Nothing Special   »   [go: up one dir, main page]

CN114021672B - 标签生成方法和装置、监控血糖水平的系统 - Google Patents

标签生成方法和装置、监控血糖水平的系统 Download PDF

Info

Publication number
CN114021672B
CN114021672B CN202210007243.2A CN202210007243A CN114021672B CN 114021672 B CN114021672 B CN 114021672B CN 202210007243 A CN202210007243 A CN 202210007243A CN 114021672 B CN114021672 B CN 114021672B
Authority
CN
China
Prior art keywords
tag
group
case
tag group
label
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210007243.2A
Other languages
English (en)
Other versions
CN114021672A (zh
Inventor
韩洋
蒋娟
雷大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Diascience Medical Co Ltd
Original Assignee
Diascience Medical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Diascience Medical Co Ltd filed Critical Diascience Medical Co Ltd
Priority to CN202210007243.2A priority Critical patent/CN114021672B/zh
Publication of CN114021672A publication Critical patent/CN114021672A/zh
Priority to PCT/CN2022/085452 priority patent/WO2023130599A1/zh
Application granted granted Critical
Publication of CN114021672B publication Critical patent/CN114021672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及生理信号处理领域，提供一种标签生成方法和装置、监控血糖水平的系统，其中所述方法包括：获取第一案例；使用至少一个模型进行数据比对，得到比对结果，比对结果包括相似度；选取相似度中的最大值，若最大值大于相似阈值，则将最大值对应的历史案例作为第二案例，将第二案例对应的历史标签组作为第一标签组并输出；获取第二标签组，第二标签组是基于第二时间段的葡萄糖水平数据确定的；逐一类别比较第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果；基于比较结果，确定出第三标签组；将第一案例及其对应的第三标签组更新至用户知识库。本发明使得用户享受到更丰富、更合理的标签，标签输出精准、效果更好。

