一種血液成分含量的近紅外無創檢測方法及裝置制造方法
【專利摘要】本發明公開了一種血液成分含量的近紅外無創檢測方法及裝置，包括如下步驟：(1)利用近紅外光譜儀通過Y型反射光纖采集人體皮膚表面近紅外光譜數據，構成校正集樣本；(2)采用標準分析方法，測定校正集樣本中每條光譜數據所對應的血液樣本的待測成分的真值；(3)對所述近紅外光譜數據進行預處理，以去除噪聲、基線或其他干擾待測血液成分信息的無用信號；(4)對上述經預處理后的校正集樣本中的樣本進行奇異樣本分析，判別出存在的奇異樣本，并從校正集樣本中去除奇異樣本；(5)用無奇異樣本的校正集樣本建立基于樣條函數的非線性偏最小二乘校正模型；(6)用所構造的基于樣條函數的非線性偏最小二乘校正模型，檢測未知樣本的血液成分含量。
【專利說明】—種血液成分含量的近紅外無創檢測方法及裝置
【技術領域】
[0001]本發明涉及一種血液成分含量的近紅外無創檢測方法及裝置。
【背景技術】
[0002]血液成分含量，如血糖、血紅蛋白等的含量，可反映人體的某些身體狀況。常規的血液成分含量檢測，大多需要通過針刺手指末梢皮膚或靜脈抽血來采集血樣，然后通過化驗分析得到血液中生化指標的數值。這種血液成分含量的檢測方式疼痛、存在感染風險、檢測結果等待的時間較長。而血液成分含量的近紅外無創檢測則具有無創傷、無污染、實時快速的優點，這對于減輕被檢者痛苦、及時準確用藥、提高醫療效果具有重要意義。[0003]血液成分含量的近紅外無創檢測必須要建立校正模型，該模型建立了已知樣本光譜與血液成分含量之間的數學關系，對于測量得到的未知樣本光譜，應用該模型即可預測得到血液成分含量值。因此，要獲得高精度的預測模型，一方面需要一定數量的、一定含量分布的、可靠的建模樣本，另一方面需要建立能準確表達光譜與血液成分含量之間關系的多元校正模型。
[0004]建立預測能力好的校正模型，首先需要獲得大量的用于建模的已知血液成分含量的血液樣本光譜。在已知樣本的近紅外光譜掃描過程中，操作錯誤、實驗室環境(如溫度、電壓等)異常變化、儀器噪聲、波長漂移或樣品本身存在問題等，會產生異常光譜從而形成奇異樣本。若校正模型中包含奇異樣本，則會影響校正模型的預測精度。當研究人員不能肉眼分辨出奇異樣本時，就需要采用各種計算方法檢測出來，從建模樣本中剔除奇異樣本后，再重新建立校正模型，以提高模型的準確性。奇異樣本剔除是建立校正模型的重要步驟之一。通常用于奇異樣本識別的方法有馬氏距離判別法、光譜殘差的F檢驗法、主成分分析法、3σ判別方法等。這些方法對于單個奇異樣本的識別一般具有可靠的識別能力，但是當樣本集中存在多個奇異樣本時，識別效果不一定總是很理想，且這些方法的應用需借助一定的經驗，影響了判斷識別的效率。還有一種基于蒙特卡洛法的奇異樣本去除方法，這種方法可識別多個奇異樣本，但需通過隨機迭代上千次，并經統計分析得到結果，且該方法的應用也需借助一定的經驗，需要花費較長時間進行分析，也影響了實際應用時的效率。
[0005]另外，用于表達光譜與血液成分含量之間關系的多元校正模型有線性和非線性兩大類。線性校正方法如主成分回歸、多元線性回歸、偏最小二乘回歸等常常能比較好的解決一般問題。然而，對于復雜血液樣品，由于血液中各組分的相互作用、儀器的基線漂移等，使近紅外吸收光譜呈現非線性的特性，隨著人們認識能力的提高，非線性多元校正模型方法的研究引起更多的關注。目前常見的非線性校正方法有人工神經網絡法、核偏最小二乘法等。人工神經網絡法、核偏最小二乘法都具有很強的非線性建模能力，選擇恰當的參數能很好的擬合非線性關系，但也存在局限性，如容易陷入極小點、產生過擬合，尤其是模型和參數選擇比較復雜，需要一定的參數選擇經驗，因此模型的訓練速度慢。

【發明內容】
[0006]本發明的目的在于克服現有技術缺陷，提供一種血液成分含量的近紅外無創檢測方法，便于近紅外檢測技術中的硬件實現，根據被測對象情況調節模型及其參數，能提高血液成分含量檢測結果的精度和適用性。
[0007]本發明的另一目的在于提供基于上述檢測方法的檢測裝置。
[0008]本發明的具體技術方案如下:
[0009]一種血液成分含量的近紅外無創檢測方法，包括如下步驟:
[0010](I)利用近紅外光譜儀通過Y型反射光纖采集人體皮膚表面近紅外光譜數據，構成校正集樣本；
[0011](2)采用標準分析方法，測定校正集樣本中每條光譜數據所對應的血液樣本的待測成分的真值；
[0012](3)對所述近紅外光譜數據進行預處理，以去除噪聲、基線或其他干擾待測血液成分信息的無用信號；
[0013](4)對上述經預處理后的校正集樣本中的樣本進行奇異樣本分析，判別出存在的奇異樣本，并從校正集樣本中去除奇異樣本；
[0014](5)用無奇異樣本的校正集樣本建立基于樣條函數的非線性偏最小二乘校正模型；
[0015](6)用所構造的基于樣條函數的非線性偏最小二乘校正模型，檢測未知樣本的血液成分含量；
[0016]所述步驟(4)具體包括如下:
[0017]a、用光譜矩陣X中每一行各元素代表用近紅外光譜儀采集獲得的一個樣本在近紅外波段各波長下的吸光度值，計算光譜矩陣X中各行向量即樣本i的純度值Pu，其計算公式為:Ρ?Λ = σ ?/(μ i+α )，其中，μ i為均值、σ i為標準差、α為補償因子；
[0018]b、根據步驟a求得的各行向量i的Pu值，比較Pu值的大小，將具有最大Pu值的第i個行向量作為選出的第一個可能的奇異樣本，記為O1 ；
[0019]C、選出第k(k ≥2)個可能的奇異樣本，具體為:根據下列公式計算矩陣X中行向量i的長度Ii,
【權利要求】
1.一種血液成分含量的近紅外無創檢測方法，包括如下步驟: (1)利用近紅外光譜儀通過Y型反射光纖采集人體皮膚表面近紅外光譜數據，構成校正集樣本； (2)采用標準分析方法，測定校正集樣本中每條光譜數據所對應的血液樣本的待測成分的真值； (3)對所述近紅外光譜數據進行預處理，以去除噪聲、基線或其他干擾待測血液成分信息的無用信號； (4)對上述經預處理后的校正集樣本中的樣本進行奇異樣本分析，判別出存在的奇異樣本，并從校正集樣本中去除奇異樣本； (5)用無奇異樣本的校正集樣本建立基于樣條函數的非線性偏最小二乘校正模型； (6)用所構造的基于樣條函數的非線性偏最小二乘校正模型，檢測未知樣本的血液成分含量; 其特征在于: 所述步驟(4)具體包括如下: a、用光譜矩陣X中每一行各元素代表用近紅外光譜儀采集獲得的一個樣本在近紅外波段各波長下的吸光度值，計算光譜矩陣X中各行向量即樣本i的純度值Pi, 其計算公式為:Pi，i = σ i/(y i+α )，其中，μ i為均值、σ ^為標準差、α為補償因子； b、根據步驟a求得的各行向量i的Pu值，比較Pu值的大小，將具有最大Pu值的第i個行向量作為選出的第一個可能的奇異樣本，記為O1 ； C、選出第k(k > 2)個可能的奇異樣本，具體為:根據下列公式計算矩陣X中行向量i的長度
2.如權利要求1所述的一種血液成分含量的近紅外無創檢測方法，其特征在于:所述步驟(3)中的預處理包括通過小波變換過程、微分處理過程對所采集的近紅外光譜數據進行處理。
3.如權利要求1所述的一種血液成分含量的近紅外無創檢測方法，其特征在于:所述步驟(5)中的建立基于樣條函數的非線性偏最小二乘校正模型，包括: a、確定初始參數，即主成分個數； b、對校正集樣本的自變量進行中心化處理，然后進行樣條函數變換，得到變換后的新矩陣Xnrat ;其中，所 述的樣條函數，常用的是K次B樣條，其函數公式為:
4.如權利要求3所述的一種血液成分含量的近紅外無創檢測方法，其特征在于:所述步驟(6)具體包括: a、用近紅外光譜儀通過Y型反射光纖，采集未知樣本的人體皮膚表面的反射光譜數據； b、對于未知樣本的光譜，采用與校正集樣本相同的預處理方法進行光譜處理，去除噪聲、基線或其他干擾待測血液成分信息的無用信號； C、對于經預處理后的未知樣本的光譜進行與校正集樣本相同形式的樣條函數變換，得到新的預測集光譜矩陣，記為Xtestaw ; d、通過已建好的模型獲得未知樣本的血液成分含量的預測值。計算公式為.,為本發明最終通過上述近紅外無創檢測方法獲得的血液成分含量檢測結果的值。
5.一種基于權利要求1至4中任一權利要求所述的方法的檢測裝置,包括奇異樣本處理單元、校正模型建立單元和預測值獲取單元，奇異樣本處理單元將無奇異樣本的校正集樣本提供給校正模型建立單元以建立基于樣條函數的非線性偏最小二乘校正模型；預測值獲取單元通過上述基于樣條函數的非線性偏最小二乘校正模型對未知樣本的血液成分含量進行檢測，其特征在于: 所述奇異樣本處理單元包括校正集樣本數據獲取子單元、校正集樣本數據預處理子單元和奇異樣本識別子單元，其中: 校正集樣本數據獲取子單元獲取大量已知樣本的人體皮膚表面近紅外連續光譜數據以及與上述數據相應的采用標準分析方法測得的校正集樣本中血液樣本的待測血液成分的真值，構成校正集樣本； 校正集樣本數據預處理子單元對所述校正集樣本的數據進行預處理以去除噪聲、基線或其他干擾待測血液成分信息的無用信號； 奇異樣本識別子單元根據所述校正集樣本數據預處理子單元獲取的預處理后的校正集樣本數據和所述校正集樣本數據獲取子單元中獲取的相應的真值，判別校正集樣本中是否包含奇異樣本，并去除包含的奇異樣本，確定用于建立校正模型的無奇異樣本的樣本集并將之提供給所述校正模型建立單元。
6.如權利要求5所述的檢測裝置，其特征在于:所述校正模型建立單元包括: 校正集樣本樣條函數變換子單元，用于對所述奇異樣本識別子單元提供的無奇異樣本的校正集樣本進行樣條函數變換，構成校正集樣本的樣條函數變換后的矩陣； 基于樣條函數的非線性偏最小二乘校正模型獲取子單元，用于對所述校正集樣本樣條函數變換子單元中得到的樣條函數變換后的矩陣建立非線性偏最小二乘校正模型，并將獲得的回歸系數提供給預測值單元。
7.如權利要求6所述的檢測裝置，其特征在于:所述預測值獲取單元包括: 未知樣本光譜數據獲取子單元，利用近紅外光譜儀通過Y型反射光纖，獲取待測的未知成分含量的人體皮膚表面的近紅外波段的連續光譜；未知樣本光譜數據預處理子單元，用于對所述未知樣本光譜數據獲取子單元獲取的所述未知樣本數據進行預處理，所采用的預處理方法及其參數與所述校正集樣本數據預處理子單元所采用的相同； 未知樣本樣條函數變換子單元，用于對所述未知樣本光譜數據預處理子單元獲取的預處理后的未知樣本光譜數據進行樣條函數變換，所采用的樣條函數與所述校正集樣本樣條函數變換子單元所采用的相同，構成未知樣本的樣條函數變換后的矩陣； 預測值計算子單元，用于根據所述基于樣條函數的非線性偏最小二乘校正模型獲取子單元得到的回歸系數和所述未知樣本樣條函數變換子單元得到的未知樣本的樣條函數變換后的矩陣，通過計算得 到所述未知樣本的血液成分含量的檢測值。
【文檔編號】A61B5/1455GK103948393SQ201410215896
【公開日】2014年7月30日 申請日期:2014年5月21日 優先權日:2014年5月21日
【發明者】李麗娜, 張認成, 劉鴻飛 申請人:華僑大學