CN110811635B - 估计浓度的装置和方法以及生成浓度估计模型的装置 - Google Patents
估计浓度的装置和方法以及生成浓度估计模型的装置 Download PDFInfo
- Publication number
- CN110811635B CN110811635B CN201910738775.1A CN201910738775A CN110811635B CN 110811635 B CN110811635 B CN 110811635B CN 201910738775 A CN201910738775 A CN 201910738775A CN 110811635 B CN110811635 B CN 110811635B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- analyte
- raman
- concentration
- curve
- 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
- 238000000034 method Methods 0.000 title claims description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 352
- 239000012491 analyte Substances 0.000 claims abstract description 343
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 87
- 238000001069 Raman spectroscopy Methods 0.000 claims description 94
- 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 44
- 239000008103 glucose Substances 0.000 claims description 44
- 238000000611 regression analysis Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-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
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 6
- 102000004169 proteins and genes Human genes 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims description 5
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 5
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 5
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 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
- 229940116269 uric acid Drugs 0.000 claims description 5
- 150000003626 triacylglycerols Chemical class 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 26
- 239000008280 blood Substances 0.000 description 25
- 210000004369 blood Anatomy 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000012937 correction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000009499 grossing Methods 0.000 description 8
- 150000002632 lipids Chemical class 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/145—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
- A61B5/14546—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
- A61B5/1468—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 chemical or electrochemical methods, e.g. by polarographic means
- A61B5/1477—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 chemical or electrochemical methods, e.g. by polarographic means non-invasive
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7242—Details of waveform analysis using integration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
Abstract
公开了一种用于估计浓度的装置，包括：光谱获取器，被配置为获取对象的拉曼光谱；以及处理器，被配置为：从拉曼光谱中提取与分析物相关的至少一个分析物光谱和与除分析物之外的生物组分相关的至少一个非分析物光谱，以及基于至少一个分析物光谱的曲线下的第一面积和至少一个非分析物光谱的曲线下的第二面积来估计分析物的浓度。
Description
相关申请的相交引用
本申请要求于2018年8月10日向美国专利和商标局递交的美国申请No.61/717,232和2018年8月23日向韩国知识产权局递交的韩国专利申请No.10-2018-0098772的优先权，这两个申请的公开通过全文引用合并于此。
技术领域
根据示例实施例的装置和方法涉及以非侵入性方式分析物浓度的估计。
背景技术
糖尿病是引起各种并发症并且难以治愈的慢性疾病，因此建议糖尿病患者定期检查其血糖以预防并发症。特别地，当施用胰岛素以控制血糖时，必须严密监测血糖水平以避免低血糖并控制胰岛素剂量。刺扎手指的侵入性方法通常用于测量血糖水平。然而，尽管侵入性方法可以在测量中提供高可靠性，但是可能由于使用注射而引起疼痛和不便以及增加的疾病感染风险。最近，已经对在不抽血的情况下通过使用光谱仪测量血糖的非侵入性方法进行了研究。
发明内容
一个或多个示例实施例提供了用于以非侵入方式估计分析物浓度的装置和方法，以及用于生成用于以非侵入方式估计分析物浓度的模型的装置和方法。
在示例实施例中，提供了一种用于估计浓度的装置，所述装置包括：光谱获取器，被配置为获取对象的拉曼光谱；以及处理器，被配置为：从所述拉曼光谱中提取与分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱，以及基于所述至少一个分析物光谱的曲线下的第一面积和所述至少一个非分析物光谱的曲线下的第二面积来估计所述分析物的浓度。
所述光谱获取器还可以被配置为从外部设备接收所述拉曼光谱，或者通过将光发射到所述对象上并接收从所述对象返回的拉曼散射光来测量所述拉曼光谱。
所述分析物可以是葡萄糖、甘油三酯、尿素、尿酸、乳酸盐、蛋白质、胆固醇或乙醇中的任何一种。
所述处理器还可以被配置为：从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；以及计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的所述第一面积，并且计算去除了所述背景信号的所述至少一个非分析物光谱的曲线下的所述第二面积。
所述处理器还可以被配置为提取与所述分析物相关的拉曼带的光谱作为所述至少一个分析物光谱，并提取与除所述分析物之外的所述生物组分相关的拉曼带的光谱作为所述至少一个非分析物光谱。
