CN110186869B - 用于估计血液化合物浓度的装置和方法 - Google Patents
用于估计血液化合物浓度的装置和方法 Download PDFInfo
- Publication number
- CN110186869B CN110186869B CN201910136908.8A CN201910136908A CN110186869B CN 110186869 B CN110186869 B CN 110186869B CN 201910136908 A CN201910136908 A CN 201910136908A CN 110186869 B CN110186869 B CN 110186869B
- Authority
- CN
- China
- Prior art keywords
- drift
- approximation
- spectral
- principal component
- compound concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 150000001875 compounds Chemical class 0.000 title claims abstract description 84
- 239000008280 blood Substances 0.000 title claims abstract description 65
- 210000004369 blood Anatomy 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 116
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011524 similarity measure Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 239000000306 component Substances 0.000 description 57
- 238000004891 communication Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000000862 absorption spectrum Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000011782 Keratins Human genes 0.000 description 1
- 108010076876 Keratins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Emergency Medicine (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
公开了一种估计血液化合物浓度的方法，可以包括：从近红外(NIR)光谱数据中去除基线漂移以获得无漂移光谱特征；基于无漂移光谱特征来获得全局特征集合；以及通过使用全局特征集合进行回归来估计所述血液化合物浓度。
Description
相关申请的交叉引用
本申请要求于2018年2月23日在印度专利局提交的印度专利申请No.201841006969和于2019年1月10日在韩国知识产权局提交的韩国专利申请No.10-2019-0003483的优先权，其公开内容通过引用整体并入本文。
技术领域
与示例性实施例一致的装置和方法涉及使用近红外(NIR)光谱数据以非侵入性方式来估计血液化合物浓度。
背景技术
监测血液化合物浓度一直是人们非常感兴趣的话题。通常，侵入性地执行监测血液化合物浓度，其中，刺穿受试(人类或动物)对象的皮肤以获得用于测试的血液样品。在非侵入性方法中，不需要采集血液样品来预测血液化合物浓度。此外，非侵入性方法提供了一种无痛的血液化合物监测手段，特别是对于那些需要每天检查几次特定化合物浓度的人。用于非侵入性地监测血液化合物浓度的一些典型方法是中红外(Mid-IR)、近红外(NIR)和拉曼光谱术。
在上述方法中，NIR光谱广泛用于监测血液化合物浓度。然而，当要在存在不感兴趣的其他化合物下计算特定化合物浓度时，基于NIR光谱数据预测特定化合物浓度是非常具有挑战性的。例如，当监测血液中的葡萄糖浓度时，血液中的其他化合物(如水、胶原蛋白、角蛋白、胆固醇等)充当干扰化合物。另一主要挑战是从NIR光谱数据中去除漂移分量，这会对用于预测的特征产生不利影响。这反过来影响基于NIR光谱数据的血液化合物的预测准确度。
在一个相关方法中，通过使用最佳滤波器去除漂移噪声。然而，该方法需要误差协方差矩阵，这是不可能精确计算的。在另一有关方法中，使用基线散射去除算法来同时计算与多个光谱相关联的漂移。然而，该方法需要关于相同化合物浓度的连续测量，因此不适于血液成分分析。
因此，需要一种从用于监测血液中化合物浓度的NIR光谱数据中去除漂移的方法。此外，还需要获得可用于使用回归预测血液化合物浓度的全局特征集合。
发明内容
示例实施例至少解决了上述问题和/或缺点以及上面未描述的其他缺点。而且，示例实施例不需要克服上述缺点，并且可以不克服上述任何问题。
根据示例实施例的一方面，提供了一种估计血液化合物浓度的方法，所述方法包括：从近红外(NIR)光谱数据中去除基线漂移以获得无漂移光谱特征；基于无漂移光谱特征来获得全局特征集合；以及通过使用全局特征集合进行回归来估计所述血液化合物浓度。
从所述NIR光谱数据中去除所述基线漂移可以包括：使用主分量分析(PCA)来从所述NIR光谱数据中去除所述漂移。
