用于基于从离散胰岛素治疗系统接收的数据来训练用户的数学模型的方法和系统

相关申请的交叉引用

本PCT申请要求以下的权益并且要求其优先权：2020年12月11日提交的美国专利申请序列号17/120,001，其为2019年12月13日提交的美国临时专利申请序列号62/948,007的非临时专利申请；并且上文引用的申请的内容以引用的方式并入本文中。

技术领域

本发明技术一般涉及胰岛素治疗，并且更具体地涉及用于基于从离散胰岛素治疗系统接收的数据来训练用户的数学模型的方法和系统。

背景技术

用于向患者递送或分配药剂如胰岛素或另一种处方药物的医疗治疗递送系统如流体输注装置在医疗领域中为相对公知的。典型的药物输注装置包含流体泵机构和相关联的传动系统，其致动流体储存器的柱塞或活塞，以经由储存器和患者的身体之间的流体递送导管将流体药物从储存器递送到患者的身体。输注泵治疗的使用一直在增加，尤其是用于为糖尿病患者递送胰岛素。

发明内容

提供用于基于从离散胰岛素治疗系统接收的数据来训练用户的数学模型的方法、系统和非瞬态计算机可读介质。接收来自用户的离散胰岛素治疗系统的训练数据，其包含治疗相关数据和设置(指示以下的数据：在一定时段期间向用户的胰岛素递送；在一定时段期间用户的碳水化合物摄取；和在一定时段期间用户的血糖水平。可基于训练数据来训练表示用户的生理机能的数学模型以生成用户的模拟用户的生理血糖响应的适应数学模型。

在一些方面，事件检测系统可检测在一定时段期间的事件。每个检测事件可包含指示用户的身体行为的特定活动。可基于训练数据和检测事件中的至少一个来训练表示用户的生理机能的数学模型以生成用户的模拟用户响应于检测事件中的至少一个的生理血糖响应的适应数学模型。

在一些方面，指示用户的身体行为的特定活动可包含以下中的一个或多个：膳食摄入事件；睡眠事件；身体活动事件；锻炼事件；和工作相关事件。

在一些方面，训练可包含基于基于训练数据和检测事件中的至少一个来定义数学模型的方程的一个或多个参数以生成用户的模拟用户的生理血糖响应的适应数学模型。定义的每个参数可作为检测事件中的至少一个的函数进行修改。

在一些方面，每个检测事件可包含标记和检测事件的增加的胰岛素递送需求或减少的胰岛素递送需求的概率。

在一些方面，每个检测事件可与以下相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。

在一些方面，事件检测系统可使用姿势检测装置检测在一定时段期间的事件中的至少一些。

在一些方面，在一定时段期间向用户的胰岛素递送可包含长效胰岛素的类型、长效胰岛素的剂量、在一定时段期间由用户注射的长效胰岛素单位的数量以及在一定时段期间长效胰岛素单位的注射的定时信息、速效胰岛素的类型、速效胰岛素的剂量、在一定时段期间在葡萄糖升高的子时段期间由用户注射的速效胰岛素单位的数量以及在一定时段期间速效胰岛素单位的注射的定时信息，和速效胰岛素的类型、速效胰岛素的剂量、在一定时段期间在消耗特定量的碳水化合物之前由用户注射的速效胰岛素单位的数量以及在一定时段期间速效胰岛素单位的注射的定时信息。

本公开的一个或多个方面的细节在附图和以下描述中阐述。本公开中描述的技术的其它特征、目的和优点将从说明书和附图以及权利要求书中显而易见。

附图说明

图1为系统的示例性实施例的简化框图表示，所述系统包含药物递送系统，其响应于如由基于姿势的事件检测系统的输出所指示的患者活动的改变；

图2为适合用作图1所示的药物递送系统的胰岛素输注装置的示例性实施例的平面图；

图3A为被实施为适合用作图1所示的药物递送系统的贴片泵装置的胰岛素输注装置的实施例的顶部透视图；

图3B为适合用作图1所示的药物递送系统的智能胰岛素笔的示例性实施例的透视图；

图4为适合与图1所示的药物递送系统一起使用的智能笔附件的示例性实施例的透视图；

图5为适用于图1的注射系统的注射笔的示例性实施例的框图；

图6为适于在图1所示的系统中部署的基于计算机的或基于处理器的装置的示例性实施例的框图表示；

图7为根据某些实施例布置的闭环葡萄糖控制系统的框图表示；

图8为根据某些实施例布置的基于姿势的事件检测系统的框图表示；

图9为根据某些实施例的姿势通知患者管理系统的实施例的框图表示；

图10为说明根据某些实施例的系统的框图；

图11为说明根据某些实施例的用于对检测事件进行分类以在客户端应用程序处进行处理的方法的流程图；

图12为说明根据某些实施例的用于训练数学模型的系统的框图；

图13为说明根据某些实施例的用于基于标记事件和/或标记事件组合来训练数学模型的方法的流程图；

图14为示出根据某些实施例的可调整治疗参数以及它们是否受检测事件影响或不受检测事件影响的实例的表格；

图15为说明根据某些实施例的用于训练数学模型的另一个系统的框图；

图16为说明根据某些实施例的用于基于标记事件和/或标记事件组合来训练数学模型的方法的流程图；

图17为说明根据某些实施例的用于训练数学模型的另一个系统的框图；和

图18为说明根据某些实施例的用于训练数学模型的另一个系统的框图。

具体实施方式

已经开发控制方案以允许胰岛素输注装置以基本上连续和自动的方式监测和调节患者的血糖水平。可在自动模式下操作胰岛素输注装置，其中基础胰岛素以针对用户自动调整的速率递送。此外，可操作胰岛素输注装置以根据需要自动计算、推荐和递送胰岛素团注(例如，以补偿用户消耗的膳食)。理想地，应准确计算和施用胰岛素团注的量，以将用户的血糖维持在期望范围内。特别是，自动生成和递送的胰岛素团注应该安全地管理用户的血糖水平并且将其保持在定义的阈值水平之上。为此，在自动模式下操作的胰岛素输注装置使用连续葡萄糖传感器数据和控制算法以基于目标葡萄糖设定点设置和用户发起的膳食公布来调节用户的血糖，所述公布典型地包含在即将到来的膳食中待消耗的碳水化合物量的估计。

以下具体实施方式在本质上仅仅是说明性的并且不旨在限制本主题或本申请的实施例或这类实施例的应用和使用。如本文所使用的，词语“示例性”意指“用作实例(example)、实例(instance)或说明”。本文中描述为示例性的任何实施方案不一定被解释为优于或胜过其它实施方案。此外，不旨在被任何存在于前述技术领域、背景、概述或以下具体实施方式中的表达的或暗示的理论所束缚。

应当理解，本文所公开的各个方面可以与说明书和附图中具体呈现的组合不同的布置进行组合。还应当理解，根据实例，本文所描述的任何过程或方法的动作或事件可以不同序列执行，可以添加、合并或完全排除(例如，所有描述的动作和事件对于执行技术可能不是必需的)。另外，尽管出于清楚的目的，将本公开的某些方面描述为由单个模块或单元来执行，但应当理解，本公开的技术可通过与，例如，医疗装置相关联的单元或模块的组合来执行。

在一个或多个实例中，所描述的技术可以在硬件、软件、固件或其任何组合中实施。如果以软件实现，则功能可以作为一个或多个指令或代码存储在计算机可读介质上，并由基于硬件的处理单元执行。计算机可读介质可包含非暂时性计算机可读介质，其对应于诸如数据存储介质(例如，RAM，ROM，EEPROM，闪存或可用于存储指令或数据结构形式的所需程序代码并可由计算机访问的任何其它介质)的有形介质。

程序代码指令可被配置成由一个或多个处理器如一个或多个数字信号处理器(DSP)、通用微处理器、控制器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效集成或离散逻辑电路系统执行。因此，这里使用的术语“处理器”可以指任何前述结构或任何其它适合于实现所述技术的物理结构。而且，所述技术可以完全实施于一个或多个电路或逻辑元件中。

本文中可以根据功能和/或逻辑块组件来描述技术和工艺，并参考可由各种计算组件或装置执行的运行、处理任务和功能的符号表示。此类操作、任务和功能有时被称为是计算机执行的、计算机化的、软件实施的或计算机实施的。应当理解，图中所示的各种方框组件可以由配置成执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如，系统或组件的实施例可以采用各种集成电路组件，例如存储器元件、数字信号处理元件、逻辑元件和查找表等，这些组件可以在一个或多个微处理器或其它控制装置的控制下执行各种功能。

图1为系统100的示例性实施例的简化框图表示，所述系统通过以适当方式调节连续药物递送系统102和/或离散药物递送系统103的操作来响应用户的活动(例如，饮食、睡眠、锻炼和/或工作习惯)的改变。在某些实施例中，连续药物递送系统102和/或离散药物递送系统103响应如由基于姿势的事件检测系统104的输出和/或至少一个辅助传感器、检测器或测量系统106(下文称为一个或多个辅助系统106)的输出所指示的患者活动的改变。系统100的某些实施例包含但不限于：将药物递送到用户的连续药物递送系统102；将药物递送到用户的离散药物递送系统103(或装置)；事件检测系统107，其包含监测用户行为和/或状态以获得指示用户活动事件或行为的姿势数据的至少一个基于姿势的事件检测系统104和至少一个辅助系统106；至少一个用户装置108，其包含适当编写和配置的患者护理应用程序110或与其协作；事件分类服务或应用程序111；分析物传感器112，其用于测量用户的生理特性，使得从分析物传感器112获得的传感器数据可用于控制、调节、配置或以其他方式影响连续药物递送系统102和/或离散胰岛素治疗系统103的操作；以及至少一个患者历史和结果数据库114。根据某些云实施的实施例，系统包含可与系统100的任何或所有其它组件通信的至少一个数据处理系统116。在一些实例中，离散药物递送系统103包含一个或多个用户装置108。此处还设想系统100的其它配置和拓扑，如在发送装置和接收装置之间的数据路径中包含附加中间、接口或数据中继装置的系统。

如下文将更详细描述的，提供事件分类服务(或应用程序)111以用于将检测事件分类为标记事件并且用于将检测事件的组合分类为标记事件组合。根据实施例，事件分类服务111可分布在系统100中的一个或多个不同装置102、103、104、106、108、112、114、116上，并且本文所描述的主题不限于任何特定实施方案。下文将参考图9至16更详细地描述事件分类服务111的各种实施例。

系统100的组件中的至少一些彼此通信地耦合，以根据需要经由至少一个通信网络120支持数据通信、传信和/或控制命令的传输。至少一个通信网络120可支持无线数据通信和/或使用有形数据通信链路的数据通信。图1以简化的方式描绘了网络通信链路。在实践中，系统100可以与由各种实体和提供者维护或操作的任何数量的无线数据通信网络和任何数量的有线数据通信网络协作，并利用这些网络。因此，系统100的各种组件之间的通信可以涉及多个网络链路和不同的数据通信协议。在这方面，网络可包含但不限于以下中的任一个或与其协作：局域网；广域网；因特网；个人区域网；近场数据通信链路；蜂窝通信网络；卫星通信网络；视频服务或电视广播网络；车载网络；等。系统100的组件可被合适地配置成支持各种无线和有线数据通信协议、技术和与至少一个通信网络120兼容所需的技术。

系统100可支持与此处描述的特征和功能性兼容的任何类型的连续药物递送系统102和离散药物递送系统103。连续药物递送系统102可被实施为被操作以调节药物流体向用户的递送的电子装置。在某些实施例中，连续药物递送系统102包含或被实现为胰岛素输注装置，例如便携式患者佩戴或患者携带的胰岛素泵等。在这种情况下，药物递送系统102为“连续的”，因为它连续测量用户的血糖水平并且将胰岛素(或其它药物)递送到用户。离散药物递送系统103可被实现为用户激活或用户致动的流体递送装置，如手动注射器、注射笔、智能胰岛素笔等。在这种情况下，药物递送系统103为“离散的”，因为它离散地将胰岛素(或其它药物)递送到用户。

连续药物递送系统102和离散药物递送系统103两者都可与一个或多个分析物传感器结合使用。在这类实施例中，分析物传感器112包含或被实现为葡萄糖计、葡萄糖传感器或连续葡萄糖监测器。为了简洁起见，与胰岛素输注装置操作、输注器操作和系统的其它功能方面(和系统的单独的操作组件)相关的常规技术在此可不详细描述。输注泵的实例可以属于但不限于以下美国专利中所描述的类型：第4,562,751号；第4,685,903号；第5,080,653号；第5,505,709号；第5,097,122号；第6,485,465号；第6,554,798号；第6,558,320号；第6,558,351号；第6,641,533号；第6,659,980号；第6,752,787号；第6,817,990号；第6,932,584号；和第7,621,893号；这些美国专利中的每一个以引用的方式并入本文中。

一般来说，流体输注装置(如胰岛素输注装置)包含具有马达或其它致动布置的流体泵机构，所述马达或其它致动布置可操作以使在流体输注装置内提供的流体储存器的柱塞(或塞子)线性位移，以将一定剂量的流体药物如胰岛素递送至用户的身体。控管马达操作的剂量命令可根据与特定操作模式相关联的递送控制方案以自动方式生成，并且剂量命令可以受用户的身体的生理状况的当前(或最近)测量影响的方式生成。对于适合用于糖尿病患者的葡萄糖控制系统，闭环或自动操作模式可用于基于用户的身体中的间质液葡萄糖水平的当前(或最近)测量和目标(或参考)葡萄糖设定点值之间的差异来生成胰岛素剂量命令。在这方面，输注速率可随当前测量值和目标测量值之间的差波动而变化。出于解释的目的，本文在输注的流体为用于调节用户(或患者)的葡萄糖水平的胰岛素的背景下描述主题；然而，应当理解许多其它流体可通过输注施用，并且本文所描述的主题不必限于与胰岛素一起使用。

图2为适合用作图1所示的药物递送系统102的胰岛素输注装置130的示例性实施例的平面图。胰岛素输注装置130为被设计成由患者携带或佩戴的便携式医疗装置。胰岛素输注装置130为可用作图1的连续药物递送系统102的一部分的装置的一个实例。胰岛素输注装置130可将胰岛素递送到用户而不需要手动注射。胰岛素输注装置130可为包含一个或多个传感器如连续葡萄糖监测器的连续胰岛素治疗系统的一部分。胰岛素输注装置130可通过放置在皮肤下的小管提供高效胰岛素，递送两种类型的剂量：基础或“背景”胰岛素，其可在白天和晚上以微小剂量连续递送；和团注胰岛素，以涵盖膳食中血糖的增加和/或校正高血糖水平。胰岛素输注装置130可基于预编程的基础和团注设置来提供胰岛素。

胰岛素输注装置130的所说明的实施例包含外壳132，其适于接收含胰岛素的储存器(在图2中隐藏在视图中)。外壳132中的开口容纳用于储存器的配件134(或帽)，其中配件134被配置成与提供去往/来自用户的身体的流体路径的输注器138的管136配合或以其他方式介接。以这种方式，经由管136建立从胰岛素储存器的内部到用户的流体连通。所说明版本的胰岛素输注装置130包含人机接口(HMI)140(或用户接口)，其包含可由用户操纵以施用流体(例如，胰岛素)的团注、改变治疗设置、改变用户偏好、选择显示特征等的元件。胰岛素输注装置130还包含显示器142，如液晶显示器(LCD)或另一种合适的显示技术，其可用于向用户呈现各种类型的信息或数据，如但不限于：患者的当前葡萄糖水平；时间；患者的葡萄糖水平对时间的绘图或图表；装置状态指标；等。胰岛素输注装置130可被配置和控制以支持下文更详细描述的其它特征和交互功能。