所述分析物可以是葡萄糖；并且所述处理器还可以被配置为：提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
所述处理器还可以被配置为：通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所生成的背景线来去除所述背景信号。
所述处理器还可以被配置为基于去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积、以及浓度估计模型来估计所述分析物的浓度。
所述浓度估计模型可以定义去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积和所述分析物的浓度之间的关系。
可以使用参考分析物光谱的曲线下的第一参考面积、参考非分析物光谱的曲线下的第二参考面积、以及所述分析物的对应浓度，通过回归分析或机器学习来生成所述浓度估计模型，所述参考分析物光谱是去除背景信号的参考分析物光谱的，所述参考非分析物光谱是去除背景信号的参考非分析物光谱。
所述处理器还可以被配置为从所述拉曼光谱中去除噪声。
在另一示例实施例中，提供了一种用于生成浓度估计模型的装置，所述装置包括：学习数据收集器，被配置为收集对象的拉曼光谱和与所述拉曼光谱对应的分析物的浓度信息作为学习数据；以及处理器，被配置为：从所述拉曼光谱中提取与所述分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱，以及基于所述至少一个分析物光谱的曲线下的第一面积、所述至少一个非分析物光谱的曲线下的第二面积和所述分析物的浓度信息作为训练数据来生成所述浓度估计模型。
所述处理器还可以被配置为：从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的所述第一面积，以及去除了所述背景信号的所述至少一个非分析物光谱的曲线下的所述第二面积。
所述分析物可以是葡萄糖；并且所述处理器还可以被配置为：提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
所述处理器还可以被配置为：通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所述背景线来去除所述背景信号。
所述处理器还可以被配置为使用去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积以及所述分析物的浓度信息，通过回归分析或机器学习来生成所述浓度估计模型。
在另一示例实施例中，提供了一种用于估计浓度的方法，所述方法包括：获取对象的拉曼光谱；从所述拉曼光谱中提取与分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱；从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的第一面积，以及去除了所述背景信号的所述至少一个非分析物光谱的曲线下的第二面积；以及基于所述第一面积和所述第二面积来估计所述分析物的浓度。
获取所述拉曼光谱可以包括通过从外部设备接收所述拉曼光谱来获取所述拉曼光谱，或者通过将光发射到所述对象上并接收从所述对象返回的拉曼散射光来测量所述拉曼光谱。
所述分析物可以是葡萄糖、甘油三酯、尿素、尿酸、乳酸盐、蛋白质、胆固醇或乙醇中的任何一种。
提取所述至少一个分析物光谱和所述至少一个非分析物光谱可以包括：提取与所述分析物相关的拉曼带的光谱作为所述至少一个分析物光谱，以及提取与除所述分析物之外的所述生物组分相关的拉曼带的光谱作为所述至少一个非分析物光谱。
所述分析物可以是葡萄糖；并且提取所述至少一个分析物光谱和所示至少一个非分析物光谱可以包括：提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
去除所述背景信号可以包括：通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所述背景线来去除所述背景信号。
估计所述分析物的浓度可以包括基于去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积、以及浓度估计模型来估计所述分析物的浓度。
可以使用参考分析物光谱的曲线下的第一参考面积、参考非分析物光谱的曲线下的第二面积、以及所述分析物的对应浓度，通过回归分析或机器学习来生成所述浓度估计模型，所述参考分析物光谱是去除背景信号的参考分析物光谱，所述参考非分析物光谱是去除背景信号的参考非分析物光谱。
所述方法还可以包括从所述拉曼光谱中去除噪声。
附图说明
通过参考附图来描述某些示例实施例，上述和/或其他方案将变得更清楚，在附图中：
图1是示出了用于估计分析物浓度的装置的示例的框图；
图2是示出了光谱获取器的示例的框图；
图3是示出了处理器的示例的框图；
图4是说明提取光谱并去除背景信号的方法的示例的图；
图5是示出了对象的拉曼光谱的示例的图；
图6是示出了去除背景信号的分析物光谱和非分析物光谱的示例的图；
图7是示出了分析物光谱的面积与血糖的关系，以及非分析物光谱的面积与背景信号的关系的图；
图8A和图8B是示出了将使用一般拉曼光谱分析的血糖估计结果与使用根据本公开的示例实施例的估计浓度的方法的血糖估计结果进行比较的示例的图；
图9是示出了处理器的另一示例的框图。
图10是示出了用于估计分析物浓度的装置的另一示例的框图；
图11是示出了用于生成浓度估计模型的装置的示例的框图；
图12是示出了处理器的示例的框图；
图13是示出了处理器的另一示例的框图；
图14是示出了用于估计分析物浓度的装置的另一示例的框图；
图15是示出了估计分析物浓度的方法的示例的流程图；以及
图16是示出了生成浓度估计模型的方法的示例的流程图。
贯穿附图和具体实施方式，除非另外描述，否则相同的附图标记将被理解为指代相同的元件、特征和结构。为了清楚、图示和方便起见，可以将这些元件的相对尺寸和标绘放大。
具体实施方式
下面参考附图更详细地描述示例实施例。
在以下描述中，即使在不同附图中，相同的附图标记也用于相同的元件。提供描述中定义的内容(例如详细构造和元件)以帮助全面理解示例实施例。然而，应当清楚，即便在缺少这些具体定义的内容的情况下，也能够实践示例实施例。此外，由于公知的功能或构造会以不必要的细节使描述模糊，因此没有对其进行详细地描述。
除非在本公开的上下文中明确陈述了特定的顺序，否则本文描述的处理步骤可以与特定顺序不同地执行。亦即，每个步骤可以按特定顺序执行，基本上同时地执行，或者按相反的顺序执行。
此外，贯穿本说明书使用的术语是考虑到根据示例实施例的功能来定义的，并且可以根据用户或管理者的目的或先例等而变化。因此，应当基于整个上下文作出对术语的定义。
应当理解，虽然术语“第一”、“第二”等可以在本文用于描述各种元件，但是这些元件不应当受这些术语的限制。这些术语仅用来将元件彼此区分。除非另外明确说明，否则任何单数引用可以包括复数。在本说明书中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、动作、组件、部件或其组合的存在，而并非旨在排除可能存在或可能添加一个或多个其它特征、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”之类的表述在元件列表之前时修饰整个元件列表，而不是修饰列表中的单独元件。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、包括全部a、b和c或包括上述示例的任何变型。
此外，仅根据主要由组件执行的功能来区分将在说明书中描述的组件。即，稍后将描述的两个或更多个组件可以被集成到单个组件中。而且，将在后面解释的单个组件可以分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另外地执行由另一个组件执行的功能的一些或全部。将要解释的每个组件的一些或全部主要功能可以由另一个组件来执行。每个组件可以被实现为硬件、软件或两者的组合。
图1是示出了用于估计分析物浓度的装置的示例的框图；以及图2是示出了光谱获取器的示例的框图。用于估计分析物浓度的装置100可以通过分析对象的拉曼光谱来非侵入地估计对象中的分析物的浓度，并且可以嵌入在电子设备中。电子设备的示例可以包括蜂窝电话、智能电话、平板电脑、膝上型电脑、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、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腕表式可穿戴设备、腕带式可穿戴设备、环形可穿戴设备、腰带式可穿戴设备、项链式可穿戴设备、脚踝带式可穿戴设备、大腿带式可穿戴设备、前臂带式可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。
