CN109674481A - 获得个体化单位光谱的装置和方法以及估计生物成分的装置和方法 - Google Patents

获得个体化单位光谱的装置和方法以及估计生物成分的装置和方法 Download PDF

Info

Publication number
CN109674481A
CN109674481A CN201811206668.6A CN201811206668A CN109674481A CN 109674481 A CN109674481 A CN 109674481A CN 201811206668 A CN201811206668 A CN 201811206668A CN 109674481 A CN109674481 A CN 109674481A
Authority
CN
China
Prior art keywords
spectrum
individuation
biological
unit
candidate
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.)
Granted
Application number
CN201811206668.6A
Other languages
English (en)
Other versions
CN109674481B (zh
Inventor
李昭英
裴相坤
沈载旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN109674481A publication Critical patent/CN109674481A/zh
Application granted granted Critical
Publication of CN109674481B publication Critical patent/CN109674481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/14532—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
    • A61B5/145—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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • 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
    • 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
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4795—Scattering, i.e. diffuse reflection spatially resolved investigating of object in scattering medium
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Emergency Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

用于获得个体化单位光谱的装置包括：光谱获取器，被配置为在第一测量时间处从对象获得第一生物光谱和在第二测量时间处从对象获得第二生物光谱；以及处理器，被配置为基于目标成分的预先单位光谱，从第一生物光谱和第二生物光谱中提取个体化单位光谱。还提供了用于获得个体化单位光谱的方法和用于估计生物成分的装置。

