调用指令发送至时钟程序,以使所述时钟程序在接收到所述目标时钟调用指令开始启动,根据所述当前时刻开始计时并反馈对应的时长信息;若所述时长信息为预设时长信息,则获取所述待监测用户的目标身体状态信息;根据所述目标身体状态信息和目标血糖预测模型得到所述待监测用户的目标血糖值。
149.在一实施例中,所述预测模块40,还用于获取所述待监测用户的血糖值,根据所述血糖值和所述目标血糖值得到所述待监测用户的血糖变化曲线图;获取所述待监测用户的身份信息,根据所述身份信息和所述血糖变化曲线图建立对应的健康档案;获取预设血糖查询请求,根据所述预设血糖查询请求在所述健康档案中进行查询,以实现对所述待监测用户的血糖值的溯源。
150.本发明所述基于无创的血糖监测装置的其他实施例或具有实现装置可参照上述各装置实施例,此处不在赘余。
151.此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个
……”
限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
152.上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
153.通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做
出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(read only memory,rom)/ram、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
154.以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
转载请注明原文地址: https://doc.8miu.com/read-1350313.html

最新回复(0)