参照图1，用于估计分析物浓度的装置100包括光谱获取器110和处理器120。
光谱获取器110可以获取对象的拉曼光谱。
在一个示例实施例中，光谱获取器110可以从外部设备接收拉曼光谱，该外部设备测量和/或存储对象的拉曼光谱。在这种情况下，光谱获取器110可以使用各种通信技术，例如蓝牙通信、蓝牙低能耗(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。
在另一示例实施例中，光谱获取器110可以实现为将光发射到对象上，并且通过接收从对象返回的拉曼散射光来测量拉曼光谱的光谱仪。为此，光谱获取器110可以包括光源210、光收集器220和光电检测器230，如图2所示。
光源210可以将光发射到对象上。例如，光源210可以发射特定波长的光，例如近红外线(NIR)或中红外线(MIR)。然而，从光源210发射的光的波长可以根据测量目的或待测量组分的类型而变化。此外，光源210不一定是单个发光体，并且可以形成为多个发光体的阵列。在光源210被配置为多个发光体的阵列的情况下，多个发光体可以根据测量目的发射不同波长的光，或者所有发光体可以发射相同波长的光。在一个示例实施例中，光源210可以包括发光二极管(LED)、激光二极管等。然而，这仅是示例性的，并且光源不限于此。
在一个示例实施例中，光源210还可以包括用于选择特定波长的光的滤波器(例如，长通滤波器、清除滤波器、带通滤波器等)和/或用于将光源210发射的光朝向对象的期望位置导引的光学元件(例如，反射镜等)。
光收集器220可以收集来自对象的拉曼散射光。为此，光收集器220可以包括滤波器(例如，长通滤波器、清除滤波器等)、透镜(例如，准直透镜、聚焦透镜等)、光纤、波导、光栅等。
光电检测器230可以通过接收由光收集器220收集的拉曼散射光来测量拉曼光谱。在一个示例实施例中，光电检测器230可以包括光电二极管、光电晶体管(PTr)、电荷耦合器件(CCD)等。光电检测器230不一定是单个器件，且可以形成为多个器件的阵列。
处理器120可以处理各种信号和操作以估计分析物的浓度。以预定间隔或在用户请求下，处理器120可以控制光谱获取器110以获取对象的拉曼光谱，并且可以通过分析所获取的拉曼光谱来估计分析物的浓度。
一旦获取对象的拉曼光谱，处理器120可以从获取的拉曼光谱中提取与分析物相关的至少一个拉曼带光谱(下文中称为分析物光谱)，以及与除分析物之外的生物组分相关的至少一个拉曼带光谱(在下文中称为非分析物光谱)，并且可以基于提取的分析物光谱和非分析物光谱的曲线下的面积来估计分析物的浓度。分析物的示例可以包括葡萄糖、甘油三酯、尿素、尿酸、乳酸盐、蛋白质、胆固醇、乙醇等，但分析物不限于此。在分析物是葡萄糖的情况下，分析物的浓度可以指示血糖水平。
图3是示出了处理器的示例的框图。图3的处理器300可以是图1的处理器120的示例。
参考图3，处理器300包括光谱提取器310、背景信号去除器320、面积计算器330和浓度估计器340。
光谱提取器310可以从对象的拉曼光谱中提取至少一个分析物光谱和至少一个非分析物光谱。例如，光谱提取器310可以提取与分析物相关的拉曼带的光谱作为分析物光谱，并且可以提取与除分析物之外的生物组分相关的拉曼带的光谱作为非分析物光谱。特别地，关于与分析物相关的拉曼带的信息和与除分析物之外的生物组分相关的拉曼带的信息可以预先通过实验获取，并且可以存储在内部或外部数据库中。
例如，在拉曼光谱中，葡萄糖与911cm-1、1060cm-1、1125cm-1等处的拉曼带有关；苯丙氨酸与1003cm-1等处的拉曼带有关；蛋白质和脂质与1450cm-1等处的拉曼带有关。因此，在分析物是葡萄糖的情况下，光谱提取器310可以提取911cm-1、1060cm-1和1125cm-1处的拉曼带中的至少一个作为分析物光谱；并且可以提取1003cm-1和1450cm-1处的拉曼带中的至少一个作为非分析物光谱。在这种情况下，拉曼带可以指示形成对应波数的峰值的间隔，并且拉曼带光谱可以指示对应间隔的光谱。例如，在910cm-1至925cm-1的范围内形成911cm-1拉曼带的峰值的情况，911cm-1拉曼带可以在910cm-1至925cm-1的范围内，并且911cm-1处的拉曼带可以是在910cm-1至925cm-1的间隔内的光谱。
背景信号去除器320可以从提取的至少一个分析物光谱和至少一个非分析物光谱中去除背景信号，例如荧光等。在一个示例实施例中，背景信号去除器320可以通过以直线或曲线将每个提取的光谱(分析物光谱和非分析物光谱)的起始点与结束点连接来生成背景线，并且可以通过从每个光谱中减去生成的背景线来去除背景信号。例如，当提取出峰值为911cm-1的分析物光谱时，分析物光谱的起始点和结束点可以分别设定为910cm-1和925cm-1，并且将910cm-1与925cm-1连接的直线或曲线的值可以从分析物光谱中被去除。
面积计算器330可以计算去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的曲线下的面积。例如，面积计算器330可以通过执行对去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的积分来计算每个光谱的曲线下的面积。
浓度估计器340可以基于每个光谱(分析物光谱和非分析物光谱)的曲线下方的计算面积来估计分析物的浓度。例如，浓度估计器340可以基于去除了背景信号的分析物光谱的曲线下的面积、去除了背景信号的非分析物光谱的曲线下的面积、以及浓度估计模型来估计对象的分析物的浓度。在这种情况下，浓度估计模型定义了去除了背景信号的分析物光谱的面积、去除了背景信号的非分析物光谱的曲线下的面积与该时间点处分析物浓度之间的关系。浓度估计模型可以存储在内部或外部数据库中。在一个示例实施例中，可以使用去除了背景信号的分析物光谱的曲线下的面积、去除了背景信号的非分析物光谱的曲线下的面积以及对应的分析物浓度，通过回归分析或机器学习来生成浓度估计模型。在这种情况下，回归分析算法的示例可以包括线性回归(例如，偏最小二乘回归)、逻辑回归、比例Cox回归等；机器学习算法的示例可以包括人工神经网络、决策树、遗传算法、遗传编程、K最近邻、径向基函数网络、随机森林、支持向量机、深度学习等。
在一个示例实施例中，浓度估计模型可以由以下方程1或方程2表示。
[方程1]
G＝a1x1+…+anxn+b1y1+…+bmym+a0
[方程2]
此处，G表示分析物的浓度，xi(i＝1，…n)表示去除了背景信号的分析物光谱的曲线下的面积，yj(j＝1，…m)表示去除了背景信号的非分析物光谱的曲线下的面积，a0、ai(i＝1，…n)，和bj(j＝1，…m)表示系数，k表示归一化系数。在这种情况下，a0、ai(i＝1，…n)和bj(j＝1，…m)可以使用回归分析算法来计算。此外，k可以是预定值，xi(i＝1，…n)或yj(j＝1，…m)。
图4是说明提取频谱并去除背景信号的方法的示例的图。图4示出了提取与葡萄糖相关的拉曼带的光谱，并从提取的拉曼带光谱中去除背景信号的示例。
在示例实施例中，光谱提取器310可以根据目标拉曼带(例如，葡萄糖相关拉曼带911cm-1)来确定用于计算拉曼光谱410的曲线下的面积(AUC)的波数范围。具体地，处理器300可以从拉曼光谱410中去除背景信号，根据背景信号去除的拉曼光谱410生成一阶导数信号，并确定一阶导数信号的两个相邻的零值位置或近零值位置之间的范围(例如，910cm-1和925cm-1之间的范围)，该范围包括目标拉曼带(例如911cm-1)。例如，两个相邻的零值位置或近零值位置之间的范围可以对应于第一导数信号从正值变为负值(或从负值变为正值)的第一位置和第一导数信号从负值变为正值(或从正值变为负值)的第二点之间的范围。
参见图3和图4，在分析对象的拉曼光谱410时，光谱提取器310可以确定911cm-1处的峰值形成在910cm-1至925cm-1的范围内，并且可以在910cm-1至925cm-1的范围上提取光谱420，作为与葡萄糖有关的拉曼带光谱。在这种情况下，910cm-1至925cm-1的光谱420可以是通过从拉曼光谱410中去除背景信号(例如，荧光等)而获得的拉曼光谱的一次微分值开始从负数变为正数的波数。可以由处理器300基于目标峰波数(例如，911cm-1)来计算光谱420的范围(例如，910cm-1至925cm-1的范围)，或者可以将其预先存储在装置100中作为预定值。