Description

标签生成方法和装置、监控血糖水平的系统
技术领域
本发明涉及生理信号处理领域，尤其涉及一种标签生成方法和装置、监控血糖水平的系统。
背景技术
随着社会的发展和技术的进步，一些不健康的生活习惯，导致越来越多的人出现各种健康问题，特别是患有慢性病的人群。人体出现健康问题会有多方面的反应，其中葡萄糖浓度数据的异常是较为常见且可以进行测量的健康指标。
与传统需要频繁测量指尖血的血糖测量设备相比，基于生物传感器的技术发展的持续葡萄糖监测系统（按一定频率连续提供实时葡萄糖浓度数据）给人们提供了更好地了解其葡萄糖浓度数据变化水平的机会，这对于个人的健康管理而言都是非常有用的，进而有了更好地监测葡萄糖浓度的数据基础。尽管持续葡萄糖监测系统可提供用户的实时葡萄糖浓度数据，但这些葡萄糖浓度数据的变化是基于每个使用该系统的用户数据而发生变化。比如，在有饮食摄入后一定时间内会导致葡萄糖浓度的持续上升，或在饥饿的情况下会导致葡萄糖浓度的持续下降，或糖尿病患者在注射胰岛素后一定时间内将原本上升或具有上升趋势的葡萄糖浓度改变为下降或具有下降趋势。这些葡萄糖浓度的波动对于健康人群来讲可能无需担心，但是对于糖尿病患者而言，有时可能是致命的。基于此，现有技术中公开了一种基于智能预测的葡萄糖报警设备，其可以基于葡萄糖预测来生成与葡萄糖相关的警报。葡萄糖预测是基于多个输入数据源来计算，该输入数据源在一定程度上可以指示用户的当前和未来状态。该方法中，预测未来状态是通过基于各种输入在大数据基础上来计算对未来葡萄糖的预测来实现的。然后上述方案是基于目前用户数据信息（如各种输入、测量数据或碳水化合物估计值等）对用户未来状态进行预测。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：现有的一些预测方案未考虑到用户的个性化、以及实际的一些用户数据所带来的真实效果，提供的也仅仅是比较单一化的葡萄糖水平预测，预测精度远远达不到给予用户可靠性建议的目的，而导致用户体验感差。出于给血糖监测用户合理化建议的目的，亟需要能够针对糖尿病患者提供更丰富、更合理、精准、效果更好的标签服务。
发明内容
本发明提供一种标签生成方法和装置、监控血糖水平的系统，用以解决现有技术中存在的技术缺陷。
本发明提供一种标签生成方法，包括：
S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签；
S5、逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
根据本发明所述的标签生成方法，其中，所述方法还包括：
通过网络从关联所述用户的血糖测量设备处获取用户的葡萄糖水平数据；
所述葡萄糖水平数据包括第一时间段及第二时间段的葡萄糖水平数据；所述第一时间段的葡萄糖水平数据包括第一葡萄糖浓度数据和第一葡萄糖浓度变化率，所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率；
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的；所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的。
根据本发明所述的标签生成方法，其中，所述获取第一案例，包括：
获取当前时刻的用户数据；所述用户数据包括与葡萄糖浓度相关联的一个或多个事件、一个或多个用户特征数据。
根据本发明所述的标签生成方法，其中，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
根据本发明所述的标签生成方法，其中，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
根据本发明所述的标签生成方法，其中，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度，包括：
对所述第一案例进行规则化，得到至少两个比对特征值；
基于每个所述比对特征值与所述历史案例包含的历史特征值组中对应的历史特征值，得到至少两个绝对距离；
基于所述至少两个绝对距离和每个所述比对特征值对应的特征权值，得到相似度，所述特征权值是基于所对应的比对特征值与胰岛素的相关性大小确定的。
根据本发明所述的标签生成方法，其中，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例，包括：
基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分；
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。
根据本发明所述的标签生成方法，其中，所述选取相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之后，包括：
获取所述用户对所述第一案例的执行情况；
当所述执行情况为所述用户未执行所述第一案例时，则暂停执行所述S4至S5；
当所述执行情况为所述用户执行所述第一案例时，则继续执行所述S4至S5。
根据本发明所述的标签生成方法，其中，所述选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之前，包括：
若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，则暂停所述输出，并继续执行所述S4至S5。
根据本发明所述的标签生成方法，其中，所述获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的，包括：
基于第二预设规则，获取第二标签组；
所述第二预设规则包括：
对第二时间段的葡萄糖水平数据基于每种内容属性进行划分，得到第一属性组；
基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，所述关联关系为各个内容属性组与各个预存标签组之间的关联关系，所述第二标签组是从各个所述预存标签组中选取的。
根据本发明所述的标签生成方法，其中，所述所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，包括：
所述所有历史标签组和第二标签组构成的所述标签集中至少含有多个类别的标签组，所述多个类别包括报警类、变化率类、目标血糖时间占比类中的至少一种。
根据本发明所述的标签生成方法，其中，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签，包括以下情况中的至少一种：
所述报警类的标签组中至少存在内容属性为第一报警区间、第二报警区间的标签；
所述变化率类的标签组中至少存在内容属性为第一变化率区间、第二变化率区间的标签；
所述目标血糖时间占比类的标签组中至少存在内容属性为第一目标血糖时间占比区间、第二目标血糖时间占比区间的标签。
根据本发明所述的标签生成方法，其中，所述将所述第二案例对应的历史标签组作为第一标签组并输出之前，还包括：
判断所述第一案例中是否存在异常数据，若存在异常数据，则暂停所述输出、并暂停执行所述S4至S5。
根据本发明所述的标签生成方法，其中，所述获取第二标签组之前，包括：
判断所述第二时间段的葡萄糖水平数据中是否存在异常数据，若存在异常数据，则暂停执行所述S4至S5。
根据本发明所述的标签生成方法，其中，所述基于所述比较结果，确定出第三标签组，包括：
当所述比较结果为第一比较结果时，确定所述融合标签组为第三标签组；所述第一比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值；
当所述比较结果为第二比较结果时，确定所述第二标签组为第三标签组；所述第二比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值。
根据本发明所述的标签生成方法，其中，所述基于所述比较结果，确定出第三标签组，包括：
当所述比较结果中包括第一类别为第三比较结果时，确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述多个类别至少包括第一类别，所述第三比较结果为所述第一类别的同类别标签组的内容属性相同；
当所述比较结果中包括第一类别为第四比较结果时，确定所述第一标签组中的第一类别所对应标签组为第三标签组；所述第四比较结果为所述第一类别的同类别标签组的内容属性不同。
根据本发明所述的标签生成方法，其中，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的，包括：
所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：
对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加。
根据本发明所述的标签生成方法，其中，所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。
根据本发明所述的标签生成方法，其中，所述方法还包括：
利用至少一显示模块实现所述输出的可视化；
和/或，利用至少一采集模块获取用户数据。
本发明还提供了一种标签生成装置，包括：
第一案例获取模块，用于获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
比对模块，用于使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
第一标签组输出模块，用于选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
第二标签组获取模块，用于获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签；
更新模块，用于逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
本发明还提供了一种用于监控血糖水平的系统，包括：
传感器，其被配置成获取葡萄糖水平数据；
无线发射器，其用以发射所述葡萄糖水平数据；
以及
移动计算装置，其包括：
无线接收器，其被配置成接收所述葡萄糖水平数据；
存储器，其用以存储包含所述所接收葡萄糖水平数据的数据；
处理器，其用以处理所述数据，以及软件应用程序，其包含存储于所述存储器中的指令，所述指令当由所述处理器执行时获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签；
逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述标签生成方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述标签生成方法的步骤。
本发明的方法通过获取第一案例，并将第一案例与用户知识库中的历史案例进行比对，得到相似度，选取相似度最大值大于相似阈值的历史案例作为第二案例，将第二案例对应的历史标签组作为第一标签组输出；并基于用户在第二时间段的真实葡萄糖水平，确定出第二标签组，第一标签组和第二标签组共同用于更新用户知识库，第二标签组非常接近并能够反映用户真实葡萄糖水平；逐一类别将第一标签组、第二标签组中的同类别标签组的内容属性进行比较，将实际效果更好的标签组更新到用户知识库中；随着用户使用次数的增加，用户知识库中各个历史案例中的可供选择的精准标签组就越多，输出也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的葡萄糖水平数据，使得用户享受到更丰富、更合理的标签，标签输出精准、效果更好，提升了用户体验感，输出的标签组可以给予用户控制葡萄糖水平以更好、更可靠的建议。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明各个实施例所涉及的一种实施环境的结构示意图。
图2是本发明提供的标签生成方法的流程示意图。
图3是本发明提供的标签生成方法的使用效果示意图。
图4是本发明提供的标签生成装置的结构示意图。
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，其示出了本发明各个实施例所涉及的一种实施环境的结构示意图。该实施环境包括：终端100和/或服务器200。
终端100可以是具备数据处理能力的电子设备，如手机、平板电脑、电子书阅读器、MP3播放器（Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3）、MP4（Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4）播放器、膝上型便携计算机和台式计算机等等。
终端100中可以安装有应用程序客户端，或者安装有浏览器，通过浏览器访问应用程序的网页客户端。本发明实施例将应用程序客户端和网页客户端统称为客户端，下文不再特别声明。
服务器200可以是一台近端或远端服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。当终端100和服务器200同时处理本发明相关业务时，服务器200可用于与终端100交互提供本发明相关业务。服务器200是与客户端对应的服务器，两者可以结合实现客户端提供的各项功能，通常由互联网服务商来设立。
