CN109632690A - 非侵入式尿液在线检测系统及建立预测模型的方法 - Google Patents
非侵入式尿液在线检测系统及建立预测模型的方法 Download PDFInfo
- Publication number
- CN109632690A CN109632690A CN201811472540.4A CN201811472540A CN109632690A CN 109632690 A CN109632690 A CN 109632690A CN 201811472540 A CN201811472540 A CN 201811472540A CN 109632690 A CN109632690 A CN 109632690A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- urine
- health
- spectroscopic data
- 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.)
- Pending
Links
- 210000002700 urine Anatomy 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000036541 health Effects 0.000 claims abstract description 68
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 239000000523 sample Substances 0.000 claims description 33
- 238000002329 infrared spectrum Methods 0.000 claims description 24
- 239000013307 optical fiber Substances 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004566 IR spectroscopy Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000035790 physiological processes and functions Effects 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 description 23
- 238000001514 detection method Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 15
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 10
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 8
- 239000004202 carbamide Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 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 description 6
- 238000013461 design Methods 0.000 description 6
- 239000008103 glucose Substances 0.000 description 6
- 229940109239 creatinine Drugs 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 102000004169 proteins and genes Human genes 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 238000009603 uroscopy Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009535 clinical urine test Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 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 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 244000283207 Indigofera tinctoria Species 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 208000009928 nephrosis Diseases 0.000 description 1
- 231100001027 nephrosis Toxicity 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 238000005353 urine analysis Methods 0.000 description 1
Classifications
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03D—WATER-CLOSETS OR URINALS WITH FLUSHING DEVICES; FLUSHING VALVES THEREFOR