背景信号去除器320可以通过以直线或曲线将提取的拉曼带光谱420的起始点与结束点连接来生成基线430，并且可以通过从提取的拉曼带光谱420中减去基线430来生成拉曼带光谱440，从该拉曼带光谱440中去除了例如荧光等背景信号。
图5和图6是说明估计分析物浓度的方法的示例的示例图。图5和图6是示出分析物是葡萄糖的示例和说明估计血糖的方法的图。更具体地，图5是示出了对象的拉曼光谱的示例的图；以及图6是示出了去除背景信号的分析物光谱和非分析物光谱的示例的图。
参见图3、图5和图6，光谱提取器310可以提取与葡萄糖有关的911cm-1处的拉曼带光谱511、1060cm-1处的拉曼带光谱512和1125cm-1处的拉曼带光谱513作为分析物光谱；并且可以提取与苯丙氨酸有关的1003cm-1处的拉曼带光谱514和与蛋白质和脂质有关的1450cm-1处的拉曼带光谱515作为非分析物光谱。
背景信号去除器320可以通过以直线或曲线将每个提取的拉曼光谱511至515的起始点与结束点连接来生成背景线，并且可以通过从每个提取的拉曼光谱511到515中减去背景线来生成去除了背景信号的拉曼光谱610至650。在图6中，拉曼带光谱610对应于911cm-1拉曼带光谱511，拉曼带光谱620对应于1060cm-1拉曼带光谱512，并且拉曼带光谱630对应于1125cm-1拉曼带光谱513，拉曼带光谱640对应于1003cm-1拉曼带光谱514，并且拉曼带光谱650对应于1450cm-1拉曼带光谱515。
面积计算器330可以通过执行对去除了背景信号的每个拉曼带光谱610至650的积分来计算每个拉曼带光谱610至650的曲线下的面积A_葡萄糖1(A_glu1)、A_葡萄糖2(A_glu2)、A_葡萄糖3(A_glu3)、A_氨基(A_amino)和A_脂质(A_lipid)。浓度估计器340可以基于所计算的面积A_glu1、A_glu2、A_glu3、A_amino和A_lipid以及浓度估计模型来估计对象的血糖水平。例如，浓度估计器340可以通过使用方程1或方程2来估计对象的血糖水平。
图7是示出了分析物光谱的曲线下的面积与血糖的关系，以及非分析物光谱的曲线下的面积与背景信号的关系的图。
参考图7，在911cm-1拉曼带光谱的曲线下的面积A_glu1、1060cm-1拉曼带光谱的曲线下的面积A_glu2以及1125cm-1拉曼带光谱的曲线下的面积A_glu3的变化与葡萄糖浓度的变化类似。即，可以看出分析物光谱的面积A_glu1、A_glu2和A_glu3与葡萄糖浓度有关。
此外，1003cm-1拉曼带光谱的曲线下的面积A_amino和1450cm-1拉曼带光谱的曲线下的面积A_lipid的变化类似于背景信号(即，荧光)的变化。即，非分析物光谱的面积A_amino和A_lipid中的每一个与背景信号相关。
图8A和图8B是示出了将使用一般拉曼光谱分析的血糖估计结果与使用根据本公开的示例实施例的估计浓度的方法的血糖估计结果进行比较的示例的图。图8A示出了使用一般拉曼光谱分析的血糖估计结果的图；并且图8B示出了使用根据本公开的示例实施例的估计浓度的方法的血糖估计结果的图。
如图8A所示，在使用一般拉曼光谱分析估计血糖的情况下，相关系数R是0.17，标准预测误差(SEP)是422.5mg/dL，并且平均绝对相对差(MARD)是175.9％。相反，如图8B中所示，在使用根据本公开的示例实施例的估计浓度的方法来估计血糖的情况下，R为0.82，SEP为125.2mg/dL，MARD为64.1％。随着R增加以及SEP和MARD减小，估计的准确性增加。因此，可以看出，在使用根据本公开的示例实施例的估计浓度的方法来估计血糖的情况(图8B)下，与使用一般拉曼光谱分析来估计血糖的情况(图8A)相比，提高了估计的准确性。
特别地，在荧光变化的变化较大的估计血糖开始时的初始间隔中，在使用一般拉曼光谱法估计血糖的情况下，估计的准确度相对较低(图8A)，在使用根据本公开的示例实施例的估计浓度的方法估计血糖的情况下，估计的准确度保持在相对较高的水平(图8B)。
图9是示出了处理器的另一示例的框图。图9的处理器900可以是图1的处理器120的示例。
参考图9，处理器900包括预处理器910、光谱提取器920、背景信号去除器930、面积计算器940和浓度估计器950。这里，光谱提取器920、背景信号去除器930、面积计算器940和浓度估计器950可以以与光谱提取器310、背景信号去除器320、面积计算器330和浓度估计器340基本相同的方式操作，因此将省略其详细描述。
预处理器910可以从对象的拉曼光谱中去除噪声。在一个示例实施例中，预处理器910可以基于各种噪声去除算法从对象的拉曼光谱中去除噪声，诸如非对称最小二乘(ALS)、去线性分量的多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、平均中心化(MC)、傅里叶变换(FT)、正交信号校正(OSC)、Savitzky-Golay平滑(SG)等等，但噪声消除算法不限于此。
图10是示出了用于估计分析物浓度的装置的另一示例的框图。用于估计浓度的装置1000是用于估计对象中的分析物浓度的非侵入性装置，并且可以嵌入在电子设备中。在该情况下，电子设备的示例可以包括蜂窝电话、智能电话、平板电脑、膝上型电脑、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、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腕表式可穿戴设备、腕带式可穿戴设备、环形可穿戴设备、腰带式可穿戴设备、项链式可穿戴设备、脚踝带式可穿戴设备、大腿带式可穿戴设备、前臂带式可穿戴设备等。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，用于估计浓度的装置1000包括光谱获取器1010、处理器1020、输入接口1030、存储装置1040、通信接口1050和输出接口1060。这里，光谱获取器1010和处理器1020与图1的光谱获取器110和处理器120相同，因此将省略其详细描述。
输入接口1030可以接收来自用户的各种操作信号的输入。在一个示例实施例中，输入接口1030可以包括键区、圆顶开关、触摸板(静态压力/电容)、滚轮、微动开关、硬件(H/W)按钮等。具体地，形成具有显示器的层结构的触摸板可以称为触摸屏。
存储装置1040可以存储用于估计浓度的装置1000的操作的程序或命令，并且可以存储输入到用于估计浓度的装置1000和从装置1000输出的数据。此外，存储装置1040可以存储拉曼光谱、浓度估计模型、分析物的估计浓度值等。存储装置1040可以包括以下存储介质中的至少一个：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、磁盘和光盘等。此外，用于估计浓度的装置1000可以操作外部存储介质，例如网络存储装置等，其在互联网上执行存储装置1040的存储功能。
通信接口1050可以执行与外部设备的通信。例如，通信接口1050可以将被输入到并存储在用于估计浓度的装置1000中的数据、由用于估计浓度的装置1000处理的数据等传输外部设备，或者可以从外部设备接收用于估计分析物浓度的各种数据。
在这种情况下，外部设备可以是使用被输入并存储在用于估计浓度的装置1000中的数据、由用于估计浓度的装置1000处理的数据等的医疗设备、用于打印结果的打印机或用于显示结果的显示器。此外，外部设备可以是数字电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、MP3播放器、数码相机、可穿戴设备等，但是不限于此。
通信接口1050可以通过使用蓝牙通信、蓝牙低能耗(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通信等与外部设备进行通信。然而，这仅仅是示例性的，并非旨在进行限制。
输出接口1060可以输出被输入并存储在用于估计浓度的装置1000中的数据、由用于估计浓度的装置1000处理的数据。在一个示例实施例中，输出接口1060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来输出被输入并存储在用于估计浓度的装置1000中的数据、由用于估计浓度的装置1000处理的数据等。为此，输出接口1060可以包括显示器，扬声器，振动器等。
