一种智能化的胰岛素泵控制系统

1.本发明属于医疗设备技术领域，具体涉及一种智能化的胰岛素泵控制系统。


背景技术：

2.随着经济发展、人口老龄化、生活水平提高以及生活方式转变，糖尿病已成为影响人类健康的全球性公共卫生问题。糖尿病是由于胰岛素分泌及(或)作用缺陷引起的以血糖升高为特征的代谢性疾病。糖尿病患者常伴有脂肪、蛋白质代谢异常，长期高血糖可引起多种器官，尤其是心、眼、血管、肾、器官功能不全或衰竭。胰岛素治疗在糖尿病的管理中扮演着非常重要的角色，其中胰岛素强化治疗方案主要包括每日多次皮下胰岛素注射和持续皮下胰岛素输注即胰岛素泵。
3.胰岛素泵治疗是采用人工智能控制的胰岛素输注装置，以程序设定的速率持续皮下输注胰岛素最大程度地模拟人体胰岛素的生理性分泌模式，从而达到更好地控制血糖的一种胰岛素治疗方法。胰岛素泵一般由电池驱动的机械泵系统、储药器、与之相连的输液管、可埋入患者皮下的输注装置以及含有微电子芯片的人工智能控制系统构成在工作状态下，机器泵系统接收控制系统的指令驱动储药器后端的活塞，将胰岛素通过输液管道输入皮下。胰岛素泵的规范操作及其院内外的管理和维护对于胰岛素泵的治疗效果和患者安全都极为重要。
4.生理状态下胰岛素分泌可分为两部分:一是不依赖于进餐的持续微量胰岛素分泌即基础胰岛素分泌，基础胰岛素分泌以脉冲的形式持续24h分泌以维持空腹和基础状态下的血糖水平；二是由进餐后血糖升高刺激引起的大量胰岛素分泌可以形成分泌的曲线波，即餐时胰岛素分泌。
5.目前胰岛素泵给药方式为胰岛素泵初始剂量设定，由专业的内分泌医师根据体重和现有注射胰岛素剂量两个原则进行先设置胰岛素泵治疗患者的胰岛素总量再进行基础率及三餐前大剂量的分配，如在胰岛素泵治疗前已接受胰岛素治疗的患者参考既往方案进行设定，如既往无方案可供参考每日胰岛素剂量计算根据患者糖尿病分型、体重及临床实际情况确定。在胰岛素泵治疗期间通过血糖控制情况及时进行调整给药方案。
6.但是，现有的胰岛素泵存在条件限制。由于不同人群的血糖控制目标不同，如妊娠高血糖、儿童青少年糖尿病患者、老年糖尿病患者、围手术期高血糖患者等等，导致胰岛素的用量设置很难做到与患者的具体情形进行更精确的适配；同时患者的反馈信息不能客观及时准确完整地向医生描述，包括饮食、运动等影响血糖波动的行为因素，医生无法灵活进行用量调整；而在反馈周期过程中，容易由于使用过程中的过量或不足使用，进一步容易增加患者低血糖与高血糖的风险。


技术实现要素：

7.针对上述问题，本发明的目的在于提供一种智能化管理和智能化控制的，并且基于患者大数据进行给药量控制的胰岛素泵，以解决上述背景技术中提出的问题。
8.为实现上述目的，本发明提供如下技术方案：
9.一种智能化的胰岛素泵控制系统，包括：多组胰岛素泵和云服务器，每组胰岛素泵包括胰岛素泵本体和胰岛素泵控制装置，
10.所述胰岛素泵本体包括储液部、注射部、无线通信装置以及微控制器，所述无线通信装置用于与胰岛素泵控制装置无线通信，所述储液部用于承装胰岛素，所述注射部用于胰岛素的皮下注射。
11.所述胰岛素泵控制装置包括远程通信单元、第二无线通信装置、本地控制单元，所述远程通信单元用于与云服务器进行通信，第二无线通信装置与无线通信装置通信连接，接收本地控制单元的控制指令；
12.所述云服务器包括数据库、患者匹配系统以及第二远程无线通信装置，所述数据库中存储有训练数据和患者数据，所述患者匹配系统用于基于当前患者的参数信息为其匹配相近的患者信息并生成参考控制指令，所述第二远程无线通信装置与远程通信单元通信连接，用以向其发出参考控制指令。
13.进一步地，所述云服务器中设置有神经网络模型，首先通过采集身体状况保持良好的患者数据信息对模型进行训练，所述云服务器接收到新的患者数据后，将患者数据带入到神经网络模型，获得与该患者数据对应的胰岛素泵控制信息。
14.进一步地，所述云服务器中设置有第一聚类分析模型、第二聚类分析模型和第三神经网络模型，所述第一聚类分析模型基于强相关参数对训练数据和患者数据进行分类，确定其第一类别，所述第二聚类分析模型基于强相关参数和相关参数对训练数据和患者数据进行分类，确定其第二类别，基于患者数据的类别为其选取第一类别和第二类别的交集中的训练数据对第三神经网络模型进行训练。这样的分类好处是，由于强相关参数对分类的整体影响较大，所以容易出现分类突变或者强误差，通过将强相关参数和相关参数联合组建第二模型进行包容性分类，可以避免出现过大的误差。
15.进一步地，所述胰岛素泵本体还包括：显示屏幕、控制按钮和输液管。
16.进一步地，所述胰岛素泵控制装置还包括定位模块，其用于对当前胰岛素泵进行定位，所述云服务器中存储有预设地图以及胰岛素泵的禁入区域，当微控制器所述定位模块检测到当前胰岛素泵靠近胰岛素泵的禁入区域预定范围时，所述定位模块向所述微控制器发出警报。
17.进一步地，所述胰岛素泵控制装置还包括数据采集单元，所述数据采集单元用于采集当前患者的饮食数据、体检数据以及作息数据。
18.进一步地，所述储液部设置有胰岛素驱动控制机构，其采用电动马达带动螺旋杆进行驱动控制。
19.进一步地，所述第三神经网络模型的输入参数为诱因参数，输出参数为结果参数，对患者的即时性参数按时间进行截取，获得n个包含预定时间段的即时性参数组，将各个参数组分别代入到bp神经网络模型中，以输出的结果参数和真实结果参数的匹配度误差最低为优化条件，对该模型进行优化训练，获得相应模型参数。
20.进一步地，非线性传播过程采用下述函数：xi表示第i个输入参数，yj表示中间层的第j个神经元输出，n表示输入参数的个数，m表示中间层神经元的个数， i
∈[1,n],j∈[1,m]，α
ij
，β
ij
，γ
ij
，δ
ij
为对于yj的传播函数参数，当i+1大于n时，取x
i+1
为x1。
[0021]
进一步地，所述注射部包括注射针以及用于注射针的固定贴片。
[0022]
与现有技术相比，本发明的有益效果是：本发明提供了一种对胰岛素泵进行智能化管理，通过独特设计的神经网络模型，可以将各类现有患者的胰岛素配给情况与目标患者进行匹配，从血糖控制良好的类似患者中找到相应的配给方案，提供给目标患者，可以更加灵活地调整不同人群患者、在不同进食情况下的胰岛素给药控制，同时通过整合饮食与运动的生理与行为数据提供更准确地预测，而相关信息及对血糖的影响可以在网络终端显示。
[0023]
此外，在优选实现方式中，本发明通过对胰岛素泵的定位可以有效避免患者不慎将胰岛素泵带入到禁入区域，以至于对胰岛素泵造成损坏。
[0024]
胰岛素泵和新功能的融合能为临床管理糖尿病提供了更多、更优的选择。
附图说明
[0025]
图1-2为本发明实施例的胰岛素泵的结构示意图；
[0026]
图3为本发明实施例中胰岛素泵的控制装置结构示意图；
[0027]
图4为本发明实施例中第三神经网络的简化架构示意图。
具体实施方式
[0028]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
[0029]
请参阅图1-图3，本发明提供一种胰岛素泵控制系统，包括：多组胰岛素泵和云服务器，每组胰岛素泵包括胰岛素泵本体、胰岛素泵控制装置。
[0030]
胰岛素泵本体采用通常的胰岛素泵，包括显示屏幕101、控制按钮102、储液部103、注射部104、无线通信装置105和输液管106以及微控制器107，与现有技术相比，本发明中，为胰岛素泵添加了无线通信装置105，无线通信装置105用于与胰岛素泵控制装置无线通信。显示屏幕101作为胰岛素泵用户操作和控制的显示界面，供用户读取胰岛素泵上的相关数据，比如，剩余剂量、上次给药时间等，并且作为手动控制的辅助显示。控制按钮102用于对胰岛素泵进行手动控制。储液部103用于承装胰岛素，储液部103采用标准尺寸、可更换设置。注射部104指的是注射针，也可以包括注射针的固定贴片，用于胰岛素的皮下注射，通常在人体腹部进行埋针。输液管106用于连接储液部103和注射部104，储液部103设置胰岛素驱动控制机构，其可以采用电动马达带动螺旋杆进行驱动控制，也可以采用其他新型构造。胰岛素泵采用电池供电。
[0031]
胰岛素泵控制装置包括4g或5g远程通信单元201、第二无线通信装置202、本地控制单元203、第二显示屏幕204、数据采集单元205以及定位模块206。需要说明的是，胰岛素泵控制装置可以采用定制设备来执行，也可以采用现有的移动通信设备通过安装能够执行本发明功能的应用程序来实现，比如，可以将胰岛素泵控制装置以手机app的形式集成在手机或平板设备中。第二显示屏幕204采用触摸屏，用于方便用户进行饮食信息、运动信息、体
重变化信息、最新化验信息等各方面信息的输入。
[0032]
4g或5g远程通信单元201用于与云服务器进行通信，获取最新的胰岛素泵控制指令以及其他操作指令，第二无线通信装置202与无线通信装置105通信连接，二者可以采用 wifi或者蓝牙通信协议进行通信；第二无线通信装置202用于接收无线通信装置105发出的信号，并通过无线通信装置105向胰岛素泵发送控制指令。
[0033]
数据采集单元205为可选模块，若其直接从外部接收信号，则可以省略该模块。
[0034]
定位模块206用于对当前胰岛素泵进行定位，或者可以说用于对持有移动终端的用户进行定位。胰岛素泵价值高，由于为精密仪器，需避免强辐射等环境中，如手术室，ct室， x线，核磁共振室，高压氧舱等。但胰岛素泵报废安全问题仍不断存在，同时损坏及报废主体责任人不明及赔偿费用高昂，加上患者及家属个人安全意识客观因素存在，医护人员花费大量时间进行宣教及提醒仍不可避免。通过增加定位模块，对于每个医院，在为患者配备胰岛素泵时，在相应胰岛素泵控制装置中设置胰岛素泵禁入区域，比如，若患者在长沙某医院就诊，则医生将该医院内的手术室，ct室，x线，核磁共振室等区域设置为禁入区域，一旦定位模块206检测到当前位置靠近上述区域，则本地控制单元203发出报警信号，提醒患者，请患者确认是否要进入相应区域，若要进入相应区域，则请患者在医生帮助下或者自行关闭并卸下胰岛素泵。
[0035]
云服务器包括数据库、患者匹配系统以及第二远程无线通信装置。云服务器通过第二远程无线通信装置与每个胰岛素泵控制装置通信连接，云服务器中预存有卷积神经网络模型以及大量胰岛素泵使用患者的使用数据。
[0036]
现有的胰岛素供给一般以基础输注量和基础输注率两项指标来进行胰岛素剂量的控制。基础输注量用于维持机体基础状态下的血糖稳态，基础输注率指胰岛素泵提供基础胰岛素的速度，以u/h表示。既往根据正常人胰腺基础状态下和餐时胰岛素分泌量大致相等的特性将50％的tdd分配为基础输注量。综合现有的证据及最新2021年版中国胰岛素泵治疗指南的建议，按照下列原则进行初始基础输注量占总剂量比例设置：
[0037]
成人：全天胰岛素总量
×
(40％～50％)
[0038]
青少年：全天胰岛素总量
×
(30％～40％)
[0039]
儿童：全天胰岛素总量
×
(20％～40％)
[0040]
基础输注率的时间段应根据患者的胰岛功能状态、血糖波动情况以及生活状况来设置。
[0041]
剩余部分为餐前大剂量总量，按照三餐1/3、1/3、1/3分配。但是这种分配方式则较为粗略，因为个人饮食习惯以及地区饮食习惯等均不相同，比如早餐，有患者可能喜欢早餐吃一些传统食物，蔬菜水果摄入量很少，有的患者可能早餐喜欢进食一些酸奶、蔬菜、水果、面包等食物，而中午、晚间的饮食习惯也是各不相同，并且三餐中含糖量的分配也因人而异，内分泌科专业医生无法及时准确了解收集到每位患者的食物摄入情况、运动量情况以及餐食分配情况。虽然糖尿病患者按要求应该注意饮食的规范性，但是执行起来存在个体差异，因此，按照统一的剂量标准分配的胰岛素给药量往往很难精确化地与个体相适应，进而影响病情。
[0042]
针对这一问题，本发明的云服务器中设置的患者匹配系统，首先通过采集已有患者的标签数据信息(标签数据信息除了包含下面神经网络中所需要参数信息之外，还增加
患者对患者的病情控制情况的评级信息，对于患者病情控制良好的患者给予更高的评级，而控制较差的患者给予更低的评级)对神经网络模型进行训练，然后，对于后续患者将其各方面数据代入卷积神经网络，即可确定患者的归属类型，基于相应类型患者的最优胰岛素分配方案为其进行胰岛素配给，尽可能最大限度地为患者提供尽可能及时地胰岛素供给方案确定和调整。
[0043]
具体而言，对于每一个患者而言，将其相关参数分成三种：基础身体条件参数、饮食和运动参数以及病史参数，对三方面参数进行分别处理、关联处理相结合。基础身体条件参数包括：身高、体重、性别、体重指数、体脂率、预定时间段内的平均血糖值、血脂含量、血压平均值等。饮食和运动参数包括：早餐、中餐、晚餐进食的种类以及各类频次和比例，以及每日其他时间进食的各种食物量、进食时间节点，运动类型、运动时间、运动强度等情况；病历参数包括当前所患疾病类型及既往病史相关参数，包括当前疾病种类、持续时间、发病周期，曾发疾病种类、发病时间、次数、植入的器械等。对上述参数进行分类，将其根据与胰岛素使用的相关程度，分为强相关参数和相关参数，上述两者均称为相关性参数，相关性参数用于训练数据选取。另外根据参数的即时性，从参数中选取即时性参数。
[0044]
对各个参数进行预处理，预处理包括数字化和归一化处理，对每个参数分配一个预定位数的值，预定位数比如设为256。例如，对于体重参数，将人体常规体重的上下限值作为归一化基数，对每个体重分配一个1-256之间的、与体重成正比的值。类似地，对各个参数或参数区间进行定义，为其分配归一化的参数值。
[0045]
构建基于强相关参数的第一聚类分析模型，构建基于强相关参数和相关参数二者的第二聚类分析模型，并且构建基于即时性参数的第三神经网络模型，设n、m、l分别为强相关参数、相关参数和即时性参数的数目(需要说明的是，这里的强相关参数、相关参数与即时性参数是可以存在重叠的，即部分参数既可以属于强相关性参数或相关参数也可以属于即时性参数，前两者只考虑相关性，而后者只考虑即时性，比如，某患者当前的血糖测量值超标，则其既属于强相关性参数，又属于即时性参数)，其中，第一聚类分析模型和第二聚类分析模型采用基于特征向量的聚类分析模型，第三神经网络模型采用基于图像的 vcg卷积神经网络模型。即时性参数主要包括近期的患者自主输入的饮食类别、饮食量、运动类型、运动时间、血糖值等。
[0046]
将归一化后的强相关参数组成n维特征向量，代入第一聚类分析模型。
[0047]
本实施例中，利用k-means算法(k均值聚类算法)对所提取特征进行聚类。先随机选取k1个样本数据作为初始的聚类中心。然后计算每个样本数据与各个种子聚类中心之间的距离，把每个样本数据分配给距离它最近的聚类中心。聚类中心以及分配给它们的样本数据就代表一个聚类。一旦全部样本数据都被分配了，每个聚类的聚类中心会根据聚类中现有的样本数据被重新计算，以使得所有聚类中的总的类别差距最小。这个过程将不断重复直到满足预设条件。比如，3次迭代过程中，聚类中心无变化，或者，误差平方和最小。这样，所有的样本数据在被代入到第一聚类分析模型之后，将被分成k1个类别，每个样本数据将被分配一个第一类别c1。
[0048]
将归一化后的强相关参数和相关参数组成n+m维特征向量，代入第二聚类分析模型。对于该聚类分析模型，选取k2个对象作为初始的聚类中心。k1和k2的数值根据分类精度要求人为设定，k2大于k1。类似地，与上述第一聚类分析模型类似，采用k均值聚类算法，将每
个样本数据的强相关参数和相关参数代入到第二聚类分析模型后，每个样本数据将被分配一个第二类别c2。
[0049]
对于任意一个患者，将其强相关参数和相关参数分别代入到第一聚类模型和第二聚类模型后，确定该患者的所属第一类别c1和第二类别c2，分别从第一类别和第二类别中提取样本，由于每个样本都是通过两个聚类模型进行聚类分析，所以两个聚类模型分类所获得的结果是存在交叉的。对于目标患者，从两次聚类所获的类别中筛选出既属于第一类别c1又属于第二类别c2的样本，作为后续样本数据，当样本数据不足时，优先从第二类别中选取样本不足样本数量。进而从样本数据(训练/参考数据)中选取出预定数目的样本。
[0050]
在一种实现方式中，基于上述分类，从所筛选出的样本数据中，利用即时性数据进行相似性匹配，筛选出与目标患者的即时性参数相似性最高的若干样本，并且从相似性最高的若干样本中选出病情控制情况评级最高的患者数据，将该患者数据对应的胰岛素用量方案转用到目标患者。当然，采用这种方案需要医生事先为该患者设定用量范围，先将样本方案与医生给定的范围比较，若落在范围内，则采用，否则发出警报。
[0051]
在另一种实现方式中，采用第三模型进行患者匹配。
[0052]
具体而言，将患者的即时性参数分成诱因参数和结果参数，根据每个患者的即时性诱因参数，对于每个诱因赋予初始权重，诱因参数至少包括饮食中糖相关食材的摄入以及预定时间内胰岛素的单次以及总量供给情况，结果参数包括诱因参数发生预定时间内的血糖水平是否正常，其他体征是否正常等。
[0053]
本实施例中，以三层反馈的bp神经网络模型为例，对本实施例所采用的迭代寻优模型进行描述，当然，本领域技术人员可以采用其他模型来进行诱因参数权重的寻优。本实施例的神经网络包括输入层、隐含层和输出层。
[0054]
输入层的神经元的数目根据诱因参数的数目确定，输出层的神经元数目根据结果参数的数目确定。为了简化描述，以输入层3个参数(x1、x2、x3)、输出层2个参数(y1、y2) 为例进行描述，三个输入参数分别为碳水化合物系数、胰岛素单次剂量和胰岛素基础总量。输入层到隐含层的神经元采用非线性转化，从隐含层到输出层则采用线性回归转化，线性函数可以采用普通的多元线性函数，这里不再详述。当然，本领域技术人员根据需要还可以额外增加参数，比如运动量参数或加权升糖指数(将各种摄入物质对糖尿病患者升糖情况得影响进行加权折算的值，可以在控制装置-手机软件中添加该功能，用户输入每种物质的量，则软件自动根据其物质种类以及烹饪方式进行加权升糖指数折算)，或者随时间变化的加权升糖曲线，即增加时间以及加权升糖指数的参数对。
[0055]
非线性传播过程可以采用指数函数形式，在一个实施例中，非线性传播可以采用下述函数
[0056]
非线性传播过程采用下述函数：
[0057]
xi表示第i个输入参数，yj表示中间层的第j个神经元输出，n表示输入参数的个数，m表示中间层神经元的个数， i∈[1,n],j∈[1,m]，α
ij
，β
ij
，γ
ij
，δ
ij
为对于传播函数的参数。
[0058]
在一种实现方式中，可以采用与距离结果参数发生的时间距离为加权值对各个参数进行加权处理。在另一种实现方式中，按照上述公式进行拓展，增加时间作为一个参数。
[0059]
线性转化可以采用：
[0060]
zk表示输出层的第k个节点的输出值，k∈[1,q],q表示输出层节点个数，l表示系数阶数，jk1,jk2,......,jk
l
为对于zk的传播参数。
[0061]
对患者的即时性参数按时间进行截取，获得n个包含预定时间段(比如，24小时、72 小时或者一周为一个周期)的即时性参数组，将各个参数组分别代入到bp神经网络模型中，以输出的结果参数和真实结果参数的匹配度误差最低为优化条件，对该模型进行优化训练，获得相应模型参数。这里的诱因参数既包括用户的饮食参数，又包括胰岛素的单次用量和总用量参数。结果参数包括患者在诱因参数影响下的身体状况结果，比如，血糖测量值达标或超标，或者其他生命体征正常或异常等。
[0062]
训练数据要尽量采集标准的患者参数数据，尽可能达到一定的测量频次和参数测定的准确性。
[0063]
在一种实现方式中，将每个参数表示成包含时间和对应量的向量(t,x)。以向量作为输入参数带入到输入层中。
[0064]
在另一种实现方式中，对于诱因参数根据时间进行第一次加权(x1t1、x2t2、x3t3)，然后将加权后的诱因参数再带入到输入层中，t1、t2、t3表示根据时间的加权值而非时间本身。比如，诱因参数距离结果参数的时间间隔越大，则其权重越小，诱因参数偏离正常值的幅度越大，则其值越大。在每一个截取的时间段中，只设置一个结果参数，若存在多个结果参数，则对结果参数进行加权平均或者仅选取最晚的一个结果参数。
[0065]
在一种优选实现方式中，采用梯度下降法对参数进行寻优，梯度下降法是寻优过程中的常规算法，这里不再详述。寻优要求使得最小化，pe表示经训练模型对训练样本中所分割出的所有参数组进行匹配度模拟时，所获得的匹配结果与真实结果不相同的次数，pa表示所有参数组的总数目。
[0066]
此外，模型训练过程中，增加无效样本的剔除功能，对于切割后的参数组，若该参数组代入到训练模型后，对该样本进行模拟时，误差始终超出预定阈值，则将其作为特例剔除。
[0067]
此外，本领域技术人员应该理解，对于bp神经网络而言，还可以采用lm算法或者其他卷积神经网络算法进行参数寻优。
[0068]
测定一定量的训练数据，对训练数据按照上述方式进行参数转换并带入到模型中，进行模型初始训练，获得模型的参数数据。对模型训练完成后，获得各层之间的传递函数。
[0069]
当患者首次佩戴新的胰岛素泵时，由医生对其设定胰岛素用量可调区间，并录入患者相关参数，对患者进行聚类分析并筛选出相应的专属训练用样本数据进行模型二次训练。患者佩戴胰岛素泵之后，每一天，或者以一定时间间隔作为一个周期，根据患者即时输入的信息(即时性参数)，利用即时性数据进行相似性匹配，筛选出与目标患者当前时间段的即时性参数相似性最高、并且结果性参数评级最高的样本，将其胰岛素用量方案与转用到目标患者，动态调整输入的胰岛素单次用量和总剂量值。
[0070]
综上所述，本发明可以实现对于胰岛素用量的动态调整，首先样本数据的强相关
参数被代入到第一聚类分析模型，样本数据将被分配一个第一类别c1，样本数据的强相关参数和相关参数被代入到第二聚类分析模型，样本数据将被分配一个第二类别c2.对于目标患者，从两次聚类所获的类别中筛选出既属于第一类别c1又属于第二类别c2的样本，作为训练样本数据。模型可以基于所有训练数据进行首次训练，然后，根据患者所述类别，利用训练样本数据对神经网络模型进行二次训练，进行参数寻优，参数寻优后，将患者数据输入到神经网络模型，获得相应的胰岛素用量参考数据，若参考数据在上下限内，则执行否则按照上述方式处理或者报警。
[0071]
采用本发明的系统将即时性参数和基础参数进行了区分，对患者数据进行的双重聚类，对模型进行二次训练，可以明显提升神经网络模型进行患者匹配的效率和准确度，有利于找到最优的胰岛素分配方案。以基础身体条件参数、饮食和运动参数以及病史参数三方面输入参数，每方面参数选取3-4个参数所构建的模型为例，发明人进行了模型验证，对于运动参数，将运动类型、运动时间以及运动强度分别设置加权系数，以折合运动量作为输入参数，选取一类和二类两种不同的糖尿病患者，并且对于两类患者选取具有不同体重范围的300组患者数据作为训练数据，选取30组作为测试数据。对模型分别采取两种方式，一类直接利用训练进行训练，另一类，根据本发明上述实施例中的方法，在模型训练好之后，通过聚类分析，对模型进行二次训练。然后利用测试数据对模型进行检验，通过对比可以发现，采用本发明方法进行聚类之后二次训练，可以将分类准确率由85％提高到97％以上。并且，将通过模型转用获得的即时性剂量方案经医生判断，偏差率不超过10％，完全符合患者的降糖需要。
[0072]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。