Устройство (варианты) и способ автоматического мониторинга привычек питания

Устройство (варианты) и способ автоматического мониторинга привычек питания

Иллюстрации

Показать все

Реферат

Область техники

Настоящее изобретение относится к области неинвазивного мониторинга свойств биологической ткани и, более конкретно, к способу и устройству для автоматического мониторинга привычек питания на основе неинвазивного непрерывного мониторинга физиологических свойств кожи человека.

Предшествующий уровень техники

Ожирение является одной из предотвратимых причин смерти среди взрослых и детей. Авторитетные источники рассматривают это как одну из наиболее серьезных проблем общественного здравоохранения 21-го века. Ожирение порицается в большей части современного мира (особенно в западном мире), хотя в истории были времена, когда оно рассматривалось как символ богатства и изобилия и все еще считается таковым в некоторых частях света. В 2013 году Американская медицинская ассоциация классифицировала ожирение как болезнь.

Обычно ожирение чаще всего обусловлено сочетанием потребления излишне калорийной пищи и недостатка физической активности. Главное лечение от ожирения состоит в соблюдении диеты и физических упражнениях. Программы диеты могут обеспечить потерю веса за короткий срок, но поддержание этой потери веса зачастую является затруднительным и требует выполнения упражнений и соблюдения диеты с пониженной калорийностью пищи в качестве постоянной части образа жизни человека.

Поэтому существует потребность в устройстве для мониторинга привычек питания, которое может быть использовано в повседневной жизни. До настоящего времени не имелось приборов для автоматического и непрерывного мониторинга привычек питания человека в повседневной жизни. Из предшествующего уровня техники известно много способов, относящихся к неинвазивному мониторингу глюкозы, однако определение абсолютных значений уровня глюкозы является важным, но не обязательным условием для мониторинга привычек питания.

Известны решения, раскрывающие системы мониторинга потребления калорий и привычек питания. Например, в патентном документе US 8641612 В2 (Bodymedia, Inc.) раскрыты различные способы и устройства для измерения параметров состояния индивидуума с использованием сигналов, основанных на одном или более датчиков. Параметр состояния может, например, включать в себя калории, потребленные, или калории, сожженные индивидуумом. К недостаткам таких способов и устройств относятся следующие:

- гальванические контактные электроды чувствительны к движениям и смещениям;

- метод калибровки, сопряженный с потреблением ресурса: в мобильном устройстве выполняется машинное обучение (требуется физиологический датчик, показывающий расходование калорий);

- анизотропные свойства биологической ткани не используются для повышения точности.

Документ WO 2013125987 A1 (Healbe Corporation; документы-аналоги: RU 2519955 C1, RU 2521254 C1) раскрывает способ и устройство для оценки количества энергии, потребленной индивидуумом за малый период времени, путем анализа концентрации глюкозы крови, определенной из измерений импеданса тела. Используемый при этом датчик включает в себя первый и второй электроды и держатель электродов, оба электрода являются секционированными, и секции расположены поочередно в одну линию на внутренней поверхности держателя электродов. Решение, известное из WO 2013125987 А1, имеет следующие недостатки:

- гальванические контактные электроды чувствительны к движениям/смещениям;

- отсутствуют средства обнаружения вредных для здоровья привычек питания;

- отсутствует калибровочная процедура, учитывающая индивидуальные признаки метаболизма (обмена веществ) человека (за исключением веса человека);

- анизотропные свойства биологической ткани не используются для повышения точности.

Кроме того, известен документ US 7182248 В2, раскрывающий систему предоставления информации о приеме пищи и соответствующий способ для службы предоставления информации о приеме пищи. Система предоставления информации о приеме пищи включает в себя малоразмерный портативный терминал для считывания штрихкода данных потребляемой пищи, указывающих содержимое индивидуального приема пищи, потребляемой пользователем. Система обеспечивает анализ содержимого приема пищи, указываемого данными потребляемой пищи, суммирование, координацию и анализ информации о потреблении, включая информацию о калориях и пищевой группе потребляемой еды. Недостатками известной системы и способа являются следующие:

- отсутствуют средства автоматического сбора данных, требуется ручное сканирование штрихкодов;

- существенная ошибка анализа потребления калорий, что может быть связано с: а) неточностью взвешивания пищи; b) различием в способе приготовления пищи; с) индивидуальными особенностями метаболизма для конкретного пользователя.

