买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉济南鑫贝西生物技术有限公司;山东博科保育科技股份有限公司申请的专利结合强化学习与代谢仿真的胰岛素输注决策系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120565097B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511053570.1，技术领域涉及：G16H50/50；该发明授权结合强化学习与代谢仿真的胰岛素输注决策系统及方法是由袁文虎;孟坤;潘成浩;张玉玲;杨兴顺设计研发完成，并于2025-07-30向国家知识产权局提交的专利申请。

本结合强化学习与代谢仿真的胰岛素输注决策系统及方法在说明书摘要公布了：本发明公开了结合强化学习与代谢仿真的胰岛素输注决策系统及方法，属于临床决策辅助领域，包括采集处理模块、代谢仿真模块、动态更新模块、路径仿真模块、策略控制模块、监测约束模块、决策分析模块、修正处理模块、训练优化模块以及注射控制模块；本发明能够精准反映患者自身代谢特性，使胰岛素决策更具针对性，实现模型的自动化调整，保持对患者状态的实时感知与响应，避免模型老化或误差积累带来的风险，增强长期控制能力，在保障血糖稳定的同时提升控制效率，提升系统容错能力，提高临床决策的可解释性与安全保障，增强医生信任度。

本发明授权结合强化学习与代谢仿真的胰岛素输注决策系统及方法在权利要求书中公布了：1.结合强化学习与代谢仿真的胰岛素输注决策系统，其特征在于，包括采集处理模块、代谢仿真模块、动态更新模块、路径仿真模块、短期控制模块、策略学习模块、监测约束模块、决策分析模块、修正处理模块、训练优化模块以及注射控制模块； 所述代谢仿真模块依据处理后的各项实时生理数据，构建并初始化个体代谢模型； 所述动态更新模块根据实时生理数据，修正个体代谢模型参数； 所述路径仿真模块依据修正后的个体代谢模型，对不同胰岛素输入策略下的葡萄糖-胰岛素代谢过程进行仿真预测，并生成对应患者的生理变量变化趋势； 所述策略控制模块用于依据患者的生理变量变化趋势，调节当前时刻的基础胰岛素输注率，优化长期胰岛素输注策略； 所述修正处理模块依据仿真预测结果，识别潜在干预失效的元因，并对策略输出进行剂量修正； 所述代谢仿真模块构建并初始化个体代谢模型的具体步骤如下： S1.1：将连续血糖监测数据、胰岛素注射记录、饮食摄入信息、体重以及运动强度各实时生理数据，根据采集的时间戳进行数据对齐，以构造统一的输入向量集，其中，代表第个时间点，代表时间点的血糖值，代表时间点的胰岛素注射剂量，代表时间点的碳水摄入量，代表时间点的身体活动强度指标； S1.2：依据实时输入向量集，计算患者在饭后血糖下降段，葡萄糖的基础利用速率，以去除胰岛素影响后的自然代谢能力，再分析患者运动期间血糖变化，计算运动诱导葡萄糖消耗速率，并依据患者葡萄糖消耗速率，获取对应患者的个体运动敏感性； S1.3：分析患者静息状态下注射胰岛素后的血糖下降趋势，计算患者基础胰岛素降糖效率，排除碳水和运动干扰，获取患者基础胰岛素敏感性，之后在清晨空腹、未注射胰岛素或摄入碳水前，监测患者血糖上升速率，并计算患者肝糖输出速率； S1.4：结合多时段测量出的葡萄糖的基础利用速率、运动诱导葡萄糖消耗率、基础胰岛素降糖效率以及肝糖输出速率，利用最小二乘方法进行参数融合生成模型参数，以建立各患者对应的个体代谢模型； 所述动态更新模块修正个体代谢模型参数的具体步骤如下： S2.1：动态更新模块接收当前时刻采集处理模块采集的新的实时生理数据，基于当前个体代谢模型参数，利用个体代谢模型仿真生成对当前状态下的患者血糖预测值，之后通过残差损失函数计算模型预测值与实时生理数据之间的损失值； S2.2：通过自动微分或数值估计获取个体代谢模型输出对参数的敏感度，并依据该敏感度信息，计算当前损失值对于对当前个体代谢模型中各参数的梯度，并使用增量梯度下降方法实时更新个体代谢模型参数； S2.3：实时记录个体代谢模型的各时段的参数信息，以及参数更新次数，当参数更新次数达到预设次数阈值后，将当前个体代谢模型参数作为初始值，通过多维高斯分布计算初始值的先验概率分布，其中代表初始值的先验概率分布，代表初始均值向量，代表初始协方差矩阵； S2.4：从当前先验概率分布中随机采集多组候选参数，其中代表候选参数索引，并依据每组参数计算当前时刻的个体代谢模型的损失值，利用高斯过程拟合当前损失函数对于各个体代谢模型参数的分布，以建立对应代理模型； S2.5：基于代理模型和已观察的样本损失值，更新各候选参数的后验预测分布，根据当前代理模型的后验预测分布，计算每个候选参数的期望改进值，在候选参数中，选择期望改进值最高的候选参数作为下一时刻使用的个体代谢模型参数； S2.6：将更新后的个体代谢参数与对应损失值加入历史模型数据集中，以更新代理模型输入集，并重新统计参数更新次数，等待下一轮个体代谢模型参数更新； 所述策略控制模块调节当前时刻的基础胰岛素输注率，优化长期胰岛素输注策略的具体步骤如下： S3.1：短期控制模块建立并初始化actor网络与critic网络，短期控制模块接收患者的实时生理数据，建立的患者生理状态，再通过actor网络，利用公式，根据患者生理状态计算时刻基础胰岛素输注率，之后计算路径仿真模块模拟胰岛素注射后的预设时间段内的生理变量变化趋势的即使奖励，其中，代表actor网络函数，代表actor网络参数，患者生理状态具体表现形式如下： ； 其中，代表时刻的患者生理状态，代表时刻的血糖浓度，代表时刻的血中胰岛素浓度，代表时刻的肌肉组织摄糖速率，代表时刻的肝糖输出速率，代表时刻的胰高血糖素水平； 即使奖励具体计算公式如下： ； 式中，代表时刻的即时奖励；代表时刻模拟后的血糖值；代表目标血糖值；代表时刻的基础率变动幅度；与代表加权因子，分别用于平衡控糖精度和动作平滑性； S3.2：依据各时刻基础胰岛素输注率以及对应患者生理状态，建立多组状态-动作对，并将各组状态-动作对输入critic网络中，通过critic网络计算对应患者在当前生理状态下采取该胰岛素输注率，在预设时间段内获得的累计预期奖励； S3.3：基于当前actor网络与critic网络，分别创建actor网络与critic网络的延迟更新副本，并根据两组延迟更新副本，计算目标Q值，同时将MSE函数作为critic网络损失函数，并基于累计预期奖励以及目标Q值，计算critic网络对应的TD误差，并将TD误差在critic网络中进行反向传播，获取TD误差对于critic网络各参数的梯度，使用梯度下降法优化critic网络的延迟更新副本参数； S3.4：基于链式法则，将critic网络各参数对应的梯度输入actor网络中，获取critic网络梯度对于actor网络参数的梯度信息，并通过获取的梯度信息更新actor网络的参数，并利用Adam优化器更新actor网络的延迟更新副本参数； S3.5：反复进行actor网络与critic网络延迟更新副本参数的交替更新，直至多轮迭代后的目标Q值变化值收敛至预设范围内，之后分别利用最终延迟更新副本参数值，更新actor网络与critic网络参数； S3.6：将当前患者生理状态输入actor网络中，生成不同时间段内的各组胰岛素输注率，并分别选取critic网络中目标Q值最高的基础胰岛素输注率作为对应时段的最优动作，基于选择的不同时段的最优动作调节当前时刻的基础胰岛素输注率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人济南鑫贝西生物技术有限公司;山东博科保育科技股份有限公司，其通讯地址为：250400 山东省济南市平阴县安城镇欧莱博智能制造产业园；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。