Description

获得个体化单位光谱的装置和方法以及估计生物成分的装置 和方法
相关申请的交叉引用
本申请要求于2017年10月19日在韩国知识产权局递交的韩国专利申请No.10-2017-0136132的优先权，其全部公开通过引用合并于此。
技术领域
依据示例性实施例的装置和方法涉及以非侵入性的方式估计生物成分，更具体地，涉及考虑到个体的光学特性来获得个体化单位光谱，以及基于个体化单位光谱估计生物成分。
背景技术
糖尿病是一种导致各种并发症的慢性疾病，并且难以治愈，使得糖尿病患者被建议定期检查其血糖以防止并发症。特别地，当施用胰岛素来控制血糖时，必须严密监测血糖水平以避免低血糖并控制胰岛素剂量。通常使用手指刺穿的侵入性方法来测量血糖水平。然而，虽然侵入性方法可以在测量中提供高可靠性，但是可能由于使用用于刺伤手指的刺血针而引起疼痛和不便以及增加疾病感染的风险。最近，已经对不采集血液而使用光谱仪的血糖非侵入性测量进行了研究。
发明内容
示例性实施例至少解决以上问题和/或缺点以及未在以上描述的缺点。此外，示例性实施例不需要克服上述缺点，并且可能不克服上述问题中的任何问题。
一个或多个示例性实施例提供了考虑到个体的光学特性来获得个体化单位光谱的装置和方法，以及估计生物成分的装置和方法。
根据示例性实施例的一方面，提供了一种用于获得个体化单位光谱的装置，包括：光谱获取器，被配置为在第一测量时间处从对象获得第一生物光谱，以及在第二测量时间处从对象获得第二生物光谱；以及处理器，被配置为基于目标成分的预定单位光谱，从第一生物光谱和第二生物光谱中提取个体化单位光谱。
处理器可以包括候选光谱提取器，被配置为从第一生物光谱和第二生物光谱中提取至少一个候选光谱。
候选光谱提取器还可以被配置为，基于以下中的至少一种来提取至少一个候选光谱：主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)和自动编码(AE)。
处理器还可以包括：候选光谱选择器，被配置为从提取的至少一个候选光谱当中选择与目标成分相关联的候选光谱；以及个体化单位光谱提取器，被配置为基于预定单位光谱对所选择的候选光谱进行缩放，并提取经缩放的候选光谱作为个体化单位光谱。
候选光谱选择器还可以被配置为，基于候选光谱的形状和候选光谱随时间的变化中的至少一个来选择候选光谱。
候选光谱选择器还可以被配置为，响应于候选光谱满足第一条件、第二条件和第三条件中的至少一个来选择候选光谱，在第一条件下，候选光谱和预定单位光谱之间的第一相似度超过第一阈值，在第二条件下，候选光谱随时间的变化和阶梯函数之间的第二相似度超过第二阈值，在第三条件下，第一相似度和第二相似度的乘积超过第三阈值。
候选光谱选择器可以使用相似度计算方法或统计检验，其中相似度计算方法可以包括如下中的至少一种：欧几里德(Euclidean)距离、曼哈顿(Manhattan)距离、余弦距离、马氏(Mahalanobis)距离、杰卡德(Jaccard)系数、扩展杰卡德(Jaccard)系数、皮尔逊(Pearson)相关系数和斯皮尔曼(Spearman)相关系数，统计检验可以包括f检验、t检验和z检验中的至少一种。
响应于候选光谱选择器选择多个候选光谱，个体化单位光谱提取器可以被配置为通过对所选择的多个候选光谱求平均来生成平均候选光谱，并对所生成的平均候选光谱进行缩放以对应于预定单位光谱。
装置还可以包括预处理器，被配置为从第一生物光谱和第二生物光谱中去除噪声。
预处理器还可以被配置为使用如下中的至少一种：非对称最小二乘(ALS)、去趋势、多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、均值中心化(MC)、傅立叶变换(FT)、正交信号校正(OSC)和Savitzky-Golay平滑处理(SG)。
处理器可以包括：减法器，被配置为从第二生物光谱中减去第一生物光谱以获得相减光谱；以及个体化单位光谱提取器，被配置为对相减光谱进行缩放，以对应于目标成分的预定单位光谱，并提取经缩放的相减光谱作为个体化单位光谱。
处理器还可以被配置为从如下方法中选择方法：第一方法，使用主成分分析(PCA)提取个体化单位光谱；第二方法，使用独立成分分析(ICA)提取个体化单位光谱；第三方法，使用非负矩阵分解(NMF)提取个体化单位光谱；第四方法，使用自动编码(AE)提取个体化单位光谱；以及第五方法，通过从第二生物光谱中减去第一生物光谱；其中，处理器还被配置为基于所选择的方法来提取个体化单位光谱。
目标成分可以包括对象的血液成分和皮肤成分，其中，血液成分可以包括血糖、胆固醇、甘油三酯、蛋白质和尿酸中的至少一种；以及皮肤成分可以包括蛋白质和体脂中的至少一种，蛋白质包括胶原蛋白、角蛋白和弹性蛋白。
根据另一示例性实施例的一方面，提供了一种获得个体化单位光谱的方法，该方法包括：在第一测量时间处从对象获得第一生物光谱和在第二测量时间处从对象获得第二生物光谱；以及基于目标成分的预定单位光谱，从第一生物光谱和第二生物光谱中提取个体化单位光谱。
提取个体化单位光谱可以包括：从第一生物光谱和第二生物光谱中提取至少一个候选光谱；从提取的至少一个候选光谱中选择与目标成分相关联的候选光谱；基于预定单位光谱对所选择的候选光谱进行缩放；以及提取经缩放的候选光谱作为个体化单位光谱。
提取候选光谱可以包括基于以下中的至少一种来提取候选光谱：主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)和自动编码(AE)。
选择与目标成分相关联的候选光谱可以包括基于候选光谱的形状和候选光谱随时间的变化中的至少一个来选择候选光谱。
选择与目标成分相关联的候选光谱包括响应于候选光谱满足第一条件、第二条件和第三条件中的至少一个来选择候选光谱，在第一条件下，候选光谱和预定单位光谱之间的第一相似度超过第一阈值，在第二条件下，候选光谱随时间的变化和阶梯函数之间的第二相似度超过第二阈值，在第三条件下，第一相似度和第二相似度的乘积超过第三阈值。
选择与目标成分相关联的候选光谱可以包括基于相似度计算方法或统计检验来选择候选光谱，其中相似度计算方法可以包括如下中的至少一种：欧几里德(Euclidean)距离、曼哈顿(Manhattan)距离、余弦距离、马氏(Mahalanobis)距离、杰卡德(Jaccard)系数、扩展杰卡德(Jaccard)系数、皮尔逊(Pearson)相关系数和斯皮尔曼(Spearman)相关系数，统计检验包括f检验、t检验和z检验中的至少一种。
对所选择的候选光谱进行缩放可以包括响应于选择多个候选光谱，通过对所选择的多个候选光谱求平均来生成平均候选光谱，以及对所生成的平均候选光谱进行缩放以对应于预定单位光谱。
方法还可以包括从第一生物光谱和第二生物光谱中去除噪声。
去除噪声可以包括基于如下中的至少一种来去除噪声：非对称最小二乘(ALS)、去趋势、多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、均值中心化(MC)、傅立叶变换(FT)、正交信号校正(OSC)和Savitzky-Golay平滑处理(SG)。
提取个体化单位光谱可以包括：从第二生物光谱中减去第一生物光谱以获得相减光谱；对相减光谱进行缩放，以对应于目标成分的预定单位光谱；以及提取经缩放的相减光谱作为个体化单位光谱。
方法还可以包括从如下方法中选择方法：第一方法，使用主成分分析(PCA)提取个体化单位光谱；第二方法，使用独立成分分析(ICA)提取个体化单位光谱；第三方法，使用非负矩阵分解(NMF)提取个体化单位光谱；第四方法，使用自动编码(AE)提取个体化单位光谱；以及第五方法，通过从第二生物光谱中减去第一生物光谱；其中，提取个体化单位光谱可以包括基于所选择的方法来提取个体化单位光谱。
目标成分可以包括血液成分和皮肤成分，其中，血液成分可以包括血糖、胆固醇、甘油三酯、蛋白质和尿酸中的至少一种；以及皮肤成分可以包括蛋白质和体脂中的至少一种，蛋白质包括胶原蛋白、角蛋白和弹性蛋白。
根据另一示例性实施例的一方面，提供了一种用于估计生物成分的装置，该装置包括：光谱仪，被配置为通过将光发射到用户上并接收从用户反射或散射的光来测量生物光谱；处理器，被配置为基于测量的生物光谱和个体化单位光谱估计生物成分。其中，从在第一测量时间处从用户测量的第一生物光谱和在第二测量时间处从用户测量的第二生物光谱中提取个体化单位光谱。
光谱仪可以使用红外光谱或拉曼光谱中的至少一种。
处理器可以包括：模型生成器，被配置为基于用户的背景光谱和个体化单位光谱来生成生物成分估计模型；以及生物成分估计器，被配置为基于测量的生物光谱和生物成分估计模型来估计生物成分。
根据预定间隔或用户的请求，光谱仪还可以被配置为，在第一测量时间处从用户测量背景光谱。
根据另一示例性实施例的一方面，提供了一种用于测量生物成分的装置，包括：光谱仪，被配置为在第一测量时间处从对象获得第一生物光谱，以及在第二测量时间处从对象获得第二生物光谱，第一测量时间从对象进食的时间点开始经过的时间比第二测量时间从对象进食的时间点开始经过的时间长；存储装置，被配置为存储随时间改变的血糖浓度的参考光谱；以及处理器，被配置为基于参考光谱与从第一生物光谱和第二生物光谱提取的特征值之间的比较来获得个体化单位光谱。