图3A为被实施为适合用作图1所示的药物递送系统102的贴片泵装置的胰岛素输注装置146的实施例的顶部透视图。胰岛素输注装置146可被实施为组合装置，其包含可插入的胰岛素递送套管和可插入的葡萄糖传感器(这两者在图3A中都隐藏在视图中)。在这类实施方案中，葡萄糖传感器可代替图1所示的单独分析物传感器112。胰岛素输注装置146为可用于实施图1的连续药物递送系统102的装置的另一个实例。在此实施例中，胰岛素输注装置146包含充当各种内部组件的壳体的外壳148。图3A示出胰岛素输注装置146，其中安装并且固定有可去除流体药筒150。外壳148被合适地配置成接收、固定和释放可去除流体药筒150。胰岛素输注装置146包含至少一个用户接口特征，其可根据需要由患者致动。胰岛素输注装置146的所说明的实施例包含物理致动的按钮152。如果期望使用户更容易操作胰岛素输注装置146，那么按钮152可为多用途用户接口。在这方面，按钮152可用于结合但不限于以下功能中的一个或多个：唤醒胰岛素输注装置146的处理器和/或电子设备；触发插入机构以将流体递送套管和/或分析物传感器插入用户的皮下空间或类似区域；配置胰岛素输注装置146的一种或多种设置；发起从流体药筒150递送药物流体；发起流体灌注操作；停用由胰岛素输注装置146生成的警示或警报；等。代替按钮152，胰岛素输注装置146可采用滑块机构、销、杠杆、开关、触敏元件等。在某些实施例中，胰岛素输注装置146可被配置和控制以支持下文更详细描述的其它特征和交互功能。

图3B为适合用作图1所示的药物递送系统的智能胰岛素笔160的示例性实施例的透视图。智能胰岛素笔160为可用作图1的离散药物递送系统103的一部分的装置的一个实例。笔160包含注射器主体162和帽164。图3B示出从注射器主体162去除的帽164，使得递送针166暴露。笔160包含合适地配置的电子设备和处理能力，以与在用户装置如智能手机上运行的应用程序通信，以支持各种功能和特征如：跟踪活性胰岛素；计算胰岛素剂量(团注)；跟踪胰岛素剂量；监测胰岛素供应水平；患者提醒和告示；和患者状态报告。在某些实施例中，智能胰岛素笔160可接收胰岛素剂量推荐或指令和/或推荐给药时间(或推荐给药方案)。此外，智能胰岛素笔160可被配置和控制以支持下文更详细描述的其它特征和交互功能。

图4为适合与图1所示的药物递送系统102一起使用的智能笔附件170的示例性实施例的透视图。智能笔附件170为可用作图1的离散药物递送系统103的一部分的装置的一个实例。特别地，智能笔附件170与缺乏智能胰岛素笔的智能和功能性的“非智能”胰岛素笔协作(如所描述的)。智能笔附件170可被实现为笔帽、夹式设备、套筒等。智能笔附件170附接到胰岛素笔172，使得智能笔附件170可测量由胰岛素笔172递送的胰岛素量。胰岛素剂量数据与对应的日期/时间戳信息一起由智能笔附件170存储。在某些实施例中，智能笔附件170可接收、存储和处理附加患者相关或治疗相关数据，如葡萄糖数据。实际上，智能笔附件170还可支持在智能胰岛素笔160的上下文中描述的各种特征和功能。举例来说，智能笔附件170可被配置成接收胰岛素剂量推荐或指令和/或推荐给药时间(或推荐给药方案)。此外，智能笔附件170可被配置和控制以支持下文更详细描述的其它特征和交互功能。

图5描绘根据一个或多个实施例的适合用作图1的离散药物递送系统103的注射笔200的示例性实施例。注射笔200为可用作图1的离散药物递送系统103的一部分的装置的一个实例。所说明的注射笔200包含但不限于笔控制器202、通信接口204、数据存储元件(或存储器)206、致动布置208和用户接口元件210、212。笔控制器202耦合到通信接口204、存储器206、致动布置208和用户接口元件210、212，并且笔控制器202被合适地配置成支持本文所描述的操作、任务和/或过程。在这方面，笔控制器202响应于用户接口元件212的手动致动来支持致动布置208的操作以经由针216将特定团注量的流体从流体容器214(例如，药筒或储存器)递送到患者的身体104中的注射部位。

通信接口204通常表示注射笔200的硬件、电路系统、逻辑、固件和/或其它组件，其耦合到笔控制器202并且被配置成支持注射笔200和注射系统100的一个或多个外部电子装置(例如，血糖仪106、葡萄糖传感布置108和/或电子装置110)之间的通信。在示例性实施例中，通信接口204包含或以其他方式耦合到能够支持无线通信的一个或多个收发器单元；然而，在一些实施例中，通信接口204可被配置成支持有线通信。

一个或多个用户接口元件210通常表示被配置成支持笔控制器202和患者或用户之间的用户交互的注射笔200的硬件、电路系统、逻辑、固件和/或其它组件。与注射笔200相关联的一个或多个用户接口元件210可包含至少一个输入用户接口元件，例如按钮、小键盘、旋钮、触摸面板、触摸屏等。附加地，一个或多个用户接口元件210可包含用于向用户提供告示或其它信息的至少一个输出用户接口元件，例如显示元件(例如，发光二极管等)、显示装置(例如，液晶显示器等)、扬声器或另一种音频输出装置、触觉反馈装置等。在所说明的实施例中，用户接口元件212表示注射笔200的输入用户接口元件，其可由用户致动以产生致动布置208的对应操作以经由针216从流体容器214递送流体的团注。在一个或多个实施例中，输入用户接口元件212被实现为与从注射笔200递送团注相关联的触觉可按下按钮，并且因此，输入用户接口元件212可替代地在本文中被称为递送按钮，但不限于此。

笔控制器202通常表示注射笔200的硬件、电路系统、逻辑、固件和/或一个或多个其它组件，其被配置成确定用于配置或以其他方式操作致动布置208以从流体容器214递送流体的团注剂量命令并且执行本文所描述的各种附加任务、操作、功能和/或操作。取决于实施例，控制模块202可用被设计成执行本文所描述的功能的通用处理器、微处理器、控制器、微控制器、状态机、内容可寻址存储器、专用集成电路、现场可编程门阵列、任何适合的可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或实现。在这方面，结合本文所公开的实施例描述的方法或算法的步骤可直接体现在硬件、固件、由笔控制器202执行的软件指令或其任何实践组合中。

在示例性实施例中，笔控制器202包含或以其他方式访问数据存储元件或存储器206，其可使用能够存储用于由笔控制器202执行的编程指令的任何种类的非暂时性计算机可读介质来实现。计算机可执行编程指令在由笔控制器202读取和执行时使笔控制器202执行本文所描述的任务、操作、功能和过程。在这方面，由笔控制器202实施的控制方案或算法可被实现为控制应用程序代码，其被存储或以其他方式维持在存储器206中并且由笔控制器202执行以实施或以其他方式提供软件中的组件中的一个或多个。举例来说，控制应用程序代码可由控制器202执行以生成团注向导应用程序220，其计算或以其他方式确定待团注给患者的流体量。类似地，笔控制器202还可实施或以其他方式执行命令生成应用程序222，其将来自团注向导应用程序220的团注量转换为用于操作或以其他方式配置用于从容器214分配团注量的致动装置208的对应命令。所说明的笔控制器202还实施或以其他方式执行用户告示应用程序224，其支持经由与注射笔200相关联的一个或多个用户接口元件210与患者或其他用户进行交互，如下文更详细描述的。

仍然参考图5，参数寄存器226通常表示注射笔200的硬件、电路系统和/或其它组件，其被配置成存储患者特定生理参数或在以患者特定的方式确定团注量时由笔控制器202的团注向导应用程序220利用的其它控制信息。举例来说，参数寄存器226可存储或以其他方式维持一个或多个患者特定胰岛素敏感性因子值、碳水化合物与胰岛素的比率值、胰岛素作用速度值、目标葡萄糖值等。患者特定胰岛素敏感性因子值反映患者对胰岛素的敏感性(例如，施用的每单位胰岛素的葡萄糖水平下降量)。在实践中，多个不同的患者特定胰岛素敏感性因子值可由用户输入并且由注射笔200与特定时间段相关联地存储，以支持将一天细分为反映或以其他方式解释患者的胰岛素敏感性的日变化的多个片段。碳水化合物与胰岛素的比率值定义一个单位的胰岛素可补偿多少克碳水化合物，并且类似地，多个不同的碳水化合物与胰岛素的比率值可由用户输入并且由注射笔200与特定时间段相关联地存储，以解释患者表现出的日变化。胰岛素作用速度值表示胰岛素在患者的身体中保持活性的时间量(例如，清除一单位胰岛素所需的时间量)。

在示例性实施例中，参数寄存器226能够存储或以其他方式维持低目标葡萄糖值(T

在示例性实施例中，存储器206还包含被配置成存储注射笔200的历史团注数据的寄存器228(或其它分配)。在这方面，存储器206的团注数据部分228存储或以其他方式维持识别先前团注的相应量和与那些先前团注相关联的相应递送时间的信息。如以下在图3的上下文中更详细描述的，注射笔200的历史团注数据用于使用患者特定胰岛素作用速度值来计算、估计或以其他方式确定患者的身体104中的活性体载胰岛素(IOB)的量。

在图5的实施例中，致动装置208通常表示注射笔200的硬件、电路系统和/或其它电气、机械或机电组件，其被配置成能够或以其他方式促进经由针216将流体的团注从流体容器214递送到患者的身体104。举例来说，致动装置208可包含机械地耦合到传动系组合件的马达，所述传动系组合件被配置成将旋转马达运动转化为滑块、轴等的线性位移，从而在流体容器214内产生柱塞或塞子朝向针216的对应位移。在替代实施例中，致动布置208包含可调整或可配置的传动系组件，其被配置成选择性地限定或以其他方式限制柱塞或塞子在流体容器214内的运动范围(或位移量)，并且从而限制当手动操纵注射笔200的可致动用户接口元件212(例如，可按下的递送按钮)时可从注射笔200分配的流体量。

应当理解，出于解释的目的，图5为注射笔200的简化表示并且不旨在以任何方式限制本文所描述的主题。在这方面，尽管图5将用户接口元件210、212描绘为与注射笔200集成，但在各种替代实施例中，用户接口元件210、212中的一个或多个可与注射系统100中通信地耦合到注射笔200的另一个装置(例如，电子装置110)集成。此外，尽管图5描绘装载在注射笔200上的流体容器214，但是应当理解，容器214可与注射笔200物理分离并且在耗尽时可拆卸、可去除或以其他方式更换。类似地，尽管图5将针216描绘为与注射笔200分离(例如，可拆卸或可更换的针)，但在一些实施例中，针216可与注射笔200的外壳集成或以其他方式固定地接合。此外，虽然图5将寄存器226、228描绘为与存储器206集成或集成到其中，但在各种实施例中，寄存器226、228中的一个或两个可与存储器206不同或以其他方式分离，并且寄存器226、228可与笔控制器202集成或与存储器206彼此分离。

再次参考图1，分析物传感器112可将传感器数据传达到连续药物递送系统102和/或离散药物递送系统103以用于调节或控制连续药物递送系统102和/或离散药物递送系统103的操作。可替代地或附加地，分析物传感器112可将传感器数据传达到系统100中的一个或多个其它组件，如但不限于：用户装置108(用于与患者护理应用程序110一起使用)；数据处理系统116；和/或患者历史和结果数据库114。

系统100可支持链接到特定用户或患者的任何数量的用户装置108。在这方面，用户装置108可为但不限于：智能手机装置；笔记本电脑、台式机或平板计算机装置；医疗装置；可佩戴装置；全球定位系统(GPS)接收器装置；车载系统、组件或特征；智能手表装置；电视系统；家用电器；视频游戏装置；媒体播放器装置；等。对于此处描述的实例，连续药物递送系统102和/或离散药物递送系统103和至少一个用户装置108由用户/患者拥有、操作或以其他方式链接到用户/患者。任何给定的用户装置108可托管、运行或以其他方式执行患者护理应用程序110。在某些实施例中，例如，用户装置108被实施为其上安装有患者护理应用程序110的智能手机。根据另一个实例，患者护理应用程序110以网站或网页的形式实施，例如，医疗保健提供者的网站、连续药物递送系统102和/或离散药物递送系统103的制造商、供应商或零售商的网站，或分析物传感器112的制造商、供应商或零售商的网站。根据另一个实例，连续药物递送系统102和/或离散药物递送系统103将患者护理应用程序110作为本机功能执行。

在某些实施例中，基于姿势的事件检测系统104和/或一个或多个辅助系统106的特征或输出中的至少一些可用于影响连续药物递送系统102和/或离散药物递送系统103的特征、功能和/或治疗相关操作。特别地，系统104、106可被合适地配置和操作以生成和提供指示用户的行为或活动是否异常、不寻常或相对于用户当前实施或主动的治疗行为模式是否已经显著地改变的输出(例如，数据、控制信号、标记或标志)，使得连续药物递送系统102可以设想用户活动改变的适当方式动态响应。同样，系统104、106可被合适地配置和操作以生成输出(例如，数据、控制信号、标记或标志)并且将其提供给离散药物递送系统103，使得用户可采取行动来调整治疗。

如下文更详细描述的，基于姿势的事件检测系统104包含一个或多个传感器、检测器、测量装置和/或读取器，以自动检测与用户行为、饮食习惯、工作习惯等相关的某些用户姿势(例如，工作相关身体活动、通勤、在公共膳食时间饮食、睡眠、锻炼或看电视)。基于姿势的事件检测系统104可将姿势数据传达到连续药物递送系统102和/或离散药物递送系统103、用户装置108和/或数据处理系统116，用于以适当方式处理以用于调节或控制连续药物递送系统102和/或离散药物递送系统103的某些功能。举例来说，姿势数据可传达到用户装置108，使得用户装置108可处理姿势数据并且根据需要通知用户或连续药物递送系统102(例如，远程调节或控制连续药物递送系统102的某些功能)。作为另一个实例，基于姿势的事件检测系统104可将姿势数据传达到一个或多个云计算系统或服务器(如远程数据处理系统116)，用于以本文所描述的方式进行适当的处理和处置。

类似地，辅助系统106可包含一个或多个传感器、检测器、测量装置和/或读取器，它们获得与用户活动、可检测行为、饮食习惯等相关的辅助用户状态数据。在某些实施例中，辅助系统106可包含但不限于、协作或被实现为以下中的任一个：链接到用户的心率监测器；链接到用户的血压监测器；链接到用户的呼吸频率监测器；链接到用户的生命体征监测器；氧饱和度监测器；记录使心脏跳动的电信号的定时和强度的心电图(ECG或EKG)记录仪；麦克风；温度计(用于用户的体温和/或环境温度)；链接到用户的汗液检测器；链接到用户的活动跟踪器；全球定位系统(GPS)；链接到用户的时钟、日历或预约应用程序；链接到用户的计步器；等。辅助系统106可以被配置和操作以将其输出(用户状态数据)传达到系统100的一个或多个组件，用于以本文所描述的方式进行分析、处理和处置。在某些实施例中，从一个或多个辅助系统106获得的用户状态数据补充从基于姿势的事件检测系统104获得的姿势数据，使得准确并且可靠地检测用户习惯、身体行为和活动事件。

在某些实施例中，基于姿势的事件检测系统104、连续药物递送系统102和离散药物递送系统103被实施为物理上不同并且单独的组件，如图1中所描绘。在这类实施例中，基于姿势的事件检测系统104在连续药物递送系统102和/或离散药物递送系统103的外部并且相对于连续药物递送系统102和/或离散药物递送系统103被实现为辅助组件。然而，根据替代实施例，连续药物递送系统102和/或离散药物递送系统103和基于姿势的事件检测系统104可组合成单个硬件组件或作为一组附接的硬件装置提供。举例来说，连续药物递送系统102和/或离散药物递送系统103可包含基于姿势的事件检测系统104或集成系统104的功能性。类似地，分析物传感器112可与连续药物递送系统102、离散药物递送系统103或基于姿势的事件检测系统104结合。本公开设想系统100的这些和其它布置、部署和拓扑。

