使用机器学习对低血糖事件的预测的制作方法

使用机器学习对低血糖事件的预测
1.相关申请的参引合并
2.本技术要求于2020年4月29日提交的标题为“使用机器学习对低血糖事件的预测(hypoglycemic event prediction using machine learning)”的美国临时专利申请第63/017611的权益。上述申请的全部内容通过引用并入本文，并在此明确地构成本说明书的一部分。


背景技术：

3.糖尿病是一种影响数亿人的代谢疾病，并且是全球主要的死亡原因之一。对于患有糖尿病的人群来说，获得治疗对他们的生存至关重要。通过适当的治疗，可以在很大程度上避免因糖尿病而对心脏、血管、眼睛、肾脏和神经造成的严重损害。对i型糖尿病患者的适当治疗通常包括全天监测葡萄糖水平并调节这些水平——结合胰岛素、饮食和锻炼——使水平保持在所需范围内。随着医疗技术的进步，已经开发了多种用于监测葡萄糖水平的系统。虽然监测一个人当前的葡萄糖水平对于决定如何治疗糖尿病很有用，但了解这个人未来的葡萄糖水平会更有用。这是因为它允许个人或护理人员在此类健康状况发生之前采取行动，以减轻与葡萄糖水平变化紧密相关的潜在不利健康病症(例如，高血糖症或低血糖症)。
4.与当人的葡萄糖水平高时发生的高血糖症相比，低血糖症是人的葡萄糖水平低的病症。葡萄糖水平通常在低于70mg/dl时被认为是“低水平”，尽管这种低水平可能由不同的阈值定义。低血糖症因其潜在的负面副作用而令人担忧，包括意识模糊、行为异常(例如，无法完成日常任务)、视觉障碍(例如，视力模糊)、癫痫发作和意识丧失。在严重的情况下，低血糖症甚至会导致死亡。据估计，近一半的低血糖症发作和超过一半的严重发作发生在夜间睡眠期间。夜间发生的低血糖症可称为“夜间”或“夜晚”低血糖症。传统系统无法准确地预测一个人是否会在指定的夜晚经历低血糖症的发作，因此也无法建议该人应该如何表现或采取行动来减轻夜间低血糖症。


技术实现要素：

5.为了克服这些问题，利用了使用机器学习对低血糖事件的预测。鉴于佩戴连续葡萄糖监测(cgm)系统的人数以及由于cgm系统连续产生测量值，为cgm系统提供用于检测葡萄糖水平的传感器并保留由这种系统产生的测量值的cgm平台可能具有大量数据，例如，数千万患者每日的测量值。但是，实际上，即使不是，人类也无法处理大量数据以可靠地识别大量状态空间的模式。
6.在一个或更多个实施方式中，cgm平台包括使用用户群体的历史时序(time series)葡萄糖测量值来训练的机器学习模型，其中该葡萄糖测量值由用户群体的用户佩戴的cgm系统提供。尽管在一些实施方式中，机器学习模型可能受限于接收时序葡萄糖测量值作为输入，但在一种或更多种实施方式中，机器学习模型还接收描述未来影响人的葡萄糖的一个或更多个其他方面的附加数据作为输入，例如应用程序使用活动、胰岛素给药、锻
炼等。一旦经过训练，机器学习模型就会为用户预测低血糖事件。当预测低血糖事件时，接收白天时间间隔的葡萄糖测量值的时序。该在白天时间间隔的时序的葡萄糖测量值由用户佩戴的cgm系统提供。机器学习模型通过使用经过训练的机器学习模型处理葡萄糖测量值的时序来预测在白天时间间隔之后的夜间时间间隔期间是否会发生低血糖事件。然后，例如通过关于低血糖事件的预测的通知的传送和/或显示，输出低血糖事件的预测。例如，如果机器学习模型预测到低血糖事件将在夜间时间间隔期间发生，则低血糖事件的预测对应于阳性结果，或者如果机器学习模型预测到低血糖事件不会在夜间时间间隔期间发生，则低血糖事件的预测对应于阴性结果。
7.本概述以简化形式介绍了一些概念，这些概念将在下面的详细描述中进一步描述。因此，本发明内容并非旨在识别所要求保护的主题的基本特征，也不旨在用作确定所要求保护的主题的范围的帮助。
附图说明
8.参考附图来描述详细说明书。
9.图1是在可操作的示例性实施方式中的环境以采用本文描述的技术的图示。
10.图2更详细地描绘了图1的连续葡萄糖监测(cgm)系统的实施例。
11.图3描绘了示例性实施方式，其中包括葡萄糖测量值的cgm设备数据被路由到与低血糖时间的预测相关的不同的系统。
12.图4更详细地描绘了图3的低血糖事件的预测系统的示例性实施方式，以使用机器学习来预测低血糖事件是否将在即将到来的夜晚时间间隔期间发生。
13.图5描绘了示例性实施方式，其中所描述的机器学习模型根据一个或更多个实施方式生成低血糖事件的预测。
14.图6描绘了另外的示例性实施方式，其中所描述的机器学习模型根据一个或更多个实施方式生成低血糖事件的预测。
15.图7更详细地描绘了图3的低血糖事件的预测系统的另外的示例性实施方式，以基于低血糖事件的预测输出通知。
16.图8描绘了显示用于基于夜间时间间隔期间发生的低血糖事件的预测来通知用户的用户界面的示例性实施方式。
17.图9更详细地描绘了低血糖事件的预测系统的示例性实施方式，其中训练机器学习模型以预测在夜间时间间隔期间是否会发生低血糖事件。
18.图10示出了训练由模型管理器生成的用于训练所描述的机器学习模型的数据的示例性实施方式。
19.图11描绘了示例性实施方式中的过程，其中机器学习模型预测低血糖事件是否将在夜间时间间隔期间发生。
20.图12描绘了示例性实施方式中的过程，其中训练机器学习模型以基于用户群体的历史时序葡萄糖测量值来预测低血糖事件。
21.图13示出了示例性系统，该示例性系统包括示例性计算设备，其表示可以实现本文描述的各种技术的一种或更多种计算系统和/或设备。
具体实施方式
22.概述
23.描述了使用机器学习对低血糖事件的预测。在一种或更多种实施方式中，连续葡萄糖监测(cgm)平台包括使用用户群体的历史时序葡萄糖测量值来训练的机器学习模型，以预测在夜间时间间隔期间是否会发生低血糖事件。用户群体和个体用户的葡萄糖测量值可以由用户群的用户和个体用户佩戴的cgm系统提供。通过获取由这些cgm系统产生的测量值并维护这些测量值，cgm平台可以拥有大量数据，例如，数千万患者日的测量值。传统的机器学习模型可能无法对在大量历史数据中观察到的某些模式进行建模，以便准确预测夜间间隔期间的低血糖事件。此外，本文描述的时序葡萄糖测量值对应于以时间排序的葡萄糖测量值序列，其可以另外称为“葡萄糖迹线(glucose trace)”。因此，应当理解，用于构建机器学习模型并随后用作预测夜间低血糖症的输入的这种时序葡萄糖测量值对应于葡萄糖测量的顺序流，这可以与传统系统区别开来，所述传统系统是利用葡萄糖“特征作为输入”来预测模型。
24.一旦机器学习模型经过训练，它被用来预测一个人是否会在夜间时间间隔期间发生低血糖症的发作，例如，当这个人在接下来的几个小时内睡觉时。当为特定用户预测夜间是否会发生低血糖事件时，从用户佩戴的cgm系统接收一直到预测时间的葡萄糖测量值的时序。例如，机器学习模型利用当天的白天时间间隔的葡萄糖测量值的时序来预测在白天时间间隔之后的夜间时间间隔期间是否会发生低血糖事件。机器学习模型基于其对用户群体的历史时序葡萄糖测量值的训练来生成此预测。
25.值得注意的是，许多因素可能会影响使用者夜间的葡萄糖水平，包括锻炼、食物摄入和胰岛素(例如，通过胰岛素笔给药)。例如，锻炼可能会增加胰岛素敏感性，因此正在接受胰岛素治疗糖尿病的用户如果在一天中进行锻炼，可能会更多地降低她的葡萄糖水平，因为这会导致她更加“敏感”并且对她通常接受的胰岛素剂量的“抵抗力”降低。因此，用户进行的锻炼量的增加而不减少所施用的胰岛素可能导致夜间低血糖症。作为另一个实施例，进食，尤其是碳水化合物，会导致使用者的葡萄糖水平增加。作为另一个实施例，在某些情况下，用户可能会察觉到她的葡萄糖水平，然后采取各种行动来减轻夜间低血糖症，例如在睡前吃一块水果。然而，用户的许多这些动作和行为对传统的预测系统是隐藏的，因此，对于何时生成低血糖事件的预测是无法解释的。
26.为了解决这个问题，在一个或更多个实施方式中，机器学习模型还接收描述未来影响人的葡萄糖的一个或更多个其他方面的附加数据作为输入。该附加数据可以在时间上与葡萄糖测量值的时序相关，例如，基于与所述附加数据相关联的时间戳。作为实施例而非限制，此类附加数据可包括应用程序使用数据(例如，描述所显示的用户界面和用户通过用户界面与应用程序交互的点击流数据)、移动设备或智能手表的加速度计数据(例如，指示该人已经查看了设备的用户界面，因此可能已经看到了与她的葡萄糖水平相关的警报或信息)、描述胰岛素给药的数据(例如，时间和胰岛素剂量)、摄入的食物(例如，食物摄入的时间、食物类型和/或所摄入的碳水化合物量)、来自各种传感器的活动数据(例如，步数数据、所进行的锻炼或指示用户活动或锻炼的其他数据)、压力，等等。在这种情况下，机器学习模型也使用用户群体的历史附加数据进行训练。因此，通过利用时序葡萄糖测量值和附加数据来生成预测，机器学习模型生成的预测的准确性得到提高。例如，可以训练机器学习模型
以学习与应用程序使用活动、锻炼、食物摄入和所施用的胰岛素剂量相关的模式，从而相应地调整低血糖事件的预测。
27.在一种或更多种实施方式中，作为由机器学习模型接收的作为输入的附加数据与cgm平台的应用程序相关联。例如，cgm平台的应用程序可以在用户的计算设备(例如，智能手机或智能手表)处执行以例如在cgm平台的应用程序的用户界面中向用户显示葡萄糖测量值。在这种情况下，附加数据可以对应于cgm应用程序的不同控件的屏幕视图或用户选择。此类应用程序使用数据能够使机器学习模型了解用户是否知道她当前的葡萄糖状况，这可以指示用户已经采取缓解措施来纠正葡萄糖状况。例如，如果用户在睡觉前不久查看cgm应用程序并注意到她的血糖水平正在下降，她可能会采取缓解措施来防止夜间低血糖症，例如吃一块水果。这种缓解措施可能会影响低血糖事件的预测的准确性。例如，如果系统已经预测了夜间低血糖症的发生，那么缓解措施用可以防止夜间低血糖症的发生，从而导致预测不准确。因此，机器学习模型可以学习与用户执行的缓解措施相关的模式，然后相应地调整低血糖事件的预测。
28.在一种或更多种实施方式中，可以通过在不活动期间获得用户的葡萄糖测量值来进一步提高低血糖事件的预测的准确性。在这种情况下，系统可以输出指令供用户遵循，以便更准确地预测是否会在夜间时间间隔内发生低血糖症。作为实施例而非限制，指令可以指示用户在一段时间(例如，30分钟)内不要进食、用户减少他或她的活动(例如，不锻炼、不剧烈活动、保持心率低于一定水平)，用户继续佩戴特定设备以监测各种生理信号，等等。在这个相对不活动的时间段内，机器学习模型可以获得不活动期间的时序葡萄糖测量值，以预测夜间时间间隔期间低血糖症的发生。
29.然后输出低血糖事件的预测，例如用于生成关于在夜间时间间隔期间该人是否会发生低血糖症发作的通知。该通知可以通过网络传送到一个或更多个计算设备，例如与用户相关联的计算设备(例如，用于经由cgm平台的应用程序输出)或与用户的监护人(例如，用户的父母)相关联的计算设备。例如，如果机器学习模型预测到用户很可能在即将到来的夜间时间间隔期间经历夜间低血糖症，则输出通知以指示这种情况。在一个或更多个实施方式中，所描述的系统可以另外输出一个或更多个用于缓解所预测到的低血糖症的建议，例如在睡前喝一杯果汁、在睡前吃一块水果、设置闹钟一定时间起床喝果汁或吃水果，等等。另一方面，如果机器学习模型预测到用户在夜间间隔期间不太可能经历低血糖症，则所描述的系统可以输出通知，指示这种情况和/或不需要采取缓解措施。在这种情况下，用户可以放心地入睡且确信当晚不会发生低血糖事件。
30.在一种或更多种实施方式中，cgm平台可以基于低血糖事件的预测在夜间时间间隔期间调整cgm系统的各种设置，例如通过如果预测为阴性结果的话，则调整夜间时间间隔的葡萄糖警报设置。例如，当机器学习模型预测用户不会经历低血糖症的发作，可以通过在夜间时间间隔期间提高阈值来调整低水平葡萄糖警报的阈值。这具有比平常更早地触发低水平葡萄糖警报的效果，以便在系统预测低血糖事件将不会发生之后经历低血糖事件的情况下，给用户更多时间来缓解他们的低葡萄糖水平。经调整的设置也可以覆盖可能已被用户修改的个性化警报设置。值得注意的是，在由于看不见的因素导致预测不正确的情况下，调整系统设置可以防止用户在夜间经历高血糖症的发作的可能性。
31.通过准确预测是否会在夜间时间间隔内发生低血糖事件并通知用户，所描述的机
器学习模型允许用户在低血糖发生之前采取动作来缓解夜间低血糖症的发生。有利的是，由所描述的机器学习模型提供的对夜间低血糖症的更准确和及时的预测允许用户和其他各方就如何防止夜间低血糖症的有害影响做出更明智的决定。
32.在以下讨论中，首先描述可采用本文所述技术的示例性环境。然后描述可以在示例性环境以及其他环境中执行的示例性实施方式细节和过程。示例性过程的执行不限于示例性环境，且示例性环境不限于示例性过程的执行。
33.示例性环境
34.图1是示例性实施方式的环境100的示意图，其可操作地使用本文所描述的机器学习来采用低血糖事件的预测。所示环境100包括人102，其被描绘为佩戴连续葡萄糖监测(cgm)系统104、胰岛素递送系统106和计算设备108。所示环境100还包括cgm系统的用户群体110中的其他用户、cgm平台112和物联网114(iot 114)。cgm系统104、胰岛素递送系统106、计算设备108、用户群体110、cgm平台112和iot 114通信地耦接，其包括通过网络116来通信地耦接。
35.替代地或附加地，cgm系统104、胰岛素递送系统106和计算设备108中的一个或更多个可以以其他方式通信地耦接，诸如使用一种或更多种无线通信协议或技术等。举例来说，cgm系统104、胰岛素递送系统106和计算设备108可以使用蓝牙(例如，蓝牙低功耗链路)、近场通信(nfc)、5g等中的一种或更多种相互通信。cgm系统104、胰岛素递送系统106和计算设备108可以利用这些类型的通信来在彼此之间形成闭环系统。以此方式，当cgm系统104获得那些葡萄糖测量值以及当未来葡萄糖测量值被预测时，胰岛素递送系统106可以基于葡萄糖测量值的序列实时地递送胰岛素。
36.根据所描述的技术，cgm系统104被配置为连续监测人102的葡萄糖。cgm系统104可以配置有例如cgm传感器，其连续检测指示人102的葡萄糖的分析物并且能够产生葡萄糖测量值。在所示环境100中，这些测量值被表示为葡萄糖测量值118。关于图2更详细地讨论了该功能以及cgm系统104的配置的其他方面。
37.在一种或更多种实施方式中，cgm系统104诸如通过无线连接等将葡萄糖测量值118传输到计算设备108。例如，当测量值使用cgm传感器产生时，cgm系统104可以实时传送它们。替代地或附加地，cgm系统104可以以设定的时间间隔将葡萄糖测量值118传送到计算设备108，例如每30秒、每分钟、每5分钟、每小时、每6小时、每天，等等。此外，当计算设备108预测了人102随即的葡萄糖水平，导致显示具有关于人102的葡萄糖水平的信息的用户界面、更新这样的显示等时，cgm系统104可以响应于来自(例如，与cgm系统104通信的)计算设备108的请求传送这些测量值。因此，计算设备108可以至少暂时地保存人102的葡萄糖测量值118，例如，在计算设备108的计算机可读存储介质中。
38.在不背离所描述的技术的精神或范围的情况下，尽管被示为可穿戴设备(例如，智能手表)，但是计算设备108可以以多种方式配置。举例来说而非限制，计算设备108可以被配置为不同类型的移动设备(例如，移动电话或平板设备)。在一种或更多种实施方式中，计算设备108可以被配置为与cgm平台112相关联的专用设备，例如，具有从cgm系统104获得葡萄糖测量值118、执行与葡萄糖测量值118相关的各种计算，显示与葡萄糖测量118和cgm平台112有关的信息，将葡萄糖测量118传送到cgm平台112的功能，等等。然而，与计算设备108被配置为移动电话的实施方式相比，当被配置为专用cgm设备时，计算设备108可能不包括
移动电话或可穿戴配置可用的一些功能，例如拨打电话的能力、相机功能、使用社交网络应用程序的能力，等等。
39.另外，根据所描述的技术，计算设备108可以表示不止一个设备。例如，在一个或更多个场景中，计算设备108可以对应于可穿戴设备(例如，智能手表)和移动电话。在这样的场景下，这两个设备可能都能够执行至少一些相同的操作，诸如从cgm系统104接收葡萄糖测量值118，通过网络116将它们传送到cgm平台112，显示相关信息葡萄糖测量值118，等等。替代地或附加地，不同的设备可能具有其他设备不具有的或受到特定设备的计算指令的限制的不同功能。
40.例如，在计算设备108对应于单独的智能手表和移动电话的场景下，智能手表可以配置有各种传感器和功能以测量人102的各种生理标志物(例如，心率、呼吸、血流速率等)和活动(例如，步数)。在这种场景下，移动电话可能不会配置有这些传感器和功能，或者它可能包括有限数量的功能——尽管在其他情况下，移动电话可能能够提供相同的功能。继续这个特定场景，移动电话可能具有智能手表不具备的功能，诸如用于捕捉餐食图像以预测未来葡萄糖水平的照相机、使得移动电话能够更有效地执行与葡萄糖测量值118相关的计算的计算资源的量(例如，电池和处理速度)。即使在智能手表能够执行此类计算的场景中，计算指令也可能限制手机上的这些计算的性能，以免给两个设备带来负担并有效地利用可用资源。就此而言，在不背离所描述的技术的精神或范围的情况下，计算设备108可以以不同的方式配置并且代表与本文讨论的不同数量的设备。
41.如上所述，计算设备108将葡萄糖测量值118传送到cgm平台112。在所示环境100中，葡萄糖测量值118显示为存储在cgm平台112的存储设备120中。存储设备120可以代表一个或更多个数据库和能够存储葡萄糖测量值118的其他类型的存储器。存储设备120还存储各种其他数据。例如，根据所描述的技术，人102对应于至少cgm平台112的用户并且还可以是一个或更多个其他第三方服务提供商的用户。为此，人102可以与用户名相关联并且在某些时候被要求提供认证信息(例如，密码、生物特征数据、远程医疗服务等)以使用用户名访问cgm平台112。该信息以及关于用户的各种其他信息可以被维护在存储设备120中，其包括，例如，描述人102的人口统计信息、关于医疗保健提供者的信息、支付信息、处方信息、确定的健康指标、用户偏好、其他服务提供商系统的帐户信息(例如，与可穿戴的、社交的网络系统等相关的服务提供商)等等。
42.存储设备120还维护用户群体110中的其他用户的数据。鉴于此，存储设备120中的葡萄糖测量值118包括来自人102佩戴的cgm系统104的cgm传感器的葡萄糖测量值，并且还包括来自对应于用户群体110的其他用户的人佩戴的cgm系统的cgm传感器的葡萄糖测量值。其还遵循，这些其他用户的葡萄糖测量值118由他们各自的设备通过网络116传送到cgm平台112，并且这些其他用户具有与cgm平台112的相应的用户配置文件。
43.数据分析平台122表示——单独地和/或与被维护在存储设备120中的其他数据一起处理葡萄糖测量值118——以生成各种预测的功能，诸如通过使用各种机器学习模型。基于这些预测，cgm平台112可以提供与预测相关的通知，例如警报、建议或基于预测的其他信息。例如，cgm平台112可以将通知提供给用户、提供给与用户相关联的医学专家等等。尽管被描绘为与计算设备108是分离的，数据分析平台122的部分或全部可以替代地或附加地在计算设备108上实现。数据分析平台122还可以使用通过iot 114获得的附加数据来生成这
些预测。
44.在一个或更多个实施方式中，数据分析平台122被配置为处理在第一时间间隔内获得的葡萄糖测量值118，以便预测用户在未来即将到来的时间间隔期间是否会发生低血糖事件。例如，数据分析平台可以处理在一天中获得的葡萄糖测量值118，以便预测用户在夜间是否会发生低血糖事件。然后可以将预测输出给用户，例如通过计算设备108，以便用户可以采取适当的动作。例如，如果预测表明用户在夜间不会发生低血糖事件，那么用户可以放心地入睡且确信当晚不会发生低血糖事件。相反，如果预测表明用户将在夜间经历低血糖事件，那么用户可以采取缓解措施来降低低血糖事件发生的概率，例如在睡觉前喝一杯果汁，吃一顿睡前吃一块水果，设置闹钟一定时间起床喝果汁或吃水果，等等。尽管被描绘为与计算设备108是分离的，数据分析平台122的部分或全部可以替代地或附加地在计算设备108上实现。数据分析平台122还可以使用通过iot 114获得的附加数据来生成这些预测。
45.应当理解，iot 114代表能够提供各种来源，其描述人102和作为一个或更多个服务提供商的用户的人102的活动以及真实世界的活动的数据。举例来说，iot 114可以包括用户的各种设备，例如，相机、移动电话、手提电脑等。为此，iot 114可以提供关于用户与各种设备的交互的信息，例如，与基于网络的应用程序的交互、拍摄的照片、与其他用户的通信，等等。iot 114还可以包括配置有传感器的各种真实的物品(例如，鞋子、衣服、锻炼装备、电器、汽车等)以提供描述行为的信息，诸如所走的步数、脚踩地面的力、步幅、用户的温度(和其他生理测量值)、用户周围环境的温度、冰箱中储存的食物类型、从冰箱中取出的食物类型、驾驶习惯等等。iot 114还可以包括cgm平台112的第三方，诸如医疗提供者(例如，人102的医疗提供者)和能够分别提供可由数据分析平台122利用的医疗和制造数据的制造商(例如，cgm系统104、胰岛素递送系统106或计算设备108的制造商)。当然，在不背离所描述的技术的精神或范围的情况下，iot 114可以包括能够提供大量数据以供与通过使用机器学习和时序葡萄糖测量值来进行葡萄糖预测结合使用的设备和传感器。例如，以连续测量葡萄糖和获得描述这种测量值的数据为背景，考虑以下图2的讨论。
46.图2更详细地描绘了图1的cgm系统104的示例性实施方式200。特别地，所示实施例200包括cgm系统104的俯视图和对应的侧视图。
47.cgm系统104被示为包括传感器202和传感器模块204。在所示实施例200中，传感器202在侧视图中被描绘为已被皮下插入到(例如，人102的)皮肤206中。传感器模块204在俯视图中被描绘为虚线矩形。cgm系统104还包括图示实施例200中的发射器208。传感器模块204使用虚线矩形表明它可以被容纳或以其他方式实现在发射器208的外壳内。在该实施例200中，cgm系统104还包括粘合垫210和附接机构212。
48.在操作中，传感器202、粘合垫210和附接机构212可以组装以形成应用组件，其中应用组件被配置为应用到皮肤206，使得传感器202如图所示被皮下插入。在这种场景下，发射器208可以在应用到皮肤206之后通过附接机构212附接到组件上。附加地或替代地，发射器208可以作为应用组件的一部分并入，使得传感器202、粘合垫210、附接机构212和发射器208(带有传感器模块204)都可以同时用于到皮肤206。在一种或更多种实施方式中，使用单独的施加器(未示出)将该应用组件应用到皮肤206上。该应用组件也可以通过从皮肤206上剥离粘合垫210来移除。应当理解，在不背离所描述的技术的精神或范围的情况下，所示出
的cgm系统104及其各种构件仅仅是一种示例性形式因素，并且cgm系统104及其构件可以具有不同的形式因素。
49.在操作中，传感器202通过可以是“无线”连接或“有线”连接的至少一个通信信道通信地耦接到传感器模块204。从传感器202到传感器模块204或从传感器模块204到传感器202的通信可以主动或被动地实现，并且这些通信可以是连续的(例如，模拟的)或离散的(例如，数字的)。
50.传感器202可以是响应于至少部分独立于传感器202的事件而改变或导致改变的设备、分子和/或化学品。传感器模块204被实现以接收对传感器202的变化或由传感器202引起的变化的指示。例如，传感器202可以包括葡萄糖氧化酶，其与葡萄糖和氧气反应形成过氧化氢，该过氧化氢可由可包括电极的传感器模块204来电化学检测。在该实施例中，传感器202可以被配置为或包括葡萄糖传感器，该葡萄糖传感器被配置为使用一种或更多种测量技术检测血液或组织液中指示葡萄糖水平的分析物。
