低血糖预警方法及装置、计算机可存储介质与流程

1.本公开涉及计算机技术领域，特别涉及低血糖预警方法及装置、计算机可存储介质。


背景技术：

2.低血糖事件(nocturnal hypoglycemia)指的是持续一定时间的血液中葡萄糖浓度低于3.9mmol/l(摩尔每升)，即70mg/dl(毫克每分升)的事件。低血糖事件的发生是一型糖尿病人(type 1diabetes mellitus,t1md)以及二型糖尿病人(type 2diabetes mellitus,t2md)的血糖(blood glucose,bg)管理质量的主要限制因素之一。低血糖事件与糖尿病人的各种心血管事件通常有直接关系，会造成患者的生活质量下降以及预后不良，严重者甚至能导致痴呆、昏迷，乃至死亡。而发生在夜间的低血糖事件，由于其往往发生在糖尿病患者的睡眠期间，不可控的程度更大，潜在的危害程度更高，因此需要额外的关注，并进行提前预警，以便对此类事件采取相应的医学干预。
3.相关技术中，利用糖尿病患者在晚间的睡前一段时间内的血糖数据，预测糖尿病患者在晚间的睡眠期间的最低血糖值，并将最低血糖值与医学设定的低血糖阈值进行比较，以确定糖尿病患者是否会在晚间的睡眠期间发生低血糖事件。


技术实现要素：

4.相关技术中，仅仅采用糖尿病患者在晚间的睡前一段时间内的血糖数据，来预测其在晚间的睡眠期间是否会发生低血糖事件，预测晚间低血糖事件的准确性较差，从而低血糖预警的准确性较差。
5.针对上述技术问题，本公开提出了一种解决方案，可以提高低血糖预警的准确性。
6.根据本公开的第一方面，提供了一种低血糖预警方法，包括：接收来自用户的全天血糖数据，所述全天血糖数据被划分为第一血糖数据和第二血糖数据，第一血糖数据和第二血糖数据为全天内不同时间范围的血糖数据；对所述第一血糖数据和所述第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据；根据所述第一血糖特征数据和所述第二血糖特征数据，预测所述用户在晚间的睡眠期间内发生低血糖事件的概率；在所预测的概率大于或等于概率阈值的情况下，发送低血糖预警消息到所述用户。
7.在一些实施例中，对所述第一血糖数据和所述第二血糖数据分别进行特征提取包括：根据所述全天血糖数据，确定所述用户的多个进餐时间点；根据所确定的多个进餐时间点，对所述第一血糖数据和所述第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据。
8.在一些实施例中，根据所确定的多个进餐时间点，对所述第一血糖数据进行特征提取包括：从所述第一血糖数据中，提取所述用户在相邻的进餐时间点之间的血糖波动特征，作为第一血糖特征数据。
9.在一些实施例中，所述血糖波动特征包括血糖的平均值和血糖的标准差中的至少
一种。
10.在一些实施例中，根据所确定的多个进餐时间点，对所述第二血糖数据进行特征提取包括：根据最晚的进餐时间点，确定最后一次进餐前后的血糖曲线，所述血糖曲线以时间点为横轴，以血糖值为纵轴；根据所确定的血糖曲线，确定所述用户在最后一次进餐前后的血糖消化特征。
11.在一些实施例中，根据所确定的血糖曲线，确定所述用户在最后一次进餐前后的血糖消化特征包括：根据所确定的血糖曲线，确定所述用户在最后一次进餐后的血糖值恢复的参考时间点，所述参考时间点所对应的血糖值与所述最晚的进餐时间点所对应的血糖值的差值在差值范围内；根据所述最晚的进餐时间点与所确定的参考时间点之间的各个时间点及其对应的血糖值，确定所述血糖消化特征。
12.在一些实施例中，所述血糖消化特征包括：所述参考时间点与所述最晚的进餐时间点之间的持续时长、所述最晚的进餐时间点所对应的血糖值、所述参考时间点所对应的血糖值、指定时间点与最晚的进餐时间点之间的差值、所述指定时间点与所述参考时间点之间的差值、所述血糖曲线中位于所述最晚的进餐时间点与所述参考时间点之间的曲线下的总面积、以及所述血糖曲线中位于所述最晚的进餐时间点与所述参考时间点之间的各时间区间内的曲线下面积的平均值中的至少一种，所述指定时间点晚于所述参考时间点。
13.在一些实施例中，确定所述用户在最后一次进餐后的血糖值恢复的参考时间点包括：判断所述第二血糖数据中是否存在血糖值满足第一结束条件，所述第一结束条件为该血糖值等于最晚的进餐时间点所对应的血糖值、且其对应的时间点晚于所述最晚的进餐时间点；在存在血糖值满足所述第一结束条件的情况下，将满足所述第一结束条件的血糖值所对应的时间点，确定为所述参考时间点；在不存在血糖值不满足第一结束条件的情况下，判断是否存在血糖值满足第二结束条件，所述第二结束条件为该血糖值与最晚的进餐时间点所对应的血糖值之间的比值小于或等于比值阈值、且其对应的时间点晚于所述最晚的进餐时间点；在存在血糖值满足所述第二结束条件的情况下，将满足所述第二结束条件的血糖值所对应的时间点，确定为所述参考时间点。
14.在一些实施例中，所述全天血糖数据包括血糖值以及血糖值所对应的时间点，根据所述血糖数据，确定所述用户的多个进餐时间点包括：从所述全天血糖数据中，分别筛选出所对应的时间点落于不同进餐时段的血糖值；按照时间点的先后顺序，对所对应的时间点落于不同进餐时段的血糖值分别进行排序，得到相应的血糖值序列；对不同时段的血糖值序列分别进行加权差分处理，得到相应的差分值序列，所述差分值序列包括与所述全天血糖数据中的每个时间点对应差分值；分别根据不同进餐时段的差分值序列，确定所述用户的多个进餐时间点。
15.在一些实施例中，分别根据早不同进餐时段的差分值序列，确定所述用户的多个进餐时间点包括：分别从不同进餐时段的差分值序列中，筛选与时段相应的最大差分值；对于每个时段，确定与所述最大差分值的比值大于或等于预设阈值的差分值，作为相应时段的候选差分值；针对每个时段的每个候选差分值，判断该候选差分值所对应的时间点在其所在的局部范围内是否存在对应的血糖值为局部极小值；在存在对应的血糖值为局部极小值的情况下，将与局部极小值对应的最大候选差分值所对应的时间点，确定为相应的进餐时间点。
16.在一些实施例中，对所述第一血糖数据和所述第二血糖数据分别进行特征提取还包括：在确定所述用户的多个进餐时间点之前，对所述全天血糖数据进行线性差值操作，使得全天血糖数据中的相邻的时间点之间的差值等于差值阈值。
17.在一些实施例中，低血糖预警方法还包括：对所述第一血糖数据进行特征提取之前，判断所述第一血糖数据的最晚时间点与最早时间点之间的差值是否大于或等于差值阈值；在所述第一血糖数据的最晚时间点与最早时间点之间的差值大于或等于差值阈值的情况下，对所述第一血糖数据进行特征提取。
18.在一些实施例中，低血糖预警方法还包括：在所预测的概率大于或等于概率阈值的情况下，预测并发送所述用户在晚间的睡眠期间内的最低血糖值到所述用户。
19.在一些实施例中，预测所述用户在晚间的睡眠期间内的最低血糖值包括：将所述第一血糖特征数据和所述第二血糖特征数据，输入到回归模型中，得到所述最低血糖值。
20.在一些实施例中，预测所述用户在晚间的睡眠期间内发生低血糖事件的概率包括：将所述第一血糖特征数据和所述第二血糖特征数据，输入到二分类模型中，得到所述概率。
21.根据本公开第二方面，提供了一种低血糖预警装置，包括：接收模块，被配置为接收来自用户的全天血糖数据，所述全天血糖数据被划分为第一血糖数据和第二血糖数据；特征提取模块，被配置为对所述第一血糖数据和所述第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据；预测模块，被配置为根据所述第一血糖特征数据和所述第二血糖特征数据，预测所述用户在晚间的睡眠期间内发生低血糖事件的概率；发送模块，被配置为在所预测的概率大于或等于概率阈值的情况下，发送低血糖预警消息到所述用户。
22.根据本公开第三方面，提供了一种低血糖预警装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的低血糖预警方法。
23.根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的低血糖预警方法。
24.在上述实施例中，可以提高低血糖预警的准确性。
附图说明
25.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
26.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
27.图1是示出根据本公开一些实施例的低血糖预警方法的流程图；
28.图2是示出根据本公开一些实施例的对第一血糖数据和第二血糖数据分别进行特征提取的流程图；
29.图3是示出根据本公开一些实施例的对第二血糖数据进行特征提取的流程图；
30.图4是示出根据本公开一些实施例的确定用户在最后一次进餐前后的血糖消化特征的流程图；
31.图5是示出根据本公开一些实施例的低血糖预警装置的框图；
32.图6是示出根据本公开另一些实施例的低血糖预警装置的框图；
33.图7是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
34.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
35.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