- E03D9/00—Sanitary or other accessories for lavatories ; Devices for cleaning or disinfecting the toilet room or the toilet bowl; Devices for eliminating smells
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0118—Apparatus with remote processing
-
- 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
-
- 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
- G01N2201/1293—Using chemometrical methods resolving multicomponent spectra
-
- 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
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
本发明公开了一种基于非侵入式尿液在线检测系统,包括:一光谱采集模块,用于获得待检测尿液的全光谱数据和片段式光谱数据;一用户智能终端模块,一健康数据平台,一光谱数据智能分析平台,包括一数据分析模块及一算法管理模块,用于分析光谱数据、建立预测模型、得到健康指标数据;其中,数据分析模块与光谱采集模块配合使用,提高建模的准确率。本发明提供一种具有操作简便快捷、结果准确、卫生环保、成本低廉、远程护理等优点,在智能家居和智能养老领域有很好的应用前景的基于尿液在线检测系统的人体生理状况及趋势的非侵入式技术。
Description
技术领域
本领域涉及一种尿液检测系统,尤其涉及一种基于非侵入式尿液在线检测系统的人体生理状况及趋势的非侵入式技术。
背景技术
随着社会以及人们生活态度的改变,中国已经快速步入老龄化社会,至2016年底,老龄人口已达2.4亿。考虑我国医疗产业/养老产业的现状,居家养老/社区养老将是大势所趋。老年人的身体健康成为家人及社会关注的焦点,其健康状况即时跟踪以及健康信息管理将成为老龄化社会一个重要的卫生服务需求。
目前,多种养老信息化解决方案也应运而生,例如呼叫救助,健康远程服务,主动关怀,养老档案等等信息化产品为居家及社区养老提供了诸多便利。现有技术中通过穿戴式设备可以提供一些用户的基础体征信息,例如脉搏,血压,心跳等,但是针对人体健康状态的深层次体征信息,健康状况等没有相关的解决方案。
为了更深层次的尿液通过泌尿系统排出人体,对尿液的常规检查是医学检验“三大常规”项目之一,对早期糖尿病和肾病的发现有一定的影响,因此在临床上是不可忽视的一项初步检查项目。传统尿常规检查需个人将合格尿样送交专业医院进行分析,通过专业生化仪器测试和人工显微镜观察得出相关数据。
2013年开始出现便携式尿检仪,用户需将沾有尿液的试纸放置在尿检仪中,约数分钟的时间就可以完成尿液检测,尿检仪会给出相应的9~11项指标数值,从而提供用户的一些健康状况数据。
近年来相继公开一些专利技术将一些尿常规分析技术与智能马桶及物联网结合起来,试图完成尿样采集,试纸分析,及数据传输等任务,其中,CN201510148153.5中公开了“一种尿检监控微电脑控制马桶”其公开了尿样采集装置和分析装置,但是其设计复杂,并无具体检测方法,不具有可操作性。
公布号为CN105951955A的专利中公开了“一种基于智能马桶的尿液检测仪控制系统”,公开了尿液分析仪、云端服务器及手机客户端获得用户的尿检分析报告,该专利中通过分析浸泡的尿检试纸进行尿液化学成分的检测,需要人工取出浸泡过尿液的尿检试纸放入尿液分析仪中。该专利中尿液检测的过程繁琐,人工取放尿液浸泡过的尿检试纸不卫生,耗费的时间比较久,不便于用户的使用。
针对上述现有的尿液检测技术,主要存在如下不足:
第一、传统尿常规检查需个人将合格尿样送交专业医院进行分析,通过专业生化仪器测试和人工显微镜观察得出相关数据,操作繁琐且需要专业仪器和人员;
第二、便携式家用尿检仪多为干化学试剂试纸法,用户需要自己采集尿液样品,使用不方便,用户在对试纸的颜色进行辨别时存在一定的误差,结果不准确且数据无法长期记录;
第三、现有的集成智能马桶中的检测装置多采用干化学试剂试纸方法,存在如下的不足:使用试纸进行检测首先是耗材,其次使用该方法需要放置和导出试纸的特定结构,导致机械电子结构设计复杂,成本高并且系统出错率高;干化学试剂类试纸无法在潮湿、高盐厕所环境长时间保存。
有鉴于此,设计一种可以检测、记录人体深层次体征参数的构造简单、操作方便的监测传感系统,生产使用成本低廉并能够与现有生活设施设备集成为一体(智能马桶或者其他可行性整合设施),是本领域技术人员有待解决的技术问题。
发明内容
本发明的首要目的是提供一种具有操作简便快捷、结果准确、卫生环保、成本低廉、远程护理等优点,在智能家居和智能养老领域有很好的应用前景的基于尿液在线检测系统的人体生理状况及趋势的非侵入式技术方案。