终端100与服务器200之间可以通过无线网络或者有线网络相连。
下面结合图2描述本发明的一种标签生成方法，该方法包括：
S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据。
第一时间段的葡萄糖水平数据包括但不限于带有时间戳的葡萄糖浓度（即血糖浓度、血糖测量值或血糖值）数据、与葡萄糖浓度相关联的数据，第一时间段的葡萄糖水平数据的获取方式包括但不限于葡萄糖浓度传感器、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的第一时间段的用户葡萄糖浓度数据。所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，例如，第一时间段可以是当前时刻往前的10分钟至2小时以内，第一时刻延续至当前时刻（包含当前时刻）的用户葡萄糖浓度数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段数据波形。
用户数据为当前时刻的数据，一般是由用户输入或其他方式输入的与葡萄糖浓度相关联的数据，例如，碳水摄入量、运动量等生活事件相关数据。碳水数据可以由自动识别食物图片中的热量的软件获得。
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组。
至少一个模型可以是用于计算相似度的公式，用于比对第一案例与用户知识库中的历史案例的相似度。用户知识库中包含自然数个历史案例，也就是用户知识库中可以没有历史案例。当没有历史案例时，比对结果中不包含相似度，此时比对结果为比对失败，在比对失败的情况下，可以暂停S3，不输出标签组，直接跳转至S4。每个历史标签组中可以包含多个标签，多个标签可以是不同类别的标签，也可以是同类别标签，类别可以是按照变化率类、目标血糖时间占比类等进行分类。每个标签组中至少包含一个标签。优选的，每个历史案例具有的对应历史标签组中每个类别具有一个标签。
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出。
相似度越高代表该第一标签组更符合用户当前血糖状况结合当前用户数据的情况。对相似度进行排序，选其中的最大值，再将最大值与相似阈值进行比较，若最大值不大于相似阈值，则说明未比对到比较相似的历史案例，该情况下不输出任何标签，并继续执行S4至S5；若最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例（也称旧案例），并输出第一标签组在显示界面上。
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签。
标签集涵盖所有的历史标签组和第二标签组，其可以是初始的一个较小的标签集合，随着本发明方法执行次数的增多而逐渐扩大并优化、个性化的一个标签集合。之所以提出标签集的概念，是为了说明，在标签集中同一个类别的标签组中存在具有至少两种内容属性的标签，也就是说，同一个类别的第一标签组和第二标签组中的标签可能内容属性相同，也可能不同，内容属性相同表示输出的第一标签组预测的较为精准，与第二标签组相符度高，内容属性不同表示输出的第一标签组预测的不够精准，与第二标签组相符度低、甚至相反。第二标签组的获取是为了S5中基于第一案例对用户知识库进行更新，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。具体的，第二标签组是基于第二时间段（当前时刻延续至第二时刻，可以包含当前时刻，也可以不含当前时刻）的葡萄糖水平数据确定的，因此，第二标签组是非常接近并能够反映用户在第二时间段的真实葡萄糖水平的。
S5、逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
除了第二时间段的葡萄糖水平数据出错的情况以外，每一次执行标签生成方法时，需要基于第二标签组将第一案例更新至用户知识库中。更新的第一案例所对应的第三标签组需要基于比较结果来确定，确定可以采用下面实施例中的各种方式，第三标签组来源于第二标签组、第一标签组与第二标签组相融合后的融合标签组。融合标签组是在特定情况下，充分利用第一标签组、第二标签组的结合对第三标签组进行优化，该特征情况下，融合特征组的效果优于独立的第一标签组、第二标签组。随着用户使用次数的增多，用户知识库中的标签生成方案也越来越精准、个性化，能够实现更佳的标签。优选的，每一次执行本发明的方法，用户知识库就更新一次，如果用户知识库中的数据超过一定的范围，可以定期删除掉过期的数据，保留一段时间内的新数据。
本发明的方法通过获取第一案例，并将第一案例与用户知识库中的历史案例进行比对，得到相似度，选取相似度最大值大于相似阈值的历史案例作为第二案例，将第二案例对应的历史标签组作为第一标签组输出；并基于用户在第二时间段的真实葡萄糖水平，确定出第二标签组，第一标签组和第二标签组共同用于更新用户知识库，第二标签组非常接近并能够反映用户真实葡萄糖水平；逐一类别将第一标签组、第二标签组中的同类别标签组的内容属性进行比较，将实际效果更好的标签组更新到用户知识库中；随着用户使用次数的增加，用户知识库中各个历史案例中的可供选择的精准标签组就越多，输出也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的葡萄糖水平数据，使得用户享受到更丰富、更合理的标签，标签输出精准、效果更好，提升了用户体验感，输出的标签组可以给予用户控制葡萄糖水平以更好、更可靠的建议。
进一步的，所述的标签生成方法，所述方法还包括：通过网络从关联所述用户的血糖测量设备处获取用户的葡萄糖水平数据。
网络为有线或无线网络，关联所述用户的血糖测量设备包括但不限于含血糖传感器的血糖仪、采血测量设备、其他可以采集葡萄糖浓度数据的生理数据采集设备。优选的，所述血糖测量设备是能够连续实时采集葡萄糖浓度数据的连续血糖监测设备。
所述葡萄糖水平数据包括第一时间段及第二时间段的葡萄糖水平数据；所述第一时间段的葡萄糖水平数据包括第一葡萄糖浓度数据和第一葡萄糖浓度变化率，所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率。
第一葡萄糖浓度数据包括：当前时刻的第一血糖测量值及其对应的第一时间戳、第一时刻至当前时刻之间的历史血糖采集数据，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。预设时间间隔为连续血糖监测设备产生血糖的间隔，如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期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。
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的；所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的。
可以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，确定所述葡萄糖浓度变化率；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。
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的，例如，第一葡萄糖浓度变化率的计算方式为：(第一血糖测量值-第二血糖测量值)/(第一时间戳-第二时间戳)，第二值的选择可在距离当前时刻的第三时间段内进行选择，第三时间段可以是1分钟至30分钟，优选的，可选择当前时刻之前的3分钟时的数据，若有数据缺失或异常，可选择其他距离当前时刻的第三时间段内的数据。
所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率；同理，所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的，正负值变化率能够体现葡萄糖浓度的升、降或平稳水平，正负值变化率可以先通过函数转化为0-100之间的数值再使用。第二时间段的第二葡萄糖浓度数据与第一时间段的第一葡萄糖浓度数据可以在当前时刻有重合，第二时间段的第二葡萄糖浓度数据也可以不包含当前时刻的数据。
本发明充分考虑了第一时间段的葡萄糖水平数据，进行标签组生成和输出；并基于第二时间段的葡萄糖水平数据和已生成的第一标签组、更新用户知识库，第二时间段的葡萄糖水平数据主要用于结合第一标签组、构成用于更新的第三标签组，用户知识库多次更新后，生成方案更适合用户。
进一步的，所述的标签生成方法，所述获取第一案例，包括：获取当前时刻的用户数据；所述用户数据包括与葡萄糖浓度相关联的一个或多个事件、一个或多个用户特征数据。
用户数据包括用户手动输入、利用手机应用程序（APP）获取的图片识别出的、或其他设备获取的与葡萄糖浓度相关联的数据，例如碳水摄入及其摄入量、运动量等。当前时刻的用户数据也带有时间戳。在生成标签组时，可以充分考虑到与葡萄糖浓度相关联的当前时刻的用户数据，确保了标签组的准确性。
进一步的，所述的标签生成方法，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
考虑到不同的事件，例如用药类型、用药剂量、碳水施予量均对葡萄糖浓度有较大影响，例如，速效胰岛素主要影响时间段为30分钟内，长效胰岛素主要影响时间段为2h内，因此需要考虑当前时刻的事件。
进一步的，所述的标签生成方法，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的，考虑以上因素，可以得到更加个性化的用户知识库，生成的标签组更符合用户的真实情况。例如，糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病，因为每个糖尿病类型的用户可能存在相似的葡萄糖浓度规律、以及不同的食物、药物敏感性等，每个糖尿病类型的用户对于葡萄糖浓度的变化具有一定的规律性，因此在生成标签组时考虑到糖尿病类型，可以得到具有按照用户所属糖尿病类型进行区分的个性化用户知识库，输出的结果更适用于患有该糖尿病类型的用户。
进一步的，所述的标签生成方法，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度，包括：对所述第一案例进行规则化，得到至少两个比对特征值。
规则化包括对于非数值类的关键特征数据使用预设的归一化规则转化为数字，如I型糖尿病取值为“0”，Ⅱ型糖尿病取值为“1”，如男性糖尿病患者取值为“0”，女性糖尿病患者取值为“1”，利用诸如此类的预设的归一化规则对部分不具有量化值的第一案例中的数据进行规则化处理。葡萄糖浓度数据（即为葡萄糖浓度值）、血糖变化率、碳水摄入量、运动量这些已经具有量化值的数据则在该步骤中不必进行规则化处理。至少两个比对特征值包括由第一时间段的葡萄糖水平数据和当前时刻的用户数据中的至少两个数据得到的。
基于每个所述比对特征值与所述历史案例包含的历史特征值组中对应的历史特征值，得到至少两个绝对距离；
至少两个比对特征值可以形成用户的一个新案例，也就是第一案例，基于新案例在用户知识库中进行案例的匹配。每个历史案例包含的历史特征值组中包含多个历史案例特征值，匹配过程中，将新案例中的每一个特征值历史特征值组中与其相对应的历史案例特征值进行对比，相对应是指同一个类别下的数据，例如葡萄糖浓度数据为同一类，碳水摄入数据为同一类，对每一个类别下的特征值进行一一比对；可以得到至少两个绝对距离。
基于所述至少两个绝对距离和每个所述比对特征值对应的特征权值，得到相似度，所述特征权值是基于所对应的比对特征值与葡萄糖水平的相关性大小确定的。
其中，每种比对特征值采用绝对距离的计算方式：
Figure 884006DEST_PATH_IMAGE001
其中，F表示特征值，Fnew表示新案例的某一类数据的一个特征值，Fold表示历史案例对应于Fnew的一个特征值；d'表示归一化之前的该特征值的差异度；
然后，利用预设的规则对不在0-1范围内的每一个比对特征值的差异度进行归一化，转化为0-1的数值，如葡萄糖浓度值的差异度归一化处理可表示为：
Figure 886597DEST_PATH_IMAGE002
dGlu表示归一化之后的血糖浓度值的差异度，d'Glu表示归一化之前的血糖浓度值的差异度，FNewGlu表示新案例的血糖浓度值。
其他值的差异度也可采用同葡萄糖浓度值的差异度归一化处理方式逐一进行归一化处理；
新案例与历史案例的差异得分为：
Figure 957453DEST_PATH_IMAGE003
其中，d1、d2、…、dn表示第1至第n个特征值的差异得分，a1、a2、…、an分别表示第1至第n个特征值的因子，比对特征值对葡萄糖水平影响越大，对应的因子越大。且满足：
Figure 121718DEST_PATH_IMAGE004
新案例与历史案例的相似度为： S=1-D。S越大表示两个案例的相似度越大。
当所述相似度大于相似阈值，判断为比对成功；当所述相似度不大于相似阈值，判断为比对失败。相似阈值是预先设置的，可以是用户自定义或用户输入。相似阈值设置的越高，则比对成功的概率越小，结果越精准，为了兼顾比对成功概率和比对精准度，综合效果来设置相似阈值。例如，相似阈值可以设置为0.9,也就是当相似度大于90%时，判断为比对成功。
