CN102821687A - 葡萄糖监测传感器和/或胰岛素递送系统的校准 - Google Patents

Abstract

本文公开了用于校准葡萄糖监测传感器和/或胰岛素递送系统的方法、装置等。在某些示例实施方式中，针对与所述传感器测量值有关的延迟，可以将血糖参考样本与传感器测量值进行相关。在某些其他示例实施方式中，可以基于血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数。基于这样的信息，可以确定用于估计患者体内血糖浓度的函数。

Description

葡萄糖监测传感器和/或胰岛素递送系统的校准

相关申请

本申请是要求2010年3月26日提交的美国非临时专利申请第12/748,341号的优先权的PCT申请，该非临时专利申请通过引用全部并入本文。

技术领域

本文公开的主题涉及校准葡萄糖监测传感器和/或胰岛素递送系统，作为例子而非限制，包括至少部分自动的校准和/或对操作期间的传感器电流测量值的校准。

背景技术

正常健康人的胰腺响应血浆葡萄糖水平升高而产生和释放胰岛素到血流中。当需要时，位于胰腺中的β细胞（β细胞）产生和分泌胰岛素到血流中。如果β细胞丧失功能或死亡，称为I型糖尿病的病症（或在一些情形下，如果β细胞产生的胰岛素的数量不足，称为II型糖尿病的病症），那么可以由另外的源向身体提供胰岛素以维持生命或健康。

传统上，由于胰岛素不能口服，所以使用注射器注射胰岛素。最近，在多种医疗情况下，输注泵疗法的使用已越来越多，包括用于向糖尿病患者递送胰岛素的输注泵疗法。例如，外部输注泵可以佩戴在腰带上、口袋内等，并且所述输注泵可以使用放置在皮下组织的经皮针或套管经由输注管将胰岛素递送至体内。

1995年时，在美国，少于5%的I型糖尿病患者使用输注泵疗法。目前，在美国，900,000以上的I型糖尿病患者中超过7%的患者使用输注泵疗法。使用输注泵的I型糖尿病患者的百分数正以每年超过2%的速率增长。而且，II型糖尿病患者的数量正以每年3%或更高的速率增长，并且越来越多的使用胰岛素的II型糖尿病患者也采用输注泵。此外，内科医生已经认识到持续的输注可更好的控制糖尿病患者的状况，所以他们也越来越多地嘱咐患者采用持续的输注。

闭环输注泵系统可包括自动地和/或半自动地控制以将胰岛素输注至患者的输注泵。可以控制胰岛素的输注以基于例如从嵌入的血糖传感器获得（例如，实时获得）的血糖测量值的时间和数量进行。闭环输注泵系统除了递送胰岛素，还可以递送胰高血糖素来控制患者的血糖和/或胰岛素水平（例如，在低血糖场景下）。

发明内容

简要地，示例实施方式可涉及用于校准葡萄糖监测传感器和/或胰岛素递送系统的方法、系统、装置、和/或物品等。可以校准葡萄糖监测传感器和/或胰岛素递送系统，包括设计为持续地（例如，重复地、定期、至少基本上持续地，等）工作的那些葡萄糖监测传感器和/或胰岛素递送系统。更具体而言，仅作为示例，所述校准可以是至少自动的或半自动的和/或传感器电流测量值的校准可以在线进行（例如，在相关系统工作期间）。

在一种或一种以上示例实施方式中，方法可包括：将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

在至少一种示例实施方式中，所述相关进一步可包括：将所述血糖参考样本和所述传感器测量值以多个时移延迟应用至匹配滤波器以确定与所述传感器测量值有关的延迟。在至少一种其他示例实施方式中，所述相关还可包括：将所述传感器测量值和所述血糖参考样本在多个不同时延下进行相关以确定与所述传感器测量值有关的延迟。在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数进一步可包括：将所述血糖参考样本和所述传感器测量值连同所述延迟应用至维纳滤波器以确定多个滤波器系数。

在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还可包括：至少部分基于与所述传感器测量值有关的噪声信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。在至少一种其他示例实施方式中，所述传感器测量值包括从患者的组织间液获取的电流传感器测量值。在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还可包括：确定用于估计患者体内血糖浓度的函数，所述函数解决所述延迟；所述延迟，至少部分地表示与所述患者的一个或一个以上血管和组织间液之间的血糖扩散有关的近似延迟。

在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还可包括：确定用于估计患者体内血糖浓度的函数的斜率和偏移量。在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还可包括：使用贝叶斯技术确定所述函数的斜率和偏移量，贝叶斯技术中参数矢量包括校准因子（calfactor）变量和偏移变量并且其中自变量包括与所述传感器测量值对应的电流信号。在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还可包括：使用线性卡尔曼滤波器技术确定所述函数的斜率和偏移量，线性卡尔曼滤波器技术中参数矢量包括校准因子变量和偏移变量。

在至少一种其他示例实施方式中，所述方法还可包括：使用一个或一个以上皮下电流传感器获取待相关的所述传感器测量值；以及基于所述用于估计患者体内血糖浓度的函数向所述患者输注胰岛素。

在一种或一种以上示例实施方式中，装置可包括：滤波器单元，用于接收基于血糖传感器测量值的一个或一个以上信号，所述滤波器单元包括实现下述功能的一个或一个以上处理器：将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

在至少一种示例实施方式中,所述滤波器单元能够通过下述来将所述血糖参考样本与传感器测量值进行相关：将所述血糖参考样本和所述传感器测量值以多个时移延迟应用至匹配滤波器以确定与所述传感器测量值有关的延迟。在至少一种其他示例实施方式中，所述滤波器单元能够通过下述来将所述血糖参考样本与传感器测量值进行相关：将所述传感器测量值和所述血糖参考样本在多个不同时延下进行相关以确定所述延迟。在至少一种其他示例实施方式中，所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：将所述血糖参考样本和所述传感器测量值连同所述延迟应用至维纳滤波器以确定多个滤波器系数。

在至少一种其他示例实施方式中，所述滤波器单元可以能够通过下述确定所述用于估计患者体内血糖浓度的函数：至少部分基于与所述传感器测量值有关的噪声信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。在至少一种其他示例实施方式中，所述传感器测量值包括从所述患者的组织间液获取的电流传感器测量值。在至少一种其他示例实施方式中，所述滤波器单元可以能够通过下述确定所述用于估计患者体内血糖浓度的函数：确定用于估计患者体内血糖浓度的函数，所述函数解决所述延迟；所述延迟，至少部分地表示与所述患者的一个或一个以上血管和组织间液之间的血糖扩散有关的近似延迟。

在至少一种其他示例实施方式中，所述滤波器单元可以能够通过下述确定所述用于估计患者体内血糖浓度的函数：确定所述用于估计患者体内血糖浓度的函数的斜率和偏移量。在至少一种其他示例实施方式中，所述滤波器单元可以能够通过下述确定所述用于估计患者体内血糖浓度的函数：使用贝叶斯技术确定所述函数的斜率和偏移量，贝叶斯技术中参数矢量包括校准因子变量和偏移变量并且其中自变量包括与所述传感器测量值对应的电流信号。在至少一种其他示例实施方式中，所述滤波器单元可以能够通过下述确定所述用于估计患者体内血糖浓度的函数：使用线性卡尔曼滤波器技术确定所述函数的斜率和偏移量，线性卡尔曼滤波器技术中参数矢量包括校准因子变量和偏移变量。

在至少一种其他示例实施方式中，所述装置还可包括：一个或一个以上血糖皮下电流传感器和至少一个胰岛素递送系统。其中，所述血糖皮下电流传感器适于连接至所述患者以获取血糖传感器测量值并且适于提供基于所述血糖传感器测量值的一个或一个以上信号；并且所述滤波器单元能够通过所述一个或一个以上血糖皮下电流传感器使用所述一个或一个以上信号来获取所述血糖传感器测量值；以及所述胰岛素递送系统适于基于所述用于估计患者体内血糖浓度的函数向患者输注胰岛素。

在一种或一种以上示例实施方式中，系统可包括：用于将血糖参考样本与传感器测量值相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号的装置；以及至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数的装置。

在一种或一种以上示例实施方式中,物品包括:至少一种存储介质，所述存储介质具有存储在其上的由一个或一个以上处理器可执行以进行下列操作的指令：将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

在一种或一种以上示例实施方式中，方法可包括：获取多个血糖参考样本-传感器测量值对；至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

在至少一种示例实施方式中，所述获取进一步可包括：使用至少一个皮下电流传感器获取所述多个血糖参考样本-传感器测量值对的传感器测量值。在至少一种其他示例实施方式中，所述函数可至少部分地由斜率和偏移量定义。在至少一种其他示例实施方式中，所述一个或一个以上参数包括校准因子变量和偏移变量。在至少一种其他示例实施方式中，对应于所述血糖参考样本-传感器测量值对的电流传感器测量值和患者的传感器葡萄糖浓度之间的关系可通过线性模型表示，所述线性模型与斜率和偏移量有关；并且其中所述线性模型的斜率和偏移量根据所述校准因子变量和/或偏移变量可确定。

在至少一种其他示例实施方式中，所述估计概率模型的一个或一个以上参数进一步可包括：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声和测量噪声建模为恒量。在至少一种其他示例实施方式中，所述估计概率模型的一个或一个以上参数还可包括：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声修改为模型性能的函数。在至少一种其他示例实施方式中，所述估计概率模型的一个或一个以上参数还可包括：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中测量噪声修改为模型性能的函数。在至少一种其他示例实施方式中，所述估计概率模型的一个或一个以上参数还可包括：使用贝叶斯估计器估计所述一个或一个以上参数，其中对应于所述血糖参考样本-传感器测量值对的传感器测量值组成自变量并且对应于所述血糖参考样本-传感器测量值对的血糖参考样本组成测量变量。

在至少一种其他示例实施方式中，所述方法还可包括：使用多个函数和至少一个加权因子估计患者的复合传感器葡萄糖浓度值，其中所述加权因子源自多个概率模型的一个或一个以上质量指标。

在至少一种其他示例实施方式中，所述确定用于根据传感器测量值估计患者体内血糖浓度的函数进一步可包括确定用于根据传感器测量值估计患者体内血糖浓度的多个函数；并且所述方法还可包括：使用所述多个函数估计所述患者的多个传感器葡萄糖浓度值；所述多个函数与包括所述概率模型的多个概率模型有关；以及至少部分基于所述多个传感器葡萄糖浓度值确定所述患者的复合传感器葡萄糖浓度值。在至少一种其他示例实施方式中，所述确定患者的复合传感器葡萄糖浓度值进一步可包括：至少部分地基于表示所述多个概率模型的精确度的多个质量指标对所述多个传感器葡萄糖浓度值进行加权。在至少一种其他示例实施方式中，所述多个质量指标可包括多个似然值；并且所述方法还可包括：至少部分基于根据所述多个概率模型估计出的传感器葡萄糖浓度值和来自血糖参考样本的参考血糖值之间的误差计算所述多个似然值。

在一种或一种以上示例实施方式中，装置可包括：校准单元，用于接收基于血糖传感器测量值的一个或一个以上信号，所述校准单元可包括实现下述功能一个或一个以上处理器：获取多个血糖参考样本-传感器测量值对；至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

在至少一种示例实施方式中，所述校准单元可以能够通过下述获取所述多个血糖参考样本-传感器测量值对：使用至少一个皮下电流传感器获取用于所述一个以上血糖参考样本-传感器测量值对的传感器测量值。在至少一种其他示例实施方式中，所述函数可至少部分地由斜率和偏移量定义。

在至少一种其他示例实施方式中,所述一个或一个以上参数可包括校准因子变量和偏移变量。在至少一种其他示例实施方式中,对应于所述血糖参考样本-传感器测量值对的电流传感器测量值和所述患者的传感器葡萄糖浓度之间的关系可通过线性模型表示，所述线性模型与斜率和偏移量有关；并且所述线性模型的斜率和偏移量根据所述校准因子变量和/或偏移变量可确定。

在至少一种其他示例实施方式中,所述校准单元可以能够通过下述估计概率模型的所述一个或一个以上参数：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声和测量噪声建模为恒量。在至少一种其他示例实施方式中,所述校准单元可以能够通过下述估计概率模型的所述一个或一个以上参数：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声修改为模型性能的函数。在至少一种其他示例实施方式中,所述校准单元可以能够通过下述估计概率模型的所述一个或一个以上参数：使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中测量噪声修改为模型性能的函数。

在至少一种其他示例实施方式中,所述校准单元可以能够通过下述估计概率模型的所述一个或一个以上参数：使用贝叶斯估计器估计所述一个或一个以上参数，其中对应于所述血糖参考样本-传感器测量值对的传感器测量值可组成自变量并且对应于所述血糖参考样本-传感器测量值对的血糖参考样本可组成测量变量。在至少一种其他示例实施方式中,所述校准单元的一个或一个以上处理器还可用以实现：使用多个函数和至少一个加权因子估计患者的复合传感器葡萄糖浓度值，其中所述加权因子源自于一个以上概率模型的一个或一个以上质量指标。