至少一个患者历史和结果数据库114包含与用户的身体状况、对由连续药物递送系统102和/或离散药物递送系统103调节的药物的生理响应、活动模式或相关信息、饮食模式和习惯、工作习惯等相关的历史数据。根据其中连续药物递送系统102和/或离散药物递送系统103为胰岛素输注装置并且分析物传感器112为葡萄糖计、传感器或监测器的实施例，数据库114可维持但不限于以下中的任一个：历史葡萄糖数据和对应的日期/时间戳信息；胰岛素递送和剂量信息；用户输入的压力标记或指标；姿势数据(由基于姿势的事件检测系统104提供)和对应的日期/时间戳信息；辅助用户状态数据(由一个或多个辅助系统106提供)和对应的日期/时间戳数据；用户的饮食或食物摄取历史；以及为了控制连续药物递送系统102的操作可由系统100生成或使用的任何其它信息。在某些实施例中，至少一个患者历史和结果数据库114可接收和维持用于基于历史用户行为、生理状态、连续药物递送系统102和/或离散药物递送系统103的操作以及用户识别的活动事件来训练、配置和初始化系统100的训练数据。

患者历史和结果数据库114可驻留在用户装置108、连续药物递送系统102、离散药物递送系统103、数据处理系统116或任何网络可访问位置(例如，基于云的数据库或服务器系统)。在某些实施例中，患者历史和结果数据库114可包含在患者护理应用程序110中。患者历史和结果数据库114使得系统100能够为用户生成推荐、警告和引导和/或基于检测的用户的活动的改变(其可为暂时的、长时间段进行的或在本质上为稍微永久性的)来调节其中连续药物递送系统102和/或离散药物递送系统103用以向用户施用治疗的方式。

根据某些实施例，图1中所示的任何或所有组件都可被实施为基于计算机或基于处理器的装置、系统或组件，其具有合适地配置的硬件和软件，这些硬件和软件被编写为执行支持本文所描述的特征所需的功能和方法。在这方面，图6为适合于在图1所示的系统100(例如，一个或多个用户装置108)中部署的基于计算机或基于处理器的装置300的示例性实施例的简化框图表示。

装置300的所示实施例旨在作为一个合适平台的高级和通用表示。在这方面，系统100的任何基于计算机或基于处理器的组件可利用装置300的架构。装置300的所说明的实施例通常包含但不限于：至少一个控制器(或处理器)302；与至少一个控制器302相关联的合适量的存储器304；装置特定项目306(包含但不限于：硬件、软件、固件、用户接口(UI)、警示和告示特征)；电源308如一次性或可充电电池；通信接口310；至少一个应用程序编程接口(API)312；和显示元件314。当然，装置300的实施方案可包含被配置成支持与此处描述的主题无关的各种特征的附加元件、组件、模块和功能性。举例来说，装置300可以包含某些特征和元件以支持可与装置300的特定实施方案和部署相关的常规功能。在实践中，装置300的元件可经由至少一条总线或任何合适的互连架构316耦合在一起。

至少一个控制器302可用通用处理器、内容可寻址存储器、微控制器单元、数字信号处理器、专用集成电路、现场可编程门阵列、任何合适的可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或被设计成执行此处描述的功能的任何组合来实施或执行。此外，至少一个控制器302可被实施为计算装置的组合，例如数字信号处理器和微处理器的组合、多个微处理器、与数字信号处理器核心结合的一个或多个微处理器，或任何其它这类配置。

存储器304可被实现为至少一个存储器元件、装置、模块或单元，如：RAM存储器、闪存、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM或本领域已知的任何其它形式的存储介质。在这方面，存储器304可耦合到至少一个控制器302，使得至少一个控制器302可从存储器304读取信息和向其写入信息。在替代方案中，存储器304可与至少一个控制器302集成一体。作为实例，至少一个控制器302和存储器304可驻留在ASIC中。存储器304的至少一部分可被实现为与至少一个控制器302可操作地相关联的计算机存储介质，例如其上存储有计算机可执行指令的有形非暂时性计算机可读介质。计算机可执行指令可被配置成由至少一个控制器302执行以使至少一个控制器302执行特定于特定实施例的某些任务、操作、功能和过程。在这方面，存储器304可表示此类计算机可读介质的一个合适的实施方案。可替代地或附加地，装置300可接收计算机可读介质(未单独示出)并且与其协作，所述计算机可读介质被实现为便携式或移动组件或平台，例如便携式硬盘驱动器、USB闪存驱动器、光盘等。

装置特定项目306可从装置300的一个实施例变化到另一个实施例。举例来说，装置特定项目306将支持：当装置300被实现为传感器装置时的传感器装置操作；当装置300被实现为智能手机时的智能手机特征和功能性；当装置300被实现为活动跟踪器时的活动跟踪器特征和功能性；当装置300被实现为智能手表时的智能手表特征和功能性；当装置被实现为医疗装置的医疗装置特征和功能性；等。在实践中，装置特定项目306的某些部分或方面可在图6中所描绘的其它块中的一个或多个中实施。

如果存在，那么装置300的UI可包含各种特征或与其协作以允许用户与装置300交互。因此，UI可包含各种人机接口，例如小键盘、键、键盘、按钮、开关、旋钮、触摸板、操纵杆、定点装置、虚拟写字板、触摸屏、麦克风或使得用户能够选择选项、输入信息或以其他方式控制装置300的操作的任何装置、组件或功能。UI可包含一个或多个图形用户接口(GUI)控制元件，其使得用户能够经由显示元件314操纵应用程序或以其他方式与其交互。显示元件314和/或装置特定项目306可用于生成、呈现、显现、输出和/或通告与药物递送系统102的操作相关联、与用户的状态或状况相关联、与系统100的操作、状态或状况相关联等的警示、警报、消息或告示。

通信接口310促进在装置300的操作期间根据需要在装置300和其它组件之间的数据通信。在本描述的上下文中，通信接口310可用于传输或流式传输装置相关控制数据、患者相关用户状态(例如，姿势数据或状态数据)、装置相关状态或操作数据、传感器数据、校准数据等。应当理解，通信接口310的特定配置和功能性可根据装置300的硬件平台和特定实施方案而变化。在实践中，装置300的实施例可以使用各种数据通信协议来支持无线数据通信和/或有线数据通信。举例来说，通信接口310可支持一种或多种无线数据通信协议、技术或方法，其包含但不限于：RF；IrDA(红外)；蓝牙；BLE；ZigBee(以及IEEE 802.15协议的其它变体)；IEEE 802.11(任何变化型式)；IEEE 802.16(WiMAX或任何其它变化型式)；直接序列扩频；跳频扩频；蜂窝/无线/无绳电信协议；无线家庭网络通信协议；寻呼网络协议；磁感应；卫星数据通信协议；无线医院或医疗保健设施网络协议，如在WMTS频段中操作的那些协议；GPRS；以及专有的无线数据通信协议，如无线USB的变体。此外，通信接口310可支持一个或多个有线/电缆数据通信协议，其包含但不限于：以太网；电力线；家庭网络通信协议；USB；IEEE 1394(火线)；医院网络通信协议；和专有数据通信协议。

至少一个API 312支持与装置300的操作相关联的软件应用程序和逻辑组件之间的通信和交互。举例来说，一个或多个API 312可被配置成促进与患者护理应用程序110的兼容通信和协作，以及促进从装置300外部的源(例如，数据库或远程装置和系统)接收和处理数据。

显示元件314被合适地配置成使得装置300能够显现和显示各种屏幕、推荐消息、警示、警报、告示、GUI、GUI控制元件、下拉菜单、自动填充字段、文本输入字段、消息字段等。当然，显示元件314也可用于在装置300的操作期间显示其它信息，如已充分了解。值得注意的是，显示元件314的特定配置、操作特性、大小、分辨率和功能性可根据装置300的实施方案而变化。

如上文提到的，药物递送系统102被合适地配置和编程以支持自动模式以自动控制向用户递送胰岛素。在这方面，图7为根据某些实施例布置的闭环葡萄糖控制系统400的简化框图表示。系统400为可用作图1的连续药物递送系统102的一部分的系统的一个实例。图7中所描绘的系统400用以基于从身体获取的分析物浓度测量的反馈来调节流体输注到用户的身体中的速率。在特定实施例中，系统400被实施为自动控制系统，用于基于从身体获取的葡萄糖浓度测量来调节胰岛素输注到用户的身体中的速率。系统400被设计成对用户的生理响应进行建模，以适当的方式控制胰岛素输注装置402，从而以与当响应身体中血糖浓度的改变时由全功能人类β-细胞产生的浓度分布曲线相似的浓度分布曲线将胰岛素404释放到用户的身体406中。因此，系统400模拟身体对血糖水平的自然胰岛素响应，并且不仅有效地使用胰岛素，而且还考虑到其它身体功能，因为胰岛素具有代谢和促有丝分裂作用。

系统400的某些实施例包含但不限于：胰岛素输注装置402；葡萄糖传感器系统408(例如，图1所示的分析物传感器112)；和至少一个控制器410，其可并入如图7所示的胰岛素输注装置402中。葡萄糖传感器系统408生成表示身体406中的血糖水平416的传感器信号414，并且将传感器信号414提供给至少一个控制器410。至少一个控制器410接收传感器信号414并且生成调节由胰岛素输注装置402递送的胰岛素404的定时和剂量的命令420。命令420响应于由胰岛素输注装置402利用的各种因素、变量、设置和控制算法而生成。举例来说，命令420(以及因此胰岛素404的递送)可受到由胰岛素输注装置402维持和调节的目标葡萄糖设定点值422的影响。此外，命令420(以及因此胰岛素404的递送)可受到任何数量的自适应参数和因素424的影响。自适应参数和因素424可与以下相关联或被以下使用：胰岛素输注装置402的治疗控制算法；患者的数字孪生模型，其可用于推荐胰岛素剂量；膳食预测算法；用户葡萄糖预测算法；等。

通常，葡萄糖传感器系统408包含连续葡萄糖传感器、向传感器提供电力并且生成传感器信号414的传感器电气组件、将传感器信号414传送到至少一个控制器410的传感器通信系统以及用于电气组件和传感器通信系统的传感器系统外壳。如上文参考图6提到的，葡萄糖传感器系统408可被实施为具有所述配置和特征的基于计算机或基于处理器的组件。

典型地，至少一个控制器410包含控制器电气组件和软件以基于传感器信号414、目标葡萄糖设定点值422、自适应参数和因素424以及其它用户特定参数、设置和因素来生成用于胰岛素输注装置402的命令。至少一个控制器410可包含控制器通信系统以接收传感器信号414并且发出命令420。

通常，胰岛素输注装置402包含流体泵机构428、用于药物(例如，胰岛素)的流体储存器430，以及用于将胰岛素404输注到身体406中的输注管。在某些实施例中，胰岛素输注装置402包含用于处置来自至少一个控制器410的命令420的输注通信系统、用于根据命令420激活流体泵机构428马达的电气组件和编程逻辑，以及用于保持胰岛素输注装置402的组件的外壳。因此，流体泵机构428接收命令420并且根据命令420将胰岛素404从流体储存器430递送到身体406。应当理解，胰岛素输注装置402的实施例可包含附加元件、组件和特征，其可提供本文不需要描述的常规功能性。此外，如果期望，那么胰岛素输注装置402的实施例可包含替代元件、组件和特征，只要预期和描述的功能性保持在适当位置。在这方面，如上文参考图6提到的，胰岛素输注装置402可被实施为具有所述配置和特征的基于计算机或基于处理器的组件，包含如所描述的显示元件214或其它装置特定项目206。

至少一个控制器410被配置和编程成调节流体泵机构428的操作和胰岛素输注装置402的其它功能。至少一个控制器410控制流体泵机构428以将流体药物(例如，胰岛素)从流体储存器430递送到身体406。如上文提到的，至少一个控制器410可容纳在输注装置外壳中，其中输注通信系统为将命令420从至少一个控制器410传送到流体泵机构428的电迹线或电线。在替代实施例中，至少一个控制器410可容纳在传感器系统外壳中，其中传感器通信系统为将传感器信号414从传感器电气组件传送到至少一个控制器410的电迹线或电线。根据一些实施例，至少一个控制器410具有其自己的外壳或被包含在补充或辅助装置中。在其它实施例中，至少一个控制器410、胰岛素输注装置402和葡萄糖传感器系统408都位于一个公共外壳内。

再次参考图1，基于姿势的事件检测系统104采用至少一个传感器来获得对应的用户特定传感器数据。获得的用户特定传感器数据由基于姿势的事件检测系统104和/或由系统100的另一个合适地配置的装置或组件处理或分析，以确定用户的当前行为是否反映相对于用户当前实施、积极或监测的治疗行为模式的活动中的显著或可测量的改变。还可处理或分析获得的用户特定传感器数据以获得用户的某些活动相关参数、特性和/或元数据。举例来说，获得的用户特定传感器数据可识别、包含或指示但不限于以下中的任一个或全部：与检测事件的发生相对应的时间戳数据；检测的身体行为或活动的类型、类别或分类；位置数据；用户姿态或位置信息；等。

基于姿势的事件检测系统104可包含、协作或被实现为基于运动的身体行为检测系统、基于活动的身体行为检测系统、基于图像或视频的活动检测系统等。在某些实施例中，系统104可被实现为与系统100的一个或多个其它组件通信的单一“自含式”可佩戴系统。举例来说，系统104可用至少一个可佩戴装置，如活动监测装置、智能手表装置、智能手环或腕带装置等来实施。在一些实施例中，系统104可被实现为至少一个便携式或可佩戴装置，其包含一个或多个外部或辅助传感器装置、单元或组件或与其通信。举例来说，系统104可用与用户佩戴或携带的一个或多个外部传感器链接的可佩戴或便携式智能装置来实施。本公开设想系统104的这些和其它可以的部署。在这方面，美国专利公开号US 2020/0135320和美国专利公开号US 2020/0289373公开适合用作系统104的基于姿势的事件检测系统；这些美国专利文件的全部内容以引用的方式并入本文中。

图8为根据某些实施例布置的基于姿势的事件检测系统500的框图表示。系统500适合与图1所示的系统100一起使用。基于姿势的事件检测系统500的一些或所有组件可用于实施图1的基于姿势的事件检测系统104。在某些实施例中，系统500以佩戴在用户惯用手的腕部或手臂上的手环或腕带的形态部署为可佩戴电子装置。系统500可任选地使用模块化设计实施，其中单独的组件或元件包含所公开的组件和总体功能性的一个或多个子集。用户可选择基于个人偏好和要求添加特定组件或元件。

系统500包含电池502和电力管理单元(PMU)504以适当供应电压电平将电力递送到所有电子电路和组件。PMU 504还可包含电池再充电电路系统。PMU 504还可包含如开关的硬件，其允许供给特定电子设备电路和组件的电力在不使用时被切断。

当不存在正在进行的基于移动或基于姿势的行为事件时，系统500中的大多数电路系统和组件断开以节约电力。可仅使检测或帮助预测关注的行为事件的开始所需的电路系统和组件保持启用。举例来说，如果未检测到运动，那么除了加速度计506外的所有传感器电路都可断开，并且加速度计506可置于低电力唤醒运动模式或另一个较低电力模式，此模式比其高性能活动模式消耗较少的电力并且使用较少的处理资源。系统500的控制器508也可置于低电力模式以节约电力。当检测到运动或某一运动模式时，加速度计506和/或控制器508可切换为较高电力模式，并且还可启用附加传感器，例如陀螺仪510和/或接近度传感器512。当检测到基于移动或基于姿势的事件的潜在开始时，可初始化用于存储事件特定参数的存储器变量，如姿势类型、姿势持续时间等。