进一步的，所述的标签生成方法，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例，包括：基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分。
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。
比对时，为了加快响应速度和响应精准度，也可以基于部分比对特征值进行预先筛选。具体的，基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分；使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。至少一个比对特征值可以是一个或两个及以上均可。例如用药类型，筛选出与用户用药类型一致的历史案例，再进一步将新案例与这些用药类型一致的历史案例进行比对；即，先排除用药类型不一致的历史案例。例如，用药年限，可以筛选出与用户用药年限一致的历史案例，再进一步将新案例与这些用药年限一致的历史案例进行比对；即，先排除用药年限不一致的历史案例。例如，也可以结合多个比对特征值进行预先筛选，可以仅筛选出与用户用药年限、用药类型均一致的历史案例，再进一步将新案例与这些用药年限、用药类型均一致的历史案例进行比对；即，先排除用药年限或用药类型不一致的历史案例。当然，也可以不进行预先筛选，直接基于比对特征值逐一比较，得到相似度后再将相似度和相似阈值进行比较。
进一步的，所述的标签生成方法，所述选取相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之后，包括：获取所述用户对所述第一案例的执行情况。
当所述执行情况为所述用户未执行所述第一案例时，则暂停执行所述S4至S5。
当所述执行情况为所述用户执行所述第一案例时，则继续执行所述S4至S5。
用户对所述第一案例的执行情况可以基于用户在第一标签组输出之后的操作，或是第二时间段的葡萄糖水平数据进行评估的。当用户不执行第一案例时，第二标签组是无法和第一案例相互关联的，因此无需获取第二标签组，也无需将第一案例更新至用户知识库，此时暂停执行所述S4至S5。当用户执行第一案例时，可以将第一案例更新至用户知识库，此时继续执行所述S4至S5。确保了进入用户知识库的案例都是实际发生过的，该案例其对应的标签组也是能够反映在案例发生后的真实情况的。
进一步的，所述的标签生成方法，所述选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之前，包括：若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，则暂停所述输出，并继续执行所述S4至S5。
若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，说明比对失败，也就是用户知识库中不存在与当前时刻的第一案例较相似的案例，此时暂停输出，并利用第二标签组继续执行所述S4至S5、更新用户知识库。避免输出相似度不够的标签组，确保输出的标签组都是能够精准反映用户真实情况的。
进一步的，所述的标签生成方法，所述获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的，包括：基于第二预设规则，获取第二标签组；所述第二预设规则包括：对第二时间段的葡萄糖水平数据基于每种内容属性进行划分，得到第一属性组；基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，所述关联关系为各个内容属性组与各个预存标签组之间的关联关系，所述第二标签组是从各个所述预存标签组中选取的。其中，各个内容属性组与各个预存标签组之间的关联关系如下表1所示。
表1 内容属性组与预存标签组之间的关联表
Figure 894502DEST_PATH_IMAGE005
如表1所示，预存标签组包括标签组1、标签组2、…、标签组M。基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，例如，若第一属性组为第一报警区间、第一变化率区间、第一目标血糖时间占比区间时，选择第一属性组对应的标签组1作为第二标签组，若第一属性组为第二报警区间、第二变化率区间、第二目标血糖时间占比区间时，选择第一属性组对应的标签组2作为第二标签组。其中，目标血糖时间占比区间是基于期望血糖水平和第二时间段的葡萄糖水平数据确定的，期望血糖水平可以是系统定义或用户自定义的。目标血糖时间占比可以先通过函数转化为0-100之间的数值划分为第一目标血糖时间占比区间、第二目标血糖时间占比区间至第M目标血糖时间占比区间。例如，第一目标血糖时间占比区间为0-20，第二目标血糖时间占比区间为20-40，第M目标血糖时间占比区间为80-100等等。第一变化率区间为0-20、第二变化率区间为20-40，第M变化率区间为80-100等等。第一报警区间为低血糖报警、第二报警区间为不报警、第M报警区间为高血糖报警等等。
进一步的，所述的标签生成方法，所述所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，包括：所述所有历史标签组和第二标签组构成的所述标签集中至少含有多个类别的标签组，所述多个类别包括报警类、变化率类、目标血糖时间占比类中的至少一种。
例如，报警类标签组可以包括45分钟后出现高血糖报警、20分钟后出现高血糖报警、即将出现超低血糖报警等标签；变化率类标签组可以包括血糖快速上升、血糖变化平稳、血糖平稳下降等标签；目标血糖时间占比类标签组可以包括目标血糖时间占比高于稳定值、目标血糖时间占比低于稳定值等标签。
进一步的，所述的标签生成方法，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签，包括以下情况中的至少一种：所述报警类的标签组中至少存在内容属性为第一报警区间、第二报警区间的标签；所述变化率类的标签组中至少存在内容属性为第一变化率区间、第二变化率区间的标签；所述目标血糖时间占比类的标签组中至少存在内容属性为第一目标血糖时间占比区间、第二目标血糖时间占比区间的标签。
基于两种内容属性的不同，对每一个类别还可以进行区分，例如，上述45分钟后出现高血糖报警、20分钟后出现高血糖报警为第M报警区间，即将出现超低血糖报警为第一报警区间；血糖快速上升为第M变化率区间；血糖平稳下降为第一变化率区间；目标血糖时间占比高于占比阈值为第M目标血糖时间占比区间；目标血糖时间占比低于占比阈值为第一目标血糖时间占比区间。
进一步的，所述的标签生成方法，所述将所述第二案例对应的历史标签组作为第一标签组并输出之前，还包括：
判断所述第一案例中是否存在异常数据，若存在异常数据，则暂停所述输出、并暂停执行所述S4至S5。
第一案例中存在异常数据是指葡萄糖水平数据中存在异常或用户数据中存在异常，葡萄糖水平数据和用户数据异常的判断一般是根据大数据、以往的用户的数据历史和经验进行判断。葡萄糖水平数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因。用户数据异常可能是由于用户输入的值超出一定的正常适用范围。在将所述第二案例对应的历史标签组作为第一标签组并输出之前，若存在异常数据，则该标签不适用于输出，此时需要暂停所述输出，避免将有误差的标签输出给用户而导致的安全隐患问题。且暂停将存在错误数据的第一案例更新至用户知识库，避免将有错误的第一案例应用于下一次的标签生成方法中。
进一步的，所述的标签生成方法，所述获取第二标签组之前，包括：判断所述第二时间段的葡萄糖水平数据中是否存在异常数据，若存在异常数据，则暂停执行所述S4至S5。
葡萄糖水平数据异常的判断和原因与第一案例均相同，此处不再一一赘述。若第二时间段的葡萄糖水平数据中存在异常数据，暂停将存在错误数据的第二标签组更新至用户知识库，避免将有错误的第二标签组应用于下一次的标签生成方法中。
进一步的，所述的标签生成方法，所述基于所述比较结果，确定出第三标签组，包括：当所述比较结果为第一比较结果时，确定所述融合标签组为第三标签组；所述第一比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值；当所述比较结果为第二比较结果时，确定所述第二标签组为第三标签组；所述第二比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值。
上述比例阈值可以是80%-90%，当同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值时，此时第一标签组和第二标签组中相同内容属性的占多，可以确定所述融合标签组为第三标签组；当同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值时，此时第一标签组和第二标签组中相同内容属性的较少，可以确定所述第二标签组为第三标签组，采用更接近真实水平的第二标签组来更新。上述按组更新的方式，可以节省系统资源，提高更新效率和响应速度。
进一步的，所述的标签生成方法，所述基于所述比较结果，确定出第三标签组，包括：当所述比较结果中包括第一类别为第三比较结果时，确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述多个类别至少包括第一类别，所述第三比较结果为所述第一类别的同类别标签组的内容属性相同；当所述比较结果中包括第一类别为第四比较结果时，确定所述第一标签组中的第一类别所对应标签组为第三标签组；所述第四比较结果为所述第一类别的内容属性不同。
第一标签组、第二标签组均是基于类别进行分类，在比较时，是按照每一个类别进行逐一类别比较的。若其中的第一类别的同类别标签组的内容属性相同，则确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述第一类别的内容属性不同，则确定所述融合标签组中的第一类别所对应标签组为第三标签组，也就是，逐一类别比较、且基于每一个类别的比较结果逐一类别更新。逐一类别的更新方式能够将每一次的新案例及其标签组更加精准的更新到用户知识库中，以提高下一次生成标签的精度和用户满意度。
进一步的，所述的标签生成方法，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的，包括：所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加。
第一类别的同类别标签组的内容属性相同的情况下，两个标签组的子属性可能相同或相似，也可能不同。基于子属性的不同，对每一种内容属性还可以进行区分，子属性可以是具体的数值，也可以是同一个内容属性再进行细分后的子区间，同一个内容属性可能具有多个子属性。子属性的定义是为了说明如何得到融合标签组。例如，上述第一报警区间中的45分钟后出现高血糖报警的第一子属性为45分钟，20分钟后出现高血糖报警的第二子属性为20分钟，第一权重为0.5，第二权重为0.5，此时计算出的融合子属性为32.5分钟，融合标签为32.5分钟后出现高血糖报警。当第一类别的内容属性不同，则确定所述融合标签组中的第一类别所对应标签组（包含标签：32.5分钟后出现高血糖报警）为第三标签组。优选的是，第一权重与第二权重之和为1；第一权重、第二权重的设置也可以基于其它方式定义或自定义。
进一步的，所述的标签生成方法，所述方法还包括：
利用至少一显示模块实现所述输出的可视化；
优选的，显示模块可以配置为显示第一标签组、用户数据输入框等。
和/或，利用至少一采集模块获取用户数据。
优选的，采集模块可以配置为获取用户数据的输入模块，尤其是第一时间段的用户数据，例如一个或多个事件、一个或多个用户特征数据。
为了进一步说明本发明的标签生成方法，结合不同的当前场景，提供以下具体实施例。
用户当前在血糖平稳阶段且血糖值为5mmol/L的情况下记录饮食300g碳水。本发明的系统从用户知识库中进行查找，查找到一个相似度最高的案例A，且相似度最大值为92%，确认大于相似阈值90%。案例A表示该使用者曾经发生的饮食案例，且血糖变化率，血糖值和饮食的量与本次案例的相似度最高。案例A的标签为“30分钟后出现高血糖报警”和“血糖出现快速上升”。此时将以上两个标签作为第一标签通过用户界面输出给患者。
当患者收到标签后患者可以选择执行此次饮食或由于标签重新调整饮食并重新记录其饮食概况。如图3所示，图3中，横坐标表示时间，纵坐标表示血糖值，其中血糖值由图示两条平行的虚线分为高血糖区间、目标血糖区间、低血糖区间，t1表示饮食的记录事件，此时出现2个标签。标签是基于过往的相似案例发生后的葡萄糖水平（虚线曲线表示的历史案例）得出的。当本次饮食确认发生后，监测t1到t2的葡萄糖水平变化，即图3中的实线曲线部分表示的本次案例，从而得到第二标签组。
根据患者的记录，利用饮食后3小时的葡萄糖水平的变化生成新的第二组标签，如“50分钟后出现高血糖报警”和“血糖缓慢上升”。将第一标签与第二标签进行比较，报警类别中，属于相同标签且子属性不同；变化率类别中，属于相反标签。因此本次案例与历史案例共同融合后存储在用户知识库中的第三标签应为“约40分钟左右出现高血糖报警”和“血糖缓慢上升”。
