一种基于云端大数据的智能实时动态血糖监测系统及方法与流程

本发明涉及智能医疗器械技术领域，具体涉及一种基于云端大数据的智能实时动态血糖监测系统及方法。

背景技术：

市面上存在用于多种分析物的各类型的生物传感器，其中应用最多、最常见的生物传感器是电流型葡萄糖传感器，其对于成功地控制糖尿病的葡萄糖水平来说是非常重要的。皮下植入式葡萄糖传感器通过将传感器探头植入真皮组织来监测皮下组织间液中的葡萄糖含量，从而计算出人体血糖值，是目前世界上最先进的连续人体血糖监测系统。

这类植入式电流型葡萄糖传感器所获得的信号容易被用户的个体差异，使用习惯和身体状况所影响。这些情况包括但不限于皮下组织间液与毛细血管及静脉血中葡萄糖含量的差异，由血糖波动变化和皮下组织间液葡萄糖含量的变化之间的时间延迟，由人体排异反应导致的传感器被非特异性蛋白结合形成的不透水层覆盖，由于长时间佩戴传感器而产生的局部皮肤不适和敏感反应等等。由于电流型电化学传感器无法分辨出其工作电极的信号来源，因此这些情况将对葡萄糖监测的准确度造成巨大的影响。

基于这个原因，电流型电化学传感器需要一套可以进行信号修正的解决方案。目前，通用的办法是通过提示用户定期对传感器所测得的信号值与使用血糖仪测得的指血血糖值进行比对，从而对传感器信号进行重新校准来调整电流信号和分析物浓度之间的关联式来保证准确性。这增加了传感器的使用难度和复杂度，导致使用便利性变差，用户体验不佳。

技术实现要素：

本发明目的是提供一种基于云端大数据的智能实时动态血糖监测系统及方法，以解决现有技术的不足。

本发明采用以下技术方案：

一种基于云端大数据的智能实时动态血糖监测系统，包括植入式动态葡萄糖传感器、智能手机及安装在智能手机中的血糖监测应用软件、指血血糖仪、和云端大数据服务器；

植入式动态葡萄糖传感器包括可更换的传感器探头和可重复使用的带有电化学阻抗频谱测量功能的信号采集器及信号发射器，其中，电化学阻抗频谱测量的输出包括阻抗的阻抗值和相位或者阻抗的实部和虚部；植入式动态葡萄糖传感器的信号发射器与智能手机通过无线方式联接并与血糖监测应用软件相互传输数据；

智能手机及安装在智能手机中的血糖监测应用软件具有通过无线通信技术与植入式动态葡萄糖传感器和指血血糖仪进行数据传输，以及通过手机数据网络或无线网络与云端大数据服务器进行数据上传下载的功能；

指血血糖仪具有采集用户指尖血样进行血糖含量测量的功能，并通过无线传输方式与手机相互传输数据；

云端大数据服务器具有用户个人信息和历史数据存储，更新，计算和传输的功能，其中，云端大数据服务器根据云端数据库中的用户历史数据对植入式动态葡萄糖传感器的参数输出数据进行自动校正计算并推送至智能手机终端。

进一步地，云端大数据服务器储存的用户个人信息和历史数据包括用户姓名，性别，年龄，联系号码，植入式动态葡萄糖传感器序列号与相关信息，植入式动态葡萄糖传感器原始数据is，信噪比snr，及血糖输出值sg与相对应的数据测量时间日期ts，传感器原始数据与血糖值之间的转换系数cf与其相关参数，用户使用指血血糖仪测得的血糖值bg与相对应的测量时间日期tb，植入式动态葡萄糖传感器所测得的电化学阻抗数据z与相对应的测量时间日期tz。

进一步地，云端大数据服务器中储存和计算的传感器原始数据与血糖值之间的转换系数cf在时间点t的计算方式为

其中，时间点t以传感器启动时为零点；cf0为转换系数初始值；cfd为转换系数变化率；cfcal为根据指血血糖测量值bg调整的校正补偿系数；cfcomp为根据电化学阻抗数据z调整的补偿转换系数；α，β为cfcomp，cfcal的权重系数，取值范围为0＜α＜10，0＜β＜10；

云端大数据服务器依据特定用户的实时更新数据和历史数据通过回归算法计算相应的cf相关参数。

进一步地，cf0和cfd的计算方法如下：

对于每一个新用户，使用预设的cf0和cfd计算传感器输出血糖值:

sg＝is×(cf0+cfd×t)＝is×cf0+(is×t)×cfd

在用户使用过指血血糖仪对自身的血糖进行测定比对后，通过手机收集血糖仪的测量值并上传至云端大数据服务器，并使用回归方程计算更新的cf0和cfd，具体方法为，

步骤a，提取样本数据：在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-ts|小于阈值的动态葡萄糖传感器数据，提取以下数据：

1.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.ts：动态葡萄糖传感器时间戳数据

5.t0s：动态葡萄糖传感器启动时间戳数据

筛选|sg-bg|小于阈值的数据为有效样本，形成一个用于计算的样本记录包[bgnisntsnt0sn]；

将最近三至六个月内的数据用于回归，历史数据变量的下标序号n根据ts逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵：

其中，tn＝tsn-t0sn；

步骤c，建立系数矩阵：

步骤d，构建权重矩阵：

其中，ts′n＝tcurrent-tsn，tcurrent为当前时间；w(ts′n)为ts′n的权重系数，使得tsn距离当前时间越近，其权重越大；

步骤e，求解超定方程g＝ic：

使用加权最小二乘法求解矩阵方程：

步骤f，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复回归算法步骤b至e，得到cf0和cfd的更新值和

步骤g，最终，将回归计算得到的和以一定的校正比例γ修正当前设定的cf0和cfd作为下一次使用动态葡萄糖传感器转换系数的设置:

γ的取值范围为0<γ<1。

进一步地，cfcal在云端大数据服务器中的计算方法如下：

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcal应以尽可能小的误差符合如下关系：

bg＝is×cfcal

步骤a，在每一次用户使用指血血糖仪进行血糖检测后，得到一个新的血糖值bg和测定时间tb，同时筛选出时间间隔|tb-ts|小于阈值的动态葡萄糖传感器数据：

1.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.snr：动态葡萄糖传感器电流信号信噪比

5.ts：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnsnrntsn]；

将最近一段时间内的数据用于回归，历史数据变量的下标序号n根据ts逆序排列，即越接近当前的历史数据，序号越小，所有动态葡萄糖传感器数据必须来自同一传感器探头；其中，最近一段时间包括最近5天内、最近7天内、最近10天内或与可更换的传感器探头使用期限相同的时间；

步骤b:使用回归算法计算cfcal的更新值cfcal'：

其中，ts′n＝tcurrent-tsn，tcurrent为当前时间；w(ts′n)为ts′n的权重系数，使得tsn距离当前时间越近，其权重越大。

进一步地，cfcomp的计算方法如下：

cfcomp为一个通过关联式fcomp(z；ω)与电化学阻抗测量值z相关联的参数：

cfcomp＝fcomp(z；ω)＝ωa×m(z/z0)+ωb

其中，ω为与传感器特有的内置参数阵列m(z/z0)为一个与阻抗数据z相关的函数，z0为传感器在受控的实验环境中所测得的阻抗值；

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcomp应以尽可能小的误差符合如下关系：

bg＝is×cfcomp

＝is×m(z/z0)×ωa+is×ωb

步骤a，在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-tz|小于阈值的动态葡萄糖传感器数据，提取以下数据：

2.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.z：动态葡萄糖传感器阻抗数据

5.tz：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnzntzn]；

最近三个月内的数据用于回归，历史数据变量的下标序号n根据tz逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵和权重矩阵：

其中，tz′n＝tcurrent-tzn

距离当前时间越近，权重越大；

步骤c，求解超定方程g＝iω；

加权最小二乘法求解：

步骤d，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复步骤b～c，得到最佳解

步骤e，将得到的以一定的校正比例γ修正当前设定的ω：

γ的取值范围为0<γ<1。

进一步地，cfcomp的另一种计算方法如下：

cfcomp为一个通过关联式fcomp(z；ω)与电化学阻抗测量值z相关联的参数：

其中，ω为与传感器特有的内置参数阵列z0为传感器在受控的实验环境中所测得的阻抗值；

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcomp应以尽可能小的误差符合如下关系：

bg＝is×cfcomp＝is×ωa×(z/z0)^ωb

取等式两端的自然对数，得到

ln(bg)＝ln[is×ωa×(z/z0)^ωb]＝ln(is)+ln(ωa)+ωb×ln(z/z0),

令参数矩阵

步骤a，在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-tz|小于阈值的动态血糖仪数据，提取以下数据：