在至少一种其他示例实施方式中,校准单元可以能够通过确定用于根据传感器测量值估计患者体内血糖浓度的多个函数来确定用于估计患者体内血糖浓度的函数；并且所述校准单元的一个或一个以上处理器还可用以实现：使用所述多个函数估计用于所述患者的多个传感器葡萄糖浓度值；所述多个函数与包括所述概率模型的多个概率模型有关；以及至少部分地基于所述多个传感器葡萄糖浓度值确定所述患者的复合传感器葡萄糖浓度值。在至少一种其他示例实施方式中,所述校准单元可以能够通过下述确定患者的复合传感器葡萄糖浓度值：至少部分基于表示所述多个概率模型的精确度的多个质量指标对所述多个传感器葡萄糖浓度值进行加权。在至少一种其他示例实施方式中,所述多个质量指标可包括多个似然值；并且所述校准单元的一个或一个以上处理器还可用以：至少部分基于根据所述多个概率模型估计出的传感器葡萄糖浓度值和来自血糖参考样本的参考血糖值之间的误差计算所述多个似然值。

在至少一种其他示例实施方式中，所述装置还可包括：一个或一个以上血糖传感器，所述血糖传感器适于与所述患者连接以获取血糖传感器测量值并且适于提供基于所述血糖传感器测量值的一个或一个以上信号；所述校准单元可以能够通过所述一个或一个以上血糖传感器使用所述一个或一个以上信号获取所述多个血糖参考样本-传感器测量值对。

在一种或一种以上示例实施方式中，系统还可包括：用于获取多个血糖参考样本-传感器测量值对的装置；用于至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数的装置；用于至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数的装置。

在一种或一种以上示例实施方式中，物品还可包括：至少一种存储介质，所述存储介质具有存储在其上的由一个或一个以上处理器可执行以进行下列操作的指令：获取多个血糖参考样本-传感器测量值对；至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

本文描述了和/或附图图示了其他选择性的示例实施方式。此外，特定示例实施方式可以涉及包括存储介质的物品，其中所述存储介质包括存储于其上的机器可读指令，如果由特定用途计算设备和/或处理器执行，则特定实施方式可以涉及，使所述特定用途计算设备和/或处理器能够根据一种或一种以上特定实施方式执行所述方法的至少一部分。在其他特定示例实施方式中，传感器可以适于响应体内测得的血糖浓度而产生一个或一个以上信号，而特定用途计算设备/处理器可以适于基于由所述传感器产生的一个或一个以上信号根据一种或一种以上特定实施方式执行所述方法的至少一部分。

附图说明

参考以下附图描述非限制性的和非穷尽性的特征，其中相同的附图标记在各个附图中指代相同的部分：

图1是根据一种实施方式的示例闭环葡萄糖控制系统的框图。

图2是根据一种实施方式的位于身体上的示例闭环硬件的正视图。

图3（a）是根据一种实施方式使用的示例葡萄糖传感器系统的透视图。

图3（b）是用于一种实施方式的图3（a）所示的葡萄糖传感器系统的侧横截面图。

图3（c）是用于一种实施方式的图3（a）所示的葡萄糖传感器系统的示例传感器座的透视图。

图3（d）是用于一种实施方式图3（c）的传感器座的侧横截面图。

图4是用于一种实施方式的图3（d）的传感器座的示例检测端的横截面图。

图5是根据一种实施方式所使用的在开口位置具有储液器通道的示例输注设备的俯视图。

图6是根据一种实施方式使用的插入针被抽出的示例输注座的侧视图。

图7是根据一种实施方式连接至身体的示例传感器座和示例输注座的横截面图。

图8（a）是根据一种实施方式的用于葡萄糖控制系统的单个示例设备及其元件的示图。

图8（b）是根据一种实施方式的用于葡萄糖控制系统的两个示例设备及其元件的示图。

图8（c）是根据一种实施方式的用于葡萄糖控制系统的两个示例设备及其元件的另一示图。

图8（d）是根据一种实施方式的用于葡萄糖控制系统的三个示例设备及其元件的示图。

图9是根据一种实施方式的使用控制器、滤波器和/或校准单元、和/或校正算法通过基于葡萄糖水平的反馈输注胰岛素来控制血糖水平的示例闭环系统的框图。

图10（a）是图示根据一种实施方式的葡萄糖在体内组织内传送的示例并结合传感器的示意图。

图10（b）是图示根据一种实施方式的血液中存在的葡萄糖和组织间液中存在的葡萄糖之间示例关系的图表。

图11是根据一种实施方式的基于输入数据产生输出信息的示例滤波器和/或校准单元的框图。

图12是根据一种实施方式的示例滤波器和校准算法单元的框图。

图13是根据一种实施方式的用于至少部分自动地校准控制系统的示例方法的流程图。

图14是图示根据一种实施方式的可包括时延和/或噪声的示例现象的框图，所述时延和/或噪声可影响信号和滤波器以至少部分地解决所述现象。

图15是图示根据一种实施方式的用于确定时延和/或噪声的示例方法的框图。

图16描绘了图示根据一种实施方式的频率与相位延迟及延迟产生传递函数的关系曲线图表。

图17描绘了图示根据一种实施方式的时间与多个信号的关系曲线图表。

图18描绘了图示根据一种实施方式的频率与相位延迟和校正传递函数的关系曲线图表。

图19是图示根据一种实施方式的用以确定传感器葡萄糖的示例估计器和校准模型单元的框图。

图20是根据一种实施方式的使用一个或一个以上概率模型在线校准传感器测量值的示例方法的流程图。

图21是图示根据一种实施方式的用以确定复合传感器葡萄糖的多个示例估计器和校准模型单元的框图。

具体实施方式

在一种示例的葡萄糖监测传感器和/或胰岛素递送系统环境中，反映血糖水平的测量值可以在闭环输注系统中使用来调节向身体输注流体的速率。在特定示例实施方式中，传感器和/或系统可以适于至少部分基于从身体获得（例如，来自血糖传感器，包括电流传感器）的葡萄糖浓度测量值调节向患者身体输注胰岛素和/或胰高血糖素的速率。在某些示例实施方式中，这样的系统可以设计为模拟胰腺β细胞（β细胞）。此处，这样的系统可以控制输注设备以与可由机能完全的人体β细胞在响应体内血糖浓度变化所产生的浓度曲线至少大致类似的浓度曲线向患者身体释放胰岛素。因而，这样的闭环系统可模拟人体对血糖水平的自然的胰岛素响应。而且，它不仅可以有效利用胰岛素，而且还可以负责其他身体机能，因为胰岛素可具有代谢和促有丝分裂两种作用。

根据某些实施方式，如本文所述的闭环系统的例子可以在医院环境中实施来监测和/或控制患者体内的葡萄糖和/或胰岛素水平。其中，作为医院或其他医疗设施治疗程序的一部分，可为看管者或护理者分配与闭环系统交互的任务，例如：将血糖参考测量值样本输入控制设备以校准从血糖传感器获取的血糖测量值，对设备进行手动调节，和/或对疗法进行改变，仅举几例。作为选择，根据某些实施方式，如本文所述的闭环系统的例子可以在非医院环境中实施来监测和/或控制患者体内的血糖和/或胰岛素水平。其中，患者或其他费医疗专业人员可以负责与闭环系统交互。

图1是根据一种实施方式的示例闭环葡萄糖控制系统的框图。特定实施方式可包括葡萄糖传感器系统10、控制器12、胰岛素递送系统14、以及胰高血糖素递送系统15，如图1所示。在某些示例实施方式中，葡萄糖传感器系统10可产生表示身体20的血糖水平18的传感器信号16，并且可以将传感器信号16提供至控制器12。控制器12可以接收传感器信号16并且产生传送至胰岛素递送系统14和/或胰高血糖素递送系统15的命令22。胰岛素递送系统14可接收命令22并且响应命令22而向身体20输注胰岛素24。同样地，胰高血糖素递送系统15可以接收命令22并且响应命令22而向身体20输注胰高血糖素25。

葡萄糖传感器系统10可包括：葡萄糖传感器、向传感器提供电能和产生传感器信号16的传感器电气元件、将传感器信号16输送至控制器12的传感器通信系统、以及电气元件和传感器通信系统的传感器系统外壳。

控制器12可包括基于传感器信号16产生用于胰岛素递送系统14和/或胰高血糖素递送系统15的命令22的电气元件和软件。控制器12还可包括接收传感器信号16和向胰岛素递送系统14和/或胰高血糖素递送系统15提供命令22的控制器通信系统。在特定示例实施方式中，控制器12可包括包含数据输入设备和/或数据输出设备的用户界面和/或操作者界面（未示出）。这样的数据输出设备可以是，例如，产生信号来启动报警和/或包括用于显示控制器12的状态和/或患者的关键指标的显示器或打印机。这样的数据输入设备可包括用以接收用户和/或操作者的输入的标度盘、按钮、指示设备、手控开关、字母按键、触摸显示器、以上的组合，等。然而，应当理解，这些仅仅是可作为操作者和/或用户界面的一部分的输入和输出设备的例子，并且所请求保护的主题并不限于这些方面。

胰岛素递送系统14可包括向身体20输注胰岛素24的输注设备和/或输注管。类似地，胰高血糖素递送系统15可包括向身体20输注胰岛血糖素25的输注设备和/或输注管。在选择性实施方式中，可以使用共享的输注管向身体20输注胰岛素24和胰高血糖素25。在其他选择性实施方式中，胰岛素24和/或胰高血糖素25可以使用用于向患者提供流体的静脉注射系统进行输注（例如，在医院或其他医疗环境中）。当采用静脉注射系统时，代替将胰高血糖素输注至间质组织，或者除了将胰高血糖素输注至间质组织之外，还可以将葡萄糖直接输注至身体的血流。然而，应当理解，某些示例实施方式可包括胰岛素递送系统14，例如不具有胰高血糖素递送系统的胰岛素递送系统。

在特定实施方式中，输注设备（图1中未明确标识出）可包括根据命令22激活输注马达的输注电气元件、接收来自控制器12的命令22的输注通信系统、以及容纳输注设备的输注设备外壳（未示出）。

在特定的示例实施方式中，控制器12可以容纳在输注设备外壳中，输注通信系统可以包括将命令22从控制器12输送至输注设备的电气线路或电线。在选择性实施方式中，控制器12可以容纳在传感器系统外壳内，传感器通信系统可以包括将传感器信号16从传感器电气元件输送至控制器电气元件的电气线路或电线。在其他选择性实施方式中，控制器12可以具有其自己的外壳或者可以包括在附加设备内。在又一些其他选择性实施方式中，控制器12可以与输注设备和传感器系统共同位于单个外壳内。在进一步的选择性实施方式中，传感器、控制器、和/或输注通信系统可以使用电缆、电线、光纤线、RF发送器和接收器、IR发送器和接收器、或超声发送器和接收器、以上的组合、和/或替代电气线路的那些，仅举几例。

示例系统的概述

图2至图6图示了根据某些实施方式的示例葡萄糖控制系统。图2是根据某些实施方式的位于身体上的示例闭环硬件的正视图。图3（a）至图3（d）和图4示出了根据某些实施方式使用的示例葡萄糖传感器系统的不同视图和部分。图5是根据某些实施方式的在开口位置具有储液器通道的示例输注设备的俯视图。图6是根据某些实施方式的将插入针抽出的示例输注座的侧视图。

特定示例实施方式可包括传感器26、传感器座28、遥测特征监测器30、传感器电缆32、输注设备34、输注管36、以及输注座38，这些部件中的任何一个或全部可以佩戴在用户或患者的身体20上，如图2所示。如图3（a）和图3（b）所示，遥测特征监测器30可包括支承印刷电路板33、电池35、天线（未示出）、传感器电缆连接器（未示出）等的监测器外壳31。传感器26的检测端40可具有可以穿过皮肤46插入用户身体20的皮下组织44的暴露的电极42，如图3（d）和图4所示。电极42可以与通常遍及皮下组织44存在的组织间液（ISF）接触。

传感器26可以由传感器座28就位固定，所述传感器座28可以粘附固定至用户皮肤46，如图3（c）和图3（d）所示。传感器座28可以提供传感器26的与传感器电缆32的第一端29连接的连接器端27。传感器电缆32的第二端37可以与监测器外壳31连接。可以包括在监测器外壳31中的电池35为传感器26和印刷电路板33上的电气元件39提供电能。电气元件39可以采样传感器信号16（例如，图1中的）并且将数字传感器数值（Dsig）存储到存储器中。数字传感器数值Dsig可以从存储器定时地发送至控制器12，其中控制器12可以包括在输注设备中。

参考图2和图5（以及图1），控制器12可以处理数字传感器数值Dsig并且产生用于输注设备34的命令22（例如，图1中的）。输注设备34可以响应命令22并且启动柱塞48，所述柱塞48将（例如，图1中的）胰岛素24推出储液器50，其中储液器50位于输注设备34内。响应命令22使用类似和/或相似的设备（未示出）将葡萄糖从储液器输出。在选择性的实施方式中，患者可以口服葡萄糖。

在特定示例实施方式中，储液器50的连接器末端54可以延伸穿过输注设备外壳52，输注管36的第一端51可以连接至连接器末端54。输注管36的第二端53可以连接至输注座38（例如，图2和图6中的）。参考图6（以及图1），可以通过输注管36将胰岛素24（例如，图1中的胰岛素）驱入输注座28并且进入身体16（例如，图1中的）。输注座38可以粘附连接至用户的皮肤46。作为输注座38的一部分，套管56可以延伸穿过皮肤46并且在皮下组织44终止以完成储液器50（例如，图5中的）和用户的身体16的皮下组织44之间的流体连通。

在示例选择性实施方式中，如上指出，在特定实施方式中的闭环系统可以是基于医院的葡萄糖管理系统的一部分。鉴于重症监护期间的胰岛素疗法已显示出显著改善伤口愈合和减少血流感染、肾衰竭、和多神经病死亡率，因此无论患者在先是否患有糖尿病（参见，例如Van den Berghe G.等的NEJM345:1359-67,2001），特定示例实施方式可以用在医院环境来控制处于重症监护的患者的血糖水平。在这样的选择性实施方式中，因为在患者处于重症监护环境（例如，ICU）时静脉（IV）注射装置可植入患者的手臂，可以建立附带现有IV连接的闭环葡萄糖控制。从而，在医院或其他基于医疗设施的系统中，直接与患者的血管系统连接用来快速递送IV流体的IV导管也可以用来帮助血液抽样和直接输注物质（例如，胰岛素、葡萄糖、抗凝剂等）进入血管内的空间。

而且，可以通过IV线插入葡萄糖传感器以提供，例如血流的实时葡萄糖水平。因而，根据医院或其他基于医疗设施的系统的类型，所述选择性实施方式可以不必须使用所述系统元件的全部。可以省略的元件的例子包括，但不限于，传感器26、传感器座28、遥测特征监测器30、传感器电缆32、输注管36、输注座38等。取而代之的是，标准血糖测定仪和/或血管葡萄糖传感器，例如2008年5月15日提交的、公开号为2008/0221509的共同未决美国专利申请（美国专利申请号为12/121,647；Gottlieb,Rebecca等；题为“MULTILUMENCATHETER”）中描述的那些，可以用来向输注泵控制装置提供血糖数值，并且现有的IV连接可以用于向患者施用胰岛素。其他选择性实施方式还可以包括比本文所描述的和/或附图所图示的那些元件少的元件、比本文所描述的和/或附图所图示的那些元件多的元件、和/或与本文所描述的和/或附图所图示的那些元件不同的元件。

示例系统和/或环境延迟

在此描述示例系统和/或环境延迟。理想地，传感器和有关元件能够提供控制系统意图控制的参数的实时、无噪声测量值（例如血糖测量值）。然而，在实际实施方式中，通常存在使传感器测量值滞后实际当前数值的生理的、化学的、电气的、算法的、和/或其他时间延迟的源。同时，如本文指出，这样的延迟可由，例如，对传感器信号应用的噪声滤波的特定水平引起。

图7是根据一种实施方式与身体连接的的示例传感器座和示例输注座的横截面图。在特定示例实施方式中，如图7所示，生理延迟可由葡萄糖在血浆420和组织间液（ISF）之间流动时耗散的时间引起。此示例延迟可以由圈出的双箭头422表示。如上面参考图2至图6的描述，传感器可以插入身体20的皮下组织44以便靠近传感器26的末端或发送端40的电极42（例如，图3和图4中的电极）与ISF接触。然而，待测量的参数可包括血液中的葡萄糖浓度。

葡萄糖可以在血浆420中输送至整个身体。通过扩散过程，葡萄糖可以从血浆420迁移至皮下组织44的ISF中，反之亦然。当血糖水平18（例如，图1中的）变化时，ISF的葡萄糖水平也变化。然而，ISF的葡萄糖水平可滞后于血糖水平18，这是由于身体达到血浆420和ISF之间的葡萄糖浓度均衡需要一定时间。一些研究显示在血浆和ISF之间的葡萄糖滞后时间可以在例如0分钟到30分钟之间变化。可影响血浆和ISF之间的所述葡萄糖滞后时间的一些参数为个人的代谢、电流血糖水平、葡萄糖水平上升或下降、以上这些的组合，等等，仅举几例。

可以由传感器响应时间引入化学反应延迟424，在图7中由围绕传感器26的末端的圆圈424表示。传感器电极42（例如，图3和图4中的）可以涂覆有保持电极42被ISF浸渍、削减葡萄糖浓度、并且减少电极表面上葡萄糖浓度变动的保护膜。当葡萄糖水平变化时，所述保护膜可以减慢ISF和电极表面之间的葡萄糖交换速率。此外，可存在起因于葡萄糖与葡萄糖氧化酶GOX反应生成过氧化氢的反应时间和副反应的反应时间的化学反应延迟，所述副反应例如过氧化氢向水、氧和自由电子的还原反应。

因而，胰岛素递送延迟可以由扩散延迟引起，所述扩散延迟可以是已输注至组织的胰岛素扩散进入血流的时间。其他对胰岛素递送延迟有贡献的因素可包括，但不限于：递送系统在接收到输注胰岛素的命令之后向身体递送胰岛素的时间；胰岛素一旦进入血流后在整个循环系统扩散的时间；和/或其他机械、电气/电子、或生理原因单独或组合的贡献因素，仅举几例。此外，身体甚至在胰岛素用剂由胰岛素递送系统向身体递送时对胰岛素进行清除。因为胰岛素被身体从血浆中持续地清除，向血浆递送得太慢或被延迟的胰岛素用剂在全部胰岛素完全到达血浆之前至少部分地并且可明显地被清除。因此，血浆中的胰岛素浓度曲线可能永不会达到给定峰值（也不会遵照给定曲线），若没有延迟，可以达到所述峰值。

而且，当将模拟传感器信号Isig转换为数字传感器信号Dsig时还可存在处理延迟。在特定示例实施方式中，模拟传感器信号Isig可以在1分钟区间内积分并且转换为若干计数。因而，在这样的情形下，模拟到数字（A/D）转换时间可以产生平均30秒的延迟。在特定示例实施方式中，1分钟的数值在它们被提供至控制器12（例如，图1中的）之前可以平均成5分钟的数值。所产生的平均延迟可以是2.5分钟（例如，平均间隔的一半）。在示例选择性实施方式中，可以使用更长的或更短的积分时间，这产生更长的或更短的延迟时间。

在其他示例实施方式中，模拟传感器信号电流Isig可以持续地转换为模拟电压Vsig，并且A/D转换器可以每隔10秒采样电压Vsig。因而，在这样的情形下，可对六个10秒的数值进行预滤波和平均处理以产生1分钟的数值。同样地，可以对五个1分钟的数值进行滤波和平均处理以产生5分钟的数值，这可以产生平均为2.5分钟的延迟。在其他选择性实施方式中，来自其他类型的传感器的其他传感器信号可以视情况而定在数字传感器数值Dsig发送至另外的设备之前转换为数字传感器数值Dsig。而且，其他实施方式可以使用其他电气元件、其他采样速率、其他转换、其他延迟时间段、以上的组合等等。

系统配置示例

图8（a）至图8（d）图示了根据某些实施方式的用于葡萄糖控制系统的一种或一种以上设备及其元件的示例图。图8（a）至图8（d）示出了可以与本文上面描述的某些控制器一起使用的元件的示例性而非限制性的例子。在不脱离所请求保护的主题的范围的情形下，可以对元件、这些元件的布局、元件的组合等做出各种变化。

在传感器信号16作为输入提供给控制器12（例如，图1中的）之前，传感器信号16可以经历信号调节，例如预滤波、滤波、校准等，仅举几例。诸如预滤波器、一个或一个以上滤波器、校准器、控制器12等之类的元件可以单独地隔开或物理上设置在一起（例如，如图8（a）所示），并且它们可以与遥测特征监测器发送器30、输注设备34、附加设备等包括在一起。

在特定示例实施方式中，预滤波器、滤波器、和校准器可以作为遥测特征监测器发送器30的一部分，并且控制器（例如，控制器12）可以与输注设备34包括在一起，如图8（b）所示。在示例选择性实施方式中，预滤波器可以与遥测特征监测器发送器30包括在一起，而滤波器和校准器可以与控制器一起包括在输注设备中，如图8（c）所示。在其他选择性示例实施方式中，预滤波器可以与遥测特征监测器发送器30包括在一起，而滤波器和校准器包括在附加设备41中，控制器可以包括在输注设备中，如图8（d）所示。

在特定示例实施方式中，传感器系统可产生包括基于传感器信号的信息的消息，其中所述信息例如数字传感器数值、预滤波后数字传感器数值、滤波后数字传感器数值、校准后数字传感器数值、命令等，仅举几例。这样的消息也可包括其他类型的信息，包括（作为示例而非限制）：序列号、ID编码、校验值、用于其他检测参数、诊断信号、其他信号的数值等等。在特定示例实施方式中，数字传感器数值Dsig可以在遥测特征监测器发送器30中进行滤波，并且滤波后的数字传感器数值可以包含在发送至输注设备34的消息中，在输注设备34中所述滤波后的数字传感器数值可以在控制器中进行校准和使用。在其他示例实施方式中，数字传感器数值Dsig可以在发送至输注设备34的控制器之前进行滤波和校准。作为选择，数字传感器数值Dsig可以在控制器中进行滤波、校准、和使用以产生由遥测特征监测器发送器30发送至输注设备34的命令22。

在进一步的示例实施方式中，诸如后校准滤波器、显示器、记录器、血糖仪等之类的附加元件可以与其他元件一起包括在设备中，或者这些附加元件可以单独设置。例如，如果血糖仪内置于设备，它可以共同位于包含校准器的同一设备中。在选择性的示例实施方式中，可以通过比如图8所示的元件和/或本文上述的元件多、比如图8所示的元件和/或本文上述的元件少、和/或与如图8所示的元件和/或本文上述的元件不同的元件实施。

在特定示例示例实施方式中，RF遥测技术可以用于在包含一个或一个以上元件的设备之间进行通信，所述设备例如遥测特征监测器发送器30和输注设备34。在选择性示例实施方式中，设备之间可以采用其他通信媒介，例如无线广域网（WAN）（例如，小区通信）、Wi-Fi、电线、电缆、IR信号、激光信号、光纤、超声信号等，仅举几例。

校准葡萄糖和/或胰岛素系统的示例方法

图9是根据一种实施方式的使用控制器、滤波器和/或校准单元、和/或校正算法通过基于葡萄糖水平反馈输注胰岛素来控制血糖水平的示例闭环系统的框图。在特定示例实施方式中，闭环控制系统可以用于向身体递送胰岛素来补偿未适当执行功能的β细胞。对于特定身体而言，可以存在期望的基本血糖水平G_B。期望的基本血糖水平G_B与当前血糖水平的估计值G之间的差值为可校正的葡萄糖水平误差G_E。对于特定示例实施方式，葡萄糖水平误差G_E可以作为输入提供给控制器12，如图9所示。尽管控制器12可以实现为比例-积分-微分（PID）控制器，但所请求保护的主题并不限于此，并且控制器12可以通过替代方式实现。

如果葡萄糖水平误差G_E为正（意味着，例如，血糖水平的当前估计值G比期望的基本血糖水平G_B高），那么来自控制器12中的命令可生成驱动胰岛素递送系统34向身体20提供胰岛素24的命令22。胰岛素递送系统34可以是胰岛素递送系统14（例如，图1中的）的一种示例实施方式。同样地，如果G_E为负（意味着，例如，血糖水平的当前估计值G比期望的基本血糖水平G_B低），那么来自控制器12的命令可以生成驱动胰高血糖素递送系统35向身体20提供胰高血糖素25的命令22。胰高血糖素递送系统35可以是胰高血糖素递送系统15（例如，图1中的）一种示例实施方式。

从为了讨论控制闭环的角度而言，葡萄糖可以视为正的，而胰岛素可以视为负的。传感器26可以检测身体20的ISF葡萄糖水平并产生传感器信号16。对于某些示例实施方式，控制闭环可以包括滤波器和/或校准单元456和/或校正算法454。然而，这仅当作示例，所请求保护的主题并不限于此。传感器信号16可以在单元456中进行滤波和/或校准以生成当前血糖水平的估计值452。在本文特别参考图10（a）至图21描述的某些示例实施方式中，滤波和/或校准可以由滤波器和/或校准单元456执行。尽管分开示出，但在不脱离所请求的主题的情形下滤波器和/或校准单元456可以与控制器12集成。而且，作为选择，在不脱离所请求的主题的情形下，滤波器和/或校准单元456可以作为控制器12的一部分（或者反之亦然）。

在特定示例实施方式中，当前血糖水平的估计值G可以在其与期望的基本血糖水平G_B进行比较以计算新的葡萄糖水平误差G_E从而再次开始循环之前使用校正算法454进行调整。而且，看管者、护理者、患者等可以使用例如葡萄糖试纸从患者血液获取血糖参考样本测量值。通过单独使用下述技术或者将下述技术与本文描述的（例如，校准相关的）原理联合使用，这些基于血液的样本测量值可用来校准基于ISF的传感器测量值，所述技术：例如，2005年5月17日授权的美国专利第6,895,263号中描述的那些技术。

对于示例的PID类型的控制器12，如果葡萄糖水平误差G_E为负（意味着，例如，血糖水平的当前估计值比期望的基本血糖水平G_B低），那么控制器12可以减少或停止胰岛素递送，这取决于响应葡萄糖误差G_E的积分分量是否仍然为正。在选择性实施方式中，如下所述，如果葡萄糖水平误差G_E为负，控制器可以启动胰高血糖素25的输注。如果葡萄糖水平误差G_E为零（意味着，血糖水平的当前估计值等于期望的基本血糖水平G_B）,那么控制器12可以发布或可以不发布命令来输注胰岛素24或胰高血糖素25，这取决于微分分量（例如，葡萄糖水平是上升还是下降）和/或积分分量（例如，葡萄糖水平已经在基本血糖水平G_B之上或之下多长时间，以及葡萄糖水平已经在基本血糖水平G_B之上或之下的程度多少）。

为了更清楚地理解身体对所述控制闭环的影响，提供了胰岛素对ISF中葡萄糖浓度的生理影响的更为详细的描述。在特定示例实施方式中，输注递送系统34将胰岛素递送至身体20的皮下组织44（例如，还可是图3、图4和图6中的皮下组织）的ISF。作为选择，胰岛素递送系统34或单独的输注设备（例如，胰高血糖素递送系统35）可以类似地将葡萄糖递送至皮下组织44的ISF。此处，胰岛素可以从围绕套管的局部ISF扩散进入血浆并且在主循环系统中扩散至整个身体20。输注的胰岛素可以从血浆扩散进入基本上遍及整个身体的ISF。

此处，在身体中，胰岛素24可以与身体组织的细胞上的膜受体蛋白质结合并使膜受体蛋白质活化。这可以有助于葡萄糖渗入活性细胞。通过这种方式，身体20的组织可以从ISF吸收葡萄糖。当ISF葡萄糖水平下降时，葡萄糖可以从血浆扩散进入ISF以维持葡萄糖浓度均衡。ISF中的葡萄糖可渗透传感器26的传感器膜并且影响传感器信号16。葡萄糖在整个身体的传送将在下文特别参考图10（a）进行进一步的描述。

此外，胰岛素可对肝脏葡萄糖生成具有直接和间接影响。通常，胰岛素浓度增加可降低肝脏葡萄糖生成。因而，急性并且直接的胰岛素反应不仅可以有助于帮助身体有效地吸收葡萄糖，而且还可以充分地阻止肝脏向血流中添加葡萄糖。在选择性示例实施方式中，如上指出，胰岛素和/或葡萄糖可以更直接地递送至血流，而不是递送至ISF，例如通过递送至静脉、动脉、腹腔等，仅举几例。因此，可以减少与将胰岛素和/或葡萄糖从ISF移送至血浆有关的任何时延。在其他选择性示例实施方式中，葡萄糖传感器可以与血液或其他体液接触，而不是与ISF接触，或者葡萄糖传感器可以在身体外面以便可以通过非侵入式方法测量葡萄糖。使用备选葡萄糖传感器的实施方式可具有更短的或更长的实际血糖水平和测量血糖水平之间的延迟。

可以对一个或一个以上控制器增益进行选择以便控制器12的命令指示输注设备34以特定的速率释放胰岛素24进入身体20。这样的特定的速率可以使血液中的胰岛素浓度遵照由机能完全的人体β细胞响应身体血糖浓度引起的浓度曲线类似的浓度曲线。类似地，可以对控制器增益进行选择以便控制器12的命令指示输注设备35响应胰岛素波动而释放胰高血糖素25。在特定示例实施方式中，可以至少部分地通过观测具有健康、机能正常的β细胞的若干个正常耐糖量（NGT）个体的胰岛素反应来对控制器增益进行选择。

在一种或一种以上示例实施方式中，系统还可包括通信单元458。通信单元458可包括，作为示例而非限制，无线广域通信模块（例如，小区调制解调器）、发送器和/或接收器（例如，收发器）、Wi-Fi芯片或无线收发装置、以上一些组合等等。通信单元458可接收来自滤波器和/或校准单元456和/或来自传感器26的信号（例如，传感器信号16）。尽管在图9中未特别示出，通信单元458还可以接收来自其他单元（例如，控制器12）的信号。而且，通信单元458可以能够向图9中的其他单元的任何一个（例如，控制器12、滤波器和/或校准单元456等）提供信号。通信单元458还可以与诸如控制器12或滤波器和/或校准单元456之类的另外的单元集成，或者还可以以其他方式成为诸如控制器12或滤波器和/或校准单元456之类的另外的单元的一部分。

通信单元458可以能够将校准输出、校准失败警告、控制算法状态、和其他生理、硬件、和/或软件数据（例如，诊断数据）等发送至远程数据中心以用于附加的处理和/或存储（例如，用于远程遥测目的）。这些发送处理可以自动地、半自动地（例如，应远程数据中心的请求）进行，和/或应患者的请求手动进行等，仅提供几例。所述数据随后可以应请求提供至远程客户端，包括，但不限于：手机、内科医生的工作站、患者的台式计算机、以上的任意组合等，仅举几例。通信单元458还可以能够接收来自远程位置的各种信息，包括但不限于：校准信息、指令、其他控制信息、以上一些组合等。所述控制信息可以从通信单元458提供至其他系统单元（例如，控制器12、滤波器和/或校准单元456等）。

葡萄糖和/或胰岛素控制系统可以相对不断地、间隔地、定期地、不定期地、应请求、以其他限定或随机时间、以上的一些组合等进行校准。持续性葡萄糖测量传感器（CGMS），例如，可以检测ISF中的葡萄糖浓度并且发送成比例的电流信号。电流信号（isig）可以与参考血糖浓度（BG）线性相关。因此，具有两个参数（例如，斜率和偏移量）线性模型可以用来根据传感器电流isig计算传感器葡萄糖浓度（SG）。为了精确测量SG，所述线性模型的参数可以通过由BG测定仪或YSI获取BG样本测量值进行周期性地校准。

校准可以通过采用例如多种技术中的任意一种或一种以上进行。下面将描述五种示例技术。第一种技术，可以采用使用马尔科夫链蒙特卡洛（MCMC）算法的贝叶斯（B）方法。这是相对鲁棒的技术，特别是如果/当存在明显过程和/或测量噪声时。然而，MCMC算法通常具有相对较大计算强度。第二种技术可以采用线性卡尔曼滤波器（KF）。KF技术可以在估计模型参数方面相对精确，并且它还通常比贝叶斯方法的计算强度小。然而，KF技术在估计的参数中可反映出较多的测量噪声。

第三种技术可以使用具有自适应过程噪声矩阵的线性卡尔曼滤波器（KFQ）。与KF技术不同，如果/当BG样本测量值可用时，KFQ方法可以更新与模型的偏差（例如，估计的数值和实际或参考数值之间的差值）成比例的过程噪声。因而，当偏差大时，由KFQ为了更新模型参数而计算出的增益可以是较保守的（例如，较小的）。因此，可以基于模型的性能成比例地更新参数。第四种技术可使用具有自适应测量噪声矩阵的线性卡尔曼滤波器（KFR）。与KF技术不同，KFR方法可以更新与估计数值和实际数值之间的误差成比例的测量噪声矩阵。如同KFQ技术，当误差大时，由KFR为更新模型参数计算出的增益可以较保守。第五种技术可包括使用线性卡尔曼滤波器估计一个或一个以上参数，在该卡尔曼滤波器中过程噪声和测量噪声均被修改为模型性能的函数。这五种技术的全部、任意两种或两种以上、和/或其他技术可以并行使用。如果并行使用，可以基于它们各自的性能将加权方案分配给各个技术。基于权值，可以根据所述五种示例方法中的两种或两种以上计算出组合的SG数值。在下文将特别参考图19至图21对这五种技术进行描述。尽管所述五种方法在本文中作为示例进行描述，但所请求保护的主题并不限于此，并且作为选择可以实施其他技术。

如上文特别参考图7描述和下文特别参考图10（a）的进一步描述，在血糖和组织液（ISF）葡萄糖之间通常存在时滞。所述时滞可降低使用皮下传感器（或不直接检测血液中葡萄糖的其他传感器）的实时持续葡萄糖监测（CGM）系统的精确度。实时测量的各ISF葡萄糖数值可滞后血糖（BG）的时间为上述时滞加上由于反应过程而导致的任何固有的电化学传感器延迟、以及生成平滑轨迹所导致的任何前端信号处理延迟之和。而且，所述时滞可在传感器校准过程中造成模糊，因为所述时滞可显示为通常归因于本底电流的偏移。

精确校正所述时滞可改善整体性能，并且它可以至少潜在地减少校准时导致的方差的源，特别是对于快速上升和/或下降的葡萄糖波动。所述时滞校正还可向用户提供反应时间被移除的相对瞬时BG数值。这在胰岛素输注可以相对频繁变化（例如，以每分钟一次）的闭环设备的场景下可以特别有意义。

对于特定示例实施方式，描述的算法包括具有降噪特性的反向滤波器（其称之为维纳滤波器）以校正在进行一定程度的平滑时可确定的时滞。某些示例实施方式可计算ISF葡萄糖和血浆葡萄糖之间的时延、测量传感器信号的噪声水平、和/或使用这两个分量以实时改进时滞校正和噪声降低滤波器。可以使用多种算法（例如，线性回归）中的任何一种来校正滤波器残差。

参考图10（a）描述了血浆和ISF葡萄糖的示例动力学。更具体而言，图10（a）图示了示例的二室模型。它可以用来表示ISF葡萄糖和血浆葡萄糖之间的动力学关系。图10（a）是图示了根据一种实施方式的葡萄糖在身体的组织内传送的示例并结合传感器的示意图1000。图10（a）还涉及图7，这在上文进行了描述。

图1000包括毛细管1002（或者，更一般而言，血管）、ISF1004、以及脂肪和/或肌肉细胞1006。参考图9，这些部分可涉及身体20。更具体而言，毛细管1002（例如，其可包含图7中的血浆420）可对应于血流，而ISF1004可对应于，例如，皮下组织44（例如，图7和图9中的）。图表1000还包括传感器1008。传感器1008可对应于传感器26（例如，图7和图9中的）。尽管在图10（a）中示出并且在本文中通常描述为置于ISF中的皮下电流传感器，作为选择，在不脱离所请求保护的主题的情形下传感器1008可以从身体的另一部分间接地检测血糖。毛细管1002的血浆具有体积为V₁。ISF1004具有体积为V₂。图表1000还显示出两个浓度C₁和C₂以及三个传送速率k₀₂、k₁₂和k₂₁。

二室模型是基于下述假设，在不失一般性或没有限制的情形下，将血浆室和ISF1004室分开的毛细管1002建立葡萄糖从血浆空间扩散进入ISF空间的阻抗。葡萄糖可以从ISF空间中以例如与在该室中的葡萄糖的浓度成比例的速率清除。示例的数学关系由以下质量守恒等式表示：

$\frac{d{C}_2}{\mathrm{dt}}=-(k_{02}+k_{12})C_2+k_{21}\frac{V_1}{V_2}{C}_1---\left(1\right)$

其中葡萄糖从皮下组织清除的速率具有恒定吸收速率k₀₂,并且血浆和皮下组织之间的恒定葡萄糖扩散速率分别为k₁₂和k₂₁。血浆室和ISF室具有的浓度分别为C₁和C₂并且相应的体积分别为V₁和V₂。

血浆-ISF时间常数和梯度可以表示为：

$\begin{array}{cc}\frac{C_2}{C_1}=\frac{k_{21}}{k_{12}+k_{02}}.\frac{V_1}{V_2},& \mathrm{\τ}=\frac{1}{k_{12}+k_{02}}---\left(2\right)\end{array}$

其中时间常数τ为血浆和ISF葡萄糖之间的时延。在不失一般性或没有限制的情形下，等式（2）假定了稳定的状态条件，在该稳定的状态条件下，ISF室中稳定状态的葡萄糖浓度（C₂）可以根据葡萄糖从该室清除的速率（k₀₂）和葡萄糖向所述室扩散的速率（k₁₂和k₂₁）而定。在不失一般性或没有限制的情形下，速率参数假设为恒量；因而，ISF葡萄糖和血浆葡萄糖浓度之间的时滞也可以为恒量，以及可以是以上的梯度。

图10（b）是图示了根据一种实施方式的存在于血液中的葡萄糖和存在于ISF内的葡萄糖之间的示例关系的图表1050。图表1050图示了理论上的血浆葡萄糖阶跃响应1052，为了统一梯度，其叠加了示例的作为结果的ISF葡萄糖浓度1054，并且一阶时滞为10分钟。对于这样的示例，从ISF葡萄糖浓度到完全均衡的过渡反应可花费大约50分钟或5个时间常数。

如图10（a）所示，血浆葡萄糖可以根据通过电化学（例如，电流）传感器的ISF葡萄糖的测量值进行估计。通常在纳安培范围内的低电流可以通过被认为与ISF葡萄糖成比例的电化学反应进行测量。这些传感器和/或来自这些传感器的测量值可以随后通过使用BG监测器测量的BG样本进行校准。

图11是根据一种实施方式的基于输入数据1110产生输出信息1112的示例滤波器和/或校准单元456的框图1100。如图示，滤波器和/或校准单元456可包括一个或一个以上处理器1102和至少一个存储器1104。在某些示例实施方式中，存储器1104可存储或以其他方式包含指令1106和/或样本测量值数据1108。样本测量值数据1108可包括，作为示例而非限制，通过血液样本测量的血糖参考样本值、血糖传感器测量值、血糖样本-传感器测量值对、以上这些的组合等等。

在特定示例实施方式中，图11中的滤波器和/或校准单元456可对应于图9中的滤波器和/或校准单元456。输入数据1110可包括传感器测量值（例如，来自ISF电流传感器）、血糖参考样本等等，仅举几例。输出信息1112可包括基于（至少部分基于）传感器测量值的当前血糖浓度的估计值、时延、噪声等等，仅举几例。

输入数据1110的电流传感器测量值可对应于传感器信号16（例如，图1和图9中的）和/或根据传感器信号16产生的数值。血糖参考样本可对应于通过例如手指棒测试获取的数值。可以手动或自动将它们提供至滤波器和/或校准单元456。输出信息1112可以对应于当前血糖浓度估计值G 452（例如，图9中的）和/或源自当前血糖浓度估计值G 452的数值。

在某些示例实施方式中，输入数据1110可以提供至滤波器和/或校准单元456。基于输入数据1110，滤波器和/或校准单元456可以产生输出信息1112。接收作为输入数据1110的电流传感器测量值和/或血糖参考样本可以作为样本测量值数据1108进行存储。

滤波器和/或校准单元456可以使用指令1106进行编程以实现本文描述的这些功能：执行算法、功能、方法等；实施属性、特征等。滤波器和/或校准单元456从而可以与至少一个血糖传感器连接以接收基于血糖传感器测量值的一个或一个以上信号。

包括一个或一个以上处理器1102的滤波器和/或校准单元456可以执行指令1106从而使该单元成为实现下述功能的特定用途的计算设备，所述功能包括：执行本文描述的算法、功能、方法等；实施本文描述的属性、特征等。处理器1102可以实现为微处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、可编程逻辑设备（PLD）、控制器、微控制器、以上这些的组合等，仅举几例。作为选择，物品可包括至少一个存储介质（例如，存储器），该存储介质具有存储在其中的指令1106，而指令1106可以由一个或一个以上处理器执行。

图12是根据一种实施方式的示例滤波器和校准算法单元1200的框图。如图所示，滤波器和校准算法单元1200可包括滤波器1202和校准算法1204。对于某些示例实施方式，方框1202和1204共同显示出用于校正原始传感器信号的示例过程。传感器电流样本x(n)可以提供至滤波器1202，其中滤波器1202可产生输出信号1206。输出信号1206和血糖参考样本（BG）可提供至校准算法1204。校准算法1204可以产生传感器葡萄糖SG(n)，其中SG(n)可对应于来源于传感器葡萄糖测量值的血糖测量值。

滤波器1202，由G(z)表示，可以进行时滞校正和/或噪声平滑（例如，使用维纳滤波器和/或其他滤波器）。滤波器残差输出信号1206可以与BG样本(其可以大约在同一时间获取)配对以用于在校准算法单元1204进行校准。所产生的时滞和噪声降低的信号可以在校准算法单元1204通过例如线性回归进行校准。

图13是根据一种实施方式的用于至少部分自动地校准控制系统的示例方法的流程图1300。如图所示，流程图1300包括两个操作1302-1304。对于某些示例实施方式，在操作1302，血糖参考样本可以与传感器测量值相关以提供响应与该传感器测量值有关的延迟的至少一个输出信号。这样的相关可以例如通过滤波器1202执行。确定延迟的示例方法在下文将特别参考图15进行进一步的描述。

在操作1304，可以至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者的血糖浓度的函数。所述函数的确定可以例如通过校准算法单元1204执行。尽管本文描述的各流程图中明确图示了一定数量的操作，但在不脱离所请求保护的主题的情形下其他方式可具有不同数量的操作和/或不同的操作。

图14是根据一种实施方式的模型1400的框图，模型1400图示了（i）可影响信号的示例现象，该示例现象可包括时延和/或噪声；以及（ii）至少部分解决所述现象的滤波器1202。如图所示，示例模型1400包括滤波器1402和滤波器1202，以及加法器Σ。模型1400图示了示例现象，例如可使期望信号s(n)失真或以其他方式影响期望信号s(n)的延迟θ和/或噪声σ。期望信号s(n)可以表示血流中的血糖。当这些现象影响期望信号s(n)时，可产生测量的信号x(n)。

对于某些示例实施方式的模型，期望信号s(n)可被延迟θ影响，所述延迟θ的影响可以由滤波器H(z)1402建模。延迟θ可表示在葡萄糖越过毛细管边界扩散时引入的时滞。滤波器1402产生信号y(n)。诸如传感器装置引起的噪声之类的噪声作为σ(n)添加至信号y(n)以产生信号x(n)，其中信号x(n)可以是由传感器测量的信号。滤波器G(z)1202努力解决延迟θ和/或噪声σ。通过调节这些现象中的一种或一种以上，如果测量信号x(n)输入滤波器1202，可以重建期望信号的摹真s’(n)。

为了调节这些现象中的一种或一种以上，可以估计各个现象。为了近似ISF葡萄糖和血浆葡萄糖之间的延迟，例如，可以进行一个或一个以上相关。为了进行一个或一个以上相关，例如，可以采用匹配滤波器。图15示出了一种示例匹配滤波器。

图15是图示了根据一种实施方式的确定延迟θ和/或噪声σ的示例方式的框图1500。如图所示，框图1500可包括低通滤波器1502、匹配滤波器1504、滤波器延迟1506、以及组合器1508。测量信号x(n)可以提供至低通滤波器1502、匹配滤波器1504、以及滤波器延迟1506。组合器1508可以接收来自低通滤波器1502和滤波器延迟1506的输出信号并且产生噪声σ(n)。

在某些示例实施方式中，框图1500还可包括多个血糖样本1510（BG₁,BG₂,BG₃…BG_n）。匹配滤波器1504可使用若干新近的BG测量值以用于BG样本模板1510（例如，n≥4）。这些BG样本测量值可以与一系列的传感器测量值匹配。作为示例，BG样本测量值可以与基本同一时间（例如，在BG样本数值的同一分钟内）（例如，t≈0）获取的传感器测量值配对。传感器测量值序列可以时移一个样本（例如，这可以提前1分钟），并且传感器测量值可以与模板BG样本配对。这可以重复持续若干数目（例如，20）的时移。

BG样本-传感器测量值对的各组可以交叉相关以测量分析中各时滞的相关性。具有最大相关性或最高幅度输出的那段配对可以认为表示电流传感器与测定仪或ISF与BG之间的延迟。延迟θ可以由匹配滤波器1504产生。延迟可以用于产生滤波器H(z)1402的一阶时滞，如图14所示。示例的匹配滤波器可以由等式（3）表示：

$y\left(i\right)=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{BG}(N-k-1).x(i-k)---\left(3\right)$

其中x(i)可以是传感器葡萄糖信号的原始测量值，BG(k)可以是所述模板或BG测量值样本的样本值，N可以是滤波器长度，以及i可以是时移指数。如果BG模板和传感器信号一致或相关性最高，匹配滤波器的输出可以是高的数值（例如，最大值）并且对应的时间指数可以设置为等于时延θ。

可以通过将传感器信号x(n)传输通过具有消除大量噪声（若不是大部分噪声的话）的足够阻带衰减的线性低通滤波器1502来提取传感器信号噪声σ。对于线性滤波器示例，滤波器延迟1506群延迟可以是其模型阶数的一半。由于滤波器阶数在滤波器延迟1506处可以已知，原始信号x(n)可以延迟群延迟这样的程度，并且可以在组合器1508处从低通滤波器1502的滤波信号输出中减去其结果来保留传感器噪声σ。

传感器噪声信号可以传递至图14的模型以改进滤波器1202的滤波器系数（例如，维纳滤波系数）。时滞校正滤波器（例如，滤波器1202）的系数可以基于图14所示的框图1400和/或使用通过图15图示的方法确定的参数（例如，延迟θ和/或噪声σ）来产生。

信号信道中的失真可以通过信道均衡来改善。根据下文所述，可以执行血浆-ISF信道均衡。通过各种类型介质发送的信号经常经历失真，其中所接收到的信号发生某种程度的劣化或其他方式的变化。劣化的程度通过介质的本征特性至少部分地进行控制。可用于从所接收到的信号恢复原始信号的一种反向滤波器为维纳滤波器。维纳滤波器提供反向滤波和噪声降低之间的平衡。在建模ISF葡萄糖和血浆葡萄糖之间关系的情形中，介质可以认为是将ISF空间内测量的葡萄糖与血浆空间中测量的葡萄糖分离的毛细管壁。

可以使用一组数字滤波器系数来描述横穿毛细管壁的扩散过程。图14的框图1400给出了所述过程的示例，其中待获取的信号可以是血浆葡萄糖s(n)。通过电化学生物传感器和CGM设备获取的信号可以是x(n)-接收信号或测量信号。测量信号x(n)可以通过介质的一种或一种以上特性而失真，例如，如上所述的扩散过程。从信号处理角度，扩散过程可以等同于或以其他方式类似于将血浆葡萄糖信号s(n)与脉冲响应h(n)进行卷积，其可以表示介质的破坏因子，从而产生劣化的信号y(n):

$y\left(n\right)=h\left(n\right)\⊗s\left(n\right)---\left(4\right)$

可以理解血浆葡萄糖和ISF葡萄糖之间的这种动力学关系。适当的脉冲响应因而是可确定的并且可以通过例如具有一阶滞后的无限脉冲响应（IIR）滤波器进行建模。仅作为示例，一阶时滞可以是τ=10分钟，其中梯度为α。然而，时滞可以基于通过相关（例如，使用如上文特别参考图15描述的匹配滤波器）确定出的时间指数延迟进行计算。在拉普拉斯变换或S域中，模型可以使用等式（5）描述：

$H\left(s\right)=\frac{\mathrm{\α}}{10s+1}---\left(5\right)$

Z域中的传递函数可以使用下面的等式（6）表达，其中T为1分钟的示例样本区间并且α为滤波器增益：

$H\left(z\right)=\frac{\mathrm{z\α}}{z-e^{-T/10}}=\frac{0.0952}{1-{0.9048z}^{-1}}---\left(6\right)$

滤波器增益α，其可以涉及ISF和血浆室中葡萄糖浓度之间的（相对恒定的）梯度，可以在上面等式中进行修改以产生统一的梯度，从而提供上述室之间的时滞和消除梯度项。

接收信号可以通过加性白噪声σ(n)来进一步劣化。接收信号还可以通过一系列的伪信号来进一步的破坏以产生合成的获取的信号x(n)：

x(n)＝y(n)+σ(n)            (7)

为了更好地估计血浆葡萄糖s(n)，可以导出一组最优的滤波器系数g(n)，g(n)可以用来对所接收到的ISF葡萄糖信号进行滤波和/或对加性干扰进行去噪。这可以产生血浆葡萄糖的可用估计值，由等式（8）所示，如下：

