[发明专利]用于估计血液化合物浓度的装置和方法

说明书

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。

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。