CN103948393A - 一种血液成分含量的近红外无创检测方法及装置 - Google Patents

Abstract

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。

Description

一种血液成分含量的近红外无创检测方法及装置

技术领域

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。

背景技术

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。

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。

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。

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。

发明内容

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。

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。

本发明的具体技术方案如下：

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；

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p_i,1，其计算公式为：p_i,1＝σ_i/(μ_i+α)，其中，μ_i为均值、σ_i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p_i,1值，比较p_i,1值的大小，将具有最大p_i,1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l_i，其中，d_i,j为光谱矩阵X中第i行第j列元素，由得到关系矩阵C＝D(l)D(l)^T/n，根据下列公式计算关系权函数ρ_i,k；

${\mathrm{\ρ}}_{i,k}=\left|\begin{array}{cccc}{c}_{i,i}& c_{i,p_1}& ...& c_{i,p_{k-1}}\\ c_{p_1,i}& c_{p_1,p_1}& ...& c_{p_1,p_{k-1}}\\ ...& ...& ...& ...\\ ...& ...& ...& ...\\ c_{p_{k-1},i}& ...& ...& c_{p_{k-1},p_{k-1}}\end{array}\right|$

其中，k表示待确定的第k个可能的奇异样本，p_k-1表示目前已经选定了的第(k-1)个可能的奇异样本在C矩阵中所在行向量的标号，p₁表示通过步骤b已选出的第一个可能的奇异样本在C矩阵中所在行向量的标号；则纯度值p_i,k为：p_i,k＝ρ_i,k(σ_i/(μ_i+α))；将具有最大p_i,k值的第i个行向量作为选出的可能的第k个奇异样本，记为O_k，其中k≥2；

d、分别用包含可能的奇异样本O₁的校正集样本和不包含可能的奇异样本O₁的校正集样本建立偏最小二乘校正模型；

e、采用交互验证法得到的RMSEP值来评价步骤d中所述的两个模型的精度，若去除O₁前后两个校正模型的精度差别非常显著，即包含O₁的校正模型的精度明显低于不包含O₁的校正模型的精度，则可判定O₁为奇异样本，从校正集样本中去除奇异样本O₁后，转到下述步骤f；若去除O₁前后两个校正模型的精度差别不显著，则可判定O₁为含有用信息的正常样本，即该光谱矩阵中无奇异样本，奇异样本判别结束，转到步骤(5)。

f、分别用包含可能的奇异样本O_k(其中k≥2)的校正集样本和不包含可能的奇异样本O_k的校正集样本建立偏最小二乘校正模型；

g、采用交互验证法得到的RMSEP值来评价步骤f中所述的两个模型的精度，若去除O_k前后两个校正模型的精度差别非常显著，即包含O_k的校正模型的精度明显低于不包含O_k的校正模型的精度，则可判定O_k为奇异样本，从校正集样本中去除奇异样本O_k，令k＝k+1，转到上述步骤f；若去除O_k前后两个校正模型的精度差别不显著，则可判定O_k为含有用信息的正常样本，即该光谱矩阵中无其他奇异样本，奇异样本判别过程结束，转到步骤(5)。

在本发明的一个优选实施方案中，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。

在本发明的一个优选实施方案中，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X_new；其中，所述的样条函数，常用的是K次B样条，其函数公式为：

${\mathrm{\Ω}}_K\left(x\right)=\frac{1}{K!}\underset{k=0}{\overset{K+1}{\mathrm{\Σ}}}{(-1)}^k\left[\begin{array}{c}K+1\\ k\end{array}\right]{(x+\frac{K+1}{2}-k)}_{+}^K$

其中，所述K次B样条函数主要有一次B样条、二次B样条、三次B样条等样条基函数；一次B样条函数为：

${\mathrm{\&Omega;}}_1\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;1)\\ 1-\left|x\right|& \left(\right|x|<1)\end{array}\right.$

二次B样条函数为：

${\mathrm{\&Omega;}}_2\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|>\frac{3}{2})\\ -x^2+\frac{3}{4}& \left(\right|x|<\frac{1}{2})\\ \frac{1}{2}{x}^2-\frac{3}{2}\left|x\right|+\frac{9}{8}& \frac{1}{2}\&le;\left|x\right|\&le;\frac{3}{2}\end{array}\right.$

三次B样条函数为：

${\mathrm{\&Omega;}}_3\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;2)\\ \frac{1}{2}{\left|x\right|}^3-x^2+\frac{2}{3}& \left(\right|x|\&le;1)\\ -\frac{1}{6}{\left|x\right|}^3+x^2-2\left|x\right|+\frac{4}{3}& 1<\left|x\right|<2\end{array}\right.$

c、对经样条函数变换后得到的新矩阵X_new，建立偏最小二乘校正模型，并根据交互验证法确定最佳主成分个数；所述最终建立的基于样条函数的非线性偏最小二乘校正模型为其中，b为X_new矩阵原始变量的偏最小二乘回归系数向量，f为残差向量。

进一步优选的，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X_testnew；

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。

本发明的另一技术方案如下：

一种基于上述方法的检测装置，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。

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。

在本发明的一个优选实施方案中，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。

在本发明的一个优选实施方案中，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。

本发明的有益效果是：

1、本发明通过改进的自模型混合物分析技术用于奇异样本的去除，仅需迭代几次即可快速直观的识别出奇异样本，无需类如蒙特卡洛法的上千次随机迭代过程，可提高实际应用时的识别效率，且该方法应用起来直观、简便；另外，该方法可准确地同时去除样本集中存在的多种奇异样本，且利用去除各种奇异样本后的校正集样本建立校正模型，可提高检测结果的精度和可靠性；

2、本发明方法采用基于样条函数变换的方式建立的非线性校正模型，无需类如神经网络、核函数等非线性方法的多个参数的设置及复杂调整过程，该样条变换过程简单易实现，从而进一步简化了多元校正模型，提高建模速度，降低模型参数选择复杂性，便于血液成分含量近红外无创检测过程的硬件实现，提高了血液成分含量近红外无创检测结果精度；

3、本发明所述的非线性校正模型采用了低阶分段拟合的思想，具有按需裁剪以适应任意曲线连续变化的优点，适用于不同血液成分的光谱分析，且变换后的函数在样本点的某一有限范围内起作用，这种局部敏感特性，有助于分析自变量对因变量的解释作用；

4、由于样条函数(尤其是B样条)具有光滑性、连续性，所以，拟合曲线对原始数据中的特异点不敏感，模型本身具有排除原始数据中的噪声的能力，当原始数据中仅包含噪声时，数据可不经过预处理，直接建立基于样条函数的非线性校正模型，能进一步简化检测装置的硬件实现过程，并同时达到显著提高血液成分含量近红外无创检测结果的精度的效果。

附图说明

图1为本发明实施例1的检测方法的流程图；

图2为本发明实施例1的校正集样本的原始光谱的光谱矩阵X曲线图；

图3为本发明实施例1的校正集样本的原始光谱的光谱矩阵X经预处理后的曲线图；

图4为本发明实施例1的步骤(4)的第一次迭代计算得到的各样本的纯度值曲线；

图5为本发明实施例1的步骤(5)所得的模型回归系数曲线图；

图6为本发明实施例2的检测装置的结构示意图。

具体实施方式

以下通过具体实施方式结合附图对本发明的技术方案进行进一步的说明和描述。

实施例1

如图1所示：(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：以人体血糖含量的近红外无创检测过程为例，利用近红外光谱仪，每间隔约10分钟采用Y型反射光纤采集被测者中指指腹的近红外连续光谱，保持检测位置、压力、受试者心理状态等测量条件尽可能恒定。光谱采集范围为870～2565nm，每条光谱255个波长变量，其原始光谱的光谱矩阵X的图形如图2所示。其中，样本1为测量压力明显不同时采集的光谱，样本11为仪器漂移时采集的光谱，为了验证本发明中奇异样本去除方法的有效性，在校正集样本中先保留这些样本。

(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；本实施例中，在采集每条光谱的同时采用了强生便携式血糖仪测量的血糖含量值作为标准值，采集了11个样本的光谱，血糖值范围77.4～158.4mg/dL。

