早鸽—汇聚行业精英
  • 联系客服
  • 帮助中心
  • 投诉举报
  • 关注微信
400-006-1351
您的问题早鸽都有答案
3000+专业顾问
搜索
咨询

一种血液成分含量的近红外无创检测方法及装置制造方法

  • 专利名称
    一种血液成分含量的近红外无创检测方法及装置制造方法
  • 发明者
    李丽娜, 张认成, 刘鸿飞
  • 公开日
    2014年7月30日
  • 申请日期
    2014年5月21日
  • 优先权日
    2014年5月21日
  • 申请人
    华侨大学
  • 文档编号
    A61B5/1455GK103948393SQ201410215896
  • 关键字
  • 权利要求
    1.一种血液成分含量的近红外无创检测方法,包括如下步骤 (1)利用近红外光谱仪通过Y型反射光纤采集人体皮肤表面近红外光谱数据,构成校正集样本; (2)采用标准分析方法,测定校正集样本中每条光谱数据所对应的血液样本的待测成分的真值; (3)对所述近红外光谱数据进行预处理,以去除噪声、基线或其他干扰待测血液成分信息的无用信号; (4)对上述经预处理后的校正集样本中的样本进行奇异样本分析,判别出存在的奇异样本,并从校正集样本中去除奇异样本; (5)用无奇异样本的校正集样本建立基于样条函数的非线性偏最小二乘校正模型; (6)用所构造的基于样条函数的非线性偏最小二乘校正模型,检测未知样本的血液成分含量; 其特征在于 所述步骤(4)具体包括如下 a、用光谱矩阵X中每一行各元素代表用近红外光谱仪采集获得的一个样本在近红外波段各波长下的吸光度值,计算光谱矩阵X中各行向量即样本i的纯度值Pi, 其计算公式为Pi,i = σ i/(y i+α ),其中,μ i为均值、σ ^为标准差、α为补偿因子; b、根据步骤a求得的各行向量i的Pu值,比较Pu值的大小,将具有最大Pu值的第i个行向量作为选出的第一个可能的奇异样本,记为O1 ; C、选出第k(k > 2)个可能的奇异样本,具体为根据下列公式计算矩阵X中行向量i的长度 2.如权利要求1所述的一种血液成分含量的近红外无创检测方法,其特征在于所述步骤(3)中的预处理包括通过小波变换过程、微分处理过程对所采集的近红外光谱数据进行处理3.如权利要求1所述的一种血液成分含量的近红外无创检测方法,其特征在于所述步骤(5)中的建立基于样条函数的非线性偏最小二乘校正模型,包括 a、确定初始参数,即主成分个数; b、对校正集样本的自变量进行中心化处理,然后进行样条函数变换,得到变换后的新矩阵Xnrat ;其中,所 述的样条函数,常用的是K次B样条,其函数公式为 4.如权利要求3所述的一种血液成分含量的近红外无创检测方法,其特征在于所述步骤(6)具体包括 a、用近红外光谱仪通过Y型反射光纤,采集未知样本的人体皮肤表面的反射光谱数据; b、对于未知样本的光谱,采用与校正集样本相同的预处理方法进行光谱处理,去除噪声、基线或其他干扰待测血液成分信息的无用信号; C、对于经预处理后的未知样本的光谱进行与校正集样本相同形式的样条函数变换,得到新的预测集光谱矩阵,记为Xtestaw ; d、通过已建好的模型获得未知样本的血液成分含量的预测值计算公式为.,为本发明最终通过上述近红外无创检测方法获得的血液成分含量检测结果的值5.一种基于权利要求1至4中任一权利要求所述的方法的检测装置,包括奇异样本处理单元、校正模型建立单元和预测值获取单元,奇异样本处理单元将无奇异样本的校正集样本提供给校正模型建立单元以建立基于样条函数的非线性偏最小二乘校正模型;预测值获取单元通过上述基于样条函数的非线性偏最小二乘校正模型对未知样本的血液成分含量进行检测,其特征在于 所述奇异样本处理单元包括校正集样本数据获取子单元、校正集样本数据预处理子单元和奇异样本识别子单元,其中 校正集样本数据获取子单元获取大量已知样本的人体皮肤表面近红外连续光谱数据以及与上述数据相应的采用标准分析方法测得的校正集样本中血液样本的待测血液成分的真值,构成校正集样本; 校正集样本数据预处理子单元对所述校正集样本的数据进行预处理以去除噪声、基线或其他干扰待测血液成分信息的无用信号; 奇异样本识别子单元根据所述校正集样本数据预处理子单元获取的预处理后的校正集样本数据和所述校正集样本数据获取子单元中获取的相应的真值,判别校正集样本中是否包含奇异样本,并去除包含的奇异样本,确定用于建立校正模型的无奇异样本的样本集并将之提供给所述校正模型建立单元6.如权利要求5所述的检测装置,其特征在于所述校正模型建立单元包括 校正集样本样条函数变换子单元,用于对所述奇异样本识别子单元提供的无奇异样本的校正集样本进行样条函数变换,构成校正集样本的样条函数变换后的矩阵; 基于样条函数的非线性偏最小二乘校正模型获取子单元,用于对所述校正集样本样条函数变换子单元中得到的样条函数变换后的矩阵建立非线性偏最小二乘校正模型,并将获得的回归系数提供给预测值单元7.如权利要求6所述的检测装置,其特征在于所述预测值获取单元包括 未知样本光谱数据获取子单元,利用近红外光谱仪通过Y型反射光纤,获取待测的未知成分含量的人体皮肤表面的近红外波段的连续光谱;未知样本光谱数据预处理子单元,用于对所述未知样本光谱数据获取子单元获取的所述未知样本数据进行预处理,所采用的预处理方法及其参数与所述校正集样本数据预处理子单元所采用的相同; 未知样本样条函数变换子单元,用于对所述未知样本光谱数据预处理子单元获取的预处理后的未知样本光谱数据进行样条函数变换,所采用的样条函数与所述校正集样本样条函数变换子单元所采用的相同,构成未知样本的样条函数变换后的矩阵; 预测值计算子单元,用于根据所述基于样条函数的非线性偏最小二乘校正模型获取子单元得到的回归系数和所述未知样本样条函数变换子单元得到的未知样本的样条函数变换后的矩阵,通过计算得 到所述未知样本的血液成分含量的检测值
  • 技术领域
    [0001]本发明涉及一种血液成分含量的近红外无创检测方法及装置
  • 专利摘要
    本发明公开了一种血液成分含量的近红外无创检测方法及装置,包括如下步骤(1)利用近红外光谱仪通过Y型反射光纤采集人体皮肤表面近红外光谱数据,构成校正集样本;(2)采用标准分析方法,测定校正集样本中每条光谱数据所对应的血液样本的待测成分的真值;(3)对所述近红外光谱数据进行预处理,以去除噪声、基线或其他干扰待测血液成分信息的无用信号;(4)对上述经预处理后的校正集样本中的样本进行奇异样本分析,判别出存在的奇异样本,并从校正集样本中去除奇异样本;(5)用无奇异样本的校正集样本建立基于样条函数的非线性偏最小二乘校正模型;(6)用所构造的基于样条函数的非线性偏最小二乘校正模型,检测未知样本的血液成分含量。
  • 发明内容
    [0006]本发明的目的在于克服现有技术缺陷,提供一种血液成分含量的近红外无创检测方法,便于近红外检测技术中的硬件实现,根据被测对象情况调节模型及其参数,能提高血液成分含量检测结果的精度和适用性
  • 专利说明
    —种血液成分含量的近红外无创检测方法及装置
  • 专利详情
  • 全文pdf
  • 权力要求
  • 说明书
  • 法律状态
一种血液成分含量的近红外无创检测方法及装置制造方法[0002]血液成分含量,如血糖、血红蛋白等的含量,可反映人体的某些身体状况。常规的血液成分含量检测,大多需要通过针刺手指末梢皮肤或静脉抽血来采集血样,然后通过化验分析得到血液中生化指标的数值。这种血液成分含量的检测方式疼痛、存在感染风险、检测结果等待的时间较长。而血液成分含量的近红外无创检测则具有无创伤、无污染、实时快速的优点,这对于减轻被检者痛苦、及时准确用药、提高医疗效果具有重要意义。[0003]血液成分含量的近红外无创检测必须要建立校正模型,该模型建立了已知样本光谱与血液成分含量之间的数学关系,对于测量得到的未知样本光谱,应用该模型即可预测得到血液成分含量值。因此,要获得高精度的预测模型,一方面需要一定数量的、一定含量分布的、可靠的建模样本,另一方面需要建立能准确表达光谱与血液成分含量之间关系的多元校正模型。[0004]建立预测能力好的校正模型,首先需要获得大量的用于建模的已知血液成分含量的血液样本光谱。在已知样本的近红外光谱扫描过程中,操作错误、实验室环境(如温度、电压等)异常变化、仪器噪声、波长漂移或样品本身存在问题等,会产生异常光谱从而形成奇异样本。若校正模型中包含奇异样本,则会影响校正模型的预测精度。当研究人员不能肉眼分辨出奇异样本时,就需要采用各种计算方法检测出来,从建模样本中剔除奇异样本后,再重新建立校正模型,以提高模型的准确性。奇异样本剔除是建立校正模型的重要步骤之一。通常用于奇异样本识别的方法有马氏距离判别法、光谱残差的F检验法、主成分分析法、3σ判别方法等。这些方法对于单个奇异样本的识别一般具有可靠的识别能力,但是当样本集中存在多个奇异样本时,识别效果不一定总是很理想,且这些方法的应用需借助一定的经验,影响了判断识别的效率。还有一种基于蒙特卡洛法的奇异样本去除方法,这种方法可识别多个奇异样本,但需通过随机迭代上千次,并经统计分析得到结果,且该方法的应用也需借助一定的经验,需要花费较长时间进行分析,也影响了实际应用时的效率。[0005]另外,用于表达光谱与血液成分含量之间关系的多元校正模型有线性和非线性两大类。线性校正方法如主成分回归、多元线性回归、偏最小二乘回归等常常能比较好的解决一般问题。然而,对于复杂血液样品,由于血液中各组分的相互作用、仪器的基线漂移等,使近红外吸收光谱呈现非线性的特性,随着人们认识能力的提高,非线性多元校正模型方法的研究引起更多的关注。目前常见的非线性校正方法有人工神经网络法、核偏最小二乘法等。人工神经网络法、核偏最小二乘法都具有很强的非线性建模能力,选择恰当的参数能很好的拟合非线性关系,但也存在局限性,如容易陷入极小点、产生过拟合,尤其是模型和参数选择比较复杂,需要一定的参数选择经验,因此模型的训练速度慢。
[0007]本发明的另一目的在于提供基于上述检测方法的检测装置。[0008]本发明的具体技术方案如下:[0009]一种血液成分含量的近红外无创检测方法,包括如下步骤:
[0010](I)利用近红外光谱仪通过Y型反射光纤采集人体皮肤表面近红外光谱数据,构成校正集样本;
[0011](2)采用标准分析方法,测定校正集样本中每条光谱数据所对应的血液样本的待测成分的真值;
[0012](3)对所述近红外光谱数据进行预处理,以去除噪声、基线或其他干扰待测血液成分信息的无用信号;
[0013](4)对上述经预处理后的校正集样本中的样本进行奇异样本分析,判别出存在的奇异样本,并从校正集样本中去除奇异样本;
[0014](5)用无奇异样本的校正集样本建立基于样条函数的非线性偏最小二乘校正模型;
[0015](6)用所构造的基于样条函数的非线性偏最小二乘校正模型,检测未知样本的血液成分含量;
[0016]所述步骤(4)具体包括如下:
[0017]a、用光谱矩阵X中每一行各元素代表用近红外光谱仪采集获得的一个样本在近红外波段各波长下的吸光度值,计算光谱矩阵X中各行向量即样本i的纯度值Pu,其计算公式为:Ρ?Λ = σ ?/(μ i+α ),其中,μ i为均值、σ i为标准差、α为补偿因子;
[0018]b、根据步骤a求得的各行向量i的Pu值,比较Pu值的大小,将具有最大Pu值的第i个行向量作为选出的第一个可能的奇异样本,记为O1 ;
[0019]C、选出第k(k ≥2)个可能的奇异样本,具体为:根据下列公式计算矩阵X中行向量i的长度Ii,

查看更多专利详情

下载专利文献

下载专利