在另一个实例中，在检测到用户运动后，加速度计506切换为较高电力模式，但其它传感器保持断开，直到来自加速度计506的数据指示行为事件的开始很可能已发生为止。在那个时刻，可启用如陀螺仪510和接近度传感器512的附加传感器。

在另一个实例中，当不存在正在进行的行为事件时，启用加速度计506和陀螺仪510两者，但将加速度计506或陀螺仪510中的至少一个置于相比于其常规电力模式较低的电力模式。举例来说，可减小采样速率以节约电力。类似地，将数据从系统500传递到目的地装置所需的电路系统可置于较低电力模式。举例来说，可停用无线电电路系统514。类似地，从系统500传递数据所需的电路系统可置于较低电力模式。举例来说，可停用无线电电路系统514，直到确定行为事件可以或很可能开始为止。可替代地，它可保持启用但处于低电力状态以维持系统500和系统100的一个或多个其它组件之间的连接，但不传递用户状态数据、传感器数据等。

在又另一个实例中，在基于某些元数据确定不大可能发生特定行为事件如食物摄取事件的情况下，所有运动检测相关电路系统可断开。这可为期望的以另外节约电力。用于作出此确定的元数据可尤其包含以下中的一个或多个：当日时间、位置、环境光级、接近度感测，以及系统500已从腕部或手去除的检测、系统500正在充电的检测等。元数据可由系统500生成和收集。可替代地，元数据可由系统500外部的另一个装置收集并且被配置成与系统500直接或间接交换信息。还可以的是，一些元数据由系统500生成和收集，而其它元数据由系统500外部的装置生成和收集。在元数据中的一些或全部在系统500外部生成和收集的情况下，系统500可周期性地或不时地对其无线电电路系统514上电以从另一个装置检索元数据相关信息。

在某些实施例中，如果某些元数据指示很可能发生特定行为事件，如用户开始工作、慢跑或饮食，那么传感器中的一些或全部可打开或置于较高电力模式。用于作出此确定的元数据可尤其包含以下中的一个或多个：当日时间；位置；环境光级；接近度感测；历史用户行为模式。如上文提到的，元数据中的一些或全部可由系统500或由与系统500协作或通信的辅助装置收集。

用于跟踪用户行为的某些方面的用户状态数据可本地存储在系统500的存储器516内并且使用系统500的控制器508在本地进行处理。用户状态数据也可传递到药物递送系统102、患者护理应用程序110和/或上文参考图1提到的数据库114中的一个或多个(使得用户状态数据可由接收用户状态数据的应用程序或组件处理、分析或以其他方式利用)。还可以的是，由系统500在本地执行处理和分析中的一些，而由系统100的一个或多个其它组件执行另外的处理和分析。

对如工作活动的开始的行为事件的开始的检测可触发对如相机518的附加传感器和电路系统的上电和/或激活。附加传感器和电路系统的上电和/或激活可与关注的行为事件的检测同时发生或在此后的某个时间发生。特定传感器和电路系统可仅在检测事件期间的特定时间打开，并且可以其他方式断开以节约电力。还可以的是，相机518仅在例如推按和按住按钮520的明确用户干预后才上电或激活。释放按钮520可关断相机518以节约电力。

当相机518上电时，还可启用投影光源522以向用户提供关于相机视野内的区域的视觉反馈或以其他方式照明视场。可替代地，可仅在已激活相机518之后某个时间才激活投影光源522。在某些情况下，在激活投影光源522之前可需要满足附加条件。这类条件可包含：确定投影光源522很可能在关注对象的方向上对准；确定系统500并未过度移动；等。在一些实施例中，一个或多个发光二极管(LED)526可用作投影光源522。

图像可标记有附加信息或元数据，如：相机焦点信息；来自接近度传感器512的接近度信息；来自环境光传感器524的环境光级信息；时间戳信息；等。可在用户状态数据的处理和分析期间使用这类附加信息或元数据。

投影光源522还可用于传达其它信息。作为实例，辅助装置可使用来自一个或多个接近度传感器512的输入，处理那些输入以确定相机518是否处于与关注对象的适当距离范围内，并且使用一个或多个光源传达相机处于适当距离范围内、用户需要增加相机与关注对象之间的距离或用户需要减小相机与关注对象之间的距离。

投影光源522还可结合环境光传感器524用于向用户传达：环境光对于适当质量的图像捕获来说是不充足还是过于强烈。投影光源522还可用于传达包含但不限于低电池电量情形或功能缺陷的信息。

投影光源522还可用于传达膳食指导信息。作为实例，投影光源522可尤其指示自前一食物摄取事件起经过的时间是不足还是过长，或可向用户传达他/她的特定膳食目标完成得如何。

使用一个或多个投影光源522传送特定消息的传信机制可包含但不限于以下中的一个或多个：特定光强度或光强度模式；特定光色或光色模式；特定空间或时间光模式。多个机制还可组合以传信一个特定消息。

麦克风528可由用户用以将特定或自定义标记或消息添加到检测事件和/或图像。在某些实施例中，可处理由麦克风528捕获的音频以帮助确定用户是否在饮食、饮水、通勤、锻炼、工作或休息。音频片段可通过语音辨识引擎处理。

在某些实施例中，除了跟踪与基于姿势的行为事件直接相关的至少一个参数之外，加速度计506(可以与包含其它惯性传感器的其它传感器组合)还可用于跟踪不与特定事件直接相关的一个或多个参数。这类参数可尤其包含身体活动、睡眠、压力或疾病。

除了上文提到的特定传感器、检测器和组件之外，系统500可包含适合特定实施例的任何数量的其它传感器530或与它们协作。举例来说，但不限于此，系统500可包含以下中的任一个或全部或与其协作：心率监测器；生理特性或分析物传感器；连续葡萄糖监测器；GPS接收器；以及本文其他地方提到的任何其它传感器、监测器或检测器。系统500从其传感器、检测器和源中的一个或多个获得用户状态数据，其中用户状态数据指示用户的压力活动。用户状态数据可由系统500(和/或系统100的一个或多个其它组件)分析和处理，以确定用户的当前行为是否与正常预期的行为或活动一致。在某些实施例中，系统500和/或辅助系统106或装置主要基于用户佩戴的运动传感器、移动传感器、一个或多个惯性传感器(例如，一个或多个加速度计和/或一个或多个陀螺仪)、一个或多个GPS传感器、一个或多个磁力计、一个或多个力或物理压力传感器等的输出来确定用户的活动和相关行为，所述传感器被合适地配置、定位和布置以测量用户的四肢、手指、关节、面部特征、头部和/或其它身体部位的物理移动或运动。

在一些实施例中，系统500包含至少一个触觉接口540，其被合适地配置和操作以提供触觉反馈作为输出。至少一个触觉接口540生成可由用户通过触觉体验的一个或多个输出，例如机械力、振动、移动、温度改变等。由至少一个触觉接口540生成的触觉反馈可表示但不限于以下中的一个或多个或与其相关联：提醒；警示；确认；告示；消息；数值(如测量值)；状态指标；或由系统500提供的任何其它类型的输出。

在某些实施例中，用户状态数据(例如，传感器数据)被提供给姿势辨识器单元或处理器。为此，传感器数据可以原始格式发送。可替代地，传感器数据源可对原始传感器数据执行一些处理(例如，过滤、压缩或格式化)，之后将处理的传感器数据发送到姿势辨识器单元。姿势辨识器单元分析传入的传感器数据并且将传入的传感器数据转换成一个或多个对应姿势流，其可为预定的或以其他方式分类或归类的。姿势辨识器单元可使用一个或多个辅助输入(如来自一个或多个辅助系统106的输出)来帮助姿势确定过程。辅助输入的非限制性实例包含：当日时间；基于所述用户的历史姿势数据的统计分析的特定姿势发生概率；地理位置；心率；其它生理传感器输入。其它辅助输入也为可以的。

姿势辨识器单元的输出——检测姿势——可发送到事件检测器或处理器。事件检测器分析传入的姿势流以确定关注事件(例如，吃饭、睡觉、健身)的开始是否已发生、事件是否正在进行、事件是否已结束等。尽管此描述提到膳食检测，但是基于姿势的事件检测系统500可被合适地配置成监测其它类型的身体行为或活动。这类活动包含但不限于：阅读；睡眠；抽烟；穿衣服；驾驶；步行；通勤；工作；锻炼；把床罩翻开一部分；铺床；刷牙；梳理头发；打电话；吸入或注射药物；以及与手部卫生或个人卫生相关的活动。

图9为姿势通知患者管理系统600的实施例的简化框图表示。所描绘的患者管理系统60包含但不限于一个或多个传感器单元602、姿势辨识单元604、事件检测单元606和患者管理单元608。姿势通知患者管理系统600的一些或所有组件可用于实施图1的基于姿势的事件检测系统104。

一个或多个传感器单元602通常表示嵌入与患者相关联的一个或多个便携式或可佩戴装置中、与其集成或以其他方式与其相关联的一个或多个传感器，例如活动跟踪器、智能手表、腕带、戒指、移动电话或便携式电子医疗装置(例如，连续葡萄糖监测装置、输注装置、注射笔等)。举例来说，在一个或多个示例性实施例中，一个或多个传感器单元602包含与智能手表相关联的加速度计(例如，加速度计506)和陀螺仪(例如，陀螺仪510)。也就是说，应该理解患者管理系统600不限于任何特定类型、配置或数量的一个或多个传感器单元602，并且在实践中，一个或多个传感器单元602可包含以下传感布置中的一个或多个：加速度计、陀螺仪、磁力计、图像传感器、相机、光学传感器、接近度传感器、压力传感器、气味传感器、气体传感器、全球定位系统(GPS)接收器、麦克风、皮肤电响应传感器、温度计、环境光传感器、UV传感器、用于肌电图(“EMG”)电位检测的电极、生物阻抗传感器、光谱仪、葡萄糖传感器、心率传感器、脉搏传感器、触摸屏或电容传感器。在这方面，一个或多个传感器单元602的输出可包含任何种类的运动数据、位置数据、生理数据(例如，温度、心率、脉搏、皮肤电响应、血液或身体化学等)或取决于传感器类型的其它传感器数据。一个或多个传感器单元602的输出可以模拟或数字形式以无线方式或经由电线直接或间接地(例如，通过选通和/或时钟电路、模/数转换器等中转)传达到姿势辨识单元604。

姿势辨识单元604通常表示患者管理系统600的软件应用程序或组件，其从一个或多个传感器单元602接收传感器数据信号并且分析接收的传感器数据以基于接收的传感器数据来检测或以其他方式识别由患者执行的姿势。在这方面，姿势通常表示具有与其它姿势可区分的相关联的空间和/或时间特性的一个或多个身体运动的离散集合。举例来说，如美国专利公开号2020/0289373中所述，姿势辨识单元604可利用机器学习或其它人工技术将一个或多个接收的传感器数据流内的传感器数据的不同子集映射到不同的姿势特征，继而，然后对其进行分析，以将传感器数据的不同子集和对应姿势特征分类或以其他方式解析为由患者执行的特定姿势组合或序列。在一个或多个实施例中，姿势辨识单元604融合或以其他方式组合并发或以其他方式时间相关联的加速度计数据和陀螺仪数据以获得定向向量，其中加速度计数据、陀螺仪数据和融合的定向向量的并发或时间相关联的组合被输入到特征生成器，其继而生成对应的姿势特征流，继而将其输入到将一个或多个姿势特征流分类或以其他方式解析为对应姿势的姿势辨识模型。在示例性实施例中，姿势辨识单元604还基于姿势特征将置信度度量关联或以其他方式分配给每个姿势。在这方面，对于姿势辨识单元604接收的给定传感器数据流，姿势辨识单元604输出对应的姿势流和相关联的置信度水平。

在一些实施例中，姿势辨识单元604接收一个或多个辅助输入605，这可影响姿势检测或分配给检测姿势的置信度或概率。举例来说，辅助输入605可包含操作上下文数据，如一天中的当前时间、一周中的当前日期、一年中的当前月份、患者的当前位置等，以及其它患者特定数据，如与患者相关联的历史姿势数据、与患者相关联的患者概况或可由姿势辨识单元604用来影响其中特定姿势特征映射到特定患者的姿势的方式的其它患者特定个性化。在这方面，历史姿势数据和潜在的其它患者特定数据的统计分析可用于确定或以其他方式分配基于当前操作上下文的特定姿势发生的概率。应当注意，存在可与特定姿势的发生或不发生相关的任何数量的不同类型的辅助输入数据，并且本文所描述的主题不限于可由姿势辨识单元604利用的任何特定类型的辅助输入605或其组合。

在一个或多个实施例中，对应于姿势辨识单元604的可执行代码或编程指令被存储或以其他方式维持在包含以下的数据存储元件或存储器中：任何种类的随机存取存储器(RAM)、只读存储器(ROM)、闪存、寄存器、硬盘、可移动盘、磁性或光学大容量存储装置或任何其它短期或长期存储介质或能够存储由处理器或其它处理系统执行的编程指令的其它非暂时性计算机可读介质。举例来说，在一个或多个示例性实施例中，对应于姿势辨识单元604的计算机可执行编程指令被存储在包含一个或多个传感器单元602的可佩戴电子装置的数据存储元件(例如，存储器416)中，并且当由可佩戴电子装置的处理系统(例如，控制器408)读取和执行时，指令使可佩戴电子装置在可佩戴电子装置处生成姿势辨识单元604。在这方面，在一些实施例中，可佩戴电子装置可向另一个装置传输或以其他方式提供指示一个或多个检测姿势流和相关联的置信度水平的信号或数据以用于另外处理和/或分析。也就是说，在其它实施例中，姿势辨识单元604可在患者的移动电话或经由无线网络从一个或多个传感器单元602接收传感器数据信号的其它便携式电子装置(例如，用户装置108)处或其上实施，或在经由因特网、蜂窝网络等从一个或多个传感器单元602接收传感器数据信号的云计算系统或远程服务器处或其上实施。

仍然参考图9，事件检测单元606通常表示患者管理系统600的软件应用程序或组件，其从从姿势辨识单元604接收检测姿势和置信度水平，并且分析接收的姿势数据以基于接收的姿势数据来检测或以其他方式识别由患者执行的事件或活动。举例来说，如美国专利公开号2020/0289373中所述，事件检测单元606可利用机器学习或其它人工技术以基于检测的姿势类型、检测姿势序列、姿势之间的时间关系和/或分配给检测姿势的置信度度量来将一个或多个检测姿势流和相关联的置信度水平映射到由患者执行的特定事件或活动中。以这种方式，事件检测单元606可将较低级别的姿势映射到较高级别的身体行为，同时过滤或以其他方式淡化误报或虚假姿势。因此，对于由事件检测单元606接收的给定的检测姿势流，事件检测单元606输出患者的检测事件或活动的指示以及事件的相关联的置信度或概率度量。举例来说，对于检测的食物摄取姿势序列，可映射或以其他方式辨识为具有特定开始时间、步速、持续时间等的食物摄取事件，其具有受到与检测的食物摄取姿势和潜在的其它因素相关联的置信度的影响的分配的置信度水平或概率。

以与针对姿势辨识单元604所描述的类似方式，事件检测单元606可接收辅助输入607，其可影响事件检测或分配给检测事件的置信度或概率。举例来说，辅助输入607可包含与患者相关联的事件日志数据，其维持与患者的历史事件或活动(例如，膳食、锻炼、睡眠、团注、葡萄糖偏移事件等)有关的数据，其中对历史事件日志数据和潜在的其它患者特定数据的统计分析用于基于当前操作上下文来确定或以其他方式分配特定事件发生的概率。在这方面，如果患者习惯性地在一天中的某个时间或其前后进行用餐，那么在一天中的那个时间发生的与患者的历史行为一致的食物摄取姿势可更可能被映射到膳食事件或其它食物摄取事件，或基于与患者的历史行为的一致性，可为检测的膳食事件或食物摄取事件分配较高概率或置信度值。再次，应当注意，存在可与特定事件的发生或不发生相关的任何数量的不同类型的辅助输入数据，并且本文所描述的主题不限于可由事件检测单元606利用的任何特定类型的辅助输入607或其组合。

在一个或多个实施例中，对应于事件检测单元606的可执行代码或编程指令被存储或以其他方式维持在包含以下的数据存储元件或存储器中：任何种类的短期或长期存储介质或能够存储由处理器或其它处理系统执行的编程指令的其它非暂时性计算机可读介质。举例来说，在一个或多个示例性实施例中，对应于事件检测单元606的计算机可执行编程指令被存储在包含一个或多个传感器单元602的可佩戴电子装置的数据存储元件(例如，存储器516)中，并且当由可佩戴电子装置的处理系统(例如，控制器508)读取和执行时，指令使可佩戴电子装置在可佩戴电子装置处生成事件检测单元606。在这方面，在一些实施例中，可佩戴电子装置可向另一个装置传输或以其他方式提供指示一个或多个检测事件流和相关联的置信度或概率水平的信号或数据以用于另外处理和/或分析。也就是说，在其它实施例中，事件检测单元606可在患者的移动电话或其它便携式电子装置(例如，用户装置108)处或其上实施，或在经由网络从在另一个装置处实施的姿势辨识单元604接收姿势数据信号的云计算系统或远程服务器上实施。

仍然参考图9，患者管理单元608通常表示患者管理系统600的软件应用程序或组件，其从事件检测单元606接收检测事件数据并且自动发起或以其他方式执行关于患者生理状况的管理的一个或多个动作。在一些实施例中，患者管理单元608可被配置成支持输注装置、智能笔或其它流体递送装置的一个或多个自动操作模式，其中患者管理单元608计算或以其他方式确定用于操作致动布置以向患者递送流体的剂量命令。举例来说，在闭环操作模式中，患者管理单元608可以受到由事件检测单元606检测的事件的影响的方式至少部分地基于患者的当前葡萄糖测量值来确定剂量命令。在一些实施例中，患者管理单元608可被配置成至少部分地基于检测事件经由用户接口元件生成或以其他方式提供用户告示或警示。在这方面，患者管理608应用程序可利用患者特定设置、偏好或其它告示标准以受到检测事件和潜在的其它因素(例如，患者当前或最近的传感器葡萄糖测量值)的影响的方式自动生成用户告示。

在一个或多个实施例中，对应于患者管理单元608的可执行代码或编程指令被存储或以其他方式维持在患者的相关联的装置中的一个(例如，患者的移动电话、患者的输注装置或其它流体递送装置等)处或在云计算系统或远程服务器处。举例来说，在患者的电话上执行的患者管理单元608可从患者的智能手表或其它可佩戴装置接收或以其他方式获得指示检测姿势和/或事件的信号或数据、分析接收的数据，并且向患者的输注装置(例如，经由无线网络)传输或以其他方式提供受到检测的基于姿势的事件的影响的剂量命令或信号以自动操作输注装置以递送胰岛素或另一种流体或药物以解释一个或多个检测事件，或患者管理单元608可在移动装置处生成受到一个或多个检测事件的影响的GUI显示或其它用户告示。也就是说，在其它实施例中，当患者管理单元608在远程服务器或其它云计算系统处实施时，患者管理单元608可经由网络向与患者相关联的装置传输或以其他方式提供剂量命令或信号。在又其它实施例中，患者管理单元608可在患者的医疗装置处实施并且从患者的移动装置、患者的可佩戴装置或远程服务器或其它云计算系统接收检测事件数据。在这方面，取决于实施例，各种单元604、606、608可分布在系统100中的一个或多个不同装置102、103、104、106、108、111、112、114、116上，并且本文所描述的主题不限于任何特定的实施方案。

图10为说明根据某些实施例的系统700的框图。系统700可包含用户的胰岛素输注装置702、姿势检测系统704、姿势检测装置706、膳食跟踪系统708、服务器系统716和客户端应用程序740。

胰岛素输注装置702可使用参照图1描述的连续胰岛素治疗系统102和离散胰岛素治疗系统103、参照图3B描述的智能胰岛素笔160、参照图4描述的智能笔附件170、参照图5描述的注射笔200中的任一个来实施。胰岛素输注装置702也可与分析物传感器(未说明)，如参照图1描述的分析物传感器112、参照图7描述的葡萄糖传感器系统408和/或图9的连续葡萄糖监测装置结合实施。姿势检测系统704、活动跟踪器装置706和膳食跟踪系统708可为参照图1描述的事件检测系统107、参照图8描述的基于姿势的事件检测系统500、参照图9描述的姿势通知患者管理系统600的组件中的一些。姿势检测系统704、活动跟踪器装置706和膳食跟踪系统708为可为图1的事件检测系统107的一部分的系统和装置的非限制性实例。尽管未说明，但系统700还可包含可为图1的事件检测系统107、图8的基于姿势的事件检测系统500和图9的姿势通知患者管理系统600的一部分的其它系统和组件。服务器系统716(具有事件分类器720、标记过程722、存储装置728)可使用参照图1描述的事件分类服务111、数据库114和数据处理系统116中的任一个来实施。这些装置、系统和模型参考图1-9进行描述，并且为了简洁起见，这些装置、系统和模型的描述将不再重复。

客户端应用程序740可在服务器系统716处或在不同于服务器系统716的另一个基于计算机的系统处实施。系统700可用于将由胰岛素输注装置702、姿势检测系统704、活动跟踪器装置706和/或膳食跟踪系统708检测的事件分类为标记事件和/或标记事件组合。这些标记事件和/或标记事件组合可在客户端应用程序740处被处理。

服务器系统716接收不同检测事件的输入数据。如本文所用，“事件”可以指可检测并且指示用户的身体行为(或与用户的身体行为相关联)的特定条件或身体活动。事件可由用户输入、由基于传感器的系统测量或检测，或者由模型或系统如基于数学模型或人工智能(AI)的系统估计或预测。此外，事件可被记录在数据库中，并且然后用于本文所描述的各种目的。每个事件都可潜在地影响用户的生理葡萄糖动力学并且可与用户的胰岛素需求和/或用户的血糖水平的改变相关。如将在下文更详细解释的，用于检测事件的输入数据可包含关于可检测并且指示用户的身体行为的特定条件或身体活动的数据。

指示用户的身体行为的特定条件或活动的非限制性实例可包含但不限于例如膳食摄入事件和描述这类事件的相关数据，包含膳食定时、膳食持续时间、膳食内容、由用户作为膳食的一部分消耗的卡路里或大量营养素的量等；睡眠事件和描述这类事件的相关数据，包含睡眠的定时、持续时间、质量等；身体活动事件和描述这类事件的相关数据，包含身体活动的定时、身体活动的持续时间、描述身体活动的运动水平和模式、描述身体活动的强度水平和模式等；锻炼事件和描述这类事件的相关数据，包含定时、持续时间、数量、强度等，以及工作相关事件和描述这类事件的相关数据，包含定时、持续时间、数量、强度等。

举例来说，根据图10所说明的实施例，检测事件的输入数据可包含来自用户的胰岛素输注装置702的治疗相关数据、参数和设置730，其可包含例如当前胰岛素数据和当前血糖数据；来自姿势检测系统704的姿势相关事件数据732，其可包含膳食数据、锻炼数据、睡眠数据等；使用活动跟踪器装置706检测的活动相关数据734，其可包含身体活动数据、锻炼数据、睡眠数据等；来自膳食跟踪系统708的膳食事件数据736，其可包含用户的碳水化合物摄取数据；用户的用户输入碳水化合物摄取数据(例如，输入胰岛素泵以生成膳食校正团注)。

在一些情况下，事件可包含例如来自胰岛素治疗系统的事件，如与胰岛素输注装置的操作相关联的治疗相关数据、参数和设置730。治疗相关数据可包含与输注装置的状态和/或用户的状态相关的数据。治疗相关数据的一些非限制性实例可包含但不限于：与用户的葡萄糖水平相关联的传感器葡萄糖数据；与由用户公布的膳食相关联的膳食数据；胰岛素递送数据，其包含基础胰岛素和胰岛素团注量，以及其相关联的时间数据(时间/日期戳)；公布的膳食时间数据或信息；用户的碳水化合物摄取数据，其包含公布膳食的碳水化合物摄取估计；与在手动胰岛素递送模式下装置的操作相关联的胰岛素敏感性因子(ISF)；胰岛素与碳水化合物(I:C)的比率值或等效地碳水化合物与胰岛素(C:I)的比率值；以及用户输入的血糖仪测量值。治疗相关数据还可包含例如闭环泵数据，其包含但不限于：来自用户的胰岛素输注装置的设置；指示在以自动闭环胰岛素递送模式操作期间由胰岛素输注装置将基础胰岛素递送到用户持续至少一个定义的时间段的数据；指示在至少一个定义的时间段(例如，最后24小时、多个按顺序的时间片段等)期间由输注装置递送的胰岛素总量的数据，如用户的胰岛素的平均总日剂量(TDD)；葡萄糖传感器数据、输注装置的日志数据、用户输入数据、与某些事件或收集的数据相关联的时间/日历数据和/或其它信息。

事件还可包含许多其它类型的信息，并且可基于来自检测系统或装置如姿势检测装置的各种类型的数据来检测或确定。这类数据的实例可包含但不限于：加速度计(x、y、z)数据、地理位置数据、iBeacon位置数据、皮肤温度数据、环境空气温度数据、生物阻抗心率数据、汗液数据(例如GSR电导)、血压数据、震动检测数据、计步器数据、气压计数据、陀螺仪数据、膳食日志数据、定向数据(例如，方位角、俯仰角、滚动角(度))；健康套件数据(如来自

检测事件可在服务器系统716处存储和处理。服务器系统716可将检测事件分组为检测事件的不同组合。然后，检测事件和检测事件的不同组合可在事件分类器720和标记过程722处另外处理，如下文将描述的。

每个检测事件(或所述身体行为的影响)都可潜在地影响用户的生理葡萄糖动力学。举例来说，事件可与用户的胰岛素需求和/或用户的血糖水平中的一个或多个的改变相关。每个检测事件(或检测事件的组合)可与减少的胰岛素递送需求的概率、事件的增加的胰岛素递送需求的概率(或检测事件的特定组合)或胰岛素递送需求将不改变的概率相关联。

在此实施例中，事件分类器720可通过将检测事件或检测事件的组合映射到增加的胰岛素递送需求的概率、减少的胰岛素递送需求的概率或胰岛素递送需求不改变的概率来对每个检测事件和检测事件的每个组合进行分类。标记过程722可用标记注释或标记每个检测事件以生成标记事件，并且用标记注释或标记检测事件的每个分类组合以生成标记事件组合。每个标记事件和标记事件组合可与将产生的胰岛素需求相关。每个标记事件或标记事件组合可具有与其相关联的增加的胰岛素递送需求的概率、与其相关联的减少的胰岛素递送需求的概率，或与其相关联的胰岛素递送需求将不改变的概率。为了另外解释，每个标记事件或标记事件组合可与以下任一者相关：当减少的胰岛素递送需求的概率大于或等于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于或等于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。在此上下文中，“普通的胰岛素递送需求”可以指将不从普通水平改变的胰岛素递送需求(例如，其中当胰岛素水平没有改变时，控制器保持在其标称模式(一天中的大部分时间)的标称控制器模式)。

在一些实施例中，胰岛素递送需求可与预测血糖结果相关联。例如，在一些情况下，胰岛素递送需求可与指示以下的预测血糖结果相关联：当概率大于或等于阈值时将增加胰岛素递送需求的即将到来的高血糖状况的概率，或当概率大于或等于另一个阈值时将减少胰岛素递送需求的即将到来的低血糖状况的概率。当特定标记事件指示或特定标记事件组合共同指示低血糖状况的概率更可能发生或即将到来(例如，大于或等于阈值)时，那么控制器可切换到更保守的模式并且递送较少的胰岛素。当特定标记事件指示或特定标记事件组合共同指示高血糖状况更可能发生或即将到来(例如，大于或等于阈值)时，那么控制器可切换到更积极的模式并且递送更多的胰岛素。在其它情况下，胰岛素递送需求与预测血糖结果无关。

分类器720的实施方案可根据实施例而变化。一般而言，分类器720可使用现在将在下文描述的任何数量的机器学习算法和统计模型来实施。机器学习(ML)算法和统计模型可依赖于模式和推理，而不是使用明确指令。机器学习算法基于样本数据(被称为“训练数据”)建立数学模型，以便在无需明确地被编程为执行任务的情况下进行预测或决策。例如，监督学习算法建立含有输入和期望的输出两者的一组数据的数学模型。所述数据被称为训练数据并且由一组训练实例组成。每个训练实例具有一个或多个输入和期望的输出(也被称为监督信号)。在半监督学习算法的情况下，训练实例中的一些训练实例缺少期望的输出。在数学模型中，每个训练实例由阵列或向量表示，并且训练数据由矩阵表示。通过目标函数的迭代优化，监督学习算法学习了可以用于预测与新输入相关联的输出的函数。优化函数将允许算法正确地确定不是训练数据的一部分的输入的输出。据说随时间提高其输出或预测的准确性的算法已经学会了执行所述任务。监督学习算法包含分类和回归。分类算法在输出被限制为一组有限值时使用，并且回归算法在输出可能具有在范围内的任何数值时使用。相似性学习属于与回归和分类密切相关的监督机器学习的领域，但是目标是使用测量两个对象的相似或相关程度的相似性函数来向实例学习。

在预测建模和其它类型的数据分析中，集成方法可使用多种机器学习算法来获得相较于可仅从组成型学习算法中的任一个获得的更好的预测性能。集成是一种监督学习算法，因为可以对其进行训练并且然后将其用于进行预测。因此，经过训练的集成表示单个假设，所述单个假设不一定含有在根据所述单个假设建立的模型的假设空间内。因此，集成可以示出在其可以表示的函数中具有更大的灵活性。集成模型可以包含其预测合并的一组经过单独训练的分类器(如神经网络或决策树)。

例如，集成建模的一个常见实例是随机森林模型，所述随机森林模式是一种利用多个决策树的分析模型并且旨在基于不同的变量和规则来预测结果。随机森林模型将可以分析不同的样本数据、评估不同的因素或有区别地对共同变量进行加权的决策树融合。然后，将各个决策树的结果转换成简单的平均值或通过进一步的加权进行聚合。Hadoop和其它大数据工艺的出现允许存储和分析更大的数据量，这允许在不同的数据样本上运行分析模型。

取决于实施方案，可以将任何数量的机器学习模型组合以优化集成模型。可以在机器学习模型处实施的机器学习算法或模型的实例可以包含但不限于：回归模型，如线性回归、逻辑回归和K均值聚类；一个或多个决策树模型(例如，随机森林模型)；一个或多个支持向量机；一个或多个人工神经网络；一个或多个深度学习网络(例如，至少一个递归神经网络、使用深度学习的序列到序列映射、使用深度学习的序列编码等)；基于模糊逻辑的模型；基因编程模型；贝叶斯网络(Bayesian network)或其它贝叶斯技术、概率机器学习模型；高斯处理模型(Gaussian processing model)；隐马尔可夫模型(Hidden Markovmodel)；时间序列方法，如自回归移动平均(ARMA)模型、自回归积分移动平均(ARIMA)模型、自回归条件异方差(ARCH)模型；广义自回归条件异方差(GARCH)模型；移动平均(MA)模型或其它模型；以及上述中的任何一种的启发式推导的组合等。机器学习算法的类型的差别在于其方法、其输入和输出的数据的类型以及其打算解决的任务或问题的类型。

隐马尔可夫模型(HMM)是统计马尔可夫模型，在所述统计马尔可夫模型中，被建模的系统被假设为具有未观察到的(隐藏)状态的马尔可夫过程。HMM可以被视为最简单的动态贝叶斯网络。贝叶斯网络、信念网络或有向非循环图模型是一种概率图形模型，其表示一组随机变量以及所述一组随机变量与有向非循环图(DAG)的条件独立性。建模变量序列的贝叶斯网络被称为动态贝叶斯网络。可以表示和解决不确定性下的决策问题的贝叶斯网络的泛化被称为影响图。

支持向量机(SVM)(也被称为支持向量网络)是用于进行分类和回归的一组相关监督学习方法。给定一组训练实例，每个训练实例标记为属于两个类别之一，SVM训练算法将建立预测新实例是否属于一个类别或另一个类别的模型。SVM训练算法是一种非概率的二进制线性分类器。除了执行线性分类外，SVM还可以使用所谓的核技巧高效地执行非线性分类，从而隐式地将其输入映射到高维特征空间中。

决策树学习使用决策树作为预测模型以从对项(在分支中表示)的观察行进到对项的目标值(在叶子中表示)的结论。其中目标变量可以采用一组离散值的树模型被称为分类树；在这些树形结构中，叶子表示类标签并且分支表示导致所述类标签的特征的结合。其中目标变量可以采用连续值(通常是实数)的决策树被称为回归树。在决策分析中，决策树可以用于可视化地和显式地表示决策和决策的做出。

深度学习算法可以是指机器学习中使用的算法的集合，所述算法用于通过使用由多个非线性变换构成的模型架构来对高级抽象和数据进行建模。深度学习是一种用于建立和训练神经网络的特定方法。深度学习由人工神经网络中的多个隐藏层组成。深度学习算法的实例可以包含例如孪生网络(Siamese network)、转移学习、递归神经网络(RNN)、长短期记忆(LSTM)网络、卷积神经网络(CNN)、变换器等。例如，深度学习方法可以利用自回归递归神经网络(RNN)，如长短期记忆(LSTM)和门控递归单元(GRU)。一种使用RNN(和变体)进行时间序列预测的神经网络架构是自回归seq2seq神经网络架构，其充当自动编码器。

在一些实施例中，集成模型可以包含一种或多种深度学习算法。应当注意，也可以使用任何数量的不同的机器学习技术。取决于实施方案，集成模型可以被实施为自举聚合集成算法(也被称为装袋分类器方法)、增强集成算法或分类器算法、堆叠集成算法或分类器算法、模型存储桶集成算法、贝叶斯优化分类器算法、贝叶斯参数平均算法、贝叶斯模型组合算法等。

自举聚合(通常被称为装袋)涉及使集成投票中的每个模型具有相等权重。为了提高模型方差，装袋使用训练集的随机绘制子集训练集成中的每个模型。作为实例，随机森林算法将随机决策树与装袋组合以实现非常高的分类准确性。装袋分类器或集成方法通过在训练集的随机再分布上训练每个分类器来为其集成创建个体。每个分类器的训练集可以通过随机绘制(在放回的条件下)N个实例(其中N是原始训练集的大小)来生成；许多原始实例可能会在所产生的训练集中重复，而其它实例可能会被排除在外。集成中的每个单独的分类器是在对训练集进行不同的随机采样的情况下生成的。装袋对其中训练集的小改变会导致预测的大改变的“不稳定的”学习算法(例如，神经网络和决策树)有效。

相比之下，增强涉及通过训练每个新模型实例以强调先前模型错误分类的训练实例来递增地建立集成。在一些情况下，增强已经示出产生相比于装袋更好的准确性，但是其也倾向于更有可能过度拟合训练数据。增强分类器可以是指可以用于产生一系列分类器的一系列方法。用于系列的每个成员的训练集基于系列中的一个或多个较早分类器的性能来挑选。在增强中，与正确地预测的实例相比，更多地挑选由系列中的先前分类器不正确地预测的实例。因此，增强尝试产生能够更好地预测当前集成的性能较差的实例的新分类器。尽管据报道一些较新的算法会实现更好的结果，但是增强的常见实施方案是Adaboost。

堆叠(有时称为堆叠泛化)涉及对学习算法进行训练以将几种其它学习算法的预测组合。堆叠工作分两个阶段进行：使用多个基础分类器对类进行预测，并且然后以减少泛化误差为目标使用新的学习器将其预测组合。首先，使用可用数据对所有其它算法进行训练，然后对组合器算法进行训练以使用其它算法的所有预测作为另外的输入进行最终预测。如果使用任意组合器算法，则在理论上，堆叠可以表示本文中所描述的集成技术中的任何集成技术，尽管在实践中，逻辑回归模型通常用作组合器。

“模型存储桶”是一种在其中使用模型选择算法为每个问题选择最佳模型的集成技术。当在仅一个问题的情况下进行测试时，模型存储桶可以产生的结果不会比集中的最佳模型产生的结果更好，但是当跨许多问题进行评估时，平均而言，其产生的结果通常会比集合中的任何模型产生的结果更好。用于模型选择的一种常见方法是交叉验证选择(有时被称为“烘烤竞赛(bake-off contest)”)。交叉验证选择可以被总结为在训练集中尝试所有模型并且然后挑选最有效的模型。门控是交叉验证选择的泛化。其涉及训练另一种学习模型以决定最适于解决问题的存储桶中的模型中的哪些模型。通常，感知器用于门控模型。其可以用于挑选“最佳”模型，或者其可以用于向来自存储桶中的每个模型的预测给予线性权重。当使用模型存储桶有很多问题时，避免训练一些花费很长时间进行训练的模型可能是令人期望的。特征点学习是一种力图解决这种问题的元学习方法。其涉及仅训练存储桶中的快速(但不精确)算法，并且然后使用这些算法的性能来帮助确定哪种慢速(但准确)算法最有可能做得最好。

贝叶斯优化分类器是一种分类技术。其是假设空间中的所有假设的集成。平均而言，其它任何集成都无法胜过所述贝叶斯优化分类器。朴素贝叶斯优化分类器是这种贝叶斯优化分类器的一个版本，其假设数据在条件上不依赖于类并且使计算更加可行。如果所述假设为真，则对每个假设进行投票，所述投票与将会从系统中采样训练数据集的可能性成比例。为了促进有限大小的训练数据，每个假设的投票也乘以所述假设的先验概率。然而，由贝叶斯优选分类器表示的假设是集成空间(所有可能的集成的空间中的优化假设。

贝叶斯参数平均(BPA)是一种寻求通过从假设空间中采样假设并使用贝叶斯定律组合所述假设来近似贝叶斯优化分类器的集成技术。与贝叶斯优化分类器不同，贝叶斯模型平均(BMA)可以实际地实施。假设通常使用蒙特卡洛采样技术(Monte Carlo samplingtechnique，如MCMC)进行采样。例如，吉布斯采样(Gibbs sampling)可以用于得出表示分布的假设。已经示出，在某些情况下，当以这种方式得出假设并根据贝叶斯定律求平均时，这种技术的预期误差必然为贝叶斯优化分类器的预期误差的至多两倍。

贝叶斯模型组合(BMC)是对贝叶斯模型平均(BMA)的算法校正。其不是单独地对集成中的每个模型进行采样，而是从可能的集成的空间中采样(其中模型权重从具有均匀参数的狄利克雷分布(Dirichlet distribution)中随机得出)。这种修改克服了BMA向将所有权重给予单个模型汇集的倾向。尽管从计算方面上将，BMC比BMA稍微昂贵，但其倾向于产生显著更好的结果。已经示出，来自BMC的结果平均而言(具有统计显著性)比BMA和装袋更好。使用贝叶斯定律来计算模型权重需要计算给予每个模型的数据的概率。通常，集成中的所有模型都不精确地是从中生成训练数据的分布，因此所有模型都正确地接收到这个项的接近于零的值。如果集成足够大以对整个模型空间进行采样，则这将会有效，但是此种情况几乎不可能。因此，训练数据中的每个模式将会使集成权重朝最接近于训练数据的分布的集成中的模型移位。它在本质上减少了用于进行模型选择的不必要的复杂方法。集成的可能的权重可以可视化为取决于单纯形。在单纯形的每个顶点处，所有权重被给予集成中的单个模型。BMA向最接近于训练数据的分布的顶点汇集。相比之下，BMC向其中这种分布投影到单纯形上的点汇集。换句话说，其不是选择最接近于生成分布的一种模型，而是寻找最接近于生成分布的模型的组合。来自BMA的结果通常可以通过使用交叉验证从模型存储桶中选择最佳模型来估算。同样，来自BMC的结果可以通过使用交叉验证从可能的权重的随机采样中选择最佳集成组合来估算。

再次参考图10，每个标记事件和每个标记事件组合可作为标记事件和标记事件组合的数据库存储在存储装置728中。标记事件中的选定者和/或标记事件组合中的选定者可在客户端应用程序740处被处理以生成输出结果。客户端应用程序740可根据实施方案而变化，并且可包含任何数量的不同客户端应用程序。在胰岛素治疗管理的上下文中，可通过丰富输入数据(例如，使用标记事件和/或标记事件组合中的选定者)来改善或优化的客户端应用程序的非限制性实例可包含但不限于：表示用户的生理机能的数学模型、用于胰岛素输注装置的控制器、医疗保健管理应用程序(例如，用于胰岛素治疗管理)、用于校准用户的胰岛素治疗系统的应用程序等。

当客户端应用程序740为用于胰岛素输注装置702的控制器时，标记事件和/或标记事件组合中的选定者可在控制器处被处理以生成用于控制经由胰岛素输注装置702的胰岛素递送的一个或多个治疗参数。治疗参数的非限制性实例可包含基础概况、活性胰岛素时间、用户的胰岛素敏感性因子、用户的胰岛素与碳水化合物比率、递送到用户的胰岛素的总日剂量(TDD)等。然后控制器可基于一个或多个治疗参数生成推荐的设置或命令以控制经由胰岛素输注装置702的胰岛素递送。

治疗参数的非限制性实例可包含基础概况、活性胰岛素时间、用户的胰岛素敏感性因子、用户的胰岛素与碳水化合物比率和递送到用户的胰岛素的总日剂量。

如本文所用，术语“基础胰岛素”可以指用于胰岛素输注装置的治疗设置，其指定由胰岛素输注装置基于在胰岛素输注装置中设置的预编程概况和个性化速率来自动递送的每小时连续胰岛素输注。胰岛素输注装置递送胰岛素的每日输注，其典型地涵盖在禁食时段期间(例如，过夜和两餐之间)的“背景”胰岛素需求。基础分布曲线可包含用于用户的至少一个基础速率设置，其指示递送到用户的连续胰岛素输注速率以在禁食时段期间保持用户的血糖稳定。如本文所用，术语“基础速率”可以指用于胰岛素输注装置的治疗设置，其提供指示连续输注胰岛素以保持特定患者的血糖稳定的递送速率，例如，在两餐之间和夜间。基础胰岛素模仿胰腺胰岛素递送，其满足身体所有非食物相关胰岛素需求。基础速率分布曲线可定义对应于多个时间片段(例如，在一天24小时期间)的多个基础速率。如本文所用，术语“最大基础速率”可以指用于胰岛素输注装置的治疗设置，其指定胰岛素输注装置应为特定患者一次递送的最大基础胰岛素量。

如本文所用，术语“活性胰岛素”或“体载胰岛素(IOB)”可以指已递送到用户身体但尚未被患者使用的团注胰岛素。举例来说，活性胰岛素可以指根据先前团注剂量在体内仍有多少胰岛素具有活性。换句话说，活性胰岛素时间可指示在注射后胰岛素的团注在用户体内保持活性的时间量。如本文所用，术语“活性胰岛素时间”可以指用于胰岛素输注装置的治疗设置，其指定特定用户身体中的胰岛素作用持续时间，或在速效胰岛素的团注之后胰岛素在特定用户身体中保持工作的时间量。活性胰岛素时间(有时也称为胰岛素作用持续时间(DIA))可以指胰岛素的团注被用户身体吸收并且完成降低血糖所需的时间。时间从给予团注时开始，并且到团注不再降低血糖水平时结束。准确的活性胰岛素时间可帮助使胰岛素堆积和低血糖(低血糖)降到最低，当给予团注过于靠近时可发生这种情况。活性胰岛素时间因人而异。如本文所用，术语“最大团注限制”可以指用于胰岛素输注装置的治疗设置，其指定胰岛素输注装置应为特定患者一次递送的最大团注胰岛素量。

如本文所用，术语“胰岛素敏感性因子(ISF)”或“校正因子”可以指用于胰岛素输注装置的治疗设置，其指定特定用户的血糖(BG)水平(例如，以mg/dL或mmol/L为单位)减少一个单位的胰岛素的量。换句话说，ISF可指示一个单位的胰岛素预期降低多少血糖，并且可描述每1mg/dL葡萄糖与目标葡萄糖值的偏差所递送的团注量。

如本文所用，术语“胰岛素与碳水化合物比率”可以指用于胰岛素输注装置的治疗设置，其指定涵盖给定数量的碳水化合物所需的胰岛素量。例如，胰岛素与碳水化合物比率可指示每一个单位的碳水化合物摄取所递送的团注胰岛素的量。换句话说，胰岛素与碳水化合物比率可以指一个单位的胰岛素“涵盖”的碳水化合物克数。相比之下，用户的碳水化合物与胰岛素比率指示一个单位的胰岛素所涵盖的以克为单位的碳水化合物的量的比率。

如本文所用，术语“总日剂量(TDD)”可以指胰岛素输注装置的用户每天使用(例如，平均)的胰岛素单位的数量。胰岛素的总日剂量可基于递送到用户的总基础胰岛素和递送到用户的总团注胰岛素来计算。如本文所用，术语“团注胰岛素”可以指用于胰岛素输注装置的治疗设置，其指定涵盖预期的血糖升高(如膳食后或零食后的升高)或将高血糖降低到目标范围所需的特定患者的胰岛素剂量。目标血糖或“目标范围”为指示期望血糖水平的设置。它可作为一整天的单一目标(例如，120mg/dl)或范围(例如，100-120mg/dl)输入胰岛素输注装置。许多胰岛素输注装置都具有内置的团注计算器，其计算膳食或校正血糖需要多少胰岛素。团注计算器设置可包含：目标血糖/范围；胰岛素与碳水化合物比率(I:C)或碳水化合物与胰岛素(C:I)比率；胰岛素敏感性因子(ISF)或校正因子；活性胰岛素时间或胰岛素作用持续时间(DIA)和体载胰岛素(IOB)。

举例来说，总日剂量可使用包含基础胰岛素和胰岛素团注量的胰岛素递送数据以及其相关联的时间数据(时间/日期戳)来计算。总日剂量可用于计算患者的胰岛素敏感性因子(ISF)，其以毫克/分升/单位，和/或胰岛素与碳水化合物比率(I:C)表示。

当客户端应用程序740为表示用户的生理机能的数学模型时，数学模型可基于标记事件和/或标记事件组合中的选定者来训练以生成模拟用户响应于标记事件和/或标记事件组合中的选定者的生理血糖响应的适应数学模型。

当客户端应用程序740为用于胰岛素治疗管理的医疗保健管理应用程序(HMA)时，HMA可跟踪与用户相关联的事件，这些事件指示用户的身体行为并且对应于标记事件中的选定者和/或标记事件组合中的选定者。HMA然后可生成一个或多个用户接口，其提供指示跟踪事件中的一个或多个对用户的血糖水平和用户的胰岛素需求的影响的信息。

当客户端应用程序740为用于校准用户的胰岛素治疗系统的应用程序时，可处理标记事件中的选定者和/或标记事件组合中的选定者以校准用户的胰岛素治疗系统。校准可包含例如生成推荐的治疗设置和参数以用于校准用户的胰岛素治疗系统。

图11为说明根据某些实施例的用于对检测事件进行分类以在客户端应用程序740处进行处理的方法800的流程图。方法800在802处开始，其中服务器系统716接收检测事件和检测事件的不同组合的输入数据。在一个非限制性实施例中，检测事件的输入数据可包含关于指示用户的身体行为的特定条件或身体活动的数据。指示用户的身体行为的特定条件或活动可包含但不限于参考图10所描述的实例中的任一个。

方法800在804处继续，其中每个检测事件和检测事件的组合在服务器系统716处被处理。在804处，事件分类器720可通过将检测事件或检测事件的组合映射到增加的胰岛素递送需求的概率、减少的胰岛素递送需求的概率或胰岛素递送需求不改变的概率来对每个检测事件和检测事件的每个组合进行分类。

在806处，产生的每个分类事件和检测事件的每个分类组合可用标记进行注释或标记，以生成与将产生的胰岛素需求相关的标记事件或与将产生的胰岛素需求相关的标记事件组合。每个标记事件和每个标记事件组合可具有与其相关联的增加的胰岛素递送需求的概率、与其相关联的减少的胰岛素递送需求的概率，或与其相关联的胰岛素递送需求不改变的概率。如上文所解释，每个标记事件和每个标记事件组合可与以下任一者相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。

在810处，每个标记事件和每个标记事件组合可作为标记事件和标记事件组合的数据库存储在存储装置728中。在812处，标记事件中的选定者和/或标记事件组合中的选定者可在客户端应用程序740处被处理以生成输出结果。客户端应用程序740可根据实施方案而变化，如参考图10所描述的。

如上文参考图10所述，在一个实施例中，客户端应用程序740可为表示用户的生理机能的数学模型。数学模型可基于标记事件和/或标记事件组合中的选定者来训练以生成模拟用户响应于标记事件和/或标记事件组合中的选定者的生理血糖响应的适应数学模型。现在将参考图12-14描述实例实施例。

图12为说明根据某些实施例的系统900的框图。如图10所示，在一个非限制性实施方案中，系统900可包含用户的胰岛素输注装置902、姿势检测系统904、姿势检测装置906、膳食跟踪系统908和服务器系统916。这些装置和系统参考图10进行描述，并且为了简洁起见，这些装置和系统的描述将不再重复。如参考图10所描述的，尽管未说明，但系统900还可包含可为图1的事件检测系统107、图8的基于姿势的事件检测系统500和图9的姿势通知患者管理系统600的一部分的其它系统和组件。如图10所示，姿势检测系统904、活动跟踪器装置906和膳食跟踪系统908为可为图1的事件检测系统107的一部分的系统和装置的非限制性实例。系统900还可包含用于输入碳水化合物摄取和/或血糖水平的个人用户装置(例如，智能手机或计算机)。系统还可任选地包含其它组件，如血糖仪。

服务器系统916(具有事件分类器920、标记过程922和存储装置928)可使用参照图1描述的事件分类服务111、数据库114和数据处理系统116、参照图10描述的服务器系统716中的任一个来实施。这些装置、系统和模型参考图1-11进行描述，并且为了简洁起见，这些装置、系统和模型的描述将不再重复。在此实施例中，图12的系统900与图10的系统700的不同之处在于，服务器系统916包含适应过程929并且客户端应用程序为数学模型940。根据实施方案，数学模型940可在服务器系统916处或在不同于服务器系统916的另一个基于计算机的系统处实施。系统900可用于将由胰岛素输注装置902、姿势检测系统904、活动跟踪器装置906和/或膳食跟踪系统908检测的事件分类为标记事件和/或标记事件组合。这些标记事件和/或标记事件组合中的一些或全部可在数学模型940处被处理以训练它并且生成用户的适应数学模型。数学模型940的实施方案可根据实施例而变化。举例来说，数学模型940可使用将在下文参考图14描述的各种方程来实施。可替代地，数学模型940可使用参照图10的分类器720描述的任何数量的机器学习算法和/或统计模型来实施。为了简洁起见，参照数学模型940将不再重复这些模型的描述。

服务器系统916接收不同检测事件的输入数据。如参考图10所描述的，检测事件可在服务器系统716处存储和处理。服务器系统716可将检测事件分组为检测事件的不同组合。然后，检测事件和检测事件的不同组合可在事件分类器920和标记过程922处另外处理，如参考图10所描述的，并且然后作为标记事件和标记事件组合的数据库存储在存储装置928处。如参考图10所描述的，每个标记事件和每个标记事件组合可包含标记和特定标记事件或特定标记事件组合的增加的胰岛素递送需求或减少的胰岛素递送需求的概率。举例来说，每个标记事件和标记事件组合可与以下相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。在一些情况下，胰岛素递送需求可与指示以下的预测血糖结果相关联：当概率大于阈值时将增加胰岛素递送需求的即将到来的高血糖状况的概率，或当概率大于另一个阈值时将减少胰岛素递送需求的即将到来的低血糖状况的概率。

适应过程929(例如，在服务器系统916处实施)可从维持在存储装置928中的数据库中检索标记事件和/或标记事件组合中的选定者。标记事件和/或标记事件组合可根据实施方案和正在进行的训练而变化。由适应过程929选择和检索的标记事件和/或标记事件组合可用于训练用户的数学模型940以生成用户的适应数学模型。

在一个实施例中，数学模型940表示用户的生理机能，并且可训练数学模型以生成用户的模拟用户响应于标记事件和/或标记事件组合中的选定者的生理血糖响应的适应数学模型。例如，在一个实施例中，数学模型940的方程的一个或多个参数可基于标记事件和/或标记事件组合中的选定者来定义，以生成用户的模拟用户响应于检测事件和标记事件组合中的选定者的生理血糖响应的适应数学模型。定义的每个参数都可作为标记事件和/或标记事件组合中的选定者的一个或多个的函数进行修改。

在一个实施例中，数学模型940可为特定用户或患者的“数字孪生”。数字孪生可为基于云的，或者在输注装置具有稳健并且强大的处理能力的情况下，数字孪生的创建、更新和管理不需要在云端实施，而是可在输注装置本身实施。数字孪生的实例实施例可为但不限于美国专利公开号US-2019-0321553-A1和美国专利申请序列号16/438,407中描述的类型，其中的每一个以全文引用的方式并入本文中。

数字孪生可为用户或“虚拟患者”的数学模型或模拟。举例来说，数字孪生可使用从患者的历史数据导出的一组微分方程来实施，所述微分方程共同定义或描述患者对碳水化合物摄取和胰岛素递送的血糖响应。在这方面，用于数字孪生的所得患者特定模型表示最适合用于生成模型的评估时间段内患者的历史传感器葡萄糖测量数据的模型。

数字孪生的“输出”为结合与模型相关联的各种患者特定参数值的用户的预测血糖水平或概况，其基于很可能影响患者的血糖状态的“输入”，所述输入为如递送到用户(例如，患者)的胰岛素量、用户消耗的碳水化合物量等。换句话说，数字孪生可具有各种参数，并且参数值对于每个单独用户或患者都为唯一的。举例来说，每个数字孪生可个性化并且计算各种闭环控制参数的患者特定值集合(例如，PID增益系数值、PID时间常数、基础胰岛素递送速率、碳水化合物比率、胰岛素敏感性因子、目标葡萄糖值等)，其对于每个单独患者可为唯一的。将在下文参考图14描述这类参数的实例。

可以各种方式利用数字孪生，以增强、改善或优化用户的胰岛素输注装置调节和控制胰岛素治疗的方式。举例来说，数字孪生可用于确定如何最佳地调整由用户的胰岛素输注装置的胰岛素递送控制器使用的一个或多个胰岛素递送控制算法的参数。数字孪生可用于以针对特定用户的个性化方式优化和自动设置胰岛素输注装置的所有相关设置、增益和参数。例如，数字孪生可计算治疗相关数据，如包含基础速率、胰岛素与碳水化合物(I:C)比率、胰岛素敏感性因子(ISF)、胰岛素反馈增益(IFB)、施加到PID控制器的增益、模型预测增益等的基础概况，以在个性化的基础上改善胰岛素泵治疗。推荐的调整可由胰岛素递送控制器自动实施，或其可在由患者、护理人员、父母等确认后进行。

图13为说明根据某些实施例的用于基于标记事件和/或标记事件组合来训练数学模型940的方法1000的流程图。图13的步骤1002、1004、1006和1008与图11的步骤802、804、806和808相同，并且因此，为了简洁起见，这里将不再重复。如参考图10所描述的，存储装置928(图12)将检测事件的数据库存储为标记事件，并且将检测事件的不同组合存储为标记事件组合。每个标记事件和每个标记事件组合可包含标记和特定标记事件或特定标记事件组合的增加的胰岛素递送需求或减少的胰岛素递送需求的概率。举例来说，每个标记事件和标记事件组合可与以下相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。在一些情况下，胰岛素递送需求可与指示以下的预测血糖结果相关联：当概率大于阈值时将增加胰岛素递送需求的即将到来的高血糖状况的概率，或当概率大于另一个阈值时将减少胰岛素递送需求的即将到来的低血糖状况的概率。

图13的方法1000与图11的方法800的不同如下。在1009处，在服务器系统916处的适应过程929可从维持在存储装置928中的数据库中检索标记事件和/或标记事件组合中的选定者。标记事件和/或标记事件组合可根据实施方案和正在进行的训练而变化。

在1010处，选择和检索(在1009处)的标记事件和/或标记事件组合可用于训练表示用户的生理机能的数学模型940以生成用户的适应数学模型。举例来说，可训练数学模型以生成用户的模拟用户响应于标记事件和/或标记事件组合中的选定者的生理血糖响应的适应数学模型。例如，在一个实施例中，数学模型940的方程的一个或多个参数可基于标记事件和/或标记事件组合中的选定者来定义，以生成用户的模拟用户响应于检测事件和标记事件组合中的选定者的生理血糖响应的适应数学模型。定义的每个参数都可作为标记事件和/或标记事件组合中的选定者的一个或多个的函数进行修改。

图14为示出可调整治疗参数以及它们受到检测事件的影响(如由符号X指定)或不受检测事件的影响(如由符号N/A指定)的实例的表(表1)。

在表1所示的此非限制性实例中，可调整参数示出可响应于检测事件而受到影响和修改的各种常数和参数。可调整参数包含：表示皮下隔室和血浆隔室之间的净胰岛素扩散速率的第一患者特定时间常数(τ

如图14的表1所说明的，表示皮下隔室和血浆隔室之间的净胰岛素扩散速率的第一患者特定时间常数(τ

应当理解，表1中所示的可调整治疗参数和检测事件的实例为非限制性的并且出于说明目的而提供。在这方面，应该注意的是，表1中所示的可调整治疗参数可基于表1中未示出的其它检测事件进行修改，并且表1中未示出的其它可调整治疗参数可基于表1中所示的检测事件和/或表1中未示出的其它检测事件检测事件进行修改。

如参考图12-14所述，表示用户的生理机能的数学模型可基于标记事件和/或标记事件组合中的选定者来训练以生成模拟用户响应于标记事件和/或标记事件组合中的选定者的生理血糖响应的适应数学模型。现在将参考图15-17描述替代实施例。

图15为说明根据某些实施例的系统1100的框图。如图12所示，在一个非限制性实施方案中，系统1100可包含用户的胰岛素输注装置1102、姿势检测系统1104、姿势检测装置1106、膳食跟踪系统1108、服务器系统1116(具有事件分类器1120、标记过程1122和存储装置1128)，以及数学模型1140。这些装置、系统和模型参考图10-13进行描述，并且为了简洁起见，这些装置、系统和模型的描述将不再重复。如参考图10所描述的，尽管未说明，但系统1100还可包含可为图1的事件检测系统107的一部分的其它系统和组件。因此，姿势检测系统1104、活动跟踪器装置1106和膳食跟踪系统1108为可为图1的事件检测系统107的一部分的系统和装置的非限制性实例。

图15的系统1100与图12的系统700的不同之处在于，标记过程1122可对检测事件和/或其组合执行另外处理，以确定禁食时段和禁食时段的对应数据集，并且确定餐后时段和餐后时段的对应数据集。此外，适应过程1129可从维持在存储装置1128中的数据库中检索不同时段的标记事件和/或标记事件组合中的选定者，并且生成用于训练数学模型1140的不同方面的不同时段的标记事件和/或标记事件组合的不同流。

举例来说，适应过程1129可从维持在存储装置1128中的数据库中检索禁食时段的标记事件和/或标记事件组合中的选定者，并且生成用于训练数学模型1140的某些方面的禁食时段的标记事件和/或标记事件组合的一个或多个流。在一个实施例中，数学模型1140的方程的某些参数可基于禁食时段的标记事件和/或标记事件组合中的选定者针对禁食时段进行定义，以在禁食时段期间生成用户的适应数学模型。适应数学模型响应于在禁食时段期间标记事件和/或标记事件组合中的那些选定者来识别用户的生理血糖响应的禁食参数。定义的那些参数可作为禁食时段的标记事件和/或标记事件组合中的选定者中的一个或多个的函数进行修改。

相比之下，适应过程1129可从维持在存储装置1128中的数据库中检索餐后时段的标记事件和/或标记事件组合中的选定者，并且生成用于训练数学模型1140的其它方面的餐后时段的标记事件和/或标记事件组合的单独流。在一个实施例中，数学模型1140的方程的其它参数可基于餐后时段的标记事件和/或标记事件组合中的选定者针对餐后时段进行定义，以在餐后时段期间生成用户的适应数学模型。适应数学模型响应于在餐后时段期间标记事件和/或标记事件组合中的那些选定者来识别用户的生理血糖响应的禁食参数。定义的那些参数可作为餐后时段的标记事件和/或标记事件组合中的选定者中的一个或多个的函数进行修改。

图16为说明根据某些实施例的用于基于标记事件和/或标记事件组合来训练数学模型1140的方法1000的流程图。

在1202处，服务器系统1116可在一定时段期间接收一个或多个训练数据流。训练数据可包含来自用户的胰岛素输注装置的治疗相关数据和设置。在一个实施例中，治疗相关数据和设置描述以下中的一个或多个：在一定时段期间用户的血糖水平和在一定时段期间向用户的胰岛素递送。

在1204处，事件检测系统可检测在一定时段期间的事件。每个检测事件可为指示用户的身体行为的特定条件或身体活动，如膳食摄入事件；睡眠事件；身体活动事件；锻炼事件；工作相关事件等。

在1206处，标记过程1122可处理训练数据和检测事件以确定一个或多个训练数据流内的禁食时段、一个或多个训练数据流内的餐后时段的定时以及一个或多个训练数据流内的不确定(例如，不指示禁食或餐后时段)的其它时段的定时。禁食时段可为被确定为足够准确以指示禁食葡萄糖状况的时段。餐后时段可为被确定为足够准确以指示当用户在一定时段期间消耗食物时发生的非禁食葡萄糖状况的时段。

在1208处，标记过程1122可识别来自一个或多个训练数据流内的禁食时段的训练数据的部分和来自一个或多个训练数据流内的餐后时段的训练数据的其它部分。

在1210处，适应过程1129可训练用户的数学模型以基于禁食时段的训练数据的部分和基于来自餐后时段的训练数据的其它部分来生成适应数学模型。适应过程1129可基于禁食时段的训练数据来训练用户的数学模型，以适应用户的数学模型，以识别用户的生理血糖响应的禁食参数，并且可基于来自餐后时段的其它训练数据来训练用户的数学模型，以另外适应用户的数学模型，以在餐后时段期间以不同方式识别用户的生理血糖响应的禁食参数。在一些实施方案中，适应过程1129可在不同的迭代中训练数学模型，例如，首先基于禁食时段的训练数据，并且然后基于来自餐后时段的其它训练数据，或反之亦然。可替代地或附加地，在一些实施方案中，适应过程1129可基于禁食时段的训练数据来训练数学模型的一些参数，并且基于来自餐后时段的其它训练数据来训练数学模型的其它参数。可替代地或附加地，在一些实施方案中，数学模型包含基于禁食时段的训练数据的部分来修改的方程，以及基于来自餐后时段的训练数据的其它部分来修改的不同方程。

维持在存储装置1128中的数据库可将检测事件存储为标记事件，并且将检测事件的不同组合存储为标记事件组合。如所描述的，每个标记事件和每个标记事件组合可包含标记和特定标记事件或检测事件的特定组合的增加的胰岛素递送需求或减少的胰岛素递送需求的概率。每个标记事件和每个标记事件组合都可与减少的胰岛素递送需求；增加的胰岛素递送需求；或普通的胰岛素递送需求相关。在此实施例中，维持在存储装置1128中的数据库可存储和识别禁食时段的训练数据的部分、餐后时段的训练数据的其它部分、禁食时段的标记事件和标记事件组合，以及餐后时期的标记事件和标记事件组合。

在1210的一个实施例中，适应过程1129可从数据库中检索禁食时段的训练数据、禁食时段的标记事件中的选定者以及禁食时段的标记事件组合中的选定者。然后，适应过程1129可基于禁食时段的训练数据、禁食时段的标记事件中的选定者和禁食时段的标记事件组合中的选定者来训练用户的数学模型1140，以适应用户的数学模型，以响应于禁食时段的标记事件中的选定者和禁食时段的标记事件组合中的选定者识别用户的生理血糖响应的禁食参数。举例来说，适应过程1129可基于禁食时段的训练数据、禁食时段的标记事件中的选定者、禁食时段的标记事件组合中的选定者和其它因素如向用户的胰岛素递送来定义数学模型1140的方程的参数，以适应用户的数学模型，以在禁食时段期间识别用户的生理血糖响应的禁食参数。基于禁食时段的训练数据来定义的每个参数可作为禁食时段的标记事件中的选定者和禁食时段的标记事件组合中的选定者中的一个或多个的函数进行修改。

类似地，适应过程1129可从数据库中检索餐后时段的训练数据、餐后时段的标记事件中的选定者以及餐后时段的标记事件组合中的选定者。然后，适应过程1129可基于餐后时段的训练数据、餐后时段的标记事件中的选定者和餐后时段的标记事件组合中的选定者来训练用户的数学模型1140，以适应用户的数学模型，以响应于餐后时段的标记事件中的选定者和餐后时段的标记事件组合中的选定者在餐后时段期间识别用户的生理血糖响应的禁食参数。举例来说，适应过程1129可基于餐后时段的训练数据、餐后时段的标记事件中的选定者、餐后时段的标记事件组合中的选定者和其它因素如用户的碳水化合物摄取和向用户的胰岛素递送来定义数学模型1140的方程的参数，以适应用户的数学模型，以在餐后时段期间识别用户的生理血糖响应的禁食参数。基于餐后时段的训练数据来定义的每个参数可作为餐后时段的标记事件中的选定者和餐后时段的标记事件组合中的选定者中的一个或多个的函数进行修改。

图17为说明根据某些实施例的系统1300的框图。系统1300包含具有与其相关联的分析物传感器1304的离散胰岛素治疗系统1303、任选的事件检测系统1307、服务器系统1316和数学模型1340。

离散胰岛素治疗系统1303可使用参照图1描述的离散胰岛素治疗系统103、参照图3B描述的智能胰岛素笔160、参照图4描述的智能笔附件170、参照图5描述的注射笔200和/或参照图10描述的胰岛素输注装置702中的任一个来实施。结合离散胰岛素治疗系统1303使用的分析物传感器1304可使用参照图1描述的分析物传感器112、参照图7描述的葡萄糖传感器系统408和/或图9的连续葡萄糖监测装置中的任一个来实施。

事件检测系统1307可使用参照图1描述的事件检测系统107、参照图8描述的基于姿势的事件检测系统500、参照图9描述的姿势通知患者管理系统600和/或姿势检测系统704、活动跟踪器装置706以及参照图10描述的膳食跟踪系统708(以及图12和15的等效元件)的任何或所有组件来实施。

服务器系统1316(具有事件分类器1320、标记过程1322、存储装置1328和适应过程1329)可使用参照图1描述的事件分类服务111、数据库114和数据处理系统116、参照图10描述的服务器系统716、参照图12描述的服务器系统916，以及参照图15描述的服务器系统1116中的任一个来实施。数学模型1340可使用参照图12-16描述的数学模型940、1140来实施。这些装置、系统和模型参考图1-16进行描述，并且为了简洁起见，这些装置、系统和模型的描述将不再重复。

图17的系统1300与图10的系统700、图12的系统900和图15的系统1100的不同之处在于它利用从离散胰岛素治疗系统1303获取的信息来训练数学模型1340。如图17所示的实施例所说明的，服务器系统316可从用户的离散胰岛素治疗系统1303接收训练数据。训练数据可包含在一定时段期间的治疗相关数据和设置1330，其包含但不限于指示在一定时段期间向用户的胰岛素递送1332、在一定时段期间用户的碳水化合物摄取1334的数据以及指示在一定时段期间用户的血糖水平的血糖数据1336。在一些实例中，服务器系统1316从用户装置(例如，图1的用户装置108)(图17中未示出)获得碳水化合物摄取数据1334。在一些实例中，服务器系统1316从另一个医疗装置或用户装置(例如，在图18中未示出的图1的血糖仪和用户装置108)获得血糖数据1336。因为胰岛素治疗系统1303为离散系统，所以在一定时段期间向用户的胰岛素递送1332可包含关于长效胰岛素的数据和关于速效胰岛素的数据中的一个或多个。关于长效胰岛素的数据可包含长效胰岛素的类型、长效胰岛素的剂量、在一定时段期间待由用户注射的长效胰岛素单位的数量以及在一定时段期间长效胰岛素单位的注射的定时推荐和/或待注射的团注。关于长效胰岛素的数据可包含长效胰岛素的类型、长效胰岛素的剂量(例如，施用或推荐剂量)、在一定时段期间由用户注射或待由其注射的长效胰岛素单位的数量(例如，施用或推荐注射)以及在一定时段期间长效胰岛素单位的注射的定时信息(例如，施用或推荐注射的时间信息)。关于速效胰岛素的数据可包含速效胰岛素的类型、速效胰岛素的剂量(例如，施用或推荐剂量)、在葡萄糖升高的子时段期间在一定时段期间待由用户注射的速效胰岛素单位的数量和/或待注射的团注(例如，施用或推荐注射)、在一定时段期间在消耗特定量的碳水化合物之前待由用户注射的速效胰岛素单位的数量和/或待注射的团注(例如，施用或推荐注射)，以及在一定时段期间注射速效胰岛素单位的定时推荐和/或待注射的团注(例如，施用或推荐注射的时间信息)。

在一个实施例中，治疗相关数据和设置1330可直接用于训练表示用户的生理机能的数学模型1340。换句话说，不使用事件分类器1320和标记过程1322。在这类实施例中，数学模型1340可基于训练数据来训练以生成用户的适应数学模型。用户的适应数学模型模拟响应于向用户的胰岛素递送1332和用户的碳水化合物摄取1334的用户的生理血糖响应。

在另一个实施例，图15的系统1100还可利用从事件检测系统1307(以及其各种装置和系统)获取的事件和事件数据来训练数学模型1340，如现在将在下文描述的。

在一些实例中，事件检测系统1307检测在一定时段期间的事件。如所描述的，每个检测事件可为指示用户的身体行为的特定条件或身体活动。然后，数学模型1340可基于训练数据和检测事件中的至少一个来训练以生成用户的模拟用户响应于检测事件中的至少一个和相关联的事件数据的生理血糖响应的适应数学模型1340。检测事件和事件数据可用于训练数学模型1340，而无需通过事件分类器1320和标记过程1322进行处理。举例来说，基于训练数据(例如，用户的碳水化合物摄取1334和向用户的胰岛素递送1332)和检测事件中的至少一个，适应过程1329可定义数学模型1340的方程的一个或多个参数以生成用户的模拟用户的生理血糖响应的适应数学模型1340。由适应过程1329定义的每个参数可作为检测事件中的至少一个的函数进行修改。

在一些实例中，使用事件分类器1320和标记过程1322。每个检测事件可包含标记和检测事件的增加的胰岛素递送1332需求或减少的胰岛素递送1332需求的概率，如参考图12-16所描述的。换句话说，事件分类器1320可将每个检测事件与以下相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。然后，标记过程1322可将标记添加到每个检测事件(或检测事件的组合)并且使每个检测事件(或检测事件的组合)与减少的胰岛素递送需求、增加的胰岛素递送需求或普通的胰岛素递送需求相关联。然后，适应过程1329可基于标记事件和/或标记事件组合来训练数学模型1340，如参考图12-16所描述的。

在一些情况下，胰岛素治疗系统(例如，菊粉注射装置)、膳食跟踪系统、医疗装置和/或用户装置可能不可用(例如，无法访问、未使用等)并且不能够提供训练数据来训练类似于以上所描述的那些的数学模型。在这种情况下，使用替代数据源来训练数学模型将为有帮助的。

图18为说明根据某些实施例的系统1400的框图。系统1400包含存储先前从用户的胰岛素治疗系统获取的治疗相关数据和设置的历史数据库1430、预测关于由用户消耗的膳食的信息(称为预测膳食数据1434)的膳食预测系统1432、任选的事件检测系统1407、服务器系统1416和数学模型1440。

事件检测系统1407为任选的并且可在一些实施例中使用参照图1描述的事件检测系统107、参照图8描述的基于姿势的事件检测系统500、参照图9描述的姿势通知患者管理系统600和/或参照图10描述的姿势检测系统704、活动跟踪器装置706和膳食跟踪系统708(和图12和15的等效元件)的任何或所有组件来实施。服务器系统1416可使用参照图1描述的数据库114和数据处理系统116、参照图10描述的服务器系统716、参照图12描述的服务器系统916和参照图15描述的服务器系统1116中的任一个来实施。根据实施方案，服务器系统1416可具有事件分类器1420(例如，使用图1的事件分类服务111实施)、标记过程1422、存储装置1428和/或适应过程1429。数学模型1440可使用参照图12-16描述的数学模型940、1140来实施。这些装置、系统和模型参考图1-16进行描述，并且为了简洁起见，这些装置、系统和模型的描述将不再重复。

图18的系统1400与图10的系统700、图12的系统900和图15的系统1100的不同之处在于系统1400利用从历史数据库1430和膳食预测系统1432获取的信息来训练数学模型1440。如图18所示的实施例所说明的，服务器系统1416可接收训练数据，其包含来自历史数据库1430的历史治疗相关数据和设置以及来自膳食预测系统1432的预测膳食数据1434。来自历史数据库1430的历史治疗相关数据和设置可包含但不限于，指示在一定时段期间向用户的胰岛素递送的数据，和/或指示在一定时段期间用户的血糖水平的血糖数据。预测膳食数据1434可包含但不限于指示在一定时段期间用户的预测碳水化合物摄取的数据。

在一些实施例中，来自数据库1430的历史治疗相关数据和设置以及预测膳食数据1434可直接用于训练表示用户的生理机能的数学模型1440。换句话说，不使用事件分类器1420和标记过程1422。数学模型1440可基于来自历史数据库1430的历史治疗相关数据和设置以及预测膳食数据1434来训练，以生成用户的适应数学模型。用户的适应数学模型模拟用户响应于向用户的胰岛素递送和可为预测膳食数据1434的一部分的用户的预测碳水化合物摄取的生理血糖响应。

在一些实施例中，图15的系统1100还可利用从事件检测系统1407(以及其各种装置和系统)获取的事件和事件数据来训练数学模型1440。事件检测系统1407检测在一定时段期间的事件。如所描述的，每个检测事件可为指示用户的身体行为的特定条件或身体活动。然后，数学模型1440可基于来自历史数据库1430的历史治疗相关数据和设置、包含用户的碳水化合物摄取的预测膳食数据1434以及检测事件中的至少一个来训练以生成用户的适应数学模型1440。适应数学模型1440模拟用户的生理血糖响应。在此实施方案中，检测事件和事件数据可用于训练数学模型1440，而无需通过事件分类器1420和标记过程1422进行处理。举例来说，基于来自历史数据库1430的历史治疗相关数据和设置、预测膳食数据1434(例如，用户的预测碳水化合物摄取)和检测事件中的至少一个，适应过程1429可定义数学模型1440的方程的一个或多个参数以生成用户的适应数学模型1440。适应数学模型1440模拟用户例如响应于检测事件中的至少一个和相关联的事件数据的生理血糖响应。由适应过程1429定义的至少一些参数可作为检测事件中的一个或多个的函数进行修改。当关于用户的胰岛素水平的信息可用(例如，在用户具有可提供指示在一定时段期间向用户的胰岛素递送的数据和/或指示在一定时段期间在一定时段期间用户的血糖水平的血糖数据的胰岛素治疗系统的情况下)和/或膳食摄取可用(例如，在用户具有可用的膳食跟踪系统并且使用其输入关于膳食在一定时段期间消耗的信息的情况下)时，可使适应数学模型1440更准确。

在一些实例中，还可实施事件分类器1420和标记过程1422，使得每个检测事件或检测事件的组合可具有与其相关联的概率(例如，检测事件的增加的胰岛素递送需求、检测事件的减少的胰岛素递送需求的概率，或检测事件的普通的胰岛素递送需求的概率)，并且进行标记，如参考图12-16所描述的。换句话说，事件分类器1420可将每个检测事件与以下相关：当减少的胰岛素递送需求的概率大于第一阈值时减少的胰岛素递送需求；当增加的胰岛素递送需求的概率大于第二阈值时增加的胰岛素递送需求；或当减少的胰岛素递送需求的概率小于第一阈值并且增加的胰岛素递送需求的概率小于第二阈值时普通的胰岛素递送需求。然后，标记过程1422可将标记添加到每个检测事件(或检测事件的组合)并且使每个检测事件(或检测事件的组合)与减少的胰岛素递送需求、增加的胰岛素递送需求或普通的胰岛素递送需求相关联。然后，适应过程1429可基于来自数据库1430的历史治疗相关数据和设置、预测膳食数据1434以及一个或多个标记事件和/或一个或多个标记事件组合来训练数学模型1440，如参考图12-16所描述的。

结合本文公开的方法执行的各种任务可由软件、硬件、固件或其任何组合来执行。应当理解，所说明的过程的实施例可包含任何数量的附加或替代任务，图中所示的任务不必以所说明次序执行，并且公开的过程可并入具有未在本文详细描述的附加功能的更全面的程序或过程中。此外，图中所示的任务中的一个或多个可从所描绘的过程的实施例省略，只要预期的整体功能性仍完整即可。

虽然前述具体实施方式中已经呈现了至少一个示例性实施例，但是应当理解，存在大量变化。还应当理解，本文中描述的一个或多个示例性实施例并非旨在以任何方式限制所要求保护的主题的范围、适用性或配置。更准确地说，前述具体实施方式将向本领域的技术人员提供用于实施所描述的一个或多个实施例的方便的指南。应当理解，在不脱离由权利要求限定的范围的情况下，可以对元件的功能和布置作出各种改变，其包含在提交本专利申请时已知的等同物和可预见的等同物。