$s^{\′}\left(n\right)=x\left(n\right)\⊗g\left(n\right)---\left(8\right)$

图16至图18描绘了图示根据某些实施方式的示例概念性实施方式的图表。更具体而言，图16描绘了示例图表1600，图表1600图示了根据一种实施方式的频率与相位延迟和延迟产生传递函数的关系曲线。图17描绘了示例图表1700，图表1700图示了根据一种实施方式的时间与多个信号的关系曲线。图18描绘了示例图表1800，图表1800图示了根据一种实施方式的频率与相位延迟和校正传递函数的关系曲线。

图16示出了滤波器H(z)（例如，图14中的）的示例频率和相位响应。示例的10分钟时延可以在DC或0Hz处标识出。葡萄糖以相对非常低的速率变化，至少从信号处理的角度而言这种类型的信号可以认为是处于超低频率（ULF）范围内。稳定状态葡萄糖可以在DC处测量，通常可以低于2-3周期/小时的频率下观测到葡萄糖快速偏离基本值。为了产生校正ISF时滞的一组滤波器系数，在本示例中对40小时持续时间段的电化学生物传感器信号进行修改来产生“理想的”测量信号。对参考信号每分钟进行采样并且抽取其十分之一以产生采样时间间隔为20分钟的“理想的”血浆葡萄糖信号。

此“理想的”信号s(n)由图17上方的第一轨迹示出。具有1分钟测量时间间隔的原始生物传感器信号由具有一阶时滞为10分钟的扩散滤波器H(z)进行处理以产生时间延迟的信号y(n)，y(n)由图17的中间的第二轨迹示出。为了建模皮下从ISF获取的传感器葡萄糖信号，可以向葡萄糖信号添加高斯白噪声来产生信噪比（SNR）为10dB的测量信号x(n)，x(n)由图17的下方的第三轨迹示出。信号s(n)和x(n)从而可以用来产生一组（例如，一套）滤波器系数（例如，维纳滤波器系数）。尽管在本模拟示例中使用了白噪声并反映在图表中，但如上文在先特别参考图15所述，可以提取和使用实际的（估计的）传感器噪声。

尽管作为选择可以在不背离所请求保护的主题的情形下使用其他类型的滤波器，但下面描述的示例实施方式采用维纳滤波器。更具体而言，维纳滤波器实施方式在时域进行描述。对于所谓的“最佳”FIR维纳滤波器，MSE可以是如下给出的残差的平方之和：

$\mathrm{\ϵ}=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}\left|e{\left(n\right)}^2\right|=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{|s\left(n\right)-s^{\′}\left(n\right)|}^2,---\left(9\right)$

这等于寻找若干维纳-霍夫等式的解，如等式（10）给出：

$\underset{n=0}{\overset{p-1}{\mathrm{\Σ}}}g\left(n\right)r_{\mathrm{xx}}(k-n)=r_{\mathrm{xy}}\left(k\right),$ k＝0，1,...p-1    (10)

通过矩阵形式，等式（10）可以改写为等式（11）所示：

$g_{\mathrm{opt}}=R_{\mathrm{xx}}^{-1}{r}_{\mathrm{xy}},---\left(11\right)$

其中R_xx可以是对于给定数据集x的自相关序列r_xx的托普利兹矩阵：

$r_{\mathrm{xx}}=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(k\right)x^{*}(k-n),---\left(12\right)$

并且r_xy可以是交叉相关序列，如等式(13)所示：

$r_{\mathrm{xy}}=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}s\left(k\right)x^{*}(k-n).---\left(13\right)$

可以为电流样本的p个观测值估计出期望信号：

$s^{\′}\left(n\right)=\underset{k=0}{\overset{p-1}{\mathrm{\Σ}}}g\left(k\right)x(n-k)=g^{h}x\left(n\right),$ g＝[g₀,g₁,...,n-p+1]^T    (14)

对于真实数值，自相关矩阵可以是对称的。在上述的推导中，在不失一般性或没有限制的情形下，假设自相关序列和交叉相关序列是已知的。在校正ISF时滞的情形下，所述这些序列可以根据数据样本进行估计。可以采用用以推导出时域维纳滤波器系数的方法通过等式（15）描述：

g_opt＝(Y^TY)^-1Y^Ts    (15)

在上面等式(15)中，Y可以是数据样本x（例如，测量信号）的托普利兹矩阵，其中括号内的结式矩阵相乘可以是输入信号的时间平均的自相关估计值。它的逆矩阵可以乘以输入信号和期望信号二者的时间平均的交叉相关估计值（例如，括号外的项）。

此方法可以使用完整的数据块公式表述来推导出一组系数。可显示出当数据块长度接近∞时接近等式（11）的维纳滤波器。对于此示例，可以通过将图14和图17的测量信号（x(n)）和期望信号（s(n)）应用至等式(15)来产生时域维纳滤波器。图18的上方曲线图图示了维纳滤波器（G(z)）的频率响应，其中显而易见的是在大于约6周期/小时的频率处滤波器平滑特性的噪声抑制程度高。相位校正特性可以从图18中下方轨迹示出的相位响应中看出。在下方曲线图DC处显而易见10分钟的相位校正。

对于某些示例实施方式，描述了用于对葡萄糖传感器电流（Isig）进行校准以反映血糖参考样本（BG）数值的方法。可以估计三个示例参数。这三个示例参数可包括校准因子（CF）、电流偏移量（O）、以及皮下葡萄糖和血糖之间的延迟（Δ）。如果在相对恒定（否则接近恒定）的葡萄糖水平的间隔内手动获取BG参考样本测量值，校准方法可在不明确考虑可变延迟的情形下产生结果。然而，如果在葡萄糖水平迅速变化下进行校准，可以提高校准的精确度。因为葡萄糖可变性在患有糖尿病的患者中经常会没有特定诱因地发生，此方法的某些实施方式可有助于在测量之前缓解禁食要求。某些实施方式还可以用于不管葡萄糖可能正在波动而仍期望重新校准时的紧急情况。

可包括BG和Isig两者的关系式如下：BG(t)=CF x(Isig(t+Δ)-O)，其中Isig(t+Δ)可以是在时间“t”加上时移“Δ”时测量的传感器电流。假定BG可相对较慢的变化，“D”可以选择为一定的时间间隔，对于该时间间隔而言，在不失一般性或没有限制的情形下，假设变化相对平缓是可接受的。在该时间间隔D期间，平滑的Isig可以近似为线性函数：Isig=A＊t+B，其中t从0到D变化。时间间隔D可以从例如5分钟到15分钟选择，并且传感器电流可以被测量，例如每分钟测量。然而，在不脱离所请求保护的主题的情形下，作为选择，可以选择其他时间段、采样间隔、频率等。

上面提出的BG的等式可以通过替换线性关系并寻找t到t+D时间的实例的BG估计值进行解答。重新回到原始的等式，CF和O是未知的而Δ是固定的，可以进行解答。在最小二乘意义上，BG的等式可以，例如使用奇异值分解（例如，等式的数目为D，而未知量的数目为2）进行解答。对于不同延迟Δ重复此步骤可得到一系列的解，以及它们相应的误差。为了估计延迟Δ，可以选择具有最低或最小误差的解（例如，从给定的一系列解中选择）。

此方法的某些实施方式可以与单个BG样本测量值一起使用或可以通过将来自不同BG观测值实例的一系列等式进行组合来与多个BG样本测量值一起使用。此方法的某些实施方式可以相对简单并且计算上高效，因为对于单点校准而言，矩阵的维度可至多DxD。

可以在葡萄糖和/或胰岛素系统正在工作时校准传感器数据（例如，可以进行传感器电流的在线校准）。在某些示例实施方式中，持续葡萄糖监测传感器（CGMS）可输出电流信号（isig,nA（纳安）），该电流信号可以认为是与血糖浓度(BG，mg/dL)线性相关。因此，线性校准模型可用来根据isig计算传感器葡萄糖浓度(SG，mg/dL)，如下述等式（16）和（17）所示：

SG(t)=CF×isig(t)-CFOS    (16)

CFOS=CF×OS               (17)

在此，CF（校准因子）和OS（偏移量）为示例模型的两个参数（P），其中所述示例模型能够捕捉传感器电流信号和血糖浓度之间的线性关系。

为了估计上述示例模型的参数，可以在手指棒BG测定仪的帮助下对血糖浓度进行周期抽样。如果传感器特征随时间显著变化，参数的精确估计可能具有挑战性。而且，不常见的参考血糖测量值样本可使参数估计更加困难。另一方面，寻找适当的校准因子和偏移量可改善传感器性能，特别是在高血糖和低血糖期间。以下描述包括可用于估计等式(16)和（17）的参数的三种不同示例技术。以下还描述了评价各项技术性能的示例方法。尽管下文描述了使用至少一种概率模型的三种参数估计技术，但所请求保护的主题并不限于此，作为选择，可以实施其他参数估计技术。

图19为图示了根据一种实施方式的确定传感器葡萄糖（SG）的示例估计器1902和校准模型单元1904的框图1900。如图所示，框图1900可包括输入至估计器1902的传感器电流（isig）和参考血糖浓度（BG）输入信号。估计器1902可提供估计出的参数（P）和似然值（LH）。校准模型单元1904可根据传感器电流isig和参数P生成传感器葡萄糖SG。

对于某些示例实施方式，框图1900图示了传感器校准模型的示例参数估计。估计器1902可表示任何类型的估计方法，所述估计方法的功能是用于估计等式（16）的参数，包括一个或一个以上概率模型。示例估计方法包括，但不限于，卡尔曼滤波器（KF）、具有自适应过程噪声矩阵的卡尔曼滤波器（KFQ）、无迹卡尔曼滤波器、贝叶斯推理算法（B）、以上的一些组合，等等。

向估计器1902输入的输入数据可包括传感器电流（isig）和参考血糖浓度（BG）。估计器1902的输出数据可包括估计出的参数矢量P（例如，对于等式（16）的P=[CF;OS]），以及似然值LH。似然值LH，或更一般的质量指标，可以指示校准模型的性能水平。参数矢量P连同传感器电流isig可以输送至校准模型单元1904以计算传感器葡萄糖浓度（SG）。尽管框图1900示出一个估计器1902和一个校准模型单元1904，但上述中一者或二者可以实施为不止一个。例如，两个估计器E1和E2可以并行使用，如下文特别参考图21的描述。尽管似然值描述为指示校准模型的性能精确度的示例质量指标，但所请求保护的主题并不限于此，作为选择可以执行其他质量指标。

图20是根据一种实施方式的使用一个或一个以上概率模型在线校准传感器测量值的示例方法的流程图2000。如图所示，流程图2000包括三个操作2002至2006。对于某些示例实施方式，在操作2002中，可以获取多个葡萄糖参考样本-传感器测量值对。在操作2004中，可以至少部分基于所述多个葡萄糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数。所述参数估计可以例如通过估计器1902进行。

在操作2006中，可以至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内的血糖浓度的函数。所述的函数的确定可以例如通过校准模型单元1904进行。尽管在本文描述的各流程图中明确图示了特定数量的操作，但在不脱离所请求保护的主题的情形下其他实施方式可具有不同数量的操作和/或不同的操作。

下面描述可用于通过估计器1902估计参数P的三种示例概率模型。然而，不脱离所请求保护的主题的情形下，实施方式可实施替代的概率模型。示例线性卡尔曼滤波器（KF）：线性卡尔曼滤波器可具有两个阶段：预测阶段，其中系统的当前阶段基于前阶段进行预测；更新阶段，其中系统的当前预测阶段基于模型预测值和真实测量值之间产生的加权误差进行更新/校正。预测阶段和更新阶段的某些示例实施方式可以使用下列等式（18）至（24）实现：

预测：

${x_k^{-}=A}_{k-1}{x}_{k-1}---\left(18\right)$

${P_k^{-}=A}_{k-1}{P_{k-1}^{-}A}_{k-1}^T+Q_{k-1}---\left(19\right)$

更新：

$v_k=y_k-H_k{x}_k^{-}---\left(20\right)$

$S_k=H_k{P_k^{-}H}_k^T+R_k---\left(21\right)$

$K_k=\frac{P_k^{-}{H}_k^T}{S_k}---\left(22\right)$

$x_k=x_k^{-}+K_k{v}_k---\left(23\right)$

$P_k={P_k^{-}-K}_k{S}_k{K}_k^T---\left(24\right)$

其中，

和

可以分别是在测量之前的时间段k上的预测均值和状态的协方差。在此情形下，

变量x_k和P_k可分别构成在遇到测量值后的时间段k上的校正均值和状态协方差。变量v_k可以是时间段k上的测量值残差。S_k可以是测量值预测协方差，而K_k可以是时间段k上的滤波器增益。A_k-1可以表示时间段k-1的动力学模型的转换矩阵，而H_k可以是时间段k的测量值模型矩阵。在此情形下，H_k=[isig(k),-1]。上标的符号‘-‘表示所述这些变量对应于在给定时间段上处于更新之前。

Q_k-1可以是时间段k-1的过程噪声，而R_k可以是时间段k的测量噪声。这两个噪声矩阵可以在整个操作期间保持恒定。同样，y_k可以是时间段k的可用测量值。参数矢量x_k(其中x_k=[CF；CFOS])可以在血糖测量值（(y_k=BG(k)）可用的任何时候进行更新。

具有自适应过程噪声矩阵（Q）的示例线性卡尔曼滤波器：具有自适应Q矩阵的线性卡尔曼滤波器（KFQ）具有与上面关于卡尔曼滤波器（KF）描述的那些操作阶段类似的操作阶段。差别在于过程噪声矩阵Q_k可以是模型性能的函数。如果BG可用，Qk可以如下述等式（25）所示那样进行更新：

$Q_k=K_k{(y_k-H_k{x}_k^{-})}^2{K}_k.---\left(25\right)$

较大的残差可产生较大的Q矩阵，Q矩阵进而可使每阶段的K_k较小。换而言之，如果模型由于大的过程噪声而未运行良好，则所产生的卡尔曼增益（K_k）可能较少。对传感器相关伪噪声和/或噪声相对常见的系统而言，这样的自适应特征可有重要意义。潜在地，示例KFQ实施方式可减少在估计出的参数中捕获噪声的机率。

具有自适应测量噪声矩阵（R）的示例线性卡尔曼滤波器：具有适应R矩阵的线性卡尔曼滤波器（KFR）具有与上面关于卡尔曼滤波器（KF）描述的那些操作阶段类似的操作阶段。差别在于测量噪声矩阵R_k可以是模型性能的函数。如果BG可用，R_k可以如以下等式（26）所示那样进行更新：

$R_k={(y_k-H_k{x}_k^{-})}^2---\left(26\right)$

较大的残差可产生较大的R矩阵，R矩阵进而可使每阶段的K_k较小。换而言之，如果模型由于大的测量噪声而未运行良好，所产生的卡尔曼增益（K_k）可较少。因此，KFR的实施方式可减少在估计出的参数中捕获噪声的机率。如上所述，线性卡尔曼滤波器还可针对过程噪声和测量噪声两者进行实施。例如，KF可以实施为自适应Q矩阵和自适应R矩阵基于残差进行更新。

示例贝叶斯推理方法（B）：从示例贝叶斯推论方法角度的传感器葡萄糖校准模型的通用表达式可以写成如下：

y＝f(X,θ).        (27)

其中，x可以是自变量(isig)，并且θ可以是参数矢量(θ=[CF；OS])。因变量(SG)可以由y表示。贝叶斯方法(B)可以通过概率分布表示未知参数数值的不确定性，并且它可以按照参数是随机量那样进行处理。

可以根据贝叶斯定理给出后验参数分布，如下：

$\mathrm{\π}\left(\mathrm{\θ}\right|Y)=\frac{\mathrm{\π}\left(\mathrm{\θ}\right)\mathrm{\π}\left(Y\right|\mathrm{\θ})}{\∫\mathrm{\π}\left(\mathrm{\θ}\right)\mathrm{\π}\left(Y\right|\mathrm{\θ})\mathrm{d\θ}}---\left(28\right)$

其中Y可以是测量值的矢量,π(θ)可以是先验参数分布,π(θ|Y)可以是后验参数分布,并且π(Y|θ)可以是似然函数。对于某些示例实施方式，似然度可以是给定参数θ的数据Y的概率。似然值可以根据建模的数据和观测到的数据之间的误差的概率分布进行确定。然而，等式（27）中分母的解析积分是应用贝叶斯推理的困难的一个方面。使用马尔科夫链蒙特卡洛（MCMC）的蒙特卡洛积分法是解决这一困难的一种方法。

Metropolis-Hastings算法：Metropolis-Hastings（MH）算法是用于根据后验分布π(θ|Y)产生样本的示例的MCMC技术。MH算法可从矢量值θ₀开始。对于示例实施方式，N个参数矢量组成的序列θ_i，i＝1，...，N可以按照下述产生：

1．根据提出的分布q(θ|θ_i-1)（例如，均值等于θ_i-1的正态分布）产生候选参数矢量θ^＊。

2.根据下面的等式（29）计算T:

$T=\frac{\mathrm{\π}\left(Y\right|{\mathrm{\θ}}^{*})\mathrm{\π}\left({\mathrm{\θ}}^{*}\right)q\left({\mathrm{\θ}}_{i-1}\right|{\mathrm{\θ}}^{*})}{\mathrm{\π}\left(Y\right|{\mathrm{\θ}}_{i-1})\mathrm{\π}\left({\mathrm{\θ}}_{i-1}\right)q\left({\mathrm{\θ}}^{*}\right|{\mathrm{\θ}}^{i-1})}---\left(29\right)$

其中π(Y|θ^＊)和π(Y|θ_i-1)可以分别是参数矢量θ^＊和θ_i-1的最大似然值,而π(θ^＊)和π(θ_i-1)可以分别是θ^＊和θ_i-1的先验密度。

3.如果min(1，T)>u，其中u取自区间(0,1)上的均匀分布,那么θ_i=θ^＊，否则θ_i=θ_i-1。

在例如M次迭代的初始相位后，由此构造的链可以收敛为其元素随机取自后验参数分布π(θ|Y)的链。可以丢弃第一个M次迭代。参数矢量的样本θ_i，i＝M+1，...，N，可以用于使用以下等式（30）计算后验均值：

$\stackrel{\‾}{\mathrm{\θ}}=\frac{1}{N-M}\underset{i=M+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\θ}}_i---\left(30\right)$

矢量

可以认为是模型参数的估计值。参数矢量的样本还可用于计算后验方差、参数之间的相关度、以及模型预测的分布。

最大似然函数的示例计算：下述等式（31）的示例函数可用于计算最大似然度：

$\mathrm{\π}\left(Y\right|\mathrm{\θ})=\underset{j=1}{\overset{K}{\mathrm{\Π}}}{\left(2\mathrm{\π}{\mathrm{\σ}}_j^2\right)}^{-\frac{1}{2}}\exp \left\{\frac{-[{y_j-f(x_j;\mathrm{\θ})]}^2}{2{\mathrm{\σ}}_j^2}\right\}---\left(31\right)$

其中y_j可以是数据集Y中第j个y值，x_j可以是与y_j关联的解释变量（例如，自变量）的矢量，f(x_j；θ)可以是y_j的模型预测，σ_j可以是与数据集中的第j个值关联的标准偏差,而K可以数据集中数据的总个数。

总体而言，当存在过程噪声和测量噪声两者时，通过贝叶斯方法的参数估计相对而言更鲁棒。然而，这种方法的不足是贝叶斯方法会计算量较大。

描述用于评估估计器性能的示例技术。对于某些示例实施方式，各估计器（例如，估计器1902）的性能可以基于模型估计值和“真实”值之间的偏差（例如，误差）进行评估。可以使用多种不同的函数来评估估计器性能。如果模型误差假设为独立并且正态分布，那么可以使用以下似然函数，作为示例而非限制：

$\mathrm{LH}=\frac{1}{{\mathrm{\σ}}_j\sqrt{2\mathrm{\π}}}\exp \left\{\frac{-{[y_j-{\stackrel{\‾}{y}}_j]}^2}{2{\mathrm{\σ}}_j^2}\right\}---\left(32\right)$

此处,y_j可以是第j阶段的“真实”数值（例如，数据）,而

可以是第j阶段的模型预测(其中,

)。σ_j可表示由于CF和CFOS参数数值变化而导致的第j阶段的模型估计值的标准偏差。

总体而言，较大的模型误差可使LH值下降。在校准相位期间，在检测测量值之后，如果估计出的LH值比先验LH数值少某一预定的差数，可要求额外确认的手指棒测量值。尽管特定示例（例如，基于LH的）函数已用于评估估计器的性能，但所请求保护的主题并不限于此，并且作为选择可以实施其他的（例如，表征误差的）评价函数。

图21为图示了根据一种实施方式的用以确定复合传感器葡萄糖（SG_COMP）的多种示例估计器1902和校准模型单元1904的框图2100。如图所示，框图2100可包括两个估计器1902-E1和1902-E2，两个校准模型单元1904-C1和1904-C2,加权单元2102，以及两个混合器2104-M1和2104-M2。它还可以包括组合单元2106。

对于某些示例实施方式，两个估计器E1和E2可以并行使用。基于E1-估计器的性能(LH_E1)和E2-估计器的性能(LH_E2)，在加权单元2102处将各自的权值(x_E1和1-x_E1)可以分配给各自的传感器葡萄糖浓度(SG_E1和SG_E2)。这些各传感器葡萄糖浓度(SG_E1和SG_E2)可以由各自的校准模型C1和C2提供。各自的权值和传感器葡萄糖浓度(如在框图2100中由E1和/或E2所示)可以提供至混合器M1和M2。来自混合器M1和M2的输出信号可以用于通过组合单元2106计算复合传感器葡萄糖浓度(SG_comp)。

如图21所示，可以并行使用一个以上估计器来计算传感器葡萄糖浓度（SG）。例如，可以实施两个估计器E1和E2。在这样的情形下，例如，卡尔曼滤波器（KF）和贝叶斯推理估计器（B）可以用于相对同步地或有效同步地估计例如线性模型的参数。各估计器的贡献可以通过（例如根据加权单元2102的似然函数）对它们的性能进行比较来进行计算。

这样的比较可以例如通过使用下列等式（33）来实现：

$x_{E1}=\frac{{\mathrm{LH}}_{E1}}{{\mathrm{LH}}_{E1}+{\mathrm{LH}}_{E2}}---\left(33\right)$

此处，LH_E1和LH_E2分别是E1-估计器和E2-估计器（例如，KF-估计器和B-估计器）的似然值。x_E1可以是E1-估计器的分数权值。

相反地，1-x_E1可以是E2-估计器的分数权值。来自这两个或更多个估计器中两者的复合传感器葡萄糖（SG_comp)数值可以使用下述等式（34）通过混合器2104-M1和2104-M2以及组合器2106进行计算：

SG_comp=SG_E1×x_E1+SG_E2×（1-x_E1）    (34)

此处，SG_E1和SG_E2可以是分别由E1-估计器和E2-估计器计算的传感器葡萄糖浓度。尽管图21包括两个估计器，但所请求保护的主题并不限于此，并且来自三个或更多个估计器的结果也可以组合至复合传感器葡萄糖值。同样地，尽管上面的示例使用一个KF估计器和一个B估计器进行描述，但所请求保护的主题并不限于此。可以实施可供选择的估计方法作为替代。而且，还可实施其他组合（包括基于同一方法的多个估计器）。

除非另外明确说明，从前述讨论中显而易见的是，应理解整个说明讨论使用的术语，例如“处理”、“估算”、“计算”、“相关”、“确定”、“估计”、“选择”、“标识”、“获取”、“表示”、“接收”、“发送”、“存储”、“分析”、“关联”、“测量”、“检测”、“控制”、“延迟”、“启动”、“设置”、“提供”等可以指可部分地或全部由特定的装置执行的动作、过程等，所述特定的装置例如特定用途计算机、特定用途计算设备、类似的特定用途电子计算设备等，仅举几例。因此，在本说明书的上下文，特定用途计算机或类似的特定用途电子计算设备可以控制或转换信号，这通常表示为下述设备的物理的电子和/或磁性数量，所述设备包括：存储器、寄存器或其他信息存储设备、发送设备、特定用途计算机的显示设备、或类似特定用途的电子计算设备等，仅举几例。在特定示例实施方式中，这样的特定用途计算机或类似设备可包括编程以执行一项或一项以上特定功能的指令的一个或一个以上处理器。因此，特定用途计算机可以指具有处理或存储信号形式的数据的能力的系统或设备。而且，除非另外特别说明，本文参考流程图或其他描述的过程或方法还可以全部或部分地由特定用途计算机来执行或控制。

应当理解，上述的那些方面仅为示例以及实施方式在不脱离所请求保护的主题的情形下可以不同。而且，应当指出，尽管上述系统、方法、装置、设备、过程等的各方面是按特定的顺序和特定的布置进行描述，但所述特定的顺序和布置仅为示例并且所请求保护的主题并不限于所述的顺序和布置。还应当指出，本文所述的系统、设备、方法、装置、过程等可以能够由一种或一种以上计算平台执行。

此外，本文描述的适于实现方法、过程等的指令可以能够作为一个或一个以上机器可读指令存储于存储介质。如果执行，机器可读指令可以使计算平台能够执行一项或一项以上操作。本文所指的“存储介质”可涉及能够存储可在一种或一种以上机器（例如，包括至少一个处理器）上操作或执行的信息或指令的介质。例如，存储介质可包括用于存储机器可读指令或信息的一种或一种以上存储物品和/或设备。这样的存储物品和/或设备可包括数种介质类型的任一种，包括：例如，磁性存储介质、光学存储介质、半导体存储介质、以上这些的组合等等。作为进一步的示例，一种或一种以上计算平台可以根据请求保护的主题执行一种或一种以上过程、方法等，例如，本文所述的方法、过程等。然而这些仅是涉及存储介质和计算平台的例子，并且所述请求保护的主题并不限于这些方面。