(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；所述预处理方法包括小波变换、微分等所有能够去除噪声、基线和其他干扰待测血液成分信息的无用信号的方法，但并不限于小波变换、微分等处理过程：本实施例中，采用小波变换结合无用信息变量消除的方法，对原始光谱进行预处理，预处理后的图形如图3所示。预处理结果可见，对仪器的基线漂移做了适当修正，但仍对光谱存在影响。

(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；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p_i,1，其计算公式为：p_i,1＝σ_i/(μ_i+α)，其中，μ_i为均值、σ_i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p_i,1值，比较p_i,1值的大小，将具有最大p_i,1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l_i，其中，d_i,j为光谱矩阵X中第i行第j列元素，由得到关系矩阵C＝D(l)D(l)^T/n，根据下列公式计算关系权函数ρ_i,k；

${\mathrm{\&rho;}}_{i,k}=\left|\begin{array}{cccc}{c}_{i,i}& c_{i,p_1}& ...& c_{i,p_{k-1}}\\ c_{p_1,i}& c_{p_1,p_1}& ...& c_{p_1,p_{k-1}}\\ ...& ...& ...& ...\\ ...& ...& ...& ...\\ c_{p_{k-1},i}& ...& ...& c_{p_{k-1},p_{k-1}}\end{array}\right|$

其中，k表示待确定的第k个可能的奇异样本，p_k-1表示目前已经选定了的第(k-1)个可能的奇异样本在C矩阵中所在行向量的标号，p₁表示通过步骤b已选出的第一个可能的奇异样本在C矩阵中所在行向量的标号；则纯度值p_i,k为：p_i,k＝ρ_i,k(σ_i/(μ_i+α))；将具有最大p_i,k值的第i个行向量作为选出的可能的第k个奇异样本，记为O_k，其中k≥2；

d、分别用包含可能的奇异样本O₁的校正集样本和不包含可能的奇异样本O₁的校正集样本建立偏最小二乘校正模型；

e、采用交互验证法得到的RMSEP值来评价步骤d中所述的两个模型的精度，若去除O₁前后两个校正模型的精度差别非常显著，即包含O₁的校正模型的精度明显低于不包含O₁的校正模型的精度，则可判定O₁为奇异样本，从校正集样本中去除奇异样本O₁后，转到下述步骤f；若去除O₁前后两个校正模型的精度差别不显著，则可判定O₁为含有用信息的正常样本，即该光谱矩阵中无奇异样本，奇异样本判别结束，转到步骤(5)。

f、分别用包含可能的奇异样本O_k(其中k≥2)的校正集样本和不包含可能的奇异样本O_k的校正集样本建立偏最小二乘校正模型；

g、采用交互验证法得到的RMSEP值来评价步骤f中所述的两个模型的精度，若去除O_k前后两个校正模型的精度差别非常显著，即包含O_k的校正模型的精度明显低于不包含O_k的校正模型的精度，则可判定O_k为奇异样本，从校正集样本中去除奇异样本O_k，令k＝k+1，转到上述步骤f；若去除O_k前后两个校正模型的精度差别不显著，则可判定O_k为含有用信息的正常样本，即该光谱矩阵中无其他奇异样本，奇异样本判别过程结束，转到步骤(5)；

在本实施例中，采用上述步骤a～g，第一次迭代计算得到的各样本的纯度值如图4所示，判别第一个可能的奇异样本为样本1，该样本具有最大的p_i,1值。同样地，通过第二次迭代和第三次迭代分析，可能的第二个和第三个奇异样本为样本11和样本9。采用包含和不包含可能的奇异样本的样本集建立多元校正模型，通过交互验证法得到的RMSEP值评价模型的精度，不同模型的RMSEP值如下表所示：

上表结果显示，校正样本中包含样本1或样本11，校正模型的精度都明显下降，样本9不会明显降低模型的精度，结果表明样本1和样本11为奇异样本，从校正集样本中去除奇异样本1和奇异样本11

(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；所述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X_new；其中，所述的样条函数，常用的是K次B样条，其函数公式为：

${\mathrm{\&Omega;}}_K\left(x\right)=\frac{1}{K!}\underset{k=0}{\overset{K+1}{\mathrm{\&Sigma;}}}{(-1)}^k\left[\begin{array}{c}K+1\\ k\end{array}\right]{(x+\frac{K+1}{2}-k)}_{+}^K$

其中，所述K次B样条函数主要有一次B样条、二次B样条、三次B样条等样条基函数；一次B样条函数为：

${\mathrm{\&Omega;}}_1\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;1)\\ 1-\left|x\right|& \left(\right|x|<1)\end{array}\right.$

二次B样条函数为：

${\mathrm{\&Omega;}}_2\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|>\frac{3}{2})\\ -x^2+\frac{3}{4}& \left(\right|x|<\frac{1}{2})\\ \frac{1}{2}{x}^2-\frac{3}{2}\left|x\right|+\frac{9}{8}& \frac{1}{2}\&le;\left|x\right|\&le;\frac{3}{2}\end{array}\right.$

三次B样条函数为：

${\mathrm{\&Omega;}}_3\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;2)\\ \frac{1}{2}{\left|x\right|}^3-x^2+\frac{2}{3}& \left(\right|x|\&le;1)\\ -\frac{1}{6}{\left|x\right|}^3+x^2-2\left|x\right|+\frac{4}{3}& 1<\left|x\right|<2\end{array}\right.$

c、对经样条函数变换后得到的新矩阵X_new，建立偏最小二乘校正模型，并根据交互验证法确定最佳主成分个数；所述最终建立的基于样条函数的非线性偏最小二乘校正模型为其中，b为X_new矩阵原始变量的偏最小二乘回归系数向量，f为残差向量；

经上述步骤(5)的a～c所得的本实施例的模型回归系数曲线如图5所示。

(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；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，保持检测位置、压力、受试者心理状态等测量条件尽可能与校正集样本一致，光谱采集范围仍然为870～2565nm；本实施例中测量了两条光谱，为了比较预测值结果的精度，在采集每条光谱的同时也采用了强生便携式血糖仪测量血糖含量的参考值；

b、对于上述未知样本的光谱，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X_testnew；

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，如下表所示，预测的均方根误差为0.5mmol/L：

实施例2

如图6所示，一种血液成分含量的近红外无创检测装置，包括奇异样本处理单元100、校正模型建立单元200和预测值获取单元300，奇异样本处理单元100将无奇异样本的校正集样本提供给校正模型建立单元200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300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，

所述奇异样本处理单元100包括校正集样本数据获取子单元110、校正集样本数据预处理子单元120和奇异样本识别子单元130，其中：

校正集样本数据获取子单元110获取大量已知样本的人体皮肤表面近红外连续光谱数据(利用近红外光谱仪通过Y型反射光纤获取)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120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130根据所述校正集样本数据预处理子单元120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110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200。

所述校正模型建立单元200包括：

校正集样本样条函数变换子单元210，用于对所述奇异样本识别子单元130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220，用于对所述校正集样本样条函数变换子单元210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。

所述预测值获取单元300包括：

未知样本光谱数据获取子单元310，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320，用于对所述未知样本光谱数据获取子单元310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120所采用的相同；

未知样本样条函数变换子单元330，用于对所述未知样本光谱数据预处理子单元320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210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340，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220得到的回归系数和所述未知样本样条函数变换子单元330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。

以上所述，仅为本发明的较佳实施例而已，故不能依此限定本发明实施的范围，即依本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。

Claims (7)

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p_i,1，其计算公式为：p_i,1＝σ_i/(μ_i+α)，其中，μ_i为均值、σ_i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p_i,1值，比较p_i,1值的大小，将具有最大p_i,1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l_i，其中，d_i,j为光谱矩阵X中第i行第j列元素，由得到关系矩阵C＝D(l)D(l)^T/n，根据下列公式计算关系权函数ρ_i,k；

${\mathrm{\&rho;}}_{i,k}=\left|\begin{array}{cccc}{c}_{i,i}& c_{i,p_1}& ...& c_{i,p_{k-1}}\\ c_{p_1,i}& c_{p_1,p_1}& ...& c_{p_1,p_{k-1}}\\ ...& ...& ...& ...\\ ...& ...& ...& ...\\ c_{p_{k-1},i}& ...& ...& c_{p_{k-1},p_{k-1}}\end{array}\right|$

其中，k表示待确定的第k个可能的奇异样本，p_k-1表示目前已经选定了的第(k-1)个可能的奇异样本在C矩阵中所在行向量的标号，p₁表示通过步骤b已选出的第一个可能的奇异样本在C矩阵中所在行向量的标号；则纯度值p_i,k为：p_i,k＝ρ_i,k(σ_i/(μ_i+α))；将具有最大p_i,k值的第i个行向量作为选出的可能的第k个奇异样本，记为O_k，其中k≥2；

d、分别用包含可能的奇异样本O₁的校正集样本和不包含可能的奇异样本O₁的校正集样本建立偏最小二乘校正模型；

e、采用交互验证法得到的RMSEP值来评价步骤d中所述的两个模型的精度，若去除O₁前后两个校正模型的精度差别非常显著，即包含O₁的校正模型的精度明显低于不包含O₁的校正模型的精度，则可判定O₁为奇异样本，从校正集样本中去除奇异样本O₁后，转到下述步骤f；若去除O₁前后两个校正模型的精度差别不显著，则可判定O₁为含有用信息的正常样本，即该光谱矩阵中无奇异样本，奇异样本判别结束，转到步骤(5)。

f、分别用包含可能的奇异样本O_k(其中k≥2)的校正集样本和不包含可能的奇异样本O_k的校正集样本建立偏最小二乘校正模型；

g、采用交互验证法得到的RMSEP值来评价步骤f中所述的两个模型的精度，若去除O_k前后两个校正模型的精度差别非常显著，即包含O_k的校正模型的精度明显低于不包含O_k的校正模型的精度，则可判定O_k为奇异样本，从校正集样本中去除奇异样本O_k，令k＝k+1，转到上述步骤f；若去除O_k前后两个校正模型的精度差别不显著，则可判定O_k为含有用信息的正常样本，即该光谱矩阵中无其他奇异样本，奇异样本判别过程结束，转到步骤(5)。

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X_new；其中，所述的样条函数，常用的是K次B样条，其函数公式为：

${\mathrm{\&Omega;}}_K\left(x\right)=\frac{1}{K!}\underset{k=0}{\overset{K+1}{\mathrm{\&Sigma;}}}{(-1)}^k\left[\begin{array}{c}K+1\\ k\end{array}\right]{(x+\frac{K+1}{2}-k)}_{+}^K$

其中，所述K次B样条函数主要有一次B样条、二次B样条、三次B样条等样条基函数；一次B样条函数为：

${\mathrm{\&Omega;}}_1\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;1)\\ 1-\left|x\right|& \left(\right|x|<1)\end{array}\right.$

二次B样条函数为：

${\mathrm{\&Omega;}}_2\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|>\frac{3}{2})\\ -x^2+\frac{3}{4}& \left(\right|x|<\frac{1}{2})\\ \frac{1}{2}{x}^2-\frac{3}{2}\left|x\right|+\frac{9}{8}& \frac{1}{2}\&le;\left|x\right|\&le;\frac{3}{2}\end{array}\right.$

三次B样条函数为：

${\mathrm{\&Omega;}}_3\left(x\right)=\left\{\begin{array}{cc}0& \left(\right|x|\&GreaterEqual;2)\\ \frac{1}{2}{\left|x\right|}^3-x^2+\frac{2}{3}& \left(\right|x|\&le;1)\\ -\frac{1}{6}{\left|x\right|}^3+x^2-2\left|x\right|+\frac{4}{3}& 1<\left|x\right|<2\end{array}\right.$

c、对经样条函数变换后得到的新矩阵X_new，建立偏最小二乘校正模型，并根据交互验证法确定最佳主成分个数；所述最终建立的基于样条函数的非线性偏最小二乘校正模型为其中，b为X_new矩阵原始变量的偏最小二乘回归系数向量，f为残差向量。

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X_testnew；

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。