从所述NIR光谱数据中去除所述基线漂移可以包括：计算所述NIR光谱数据的多个主分量；根据所述多个主分量获得漂移近似；针对每个光谱特征，依据所述光谱特征的幅值，根据所述漂移近似获得光谱漂移近似；以及从每个光谱特征中去除相应的光谱漂移近似，以获得无漂移光谱特征。
根据所述多个主分量获得所述漂移近似可以包括：基于所述主分量随时间的变化来从所述多个主分量之中选择表征所述基线漂移的主分量；以及获得所选的主分量的预定义程度的多项式近似作为所述漂移近似。
选择表征所述基线漂移的主分量可以包括：从所述多个主分量之中选择第一主分量作为表征所述基线漂移的所述主分量。
获得所选的主分量的预定义程度的多项式近似作为所述漂移近似可以包括：获得使所述多项式近似与所述基线漂移之间的最小均方误差最小化的多项式近似作为所述漂移近似。
根据所述漂移近似获得所述光谱漂移近似可以包括：归一化所述漂移近似；以及通过将归一化的漂移近似缩放所述光谱特征的幅度跨度，获得所述光谱漂移近似。
归一化所述漂移近似可以包括：将所述漂移近似除以所述漂移近似的幅度跨度，以获得所述归一化的漂移近似。
获得所述全局特征集合包括：获得每个无漂移光谱特征与化合物矢量的相似度值；使用相似度值来获得每个无漂移光谱特征的相似度度量；基于所述相似度度量对所述无漂移光谱特征进行排序；以及选择预定义数量的无漂移光谱特征作为所述全局特征集合。
根据另一示例实施例的一方面，提供了一种包括至少一个处理器在内的血液化合物浓度预测装置，包括：漂移去除单元，被配置为从近红外(NIR)光谱数据中去除基线漂移以获得无漂移光谱特征；全局特征提取单元，被配置为基于无漂移光谱特征来获得全局特征集合；以及预测单元，被配置为通过使用全局特征集合进行回归来估计所述血液化合物浓度。
所述漂移去除单元可以使用主分量分析(PCA)从所述NIR光谱数据中去除所述基线漂移。
所述漂移去除单元可以计算所述NIR光谱数据的多个主组分；可以根据所述多个主分量获得漂移近似；可以针对每个光谱特征，依据所述光谱特征的幅值，根据所述漂移近似获得光谱漂移近似；以及可以从每个光谱特征中去除相应的光谱漂移近似，以获得所述无漂移光谱特征。
所述漂移去除单元可以基于所述主分量随时间的变化来从所述多个主分量之中选择表征所述基线漂移的主分量；以及可以获得所选的主分量的预定义程度的多项式近似作为所述漂移近似。
所述漂移去除单元可以从所述多个主分量之中选择第一主分量作为表征所述基线漂移的所述主分量。
所述漂移去除单元可以获得使所述多项式近似与所述基线漂移之间的最小均方误差最小化的多项式近似作为所述漂移近似。
所述漂移去除单元可以归一化所述漂移近似；以及可以通过将归一化的漂移近似缩放所述光谱特征的幅度跨度，获得所述光谱漂移近似。
所述漂移去除单元可以将所述漂移近似除以所述漂移近似的幅度跨度，以获得所述归一化漂移近似。
所述全局特征提取单元可以获得每个无漂移光谱特征与化合物矢量的相似度值；可以使用相似度值来获得每个无漂移光谱特征的相似度度量；可以基于所述相似度度量对所述无漂移光谱特征进行排序；以及可以选择预定义数量的无漂移光谱特征作为所述全局特征集合。
附图说明
参考附图，通过描述某些示例性实施例，以上和/或其他方面将更显而易见，在附图中：
图1A是示出根据一个示例实施例的使用近红外光谱数据非侵入性地预测感兴趣的血液化合物浓度的方法的流程图；
图1B是示出根据一个示例实施例的血液化合物浓度预测装置的框图；
图2A示出了根据一个示例实施例的测试对象S11的NIR光谱数据的第一主分量和对应的线性近似的图形表示；
图2B示出了根据一个示例实施例的测试对象S61的NIR光谱数据的第一主分量和对应线性近似的图形表示；
图2C示出了根据一个示例实施例的测试对象S71的NIR光谱数据的第一主分量和对应线性近似的图形表示；
图3示出了根据一个示例实施例的与测试对象S11对应的NIR光谱数据的4抽取的第一主分量；
图4是示出根据一个示例实施例的使用主分量分析去除漂移的方法的流程图；
图5是示出根据一个示例实施例的在用于化合物浓度预测的全局特征提取中涉及的一个或多个操作的流程图；以及
图6是示出根据另一示例实施例的血液化合物浓度预测装置的框图。
具体实施方式
以下参考附图更详细地描述示例性实施例。
在以下描述中，即使在不同的附图中，类似的附图标记也用于类似的元素。说明书中定义的内容(例如详细的构造和元件)被提供为有助于全面理解示例性实施例。然而，显而易见地，可以在不具体限定内容的情况下实践示例性实施例。此外，并不详细地描述公知的功能或构造，这是因为它们会由于不必要的细节而使描述模糊。
说明书可以指若干位置中的“一”、“一个”或“一些”实施例。这并不一定意味着每个这样的参考是针对相同的实施例，或者该特征仅适用于单个实施例。还可以组合不同实施例的单个特征以提供其他实施例。
如这里所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非另有明确说明。将进一步理解，当在本说明书中使用时，术语“包括”、“包含”、“包括有”和/或“包含有”指定所述特征、整数、步骤、操作、元件和/或组件的存在，但是不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合。如本文所使用的，术语“和/或”包括一个或多个相关所列项目的任何和所有组合和布置。
诸如“...中的至少一个”的表述当在元件列表之前修饰整个元件列表，而不修饰列表的单独元件。例如，表述“a、b和c中的至少一个”应该被理解为包括只有a、只有b、只有c、包括a和b二者、a和c二者、b和c二者、所有的a、b和c以及前述示例中的任何变型。
除非另外定义，否则本文使用的所有术语(包括技术和科学术语)具有与本公开所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解的是，诸如在常用词典中定义的那些术语应该被解释为具有与其在相关领域的上下文中的含义一致的含义，并且将不被理解为理想化或过于正式的含义，除非在此明确定义。
