基于贝叶斯优化的人工胰腺长期适应的个体化学习系统

摘要

本发明公开了一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，包括个体血糖状况评估模块、个体化AP参数学习模块、贝叶斯优化模块。本发明采用上述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，实施个体化AP自适应，稳健地调整AP参数(BR)，增加正常血糖时间比例，显著降低低血糖发生的风险。

权利要求

1.一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：包括个体血糖状况评估模块、个体化AP参数学习模块、贝叶斯优化模块；

所述个体血糖状况评估模块根据一周期内历史血糖数据构建血糖状况评价函数y(z)：其中，z是收集的历史血糖数据，y是血糖状态评价，T表示历史血糖数据采集周期，u1、u2、u3分别表示正常血糖范围的平均值、正常血糖的下限和低血糖的标准值；

0‑t1代表在周期T内，血糖值大于正常血糖下限值u2的总时间；t1‑t2代表在周期T内，血糖值小于正常血糖下限u2，但大于低血糖的标准值u3的总时间；t2‑T代表在周期T内，血糖值小于低血糖的标准值u3的总时间；

第一项为低血糖惩罚项：A为低血糖惩罚项系数，代表低血糖发生时，目标函数值较未发生低血糖时会显著下降；第二项为非正常血糖惩罚项：B为非正常血糖惩罚项系数，代表出现非正常血糖但低血糖未发生时，与均为正常血糖范围内的目标函数值相较，目标函数值会显著下降；第三项代表正常血糖范围对目标函数值影响，C为该项系数。

2.根据权利要求1所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述个体化AP参数学习模块是利用高斯过程建立糖尿病患者的历史血糖状态评价y与AP参数之间规律，得到不同AP参数下血糖状态评价y的预测模型；

所述个体化AP参数学习模块将前n个周期所得AP参数值集X1与血糖状况评价函数值集Y1分别作为基于高斯过程的血糖状况预测模型的训练输入和训练输出，得到不同AP参数下2

血糖状态评价y预测模型M1，其中不同AP参数下血糖状态评价y服从均值为μ、方差为σ的高斯分布。

3.根据权利要求1所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述贝叶斯优化模块用于根据血糖状况预测模型，安全选择最优AP参数，得到下一周期AP参数。

4.根据权利要求1所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述个体血糖状况评估模块包括参数确定单元、血糖数据采集单元以及函数计算单元；

所述参数确定单元根据AP系统中血糖数据获取时间间隔t、周期T、正常血糖范围的平均值u1、正常血糖的下限u2和低血糖的标准值u3分别确定血糖状况评价函数系数A、B、C，通过限制函数系数，体现低血糖影响和正常血糖所占比例对函数值的显著上升作用。

5.根据权利要求4所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于，系数A、B、C确定步骤如下：S11、对不发生低血糖时的血糖状况评价函数曲线进行分类；

(1)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时仍位于正常范围；

(2)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时位于正常血糖下限与低血糖标准值之间；

(3)函数曲线初始时刻t0时血糖位于正常血糖下限与低血糖标准值之间，最终时刻tT时仍位于正常血糖下限与低血糖标准值之间；

S12、在理想极端情况下，按步骤S1中对血糖状况评价函数曲线的3种分类，分别构建3种血糖状况评价函数表达式，确定3种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)；

血糖数据均等于正常血糖值下限：

初始时刻t0至t内血糖数据等于正常血糖值下限，t至最终时刻tT内血糖数据等于低血糖标准值：血糖数据均处于低血糖标准值：

S13、比较步骤S12中三种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)，选择y(1)、y(2)、y(3)中最小值作为不发生低血糖时血糖状况评价函数最小值y1min；

S14、通过理想情况近似一条斜线来确定发生低血糖时血糖状况评价函数最大值y1max，模拟理想情况血糖曲线为： 其中Δt为血糖测量时间间隔，α为置信度，即当且仅当实际血糖小于(1‑α)u3时，认为低血糖发生，发生低血糖时血糖状况评价函数最大值y1max为：S15、令步骤S13中得到的血糖状况评价函数最小值y1min大于步骤S14中得到的血糖状况评价函数最大值y1max，得到血糖状况评价函数系数A，B，C之间具体限制关系；

S16、当血糖均处于正常范围内时，同样取理想极端情况，即血糖值均处于正常血糖上限或下限，得到血糖状况评价函数最小值y2min：S17、计算血糖位于正常血糖下限与低血糖界限之间时，血糖状况评价函数最大值y2max；

血糖状况评价函数最大值y2max仍然通过理想情况近似一条斜线来确定；模拟理想情况血糖曲线： 其中Δt为血糖测量时间间隔，γ为置信度，即当且仅当实际血糖小于(1‑γ)u3时，认为低血糖发生；

血糖状况评价函数最大值y2max为：

S18、令步骤S16中得到的血糖状况评价函数最小值y2min大于步骤S17中得到的血糖状况评价函数最大值y2max，得到血糖状况评价函数系数B、C之间的另一具体限制关系；

S19、经过步骤S15和步骤S18中具体计算，得到血糖状况评价函数系数A、B、C限制关系B(u2‑u3)T＜4.5Aαu3Δt，C(u1‑u2)T＜4.5Bγu2Δt；根据实验需要自行设定满足限制关系的系数具体数值，系数数值确定后不再改变。

6.根据权利要求5所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述低血糖的标准为连续三次采样血糖数据均小于低血糖的标准值u3；

所述血糖向量处于非正常状态标准为连续三次采样血糖浓度均低于正常范围。

7.根据权利要求4所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述血糖数据采集单元用于获取糖尿病患者在佩戴AP下一定周期T内血糖历史数据与胰岛素基础率BR设定值，其中，AP中血糖传感期每隔时间t获取患者血糖数据。

8.根据权利要求4所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述函数计算单元按照血糖状况评价函数，将AP在一定周期内对所测血糖数据点进行线性插值，获得一定周期T内的血糖数据分段函数，通过分段加权积分，计算得到最终血糖状况评价函数值。

