[发明专利]多模个性化监测的方法

说明书

分解监测值为可变监测分量和固定监测分量，引入扩展分量监测监测值和背景噪声，通过关联函数和个性化特征集计算可变分量、固定分量和扩展分量，通过历史的和当前的监测数据，监测约定真值，执行对象算法和差分对象算法得到与对象的约定真值的误差小于允许误差的对象修正值。此外，通过对单个对象和多个对象的历史监测数据，采用对象算法和群体算法，优化个性化特征集。采用其他对象的监测数据进一步计算得到对象的群体修正值。还包括云网络大数据、局域网及单点等模式，解决传统的用一个标准测量全部个体所带来的困境。

技术领域

本发明涉及工业技术领域和生物医学领域，具体涉及医学数据和工业数据的测量监测，尤其是对于无法直接测量而通过间接地、多模式地测量获得的数据的监测方法。

背景技术

理化量的测量包括直接测量和间接测量，直接测量可以通过提高测量理化量本身的精确度和准确度即可完成。而间接测量，限于被测量者的自身个性化属性，很多情况下直接测量其理化量是困难的，有时甚至即便测量到了间接理化量数据，也很难监测换算成具备足够精确度和准确度、误差符合要求的理化量数据。

例如，对于人体静脉血液中葡萄糖含量的体外无创测量监测，对于远洋集装箱货船的货舱风机如何在满足舱内冷藏集装箱工作的条件下实现最优化节能控制时的理化量测量监测，风力发电机最优控制中对于风场的理化量测量监测等，在目前技术手段条件下，都是一个极其困难的课题。

对于间接测量，发明人同时提出“多模式个性化校准的方法”，试图测量通过分解测量监测值为多个与测量监测值有关联的个性化、低难度的监测因素值，或者多个与测量监测值有关联的监测因素值和低准确度、地难度的测量监测值，采用这样的多模式个性化的监测，获得测量数据，再通过对这些数据进行监测，从而间接获得测量监测值的修正值——可信的测量结果。

如何根据间接测量的数据，获得测量监测值的修正值这一可信测量结果，发明人研究发现，需要完成以下关键步骤：

1、引入个性化监测

1.1、间接测量往往包含了很多干扰因素，必须予以扣除，否则无法实现减小误差，得到可信测量结果。

1.2、各个对象自身存在的对象个性化干扰因素又往往差异化很大，必须依据对象个性化做逐个计算和扣除。

1.3、即便对于同一个对象，还往往由于它所处在的环境不同，造成的环境个性化干扰因素又有所不同，因此必须扣除这些基于环境的个性化干扰。

2、引入多模式监测

在同一个测量对象中，需要测量的理化量(监测值)往往与其它的理化量(监测因素值)有关，有可能还存在较为明显的函数关系。此时，引入多种模式的传感器测量相应的理化量，设计相应的计算方法，把测量到的各自的数据纳入监测计算，会给监测值带来明显的功效。

3、引入对象算法和群体算法

本发明所提出的对象算法，就是针对测量对象的个体，依据它的历史数据进行监测。所提出的群体算法，就是针对具有相同测量属性的若干个对象，进行横向的互相监测。这种方法对于监测值与环境有关、并且与对象的细分分类有关的监测值的监测，具有明显的优势。

依据发明人的从业经验，发现目前的测量行业的业内现状主要还是以直接测量为主，间接测量较为少见，并且采用个性化、多模式和监测的方法，尚未发现。尤其是针对以下若干具体应用的测量和监测，其现状是：

1、人体血糖监测监测现状

所提出的人体血糖监测，根据国际卫生组织的定义，是监测人体静脉血管中葡萄糖含量的每升毫摩尔浓度(mmol/L)，目前常用的方法包括：

有创单点方式：抽取静脉血化验葡萄糖

微创单点方式：扎手指取手指毛细血管血用试纸检监测葡萄糖