CN107007254B - 用于预测分析物浓度的方法和装置 - Google Patents
用于预测分析物浓度的方法和装置 Download PDFInfo
- Publication number
- CN107007254B CN107007254B CN201610848249.7A CN201610848249A CN107007254B CN 107007254 B CN107007254 B CN 107007254B CN 201610848249 A CN201610848249 A CN 201610848249A CN 107007254 B CN107007254 B CN 107007254B
- Authority
- CN
- China
- Prior art keywords
- vivo
- analyte
- concentration
- learning
- spectrum
- 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
- 239000012491 analyte Substances 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001727 in vivo Methods 0.000 claims abstract description 191
- 238000001228 spectrum Methods 0.000 claims abstract description 158
- 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 claims description 63
- 239000008103 glucose Substances 0.000 claims description 63
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 10
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 10
- 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 claims description 10
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 10
- 241001465754 Metazoa Species 0.000 claims description 5
- 238000000862 absorption spectrum Methods 0.000 claims description 5
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 claims description 5
- 239000004202 carbamide Substances 0.000 claims description 5
- 235000012000 cholesterol Nutrition 0.000 claims description 5
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 5
- 235000014655 lactic acid Nutrition 0.000 claims description 5
- 239000004310 lactic acid Substances 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 150000003626 triacylglycerols Chemical class 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 241000124008 Mammalia Species 0.000 claims 4
- 244000005700 microbiome Species 0.000 claims 2
- 239000008280 blood Substances 0.000 description 47
- 210000004369 blood Anatomy 0.000 description 47
- 238000001514 detection method Methods 0.000 description 9
- 235000012054 meals Nutrition 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 241000700159 Rattus Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/0059—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
-
- 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
- A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
-
- 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
- A61B5/145—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
- A61B5/1495—Calibrating or testing of in-vivo probes
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Abstract
一种用于预测体内分析物浓度的方法,所述方法包括获得多个体内分析物的体内光谱,根据未改变的部分确定用于分析物的浓度预测算法的学习部分和确定多个体内光谱,在所述未改变的部分期间分析物的浓度是基本上不改变的,以及根据学习部分学习得到的结果和体内分析物的固有光谱通过使用浓度预测算法预测体内分析物的浓度。
Description
相关申请的交叉引用
本申请要求于2015年9月23日提交的韩国专利申请号10-2015-0134872的优先权,以及在35U.S.C.§119之下产生的所有权益,其全部内容通过引用并入本申请。
背景
(a)领域
本发明的示例性实施方式涉及用于从生物信号预测体内分析物的浓度的方法和装置。
(b)相关技术的描述
对于从生物信号预测体内分析物的浓度而言,可以使用偏最小二乘(“PLS”)算法或净分析物信号(“NAS”)算法。此外,在向待测对象发射电磁波如红外线等后,可以将分析物与电磁波之间相互作用获得的体内光谱用于上述用于预测体内分析物浓度的算法中。在本文中,可以通过使用光学方法如红外光谱法、拉曼光谱法等等获得体内光谱。
PLS算法是一种通过使用来自实验等的数据用于获得多元输入变量(自变量)与输出变量(因变量)之间相关性的统计建模工具。将PLS算法用于分析生物信号,可以通过学习光谱依赖于分析物浓度的变化由生物信号预测某一时间分析物的浓度。PLS算法利用多个时间点的分析物浓度和在相应的时间点获得的光谱由生物信号预测分析物的浓度,其需要周期性地重新学习光谱依赖于分析物浓度的变化以防止可预测性的劣化。
NAS算法通过学习分析物的固有光谱和与分析物的浓度无关的光谱变化因素预测分析物的浓度。当将NAS算法用于分析生物信号时,可以通过学习光谱变化因素(在某一时间部分内分析物的浓度保持恒定时的分析物的浓度变化除外)和从实验获得的分析物的固有光谱从特定时间的光谱预测其他时间分析物的浓度。换言之,NAS算法学习与分析物浓度的变化无关的在某时间部分(学习部分)内(在此期间分析物的浓度是不改变的)光谱的变化,然后通过使用该已学习的信息和分析物的固有光谱在不同于学习部分的某时间部分(预测部分)内预测分析物的浓度。
该背景技术部分披露的上述信息仅用于加深对本发明背景的理解,因此其可能含有不构成本国的本领域普通技术人员已经知晓的现有技术的信息。
概述
在净分析物信号(“NAS”)算法中,在学习部分中和在预测部分中生物信号的变化因素是彼此相同的情况下,分析物浓度的预测准确度得到改善。然而,在预测部分中未产生的生物信号的变化因素在学习部分中被额外地学习(即出现不必要的学习)的情况下,浓度的预测准确度变差。而且,在预测部分中产生了未被学习的生物信号变化因素的情况下,预测的准确度也变差。因此,控制此类外部因素以改善浓度的预测准确度是非常重要的。按照惯例,已提出了若干用于改进NAS算法预测准确度的技术。但是,尚未研究出能够有效地控制外部因素的任何方法。
本发明的示例性实施方式涉及一种用于预测分析物浓度的方法和装置,其通过计算光谱之间的相似性将体内光谱的一部分分类为相似部分并使用在期间体内分析物的浓度在各相似部分中保持相对恒定的一部分确定学习部分,然后在包括学习部分的相似部分中通过使用其学习部分在某一算法(如NAS算法等等)中预测体内分析物的浓度,所述算法通过学习在期间体内分析物的浓度相对保持恒定的部分中光谱的变化用于预测体内分析物的浓度。
根据本发明的一个示例性实施方式,提供了一种用于预测体内分析物浓度的方法,所述方法包括获得多个体内分析物的体内光谱;根据未改变的部分确定用于体内分析物的浓度预测算法的学习部分和确定所述体内光谱,在未改变的部分期间体内分析物的浓度是基本上不改变的;以及根据学习部分学习得到的结果和体内分析物的固有光谱通过使用浓度预测算法预测体内分析物的浓度。
在一个示例性的实施方式中,体内分析物可以是葡萄糖、尿素、乳酸、甘油三酯、蛋白质、胆固醇和乙醇中的至少一种。
在一个示例性的实施方式中,体内分析物可以是葡萄糖和未改变的部分可以是空腹部分,在未改变的部分期间体内分析物的浓度是基本上不改变的。
在一个示例性的实施方式中,体内光谱可以包括红外射线的吸收光谱和反射光谱中的至少一种。
在一个示例性的实施方式中,体内光谱可以包括单波长电磁波的分散光谱。
在一个示例性的实施方式中,获得体内分析物的体内光谱可以包括在预定的时间间隔连续获得所述体内光谱。
在一个示例性的实施方式中,浓度预测算法可以包括NAS算法。
在一个示例性的实施方式中,确定学习部分可以包括:计算体内光谱之间的相似性,确定具有高度相似性的部分作为相似部分,和确定在此期间未改变的部分和相似部分彼此之间重叠的部分,作为学习部分。
在一个示例性的实施方式中,计算体内光谱之间的相似性可以包括:将用于在体内光谱中计算其相似性的至少两个光谱的基线对齐,和计算体内光谱中已将基线对齐的至少两个光谱之间的差异。
在一个示例性的实施方式中,预测体内分析物的浓度可以包括当学习部分的长度比预定的部分长度长时在包括学习部分的相似部分预测体内分析物的浓度。
在一个示例性的实施方式中,预测体内分析物的浓度可以包括当学习部分的长度比预定的长度短时在相似部分中重新确定学习部分。
在一个示例性的实施方式中,预测体内分析物的浓度可以包括当学习部分的长度比预定的长度短时显示一条信息通知用户无法进行浓度预测。
在一个示例性的实施方式中,体内分析物可以包括在人体、动物、哺乳动物、非哺乳动物或微生物中。
根据本发明的另一个示例性的实施方式,提供了一种用于预测体内分析物浓度的装置,所述装置包括:处理器;和存储器,其中处理器执行储存在存储器中的程序以执行:获得多个体内分析物的体内光谱;根据未改变的部分确定针对体内分析物的浓度预测算法的学习部分和确定体内光谱,在未改变的部分期间分析物的浓度是基本上不改变的;以及根据学习部分学习得到的结果和体内分析物的固有光谱通过使用浓度预测算法预测体内分析物的浓度。
在一个示例性的实施方式中,体内分析物可以是葡萄糖、尿素、乳酸、甘油三酯、蛋白质、胆固醇和乙醇中的至少一种。
在一个示例性的实施方式中,体内分析物可以是葡萄糖,和未改变的部分是空腹部分,在未改变的部分期间体内分析物的浓度是基本上不改变的。
在一个示例性的实施方式中,体内光谱可以包括红外射线的吸收光谱和反射光谱中的至少一种。
在一个示例性的实施方式中,体内光谱可以包括单波长电磁波的分散光谱。
在一个示例性的实施方式中,当处理器执行获得体内分析物的体内光谱时,处理器可以执行在预定的时间间隔连续获得体内光谱。
在一个示例性的实施方式中,浓度预测算法可以包括NAS算法。
在一个示例性的实施方式中,当处理器执行确定学习部分时,处理器可以执行:计算体内光谱之间的相似性;确定具有高度相似性的部分作为相似部分;和确定在此期间未改变的部分和相似部分彼此之间重叠的部分,作为学习部分。
在一个示例性的实施方式中,当处理器执行计算相似性时,至少一个处理器可以执行将用于在体内光谱中计算其相似性的至少两个光谱的基线对齐,和计算体内光谱中已将基线对齐的至少两个光谱之间的差异。
在一个示例性的实施方式中,当处理器执行预测体内分析物的浓度时,处理器可以执行在学习部分的长度比预定的部分长度长的情况下,预测在包括学习部分的相似部分中体内分析物的浓度。
在一个示例性的实施方式中,当处理器执行预测体内分析物的浓度时,处理器可以执行在学习部分的长度比预定的长度短的情况下,重新确定在相似部分中的学习部分。
在一个示例性的实施方式中,当处理器执行预测体内分析物的浓度时,处理器可以执行当学习部分的长度比预定的长度短时,显示一条信息通知用户无法进行浓度预测。
在一个示例性的实施方式中,体内分析物可以包括在人体、动物、哺乳动物、非哺乳动物或微生物中。
在一个示例性的实施方式中,用于预测体内分析物浓度的装置还可以包括通信器,所述通信器通过有线或无线网络接收来自红外传感器或激光传感器的体内光谱。
在一个示例性的实施方式中,用于预测体内分析物浓度的装置还可以包括红外传感器,所述红外传感器通过向人体发射红外射线产生体内光谱。
在一个示例性的实施方式中,用于预测体内分析物浓度的装置还可以包括激光传感器,所述激光传感器通过向人体发射激光产生体内光谱。
根据本发明示例性的实施方式,可以通过确定在相似部分中体内分析物的浓度对体内分析物的浓度进行精确预测,其通过计算生物信号之间的相似性确定外部因素如检测位置的变化等等出现的点将确定未出现外部因素的部分作为生物信号的相似部分,以及确定在各相似部分中体内分析物的浓度保持恒定的部分作为学习部分。
附图简述
从下面对本发明实施方式的详细描述并结合附图,将更明显和更容易理解本发明的这些和/或其他特征,其中:
图1是描述根据本发明的用于预测分析物浓度的浓度预测装置的一个示例性实施方式的框图;
图2是描述根据本发明的一种用于预测血糖水平的方法的一个示例性实施方式的流程图;
图3A和图3B是描述根据本发明的一个示例性实施方式的在空腹部分可能产生的外部因素的图;
图4是描述根据本发明的一种用于确定针对血糖水平的预测算法学习部分的方法的一个示例性实施方式的流程图;
图5是描述根据本发明的一种用于对体内光谱之间进行相似性分析的方法的一个示例性实施方式的曲线;
图6是描述根据本发明的一个示例性实施方式的经计算的体内光谱之间的相似性的曲线;
图7A和图7B描述了根据本发明的一个示例性实施方式的根据体内光谱之间的相似性确定的相似部分;
图8是描述根据本发明的一个示例性实施方式的空腹部分的曲线;
图9是描述根据本发明的一个示例性实施方式确定的学习部分的曲线;和
图10是描述进行根据本发明的浓度预测算法的一个实施方式获得的结果的曲线;
图11A和图11B是描述根据本发明的一个示例性实施方式的通过预测血糖水平获得的结果和实际血糖水平的曲线;
图12A是描述将整个空腹部分确定为学习部分的情况下的大鼠动脉血糖水平的曲线。
图12B是描述由根据本发明的浓度预测装置的一个实施方式预测的大鼠动脉血糖水平的曲线。
图13是描述根据本发明的用于预测分析物浓度的浓度预测装置的一个替代性的示例性实施方式的框图。
详述
现在将参照附图对本发明做出更全面的描述,附图中示出了本发明的各种实施方式。但是,本发明可以以不同的方式实施,并且不应将其解释为限制在本申请所示的实施方式中。而且,提供这些实施方式以使得本公开变得更加彻底和全面,并向本领域技术人员更全面地传达本发明的范围。在全文中以相同的附图标记表示相同的部件。
应当理解,当将某一部件称为在另一个部件“上”时,其可能直接在其他部件之上或其间可能存在插入的部件。而相反的是,当将某一部件称为“直接在”另一个部件“上”时,不存存在插入部件。
应当理解,尽管在本申请中可以使用术语“第一”、“第二”、“第三”等描述不同部件、组件、区域、层和/或部分,但是这些部件、组件、区域、层和/或部分不应受到这些术语的限制。这些术语仅用于将一个部件、组件、区域、层或部分与另一个部件、组件、区域、层或部分相区分。因此,在不脱离本发明教导的前提下,可以将下文中讨论的“第一部件”、“组件”、“区域”、“层”或“部分”称为第二部件、组件、区域、层或部分。
在本申请中使用的术语仅用于描述特定实施方式的目的并且其并非旨在进行限制。如在本申请中使用的,除非上下文另有明示,否则单数形式的“一个(a)”、“一种(an)”和“该(the)”旨在包括复数形式,包括“至少一个”。“或”表示“和/或”。如在本申请中所使用的,术语“和/或”包括一个或多个相关列出的项的任意和所有的组合。还应理解,术语“包含(comprise)”和/或“含有(comprising)”或者“包括(include)”和/或“包含(including)”当在本说明书中使用时,表示存在所述的特征、区域、整体、步骤、操作、部件和/或组件,但是并不排除存在或增加一个或多个其他特征、区域、整体、步骤、操作、部件和/或其组合。
在本申请中使用的术语“约”或“大约”包括所述的值和在由本领域的普通技术人员确定的特定值的在可接受范围之内的偏差,其考虑了相关的检测和与特定数量的检测相关的误差(即检测系统的局限性)。例如,“约”可以指所述值的一个或多个标准偏差以内或所述值的±30%、20%、10%、5%以内。
除非另有定义,本申请中使用的所有术语(包括科学和技术术语)与本公开所属领域普通技术人员的通常理解具有相同含义。还应理解,应将诸如在通常使用的词典中定义的那些术语解释为具有与其在相关领域和本公开文件范围内的含义相一致的含义,不应以理想化的或过于形式化的方式对其进行解释,除非在本申请中是明显地如此定义。
实施例
图1是描述根据本发明的用于预测分析物(例如体内分析物)浓度的浓度预测装置的一个示例性实施方式的框图。
在一个示例性的实施方式中,可以将浓度预测装置100配置为通过使用针对分析物的浓度预测算法分析其体内光谱预测分析物的浓度。在此处,当红外射线或激光束向生物体(例如人体)发射或漫反射然后被其中的分析物吸附或散射时可以产生体内光谱,并且其可以在预定的时间间隔连续获得。在通过红外光谱法或拉曼光谱法获得后,可以将体内光谱用于浓度预测算法。体内光谱可以是红外射线的吸收光谱和反射光谱中之一或者是单波长电磁波的分散光谱。在一个这样的实施方式中,浓度预测装置100可以预测人体、动物、哺乳动物、非哺乳动物或微生物的体内分析物的浓度。在一个这样的实施方式中,体内分析物可以是葡萄糖、尿素、乳酸、甘油三酯、蛋白质、胆固醇和乙醇中的至少一种。
在一个这样的实施方式中,其中体内分析物是葡萄糖时,分析物的浓度可以表示血糖水平,在其中分析物的浓度基本保持恒定的时间部分可以表示空腹部分。在一个这样的实施方式中,其中体内分析物是葡萄糖时,可以使用近红外(“NIR”)或中红外(“MIR”)射线产生体内葡萄糖光谱。
参见图1,浓度预测装置100的一个示例性实施方式包括部分确定器110、学习单元120和浓度预测器130。
在一个示例性的实施方式中,可以将部分确定器110配置为根据多个体内光谱之间经计算得到的相似性将多个体内光谱的部分分类为相似部分,多个体内光谱均来自连续的预定时间间隔,其可以是约1分钟的时间间隔,并且根据在期间分析物的浓度基本上保持恒定的一部分(例如在期间无分析物(如葡萄糖等)引入人体的一部分,如空腹部分)确定在各相似部分中的学习部分。在一个这样的实施方式中,当学习部分的长度短于预定部分时,例如时间持续约20分钟至约30分钟,部分确定器110可以确定根据学习部分无法进行浓度预测并通过浓度预测装置100中的接口或显示设备(未示出)向用户显示信息无法进行浓度预测。
在一个示例性的实施方式中,将学习单元120配置为根据由部分确定器110确定的在各学习部分中的体内光谱学习与分析物的浓度变化无关的光谱变化因素。在一个这样的实施方式中,学习单元120可以通过使用主成分分析(“PCA”)方法等学习与分析物的浓度变化无关的光谱变化因素。
在一个示例性的实施方式中,将浓度预测器130配置为通过使用分析物的固有光谱和学习部分学习得到的结果(例如在各学习部分中的光谱变化因素)预测分析物的浓度。在一个这样的实施方式中,浓度预测器130可以通过使用最小二乘法预测分析物的体内浓度。然后,浓度预测器130可以通过通信器140传输预测得到的分析物的结果,或者通过在浓度预测装置100中的接口等(例如显示器)向用户显示预测得到的浓度结果。
在一个示例性的实施方式中,可以使用净分析物信号(“NAS”)算法预测分析物的浓度(例如血糖水平),并且浓度预测装置可以通过学习与血糖水平的变化无关的在空腹部分中的体内光谱中的变化和分析体内光谱中的变化预测学习部分以外部分(例如在相似部分中的预测部分)的血糖水平。在常规的浓度预测装置中,其中将整个空腹部分确定为学习部分,由在空腹部分等中获得的体内光谱中位置的变化导致的在空腹部分中的变化因素如外部因素可以完整地反映在血糖水平的预测上,从而导致浓度的预测准确度变差。根据本发明的浓度预测装置的一个示例性的实施方式可以通过确定外部因素(如获得光谱位置的变化等)的发生时间准确限制学习部分和预测部分(在相似部分中的学习部分以外的部分)改进基于体内光谱之间相似性的浓度预测的准确度。
在一个示例性的实施方式中,其中体内光谱由设置在浓度预测装置外部的光学传感器产生,浓度预测装置100还可以包括通信器140,配置其以便通过有线或无线网络从光学传感器获得体内光谱。在一个这样的实施方式中,可以将通信器140配置为通过有线或无线通信向浓度预测装置100外部传输分析物浓度的预测结果。
或者,浓度预测装置100还可以包括光学传感器150以获得体内光谱。
在一个示例性的实施方式中,可以通过处理器、存储器和收发器对浓度预测装置进行操纵。可以将存储器与处理器连接以存储用于操纵处理器的各种信息。可以将收发器与处理器连接以发送和接收来自终端、服务器等的有线或无线信号。可以将处理器配置为实现根据本发明的一个示例性实施方式的功能、过程或方法。可以通过处理器实现根据本发明的浓度预测装置的一个示例性实施方式的操作。
在本发明的一个示例性的实施方式中,可以将存储器设置在处理器的内部或外部,并且可以将其通过各种已知的方法与处理器连接。存储器可以是各种易失性和非易失性存储介质中的一种。在一个示例性的实施方式中,例如,存储器可以包括只读存储器(“ROM”)或随机存取存储器(“RAM”)。
图2是描述根据本发明的一种用于预测血糖水平的方法的一个示例性实施方式的流程图。
参见图2,在一个示例性的实施方式中,在人体内连续获得多个分析物的体内光谱(S201)。在一个这样的实施方式中,可以在预定的时间间隔(例如间隔1分钟)连续获得多个体内光谱。
在一个这样的实施方式中,部分确定器110确定了用于基于光谱之间相似性的浓度预测算法的学习部分和期间分析物的浓度保持相对恒定的一部分(S202)。在一个这样的实施方式中,部分确定器110可以有效控制影响分析物浓度预测的外部因素,因为可以根据体内光谱的相似性确定外部因素的出现情况。
图3A和图3B描述了根据本发明的一个示例性的实施方式在空腹部分可能产生的外部因素。
图3A和图3B是其中横轴表示时间和纵轴表示血糖水平的曲线,并且其中的实线表示血糖水平随时间的变化。图3A和图3B是描述分析物是葡萄糖和分析物的浓度是血糖水平情况的曲线。
参见图3A,浓度预测装置的一个示例性实施方式的用户血糖水平在用餐时间后升高,可以将时间部分或未改变的部分确定为用餐时间前的时间部分,未改变的部分是在期间分析物的浓度基本上不改变的部分,例如空腹部分。
在一个这样的实施方式中,体内光谱的显著改变可以出现在空腹部分由变化因素引起,如体内光谱获得位置的变化、皮肤清洗等。在一个这样的实施方式中,学习部分的长度可以随着空腹部分变化因素的出现情况而改变。
参见图3B,在一个这样的实施方式中,当体内光谱的检测位置改变时,学习部分变为比空腹部分更短的部分(部分①),并且当体内光谱检测位置的变化是由于随后进行的皮肤清洗导致时,学习部分可能变为甚至更短的部分(部分②)。在一个这样的实施方式中,在空腹部分出现变化因素后,如果学习部分变为不充分的较短部分(部分③)与用餐时间过于接近,则可能会因为学习部分不充足导致血糖水平预测失败。在一个这样的实施方式中,当学习部分的长度短于预测部分的长度时,例如时间持续约20分钟至约30分钟,可以将在包括学习部分的相似部分中的分析物的浓度预测确定为无法进行。在一个这样的实施方式中,当学习部分的长度长于预定部分时,浓度预测器130可以预测在包括学习部分的相似部分中的分析物的浓度。在一个这样的实施方式中,部分确定器110可以通过浓度预测装置的接口或显示设备通知用户浓度预测无法进行,因为学习部分的长度比预定部分短。如果即使在用餐时间后通过对光谱之间相似性的分析可以附加地确定在相似部分中的学习部分(部分④),则可以进行在相似部分中对血糖水平的预测。在一个示例性的实施方式中,如上所述,由于外部因素如体内光谱检测位置的变化、皮肤清洗等可能影响血糖水平的预测,因而部分确定器110可以基于光谱之间的相似性通过确定相似部分除去外部因素,相似部分是无外部因素的连续部分。
图4是描述根据本发明的一种用于确定针对血糖水平的预测算法学习部分的方法的一个示例性实施方式的流程图,图5是描述根据本发明的一种用于对体内光谱之间进行相似性分析的方法的一个示例性实施方式的曲线,和图6是描述根据本发明的一个示例性实施方式的经计算的体内光谱之间的相似性的曲线。
在一个示例性的实施方式中,浓度预测装置的部分确定器110计算体内光谱之间的相似性以便从血糖水平的预测中除去外部因素如检测位置的变化等(S401)。在一个这样的实施方式中,部分确定器110根据计算得到的相似性将体内光谱的部分分类为相似部分(S402)。在一个这样的实施方式中,部分确定器110通过将体内光谱的部分分类为相似部分可以发现外部因素的出现或出现时间。在一个这样的实施方式中,可以根据外部因素的出现时间将体内光谱的部分分类为相似部分。在一个这样的实施方式中,部分确定器110将未改变的部分确定为学习部分,在未改变的部分期间分析物的浓度在各相似部分中是基本上不改变的(S403)。在一个这样的实施方式中,可以将学习部分确定为在期间相似部分和未改变的部分(例如空腹部分)彼此之间重叠的一部分。
在本发明一个示例性的实施方式中,可以通过对连续获得的体内光谱之间进行一对一的比较计算体内光谱之间的相似性。
图5至图11是描述大鼠的血糖水平预测结果的曲线。在根据本发明的一个示例性实施方式的血糖水平预测中,通过向大鼠动脉内注射高浓度的葡萄糖溶液改变血糖水平并且以约1.2分钟的时间间隔测定其皮肤的红外光谱。
图5中的上图和下图的横轴表示体内光谱的测定频率和其纵轴表示体内光谱的量级。参见图5,上图描述了在不同时间点测定的两个红外光谱和下图描述了用于相似性计算的已将基线对齐的光谱。在本发明一个示例性的实施方式中,如图5中所示,可以在将用于相似性计算的体内光谱的基线对齐后根据两个体内光谱之间的差异计算相似性。在本发明的一个替代性的示例性实施方式中,可以使用另一种用于计算由外部因素导致的光谱变化的方法,例如计算未进行基线拟合的光谱之间的差异,比较傅里叶变换结果并通过使用特定光谱的变化(例如约4200cm-1的频率)确定外部因素。
参见图6,横轴和纵轴分别表示用于计算连续测定的光谱之间相似性的两个光谱的检测时间,并且计算得到的相似性以阴影表示。如图6中所示,在约1小时测定的体内光谱与在约零(0)小时至约2小时之间测定的体内光谱可能是相似的,但是其与在约2小时至约7小时之间测定的体内光谱可能是不相似的。如图6中所示,在约5小时测定的体内光谱与在约零(0)小时至约3小时之间测定的体内光谱可能是不相似的,但是其与在约3小时至约7小时之间测定的体内光谱可能是相似的。
在一个这样的实施方式中,浓度预测装置的部分确定器110根据计算得到的相似性确定相似部分。图7A和图7B描述了根据本发明的一个示例性实施方式的根据如图6中所示的体内光谱之间的相似性确定的相似部分。
图7A是描述在约1小时测定的体内光谱与在不同时间点测定的体内光谱之间差异的曲线,和图7B是描述在约5小时测定的体内光谱与在不同时间点测定的体内光谱之间差异的曲线。在图7A和图7B中,横轴表示体内光谱的检测时间,图7A的纵轴表示在约1小时测定的体内光谱与在不同时间点测定的体内光谱之间的差异,和图7B的纵轴表示在约5小时测定的体内光谱与在不同时间点测定的体内光谱之间的差异。
参见图7A,由于在约1小时测定的体内光谱与在约20分钟至约2小时之间测定的体内光谱是相似的,因此可以将约20分钟至约2小时的部分确定的相似部分。参见图7B,由于在约5小时测定的体内光谱与在约3小时20分钟至约6小时55分钟之间测定的体内光谱是相似的,因此可以将从约3小时20分钟至约6小时55分钟的部分确定为在体内光谱之间具有较高相似性的相似部分。在此处,相似性可能随着当确定相似部分时预设的阈值而改变。而且,当确定相似部分时,可以使用附加的生物信号如温度、压力、皮肤阻抗等。
在一个这样的实施方式中,部分确定器110可以将在期间相似部分与未改变的部分彼此之间重叠的部分确定为学习部分。
图8是描述根据本发明的一个示例性实施方式的空腹部分的曲线,和图9是描述根据本发明的一个示例性实施方式确定的学习部分的曲线。
参见图8,在其中的实线表示描述血糖水平随时间变化的曲线,并且可以将图8中未改变的部分确定为空腹部分,在未改变的部分期间血糖水平(即体内葡萄糖的浓度)基本上不改变。在图8中描述的空腹部分包括从约1小时至约3小时和从约6小时至约6.5小时的部分。在一个示例性的实施方式中,当每10分钟间隔感测一次实际血糖水平时,可以将空腹部分确定为间隔,在间隔期间(例如整个过程中)实际血糖水平基本上保持恒定。在一个替代性的示例性实施方式中,浓度预测装置的用户可以将空腹部分输入浓度预测装置,空腹部分可以由用户人工测定或根据用户的生活周期预测。在一个示例性的实施方式中,例如,可以根据进餐时间确定空腹部分。在一个这样的实施方式中,其中使用进餐时间确定空腹部分,可以将从第一个进餐时间点至第二个进餐时间点预设时间之后的时间点的间隔确定为空腹部分。在一个这样的实施方式中,在一个例子中,用户在8AM吃早餐和在1PM吃午餐以及预设时间为3小时,空腹部分是从11AM至1PM的2小时。
而且,参见图9,学习部分和相似部分是彼此重叠的,其包括从约1小时至约2小时(第一学习部分)、从约2.5小时至约3小时(第二学习部分)和从约6小时至约6.5小时(第三学习部分)的部分,在学习部分的未改变部分中分析物的浓度是基本上不改变的,在相似部分中的体内光谱是彼此之间相似的。
在一个这样的实施方式中,可以将学习部分应用于NAS算法以外的用于预测分析物浓度的其他算法中,该算法学习与分析物无关的未改变部分中体内光谱的改变,在未改变的部分期间分析物的浓度是基本上不改变的。
再次参见图1和图2,在一个示例性的实施方式中,学习单元120学习每个学习部分(S203)。在一个示例性的实施方式中,例如,学习单元120可以根据每个学习部分中的体内光谱学习与分析物浓度的变化无关的光谱变化因素。在一个示例性的实施方式中,浓度预测器130根据学习部分学习得到的结果和分析物的固有光谱预测在相似部分中的分析物的浓度(S204)。
图10是描述进行根据本发明的浓度预测算法的一个示例性实施方式获得的结果的曲线。
参见图10,其显示了描述与各学习部分(第一、第二和第三学习部分)相关的浓度预测算法的运行结果。由于图10中描述的每条曲线仅在包括相应学习部分的相似部分中是有效的,因此可以通过将基于相似部分的曲线组合获得最终的预测结果。
图11A和图11B描述了根据本发明一个示例性的实施方式的通过预测血糖水平获得的结果和实际血糖水平。
在图11A和图11B中,横轴表示时间和纵轴表示血糖水平。描述了预测得到的血糖水平随时间的变化和实际血糖水平随时间的变化。在图11A中约零(0)小时至约20分钟、约2小时至约2.5小时和约6.5小时至约8小时之间的部分中,由于学习部分不充分可能无法有效地预测血糖水平。图11B描述了根据血糖水平变化的动脉-皮肤延迟采集的相对于图11A延迟约+15分钟的结果。也就是说,由于在动脉中血糖水平的变化反映在皮肤组织上具有约15分钟的延迟,因而当考虑约15分钟的延迟时,可以将与范围在血糖水平低于约17毫摩尔每公升(mM/dL)的实际血糖水平匹配的结果采集为如图11B中所示。
图12A是描述将整个空腹部分确定为学习部分的情况下的大鼠动脉血糖水平的曲线,和图12B是描述由根据本发明的浓度预测装置的一个实施方式预测的大鼠动脉血糖水平的曲线。
图12A和图12B的横轴表示在低于约17mM/dL的范围内实际测定的动脉血糖水平,及其纵轴表示在低于约17mM/dL的范围内预测的动脉血糖水平。也就是说,当表示比较结果的小圆圈非常紧密地分布在图12A和图12B中的x-y线周围时,预测的动脉血糖水平与实际动脉血糖水平一致,从而显示出根据本发明一个示例性实施方式的浓度预测方法具有较高的准确度。
参见图12A,在一个常规的预测方法中,其中将整个空腹部分确定为学习部分时,预测的动脉血糖水平显示出与实际动脉血糖水平略有偏差。然而,参见图12B,基于根据本发明一个示例性实施方式的浓度预测装置的相似部分和空腹部分准确确定的学习部分得到的结果,在低于约17mM/dL的范围内,预测的动脉血糖水平与实际血糖水平非常一致。也就是说,图12B显示了与常规的浓度预测方法相比根据本发明一个示例性实施方式的浓度预测装置可以执行更加准确的浓度预测。
因此,在一个这样的实施方式中,用于分析物浓度预测的浓度预测装置可以通过确定体内光谱之间相似性的计算中光谱的相似部分,然后根据已确定的相似部分和在期间分析物的浓度基本上保持恒定的部分确定学习部分有效地控制体内分析物浓度预测中的外部因素。在一个这样的实施方式中,浓度预测装置可以通过预测由浓度预测装置确定的包括学习部分的相似部分中的分析物浓度改进浓度预测的准确度。
图13是描述根据本发明的用于预测分析物浓度的浓度预测装置的一个替代性的示例性实施方式的框图。
参见图13,用于预测分析物浓度的浓度预测装置的一个替代性的示例性实施方式可以是包括处理器1310和存储器1320的交互式网络分析装置1300。可以将处理器1310配置为实施本申请所述的本发明一个示例性实施方式的功能、过程或方法。可以将存储器1320与处理器1310连接以存储用于操纵处理器1310的多种信息或者可以存储由处理器1310执行的至少一个程序。在一个这样的实施方式中,可以将处理器1310配置为操作交互式网络分析装置1300。
在本发明一个示例性的实施方式中,可以将存储器设置在处理器的内部或外部,并且可以将其通过各种已知的方法与处理器连接。存储器可以是各种易失性和非易失性存储介质中的一种。在一个示例性的实施方式中,例如,存储器可以包括ROM或RAM。
尽管已结合目前被作为示例性的实施方案对本发明进行了描述,但是应当理解本发明不限于所公开的实施方式,而相反的是其旨在包括在所附权利要求的主旨和范围之内的各种变体和等同方案。
Claims (29)
1.一种用于预测体内分析物浓度的方法,所述方法包括:
获得多个所述体内分析物的体内光谱;
根据未改变的部分和体内光谱,使用净分析物信号确定用于预测所述体内分析物的浓度的学习部分,其中所述未改变的部分是所述体内分析物浓度基本上不改变的持续时间;以及
根据所述学习部分的学习模型的学习结果和所述体内分析物的固有光谱,通过使用净分析物信号来预测所述体内分析物的浓度;
其中确定所述学习部分包括:
计算所述体内光谱之间的相似性;
基于计算出的作为相似部分的体内光谱之间的相似性,确定具有预定相似性的相似部分;和
确定在此期间所述未改变的部分和所述相似部分彼此之间重叠的部分,作为所述学习部分。
2.根据权利要求1所述的方法,其中所述体内分析物是葡萄糖、尿素、乳酸、甘油三酯、蛋白质、胆固醇和乙醇中的至少一种。
3.根据权利要求1所述的方法,其中,
所述体内分析物是葡萄糖,和
所述未改变的部分是空腹部分,在所述未改变的部分期间所述体内分析物的浓度是基本上不改变的。
4.根据权利要求1所述的方法,其中所述体内光谱包括红外射线的吸收光谱和反射光谱中的至少一种。
5.根据权利要求1所述的方法,其中所述体内光谱包括单波长电磁波的分散光谱。
6.根据权利要求1所述的方法,其中获得所述体内分析物的体内光谱包括在预定的时间间隔连续获得所述体内光谱。
7.根据权利要求1所述的方法,其中所述学习模型包括净分析物信号算法。
8.根据权利要求1所述的方法,其中计算所述体内光谱之间的相似性包括:
将用于在所述体内光谱中计算其相似性的至少两个光谱的基线对齐;和
计算体内光谱中已将基线对齐的至少两个光谱之间的差异。
9.根据权利要求1所述的方法,其中预测所述体内分析物的浓度包括当所述学习部分的长度比预定的部分长度长时在包括所述学习部分的所述相似部分预测所述体内分析物的浓度。
10.根据权利要求1所述的方法,其中预测所述体内分析物的浓度包括当所述学习部分的长度比预定的长度短时在所述相似部分中重新确定所述学习部分。
11.根据权利要求1所述的方法,其中预测所述体内分析物的浓度包括当所述学习部分的长度比预定的长度短时显示一条信息通知用户无法进行浓度预测。
12.根据权利要求1所述的方法,其中所述体内分析物包括在哺乳动物、非哺乳动物或微生物中。
13.根据权利要求1所述的方法,其中所述体内分析物包括在人体或动物中。
14.一种用于预测体内分析物浓度的装置,所述装置包括:
处理器;和
存储器,
其中所述处理器执行储存在所述存储器中的程序以执行:
获得多个所述体内分析物的体内光谱;
根据未改变的部分和体内光谱,使用净分析物信号确定用于预测所述体内分析物浓度的学习部分,其中所述未改变的部分是体内分析物浓度基本上不变的持续时间;以及
根据所述学习部分的学习模型的学习结果和所述体内分析物的固有光谱,通过使用净分析物信号来预测所述体内分析物的浓度;
其中,确定所述学习部分包括:
计算所述体内光谱之间的相似性;
基于计算出的作为相似部分的体内光谱之间的相似性,确定具有预定相似性的相似部分;和
将所述未改变的部分和所述相似部分彼此之间重叠的部分确定为所述学习部分。
15.根据权利要求14所述的装置,其中所述体内分析物是葡萄糖、尿素、乳酸、甘油三酯、蛋白质、胆固醇和乙醇中的至少一种。
16.根据权利要求14所述的装置,其中
所述体内分析物是葡萄糖,和
所述未改变的部分是空腹部分,在所述未改变的部分期间所述体内分析物的浓度是基本上不改变的。
17.根据权利要求14所述的装置,其中所述体内光谱包括红外射线的吸收光谱和反射光谱中的至少一种。
18.根据权利要求14所述的装置,其中所述体内光谱包括单波长电磁波的分散光谱。
19.根据权利要求14所述的装置,其中当所述处理器执行获得所述体内分析物的体内光谱时,所述处理器执行:
在预定的时间间隔连续获得所述体内光谱。
20.根据权利要求14所述的装置,其中所述学习模型包括净分析物信号算法。
21.根据权利要求14所述的装置,其中,当所述处理器执行计算所述体内光谱之间的相似性时,所述处理器执行:
将用于在所述体内光谱中计算其相似性的至少两个光谱的基线对齐;和
计算体内光谱中已将基线对齐的至少两个光谱之间的差异。
22.根据权利要求14所述的装置,其中,当所述处理器执行预测所述体内分析物的浓度时,所述处理器执行:
在所述学习部分的长度比预定的部分长度长的情况下,预测在包括所述学习部分的所述相似部分中所述体内分析物的浓度。
23.根据权利要求14所述的装置,其中,当所述处理器执行预测所述体内分析物的浓度时,所述处理器执行:
在所述学习部分的长度比预定的长度短的情况下,重新确定在所述相似部分中的所述学习部分。
24.根据权利要求14所述的装置,其中,当所述处理器执行预测所述体内分析物的浓度时,所述处理器执行:
当所述学习部分的长度比预定的长度短时,显示一条信息通知用户无法进行浓度预测。
25.根据权利要求14所述的装置,其中所述体内分析物包括在哺乳动物、非哺乳动物或微生物中。
26.根据权利要求14所述的装置,其中所述体内分析物包括在人体或动物中。
27.根据权利要求14所述的装置,还包括:
通信器,所述通信器通过有线或无线网络接收来自红外传感器或激光传感器的所述体内光谱。
28.根据权利要求14所述的装置,还包括:
红外传感器,所述红外传感器通过向人体发射红外射线产生所述体内光谱。
29.根据权利要求14所述的装置,还包括:
激光传感器,所述激光传感器通过向人体发射激光产生所述体内光谱。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150134872A KR102443262B1 (ko) | 2015-09-23 | 2015-09-23 | 분석물질 농도 예측 방법 및 장치 |
KR10-2015-0134872 | 2015-09-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107007254A CN107007254A (zh) | 2017-08-04 |
CN107007254B true CN107007254B (zh) | 2021-07-27 |
Family
ID=56979429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610848249.7A Active CN107007254B (zh) | 2015-09-23 | 2016-09-23 | 用于预测分析物浓度的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10881333B2 (zh) |
EP (1) | EP3150122B1 (zh) |
JP (1) | JP6783596B2 (zh) |
KR (1) | KR102443262B1 (zh) |
CN (1) | CN107007254B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102539142B1 (ko) | 2016-09-05 | 2023-06-01 | 삼성전자주식회사 | 스펙트럼 분석 장치와 방법, 및 혈당 측정 장치 |
KR20180042700A (ko) | 2016-10-18 | 2018-04-26 | 삼성전자주식회사 | 스펙트럼 안정성 모니터링 장치 및 방법 |
KR102655737B1 (ko) | 2016-11-30 | 2024-04-05 | 삼성전자주식회사 | 생체 성분 추정 장치 및 방법 |
KR102539144B1 (ko) | 2017-10-19 | 2023-06-01 | 삼성전자주식회사 | 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법 |
KR102574085B1 (ko) * | 2017-11-29 | 2023-09-04 | 삼성전자주식회사 | 혈당 농도를 예측하는 장치 및 방법 |
KR20200097144A (ko) | 2019-02-07 | 2020-08-18 | 삼성전자주식회사 | 생체정보 추정 장치 및 방법 |
KR20200100997A (ko) | 2019-02-19 | 2020-08-27 | 삼성전자주식회사 | 분석 물질의 농도 추정 장치 및 방법 |
KR20200133525A (ko) | 2019-05-20 | 2020-11-30 | 삼성전자주식회사 | 생체 정보 추정 모델의 유효성 판단 장치 및 방법 |
KR20200137103A (ko) * | 2019-05-29 | 2020-12-09 | 삼성전자주식회사 | 생체 정보 추정 모델 갱신 장치 및 방법 |
KR102466236B1 (ko) * | 2020-11-17 | 2022-11-15 | ㈜에이치엠이스퀘어 | 단일 파장을 갖는 레이저 조합을 이용한 광음향 진단 장치 및 방법 |
JPWO2023145810A1 (zh) * | 2022-01-28 | 2023-08-03 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620263A (zh) * | 2001-01-26 | 2005-05-25 | 三西斯医学股份有限公司 | 通过组织的光学特性的葡萄糖非侵入性测量 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6157041A (en) | 1998-10-13 | 2000-12-05 | Rio Grande Medical Technologies, Inc. | Methods and apparatus for tailoring spectroscopic calibration models |
US7098037B2 (en) | 1998-10-13 | 2006-08-29 | Inlight Solutions, Inc. | Accommodating subject and instrument variations in spectroscopic determinations |
US20080184017A1 (en) | 1999-04-09 | 2008-07-31 | Dave Stuttard | Parallel data processing apparatus |
US6645142B2 (en) | 2000-12-01 | 2003-11-11 | Optiscan Biomedical Corporation | Glucose monitoring instrument having network connectivity |
US6898451B2 (en) | 2001-03-21 | 2005-05-24 | Minformed, L.L.C. | Non-invasive blood analyte measuring system and method utilizing optical absorption |
US6574490B2 (en) | 2001-04-11 | 2003-06-03 | Rio Grande Medical Technologies, Inc. | System for non-invasive measurement of glucose in humans |
US20040142403A1 (en) | 2001-08-13 | 2004-07-22 | Donald Hetzel | Method of screening for disorders of glucose metabolism |
US8718738B2 (en) | 2002-03-08 | 2014-05-06 | Glt Acquisition Corp. | Method and apparatus for coupling a sample probe with a sample site |
JP2004321325A (ja) | 2003-04-22 | 2004-11-18 | Matsushita Electric Works Ltd | 血糖値の定量方法 |
US7591801B2 (en) * | 2004-02-26 | 2009-09-22 | Dexcom, Inc. | Integrated delivery device for continuous glucose sensor |
US7460895B2 (en) | 2005-01-24 | 2008-12-02 | University Of Iowa Research Foundation | Method for generating a net analyte signal calibration model and uses thereof |
JP4928849B2 (ja) * | 2006-06-27 | 2012-05-09 | 東芝メディカルシステムズ株式会社 | 非侵襲的測定装置 |
JP2010005047A (ja) | 2008-06-25 | 2010-01-14 | Panasonic Electric Works Co Ltd | 光学式生体成分測定用の検量モデルの作成方法及び非侵襲血糖値測定装置 |
WO2010019919A1 (en) * | 2008-08-14 | 2010-02-18 | University Of Toledo | Multifunctional neural network system and uses thereof for glycemic forecasting |
-
2015
- 2015-09-23 KR KR1020150134872A patent/KR102443262B1/ko active IP Right Grant
-
2016
- 2016-09-14 JP JP2016179957A patent/JP6783596B2/ja active Active
- 2016-09-20 EP EP16189720.2A patent/EP3150122B1/en active Active
- 2016-09-20 US US15/270,812 patent/US10881333B2/en active Active
- 2016-09-23 CN CN201610848249.7A patent/CN107007254B/zh active Active
-
2020
- 2020-11-24 US US17/102,587 patent/US20210076995A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620263A (zh) * | 2001-01-26 | 2005-05-25 | 三西斯医学股份有限公司 | 通过组织的光学特性的葡萄糖非侵入性测量 |
Also Published As
Publication number | Publication date |
---|---|
US20170079565A1 (en) | 2017-03-23 |
EP3150122B1 (en) | 2022-02-16 |
KR102443262B1 (ko) | 2022-09-13 |
EP3150122A1 (en) | 2017-04-05 |
US20210076995A1 (en) | 2021-03-18 |
US10881333B2 (en) | 2021-01-05 |
JP2017060753A (ja) | 2017-03-30 |
KR20170035675A (ko) | 2017-03-31 |
CN107007254A (zh) | 2017-08-04 |
JP6783596B2 (ja) | 2020-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107007254B (zh) | 用于预测分析物浓度的方法和装置 | |
US11617523B2 (en) | Apparatus and method for estimating biological component | |
JP6947531B2 (ja) | 濃度予測方法、濃度予測プログラム、および濃度予測装置 | |
US11175278B2 (en) | Bio-information estimation apparatus and bio-information estimation method | |
US20210113122A1 (en) | Accuracy continuous glucose monitoring method, system, and device | |
US20200330048A1 (en) | Disease prediction model construction apparatus and method, and disease prediction apparatus | |
AU2001220936A1 (en) | Classification and characterization of tissue through features related to adipose tissue | |
Nache et al. | Prediction of the pH as indicator of porcine meat quality using Raman spectroscopy and metaheuristics | |
US11627895B2 (en) | Apparatus and method for estimating analyte concentration, and apparatus and method for generating analyte concentration estimation model | |
Islam et al. | Noninvasive determination of firmness and dry matter content of stored onion bulbs using shortwave infrared imaging with whole spectra and selected wavelengths | |
US20200129095A1 (en) | Apparatus and method for estimating biological component | |
US20220233149A1 (en) | Apparatus and method for estimating body component | |
US20210134453A1 (en) | Apparatus and method for estimating bio-information | |
Thirunavukkarasu | Machine Learning Based Non-Invasive Glucose Observation for Diabetes |
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 |