36.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
37.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。
38.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
39.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
40.图1是示出根据本公开一些实施例的低血糖预警方法的流程图。
41.如图1所示，低血糖预警方法包括步骤s10
‑
步骤s40。例如，低血糖预警方法由低血糖预警装置执行。
42.在步骤s10中，接收来自用户的全天血糖数据。全天血糖数据被划分为第一血糖数据和第二血糖数据。第一血糖数据和第二血糖数据为全天内不同时间范围的血糖数据。例如，第一血糖数据为日间血糖数据，第二血糖数据为晚间血糖数据。日间与晚间的划分界限可以预先设置。应当理解，这里的日间和晚间虽然可以根据预先设置的划分界限进行划分，但是也不能与常识中的日间和晚间的划分相违背。
43.例如，第一血糖数据为5:00与17:00之间的血糖数据。第二血糖数据为17:00与用户通过血糖监测仪上传全天血糖数据的时间点之间的血糖数据。
44.在步骤s20中，对第一血糖数据和第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据。第一血糖特征数据和第二血糖特征数据为不同类型的血糖特征数据。例如，第一血糖特征数据为血糖波动特征。血糖波动特征体现了血糖波动的程度。第二血糖特征数据为血糖消化特征。血糖消化特征能够表征用户对血糖的消化能力，即用户的血糖恢复能力。
45.在一些实施例中，在判断用户处于潜在睡眠状态(即将准备睡觉)的情况下，执行步骤s20。例如，在21:00执行步骤s20。
46.在一些实施例中，对第一血糖数据进行特征提取之前，判断第一血糖数据的最晚时间点与最早时间点之间的差值是否大于或等于差值阈值。在第一血糖数据的最晚时间点与最早时间点之间的差值大于或等于差值阈值的情况下，对第一血糖数据进行特征提取。通过差值可以判断日间血糖数据的数据量是否足够，从而提高预测和预警的准确性。
47.例如，通过如图2所示的方式实现上述步骤s20。
48.图2是示出根据本公开一些实施例的对第一血糖数据和第二血糖数据分别进行特征提取的流程图。
49.如图2所示，对第一血糖数据和第二血糖数据分别进行特征提取包括步骤s21
‑
步骤s22。
50.在步骤s21中，根据全天血糖数据，确定用户的多个进餐时间点。进餐时间点表征用户开始进餐的时间。例如，多个进餐时间点包括早餐的进餐时间点、午餐的进餐时间点和晚餐的进餐时间点。在一些实施例中，在确定用户的多个进餐时间点之前，对全天血糖数据进行线性差值操作，使得全天血糖数据中的相邻的时间点之间的差值等于差值阈值。通过线性差值操作，可以提高加权差分操作的准确性，从而提高确定进餐时间点的准确性，可以提高预警的准确性。
51.例如，全天血糖数据包括血糖值以及血糖值所对应的时间点。可以通过如下的方式确定用户的多个进餐时间点。
52.首先，从全天血糖数据中，分别筛选出所对应的时间点落于不同进餐时段的血糖值。例如，进餐时段包括早餐的进餐时段(5:00
‑
10:30)、午餐的进餐时段(11:00
‑
15:00)和晚餐的进餐时段(17:00
‑
22:00)。
53.其次，按照时间点的先后顺序，对所对应的时间点落于不同进餐时段的血糖值分别进行排序，得到相应的血糖值序列。
54.然后，对不同时段的血糖值序列分别进行加权差分处理，得到相应的差分值序列。差分值序列包括与全天血糖数据中的每个时间点对应差分值。在一些实施例中，利用预设的第一权重值和第二权重值，对不同时段的血糖值序列分别进行加权差分处理，得到相应的差分值序列。
55.例如，一进餐时段的血糖值序列为x。血糖值序列x中总共有n个血糖值，n为正整数。第一个血糖值和最后一个血糖值对应的差分值为该血糖值本身。血糖值序列x中第n(1＜n＜n，n为整数)个血糖值表示为x[n]，则血糖值x[n]对应的差分值为dx[n]＝0.25
×
(x[n+1]
‑
x[n])+0.75
×
(x[n]
‑
x[n
‑
1])。
[0056]
最后，分别根据不同进餐时段的差分值序列，确定用户的多个进餐时间点。
[0057]
例如，分别从不同进餐时段的差分值序列中，筛选与时段相应的最大差分值；对于每个时段，确定与最大差分值的比值大于或等于预设阈值的差分值，作为相应时段的候选差分值；针对每个时段的每个候选差分值，判断该候选差分值所对应的时间点在其所在的局部范围内是否存在对应的血糖值为局部极小值；在存在对应的血糖值为局部极小值的情况下，将与局部极小值对应的最大候选差分值所对应的时间点，确定为相应的进餐时间点。通常，进餐前的血糖值为局部极小值，且进餐前后的突变程度比较大。
[0058]
在上述实施例中，通过加权差分处理来确定进餐时间点，可以准确找到血糖值突变点，从而根据血糖突变点来确定进餐时间点，可以提高确定进餐时间点的准确性，从而进一步提高预测的准确性，进而进一步提高低血糖预警的准确性。
[0059]
在步骤s22中，根据所确定的多个进餐时间点，对第一血糖数据和第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据。
[0060]
在上述实施例中，通过多个进餐时间点可以将全天的血糖数据进行细化分，以多个进餐时间点为依据进行特征提取，可以细化血糖特征数据，可以进一步提高预测低血糖
事件的准确性，从而可以进一步提高低血糖预警的准确性。
[0061]
在一些实施例中，可以通过如下方式实现根据所确定的多个进餐时间点，对所述第一血糖数据进行特征提取。从第一血糖数据中，提取用户在相邻的进餐时间点之间的血糖波动特征，作为第一血糖特征数据。例如，血糖波动特征包括血糖的平均值和血糖的标准差中的至少一种。
[0062]
在一些实施例中，可以通过如图3所示的方式实现根据所确定的多个进餐时间点，对第二血糖数据进行特征提取。
[0063]
图3是示出根据本公开一些实施例的对第二血糖数据进行特征提取的流程图。
[0064]
如图3所示，对第二血糖数据进行特征提取包括步骤s221
‑
步骤s222。
[0065]
在步骤s221中，根据最晚的进餐时间点，确定最后一次进餐前后的血糖曲线。血糖曲线以时间点为横轴，以血糖值为纵轴。例如，最晚的进餐时间点为晚餐的进餐时间点。
[0066]
在步骤s222中，根据所确定的血糖曲线，确定用户在最后一次进餐前后的血糖消化特征。
[0067]
例如，可以通过如图4所示的方式实现上述步骤s222。
[0068]
图4是示出根据本公开一些实施例的确定用户在最后一次进餐前后的血糖消化特征的流程图。
[0069]
如图4所示，确定用户在最后一次进餐前后的血糖消化特征包括步骤s2221
‑
步骤s2222。
[0070]
在步骤s2221中，根据所确定的血糖曲线，确定用户在最后一次进餐后的血糖值恢复的参考时间点。参考时间点所对应的血糖值与最晚的进餐时间点所对应的血糖值的差值在差值范围内。
[0071]
例如，可以通过如下的方式确定参考时间点。
[0072]
首先，判断第二血糖数据中是否存在血糖值满足第一结束条件。第一结束条件为该血糖值等于最晚的进餐时间点所对应的血糖值、且其对应的时间点晚于所述最晚的进餐时间点。
[0073]
在存在血糖值满足第一结束条件的情况下，将满足第一结束条件的血糖值所对应的时间点，确定为参考时间点。
[0074]
在不存在血糖值不满足第一结束条件的情况下，判断是否存在血糖值满足第二结束条件。第二结束条件为该血糖值与最晚的进餐时间点所对应的血糖值之间的比值小于或等于比值阈值、且其对应的时间点晚于所述最晚的进餐时间点。例如，比值阈值为1.1。
[0075]
在存在血糖值满足所述第二结束条件的情况下，将满足第二结束条件的血糖值所对应的时间点，确定为参考时间点。
[0076]
在不存在血糖值满足第二结束条件的情况下，提示用户在一段时间后更新全天血糖数据。即，提示用户在一段时间后再次上传全天血糖数据。
[0077]
在步骤s2222中，根据最晚的进餐时间点与所确定的参考时间点之间的各个时间点及其对应的血糖值，确定血糖消化特征。
[0078]
例如，血糖消化特征包括参考时间点与最晚的进餐时间点之间的持续时长(血糖恢复时长)、最晚的进餐时间点所对应的血糖值、参考时间点所对应的血糖值、指定时间点与最晚的进餐时间点之间的差值、指定时间点与参考时间点之间的差值、血糖曲线中位于
最晚的进餐时间点与参考时间点之间的曲线下的总面积、以及血糖曲线中位于最晚的进餐时间点与参考时间点之间的各时间区间(例如为小时区间)内的曲线下面积的平均值中的至少一种。指定时间点晚于参考时间点。例如，指定时间点为23:00。
[0079]
返回图1，在步骤s30中，根据第一血糖特征数据和第二血糖特征数据，预测用户在晚间的睡眠期间内发生低血糖事件的概率。例如，预测用户在当天23:00至次日6:00之间是否有持续10分钟以上的血糖值低于3.9mmol/l的情况。
[0080]
在步骤s40中，在所预测的概率大于或等于概率阈值的情况下，发送低血糖预警消息到用户。例如，将第一血糖特征数据和第二血糖特征数据，输入到二分类模型中，得到概率。二分类模型属于xgboost(extreme gradient boosting，极致梯度提升)模型。
[0081]
在一些实施例中，在所预测的概率大于或等于概率阈值的情况下，预测并发送用户在晚间的睡眠期间内的最低血糖值到用户。将第一血糖特征数据和第二血糖特征数据，输入到回归模型中，得到最低血糖值。通过预测最低血糖值，可以为用户干预低血糖事件提供准确的依据。回归模型也属于xgboost模型。
[0082]
在一些实施例中，不同用户可以采用不同的二分类模型和回归模型。即，采用用户自身的历史血糖数据来训练二分类模型和回归模型，为不同用户提供个性化的低血糖预警。例如，在用户自身的历史血糖数据的天数小于第一天数阈值(例如，60天)且发生低血糖事件的天数小于第二天数阈值(例如，10天)的情况下，利用预先存储的种子用户的历史血糖数据补全该用户的历史血糖数据，以训练二分类模型和回归模型。
[0083]
在上述实施例中，对用户的全天血糖数据进行划分，针对处于不同时间范围的血糖数据，提取不同的特征数据，进而利用提取的特征数据来预测用户在晚间的睡眠期间是否发生低血糖事件。通过采用全天的血糖数据进行预测，可以提供更全面的特征数据，从而可以提高预测的准确性，进而可以提高低血糖预警的准确性。
[0084]
图5是示出根据本公开一些实施例的低血糖预警装置的框图。
[0085]
如图5所示，低血糖预警装置5包括接收模块51、特征提取模块52、预测模块53和发送模块54。
[0086]
接收模块51被配置为接收来自用户的全天血糖数据，例如执行如图1所示的步骤s10。全天血糖数据被划分为第一血糖数据和第二血糖数据。
[0087]
特征提取模块52被配置为对第一血糖数据和第二血糖数据分别进行特征提取，得到第一血糖特征数据和第二血糖特征数据，例如执行如图1所示的步骤s20。
[0088]
预测模块53被配置为根据第一血糖特征数据和第二血糖特征数据，预测用户在晚间的睡眠期间内发生低血糖事件的概率，例如执行如图1所示的步骤s30。
[0089]
发送模块54被配置为在所预测的概率大于或等于概率阈值的情况下，发送低血糖预警消息到用户，例如执行如图1所示的步骤s40。
[0090]
图6是示出根据本公开另一些实施例的低血糖预警装置的框图。
[0091]
如图6所示，低血糖预警装置6包括存储器61；以及耦接至该存储器61的处理器62。存储器61用于存储执行低血糖预警方法对应实施例的指令。处理器62被配置为基于存储在存储器61中的指令，执行本公开中任意一些实施例中的低血糖预警方法。
[0092]
图7是示出用于实现本公开一些实施例的计算机系统的框图。
[0093]
如图7所示，计算机系统70可以通用计算设备的形式表现。计算机系统70包括存储
器710、处理器720和连接不同系统组件的总线700。
[0094]
存储器710例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行低血糖预警方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
[0095]
处理器720可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
[0096]
总线700可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。
[0097]
计算机系统70还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730、740、750以及存储器710和处理器720之间可以通过总线700连接。输入输出接口730可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口750为软盘、u盘、sd卡等外部存储设备提供连接接口。
[0098]
这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
[0099]
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
[0100]
这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
[0101]
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
[0102]
通过上述实施例中的低血糖预警方法及装置、计算机可存储介质，可以提高低血糖预警的准确性。
[0103]
至此，已经详细描述了根据本公开的低血糖预警方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。