51.在另一个实施例中，传感器202(或cgm系统104的附加传感器——未示出)可以包括第一和第二电导体，并且传感器模块204可以电检测跨过传感器202的第一和第二电导体的电势变化。在该实施例中，传感器模块204和传感器202被配置为热电偶，使得电势变化对应于温度变化。在一些实施例中，传感器模块204和传感器202被配置为检测单一分析物，例如，葡萄糖。在其他实施例中，传感器模块204和传感器202被配置为检测多种分析物，例如钠、钾、二氧化碳和葡萄糖。替代地或附加地，cgm系统104包括多个传感器以不仅检测一种或更多种分析物(例如，钠、钾、二氧化碳、葡萄糖和胰岛素)还检测一种或更多种环境条件(例如，温度)。因此，传感器模块204和传感器202(以及任何附加传感器)可以检测一种或更多种分析物的存在、一种或更多种分析物的缺少和/或一种或更多种环境条件的变化。
52.在一种或更多种实施方式中，传感器模块204可以包括处理器和内存(memory)(未示出)。通过最大限度利用处理器，传感器模块204可以基于与指示上述变化的传感器202的通信来生成葡萄糖测量值118。基于来自传感器202的这些通信，传感器模块204还被配置为生成cgm设备数据214。cgm设备数据214是包括至少一个葡萄糖测量值118的可通信数据程序包。替代地或附加地，cgm设备数据214包括其他数据，诸如多个葡萄糖测量值118、传感器识别216、传感器状态218等。在一种或更多种实施方式中，cgm设备数据214可包括其他信息，诸如一种或更多种对应于葡萄糖测量值118和其他分析物的测量值的温度。应当理解，在不脱离所描述技术的精神或范围的情况下，cgm设备数据214可以包括除了至少一个葡萄糖测量值118之外的多种数据。
53.在操作中，发射器208可以将cgm设备数据214作为数据流无线发送到计算设备108中。替代地或附加地，传感器模块204可以缓冲cgm设备数据214(例如，在传感器模块204的内存中)并且使发射器208以各种间隔(例如，时间间隔(每秒、每三十秒、每分钟、每五分钟、每小时等)、存储间隔(当缓冲的cgm设备数据214达到数据的阈值量或cgm设备数据214的实例数时)等等)发射缓冲的cgm设备数据214。
54.除了生成cgm设备数据214并使其被传送到计算设备108之外，传感器模块204还可以包括根据所描述的技术的附加功能。该附加功能可以包括生成人102未来的葡萄糖水平的预测并基于该预测传达通知(诸如当预测指示人102的葡萄糖水平可能在不久的将来降得危险时通过传达警告)。传感器模块204的这种计算能力可能是有利的，尤其是在通过网
络116到服务的连接性受限或不存在的情况下。以这种方式，一个人在不必依赖连接(例如，连接到互联网)的情况下也可以被提醒危险状况。传感器模块204的这个附加功能还可以包括最初或在现行的基础上校准传感器202以及校准cgm系统104的任何其他传感器。
55.关于cgm设备数据214，传感器识别216表示从其他传感器(诸如其他cgm系统104的其他传感器、先前或随后植入皮肤206中的其他传感器等)唯一识别传感器202的信息。通过唯一识别传感器202，传感器识别216还可用于识别关于传感器202的其他方面，诸如传感器202的制造批次、传感器202的包装细节、传感器202的运输细节等等。以此方式，以与传感器202类似的方式为传感器制造、包装和/或运输检测到的各种问题可以以不同方式被识别并使用，例如，校准葡萄糖测量值118，以通知用户改变有缺陷的传感器或处理它们，以通知制造工厂加工问题，等等。
56.传感器状态218代表传感器202在给定时间的状态，例如，在产生葡萄糖测量值118之一的同时传感器的状态。为此，传感器状态218可以包括每个葡萄糖测量值118的条目，使得葡萄糖测量值118和传感器状态218信息中捕获的状态之间存在一对一的关系。一般而言，传感器状态218描述传感器202的操作状态。在一种或更多种实施方式中，传感器模块204可以识别给定葡萄糖测量值118的多个预定操作状态之一。识别的操作状态可以基于来自传感器202的通信和/或那些通信的特性。
57.举例来说，传感器模块204可以包括(例如，在内存或其他存储器中)查询表，该查询表具有预定数量的操作状态和用于从另一个状态中选择一个状态的基础。例如，预定状态可以包括“正常”操作状态，其中选择该状态的基础可以是来自传感器202的通信落在指示正常操作的阈值内，例如，在预期时间的阈值内，在预期信号强度的阈值、环境温度在合适温度的阈值内以按预期继续操作，等等。预定状态还可以包括指示传感器202的通信的一个或更多个特性超出正常活动并且可能导致葡萄糖测量值118中的潜在错误的操作状态。
58.例如，这些非正常操作状态的基础可以包括在阈值预期时间之外接收来自传感器202的通信，检测传感器202在预期信号强度阈值之外的信号强度，检测在合适的温度范围之外的环境温度以按预期继续操作，检测到人102已经滚压到(例如，在床上)到cgm系统104上，等等。在不背离所描述的技术的精神或范围的情况下，传感器状态218可以指示关于传感器202和cgm系统104的多个方面。
59.在考虑了示例性环境和示例性cgm系统之后，现在考虑根据一个或更多个实施方式的使用机器学习进行低血糖事件得预测的技术的一些示例细节的讨论。
60.低血糖事件的预测
61.图3描绘了示例性实施方式300，其中包括葡萄糖测量值的cgm设备数据被路由到不同的与使用机器学习来进行低血糖事件的预测相关的系统。
62.图示的实施例300包括来自图1的cgm系统104和计算设备108的实施例。所示实施例300还包括数据分析平台122和存储设备120，其中，如上所述，存储设备120储存葡萄糖测量值118。在这个实施例300中，cgm系统104被描述为将cgm设备数据214传输到计算设备108。如上面关于图2所讨论的，cgm设备数据214包括葡萄糖测量值118以及其他数据。cgm系统104可以以多种方式将cgm设备数据214传输到计算设备108。
63.所示实施例300还包括cgm程序包302。cgm程序包302可以包括cgm设备数据214(例如，葡萄糖测量值118、传感器识别216和传感器状态218)、补充数据304或其部分。在此实施
例300中，cgm程序包302被描绘为从计算设备108路由到cgm平台112的存储设备120。广义地说，计算设备108包括至少部分地基于cgm设备数据214来生成补充数据304的功能。该计算设备108还包括将补充数据304与cgm设备数据214一起打包以形成cgm程序包302、以及例如，通过网络116将cgm程序包302传送至cgm平台112以存储在存储设备120中的功能。因此，应当理解，cgm程序包302可以包括由cgm系统104收集的数据(例如，由传感器202感测到的葡萄糖测量值118)以及由在cgm系统104和cgm平台112(诸如用户的手机或智能手表等)之间充当中介的计算设备108生成的补充数据304。
64.关于补充数据304，计算设备108可以生成各种补充数据以补充包括在cgm程序包302中的cgm设备数据214。根据所描述的技术，补充数据304可以描述用户情况的一个或更多个方面，从而可以识别用户情况与cgm设备数据214(例如，葡萄糖测量值118)的对应关系。举例来说，补充数据304可以描述用户与计算设备108的交互，并且包括例如从描述特定应用程序的交互(例如，做出的选择、执行的操作)的应用程序日志中提取的数据。补充数据304还可以包括描述与计算设备108的输入/输出接口相关的点击、轻敲和按压的点击流数据。作为另一个实施例，补充数据304可以包括描述用户正在注视处的凝视数据(例如，关于与计算设备108相关联的显示设备或用户将目光从该设备上移开时)、描述用户或其他用户的听觉命令和其他口头短语的语音数据(例如，包括被动倾听用户)、描述设备的设备数据(例如，品牌、型号、操作系统和版本、相机类型、计算设备108正在运行的应用程序)等等。
65.补充数据304还可以描述用户情况的其他方面，例如环境方面，包括例如用户的位置、该位置处的温度(例如，通常在室外，使用温度感测功能靠近用户)、在该位置的天气，用户所处的海拔高度、气压、通过iot 114获得的与用户相关的情景信息(例如，用户正在吃的食物、用户使用锻炼装备的方式、用户穿着的衣服)等等。补充数据304还可以描述检测到的关于用户的健康相关方面，包括例如，(例如，由计算设备108检测到的)用户的步数、心率、排汗、温度等等。就计算设备108可以包括检测或以其他方式测量与cgm系统104相同方面中的一些方面的功能而言，可以比较来自这两个来源的数据，例如，对于准确性、故障检测来说等。在不背离所描述的技术的精神或范围的情况下，补充数据304的上述类型仅仅是实施例，并且补充数据304可以包括更多、更少或不同类型的数据。
66.尽管补充数据304如何稳健地描述用户的环境，计算设备108都可以以各种时间间隔将包含cgm设备数据214和补充数据304的cgm程序包302传送到cgm平台112以进行处理。在一种或更多种实施方式中，计算设备108可以基本上实时地将cgm程序包302流式传输到cgm平台112，例如，当cgm系统104连续地向计算设备108提供cgm设备数据214时。计算设备108可以以预定时间间隔(例如，每秒、每30秒、每小时等)交替地或附加地将一个或更多个cgm程序包302传送到cgm平台112。
67.尽管未在所示实施例300中描绘，但是cgm平台112可以处理这些cgm程序包302并且使得cgm设备数据214和补充数据304中的至少一些被存储在存储设备120中。例如，该数据可以从存储设备120被提供给数据分析平台122，或者由数据分析平台122访问，以生成即将发生的葡萄糖水平的预测，如下面更详细描述的。
68.在一种或更多种实施方式中，数据分析平台122还可以从第三方306(例如，第三方服务提供商)摄取数据，以供与生成即将发生的葡萄糖水平的预测结合使用。举例来说，第三方306可以产生其自己的附加数据，诸如通过第三方306制造和/或部署的设备，例如可穿
戴设备。所示示实施例300包括第三方数据308，其被示为从第三方306传送到数据分析平台122并且表示由第三方306产生或以其他方式从第三方306传送的该附加数据。
69.如上所述，第三方306可以制造和/或部署相关设备。附加地或替代地，第三方306可以通过其他来源获得数据，诸如相应的应用程序等。因此，该数据可以包括通过相应的第三方应用程序(例如，社交网络应用程序、生活方式应用程序等)输入的用户输入数据。鉴于此，第三方306产生的数据可以以各种方式配置，包括专有数据结构、文本文件、通过用户的移动设备获得的图像、指示输入到显露的字段或对话框的文本的格式、指示选项选择的格式等等。
70.在不背离所描述的技术的精神或范围的情况下，第三方数据308可以描述与由第三方提供的一个或更多个服务相关的各个方面。例如，第三方数据308可以包括描述用户与第三方306提供的特定应用程序的使用或交互的应用交互数据。通常，应用交互数据使数据分析平台122能够确定用户群体110的用户对特定应用程序的使用或使用量。例如，这样的数据可以包括从描述用户与特定应用程序的交互的应用日志中提取的数据、描述与应用程序的输入/输出界面相关的点击、轻敲和按压的点击流数据，等等。因此，在一种或更多种实施方式中，数据分析平台122可以接收由第三方306产生或以其他方式获得的第三方数据308。
71.数据分析平台122用低血糖事件的预测系统310来示出。根据所描述的系统，低血糖事件的预测系统310被配置为基于葡萄糖测量值118来生成低血糖事件的预测312。具体地，低血糖事件的预测系统310被配置为基于在先前时间间隔期间获得的葡萄糖测量值118来预测在即将到来的时间间隔期间是否将发生低血糖事件。例如，低血糖事件的预测系统310可以基于在先前白天时间间隔期间获得的葡萄糖测量值118来预测在即将到来的夜间时间间隔期间低血糖事件的发生(或不发生)。如以下更详细讨论的，低血糖事件的预测312是基于葡萄糖测量值118的，该葡萄糖测量值118已经根据时间戳排序以形成时序葡萄糖测量值，例如葡萄糖迹线。例如，在一种或更多种实施方式中，低血糖事件的预测系统310基于葡萄糖测量值118和附加数据两者生成低血糖事件的预测312，其中附加数据可以包括除了葡萄糖测量值118之外的cgm设备数据214、补充数据304、第三方数据308、来自iot 114的数据的一个或更多个部分等等。如下所述，低血糖事件的预测系统310可以通过使用一个或更多个机器学习模型来生成这样的低血糖事件的预测312。可以使用从用户群体110获得的葡萄糖测量值118和附加数据来训练或以其他方式构建这些模型。
72.基于所生成的低血糖事件的预测312，数据分析平台122还可以生成通知314。例如，通知314可以提醒用户在即将到来的夜间时间间隔期间即将发生的低血糖事件，使得用户可能在没有缓解措施(例如，吃特定食物或饮料)的情况下在夜间期间经历低血糖事件。相反，通知314可以通知用户用户在夜间不太可能经历低血糖事件，这可以允许用户可以放心地入睡且确信在睡觉时不会发生低血糖事件。通知314还可以为决定如何降低夜间低血糖事件的概率提供支持，例如通过建议用户进行动作(例如，食用特定的食物或饮料、将应用程序下载到计算设备108、立即寻求医疗救助，减少胰岛素剂量，或改变锻炼行为)，继续行为(例如，继续以某种方式进食或以某种方式锻炼)，改变行为(例如，改变饮食习惯或锻炼习惯，改变基础或推注胰岛素剂量)，等等。
73.在这样的场景中，低血糖事件的预测312和/或通知314从数据分析平台122传送并
经由计算设备108输出。在图示的实施例300中，还示出了低血糖事件的预测312被传送到计算设备108。应当理解，可以将低血糖事件的预测312和通知314中的一个或两者传送到计算设备108。附加地或替代地，例如，在允许将低血糖事件的预测312和/或通知314递送到计算设备108之前，可以将低血糖事件的预测312和/或通知314路由到决策支持平台和/或验证平台。在生成低血糖事件的预测的背景中，考虑图4的以下讨论。
74.图4更详细地描绘了图3的低血糖事件的预测系统310的示例性实施方式400，以使用机器学习来预测低血糖事件是否将在即将到来的夜晚时间间隔期间发生。
75.在所示实施例400中，低血糖事件的预测系统310被示为(例如，从存储器120)获得葡萄糖测量值118、时间戳402和附加数据404。这里，葡萄糖测量值118和附加数据404可以对应于人102。此外，每个葡萄糖测量值118对应于时间戳402之一。换言之，葡萄糖测量值118和时间戳402之间可能存在一对一的关系，使得每个单独的葡萄糖测量值118都有对应的时间戳402。在一种或更多种实施方式中，cgm设备数据214可以包括葡萄糖测量值118和对应的时间戳402。因此，对应的时间戳402可以与在cgm系统104水平处的葡萄糖测量值118相关联，例如，与产生葡萄糖测量值118相关。不管时间戳402如何与葡萄糖测量值118相关联——或者哪个设备将时间戳402与葡萄糖测量值118相关联——每个葡萄糖测量值118具有对应的时间戳402。
76.在该实施例400中，低血糖事件的预测系统310被描绘为包括序列管理器406和机器学习模型408，它们被配置为基于葡萄糖测量值118、时间戳402和附加数据404生成低血糖事件的预测312。然而，应当理解，在一些实施方式中，低血糖事件的预测系统310仅使用时序葡萄糖测量值412而不使用人102的附加数据来生成低血糖事件的预测。尽管低血糖事件的预测系统310被描述为包括这两个组分，但是应当理解，在不背离精神或所描述技术的范围的情况下，低血糖事件的预测系统310可以具有更多、更少和/或不同的组分来生成低血糖事件的预测312。
77.广义地说，排序管理器406被配置为基于葡萄糖测量值118和时间戳302生成时序葡萄糖测量值。虽然葡萄糖测量值118通常可以例如由cgm平台112从cgm系统104和/或计算设备108按顺序接收，但在一些情况下，葡萄糖测量值118中的一个或更多个可能不会以与产生葡萄糖测量值118相同的顺序被接收——具有葡萄糖测量值118的数据包可能被乱序地接收。因此，接收顺序可能与cgm系统104产生葡萄糖测量值118的顺序在时间上不匹配。替代地或附加地，包括一个或更多个葡萄糖测量值118的通信可能被破坏。实际上，由低血糖事件的预测系统310获得的葡萄糖测量值118可能不完全按时间顺序可能有多种原因。
78.为了生成时序葡萄糖测量值412，排序管理器406根据各个时间戳402确定葡萄糖测量值118的时间排序序列。排序管理器406输出葡萄糖测量值118的时间排序序列作为时序葡萄糖测量值412。时序葡萄糖测量值412可以被配置为或以其他方式称为“葡萄糖迹线”。
79.根据所描述的技术，排序管理器406生成特定时间间隔的时序葡萄糖测量值412。在一种或更多种实施方式中，时序葡萄糖测量值412对应于当天的白天时间间隔，并且被机器学习模型408用来预测在白天时间间隔之后的夜间时间间隔期间是否会发生低血糖事件。例如，排序管理器406可以生成从早上6点(6am)到晚上10点(10pm)的白天时间间隔的时序葡萄糖测量值412，以便预测在当晚10点到第二天早上6点的夜间时间间隔内是否会发生
低血糖事件。因此，与从葡萄糖测量值中提取特征以产生预测的传统系统不同，时序葡萄糖测量值412对应于人102在白天时间间隔期间的一整组估计的葡萄糖值。值得注意的是，在不背离所描述技术的精神或范围的情况下，白天时间间隔的持续时间和定时可以基于多种因素而变化。例如，在某些情况下，可以根据用户的睡眠时间表定制白天时间间隔和夜间时间间隔。此外，在一种或更多种实施方式中，排序管理器406可以生成跨越多天(例如，先前7天)的时间间隔的时序葡萄糖测量值412。
80.尽管在一些实施方式中，机器学习模型408可能限于接收时序葡萄糖测量值412(和关于时序葡萄糖测量值412的信息)作为输入，但是在一种或更多种实施方式中，机器学习模型408还接收描述未来影响人的葡萄糖的一个或更多个其他方面的附加数据404作为输入。附加数据404可以在时间上与葡萄糖测量值的时序相关，例如，基于与附加数据404相关联的时间戳。作为实施例而非限制，此类附加数据404可包括应用程序使用数据(例如，描述所显示的用户界面和用户通过用户界面与应用程序交互的点击流数据)、移动设备或智能手表的加速度计数据(例如，指示该人已经查看了设备的用户界面，因此可能已经看到了与所预测的低血糖事件相关的警报或信息)、描述胰岛素给药的数据(例如，时间和胰岛素剂量)、摄入的食物(例如，食物摄入的时间、食物类型和/或所摄入的碳水化合物量)、来自各种传感器的活动数据(例如，步数数据、所进行的锻炼或指示用户活动或锻炼的其他数据)、压力，等等。可以指示人的未来葡萄糖的方面的进一步实施例包括人的温度、环境温度、大气压力以及各种健康状况(例如，怀孕)的存在或不存在，仅举几例。此外，附加数据404可以包括上面参考图3描述的补充数据304和/或第三方数据308。
81.在这种情况下，机器学习模型408也使用用户群体的历史附加数据进行训练。因此，通过利用时序葡萄糖测量值412和附加数据404来生成预测，机器学习模型408生成的预测的准确性得到提高。例如，可以训练机器学习模型408以学习与应用程序使用活动、锻炼、食物摄入和所施用的胰岛素剂量相关的模式，从而相应地调整低血糖事件的预测。
82.在一种或更多种实施方式中，作为由机器学习模型408输入的附加数据404与cgm平台112的应用程序相关联。例如，cgm平台112的应用程序可以在用户的计算设备(例如，智能手机或智能手表)处执行以例如在cgm平台的应用程序的用户界面中向用户显示葡萄糖测量值。在这种情况下，附加数据404可以对应于cgm应用程序的不同控件的屏幕视图或用户选择。此类应用程序使用数据能够使机器学习模型408了解用户是否知道她当前的葡萄糖状况，这可以指示用户已经采取缓解措施来纠正葡萄糖状况。例如，如果用户在睡觉前不久查看cgm应用程序并注意到她的血糖水平正在下降，她可能会采取缓解措施来防止夜间低血糖症，例如吃一块水果。这种缓解措施可能会影响低血糖事件的预测的准确性。例如，如果系统已经预测了夜间低血糖症的发生，那么缓解措施用可以防止夜间低血糖症的发生，从而导致预测不准确。因此，机器学习模型408可以学习与用户执行的缓解措施相关的模式，然后相应地调整低血糖事件的预测。
83.根据所描述的技术，时序葡萄糖测量值412与附加数据404一起被提供作为机器学习模型408的输入。机器学习模型408处理葡萄糖测量值412的时序和附加数据404以生成低血糖事件的预测312。通常，由机器学习模型408输出的低血糖事件的预测312预测用户是否会在夜间时间间隔期间(例如，在时序葡萄糖测量值412的白天时间间隔之后)发生低血糖事件。继续上面的实施例，如果时序葡萄糖测量值对应于从早上6点到晚上10点的白天时间
间隔，则机器学习模型408可以生成夜间时间间隔(即在白天时间间隔之后，例如，从当晚10点到第二天早上6点)的低血糖事件的预测312。
84.如果机器学习模型408预测到低血糖事件将在夜间时间间隔期间发生，则低血糖事件的预测312可以作为阳性结果414输出，或者如果机器学习模型408预测到低血糖事件不会在夜间时间间隔期间发生，则作为阴性结果416输出。机器学习模型408还可以生成与阳性结果414或阴性结果416相关联的置信度分数418。通常，置信度分数418指示预测的阳性或阴性结果将发生的概率。作为实施例，机器学习模型408可以将低血糖事件的预测312输出为0和1之间的值。然后可以应用阈值，使得如果该值低于0.5，则指示为阴性结果416，且如果该值高于0.5，则指示将发生低血糖事件的阳性结果414。在此实施例中，值为0.9的阳性结果414将具有比值为0.55的阳性结果414更高的置信度分数418。
85.可以训练机器学习模型408以基于时序葡萄糖测量值412和/或附加数据404输出低血糖事件的预测312。举例来说，基于一种或更多种训练方法并且使用标记的历史时序葡萄糖测量值(诸如从用户群体110的葡萄糖测量值118生成的时序葡萄糖测量值412以及用户群体的附加数据)，机器学习模型408可以被训练，或者底层模型可以被学习。训练机器学习模型408将结合图9更详细地讨论。
86.在不背离所描述技术的精神或范围的情况下，机器学习模型408可以以各种不同的方式并利用各种不同类型的机器学习模型来实现。在一种或更多种实施方式中，机器学习模型408被训练以通过将时序葡萄糖测量值412分类为对应于阳性结果414或阴性结果416来输出低血糖事件的预测312。例如，机器学习模型408学习将估计葡萄糖值的输入流分类为对应于阳性结果类或阴性结果类。在该实施例中，机器学习模型408可以被实现为神经网络，该神经网络获得在一段时间间隔内收集的观察到的葡萄糖值的标记流作为输入。所估计的葡萄糖值的流被标记以指示当晚晚些时候是否发生低血糖事件。以这种方式，机器学习模型408学习对观察到的葡萄糖值的输入流进行分类，以便生成所预测的低血糖事件。
87.例如，考虑图5，其描绘了示例性实施方式500，其中机器学习模型408根据一个或更多个实现生成低血糖事件的预测。在该实施例中，机器学习模型408获得时序葡萄糖测量值502，该测量值已在早上6点到晚上10点的白天时间间隔内被观察到。时序葡萄糖测量值502包括由cgm系统在时间间隔期间观察到的多个所估计的葡萄糖值504。例如，观察到的所估计的葡萄糖值504的每个“点”可以对应于在白天时间间隔期间由cgm系统测量的所估计的葡萄糖值。这样，每个观察到的葡萄糖值504包括相应的时间戳，因此以时间排序的顺序排列。在一些情况下，cgm系统被配置为以预定时间间隔生成葡萄糖值504，诸如每5分钟。在此实施例中，16小时的白天时间间隔(例如，从上午6点到晚上10点)将包括192个不同的葡萄糖值504。时序葡萄糖测量值502被显示为具有对应于如果用户的血糖水平低于该范围则被认为是低血糖的血糖水平的低血糖阈值506。例如，在该实施例中，低血糖阈值506可以对应于70mg/dl的值，但可以设置为其他值，例如60mg/dl。基于时序葡萄糖测量值502，机器学习模型408生成低血糖事件的预测508，其在该实施例中为阳性结果。换言之，基于输入白天时间间隔的时序葡萄糖测量值502，机器学习模型预测将在即将到来的夜间时间间隔中发生低血糖事件。
88.在一个或更多个实施方式中，机器学习模型408被训练以首先基于在白天时间间隔期间观察到的时序葡萄糖测量来预测夜间时间间隔的即将到来的葡萄糖测量值，然后基
于所预测的即将到来的葡萄糖测量值生成低血糖事件的预测312。例如，考虑图6，其描绘了另外的示例性实施方式600，其中机器学习模型408根据一个或更多个实现生成低血糖事件的预测。与实施例500类似，机器学习模型408获得时序葡萄糖测量值602，该测量值已在早上6点到晚上10点的白天时间间隔内被观察到。时序葡萄糖测量值602包括由cgm系统在时间间隔期间观察到的多个所估计的葡萄糖值604。时序葡萄糖测量值602被显示为具有对应于如果用户的血糖水平低于该范围则被认为是低血糖的血糖水平的低血糖阈值606。
89.基于时序葡萄糖测量值602，机器学习模型408生成低血糖事件的预测608，其在该实施例中为阳性结果。然而，与实施例500不同的是，机器学习模型408被描绘为包括葡萄糖预测模型610和分类模型612。通常，葡萄糖预测模型610被配置为基于时序葡萄糖测量值602生成和输出所预测的即将到来的葡萄糖测量值614。举例来说，基于一种或更多种训练方法并且使用历史时序葡萄糖测量值(诸如从用户群体110的葡萄糖测量值118生成的时序葡萄糖测量值)，葡萄糖预测模型610可以被训练，或者底层模型可以被学习。
90.值得注意的是，所预测的即将到来的葡萄糖测量值614对应于即将到来的夜间时间间隔内预测的葡萄糖测量值，而时序葡萄糖测量值是已经被cgm系统(诸如在白天时间间隔内由人102所佩戴的cgm系统104)观察到的葡萄糖测量值的迹线。因此，以这种方式观察到的葡萄糖测量值与例如通过葡萄糖预测模型610预测的葡萄糖测量形成对比。在该实施例中，时序葡萄糖测量值602对应于在白天时间间隔(例如，从上午6点到晚上10点)上为人102观察到的葡萄糖测量值118的迹线，并且所预测的即将到来的葡萄糖测量值614可以被配置为所预测的对应于夜间接下来的8小时(例如，从晚上10点到早上6点)的夜间时间间隔的葡萄糖迹线。
91.分类模型612接收所预测的即将到来的葡萄糖测量值614，并输出低血糖事件的预测608。在这种情况下，低血糖事件的预测608是基于所预测的即将到来的葡萄糖测量值614的。值得注意的是，即将到来的所预测的预测葡萄糖测量值614包括低于低血糖阈值606的多个葡萄糖值616。因此，在该实施例中，基于低于低血糖阈值606的所预测得葡萄糖测量值616，分类模型612生成低血糖事件将在夜间时间间隔期间发生的预测。
92.分类模型612可以被配置为基于多种不同因素来预测低血糖事件的发生。在一些情况下，如果在夜间时间间隔中有四个或更多个连续预测的葡萄糖值低于低血糖阈值606，则分类模型612预测为阳性结果。然而，在不背离所描述技术的精神和范围的情况下，低血糖阈值和低于阈值的葡萄糖值数可以变化。
93.值得注意的是，葡萄糖预测模型610可以以各种不同的方式生成所预测的即将到来的时序葡萄糖测量值614。在一种或更多种实施方式中，葡萄糖预测模型610可以被实施为向量输出模型或编码器-解码器模型，其被训练以基于输入的白天时间间隔的葡萄糖测量值序列在夜间时间间隔期间预测整个葡萄糖测量值序列。换言之，葡萄糖预测模型610的输入是单天或更多天的葡萄糖值序列，而葡萄糖预测模型610的输出是整个夜间时间间隔的预测葡萄糖值序列。然后，将阳性或阴性低血糖症结果分类应用于夜间时间间隔的整个所预测的葡萄糖值序列。
94.或者，可以训练葡萄糖预测模型610以预测夜间时间间隔的单个葡萄糖值，然后可以迭代该过程以预测夜间时间间隔的整个葡萄糖值序列。换言之，葡萄糖预测模型610的输入是单天或更多天的葡萄糖值序列，而葡萄糖预测模型610的输出是单个所预测的葡萄糖
值。然后，观察到的葡萄糖测量值连同单个所预测的葡萄糖值一起被输入回葡萄糖预测模型610，以便生成下一个所预测的葡萄糖值。然后重复该过程进行多次迭代，以预测整个夜间葡萄糖值序列。在该实施方式中，葡萄糖预测模型610可以被配置为非线性模型或包括一个或更多个非线性模型的模型集合。例如，非线性机器学习模型可以包括神经网络(例如，递归神经网络，如长短期记忆(lstm))、状态机、马尔可夫链、蒙特卡洛方法和粒子滤波器，仅举几个例子。应当理解，在不背离所描述技术的精神或范围的情况下，葡萄糖预测模型610可以被配置为或以其他方式包括一种或更多种不同类型的机器学习模型。
95.图7更详细地描绘了图3的低血糖事件的预测系统310的示例性实施方式700，以基于低血糖事件的预测312输出通知314。
96.在所示实施例700中，低血糖事件的预测系统310被描绘为包括从机器学习模型408获得低血糖事件的预测312的通知管理器702。通知管理器702基于机器学习模型408输出的低血糖事件的预测312生成和递送通知314。通知314可以包括通知人102该人将在即将到来的夜晚经历低血糖事件的可能性的警报704。例如，如果低血糖事件的预测312对应于阳性结果414，则警报可以指示预测到了用户在即将到来的晚间期间经历低血糖事件。相反，如果低血糖事件的预测312对应于阴性结果416，则警报可以指示未预测到用户在即将到来的晚间期间会经历低血糖事件。
97.通知314还可以包括一个或更多个建议706。例如，如果机器学习模型408预测人102可能在夜间经历低血糖，则通知管理器702可以输出一个或更多个用于缓解低血糖症的建议706，例如在睡觉前喝一杯果汁，睡前吃一块水果，设置闹钟一定时间起床喝果汁或吃水果等等。另一方面，如果机器学习模型408预测用户在即将到来的预定时间段内不太可能经历低血糖症，则通知管理器702可以输出指示这种情况和/或不需要采取缓解措施的通知。
98.在一种或更多种实施方式中，通知314还可以包括置信度分数418的视觉表示以告知用户预测的准确性。例如，如果机器学习模型408以90％的置信度预测到夜间发生低血糖事件，则通知314可以视觉地向用户指示该置信水平作为警报704的一部分。或者，如果机器学习模型408以90％的置信度预测用户将不会在夜间经历低血糖症发作，则通知314可以视觉地向用户指示该置信度水平作为警报704的一部分。
99.在一种或更多种实施方式中，由通知管理器702生成的警报704和/或建议706可以至少部分地基于置信度分数418。例如，通知管理器702可以部分地基于与预测相关联的置信水平来提供不同的警报704、建议706或其他消息传递。例如，如果机器学习模型以高置信度预测用户将在夜间发生或不发生低血糖事件，则通知管理器702可以将该预测输出给用户。然而，在置信度较低的情况下，通知管理器可以调整向用户的消息输出，例如通过警告用户预测是以较低的置信度做出的，要求用户稍后再次生成预测期间，或通知用户系统此时无法生成预测。
100.在一种或更多种实施方式中，低血糖事件的预测系统310可以在不同时间产生多个低血糖事件的预测312，以便增加低血糖事件的预测312的准确性。例如，如上所述，低血糖事件的预测系统310能使用机器学习模型408处理葡萄糖测量值412的时序来生成初始低血糖事件的预测312，其预测低血糖事件是否将在白天时间间隔之后的夜晚时间间隔期间发生。例如，该初始预测可以在用户计划入睡前一小时由低血糖事件的预测系统310生成。
然后，在生成该初始预测之后，低血糖事件的预测系统312可以接收葡萄糖测量值412的附加时序。换言之，葡萄糖测量值412的附加时序可以在输出初始低血糖事件的预测312之后发生的后续时间段期间由用户佩戴的cgm系统提供。然后，低血糖事件的预测系统310能使用机器学习模型408处理葡萄糖测量值412的附加时序来生成更新的低血糖事件的预测312，其预测低血糖事件是否将夜晚时间间隔期间发生。例如，上述更新的预测可以由低血糖事件的预测系统310在生成初始预测后一小时、然后就在用户计划睡觉之前生成。
101.值得注意的是，可以使用机器学习模型408生成更新的低血糖事件的预测312，以确认用户在夜间时间间隔期间不会经历低血糖事件的初始预测的准确性(例如，阴性结果416)，或者确认用户为减轻预测的低血糖事件而采取的缓解措施(例如，阳性结果414)足以将预测改变为阴性结果416。举例来说，如果低血糖事件的预测系统310在用户睡前一小时执行机器学习模型408的第一实例，其预测用户将不会经历低血糖事件，则低血糖事件的预测系统310可以在固定时间量之后(例如，就在用户要睡觉之前)执行机器学习模型的第二实例408，以确认初始预测是准确的。在该实施例中，如果由低血糖事件的预测系统310生成的初始预测和更新的预测都包括阴性结果416，例如，用户将不会在夜间经历低血糖事件，则预测的准确性增加。
102.作为另一实施例，考虑低血糖事件的预测系统310在用户睡前一小时执行机器学习模型408的第一实例，其预测用户将在夜间时间间隔期间经历低血糖事件(例如，阳性结果414)以及缓解低血糖事件的建议，例如，建议喝一杯果汁或吃一块水果。在这种场景下，低血糖事件的预测系统310可以在固定的时间量之后执行机器学习模型的第二实例，以便确认用户采取了所建议的动作，该动作足以减缓预测的低血糖事件，例如，低血糖事件的预测312现在预测到用户将不会在夜间经历低血糖事件。因此，在该实施例中，上述更新的预测确认所建议的动作足以防止用户经历低血糖事件。在这种场景下，输出更新的预测使用户在用户入睡前放心，所建议的动作将防止低血糖事件在夜间发生。
103.此外，在机器学习模型的第一实例预测用户将不会在夜间时间间隔期间经历低血糖事件的情况下，低血糖事件的预测系统310可以生成在第二个“确认”机器学习模型408执行之前用户不采取任何干预行动的建议(例如，注射胰岛素或摄入碳水化合物)。在这种场景下，第二机器学习模型408可能更偏重于新数据(例如，在生成第一低血糖事件的预测312之后获得的葡萄糖测量值118和/或附加数据404)以便确认初始预测。值得注意的是，在这些场景中提示用户不采取缓解措施可以进一步提高由低血糖事件的预测系统生成的低血糖事件的预测312的准确性。
104.在一种或更多种实施方式中，cgm平台可以基于低血糖事件的预测312调整夜间时间间隔的各种设置。在实施例700中，通知管理器702被描绘为基于低血糖事件的预测生成经调整的设置708。在一种或更多种实施方式中，如果预测为阴性结果，则经调整的设置708对应于调整夜间时间间隔的葡萄糖警报设置。例如，当机器学习模型408预测用户不会经历低血糖症的发作时，可以通过在夜间时间间隔期间提高阈值来调整低水平葡萄糖警报的阈值。这具有比平常更早地触发低水平葡萄糖警报的效果，以便在系统预测低血糖事件将不会发生之后经历低血糖事件的情况下，给人102更多时间来缓解他们的低葡萄糖水平。经调整的设置708也可以覆盖可能已被人102修改的任何个性化警报设置。因此，即使预测是阴性的，系统也会采取行动。
105.可替换地或除了调整葡萄糖警报设置以在系统预测不会发生低血糖事件之后的夜间经历低血糖事件的情况下给用户提前警告之外，可以实施低血糖事件的预测系统310以生成使用机器学习模型408在夜间时间间隔期间(例如，当用户正在睡觉时)附加的低血糖事件的预测312。值得注意的是，在夜间时间间隔期间生成的附加预测可以确认用户不会经历低血糖事件的初始预测。在这种情况下，低血糖事件的预测系统可能不会采取额外的行动。另一方面，如果低血糖事件的预测系统310最初预测低血糖事件将不会在夜间时间间隔期间发生，但随后在夜间时间间隔期间会生成预测低血糖事件现在将由于条件改变而发生的附加预测，低血糖事件的预测系统310然后可以生成使用户醒来并采取缓解措施的警报。
106.值得注意的是，在用户睡觉时的低血糖事件的生成——并且在低血糖事件的预测系统310最初预测用户在夜间不会经历低血糖症之后——可能会使用户的睡眠紊乱。因此，低血糖事件的预测系统310可以被配置为在夜间时间间隔开始时的时间窗口期间生成附加的低血糖事件的预测312，例如，在用户睡觉之后开始的30或60分钟的时间窗口。例如，如果用户在晚上9点睡觉，则低血糖事件的预测系统310可以基于在晚上9点和晚上10点之间捕获的葡萄糖测量值118生成附加预测。以这种方式，如果低血糖事件的预测系统310预测低血糖事件将会发生，则用户将在他们计划的睡眠窗口期间被提前通知，而不是在用户可能处于深度睡眠的深夜被唤醒。
107.值得注意的是，这些附加保障措施(例如，在夜间间隔期间调整警报阈值和/或生成附加预测)可以用于通过提供附加安全协议层来减轻与夜间不会发生低血糖症的错误预测相关联的风险，在病情迅速或意外发展的情况下，用户可以依赖这些附加安全协议层。此外，这些附加保护措施可以使用户对cgm平台生成的预测更加信任，从而通过减少认知负担来提高他们在睡眠时间的生活质量。
108.在向用户输出通知314的背景中，考虑图8，其描绘了显示用于基于夜间时间间隔期间发生的低血糖事件的预测来通知用户的用户界面的示例性实施方式800。特别地，示例性实施方式800包括在用户请求场景802、预测生成场景804、阴性结果场景806和阳性结果场景808中描绘的计算设备108。
109.在场景802、804、806和808的每一个中，计算设备108显示用户界面810。用户界面810可以对应于应用程序的界面，例如cgm平台112的界面。替代地或附加地，用户界面810可以对应于通知“中心”，诸如锁定屏幕或其他操作级别屏幕。
110.低血糖事件的预测系统310可以自动地或响应于用户请求来向用户生成和输出低血糖事件的预测。该决定可以是用户可配置的，因为一些用户可能更喜欢自动接收这些预测(例如，在设定的时间段)，而其他用户可能更喜欢仅在请求时接收这些预测，例如通过在用户睡觉之前请求预测。上述请求场景802描绘了其中预测系统响应于用户请求生成预测的示例性场景。在请求场景802中，用户界面810显示请求控件812，其询问用户他们是否愿意接收对于即将到来的夜晚的低血糖事件的预测。如果用户选择“获取预测”控件，则低血糖事件的预测系统310生成低血糖事件的预测312，如通篇所述。或者，如果她不想接收预测，用户可以选择忽略。
111.在一种或更多种实施方式中，如果机器学习模型408知道用户没有进行任何可能影响用户血糖水平的动作，诸如进食、锻炼或摄入胰岛素，则该模型可以提高低血糖事件的
预测312的准确性。因此，在某些情况下，系统可以输出请求，要求用户在生成预测时在特定时间段内避免影响葡萄糖水平的行为。预测生成场景804显示用户界面810显示通知814，其通知用户正在生成低血糖事件的预测，同时当预测正在生成时还要求用户在接下来的30分钟内避免锻炼、进食或摄入胰岛素。
112.不管预测是自动生成还是响应于用户请求，低血糖事件的预测系统310都输出通知314，其通知用户是阳性或阴性低血糖事件的预测。在阴性结果场景806中，用户界面810通过计算设备108的显示设备显示阴性结果警报通知816。该通知816通知用户她今晚不太可能发生低血糖事件。根据所描述的技术，该通知816是基于由低血糖事件的预测系统310生成的低血糖事件的预测312的，在这种情况下，该系统预测低血糖事件不太可能在夜间时间间隔内发生。如上所述，在检测到阴性结果并将其输出给用户的情况下，可以调整cgm平台112的系统设置。因此，在该实施例中，通知816还通知用户正在调整低水平葡萄糖警报设置以确保用户的安全。
113.相反，在阳性结果场景808中，用户界面810通过计算设备108的显示设备显示阳性结果警报通知818。该通知818通知用户她今晚可能发生低血糖事件。根据所描述的技术，该通知818是基于由低血糖事件的预测系统310生成的低血糖事件的预测312的，在这种情况下，该系统预测低血糖事件可能在夜间时间间隔内发生。此外，在该实施例中，阳性结果警报通知818提供建议用户采取的行动的建议，以减轻低血糖事件将发生的概率。在此实施例中，系统建议用户在睡前喝一杯果汁或吃一块水果。
114.尽管显示了给用户的通知，但是应当理解，在一个或更多个实施方式中，基于夜间时间间隔的低血糖事件的预测生成的通知可以替代地或附加地传送给其他实体，例如人102的医疗保健提供者(例如，医生)、人102的护理人员(例如，父母或孩子)，等等。此外，应当理解，在不脱离所描述技术的精神或范围的情况下，可以基于低血糖事件的预测来提供除了通知之外或替代通知的各种其他服务。
115.图9更详细地描绘了低血糖事件的预测系统310的示例性实施方式900，其中训练机器学习模型以预测在夜间时间间隔期间是否会发生低血糖事件。如图3中，低血糖事件的预测系统310作为数据分析平台122的一部分被包括在内，尽管在其他场景下，低血糖事件的预测系统310也可以或替代地，部分或全部，被包括在诸如计算设备108的其他设备中。
116.在所示实施例900中，低血糖事件的预测系统310包括模型管理器902，其管理机器学习模型408，上述机器学习模型可以被配置为或包括一个或更多个机器学习模型，例如递归神经网络，卷积神经网络等。应当理解，在不背离所描述技术的精神或范围的情况下，机器学习模型408可以被配置为或包括其他类型的机器学习模型。这些不同的机器学习模型至少部分由于不同的架构可以分别使用不同的算法来构建或训练(或以其他方式学习的模型)。因此，应当理解的是，模型管理器902的功能的以下讨论适用于各种机器学习模型。然而，为了解释的目的，模型管理器902的功能将与训练神经网络相关地进行一般性描述。
117.广义地说，模型管理器902被配置以管理机器学习模型，其包括机器学习模型408。例如，该模型管理包括构建机器学习模型408、训练机器学习模型408、更新该模型等等。在一个或更多个实施方式中，更新该模型可以包括迁移学习以个性化机器学习模型408——以将其从用用户群体110的训练数据训练的状态个性化到用描述人102的一个或更多个方面和/或描述类似于人确定的用户群体110的子集的一个或更多个方面的附加训练数据或
(更新数据)训练的更新状态。具体地，模型管理器902被配置为至少部分地使用在cgm平台112的存储设备120中保存的大量数据来执行模型管理。如图所示，该数据包括用户群体110的葡萄糖测量值118、时间戳402和附加数据404。换言之，模型管理器902使用用户群体110的葡萄糖测量值118、时间戳402和附加数据404来构建机器学习模型408，训练机器学习模型408(或以其他方式学习底层模型)并更新该模型。
118.与常规系统不同，cgm平台112存储(例如，在存储设备120中)或以其他方式使用cgm系统104访问从用户群体110的数十万用户(例如，500,000或更多)获得的葡萄糖测量值118。此外，这些测量值是由cgm系统104的传感器以连续速率取得的。结果，模型管理器902可用于模型构建和训练的数百万甚至数十亿的葡萄糖测量值118。有了这样庞大的数据量，模型管理器902可以构建和训练机器学习模型408，以基于他们观察到的葡萄糖测量值中的模式准确地预测在即将到来的夜间时间间隔期间是否会发生低血糖事件。
119.缺少cgm平台112的葡萄糖测量值118的稳健性，单靠传统系统根本无法构建或训练模型以适当地表示模式如何指示未来葡萄糖水平的方式覆盖状态空间。未能适当地覆盖这些状态空间可能导致低血糖事件的预测不准确，这可能导致从用户烦恼(例如，提供通知表明预测的低血糖事件将发生但实际上并未发生)到生死存亡情况(例如，在没有预测到的夜间发生低血糖事件导致的不安全情况)的范围的结果。鉴于产生不准确和不合时宜的预测的严重性，使用对罕见事件稳健的大量葡萄糖测量值118来构建机器学习模型408是重要的。
120.在一种或更多种实施方式中，模型管理器902通过生成训练数据来构建机器学习模型408。最初，生成训练数据包括从葡萄糖测量值118和用户群体110的对应时间戳402形成葡萄糖测量值的训练时序。模型管理器902可以利用排序管理器406的功能，例如，以与上面关于形成时序葡萄糖测量值412详细讨论的类似方式来形成那些训练时序。模型管理器902可以进一步被实现以生成特定时间间隔训练德时序葡萄糖测量值。在一种或更多种实施方式中，模型管理器902生成训练数据以包括对应于一天的24小时时间段的时序葡萄糖测量值。
121.然后，对于每个训练时序(例如，对应于24小时的时间段)，模型管理器902可以识别对应于白天时间间隔的训练时序的第一部分和对应于夜间时间间隔的训练时序的第二部分。然后，模型管理器902可以为每个训练数据的实例生成分类标签，该分类标签基于夜间时间间隔的时序葡萄糖测量值将训练数据实例限定为低血糖阳性或低血糖阴性。例如，具有一定数量的低于所限定的低血糖阈值的葡萄糖值的训练数据实例(例如，连续四个低于70mg/dl的葡萄糖值)被分类为低血糖阳性，而没有所述数量的低于所限定的血糖值阈值的葡萄糖值的训练数据实例被归类为低血糖阳性。因此，分类标签可作为真实值(ground truth)，用于在训练期间与模型的输出进行比较。
122.为了说明，再次考虑实施例，其中机器学习模型408接收24小时的时序葡萄糖测量值(例如，24小时的葡萄糖迹线)并将前16小时识别为对应于白天时间间隔并且剩余的8小时对应于夜间时间间隔。举例来说，特定的训练时序可以从2020年4月15日上午6:00:00跨越到2020年4月16日上午6:00:00。在这种情况下，模型管理器902可以识别对应于白天时间间隔的16小时部分，诸如从2020年4月15日上午6:00:00到2020年4月16日晚上10:00:00，以及8小时部分，其从2020年4月15日晚上10:01:00跨越到2020年4月16日上午6:00:00。然后，
模型管理器902可以为每个训练数据的实例生成分类标签，该分类标签基于夜间时间间隔的时序葡萄糖测量值将训练数据实例限定为低血糖阳性或低血糖阴性。因此，一旦建立，机器学习模型408被配置为基于白天时间间隔的葡萄糖迹线生成夜间时间间隔的低血糖事件的预测。
123.模型管理器902使用分段的训练数据的实例以及将训练数据定义为低血糖阳性或阴性的相应分类标签来训练机器学习模型408。在训练的背景中，模型管理器902可以通过提供从训练数据集到机器学习模型408的对应于白天时间间隔的数据的实例来训练机器学习模型408。响应于此，机器学习模型408生成针对夜间时间间隔的低血糖事件的预测，例如通过预测在夜间时间间隔期间将发生或不发生低血糖事件。模型管理器902从机器学习模型408获得该训练预测作为输出，并将训练预测与对应于训练数据的实例的分类标签的预期输出部分进行比较。基于该比较，模型管理器902调整机器学习模型408的内部权重，使得机器学习模型在将来提供白天时间间隔的葡萄糖迹线作为输入时可以基本上再现预期分类标签(例如，夜间是否会发生低血糖症)。
124.在一个或更多个实施方式中，模型管理器902训练机器学习模型408以基于对应于白天时间间隔的训练数据的第一部分来预测分类标签。在这种情况下，机器学习模型会根据白天时间间隔的葡萄糖迹线来学习预测分类标签。或者，模型管理器902可以训练机器学习模型以首先基于对应于白天时间间隔的训练数据的第一部分预测夜间时间间隔的葡萄糖测量值，然后基于所预测的夜间时间间隔的葡萄糖测量值生成低血糖事件的预测。换言之，低血糖事件的预测基于是否存在低于低血糖阈值的夜间时间间隔的预定数量的预测葡萄糖值。在这种情况下，机器学习模型可以学习在分步实施方式(例如，lstm)中预测夜间时间间隔的即将到来的葡萄糖测量值，或者在非分步实施方式(例如，其他类型的神经网络)中预测整个夜间间隔。
125.将训练数据的实例输入机器学习模型408、从机器学习模型408接收训练预测、将训练预测与对应于在训练数据的输入夜间时间间隔期间低血糖事件的发生的预期分类标签(观察到的)进行比较(例如，使用代价函数)以及基于这些比较来调整机器学习模型408的内部权重的这一过程可以重复数百次、数千次或者甚至数百万次迭代——每次迭代使用训练数据的实施例。
126.模型管理器902可以执行这样的迭代，直到机器学习模型408能够生成与预期输出一致且基本匹配的预测。机器学习模型一致地生成与预期输出部分基本匹配的预测的能力可以被称为“收敛”，鉴于此，可以说模型管理器902训练机器学习模型408，直到它“收敛”于一个解，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得模型一致地生成基本上匹配预期分类标签的预测。
127.在生成训练数据的背景中，考虑图10，其示出了由模型管理器902生成的用于训练机器学习模型的训练数据的示例性实施方式1000。实施例1000包括训练数据1002和1004的示例性实例，其中的每一个都包含针对用户群体110的用户的时序葡萄糖测量值。在该实施例中，训练数据1002和1004的实例各自包括对应于一天的整个24小时时间段的葡萄糖测量值1006序列。例如，如果cgm系统每5分钟获取一次葡萄糖测量值，一整天的训练数据将包括288个估计的葡萄糖值。在此实施例中，训练数据1002和1004的实例对应于从第一天早上6:00到第二天早上6:00的24小时时间段。当然，在不背离所描述技术的精神或范围的情况下，
训练数据实例的开始和结束时间可能会有所不同。
128.如上所述，模型管理器902被配置为将每个训练数据的实例分割成白天时间间隔和夜间时间间隔。例如，在图10中，训练数据1002和1004的实例已经被分割成白天时间间隔1008和夜间时间间隔1010，白天时间间隔1008包括从上午6:00到晚上10:00的葡萄糖测量值1006，夜间时间间隔1010包括从晚上10:01到第二天上午6:00的葡萄糖测量值1006。模型管理器902已经基于夜间时间间隔期间低血糖症的发生或不发生对每个训练数据的实例进行分类。例如，包括四个低于低血糖阈值1012(例如，70mg/dl)的连续估计葡萄糖值的训练数据的实例可以被分类为低血糖阳性，而没有四个低于低血糖阈值1012的估计葡萄糖值的训练数据的实例可归类为低血糖阴性。例如，在图10中，由于在夜间时间间隔1010中出现多个低于低血糖阈值1012的葡萄糖测量值1006，训练数据1002已经被模型管理器902分配了“yes_hypo”标签1014以将训练数据1002分类为低血糖阳性。类似地，由于在夜间时间间隔1010中没有四个连续出现的低于低血糖阈值1012的葡萄糖测量值1006，训练数据1004已经被模型管理器902分配了“no_hypo”标签1016以将训练数据1004分类为低血糖阴性。在一种或更多种实施方式中，模型管理器902可以进一步被配置为在低血糖事件被高于低血糖阈值的至少一个估计葡萄糖值中断的情况下对训练数据进行分类以指示给定夜晚的多个低血糖事件。应当理解，在不背离所描述技术的精神或范围的情况下，用于将训练数据的实例分类为低血糖阳性或阴性的标准可以变化。
129.在某些情况下，训练数据的实例可能包括低于低血糖阈值的葡萄糖值，该值在白天时间间隔内开始并在夜间时间间隔内继续。在这样的情况下，模型管理器902可以被配置为从用于训练机器学习模型408的训练数据中排除这样的训练数据实例。备选地，模型管理器902可以包括低血糖事件在白天时间间隔期间开始的训练数据，其中训练数据用于训练机器学习模型408，使得机器学习模型408学习该模式。
130.如上所述，机器学习模型408可以被配置为接收除了时序葡萄糖测量值的间隔之外，还接收附加数据404作为输入。在这样的实施方式中，模型管理器902可以形成训练实例，其包括葡萄糖测量值的时序、相应的分类标签，以及描述用于预测即将到来的葡萄糖测量值的用户群体的任何其他方面的附加数据404，例如，应用程序使用活动、加速数据、胰岛素给药、碳水化合物摄入、锻炼和/或压力。该附加数据404连同时序葡萄糖测量值和分类标签可以由模型管理器902根据一种或更多种已知技术处理以产生输入向量。然后可以将描述时序葡萄糖测量值以及其他方面的这个输入向量提供给机器学习模型408。作为响应，机器学习模型408可以以与上面讨论的类似方式生成对即将到来的葡萄糖测量值的预测，使得该预测可以与训练实例的预期分类标签进行比较，并且基于该比较来调整模型的权重。
131.在一种或更多种实施方式中，模型管理器902可以基于附加数据404检测到用户干预可能已经发生。例如，模型管理器902可以检测cgm应用的屏幕视图，该屏幕视图指示用户阅读描述在用户入睡之前减轻低血糖事件的方法的文章。在这种场景下，用户可能已经采取后续行动来减轻低血糖事件，例如喝一杯果汁。然而，这种缓解措施可能诸如通过防止低血糖事件会影响用户在夜间的葡萄糖水平。在这种情况下，由于用户采取的干预措施，训练数据的实例将被分类为非低血糖夜间。因此，模型管理器可以采用多种方法。在一种或更多种实施方式中，基于附加数据404，模型管理器902可以在可能发生用户干预的情况下排除训练数据。为此，基于屏幕视图或附加数据的某些其他用户动作，模型管理器可以过滤训练
数据。或者，用户采取缓解措施的训练数据的实例可以包括在训练数据中，以使机器学习模型408能够学习模式。或者，模型管理器可以包括附加数据404，诸如夜间屏幕视图(或其他应用程序使用活动)作为用于训练机器学习模型408的附加数据。
132.还如上所述，机器学习模型408的管理可以包括使用迁移学习来个性化机器学习模型408。在这样的场景中，模型管理器902可以最初在全局级别训练机器学习模型408，如上面使用从用户群体110的数据生成的训练数据的实例所详细描述的。在迁移学习场景中，模型管理器902然后可以为特定用户创建这个全局训练模型的实例，使得为人102生成全局训练模型的副本，并且在每个用户的基础上为其他用户生成全局训练模型的其他副本。
133.然后，可以使用特定于人102的数据来更新(或进一步训练)这个全局训练的模型。例如，模型管理器802可以使用人102的葡萄糖测量值118创建训练数据的实例，并且以与上述类似的方式进一步训练模型的全局训练版本，例如，通过向机器学习模型408提供人102的训练数据的训练输入部分，接收即将到来的葡萄糖测量值的训练预测，将那些预测与训练数据的相应输出部分进行比较，以及调整机器学习模型408的内部权重。基于这种进一步的训练，机器学习模型408在个人水平上被训练，创建个人训练的机器学习模型408。
134.应当理解，在一个或更多个实施方式中，个性化可能是比基于每个用户的粒度更小的粒度(granular)。例如，全局训练模型可以在用户段级别进行个性化，即用户群体110的一组相似用户小于用户群110的整体。以此方式，模型管理器902可以在每段的基础上创建全局训练的机器学习模型408的副本并且在段级别训练全局版本，从而创建段特定的机器学习模型408。
135.在一种或更多种实施方式中，模型管理器902可以在服务器级别，例如在cgm平台112的服务器处个性化机器学习模型408。该模型然后可以在服务器级别维护和/或传送到计算设备108，例如，用于在计算设备108处与cgm平台112的应用程序集成。替代地或附加地，模型管理器902的至少一部分可以在计算设备108处实现，使得机器学习模型408的全局训练版本被传送到计算设备108且迁移学习(即，上面讨论的个性化模型的进一步训练)在计算设备108处执行。尽管可以在一个或更多个场景中利用迁移学习，但是应当理解，在其他场景中可以不使用这样的个性化并且可以使用机器学习模型408的全局训练版本来实现所描述的技术。
136.在一种或更多种实施方式中，基于在夜间时间间隔期间从用户佩戴的cgm系统为用户获得的葡萄糖测量值118，低血糖事件的预测系统310还被配置为为用户识别夜间低血糖症的复发模式。在这些情况下，低血糖事件的预测系统310可以通知用户所识别出的夜间低血糖症模式。在一些情况下，在所检测到的夜间低血糖症低于对应于“严重”低血糖症的特定葡萄糖阈值(例如，低于54mg/dl)的情况下，可以通知用户。在这些场景中，可以询问用户是否愿意接收由如通篇所述的低血糖事件的预测系统310产生的夜间低血糖症的预测和警报。
137.作为其中的一部分，低血糖事件的预测系统310还可以使用户能够指定他们希望被通知或提醒的葡萄糖水平。例如，一些用户可能希望在他们的夜间葡萄糖水平被预测低于54mg/dl时接收预测和警报，而其他用户可能希望在他们的夜间葡萄糖水平预计低于70mg/dl时接收预测和警报。作为另一实施例，一些用户(例如，患有长期i型糖尿病的用户)可能希望在他们的夜间葡萄糖水平被预测低于更高的阈值(诸如80mg/dl)时接收警报。
138.低血糖事件的预测系统310可以进一步被配置为基于在夜间时间间隔期间获得的葡萄糖测量值118检测用户不再经历夜间低血糖症。在这种情况下，低血糖事件的预测系统310可以询问用户是否希望禁用夜间低血糖症的预测和警报。以这种方式，低血糖事件的预测系统310能够以更少的低血糖症警报实现更好的睡眠，这也可以增加用户在范围内醒来的可能性。
139.已经讨论了使用机器学习进行低血糖事件的预测的技术的示例性细节，现在考虑一些示例性过程来说明这些技术的其他方面。
140.示例性过程
141.本节介绍使用机器学习进行低血糖事件的预测的示例性过程。过程的方面可以以硬件、固件或软件或其组合来实现。这些过程被显示为一组框，这些框指定由一个或更多个设备执行的操作，并且不必限于所示的用于执行各个框的操作的顺序。在至少一些实施方式中，过程由预测系统执行，例如利用排序管理器406、机器学习模型408和模型管理器902的低血糖事件的预测系统310。
142.图11描绘了示例性实施方式中的过程1100，其中机器学习模型预测在夜间时间间隔期间是否会发生低血糖事件。
143.接收白天时间间隔的葡萄糖测量值的时序(框1102)。根据本文讨论的原理，葡萄糖测量值由用户佩戴的连续葡萄糖监测(cgm)系统提供。举例来说，机器学习模型408接收白天时间间隔的时序葡萄糖测量值412，并且葡萄糖测量值由人102佩戴的cgm系统104提供。特别地，cgm系统104包括传感器202，其被皮下插入人102的皮肤中并且用于测量人102的血液中的葡萄糖。
144.使用机器学习模型处理葡萄糖测量值的时序以预测在白天时间间隔之后的夜间时间间隔期间是否会发生低血糖事件(框1104)。根据本文讨论的原理，机器学习模型是基于用户群体的葡萄糖测量值的历史时序生成的。例如，机器学习模型408处理葡萄糖测量值412的时序以生成低血糖事件的预测312。通常，由机器学习模型408输出的低血糖事件的预测312预测用户是否会在夜间时间间隔期间(例如，在时序葡萄糖测量值412的白天时间间隔之后)发生低血糖事件。继续上面的实施例，如果时序葡萄糖测量值对应于从早上6点到晚上10点的白天时间间隔，则机器学习模型408可以生成夜间时间间隔(即在白天时间间隔之后，例如，从当晚10点到第二天早上6点)的低血糖事件的预测312。如通篇所述，机器学习模型408还可以获得附加数据404，并且至少部分地基于附加数据404生成预测。
145.输出低血糖事件的预测(框1106)。根据本文讨论的原理，如果机器学习模型408预测到低血糖事件将在夜间时间间隔期间发生，则低血糖事件的预测312包括阳性结果414，或者如果机器学习模型408预测到低血糖事件不会在夜间时间间隔期间发生，则包括阴性结果416。举例来说，低血糖事件的预测系统310输出低血糖事件的预测312，诸如用于由附加逻辑来处理(例如，生成建议或通知)、用于存储在存储设备120中、用于与一个或更多个计算设备通信或用于显示，仅举几例。
146.基于低血糖事件的预测生成通知(框1108)。例如，数据分析平台122基于低血糖事件的预测312生成通知314。通知314可以包括通知人102该人将在即将到来的夜晚经历低血糖事件的可能性的警报704。例如，如果低血糖事件的预测312对应于阳性结果414，则警报可以指示预测到了用户在即将到来的晚间期间经历低血糖事件。相反，如果低血糖事件的
预测312对应于阴性结果416，则警报可以指示未预测到用户在即将到来的晚间期间会经历低血糖事件。
147.通知314还可以包括一个或更多个建议706。例如，如果机器学习模型408预测人102可能在夜间经历低血糖，则通知管理器702可以输出一个或更多个用于缓解低血糖症的建议706，例如在睡觉前喝一杯果汁，睡前吃一块水果，设置闹钟一定时间起床喝果汁或吃水果等等。另一方面，如果机器学习模型408预测用户在即将到来的预定时间段内不太可能经历低血糖症，则通知管理器702可以输出指示这种情况和/或不需要采取缓解措施的通知。
148.在一种或更多种实施方式中，通知314还可以包括置信度分数418的视觉表示以告知用户预测的准确性。例如，如果机器学习模型408以90％的置信度预测到夜间发生低血糖事件，则通知314可以视觉地向用户指示该置信水平作为警报704的一部分。或者，如果机器学习模型408以90％的置信度预测用户将不会在夜间经历低血糖症发作，则通知314可以视觉地向用户指示该置信度水平作为警报704的一部分。