参见图4，下面对本发明提供的标签生成装置进行描述，下文描述的标签生成装置与上文描述的标签生成方法可相互对应参照，所述标签生成装置包括：第一案例获取模块10，用于获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据。
第一时间段的葡萄糖水平数据包括但不限于带有时间戳的葡萄糖浓度数据、与葡萄糖浓度相关联的数据，第一时间段的葡萄糖水平数据的获取方式包括但不限于葡萄糖浓度传感器、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的第一时间段的用户葡萄糖浓度数据。所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前。例如，第一时间段可以是当前时刻往前的10分钟至2小时以内，第一时刻延续至当前时刻（包含当前时刻）的用户葡萄糖浓度数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段数据波形。
用户数据为当前时刻的数据，一般是由用户输入或其他方式输入的与葡萄糖浓度相关联的数据，例如，碳水摄入量、运动量等生活事件相关数据。碳水数据可以由自动识别食物图片中的热量的软件获得。
比对模块20，用于使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组。
至少一个模型可以是用于计算相似度的公式，用于比对第一案例与用户知识库中的历史案例的相似度。用户知识库中包含自然数个历史案例，也就是用户知识库中可以没有历史案例。当没有历史案例时，比对结果中不包含相似度，此时比对结果为比对失败，在比对失败的情况下，可以暂停使用第一标签组输出模块30，不输出标签组，直接跳转至第二标签组获取模块40。每个历史标签组中可以包含多个标签，多个标签可以是不同类别的标签，也可以是同类别标签，类别可以是按照变化率类、目标血糖时间占比类等进行分类。每个标签组中至少包含一个标签。优选的，每个历史案例具有的对应历史标签组中每个类别具有一个标签。
第一标签组输出模块30，用于选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
相似度越高代表该第一标签组更符合用户当前血糖状况结合当前用户数据的情况。对相似度进行排序，选其中的最大值，再将最大值与相似阈值进行比较，若最大值不大于相似阈值，则说明未比对到比较相似的历史案例，该情况下不输出任何标签，并继续跳转至第二标签组获取模块40和更新模块50；若最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例（也称旧案例），并输出第一标签组在显示界面上。
第二标签组获取模块40，用于获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签。
标签集涵盖所有的历史标签组和第二标签组，其可以是初始的一个较小的标签集合，随着本发明方法执行次数的增多而逐渐扩大并优化、个性化的一个标签集合。之所以提出标签集的概念，是为了说明，在标签集中同一个类别的标签组中存在具有至少两种内容属性的标签，也就是说，同一个类别的第一标签组和第二标签组中的标签可能内容属性相同，也可能不同，内容属性相同表示输出的第一标签组预测的较为精准，与第二标签组相符度高，内容属性不同表示输出的第一标签组预测的不够精准，与第二标签组相符度低、甚至相反。第二标签组的获取是为了更新模块50中基于第一案例对用户知识库进行更新，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。具体的，第二标签组是基于第二时间段（当前时刻延续至第二时刻，可以包含当前时刻，也可以不含当前时刻）的葡萄糖水平数据确定的，因此，第二标签组是非常接近并能够反映用户在第二时间段的真实葡萄糖水平的。
更新模块50，用于逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；将所述第一案例及其对应的第三标签组更新至所述用户知识库。
除了第二时间段的葡萄糖水平数据出错的情况以外，每一次执行标签生成方法时，需要基于第二标签组将第一案例更新至用户知识库中。更新的第一案例所对应的第三标签组需要基于比较结果来确定，确定可以采用下面实施例中的各种方式，第三标签组来源于第二标签组、第一标签组与第二标签组相融合后的融合标签组。融合标签组是在特定情况下，充分利用第一标签组、第二标签组的结合对第三标签组进行优化，该特征情况下，融合特征组的效果优于独立的第一标签组、第二标签组。随着用户使用次数的增多，用户知识库中的标签生成方案也越来越精准、个性化，能够实现更佳的标签组。
本发明的装置通过获取第一案例，并将第一案例与用户知识库中的历史案例进行比对，得到相似度，选取相似度最大值大于相似阈值的历史案例作为第二案例，将第二案例对应的历史标签组作为第一标签组输出；并基于用户在第二时间段的真实葡萄糖水平，确定出第二标签组，第一标签组和第二标签组共同用于更新用户知识库，第二标签组非常接近并能够反映用户真实葡萄糖水平；逐一类别将第一标签组、第二标签组中的同类别标签组的内容属性进行比较，将实际效果更好的标签组更新到用户知识库中；随着用户使用次数的增加，用户知识库中各个历史案例中的可供选择的精准标签组就越多，输出也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的葡萄糖水平数据，使得用户享受到更丰富、更合理的标签，标签输出精准、效果更好，提升了用户体验感，输出的标签组可以给予用户控制葡萄糖水平以更好、更可靠的建议。
进一步的，所述的标签生成装置，所述第一案例获取模块10用于：通过网络从关联所述用户的血糖测量设备处获取用户的葡萄糖水平数据。
网络为有线或无线网络，关联所述用户的血糖测量设备包括但不限于含血糖传感器的血糖仪、采血测量设备、其他可以采集葡萄糖浓度数据的生理数据采集设备。优选的，所述血糖测量设备是能够连续实时采集葡萄糖浓度数据的连续血糖监测设备。
所述葡萄糖水平数据包括第一时间段及第二时间段的葡萄糖水平数据；所述第一时间段的葡萄糖水平数据包括第一葡萄糖浓度数据和第一葡萄糖浓度变化率，所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率。
第一葡萄糖浓度数据包括：当前时刻的第一血糖测量值及其对应的第一时间戳、第一时刻至当前时刻之间的历史血糖采集数据，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。预设时间间隔为连续血糖监测设备产生血糖的间隔，如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期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。
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的；所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的。
可以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，确定所述葡萄糖浓度变化率；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。
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的，例如，第一葡萄糖浓度变化率的计算方式为：（第一血糖测量值-第二血糖测量值）/( 第一时间戳-第二时间戳)，第二值的选择可在距离当前时刻的第三时间段内进行选择，第三时间段可以是1分钟至30分钟，优选的，可选择当前时刻之前的3分钟时的数据，若有数据缺失或异常，可选择其他距离当前时刻的第三时间段内的数据。
所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率；同理，所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的，正负值变化率能够体现葡萄糖浓度的升、降或平稳水平，正负值变化率可以先通过函数转化为0-100之间的数值再使用。第二时间段的第二葡萄糖浓度数据与第一时间段的第一葡萄糖浓度数据可以在当前时刻有重合，第二时间段的第二葡萄糖浓度数据也可以不包含当前时刻的数据。
本发明充分考虑了第一时间段的葡萄糖水平数据，进行标签组生成和输出；并基于第二时间段的葡萄糖水平数据和已生成的第一标签组、更新用户知识库，第二时间段的葡萄糖水平数据主要用于结合第一标签组、构成用于更新的第三标签组，用户知识库多次更新后，生成方案更适合用户。
进一步的，所述的标签生成装置，所述第一案例获取模块10用于：获取当前时刻的用户数据；所述用户数据包括与葡萄糖浓度相关联的一个或多个事件、一个或多个用户特征数据。
用户数据包括用户手动输入、利用手机应用程序（APP）获取的图片识别出的、或其他设备获取的与葡萄糖浓度相关联的数据，例如碳水摄入及其摄入量、运动量等。当前时刻的用户数据也带有时间戳。在生成标签组时，可以充分考虑到与葡萄糖浓度相关联的当前时刻的用户数据，确保了标签组的准确性。
进一步的，所述的标签生成装置，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
考虑到不同的事件，例如用药类型、用药剂量、碳水施予量均对葡萄糖浓度有较大影响，例如，速效胰岛素主要影响时间段为30分钟内，长效胰岛素主要影响时间段为2h内，因此需要考虑当前时刻的事件。
进一步的，所述的标签生成装置，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的，考虑以上因素，可以得到更加个性化的用户知识库，生成的标签组更符合用户的真实情况。例如，糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病，因为每个糖尿病类型的用户可能存在相似的葡萄糖浓度规律、以及不同的食物、药物敏感性等，每个糖尿病类型的用户对于葡萄糖浓度的变化具有一定的规律性，因此在生成标签组时考虑到糖尿病类型，可以得到具有按照用户所属糖尿病类型进行区分的个性化用户知识库，输出的结果更适用于患有该糖尿病类型的用户。
进一步的，所述的标签生成装置，所述比对模块20用于：对所述第一案例进行规则化，得到至少两个比对特征值。
规则化包括对于非数值类的关键特征数据使用预设的归一化规则转化为数字，如I型糖尿病取值为“0”，Ⅱ型糖尿病取值为“1”，如男性糖尿病患者取值为“0”，女性糖尿病患者取值为“1”，利用诸如此类的预设的归一化规则对部分不具有量化值的第一案例中的数据进行规则化处理。葡萄糖浓度数据（即为葡萄糖浓度值）、血糖变化率、碳水摄入量、运动量这些已经具有量化值的数据则在该步骤中不必进行规则化处理。至少两个比对特征值包括由第一时间段的葡萄糖水平数据和当前时刻的用户数据中的至少两个数据得到的。
基于每个所述比对特征值与所述历史案例包含的历史特征值组中对应的历史特征值，得到至少两个绝对距离。
至少两个比对特征值可以形成用户的一个新案例，也就是第一案例，基于新案例在用户知识库中进行案例的匹配。每个历史案例包含的历史特征值组中包含多个历史案例特征值，匹配过程中，将新案例中的每一个特征值历史特征值组中与其相对应的历史案例特征值进行对比，相对应是指同一个类别下的数据，例如葡萄糖浓度数据为同一类，碳水摄入数据为同一类，对每一个类别下的特征值进行一一比对；可以得到至少两个绝对距离。
基于所述至少两个绝对距离和每个所述比对特征值对应的特征权值，得到相似度，所述特征权值是基于所对应的比对特征值与葡萄糖水平的相关性大小确定的。
当所述相似度大于相似阈值，判断为比对成功；当所述相似度不大于相似阈值，判断为比对失败。相似阈值是预先设置的，可以是用户自定义或用户输入。相似阈值设置的越高，则比对成功的概率越小，结果越精准，为了兼顾比对成功概率和比对精准度，综合效果来设置相似阈值。例如，相似阈值可以设置为0.9,也就是当相似度大于90%时，判断为比对成功。
进一步的，所述的标签生成装置，所述比对模块20用于：基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分。
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。
比对时，为了加快响应速度和响应精准度，也可以基于部分比对特征值进行预先筛选。具体的，基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分；使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。至少一个比对特征值可以是一个或两个及以上均可。例如用药类型，筛选出与用户用药类型一致的历史案例，再进一步将新案例与这些用药类型一致的历史案例进行比对；即，先排除用药类型不一致的历史案例。例如，用药年限，可以筛选出与用户用药年限一致的历史案例，再进一步将新案例与这些用药年限一致的历史案例进行比对；即，先排除用药年限不一致的历史案例。例如，也可以结合多个比对特征值进行预先筛选，可以仅筛选出与用户用药年限、用药类型均一致的历史案例，再进一步将新案例与这些用药年限、用药类型均一致的历史案例进行比对；即，先排除用药年限或用药类型不一致的历史案例。当然，也可以不进行预先筛选，直接基于比对特征值逐一比较，得到相似度后再将相似度和相似阈值进行比较。