2.bg：指血血糖仪测量数据

2.sg：：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖糖传感器电流数据

4.z：动态葡萄糖传感器阻抗数据

5.tz：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnzntzn]；

最近三个月内的数据用于回归，历史数据变量的下标序号n根据tz逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵和权重矩阵：

其中，tz′n＝tcurrent-tzn

距离当前时间越近，权重越大；

步骤c，求解超定方程g＝i(lω)；

加权最小二乘法求解：

步骤d，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复步骤b～c，得到最佳解然后从求解得出的ln(ωa)值计算ωa，得到

步骤e，将得到的以一定的校正比例γ修正当前设定的ω：

γ的取值范围为0<γ<1。

一种基于云端大数据的智能实时动态血糖监测方法，包括如下步骤：

步骤一、在手机应用检测到与手机联接并开始工作的植入式动态葡萄糖传感器时，首先判断该用户是否有使用相同型号的植入式动态葡萄糖传感器的历史记录，如果没有，则判断为新用户，并开始使用预设的传感器信号is与血糖输出值之间的转换系数cf0及转换系数变化率cfd，并将该数据上传至云端大数据服务器；同时，植入式动态葡萄糖传感器开始按照预设转换关联式输出血糖监测值；如果存在该用户的历史数据，则判断为已有用户，并通过手机从云端大数据服务器将该用户的最新cf0及cfd的记录下载至植入式动态葡萄糖传感器作为计算传感器血糖输出值的参数；

步骤二、植入式动态葡萄糖传感器检查当前时间是否到达一个新的测量周期，如果未到，则让系统等待直至进入新的测量周期，然后在每一个新的测量周期中计算该周期中的转换系数cf(t)，其中t为当前时间戳ts与传感器启动时间t0s的间隔，步骤二中的运算包含从传感器获得的3个输入数据点：传感器启动时间t0s，当前时间戳ts以及is(t)，还可能包含由传感器在本测量周期中获得的阻抗测量信息z与云端大数据服务器通信获得或者更新的参数ω和cfcal；

计算并输出sg的过程具体包括如下步骤：

步骤a、首先检查当前测量周期是否有新获得过阻抗测量数据z，如果有，则检测阻抗值与上一次测量的变化和cfcal的更新情况，如果近期无cfcal更新且z变化较大，则更新补偿本地转换参数cfcomp并将阻抗测量数据z及时间戳tz上传至云端大数据服务器，如果z变化不大或cfcal有更新，则仅将阻抗测量数据z及时间戳tz上传，继续使用当前的补偿转换参数cfcomp；

步骤b，通过手机检查云端大数据服务器在当前周期中是否有新获得过阻抗补偿参数ω'和校正转换参数cfcal'，如果有，通过手机从云端大数据服务器下载更新过的ω'和cfcal'，如果没有，则继续使用当前的ω和cfcal；

步骤c、计算当前的转换系数cf(t)，其计算公式如下：

其中α，β为cfcomp，cfcal的权重系数，取值范围为0＜α＜10，0＜β＜10；

步骤d，获取传感器电流信号is(t)并计算传感器输出血糖值sg(t)，计算公式为sg(t)＝is(t)×cf(t)；

步骤三，将传感器原始输出电流信号值，计算得出的sg值，和相应的时间戳ts通过手机上传至云端大数据服务器；

步骤四，智能手机在接收到植入式动态葡萄糖传感器探头到达使用期限的信号时，通知云端计算模块通过回归算法计算新的转换系数cf0及转换系数变化率cfd，在用户使用下一个新的传感器探头时，在步骤一由手机通知动态葡萄糖传感器更新参数；

步骤五，用户在使用植入式动态葡萄糖传感器，如果同时还使用指血血糖仪进行血糖测量，测得的血糖值bg和时间戳tb将通过手机上传至云端数据库；

步骤六，云端数据库通过智能手机在接收到指血血糖仪数据时，通知云端计算模块通过回归算法计算新的阻抗补偿参数ω'和校正转换参数cfcal'，并将计算结果推送至手机，由手机通知植入式动态葡萄糖传感器更新参数，使植入式动态葡萄糖传感器在步骤二更新参数。

本发明的有益效果：

1、本发明提出了包含智能手机和云端大数据服务器的实时动态血糖监测系统，可以通过在云端储存的用户个人的血糖测量历史数据有效地校正因用户个体差异对皮下植入式动态葡萄糖传感器的信号产生的影响，使传感器在工作期间保证测量信号的有效性和准确性。此方案适用于所有含有氧化还原酶或者氧化还原对介质的电流型电化学传感器，其典型应用可以是一种含葡萄糖氧化酶的植入式人体皮下组织间液葡萄糖传感器，但不仅限于此类应用。

2、本发明建立了一套算法，通过建立电流信号，电化学阻抗测量的结果和用户历史血糖数据之间的回归方程并求解超定方程组计算对动态血糖监测系统计算血糖值的输出结果进行补偿和修正，从而改进输出结果的精确度。

附图说明

图1为本发明系统结构示意图。

图2为本发明方法流程示意图。

具体实施方式

下面结合实施例和附图对本发明做更进一步地解释。下列实施例仅用于说明本发明，但并不用来限定本发明的实施范围。

一种基于云端大数据的智能实时动态血糖监测系统，如图1所示，包括植入式动态葡萄糖传感器、智能手机及安装在智能手机中的血糖监测应用软件、指血血糖仪、和云端大数据服务器。

植入式动态葡萄糖传感器包括可更换的传感器探头和可重复使用的带有电化学阻抗频谱测量功能的信号采集器及信号发射器，其中，电化学阻抗频谱测量的输出包括阻抗的阻抗值和相位或者阻抗的实部和虚部，电化学阻抗测量的频率远小于传感器测量葡萄糖电流信号的频率；植入式动态葡萄糖传感器的信号发射器与智能手机通过诸如蓝牙通信等无线方式联接并与血糖监测应用软件相互传输数据。在手机与动态葡萄糖传感器的联接和数据传输时，也可以是动态葡萄糖传感器仅传输原始的电流，阻抗及时间信息，对血糖值的计算与相关参数cf(t)、cf0、cfd,、cfcal、cfcomp的存储和云数据同步及更新均在手机应用软件中实现。

智能手机及安装在智能手机中的血糖监测应用软件具有通过蓝牙等无线通信技术与植入式动态葡萄糖传感器和指血血糖仪进行数据传输，以及通过手机数据网络或无线网络与云端大数据服务器进行数据上传下载的功能。智能手机也可以是其它智能设备。

指血血糖仪具有采集用户指尖血样进行血糖含量测量的功能，并通过无线传输方式与手机相互传输数据。

云端大数据服务器具有用户个人信息和历史数据存储，更新，计算和传输的功能，云端大数据服务器储存的用户个人信息和历史数据包括但不仅限于用户姓名，性别，年龄，联系号码，植入式动态葡萄糖传感器序列号与相关信息，植入式动态葡萄糖传感器原始数据is，信噪比snr，及血糖输出值sg与相对应的数据测量时间日期ts，传感器原始数据与血糖值之间的转换系数cf与其相关参数，用户使用指血血糖仪测得的血糖值bg与相对应的测量时间日期tb，植入式动态葡萄糖传感器所测得的电化学阻抗数据z与相对应的测量时间日期tz等。云端大数据服务器根据云端数据库中的用户历史数据对植入式动态葡萄糖传感器的参数输出数据进行自动校正计算并推送至智能手机终端。

云端大数据服务器中储存和计算的传感器原始数据与血糖值之间的转换系数cf在时间点t的计算方式为

其中，时间点t以传感器启动时为零点；cf0为转换系数初始值；cfd为转换系数变化率；cfcal为根据指血血糖测量值bg调整的校正补偿系数；cfcomp为根据电化学阻抗数据z调整的补偿转换系数，通过阻抗测量结果z和内置补偿参数阵列ω计算；α，β为cfcomp，cfcal的权重系数，取值范围为0＜α＜10，0＜β＜10；

云端大数据服务器依据特定用户的实时更新数据和历史数据通过回归算法计算相应的cf相关参数。

cf0和cfd的计算方法如下：

对于每一个新用户，使用预设的cf0和cfd计算传感器输出血糖值:

sg＝is×(cf0+cfd×t)＝is×cf0+(is×t)×cfd

在用户使用过指血血糖仪对自身的血糖进行测定比对后，通过手机收集血糖仪的测量值并上传至云端大数据服务器，并使用回归方程计算更新的cf0和cfd，具体方法为，

步骤a，提取样本数据：在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-ts|小于阈值的动态葡萄糖传感器数据，提取以下数据：

1.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.ts：动态葡萄糖传感器时间戳数据

5.t0s：动态葡萄糖传感器启动时间戳数据

筛选|sg-bg|小于阈值的数据为有效样本，形成一个用于计算的样本记录包[bgnisntsnt0sn]；

将最近三至六个月内的数据用于回归，历史数据变量的下标序号n根据ts逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵：

其中，tn＝tsn-t0sn；

步骤c，建立系数矩阵：

步骤d，构建权重矩阵：

其中，ts′n＝tcurrent-tsn，tcurrent为当前时间；w(ts′n)为ts′n的权重系数，使得tsn距离当前时间越近，其权重越大；例如：

步骤e，求解超定方程g＝ic：

使用加权最小二乘法求解矩阵方程：

步骤f，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复回归算法步骤b至e，得到cf0和cfd的更新值和

步骤g，最终，将回归计算得到的和以一定的校正比例γ修正当前设定的cf0和cfd作为下一次使用动态葡萄糖传感器转换系数的设置:

γ的取值范围为0<γ<1，例如γ＝0.6。

cfcal在云端大数据服务器中的计算方法如下：

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcal应以尽可能小的误差符合如下关系：

bg＝is×cfcal

步骤a，在每一次用户使用指血血糖仪进行血糖检测后，得到一个新的血糖值bg和测定时间tb，同时筛选出时间间隔|tb-ts|小于阈值的动态葡萄糖传感器数据：

1.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.snr：动态葡萄糖传感器电流信号信噪比

5.ts：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnsnrntsn]；

将最近一段时间内的数据用于回归，历史数据变量的下标序号n根据ts逆序排列，即越接近当前的历史数据，序号越小，所有动态葡萄糖传感器数据必须来自同一传感器探头；其中，最近一段时间包括最近5天内、最近7天内、最近10天内或与可更换的传感器探头使用期限相同的时间；

步骤b:使用回归算法计算cfcal的更新值cfcal'：

其中，ts′n＝tcurrent-tsn，tcurrent为当前时间；w(ts′n)为ts′n的权重系数，使得tsn距离当前时间越近，其权重w(ts′n)越大；

例如：

cfcomp的计算方法如下：

cfcomp为一个通过关联式fcomp(z；ω)与电化学阻抗测量值z相关联的参数：

cfcomp＝fcomp(z；ω)＝ωa×m(z/z0)+ωb

其中，ω为与传感器特有的内置参数阵列m(z/z0)为一个与阻抗数据z相关的函数，z0为传感器在受控的实验环境中所测得的阻抗值。在此实例中，m(z/z0)＝e^z/z0；

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcomp应以尽可能小的误差符合如下关系：

步骤a，在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-tz|小于阈值的动态葡萄糖传感器数据，提取以下数据：

3.bg：指血血糖仪测量数据

2.sg：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖传感器电流数据

4.z：动态葡萄糖传感器阻抗数据

5.tz：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnzntzn]；

最近三个月内的数据用于回归，历史数据变量的下标序号n根据tz逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵和权重矩阵：

其中，tz′n＝tcurrent-tzn

距离当前时间越近，权重越大；例如：

步骤c，求解超定方程g＝iω；

加权最小二乘法求解：

步骤d，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复步骤b～c，得到最佳解

步骤e，将得到的以一定的校正比例γ修正当前设定的ω：

γ的取值范围为0<γ<1，例如γ＝0.75。

在另一个实例中，cfcomp的计算方法如下：

cfcomp为一个通过关联式fcomp(z；ω)与电化学阻抗测量值z相关联的参数：

其中，ω为与传感器特有的内置参数阵列z0为传感器在受控的实验环境中所测得的阻抗值；

在用户使用指血血糖仪进行血糖检测得到血糖值bg时，bg、传感器电流信号is和cfcomp应以尽可能小的误差符合如下关系：

bg＝is×cfcomp＝is×ωa×(z/z0)^ωb

取等式两端的自然对数，得到

ln(bg)＝ln[is×ωa×(z/z0)^ωb]＝ln(is)+ln(ωa)+ωb×ln(z/z0),

令参数矩阵

步骤a，在每次指血血糖仪测量时刻tb附近，筛选出时间间隔|tb-tz|小于阈值的动态血糖仪数据，提取以下数据：

3.bg：指血血糖仪测量数据

2.sg：：动态葡萄糖传感器血糖计算数据

3.is：动态葡萄糖糖传感器电流数据

4.z：动态葡萄糖传感器阻抗数据

5.tz：动态葡萄糖传感器时间戳数据

筛选|sg-bg|小于阈值的数据作为有效样本，形成一个用于计算的样本记录包[bgnisnzntzn]；

最近三个月内的数据用于回归，历史数据变量的下标序号n根据tz逆序排列，即越接近当前的历史数据，序号越小，动态葡萄糖传感器数据可以来自同型号的多个传感器探头；

步骤b，建立样本矩阵和权重矩阵：

其中，tz′n＝tcurrent-tzn

距离当前时间越近，权重越大；

步骤c，求解超定方程g＝i(lω)；

加权最小二乘法求解：

步骤d，剔除异常数据：计算残差矩阵剔除残差大于阈值的数据项，然后重复步骤b～c，得到最佳解然后从求解得出的ln(ωa)值计算ωa，得到

步骤e，将得到的以一定的校正比例γ修正当前设定的ω：

γ的取值范围为0<γ<1，例如γ＝0.5。

一种基于云端大数据的智能实时动态血糖监测方法，如图2所示，包括如下步骤：

步骤一、在手机应用检测到与手机联接并开始工作的植入式动态葡萄糖传感器时，首先判断该用户是否有使用相同型号的植入式动态葡萄糖传感器的历史记录，如果没有，则判断为新用户，并开始使用预设的传感器信号is与血糖输出值之间的转换系数cf0及转换系数变化率cfd，并将该数据上传至云端大数据服务器；同时，植入式动态葡萄糖传感器开始按照预设转换关联式输出血糖监测值；如果存在该用户的历史数据，则判断为已有用户，并通过手机从云端大数据服务器将该用户的最新cf0及cfd的记录下载至植入式动态葡萄糖传感器作为计算传感器血糖输出值的参数；

步骤二、植入式动态葡萄糖传感器检查当前时间是否到达一个新的测量周期，如果未到，则让系统等待直至进入新的测量周期，然后在每一个新的测量周期中计算该周期中的转换系数cf(t)，其中t为当前时间戳ts与传感器启动时间t0s的间隔，步骤二中的运算包含从传感器获得的3个输入数据点：传感器启动时间t0s，当前时间戳ts以及is(t)，还可能包含由传感器在本测量周期中获得的阻抗测量信息z与云端大数据服务器通信获得或者更新的参数ω和cfcal；

计算并输出sg的过程具体包括如下步骤：

步骤a、首先检查当前测量周期是否有新获得过阻抗测量数据z，如果有，则检测阻抗值与上一次测量的变化和cfcal的更新情况，如果近期无cfcal更新且z变化较大，则更新补偿本地转换参数cfcomp并将阻抗测量数据z及时间戳tz上传至云端大数据服务器，如果z变化不大或cfcal有更新，则仅将阻抗测量数据z及时间戳tz上传，继续使用当前的补偿转换参数cfcomp；

步骤b，通过手机检查云端大数据服务器在当前周期中是否有新获得过阻抗补偿参数ω'和校正转换参数cfcal'，如果有，通过手机从云端大数据服务器下载更新过的ω'和cfcal'，如果没有，则继续使用当前的ω和cfcal；

步骤c、计算当前的转换系数cf(t)，其计算公式如下：

其中α，β为cfcomp，cfcal的权重系数，取值范围为0＜α＜10，0＜β＜10；

步骤d，获取传感器电流信号is(t)并计算传感器输出血糖值sg(t)，计算公式为sg(t)＝is(t)×cf(t)；

步骤三，将传感器原始输出电流信号值，计算得出的sg值，和相应的时间戳ts通过手机上传至云端大数据服务器；

步骤四，智能手机在接收到植入式动态葡萄糖传感器探头到达使用期限的信号时，通知云端计算模块通过回归算法计算新的转换系数cf0及转换系数变化率cfd，在用户使用下一个新的传感器探头时，在步骤一由手机通知动态葡萄糖传感器更新参数；

步骤五，用户在使用植入式动态葡萄糖传感器，如果同时还使用指血血糖仪进行血糖测量，测得的血糖值bg和时间戳tb将通过手机上传至云端数据库；

步骤六，云端数据库通过智能手机在接收到指血血糖仪数据时，通知云端计算模块通过回归算法计算新的阻抗补偿参数ω'和校正转换参数cfcal'，并将计算结果推送至手机，由手机通知植入式动态葡萄糖传感器更新参数，使植入式动态葡萄糖传感器在步骤二更新参数。