В документе US 8968195 В2 раскрыт прибор для мониторинга состояния здоровья. Система мониторинга такого прибора включает в себя инструментарий, содержащий носимые очки, перевязку, пояс, накладку или бандаж; и процессор, связанный с инструментарием, содержащим носимые очки, перевязку, пояс, накладку или бандаж, чтобы анализировать жизненно важные данные или данные, характеризующие здоровье. Система включает в себя датчики движения, частоты сердечных сокращений, ЭКГ. Недостатками такого прибора являются следующие:

- описанные датчики (движения, частоты сердечных сокращений, ЭКГ) не способны обеспечивать достаточную информацию о метаболическом процессе пользователя для потребления калорий и привычек принятия пищи/питья;

- не раскрыты детальные варианты осуществления системы или конкретных способов;

- не предусмотрены средства обнаружения вредной для здоровья пищи.

Поэтому требуются новые способы, которые могут осуществлять автоматический и непрерывный мониторинг привычек потребления пищи с точностью, равной или лучшей, чем оценивание вручную гликемического индекса продуктов питания, и которые могут быть использованы для ежедневного персонального пользования.

Задачей настоящего изобретения является предоставить способ и устройство со следующими усовершенствованиями по сравнению с решениями предшествующего уровня техники:

- лучшая точность вследствие использования анизотропных свойств ткани (измерение импеданса вдоль и поперек мышечных волокон) и использования, не имеющего гальванического контакта чувствительного элемента блока датчика импеданса (более стабильного к движениям и смещениям мобильного устройства на теле человека);

- удобство для пользователя вследствие встроенного базового алгоритма и простой для использования процедуры калибровки для учета индивидуальной особенности метаболизма человека;

- новая функция устройства: автоматическое обнаружение вредных для здоровья привычек питания (путем оценки гликемического индекса, количества приемов пищи и перекусов) для содействия выработке полезных для здоровья привычек питания.

Один из технических результатов предложенного изобретения состоит в обеспечении возможности мониторинга привычек питания человека с использованием мобильного устройства посредством неинвазивного определения гликемического индекса потребленной пищи и анализа данных о частоте приема пищи и с достижением более высокой точности определения и анализа по сравнению с предшествующим уровнем техники.

Другой технический результат изобретения состоит в обеспечении аппаратных средств мобильного устройства и способов обработки данных, позволяющих интегрировать функцию мониторинга привычек питания в потребительские электронные мобильные устройства.

Сущность изобретения

Задача настоящего изобретения решается предложенным мобильным устройством и способом, включающим процедуру предварительной индивидуальной калибровки для оценки количества приемов пищи и гликемического индекса потребляемой пищи для автоматического мониторинга привычек питания. Более высокая точность достигается за счет использования анизотропных свойств ткани (измерения импеданса вдоль и поперек мышечных волокон) и использования, не имеющего гальванического контакта чувствительного элемента датчика импеданса (более стабильного к движениям и смещениям мобильного устройства на теле человека).

В соответствии с первым аспектом настоящего изобретения предложен способ автоматического мониторинга привычек питания, содержащий этапы:

сбора данных импеданса и вспомогательных данных от участка тела пользователя;

предварительной обработки полученных данных, причем предварительная обработка заключается в фильтрации полученных данных и удалении артефактов из полученных данных импеданса путем обнаружения не относящихся к пище физиологических факторов на основе вспомогательных данных;

восстановления динамики кривой глюкозы путем применения обученного алгоритма машинного обучения;

оценивания гликемического индекса из динамики кривой глюкозы;

предоставления пользователю результатов оценки и

автоматического мониторинга привычек питания на основе упомянутых результатов оценки для определенного периода времени.