9.根据权利要求1所述的一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，其特征在于：所述贝叶斯优化模块利用安全选择算法，在预测模型M1中选择不发生低血糖情况下最优AP参数，并在下一周期使用最优AP参数，进行AP自适应；

其中，安全选择算法步骤为：

S21、根据医生与患者经验，确定先验安全集合S0与样本集X，S0包括医生与患者认为的不会发生低血糖与高血糖的胰岛素基础率范围；收集前n次周期不同胰岛素基础率下血糖历史数据，样本集X包括前n次周期下的胰岛素基础率，其中n≥4，确定验证集D，范围为当前周期胰岛素基础率上下浮动50％，以自变量x表示胰岛素基础率；

S22、利用高斯过程预测模型M1，定义可微协方差核的利普希茨常数Lk与误差限δL，δL∈(0，1)；对于一个由协方差核k(·，·)定义的零平均高斯过程，其连续偏导数达到四阶的偏导数核： 并且， 代表在

有最大距离r＝max(x‑x′)x，x′∈X的样本集X上的偏导数核 的利普希茨常数；

S23、利用步骤S22中的Lk， 以及r计算预测模型M1中未知函数的利普希茨常数：

2

S24、通过高斯过程预测模型M1，在验证集D上得到不同AP参数下服从均值为μ、方差为σ的高斯分布的血糖状态评价y和利普希茨常数Lf，在验证集D上以Δx为作为AP参数间隔，计

0.5 0.5

算每一点x的置信上限u(x)＝μ(x)+β σ(x)，置信下限l(x)＝μ(x)‑β σ(x)，参数β为常数，置信区间ω(x)为置信上限与置信下限之差；

S25、利用步骤S24中每一点的置信下限l(x)以及步骤S21中的安全集合S0，选择安全集合中值最小的置信下限l(x)作为安全界限h，h＝minl(x)，x∈S0；

S26、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限集合u(x)，置信下限集合l(x)，置信区间集合ω(x)，步骤S25中安全界限h，对安全集合S0进行更新，更新后的安全集合称为先验安全集合St；

S27、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限u(x)，置信下限l(x)，步骤S25中安全界限h和步骤S26中的先验安全集合St，计算潜在的最大化者集合Mt，扩展安全集合Gt；

Mt＝{x∈St|u(x)≥maxl(x′)，x′∈St}

g(x)＝|{x′∈D\St|u(x)‑Lfd(x，x′)≥h}|Gt＝{x∈St|g(x)＞0}

S28、在步骤S27中潜在的最大化者集合Mt与扩展安全集合Gt并集中，选择最大的置信区间值maxω(x)，x∈MtUGt，选择maxω(x)对应的AP参数作为最优AP参数；

S29、计算后验安全集合S0；选择步骤S28中最优AP参数作为第n+1次周期下胰岛素基础率，收集血糖数据，加入第n+1次数据更新样本集X，当此次未发生低血糖或高血糖时，选择样本集中左右界限作为后验安全集合S0上边界与下边界；若发生低血糖或者高血糖，去除该AP参数，选择相邻已知函数点作为上边界或者下边界；

S30、步骤S29中后验安全集合S0作为第n+1次周期下安全集合S0；重复步骤S21。

说明书

基于贝叶斯优化的人工胰腺长期适应的个体化学习系统

技术领域

[0001] 本发明涉及人工胰腺控制技术领域，尤其是涉及一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统。

背景技术

[0002] 在人体中，血糖浓度由胰腺分泌的胰岛素和胰高血糖素严格控制。胰岛素由胰腺β细胞分泌，用于降低血糖浓度；胰高血糖素由胰腺α细胞分泌，可增加血糖浓度。Ⅰ型糖尿病是由于胰腺细胞的自身免疫破坏，胰岛素分泌丢失造成的。其中，Ⅰ型糖尿病占全球约3.66亿糖尿病患者的5‑15％，其发病率以每年3.9％的速度增长。据《中国成人糖尿病流行与控制现状》调查研究显示，中国18岁及以上成人糖尿病患病率为11.6％，糖尿病前期的患病率为50.1％，我国糖尿病患者的治疗率仅为25.8％，糖尿病的有效治疗已经成为我国最为重要和棘手的公共卫生问题之一。

[0003] 20世纪20年代早期发现，胰岛素将Ⅰ型糖尿病从一种致命的疾病转变为一种需要终身胰岛素替代治疗的慢性疾病。佩戴人工胰腺(Artificial Pancreas，AP)体外补充胰岛素成为目前控制血糖的一种重要手段。AP系统旨在通过产生Ⅰ型糖尿病患者的胰岛素微丸，自动控制和调节患者正常范围内的血糖。传统AP由三个组成部分组成：一个葡萄糖传感器、一个输液泵和一个控制器，根据葡萄糖测量值自动调节激素输送来调节葡萄糖浓度，有效改善血糖控制。

[0004] 目前，AP系统主要依赖AP参数的设置，例如胰岛素基础率(Basal Rate，BR)实时调整胰岛素剂量。这种方式对患者血糖的调节效果基本由初始设置的AP参数(BR)的准确性决定，而AP参数(BR)的准确性很大程度上取决于医生的治疗判断和患者的经验，并且患者为维持正常血糖水平所需求的BR随着生理状态长期变化。在AP参数设置不合理或患者需求的BR变化幅度大时，由于AP系统的实时调整能力有限，无法有效纠正错误的AP参数对血糖控制效果的影响。种种原因导致血糖控制效果差，佩戴AP控糖效果不明显，高血糖事件或者低血糖事件的频繁发生，患者之间差异较大。

[0005] 另外，患者在长期佩戴AP系统的过程中，产生了丰富的血糖监测数据和胰岛素输注数据，可为个体化医疗提供数据支持。但如何充分挖掘这些数据蕴含的血糖代谢变化规律，在生活干扰下系统地调整AP参数(BR)，同时寻找参数约束以保证AP参数稳健调整，不发生低血糖，实现长期安全、良好的血糖闭环控制仍然是一个挑战。因此，利用患者历史数据，建立数据驱动的AP个体化自适应模型，形成系统调整AP参数(BR)的方法具有重要意义。

[0006] 现有技术中，专利CN201310312769.2公开了一种个体化胰岛素治疗泵及其基础输注率优化方法，该方法根据患者实时反馈的血糖数据，建立任一时刻患者血糖值与胰岛素基础输注率的关系模型，在基础输注率的可变范围内，模拟当基础输注率变化时，任一时刻患者血糖变化情况，评价选择最佳基础输注率值。然而该专利在确定血糖值与胰岛素基础输注率的关系模型时采用简单线性关系，忽略了血糖代谢规律的复杂性，难以在不同基础输注率下准确对血糖变化情况进行模拟。

[0007] 专利CN201780048242.X公开了一种基于糖尿病患者的葡萄糖状态相关联的风险来确定胰岛素的基础率调整的方法与系统。该方法基于AP接收的葡萄糖测量信号检测人的葡萄糖状态以及确定与检测到的葡萄糖状态相关联的当前风险度量，从检测到的葡萄糖状态周围的葡萄糖状态分布生成的返回路径的累积危险值的加权平均值来确定与检测到的葡萄糖状态相关联的当前风险度量。最后通过与检测到的葡萄糖状态相关联的当前风险度量和与参考葡萄糖水平相关联的参考风险度量来计算对治疗递送装置的基础率的调整。该专利利用实时血糖对胰岛素基础率进行调整，属于人工胰腺控制方法的研究，并无关注如何基于患者历史血糖监测和胰岛素输注数据，系统地调整胰岛素基础率，实现长期安全，良好的血糖控制。

发明内容

[0008] 本发明的目的是提供一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，实施个体化AP自适应，稳健地调整AP参数(BR)，增加正常血糖时间比例，显著降低低血糖发生的风险。

[0009] 为实现上述目的，本发明提供了一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，包括个体血糖状况评估模块、个体化AP参数(BR)学习模块、贝叶斯优化模块。

[0010] 优选的，所述个体血糖状况评估模块用于根据一周期内历史血糖数据构建血糖状况评价函数y(z)：

[0011]

[0012] 其中，z是收集的历史血糖数据，y是血糖状态评价指标，T表示历史血糖数据采集周期，u1(125‑135mg/dL)、u2(70‑80mg/dL)、u3(70mg/dL)分别表示正常血糖范围的平均值、正常血糖的下限和低血糖的标准值。0‑t1代表在周期T内，血糖值大于正常血糖下限值u2的总时间；t1‑t2代表在周期T内，血糖值小于正常血糖下限u2，但大于低血糖的标准值u3的总时间；t2‑T代表在周期T内，血糖值小于低血糖的标准值u3的总时间。

[0013] 第一项为低血糖惩罚项：A为低血糖惩罚项系数，代表低血糖发生时，目标函数值较未发生低血糖时会显著下降；第二项为非正常血糖惩罚项：B为非正常血糖惩罚项系数，代表出现非正常血糖但低血糖未发生时，与均为正常血糖范围内的目标函数值相较，目标函数值会显著下降；第三项代表正常血糖范围对目标函数值影响，C为该项系数。一般情况下，A、B、C大致关系可以认为A>B>C。

[0014] 优选的，0‑t1总时间是血糖值大于正常血糖下限值u2的不同时间段的集合，各个时间段之间可以不连续。t1为各个时间段的时间简单相加。t1‑t2总时间是血糖值大于正常血糖下限值u2的不同时间段的集合，各个时间段之间可以不连续。t2‑t1为各个时间段的时间简单相加。t2‑T总时间是血糖值大于正常血糖下限值u2的不同时间段的集合，各个时间段之间可以不连续。T减去t2为各个时间段的时间简单相加。

[0015] 优选的，所述个体化AP参数学习模块采用高斯过程学习糖尿病患者的历史血糖状况评价y与AP参数(BR)之间规律，得到不同AP参数(BR)下血糖状况y预测模型。

[0016] 优选的，所述贝叶斯优化模块用于根据血糖状况预测模型，安全选择最优AP参数(BR)，得到下一周期AP参数(BR)。

[0017] 优选的，所述个体血糖状况评估模块包括参数确定单元、血糖数据采集单元以及函数计算单元。

[0018] 所述参数确定单元用于根据AP系统中血糖数据获取时间间隔t、周期T、正常血糖范围的平均值u1(125‑135mg/dL)、正常血糖的下限u2(70‑80mg/dL)和低血糖的标准值u3(70mg/dL)分别确定血糖状况评价函数系数A、B、C，通过限制函数系数，体现低血糖影响(对血糖状况评价函数值产生下降作用)和正常血糖所占比例对函数值的显著上升作用。

[0019] 优选的，系数A、B、C确定步骤如下：

[0020] S11、对不发生低血糖时的血糖状况评价函数曲线进行分类；

[0021] (1)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时仍位于正常范围。

[0022] (2)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时位于正常血糖下限与低血糖标准值之间。

[0023] (3)函数曲线初始时刻t0时血糖位于正常血糖下限与低血糖标准值之间，最终时刻tT时仍位于正常血糖下限与低血糖标准值之间。

[0024] S12、在理想极端情况下，按步骤S1中对血糖状况评价函数曲线的3种分类，分别构建3种血糖状况评价函数表达式，确定3种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)。

[0025] 血糖数据均等于正常血糖值下限：

[0026]

[0027] 初始时刻t0至t内血糖数据等于正常血糖值下限，t至最终时刻tT内血糖数据等于低血糖标准值：

[0028]

[0029] 血糖数据均处于低血糖标准值：

[0030]

[0031] S13、比较步骤S12中三种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)，选择y(1)、y(2)、y(3)中最小值作为不发生低血糖时血糖状况评价函数最小值y1min；