图11是示出了用于生成浓度估计模型的装置的示例的框图。用于生成图11的浓度估计模型的装置1100可以生成用于估计对象中的分析物的浓度的模型，并且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、平板电脑、膝上型电脑、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、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腕表式可穿戴设备、腕带式可穿戴设备、环形可穿戴设备、腰带式可穿戴设备、项链式可穿戴设备、脚踝带式可穿戴设备、大腿带式可穿戴设备、前臂带式可穿戴设备等。然而，电子设备不限于此，并且可穿戴设备也不限于此。装置1100可以设置为装置1000的一部分或者独立于装置1000而设置。
参考图11，用于生成浓度估计模型的装置1100包括学习数据收集器1110和处理器1120。
学习数据收集器1110可以收集对象的拉曼光谱和与拉曼光谱对应的分析物浓度信息作为学习数据。具体地，被收集作为学习数据的拉曼光谱可以是在预定时间段期间以预定时间间隔测量的多个拉曼光谱，或者可以是从多个拉曼光谱中提取的代表性拉曼光谱。此外，被收集作为学习数据的拉曼光谱可以是未去除噪声的原始数据，或者可以是去除了噪声的数据。
一旦收集了对象的拉曼光谱，处理器1120就可以从所收集的拉曼光谱中提取至少一个分析物光谱和至少一个非分析物光谱，并且可以通过学习提取的分析物光谱和非分析物光谱的面积以及分析物的相应浓度值来生成浓度估计模型。
图12是示出了处理器的示例的框图。图12的处理器1200可以是图11的处理器1120的示例。
参考图12，处理器1200包括光谱提取器1210、背景信号去除器1220、面积计算器1230和模型生成器1240。
光谱提取器1210可以从对象的拉曼光谱中提取至少一个分析物光谱和至少一个非分析物光谱。例如，光谱提取器1210可以提取与分析物相关的拉曼带的光谱作为分析物光谱，以及与除分析物之外的生物组分相关的拉曼带的光谱作为非分析物光谱。特别地，关于与分析物相关的拉曼带的信息和与除分析物之外的生物组分相关的拉曼带的信息可以预先通过实验获取，并且可以存储在内部或外部数据库中。
背景信号去除器1220可以从提取的至少一个分析物光谱和至少一个非分析物光谱中去除背景信号，例如荧光等。在一个示例实施例中，背景信号去除器1220可以通过以直线或曲线将每个提取的光谱(分析物光谱和非分析物光谱)的起始点与结束点连接来生成背景线，并且可以通过从每个提取的光谱中减去生成的背景线来去除背景信号。
面积计算器1230可以计算去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的曲线下的面积。例如，面积计算器1230可以通过执行对去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的积分来计算每个光谱的曲线下的面积。
模型生成器1240可以基于每个光谱(分析物光谱和非分析物光谱)的计算的曲线下的面积和分析物的对应浓度值来生成分析物的浓度估计模型。例如，模型生成器1240可以使用去除了背景信号的分析物光谱的曲线下的面积、去除了背景信号的非分析物光谱的曲线下的面积以及相应的分析物浓度值，通过回归分析或机器学习来生成浓度估计模型。回归分析算法的示例可以包括线性回归(例如，偏最小二乘回归)、逻辑回归、比例Cox回归等；机器学习算法的示例可以包括人工神经网络、决策树、遗传算法、遗传编程、K最近邻、径向基函数网络、随机森林、支持向量机、深度学习等。
例如，浓度估计模型可以由以上方程1或方程2表示。
图13是示出了处理器的另一示例的框图。图13的处理器1300可以是图11的处理器1120的另一示例。
参考图13，处理器1300包括预处理器1310、光谱提取器1320、背景信号去除器1330、面积计算器1340和模型生成器1350。这里，光谱提取器1320、背景信号去除器1330、面积计算器1340和模型生成器1350与图12的光谱提取器1210、背景信号去除器1220、面积计算器1230和模型生成器1240相同，因此将省略其详细描述。
预处理器1310可以从对象的拉曼光谱中去除噪声。在一个示例实施例中，预处理器1310可以通过使用各种噪声去除算法从对象的拉曼光谱中去除噪声，诸如非对称最小二乘(ALS)、去线性分量的多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、平均中心化(MC)、傅里叶变换(FT)、正交信号校正(OSC)、Savitzky-Golay平滑(SG)等等，但噪声去除算法不限于此。
图14是示出了用于估计分析物浓度的装置的另一示例的框图。图14的示例可以是用于生成浓度估计模型的装置和用于估计浓度的装置被实现为单个装置的示例。
如图14所示，用于估计浓度的装置1400可以包括浓度估计模型生成器1410和浓度估计器1420。特别地，浓度估计模型生成器1410可以对应于上面参考图11至图13描述的用于生成浓度估计模型的装置1100，并且浓度估计器1420可以对应于上面参照图1至图10描述的用于估计浓度的装置100和1000。
即，浓度估计模型生成器1410可以在预定时间段期间收集学习数据，并且可以通过学习所收集的学习数据来生成分析物的浓度估计模型。一旦浓度估计模型生成器1410完成生成浓度估计模型，浓度估计器1420就获取对象的拉曼光谱，并且可以基于所获取的拉曼光谱和生成的浓度估计模型来估计分析物的浓度。
图15是示出了估计分析物浓度的方法的示例的流程图。图15的估计分析物浓度的方法可以由图1和图10的用于估计浓度的装置100和1000来执行。
参考图15，在操作1510中，用于估计浓度的装置可以获取对象的拉曼光谱。例如，用于估计浓度的装置可以从测量和/或存储对象的拉曼光谱的外部设备接收对象的拉曼光谱，或者可以通过将光发射到对象上并且接收从对象返回的拉曼散射光来测量对象的拉曼光谱。
在操作1515中，用于估计浓度的装置可以从对象的所获取的拉曼光谱中去除噪声。在一个示例实施例中，用于估计浓度的装置可以基于各种噪声去除算法从对象的拉曼光谱中去除噪声，例如非对称最小二乘(ALS)、去线性分量的多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、平均中心化(MC)、傅里叶变换(FT)、正交信号校正(OSC)、Savitzky-Golay平滑(SG)等等，但噪声消除算法不限于此。
在操作1520中，用于估计浓度的装置可以从对象的拉曼光谱中提取至少一个分析物光谱和至少一个非分析物光谱。例如，用于估计浓度的装置可以提取与分析物相关的拉曼带的光谱作为分析物光谱，以及与除分析物之外的生物组分相关的拉曼带的光谱作为非分析物光谱。在这种情况下，关于与分析物相关的拉曼带的信息和与除分析物之外的生物组分相关的拉曼带的信息可以预先通过实验获取，并且可以存储在内部或外部数据库中。
在操作1530中，用于估计浓度的装置可以从提取的至少一个分析物光谱和至少一个非分析物光谱中去除背景信号，例如荧光等。例如，用于估计浓度的装置可以通过以直线或曲线将每个提取的光谱(分析物光谱和非分析物光谱)的起始点与结束点连接来生成背景线，并且可以通过从每个提取的光谱中减去生成的背景线来去除背景信号。
在操作1540中，用于估计浓度的装置可以计算去除背景信号的每个光谱(分析物光谱和非分析物光谱)的曲线下的面积。例如，用于估计浓度的装置可以通过执行对去除背景信号的每个光谱(分析物光谱和非分析物光谱)的积分来计算每个光谱的曲线下的面积。
在操作1550中，用于估计浓度的装置可以基于每个光谱(分析物光谱和非分析物光谱)的计算的曲线下的面积来估计分析物的浓度。例如，用于估计浓度的设装置可以基于去除了背景信号的分析物光谱的曲线下的面积、去除了背景信号的非分析物光谱的曲线下的面积、以及浓度估计模型来估计对象的分析物的浓度。在一个示例实施例中，浓度估计模型可以由以上方程1或方程2表示。
图16是示出了生成浓度估计模型的方法的示例的流程图。图16的生成浓度估计模型的方法可以由图11的用于生成浓度估计模型的装置1100来执行。
参考图16，在操作1610中，用于生成浓度估计模型的装置可以收集对象的拉曼光谱和与拉曼光谱对应的分析物的浓度信息作为学习数据。在这种情况下，被收集作为学习数据的拉曼光谱可以是在预定时间段期间以预定时间间隔测量的多个拉曼光谱，或者可以是从拉曼光谱中提取的代表性拉曼光谱。
在操作1615中，用于生成浓度估计模型的装置可以从对象的所获取的拉曼光谱中去除噪声。在一个示例实施例中，用于估计浓度的装置可以基于各种噪声去除算法从对象的拉曼光谱中去除噪声，例如非对称最小二乘(ALS)、去线性分量的多元散射校正(MSC)、扩展多元散射校正(EMSC)、标准正态变量(SNV)、平均中心化(MC)、傅里叶变换(FT)、正交信号校正(OSC)、Savitzky-Golay平滑(SG)等等，但噪声去除算法不限于此。
