用于自動顯示生物監測數據中的模式的系統和方法

專利名稱：用于自動顯示生物監測數據中的模式的系統和方法
技術領域：
本說明書總體上涉及用于自動顯示生物監測數據中的模式的系統和方法，并且更具體來說涉及用于自動顯示葡萄糖監測數據中的模式的系統和方法。
背景技術：
生物監測數據可以為醫療從業者(HCP)和患者提供可以被用來治療和/或管理與生物數據有關的病癥的非臥床數據。舉例來說，連續葡萄糖監測(CGM)可以提供與包含在患有糖尿病的人(PwD)的血液內的葡萄糖數量有關的葡萄糖數據。可以根據時間以及/或者適于把葡萄糖數據與情境數據(比如例如進餐標簽、日間時、周間日等等)相關的任何其他方法來索引葡萄糖數據。識別出葡萄糖數據中的模式可能有用于更改患者行為或患者療法。舉例來說，HCP和/或PwD可以通過基于情境數據進行分類而識別出葡萄糖數據中的模式。但是情境數據常常不可用。此外，HCP和/或PwD可能不具有可用于有效地并且高效地利用所有可用情境數據的足夠信息，也就是說可能會忽視可用數據模式。

因此，存在對用于自動顯示生物監測數據中的模式的替換系統和方法的需要。

發明內容
在一個實施例中，一種用于自動顯不葡萄糖數據中的模式的收集系統可以包括一個或多個處理器、電子顯示器以及機器可讀指令。所述電子顯示器可以可通信地耦合到所述一個或多個處理器。所述機器可讀指令可以由所述一個或多個處理器執行。所述機器可讀指令可以使得所述一個或多個處理器接收表明隨著時間采樣的非臥床葡萄糖水平的葡萄糖數據信號。所述一個或多個處理器可以把葡萄糖數據信號劃分成各感興趣片段。所述一個或多個處理器可以根據數學算法把每一個所述感興趣片段自動變換成一個特征集合。所述一個或多個處理器可以根據聚類算法把各感興趣片段自動聚類到各聚類片段組中。可以至少部分地基于所述特征集合把所述感興趣片段分組到各聚類片段組中。聚類中心可以與所述聚類片段組中的一個相關聯。所述聚類中心可以基于所述聚類片段組中的一個的均值。所述一個或多個處理器可以把聚類中心自動呈現在所述電子顯示器上。在另一個實施例中，一種用于自動顯示生物監測數據中的模式的方法可以包括從一個或多個對象接收表明隨著時間采樣的非臥床生物信息的生物數據。所述生物數據可以包括時間索引。所述生物數據可以根據時間索引被劃分成各感興趣片段。可以根據數學算法利用一個或多個處理器將每一個感興趣片段自動變換成一個特征集合。可以利用一個或多個處理器根據聚類算法把各感興趣片段自動聚類到各聚類片段組中。聚類算法可以至少部分地基于每一個感興趣片段的所述特征集合計算距離量度，從而使得類似的感興趣片段被分組到聚類片段組中的一個中。所述聚類算法可以計算與聚類片段組中的一個相關聯的聚類中心。所述聚類中心可以基于所述聚類片段組中的一個的均值。可以利用所述一個或多個處理器通過人機接口自動呈現所述聚類中心。結合附圖，通過下面的詳細描述將會更加全面地理解由這里所描述的實施例提供的前述和附加特征。


在附圖中闡述的實施例本質上是說明性和示例性的，而不意圖限制由權利要求書所限定的主題內容。在結合附圖閱讀時可以理解下面對于說明性實施例的詳細描述，其中相同的結構由相同的附圖標記表示，并且其中:
圖1示意性地描繪出根據這里所示出并描述的一個或多個實施例的用于自動顯示生物數據中的模式的系統；
圖2示意性地描繪出根據這里所示出并描述的一個或多個實施例的配備有人機接口的顯不器；
圖3示意性地描繪出根據這里所示出并描述的一個或多個實施例的配備有人機接口的顯不器；
圖4示意性地描繪出根據這里所示出并描述的一個或多個實施例的模式增強算法；
圖5示意性地描繪出根據這里所示出并描述的一個或多個實施例的生物數據和感興趣片段；
圖6示意性地描繪出根據這里所示出并描述的一個或多個實施例的配備有人機接口的顯不器；
圖7示意性地描繪出根據這里所示出并描述的一個或多個實施例的配備有人機接口的顯不器；
圖8示意性地描繪出根據這里所示出并描述的一個或多個實施例的模式增強算法；以
及
圖9通過圖形方式描繪出根據這里所示出并描述的一個或多個實施例的來自優化器的輸出。