处理器还可以被配置为通过对第一生物光谱和第二生物光谱执行主成分分析来提取主成分作为特征值。
处理器还可以被配置为通过对第一生物光谱和第二生物光谱执行自动编码来提取权重向量作为特征值。
附图说明
通过参考附图描述某些示例性实施例，以上和/或其他方面将更显而易见，在附图中：
图1是示出根据示例性实施例的用于获得个体化单位光谱的装置的框图；
图2是示出根据示例性实施例的处理器的框图；
图3是示出根据另一示例性实施例的处理器的框图；
图4是示出根据另一示例性实施例的用于获得个体化单位光谱的装置的框图；
图5示出了根据示例性实施例的解释通过使用主成分分析(PCA)来提取个体化单位光谱的图；
图6是根据示例性实施例的解释通过使用自动编码(AE)来提取个体化单位光谱的图；
图7是示出根据示例性实施例的用于估计生物成分的装置的框图；
图8是示出根据示例性实施例的光谱测量装置的框图；
图9是示出根据另一示例性实施例的处理器的框图；
图10是示出根据另一示例性实施例的用于估计生物成分的装置的框图；
图11是示出根据另一示例性实施例的用于估计生物成分的装置的框图；
图12是示出根据示例性实施例的获得个体化单位光谱的方法的流程图；
图13是示出根据示例性实施例的提取个体化单位光谱的方法的框图；
图14是示出根据另一示例性实施例的提取个体化单位光谱的方法的框图；
图15是示出根据另一示例性实施例的获得个体化单位光谱的方法的流程图；以及
图16是示出根据示例性实施例的估计生物成分的方法的流程图。
具体实施方式
以下参考附图更加详细地描述示例性实施例。
在下面的描述中，相似的附图标记用于相似的元件，即使在不同的附图中。提供诸如详细的结构和元件之类的在描述中定义的内容，以帮助全面理解示例性实施例。然而，显而易见的是，可以在没有那些具体定义的内容的情况下实践示例性实施例。此外，没有详细描述公知的功能或构造，因为其可能以不必要的细节模糊描述。
除非在本公开的上下文中清楚地声明了指定的顺序，否则本文中所描述的过程步骤可以与所指定的顺序不同地执行。也就是说，每个步骤可以以指定的顺序、基本上同时或以相反的顺序来执行。
此外，贯穿本说明书所使用的术语是考虑根据示例性实施例的功能而定义的，并且可以根据用户或管理者或先例等的目的而变化。因此，可以基于整体上下文进行术语的定义。
应理解，尽管在本文中术语第一、第二等可以用于描述各种元件，但是这些元件不应该被这些术语限制。这些术语仅用来将一个元件与另一个元件彼此区分。除非另外明确地声明，否则对单数的任何提及可以包括复数。在本说明书中，应该理解，诸如“包括”或“具有”等术语旨在指示存在说明书中所公开的特征、数字、步骤、动作、组件、部件或其组合，而不旨在排除可能存在或可能添加一个或多个其他特征、数字、步骤、动作、组件、部件或其组合的可能性。
诸如“……中的至少一个”之类的表述，当在元件列表之前时，修饰整个元件列表而不修饰列表的单独的元件。例如，表述“a、b和c中的至少一个”应该被理解为仅包括a，仅包括b，仅包括c，包括a和b两者，包括a和c两者，包括b和c两者或包括全部a、b和c。
此外，将仅根据组件主要执行的功能来区别说明书中所描述的组件。也就是说，可以将稍后将要描述的两个或更多个组件集成到单个组件中。此外，可以将稍后将要解释的单个组件分开成两个或更多个组件。此外，除了其主要功能之外，将要描述的每个组件还可以附加地执行由另一个组件执行的功能中的一些或全部。将要解释的每个组件的主要功能中的一些或全部可以由另一个组件来实施。每个组件可以被实现为硬件、软件或两者的组合。
本公开中描述的单位光谱指代每单位浓度(例如，1mM)材料的光谱，个体化单位光谱指代考虑每个个体的光学特性而获得的单位光谱。
图1是示出根据示例性实施例的用于获得个体化单位光谱的装置的框图。装置100可以嵌入在电子设备中。具体地，电子设备的示例可以包括蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等；并且可穿戴设备的示例可以包括手表型可穿戴设备、腕带型可穿戴设备、环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、大腿带型可穿戴设备、前臂带型可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。
参考图1，用于获得个体化单位光谱的装置100包括光谱获取器110和处理器120。
光谱获取器110可以获得在体内存在少量目标成分的情况下测量的生物光谱(在下文中称为第一生物光谱)和在体内存在大量目标成分的情况下测量的生物光谱(在下文中称为第二生物光谱)。目标成分可以包括血液成分，包括血糖、胆固醇、甘油三酯、蛋白质、尿酸等，以及包括胶原蛋白、角蛋白、弹性蛋白等的皮肤成分。
在一个示例性实施例中，光谱获取器110可以从测量和/或存储生物光谱的外部设备获得第一生物光谱和第二生物光谱。具体地，光谱获取器110可以使用各种通信技术，诸如蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WiFi通信、射频识别(RFID)通信、3G通信、4G通信、5G通信等，与外部设备通信。
在另一示例性实施例中，在体内存在少量目标成分的情况下(例如，如果目标成分是血糖，则在空腹状态下)，光谱获取器110可以通过将光发射到皮肤上并接收从皮肤反射或散射的光来获得第一生物光谱；以及在存在大量目标成分的情况下(例如，如果目标成分是血糖，则在摄入糖之后)，光谱获取器110可以通过将光发射到皮肤上并通过接收从皮肤反射或散射的光来获得第二生物光谱。例如，光谱获取器110可以在第一测量时间处(例如，在进食之后5小时)获得第一生物光谱，可以在第二测量时间处(例如，在进食之后2小时内)获得第二生物光谱。光谱获取器110可以包括用于将光发射到皮肤上的光源，以及用于通过接收从皮肤反射或散射的光来获得生物光谱的光电检测器。例如，光谱获取器110可以被实现为光谱仪。
光谱获取器110中的光源可以发射近红外线(NIR)或中红外线(MIR)。然而，由光源发射的光的波长可以根据测量目的或待分析的目标成分的类型而变化。此外，光源可以包括单个发光体，或可以形成为多个发光体的阵列。光源可以包括发光二极管(LED)、激光二极管、荧光体等。光电检测器可以包括光电二极管、光电晶体管(PTr)、电荷耦合设备(CCD)等。光电检测器可以包括单个设备，可以形成为多个设备的阵列。可以存在各种数量和布置的光源和光电探测器，并且其数量和布置可以根据目标成分的类型、使用目的、其中嵌入有装置100的电子设备的尺寸和形状等而变化。
处理器120可以处理与装置100获得个体化单位光谱有关的各种信号和操作。
根据预定间隔或用户的请求，处理器120可以控制光谱获取器110获得第一生物光谱和第二生物光谱，并且可以从获得的第一生物光谱和第二生物光谱中提取与目标成分的单位光谱相对应的个体化单位光谱。这里，可以由用户设置各种间隔以重复地获得第一生物光谱和第二生物光谱。单位光谱可以事先通过实验推导得出并存储在装置100中。
例如，处理器120可以通过使用特征提取方法从第一生物光谱或第二生物光谱中提取个体化单位光谱，或者可以通过从第二生物光谱中减去第一生物光谱来提取个体化单位光谱。在这种情况下，特征提取方法可以包括主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、自动编码(AE)等。
图2是示出根据示例性实施例的处理器的框图。图2的处理器200可以是图1的处理器120的示例。
参考图2，处理器200包括候选光谱提取器210、候选光谱选择器220和个体化单位光谱提取器230。
候选光谱提取器210可以通过使用特征提取方法从第一生物光谱和第二生物光谱中提取至少一个候选光谱。在这种情况下，如上所述，特征提取方法可以包括如上所述的主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、自动编码(AE)等。
候选光谱选择器220可以从提取的至少一个候选光谱当中选择与目标成分相关联的候选光谱。在一个示例性实施例中，候选光谱选择器220可以基于候选光谱的形状和/或候选光谱随时间的变化，选择满足预定要求的候选光谱作为与目标成分相关联的候选光谱。具体地，预定要求可以包括如下要求：候选光谱和目标成分的单位光谱之间的相似度(在下文中称为第一相似度)超过预定阈值(在下文中称为第一阈值)，候选光谱随时间的变化与阶梯函数之间的相似度(在下文中称为第二相似度)超过预定阈值(在下文中称为第二阈值)，通过将第一相似度和第二相似度相乘而获得的值超过预定阈值(在下文中称为第三阈值)等。阶梯函数示意性地表示目标成分的实际改变，并且关于目标成分的单位光谱的信息可以预先存储在内部或外部数据库中。候选光谱选择器220可以从提取的至少一个候选光谱当中选择满足前述预定要求中的至少一个的候选光谱。
例如，候选光谱选择器220可以使用相似度计算方法，例如欧几里德(Euclidean)距离、曼哈顿(Manhattan)距离、余弦距离、马氏(Mahalanobis)距离、杰卡德(Jaccard)系数、扩展杰卡德(Jaccard)系数、皮尔逊(Pearson)相关系数和斯皮尔曼(Spearman)相关系数等，或者使用统计检验，例如f检验、t检验、z检验等。
个体化单位光谱提取器230可以对所选择的候选光谱进行缩放以对应于目标成分的单位光谱，并且可以提取经缩放的候选光谱作为个体化单位光谱。不管目标成分的浓度如何，从第一生物光谱和第二生物光谱中提取候选光谱，使得个体化单位光谱提取器230可以通过将所选择的候选光谱缩放到单位光谱的范围来提取与单位光谱相对应的个体化单位光谱。经缩放的所选候选光谱可以具有与目标成分的单位光谱基本相同的幅度。
另外，候选光谱选择器220可以选择多个候选光谱。在这种情况下，个体化单位光谱提取器230可以通过对所选择的多个候选光谱求平均来生成平均候选光谱，可以对所生成的平均候选光谱进行缩放以对应于单位光谱，并且可以提取经缩放的平均候选光谱作为个体化单位光谱。
图3是示出根据另一示例性实施例的处理器的框图。图3的处理器300可以是图1的处理器120的另一示例。
参考图3，处理器300包括减法器310和个体化单位光谱提取器320。
减法器310可以从第二生物光谱中减去第一生物光谱。在一个示例性实施例中，在存在多个第二生物光谱和多个第一生物光谱的情况下，减法器310可以计算平均第二生物光谱和平均第一生物光谱，并且可以从计算的平均第二生物光谱中减去计算的平均第一生物光谱。
个体化单位光谱提取器320可以对由于减法器310的减法而生成的光谱进行缩放，以对应于目标成分的单位光谱，并且可以提取经缩放的光谱作为个体化单位光谱。
图4是示出根据另一示例性实施例的用于获得个体化单位光谱的装置的框图。装置400可以嵌入在电子设备中。具体地，电子设备的示例可以包括蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等；并且可穿戴设备的示例可以包括手表型可穿戴设备、腕带型可穿戴设备、环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、大腿带型可穿戴设备、前臂带型可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。
参考图4，除了光谱获取器110和处理器120之外，装置400还可以选择性地包括预处理器410、选项选择器420、输入接口430、存储440、通信接口450和输出接口460。这里，以上参考图1至图3描述了光谱获取器110和处理器120，使得将省略其详细描述。此外，为了便于解释，图4将预处理器410和选项选择器420示出为与处理器120分开的部分，这仅仅是示例性的，预处理器410和选项选择器420可以被配置为处理器120的一部分。
预处理器410可以从第一生物光谱和第二生物光谱中去除由除目标成分之外的成分产生的噪声。在一个示例性实施例中，预处理器310可以使用各种噪声去除方法，例如非对称最小二乘(ALS)、去趋势、多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、均值中心化(MC)、傅立叶变换(FT)、正交信号校正(OSC)、Savitzky-Golay平滑处理(SG)等，其仅仅是示例性的，并且噪声去除方法不限于此。
选项选择器420可以选择与提取个体化单位光谱的方法有关的多个选项中的一个。具体地，多个选项包括使用主成分分析(PCA)提取个体化单位光谱的第一选项、使用独立成分分析(ICA)提取个体化单位光谱的第二选项、使用非负矩阵分解(NMF)提取个体化单位光谱的第三选项、使用自动编码提取个体化单位光谱的第四种选择、以及通过从第二生物光谱中减去第一生物光谱来提取个体化单位光谱的第五选项。在这种情况下，处理器120可以通过使用多个选项中的至少一个从第一生物光谱和第二生物光谱中提取个体化单位光谱。
输入接口430可以从用户接收各种操作信号的输入。在一个示例性实施例中，输入接口430可以包括键盘、圆顶开关、触摸板(静压/电容)、滚轮、拨动开关、硬件(H/W)按钮等。特别地，形成具有显示器的层结构的触摸板可以被称为触摸屏。
存储装置440可以存储用于装置400的操作的程序或命令，并且可以存储输入到装置400和从装置400输出的数据。此外，存储装置440可以存储由光谱获取器110获得的第一生物光谱数据和第二生物光谱数据，由处理器120所提取的个体化单位光谱数据，目标成分的单位光谱数据等。
存储装置440可以包括以下存储介质中的至少一种：闪存型存储器、硬盘型存储器、多媒体卡微型存储器、卡型存储器(例如，SD存储器，XD存储器等)、随机存取存储器(RAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁存储器、磁盘、光盘等。此外，装置400可以操作外部存储介质，诸如在互联网上执行存储装置440的存储功能的网络存储等。
通信接口450可以执行与外部设备的通信。例如，通信接口450可以向外部设备发送用户通过输入接口430输入的数据、由光谱获取器110获得的第一生物光谱数据和第二生物光谱数据、由处理器120提取的个体化单位光谱数据、目标成分的单位光谱数据等，或者可以从外部设备接收用于提取个体化单位光谱的各种数据。
在这种情况下，外部设备可以是医疗设备(其使用由光谱获取器110获得的第一生物光谱数据和第二生物光谱数据、由处理器120提取的个体化单位光谱数据、目标成分的单位光谱数据等)、用于打印结果的打印机或用于显示所提取的个体化单位光谱数据的显示器。此外，外部设备可以是数字TV、台式计算机、蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等，但不限于此。
通信接口450可以通过使用如下方式来与外部设备通信：蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WIFI通信、射频识别(RFID)通信、3G通信、4G通信、5G通信等。然而，这仅仅是示例性的而不意在限制。
输出接口460可以输出由光谱获取器110获得的第一生物光谱数据和第二生物光谱数据、由处理器120提取的个体化单位光谱数据、目标成分的单位光谱数据等。在一个示例性实施例中，输出接口460可以通过使用声学方法、视觉方法和触觉方法中的至少一种输出由光谱获取器110获得的第一生物光谱数据和第二生物光谱数据、由处理器120提取的个体化单位光谱数据、目标成分的单位光谱数据等。为此，输出接口460可以包括显示器、扬声器、振动器等。
图5示出了根据示例性实施例的解释通过使用主成分分析(PCA)来提取个体化单位光谱的图。为了便于说明，在图5中假设提取一个候选光谱。
参考图2和图5，候选光谱提取器210基于第一生物光谱和第二生物光谱提取第一主成分的特征向量510作为候选光谱。
候选光谱选择器220可以确定第一主成分的特征向量510与目标成分的单位光谱530之间的相似度R1，并且可以确定相似度R1是否超过第一阈值。单位光谱530可以事先通过实验推导得出并存储在存储440中。此外，候选光谱选择器220可以确定第一主成分的特征值520与阶梯函数540之间的相似度R2，并且可以确定相似度R2是否超过第二阈值。处理器120可以使用阶梯函数540来近似或估计实际中的葡萄糖水平改变，葡萄糖水平改变可以通过测量阶梯函数中血糖浓度随时间的改变来获得。
在相似度R1超过第一阈值并且相似度R2超过第二阈值的情况下，候选光谱选择器220可以选择第一主成分的特征向量510作为与目标成分相关联的候选光谱。
个体化单位光谱提取器230可以对第一主成分的特征向量510进行缩放以对应于单位光谱530，并且可以将经缩放的特征向量确定为个体化单位光谱。为了使特征向量510对应于单位光谱530，个体化单位光谱提取器230可以通过调整特征向量510的幅度来对特征向量510进行缩放以匹配单位光谱530的幅度。经缩放的特征向量510具有与原始特征向量510基本相同的波形，但可以具有与原始特征向量510不同的幅度。
尽管在图5中假设提取一个候选光谱，但这仅仅是为了便于解释，是示例性的，并且提取不限于一个候选光谱。也就是说，候选光谱提取器210可以提取通过使用PCA生成的第一主成分至第n主成分的特征向量作为候选光谱；并且候选光谱选择器220可以通过确定第一主成分至第n主成分的特征向量中的每一个和单位光谱530之间的相似度，并通过确定第一主成分至第n主成分的特征向量中的每一个和阶梯函数540之间的相似度，选择一个特征向量作为与目标成分相关联的候选光谱。在这种情况下，可以根据系统的性能和使用目的将“n”设置为各种值。
特征向量可以被称为加载向量、潜在变量、主成分等，特征值可以被称为加载分数等。
图6是解释根据示例性实施例的通过使用自动编码(AE)来提取个体化单位光谱的图。为了便于说明，在图6中假设提取一个候选光谱。
参考图2和图6，候选光谱提取器210基于第一生物光谱和第二生物光谱，通过使用诸如去噪自动编码、稀疏自动编码、变分自动编码和收缩自动编码之类的AE来将权重向量610提取为候选光谱。
候选光谱选择器220确定权重向量610与目标成分的单位光谱630之间的相似度R3，并确定相似度R3是否超过第三阈值。单位光谱630可以预先通过实验推导得出，并且可以具有与单位光谱530相同的值。此外，候选光谱选择器220确定通过将输入数据与权重向量610相乘而获得的值620与阶梯函数640之间的相似度R4，并确定相似度R4是否超过第四阈值。输入数据可以指代输入以执行AE的数据，例如第一生物光谱和第二生物光谱。阶梯函数640可以具有与阶梯函数540基本相同的功能。