在操作1620中，用于生成浓度估计模型的装置可以从对象的拉曼光谱中提取至少一个分析物光谱和至少一个非分析物光谱。例如，用于生成浓度估计模型的装置可以提取与分析物相关的拉曼带的光谱作为分析物光谱，以及与除分析物之外的生物组分相关的拉曼带的光谱作为非分析物光谱。在这种情况下，关于与分析物相关的拉曼带的信息和与除分析物之外的生物组分相关的拉曼带的信息可以预先通过实验获取，并且可以存储在内部或外部数据库中。
在操作1630中，用于生成浓度估计模型的装置可以从提取的至少一个分析物光谱和至少一个非分析物光谱中去除背景信号，例如荧光等。例如，用于生成浓度估计模型的装置可以通过以直线或曲线将每个提取的光谱(分析物光谱和非分析物光谱)的起始点与结束点连接来生成背景线，并且可以通过从每个提取的光谱中减去生成的背景线来去除背景信号。
在操作1640中，用于生成浓度估计模型的装置可以计算去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的曲线下的面积。例如，用于生成浓度估计模型的装置可以通过执行对去除了背景信号的每个光谱(分析物光谱和非分析物光谱)的积分来计算每个光谱的曲线下的面积。
在操作1650中，用于生成浓度估计模型的装置可以基于每个光谱(分析物光谱和非分析物光谱)的计算的曲线下的面积和分析物的对应浓度值来生成分析物的浓度估计模型。例如，用于生成浓度估计模型的装置可以使用去除了背景信号的分析物光谱的曲线下的面积、去除了背景信号的非分析物光谱的曲线下的面积以及相应的分析物浓度值通过回归分析或机器学习来生成浓度估计模型。
尽管不限于此，但是示例实施例可以被实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能够被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)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储设备。计算机可读记录介质也可以分布在联网的计算机系统上，使得按照分布方式存储和执行计算机可读代码。此外，可以将示例实施例写为计算机程序，所述计算机程序通过计算机可读传输介质(例如，载波)传输，并在执行所述程序的通用或专用数字计算机中被接收和执行。此外，可以理解在示例实施例中，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。
上述示例性实施例仅仅作为示例而不应被解释为限制。本教导能够被容易地应用于其他类型的装置。此外，对示例性实施例的描述只是说明性的，而不是为了限制权利要求的范围，并且本领域技术人员将清楚多种备选、修改和变化。
Claims (19)
1.一种用于估计浓度的装置，所述装置包括：
光谱获取器，被配置为获取对象的拉曼光谱；以及
处理器，被配置为：
从所述拉曼光谱中提取与分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱，
从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；
计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的第一面积，并且计算去除了所述背景信号的所述至少一个非分析物光谱的曲线下的第二面积；以及
基于去除了所述背景信号的所述至少一个分析物光谱的曲线下的第一面积和去除了所述背景信号的所述至少一个非分析物光谱的曲线下的第二面积以及浓度估计模型来估计所述分析物的浓度，
其中，所述浓度估计模型使用参考分析物光谱的曲线下的第一参考面积、参考非分析物光谱的曲线下的第二参考面积、以及所述分析物的对应浓度，通过回归分析或机器学习来生成，所述参考分析物光谱是去除了背景信号的参考分析物光谱，所述参考非分析物光谱是去除了背景信号的参考非分析物光谱。
2.根据权利要求1所述的装置，其中，所述光谱获取器还被配置为从外部设备接收所述拉曼光谱，或者通过将光发射到所述对象上并接收从所述对象返回的拉曼散射光来测量所述拉曼光谱。
3.根据权利要求1所述的装置，其中，所述分析物是葡萄糖、甘油三酯、尿素、尿酸、乳酸盐、蛋自质、胆固醇或乙醇中的任何一种。
4.根据权利要求1所述的装置，其中，所述处理器还被配置为提取与所述分析物相关的拉曼带的光谱作为所述至少一个分析物光谱，并提取与除所述分析物之外的所述生物组分相关的拉曼带的光谱作为所述至少一个非分析物光谱。
5.根据权利要求1所述的装置，其中，所述分析物是葡萄糖，并且
所述处理器还被配置为：
提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及
提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
6.根据权利要求1所述的装置，其中，所述处理器还被配置为：
通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及
通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所生成的背景线来去除所述背景信号。
7.根据权利要求1所述的装置，其中，所述浓度估计模型定义去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积和所述分析物的浓度之间的关系。
8.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所述拉曼光谱中去除噪声。
9.一种用于生成浓度估计模型的装置，所述装置包括：
学习数据收集器，被配置为收集对象的拉曼光谱和与所述拉曼光谱对应的分析物的浓度信息作为学习数据；以及
处理器，被配置为：
从所述拉曼光谱中提取与所述分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱，以及
基于所述至少一个分析物光谱的曲线下的第一面积、所述至少一个非分析物光谱的曲线下的第二面积和所述分析物的浓度信息作为训练数据来生成所述浓度估计模型，
其中，所述处理器还被配置为使用去除了背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积以及所述分析物的浓度信息，通过回归分析或机器学习来生成所述浓度估计模型。
10.根据权利要求9所述的装置，其中，所述处理器还被配置为：
从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；以及
计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的所述第一面积、以及去除了所述背景信号的所述至少一个非分析物光谱的曲线下的所述第二面积。
11.根据权利要求9所述的装置，其中，所述分析物是葡萄糖；并且
所述处理器还被配置为：
提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及
提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
12.根据权利要求10所述的装置，其中，所述处理器还被配置为：
通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及
通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所述背景线来去除所述背景信号。
13.一种用于估计浓度的方法，所述方法包括：
获取对象的拉曼光谱；
从所述拉曼光谱中提取与分析物相关的至少一个分析物光谱和与除所述分析物之外的生物组分相关的至少一个非分析物光谱；
从所述至少一个分析物光谱和所述至少一个非分析物光谱中去除背景信号；
计算去除了所述背景信号的所述至少一个分析物光谱的曲线下的第一面积、以及去除了所述背景信号的所述至少一个非分析物光谱的曲线下的第二面积；以及
基于去除了所述背景信号的所述至少一个分析物光谱的所述第一面积、去除了所述背景信号的所述至少一个非分析物光谱的所述第二面积、以及浓度估计模型来估计所述分析物的浓度，
其中所述浓度估计模型使用参考分析物光谱的曲线下的第一参考面积、参考非分析物光谱的曲线下的第二面积、以及所述分析物的对应浓度，通过回归分析或机器学习来生成，所述参考分析物光谱是去除了背景信号的参考分析物光谱，所述参考非分析物光谱是去除了背景信号的参考非分析物光谱。
14.根据权利要求13所述的方法，其中，获取所述拉曼光谱包括通过从外部设备接收所述拉曼光谱来获取所述拉曼光谱，或者通过将光发射到所述对象上并接收从所述对象返回的拉曼散射光来测量所述拉曼光谱。
15.根据权利要求13所述的方法，其中，所述分析物是葡萄糖、甘油三酯、尿素、尿酸、乳酸盐、蛋白质、胆固醇或乙醇中的任何一种。
16.根据权利要求13所述的方法，其中，提取所述至少一个分析物光谱和所述至少一个非分析物光谱包括：提取与所述分析物相关的拉曼带的光谱作为所述至少一个分析物光谱，以及提取与除所述分析物之外的所述生物组分相关的拉曼带的光谱作为所述至少一个非分析物光谱。
17.根据权利要求13所述的方法，其中，所述分析物是葡萄糖；并且
提取所述至少一个分析物光谱和所述至少一个非分析物光谱包括：
提取在911cm-1、1060cm-1和1125cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个分析物光谱，以及
提取在1003cm-1和1450cm-1处的拉曼带光谱中的至少一个拉曼带光谱，作为所述至少一个非分析物光谱。
18.根据权利要求13所述的方法，其中，去除所述背景信号包括：
通过以直线或曲线将所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱的起始点与结束点连接来生成背景线，以及
通过从所述至少一个分析物光谱和所述至少一个非分析物光谱中的每个光谱中减去所述背景线来去除所述背景信号。
19.根据权利要求13所述的方法，还包括：从所述拉曼光谱中去除噪声。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862717232P | 2018-08-10 | 2018-08-10 | |
| US62/717,232 | 2018-08-10 | ||
| KR1020180098772A KR102574088B1 (ko) | 2018-08-10 | 2018-08-23 | 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법 |
| KR10-2018-0098772 | 2018-08-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110811635A CN110811635A (zh) | 2020-02-21 |
| CN110811635B true CN110811635B (zh) | 2024-04-26 |
Family
ID=67587626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910738775.1A Active CN110811635B (zh) | 2018-08-10 | 2019-08-09 | 估计浓度的装置和方法以及生成浓度估计模型的装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11627895B2 (zh) |
| EP (1) | EP3607875A1 (zh) |
| CN (1) | CN110811635B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200129409A (ko) * | 2019-05-08 | 2020-11-18 | 삼성전자주식회사 | 광 센서, 생체 정보 추정 장치 및 방법 |
| US20230204527A1 (en) * | 2020-04-03 | 2023-06-29 | Decision Tree, Llc | Systems and methods for interpreting high energy interactions |
| CA3202481A1 (en) * | 2020-12-18 | 2022-06-23 | Benjamin J. Feldman | Systems and methods for analyte detection |
| CN116223398B (zh) * | 2023-02-01 | 2023-11-03 | 广州华立学院 | 一种基于光谱分析的水肥药一体化浓度配比方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5784162A (en) * | 1993-08-18 | 1998-07-21 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for biological research, medical diagnostics and therapy |
| US6115673A (en) * | 1997-08-14 | 2000-09-05 | Instrumentation Metrics, Inc. | Method and apparatus for generating basis sets for use in spectroscopic analysis |
| US6690966B1 (en) * | 1991-02-26 | 2004-02-10 | Massachusetts Institute Of Technology | Methods of molecular spectroscopy to provide for the diagnosis of tissue |
| EP2856933A1 (en) * | 2013-10-02 | 2015-04-08 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | Probe, system, and method for non-invasive measurement of blood analytes |
| CN105758836A (zh) * | 2016-02-18 | 2016-07-13 | 安徽芯核防务装备技术股份有限公司 | 一种基于面积法的拉曼光谱即时定量分析方法 |
| KR20170126310A (ko) * | 2016-05-09 | 2017-11-17 | 삼성전자주식회사 | 분석물질 농도 예측 방법 및 장치 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7039446B2 (en) | 2001-01-26 | 2006-05-02 | Sensys Medical, Inc. | Indirect measurement of tissue analytes through tissue properties |
| CA2337097C (en) | 1998-07-13 | 2008-12-23 | James L. Lambert | Non-invasive glucose monitor |
| DE10027100C2 (de) | 2000-05-31 | 2002-08-08 | Klaus Mueller-Dethlefs | Verfahren und Vorrichtung zum Nachweisen von Substanzen in Körperflüssigkeiten |
| US20060224057A1 (en) * | 2003-10-21 | 2006-10-05 | Oculir, Inc. | Methods for non-invasive analyte measurement |
| EP1716325B1 (de) | 2004-02-01 | 2010-01-06 | Behr GmbH & Co. KG | Anordnung zur kühlung von abgas und ladeluft |
| JP2008510985A (ja) | 2004-08-27 | 2008-04-10 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | バックグラウンド信号補正による光学的分析システム |
| US9103793B2 (en) * | 2005-07-22 | 2015-08-11 | Massachusetts Institute Of Technology | Intrinsic Raman spectroscopy |
| US7961312B2 (en) | 2007-08-13 | 2011-06-14 | C8 Medisensors Inc. | Calibrated analyte concentration measurements in mixtures |
| US9662047B2 (en) | 2010-08-05 | 2017-05-30 | Massachusetts Institute Of Technology | Portable raman diagnostic system |
| US10006922B2 (en) | 2011-12-22 | 2018-06-26 | Massachusetts Institute Of Technology | Raman spectroscopy for detection of glycated analytes |
| EP2913663A1 (en) * | 2014-02-28 | 2015-09-02 | IMEC vzw | Optical spectrometer with matched étendue |
| 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 |
| US20170127983A1 (en) | 2015-11-10 | 2017-05-11 | Massachusetts Institute Of Technology | Systems and methods for sampling calibration of non-invasive analyte measurements |
| KR102487983B1 (ko) | 2015-11-16 | 2023-01-11 | 삼성전자주식회사 | 질병 예측 모델 구축 장치 및 방법과 질병 예측 장치 |
-
2019
- 2019-07-31 US US16/527,983 patent/US11627895B2/en active Active
- 2019-08-09 CN CN201910738775.1A patent/CN110811635B/zh active Active
- 2019-08-09 EP EP19191000.9A patent/EP3607875A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6690966B1 (en) * | 1991-02-26 | 2004-02-10 | Massachusetts Institute Of Technology | Methods of molecular spectroscopy to provide for the diagnosis of tissue |
| US5784162A (en) * | 1993-08-18 | 1998-07-21 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for biological research, medical diagnostics and therapy |
| US6115673A (en) * | 1997-08-14 | 2000-09-05 | Instrumentation Metrics, Inc. | Method and apparatus for generating basis sets for use in spectroscopic analysis |
| EP2856933A1 (en) * | 2013-10-02 | 2015-04-08 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | Probe, system, and method for non-invasive measurement of blood analytes |
| CN105758836A (zh) * | 2016-02-18 | 2016-07-13 | 安徽芯核防务装备技术股份有限公司 | 一种基于面积法的拉曼光谱即时定量分析方法 |
| KR20170126310A (ko) * | 2016-05-09 | 2017-11-17 | 삼성전자주식회사 | 분석물질 농도 예측 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3607875A1 (en) | 2020-02-12 |
| US20200046269A1 (en) | 2020-02-13 |
| CN110811635A (zh) | 2020-02-21 |
| US11627895B2 (en) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11617523B2 (en) | Apparatus and method for estimating biological component | |
| KR102574088B1 (ko) | 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법 | |
| EP3272280B1 (en) | Apparatus and method for estimating blood sugar based on heterogeneous spectrums | |
| JP2022061939A (ja) | 分析物質の濃度推定装置及び方法、ならびに信号測定装置 | |
| US11199492B2 (en) | Apparatus for measuring spectrum, method of correcting temperature change of light source in spectrum, and apparatus and method for estimating analyte concentration | |
| US11564599B2 (en) | Apparatus and method for obtaining individualized unit spectrum, and apparatus and method for estimating biological component | |
| US11596331B2 (en) | Apparatus and method for estimating analyte concentration | |
| US10684226B2 (en) | Raman probe, Raman spectrum obtaining apparatus, and method of obtaining Raman spectrum and detecting distribution of target material using Raman probe | |
| US11490863B2 (en) | Apparatus and method for estimating bio-information, and apparatus for supporting estimation of bio-information | |
| US11389092B2 (en) | Apparatus and method for estimating bio-information | |
| US11872032B2 (en) | Apparatus and method for estimating analyte concentration | |
| EP3792675B1 (en) | Lens, light source device with lens, and apparatus for estimating concentration of analyte | |
| US11495329B2 (en) | Apparatus and method for determining validity of bio-information estimation model | |
| US20220061704A1 (en) | Apparatus and method for estimating target component | |
| US20200378890A1 (en) | Apparatus and method for updating bio-information estimation model |
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 |