В одном варианте осуществления автоматический мониторинг привычек питания выполняется с использованием алгоритма машинного обучения и на основе обнаружения вредных для здоровья привычек питания вследствие количества приемов пищи в течение определенного периода времени и гликемического индекса этих приемов пищи.

Определенным периодом времени могут быть сутки, неделя или месяц и, в общем случае, он содержит период времени от нескольких часов до нескольких месяцев.

В другом варианте осуществления пользователю может быть предоставлена информация о количестве приемов пищи, потребляемых в течение определенного периода времени.

В еще одном варианте осуществления пользователю может быть предоставлена информация о гликемическом индексе потребляемой пищи.

В еще одном варианте осуществления пользователю может быть предоставлена информация о привычках питания в повседневной жизни в случае, когда определенный период времени содержит период, равный двум суткам или более.

В другом варианте осуществления пользователю могут быть предоставлены рекомендации для выработки полезных для здоровья привычек питания и прогноз последствий на основе оцененной информации о привычках питания в повседневной жизни.

В еще одном варианте осуществления способ дополнительно содержит обеспечение предварительной процедуры калибровки, содержащей этапы:

выбора пищи для приема из списка предписанной пищи;

сбора данных импеданса и вспомогательных данных от участка тела пользователя после принятия упомянутой пищи пользователем;

предварительной обработки полученных данных, причем предварительная обработка состоит из фильтрации полученных данных и устранения артефактов из полученных данных импеданса путем обнаружения не относящихся к пище физиологических факторов на основе вспомогательных данных;

восстановления динамики кривой глюкозы путем применения обученного алгоритма машинного обучения, причем используется предопределенный набор кривых глюкозы, полученных из собранной статистической совокупности;

определения зависимости индивидуальных характеристик динамики кривой глюкозы из приемов пищи для корректировки индивидуальных метаболических коэффициентов для оценки гликемического индекса.

В соответствии со вторым аспектом настоящего изобретения предложено устройство для автоматического мониторинга привычек питания, содержащее:

источник сигнала, сконфигурированный для генерации переменного электрического тока;

чувствительный элемент, прикладываемый к участку тела пользователя и соединенный с источником сигнала для генерации переменного тока на участке приложения, причем чувствительный элемент сконфигурирован для сбора данных импеданса от участка приложения;

детектор сигнала, сконфигурированный для приема сигнала от чувствительного элемента;

вспомогательный блок датчика, сконфигурированный для сбора вспомогательных данных и фильтрации шума вследствие не относящихся к пище факторов;

основной блок управления, соединенный с источником сигнала, детектором сигнала и вспомогательным блоком датчика и сконфигурированный для удаления артефактов из полученных данных импеданса путем обнаружения не относящихся к пище физиологических факторов на основе вспомогательных данных и восстановления динамики кривой глюкозы из данных, полученных от детектора сигнала, путем применения обученного алгоритма машинного обучения;

при этом основной блок управления дополнительно сконфигурирован для оценивания гликемического индекса из восстановленной динамики кривой глюкозы и мониторинга привычек питания на основе результатов оценки для определенного периода времени.

В соответствии с третьим аспектом настоящего изобретения предложено устройство для неинвазивного оценивания гликемического индекса принятой пищи, содержащее:

источник сигнала, сконфигурированный для генерации переменного электрического тока;

чувствительный элемент, прикладываемый к телу пользователя и.соединенный с источником сигнала для генерации переменного тока на участке тела пользователя;

детектор сигнала, сконфигурированный для приема сигнала от чувствительного элемента;

вспомогательный блок датчика, сконфигурированный для фильтрации шума вследствие не относящихся к пище факторов;

основной блок управления, соединенный с источником сигнала, детектором сигнала и вспомогательным блоком датчика и сконфигурированный для восстановления динамики кривой глюкозы из данных, полученных от детектора сигнала;

при этом основной блок управления сконфигурирован для инициирования передачи тока через участок тела пользователя для измерения электрических свойств упомянутого участка тела, сбора данных от присоединенных блоков и обработки упомянутых полученных данных на основе динамики кривой глюкозы, чтобы оценить гликемический индекс приемов пищи и количество приемов пищи.

Дополнительные признаки и преимущества следуют из детального описания, изложенного ниже. Следует понимать, что как приведенное выше обобщенное описание, так и последующее детальное описание служат только в качестве примера и предназначены для пояснения сущности и характера пунктов формулы изобретения. Приложенные чертежи включены только для обеспечения дополнительного пояснения. Чертежи иллюстрируют один или более вариантов осуществления и вместе с описанием служат для пояснения принципов и функционирования различных вариантов осуществления изобретения.

Краткое описание чертежей

Вышеизложенные варианты осуществления настоящего изобретения будут легче восприниматься и станут более понятными при обращении к последующему детальному описанию со ссылками на приложенные чертежи, на которых:

Фиг. 1А иллюстрирует мобильное устройство для автоматического мониторинга привычек питания, встроенное в интеллектуальные (смарт-) часы для расположения на запястье человека, в соответствии с предпочтительным вариантом осуществления настоящего изобретения.

Фиг. 1В иллюстрирует мобильное устройство для автоматического мониторинга привычек питания с встроенным блоком чувствительного элемента в соответствии с предпочтительным вариантом осуществления настоящего изобретения.

Фиг. 2А иллюстрирует структуру мобильного устройства для автоматического мониторинга привычек питания в соответствии с вариантом осуществления настоящего изобретения.

Фиг. 2В иллюстрирует структуру мобильного устройства для автоматического мониторинга привычек питания в соответствии с одним вариантом осуществления настоящего изобретения.

Фиг. 2С иллюстрирует структуру мобильного устройства для автоматического мониторинга привычек питания в соответствии с другим вариантом осуществления настоящего изобретения.

Фиг. 3 иллюстрирует блок-схему последовательности операций способа для автоматического мониторинга привычек питания, включающего процедуру калибровки в соответствии с вариантом осуществления настоящего изобретения.

Фиг. 4 иллюстрирует график, показывающий зависимость уровня глюкозы крови от времени с характеристиками динамики кривой глюкозы.

Фиг. 5А иллюстрирует пример пользовательского сценария, генерируемого способом автоматического мониторинга привычек питания, для короткого периода времени (1 сутки).

Фиг. 5В иллюстрирует пример пользовательского сценария, генерируемого способом автоматического мониторинга привычек питания для среднего периода времени (1 неделя)..

Фиг. 5С иллюстрирует пример пользовательского сценария, генерируемого способом автоматического мониторинга привычек питания для длинного периода времени (1 месяц и более).

Детальное описание

Любое потребление пищи и последующие метаболические процессы влекут за собой изменения в свойствах ряда тканей в теле человека. В частности, известны способы для определения уровня глюкозы крови из баланса межклеточной и внутриклеточной жидкости в коже и нижележащих тканях. Такие способы основаны на методе спектроскопии импеданса. Однако импеданс кожи также испытывает влияние многих не относящихся к пище факторов: флуктуаций температуры, вариаций влажности и потоотделения кожи, изменений в характеристиках кровотока, а также перемещений тела, влияющих на условия контакта датчика с кожей.

Настоящее изобретение обеспечивает информацию о метаболическом процессе пользователя для дальнейшего анализа привычек питания. Целевое значение оценки, полученное в настоящем изобретении, связано с гликемическим индексом и гликемической нагрузкой принятой пищи. Далее термин "гликемический индекс" будет использоваться в качестве целевого значения оценки (например, была принята низко-/средне-/высокогликемическая пища).

Описывая в общем, настоящее изобретение относится к мобильному устройству 100, прикрепляемому к телу 110 человека, как показано на фиг. 1А, причем устройство выполнено с возможностью мониторинга свойств биологической ткани, в частности, изменений в ее электрических, оптических и других свойствах в течение метаболических процессов после приема пищи. В предпочтительных вариантах осуществления средства для мониторинга встроены в мобильное устройство 100 в форме смарт-часов и реализуют непрерывный сбор данных от кожи запястья человека, обработку этих данных и оценивание количества приемов пищи и гликемического индекса принятой пищи для автоматического мониторинга привычек питания. Эта информация может затем отображаться на смарт-часах или ином дисплее мобильного устройства, чтобы предоставить пользователю мобильного устройства полезную информацию и руководящие указания в приложениях контроля веса и занятиях фитнесом и в результате позитивно влиять на здоровый образ жизни.

Фиг. 1В показывает мобильное устройство, реализованное в форме смарт-часов с чувствительным элементом 120, встроенным в их корпус. В предпочтительном варианте осуществления настоящего изобретения мобильное устройство в форме смарт-часов закреплено на запястье (как показано на фиг. 1А и 1В, а также на фиг. 2А, детально описанной ниже); однако мобильное устройство может быть реализовано в любой форме, подходящей для прикрепления к соответствующей части тела 110 человека.

Схематичный вид мобильного устройства 100 представлен на фиг. 2А. Мобильное устройство включает в себя основной блок 210 управления для управления процессами измерения и блок 200 датчика импеданса. Основной блок 210 управления обеспечивает средства для коммутации схем, сбора данных и обработки. Основной блок 210 управления непосредственно соединен с источником 220 сигнала, чтобы управлять частотой сигнала.

Источник 220 сигнала предназначен для генерации переменных токов с по меньшей мере двумя частотами. Частотные диапазоны выбраны так, чтобы обеспечивать высокий контраст электрических свойств тела 110 человека, обусловленных изменениями баланса жидкости в межклеточных и внутриклеточных пространствах. В предпочтительном варианте осуществления первая частота выбрана в диапазоне 1 кГц - 100 кГц, а вторая частота выбрана в диапазоне 500 кГц - 50 МГц.

Источник 220 сигнала непосредственно соединен с чувствительным элементом 120, прикладываемым к телу 110 человека. Чувствительный элемент 120 предназначен для передачи низкого электрического тока в тело человека и приема тока, прошедшего через малый участок тела 110 человека. Чувствительный элемент 120 должен быть плотно приложен к телу 110 человека. Однако гальванический контакт с телом 110 человека не требуется.

Чувствительный элемент 120 в свою очередь непосредственно соединен с детектором 230 сигнала. Детектор 230 сигнала предназначен для преобразования сигнала, прошедшего через тело 110 человека, в импеданс участка тела 110 человека. Детектор 230 сигнала непосредственно соединен с основным блоком 210 управления. Основной блок 210 управления принимает данные, относящиеся к изменениям импеданса, вызванным телом 110 человека, от детектора сигнала и выполняет сбор данных и обработку. Чувствительный элемент 120 вместе с источником 220 сигнала и детектором 230 сигнала образует упомянутый блок 200 датчика импеданса.

Дополнительно предусмотрен вспомогательный блок 240 датчика. Вспомогательный блок 240 датчика может содержать один или более биодатчиков или датчиков окружающей среды. Вспомогательный блок 240 датчика непосредственно соединен с основным блоком 210 управления и управляется им. Основной блок 210 управления использует данные, принятые от вспомогательного блока 240 датчика, для фильтрации шума от не относящихся к пище физиологических факторов: стресса, физической активности, реакции кожи на внешние условия, и т.д.

В предпочтительном варианте осуществления настоящего изобретения, показанного на фиг. 2В, источник 220 сигнала с чувствительным элементом 120 реализован как автоколебательная схема; детектор 230 сигнала реализован как счетчик частоты. Автоколебательная схема содержит конденсатор, образованный чувствительным элементом 120 и участком тела 110 человека. Изменения в электрических свойствах тела 110 человека вызывают изменения в значении емкости и, следовательно, изменения в частоте автоколебательной схемы. Таким образом, основной блок 210 управления принимает данные измерения в форме частоты и преобразует их в мнимую часть импеданса участка тела 110 человека. В примере, показанном на фиг. 2В, основной блок 210 управления включает в себя детектор 230 сигнала, который может быть реализован, например, в форме счетчика частоты.

В примере, показанном на фиг. 2В, основной блок 210 управления управляет переключающим элементом, 250, который предназначен для коммутации соединений между источником 220 сигнала и чувствительным элементом 120. Таким образом, переменный ток может проходить через тело 110 человека в двух направлениях: вдоль мышечных волокон и поперек мышечных волокон, чтобы получить высокий контраст электрических свойств тела 110 человека, обусловленный его анизотропией.

Как показано на фиг. 2В, генератор 260 является базовым элементом автоколебательной схемы. Он может быть выполнен посредством логического элемента или усилительного элемента. Частота колебаний устанавливается индуктивностью L1 или L2 и емкостью, сформированной чувствительным элементом 120. Переключающий элемент 251, управляемый основным блоком 210 управления, предназначен для коммутации индуктивностей L1 или L2, чтобы обеспечивать две частоты колебаний для получения контраста электрических свойств тела 110 человека.

В вспомогательный блок 240 датчика в этом варианте осуществления может входить любой из следующих датчиков: датчик 241 температуры для мониторинга на участке тела 110 человека, отражательный оптический датчик 242 для мониторинга оптических свойств кожи, датчик 243 перемещения для мониторинга физической активности и датчик 244 частоты сердечных сокращений, датчик кровяного давления и т.д.

В альтернативном варианте осуществления настоящего изобретения, показанном на фиг. 2С, источник 220 сигнала выполнен как управляемый источник переменного тока (диапазон частот, например, 10 кГц - 10 МГц). Детектор 230 сигнала реализован в форме амплитудного и фазового детектора. Поэтому основной блок 210 управления принимает данные измерения в форме уровней напряжения, соответствующих амплитуде и фазе, обусловленным телом 110 человека. В некоторых вариантах осуществления основной блок 210 управления содержит аналого-цифровой преобразователь (ADC) 280 или любой другой интерфейс для приема данных амплитуды и фазы. Основной блок 210 управления преобразует данные в комплексный импеданс участка тела 110 человека.

В некоторых вариантах осуществления чувствительный элемент 120 реализован как четырехполюсная схема, чтобы снизить влияние импеданса датчика на результат измерения. В других вариантах осуществления чувствительный элемент 120 выполнен как двухполюсные схемы: первая ориентирована вдоль мышечных волокон, вторая ориентирована поперек мышечных волокон, чтобы получить высокий контраст электрических свойств тела 110 человека, обусловленный его анизотропией.

Как показано на фиг. 3С, чувствительный элемент 120 реализован как две четырехполюсные схемы. Этот вариант осуществления требует переключающего элемента 252, управляемого основным блоком 210 управления и предназначенного для коммутации соединений между источником 220 сигнала и чувствительным элементом 120.

Как показано на фиг. 2С, обеспечивается полностью дифференциальная генерация и детектирование сигнала, прошедшего через тело человека. Источник 220 сигнала имеет два выхода для сигнала в нулевой фазе и для сигнала в реверсивной фазе 180 градусов (инвертированного сигнала). Чувствительный элемент 120 имеет два выхода и непосредственно соединен с дифференциальным усилителем 270. Назначением дифференциального усилителя является снижение помех от линий питания (50 Гц/60 Гц) и от других источников. Основной блок 210 управления управляет источником 220 сигнала и переключающим элементом 252, чтобы обеспечивать временное разделение для сигналов с различными частотами и направлениями токов, приложенных к телу 110 человека.

В предпочтительном варианте осуществления настоящего изобретения чувствительный элемент 120 реализован как бесконтактная структура, емкостным образом связанная с телом 110 человека. В альтернативном варианте осуществления настоящего изобретения чувствительный элемент 120 реализован как бесконтактная структура, индуктивно связанная с телом 110 человека.

В предпочтительном варианте осуществления, показанном на фиг. 2С, вспомогательный блок датчика содержит датчик 241 температуры для мониторинга изменений участка тела 110 человека, отражательный оптический датчик 342 для мониторинга оптических свойств кожи, датчик 243 движения для мониторинга физической активности и датчик 244 частоты сердечных сокращений для дополнительной фильтрации шумов от не относящихся к пище физиологических факторов посредством основного блока 210 управления.

Далее описан алгоритм работы мобильного устройства со ссылкой на фиг. 3. После того как мобильное устройство 100 было включено, алгоритм работы начинается с проверки требования калибровки. Если индивидуальный процесс калибровки уже был выполнен для конкретного пользователя, то выполняется способ обработки 310 данных. Способ обработки 310 данных характеризуется следующими этапами.

На первом этапе выполняется сбор данных импеданса и вспомогательных данных от участка тела 110 человека (этап 311). Получаемые данные собираются от оптического, электрического и температурного датчиков.

На втором этапе выполняется предварительная обработка полученных данных (этап 312). Упомянутая предварительная обработка включает в себя фильтрацию и удаление артефактов из данных, собранных от чувствительного элемента (электрического), путем обнаружения не относящихся к пище физиологических факторов из вспомогательных данных. Данные также подготавливаются для использования в алгоритме машинного обучения.

На третьем этапе выполняется восстановление динамики кривой глюкозы посредством применения обученного алгоритма машинного обучения (этап 313). При обучении алгоритм машинного обучения выявляет комплексные взаимосвязи между входами (данными, собранными датчиками) и выходами, а также выполняет обобщение. Это означает, что алгоритм способен возвратить корректный результат, основываясь на данных, которых не было в обучающем наборе данных, а также неполных и/или зашумленных, частично искаженных данных. Выходы алгоритма машинного обучения представляют динамику кривой глюкозы, которая дополнительно обрабатывается алгоритмами машинного обучения для мониторинга привычек питания.

Базовым алгоритмом восстановления динамики кривой глюкозы, встроенным в мобильное устройство, является соотношение между динамикой кривой глюкозы статистической совокупности (для различных приемов пищи, возраста, индекса массы тела, пола) и соответствующими наборами данных, собранными датчиками. Это соотношение представлено гипотезой, содержащей матрицы весовых коэффициентов (в случае нейронных сетей) или вектора параметров (в случае линейной регрессии или логистической регрессии), и признаками наборов данных (значениями от датчика импеданса, отражательного оптического датчика, датчиков температуры, движения и частоты сердечных сокращений). Метаболизм каждого человека является индивидуальным; поэтому соответствующие матрицы весовых коэффициентов или вектора параметров являются различными. Калибровка базового алгоритма необходима для получения индивидуального соотношения между динамикой кривой глюкозы и наборами данных, собранными датчиками.

Один вариант осуществления алгоритма машинного обучения для восстановления динамики кривой глюкозы. представляет собой линейную регрессию с множеством переменных. Линейная регрессия является методом для моделирования соотношения между скалярной зависимой переменой у (опорными данными) и одной или более объясняющими переменными (или независимыми переменными), обозначенными X (данными от датчиков):

где h_θ(x) - гипотеза алгоритма для восстановления динамики кривой глюкозы, θ - вектор параметров, X - вектор признаков наборов данных:

,

где J(θ) - функционал качества, m - количество примеров наборов данных, у - вектор опорных данных уровня глюкозы крови;

Следующие методы используются для минимизации функционала качества:

- градиентный спуск:

,

где α - скорость обучения. Значения параметров вектора θ обновляются одновременно;

- нормальное уравнение:

Другим вариантом осуществления алгоритма машинного обучения для восстановления динамики кривой глюкозы является логистическая регрессия с множеством переменных. Модель используется для предсказания двоичного отклика на основе одной или более предикторов (признаков). То есть она используется в оценивании параметров модели качественного отклика. Моделируются вероятности, описывающие возможные результаты одиночного испытания, как функция объясняющих переменных (предикторов), с использованием логистической функции.

