[go: up one dir, main page]

GR20180100577A - Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη - Google Patents

Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη Download PDF

Info

Publication number
GR20180100577A
GR20180100577A GR20180100577A GR20180100577A GR20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A GR 20180100577 A GR20180100577 A GR 20180100577A
Authority
GR
Greece
Prior art keywords
glucose
subsystem
invasive
analysis
monitoring
Prior art date
Application number
GR20180100577A
Other languages
English (en)
Inventor
Χαραλαμπια Χρηστος Πυλαρινου
Ελευθεριος Γεωργιος Γκορτζης
Original Assignee
Χαραλαμπια Χρηστος Πυλαρινου
Ελευθεριος Γεωργιος Γκορτζης
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Χαραλαμπια Χρηστος Πυλαρινου, Ελευθεριος Γεωργιος Γκορτζης filed Critical Χαραλαμπια Χρηστος Πυλαρινου
Priority to GR20180100577A priority Critical patent/GR20180100577A/el
Publication of GR20180100577A publication Critical patent/GR20180100577A/el

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024Measuring pulse rate or heart rate
    • A61B5/02416Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring 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
    • A61B5/14532Measuring 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring 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
    • A61B5/1455Measuring 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • G06T7/0016Biomedical image inspection using an image reference approach involving temporal comparison
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Epidemiology (AREA)
  • Emergency Medicine (AREA)
  • Databases & Information Systems (AREA)

Abstract

Ένα μη επεμβατικό σύστημα και μέθοδος νια τον προσδιορισμό των επιπέδων γλυκόζης στο αίμα αναπτύσσεται στην παρούσα εφεύρεση. Η συνδυαστική μέθοδος στηρίζεται σε ένα καινοτόμο σύστημα αποτελούμενο από ένα αναλυτικό υποσύστημα λήψης και επεξεργασίας σημάτων και ένα έξυπνο προγνωστικό αλγόριθμο. Το πρώτο υποσύστημα στηρίζεται στην τεχνική απεικόνισης, σε πραγματικό χρόνο, με φωτοπληθυσμογραφία (PPG) και απομακρυσμένη φωτοπληθυσμογραφία (rPPG), σε απεικόνιση με υπέρυθρη ακτινοβολία (NIFR-MIFR) και μετρήσεις μεταβολών καρδιακής συχνότητας (HRV) και άλλων κλινικών παραμέτρων. Η μη επεμβατική λήψησημάτων, πραγματοποιείται με αισθητήρες, από κινητή συσκευή, ή και μέσω ενσωματωμένων αισθητήρων από κινητή έξυπνη συσκευή (π.χ. κινητό τηλέφωνο). Τα σήματα φιλτράρονται και επεξεργάζονται από το προγνωστικό υποσύστημα που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα για τη διάγνωση, την παρακολούθηση και την πρόβλεψη της συγκέντρωσης γλυκόζης στο αίμα και διαβήτη. Η ευκολία χρήσης του συστήματος διευκολύνει εκατομμύρια χρήστες να μετρούν συχνά και ανώδυνα τη γλυκόζη στο αίμα, αντιμετωπίζοντας αποτελεσματικά και προλαμβάνοντας την πάθηση του διαβήτη.

Description

ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
Τίτλος Εφεύρεσης ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / ΔΙΑΒΗΤΗ
Τεχνικό Πεδίο Η παρούσα εφεύρεση αναφέρεται σε μία μη επεμβατική μέθοδο Εφεύρεσης καί σύστημα διάγνωσης καί παρακολούθησης της γλυκόζης αίματος, μέσω της φωτοπληθυσμογραφικής PPG καί απεικονιστικές τεχνικές, αποτελούμενη από ένα υποσύστημα αναλύσεων αισθητήρων καί ένα έξυπνο προγνωστικό υποσύστημα αυτοδιαχείρισης του διαβήτη.
Στάθμη υφιστάμενων [001] Η παρούσα εφεύρεση αναφέρεται σε ένα μη επεμβατικό τεχνικών καί σύστημα καί μέθοδο προσδιορισμού των επιπέδων γλυκόζης στο αποτίμηση αυτών αίμα. Μία συνδυαστική μέθοδος που περιλαμβάνει PPG, τεχνικές απεικόνισης και μετρήσεις άλλων κλινικών παραμέτρων όπως Sp02 και καθημερινές δραστηριότητες και χρησιμοποιείται σε συνδυασμό με εργαλεία τεχνητής νοημοσύνης και μηχανικής μάθησης για τη μέτρηση, την παρακολούθηση, την πρόβλεψη και τη μελλοντική συγκέντρωση γλυκόζης και άλλων αναλυτών ( π.χ. χοληστερόλη) στο αίμα.
[002] Ο διαβήτης είναι ένα σημαντικό παγκόσμιο πρόβλημα υγείας, το οποίο χαρακτηρίζεται από υψηλή συγκέντρωση γλυκόζης στο αίμα και στους ιστούς του σώματος. Πρόκειται για μια μεταβολική διαταραχή στην οποία το πάγκρεας είτε υπολειτουργεί (διαβήτης τύπου II) ή δεν παράγει καθόλου (διαβήτης τύπου I) ινσουλίνη. Υπάρχουν διάφοροι τύποι DM (διαβήτη), οι οποίοι είναι αποτέλεσμα μιας περίπλοκης αλληλεπίδρασης μεταξύ γενετικών παραγόντων, περιβαλλοντικών παραγόντων και τρόπου ζωής. Όταν η γλυκόζη του αίματος είναι πολύ υψηλή ή πολύ χαμηλή, προκαλείται σημαντική επίδραση στην υγεία, καθώς οι επιπλοκές του διαβήτη είναι πολύ σοβαρές, όπως η κίρρωση του ήπατος και η νευροπάθεια. Εκτιμάται ότι ο συνολικός αριθμός των διαβητικών σε όλο τον κόσμο είναι περίπου 180 εκατομμύρια. Περίπου 4 εκατομμύρια θάνατοι προκαλούνται κάθε χρόνο (9% των θανάτων παγκοσμίως). Μελέτες έχουν δείξει ότι περίπου το 1,7% του παγκόσμιου πληθυσμού πάσχει από διαβήτη και ότι αυτό το ποσοστό είναι πιθανό να αυξηθεί μεσοπρόθεσμα και μακροπρόθεσμα. Έτσι, ο διαβήτης παραμένει μια σημαντική αιτία νοσηρότητας και θνησιμότητας.
[003] Οι τρέχουσες μέθοδοι που χρησιμοποιούνται για τη μέτρηση της γλυκόζης αίματος, άμεσα, αντλούν αίμα από τους χρήστες, με ηλεκτροχημικό τρόπο. Η πρότυπη μέθοδος για την ανίχνευση της γλυκόζης αίματος είναι η ενζυματική αντίδραση του δείγματος με οξειδάση γλυκόζης για το σχηματισμό γλυκονικού οξέος και υπεροξειδίου του υδρογόνου. Η μεταβολή του ρεύματος, μεταξύ των ηλεκτροδίων σε μια ταινία δοκιμής, καταγράφεται μετά από μια αντίδραση με οξυγόνο, με μια χρωματομετρική ένδειξη. Αυτή η μέθοδος θεωρείται ακόμα πιο ακριβής (αν και προκαλεί λάθος ~ ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
9%), αντίθετα με νέες δοκιμές ούρων, εξετάσεις σάλιου και άλλες εξετάσεις σωματικού υγρού για το σάκχαρο του αίματος. Οι παρενέργειες αυτής της επεμβατικής μεθόδου είναι σημαντικές και συχνά εμποδίζουν τους χρήστες να παρακολουθούν αποτελεσματικά τη γλυκόζη.
[004] Χρησιμοποιώντας επεμβατικό τρόπο για τη μέτρηση της γλυκόζης αίματος για μακροχρόνιους ασθενείς με υψηλή περιεκτικότητα σε λιπαρά, αυξάνεται ο κίνδυνος μόλυνσης. Η μέτρηση γίνεται επώδυνη, ενοχλητική και δαπανηρή, καθώς και προκαλεί ψυχολογικά προβλήματα στους περισσότερους ανθρώπους που υποβάλλονται σε αυτή τη διαδικασία, ειδικά σε μικρά παιδιά που πάσχουν από διαβήτη. Αυτοί οι παράγοντες περιορίζουν τους ανθρώπους από την εύκολη και περιοδική μέτρηση και κατανόηση των επιπέδων γλυκόζης.
[005] Προκειμένου να ξεπεραστούν αυτές οι δυσκολίες που απορρέουν από τις επεμβατικές μεθόδους μετρήσεων, φασματικοί μέθοδοι και αναλύσει σωματικών υγρών χρησιμοποιούνται για να προβλέψουντην περιεκτικότητα γλυκόζης στο αίμα, με ένα λιγότερο επεμβατικό τρόπο. Στην πραγματικότητα, οι απεικονιστικές τεχνικές και τεχνικές φασματικής ανάλυσης έχουν χρησιμοποιηθεί εκτενώς τις προηγούμενες δεκαετίες, όπως η απεικόνιση με βάση τη μικροσκοπία, η απεικόνιση μαγνητικού συντονισμού (MRI), ο υπέρηχος (US), η Raman, η φωτοακουστική (ΡΑ), η υπολογιστική τομογραφία (CT), ο φθορισμός και συναφή , ως εξέλιξη προς τις παραδοσιακές επεμβατικές διαγνωστικές τεχνικές. Ειδικότερα, η γλυκόζη μπορεί να ανιχνευθεί μέσω φασματοσκοπικών τεχνικών που χρησιμοποιούν διαφορετικά μήκη κύματος, για να εκτιμηθείτο φάσμα απορρόφησης ενέργειας. Τέτοιες τεχνικές είναι η φασματοσκοπία Near Infrared (NIR), Mid-Infrared (MIR) και FIR, η αντίστροφη ιοντοφόρηση, η φασματοσκοπία αντίστασης, η ηλεκτρομαγνητική ανίχνευση, ο φθορισμός, η φασματοσκοπία Raman και η ακουστική φασματοσκοπία.
[006] Οι μη επεμβατικές τεχνικές μέτρησης γλυκόζης στο αίμα εξαρτώνται κυρίως από την απορρόφηση ή τη μετάδοση. Οι πιο συνηθισμένες μέθοδοι χρησιμοποιούν φασματοφωτομετρική ανάλυση απορρόφησης φωτός βάσει του νόμου Beer-Lambert. Πέρα από τις κοινές φασματοσκοπικές μεθόδους, υπάρχουν και άλλες υψηλής ακρίβειας τεχνολογίες που χρησιμοποιείται για τις μετρήσεις της γλυκόζης, που περιγράφεται, αν και, με ορισμένους περιορισμούς, όπως η Πολαρομετρία, η ηλεκτρομαγνητική μέτρηση, ο υπέρηχος, η θερμοκρασιακά ρυθμιζόμενη εντοπισμένη ανάκλαση, η οπτικής συνεκτικότητας τομογραφία. Κατά την περίοδο αυτή αρκετές πιθανές εναλλακτικές λύσεις έχουν προκύψει, συμπεριλαμβανομένων διεισδυτικών εμφυτεύσιμων μικροαισθητήρων, ελάχιστα επεμβατική διαδικασία της δημιουργίας μικροπόρων του δέρματος χρησιμοποιώντας λέιζερ ή μικροσκοπικών βελονών καθώς και διαδερμική μέτρηση που ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
βασίζεται στην έκχυση των διάμεσων υγρών μέσω του δέρματος χρησιμοποιώντας ιοντοφόρηση ή ηχοφόρηση. Αυτές οι οπτικές μέθοδοι έχουν συμπεριλάβει την μέτρηση της περιστροφής του οπτικού πόλωσης στο υδατοειδές υγρό του φακού του ματιού ή σε χρωματο μετρικούς φακούς επαφής που μετρούν το δάκρυ με ταινία ή τη χρήση του εγγυούς υπερύθρου φασματοσκοπίας, NIRS, σε ιστούς όπως το δάκτυλο ή το χείλος.
[007] Η φωτοπληθυσμογραφία (PPG) είναι η διαδικασία μέτρησης της ροής αίματος από το φως που μεταδίδεται μέσω ή αντανακλάται από το δέρμα. Πρόκειται για μια τεχνική οπτικής μέτρησης που χρησιμοποιεί ένα αόρατο υπέρυθρο φως στον ιστό και την ποσότητα του οπίσθιου φωτός που αντιστοιχεί στην μεταβολή του όγκου του αίματος. Συνήθως, η PPG χρησιμοποιεί έναν προσαρμοσμένο αισθητήρα σε επαφή με το δέρμα και μια ειδική φωτεινή πηγή (όπως μια δίοδος εκπομπής φωτός (LED)). Η φωτοπληθυσμογραφία αποτελείται από παλμική συνιστώσα (AC) και μη παλμική συνιστώσα (DC). To AC συγχρονίζεται με τον καρδιακό και αρτηριακό παλμό, ενώ το DC σχετίζεται με την απορρόφηση του φωτός στον όγκο των ιστών, των φλεβών και του διαστολικού αρτηριακού αίματος. Παρόλο που η ανάλυση PPG είναι ανώδυνη και μπορεί να είναι οικονομικά αποδοτική, σε συγκεκριμένες ρυθμίσεις, παρόλα αυτά παρέχει περιορισμένα ακρίβεια λόγω γενικών προβλημάτων που σχετίζονται με την ανάλυση του ανάλυση φωτός (διασκορπισμό, φωτισμό) και μεγάλη παραμόρφωση σήματος από εξωτερικούς παράγοντες, όπως εξωτερικό φως, χαρακτηριστικά δέρματος (χρωματισμός, βάθος, υφή), παράγοντες κίνησης κλπ.
[008] Η φασματοσκοπία εγγυούς υπερύθρου (NIRS) είναι μια φασματοσκοπική μέθοδος που χρησιμοποιεί την περιοχή εγγυούς υπερύθρου του ηλεκτρομαγνητικού φάσματος (από περίπου 700 nm έως 2500 nm). Τυπικές εφαρμογές περιλαμβάνουν ιατρικές διαγνώσεις και διαγνώσεις φυσιολογίας και έρευνες συμπεριλαμβανομένου του σακχάρου στο αίμα. Η φασματοσκοπία εγγυούς υπέρυθρης ακτινοβολίας βασίζεται σε μοριακές οξειδωτικές και συνδυαστικές δονήσεις, με πολύ μικρή απορροφητικότητα μοριακής απορρόφησης στην εγγύ περιοχή IR. Η μέτρηση της γλυκόζης με φασματοσκοπία NIR επιτρέπει τη διερεύνηση βάθους ιστού στην περιοχή από 1 έως 100 χιλιοστά. Αυτό επιτρέπει τη διείσδυση του NIR πολύ περισσότερο από ένα δείγμα μέσης υπέρυθρης ακτινοβολίας. Στην πραγματικότητα, μεγαλύτερο το μήκος κύματος, μικρότερο το βάθος διείσδυσης. Καθώς η συγκέντρωση της γλυκόζης στο αίμα αλλάζει, η ένταση του φωτός, αντίστοιχα, αλλάζει.
[009] Η απορρόφηση του ολικού αίματος στο εύρος του ορατού και infrared επηρεάζεται από τα διαφορετικά παράγωγα γλυκόζης, το νερό και τη μελανίνη. Δυσκολίες στις μετρήσεις παρουσιάζονται επίσης λόγω περιβαλλοντικών παραγόντων όπως η υγρασία, η ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
ενυδάτωση του δέρματος, το φως, η πίεση, η τεχνητή κίνηση καί η φυσική / χημική θερμοκρασία, το λιπιδικό προφίλ, η αλβουμίνη καί το Sp02. Όλες αυτές οι φυσικές καιχημικές παράμετροι περιορίζουν τον ακριβή προσδιορισμό της γλυκόζης μέσω απορρόφησης φωτός NIR.
[010] To Mid-IRS βασίζεται σε εύρος μήκους κύματος 2500-10000 nm. To MID φαίνεται να είναι ανώτερο στις μετρήσεις της γλυκόζης από το NIR, με την έννοια ότι εκτελεί υψηλότερη πρόσληψη των μηκών κύματος, αλλά η μετάδοση του φωτός στο Mid-IRS απαιτεί περισσότερο χρόνο.
[011] Η υπολογιστική Ανάλυση Εικόνας περιλαμβάνει σε μεγάλο βαθμό τα πεδία της υπολογιστική ή μηχανικής όρασης και της ιατρικής απεικόνισης, κάνοντας σημαντική χρήση αναγνώρισης προτύπων, ψηφιακής γεωμετρίας και επεξεργασίας σημάτων. Στην υπολογιστική όραση, η κατάτμηση εικόνας είναι η διαδικασία διαίρεσης μιας ψηφιακής εικόνας σε πολλά τμήματα. Το αποτέλεσμα της τμηματοποίησης εικόνας είναι ένα σύνολο από τμήματα που καλύπτουν συλλογικά ολόκληρη την εικόνα ή ένα σύνολο από περιγράμματα που εξάγονται από την εικόνα. Αν και αυτή η τεχνική είναι ιδιαίτερα δημοφιλής στην ιατρική απεικόνιση για ανακατασκευή, στην περίπτωση αυτή θα χρησιμοποιηθεί για λεπτομερή αναγνώριση μορίων γλυκόζης. Η αναγνώριση μοτίβων είναι ένας κλάδος της μηχανικής μάθησης που επικεντρώνεται στην αναγνώριση των μοτίβων και των κανονικοτήτων στα δεδομένα. Και οι δύο αυτές τεχνικές αποδεικνύονται ιδιαίτερα αποτελεσματικές, αν και απαιτούν σημαντικό λογισμικό και σημαντικούς επεξεργαστικούς πόρους, οι οποίοι συχνά δεν διατίθενται σε μικρές συσκευές και κινητά τηλέφωνα και tablet.
[012] Τα νευρωνικά δίκτυα θα χρησιμοποιηθούν για περαιτέρω επεξεργασία δεδομένων (τόσο βιοσημάτων αισθητήρων όσο και χειροκίνητων καταχωρήσεων). Τα Deep Convolutional Neural Networks (CNN) είναι αρχιτεκτονικές που εκμεταλλεύονται τη χωρική δομή των εισαγόμενων πληροφοριών. Χρησιμοποιούνται ευρέως σε διάφορες εφαρμογές, όπως ανάλυση εικόνας, αναγνώριση εικόνας, αντικειμένων και συναισθημάτων. Τα CNN είναι εξαιρετικό για να βοηθήσει τη χωρική δομή της εκμετάλλευσης της συγκέντρωσης των μορίων του αίματος. Τα περιοδικά νευρωνικά δίκτυα (RNN) χρησιμοποιούνται εκτενώς σε εργασίες μοντελοποίησης και πρόβλεψης αλληλουχιών. Τα RNNs λαμβάνουν βιοστοιχεία. Ειδικότερα, το μοντέλο Long Short-Term Memory (LSTM) χρησιμοποιεί κρυφά δεδομένα με πύλες, ελέγχοντας τη ροή δεδομένων σε κρυφές καταστάσεις και δεδομένα εισόδου. Ένα LSTM είναι κατάλληλο για ταξινόμηση, επεξεργασία και πρόβλεψη χρονολογικών σειρών, δεδομένων των χρονικών κενών αγνώστου μεγέθους και διάρκειας μεταξύ σημαντικών γεγονότων.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
Σύντομη Παρουσίαση [013] Ένα μη επεμβατικό σύστημα καί μέθοδος για τον της Εφεύρεσης - προσδιορισμό των επιπέδων γλυκόζης αίματος αναπτύσσεται στην Πλεονεκτήματα της παρούσα εφεύρεση. Η συνδυαστική μέθοδος διάγνωσης Εφεύρεσης αποτελείται από ένα υποσύστημα καταγραφής καί ανάλυσης σήματος καί ένα ευφυές υποσύστημα πρόγνωσης καί παρακολούθησης.
[014] Η αρχιτεκτονική του συνολικού συστήματος είναι δομημένη σε:
i) ένα δέκτη δεδομένων (κινητή συσκευή) με ενσωματωμένους ή εξωτερικούς αισθητήρες, διεπαφή καί υποσύστημα αισθητήρα
ii) μία τοπική βάση δεδομένων μέσα στην εφαρμογή για κινητές συσκευές καί μία βάση δεδομένων cloud όπου όλα τα δεδομένα κατευθύνονται καί αποθηκεύονται iii) ένα Web API όπου όλα τα αποθηκευμένα καί επεξεργασμένα δεδομένα παρουσιάζονται καί τροποποιούνται (όπου χρειάζεται)
iν) Υποσύστημα έξυπνης παρακολούθησης καί πρόβλεψης [015] Σε μία υλοποίηση, χρησιμοποιείται εμπορική φωτοδίοδο για μετρήσεις των εντάσεων φωτός που μεταδίδονται, όπως σε μία μη επεμβατική συσκευή για τη μέτρηση των επιπέδων γλυκόζης κάθε χρήστη. Εμπορικά έξυπνα κινητά τηλέφωνα μπορούν να χρησιμοποιηθούν για την παροχή βασικών αισθητήρων, μονάδων επεξεργασίας και αποθήκευσης για την ανίχνευση, την επεξεργασία καιτην αποθήκευση λειτουργιών. Στην πραγματικότητα, το σύστημα χρησιμοποιεί τις ενσωματωμένους αισθητήρες των smartphones (φως led, υπέρυθρο πομπό / δέκτη, φωτογραφικές μηχανές, επιταχυνσιόμετρο, ηχείο, μικρόφωνο, βαρόμετρο, γυροσκόπιο και θερμόμετρο) που καταγράφουν περιβαλλοντικά σήματα και σήματα φυσιολογίας, που απαιτούνται για τον προσδιορισμό της συγκέντρωση γλυκόζης. Τα σήματα που λαμβάνονται από τους ενσωματωμένους αισθητήρες, είτε υποβάλλονται σε επεξεργασία τοπικά ή μεταφέρονται μέσω διαδικτύου και επεξεργάζονται με εξελιγμένα αναλυτικά εργαλεία. Τα αποτελέσματα παρουσιάζονται σε πραγματικό χρόνο στις διεπαφές του χρήστη και αποθηκεύονται τόσο τοπικά (αποθήκευση τηλεφώνου) όσο και στον προσωπικό λογαριασμό του χρήστη.
[016] Σε άλλη ενσωμάτωση οι κινητές συσκευές που αποτελούνται από πομπό, κάμερα, επιταχυνσιόμετρο, ηχείο, μικρόφωνο, βαρόμετρο, γυροσκόπιο, θερμόμετρο, επεξεργαστή, διεπαφές, και μονάδα αποθήκευσης δεδομένων, καταγράφουν σήματα, αποθηκεύουν, επεξεργάζονται, παρουσιάζουν και μεταφέρουν μέσω διαδικτύου δεδομένα για περαιτέρω ανάλυση για τη διάγνωση και να παρακολούθηση των επιπέδων γλυκόζης στο αίμα.
[017] Η μέθοδος μέτρησης της γλυκόζης αίματος χρησιμοποιεί μια επιφάνεια δέρματος, ιδανικά μια επιφάνεια για την λήψη εικόνων και σημάτων PPG. Μία συνδυαστική μέθοδος, της ανάλυσης IR και ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
του φωτοπληθυσμογραφικού σήματος (PPG) λαμβάνεται από συνεχόμενα βιντεοκάμετρα, συμπεριλαμβανομένων αρκετών κλινικών παραμέτρων του χρήστη. Ο χωρικός μέσος όρος χρησιμοποιείται για τη βελτίωση της αναλογίας σήματος προς θόρυβο (SNR). Η συσκευή μέτρησης της γλυκόζης αίματος, με την ενσωματωμένη κάμερα για τη λήψη σηματοδοσίας εικόνας και το εξελιγμένο αναλυτικό λογισμικό, ή να εγκατασταθεί απευθείας στο smartphone της συνήθους αγοράς και να χρησιμοποιήσει τους ενσωματωμένους αισθητήρες (κάμερες, υπέρυθρες , επιταχυνσιόμετρο, φλας, ηχείο και μικρόφωνο). Το λογισμικό που είναι εγκατεστημένο στο smartphone με τη μορφή εφαρμογής που μπορεί να μεταφορτωθεί αποτελείται από το υποσύστημα παρακολούθησης υποσυστήματος και έξυπνης αξιολόγησης.
[018] Σε μία άλλη ενσωμάτωση, χρησιμοποιείται συνδυαστική μέθοδος για τη χρήση μετρήσεων παλμικού κύματος PPG, φασματικής ανάλυσης NIR και MIR, απεικονιστικής ανάλυσης σε πραγματικό χρόνο μετρήσεις συσχετιζόμενων ζωτικών σημείων και βιοδεικτών, για τον προσδιορισμό των επιπέδων γλυκόζης με μη επεμβατικό τρόπο. Τα πλαίσια βίντεο επεξεργάζονται σε διαφορετικά μήκη κύματος (ορατά, IR, NIR, MIR), χρησιμοποιώντας ταυτόχρονα και άλλα χρώματα (κόκκινο, πράσινο, μπλε) για την επιθυμητή μέτρηση βάθους του δέρματος.
[019]. Σε άλλη ενσωμάτωση, απεικονιστικά δεδομένα, που λαμβάνονται από τα πλαίσια βίντεο, υποβάλλονται σε επεξεργασία και τροφοδοτούνται με τους προγνωστικούς αλγορίθμους για βέλτιστα αποτελέσματα. Φιλτραρισμένα δείγματα παρεμβάλλονται για να σχηματίσουν μια γραμμή καλύτερης προσαρμογής μέσω γραμμικής παλινδρόμησης. Ο μέσος όρος της γραμμής αυτής παρέχει τιμές γλυκόζης, κλιμακούμενες σε κλίμακα 50-350 mg / dl.
[020] Σε μια άλλη ενσωμάτωση της εφεύρεσης, PPG βιοσήματα παρέχουν πληροφορίες για άμεση μέτρηση της γλυκόζης και πρόσθετα ζωτικά σημάδια και βιοδείκτες μέτρησης για συσχέτιση και βελτιστοποίηση του προσδιορισμού της γλυκόζης.
[021] Ένα άρθρωμα DSS για την υποστήριξη της παρακολούθησης και αυτοδιαχείρισης του διαβήτη, είναι ενσωματωμένη στο υποσύστημα πρόβλεψης και παρακολούθησης. Τα επίπεδα της γλυκόζης και ο καθορισμός HbAlc, όπως καταγράφεται από την κινητή συσκευή μελετώνται για ορισμένες περιόδους, ώστε να παραχθούν εκτιμήσεις της αξιολόγησης διαβήτη (τρέχουσες τιμές, πιθανότητα εξέλιξη) και πιθανών υπεργλυκαιμιών/ υπογλυκαιμιών. Η ιατρική εκτίμηση εξαρτάται σε μεγάλο βαθμό από τα προσωπικά δεδομένα που παρέχονται στον ιατρικό φάκελο από τους χρήστες όπως το φύλο, η ηλικία, το ιατρικό ιστορικό, το βάρος κλπ. Αυτή η πληροφορία τροφοδοτεί τον προγνωστικό αλγόριθμο, βελτιώνοντας άμεσα το διαβητικό προφίλ του χρήστη. Η ευκολία της μεθόδου παρακολούθησης επιτρέπει στους χρήστες να εκτελούν πολύ συχνές μετρήσεις, σαν να εξετάζονταν σε μια συνεχή λειτουργία
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
παρακολούθησης γλυκόζης. Συχνές μετρήσεις, μαζί με τιμές γλυκοζυλιωμένης αιμοσφαιρίνης (HbAlc) παρέχουν ακριβείς πληροφορίες σχετικά με τα μοτίβα της γλυκόζης του αίματος, νηστείας, καί μεταγευματική υπεργλυκαιμία προ-, επίδραση από γεύματα, δραστηριότητες, καί φαρμακευτική αγωγή. Αυτές οι πληροφορίες τροφοδοτούν συνεχώς το προγνωστικό μοντέλο το οποίο εκπαιδεύεται και παρέχει συνεχώς όλο και πιο ακριβείς τιμές γλυκόζης και κυρίως χρήσιμα στοιχεία για την αυτοδιαχείρισης του διαβήτη, τόσο για τους ασθενείς όσο και για τους γιατρούς τους. "Αναλυτική Περιγραφή [022] Το υποσύστημα Ανάλυσης αποτελείται από μια μέθοδο της Εφεύρεσης μέτρησης 2 διακριτών και αλληλοσυνδεόμενων μερών ι) φασματική ανάλυση του φωτός στην επιφάνεια του δέρματος σε συγκεκριμένα μήκη κύματος για την ποσοτικοποίηση των μορίων γλυκόζης στο αίμα ϋ) ανάλυση εικόνας μέσω αναγνώρισης προτύπων σε πλαίσια βίντεο αίματος. Η ανάλυση πραγματοποιείται τόσο τοπικά όσο και εξ' αποστάσεως μέσω του διαδικτύου, χρησιμοποιώντας τα λαμβανόμενα πλαίσια βίντεο, μέσω της ανάλυσης PPG σε συγκεκριμένα μήκη κύματος (IR, NIR, MIR) καιτηςχρωματογραφικής ανάλυσης, παράλληλα με το άρθρωμα ανάλυσης εικόνας. Όλα τα αποτελέσματα βαθμονομούνται με την ταυτόχρονη μέτρηση του βιοδείκτη μεταβλητότητας της καρδιακής συχνότητας που βρίσκεται ότι συνδέεται άμεσα με τη διαφοροποίηση των επιπέδων γλυκόζης στο αίμα.
[023] Η φασματική ανάλυση του μεταδιδόμενου φωτός στην επιφάνεια του δέρματος σε συγκεκριμένες περιοχές μήκους κύματος για την εκτίμηση των μορίων γλυκόζης στο αίμα βασίζεται στην τεχνική της φωτοπλυθησμογραφίας (PPG) σε πραγματικό χρόνο, στην απεικόνιση με υπέρυθρη ακτινοβολία (NIFR-MIFR), σε μετρήσεις της μεταβλητότητας της καρδιακής συχνότητας και συναφών κλινικών παραμέτρων, που περιλαμβάνουν:
λήψη συνεχόμενων πλαισίων βίντεο.
λήψη σημάτων από μήκη κύματος υπέρυθρων (IR), μεσαίων υπερύθρων (MIR) και κοντά σε υπέρυθρες ακτίνες (NIR) δημιουργία ανάλυσης εικόνας (χρωματογραφίας), μέσω PPG, όπως καταγράφηκε από την βιντεοκάμερα.
(Sp02 και αρτηριακή πίεση), μέσω της φωτοπλυθησμογραφίας (PPG),
ααπομάκρυνσης θορύβου από ψηφιακά φίλτρα
[024] Το υποσύστημα ανάλυσης αισθητήρων εκτελεί έναν αλγόριθμο που χωρίζει σε η αριθμό εικονοστοιχείων σε κάθε καρέ και είτε υπολογίζει τις μέσες τιμές όλων των εικονοστοιχείων από κάθε καρέ είτε διαβάζει μόνο τα εικονοστοιχεία που παρουσιάζουν διαφορετική τιμή από το προηγούμενο εικονοστοιχείο προκειμένου να μειωθούν οι επεξεργαστικές απαιτήσεις εκτελώντας τα ακόλουθα βήματα :
διαιρεί κάθε καρέ σε η αριθμό εικονοστοιχείων.
αναθέτει σε κάθε εικονοστοιχείο x, y συντεταγμένες.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
συγκρίνει κάθε ένα διαδοχικό πλαίσιο ένα προς ένα. προσδιορίζει τα εικονοστοιχεία των συντεταγμένων xi, yi, των δύο διαδοχικών πλαισίων τα οποία είναι πανομοιότυπα (όσον αφορά τις τιμές χρώματος).
αφαιρεί αυτά τα εικονοστοιχεία από τις μετρήσεις,
αναζητά νέα εικονοστοιχεία με διαφορές μεταξύ ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t και ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t 1. αναλύει αποκλειστικά, την πληροφορία που περιέχεται στα εικονοστοιχεία όπως έχει αναγνωριστεί για να παρουσιάσει διαφορές στο χρώμα.
[025] Πριν από οποιαδήποτε ανάλυση σήματος, το υποσύστημα ανάλυσης περιλαμβάνει περαιτέρω μια διαδικασία ψηφιακής προεπεξεργασίας / προ-φιλτραρίσματος που αποτελείται από 3 στάδια:
i) με τη χρήση ζώνης ελέγχου διορθωτικών περιορισμών, με διόρθωση θορύβου σε περιβαλλοντικό φως, περιβαλλοντικούς ήχους, εφαρμοσμένη πίεση δακτύλων στην ενσωματωμένη κάμερα και σημεία κίνησης στο δάκτυλο.
ii) την αφαίρεση των εικονοστοιχείων με μηδενική προστιθέμενη πληροφορία, πριν από τις μετρήσεις και
iii) εφαρμόζοντας σε σειρά φίλτρο Gauss, φίλτρο εγκοπής και φίλτρα band-pass.
[026] Η ζώνη ελέγχου φιλτραρίσματος χρησιμοποιείται για την απομάκρυνση κάθε θορύβου από το πρώτο στάδιο της λήψης πλαισίων βίντεο ακρίβειας από τη ροή αίματος των δακτύλων. Η διόρθωση εφαρμόζεται στο περιβαλλοντικό φως, τους περιβαλλοντικούς ήχους, την πίεση των δακτύλων στην ενσωματωμένη κάμερα και τα αντικείμενα κίνησης των δακτύλων. Για κάθε μία από τις παραμέτρους, καθορίζονται συγκεκριμένα όρια, τα οποία υποχρεώνουν τον χρήστη να επανεκκινήσει τη μέτρηση, εάν ξεπεραστεί κάποιο από αυτά τα όρια. Οι έγκυρες μετρήσεις είναι μόνο εκείνες που εκτελούνται στις ακόλουθες ρυθμίσεις:
ΐ) το περιβαλλοντικό φως πρέπει να κυμαίνεται μεταξύ 200 - 1500 lux
ϋ) ο περιβαλλοντικός ήχος πρέπει να είναι <90 dB
iv) η επιφάνεια του δακτύλου πρέπει να αγγίζει σταθερά την κάμερα της κινητής συσκευής, χωρίς να ασκεί καθόλου πίεση
ν) Κάθε κίνηση του δακτύλου αφαιρείται αυτόματα και αγνοείται από τις συνολικές μετρήσεις.
[027] Η μέτρηση PPG σε 240 fps επιτυγχάνεται μέσω χρωματογραφικής ανάλυσης (RGB), για τον προσδιορισμό των βασικών βιολογικών δεικτών (ανάλυση βάση χρόνου και περιοχήςΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
συχνότητας) που ακολουθείται παράλληλα με φασματικές μετρήσεις σε διαφορετικά μήκη κύματος. Στην πραγματικότητα, υπάρχει μία εγγραφή βίντεο, η οποία αποθηκεύεται καί αναλύεται σε διαφορετικά μήκη κύματος (IR, NIR, MIR).
[028] Τα ληφθέντα δεδομένα μπορούν είτε να αποθηκευτούν τοπικά σε κάθε smartphone / κινητή συσκευή είτε να αποθηκευτούν στο προσωπικό λογαριασμό κάθε χρήστη (απαιτείται login) καθώς αποθηκεύονται σε ένα διακομιστή σύννεφο. Σε αυτήν την περίπτωση, όλα τα δεδομένα μεταφέρονται καί εμφανίζονται στη συνδεδεμένη διεπαφή Web API, επιτρέποντας περαιτέρω επεξεργασία καί παρουσίαση αποτελεσμάτων. Οι αλγόριθμοι διάγνωσης και πρόβλεψης έχουν σχεδιαστεί για να παρέχουν ακριβείς ενδείξεις, λαμβάνοντας υπόψη όλα τα δεδομένα (δημογραφικά στοιχεία, καθημερινές συνήθειες, ζωτικά σήματα κ.λπ.) από έναν χρήστη. Η καθημερινή πρόσληψη τροφής, η άσκηση και τα επίπεδα άγχους είναι όλοι απαραίτητοι παράγοντες που καταγράφονται και προσμετρούνται στην ανάλυση.
[029] Η συγκέντρωση της γλυκόζης προσδιορίζεται με τη μετατροπή της έντασης της απορρόφησης του μεταδιδόμενου φωτός καθώς περνά μέσα από το ανθρώπινο σώμα (επιφάνεια δακτύλου του δακτύλου). Το φως κοντά στο υπέρυθρο (NIR) μπορεί να διεισδύσει στην κεράτινη στιβάδα και την επιδερμίδα στον υποδόριο χώρο σε ποσοστό μεγαλύτερο από 90% (καλή απορρόφηση φωτός σε σύγκριση με άλλα χρωμοφόρα). Οι υπολογισμοί μοριακής μοντελοποίησης επιτρέπουν την ποσοτικοποίηση των εντάσεων του φωτός σε συγκεκριμένες θέσεις ζώνης. Το ενσωματωμένο φως led χρησιμεύει ως μία και μοναδική πηγή φωτός με προγραμματισμένα μήκη κύματος. Η μέτρηση της γλυκόζης με φασματοσκοπία NIR ενεργοποιείται σε κλίμακα μήκους κύματος 1000nm-1550nm λόγω της υψηλής αναλογίας σήματος προς θόρυβο (SNR) για τα σήματα γλυκόζης, με γενική μείωση στο βάθος διείσδυσης καθώς αυξάνεται η τιμή του μήκους κύματος, με προστιθέμενη ευαισθησία και επιλεκτικότητα . Χρησιμοποιείται ένα ψηφιακό χαμηλής συχνότητας φίλτρο (low pass) για τη μείωση του θορύβου υψηλής συχνότητας. Τα φάσματα διαφοράς υπολογίζονται από τα σήματα σε άλλα μήκη κύματος (πράσινο, κόκκινο και IR) όπως αυτά ανιχνεύονται από το φως, προκειμένου να εξαλειφθούν οι επιδράσεις των οστών, άλλων ιστών και του μη παλμικού αίματος. Η μετάδοση PPG στα μέσα υπέρυθρης ακτινοβολίας εφαρμόζεται στην περιοχή των 900nm-1200nm και των δεύτερων υπερτονικών περιοχών απορρόφησης γλυκόζης (0,8μm-1,35μm), με βάση τους δεσμούς μορίων γλυκόζης. Αυτά τα μήκη κύματος έχουν προσδιοριστεί με βάση τον σταθμισμένο μέσο όρο απορρόφησης πάνω από το φασματικό εύρος ζώνης του μεταδιδόμενου φωτός.
[030] Η απορρόφηση γλυκόζης στην περιοχή αυτή αποτελείται από δύο ζώνες. Η ζώνη I είναι ασθενής ζώνη απορρόφησης με κορυφή απορρόφησης στην περιοχή από 0,80-0,95 pm, ενώ η ζώνη II είναι ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
μία ισχυρή ζώνη απορρόφησης με κορυφή απορρόφησης στην περιοχή από 1,15-1,35 μm. Μικρά εύρη είναι απαραίτητα για αυτόματη βαθμονόμηση λόγω των διαφορετικών χαρακτηριστικών των διαφορετικών smartphones. Αυτή η αυτόματη βαθμονόμηση παραλείπεται στην περίπτωση κινητής συσκευής που έχει σχεδιαστεί με ειδικά χαρακτηριστικά απορρόφησης.
[031] Καθώς το μεταδιδόμενο φως περνάει από την επιφάνεια του δέρματος (αποτελείται περίπου από 60% εξωκυτταρικού υλικού και 40% ενδοκυτταρικό υλικό), το μεγαλύτερο μέρος του φωτός μεταδίδεται μέσω του ενδιάμεσου υγρού και όχι του πλάσματος (αίματος) όπου τα μόρια γλυκόζης πρόκειται να προσδιοριστούν. Στην πραγματικότητα, το πλάσμα αποτελείται μόνο από το 30% του εξωκυτταρικού υλικού, με πολλά άλλα συστατικά να συμπεριλαμβάνονται στο υπόλοιπο 70% που προκαλεί σύγχυση στη μέτρηση της απορρόφησης φωτός γλυκόζης. Για την περαιτέρω εξάλειψη των σφαλμάτων που προέκυψαν από την απορρόφηση και τη διασπορά του φωτός λόγω του ύδατος, των λιπαρών ιστών, των παραγώγων των οστών και της γλυκόζης (ξεχωριστή D-φρουκτόζη από τη D-γλυκόζη), έχουν καθοριστεί όλες οι περιοχές απορρόφησης ενέργειας και εντοπίζονται και εξαιρούνται σε κάθε μέτρηση. Αυτό επιτυγχάνεται κυρίως μέσω IR, πράσινου και κόκκινου φωτός. Οι υπέρυθρες συχνότητες προσδιορίζονται συγκρίνοντας τις εντάσεις που παρατηρούνται σε φάσματα IR με εντάσεις από υπολογισμούς μοριακής μοντελοποίησης, προσομοιώνοντας τη μετρούμενη συγκέντρωση γλυκόζης στο αίμα του ασθενούς και όχι σε άλλα υγρά.
[032] Η μετάδοση του φωτός NIR εξαρτάται από την ποσότητα του αίματος στη διαδρομή του φωτός. Προκειμένου να απομονωθεί η διαπερατότητα του φωτός λόγω των επιπέδων γλυκόζης, είναι απαραίτητο να προσδιοριστεί η ακριβής ποσότητα κορεσμού οξυγόνου στην επιφάνεια δοκιμής (π.χ. δάκτυλο, κόρη ματιών). Ως εκ τούτου, το SpO2 προσδιορίζεται μέσω PPG (προσδιορισμός AC / DC), και στη συνέχεια η γλυκόζη κλιμακώνεται με βάση τις μετρούμενες τιμές SpO2, κλιμακούμενες έως 100%.
[033] Το βίντεο που λαμβάνεται (χωρισμένο σε καρέ / δευτερόλεπτο) υποβάλλεται σε προεπεξεργασία / προ-φιλτράρισμα για την εξάλειψη μη προστιθέμενων πληροφοριών πλαισίων και μείωση του μεγέθους των συνολικών δεδομένων, προκειμένου να μεταφερθούν τα αρχεία σε λιγότερο χρόνο με μειωμένη κατανάλωση ευρυζωνικότητας. Τα αρχεία φορτώνονται αυτόματα στο αναλυτικό εργαλείο και αναλύονται ανά διαφορετικές ρυθμίσεις για να καλύψουν όλα τα προκαθορισμένα μήκη κύματος - εύρος συχνοτήτων. Οι αλγόριθμοι ταξινόμησης έχουν καθορίσει τους προορισμένους σταθμισμένους συντελεστές για κάθε σύνολο δοκιμών (NIR, MIR) και καταλήγουν σε μία μοναδική τιμή γλυκόζης. Αυτή η τιμή βελτιστοποιείται αργότερα με την εκτίμηση της απεικονιστικής ανάλυσης αναγνώρισης μοτίβων. Πρόσθετα ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
ψηφιακά φίλτρα εφαρμόζονται μετά την εκτίμηση γλυκόζης, συμπεριλαμβανομένου του φίλτρου Gaussian Filter και band-pass, με φίλτρο FIR σε συχνότητες αποκοπής στα 0.7 Hz και 2.5 Ηz.
[034] Η αναγνώριση μοτίβων, η οποία αποτελεί κύρια τεχνική ανάλυσης απεικόνισης, θα εξυπηρετείται μέσω ενός τοπικά εγκατεστημένου προγράμματος (π.χ. OpenCV) ή / και ενός αναλυτικού προγράμματος εγκατεστημένου σε έναν εξωτερικό διακομιστή, π.χ. Matlab. Λόγω του σχετικά μικρού αριθμού ακρίβειας των συλλεγέντων πλαισίων (640x480 εικονοστοιχεία), η απεικονιστική ανάλυση στηρίζεται σε μέσους όρους χρωμάτων και εικονοστοιχείων, όπως το μοντέλο έχει εκπαιδευτεί και ταξινομηθεί, χρησιμοποιώντας χιλιάδες δείγματα οπτικών μικροσκοπικών εικόνων σε ανάλυση μεγέθυνσης > Χ45.000. Τα χαρακτηριστικά χρώματος συσχετίζονται με τις συγκεντρώσεις γλυκόζης, επιτρέποντας τον ακριβή προσδιορισμό των επιπέδων γλυκόζης, ακόμα και σε ανάλυση πλαισίων χαμηλής ακρίβειας.
[035] Για να αντισταθμιστούν οι μη γραμμικότητες, δημιουργήθηκε ένα αντίστροφο μοντέλο χρησιμοποιώντας τα Neural Networks. Πιο συγκεκριμένα, αυτό το μοντέλο αποτελείται από ένα τεχνητό νευρωνικό δίκτυο (ΑΝΝ), ιδανικό για την προσέγγιση λειτουργιών μη γραμμικής ευκρίνειας και νευρωνικών δικτύων Convolutional (CNNs) ιδανικό για την ανάλυση απεικόνισης (αναγνώριση προτύπων).
[036] Το δεύτερο υποσύστημα (Προγνωστικό και Παρακολούθηση) στηρίζεται σε μια μέθοδο πρόβλεψης 3 διακριτών και διασυνδεδεμένων στοιχείων:
i) όλη τα αποτελέσματα από το υποσύστημα ανάλυσης, συν ii) εικόνες παλμικών κυματομορφών από τη PPG, πουοδηγούν στην εκτίμηση των καρδιαγγειακών (HRV) βιοδεικτών και
iii) πληροφορίες για το κλινικό προφίλ του χρήστη και σχετικά στοιχεία ζωτικών σημείων και δημογραφικών δεδομένων για την εκτίμηση με ακρίβεια της συγκέντρωσης της γλυκόζης και της HbAlC, σε χρόνο t και t η.
[037] Το υποσύστημα Πρόγνωσης και Παρακολούθησης εκτελεί μια ανάλυση πολλαπλής παλινδρόμησης, ακολουθούμενη από την ταξινόμηση του Convolutional Neural Network (ανάλυση εικόνας), την ταξινόμηση των επαναλαμβανόμενων νευρωνικών δικτύων (φασματική ανάλυση) και τους αλγόριθμους αναγνώρισηςπρόβλεψης, προκειμένου να προσδιοριστούν, και να προβλεφθούν τα επίπεδα γλυκόζης. Το υποσύστημα τρέχει πρώτα μια ανάλυση πολλαπλής παλινδρόμησης και, στη συνέχεια, το Convolutional Neural Network. Τα συνεργατικά νευρωνικά δίκτυα (CNNs) είναι ένα υπολογιστικό μοντέλο που χρησιμοποιείται στη μηχανική μάθηση και σε άλλους ερευνητικούς κλάδους που βασίζονται σε μια μεγάλη συλλογή συνδεδεμένων απλών μονάδων που ονομάζονται τεχνητοί νευρώνες. Τα CNN που αναπτύχθηκαν στο ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
TensorFlow βελτιστοποιούν την ακρίβεια της ταυτοποίησης των μορίων γλυκόζης σε κάθε πλαίσιο.
[038] Παράλληλα με τα CNN, τα επαναλαμβανόμενα νευρωνικά δίκτυα (Recurrent Neural Networks) με μοντέλο LSTM (για μετρήσεις μικρής και μεσαίας διάρκειας) ταξινομούν και προβλέπουν τα επίπεδα γλυκόζης σε συγκεκριμένες χρονικές περιόδους. Χρησιμοποιούνται δύο αλγόριθμοι αναγνώρισης-πρόβλεφης ταξινόμησης ΑΝΝ για την ανάπτυξη του προγνωστικού μοντέλου. Ένας αλγόριθμος χρησιμοποιείται για ταξινόμηση και ο άλλος για πρόβλεψη. Οι εισροές για το ΑΝΝ μας είναι τα πλάτη και οι φάσεις των συνιστωσών του Fourier. Ο αλγόριθμος είναι καταρχήν εκπαιδευμένος για να εκτιμήσει την περιοχή εντός της οποίας ανήκουν τα επίπεδα γλυκόζης στο αίμα.
Στη συνέχεια, τα σύνολα δεδομένων δοκιμής υποβάλλονται σε επεξεργασία από τον αλγόριθμο πρόβλεψης. Μόνο αυτές οι τιμές που βρίσκονται μέσα στο εκπαιδευμένο εύρος της συγκέντρωσης γλυκόζης αποθηκεύονται. Πολλές δοκιμές καταλήγουν σε έναν υψηλά εκπαιδευμένο αλγόριθμο, ικανό να αφαιρέσειοποιεσδήποτε τιμές που δεν ταιριάζουν με τις μέσες τιμές. Για να ελέγξουμε την εγκυρότητα της μεθόδου μας, τα αποτελέσματα από το ΑΝΝ συγκρίνονται με την επεμβατικά μετρημένη γλυκόζη αίματος, η οποία θεωρείται το χρυσό πρότυπο.
[039] Ο έξυπνος αλγόριθμος χρησιμοποιεί πληροφορίες από το κλινικό προφίλ του χρήστη και συσχετίζει στοιχεία ζωτικών σημείων και δημογραφικών δεδομένων με τα ληφθέντα βιοσήματα (παλμικά κύματα και εικόνες), για να δημιουργηθεί η πρώτη εκτιμώμενη συγκέντρωση γλυκόζης. Τιμές από επιπλέον κλινικούς παραμέτρους μετρούνται παράλληλα με τη γλυκόζη και παρέχουν ακριβέστερα αποτελέσματα, δεδομένης της συσχέτισης των συσχετισμένων κλινικών παραμέτρων με τα επίπεδα γλυκόζης, όπως η Sp02 και η αρτηριακή πίεση (διαστολική - συστολική).
[040] Η συνιστώσα βαθμονόμησης του έξυπνου υποσυστήματος αυτοαξιολόγησης, μετά την ανάλυση NIR και απεικόνισης, είναι οι βιοδείκτες HRV, όπως λαμβάνονται με τη μέθοδο PPG, που είναι σε θέση να συνδέουν άμεσα την ανταπόκριση του καρδιαγγειακού συστήματος με τα επίπεδα γλυκόζης στο αίμα. Οι εξαγόμενες και ταξινομημένες συσχετίσεις μεταξύ συγκέντρωσης γλυκόζης στο αίμα και των βιοδεικτών SDNN και rMSSD ρυθμίζουν αυτόματα τα εκτιμώμενα επίπεδα γλυκόζης όπως υποδεικνύεται από τη φασματική υπέρυθρη μέθοδο, βελτιστοποιώντας την ακρίβεια του τελικού προσδιορισμού της γλυκόζης.
[041] Για τις ανάγκες του έξυπνου προγνωστικού υποσυστήματος, απαιτούνται πολλά περισσότερα από τις μετρήσεις συγκέντρωσης γλυκόζης για την πρόβλεψη της ακριβούς εκτίμησης, σε χρόνο t i. Υπάρχουν αρκετοί παράγοντες που επηρεάζουν το επίπεδο γλυκόζης στο αίμα, όπως η ποσότητα και η ποιότητα της ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
ΔΙΑΒΗΤΗ
διατροφικής πρόσληψης, το επίπεδο άσκησης καί το επίπεδο άγχους, που οδηγούν σε αυξημένη μη γραμμικότητα.
[042] Με τον ίδιο τρόπο που τα επίπεδα γλυκόζης μετρούνται μέσω της συνδυαστικής μεθόδου ανάλυσης PPG και απεικόνισης, μέσω της ταυτοποίησης και ποσοτικοποίησης μορίων γλυκόζης στο αίμα, μπορούν να ποσοτικοποιηθούν οποιαδήποτε μόρια αναλύτη (π.χ. χοληστερόλης), δεδομένου ακρίβειας προδιαγραφών / χαρακτηριστικών. Τα μήκη κύματος IR παρακολούθησης υιοθετούνται για την απορρόφηση ενέργειας των ειδικών δεσμών, ενώ μελετώνται εικόνες του αναλυτή υπό προσδιορισμό και εκπαιδεύεται ο προβλεπτικός αλγόριθμος για τις ανάγκες της αναγνώρισης προτύπων.
ΜΕΘΟΔΟΣ ΚΑΙΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑ ΔΙΑ ΑΝΑΦΟΡΕΣ
ΓΝΩΣΗΑ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ/ ΒΗΤΗ

Claims (1)

  1. ΜΕΘΟΔΟΣ ΚΑΙ ΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΣ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
    ΔΙΑΒΗΤΗ
    ΑΞΙΩΣΕΙΣ
    Κύρια 1. Ένα μη επεμβατικό σύστημα για τη μέτρηση των επιπέδων Αξίωση γλυκόζης καί επιπέδων συσχετιζόμενων βιοδεικτών ενός χρήστη, αποτελούμενο από ένα Υποσύστημα Μετρήσεων, καί ένα Υποσύστημα Παρακολούθησης καί Έξυπνης Πρόγνωσης, που περιλαμβάνει:
    i) Αρθρωμα λήψης συνεχόμενων πλαισίων βίντεο,
    ii) Αρθρωμα λήψης σημάτων από υπέρυθρα (IR), μεσαία υπέρυθρα (MIR) και κοντά σε υπέρυθρα (NIR) μήκη κύματος,
    iii) Αρθρωμα ανάλυσης εικονοπλαισίων (χρωματογραφική), λαμβανομένων από την κάμερα,
    iν) Αρθρωμα παράλληλης μέτρησης της μεταβλητότητας του καρδιακού ρυθμού (HRV) και συναφών ζωτικών σημείων (διαστολική / συστολική πίεση και Sp02), μέσω φωτοπληθυσμογραφίας (PPG);
    ν) Αρθρωμα απομάκρυνσης θορύβου με την εφαρμογή ψηφιακών φίλτρων
    νϊ) Αρθρωμα ανάλυσης λογιστικής παλινδρόμησης και αλγορίθμων τεχνητών νευρωνικών δικτύων κατηγοριοποίησης και πρόγνωσης, και
    νii) Αρθρωμα μέτρησης της γλυκόζης μέσα από διάγνωση, παρακολούθηση και πρόγνωση.
    Εξαρτημένη 2. Ένα μη επεμβατικό σύστημα για τη μέτρηση των επιπέδων Αξίωση γλυκόζης, σύμφωνα με την αξίωση 1, όπου το Υποσύστημα Μετρήσεων, αποτελείται από μια συνδυαστική μέθοδο μέτρησης με 2 διακριτά και αλληλοσυνδεόμενα μέρη
    ΐ) φασματική ανάλυση του μεταδιδόμενου φωτός στην επιφάνεια του δέρματος, σε συγκεκριμένες περιοχές μήκους κύματος για την εκτίμηση των μορίων γλυκόζης στο αίμα,
    ii) ανάλυση εικόνας μέσω αναγνώρισης προτύπων σε πλαίσια βίντεο αίματος.
    Εξαρτημένη 3. Το υποσύστημα Μετρήσεων σύμφωνα με την αξίωση 1, όπου η Αξίωση φασματική ανάλυση που προγραμματίζεται να εκπέμπει φως σε συγκεκριμένα σύνολα μήκους κύματος (IR, MIR, NIR ranges) σε 2 ζώνες ζώνης απορρόφησης φωτός, εκτελεί ταυτόχρονα μετρήσεις της μεταβλητότητας της καρδιακής συχνότητας (HRV), μέσω PPG και χρωματογραφικής ανάλυσης (RGB), απαραίτητη για την τροφοδοσία με δεδομένα του υποσυστήματος πρόβλεψης.
    Εξαρτημένη 4. Το υποσύστημα Μέτρησης της αξίωσης 1, καθορίζει την ακριβή Αξίωση ποσότητα κορεσμού οξυγόνου (Sp02) στην ανάλυση μέσω PPG (προσδιορισμός AC / DC), όπου τα επίπεδα γλυκόζης κλιμακώνεται με βάση τις μετρούμενες τιμές Sp02.
    Εξαρτημένη 5. Το υποσύστημα Μέτρησης σύμφωνα με την αξίωση 1, όπου το Αξίωση άρθρωμα ανάλυσης εικόνας του ενσωματωμένου
    ΜΕΘΟΔΟΣ ΚΑΙ ΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΣ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
    ΔΙΑΒΗΤΗ
    υποσυστήματος Μέτρησης εκτελείται τοπικά καί μέσω διαδικτύου, χρησιμοποιώντας ανάλυση Υπολογιστικής Όρασης με μεταφερόμενα αρχεία σε εξωτερικό διακομιστή χρησιμοποιώντας εξελιγμένη προγραμματιστική γλώσσα αναγνώρισης προτύπων. Εξαρτημένη 6. Το υποσύστημα Μετρήσεων της αξίωσης 1 εκτελεί έναν Αξίωση αλγόριθμο που χωρίζει σε η αριθμό εικονοστοιχείων κάθε πλαισίου καί είτε υπολογίζει τις μέσες τιμές όλων των εικονοστοιχείων από κάθε πλαίσιο είτε διαβάζει μόνο τα εικονο στοίχε ία που παρουσιάζουν διαφορετική τιμή από το προηγούμενο εικονοστοιχείο, έτσι ώστε να μειώσειτις απαιτήσεις επεξεργασίας:
    i) διαιρώντας κάθε καρέ πλαισίου σε η αριθμό εικονοστοιχείων.
    ii) αναθέτοντας σε κάθε pixel x, y συντεταγμένες,
    iii) συγκρίνοντας κάθε ένα διαδοχικό πλαίσιο ένα προς ένα. iν) προσδιορίζοντας τα εικονο στοίχε ία των συντεταγμένων xi, yi, των δύο διαδοχικών πλαισίων τα οποία είναι πανομοιότυπα (όσον αφορά τις τιμές Χρώματος) και ν) εξαιρώντας αυτά τα εικονοστοιχείααπό τις μετρήσεις, νϊ) αναζητώντας νέα εικονοστοιχεία με διαφορές μεταξύ ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t και ενός εικονοστοιχείου συντεταγμένων xi, yi και χρόνου t 1.
    νii) αναλύοντας αποκλειστικά τις πληροφορίες που περιέχονται στα εικονοστοιχεία που αναγνωρίζονται ότι παρουσιάζουν αλλαγές στο χρώμα.
    Εξαρτημένη 7. Το μη επεμβατικό σύστημα για τη μέτρηση των επιπέδων Αξίωση γλυκόζης στο αίμα, σύμφωνα με την αξίωση 1, όπου το υποσύστημα παρακολούθησης και έξυπνης πρόγνωσης περιλαμβάνει μια μέθοδο πρόβλεψης 3 διαφορετικών και διασυνδεδεμένων συνιστωσών:
    ΐ) τα αποτελέσματα από το υποσύστημα μετρήσεων
    ii) εικόνες κυματομορφών παλμών από PPG, με αποτέλεσμα την εκτίμηση των καρδιαγγειακών βιοδεικτών (HRV) και
    iii) πληροφορίες για το κλινικό προφίλ του χρήστη και σχετικά αρχεία ζωτικών σημείων και δημογραφικών δεδομένων για την εκτίμηση με ακρίβεια της συγκέντρωσης της γλυκόζης και της γλυκοζυλιωμένης αιμοσφαιρίνης HbA1C, σε χρόνο t και t n.
    Εξαρτημένη 8. Το υποσύστημα μέτρησης της αξίωσης 1, μπορεί να Αξίωση χρησιμοποιηθεί για τη μέτρηση των επιπέδων και άλλων αναλυτών στο αίμα (όπως η χοληστερόλη ή το λιπιδικό προφίλ), χρησιμοποιώντας παρόμοιες ρυθμίσεις Μέτρησης και το έξυπνο Προγνωστικό Υποσύστημα για τη διάγνωση και την πρόγνωση μέσω προσαρμοσμένης εκπαίδευσης αλγορίθμων σχετικά με τις συγκεκριμένες παραμέτρους κάθε υπό ανάλυση ουσίας.
    ΜΕΘΟΔΟΣ ΚΑΙ ΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓΝΩΣΗΣ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ /
    ΔΙΑΒΗΤΗ
    Εξαρτημένη 9. Το μη επεμβατικό σύστημα για τη μέτρηση των επιπέδων Αξίωση γλυκόζης στο αίμα, σύμφωνα με την αξίωση 1, όπου το υποσύστημα παρακολούθησης και έξυπνης πρόγνωσης περιλαμβάνει περαιτέρω κλινικές παραμέτρους δημογραφικών στοιχείων και χαρακτηριστικών του σώματος, εκτός από τους καρδιαγγειακούς βιοδείκτες, (π.χ. πάχος δέρματος, σχετικές ασθένειες) και καθημερινές συνήθειες (π.χ. διατροφικό ιστορικό, άσκηση), απαραίτητες για την εξατομικευμένη πρόβλεψη των επιπέδων γλυκόζης, γλυκοζυλιωμένης αιμοσφαιρίνης (HbAlC) και των αναμενόμενων υπεργλυκαιμών, ή των υπογλυκαιμιών (πλήρης μονάδα αυτοδιαχείρισης του διαβήτη).
    Κύρια 10. Μία μη επεμβατική μέθοδο για τη μέτρηση των επιπέδων Αξίωση γλυκόζης αίματος και συναφών βιοδεικτών, η οποία περιλαμβάνει:
    i) λήψη συνεχόμενων πλαισίων βίντεο,
    ii) λήψη σημάτων από μήκη κύματος υπέρυθρων (IR), μεσαίων υπερύθρων (MIR) και κοντά σε υπέρυθρες ακτίνες (NIR)
    iii) δημιουργία εικονικής ανάλυσης (χρωματογραφική), μέσω PPG, όπως καταγράφεται από την βιντεοκάμερα,
    iν) Παράλληλη μέτρηση της μεταβλητότητας του καρδιακού ρυθμού (HRV) και συναφών ζωτικών σημείων (διαστολική / συστολική πίεση και Sp02), μέσω φωτοπληθυσμογραφίας (PPG);
    ν) Απομάκρυνση θορύβου με την εφαρμογή ψηφιακών φίλτρων
    νi) Ανάλυση λογιστικής παλινδρόμησης και αλγορίθμων τεχνητών νευρωνικών δικτύων κατηγοριοποίησης και πρόγνωσης,
    Εξαρτημένη 11. Μία μη επεμβατική μέθοδος για τη μέτρηση των επιπέδων Αξίωση γλυκόζης αίματος, που περιλαμβάνει περαιτέρω μια διαδικασία ψηφιακής προεπεξεργασίας / προ-φιλτραρίσματος, αποτελούμενη από 3 στάδια:
    ΐ) χρήση ζώνης ελέγχου διορθωτικών περιορισμών, με διόρθωση θορύβου σε περιβαλλοντικό φως, σε περιβαλλοντικούς ήχους, στην εφαρμοζόμενη πίεση δακτύλων στην ενσωματωμένη κάμερα και στο αλλοιωμένο σήμα από την κίνηση του δάκτυλο.
    ii) αφαίρεση των μη προστιθέμενης πληροφοριών εικονο στοίχε ίων, πριν από τις μετρήσεις και
    iii) εφαρμογή σε σειρά φίλτρο Gaussian, φίλτρου εγκοπής και φίλτρων διέλευσης ζώνης.
    Κύρια 12. Ένα προϊόν (συσκευή) για τη μέτρηση και την παρακολούθηση Αξίωση των επιπέδων της γλυκόζης αίματος, χρησιμοποιώντας τη μη επεμβατική μέθοδο της αξίωσης 10, η οποία περιλαμβάνει:
    ΐ) Μονάδα επεξεργασίας,
    ΜΕΘΟΔΟΣ ΚΑΙ ΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΔΙΑΓ ΔΙΑΒ
    ii) Μονάδα αποθ ίίί) Διεπαφή οθό iν) Θύρες διασύ ν) Κάμερες, αξελ νϊ) Ενσωματωμέ ΝΩΣΗΣ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΗΣ ΓΛΥΚΟΖΗΣ / ΗΤΗ
    ήκευσης
    νης καί κουμπιά
    νδεσης
    ερόμετρο καί αισθητήρες υπερύθρων
    νο μη επεμβατικό σύστημα της αξίωσης 1
GR20180100577A 2018-12-31 2018-12-31 Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη GR20180100577A (el)

Priority Applications (1)

Application Number Priority Date Filing Date Title
GR20180100577A GR20180100577A (el) 2018-12-31 2018-12-31 Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
GR20180100577A GR20180100577A (el) 2018-12-31 2018-12-31 Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη

Publications (1)

Publication Number Publication Date
GR20180100577A true GR20180100577A (el) 2020-07-16

Family

ID=71658153

Family Applications (1)

Application Number Title Priority Date Filing Date
GR20180100577A GR20180100577A (el) 2018-12-31 2018-12-31 Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη

Country Status (1)

Country Link
GR (1) GR20180100577A (el)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2751817C1 (ru) * 2020-08-31 2021-07-19 Закрытое Акционерное Общество "Ес-Лизинг" Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по вариабельности сердечного ритма и носимое автономное устройство для его реализации

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2544124A1 (en) * 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of glucose levels
KR20150082045A (ko) * 2014-01-07 2015-07-15 삼성전자주식회사 전자 장치 및 광혈류 측정 방법
US20180214088A1 (en) * 2016-09-24 2018-08-02 Sanmina Corporation System and method for obtaining health data using a neural network
WO2018220052A1 (en) * 2017-05-30 2018-12-06 Bioepic Ltd An apparatus and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2544124A1 (en) * 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of glucose levels
KR20150082045A (ko) * 2014-01-07 2015-07-15 삼성전자주식회사 전자 장치 및 광혈류 측정 방법
US20180214088A1 (en) * 2016-09-24 2018-08-02 Sanmina Corporation System and method for obtaining health data using a neural network
WO2018220052A1 (en) * 2017-05-30 2018-12-06 Bioepic Ltd An apparatus and method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2751817C1 (ru) * 2020-08-31 2021-07-19 Закрытое Акционерное Общество "Ес-Лизинг" Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по вариабельности сердечного ритма и носимое автономное устройство для его реализации

Similar Documents

Publication Publication Date Title
Nemcova et al. Monitoring of heart rate, blood oxygen saturation, and blood pressure using a smartphone
Habbu et al. Estimation of blood glucose by non-invasive method using photoplethysmography
Delbeck et al. Non-invasive monitoring of blood glucose using optical methods for skin spectroscopy—Opportunities and recent advances
Gupta et al. Towards non-invasive blood glucose measurement using machine learning: An all-purpose PPG system design
Fan et al. Robust blood pressure estimation using an RGB camera
Frey et al. Blood pressure measurement using only a smartphone
Prabha et al. Intelligent estimation of blood glucose level using wristband PPG signal and physiological parameters
JP5948836B2 (ja) 測定装置、測定方法、プログラム及び記録媒体
Golap et al. Hemoglobin and glucose level estimation from PPG characteristics features of fingertip video using MGGP-based model
Zeynali et al. Non-invasive blood glucose monitoring using PPG signals with various deep learning models and implementation using TinyML
Karolcik et al. A multi-site, multi-wavelength PPG platform for continuous non-invasive health monitoring in hospital settings
US20240023838A1 (en) Non-invasive blood glucose monitoring system
WO2017112753A1 (en) Devices and methods for predicting hemoglobin levels using electronic devices such as mobile phones
WO2018220052A1 (en) An apparatus and method
Lee et al. A noninvasive blood glucose estimation system using dual-channel PPGs and pulse-arrival velocity
Liao et al. LRCN-based noninvasive blood glucose level estimation
Nampoothiri et al. Comparison of infrared and red photoplethysmography signals for non-calibrated non-invasive blood glucose monitoring
Susana et al. Review of non-invasive blood glucose level estimation based on photoplethysmography and artificial intelligent technology
US20250295316A1 (en) Systems and methods for non-invasive identification of biomarkers
GR20180100577A (el) Μεθοδος και συστημα μη επεμβατικης διαγνωσης και παρακολουθησης του σακχαρου/διαβητη
Hassan et al. A real-time non-contact heart rate measurement based on imaging photoplethysmography (ippg)-power spectral density (psd)
Irfani et al. Continuous and Non-Invasive Blood Glucose Measurements: A Narrative Review
Céelleri et al. Non-Invasive Blood Sugar Measurement System
Tjahjadi et al. A review of non-invasive monitoring of blood glucose levels based on photoplethysmography signals using artificial intelligence
Haque et al. Smartphone based BP level monitoring system using DNN Model