本技术公开了基于未知外源输入估计的餐后长时间窗血糖态势预测方法,属于血糖预测技术领域,包括以下步骤:S1、针对糖尿病血糖患者的葡萄糖‑胰岛素代谢生理过程建立血糖代谢动力学模型;S2、根据血糖代谢动力学模型搭建固定阶同时输入和状态集值观测器;S3、采用观测器对患者进行未知外源输入观测,进行患者生活规律总结,对当前一餐的未知外源输入进行预测,结合已知的治疗信息,进行准确血糖预测。本发明采用上述的基于未知外源输入估计的餐后长时间窗血糖态势预测方法,能够在血糖预测过程中考虑患者生活规律和身体节律等难以量化或测量的因素对其血糖的影响,有效捕捉患者个性化的血糖动态规律,实现小样本场景下的餐后长时间窗血糖预测。
背景技术
随着现代糖尿病技术的发展,智能化血糖管理方法在临床实践中逐步普及。为实现糖尿病患者有效血糖控制,应对患者的血糖进行持续性监测,及时发现和预测患者的血糖异常现象并做出对应的干预或预防措施。
准确的血糖预测是实现有效的血糖闭环控制的基础,基于已知的血糖监测信息对患者未来一段时间可能出现的血糖水平和血糖异常事件进行预测,根据预测结果可以实施相应的血糖管理措施,例如胰岛素注射剂量或膳食摄入量调整以控制患者血糖在安全范围内,保持患者健康。
目前关于糖尿病血糖预测的相关研究主要有以下三个方向:模型预测、数据驱动模型预测和混合模型预测。模型预测方法根据人体血糖-胰岛素代谢生理规律建立动力学模型,常用的模型包括Bergman最小模型、Hovorka模型等,这些模型由复杂程度不同的微分方程组成。基于模型的预测方法能够保证预测结果与生理学规律相符,但在使用过程中灵活性较弱。为实现较高精度的预测通常需要使用较大规模的模型,而模型中待确定的生理学参数较多,在现实场景中难以辨识、计算和使用。
数据驱动模型基于患者的血糖监测数据、胰岛素治疗数据、患者用餐信息及其他可用的患者信息进行模型搭建,也常被称为黑箱方法。此类模型通常需要机器学习技术的支持,常见的方法包括时间序列模型(ARX、ARMAX、ARIMAX等)、模糊逻辑模型、高斯混合模型、正则学习、强化学习模型、卡尔曼滤波器、人工神经网络模型等。混合模型则是在数据预处理、特征提取或学习阶段组合两种或多种不同的方法,许多混合模型将生理模型与机器学习技术相结合以提高性能。
尽管现有方法从不同方面对血糖预测进行了探索,但小样本条件下的餐后长时预测问题尚未充分解决。特别的,如何综合考量多种难以直接测量的未知干扰对血糖态势的复合影响仍是一大挑战。
一方面,在实际临床医疗场景下,常常需要在仅获得患者少量个体化血糖及其它数据的情况下进行血糖预测。目前的研究中,血糖模型训练常常需要大量的训练数据,然而在实际临床情况下每名患者的血糖数据量有限难以满足模型训练需求。由于个体数据量不足,一些研究选择采用群体数据集进行模型训练,但实际情况中患者之间血糖态势个体差异较大,群体数据训练的模型难以实现灵活性较高的个性化血糖预测。
另一方面,餐后长时间段血糖影响众多,包括很多难以量化测量的因素,例如患者的运动活动、加餐、身体节律、压力水平等,这些因素患者的血糖的影响难以在生理学模型或数据驱动模型中进行直接体现,继而可能导致血糖预测效果不佳。以上因素我们可以统称为影响血糖的未知外源输入,它与患者的日常生活习惯有着紧密的联系。人们生活中日常活动和身体节律往往遵循较稳定的习惯,而糖尿病患者由于存在例行血糖管理行为,其生活习惯可能更具规律性。患者为实现自我血糖管理常常要在特定时间区间进行进餐、胰岛素注射、血糖检查等常规血糖管理行为,其三餐固定时间以外的进食活动和日常运动行为也受到血糖控制目标的限制。以上生活习惯的规律性使得我们能够在小样本情况下对患者生活规律进行较为准确的归纳总结,并基于以上规律对于未来的未知外源输入进行预测。
基于上述内容,提出在预测中将多种难以量化测量的血糖影响因素综合为未知外源输入,建立了一种适合临床治疗场景的,基于小样本的餐后长时间窗血糖预测方法。
实现思路