[0032] S14、通过理想情况近似一条斜线来确定发生低血糖时血糖状况评价函数最大值y1max。模拟理想情况血糖曲线为： 其中Δt为血糖测量时间间隔，a为置信度，即当且仅当实际血糖小于(1‑α)u3时，认为低血糖发生。发生低血糖时血糖状况评价函数最大值y1max为：

[0033]

[0034] S15、令步骤S13中得到的血糖状况评价函数最小值y1min大于步骤S14中得到的血糖状况评价函数最大值y1max，得到血糖状况评价函数系数A，B，C之间具体限制关系；

[0035] S16、当血糖均处于正常范围内时，同样取理想极端情况(血糖值均处于正常血糖上限或下限)，得到血糖状况评价函数最小值y2min：

[0036]

[0037] S17、计算血糖位于正常血糖下限与低血糖界限之间时，血糖状况评价函数最大值y2max。血糖状况评价函数最大值y2max仍然通过理想情况近似一条斜线来确定。模拟理想情况血糖曲线： 其中Δt为血糖测量时间间隔，γ为置信度，即当且仅当实际血糖小于(1‑γ)u3时，认为低血糖发生。血糖状况评价函数最大值y2max为：

[0038] S18、令步骤S16中得到的血糖状况评价函数最小值y2min大于步骤S17中得到的血糖状况评价函数最大值y2max，得到血糖状况评价函数系数B、C之间的另一具体限制关系；

[0039] S19、经过步骤S15和步骤S18中具体计算，得到血糖状况评价函数系数A、B、C限制关系B(u2‑u3)T＜4.5Aαu3Δt，C(u1‑u2)T＜4.5Bγu2Δt。根据实验需要自行设定满足限制关系的系数具体数值，系数数值确定后不再改变；

[0040] 优选的，所述低血糖依据为：连续三次采样血糖数据均小于低血糖的标准值u3；

[0041] 所述血糖向量处于非正常状态依据为：连续三次采样血糖浓度均低于正常范围；

[0042] 由于实际情况中血糖数据曲线多样化，所以在理想极端情况下对各个模拟曲线进行确定。

[0043] 优选的，血糖传感器所测血糖数据具有一定误差，本发明设置置信度α认为：当实际血糖位于[(1‑α)u3，u3]区间范围内时，z与u3近似相等，并不认为低血糖发生，当(T‑2Δt)血糖值为(1‑α)u3、(T‑3Δt)血糖值为u3时，可计算确定发生低血糖时血糖状况评价函数最大值y1max。置信度α表示：实际情况中发生低血糖概率为α。

[0044] 优选的，本发明设置置信度γ认为：当实际血糖位于[(1‑γ)u2，u2]区间范围内时，z与u2近似相等，并不认为血糖处于非正常状态。当(T‑2Δt)血糖值为(1‑γ)u2，(T‑3Δt)血糖值为u2时，可确定y2max。在置信度γ下，实际情况中血糖处于非正常状态下概率为γ。

[0045] 优选的，所述血糖数据采集单元用于获取糖尿病患者在佩戴AP下一定周期T内血糖历史数据与BR设定值。其中，AP中血糖传感期每隔时间t获取患者血糖数据。周期T远大于时间间隔t。

[0046] 优选的，所述函数计算单元按照血糖状况评价函数，将AP在一定周期内对所测血糖数据点进行线性插值，获得一定周期T内的血糖数据分段函数，通过分段加权积分，计算得到最终血糖状况评价函数值。

[0047] 优选的，所述个体化AP参数(BR)学习模块将前n个周期所得AP参数(BR)值集X1与血糖状况评价函数值集Y1分别作为基于高斯过程的血糖状况预测模型的训练输入和训练输出，得到不同AP参数(BR)下血糖状况y预测模型M1，其中不同AP参数(BR)下血糖状况y服2
从均值为μ、方差为σ的高斯分布。

[0048] 当数据点过少时，高斯过程预测时收集到的信息不足，可能导致预测准确性下降。一般选择n＝4，收集4组数据后，进行个体化AP参数(BR)学习。

[0049] 优选的，所述贝叶斯优化模块利用安全选择算法，在预测模型M1中选择不发生低血糖情况下最优AP参数(BR)，并在下一周期使用最优AP参数(BR)，进行AP自适应。其中安全选择算法步骤为：

[0050] S21、根据医生与患者经验，确定先验安全集合S0与样本集X，S0包括医生与患者认为的不会发生低血糖与高血糖的胰岛素基础率范围。收集前n次周期不同胰岛素基础率下血糖历史数据。样本集X包括前n次周期下(n≥4)的胰岛素基础率。确定验证集D，范围为当前周期胰岛素基础率上下浮动50％，以自变量x表示胰岛素基础率；

[0051] S22、利用高斯过程预测模型M1，定义可微协方差核的利普希茨常数Lk与误差限δL,δL∈(0，1)。对于一个由协方差核k(·，·)定义的零平均高斯过程，其连续偏导数达到四阶的偏导数核： 并且， 代
表在有最大距离r＝max(x‑x′)x，x′∈X的样本集X上的偏导数核 的利普希茨常数；

[0052] S23、利用步骤S22中的Lk， 以及r计算预测模型M1中未知函数的利普希茨常数:

[0053]

[0054] S24、通过高斯过程预测模型M1，在验证集D上得到不同AP参数(BR)下服从均值为2
μ、方差为σ的高斯分布的血糖状况y和利普希茨常数Lf，在验证集D上以Δx为作为AP参数
0.5 0.5
(BR)间隔，计算每一点x的置信上限u(x)＝μ(x)+β σ(x)，置信下限l(x)＝μ(x)‑β σ(x)，参数β为常数，置信区间ω(x)为置信上限与置信下限之差；

[0055] 步骤S24中参数β控制置信区间的紧致性，一般根据实验情况自行设定。

[0056] S25、利用步骤S24中每一点的置信下限1(x)以及步骤S21中的安全集合S0，选择安全集合中值最小的置信下限1(x)作为安全界限h，h：＝min l(x)，x∈S0；

[0057] S26、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限集合u(x)，置信下限集合l(x)，置信区间集合ω(x)，步骤S25中安全界限h，对安全集合S0进行更新，更新后的安全集合称为先验安全集合St；

[0058]

[0059] S27、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限u(x)，置信下限l(x)，步骤S25中安全界限h和步骤S26中的先验安全集合St，计算潜在的最大化者集合Mt，扩展安全集合Gt；

[0060] Mt＝{x∈St|u(x)≥max l(x′)，x′∈St}

[0061] g(x)：＝|{x′∈D\St|u(x)‑Lfd(x，x′)≥h}|

[0062] Gt＝{x∈St|g(x)＞0}

[0063] S28、在步骤S27中潜在的最大化者集合Mt与扩展安全集合Gt并集中，选择最大的置信区间值maxω(x)，x∈Mt∪Gt，选择该值对应的AP参数(BR)作为最优AP参数(BR)。

[0064] S29、计算后验安全集合S0。选择步骤S28中最优AP参数(BR)作为第n+1次周期下胰岛素基础率，收集血糖数据，加入第n+1次数据更新样本集X，当此次未发生低血糖或高血糖时，选择样本集中左右界限作为后验安全集合S0上边界与下边界。若发生低血糖或者高血糖，去除该点，选择相邻已知函数点作为上边界或者下边界。

[0065] S30、步骤S29中后验安全集合S0作为第n+1次周期下安全集合S0。重复步骤S21。

[0066] 因此，本发明采用上述一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，利用人工智能方法充分挖掘糖尿病患者和AP的历史数据信息，建立不同AP参数(BR)下血糖状况预测模型，运用贝叶斯优化以及安全选择思想，安全选择AP参数(BR)。最终实现个体化AP自适应，建立数据驱动的AP自适应模型，长期稳健地调整AP参数(BR)，增加正常血糖时间比例，显著降低低血糖发生的风险，在最小的人工干预条件下自动提高长期自适应AP系统的性能。

[0067] 总体来说，本发明利用患者一定时期内历史血糖数据以及不同周期内AP系统参数(BR)，设计了基于高斯过程的AP长期适应的个体化安全学习系统，该系统充分挖掘患者血糖历史数据的信息与AP系统参数(BR)之间的内在联系，设计个体血糖状况评估函数，便于准确有效评价患者在一定周期内血糖状况水平；同时，利用高斯过程学习糖尿病患者的历史血糖状况与AP参数(BR)之间规律，得到不同AP参数(BR)下血糖状况预测模型；并利用贝叶斯优化求解，基于血糖状况预测模型，使用安全选择算法确定在不发生低血糖情况下最优AP参数(BR)，实现在安全范围内更新AP参数(BR)，以长期适应AP，增加正常血糖时间比例，显著降低低血糖。最后，本发明考虑个体血糖数据差异，利用每个患者的历史数据与AP参数(BR)之间规律，建立AP长期适应的个体化安全学习系统，血糖状况预测模型在一定周期内进行更新，以更好提高AP性能。

[0068] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0069] 图1是本发明提供的自适应AP框架图；

[0070] 图2是本发明提供的AP长期适应的个体化学习系统框架图；

[0071] 图3是本发明提供的实施步骤流程图；

[0072] 图4是本发明提供的某一患者的AP参数(BR)不合适时血糖数据图；

[0073] 图5是本发明提供的某一患者的经过优化AP参数(BR)后血糖数据图。

具体实施方式

[0074] 以下通过附图和实施例对本发明的技术方案作进一步说明。

[0075] 除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

[0076] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的主旨或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

[0077] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。

[0078] 还应当理解，以上所述的具体实施例仅用于解释本发明，本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明/发明的保护范围之内。

[0079] 本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。本发明中使用的术语“约”具有本领域技术人员公知的含义，优选指该术语所修饰的数值在其±50％，±40％，±30％，±20％，±10％，±5％或±1％范围内。

[0080] 本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非本文有明确地这样定义。

[0081] 对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

[0082] 本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中，并且因此是本发明公开内容的一部分。

[0083] 如图1所示，自适应AP包括胰岛素实时调节系统和AP长期适应的个体化学习系统。胰岛素实时调节系统包括胰岛素泵、血糖传感器和控制器。在输入相应的BR和其他AP参数后，控制器根据测量的血糖浓度自动调整注射的胰岛素。AP长期适应的个体化学习系统根据一段周期内血糖传感器所测血糖值更新胰岛素实时调节系统中的BR。

[0084] 如图2所示，一种基于高斯过程的AP长期适应的个体化学习系统，包括个体血糖状况评估模块、个体化AP参数(BR)学习模块、贝叶斯优化模块；同时，本发明中各参数基于FDA认证的UVA/Padova T1DM血糖代谢模拟器仿真确定，胰岛素实时调节系统中实施示例控制器控制算法采用ADRC。

[0085] 个体血糖状况评估模块用于根据一周期内历史血糖数据构建血糖状况评价函数y(z)：

[0086]

[0087] 其中，z是收集的历史血糖数据，y是血糖状态评价指标，T表示历史血糖数据采集周期，u1(125‑135mg/dL)、u2(70‑80mg/dL)、u3(70mg/dL)分别表示正常血糖范围的平均值、正常血糖的下限和低血糖的标准值。0‑t1代表在周期T内，血糖值大于正常血糖下限值u2的总时间；t1‑t2代表在周期T内，血糖值小于正常血糖下限u2，但大于低血糖的标准值u3的总时间；t2‑T代表在周期T内，血糖值小于低血糖的标准值u3的总时间。

[0088] 第一项为低血糖惩罚项：A为低血糖惩罚项系数，代表低血糖发生时，目标函数值较未发生低血糖时会显著下降；第二项为非正常血糖惩罚项：B为非正常血糖惩罚项系数，代表出现非正常血糖但低血糖未发生时，与均为正常血糖范围内的目标函数值相较，目标函数值会显著下降；第三项代表正常血糖范围对目标函数值影响，C为该项系数。一般情况下，A、B、C大致关系可以认为A>B>C。

[0089] 个体化AP参数学习模块采用高斯过程学习糖尿病患者的历史血糖状况y与AP参数(BR)之间规律，得到不同AP参数(BR)下血糖状况y预测模型。

[0090] 贝叶斯优化模块用于根据血糖状况预测模型，安全选择最优AP参数(BR)，得到下一周期AP参数(BR)。

[0091] 也就是说，如图3所示，本发明设计的系统包括以下步骤：

[0092] (1)收集糖尿病患者佩戴AP后的历史血糖数据和AP参数(BR)历史数据。设计个体血糖状况评估函数，准确有效评价患者在一定周期内血糖状况水平，得到一定周期内患者血糖状况函数值。

[0093] (2)利用步骤(1)中多个周期的患者血糖状况函数值与AP参数(BR)历史数据，选择合适的均值和核函数，设计相应的训练方法，利用这些数据训练高斯过程，建立能根据不同环境，在生活干扰下的AP参数(BR)下个体化血糖状况预测模型。另外，系统可以每隔一定周期利用新历史数据，重新学习血糖状况规律与AP参数(BR)，更新血糖状况预测模型。

[0094] (3)对步骤(2)中确定的血糖状况预测模型，利用贝叶斯优化进行求解。由于高斯过程预测的性质，血糖状况预测函数值具有期望与方差。可利用安全选择算法确定不发生低血糖情况下最优AP参数(BR)，实现在安全范围内更新AP参数(BR)。增加正常血糖时间比例，显著降低低血糖。

[0095] 需要说明的是，低血糖依据为：连续三次采样血糖数据均小于低血糖的标准值u3。

[0096] 如图4所示，个体化AP参数(BR)学习模块将前n个周期所得AP参数(BR)值集X1与血糖状况评价函数值集y1分别作为基于高斯过程的血糖状况预测模型的训练输入和训练输2
出，得到不同AP参数(BR)下血糖状况y预测模型M1，其中y服从均值为μ、方差为σ的高斯分布。

[0097] 贝叶斯优化模块利用安全选择算法，在预测模型M1中选择不发生低血糖情况下最优AP参数(BR)，并在下一周期使用最优AP参数(BR)，进行AP自适应。

[0098] 此外，随着时间的推移，在一定周期内，患者产生了新的血糖历史数据与AP参数(BR)，可利用新的数据重新训练高斯过程，以实现AP自适应，提高AP性能。

[0099] 个体血糖状况评估模块包括参数确定单元、血糖数据采集单元以及函数计算单元；

[0100] 参数确定单元用于根据AP系统中血糖数据获取时间间隔t、周期T、正常血糖范围的平均值u1(125‑135mg/dL)、正常血糖的下限u2(70‑80mg/dL)和低血糖的标准值u3(70mg/dL)分别确定血糖状况评价函数系数A、B、C，通过限制函数系数，体现低血糖影响(对血糖状况评价函数值产生下降作用)和正常血糖所占比例对函数值的显著上升作用。

[0101] 系数A、B、C确定方法为：

[0102] S11、对不发生低血糖时的血糖状况评价函数曲线进行分类；

[0103] (1)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时仍位于正常范围。

[0104] (2)函数曲线初始时刻t0时血糖位于正常范围，最终时刻tT时位于正常血糖下限与低血糖标准值之间。

[0105] (3)函数曲线初始时刻t0时血糖位于正常血糖下限与低血糖标准值之间，最终时刻tT时仍位于正常血糖下限与低血糖标准值之间。

[0106] S12、在理想极端情况下，按步骤S11中对血糖状况评价函数曲线的3种分类，分别构建3种血糖状况评价函数表达式，确定3种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)；

[0107] (1)血糖数据均等于正常血糖值下限：

[0108]

[0109] (2)初始时刻t0至t内血糖数据等于正常血糖值下限，t至最终时刻tT内血糖数据等于低血糖标准值：

[0110]

[0111] (3)血糖数据均处于低血糖标准值：

[0112]

[0113] S13、比较步骤S12中三种分类情况下不发生低血糖时血糖状况评价函数最小值y(1)、y(2)、y(3)，选择y(1)、y(2)、y(3)中最小值作为不发生低血糖时血糖状况评价函数最小值y1min；

[0114] S14、通过理想情况近似一条斜线来确定发生低血糖时血糖状况评价函数最大值y1max。模拟理想情况血糖曲线为： 其中Δt为血糖测量时间间隔，a为置信度，即当且仅当实际血糖小于(1‑α)u3时，认为低血糖发生。发生低血糖时血糖状况评价函数最大值y1max为：

[0115] S15、令步骤S13中得到的血糖状况评价函数最小值y1min大于步骤S14中得到的血糖状况评价函数最大值y1max，得到血糖状况评价函数系数A、B、C之间具体限制关系；

[0116] S16、当血糖均处于正常范围内时，同样取理想极端情况(血糖值均处于正常血糖上限或下限)，得到血糖状况评价函数最小值y2min：

[0117] S17、计算血糖位于正常血糖下限与低血糖界限之间时，血糖状况评价函数最大值y2max。血糖状况评价函数最大值y2max仍然通过理想情况近似一条斜线来确定。模拟理想情况血糖曲线： 其中Δt为血糖测量时间间隔，γ为置信度，即当且仅当实际血糖小于(1‑γ)u3时，认为低血糖发生。血糖状况评价函数最大值y2max为：

[0118] S18、令步骤S16中得到的血糖状况评价函数最小值y2min大于步骤S17中得到的血糖状况评价函数最大值y2max，得到血糖状况评价函数系数B、C之间的另一具体限制关系；

[0119] S19、经过步骤S15和步骤S18中具体计算，得到血糖状况评价函数系数A、B、C限制关系B(u2‑u3)T＜4.5Aαu3Δt，C(u1‑u2)T＜4.5Bγu2Δt。根据实验需要自行设定满足限制关系的系数具体数值，系数数值确定后不再改变；