本发明提供一种非侵入式尿液在线检测系统,该系统包括近红外光谱采集模块,用户智能终端模块,健康数据平台及光谱数据智能分析平台。近红外光谱采集模块对待检测尿液进行全光谱扫描和片段式扫描,用户智能终端模块与所述光谱采集模块和一健康数据平台进行信息交互,用于查看历史数据、数据分析报告,设置硬件参数;用户智能终端模块将数据进行压缩加密处理,压缩加密处理过的光谱数据传输至健康数据平台;健康数据平台,用于保存用户数据信息、光谱数据、健康模型及健康指标等数据信息;光谱数据智能分析平台包括一数据分析模块及一算法管理模块,用于分析光谱数据、建立预测模型、得到健康指标数据;其中,所述数据分析模块对所述全光谱数据使用神经网络回归方法进行处理,得出最大程度线性相关的主成分,采用偏最小二乘回归方法对主成分对应的片段式光谱数据进行处理获得预测模型;所述算法管理模块,用于存储分析光谱数据所用的算法,便于所述数据分析模块调取算法;数据预处理模块用于根据已知健康指标的不同尿样作为模型训练数据集合对近红外光谱进行预处理;数据模型管理模块用于存储不同用户的预测模型。
现有技术中采用光谱采集模块对待检测成份所占的比重要求较高,若是待检测成份的含量较低,一般通过光谱采集模块采集到的光谱数据很难准确的反映待检测成份的真实含量,因此,本发明将光谱采集模块和光谱数据智能分析平台相结合,通过对待检测的尿液进行全光谱扫描,获得全光谱数据信息,光谱数据智能分析平台对所述全光谱数据使用神经网络回归方法进行处理,获得待检测成份的片段式光谱波长位置,光谱采集模块对分析得到的待检测成份的片段式光谱波长位置进行扫描获得片段式光谱数据,由于扫描宽度减少至原有的15-20%,则扫描分辨率会提高5倍以上,光谱数据智能分析平台采用偏最小二乘回归方法对片段式光谱数据进行处理,获得预测模型的回归系数均能够达到90%以上。由于本发明采用首先对全光谱数据进行分析,获得待检测成分的片段化光谱数据,然后采用偏最小二乘回归方法对片段式光谱数据进行处理获得预测模型。获得用户的健康数据以及相对于预存的健康数据而言的健康指标。
本发明还提供一种非侵入式尿液检测系统中建立预测模型的方法,步骤一:数据预处理模块根据已知健康指标的不同尿样作为模型训练数据集合对近红外光谱进行预处理;步骤二:数据分析模块对近红外光谱采集模块采集的全光谱数据采用神经网络回归方法进行处理,得出5-15个最大程度线性相关的主成分;步骤三:对上述5-15个主成分的波长位置进行窗口划分,得到全光谱中特征波长片段分布位置;步骤四:近红外光谱采集模块对步骤三中特征波长片段进行扫描,获得片段式光谱数据;步骤五:算法管理模块采用偏最小二乘回归方法对步骤四中获得的片段式光谱数据进行处理,得到样品中尿蛋白、尿糖、肌酐和尿素的预测模型。
因此将基于微型光学器件应用在马桶中实现尿液中相关成份检测的方法,改变传统的试纸和化学试剂检测方式,提高微型光学器件的检测分辨率,检测方式更卫生安全、结果更准确、成本更加低廉,对于尿液在线检测系统的人体生理状况及趋势的非侵入式技术的推广带来了更多的便利。
本发明相较于现有技术中的传统的尿液成份检测系统具有的优势如下:
1、实现尿液的微型监测分析平台,实现实时的数据收集与传输;
2、利用集成的红外光谱采集模块,实现非侵入式,无耗材的光谱采集,降低产品的使用成本;
3、基于机器学习的数据分析模型,可以随时增加用户的检测数据,实时完善个人用户的预测模型,提高预测模型的准确率;
4、尿液待检测成份的数据分析结果与社区/个人健康平台的共享与显示;
5、根据不同用户的数据建立个体化预测模型,可实现个体差异性的个人健康体征的预警和及时干预;
6、模块化的微型光谱采集装置与智能马桶结合更灵活,生产和使用的成本更低。
附图说明
关于本发明的优点与精神可以通过以下的发明详述及所附视图得到进一步的了解。
图1为本发明提供的基于非侵入式尿液在线检测系统的智能马桶信息交互模块图;
图2为本发明提供的光程可调型光纤探头整合在智能马桶中的示意图;
图3为本发明提供的光谱采集模块结构示意图;
图4为本发明提供的Y型光纤结构图;
图5为本发明提供的光程可调型光纤探头示意图;
图6为本发明提供的非侵入式尿液在线检测系统中建立预测模型的方法示意图;
图7为本发明提供的非侵入式尿液在线检测方法流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施例。然而,应当将本发明理解成并不局限于以下描述的这种实施方式,并且本发明的技术理念可以与其他公知技术或功能与那些公知技术相同的其他技术组合实施。
在以下具体实施例的说明中,为了清楚展示本发明的结构及工作方式,将借助诸多方向性词语进行描述,但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“轴向”、“径向”等词语理解为方便用语,而不应当理解为限定性词语。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接连接,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
首先,简单对尿液中相关有机物质光谱信号采集与分析的基本原理进行解释:
尿液中有机分子上的官能团X-H(C-H,O-H,N-H等)的伸缩、振动、弯曲等运动都有其固定的振动频率。当近红外光照射尿液时,相关官能基团吸收与相应分子固有振动相一致的近红外光,反射与之不同的近红外光。用不同波长的近红外光线照射尿液,利用光电传感器(近红外光谱传感器)接受信号,可得到一组不同波长下相应的光吸收值,和波长对光吸收值作图,可得到尿液的吸收光谱,该光谱含有大量信息,与尿液中特定成分的含量具有一定关系(符合朗伯特-比尔定律Lambert-beer Law)。
R.Anthony Shaw曾经建立偏最小二乘法(PLS:partial least squares)分析模型,对尿液中的蛋白质、尿素作定量分析;J.Larry Pezzaniti也曾对用近红外光分析尿液中的尿素、葡萄糖、蛋白质和酮的含量进行研究,有关内容请参考文献。
以近红外光谱定量分析尿液中的有机成分,在本发明初期阶段选定尿液中的蛋白质、尿素、肌酐及葡萄糖作为关注/检测对象,其临床意义如下:
目前的文献中使用偏最小二乘法对尿液中的成份做定量分析时,使用的是实验室级别的近红外设备(近红外光谱传感器)取得的近红外光谱数据,数据分辨率大大高于微型近红外光谱设备获得的光谱分辨率,但实验室级别的近红外设备的价格昂贵,不适宜使用在日常生活中。然而采用价格低廉的微型近红外光谱传感器采集的光谱分辨率低,具有高度重叠的特性,因此使用现有技术中描述的偏最小二乘回归方法无法从低分辨率的近红外光谱数据中建立准确的预测模型,回归系数均小于50%。
本发明所采用的神经网络回归方法,先对低分辨率的全光谱原始数据运用神经网络回归方法识别出最大差异光谱位置,并对最大差异光谱位置进行标记,根据标记的位置区间进行二次扫描,从而减小了扫描区间增强了光谱数据的分辨率,再次采用偏最小二乘回归方法对获取的数据进行建模预测,回归系数可以提高至90%以上,大大提高了建立预测模型的准确率。
如图1所示,一种基于非侵入式尿液在线检测系统的智能马桶信息交互模块图,包括:一光谱采集模块1,用于接收测试指令,获得待检测成份的全光谱原始数据和片段式光谱数据;一用户智能终端模块2,与所述光谱采集模块1进行信息交互,向光谱采集模块1发送测试指令,接收光谱采集模块1发送的全光谱原始数据,并对全光谱原始数据进行压缩加密,与一健康数据平台3进行信息交互,接收健康数据平台3发送的健康指标,向健康数据平台3发送经过压缩加密的全光谱原始数据,同时,用户智能终端模块2用于查看历史数据、数据分析报告,设置硬件参数;一健康数据平台3用于保存用户数据信息、压缩加密的光谱数据及健康指标;一光谱数据智能分析平台4接收所述健康数据平台3发送的经过压缩加密的全光谱数据,对低分辨率的全光谱数据运用神经网络回归方法识别出最大差异光谱位置,标记出最大差异光谱位置。光谱采集模块1根据标记的位置区间进行二次扫描,获得片段式光谱数据信息,增强了片段式光谱数据的分辨率,光谱数据智能分析平台4接收片段式光谱数据采用偏最小二乘算法对待检测成份建立预测模型,并向健康数据平台3发送健康指标,其中,本实施例中光谱采集模块1采用近红外光谱采集模块。
安装有光程可调型光纤采样探头的马桶,用于完成尿液样本的收集,并获取尿液样品的透射光信号;微型近红外光谱传感器,用于接收来自光纤探头的尿液样品光信号,并进行近红外光谱解析传感;数据传输模块,用于接收光谱传感器解析的光谱数据,并通过蓝牙传输给用户的手机;尿液健康数据管理平台3,用于管理用户、原始光谱数据和健康指标结果;光谱数据智能分析平台用于管理计算模型并使用不同的算法对光谱数据进行解析得到相应的健康指标。
实施方式:
图2-图5所示,近红外光谱采集模块1设置在马桶内,包括近红外光谱传感器12、光源13、数据传输模块14、光程可调型光纤探头11。光源13可以使用8W卤素灯,采用5V的USB供电接口17供电,可以提供可见至红外范围(360-2500nm)波长的输出,满足尿液中待检测成份的光谱范围。
光程可调型光纤采样探头11,包含光纤111和样品池112,用于完成尿液样本的采集。光纤111为Y型七芯光纤,其中,中间为信号采集光纤1111,周围环绕的六根为光源传导光纤1112;中间一根可采用直径为400微米光纤,周围六根采用直径为200微米的光纤。样品池112一端为光纤111和光源端口,另一端为凹型镜面1121。卤素光源13的光经过光源光纤112传导至样品池光纤端口,测量样品池底部采用镜面反射设计,从而可将光源光纤112传导的光经过镜面1121反射到信号采集光纤111中,镜面干涉增加透射光程1122,也即光在样品流动池内经过样品两次吸收,从而两倍的光程使得低浓度物质产生的微弱信号有两倍的增强。通过对底部镜面1121的旋转,可以对经过样品池12的光程进行1mm-20mm的调节。微型近红外光谱传感器12,用于对采集的光信号进行分光并对其中近红外波段(900-1700nm)的信号强度进行分析。近红外光谱传感器12首先采集尿液的全光谱数据,光谱数据智能分析平台4采用神经网络回归方法对全光谱数据进行处理,得出5-15个最大程度线性相关的主成分,并标识出全光谱中主成分波长片段分布位置,近红外光谱采集传感器12对特征波长片段进行二次扫面,获得片段式光谱数据。近红外光谱传感器12优选DLP技术以及InGaAs检测器技术的TIDA-00554DLP微型NIR光谱传感器,该光谱传感器可以在不到一秒的时间内以大于6000:1的信噪比在900至1700nm的波长范围内获取光谱投射数据。和传统近红外传感器相比,单像素的InGaAs检测器的设计具有成本低和光通量高的优点。基于MEMS(微电子机械系统)的设计使得该传感器无需负载的光栅和微透镜。
光谱采集模块1上的数据传输模块为蓝牙无线数据传输模块14,用户智能终端模块2可以通过蓝牙通信连接光谱采集模块1,将光谱采集模块1采集到的光谱数据传输至用户智能终端模块2,用户智能终端模块2可以为Android或IOS智能手机。
用户终端模块2可采用.Net编程语言编写,包括用户管理模块、光谱硬件控制模块、历史数据管理模块、健康状态分析查看模块及硬件参数设置模块等多个模块,用于存储用户数据信息,控制所述采集模块工作。
用户终端模块2工作时连接位于马桶或小便器内置的光谱采集模块1,根据光谱采集模块1的序列号自动从健康数据平台下载相应的设置,并根据用户登录来识别该用户相应的健康数据,该用户的健康数据存放在所述历史数据管理模块中。当用户需要查看尿液的健康信息的时候,仅需在手机上按检测按钮,用户终端模块2中的数据采集模块通过蓝牙发出数据采集指令,光谱采集模块1接收数据采集指令后,会对待检测成份进行光谱采集,光谱采集模块1会在2-3秒内将采集的近红外光谱原始数据发送回用户终端模块2;用户终端模块2将数据压缩加密,通过手机4G或者Wifi网络发送至健康数据平台3。健康数据平台3会将经过压缩加密的光谱数据、用户信息及测量硬件信息保存到数据库,并且发送光谱数据至光谱数据智能分析平台4。经过模型预测(具体预测建模方法下文描述),将预测结果(葡萄糖、白蛋白、肌酐和尿素等指标)返回至健康数据平台3进行记录,保存在健康数据平台3中,并同时发送至用户手机显示。
其中,健康数据平台3用于保存用户数据信息、压缩加密的光谱数据、健康模型及健康指标等。
数据智能分析平台4包括数据预处理模块、数据模型管理模块、算法管理模块和数据分析模块。
数据模型管理模块包括Web数据上传界面,用户使用该界面上传用于构建模型的原始数据及测量结果。在算法管理模块和数据预处理模块里面选择好相应的处理分析方法,云端计算服务器会使用部分数据用作建立模型,另外一部分数据作为验证。通过这个过程,针对相应的尿液健康指标,使用实际光谱数据可以建立相应的预测模型。并且管理员用户可以根据不同的用户数据集建立不同的模型,并储存在数据库。管理员还可以根据新的检测结果和光谱数据对原有的数据模型进行优化,使云端数据模型成为一个监督学习并优化的个体化动态预测模型,可以实现具有个体差异性的个人健康体征的预警和及时干预的可能性。
图6为本发明提供的非侵入式尿液在线检测系统中建立定预测模型的方法示意图;算法管理模块可以对计算服务器上的算法进行管理,本发明实施例中使用的是神经网络回归方法和偏最小二乘法结合的算法。管理员用户可以使用.Net编程语言编写新的多变量回归和聚类算法,并上传至计算服务器供数据分析选择。
本发明实施例中使用低成本的微型光谱采集模块1,信号分辨率比通用实验室的光谱仪要低,获取的光谱波长范围也要窄。本发明通过神经网络回归方法和偏最小二乘方法结合,并协同微型光谱采集模块1动态调节分辨率实现了在低分辨率的近红外光谱数据下对尿液样品中的尿蛋白、尿糖、肌酐和尿素的含量的准确计算。
本发明非侵入式尿液检测系统中建立预测模型的方法主要包含下列步骤:
步骤一:数据预处理模块根据已知健康指标的不同尿样作为模型训练数据集合对近红外光谱进行预处理,预处理包括归一化以及校正集和预测集的划分;
步骤二:数据分析模块对近红外光谱采集模块采集的全光谱数据使用神经网络回归方法进行处理,得出5-15个最大程度线性相关的主成分;
步骤三:数据分析模块对这5-15个主成分的波长位置进行窗口划分,波长窗口宽度可根据预测结果进行调整;这样就得到了全光谱中的特征波长片段分布位置,这些特征波长片段只占全波长的15-20%;
步骤四:近红外光谱采集模块再次调用近红外光谱传感器对样品根据特征波长位置进行片段式波长扫描,获得片段式光谱数据,由于扫描宽度减少至原有的15-20%,则扫描分辨率会提高5倍以上;
步骤五:数据分析模块调用算法管理模块中偏最小二乘回归方法对片段式近红外光谱数据进行处理,得到样品中尿蛋白、尿糖、肌酐和尿素的预测模型。本发明中实施例预测模型的回归系数均大于90%。
数据分析模块会将接收到的近红外光谱原始数据按照预先设置的参数使用相应的模型进行计算,最终得到相应的尿液健康指标,并返回给云端数据平台,最终发送回用户手机软件上并显示。
针对上述基于尿液在线检测实施例,图7显示了具体的控制流程;
本系统检测方法的控制流程主要包括下列步骤:
(1)通电,将近红外光谱传感器、通讯模块和光源初始化;
(2)通过手机APP注册新的用户或使用已有用户账号密码登陆;
(3)手机APP会自动搜寻区域内最近的微型光谱蓝牙通讯模块(数据传输模块)并连接;
(4)如果用户不选择进行数据测量,则可以在手机APP里面管理个人信息并浏览个人的历史检测数据报告;
(5)如果用户选择进行尿液检测,手机会通过指令通过蓝牙启动近红外光谱采集模块1;
(6)近红外光谱采集模块启动后,光源会自动打开,近红外光谱传感器获取样品池中尿液样品的光谱数据;
(7)光谱数据会通过蓝牙传输至手机APP,并同时和用户识别ID一起上传至健康数据平台3;
(8)健康数据平台对上传的用户识别ID进行识别,判断是否为新的用户,如果在健康数据平台3中没有找到该用户的健康模型,则会生成一个新的用户模型,并根据普通适用的预测模型确定初始健康指标值;
(9)健康数据平台3识别出是已有健康模型的老用户,则会根据用户识别ID在计算模块中寻找该用户的健康模型;
(10)通过数据智能分析平台4计算得到该用户的尿液数据指标,然后根据用户的历史数据进行比对,返回尿液的健康指标并判断是否偏离正常范围;
(11)如果偏离历史指标,则传输数据及警示信息给相应的监护系统,比如护理中心或其它监测机构;
(12)健康数据平台3将个人的尿液健康指标返回至用户手机APP上显示给用户;
(13)测量结束,系统电源关闭,进入待机状态。
综上所述,本发明基于尿液在线检测系统,利用微型近红外光谱传感器,可以将微型近红外光谱传感器与马桶结合,通过光纤采样探头对人体尿液进行在线实时的红外光谱信号采集,并通过物联网实时传送到光谱健康大数据平台,利用机器学习的数学模型进行数据分析,将数据与长期观测的人体生理指标关联起来,从而获得人体健康状况趋势的信息传回至用户终端;通过采用神经网络回归方法对采集到的低分辨率的光谱进行分析,标出待检测成份的光谱位置,根据标记的位置区间进行二次扫描,获得高分辨率的待测成份的光谱数据,提高了预测模型的准确率。本发明设计一种可以检测、记录人体深层次体征参数的设计简单、操作方便、成本低廉的智能马桶,是智能养老实现的重要手段,可以有效的缓解了医院医学检验压力以及及时预防疾病,具有非常广阔的应用前景。
如无特别说明,本文中出现的类似于“第一”、“第二”的限定语并非是指对时间顺序、数量、或者重要性的限定,而仅仅是为了将本技术方案中的一个技术特征与另一个技术特征相区分。同样地,本文中出现的类似于“一”的限定语并非是指对数量的限定,而是描述在前文中未曾出现的技术特征。同样地,本文中在数词前出现的类似于“大约”、“近似地”的修饰语通常包含本数,并且其具体的含义应当结合上下文意理解。同样地,除非是有特定的数量量词修饰的名词,否则在本文中应当视作即包含单数形式又包含复数形式,在该技术方案中即可以包括单数个该技术特征,也可以包括复数个该技术特征。
本说明书中所述的只是本发明的较佳具体实施例,以上实施例仅用以说明本发明的技术方案而非对本发明的限制。凡本领域技术人员依本发明的构思通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在本发明的范围之内。
Claims (10)
1.一种非侵入式尿液在线检测系统,其特征在于,包括:
一光谱采集模块,用于获得待检测尿液的全光谱数据和片段式光谱数据;
一用户智能终端模块,与所述光谱采集模块和一健康数据平台进行信息交互,用于查看历史数据、数据分析报告,设置硬件参数;
一健康数据平台,用于保存用户数据信息、光谱数据、健康模型及健康指标;
一光谱数据智能分析平台,包括一数据分析模块及一算法管理模块,用于分析光谱数据、建立预测模型、得到健康指标数据;
其中,所述数据分析模块对所述全光谱数据使用神经网络回归方法进行处理,得出最大程度线性相关的主成分,标出全光谱中特征波长片段分布位置;采用偏最小二乘回归方法对所述片段式光谱数据进行处理获得预测模型;
所述算法管理模块,用于存储分析光谱数据所用的算法,便于所述数据分析模块调取算法。
2.如权利要求1所述的一种非侵入式尿液在线检测系统,其特征在于,所述光谱采集模块设置在马桶内,包括光纤采样探头、近红外光谱传感器、光源和数据传输模块,其中,光纤探头为光程可调型光纤采样探头,所述近红外光谱传感器为微型近红外光传感器。
3.如权利要求2所述的一种非侵入式尿液在线检测系统,其特征在于,所述光纤采样探头包括一Y型光纤和一样品池。
4.如权利要求3所述的一种非侵入式尿液在线检测系统,其特征在于,所述Y型光纤固定在所述样品池的一端,所述样品池另一端采用镜面结构。
5.如权利要求1所述的一种非侵入式尿液在线检测系统,其特征在于,所述用户智能终端包括一用户管理模块、一光谱硬件控制模块、一历史数据管理模块、一健康状态分析查看模块及一硬件参数设置模块,用于存储用户数据信息,控制所述采集模块。
6.如权利要求1所述的一种非侵入式尿液在线检测系统,其特征在于,所述光谱数据智能分析平台还包括一数据预处理模块、一数据模型管理模块;其中,
所述数据预处理模块用于根据已知健康指标的不同尿样作为模型训练数据集合对近红外光谱进行预处理;
所述数据模型管理模块用于存储不同用户的预测模型。
7.如权利要求1所述的一种非侵入式尿液在线检测系统,其特征在于,所述光谱数据智能分析平台与所述健康数据平台进行信息交互,接收由所述健康数据平台发送的经过压缩加密处理的光谱数据,对压缩加密的光谱数据进行分析处理,向健康数据平台发送健康指标。
8.如权利要求1所述的一种非侵入式尿液在线检测系统,其特征在于,所述算法管理模块存储算法包括神经网络回归方法和偏最小二乘法,用于通过数据分析模块调用,建立基于不同个体的数据库以及相应的预测模型。
9.一种非侵入式尿液在线检测系统中建立预测模型的方法,其特征在于,
步骤一:数据预处理模块根据已知健康指标的不同尿样作为模型训练数据集合对近红外光谱进行预处理;
步骤二:数据分析模块对近红外光谱采集模块采集的全光谱数据采用神经网络回归方法进行处理,得出5-15个最大程度线性相关的主成分;
步骤三:数据分析模块对上述5-15个主成分的波长位置进行窗口划分,得到全光谱中特征波长片段分布位置;
步骤四:近红外光谱采集模块对步骤三中特征波长片段进行扫描,获得片段式光谱数据;
步骤五:数据分析模块调用算法管理模块中偏最小二乘回归方法对步骤四中获得的片段式光谱数据进行处理,得到样品中待检测成份的预测模型。
10.如权利要求9所述的建立预测模型的方法,其特征在于,所述预处理包括:归一化、校正集和预测集的划分,用于将采集得到的原始全光谱数据进行初步处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472540.4A CN109632690A (zh) | 2018-12-04 | 2018-12-04 | 非侵入式尿液在线检测系统及建立预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472540.4A CN109632690A (zh) | 2018-12-04 | 2018-12-04 | 非侵入式尿液在线检测系统及建立预测模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109632690A true CN109632690A (zh) | 2019-04-16 |
Family
ID=66070903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811472540.4A Pending CN109632690A (zh) | 2018-12-04 | 2018-12-04 | 非侵入式尿液在线检测系统及建立预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109632690A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186859A (zh) * | 2019-06-26 | 2019-08-30 | 上海大学 | 一种家用型健康检测仪及基于大数据的疾病早期预警系统 |
CN111103248A (zh) * | 2019-12-13 | 2020-05-05 | 广东智多多智能科技有限公司 | 人体健康指数检测方法及其装置和智能马桶 |
CN113866114A (zh) * | 2021-09-30 | 2021-12-31 | 温州医科大学 | 一种尿液检测方法及装置、设备和计算机存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1118068A (zh) * | 1994-03-04 | 1996-03-06 | 株式会社京都第一科学 | 尿中成分的测定方法及装置 |
CN101520408A (zh) * | 2008-02-27 | 2009-09-02 | 正心医疗株式会社 | 用衰减全反射光谱进行尿液成分分析的设备及方法 |
CN101893507A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 具有大动态范围和高分辨率的光谱测量方法 |
CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
CN105951955A (zh) * | 2016-05-09 | 2016-09-21 | 中科院合肥技术创新工程院 | 一种基于智能马桶的尿液检测仪控制系统及其控制方法 |
CN106053379A (zh) * | 2016-05-16 | 2016-10-26 | 南昌大学第二附属医院 | 一种IgA肾病(IgAN)治疗方案综合评估装置 |
CN205725845U (zh) * | 2016-04-26 | 2016-11-23 | 南京瀚科瑞杰智能科技有限公司 | 一种用于分布式生态智联养老服务系统的数据机 |
CN205742437U (zh) * | 2016-01-07 | 2016-11-30 | 广州金沅达电子科技有限公司 | 一种具有监测人体数据功能的智能马桶 |
CN107024449A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于尿液判别哺乳动物性别的近红外光谱分析方法 |
CN107343772A (zh) * | 2017-06-14 | 2017-11-14 | 中国电子科技集团公司第三十九研究所 | 一种可以自动采集及检测尿液的家庭智能健康管理马桶盖 |
CN107677634A (zh) * | 2017-10-11 | 2018-02-09 | 合肥工业大学 | 基于傅里叶变换红外光谱技术检测猪尿中瘦肉精的方法 |
CN107709970A (zh) * | 2015-02-25 | 2018-02-16 | 奥特赛斯诊断有限公司 | 身体排出物分析 |
CN207894821U (zh) * | 2018-01-18 | 2018-09-21 | 付豪 | 一种全自动尿液检测装置及应用该装置的智能马桶 |
-
2018
- 2018-12-04 CN CN201811472540.4A patent/CN109632690A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1118068A (zh) * | 1994-03-04 | 1996-03-06 | 株式会社京都第一科学 | 尿中成分的测定方法及装置 |
CN101520408A (zh) * | 2008-02-27 | 2009-09-02 | 正心医疗株式会社 | 用衰减全反射光谱进行尿液成分分析的设备及方法 |
CN101981434A (zh) * | 2008-02-27 | 2011-02-23 | 正心医疗株式会社 | 使用微型atr红外线分光镜实时分析马桶中尿成分的设备和方法 |
CN101893507A (zh) * | 2009-05-20 | 2010-11-24 | 中国科学院半导体研究所 | 具有大动态范围和高分辨率的光谱测量方法 |
CN107709970A (zh) * | 2015-02-25 | 2018-02-16 | 奥特赛斯诊断有限公司 | 身体排出物分析 |
CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
CN205742437U (zh) * | 2016-01-07 | 2016-11-30 | 广州金沅达电子科技有限公司 | 一种具有监测人体数据功能的智能马桶 |
CN205725845U (zh) * | 2016-04-26 | 2016-11-23 | 南京瀚科瑞杰智能科技有限公司 | 一种用于分布式生态智联养老服务系统的数据机 |
CN105951955A (zh) * | 2016-05-09 | 2016-09-21 | 中科院合肥技术创新工程院 | 一种基于智能马桶的尿液检测仪控制系统及其控制方法 |
CN106053379A (zh) * | 2016-05-16 | 2016-10-26 | 南昌大学第二附属医院 | 一种IgA肾病(IgAN)治疗方案综合评估装置 |
CN107024449A (zh) * | 2016-07-29 | 2017-08-08 | 重庆医科大学 | 基于尿液判别哺乳动物性别的近红外光谱分析方法 |
CN107343772A (zh) * | 2017-06-14 | 2017-11-14 | 中国电子科技集团公司第三十九研究所 | 一种可以自动采集及检测尿液的家庭智能健康管理马桶盖 |
CN107677634A (zh) * | 2017-10-11 | 2018-02-09 | 合肥工业大学 | 基于傅里叶变换红外光谱技术检测猪尿中瘦肉精的方法 |
CN207894821U (zh) * | 2018-01-18 | 2018-09-21 | 付豪 | 一种全自动尿液检测装置及应用该装置的智能马桶 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186859A (zh) * | 2019-06-26 | 2019-08-30 | 上海大学 | 一种家用型健康检测仪及基于大数据的疾病早期预警系统 |
CN111103248A (zh) * | 2019-12-13 | 2020-05-05 | 广东智多多智能科技有限公司 | 人体健康指数检测方法及其装置和智能马桶 |
CN113866114A (zh) * | 2021-09-30 | 2021-12-31 | 温州医科大学 | 一种尿液检测方法及装置、设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102468412B1 (ko) | 욕실 환경에 사용하기 위한 바이오 모니터링 장치, 방법 및 시스템 | |
US20170322197A1 (en) | Health Monitoring Toilet System | |
US6441388B1 (en) | Methods and apparatus for spectroscopic calibration model transfer | |
US20050261605A1 (en) | System for monitoring the health of an individual and method for use thereof | |
US6788965B2 (en) | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes | |
CN109632690A (zh) | 非侵入式尿液在线检测系统及建立预测模型的方法 | |
US20180059015A1 (en) | Personal liquid analysis system | |
CN105951955A (zh) | 一种基于智能马桶的尿液检测仪控制系统及其控制方法 | |
CN1806253A (zh) | 生物学信息利用系统、生物学信息利用方法、程序及记录介质 | |
JP2011513725A (ja) | 便器用尿成分分析装置及びそれを用いたリアルタイム尿成分の分析方法 | |
EP2866656A1 (en) | Mobile smart device infrared light measuring apparatus, method, and system for analyzing substances | |
CN106971064A (zh) | 一种慢性肾病随访助手 | |
TW200404156A (en) | Compact apparatus for noninvasive measurement of glucose through near-infrared spectroscopy | |
CN105651728B (zh) | 一种便携式近红外光谱检测系统 | |
CN103190917B (zh) | 一种基于激光拉曼技术的血糖仪 | |
CN108107196A (zh) | 一种智能家用型尿液干化学法检测系统及方法 | |
CN101884541A (zh) | 人体血液生化参数无创检测仪及检测方法 | |
CN109100322A (zh) | 基于温度自校正的食品近红外光谱快速检测方法及便携式检测装置 | |
Suryakala et al. | Investigation of goodness of model data fit using PLSR and PCR regression models to determine informative wavelength band in NIR region for non-invasive blood glucose prediction | |
JP2021015642A (ja) | 生体情報取得システム、健康管理サーバーおよびシステム | |
CN107064048A (zh) | 一种快速无创血糖检测方法及装置 | |
CN111166288B (zh) | 一种基于物联网的内分泌检测系统 | |
CN209802968U (zh) | 智能马桶光谱检测系统 | |
CN215728171U (zh) | 一种具有可插接式分体检测模块的检测仪 | |
CA3100015A1 (en) | Monitoring catabolism markers |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |