一种包含异常血糖概率报警器的连续血糖监测设备

摘要

本发明公开了一种包含异常血糖概率报警器的连续血糖监测设备，该设备针对人体皮下血糖测量信号进行分析，根据连续血糖监测信号进行预测建模，对预测方法的预测误差分布情况进行拟合，根据预测误差的分布情况，对于每个血糖数据的采样点进行报警概率的计算。由于病人的血糖内在波动情况会随着外界环境变化，相应的预测误差的分布情况也会发生变化，从而需要在线的更新预测误差分布的解析函数。本发明中所采用的异常血糖报警概率方法能够根据最新的预测误差调整预测误差的整体分布情况，从而能够更准确的给出当前血糖采样的高低血糖报警概率。本发明设备能够准确的计算血糖采样值的高低血糖报警概率，提高高低血糖报警的准确性。

说明书

技术领域

本发明属于血糖预测报警和分析的研究领域，特别是涉及一种包含异常血糖概率报警器的连续血糖监测设备。

背景技术

为了实现良好的血糖控制，必须要对血糖水平进行测量，目前采用的是连续血糖监测(CGM)设备。随着连续血糖监测设备的快速发展，使得更高精度的控制变为了可能，实时的CGM系统对高低血糖的提前检测起到了重要的作用。然而，根据当前的CGM设备采集到的血糖值进行报警，再采取相应的治疗措施会延迟对于血糖的控制，一方面胰岛素在体内产生作用会有一定的时间，因此会延迟对于高血糖的控制；另一方面碳水化合物在体内也会过一段时间才产生作用，因此会延迟对于低血糖的控制。所以需要提前一段时间进行血糖预测，根据预测的血糖情况来选择合适的治疗策略。传统的预测报警方法是直接将预测的血糖值和高低血糖报警阈值进行比较，超过报警阈值就会产生报警。然而由于预测方法都有一定的预测误差，因此预测值和真实的血糖值会有一定的偏差，直接用预测的血糖值进行报警会产生漏报和误报，严重影响血糖的控制策略，影响到病人的血糖控制。

发明内容

本发明的目的在于针对现有预测报警方法的不足，提供一种包含异常血糖概率报警器的连续血糖监测设备。

本发明的目的是通过以下技术方案来实现的：一种包含异常血糖概率报警器的连续血糖监测设备，该设备包括：用于采集人体血糖信息，输出血糖可用信号的传感器；用于对传感器的输出信号进行放大处理的信号放大器；用于对信号放大器输出的模拟信号进行数字转换的单片机；用于对单片机输出的数字信号进行数据处理的滤波器；用于将滤波后的血糖值进行异常血糖报警概率计算的异常血糖概率报警器；用于进行数值和波形显示的显示器；用于数据存储的存储器；所述报警器进行异常血糖报警概率计算的过程包括以下步骤：

(1)血糖预测误差的获得：通过选定的预测模型的血糖预测值和连续血糖监测设备采集的血糖值y得到预测误差e：

其中y_i是第i个时刻连续血糖监测设备的采样值，是第i个时刻血糖预测值，e_i是第i个时刻血糖的预测误差，N是采样数，由此获得N个预测误差E＝{e₁,e₂,…,e_N}；

(2)通过基于高斯混合模型(GMM)的方法估计血糖预测误差的分布情况；

(3)根据步骤(2)的预测误差分布估计，进行在线血糖采样点的高低血糖报警概率的计算，具体包括以下子步骤：

(3.1)计算预测误差概率密度函数的中位数点：

其中P(e|θ)是步骤(2)中估计的预测误差概率密度函数，θ是GMM中待估计的参数，即θ＝(μ,Σ)，μ是GMM中各个单高斯模型的均值，Σ是GMM中各个单高斯模型的协方差矩阵，C是概率密度函数的中位数点；

(3.2)根据95％的置信度确定预测误差的置信区间：

其中σ是置信半径，c-σ是置信下限，c+σ是置信上限；

(3.3)计算每个血糖预测值的异常血糖报警概率：

(3.3.1)如果血糖预测值加上预测误差的置信下限高于高血糖报警阈值，或者血糖预测值加上预测误差的置信上限低于低血糖报警阈值，则报警概率为1，即产生报警；

(3.3.2)如果高低血糖报警阈值在血糖预测值置信区间内，则要计算该预测值的高低血糖报警概率，按照下式定义报警距离d_low和d_high：

其中H_low是低血糖报警阈值，H_high是高血糖报警阈值，d_low是预测值与低血糖报警阈值的距离，d_high是预测值与高血糖报警阈值的距离；则高低血糖的概率按照如下公式计算：

其中是P_low低血糖报警概率，P_high是高血糖报警概率；

(4)根据新的血糖采样值得到的新的预测误差更新GMM参数。

进一步地，所述步骤(2)具体包括以下子步骤：

(2.1)估计步骤(1)中获得的预测误差E＝{e₁,e₂,…,e_N}的分布，假定预测误差的概率密度函数由K个单高斯模型组成，GMM的概率密度函数为：

其中P(e|θ)是预测误差概率密度函数，α_k是第k个单高斯模型的权值，φ(e|θ_k)是第k个单高斯模型的概率密度函数，其满足：

其中μ_k是第k个单高斯模型的均值，是第k个单高斯模型的协方差矩阵Σ_k，θ_k是第k个单高斯模型参数集，即θ_k＝(μ_k,Σ_k)，n为e的维数，这里e是一维变量，因此n＝1；

(2.2)采用EM算法估计GMM的参数，具体步骤如下：

(2.2.1)对于α_k，μ_k和Σ_k赋初值，k＝1,2,…,K；

(2.2.2)计算后验概率

其中是在第s次迭代中，第j个预测误差e_j属于第k个单高斯模型的后验概率；

(2.2.3)计算和第s+1次的迭代值：

其中和分别是α_k，μ_k和Σ_k第s+1次的迭代值。

所述步骤(4)具体包括以下子步骤：

(4.1)对于新获得的预测误差e_N+1，根据式(7)分别计算e_N+1对应的每个单高斯模型的概率密度函数φ(e_N+1|θ_k)；

(4.2)找出其中概率密度函数最大的值所对应的单高斯模型M_k，判断e_N+1是否在单高斯模型95％的置信区间内，如果在该单高斯模型的95％的置信区间内，则该单高斯模型M_k是e_N+1的匹配单高斯模型，采用更新算法更新GMM的参数；如果连续有三个预测误差不在概率密度函数最大的值对应的单高斯模型的95％的置信区间内，则认为GMM的结构发生改变，根据式(8)-(11)重新进行GMM参数估计；

(4.3)GMM参数更新算法如下：

ρ＝λ*φ(e_N+1|θ_k)(16)

其中，p(M_i|e_N+1)是标志符，只有预测误差e_N+1匹配的单高斯模型Mk其标志符p(M_k|e_N+1)才为1，其他的单高斯模型的标志符为0；是N+1时刻第i个单高斯模型的权值，只有匹配的单高斯模型M_k的权值增加，其它单高斯模型的权值下降；和是N+1时刻匹配的单高斯模型M_k的均值和协方差矩阵，其它单高斯模型的均值和协方差矩阵不进行更新；φ(e_N+1|θ_k)是e_N+1对应的每个单高斯模型的概率密度函数；λ是可调参数。

与现有技术相比，本发明的有益效果是：本发明所提出的包含异常血糖概率报警器的连续血糖监测设备能够根据预测误差的分布估计出血糖预测值的高低血糖报警概率，而不是直接将预测的血糖值与高低血糖报警阈值进行比较而给出是否报警。因此，病人可以根据异常血糖报警概率来制定合适的治疗计划，以此避免异常血糖事件。本发明易于实施，为血糖处理和分析的研究指明了新的方向。

附图说明

图1是本发明连续血糖监测设备的结构框图；

图2是本发明连续血糖监测设备中异常血糖报警概率计算的实现流程图；

图3是对象7分别采用AR和ARX模型进行预测所产生的预测误差的分布函数图像，(a)AR预测模型(b)ARX预测模型；

图4是对象7采用AR模型进行预测的血糖预测值和血糖测量值，以及对应的高低血糖报警概率和传统报警方法的对比，(a)后三天的结果(b)低血糖报警概率局部放大图(c)高血糖报警概率局部放大图；

图5是对象7采用ARX模型进行预测的血糖预测值和血糖测量值，以及对应的高低血糖报警概率和传统报警方法的对比，(a)后三天的结果(b)低血糖报警概率局部放大图(c)高血糖报警概率局部放大图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明提供的一种包含异常血糖概率报警器的连续血糖监测设备，包括：用于采集人体血糖信息，输出血糖可用信号的传感器；用于对传感器的输出信号进行放大处理的信号放大器；用于对信号放大器输出的模拟信号进行数字转换的单片机；用于对单片机输出的数字信号进行数据处理的滤波器；用于将滤波后的血糖值进行异常血糖报警概率计算的异常血糖概率报警器；用于进行数值和波形显示的显示器；用于数据存储的存储器；所述报警器进行异常血糖报警概率计算的过程包括以下步骤：

步骤1：获得血糖预测误差

将以采样周期为5分钟所获得的连续血糖监测信号组合成一维时序数据y_1×l，其中，y表示检测到的血糖信号，l为样个数，去除其中的尖峰信号。本实例中，共有三组对象的采样信号，采样周期为5分钟，第1组为青少年组，第2组为成人组，第3组为儿童组，每组10人，三组共30人，每个对象的采样信号包括五天的数据。

这里采用AR模型和ARX模型进行预测，ARX的通用公式为：

其中y(k)是血糖值，u_ins(k-k_ins)和u_meal(k-k_meal)分别是胰岛素和饮食输入量，k_ins是胰岛素的输入延迟，k_meal是饮食的输入延迟，β是偏差值，ε(k)是随机扰动，A(q^-1),B_ins(q^-1)和B_meal(q^-1)分别代表血糖，胰岛素和饮食的系数。这里，对于AR模型，选取B_ins(q^-1)＝B_meal(q^-1)＝0，A(q^-1)阶数是7；对于ARX模型，选取A(q^-1)，B_ins(q^-1)和B_meal(q^-1)的阶数分别是7,4和4；

第一天的血糖数据用于AR和ARX建模，随后对于第二天的血糖数据进行预测，从而得到血糖的预测误差e：

其中y_i是第i个时刻连续血糖监测设备的采样值，是第i个时刻血糖预测值，e_i是第i个时刻血糖的预测误差，N是采样数，由此获得N个预测误差E＝{e₁,e₂,…,e_N}，这里选取了第二天的数据，因此N＝288。

步骤2：通过基于高斯混合模型(GMM)的方法估计血糖预测误差的分布情况，具体包括以下子步骤：

(2.1)估计步骤1中获得的预测误差E＝{e₁,e₂,…,e_N}的分布，假定预测误差的概率密度函数由K个单高斯模型组成，这里选取K＝4，GMM的概率密度函数为：

其中P(e|θ)是预测误差概率密度函数，α_k是第k个单高斯模型的权值，φ(e|θ_k)是第k个单高斯模型的概率密度函数，其满足：

其中μ_k是第k个单高斯模型的均值，是第k个单高斯模型的协方差矩阵Σ_k，θ_k是第k个单高斯模型参数集，即θ_k＝(μ_k,Σ_k)，n为e的维数，这里e是一维变量，因此n＝1；

(2.2)采用EM算法估计GMM的参数，具体步骤如下：

(2.2.1)对于α_k，μ_k和Σ_k赋初值，k＝1,2,…,K；

(2.2.2)计算后验概率

其中是在第s次迭代中，第j个预测误差e_j属于第k个单高斯模型的后验概率；

(2.2.3)计算和第s+1次的迭代值：

其中和分别是α_k，μ_k和Σ_k第s+1次的迭代值。图3展示了对象7分别采用AR和ARX模型进行预测所产生的预测误差的分布函数图像。

步骤3：根据步骤2的预测误差分布估计，进行在线血糖采样点的高低血糖报警概率的计算，具体包括以下子步骤：

(3.1)计算预测误差概率密度函数的中位数点：

其中P(e|θ)是步骤2中估计的预测误差概率密度函数，θ是GMM中待估计的参数，即θ＝(μ,Σ)，μ是GMM中各个单高斯模型的均值，Σ是GMM中各个单高斯模型的协方差矩阵，C是概率密度函数的中位数点；

(3.2)根据95％的置信度确定预测误差的置信区间：

其中σ是置信半径，c-σ是置信下限，c+σ是置信上限；

(3.3)计算每个血糖预测值的异常血糖报警概率：

(3.3.1)如果血糖预测值加上预测误差的置信下限高于高血糖报警阈值，或者血糖预测值加上预测误差的置信上限低于低血糖报警阈值，则报警概率为1，即产生报警；

(3.3.2)如果高低血糖报警阈值在血糖预测值置信区间内，则要计算该预测值的高低血糖报警概率，按照下式定义报警距离d_low和d_high：

其中H_low是低血糖报警阈值，H_high是高血糖报警阈值，这里低血糖报警阈值设置为70mg/dL，高血糖报警阈值设置为180mg/dL，d_low是预测值与低血糖报警阈值的距离，d_high是预测值与高血糖报警阈值的距离；则高低血糖的概率按照如下公式计算：

其中是P_low低血糖报警概率，P_high是高血糖报警概率；

步骤4：根据新的血糖采样值得到的新的预测误差更新GMM参数，具体包括以下子步骤：

(4.1)对于新获得的预测误差e_N+1，根据式(4)分别计算e_N+1对应的每个单高斯模型的概率密度函数φ(e_N+1|θ_k)；

(4.2)找出其中概率密度函数最大的值所对应的单高斯模型M_k，判断e_N+1是否在单高斯模型95％的置信区间内，如果在该单高斯模型的95％的置信区间内，则该单高斯模型M_k是e_N+1的匹配单高斯模型，采用更新算法更新GMM的参数；如果连续有三个预测误差不在概率密度函数最大的值对应的单高斯模型的95％的置信区间内，则认为GMM的结构发生改变，根据式(5)-(8)重新进行GMM参数估计；

(4.3)GMM参数更新算法如下：

ρ＝λ*φ(e_N+1|θ_k)>

其中，p(M_i|e_N+1)是标志符，只有预测误差e_N+1匹配的单高斯模型M_k其标志符p(M_k|e_N+1)才为1，其他的单高斯模型的标志符为0；是N+1时刻第i个单高斯模型的权值，只有匹配的单高斯模型M_k的权值增加，其它单高斯模型的权值下降；和是N+1时刻匹配的单高斯模型M_k的均值和协方差矩阵，其它单高斯模型的均值和协方差矩阵不进行更新；φ(e_N+1|θ_k)是e_N+1对应的每个单高斯模型的概率密度函数；λ是可调参数，λ∈(0,1)，这里选取λ＝0.002。

图4和图5分别展示了对象7采用AR模型和ARX模型进行预测的血糖预测值和血糖测量值，以及对应的高斯血糖报警概率和传统报警方法的对比。

步骤5：根据计算的报警概率与传统的报警方法进行对比，这里采用正确的报警，误报的次数，漏报的次数以及报警的延迟四方面进行对比。这里选取40％的报警概率作为报警阈值，大于40％的概率即产生报警。表1针对3组(青少年组、成人组和儿童组)共30个对象的血糖采样数据对于传统的报警方法和基于报警概率的方法进行了对比，可以看出，基于概率报警的方法有更多的正确报警次数，较少的误报和漏报次数，同时，报警延迟也要小于传统的报警方法。

表1针对3组(青少年组、成人组和儿童组)共30个对象的血糖采样数据对于传统的报警方法和基于报警概率的方法进行了对比(结果用均值±标准差表示)

*A/B A是正确报警或者漏报的个数；B是总共的高/低血糖事件。