参考在附图中示出并在以下描述中详述的非限制性实施例，更全面地解释本文的实施例及其各种特征和优点。省略对众所周知的组件和处理技术的描述，以免不必要地模糊本文的实施例。本文使用的示例仅旨在便于理解本文中的实施例可以实践的方式，并且进一步使本领域技术人员能够实践本文的实施例。因此，这些实施例不应被解释为限制本文实施例的范围。
示例实施例提供了一种用于使用NIR光谱非侵入性地预测血液化合物浓度的方法。该实施例提供了一种漂移去除算法，该算法利用来自NIR光谱数据的主分量的信息进行漂移去除处理。术语“漂移”可以指代生物信号(例如光电血管容积图(PPG)信号、肌电图(EMG)信号、或心电图(ECG)信号)的基线漂移。该实施例还提供了使用回归来提取全局特征集合以预测血液化合物浓度。图1A中说明了该情况。图1A是示出根据一个示例实施例的使用近红外光谱数据非侵入性地预测感兴趣的血液化合物浓度的方法的流程图。使用本预测方法预测感兴趣的血液化合物浓度的逐步处理在本文中解释如下。在操作102中，根据主分量分析(PCA)计算NIR光谱数据集合的多个主分量。在操作104中，根据多个主分量获得漂移近似。例如，漂移近似具有使最小均方误差||p′c-pc||2最小化的值，其中p′c表示漂移近似，并且pc表示从多个主分量中所选择的主分量(例如，第一主分量)。在另一示例中，漂移近似是基于雷米兹算法所获得的多项式近似。此外，在操作106中，针对每个光谱特征，依据所述光谱特征的幅值，根据所述漂移近似获得光谱漂移近似。然后，在操作108中，通过从每个光谱特征中减去相应的光谱漂移近似来从光谱特征中去除漂移。在操作110中，在从光谱特征中去除漂移时，获得多个测试对象的全局特征集合。最后，在操作112中，通过使用所获得的全局特征集合进行回归来估计化合物浓度。
图1B是示出根据一个示例实施例的血液化合物浓度预测装置的框图。血液化合物浓度预测装置150可以嵌入电子装置中。电子装置的示例可以包括蜂窝电话、智能电话、平板电脑、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、MP3播放器、数码相机、可穿戴设备等，并且可穿戴设备的示例可以包括手表式设备、腕带式设备、戒指式设备、腰带式设备、项链式设备、踝带式设备、大腿带式设备、前臂带式设备等。然而，电子设备不限于上述示例，并且可穿戴设备不限于此。
根据一个示例实施例，血液化合物浓度预测装置150可以包括漂移去除单元152、全局特征提取单元154和预测单元156。漂移去除单元152、全局特征提取单元154和预测单元156可以由一个或多个处理器实现。漂移去除单元152根据NIR光谱数据计算并去除漂移。详细地，NIR光谱数据如下获得。
首先，使用标准侵入性过程(例如，使用拍击(cuff)的血压测量)获得血液化合物的值。然后，使用近红外光谱仪对人/测试对象进行非侵入性光谱扫描，以获得原始NIR光谱。原始NIR光谱标记为血液化合物值，该血液化合物值是从非侵入性过程获得的，并且存储在血液化合物浓度预测装置150中。进一步预处理获得的原始NIR光谱以获得化合物光谱。可以使用在连续测量中获得的数据将化合物光谱和关联的化合物值布置成矩阵X的形式，矩阵X将在本文的其余部分中称为数据矩阵。
这里，c＝[c1 c2.....cN]T是化合物矢量。矩阵S是NIR光谱数据。NIR光谱数据受漂移影响，这进而影响感兴趣的化合物的预测准确度。矩阵S的每列是与波长λ相关联的吸收光谱，并且可以由矢量sλ表示。可以注意到，一些实施例中的吸收光谱sλ可以互换地称为“光谱特征”或“特征”。
吸收光谱sλ可以写为：
这里，是真实吸收光谱，并且fλ是影响真实吸收光谱的漂移。
漂移去除单元152获得漂移分量f′λ的估计，并从sλ中减去f′λ以获得无漂移光谱表达为：
在一个示例实施例中，漂移去除单元152使用主分量分析(PCA)来去除漂移。漂移去除单元152执行PCA操作以用于获得第i主分量 被描述为：
Z＝PCA(S)
这里，变量遵循标准符号标记法。如果数据集合上的漂移分量足够大到影响基于集合的预测，则很可能在数据集合的第一主分量中表现出来。否则，漂移将表现为第i主分量。此外，由于所有主分量都是不相关的，所以合理的假设是：如果在第i主分量中捕获漂移分量，则它不太可能在任何其他主分量中表现显著。设表现出漂移的第i主分量用pc表示。在示例实施例中，可以从多个主分量中选择第一主分量，以在第一主分量的值随时间的变化大于预定值时去除漂移分量。
图2A至图2C示出了根据一个示例实施例的标记为S11、S61和S71的不同测试对象的NIR光谱数据的第一主分量和对应线性近似的图形表示。如图2A至图2C所示，漂移分量存在主导。线性近似的斜率给出了漂移相对于时间的变化率。
图3示出了根据一个示例实施例的与测试对象S11对应的NIR光谱数据的4抽取的第一主分量。NIR光谱数据表达为：
S的d抽取定义为：
通过从矩阵S中每隔d-1行抽取的1行来获得集合Sd。如图3所示，Sd的第一主分量由线性近似表征，其斜率为图2A中的原始矩阵S的斜率的约4倍。这表明在该示例中在第一主分量中捕获漂移分量。
图4是示出根据一个示例实施例的使用主分量分析去除漂移的方法的流程图。根据该示例实施例，漂移去除单元152使用主分量分析来去除漂移。此处解释由漂移去除单元152执行的逐步处理如下。在操作402中，从多个主分量中选择表征漂移的主分量pc。在操作404中，获得所选的主分量pc的多项式近似pc′作为漂移近似。在一个实施例中，漂移近似pc′可以被获得为pc′，其使最小均方误差||p′c-pc||2最小化。此外，在操作406中，对于每个sλ，根据sλ的幅值缩放漂移近似，以获得光谱漂移近似f′λ。光谱漂移近似f′λ获得为：
这里，ds是由ds＝(max(sλ)-min(sλ))给出的sλ的幅度跨度，并且dp是由dp＝(max(p′c)-min(p′c))给出的P′c的幅度跨度。
最后，在操作408中，通过从每个λ的相应sλ中减去光谱漂移近似f′λ来执行漂移去除。这表示为：
还被称为无漂移光谱特征或简称为无漂移特征。
图5是示出根据一个示例实施例的提取用于化合物浓度预测的全局特征的方法的流程图。在该示例实施例中，由全局特征提取单元154执行的用于提取全局特征的一个或多个操作在本文中解释如下。在操作502中，获得每个无漂移光谱特征与相应化合物矢量的相似度值。设P测试对象表示为设对象/>的对应的无漂移光谱特征表示为/>并且化合物浓度用ck表示。在一个示例实施例中，可以获得相似度值作为无漂移光谱特征/>与化合物矢量ck的相关度，该相关度可以被计算为：
在操作504中，使用遍及所有测试对象获得的相似度值来获得每个无漂移光谱特征的相似度度量。在一个示例实施例中，可以将相似度度量计算为：
在操作506中，根据相似度度量对无漂移光谱特征进行排序。在操作508中，按照排序的次序选择K数量个无漂移光谱特征，以使用回归来预测化合物浓度。数量K可以具有预定值，和/或可以基于于用于预测所采用的特定回归方法的性能来决定。K数量个无漂移特征在本文的其余部分中称为“全局特征”。
现在，基于所获得的全局特征，预测单元156使用根据无漂移光谱数据的回归来预测或估计血液化合物浓度。
图6是示出根据另一示例实施例的血液化合物浓度预测装置的框图。血液化合物浓度预测装置600可以嵌入在电子装置中。电子装置的示例可以包括蜂窝电话、智能电话、平板电脑、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、MP3播放器、数码相机、可穿戴设备等，并且可穿戴设备的示例可以包括手表式设备、腕带式设备、戒指式设备、腰带式设备、项链式设备、踝带式设备、大腿带式设备、前臂带式设备等。然而，电子设备不限于上述示例，并且可穿戴设备不限于此。
参考图6，血液化合物浓度预测装置600包括处理器610、输入接口620、存储装置630、通信接口640和输出接口650。这里，处理器610可以执行上面参考图1至5描述的漂移去除单元152、全局特征提取单元154和预测单元156的操作，使得将省略其详细描述。
输入接口620可以接收NIR光谱数据，并且可以从用户接收各种操作信号的输入。在该实施例中，输入接口620可以包括键盘、圆顶开关、触摸板(静压/电容)、滚轮、拨动开关、硬件(H/W)按钮等。特别地，形成具有显示器的层结构的触摸板可以被称为触摸屏。
存储装置630可以存储用于血液化合物浓度预测装置600的操作的程序或命令，并且可以存储输入到血液化合物浓度预测装置600和从血液化合物浓度预测装置600输出的数据、以及由血液化合物浓度预测装置600处理的数据等。
存储装置630可以包括闪存类型存储器、硬盘类型存储器、多媒体卡微型存储器、卡式存储器(例如，SD存储器、XD存储器等)、随机存取存储器(RAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁存储器、磁盘和光盘等中的至少一个存储介质。此外，血液化合物浓度预测装置600可以操作外部存储介质，例如web存储装置等，执行存储装置630在因特网上的存储功能。
通信接口640可以与外部设备通信。例如，通信接口640可以向外部设备传送输入到血液化合物浓度预测装置600的数据、由血液化合物浓度预测装置600存储和处理的数据等，或者通信接口640可以从外部设备接收用于估计血液化合物浓度的各种数据。
在这种情况下，外部设备可以是使用输入到血液化合物浓度预测装置600的数据、存储在血液化合物浓度预测装置600中和由血液化合物浓度预测装置600处理的数据等的医疗设备、打印出结果的打印机、或者显示设备。此外，外部设备可以是数字电视、台式电脑、手机、智能手机、平板电脑、笔记本电脑、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备MP3播放器、数码相机、可穿戴设备等，但不限于此。
通信接口640可以通过使用蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WIFI通信、射频识别(RFID)通信、3G通信、4G通信、5G通信等与外部设备通信。然而，这仅是示例性的，并且通信不限于此。
输出接口650可以输出输入到血液化合物浓度预测装置600的数据、存储在血液化合物浓度预测装置600中和由血液化合物浓度预测装置600处理的数据等。在该实施例中，输出接口650可以通过使用声学方法、视觉方法和触觉方法中的至少一种来输出输入到血液化合物浓度预测装置600的数据、存储在血液化合物浓度预测装置600中和由血液化合物浓度预测装置600处理的数据等。为此，输出接口650可以包括显示器、扬声器、振动器等。
在不受此限制的情况下，示例性实施例可以体现为计算机可读记录介质上的计算机可读代码。计算机可读记录介质是可以存储可由计算机***在存储之后读取的数据的任何数据记录设备。计算机可读记录介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备。计算机可读记录介质还可以分布在网络耦合计算机***上，使得计算机可读代码以分布的方式被存储并执行。此外，示例性实施例可以作为在计算机可读传送介质(例如载波)上传送的计算机程序而被写入，并且在执行程序的通用或专用数字计算机中被接收和执行。此外，应理解，在示例性实施例中，上述装置和设备的一个或多个单元可以包括电路、处理器、微处理器等，并且可以执行存储在计算机可读介质中的计算机程序。
前述示例性实施例仅是示例性的，并且不是解释为限制性的。本教导可以容易地应用于其他类型的装置。此外，示例性实施例的描述旨在说明，而不限制权利要求书的范围，并且许多备选、修改、变型对本领域技术人员来说是显而易见的。
Claims (14)
1.一种估计血液化合物浓度的方法，所述方法包括：
从近红外NIR光谱数据中去除基线漂移以获得无漂移光谱特征；
基于所述无漂移光谱特征来获得全局特征集合；以及
通过使用所述全局特征集合进行回归来估计所述血液化合物浓度，
其中，从所述NIR光谱数据中去除所述基线漂移包括：
计算所述NIR光谱数据的多个主分量；
根据所述多个主分量获得漂移近似；
针对每个光谱特征，依据光谱特征的幅值，根据所述漂移近似获得光谱漂移近似；以及
从每个光谱特征中去除相应的光谱漂移近似，以获得所述无漂移光谱特征，并且
其中，获得所述全局特征集合包括：
获得每个无漂移光谱特征与化合物矢量的相似度值；
使用所述相似度值来获得每个无漂移光谱特征的相似度度量；
基于所述相似度度量对所述无漂移光谱特征进行排序；以及
选择预定义数量的无漂移光谱特征作为所述全局特征集合。
2.根据权利要求1所述的方法，其中，从所述NIR光谱数据中去除所述基线漂移包括：使用主分量分析PCA来从所述NIR光谱数据中去除所述基线漂移。
3.根据权利要求1所述的方法，其中，根据所述多个主分量获得所述漂移近似包括：
基于所述主分量随时间的变化来从所述多个主分量之中选择表征所述基线漂移的主分量；以及
获得所选的主分量的预定义程度的多项式近似作为所述漂移近似。
4.根据权利要求3所述的方法，其中，选择表征所述基线漂移的主分量包括：从所述多个主分量之中选择第一主分量作为表征所述基线漂移的所述主分量。
5.根据权利要求3所述的方法，其中，获得所选的主分量的预定义程度的多项式近似作为所述漂移近似包括：获得使所述多项式近似与所述基线漂移之间的最小均方误差最小化的多项式近似作为所述漂移近似。
6.根据权利要求1所述的方法，其中，根据所述漂移近似获得所述光谱漂移近似包括：
归一化所述漂移近似；以及
通过将归一化的漂移近似缩放所述光谱特征的幅度跨度，获得所述光谱漂移近似。
7.根据权利要求6所述的方法，其中，归一化所述漂移近似包括：将所述漂移近似除以所述漂移近似的幅度跨度，以获得所述归一化的漂移近似。
8.一种包括至少一个处理器在内的血液化合物浓度预测装置，包括：
漂移去除单元，被配置为从近红外NIR光谱数据中去除基线漂移以获得无漂移光谱特征；
全局特征提取单元，被配置为基于所述无漂移光谱特征来获得全局特征集合；以及
预测单元，被配置为通过使用所述全局特征集合进行回归来估计血液化合物浓度，
其中，所述漂移去除单元还被配置为：
计算所述NIR光谱数据的多个主分量；
根据所述多个主分量获得漂移近似；
针对每个光谱特征，依据所述光谱特征的幅值，根据所述漂移近似获得光谱漂移近似；以及
从每个光谱特征中去除相应的光谱漂移近似，以获得所述无漂移光谱特征，并且
其中，所述全局特征提取单元还被配置：
获得每个无漂移光谱特征与化合物矢量的相似度值；
使用所述相似度值来获得每个无漂移光谱特征的相似度度量；
基于所述相似度度量对所述无漂移光谱特征进行排序；以及
选择预定义数量的无漂移光谱特征作为所述全局特征集合。
9.根据权利要求8所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为使用主分量分析PCA从所述NIR光谱数据中去除所述基线漂移。
10.根据权利要求8所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为：
基于所述主分量随时间的变化来从所述多个主分量之中选择表征所述基线漂移的主分量；以及
获得所选的主分量的预定义程度的多项式近似作为所述漂移近似。
11.根据权利要求10所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为：从所述多个主分量之中选择第一主分量作为表征所述基线漂移的所述主分量。
12.根据权利要求10所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为：获得使所述多项式近似与所述基线漂移之间的最小均方误差最小化的多项式近似作为所述漂移近似。
13.根据权利要求8所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为：
归一化所述漂移近似；以及
通过将归一化的漂移近似缩放所述光谱特征的幅度跨度，获得所述光谱漂移近似。
14.根据权利要求13所述的血液化合物浓度预测装置，其中，所述漂移去除单元还被配置为：将所述漂移近似除以所述漂移近似的幅度跨度，以获得所述归一化的漂移近似。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201841006969 | 2018-02-23 | ||
| IN201841006969 | 2018-02-23 | ||
| KR10-2019-0003483 | 2019-01-10 | ||
| KR1020190003483A KR20190101867A (ko) | 2018-02-23 | 2019-01-10 | 혈중 성분의 농도 예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110186869A CN110186869A (zh) | 2019-08-30 |
| CN110186869B true CN110186869B (zh) | 2023-08-15 |
Family
ID=65576142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136908.8A Active CN110186869B (zh) | 2018-02-23 | 2019-02-22 | 用于估计血液化合物浓度的装置和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11504070B2 (zh) |
| EP (1) | EP3531110A1 (zh) |
| CN (1) | CN110186869B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11796465B2 (en) * | 2020-02-06 | 2023-10-24 | Samsung Electronics Co., Ltd. | Method and system for predicting blood compound concentration of a target |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1214768A (zh) * | 1996-02-02 | 1999-04-21 | 量度测试设备股份有限公司 | 无损伤性红外分光术中多光谱分析用的方法和装置 |
| CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
| EP2400288A1 (en) * | 2002-02-11 | 2011-12-28 | Bayer Corporation | Non-invasive system for the determination of analytes in body fluids |
| CN102608061A (zh) * | 2012-03-21 | 2012-07-25 | 西安交通大学 | 一种改进的tr多组分气体傅里叶变换红外光谱特征变量提取方法 |
| CN103027692A (zh) * | 2012-12-27 | 2013-04-10 | 天津大学 | 一种基于不确定度的动态光谱数据处理方法 |
| JP2015225081A (ja) * | 2014-05-28 | 2015-12-14 | 天津先陽科技発展有限公司 | 拡散スペクトルデータの処理方法及び処理装置 |
| WO2016177777A1 (en) * | 2015-05-05 | 2016-11-10 | Sime Diagnostics | System and method for measuring the concentration of an analyte in a blood sample |
| CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
| CN107440684A (zh) * | 2016-05-09 | 2017-12-08 | 三星电子株式会社 | 用于预测分析物的浓度的方法和设备 |
| CN107664622A (zh) * | 2016-07-29 | 2018-02-06 | 三星电子株式会社 | 用于估计血液中物质的装置和方法 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5553615A (en) * | 1994-01-31 | 1996-09-10 | Minnesota Mining And Manufacturing Company | Method and apparatus for noninvasive prediction of hematocrit |
| US5991653A (en) | 1995-03-14 | 1999-11-23 | Board Of Regents, The University Of Texas System | Near-infrared raman spectroscopy for in vitro and in vivo detection of cervical precancers |
| US6697654B2 (en) * | 1999-07-22 | 2004-02-24 | Sensys Medical, Inc. | Targeted interference subtraction applied to near-infrared measurement of analytes |
| JP2003042948A (ja) | 2001-08-03 | 2003-02-13 | Univ Waseda | グルコース濃度測定装置 |
| US6862534B2 (en) * | 2001-12-14 | 2005-03-01 | Optiscan Biomedical Corporation | Method of determining an analyte concentration in a sample from an absorption spectrum |
| US20070299617A1 (en) | 2006-06-27 | 2007-12-27 | Willis John P | Biofouling self-compensating biosensor |
| US20110009720A1 (en) | 2006-11-02 | 2011-01-13 | Kislaya Kunjan | Continuous whole blood glucose monitor |
| US8124415B2 (en) * | 2006-12-14 | 2012-02-28 | National Research Council Of Canada | Method and test for blood serum component analysis |
| US20120104253A1 (en) * | 2009-07-16 | 2012-05-03 | Hitachi High-Technologies Corporation | Charged particle beam microscope and measuring method using same |
| US8843324B2 (en) * | 2011-02-03 | 2014-09-23 | Nova Chemicals (International) S.A. | Double derivative NIR process control |
| EP2893328B1 (en) | 2012-09-05 | 2017-02-22 | Roche Diabetes Care GmbH | Method and device for determining sample application |
| EP3662833A1 (en) | 2013-02-20 | 2020-06-10 | Dexcom, Inc. | Retrospective retrofitting method to generate a continuous glucose concentration profile |
| US9649059B2 (en) | 2013-12-16 | 2017-05-16 | Medtronic Minimed, Inc. | Methods and systems for improving the reliability of orthogonally redundant sensors |
| US20160029931A1 (en) | 2014-07-31 | 2016-02-04 | Sano Intelligence, Inc. | Method and system for processing and analyzing analyte sensor signals |
| US10772541B2 (en) * | 2014-08-21 | 2020-09-15 | I. R. Med Ltd. | System and method for noninvasive analysis of subcutaneous tissue |
| JP2016152839A (ja) | 2015-02-20 | 2016-08-25 | セイコーエプソン株式会社 | 検出素子の駆動方法、検出素子、測定装置およびインシュリンポンプ |
| EP3381368A1 (en) | 2017-03-27 | 2018-10-03 | Samsung Electronics Co., Ltd. | Method of enabling feature extraction for glucose monitoring using near-infrared (nir) spectroscopy |
| CN110545725A (zh) | 2017-04-18 | 2019-12-06 | 兴和株式会社 | 计算血液的吸收光谱的信息处理方法、信息处理装置和程序 |
| KR102539144B1 (ko) | 2017-10-19 | 2023-06-01 | 삼성전자주식회사 | 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법 |
-
2019
- 2019-02-22 EP EP19158769.0A patent/EP3531110A1/en active Pending
- 2019-02-22 CN CN201910136908.8A patent/CN110186869B/zh active Active
- 2019-02-22 US US16/282,422 patent/US11504070B2/en active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1214768A (zh) * | 1996-02-02 | 1999-04-21 | 量度测试设备股份有限公司 | 无损伤性红外分光术中多光谱分析用的方法和装置 |
| EP2400288A1 (en) * | 2002-02-11 | 2011-12-28 | Bayer Corporation | Non-invasive system for the determination of analytes in body fluids |
| CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
| CN102608061A (zh) * | 2012-03-21 | 2012-07-25 | 西安交通大学 | 一种改进的tr多组分气体傅里叶变换红外光谱特征变量提取方法 |
| CN103027692A (zh) * | 2012-12-27 | 2013-04-10 | 天津大学 | 一种基于不确定度的动态光谱数据处理方法 |
| JP2015225081A (ja) * | 2014-05-28 | 2015-12-14 | 天津先陽科技発展有限公司 | 拡散スペクトルデータの処理方法及び処理装置 |
| WO2016177777A1 (en) * | 2015-05-05 | 2016-11-10 | Sime Diagnostics | System and method for measuring the concentration of an analyte in a blood sample |
| CN107440684A (zh) * | 2016-05-09 | 2017-12-08 | 三星电子株式会社 | 用于预测分析物的浓度的方法和设备 |
| CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
| CN107664622A (zh) * | 2016-07-29 | 2018-02-06 | 三星电子株式会社 | 用于估计血液中物质的装置和方法 |
Non-Patent Citations (1)
| Title |
|---|
| A NIRS–fMRI investigation of prefrontal cortex activity during a working memory task;Hiroki Sato等;《NeuroImage》;第83卷(第7期);158-173 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110186869A (zh) | 2019-08-30 |
| US11504070B2 (en) | 2022-11-22 |
| EP3531110A1 (en) | 2019-08-28 |
| US20190261928A1 (en) | 2019-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108113683B (zh) | 用于估计生物成分的装置和方法 | |
| US10794942B2 (en) | Apparatus and method for processing spectrum | |
| US11627895B2 (en) | Apparatus and method for estimating analyte concentration, and apparatus and method for generating analyte concentration estimation model | |
| US11564599B2 (en) | Apparatus and method for obtaining individualized unit spectrum, and apparatus and method for estimating biological component | |
| US10980484B2 (en) | Method of enabling feature extraction for glucose monitoring using near-infrared (NIR) spectroscopy | |
| US11199492B2 (en) | Apparatus for measuring spectrum, method of correcting temperature change of light source in spectrum, and apparatus and method for estimating analyte concentration | |
| US11596331B2 (en) | Apparatus and method for estimating analyte concentration | |
| US11684265B2 (en) | Disease prediction model generation apparatus, and apparatus and method for predicting disease | |
| CN110186869B (zh) | 用于估计血液化合物浓度的装置和方法 | |
| US20170236059A1 (en) | Apparatus and method for generating weight estimation model, and apparatus and method for estimating weight | |
| US20210052200A1 (en) | Apparatus and method for estimating bio-information | |
| US20230200744A1 (en) | Apparatus and method for estimating target component | |
| US20220104776A1 (en) | Apparatus and method for estimating bio-information, and method of optimizing bio-information estimation model based on temperature variation characteristic | |
| KR20190101867A (ko) | 혈중 성분의 농도 예측 장치 및 방법 | |
| US11872032B2 (en) | Apparatus and method for estimating analyte concentration | |
| US11287374B2 (en) | Apparatus and method for updating bioinformation estimation model | |
| US20220061704A1 (en) | Apparatus and method for estimating target component | |
| KR102671886B1 (ko) | 분석 물질의 농도 추정 장치 및 방법 | |
| US20190053710A1 (en) | Bio-information estimation apparatus, and apparatus and method for spectrum quality assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |