【技术实现步骤摘要】
【国外来华专利技术】
本专利技术揭示一种智能健康管理(smart health care)，更具体地，揭示一种能以心电图(electrocardiogram，ecg)为基础计测血糖(bloodsugar)的实时数值及管理程度的方法及为了执行该方法而存储在存储介质的计算机程序。
技术介绍
1、心电图(ecg)以曲线图记录了心脏心肌(heart muscle)所致电
2、活动的视觉化变化。下面简单说明心脏的传导系统(conduction system)，
3、窦房结(sinoatrial node，sa node)定期生成电信号而诱导心脏收缩。
4、房室结(atrioventricular node，av node)在窦房结(sa node)所致
5、电信号通过心房(atrium)抵达时将其细微地予以迟滞后传递。来自房
6、室结(av node)的电信号则经过房室束(bundle of his)与浦肯野纤
7、维(purkinje fibers)扩散到整个心室(ventricle)。
8、下面说明能够随着心脏的传导过程观察到的心电图(ecg)的波
9、形，在窦房结(sa node)所致电信号使得心房极化而导致瓣膜的心肌
10、收缩后心房重新去极化使得瓣膜的心肌重新舒张的过程中能观察到p
11、波(p wave)。房室结(av node)为了在心房收缩时阻止心室立即反
12、应而将电信号迟滞的过程中能观察到p-q波(p-q w
13、(av node)迟滞的信号抵达(q)而心室立即极化(r)后马上去极
14、化(s)的过程中能观察到qrs波(qrs complex)。在心室收缩让心
15、室内的血液向身体各处移动而为此电信号不刺激心脏的休息期过程中
16、能观察到s-t波(s-t wave)。而且，在心室重新较弱地极化后重新去
17、极化而使得心室与瓣膜的心肌同时舒张的过程中能观察到t波(t
18、wave)。而且，也会在某些情况下观察到心室间隔(intraventricular septum)的再极化所致u波(u wave)。
19、如前所述的能通过心电图(ecg)观察到的多个波形(p波、p-q波、qrs波、s-t波、t波及u波)的出现顺序、各自的形状、大小及间隔等能随着健康状态而变化成各种形态。换句话说，分析心电图(ecg)所含多个波形的出现顺序、形状、大小及间隔等的话就能类推出健康状态，进一步，还能类推导致该健康状态的各种原因。
20、另一方面，人工智能(artificial intelligence，ai)指的是利用计算机程序以人工方式实现人的学习能力、推论能力及知觉能力等的一部分或全部的技术。关于人工智能(ai)，机器学习(machine learning)指的是利用由多个参数构成的模型以给定的数据将参数予以优化的学习。
21、如前所述的机器学习则根据学习方法论而区分为监督学习(supervisedlearning)、无监督学习(unsupervised learning)及强化学习(reinforcementlearning)。而且，机器学习根据学习算法而区分为回归分析(regression analysis)、人工神经网络(artificial neural network，ann)、深度学习(deep learning，dl)等。
22、另一方面，血糖(blood sugar)指的是血液内所含葡萄糖。一般来说，血糖凭借胰岛素(insulin)、胰高血糖素(glucagon)、肾上腺素(epinephrine)、糖皮质激素(glucocorticoid)、肾上腺皮质激素(adrenocorticotrophic hormone)及甲状腺激素(thyroid hormone)等的相互作用使其数值保持一定值。而且，糖尿病(diabetesmellitus，dm)是胰岛素的分泌量不足或所分泌的胰岛素无法正常发挥功能而出现高血糖之类症状的代谢疾病。
23、高血糖状态长时间持续或糖尿病变严重时可能会发生因冠状动脉(coronaryartery)急性堵塞而发生的心肌梗死(myocardial infarction)或脑动脉(cerebralartery)堵塞或爆裂的脑中风(cerebral infarction，stroke)，除此之外，还能诱发视力下降(amblyopia)、失明(caecitas)、肾脏功能下降(renal function impairment)之类的合并症。
24、依据各种研究结果表明，意味着结合了葡萄糖的血红蛋白的糖化血红蛋白(glycated hemoglobin，hba1c)的数值降低1％的话，高血糖或糖尿病所致合并症的危险性会减少大约20％至30％。因此需要开发出一种在高血压或糖尿病等疾病所致合并症发生之前彻底管理血糖的各种工具。
技术实现思路
1、技术问题
2、本专利技术的一目的是提供一种能以心电图(ecg)为基础计测血糖的实时数值及管理程度的方法。
3、本专利技术的另一目的是提供一种为了执行能以心电图(ecg)为基础计测血糖的实时数值及管理程度的方法而存储在存储介质的计算机程序。
4、本专利技术的技术问题不限于前面提到的技术问题，本专利技术所属
的普通技术人员能在下面的记载中明确地了解到前面没有提到的其它技术问题。
5、技术方案
6、为了解决如前所述的技术问题，本专利技术揭示一种能以心电图(ecg)为基础计测血糖的实时数值及管理程度的方法。所述方法可包括下列步骤：获取把使用者作为对象测量的心电图(electrocardiogram，ecg)信号；利用预先学习的第一人工智能(artificialintelligence，ai)分析所述心电图(ecg)信号而推断所述使用者的血糖(blood sugar)数值，利用所述人工智能(ai)分析所述心电图(ecg)信号而判断所述使用者是否为高血糖或低血糖；以及以推断的所述血糖数值与是否为高血糖或低血糖的所述判断的结果为基础确定所述使用者是否需要关于血糖或糖尿的提醒。
7、所述方法在所述确定是否需要提醒的步骤之后还可包括下列步骤：如果确定需要所述提醒的话，把以所述血糖数值、糖化血红蛋白(hba1c)数值、是否为高血糖或低血糖以及糖化血红蛋白(hba1c)正常与否为基础设定的提醒信息传输给对应于所述使用者地预先设定的使用者装置(user equipment，ue)。
8、而且，在判断是否为高血糖或低血糖的所述步骤中，利用预先学习的第二人工智能(ai)分析所述心电图(ecg)信号而推断所述使用者的糖化血红蛋白(glycatedhemoglobin，hba1c)数值，利用所述第二人工智能(ai)分析所述心电图(ec本文档来自技高网...
【技术保护点】
1.一种计测血糖的实时数值及管理程度的方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的计测血糖的实时数值及管理程度的方法，其特征在于，在判断是否为高血糖或低血糖的所述步骤中，利用预先学习的第二人工智能分析所述心电图信号而推断所述使用者的糖化血红蛋白数值，利用所述第二人工智能分析所述心电图信号而判断所述糖化血红蛋白正常与否。
3.根据权利要求2所述的计测血糖的实时数值及管理程度的方法，其特征在于，判断是否为高血糖或低血糖的所述步骤包括下列步骤：
4.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在提取特征信息的所述步骤中，利用小波变换、集合经验模态分解、三元基序场及三元基序差异场中的某一个分解所述心电图信号并提取所述特征信息。
5.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在分割成多个局部单位的所述步骤中，让预先设定了尺寸的格子沿着时间轴移动并且把取自所述心电图信号的特征信息分割成具有对应所述格子的尺寸的多个局部单位。
6.根据权利要求3所述的计测血糖的实时数值及管
7.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在判断正常与否的所述步骤中，以预先设定的有效范围为基准清除取自所述第一人工智能及第二人工智能的多个数值所含异常值，利用基于取自第一人工智能的多个数值中清除了所述异常值的多个数值的平均值的软投票结果判断所述血糖数值，利用基于取自第二人工智能的多个数值中清除了所述异常值的多个数值的平均值的软投票结果推断所述糖化血红蛋白数值。
8.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在判断正常与否的所述步骤中，以所述有效范围为基准清除取自所述第一人工智能及第二人工智能的多个概率值所含异常值，利用基于取自所述第一人工智能的多个概率值中清除了所述异常值的多个概率值的多数议决的硬投票结果判断是否为高血糖或低血糖，利用基于取自第二人工智能的多个概率值中清除了所述异常值的多个概率值的多数议决的硬投票结果判断所述糖化血红蛋白正常与否。
9.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在确定是否需要提醒的所述步骤之后还包括下列步骤：
10.一种计算机程序，其为了执行下列步骤而存储在存储介质，其和包括存储器、收发器、输入输出装置以及处理常驻于所述存储器的命令的处理器的计算装置结合，所述下列步骤是：
...【技术特征摘要】
【国外来华专利技术】
1.一种计测血糖的实时数值及管理程度的方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的计测血糖的实时数值及管理程度的方法，其特征在于，在判断是否为高血糖或低血糖的所述步骤中，利用预先学习的第二人工智能分析所述心电图信号而推断所述使用者的糖化血红蛋白数值，利用所述第二人工智能分析所述心电图信号而判断所述糖化血红蛋白正常与否。
3.根据权利要求2所述的计测血糖的实时数值及管理程度的方法，其特征在于，判断是否为高血糖或低血糖的所述步骤包括下列步骤：
4.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在提取特征信息的所述步骤中，利用小波变换、集合经验模态分解、三元基序场及三元基序差异场中的某一个分解所述心电图信号并提取所述特征信息。
5.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在分割成多个局部单位的所述步骤中，让预先设定了尺寸的格子沿着时间轴移动并且把取自所述心电图信号的特征信息分割成具有对应所述格子的尺寸的多个局部单位。
6.根据权利要求3所述的计测血糖的实时数值及管理程度的方法，其特征在于，在获取多个数值及多个概率值的所述步骤中，把对于分割的所述多个局部单位的特征矢量分别输入到所述第一人工智能及第二人工智能的多重线性回归模型及分类模型而获取所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。