具體實施例方式對于下面描述的各個所示出的實施例使用的下列術語包括(但不限于)下列含義。術語“信號”意指能夠通過介質行進的波形(例如電、光學、磁性、機械或電磁波形)，比如DC、AC、正弦波、三角波、方波、振動等等。短語“可通信地耦合”意指各組件能夠彼此交換數據信號，諸如例如通過導電介質交換電信號、通過空氣交換電磁信號、通過光波導交換光學信號等等。這里所使用的術語“傳感器”意指測量物理量并且將其轉換成與所述物理量的測量值有關的數據信號的裝置，所述物理量諸如比如電信號、電磁信號、光學信號、機械信號
坐坐寸寸ο
術語“連續”意指在一段時間內基本上不間斷。相應地，連續數據可以是在一段時間內按照基本上不間斷的方式采樣的數據，也就是可以以最小的中斷在設定的和/或變化的采樣率下采樣的數據。術語葡萄糖計意指用以連續地或者不連續地確定例如血液或間質流體之類的體液中的葡萄糖水平的任何裝置。這樣的裝置對于本領域普通技術人員來說是眾所周知的。術語藥物遞送裝置例如意指胰島素泵或貼片(patch)泵、胰島素筆或葡萄糖遞送裝置，其特別被實現為泵或者胰島素和葡萄糖遞送系統的組合。還有可能是為人遞送另一種藥物的裝置，其中所述藥物影響該人的葡萄糖水平。圖1總體上描繪出用于自動顯示生物數據(例如葡萄糖數據)中的模式的系統的一個實施例。所述系統通常包括一個或多個處理器、可通信地耦合到所述一個或多個處理器的人機接口以及由所述一個或多個處理器執行來自動顯示生物數據中的模式的機器可讀指令。這里將更加詳細地描述用于自動顯示生物數據中的模式的系統以及用于自動顯示生物數據中的模式的方法的各個實施例。現在參照圖1，用于自動顯示生物數據中的模式的系統100包括一個或多個處理器110，其用于執行機器可讀指令并且自動指揮可通信地耦合到(在圖1中總體上被表示為雙箭頭線)所述一個或多個處理器110的各組件。所述一個或多個處理器110可選地可以可通信地耦合到用于存儲機器可讀指令的存儲器112。所述一個或多個處理器110可以是控制器、集成電路、微芯片、計算機或者能夠執行機器可讀指令的任何其他計算裝置。存儲器112可以是RAM、ROM、閃存、硬盤驅動器或者能夠存儲機器可讀指令的任何裝置。在這里所描述的實施例中，所述一個或多個處理器110可以與系統100的單個組件集成。但是應當提到的是，在不背離本公開內容的范圍的情況下，所述一個或多個處理器110可以單獨位于各分立組件中，所述分立組件比如例如是葡萄糖計、藥物遞送裝置、移動電話、便攜式數字助理(PDA)、移動計算裝置(比如膝上型計算機、平板型計算機或智能電話)、臺式計算機或者服務器 ， 其例如通過基于云或web的技術并且可通信地彼此耦合。應當認識到，在可以與這里所公開的一個或多個實施例一起使用的移動計算裝置的一個實施例中，這樣的裝置可以包括觸摸屏和運行例如這里所公開的那些計算算法和/或處理以及應用(比如有電子郵件程序、用于提供日歷的日歷程序)的計算能力，并且提供蜂窩、無線和/或有線連接性以及血糖計、數字媒體播放器、數碼相機、視頻攝影機、GPS導航單元和可以訪問并適當地顯示網頁的web瀏覽器的功能中的一項或多項功能。相應地，系統100可以包括每一個都具有一個或多個處理器110的多個組件，所述一個或多個處理器110與一個或多個其他組件可通信地耦合。因此系統100可以利用分布式計算設置來施行這里所描述的任何或機器可讀指令。系統100還包括人機接口 114，其可通信地耦合到所述一個或多個處理器110以便接收來自所述一個或多個處理器110的信號以及呈現圖形、文字和/或聽覺信息。所述人機接口可以包括電子顯示器，諸如比如液晶顯示器、薄膜晶體管顯示器、發光二極管顯示器、觸摸屏或者能夠把來自處理器的信號變換成光學輸出或者機械輸出的任何其他裝置，比如諸如揚聲器、用于在介質上顯示信息的打印機等等。本公開內容的實施例包括機器可讀指令，所述機器可讀指令包括用任一代(例如1GL、2GL、3GL、4GL或5GL)的任何編程語言編寫的邏輯或算法，比如例如可以由處理器直接執行的機器語言或者匯編語言、面向對象編程(OOP)、腳本化語言、微代碼等等，其可以被編輯或匯編成機器可讀指令并且被存儲在機器可讀介質上。可替換地，所述邏輯或算法可以用硬件描述語言(HDL)編寫，比如通過現場可編程門陣列(FPGA)配置或者專用集成電路(ASIC)及其等效方案來實施。相應地，可以用任何傳統的計算機編程語言把所述機器可讀指令實施為預編程硬件元件或者實施為硬件與軟件組件的組合。此外，可以把機器可讀指令分布在諸如例如通過連線、通過廣域網、通過局域網、通過個人區域網等等可通信地耦合的各個組件上。因此，系統100的任何組件可以通過因特網或萬維網傳送信號。仍然參照圖1，系統100可選地可以包括生物傳感器116，其可通信地耦合到一個或多個處理器110以用于提供表明分析物的屬性的生物數據。在一個實施例中，生物傳感器116可以是被配置成當被恰好放置在PwD的皮膚下方時檢測葡萄糖水平(例如葡萄糖濃度)的葡萄糖傳感器。具體來說，生物傳感器116可以是一次性葡萄糖傳感器，其被佩戴在皮膚下方幾天直到需要更換為止。如前所述，生物傳感器116可以與一個或多個處理器110可通信地耦合，所述一個或多個處理器110可以位于各個分立組件內。相應地，在葡萄糖傳感器的情況下，生物傳感器116可以例如與智能葡萄糖計或藥物遞送裝置可通信地耦合，并且可以提供非臥床CGM數據，即在傳感器的使用壽命期間被連續地采樣的葡萄糖數據。應當提到的是，雖然這里所描述的實施例涉及血糖，但是生物傳感器116也可以是檢測與關于生物數據的病癥的治療和/或管理有關的生物數據的任何傳感器。此外還應當提到的是，這里所描述的實施例可以利用由可通信地耦合到所述一個或多個處理器110的任何分立組件提供的數據。此外，所述生物數據可以被存儲并且在任意持續時間的延遲之后被提供給一個或多個處理器110，也就是說可以離線施行這里所描述的實施例。相應地，可以從包括多位測試對象的群體聚集所述生物數據。根據這里所描述的實施例，所述一個或多個處理器110可以執行機器可讀指令以便自動顯示生物數據中的模式。正如在這里更加詳細地描述的那樣，可以把生物數據與來自可通信地耦合到所述一個或多個處理器110的任何組件的連續數據、半連續數據和離散數據相組合，以便自動顯示生物數據內的模式。

綜合參照圖1和2，在一個實施例中，所述一個或多個處理器110可以執行機器可讀指令以便在人機接口 114上顯示非臥床葡萄糖簡檔(AGP)或日間模態(Modal Day)。如圖2中所描繪的日間模態圖120可以顯示歸一化到特定日間時(例如5:00)并且隨著沿水平軸遞增的時間而繪制的多個時間段的時間索引葡萄糖數據。因此，日間模態圖120可以同時顯示多天的葡萄糖數據(24小時周期)，其中日間模態圖120中的每一天的葡萄糖數據對應于一條日間模態數據曲線122(其在圖2中通常被表示為一條虛線)。可以對各條日間模態數據曲線122進行統計上的評估，以便識別出可能存在于葡萄糖數據中的任何模式。例如可以計算中值124并且將其疊加在日間模態圖120中的日間模態數據曲線122上。類似地，可以計算第三四分值126和第一四分值128并且將其疊加在數據曲線122上。在另外的實施例中，日間模態圖120可以包括附加的統計量，例如比如對于所述時間周期的均值和標準偏差。替換地或附加地，日間模態圖120可以包括葡萄糖數據的范圍、葡萄糖數據的最大值、葡萄糖數據的最小值或者對于每一個時間段的未經處理的數據。日間模態圖120可以被利用來自動顯示主導葡萄糖模式129。舉例來說，可以從7:00到大約13:00看到主導葡萄糖模式129，并且其可以代表例如由于早餐而導致的進餐升高。相應地，PwD可以能夠通過識別出顯示在日間模態圖120中的主導葡萄糖模式129來調節其行為。但是數據曲線122的其余部分未能遵循任何顯著模式。相應地，日間模態圖120在落到主導葡萄糖模式129之外的時間段部分中不顯示任何模式。此外還應當提到的是，日間模態圖120可以通過疊加數據來模糊對于數據曲線122的顯示。此外在一些實施例中，僅僅顯示報告統計量。綜合參照圖1和3，在一個實施例中，所述一個或多個處理器110可以執行機器可讀指令以便在人機接口 114上顯示時間線網格140。具體來說，時間線網格140可以同時顯示多條數據曲線122，所述數據曲線中的每一個都被顯示在一個單獨的區段中(例如第I天、第2天、第3天、第4天、第5天、第6天、第7天、第8天和第9天)。各種模式被顯示出來并且可以被關聯在一起。舉例來說，可以對所顯示的時間線網格140進行視覺掃描。可以把表現出類似模式的每一天關聯，也就是說可以選擇各條數據曲線122的相應部分并且在存儲器112中將其關聯在一起。舉例來說，第I天、第2天、第4天和第6天在大約5:00和12:00之間表現出類似的葡萄糖值，并且可以通過第一關聯142而被關聯。第2天和第3天在大約22:00和27:00之間表現出類似的葡萄糖值，并且可以通過第二關聯144而被關聯。第4天和第9天在大約20:00和24:00之間表現出類似的葡萄糖值，并且可以通過第三關聯146而被關聯。關聯各條數據曲線122通常是人工處理，其可能相對低效并且可能為用戶增加困難。此外，時間線網格140可以被利用來顯示對于單個傳感器使用壽命的葡萄糖數據，比如小于或等于大約九天或者從大約三天到大約七天。隨著顯示在時間線網格140中的時間段數目增加，時間線網格140顯示模式的有效性可能會降低并且可能會錯失模式。綜合參照圖1和4，在另一個實施例中，所述一個或多個處理器110可以執行機器可讀指令以便執行模式增強算法150，從而自動增強可能存在于例如血糖數據或CGM數據之類的生物數據內的模式。正如在這里更加詳細地描述的那樣，一旦增強了生物數據中的模式，就可以在人機接口 114上自動顯示生物數據中的模式(數據)。綜合參照圖4和5，模式增強算法150通常通過對類似的生物結果(即葡萄糖值)進行聚類來增強數據模式 ，從而識別出可能導致生物響應的輸入。模式增強算法150包括用于從一個或多個對象接收表明隨著時間采樣的非臥床生物信息的生物數據的處理152。生物數據50可以包括適于把生物數據50與非臥床生物信息被采樣的時間和/或日期(諸如例如日期、月份、小時、分鐘、秒鐘等等)相關聯的時間索引52。舉例來說，生物數據50的每一個事例可以與某一時間和日期相關聯，其表明非臥床生物信息被米樣的時間和日期。除了生物數據50之外，模式增強算法150還可以被利用來增強存在于連續數據、半連續數據和/或離散數據的任意組合當中的模式。半連續數據的來源例如可以包括藥物遞送裝置注入簡檔、藥團簡檔、能量支出測量、心率移動或者與可能影響PwD的健康的行為有關的任何其他數據。離散數據的來源例如可以包括數據標簽、周間日、月份、季、傳感器生產批號、胰島素批號、可重復使用泵批號或者與可能影響PwD的健康的行為有關的任何其他數據或元數據。相應地，模式增強算法150在處理152處還可以接收任何其他類型的連續數據、半連續數據和/或離散數據。模式增強算法150包括用于對數據進行分段的處理154。具體來說，參照圖5，在處理154處可以根據時間索引52把生物數據50劃分成各感興趣片段56。各感興趣片段56中的每個可以是對應于預定持續時間、預定起始時間、預定結束時間或其組合的數據時間窗口。舉例來說，可以把生物數據50劃分成每個都對應于具有共同起始和結束時間的二十四小時一天的各感興趣片段56。可替換地，可以把生物數據50劃分成每個都對應于一個四小時數據時間段或六小時數據時間段的各感興趣片段56，以便例如對餐后葡萄糖簡檔進行分段。在另一個實施例中，可以把生物數據50劃分成每個都對應于一個八小時數據時間段或十小時數據時間段的各感興趣片段56，以便例如對夜間葡萄糖簡檔進行分段。應當提到的是，可以把生物數據50劃分成具有足以捕獲在生物學上有意義的事件的任意時間長度的感興趣片段56。具體來說，可以把感興趣片段56調整到對應于任何已知的生物過程的時間長度，諸如比如對于校正藥團的葡萄糖響應、鍛煉時間段、鍛煉之后、餐后、療法改變之前、期間和/或之后的葡萄糖響應等等。相應地，雖然這里所描述的實施例可以利用二十四小時時間段，但是在不背離本公開內容的范圍的情況下也可以使用其他時間片段。此外還應當提到的是，每一個感興趣片段56可以分離(沒有重復數據)或重疊。可以基于統一起始時間(例如每天上午5點)來選擇感興趣片段56，或者可以基于情境標簽或事件(比如例如進餐標簽或藥團事件)來選擇感興趣片段56。當通過CGM提供生物數據50時，感興趣片段56可以包含未經處理的連續葡萄糖測量或者經過過濾的信號連同附加的相關情境數據。綜合參照圖4和5，模式增強算法150包括用于從每一個感興趣片段56中提取一個特征集合的處理156。具體來說，可以根據數學算法把每一個感興趣片段56自動變換成作為所述感興趣片段56的簡化表示的一個特征集合。所述數學算法可以是從感興趣片段56中提取相關信息以便施行模式識別的任何算法。所述數學算法例如可以是主分量分析(PCA)、內核PCA、小波分析、頻率分析或者適于提取出有意義的特征的任何其他算法。可以從連續數據、半連續數據和/或離散數據的任意組合中提取出所述特征集合。此外，可以用離散數據來補充從生物數據50中提取的特征集合，也就是說可以把離散數據直接附加到所計算的矢量。所述特征集合可以被距離量度利用來識別及增強生物數據50中的模式。相應地，模式增強算法150還包括用于確定距離量度的處理158。具體來說，所述距離量度可以是能夠表明每一個感興趣片段56之間的相似程度的任何函數。在一些實施例中，可以把用于確定每一個感興趣片段56之間的距離量度的函數應用于所述感興趣片段56的特征集合。舉例來說，所述距離量度可以被計算為各感興趣片段56的特征集合之間的距離的平方和。此外，用于確定距離量度的函數還包括(但不限于)距離絕對值和、Mahalanobis距離、Manhattan距離、最大范數或者關于評估特征集合所知的任何其他常見量度。在其他實施例中，可以基于經過處理或過濾的生物數據(例如經過校準和過濾的葡萄糖數據)來確定距離量度。還可以基于未經處理的生物數據來計算距離量度。可以從生物數據50單獨計算距離量度。替換地或附加地，所述距離量度可以基于情境數據和/或情境數據標簽之間的距離。舉例來說，可以從處于特定胰島素標簽附近的CGM數據和碳水化合物攝入來計算距離量度。所述距離量度可以基于整個感興趣片段，或者所述感興趣片段的一個子集。相應地，所述距離量度和特征集合可以被模式增強算法150使用來對各個單獨的感興趣片段56進行分組。模式增強算 法150包括用于對感興趣片段56進行聚類的處理160。具體來說，可以自動應用聚類算法以便把感興趣片段56聚類到各組聚類片段當中。一旦被聚類，類似的感興趣片段56就被分組在每一個聚類片段中。相應地，所述聚類片段組增強并且識別出存在于數據內的模式。在一些實施例中，所述聚類算法可以基于距離量度確定聚類數目以及被指派給每一個聚類的感興趣片段56。所使用的聚類算法可以包括用于確定聚類數目的函數，比如例如Schwarz標準、貝葉斯信息標準、Akaike信息標準或者任何其他優化器。所使用的聚類算法可以包括用于把感興趣片段56指派給聚類的函數，比如例如K均值、分層聚類(利用凝聚方法或分裂方法或者二者的某種組合)、高斯混合建模、歸一化切分或者其他任何聚類算法。應當提到的是，下面描述的實例利用了 K均值聚類，但是在不背離本公開內容的范圍的情況下也可以利用其他聚類算法。根據這里所描述的實施例，模式增強算法150可以包括用于對各聚類片段組進行分級的處理162。在一個實施例中，可以把各聚類片段組與基于該組中的片段數目的重要性等級相關聯。所述重要性等級也可以基于某一事件的發生，比如低血糖或高血糖。舉例來說，當某一聚類片段組包括比其他組更多數目的聚類片段(其可以表明常見行為)并且與低血糖事件或高血糖事件的一個或多個事例重合時，則與其他聚類片段組相比可以把該組與相對較高的重要性等級相關聯。與相對較高的重要性等級相關聯的聚類片段組可以表明需要由HCP或PwD解決的行為。相應地，可以基于對HCP調節療法或者提供教育以解決問題的需求來對各聚類片段組聚類進行分級。還可以把聚類片段組與日期相關聯以便識別出可能定期出現的模式，諸如例如逐周、周間日對周末、工作日對非工作日、逐月或逐季度。此外，可以基于離散數據(例如傳感器生產批號、胰島素批號或者可重復使用泵批號)來聚集所述聚類片段，以便幫助識別出潛在的制造缺陷。如前所述，一旦通過生成聚類片段而增強了數據中的模式之后，就可以由一個或多個處理器110在人機接口 114上自動顯示生物數據中的模式。所顯示的聚類片段增強存在于數據中并且可能已經被模糊的模式。相應地，例如HCP或PwD之類的用戶可以更加容易地識別出生物數據中的模式。綜合參照圖6和7，可以在人機接口 114上自動顯示每一個聚類片段組的均值。具體來說，第一聚類中心130對應于第一聚類片段組的均值，第二聚類中心132對應于第二聚類片段組的均值，第三聚類中心134對應于第三聚類片段組的均值，并且第三聚類中心136對應于第四聚類片段組的均值。相應地，可以通過僅僅顯示聚類中心130、132、134、136來概括生物數據，這增強了存在于生物數據內的模式。此外，聚類中心130、132、134、136中的每一個所顯示的線寬度可以分別表明其重要性等級。舉例來說，聚類中心130、132、134、136的寬度可以與包括在該聚類中的片段數目成比例。具體來說，圖6中描繪出的第一聚類中心130的寬度表明第一聚類片段組包括最高數目的聚類片段。此外，如圖6中所描繪的那樣，第二聚類中心132的寬度表明第二聚類片段組包括第二高數目的聚類片段，第三聚類中心134的寬度表明第三聚類片段組包括第三高數目的聚類片段，并且第四聚類中心136的寬度表明第四聚類片段組包括最低數目的聚類片段。相應地，聚類中心130、132、134、136中的每一個所顯示的線寬度可以利用相對較粗的線增強一致的行為，并且利用相對較細的線增強離群的行為。在其他實施例 中，可以根據重要性等級對聚類中心130、132、134、136進行彩色編碼。還可以對于每一個聚類片段組計算概要統計量并且由一個或多個處理器110自動顯示在人機接口 114上。所述概要統計量可以包括均值、中值、標準偏差、平均絕對差、范圍、四分值或者任何其他適當的統計量。所述統計量例如還可以包括高血糖時間百分比、目標范圍內時間百分比、低于閾值時間百分比或者高于特定閾值時間百分比。概要統計量還可以包括基于表示生物數據的組的數目、每一組中的數據片段的數目的參數，或者與聚類片段組內的數據片段分布有關的任何其他參數。所述概要統計量可以被用作表征PwD的狀態的量度以及針對潛在療法調節的指標。此外，可以在人機接口 114上自動顯示重要的區段，諸如比如高血糖、低血糖、葡萄糖目標范圍等等。舉例來說，可以在人機接口 114上顯示低血糖閾值138和目標葡萄糖濃度范圍139。人機接口 114還可以顯示與所聚類的數據片段相關聯的情境數據，諸如比如進餐標簽、碳水化合物攝入、胰島素注射或者其他相關情境數據。應當提到的是，雖然圖6和7僅僅描繪出聚類中心，但是也可以把所述聚類中心疊加在表明聚類片段和/或感興趣片段的曲線上。參照圖7，還可以由人機接口 114顯示日歷20以便識別出逐周或逐月模式。在一個實施例中，日歷20可以被編碼為表明對應于聚類中心130、132、134、136的日期。每一個代碼可以是一種顏色、梯度、形狀、字母數字或者足以把該聚類代碼與由人機接口 114顯示的其他對象區分開來的任何其他視覺指示。具體來說，利用第一聚類代碼30編碼的日期包括對應于第一聚類片段130的一個或多個聚類片段，利用第二聚類代碼32編碼的日期包括對應于第二聚類中心132的一個或多個聚類片段，利用第三聚類代碼34編碼的日期包括對應于第一聚類片段134的一 個或多個聚類片段，并且利用第四聚類代碼36編碼的日期包括對應于第四聚類中心136的一個或多個聚類片段。相應地可以為日歷20提供聚類代碼以便顯示對于日歷20上的各日期的聚類片段之間的相似性。在一些實施例中，可以導入并且利用日歷20顯示來自例如Microsoft Outlook 或Google Calendar 之類的日歷軟件的條目，以便幫助識別出可能是葡萄糖模式的成因的行為模式。可替換地，可以把來自聚類片段的數據導出到一定格式，從而可以將其導入日歷軟件。在其他實施例中，日歷20可以表明視覺上錯失的事件，諸如比如胰島素藥團、活動或進餐。綜合參照圖1和7，一個或多個處理器110可以接受表明由用戶做出的選擇的輸入。在一個實施例中，所述一個或多個處理器110可以接收表明在日歷20上做出的日期選擇的選擇信號。所述一個或多個處理器110可以通過顯示在相應日期上采樣的感興趣片段來對選擇信號做出響應。在另一個實施例中，所述一個或多個處理器110可以接收表明在日歷20上做出的對應于某一聚類中心的代碼或聚類中心選擇的聚類信號。所述一個或多個處理器110可以通過顯示與該聚類中心相關聯的聚類片段來對聚類信號做出響應。為了可以更加容易地理解這里所描述的實施例，參照下面的實例，該例意圖說明這里所描述的實施例而非限制其范圍。現在參照圖8，由處理器執行示例性模式增強算法200，以便把表明隨著時間采樣的非臥床葡萄糖水平的CGM數據分組到各聚類片段組中。經過過濾的CGM數據被處理器接收到，并且被分段成各感興趣片段。每一個感興趣片段被選擇成開始于上午5:00 (從而整夜數據將保持連續)，并且具有基本上相等的長度(大約24小時)。從每一個感興趣片段中提取出一個特征集合。其結果是，通過使用前20個特征矢量，每一個感興趣片段被從長度大約為1440 (—天中的分鐘數)的矢量壓縮成長度大約為20的矢量。
所述示例性模式增強算法200包括用于聚類的迭代K均值算法，并且利用Schwarz標準來確定聚類片段組的數目。在處理202處，示例性模式增強算法200被初始化，以便利用等于I的聚類數目k施行第一次迭代。在處理204處，對于所述k個聚類計算聚類中心。在計算出聚類中心之后，在處理206處為各組指派感興趣片段。在指派了各組之后，在處理208處利用各聚類片段組重新計算聚類中心。在處理210處，施行穩定性檢查。當對于K均值算法的解未能收斂時，重復處理206。當對于K均值算法的解對于多次迭代沒有改變時，施行處理212以便確定Schwartz標準。在處理212之后，重復處理204達預定迭代次數，并且選擇對應于最小Schwartz標準的聚類片段組作為最終結果。現在參照圖9，其中以圖形的方式描繪了來自Schwarz標準224的結果。通過使用Schwarz標準224評估了聚類的數目，從而為優化等式添加了基于聚類片段組的數目的懲罰項222。給出以下表示:
觀測集合；
/ =X中的數據點的數目， 即觀測的數目；
左=聚類的數目；
=維度的數目；
dist{Xk,Yk)=在聚類A中的所有片段與聚類均值之間計算的距離函數；以及
λ =用以調節基于距離的量度與懲罰項之間的平衡的調諧參數。利用下面的等式計算Schwarz標準224。
SIC = [ dist(Xk, Iit) + Amk In(W)
*通過把質量量度220與懲罰項222相組合來確定聚類片段組的數目，其中質量量度220測量聚類片段與感興趣片段的適合程度，懲罰項222部分地基于聚類片段組的數目
給出懲罰。“質量”指的的值，并且“懲罰”指的是』鏟Infc)的值。
k
當使用六個聚類片段組時出現了對于Schwarz標準224的最小值226。現在應當理解的是，這里所描述的實施例可以被利用來對數據進行聚類并且自動顯示聚類中心，從而增強存在于較大數據集合內的模式。所顯示的聚類中心可以允許很容易地識別出各模式、子模式或行為。相應地，所顯示出的聚類中心可以增強并且標識在其他情況下(例如在把多天的數據組合成AGP或日間模態時)可能會被平均掉或者模糊掉的信肩、O應當提到的是，術語“基本上”和“大約”在這里可以被利用來表示可能歸因于任何定量比較、值、測量或其他表示的固有的不確定程度。這些術語在這里也被利用來表示在不會導致所討論的主題內容的基本功能發生改變的情況下定量表示可以變化偏離所述參考的程度。雖然在這里圖示并描述了具體實施例，但是應當理解的是，在不背離所要求保護的主題內容的精神和范圍的情況下可以做出許多其他改變和修改。此外，雖然在這里描述了所要求保護的主題內容的各個方面，但是不需要組合利用這些方面。因此所附權利要求書意圖涵蓋落在所要求 保護的主題內容的范圍內的所有這樣的改變和修改。
權利要求
1.一種用于自動顯示葡萄糖數據中的模式的收集系統，所述收集系統包括: 一個或多個處理器； 可通信地耦合到所述一個或多個處理器的電子顯示器；以及 由所述一個或多個處理器執行的機器可讀指令， 其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 接收表明隨著時間采樣的非臥床葡萄糖水平的葡萄糖數據信號； 把葡萄糖數據信號劃分成各感興趣片段； 根據數學算法把所述感興趣片段中的每一個自動變換成一個特征集合； 根據聚類算法把各感興趣片段自動聚類到各聚類片段組中，其中至少部分地基于所述特征集合把所述感興趣片段分組到各聚類片段組中并且將聚類中心與所述聚類片段組中的一個相關聯，并且其中所述聚類中心基于所述聚類片段組中的一個的均值；以及把聚類中心自動呈現在電子顯示器上。
2.權利要求1的收集系統，其中，所述一個或多個處理器可通信地耦合到葡萄糖計和/或藥物遞送裝置。
3.權利要求1或2的收集系統，其中，所述一個或多個處理器可通信地耦合到移動電話、移動計算裝置、便攜式數字助理、臺式計算機或服務器或者其組合。
4.權利要求1、2或3的收集系統，其中，所述葡萄糖數據信號與表明該葡萄糖數據信號被采樣的時間點、日期或全部二者的時間索引相關聯，并且根據所述時間索引把所述葡萄糖數據信號劃分成各感 興趣片段。
5.權利要求4的收集系統，其中，所述感興趣片段中的每一個對應于具有共同起始時間和結束時間的二十四小時一天。
6.權利要求4的收集系統，其中，所述感興趣片段中的每一個對應于一個葡萄糖簡檔，所述葡萄糖簡檔對應于在生物學上有意義的事件。
7.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 把藥物遞送裝置注入簡檔、藥團簡檔、能量支出測量、心率移動、進餐標簽或其組合自動變換成補充特征集合；以及 把所述補充特征集合附加到所述特征集合。
8.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 把傳感器生產批號、胰島素批號、可重復使用泵批號或其組合變換成補充特征集合；以及 把所述補充特征集合附加到所述特征集合。
9.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 把離散數據附加到所述特征集合。
10.根據在前權利要求中的任一項的收集系統，其中，所述數學算法包括主分量分析(PCA)、內核PCA、小波分析、頻率分析或其組合。
11.根據在前權利要求中的任一項的收集系統，其中，所述聚類算法包括優化器。
12.根據在前權利要求中的任一項的收集系統，其中，所述聚類算法包括K均值算法、分層聚類算法、高斯混合建模算法、歸一化切分算法或其組合。
13.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 基于事件的發生對各聚類片段組自動進行分級。
14.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 根據與各聚類片段組相關聯的感興趣片段的數量對所述聚類片段組自動進行分級。
15.權利要求13或14的收集系統，其中，根據各聚類片段組的等級對聚類中心進行彩色編碼。
16.根據在前權利要求中的任一項的收集系統，其中，利用一定線寬度顯示聚類中心，其中所述線寬度與和所述聚類中心相關聯的感興趣片段的數量相關。
17.根據在前權利要求中的任一項的收集系統，其中，將所述聚類中心疊加在表明各感興趣片段的曲線上。
18.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器在所述電子顯示器上自動呈現日歷，其中所述日歷被編碼成表明對應于所述聚類中心的日期。
19.權利要求18的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 自動接收表明對于日歷上的所選日期的選擇的選擇信號；以及 自動呈現在所選日期采樣的感興趣片段。
20.根據在前權利要求中的任一項的收集系統，其中，所述機器可讀指令使得所述一個或多個處理器施行以下步驟: 自動接收表明對于所選聚類中心的選擇的選擇信號；以及 自動呈現對應于所選聚類中心的感興趣片段。
21.一種用于自動顯示生物監測數據中的模式的方法，所述方法包括: 從一個或多個對象接收表明隨著時間采樣的非臥床生物信息的生物數據，其中所述生物數據包括時間索引； 根據所述時間索引把所述生物數據劃分成各感興趣片段； 利用一個或多個處理器根據數學算法將感興趣片段中的每一個自動變換成一個特征集合；以及 利用所述一個或多個處理器根據聚類算法把各感興趣片段自動聚類到各聚類片段組中，其中所述聚類算法至少部分地基于感興趣片段中的每一個的所述特征集合來計算距離量度從而使得類似的感興趣片段被分組到聚類片段組中的一個中，并且計算與所述聚類片段組中的一個相關聯的聚類中心，并且其中所述聚類中心基于所述聚類片段組中的一個的均值；以及 利用所述一個或多個處理器通過人機接口自動呈現所述聚類中心。
22.權利要求21的方法，其中，所述生物數據是從多個測試對象聚集的。
23.權利要求21或22的方法，其中，所述距離量度基于距離平方和、距離絕對值和、Mahalanobis距離 、Manhattan距離、最大范數或其組合。
全文摘要
一種用于自動顯示生物數據中的模式的系統和方法可以包括一個或多個處理器以及機器可讀指令。所述機器可讀指令可以使得所述一個或多個處理器把生物數據劃分成各感興趣片段。所述一個或多個處理器可以根據數學算法把感興趣片段中的每一個自動變換成一個特征集合。所述一個或多個處理器可以根據聚類算法把各感興趣片段自動聚類到各聚類片段組中。可以至少部分地基于所述特征集合把所述感興趣片段分組到各聚類片段組中。可以把聚類中心與聚類片段組中的一個相關聯。所述一個或多個處理器可以在人機接口上自動呈現所述聚類中心。
文檔編號G06F19/00GK103229179SQ201180058988
公開日2013年7月31日 申請日期2011年12月6日 優先權日2010年12月8日
發明者S.布薩姆拉, D.L.杜克, P.J.加利, M.米爾斯, A.S.索尼 申請人:霍夫曼-拉羅奇有限公司