在相似度R3超过第三阈值并且相似度R4超过第四阈值的情况下，候选光谱选择器220选择权重向量610作为与目标成分相关联的候选光谱。
个体化单位光谱提取器230对权重向量610进行缩放以对应于单位光谱630，并且提取经缩放的权重向量作为个体化单位光谱。
尽管在图6中假设提取一个候选光谱，但这仅仅是为了便于解释，是示例性的，并且提取不限于一个候选光谱。即，与图5相似，候选光谱提取器210可以通过使用AE提取多个权重向量作为候选光谱。
图7是示出根据示例性实施例的用于估计生物成分的装置的框图。生物成分估计装置700可以嵌入在电子设备中。具体地，电子设备的示例可以包括蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等；并且可穿戴设备的示例可以包括手表型可穿戴设备、腕带型可穿戴设备、环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、大腿带型可穿戴设备、前臂带型可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。
参考图7，生物成分估计装置700包括光谱测量器710和处理器720。
光谱测量器710可以测量来自用户皮肤的生物光谱。光谱测量器710可以根据预定的控制信号，通过将光发射到皮肤上并接收从皮肤反射或散射的光，来测量生物光谱。在一个示例性实施例中，光谱测量器710可以利用红外光谱或拉曼光谱，但不限于此，并且可以通过使用各种光谱技术来测量光谱。
处理器720可以通过分析测量的生物光谱数据来处理与估计用户的生物成分相关联的各种操作。这里，生物成分可以包括血液成分，包括血糖、胆固醇、甘油三酯、蛋白质、尿酸等，以及包括胶原蛋白、角蛋白、弹性蛋白等的皮肤成分。
在下文中，为了便于解释，将基于生物成分是血糖的示例进行下面的描述。
处理器720可以基于测量的生物光谱和个体化单位光谱来估计用户的血糖值。具体地，以上参考图1至图6描述了获得个体化单位光谱的方法，使得将省略其详细描述。
在一个示例性实施例中，处理器720可以使用下面的等式1和等式2来估计血糖值。
[等式1]
BS＝Sm-Sb
[等式2]
在本文中，Sm表示测量的生物光谱，Sb表示背景光谱，BS表示从中去除了背景光谱的生物光谱，Su表示个体化单位光谱，RG表示参考血糖值，BG表示估计的血糖值。在这种情况下，背景光谱Sb可以是在参考状态下(例如，当体内存在少量血糖时，即在空腹状态下)，在预定的时间段上以规则的间隔连续测量的光谱，并且可以根据用户特性等针对每个用户不同地定义参考状态。参考血糖值RG可以指代禁食状态下的血糖值。
也就是说，一旦测量到用于估计血糖值的生物光谱Sm，处理器720就可以通过从生物光谱Sm中减去背景光谱Sb来去除由除血糖之外的成分导致的噪声，以便增加信噪比(SNR)。此外，处理器720可以基于从中去除了噪声(背景光谱)的生物光谱BS和个体化单位光谱Su来估计血糖变化值并且可以通过将参考血糖值RG与估计的血糖变化值相加来计算估计的血糖值。
由于生物成分估计装置700通过考虑每个光谱的光学特性，使用个体化单位光谱来估计生物成分，所以生物成分估计装置700可以更准确地估计用户的生物成分。
图8是示出根据示例性实施例的光谱测量装置的框图。光谱测量装置800可以是图7的光谱测量器710的示例。
参考图8，光谱测量装置800包括光谱仪810和测量控制器820。
光谱仪810可以包括用于将光发射到用户皮肤上的光源811，以及用于通过接收从皮肤反射或散射的光来获得皮肤光谱的光电检测器812。
光源811可以将近红外线(NIR)或中红外线(MIR)发射到用户的皮肤上。然而，由光源发射的光的波长可以根据测量目的或待分析的目标成分的类型而变化。此外，光源811可以包括单个发光体，或可以形成为多个发光体的阵列。光源811可以是发光二极管(LED)、激光二极管、荧光体等。
光电检测器812可以包括光电二极管、光电晶体管(PTr)、电荷耦合设备(CCD)等。光电检测器812可以包括单个设备，或可以形成为多个设备的阵列。
可以存在各种数量和布置的光源811和光电检测器812，并且其数量和布置可以根据目标成分的类型、使用目的、嵌入有光谱测量装置800的电子设备的尺寸和形状等而变化。
光发射到的用户皮肤可以是与桡动脉相邻的手腕上的区域。在该区域是桡动脉经过的手腕的皮肤表面的情况下，测量可以相对较小地被外部因素(例如手腕中的皮肤组织的厚度，其可能导致测量误差)影响。然而，对象不限于此，并且可以是人体的外围的身体部分，例如血管密集定位的手指、脚趾等。
测量控制器820可以通过根据用户的命令或预定标准生成控制信号来控制光谱仪810。
在一个示例性实施例中，测量控制器820可以连接到其中安装有光谱测量装置800的医疗器械(例如探测仪)，并且可以通过接收(通过器械接收的)用于测量光谱的命令来生成控制光谱仪810的控制信号。在这种情况下，用于测量光谱的命令可以是用于测量用于估计生物成分的生物光谱的命令，或用于测量用于噪声去除的背景光谱的命令。
在另一示例性实施例中，可以预设用于估计生物成分或背景光谱的生物光谱的测量标准，并且测量控制器820可以根据设定的标准自动地生成用于控制光谱仪810的控制信号。例如，可以针对诸如糖尿病患者之类的用户预设估计血糖水平的时间或间隔(对于糖尿病患者来说管理他们的血糖水平是非常重要的)，使得可以在空腹状态下或在摄入糖之后，以规则的时间或以规则的间隔估计血糖水平。此外，可以预设背景光谱(测量背景光谱以从测量的生物光谱中去除噪声)的测量间隔。
测量控制器820被描述为光谱测量装置800的一部分，但不限于此。也就是说，测量控制器820可以被配置为图7的处理器720的一部分。
图9是示出根据示例性实施例的处理器的框图。图9的处理器900可以是图7的处理器720的示例。
参考图9，处理器900包括模型生成器910和生物成分估计器920。
模型生成器910可以生成用于估计生物成分的生物成分估计模型。模型生成器910可以生成生物成分估计模型，或者可以通过使用背景光谱Sb和个体化单位光谱Su来更新现有的生物成分估计模型。
在一个示例性实施例中，模型生成器910可以通过使用Beer Lambert定律生成血糖估计模型，由下面的等式3表示。然而，等式3的血糖估计模型仅仅是示例性的，并且模型不限于此。
[等式3]
Sm＝(Sb1+Sb2+Sb3+Sb4+…)+εg·L·Cg
在本文中，Sm表示用于估计血糖而测量的用户生物光谱，(Sb1+Sb2+Sb3+Sb4+…)表示在预定的时间段上测量的背景光谱，εg表示用于血糖的个体化单位光谱，L表示在测量生物光谱Sm时的光行程长度或通过使用水路径长度估计的光行程长度，Cg表示用户的血糖变化值。
生物成分估计器920可以通过使用测量的生物光谱和生物成分估计模型来估计用户的生物成分。
在一个示例性实施例中，生物成分估计器920可以通过将生物光谱Sm代入等式3来计算用户的血糖变化值Cg，并且可以通过将参考血糖值与血糖变化值Cg相加来计算估计的血糖值(参见等式2)。
图10是示出根据另一示例性实施例的用于估计生物成分的装置的框图。生物成分估计装置1000可以嵌入在电子设备中。具体地，电子设备的示例可以包括蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等；并且可穿戴设备的示例可以包括手表型可穿戴设备、腕带型可穿戴设备、环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、大腿带型可穿戴设备、前臂带型可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。
参考图10，生物成分估计装置1000包括光谱测量器1010、第一处理器1020和第二处理器1030。
光谱测量器1010可以执行图1的光谱获取器110的功能和图7的光谱测量器710的功能，第一处理器1020可以执行图1的处理器120的功能，第二处理器1030可以执行图7的处理器720的功能。也就是说，通过整合图1的用于获得个体化单位光谱的装置100和图7的用于估计生物成分的装置700来配置用于估计生物成分的装置1000。
尽管图10将第一处理器1020和第二处理器1030示出为单独的部分，但第一处理器1020和第二处理器1030可以被集成到单个处理器中。
图11是示出用于估计生物成分的装置的又一示例的框图。
参考图11，生物成分估计装置1100包括光谱测量器710、处理器720、输入接口1110、存储装置1120、通信接口1130和输出接口1140。这里，以上参考图7至图9描述了光谱测量器710和处理器720，使得将省略其详细描述。
输入接口1110可以从用户接收各种操作信号的输入。在一个示例性实施例中，输入接口1110可以包括键盘、圆顶开关、触摸板(静压/电容)、滚轮、拨动开关、硬件(H/W)按钮等。特别地，形成具有显示器的层结构的触摸板可以被称为触摸屏。
存储装置1120可以存储用于操作估计生物成分的装置1100的程序或命令，并且可以存储输入到估计生物成分的装置1100和从估计生物成分的装置1100输出的数据。此外，存储装置1120可以存储由光谱测量器710测量的生物光谱数据、由处理器720估计的估计生物成分数据、生物成分的个体化单位光谱数据、背景光谱数据、生物成分估计模型数据等。
存储装置1120可以包括以下存储介质中的至少一种：闪存型存储器、硬盘型存储器、多媒体卡微型存储器、卡型存储器(例如，SD存储器，XD存储器等)、随机存取存储器(RAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁存储器、磁盘、光盘等。此外，用于估计生物成分的装置1100可以操作外部存储介质，诸如在互联网上执行存储装置1120的存储功能的网络存储等。
通信接口1130可以执行与外部设备的通信。例如，通信接口1130可以向外部设备发送用户通过输入接口1110输入的数据、由光谱测量器710测量的生物光谱数据、由处理器720估计的估计生物成分数据、生物成分的个体化单位光谱数据、背景光谱数据、生物成分估计模型数据等，或者可以从外部设备接收用于估计生物成分的各种数据。
具体地，外部设备可以是医疗设备、用于打印结果的打印机，或用于显示结果的显示器，该医疗设备使用如下数据：由光谱测量器710测量的生物光谱数据、由处理器720估计的估计生物成分数据、生物成分的个体化单位光谱数据、背景光谱数据、生物成分估计模型数据等。此外，外部设备可以是数字TV、台式计算机、蜂窝电话、智能电话、平板PC、膝上型计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航系统、MP3播放器、数码相机、可穿戴设备等，但不限于此。
通信接口1130可以通过使用蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WIFI通信、射频识别(RFID)通信、3G通信、4G通信、5G通信等与外部设备通信。然而，这仅仅是示例性的而不意在限制。
输出接口1140可以输出如下数据：由光谱测量器710测量的生物光谱数据、由处理器720估计的估计生物成分数据、生物成分的个体化单位光谱数据、背景光谱数据、生物成分估计模型数据等。在一个示例性实施例中，输出接口1140可以通过使用声学方法、视觉方法和触觉方法中的至少一种输出如下数据：由光谱测量器710测量的生物光谱数据、由处理器720估计的估计生物成分数据、生物成分的个体化单位光谱数据、背景光谱数据、生物成分估计模型数据等。为此，输出接口1140可以包括显示器、扬声器、振动器等。
图12是示出根据示例性实施例的获得个体化单位光谱的方法的流程图。可以通过图1的用于获得个体化单位光谱的装置100执行图12的获得个体化单位光谱的方法。
参考图1和图12，在操作1210中，用于获得个体化单位光谱的装置100可以获得第一生物光谱和第二生物光谱，第一生物光谱在体内存在少量目标成分时测量，第二生物光谱在体内存在大量目标成分时测量。
例如，装置100可以从测量和/或存储生物光谱的外部设备获得第一生物光谱和第二生物光谱。备选地，装置100可以通过将光发射到皮肤上并接收从皮肤反射或散射的光来获得第一生物光谱和第二生物光谱。特别地，装置100可以在用户的胃为空时(例如，在用户进食之后两个小时)测量第一生物光谱，可以在用户的胃为满或几乎满时(例如，在用户进食之后30分钟内)测量第二生物光谱。
在操作1220中，装置100可以从获得的第一生物光谱和第二生物光谱中提取个体化单位光谱，以对应于目标成分的单位光谱。例如，处理器120可以通过使用特征提取方法从第一生物光谱和第二生物光谱中提取个体化单位光谱，或者可以通过从第二生物光谱中减去第一生物光谱来提取个体化单位光谱。
图13是示出根据示例性实施例的提取个体化单位光谱的方法的框图。提取个体化单位光谱的方法可以是图12的操作1220中的提取个体化单位光谱的示例。
参考图1和图13，在操作1310中，装置100可以通过使用特征提取方法从第一生物光谱和第二生物光谱中提取至少一个候选光谱。在这种情况下，如上所述，特征提取方法可以包括主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、自动编码(AE)等。
在操作1320中，装置100可以从提取的至少一个候选光谱当中选择与目标成分相关联的候选光谱。在一个示例性实施例中，装置100可以基于候选光谱的形状和/或候选光谱随时间的变化来选择满足预定要求的候选光谱作为与目标成分相关联的候选光谱。具体地，预定要求可以包括候选光谱和目标成分的单位光谱之间的相似度(在下文中称为第一相似度)超过预定阈值(在下文中称为第一阈值)的要求，候选光谱随时间的变化与阶梯函数之间的相似度(在下文中称为第二相似度)超过预定阈值(在下文中称为第二阈值)的要求，通过将第一相似度和第二相似度相乘而获得的值超过预定阈值(在下文中称为第三阈值)的要求等。
具体地，装置100可以使用相似度计算方法，例如欧几里德(Euclidean)距离、曼哈顿(Manhattan)距离、余弦距离、马氏(Mahalanobis)距离、杰卡德(Jaccard)系数、扩展杰卡德(Jaccard)系数、皮尔逊(Pearson)相关系数、斯皮尔曼(Spearman)相关系数等，或者使用统计检验，例如f检验、t检验、z检验等。
在操作1330中，装置100可以对所选择的候选光谱进行缩放以对应于目标成分的单位光谱，在操作1340中，可以提取经缩放的候选光谱作为个体化单位光谱。
当在操作1320中选择多个候选光谱时，装置100可以通过对所选择的多个候选光谱求平均来生成平均候选光谱，并且可以对所生成的平均候选光谱进行缩放以对应于单位光谱。
图14是示出根据另一示例性实施例的提取个体化单位光谱的方法的框图。图14的提取个体化单位光谱的方法可以是图12的操作1220中的提取个体化单位光谱的另一示例。
参考图1和图14，在操作1410中，装置100可以从第二生物光谱中减去第一生物光谱。在一个示例性实施例中，在存在多个第二生物光谱和多个第一生物光谱的情况下，装置100可以计算平均第二生物光谱和平均第一生物光谱，并且可以从计算的平均第二生物光谱中减去计算的平均第一生物光谱。
在操作1420中，装置100可以对由于操作1410中的减法而生成的光谱进行缩放，以对应于目标成分的单位光谱，并且在操作1430中，可以提取经缩放的光谱作为个体化单位光谱。
图15是示出根据另一示例性实施例的获得个体化单位光谱的方法的流程图。可以通过图4的用于获得个体化单位光谱的装置400执行图15的获得个体化单位光谱的方法。
参考图4和图15，在操作1510中，装置400可以获得第一生物光谱和第二生物光谱，并且在操作1520中，可以从第一生物光谱和第二生物光谱中去除由除目标成分以外的成分产生的噪声。在一个实施例中，装置400可以使用各种噪声去除方法，例如非对称最小二乘(ALS)、去趋势、多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、均值中心化(MC)、傅立叶变换(FT)、正交信号校正(OSC)和Savitzky-Golay平滑处理(SG)等，其仅仅是示例性的，并且噪声去除方法不限于此。
在操作1530中，装置400可以选择与提取个体化单位光谱的方法有关的多个选项中的一个。在这种情况下，多个选项包括通过使用主成分分析(PCA)提取个体化单位光谱的第一选项、通过使用独立成分分析(ICA)提取个体化单位光谱的第二选项、通过使用非负矩阵分解(NMF)提取个体化单位光谱的第三选项、通过使用自动编码提取个体化单位光谱的第四选项、以及通过从第二生物光谱中减去第一生物光谱来提取个体化单位光谱的第五选项。
在操作1540中，装置400可以通过使用在操作1530中选择的选项的方法从第一生物光谱和第二生物光谱中提取个体化单位光谱。
图16是示出估计生物成分的方法的示例的流程图。可以通过图7的用于估计生物成分的装置700执行图16的估计生物成分的方法。
参考图7和图16，生物成分估计装置700可以测量来自用户皮肤的生物光谱。例如，在操作1610中，生物成分估计装置700可以通过将光发射到皮肤上并通过接收从皮肤反射或散射的光来测量生物光谱。
在操作1620中，生物成分估计装置700可以基于测量的光谱和个体化单位光谱估计用户的血糖值。
然而不限于此，示例性实施例可以被体现为计算机可读记录介质上的计算机可读代码。计算机可读记录介质是可以存储之后可以由计算机系统读取的数据的任何数据存储设备。计算机可读记录介质的示例包括只读存储器(ROM)、随机读取存储器(RAM)、CD-ROM、磁带、软盘、光学数据存储设备。计算机可读记录介质还可以分布在与网络耦接的计算机系统上，使得计算机可读代码以分布的方式存储和执行。此外，可以将示例性实施例编写成在计算机可读传输介质(例如载波)上传输的计算机程序，并在执行该程序的通用或专用数字计算机中接收和实施。此外，应理解，在示例性实施例中，上述装置和设备的一个或多个单元可以包括电路、处理器、微处理器等，并且可以执行存储在计算机可读介质中的计算机程序。
前述示例性实施例仅仅是示例性的而不应被解释为限制性的。可以容易地将本教导应用于其他类型的装置。此外，示例性实施例的描述旨在说明，而不是限制权利要求的范围，众多替代、修改和变化对本领域技术人员将是显而易见的。

Claims (32)

1.一种用于获得个体化单位光谱的装置，所述装置包括：
光谱获取器，被配置为在第一测量时间处从对象获得第一生物光谱，以及在第二测量时间处从所述对象获得第二生物光谱；以及
处理器，被配置为基于目标成分的预定单位光谱，从所述第一生物光谱和所述第二生物光谱中提取个体化单位光谱。
2.根据权利要求1所述的装置，其中，所述处理器包括：候选光谱提取器，被配置为从所述第一生物光谱和所述第二生物光谱中提取至少一个候选光谱。
3.根据权利要求2所述的装置，其中，所述候选光谱提取器还被配置为，基于以下中的至少一种来提取所述至少一个候选光谱：主成分分析PCA、独立成分分析ICA、非负矩阵分解NMF和自动编码AE。
4.根据权利要求2所述的装置，其中，所述处理器还包括：
候选光谱选择器，被配置为从提取的所述至少一个候选光谱当中选择与所述目标成分相关联的候选光谱；以及
个体化单位光谱提取器，被配置为基于所述预定单位光谱对所选择的候选光谱进行缩放，并提取经缩放的候选光谱作为个体化单位光谱。
5.根据权利要求4所述的装置，其中，所述候选光谱选择器还被配置为，基于所述候选光谱的形状和所述候选光谱随时间的变化中的至少一个来选择候选光谱。
6.根据权利要求5所述的装置，其中，所述候选光谱选择器还被配置为，响应于所述候选光谱满足第一条件、第二条件和第三条件中的至少一个来选择所述候选光谱，在所述第一条件下，所述候选光谱和所述预定单位光谱之间的第一相似度超过第一阈值，在所述第二条件下，所述候选光谱随时间的变化和阶梯函数之间的第二相似度超过第二阈值，在所述第三条件下，所述第一相似度和所述第二相似度的乘积超过第三阈值。
7.根据权利要求4所述的装置，其中，所述候选光谱选择器使用相似度计算方法或统计检验，
其中，所述相似度计算方法包括如下中的至少一种：欧几里德距离、曼哈顿距离、余弦距离、马氏距离、杰卡德系数、扩展杰卡德系数、皮尔逊相关系数和斯皮尔曼相关系数，以及
其中，所述统计检验包括f检验、t检验和z检验中的至少一种。
8.根据权利要求4所述的装置，其中，响应于所述候选光谱选择器选择多个候选光谱，所述个体化单位光谱提取器被配置为通过对所选择的多个候选光谱求平均来生成平均候选光谱，并对所生成的平均候选光谱进行缩放以对应于所述预定单位光谱。
9.根据权利要求1所述的装置，还包括：预处理器，被配置为从所述第一生物光谱和所述第二生物光谱中去除噪声。
10.根据权利要求9所述的装置，其中，所述预处理器还被配置为使用如下中的至少一种：非对称最小二乘ALS、去趋势、多元散射校正MSC、扩展多元散射校正EMSC、标准正态变量SNV、均值中心化MC、傅立叶变换FT、正交信号校正OSC和Savitzky-Golay平滑处理SG。
11.根据权利要求1所述的装置，其中，所述处理器包括：
减法器，被配置为从所述第二生物光谱中减去所述第一生物光谱以获得相减光谱；以及
个体化单位光谱提取器，被配置为对所述相减光谱进行缩放，以对应于所述目标成分的所述预定单位光谱，并提取经缩放的相减光谱作为所述个体化单位光谱。
12.根据权利要求1所述的装置，其中，所述处理器还被配置为，从如下方法中选择方法：
第一方法，使用主成分分析PCA提取所述个体化单位光谱；
第二方法，使用独立成分分析ICA提取所述个体化单位光谱；
第三方法，使用非负矩阵分解NMF提取所述个体化单位光谱；
第四方法，使用自动编码AE提取所述个体化单位光谱；以及
第五方法，通过从所述第二生物光谱中减去所述第一生物光谱；以及
其中，所述处理器还被配置为基于所选择的方法来提取所述个体化单位光谱。
13.根据权利要求1所述的装置，其中，所述目标成分包括所述对象的血液成分和皮肤成分，
其中，所述血液成分包括血糖、胆固醇、甘油三酯、蛋白质和尿酸中的至少一种；以及
所述皮肤成分包括蛋白质和体脂中的至少一种，所述蛋白质包括胶原蛋白、角蛋白和弹性蛋白。
14.一种获得个体化单位光谱的方法，所述方法包括：
在第一测量时间处从对象获得第一生物光谱和在第二测量时间处从所述对象获得第二生物光谱；以及
基于目标成分的预定单位光谱，从所述第一生物光谱和所述第二生物光谱中提取个体化单位光谱。
15.根据权利要求14所述的方法，其中，提取个体化单位光谱包括：
从所述第一生物光谱和所述第二生物光谱中提取至少一个候选光谱；
从提取的所述至少一个候选光谱中选择与所述目标成分相关联的候选光谱；
基于所述预定单位光谱对所选择的候选光谱进行缩放；以及
提取经缩放的候选光谱作为所述个体化单位光谱。
16.根据权利要求15所述的方法，其中，提取所述候选光谱包括基于以下中的至少一种来提取所述候选光谱：主成分分析PCA、独立成分分析ICA、非负矩阵分解NMF和自动编码AE。
17.根据权利要求15所述的方法，其中，选择与所述目标成分相关联的候选光谱包括：基于所述候选光谱的形状和所述候选光谱随时间的变化中的至少一个来选择所述候选光谱。
18.根据权利要求17所述的方法，其中，选择与所述目标成分相关联的候选光谱包括响应于所述候选光谱满足第一条件、第二条件和第三条件中的至少一个来选择所述候选光谱，在所述第一条件下，所述候选光谱和所述预定单位光谱之间的第一相似度超过第一阈值，在所述第二条件下，所述候选光谱随时间的变化和阶梯函数之间的第二相似度超过第二阈值，在所述第三条件下，所述第一相似度和所述第二相似度的乘积超过第三阈值。
19.根据权利要求15所述的方法，其中，选择与所述目标成分相关联的候选光谱包括：基于相似度计算方法或统计检验来选择所述候选光谱，
其中，所述相似度计算方法包括如下中的至少一种：欧几里德距离、曼哈顿距离、余弦距离、马氏距离、杰卡德系数、扩展杰卡德系数、皮尔逊相关系数和斯皮尔曼相关系数，以及
其中，所述统计检验包括f检验、t检验和z检验中的至少一种。
20.根据权利要求15所述的方法，其中，对所选择的候选光谱进行缩放包括：响应于选择多个候选光谱，通过对所选择的多个候选光谱求平均来生成平均候选光谱，以及对所生成的平均候选光谱进行缩放以对应于所述预定单位光谱。
21.根据权利要求14所述的方法，还包括：从所述第一生物光谱和所述第二生物光谱中去除噪声。
22.根据权利要求14所述的方法，其中，去除噪声包括基于如下中的至少一种来去除噪声：非对称最小二乘ALS、去趋势、多元散射校正MSC、扩展多元散射校正EMSC、标准正态变量SNV、均值中心化MC、傅立叶变换FT、正交信号校正OSC和Savitzky-Golay平滑处理SG。
23.根据权利要求14所述的方法，其中，提取所述个体化单位光谱包括：
从所述第二生物光谱中减去所述第一生物光谱以获得相减光谱；
对所述相减光谱进行缩放，以对应于所述目标成分的所述预定单位光谱；以及
提取经缩放的相减光谱作为所述个体化单位光谱。
24.根据权利要求14所述的方法，还包括从如下方法中选择方法：
第一方法，使用主成分分析PCA提取所述个体化单位光谱；
第二方法，使用独立成分分析ICA提取所述个体化单位光谱；
第三方法，使用非负矩阵分解NMF提取所述个体化单位光谱；
第四方法，使用自动编码AE提取所述个体化单位光谱；以及
第五方法，通过从所述第二生物光谱中减去所述第一生物光谱；以及
其中，提取个体化单位光谱包括基于所选择的方法来提取所述个体化单位光谱。
25.根据权利要求14所述的方法，其中，所述目标成分包括血液成分和皮肤成分，
其中，所述血液成分包括血糖、胆固醇、甘油三酯、蛋白质和尿酸中的至少一种；以及
所述皮肤成分包括蛋白质和体脂中的至少一种，所述蛋白质包括胶原蛋白、角蛋白和弹性蛋白。
26.一种用于估计生物成分的装置，所述装置包括：
光谱仪，被配置为通过将光发射到用户上并接收从所述用户反射或散射的光来测量生物光谱；以及
处理器，被配置为基于测量的生物光谱和个体化单位光谱估计生物成分，
其中，从在第一测量时间处从所述用户测量的第一生物光谱和在第二测量时间处从所述用户测量的第二生物光谱中提取所述个体化单位光谱。
27.根据权利要求26所述的装置，其中，所述光谱仪使用红外光谱或拉曼光谱中的至少一种。
28.根据权利要求26所述的装置，其中，所述处理器包括：
模型生成器，被配置为基于所述用户的背景光谱和所述个体化单位光谱来生成生物成分估计模型；以及
生物成分估计器，被配置为基于测量的生物光谱和所述生物成分估计模型来估计生物成分。
29.根据权利要求28所述的装置，其中，根据预定间隔或用户的请求，所述光谱仪还被配置为，在第一测量时间处从所述用户测量所述背景光谱。
30.一种用于测量生物成分的装置，所述装置包括：
光谱仪，被配置为在第一测量时间处从对象获得第一生物光谱，以及在第二测量时间处从所述对象获得第二生物光谱，从所述对象进食的时间点开始，所述第一测量时间比所述第二测量时间经过的时间长；
存储装置，被配置为存储随时间改变的血糖浓度的参考光谱；以及
处理器，被配置为基于所述参考光谱与从所述第一生物光谱和所述第二生物光谱提取的特征值之间的比较来获得个体化单位光谱。
31.根据权利要求30所述的装置，其中，所述处理器还被配置为通过对所述第一生物光谱和所述第二生物光谱执行主成分分析来提取主成分作为所述特征值。
32.根据权利要求30所述的装置，其中，所述处理器还被配置为通过对所述第一生物光谱和所述第二生物光谱执行自动编码来提取权重向量作为所述特征值。
CN201811206668.6A 2017-10-19 2018-10-16 获得个体化单位光谱的装置和方法以及估计生物成分的装置和方法 Active CN109674481B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0136132 2017-10-19
KR1020170136132A KR102539144B1 (ko) 2017-10-19 2017-10-19 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
CN109674481A true CN109674481A (zh) 2019-04-26
CN109674481B CN109674481B (zh) 2023-04-07

Family

ID=63878402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811206668.6A Active CN109674481B (zh) 2017-10-19 2018-10-16 获得个体化单位光谱的装置和方法以及估计生物成分的装置和方法

Country Status (4)

Country Link
US (1) US11564599B2 (zh)
EP (1) EP3474288A1 (zh)
KR (1) KR102539144B1 (zh)
CN (1) CN109674481B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117470867A (zh) * 2023-12-27 2024-01-30 国网辽宁省电力有限公司电力科学研究院 变电设备绝缘子污秽区分方法、装置及电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3531110A1 (en) 2018-02-23 2019-08-28 Samsung Electronics Co., Ltd. Apparatus and method for estimating concentration of blood compound
KR20220025378A (ko) 2020-08-24 2022-03-03 삼성전자주식회사 대상 신호 스펙트럼 획득 장치 및 방법
KR20220070792A (ko) 2020-11-23 2022-05-31 삼성전자주식회사 체온 추정 장치 및 방법과, 헬스케어 기기

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216627A1 (en) * 1997-08-14 2003-11-20 Lorenz Alexander D. Measurement site dependent data preprocessing method for robust calibration and prediction
CN1697967A (zh) * 2003-03-14 2005-11-16 精工爱普生株式会社 测定方法、测定信号输出电路及测定装置
US20110071365A1 (en) * 2009-09-23 2011-03-24 Samsung Electronics Co., Ltd. Method and apparatus for providing blood glucose management information
US20120035442A1 (en) * 2010-08-05 2012-02-09 Ishan Barman Portable raman diagnostic system

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW352335B (en) 1997-03-25 1999-02-11 Matsushita Electric Works Ltd Method of determining a glucose concentration in a target by using near-infrared spectroscopy
JP4472794B2 (ja) 1997-03-25 2010-06-02 パナソニック電工株式会社 グルコース濃度の定量装置
US6990364B2 (en) 2001-01-26 2006-01-24 Sensys Medical, Inc. Noninvasive measurement of glucose through the optical properties of tissue
WO2003076883A2 (en) 2002-03-08 2003-09-18 Sensys Medical, Inc. Compact apparatus for noninvasive measurement of glucose through near-infrared spectroscopy
US6841389B2 (en) 2001-02-05 2005-01-11 Glucosens, Inc. Method of determining concentration of glucose in blood
JP2003042948A (ja) 2001-08-03 2003-02-13 Univ Waseda グルコース濃度測定装置
JP3931638B2 (ja) 2001-11-15 2007-06-20 松下電工株式会社 生体成分の定量装置
KR100545730B1 (ko) 2004-02-03 2006-01-24 재단법인서울대학교산학협력재단 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법
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
WO2016054079A1 (en) 2014-09-29 2016-04-07 Zyomed Corp. Systems and methods for blood glucose and other analyte detection and measurement using collision computing
KR102443262B1 (ko) 2015-09-23 2022-09-13 삼성전자주식회사 분석물질 농도 예측 방법 및 장치
KR102539142B1 (ko) 2016-09-05 2023-06-01 삼성전자주식회사 스펙트럼 분석 장치와 방법, 및 혈당 측정 장치
KR102655737B1 (ko) 2016-11-30 2024-04-05 삼성전자주식회사 생체 성분 추정 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030216627A1 (en) * 1997-08-14 2003-11-20 Lorenz Alexander D. Measurement site dependent data preprocessing method for robust calibration and prediction
CN1697967A (zh) * 2003-03-14 2005-11-16 精工爱普生株式会社 测定方法、测定信号输出电路及测定装置
US20110071365A1 (en) * 2009-09-23 2011-03-24 Samsung Electronics Co., Ltd. Method and apparatus for providing blood glucose management information
US20120035442A1 (en) * 2010-08-05 2012-02-09 Ishan Barman Portable raman diagnostic system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117470867A (zh) * 2023-12-27 2024-01-30 国网辽宁省电力有限公司电力科学研究院 变电设备绝缘子污秽区分方法、装置及电子设备
CN117470867B (zh) * 2023-12-27 2024-03-26 国网辽宁省电力有限公司电力科学研究院 变电设备绝缘子污秽区分方法、装置及电子设备

Also Published As

Publication number Publication date
KR102539144B1 (ko) 2023-06-01
CN109674481B (zh) 2023-04-07
US20190117136A1 (en) 2019-04-25
KR20190043967A (ko) 2019-04-29
EP3474288A1 (en) 2019-04-24
US11564599B2 (en) 2023-01-31

Similar Documents

Publication Publication Date Title
CN109674481A (zh) 获得个体化单位光谱的装置和方法以及估计生物成分的装置和方法
JP6723952B2 (ja) 非一時的コンピュータ可読媒体、デバイス及び方法
EP3277162B1 (en) Wearable pulse sensing device signal quality estimation
US11058358B2 (en) Apparatus and method for correcting error of bio-information sensor, and apparatus and method for estimating bio-information
US11622696B2 (en) Method for improving heart rate estimates by combining multiple measurement modalities
CN109674456B (zh) 血压估计设备和方法以及可穿戴装置
US10251571B1 (en) Method for improving accuracy of pulse rate estimation
US11517223B2 (en) Apparatus and method for estimating blood glucose
CN109864704A (zh) 生物信号质量评价设备和生物信号质量评价方法
US9826940B1 (en) Optical tracking of heart rate using PLL optimization
EP3598939B1 (en) Apparatus and method for measuring a biosignal
KR102349961B1 (ko) 헬스 케어 장치 및 그 동작 방법
CN109480800A (zh) 用于估计生物信息的设备和方法及血压监视装置
CN110811635B (zh) 估计浓度的装置和方法以及生成浓度估计模型的装置
KR102638310B1 (ko) 분석 물질의 농도 추정 장치 및 방법
US20190244704A1 (en) Dietary habit management apparatus and method
CN107664622A (zh) 用于估计血液中物质的装置和方法
US20220361823A1 (en) Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction
CN110186869A (zh) 用于估计血液化合物浓度的装置和方法
US11872032B2 (en) Apparatus and method for estimating analyte concentration
JP2017086876A (ja) 生体信号の特徴を抽出する方法及び装置
Soltani Gait in real world: validated algorithms for gait periods and speed estimation using a single wearable sensor
CN111012322B (zh) 用于估计血压的设备
Shuzan et al. QU-GM: An IoT Based Glucose Monitoring System from Photoplethysmography, Blood Pressure and Demographic Data using Machine Learning
KR20200137103A (ko) 생체 정보 추정 모델 갱신 장치 및 방법

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