CN111599470B - 一种用于提高近红外无创血糖检测精度的方法 - Google Patents
一种用于提高近红外无创血糖检测精度的方法 Download PDFInfo
- Publication number
- CN111599470B CN111599470B CN202010324645.6A CN202010324645A CN111599470B CN 111599470 B CN111599470 B CN 111599470B CN 202010324645 A CN202010324645 A CN 202010324645A CN 111599470 B CN111599470 B CN 111599470B
- Authority
- CN
- China
- Prior art keywords
- user
- blood sugar
- detection
- value
- blood glucose
- 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
Links
- 239000008280 blood Substances 0.000 title claims abstract description 95
- 210000004369 blood Anatomy 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 48
- 239000008103 glucose Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000000523 sample Substances 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 8
- 235000012054 meals Nutrition 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 13
- 239000003814 drug Substances 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 6
- 230000000291 postprandial effect Effects 0.000 claims description 6
- 206010013786 Dry skin Diseases 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000031636 Body Temperature Changes Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种用于提高近红外无创血糖检测精度的方法，该方法首先建立检测部位的近红外反射强度、温度、对探头的压力、个体化差异以及使用者活动状态相对于真实血糖值之间的通用数理模型；然后通过长时间获取使用者不同状态的与血糖变化密切相关的活动信息、检测部位的温度和其对探头的压力信息，以及使用者此时的真实血糖信息，建立针对该用户个人的专用数据样本集；结合样本集，利用机器学习算法训练得到针对该用户在不同状态无创检测值的变化规律，建立血糖预测模型，从而到达提高近红外血糖检测精度的目的。
Description
技术领域
本发明适用于具有温度与压力检测功能的近红外无创血糖检测装置，属于人体无创血糖检测领域，具体涉及一种提高近红外无创血糖检测精度的方法。
背景技术
目前的无创血糖检测技术中，近红外光电检测技术被认为是最有前途发展的技术之一，近红外光电检测技术是通过检测葡萄糖对近红外光的吸收强度来确定其浓度，一般采用光学探头接触检测部位，对近红外光漫反射或透射信号进行采集。但是由于检测条件差异，近红外人体血糖检测时，检测部位的温度及其对探头的压力常常不一致，并且对于不同个体，其皮肤颜色、厚度、粗糙程度等都会有差异，从而导致检测部位的光学参数及器件光电响应发生变化。这些变化，会使仪器检测的信号叠加了非血糖浓度变化带来的干扰，每次检测的稳定性与精度难以保证。如何降低上述因素的影响，是近红外无创血糖检测技术研究热点，也是技术及仪器实用化的关键。
公开文献已有关于抑制近红外无创血糖检测过程中干扰的方法，如申请公布号CN101799412 A公布了一种无创测量人体血糖的近红外光谱透射方法及装置，该专利通过透光光强差值来计算人体介质衰减系数，从而推断人体血糖值，并且对人体温度进行测量，校正体温变化的影响，然而该方法仅考虑温度的影响效应，实际应用时仪器的精度还是难以保证；申请公布号CN 108261202A公开了一种基于可见-近红外光谱测量血糖的系统及其使用方法，该公开通过一种压力可调节的加持模块，实现检测部位对探头压力的调节，并通过温度测量模块测试部位的温度，只有当测试部位的温度符合设定温度时，光谱发射模块才可以发射可见-红外光束进行血糖检测，该方法通过控制检测部位的对探头的压力值与测试部位温度的方式对干扰效应进行抑制，虽然可以达到一定的抑制精度，但是由于压力与温度对检测结果的影响敏感度较高，在检测过程中，装置只能将温度或压力值调整至某一范围，很难保证检测部位的温度与对探头的压力恒定不变，因此精度难以满足实用要求；专利CN 104490403B提供了一种基于光谱技术的无创血糖测量系统及其测量方法，该专利也是通过压力调节模块调节测试部位受到的压力；申请公开号CN 107343791A提供了一种无创血糖检测装置，该装置利用了两个采集器，第一采集器采集手指红外透射信号，通过第二采集器采集检测部位的温度与外界的温度，利用采集的温度校正无创血糖检测过程中的误差，但是该方法采用分离的方式采集温度，不能保证检测两个采集器中的待测部位温度一致，另外该方法也并未对加持装置对检测部位的压力以及个体化差异的影响进行校正；申请公布号CN 108937955A公开了一种基于人工智能的个性化自适应可穿戴血糖校正方法及其校正装置，该公开通过有创方式采集的准确的血糖值，对无创式血糖检测方法进行训练学习，归纳识别出专门针对该患者的血糖校正方法，用于无创式地监测该患者的血糖值，该方法虽然可以实现个性化的血糖校正，但是其仅考虑了个性化差异带来的干扰，未考虑其他因素导致的无创式检测方法导致的不准性。
上述的这些技术对近红外无损血糖检测技术的进一步研究与应用具有很好的参考价值，但是，其主要是对其中的单一影响因素进行了抑制，并多采用控制压力或者温度在某一设定值的方式来抑制影响。这些方式很难保证压力或温度在检测过程中恒定不变，因此精度难以提升至实用需求。
发明内容
本发明针对现有技术需重点解决的技术问题是：由于检测部位的温度、对探头的压力以及用户个体化差异导致的现有近红外无创血糖检测精度较低、稳定度差的问题。
据此，本发明提出一种适用于具有温度与压力检测功能的近红外无创血糖检测装置，提高该类型装置血糖检测精度的方法，该方法首先建立检测部位的近红外反射强度、温度、对探头的压力、个体化差异以及使用者活动状态相对于真实血糖值之间的通用数理模型；通过长时间获取使用者在用餐前后、运动前后、运动时长、服用血糖治疗药物前后检测部位的近红外反射强度信息、检测部位的温度和其对探头的压力信息以及使用者此时的真实血糖信息，建立针对该用户个人的数据样本集；结合样本集，利用机器学习算法训练得到，针对该用户在用餐前后、运动前后、服用血糖治疗药物前后以及检测部位在不同的温度与压力状态下的血糖预测模型，从而到达提高近红外血糖检测精度的目的。
本发明提出了一种提高近红外无创血糖检测精度的方法，如图1与图2所示，所述的方法具体包含以下步骤：
步骤1、建立针对使用者检测部位的近红外反射强度、温度、对探头的压力、皮肤厚度、肤色、皮肤粗糙程度以及是否用餐、餐后时长、是否运动、运动时长、是否服用治疗血糖药物的多源信息相对于真实血糖数值之间关系的通用数理模型，用于后续的训练与处理；建立多源信息与血糖值的线性数理模型如下：
Glut＝ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值，x0为近红外反射强度，x1为检测部位温度，x2为检测部位对探头的压力，系数a、b、c为针对使用者的系数；
步骤2、采集使用者的活动信息，包括是否用餐，餐后时长，是否运动以及运动后时间，是否服用治疗血糖药物，同时采集检测部位的温度、对探头的压力数值，以及检测部位的近红外漫反射信号，另外采集此时使用者的真实血糖数值；
步骤3、对步骤2所述的多源信息与真实血糖值进行5-10天连续采集，采集时间在使用者早中晚用餐前与用餐后、运动前后等以及服用降糖药物前后，每次数据采集间隔为20-30分钟，每类情形的数据不少于20次，总共不少于10组数据，将不同情形的数据建立标签，完成使用者个体的样本集的建立；
步骤4、将步骤3所述的使用者数据样本集中的使用者活动状态、检测部位的温度、检测部位对探头的压力值以及近红外漫反射信号强度信息以及血糖浓度作为输入值，采用偏最小二乘算法，训练得到步骤1所述的数理模型中的针对使用者的系数a、b、c，得到使用者在不同血糖变化状态时，真实血糖值与多源信息数据之间的关系以及规律，完成血糖预测模型建立；
步骤5、利用步骤4所述的血糖预测模型，使用者进行无创检测时，通过采集检测部位的近红外反射强度，温度以及对探头压力等信息，并输入当前使用者的活动状态，即可预测得到此时的无创血糖数值，同时还可以根据使用者当前的活动状态，得到此时使用者血糖变化的阈值，当无创检测值超过阈值时，可以提供对使用者进行报警，提醒使用者及时服用药物或就医。
本发明的有益效果是：为了抑制近红外无创血糖检测过程中，检测部位的温度、对探头的压力以及个体化差异对检测结果的影响，本发明通过对温度、压力等对干扰因素进行测量，以及获取使用者的活动状态信息以及真实血糖数据，通过机器学习算法，训练得到针对使用者个体的血糖预测模型，抑制各干扰对近红外血糖检测的影响，提高近红外无创血糖检测的检测精度。
附图说明
图1是一种提高近红外无创血糖检测精度的方法流程框图。
图2是血糖预测模型建模流程图。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，下面结合附图及优选实施例，对本发明的具体实施方式、特征进行详细的说明。
本实施例适用于一种具有温度与压力检测功能的近红外无创血糖检测装置，包括一种提高近红外无创血糖检测精度的方法，如说明书附图1与说明书附图2所示，包含以下步骤：
步骤1、建立针对使用者检测部位的近红外反射强度、温度、对探头的压力、皮肤厚度、肤色、皮肤粗糙程度以及是否用餐、餐后时长、是否运动、运动时长、是否服用治疗血糖药物的多源信息相对于真实血糖数值之间关系的通用数理模型，用于后续的训练与处理；其中所述的检测部位可为手指或耳垂部位，所述的近红外光波段采用葡萄糖吸收强烈的波段，本实施例采用1610nm近红外波段光束；优选的本实施例建立多源信息与真实血糖值的线性数理模型，数理模型如下：
Glut＝ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值，x0为近红外反射强度，x1为检测部位温度，x2为检测部位对探头的压力，系数a、b、c为针对使用者的系数；
步骤2、采集使用者的活动信息，包括是否用餐，餐后时长，是否运动以及运动后时间，是否服用治疗血糖药物，同时采集检测部位的温度、对探头的压力数值，以及检测部位的近红外漫反射信号，另外采集此时使用者的血糖数值；
步骤3、对步骤2所述的多源信息与真实血糖值进行5-10天连续采集，采集时间在使用者早中晚用餐前与用餐后、运动前后等以及服用降糖药物前后，每次数据采集间隔为20-30分钟，每类情形的数据不少于20次，总共不少于10组数据，将不同情形的数据建立标签，完成使用者个体的样本集的建立；
步骤4、将步骤3所述的使用者数据样本集中的使用者活动状态、检测部位的温度、检测部位对探头的压力值以及近红外漫反射信号强度信息以及血糖浓度作为输入值，利用机器学习算法，对使用者真实血糖值与采集的多源信息之间的关系进行训练，得到使用者在不同血糖变化状态时，真实血糖值与多源信息数据之间的关系以及规律，得到针对使用者个体的血糖预测模型，本实施例建立的数理模型为线性模型，所述的机器学习算法采用偏最小二乘算法，训练得到步骤1所述的数理模型中的针对使用者的系数a、b、c，完成血糖预测模型建立；
步骤5、利用步骤4所述的血糖预测模型，使用者进行无创检测时，通过采集检测部位的近红外反射强度，温度以及对探头压力等信息，并输入当前使用者的活动状态，即可预测得到此时的无创血糖数值，同时还可以根据使用者当前的活动状态，得到此时使用者血糖变化的阈值，当无创检测值超过阈值时，可以提供对使用者进行报警，提醒使用者及时服用药物或就医。
另外本实施例所述的方法还可通过持续积累丰富使用者在使用过程中的测量值及相应的活动信息，不断训练优化血糖预测模型，不断地提高检测的精度与稳定性。
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。
Claims (1)
1.一种用于提高近红外无创血糖检测精度的方法，其特征在于包括以下步骤：
步骤1、建立针对使用者检测部位的近红外反射强度、温度、对探头的压力、皮肤厚度、肤色、皮肤粗糙程度以及是否用餐、餐后时长、是否运动、运动时长、是否服用治疗血糖药物的多源信息相对于真实血糖数值之间关系的通用数理模型，用于后续的训练与处理；建立多源信息与真实血糖值的线性数理模型如下：
Glut＝ax0+bx1+cx2
其中所述的Glut为该使用者不同活动状态t时的血糖值，x0为近红外反射强度，x1为检测部位温度，x2为检测部位对探头的压力，系数a、b、c为针对使用者的系数；
步骤2、采集使用者的活动信息，包括是否用餐，餐后时长，是否运动以及运动时长，是否服用治疗血糖药物，同时采集检测部位的温度、对探头的压力数值，以及检测部位的近红外反射强度，并采集此时使用者的血糖数值；
步骤3、对步骤2所述的活动信息、数据与血糖数值进行5-10天连续采集，采集时间在使用者早中晚用餐前与用餐后、运动前后以及服用降糖药物前后，每次数据采集间隔为20-30分钟，每类情形的数据不少于20次，总共不少于10组数据，将不同情形的数据建立标签，完成使用者个体的样本集的建立；
步骤4、将步骤3所述的使用者数据样本集中的使用者活动状态、检测部位的温度、检测部位对探头的压力值以及近红外漫反射信号强度信息以及血糖数值作为输入值，采用偏最小二乘算法，训练得到步骤1所述的数理模型中的针对使用者的系数a、b、c，得到使用者在不同血糖变化状态时，真实血糖值与多源信息数据之间的关系以及规律，完成血糖预测模型建立；
步骤5、利用步骤4所述的血糖预测模型，使用者进行无创检测时，通过采集检测部位的近红外反射强度，温度以及对探头压力信息，并输入当前使用者的活动状态，即可预测得到此时的无创血糖数值，同时根据使用者当前的活动状态，得到此时使用者血糖变化的阈值，当无创检测值超过阈值时，提供对使用者进行报警，提醒使用者及时服用药物或就医。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010324645.6A CN111599470B (zh) | 2020-04-23 | 2020-04-23 | 一种用于提高近红外无创血糖检测精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010324645.6A CN111599470B (zh) | 2020-04-23 | 2020-04-23 | 一种用于提高近红外无创血糖检测精度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111599470A CN111599470A (zh) | 2020-08-28 |
| CN111599470B true CN111599470B (zh) | 2022-07-29 |
Family
ID=72187594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010324645.6A Active CN111599470B (zh) | 2020-04-23 | 2020-04-23 | 一种用于提高近红外无创血糖检测精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111599470B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114121271A (zh) * | 2020-08-31 | 2022-03-01 | 华为技术有限公司 | 血糖检测模型训练方法、血糖检测方法、系统及电子设备 |
| CN112133442B (zh) * | 2020-09-22 | 2024-02-13 | 博邦芳舟医疗科技（北京）有限公司 | 一种连续无创血糖检测装置及方法 |
| CN112102953B (zh) * | 2020-10-22 | 2023-06-16 | 平安科技（深圳）有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
| CN116919395A (zh) * | 2022-04-12 | 2023-10-24 | 乐普（北京）医疗器械股份有限公司 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
| CN116602668B (zh) * | 2023-07-06 | 2023-10-31 | 深圳大学 | 一种全自动智能血糖检测系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2279250C2 (ru) * | 2004-09-24 | 2006-07-10 | ЗАО "Интеграционная промышленная система" | Устройство для неинвазивного измерения концентрации глюкозы в крови |
| EP2243425B1 (en) * | 2005-11-30 | 2014-08-13 | Toshiba Medical Systems Corporation | Method for noninvasive measurement of glucose and apparatus for noninvasive measurement of glucose |
| CN101799412B (zh) * | 2010-04-07 | 2012-04-25 | 中国科学院自动化研究所 | 无创测量人体血糖的近红外光谱透射方法及装置 |
| CN105193423A (zh) * | 2015-09-25 | 2015-12-30 | 北京大学深圳研究生院 | 无创血糖检测方法、装置及系统 |
| CN106725518A (zh) * | 2016-08-03 | 2017-05-31 | 赵宏杰 | 无创红外血糖检测系统 |
| CN106980746B (zh) * | 2016-12-16 | 2021-01-26 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
| CN107064048A (zh) * | 2017-03-02 | 2017-08-18 | 江苏大学 | 一种快速无创血糖检测方法及装置 |
| CN110197720A (zh) * | 2019-03-12 | 2019-09-03 | 平安科技（深圳）有限公司 | 糖尿病的预测方法及装置、存储介质、计算机设备 |
-
2020
- 2020-04-23 CN CN202010324645.6A patent/CN111599470B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111599470A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111599470B (zh) | 一种用于提高近红外无创血糖检测精度的方法 | |
| Joshi et al. | iGLU 2.0: A new wearable for accurate non-invasive continuous serum glucose measurement in IoMT framework | |
| CN111466921A (zh) | 基于多源信息感知及融合的无创血糖检测仪与检测方法 | |
| CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
| CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
| US20210330203A1 (en) | Blood pressure measuring apparatus, blood pressure measuring method, electronic device, and computer readable storage medium | |
| US20190295729A1 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| CN106901705A (zh) | 一种无感知人体多生理参数采集装置及采集方法和应用 | |
| CN105943005A (zh) | 基于光电绿光脉搏与心电图混合的无创血压检测方法 | |
| CN108937955A (zh) | 基于人工智能的个性化自适应可穿戴血糖校正方法及其校正装置 | |
| CN112133442A (zh) | 一种连续无创血糖检测装置及方法 | |
| CN108324286B (zh) | 一种基于pca-narx校正算法的红外光无创血糖检测装置 | |
| CN101138500A (zh) | 基于能量守恒法的无创血糖检测仪 | |
| CN113662538A (zh) | 一种基于时频域综合分析的无创血糖检测方法 | |
| CN116559143A (zh) | 血液中葡萄糖成分的复合型拉曼光谱数据分析方法及系统 | |
| CN212521771U (zh) | 一种基于多源信息感知及融合的无创血糖检测仪 | |
| CN112568902A (zh) | 一种基于血糖值的无创血糖校准方法 | |
| CN110411947B (zh) | 时间门定光程参考测量浓度的方法及装置 | |
| Philip et al. | Continous monitoring of blood glucose using photophlythesmograph signal | |
| CN103230273B (zh) | 早期亚临床无症状糖尿病的无创检测系统及其方法 | |
| Albalat et al. | Non-invasive blood glucose sensor: A feasibility study | |
| CN116035571A (zh) | 一种智能化的无创血糖仪 | |
| CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
| CN114886421B (zh) | 一种基于近红外的高精度无创血糖浓度检测系统及方法 | |
| Pinto et al. | Improving hemoglobin estimation accuracy through standardizing of light-emitting diode power |
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 |