,

Следующие способы используются для минимизации функционала качества:

- градиентный спуск;

- сопряженный градиент;

- BFGS (алгоритм оптимизации Broyden-Fletcher-Goldfarb-Shanno);

- L-BFGS (BFGS с ограниченной памятью).

Также используется классификация на множество классов (один против всех): 1 - уровень глюкозы крови не изменился, 2 уровень глюкозы крови возрастает, 3 - уровень глюкозы крови падает.

Другой вариант осуществления алгоритма машинного обучения для восстановления динамики кривой глюкозы представляет собой нейронную сеть.

Вычисления структурируются в терминах взаимосвязанных групп искусственных нейронов, обрабатывающих информацию с использованием нейросетевого (коннекционного) подхода к вычислениям. Они обычно используются для моделирования комплексных соотношений между входами (данными от датчиков) и выходами (инвазивным уровнем глюкозы), чтобы находить шаблоны в данных или фиксировать статистическую структуру неизвестного совместного распределения вероятности между наблюдаемыми переменными.

Усовершенствованные методы оптимизации могут быть использованы в дополнение к вариантам осуществления, перечисленным выше:

- нормализация для корректно работы алгоритмов, чтобы минимизировать функционал качества;

,

,

- регуляризация для предотвращения переобучения:

- регуляризованная линейная регрессия; градиентный спуск:

где λ - параметр регуляризации, n - количество признаков;

нормальное уравнение:

,

- регуляризованная логистическая регрессия:

На четвертом этапе способа обработки 310 данных выполняется этап оценивания значения гликемического индекса из динамики кривой глюкозы (этап 314). На основе оцененного значения гликемического индекса, на пятом этапе выполняется обнаружение вредных для здоровья привычек питания (этап 315) путем автоматического мониторинга привычек питания. Мониторинг привычек питания выполняется с использованием алгоритма машинного обучения и на основе обнаружения вредных для здоровья привычек питания по статистике количества приемов пищи в сутки и гликемическому индексу этих приемов пищи. Для автоматического мониторинга привычек питания могут использоваться все из алгоритмов машинного обучения, упомянутых на этапе 313.

На шестом этапе выполняется предоставление человеку результата оценки, например, путем отображения упомянутого результата (этап 316). Информация может быть отображена на смарт-часах или любом другом дисплее мобильного устройства, чтобы предоставить пользователю мобильного устройства полезную информацию и руководящие указания в приложениях контроля веса или контроля режима питания.

Способ выполняется циклически от первого этапа 311 до шестого этапа 316 с периодом времени порядка секунд или минут для автоматического мониторинга привычек питания.

Этот способ может быть адаптирован для конкретного пользователя с помощью способа 320 начальной калибровки. Если процесс индивидуальной калибровки не выполнялся для конкретного человека, то сначала выполняется способ 320 калибровки, причем способ калибровки содержит следующие этапы.

На первом этапе человек выбирает пищу из списка предписанной пищи (этап 321), чтобы ввести продукт для приема пищи. На втором этапе выполняется уведомление о начале калибровки (этап 322). На третьем этапе человек начинает прием упомянутой пищи (этап 323). На четвертом этапе выполняется сбор данных (этап 324). Сбор данных выполняется примерно в течение 3 часов.

На пятом этапе выполняется предварительная обработка данных (этап 325). Упомянутая предварительная обработка включает в себя фильтрацию и удаление артефактов из данных, собранных от чувствительного элемента (электрического), путем обнаружения не относящихся к приему пищи физиологических факторов из вспомогательных данных.

На шестом этапе выполняется восстановление динамики кривой глюкозы (этап 326) путем применения обученного алгоритма машинного обучения (любого из упомянутых на этапе 313). При этом имеется предопределенный набор кривых глюкозы, полученных из собранной статистической совокупности данных (для различных приемов пищи, возраста, индекса массы тела, пола). Зависимость характеристик набора динамики кривых глюкозы от значения глике