[0120] 需要说明的是，由于实际情况中曲线多样化，不易构造一条合适理想斜线用来表示不发生低血糖情况下y的最小值，因此本发明在理想极端情况下确定不发生低血糖时血糖状况评价函数最小值y1min。

[0121] 进一步地，血糖传感器所测血糖数据具有一定误差，本发明设置置信度α认为当实际血糖位于[(1‑α)u3，u3]区间范围内时，z与u3近似相等，并不认为低血糖发生，当(T‑2Δt)血糖值为(1‑α)u3，(T‑3Δt)血糖值为u3时，可计算确定发生低血糖时血糖状况评价函数最大值y1max。置信度α表示：实际情况中发生低血糖概率为α。

[0122] 进一步地，本发明设置置信度γ认为当实际血糖位于[(1‑γ)u2，u2]区间范围内时，z与u2近似相等，并不认为血糖处于非正常状态。当(T‑2Δt)血糖值为(1‑γ)u2，(T‑3Δt)血糖值为u2时，可确定y2max。在置信度γ下，实际情况中血糖处于非正常状态下概率为γ。

[0123] 例如：利用在周期T内获取的血糖历史数据以及时间间隔Δt，计算血糖状况评价函数系数A、B、C之间的限制，选择合适的系数A、B、C构建血糖状况评价函数。

[0124] 由血糖状况评价函数系数A、B、C之间限制关系，保证低血糖对血糖状况评价函数的显著下降作用。由血糖状况评价函数系数B、C之间限制关系，确保正常血糖范围对目标函数值的显著上升作用。血糖状况评价函数系数A、B、C在得到限制关系后，自行设定A、B、C相应数值，并不再更改。

[0125] 血糖数据采集单元用于获取糖尿病患者在佩戴AP下一定周期T内血糖历史数据与BR设定值。其中，AP中血糖传感期每隔时间Δt获取患者血糖数据。周期T远大于时间间隔Δt；

[0126] 也就是说，本发明收集糖尿病患者在佩戴AP下，周期为T的血糖历史数据以及AP参数(BR)；其中，血糖传感器每隔时间Δt对患者血糖进行采样，采样血糖数据包括患者餐前血糖数据与餐后血糖数据。周期T应远大于采样时间Δt。为体现就餐对患者血糖水平的干扰，本发明假设患者每天用餐摄入的碳水化合物含量大致不变，患者在早餐摄入50g碳水化合物，在午餐与晚餐各摄入75g碳水化合物。这些数据利用UVA/Padova T1DM仿真器仿真收集得到。

[0127] 例如，将患者每天的血糖数据按照周期24h进行收集，血糖传感器每隔时间5min对患者血糖进行采样。一共采集288个血糖值，另外记录在此周期下的AP参数(BR)，将这些数据记为1个样本。

[0128] 函数计算单元按照血糖状况评价函数，将AP在一定周期内对所测血糖数据点进行线性插值，获得一定周期T内的血糖数据分段函数，通过分段加权积分，计算得到最终血糖状况评价函数值。

[0129] 进一步地，选择恰当的血糖状况评价函数系数后，将288个血糖历史数据进行线性插值，得到血糖数据函数，代入血糖状况评价函数进行分段加权积分，算出血糖状况评价函数值。此值与AP参数(BR)构成高斯过程处理的血糖状况数据对。

[0130] 个体化AP参数(BR)学习模块将前n个周期所得AP参数(BR)值集X1与血糖状况评价函数值集y1分别作为基于高斯过程的血糖状况预测模型的训练输入和训练输出，得到不同2
AP参数(BR)下血糖状况y预测模型M1，其中y服从均值为μ、方差为σ的高斯分布。

[0131] 例如，利用已知的前n个周期所得AP参数(BR)值集X1与血糖状况评价函数值集y1，即有N个血糖状况数据对，利用得到不同AP参数(BR)下血糖状况y预测模型M1，高斯过程的协方差函数选为高斯平方指数核函数：

[0132]

[0133] 式中x为不同周期内的AP参数(BR)，λ，h是需要训练得到的超参数，分别为输入尺度参数和输出尺度参数。对一系列数据对(xi，yi)，i∈[1，n]，有协方差矩阵：

[0134]

[0135] 经过高斯过程训练，可以训练得到包括不同AP参数(BR)下血糖状况y预测模型M1。

[0136] 贝叶斯优化模块利用安全选择算法，在预测模型M1中选择不发生低血糖情况下最优AP参数(BR)，并在下一周期使用最优AP参数(BR)，进行AP自适应。其中安全选择算法步骤为：

[0137] S21、根据医生与患者经验，确定先验安全集合S0与样本集X，S0包括医生与患者认为的不会发生低血糖与高血糖的胰岛素基础率范围。收集前n次周期不同胰岛素基础率下血糖历史数据。样本集X包括前n次周期下(n≥4)的胰岛素基础率。确定验证集D，范围为当前周期胰岛素基础率上下浮动50％，以自变量x表示胰岛素基础率；

[0138] S22、利用高斯过程预测模型M1，定义可微协方差核的利普希茨常数Lk与误差限δL,δL∈(0，1)。对于一个由协方差核k(·，·)定义的零平均高斯过程，其连续偏导数达到四阶的偏导数核： 并且， 代
表在有最大距离r＝max(x‑x′)x，x′∈X的样本集X上的偏导数核 的利普希茨常数；

[0139] S23、利用步骤S22中的Lk， 以及r，计算预测模型M1中未知函数的利普希茨常数：

[0140]

[0141] S24、通过高斯过程预测模型M1，在验证集D上得到不同AP参数(BR)下服从均值为2
μ、方差为σ的高斯分布的血糖状况y和利普希茨常数Lf，在验证集D上以Δx为作为AP参数
0.5 0.5
(BR)间隔，计算每一点x的置信上限u(x)＝μ(x)+β σ(x)，置信下限1(x)＝μ(x)‑β σ(x)，参数β为常数，置信区间ω(x)为置信上限与置信下限之差；