进一步的，所述的标签生成装置，所述装置还包括第一执行模块，所述第一执行模块用于：获取所述用户对所述第一案例的执行情况。
当所述执行情况为所述用户未执行所述第一案例时，则暂停使用第二标签组获取模块40和更新模块50。
当所述执行情况为所述用户执行所述第一案例时，则继续跳转至第二标签组获取模块40和更新模块50。
用户对所述第一案例的执行情况可以基于用户在第一标签组输出之后的操作，或是第二时间段的葡萄糖水平数据进行评估的。当用户不执行第一案例时，第二标签组是无法和第一案例相互关联的，因此无需获取第二标签组，也无需将第一案例更新至用户知识库，此时暂停使用第二标签组获取模块40和更新模块50。当用户执行第一案例时，可以将第一案例更新至用户知识库，此时继续跳转至第二标签组获取模块40和更新模块50。确保了进入用户知识库的案例都是实际发生过的，该案例其对应的标签组也是能够反映在案例发生后的真实情况的。
进一步的，所述的标签生成装置，所述装置还包括第二执行模块，所述第二执行模块用于：若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，则暂停所述输出，并继续跳转至第二标签组获取模块40和更新模块50。
若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，说明比对失败，也就是用户知识库中不存在与当前时刻的第一案例较相似的案例，此时暂停输出，并利用第二标签组继续跳转至第二标签组获取模块40和更新模块50、更新用户知识库。避免输出相似度不够的标签组，确保输出的标签组都是能够精准反映用户真实情况的。
进一步的，所述的标签生成装置，所述第二标签组获取模块40用于：基于第二预设规则，获取第二标签组；所述第二预设规则包括：对第二时间段的葡萄糖水平数据基于每种内容属性进行划分，得到第一属性组；基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，所述关联关系为各个内容属性组与各个预存标签组之间的关联关系，所述第二标签组是从各个所述预存标签组中选取的。
基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，例如，若第一属性组为第一报警区间、第一变化率区间、第一目标血糖时间占比区间时，选择第一属性组对应的标签组1作为第二标签组，若第一属性组为第二报警区间、第二变化率区间、第二目标血糖时间占比区间时，选择第一属性组对应的标签组2作为第二标签组。其中，目标血糖时间占比区间是基于期望血糖水平和第二时间段的葡萄糖水平数据确定的，期望血糖水平可以是系统定义或用户自定义的。目标血糖时间占比可以先通过函数转化为0-100之间的数值划分为第一目标血糖时间占比区间、第二目标血糖时间占比区间至第M目标血糖时间占比区间。例如，第一目标血糖时间占比区间为0-20，第二目标血糖时间占比区间为20-40，第M目标血糖时间占比区间为80-100等等。第一变化率区间为0-20、第二变化率区间为20-40，第M变化率区间为80-100等等。第一报警区间为低血糖报警、第二报警区间为不报警、第M报警区间为高血糖报警等等。
进一步的，所述的标签生成装置，所述所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，包括：所述所有历史标签组和第二标签组构成的所述标签集中至少含有多个类别的标签组，所述多个类别包括报警类、变化率类、目标血糖时间占比类中的至少一种。
基于两种内容属性的不同，对每一个类别还可以进行区分，例如，上述45分钟后出现高血糖报警、20分钟后出现高血糖报警为第M报警区间，即将出现超低血糖报警为第一报警区间；血糖快速上升为第M变化率区间；血糖平稳下降为第一变化率区间；目标血糖时间占比高于占比阈值为第M目标血糖时间占比区间；目标血糖时间占比低于占比阈值为第一目标血糖时间占比区间。
进一步的，所述的标签生成装置，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签，包括以下情况中的至少一种：所述报警类的标签组中至少存在内容属性为第一报警区间、第二报警区间的标签；所述变化率类的标签组中至少存在内容属性为第一变化率区间、第二变化率区间的标签；所述目标血糖时间占比类的标签组中至少存在内容属性为第一目标血糖时间占比区间、第二目标血糖时间占比区间的标签。
基于两种内容属性的不同，对每一个类别还可以进行区分，例如，上述45分钟后出现高血糖报警、20分钟后出现高血糖报警为第一报警区间，即将出现超低血糖报警为第二报警区间；血糖快速上升为第一变化率区间；血糖平稳下降为第二变化率区间；目标血糖时间占比高于稳定值为第一目标血糖时间占比区间；目标血糖时间占比低于稳定值为第二目标血糖时间占比区间。
进一步的，所述的标签生成装置，所述装置还包括第三执行模块，所述第三执行模块用于：
判断所述第一案例中是否存在异常数据，若存在异常数据，则暂停所述输出、并暂停使用第二标签组获取模块40和更新模块50。
第一案例中存在异常数据是指葡萄糖水平数据中存在异常或用户数据中存在异常，葡萄糖水平数据和用户数据异常的判断一般是根据大数据、以往的用户的数据历史和经验进行判断。葡萄糖水平数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因。用户数据异常可能是由于用户输入的值超出一定的正常适用范围。在将所述第二案例对应的历史标签组作为第一标签组并输出之前，若存在异常数据，则该标签不适用于输出，此时需要暂停所述输出，避免将有误差的标签输出给用户而导致的安全隐患问题。且暂停将存在错误数据的第一案例更新至用户知识库，避免将有错误的第一案例应用于下一次的标签生成方法中。
进一步的，所述的标签生成装置，所述装置还包括第四执行模块，所述第四执行模块用于：判断所述第二时间段的葡萄糖水平数据中是否存在异常数据，若存在异常数据，则暂停使用第二标签组获取模块40和更新模块50。
葡萄糖水平数据异常的判断和原因与第一案例均相同，此处不再一一赘述。若第二时间段的葡萄糖水平数据中存在异常数据，暂停将存在错误数据的第二标签组更新至用户知识库，避免将有错误的第二标签组应用于下一次的标签生成方法中。
进一步的，所述的标签生成装置，所述更新模块50用于：当所述比较结果为第一比较结果时，确定所述融合标签组为第三标签组；所述第一比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值；当所述比较结果为第二比较结果时，确定所述第二标签组为第三标签组；所述第二比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值。
上述比例阈值可以是80%-90%，当同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值时，此时第一标签组和第二标签组中相同内容属性的占多，可以确定所述融合标签组为第三标签组；当同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值时，此时第一标签组和第二标签组中相同内容属性的较少，可以确定所述第二标签组为第三标签组，采用更接近真实水平的第二标签组来更新。上述按组更新的方式，可以节省系统资源，提高更新效率和响应速度。
进一步的，所述的标签生成装置，所述更新模块50用于：当所述比较结果中包括第一类别为第三比较结果时，确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述多个类别至少包括第一类别，所述第三比较结果为所述第一类别的同类别标签组的内容属性相同；当所述比较结果中包括第一类别为第四比较结果时，确定所述第一标签组中的第一类别所对应标签组为第三标签组；所述第四比较结果为所述第一类别的内容属性不同。
第一标签组、第二标签组均是基于类别进行分类，在比较时，是按照每一个类别进行逐一类别比较的。若其中的第一类别的同类别标签组的内容属性相同，则确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述第一类别的内容属性不同，则确定所述融合标签组中的第一类别所对应标签组为第三标签组，也就是，逐一类别比较、且基于每一个类别的比较结果逐一类别更新。逐一类别的更新方式能够将每一次的新案例及其标签组更加精准的更新到用户知识库中，以提高下一次生成标签的精度和用户满意度。
进一步的，所述的标签生成装置，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的，包括：所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加。
第一类别的同类别标签组的内容属性相同的情况下，两个标签组的子属性可能相同或相似，也可能不同。基于子属性的不同，对每一种内容属性还可以进行区分，子属性可以是具体的数值，也可以是同一个内容属性再进行细分后的子区间，同一个内容属性可能具有多个子属性。子属性的定义是为了说明如何得到融合标签组。例如，上述第一报警区间中的45分钟后出现高血糖报警的第一子属性为45分钟， 20分钟后出现高血糖报警的第二子属性为20分钟，第一权重为0.5，第二权重为0.5，此时计算出的融合子属性为32.5分钟，融合标签为32.5分钟后出现高血糖报警。当第一类别的内容属性不同，则确定所述融合标签组中的第一类别所对应标签组（包含标签：32.5分钟后出现高血糖报警）为第三标签组。优选的是，第一权重与第二权重之和为1；第一权重、第二权重的设置也可以基于其它方式定义或自定义。
进一步的，所述的标签生成装置，所述方法还包括：
至少一显示模块，用于实现所述输出的可视化；
优选的，显示模块可以配置为显示第一标签组、用户数据输入框等。
和/或，至少一采集模块，用于获取用户数据。
优选的，采集模块可以配置为获取用户数据的输入模块，尤其是第一时间段的用户数据，例如一个或多个事件、一个或多个用户特征数据。
图5示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器（processor）510、通信接口（Communications Interface）520、存储器（memory）530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行标签生成方法，该方法包括：S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据。
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组。
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出。
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签。
S5、逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同。
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的。
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的标签生成方法，该方法包括：S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据。
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组。
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出。
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签。
S5、逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同。
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的。
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法所提供的标签生成方法，该方法包括：S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据。
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组。
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出。
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中同一个类别的标签组中存在具有至少两种内容属性的标签。
S5、逐一类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同。
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的。
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (22)

1.一种标签生成方法，其特征在于，包括：
S1、获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
S2、使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
S3、选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
S4、获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中每一个类别的标签组中存在具有至少两种内容属性的标签；
S5、逐一对每一个类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：
对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
2.根据权利要求1所述的标签生成方法，其特征在于，所述方法还包括：
通过网络从关联所述用户的血糖测量设备处获取用户的葡萄糖水平数据；
所述葡萄糖水平数据包括第一时间段及第二时间段的葡萄糖水平数据；所述第一时间段的葡萄糖水平数据包括第一葡萄糖浓度数据和第一葡萄糖浓度变化率，所述第二时间段的葡萄糖水平数据包括第二葡萄糖浓度数据和第二葡萄糖浓度变化率；
所述第一葡萄糖浓度变化率是基于所述第一葡萄糖浓度数据以正负值变化率的方式得到的；所述第二葡萄糖浓度变化率是基于所述第二葡萄糖浓度数据以正负值变化率的方式得到的。
3.根据权利要求1所述的标签生成方法，其特征在于，所述获取第一案例，包括：
获取当前时刻的用户数据；所述用户数据包括与葡萄糖浓度相关联的一个或多个事件、一个或多个用户特征数据。
4.根据权利要求3所述的标签生成方法，其特征在于，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
5.根据权利要求4所述的标签生成方法，其特征在于，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
6.根据权利要求1所述的标签生成方法，其特征在于，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度，包括：
对所述第一案例进行规则化，得到至少两个比对特征值；
基于每个所述比对特征值与所述历史案例包含的历史特征值组中对应的历史特征值，得到至少两个绝对距离；
基于所述至少两个绝对距离和每个所述比对特征值对应的特征权值，得到相似度，所述特征权值是基于所对应的比对特征值与葡萄糖水平的相关性大小确定的。
7.根据权利要求6所述的标签生成方法，其特征在于，所述使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例，包括：
基于至少一个比对特征值，在所述用户知识库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个比对特征值相同的部分；
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为所述预选库中的历史案例。
8.根据权利要求1所述的标签生成方法，其特征在于，所述选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之后，包括：
获取所述用户对所述第一案例的执行情况；
当所述执行情况为所述用户未执行所述第一案例时，则暂停执行所述S4至S5；
当所述执行情况为所述用户执行所述第一案例时，则继续执行所述S4至S5。
9.根据权利要求1所述的标签生成方法，其特征在于，所述选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出之前，包括：
若所述最大值不大于相似阈值或所述比对结果为用户知识库为空，则暂停所述输出，并继续执行所述S4至S5。
10.根据权利要求1所述的标签生成方法，其特征在于，所述获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的，包括：
基于第二预设规则，获取第二标签组；
所述第二预设规则包括：
对第二时间段的葡萄糖水平数据基于每种内容属性进行划分，得到第一属性组；
基于所述第一属性组和预先确定的关联关系，得到所述第二标签组，所述关联关系为各个内容属性组与各个预存标签组之间的关联关系，所述第二标签组是从各个所述预存标签组中选取的。
11.根据权利要求1所述的标签生成方法，其特征在于，所述所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，包括：
所述所有历史标签组和第二标签组构成的所述标签集中至少含有多个类别的标签组，所述多个类别包括报警类、变化率类、目标血糖时间占比类中的至少一种。
12.根据权利要求11所述的标签生成方法，其特征在于，所述标签集中每一个类别的标签组中存在具有至少两种内容属性的标签，包括以下情况中的至少一种：
所述报警类的标签组中至少存在内容属性为第一报警区间、第二报警区间的标签；
所述变化率类的标签组中至少存在内容属性为第一变化率区间、第二变化率区间的标签；
所述目标血糖时间占比类的标签组中至少存在内容属性为第一目标血糖时间占比区间、第二目标血糖时间占比区间的标签。
13.根据权利要求1所述的标签生成方法，其特征在于，所述将所述第二案例对应的历史标签组作为第一标签组并输出之前，还包括：
判断所述第一案例中是否存在异常数据，若存在异常数据，则暂停所述输出、并暂停执行所述S4至S5。
14.根据权利要求1所述的标签生成方法，其特征在于，所述获取第二标签组之前，包括：
判断所述第二时间段的葡萄糖水平数据中是否存在异常数据，若存在异常数据，则暂停执行所述S4至S5。
15.根据权利要求1所述的标签生成方法，其特征在于，所述基于所述比较结果，确定出第三标签组，包括：
当所述比较结果为第一比较结果时，确定所述融合标签组为第三标签组；所述第一比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例大于比例阈值；
当所述比较结果为第二比较结果时，确定所述第二标签组为第三标签组；所述第二比较结果为：同类别标签组的内容属性相同的数目占所有类别数目的比例不大于比例阈值。
16.根据权利要求1所述的标签生成方法，其特征在于，所述基于所述比较结果，确定出第三标签组，包括：
当所述比较结果中包括第一类别为第三比较结果时，确定所述融合标签组中的第一类别所对应标签组为第三标签组；所述多个类别至少包括第一类别，所述第三比较结果为所述第一类别的同类别标签组的内容属性相同；
当所述比较结果中包括第一类别为第四比较结果时，确定所述第一标签组中的第一类别所对应标签组为第三标签组；所述第四比较结果为所述第一类别的同类别标签组的内容属性不同。
17.根据权利要求1所述的标签生成方法，其特征在于，所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。
18.根据权利要求1所述的标签生成方法，其特征在于，所述方法还包括：
利用至少一显示模块实现所述输出的可视化；
和/或，利用至少一采集模块获取用户数据。
19.一种标签生成装置，其特征在于，包括：
第一案例获取模块，用于获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
比对模块，用于使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
第一标签组输出模块，用于选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
第二标签组获取模块，用于获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中每一个类别的标签组中存在具有至少两种内容属性的标签；
更新模块，用于逐一对每一个类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：
对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
20.一种用于监控血糖水平的系统，其特征在于，包括：
传感器，其被配置成获取葡萄糖水平数据；
无线发射器，其用以发射所述葡萄糖水平数据；
以及
移动计算装置，其包括：
无线接收器，其被配置成接收所述葡萄糖水平数据；
存储器，其用以存储包含所述葡萄糖水平数据的数据；
处理器，其用以处理所述数据，以及软件应用程序，其包含存储于所述存储器中的指令，所述指令当由所述处理器执行时获取第一案例，所述第一案例包括第一时间段的葡萄糖水平数据和当前时刻的用户数据；
使用至少一个模型进行数据比对，得到比对结果，所述比对结果包括相似度；所述数据比对的一方数据为所述第一案例、另一方数据为用户知识库中的历史案例；所述用户知识库中包含自然数个历史案例，每个历史案例具有对应的历史标签组；
选取所述相似度中的最大值，若所述最大值大于相似阈值，则将所述最大值对应的历史案例作为第二案例，将所述第二案例对应的历史标签组作为第一标签组并输出；
获取第二标签组，所述第二标签组是基于第二时间段的葡萄糖水平数据确定的；其中，所有历史标签组和第二标签组构成的标签集中含有多个类别的标签组，所述标签集中每一个类别的标签组中存在具有至少两种内容属性的标签；
逐一对每一个类别比较所述第一标签组和第二标签组中的同类别标签组的内容属性，得到比较结果，所述比较结果包括每一个类别的同类别标签组的内容属性是否相同；
基于所述比较结果，确定出第三标签组；所述第三标签组是在所述第二标签组或融合标签组中选取的，所述融合标签组是将所述第一标签组与第二标签组中的同类别标签组基于第一预设规则进行融合后得到的；所述融合标签组是将同类别标签组的第一子属性与第二子属性基于第一预设规则进行融合；其中，第一标签组具有第一子属性，第二标签组具有第二子属性；所述第一预设规则为：
对所述第一子属性赋予第一权重、对所述第二子属性赋予第二权重后相加；
将所述第一案例及其对应的第三标签组更新至所述用户知识库。
21.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至18任一项所述的标签生成方法的步骤。
22.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至18任一项所述的标签生成方法的步骤。
CN202210007243.2A 2022-01-06 2022-01-06 标签生成方法和装置、监控血糖水平的系统 Active CN114021672B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210007243.2A CN114021672B (zh) 2022-01-06 2022-01-06 标签生成方法和装置、监控血糖水平的系统
PCT/CN2022/085452 WO2023130599A1 (zh) 2022-01-06 2022-04-07 标签生成方法和装置、监控血糖水平的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007243.2A CN114021672B (zh) 2022-01-06 2022-01-06 标签生成方法和装置、监控血糖水平的系统