149.通知通过网络传送到一个或更多个计算设备用于输出(框1110)。举例来说，数据分析平台122的通信接口通过网络116将通知314传送到人102的计算设备108，例如，用于经由cgm平台112的应用程序输出。替代地或另外地，数据分析平台122通过网络116将通知314传送到与医疗保健提供者(未示出)相关联的计算设备和/或与远程医疗服务(未示出)相关联的计算设备，例如，用于通过提供商门户输出。
150.图12描绘了示例性实施方式中的过程1200，其中训练机器学习模型以基于用户群体的历史时序葡萄糖测量值来预测低血糖事件。
151.接收用户群体的时序葡萄糖测量值(框1202)。根据本文讨论的原理，葡萄糖测量值由用户群体的用户佩戴的cgm系统提供。举例来说，排序管理器406获得用户群体110的用户的葡萄糖测量值118和那些测量值的时间戳402，并且通过根据相应的时间戳402对用户群体110的葡萄糖测量值118进行排序来形成用户群体110的葡萄糖测量值118的时序。排序管理器406还可以内插丢失的测量值，诸如由于数据损坏或通信错误而丢失的测量值。
152.通过选择预定义时间段的时序葡萄糖测量值并针对每个时序识别对应于白天时间间隔的第一部分和对应于夜间时间间隔的第二部分来生成训练数据的实例(框1204)。根据本文讨论的原理，预定义时间段可以对应于24小时的时间段，使得白天时间间隔对应于时间的白天部分(例如，上午6点到晚上10点)，而夜间时间间隔对应于时间的夜间部分(例如，晚上10点到第二天早上6点)。举例来说，模型管理器902通过选择对应于一天的24小时的时间段的时间葡萄糖测量值，然后识别对应于白天时间间隔的训练时序的第一部分和对应于夜间时间间隔的训练时序的第二部分来生成训练数据的实例。
153.为每个训练数据的实例生成分类标签(框1206)。根据本文讨论的原理，每个分类标签基于夜间时间间隔的时序葡萄糖测量值，将相应训练数据的实例限定为低血糖阳性或低血糖阴性。举例来说，模型管理器902为每个训练数据的实例生成分类标签，该分类标签基于夜间时间间隔的时序葡萄糖测量值将训练数据实例限定为低血糖阳性或低血糖阴性。例如，具有一定数量的低于所限定的低血糖阈值的葡萄糖值的训练数据实例(例如，连续四个低于70mg/dl的葡萄糖值)被分类为低血糖阳性，而没有所述数量的低于所限定的血糖值阈值的葡萄糖值的训练数据实例被归类为低血糖阳性。因此，分类标签可作为真实值，用于
在训练期间与模型的输出进行比较。
154.这里，可以重复块1208-1214直到机器学习模型被适当地训练，诸如直到机器学习模型“收敛”在解上，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得该模型始终生成与预期输出部分基本匹配的预测。替代地或附加地，可以针对训练数据的多个实例(例如，所有实例)重复块1208-1214。
155.提供训练数据的实例和相应的分类标签作为机器学习模型的输入(框1208)。举例来说，模型管理器902提供在框1204处生成的训练数据的实例和在框1206处生成的相应分类标签作为机器学习模型408的输入。
156.接收夜间时间间隔的低血糖事件的预测作为来自机器学习模型的输出(框1210)。举例来说，机器学习模型408生成针对夜间时间间隔的低血糖事件的预测，诸如通过预测在夜间时间间隔期间将发生或不发生低血糖事件。
157.将低血糖事件的预测与训练数据的实例的相应分类标签进行比较(框1212)。举例来说，模型管理器例如通过使用诸如均方误差(mse)的损失函数将在框1210处生成的低血糖事件的预测与在框1206处生成的训练实例的相应分类标签进行比较。应当理解，在不背离所描述技术的精神或范围的情况下，模型管理器902可以在训练期间使用其他损失函数，以将机器学习模型408的预测与预期输出进行比较。
158.基于上述比较来调整机器学习模型的权重(框1214)。举例来说，模型管理器902可以基于上述比较来调整机器学习模型408的内部权重，从而当将来提供白天时间间隔的葡萄糖迹线作为输入时，机器学习模型可以基本上再现预期分类标签(例如，是否会发生夜间低血糖症)。
159.已经描述了根据一个或更多个实施方式的示例性过程，现在考虑可以用于实现这里描述的各种技术的示例性系统和设备。
160.示例性系统和装置
161.图13总体上在1300处示出了示例性系统，该示例性系统包括示例性计算设备1302，其表示可以实现本文描述的各种技术的一种或更多种计算系统和/或设备。这通过包含cgm平台112来说明。例如，计算设备1302可以是服务提供商的服务器、与客户端相关联的设备(例如，客户端设备)、片上系统和/或任何其他合适的计算设备或计算系统。
162.如图所示的示例性计算设备1302包括处理系统1304、一个或更多个计算机可读介质1306、以及一个或更多个相互通信耦接的i/o接口1308。尽管未示出，但计算设备1302还可以包括将各种构件相互耦接的系统总线或其他数据和命令传输系统。系统总线可以包括不同总线结构中的任何一种或组合，诸如内存总线或内存控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一种的处理器或本地总线。还设想了多种其他实施例，诸如控制线和数据线等。
163.处理系统1304表示通过使用硬件执行一个或更多个操作的功能。因此，处理系统1304被示为包括硬件元件1310，所述硬件元件1310可以被配置为处理器、功能块等的。这可以包括在硬件中实现为使用一个或更多个半导体形成的专用集成电路或其他逻辑设备。硬件元件1310不受形成它们的材料或其中采用的处理机制的限制。例如，处理器可以包括半导体和/或晶体管(例如，电子集成电路(ic))。在这样情况下，处理器可执行指令可以是电子可执行指令。
164.计算机可读介质1306被示为包括内存/存储器1312。内存/存储器1312表示与一个或更多个计算机可读介质相关联的内存/存储容量。内存/存储器构件1312可以包括易失性介质(诸如随机存取存储器(ram))和/或非易失性介质(诸如只读存储器(rom)、闪存、光盘、磁盘等)。内存/存储器构件1312可以包括固定介质(例如，ram、rom、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质1306可以以如下文进一步描述的多种其他方式来配置。
165.输入/输出接口1308表示允许用户向计算设备1302输入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或其他构件或设备的功能。输入设备的实施例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，被配置为检测物理触摸的电容或其他传感器)、相机(例如，可以使用可见或不可见波长(诸如红外频率)将锻炼识别为不涉及触摸的手势)等等。输出设备的实施例包括显示设备(例如，监控器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1302可以如下文进一步描述的多种方式配置以支持用户交互。
166.可以在软件、硬件元件或程序模块的一般情况中描述各种技术。通常，此类模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、构件、数据结构等。如本文所用，术语“模块”、“功能”和“构件”通常表示软件、固件、硬件或其组合。这里描述的技术的特征是平台无关的，这意味着这些技术可以在具有各种处理器的各种商业计算平台上实现。
167.所描述的模块和技术的实施方式可以存储在某种形式的计算机可读介质上或通过某种形式的计算机可读介质传输。计算机可读介质可包括可由计算设备1302访问的多种介质。举例说明而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
[0168]“计算机可读存储介质”可以指与单纯的信号传输、载波或信号本身相比，能够实现信息的持久性和/或非暂时性存储器的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质(non-signal bearing media)。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质之类的硬件和/或以适用于存储信息的方法或技术实现的存储设备，所述信息诸如是计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据。计算机可读存储介质的实施例可以包括但不限于ram、rom、eeprom、闪存或其他内存技术、cd-rom、数字通用磁盘(dvd)或其他光学存储器、硬盘、盒式磁带、磁带、磁盘存储或其他磁性存储设备，或其他存储设备、有形介质或适合存储所需信息且可由计算机访问的制品。
[0169]“计算机可读信号介质”可以指代被配置为诸如经网络向计算设备1302的硬件传输指令的信号承载介质。信号介质通常可以包含计算机可读指令、数据结构、程序模块或调制数据信号中的其他数据，例如载波、数据信号或其他传输机制。信号介质还包括任何信息递送介质。术语“调制数据信号”是指以对信号中的信息进行编码的方式设置或改变其一个或更多个特性的信号。举例说明而非限制，通信介质包括诸如有线网络或直连的有线介质，以及诸如声学、rf、红外线和其他无线介质的无线介质。
[0170]
如前所述，硬件元件1310和计算机可读介质1306表示以硬件形式实现的模块、可编程设备逻辑和/或固定设备逻辑，其可以在一些实施方式中用于实现本文描述的技术的至少一些方面，例如执行一个或更多个指令。硬件可以包括集成电路或片上系统的构件、专
用集成电路(asic)、现场可编程门阵列(fpga)、复杂可编程逻辑器件(cpld)和以及硅或其他硬件中的其他实施方式。在这种情况下，硬件可以作为执行由硬件所包含的指令和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件，例如前面描述的计算机可读存储介质。
[0171]
前述的组合也可用于实施本文所述的各种技术。因此，软件、硬件或可执行模块可以被实现为包含在某种形式的计算机可读存储介质上和/或由一个或更多个硬件元件1310实现的一个或更多个指令和/或逻辑。计算设备1302可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，可以至少部分地在硬件中实现可由计算设备1302执行作为软件的模块的实施方式，例如，通过使用处理系统1304的计算机可读存储介质和/或硬件元件1310。指令和/或功能可以由一种或更多种制品(例如，一种或更多种计算设备1302和/或处理系统1304)执行/操作以实现本文描述的技术、模块和实施例。
[0172]
这里描述的技术可以由计算设备1302的各种配置支持并且不限于这里描述的技术的具体实施例。该功能还可以全部或部分地通过使用分布式系统来实现，诸如通过如下所述的平台1316在“云端”1314上实现。
[0173]
云端1314包括和/或表示资源1318的平台1316。平台1316抽取云端1314的硬件(例如，服务器)和软件资源的底层功能。资源1318可以包括在远程于计算设备1302的服务器上执行计算机处理时可以使用的应用程序和/或数据。资源1318还可以包括通过因特网和/或通过诸如蜂窝或wi-fi网络的订户网络提供的服务。
[0174]
平台1316可以抽取资源和功能以将计算设备1302与其他计算设备连接。平台1316还可以用于抽取资源的缩放，以向所遇到的对经由平台1316实现的资源1318的需求提供相应级别的缩放。因此，在互连设备实施方式中，这里描述的功能的实现方式可以分布在整个系统1300中。例如，该功能可以部分地在计算设备1302上以及通过抽取云端1314的功能的平台1316来实现。
[0175]
结论
[0176]
尽管系统和技术已经以特定于结构特征和/或方法行为的语言进行了描述，但是应当理解，在所附权利要求中定义的系统和技术不一定限于所描述的特定特征或行为。相反，具体特征和动作被公开为实现要求保护的主题的示例形式。