[0142] 步骤S24中参数β控制置信区间的紧致性，一般根据实验情况自行设定。

[0143] S25、利用步骤S24中每一点的置信下限1(x)以及步骤S21中的安全集合S0，选择安全集合中值最小的置信下限1(x)作为安全界限h，h：＝minl(x)，x∈S0；

[0144] S26、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限集合u(x)，置信下限集合l(X)，置信区间集合ω(x)，步骤S25中安全界限h，对安全集合S0进行更新，更新后的安全集合称为先验安全集合St；

[0145]

[0146] S27、利用步骤S23中的利普希茨常数Lf，步骤S24中置信上限u(x)，置信下限l(x)，步骤S25中安全界限h和步骤S26中的先验安全集合St，计算潜在的最大化者集合Mt，扩展安全集合Gt；

[0147] Mt＝{x∈St|u(x)≥maxl(x)，x∈St}

[0148] g(x)：＝|{x∈D\St|u(x)‑Ld(x，x)≥h}|

[0149] Gt＝{x∈St|g(x)＞0}

[0150] S28、在步骤S27中潜在的最大化者集合Mt与扩展安全集合Gt并集中，选择最大的置信区间值maxω(x)x∈Mt∪Gt，选择该值对应的AP参数(BR)作为最优AP参数(BR)。

[0151] S29、计算后验安全集合S0。选择步骤S28中最优AP参数(BR)作为第n+1次周期下胰岛素基础率，收集血糖数据，加入第n+1次数据更新样本集X，当此次未发生低血糖或高血糖时，选择样本集中左右界限作为后验安全集合S0上边界与下边界。若发生低血糖或者高血糖，去除该点，选择相邻已知函数点作为上边界或者下边界。

[0152] S30、步骤S29中后验安全集合S0作为第n+1次周期下安全集合S0。重复步骤S21。

[0153] 由此可见，本发明为在不同AP参数(BR)下血糖状况y预测模型M1得到不发生低血糖情况下最优AP参数(BR)，首先设定已知的先验安全集合S0，样本集X。

[0154] 需要说明的是：初始安全集合S0为患者事先已知的安全AP参数(BR)的集合，使用安全集合S0中的AP参数(BR)，AP性能并不相同，血糖效果仅由患者与医生的经验保证，因此患者使用初始安全集合S0中BR，仍有可能发生低血糖或者高血糖。在安全集合更新后，低血糖和高血糖点被去除，选择后验安全集合S0中BR不会发生低血糖。

[0155] 进一步地，血糖状况评价函数着重考虑低血糖的影响，并且安全界限h：＝min lt(x)，x∈S0，保证在现有已知信息下，先验安全集合中的血糖效果值均大于h，实现血糖效果的不断控制。

[0156] 需要说明的是，由利普希茨条件，在现有信息下，先验安全决定集合St中元素值均大于安全界限h。在保证安全前提下，选择潜在的最大化者集合Mt中元素有概率使血糖状况评价函数值增大。在保证安全前提下，选择扩展安全集合Gt中元素有概率扩展安全集合。

[0157] 最后安全选择算法通过预测模型选择不发生低血糖情况下最优AP参数(BR)标准为：xt∈arg maxωt(x)x∈Mt，x∈Gt。

[0158] 最后，本发明利用UVA/Padova T1DM血糖代谢模拟器对本系统性能进行仿真验证，AP控制器实施示例控制算法采用ADRC，针对某一患者，根据步骤一到三，安全选择AP参数(BR)，最终实现个体化AP自适应，AP参数(BR)不合适时患者血糖数据如图4所示，经过8次安全选择AP参数(BR)后患者血糖数据如图5所示，在8次更新过程中胰岛素基础率、血糖均值、血糖正常占比如表1所示。由图4、图5和表1可知，本发明稳健地调整AP参数(BR)，增加正常血糖时间比例，显著降低低血糖发生的风险，在最小的人工干预条件下自动提高长期自适应AP系统的性能。

[0159] 表1某一患者8次AP参数(BR)更新数据表

[0160] 基础率 安全集合 预测范围 预测点 血糖均值 正常占比0.0300 0.0450‑0.1200 0.0315‑0.0585 0.0580 178.2743 38.54％
0.0580 0.0450‑0.1200 0.0406‑0.0754 0.0754 150.3750 87.85％
0.0754 0.0450‑0.1200 0.0528‑0.0980 0.0980 137.2951 94.79％
0.0980 0.0450‑0.1200 0.0686‑0.1274 0.0949 121.3125 100.00％
0.0949 0.0450‑0.1200 0.0664‑0.1234 0.0681 124.6979 100.00％
0.0681 0.0450‑0.1200 0.0476‑0.0885 0.0885 139.7743 93.06％
0.0885 0.0450‑0.1200 0.0620‑0.1151 0.0967 129.1042 97.22％
0.0967 0.0450‑0.1200 0.0677‑0.1257 0.0703 123.6250 100.00％
0.0703 0.0450‑0.1200 0.0492‑0.0914   135.0868 98.96％

[0161] 因此，本发明采用上述一种基于贝叶斯优化的人工胰腺长期适应的个体化学习系统，包括个体血糖状况评估模块、个体化AP参数(BR)学习模块和贝叶斯优化模块。个体血糖状况评估模块收集糖尿病患者佩戴AP后的历史血糖数据和AP参数(BR)历史数据。设计个体血糖状况评估函数，准确有效评价患者在一定周期内血糖状况水平，得到一定周期内患者血糖状况函数值。个体化AP参数(BR)学习模块利用患者血糖状况函数数据与AP参数(BR)组成的数据对训练高斯过程，建立能根据不同环境，在生活干扰下的AP参数(BR)下个体化血糖状况预测模型，并每隔一定周期利用新历史数据，重新学习血糖状况规律与AP参数(BR)，更新血糖状况预测模型。贝叶斯优化模块对血糖状况预测模型，利用安全选择算法确定不发生低血糖情况下最优AP参数(BR)，实现在安全范围内更新AP参数(BR)。增加正常血糖时间比例，显著降低低血糖。

[0162] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。