尽管已经图示了并且描述了目前视为示例特征的内容，本领域技术人员应理解，在不脱离所请求保护的主题的情形下，可以作出各种其他修改，并且可以替换成等同体。此外，在不脱离本文描述的中心概念的情形下，可以作出多种修改来使特定情形与所请求保护的主题的教导适应。因而，本文意在：所请求保护的主题并不限于公开的具体示例，而是所述所请求保护的主题还可包括落入所附权利要求范围的所有方面以及与之等同的方面。

Claims (53)

1.一种方法包括：

将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及

至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

2.如权利要求1所述的方法，其中所述相关包括：

将所述血糖参考样本和所述传感器测量值以多个时移延迟应用至匹配滤波器以确定所述与所述传感器测量值有关的延迟。

3.如权利要求1所述的方法，其中所述相关包括：

将所述传感器测量值和所述血糖参考样本在多个不同时延下进行相关以确定所述与所述传感器测量值有关的延迟。

4.如权利要求1所述的方法，其中所述确定包括：

将所述血糖参考样本和所述传感器测量值连同所述延迟应用至维纳滤波器以确定多个滤波器系数。

5.如权利要求1所述的方法，其中所述确定进一步包括：

至少部分基于与所述传感器测量值有关的噪声信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

6.如权利要求1所述的方法，其中所述传感器测量值包括从所述患者的组织间液获取的电流传感器测量值。

7.如权利要求1所述的方法，其中所述确定进一步包括：

确定用于估计患者体内血糖浓度的函数，该函数解决所述延迟；所述延迟，至少部分地表示与所述患者的一个或一个以上血管和组织间液之间的血糖扩散有关的近似延迟。

8.如权利要求1所述的方法，其中所述确定进一步包括：

确定所述用于估计患者体内血糖浓度的函数的斜率和偏移量。

9.如权利要求8所述的方法，其中所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还包括：

使用贝叶斯技术确定所述函数的所述斜率和所述偏移量，在贝叶斯技术中参数矢量包括校准因子变量和偏移变量并且其中自变量包括与所述传感器测量值对应的电流信号。

10.如权利要求8所述的方法，其中所述确定用于根据传感器测量值估计患者体内血糖浓度的函数还包括：

使用线性卡尔曼滤波器技术确定所述函数的所述斜率和所述偏移量，在线性卡尔曼滤波器技术中参数矢量包括校准因子变量和偏移变量。

11.如权利要求1所述的方法，还包括：

使用一个或一个以上皮下电流传感器获取待相关的所述传感器测量值；以及

基于所述用于估计患者体内血糖浓度的函数向所述患者输注胰岛素。

12.一种装置包括：

滤波器单元，用于接收基于血糖传感器测量值的一个或一个以上信号，所述滤波器单元包括实现下述功能的一个或一个以上处理器：

将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及

至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

13.如权利要求12所述的装置，其中所述滤波器单元能够通过下述来将所述血糖参考样本与所述传感器测量值进行相关：

将所述血糖参考样本和所述传感器测量值以多个时移延迟应用至匹配滤波器以确定所述与所述传感器测量值有关的延迟。

14.如权利要求12所述的装置，其中所述滤波器单元能够通过下述来将所述血糖参考样本与所述传感器测量值进行相关：

将所述传感器测量值和所述血糖参考样本在多个不同时延下进行相关以确定所述延迟。

15.如权利要求12所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

将所述血糖参考样本和所述传感器测量值连同所述延迟应用至维纳滤波器以确定多个滤波器系数。

16.如权利要求12所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

至少部分基于与所述传感器测量值有关的噪声信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

17.如权利要求12所述的装置，其中所述传感器测量值包括从所述患者的组织间液获取的电流传感器测量值。

18.如权利要求12所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

确定用于估计患者体内血糖浓度的函数，该函数解决所述延迟；所述延迟，至少部分地表示与所述患者的一个或一个以上血管和组织间液之间的血糖扩散有关的近似延迟。

19.如权利要求12所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

确定所述用于估计患者体内血糖浓度的函数的斜率和偏移量。

20.如权利要求19所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

使用贝叶斯技术确定所述函数的所述斜率和所述偏移量，在贝叶斯技术中参数矢量包括校准因子变量和偏移变量并且其中自变量包括与所述传感器测量值对应的电流信号。

21.如权利要求19所述的装置，其中所述滤波器单元能够通过下述确定所述用于估计患者体内血糖浓度的函数：

使用线性卡尔曼滤波器技术确定所述函数的所述斜率和所述偏移量，在线性卡尔曼滤波器技术中参数矢量包括校准因子变量和偏移变量。

22.如权利要求12所述的装置，还包括：

一个或一个以上血糖皮下电流传感器，所述血糖皮下电流传感器适于连接至所述患者以获取血糖传感器测量值并且适于提供基于该血糖传感器测量值的一个或一个以上信号；其中所述滤波器单元能够通过所述一个或一个以上血糖皮下电流传感器使用所述一个或一个以上信号来获取所述血糖传感器测量值；以及

至少一个胰岛素递送系统，所述胰岛素递送系统适于基于所述用于估计患者体内血糖浓度的函数向所述患者输注胰岛素。

23.一种系统包括：

用于将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号的装置；以及

至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数的装置。

24.一种物品包括：

至少一种存储介质，所述存储介质具有存储在其上的由一个或一个以上处理器可执行以进行下列操作的指令：

将血糖参考样本与传感器测量值进行相关以提供响应与所述传感器测量值有关的延迟的至少一个输出信号；以及

至少部分基于所述至少一个输出信号确定用于根据传感器测量值估计患者体内血糖浓度的函数。

25.一种方法包括：

获取多个血糖参考样本-传感器测量值对；

至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及

至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

26.如权利要求25所述的方法，其中所述获取包括：

使用至少一个皮下电流传感器获取所述多个血糖参考样本-传感器测量值对的传感器测量值。

27.如权利要求25所述的方法，其中所述函数至少部分地由斜率和偏移量定义。

28.如权利要求25所述的方法，其中所述一个或一个以上参数包括校准因子变量和偏移变量。

29.如权利要求28所述的方法，其中对应于所述血糖参考样本-传感器测量值对的电流传感器测量值和所述患者的传感器葡萄糖浓度之间的关系可通过线性模型表示，所述线性模型与斜率和偏移量有关；并且其中所述线性模型的所述斜率和所述偏移量根据所述校准因子变量和/或所述偏移变量可确定。

30.如权利要求25所述的方法，其中所述估计概率模型的一个或一个以上参数进一步包括：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声和测量噪声建模为恒量。

31.如权利要求25所述的方法，其中所述估计概率模型的一个或一个以上参数进一步包括：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声修改为模型性能的函数。

32.如权利要求25所述的方法，其中所述估计概率模型的一个或一个以上参数进一步包括：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中测量噪声修改为模型性能的函数。

33.如权利要求25所述的方法，其中所述估计概率模型的一个或一个以上参数进一步包括：

使用贝叶斯估计器估计所述一个或一个以上参数，其中对应于所述血糖参考样本-传感器测量值对的传感器测量值组成自变量并且对应于所述血糖参考样本-传感器测量值对的血糖参考样本组成测量变量。

34.如权利要求25所述的方法，还包括：

使用多个函数和至少一个加权因子估计所述患者的复合传感器葡萄糖浓度值，其中所述加权因子源自多个概率模型的一个或一个以上质量指标。

35.如权利要求25所述的方法，其中所述确定进一步包括确定用于根据传感器测量值估计患者体内血糖浓度的多个函数；并且其中所述方法还包括：

使用所述多个函数估计所述患者的多个传感器葡萄糖浓度值；所述多个函数与包括所述概率模型的多个概率模型有关；以及

至少部分基于所述多个传感器葡萄糖浓度值确定所述患者的复合传感器葡萄糖浓度值。

36.如权利要求35所述的方法，其中所述确定患者的复合传感器葡萄糖浓度值包括：

至少部分基于表示所述多个概率模型的精确度的多个质量指标对所述多个传感器葡萄糖浓度值进行加权。

37.如权利要求36所述的方法，其中所述多个质量指标包括多个似然值；并且其中所述方法还包括：

至少部分基于根据所述多个概率模型估计出的传感器葡萄糖浓度值和来自血糖参考样本的参考血糖值之间的误差计算所述多个似然值。

38.一种装置包括：

校准单元，用于接收基于血糖传感器测量值的一个或一个以上信号，所述校准单元包括实现下述功能的一个或一个以上处理器：

获取多个血糖参考样本-传感器测量值对；

至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及

至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

39.如权利要求38所述的装置，其中所述校准单元能够通过下述获取所述多个血糖参考样本-传感器测量值对：

使用至少一个皮下电流传感器获取所述多个血糖参考样本-传感器测量值对的传感器测量值。

40.如权利要求38所述的装置，其中所述函数至少部分地由斜率和偏移量定义。

41.如权利要求38所述的装置，其中所述一个或一个以上参数包括校准因子变量和偏移变量。

42.如权利要求41所述的装置，其中对应于所述血糖参考样本-传感器测量值对的电流传感器测量值和所述患者的传感器葡萄糖浓度之间的关系可通过线性模型表示，所述线性模型与斜率和偏移量有关；并且其中所述线性模型的所述斜率和所述偏移量根据所述校准因子变量和/或所述偏移变量可确定。

43.如权利要求38所述的装置，其中所述校准单元能够通过下述估计所述概率模型的一个或一个以上参数：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声和测量噪声建模为恒量。

44.如权利要求38所述的装置，其中所述校准单元能够通过下述估计所述概率模型的一个或一个以上参数：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中过程噪声修改为模型性能的函数。

45.如权利要求38所述的装置，其中所述校准单元能够通过下述估计所述概率模型的一个或一个以上参数：

使用线性卡尔曼滤波器估计器估计所述一个或一个以上参数，其中测量噪声修改为模型性能的函数。

46.如权利要求38所述的装置，其中所述校准单元能够通过下述估计所述概率模型的一个或一个以上参数：

使用贝叶斯估计器估计所述一个或一个以上参数，其中对应于所述血糖参考样本-传感器测量值对的传感器测量值组成自变量并且对应所述血糖参考样本-传感器测量值对的血糖参考样本组成测量变量。

47.如权利要求38所述的装置，其中所述校准单元的一个或一个以上处理器还用以实现：

使用多个函数和至少一个加权因子估计所述患者的复合传感器葡萄糖浓度值，其中所述加权因子源自多个概率模型的一个或一个以上质量指标。

48.如权利要求38所述的装置，其中校准单元能够通过确定用于根据传感器测量值估计患者体内血糖浓度的多个函数来确定所述用于估计患者体内血糖浓度的函数；并且其中所述校准单元的所述一个或一个以上处理器还用以实现：

使用所述多个函数估计所述患者的一个以上传感器葡萄糖浓度值；所述多个函数与包括所述概率模型的多个概率模型有关；以及

至少部分地基于所述多个传感器葡萄糖浓度值确定所述患者的复合传感器葡萄糖浓度值。

49.如权利要求48所述的装置，其中所述校准单元能够通过下述确定所述患者的复合传感器葡萄糖浓度值：

至少部分基于表示所述多个概率模型的精确度的多个质量指标对所述多个传感器葡萄糖浓度值进行加权。

50.如权利要求49所述的装置，其中所述多个质量指标包括多个似然值；并且其中所述校准单元的一个或一个以上处理器还用以实现：

至少部分基于根据所述多个概率模型估计出的传感器葡萄糖浓度值和来自血糖参考样本的参考血糖值之间的误差计算所述多个似然值。

51.如权利要求38所述的装置，还包括：

一个或一个以上血糖传感器，所述血糖传感器适于连接至所述患者以获取血糖传感器测量值并且适于提供基于该血糖传感器测量值的一个或一个以上信号；

其中所述校准单元能够通过所述一个或一个血糖传感器使用所述一个或一个以上信号获取所述多个血糖参考样本-传感器测量值对。

52.一种系统包括：

用于获取多个血糖参考样本-传感器测量值对的装置；

用于至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数的装置；

用于至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数的装置。

53.一种物品包括：

至少一种存储介质，所述存储介质具有存储在其上的由一个或一个以上处理器可执行以进行下列操作的指令：

获取多个血糖参考样本-传感器测量值对；

至少部分基于所述血糖参考样本-传感器测量值对估计概率模型的一个或一个以上参数；以及

至少部分基于所述估计出的一个或一个以上参数确定用于根据传感器测量值估计患者体内血糖浓度的函数。

Images