Publications (2)

Publication Number Publication Date
CN114021672A CN114021672A (zh) 2022-02-08
CN114021672B true CN114021672B (zh) 2022-04-22

Family

ID=80069599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007243.2A Active CN114021672B (zh) 2022-01-06 2022-01-06 标签生成方法和装置、监控血糖水平的系统

Country Status (2)

Country Link
CN (1) CN114021672B (zh)
WO (1) WO2023130599A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021672B (zh) * 2022-01-06 2022-04-22 苏州百孝医疗科技有限公司 标签生成方法和装置、监控血糖水平的系统
CN117494045B (zh) * 2023-11-06 2024-04-26 南京海汇装备科技有限公司 一种基于数据融合的数据集成智能管控系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018108854A1 (en) * 2016-12-13 2018-06-21 Sanofi Data management unit for supporting health control
CN110085318A (zh) * 2019-03-12 2019-08-02 平安科技（深圳）有限公司 预测未来血糖值的方法、装置及计算机设备
US20210265034A1 (en) * 2020-02-18 2021-08-26 Shaklee Corporation Systems and methods for refining a dietary treatment regimen using ranked based scoring
CN111883228B (zh) * 2020-07-28 2023-07-07 平安科技（深圳）有限公司 基于知识图谱的健康信息推荐方法、装置、设备及介质
CN113743991A (zh) * 2021-09-03 2021-12-03 上海幻电信息科技有限公司 生命周期价值预测方法及装置
CN114021672B (zh) * 2022-01-06 2022-04-22 苏州百孝医疗科技有限公司 标签生成方法和装置、监控血糖水平的系统

Also Published As

Publication number Publication date
WO2023130599A1 (zh) 2023-07-13
CN114021672A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
US20240324965A1 (en) Systems for biomonitoring and blood glucose forecasting, and associated methods
US11538587B2 (en) Dynamic data-driven biological state analysis
US20200077931A1 (en) Forecasting blood glucose concentration
Karve et al. An empirical basis for standardizing adherence measures derived from administrative claims data among diabetic patients
US20210241916A1 (en) Forecasting and explaining user health metrics
Facchinetti et al. Modeling transient disconnections and compression artifacts of continuous glucose sensors
WO2023130598A1 (zh) 胰岛素推荐方法和装置、监控血糖水平的系统
CN114021672B (zh) 标签生成方法和装置、监控血糖水平的系统
US20220405619A1 (en) Intelligent updating and data processing for deployed machine learning models
Kang et al. Utilizing home healthcare electronic health records for telehomecare patients with heart failure: a decision tree approach to detect associations with rehospitalizations
US12059268B1 (en) Managing meal excursions in blood glucose data
KR20150034416A (ko) 질병 관리 애플리케이션 제공 방법 및 이를 구현한 장치
Ding et al. Diabetic complication prediction using a similarity-enhanced latent Dirichlet allocation model
CN112948397A (zh) 一种数据处理系统、方法、装置及存储介质
KR20170143298A (ko) 그룹 기반의 당뇨 정보 공유 지원 장치 및 방법
Li et al. A Novel CGM Metric‐Gradient and Combining Mean Sensor Glucose Enable to Improve the Prediction of Nocturnal Hypoglycemic Events in Patients with Diabetes
US20060294220A1 (en) Diagnostics and resolution mining architecture
CN111627523A (zh) 一种临床营养诊疗模拟系统及模拟方法
CN106934043A (zh) 媒体文件推荐方法、装置和系统
US20150234997A1 (en) Task optimization in remote health monitoring systems
CN114424934B (zh) 呼吸暂停事件筛查模型训练方法、装置和计算机设备
US12009100B2 (en) Predictive monitoring of the glucose-insulin endocrine metabolic regulatory system
US20220039758A1 (en) Predictive monitoring of the glucose-insulin endocrine metabolic regulatory system
US20220361780A1 (en) Glucose prediction systems and associated methods
US10679750B2 (en) System, method, and storage medium to generate predictive medical feedback

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant