本發(fā)明屬于血糖預(yù)測報警和分析的研究領(lǐng)域，特別是涉及一種包含異常血糖概率報警器的連續(xù)血糖監(jiān)測設(shè)備。

背景技術(shù)：

為了實現(xiàn)良好的血糖控制，必須要對血糖水平進(jìn)行測量，目前采用的是連續(xù)血糖監(jiān)測(cgm)設(shè)備。隨著連續(xù)血糖監(jiān)測設(shè)備的快速發(fā)展，使得更高精度的控制變?yōu)榱丝赡?，實時的cgm系統(tǒng)對高低血糖的提前檢測起到了重要的作用。然而，根據(jù)當(dāng)前的cgm設(shè)備采集到的血糖值進(jìn)行報警，再采取相應(yīng)的治療措施會延遲對于血糖的控制，一方面胰島素在體內(nèi)產(chǎn)生作用會有一定的時間，因此會延遲對于高血糖的控制；另一方面碳水化合物在體內(nèi)也會過一段時間才產(chǎn)生作用，因此會延遲對于低血糖的控制。所以需要提前一段時間進(jìn)行血糖預(yù)測，根據(jù)預(yù)測的血糖情況來選擇合適的治療策略。傳統(tǒng)的預(yù)測報警方法是直接將預(yù)測的血糖值和高低血糖報警閾值進(jìn)行比較，超過報警閾值就會產(chǎn)生報警。然而由于預(yù)測方法都有一定的預(yù)測誤差，因此預(yù)測值和真實的血糖值會有一定的偏差，直接用預(yù)測的血糖值進(jìn)行報警會產(chǎn)生漏報和誤報，嚴(yán)重影響血糖的控制策略，影響到病人的血糖控制。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有預(yù)測報警方法的不足，提供一種包含異常血糖概率報警器的連續(xù)血糖監(jiān)測設(shè)備。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種包含異常血糖概率報警器的連續(xù)血糖監(jiān)測設(shè)備，該設(shè)備包括：用于采集人體血糖信息，輸出血糖可用信號的傳感器；用于對傳感器的輸出信號進(jìn)行放大處理的信號放大器；用于對信號放大器輸出的模擬信號進(jìn)行數(shù)字轉(zhuǎn)換的單片機(jī)；用于對單片機(jī)輸出的數(shù)字信號進(jìn)行數(shù)據(jù)處理的濾波器；用于將濾波后的血糖值進(jìn)行異常血糖報警概率計算的異常血糖概率報警器；用于進(jìn)行數(shù)值和波形顯示的顯示器；用于數(shù)據(jù)存儲的存儲器；所述報警器進(jìn)行異常血糖報警概率計算的過程包括以下步驟：

(1)血糖預(yù)測誤差的獲得：通過選定的預(yù)測模型的血糖預(yù)測值和連續(xù)血糖監(jiān)測設(shè)備采集的血糖值y得到預(yù)測誤差e：

其中yi是第i個時刻連續(xù)血糖監(jiān)測設(shè)備的采樣值，是第i個時刻血糖預(yù)測值，ei是第i個時刻血糖的預(yù)測誤差，n是采樣數(shù)，由此獲得n個預(yù)測誤差e＝{e1,e2,…,en}；

(2)通過基于高斯混合模型(gmm)的方法估計血糖預(yù)測誤差的分布情況；

(3)根據(jù)步驟(2)的預(yù)測誤差分布估計，進(jìn)行在線血糖采樣點的高低血糖報警概率的計算，具體包括以下子步驟：

(3.1)計算預(yù)測誤差概率密度函數(shù)的中位數(shù)點：

其中p(e|θ)是步驟(2)中估計的預(yù)測誤差概率密度函數(shù)，θ是gmm中待估計的參數(shù)，即θ＝(μ,σ)，μ是gmm中各個單高斯模型的均值，σ是gmm中各個單高斯模型的協(xié)方差矩陣，c是概率密度函數(shù)的中位數(shù)點；

(3.2)根據(jù)95％的置信度確定預(yù)測誤差的置信區(qū)間：

其中σ是置信半徑，c-σ是置信下限，c+σ是置信上限；

(3.3)計算每個血糖預(yù)測值的異常血糖報警概率：

(3.3.1)如果血糖預(yù)測值加上預(yù)測誤差的置信下限高于高血糖報警閾值，或者血糖預(yù)測值加上預(yù)測誤差的置信上限低于低血糖報警閾值，則報警概率為1，即產(chǎn)生報警；

(3.3.2)如果高低血糖報警閾值在血糖預(yù)測值置信區(qū)間內(nèi)，則要計算該預(yù)測值的高低血糖報警概率，按照下式定義報警距離dlow和dhigh：

其中hlow是低血糖報警閾值，hhigh是高血糖報警閾值，dlow是預(yù)測值與低血糖報警閾值的距離，dhigh是預(yù)測值與高血糖報警閾值的距離；則高低血糖的概率按照如下公式計算：

其中是plow低血糖報警概率，phigh是高血糖報警概率；

(4)根據(jù)新的血糖采樣值得到的新的預(yù)測誤差更新gmm參數(shù)。

進(jìn)一步地，所述步驟(2)具體包括以下子步驟：

(2.1)估計步驟(1)中獲得的預(yù)測誤差e＝{e1,e2,…,en}的分布，假定預(yù)測誤差的概率密度函數(shù)由k個單高斯模型組成，gmm的概率密度函數(shù)為：

其中p(e|θ)是預(yù)測誤差概率密度函數(shù)，αk是第k個單高斯模型的權(quán)值，φ(e|θk)是第k個單高斯模型的概率密度函數(shù)，其滿足：

其中μk是第k個單高斯模型的均值，是第k個單高斯模型的協(xié)方差矩陣σk，θk是第k個單高斯模型參數(shù)集，即θk＝(μk,σk)，n為e的維數(shù)，這里e是一維變量，因此n＝1；

(2.2)采用em算法估計gmm的參數(shù)，具體步驟如下：

(2.2.1)對于αk，μk和σk賦初值，k＝1,2,…,k；

(2.2.2)計算后驗概率

其中是在第s次迭代中，第j個預(yù)測誤差ej屬于第k個單高斯模型的后驗概率；

(2.2.3)計算和第s+1次的迭代值：

其中和分別是αk，μk和σk第s+1次的迭代值。

所述步驟(4)具體包括以下子步驟：

(4.1)對于新獲得的預(yù)測誤差en+1，根據(jù)式(7)分別計算en+1對應(yīng)的每個單高斯模型的概率密度函數(shù)φ(en+1|θk)；

(4.2)找出其中概率密度函數(shù)最大的值所對應(yīng)的單高斯模型mk，判斷en+1是否在單高斯模型95％的置信區(qū)間內(nèi)，如果在該單高斯模型的95％的置信區(qū)間內(nèi)，則該單高斯模型mk是en+1的匹配單高斯模型，采用更新算法更新gmm的參數(shù)；如果連續(xù)有三個預(yù)測誤差不在概率密度函數(shù)最大的值對應(yīng)的單高斯模型的95％的置信區(qū)間內(nèi)，則認(rèn)為gmm的結(jié)構(gòu)發(fā)生改變，根據(jù)式(8)-(11)重新進(jìn)行g(shù)mm參數(shù)估計；

(4.3)gmm參數(shù)更新算法如下：

ρ＝λ*φ(en+1|θk)(16)

其中，p(mi|en+1)是標(biāo)志符，只有預(yù)測誤差en+1匹配的單高斯模型mk其標(biāo)志符p(mk|en+1)才為1，其他的單高斯模型的標(biāo)志符為0；是n+1時刻第i個單高斯模型的權(quán)值，只有匹配的單高斯模型mk的權(quán)值增加，其它單高斯模型的權(quán)值下降；和是n+1時刻匹配的單高斯模型mk的均值和協(xié)方差矩陣，其它單高斯模型的均值和協(xié)方差矩陣不進(jìn)行更新；φ(en+1|θk)是en+1對應(yīng)的每個單高斯模型的概率密度函數(shù)；λ是可調(diào)參數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明所提出的包含異常血糖概率報警器的連續(xù)血糖監(jiān)測設(shè)備能夠根據(jù)預(yù)測誤差的分布估計出血糖預(yù)測值的高低血糖報警概率，而不是直接將預(yù)測的血糖值與高低血糖報警閾值進(jìn)行比較而給出是否報警。因此，病人可以根據(jù)異常血糖報警概率來制定合適的治療計劃，以此避免異常血糖事件。本發(fā)明易于實施，為血糖處理和分析的研究指明了新的方向。

附圖說明

圖1是本發(fā)明連續(xù)血糖監(jiān)測設(shè)備的結(jié)構(gòu)框圖；

圖2是本發(fā)明連續(xù)血糖監(jiān)測設(shè)備中異常血糖報警概率計算的實現(xiàn)流程圖；

圖3是對象7分別采用ar和arx模型進(jìn)行預(yù)測所產(chǎn)生的預(yù)測誤差的分布函數(shù)圖像，(a)ar預(yù)測模型(b)arx預(yù)測模型；

圖4是對象7采用ar模型進(jìn)行預(yù)測的血糖預(yù)測值和血糖測量值，以及對應(yīng)的高低血糖報警概率和傳統(tǒng)報警方法的對比，(a)后三天的結(jié)果(b)低血糖報警概率局部放大圖(c)高血糖報警概率局部放大圖；

圖5是對象7采用arx模型進(jìn)行預(yù)測的血糖預(yù)測值和血糖測量值，以及對應(yīng)的高低血糖報警概率和傳統(tǒng)報警方法的對比，(a)后三天的結(jié)果(b)低血糖報警概率局部放大圖(c)高血糖報警概率局部放大圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

如圖1所示，本發(fā)明提供的一種包含異常血糖概率報警器的連續(xù)血糖監(jiān)測設(shè)備，包括：用于采集人體血糖信息，輸出血糖可用信號的傳感器；用于對傳感器的輸出信號進(jìn)行放大處理的信號放大器；用于對信號放大器輸出的模擬信號進(jìn)行數(shù)字轉(zhuǎn)換的單片機(jī)；用于對單片機(jī)輸出的數(shù)字信號進(jìn)行數(shù)據(jù)處理的濾波器；用于將濾波后的血糖值進(jìn)行異常血糖報警概率計算的異常血糖概率報警器；用于進(jìn)行數(shù)值和波形顯示的顯示器；用于數(shù)據(jù)存儲的存儲器；所述報警器進(jìn)行異常血糖報警概率計算的過程包括以下步驟：

步驟1：獲得血糖預(yù)測誤差

將以采樣周期為5分鐘所獲得的連續(xù)血糖監(jiān)測信號組合成一維時序數(shù)據(jù)y1×l，其中，y表示檢測到的血糖信號，l為樣個數(shù)，去除其中的尖峰信號。本實例中，共有三組對象的采樣信號，采樣周期為5分鐘，第1組為青少年組，第2組為成人組，第3組為兒童組，每組10人，三組共30人，每個對象的采樣信號包括五天的數(shù)據(jù)。

這里采用ar模型和arx模型進(jìn)行預(yù)測，arx的通用公式為：

其中y(k)是血糖值，uins(k-kins)和umeal(k-kmeal)分別是胰島素和飲食輸入量，kins是胰島素的輸入延遲，kmeal是飲食的輸入延遲，β是偏差值，ε(k)是隨機(jī)擾動，a(q^-1),bins(q^-1)和bmeal(q^-1)分別代表血糖，胰島素和飲食的系數(shù)。這里，對于ar模型，選取bins(q^-1)＝bmeal(q^-1)＝0，a(q^-1)階數(shù)是7；對于arx模型，選取a(q^-1)，bins(q^-1)和bmeal(q^-1)的階數(shù)分別是7,4和4；

第一天的血糖數(shù)據(jù)用于ar和arx建模，隨后對于第二天的血糖數(shù)據(jù)進(jìn)行預(yù)測，從而得到血糖的預(yù)測誤差e：

其中yi是第i個時刻連續(xù)血糖監(jiān)測設(shè)備的采樣值，是第i個時刻血糖預(yù)測值，ei是第i個時刻血糖的預(yù)測誤差，n是采樣數(shù)，由此獲得n個預(yù)測誤差e＝{e1,e2,…,en}，這里選取了第二天的數(shù)據(jù)，因此n＝288。

步驟2：通過基于高斯混合模型(gmm)的方法估計血糖預(yù)測誤差的分布情況，具體包括以下子步驟：

(2.1)估計步驟1中獲得的預(yù)測誤差e＝{e1,e2,…,en}的分布，假定預(yù)測誤差的概率密度函數(shù)由k個單高斯模型組成，這里選取k＝4，gmm的概率密度函數(shù)為：

其中p(e|θ)是預(yù)測誤差概率密度函數(shù)，αk是第k個單高斯模型的權(quán)值，φ(e|θk)是第k個單高斯模型的概率密度函數(shù)，其滿足：

其中μk是第k個單高斯模型的均值，是第k個單高斯模型的協(xié)方差矩陣σk，θk是第k個單高斯模型參數(shù)集，即θk＝(μk,σk)，n為e的維數(shù)，這里e是一維變量，因此n＝1；

(2.2)采用em算法估計gmm的參數(shù)，具體步驟如下：

(2.2.1)對于αk，μk和σk賦初值，k＝1,2,…,k；

(2.2.2)計算后驗概率

其中是在第s次迭代中，第j個預(yù)測誤差ej屬于第k個單高斯模型的后驗概率；

(2.2.3)計算和第s+1次的迭代值：

其中和分別是αk，μk和σk第s+1次的迭代值。圖3展示了對象7分別采用ar和arx模型進(jìn)行預(yù)測所產(chǎn)生的預(yù)測誤差的分布函數(shù)圖像。

步驟3：根據(jù)步驟2的預(yù)測誤差分布估計，進(jìn)行在線血糖采樣點的高低血糖報警概率的計算，具體包括以下子步驟：

(3.1)計算預(yù)測誤差概率密度函數(shù)的中位數(shù)點：

其中p(e|θ)是步驟2中估計的預(yù)測誤差概率密度函數(shù)，θ是gmm中待估計的參數(shù)，即θ＝(μ,σ)，μ是gmm中各個單高斯模型的均值，σ是gmm中各個單高斯模型的協(xié)方差矩陣，c是概率密度函數(shù)的中位數(shù)點；

(3.2)根據(jù)95％的置信度確定預(yù)測誤差的置信區(qū)間：

其中σ是置信半徑，c-σ是置信下限，c+σ是置信上限；

(3.3)計算每個血糖預(yù)測值的異常血糖報警概率：

(3.3.1)如果血糖預(yù)測值加上預(yù)測誤差的置信下限高于高血糖報警閾值，或者血糖預(yù)測值加上預(yù)測誤差的置信上限低于低血糖報警閾值，則報警概率為1，即產(chǎn)生報警；

(3.3.2)如果高低血糖報警閾值在血糖預(yù)測值置信區(qū)間內(nèi)，則要計算該預(yù)測值的高低血糖報警概率，按照下式定義報警距離dlow和dhigh：

其中hlow是低血糖報警閾值，hhigh是高血糖報警閾值，這里低血糖報警閾值設(shè)置為70mg/dl，高血糖報警閾值設(shè)置為180mg/dl，dlow是預(yù)測值與低血糖報警閾值的距離，dhigh是預(yù)測值與高血糖報警閾值的距離；則高低血糖的概率按照如下公式計算：

其中是plow低血糖報警概率，phigh是高血糖報警概率；

步驟4：根據(jù)新的血糖采樣值得到的新的預(yù)測誤差更新gmm參數(shù)，具體包括以下子步驟：

(4.1)對于新獲得的預(yù)測誤差en+1，根據(jù)式(4)分別計算en+1對應(yīng)的每個單高斯模型的概率密度函數(shù)φ(en+1|θk)；

(4.2)找出其中概率密度函數(shù)最大的值所對應(yīng)的單高斯模型mk，判斷en+1是否在單高斯模型95％的置信區(qū)間內(nèi)，如果在該單高斯模型的95％的置信區(qū)間內(nèi)，則該單高斯模型mk是en+1的匹配單高斯模型，采用更新算法更新gmm的參數(shù)；如果連續(xù)有三個預(yù)測誤差不在概率密度函數(shù)最大的值對應(yīng)的單高斯模型的95％的置信區(qū)間內(nèi)，則認(rèn)為gmm的結(jié)構(gòu)發(fā)生改變，根據(jù)式(5)-(8)重新進(jìn)行g(shù)mm參數(shù)估計；

(4.3)gmm參數(shù)更新算法如下：

ρ＝λ*φ(en+1|θk)(17)

其中，p(mi|en+1)是標(biāo)志符，只有預(yù)測誤差en+1匹配的單高斯模型mk其標(biāo)志符p(mk|en+1)才為1，其他的單高斯模型的標(biāo)志符為0；是n+1時刻第i個單高斯模型的權(quán)值，只有匹配的單高斯模型mk的權(quán)值增加，其它單高斯模型的權(quán)值下降；和是n+1時刻匹配的單高斯模型mk的均值和協(xié)方差矩陣，其它單高斯模型的均值和協(xié)方差矩陣不進(jìn)行更新；φ(en+1|θk)是en+1對應(yīng)的每個單高斯模型的概率密度函數(shù)；λ是可調(diào)參數(shù)，λ∈(0,1)，這里選取λ＝0.002。

圖4和圖5分別展示了對象7采用ar模型和arx模型進(jìn)行預(yù)測的血糖預(yù)測值和血糖測量值，以及對應(yīng)的高斯血糖報警概率和傳統(tǒng)報警方法的對比。

步驟5：根據(jù)計算的報警概率與傳統(tǒng)的報警方法進(jìn)行對比，這里采用正確的報警，誤報的次數(shù)，漏報的次數(shù)以及報警的延遲四方面進(jìn)行對比。這里選取40％的報警概率作為報警閾值，大于40％的概率即產(chǎn)生報警。表1針對3組(青少年組、成人組和兒童組)共30個對象的血糖采樣數(shù)據(jù)對于傳統(tǒng)的報警方法和基于報警概率的方法進(jìn)行了對比，可以看出，基于概率報警的方法有更多的正確報警次數(shù)，較少的誤報和漏報次數(shù)，同時，報警延遲也要小于傳統(tǒng)的報警方法。

表1針對3組(青少年組、成人組和兒童組)共30個對象的血糖采樣數(shù)據(jù)對于傳統(tǒng)的報警方法和基于報警概率的方法進(jìn)行了對比(結(jié)果用均值±標(biāo)準(zhǔn)差表示)

*a/ba是正確報警或者漏報的個數(shù)；b是總共的高/低血糖事件。