CN111134688A - 光学传感器、测量光信号的方法及估计血液浓度的装置 - Google Patents
光学传感器、测量光信号的方法及估计血液浓度的装置 Download PDFInfo
- Publication number
- CN111134688A CN111134688A CN201911074747.0A CN201911074747A CN111134688A CN 111134688 A CN111134688 A CN 111134688A CN 201911074747 A CN201911074747 A CN 201911074747A CN 111134688 A CN111134688 A CN 111134688A
- Authority
- CN
- China
- Prior art keywords
- light
- light source
- correlation coefficient
- quality
- photodetector
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 155
- 239000008280 blood Substances 0.000 title claims description 84
- 210000004369 blood Anatomy 0.000 title claims description 84
- 238000000034 method Methods 0.000 title claims description 32
- 230000008859 change Effects 0.000 claims description 28
- 239000012491 analyte Substances 0.000 claims description 24
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 6
- 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 6
- 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 3
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims description 3
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 3
- 229960005070 ascorbic acid Drugs 0.000 claims description 3
- 235000010323 ascorbic acid Nutrition 0.000 claims description 3
- 239000011668 ascorbic acid Substances 0.000 claims description 3
- 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 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 229960004756 ethanol Drugs 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 229940001447 lactate Drugs 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 150000003626 triacylglycerols Chemical class 0.000 claims description 3
- 229940116269 uric acid Drugs 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 44
- 230000015654 memory Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 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
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 238000013500 data storage Methods 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
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 230000002366 lipolytic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—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
- A61B5/14551—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 for measuring blood gases
-
- 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
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- 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
- A61B5/14546—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
提供了一种光学传感器,包括:光源,被配置为发射光;光电检测器阵列,包括位于距光源不同距离处的多个光电检测器,每个光电检测器被配置为检测从被光源发射的光照射的对象返回的光信号,并测量所检测到的光信号的光强度;以及处理器,被配置为基于所测量的光强度来确定变量之间的相关系数,并基于所确定的相关系数来确定所述光信号的质量,其中通过选择性地使用质量为可接受水平或更高水平的光信号来确定所述对象的光学特性。
Description
相关申请的交叉引用
本申请要求于2018年11月6日在韩国知识产权局递交的韩国专利申请No.10-2018-0135350的优先权,其全部公开出于所有目的通过引用合并于此。
技术领域
本公开的示例实施例涉及非侵入性地测量分析物的血液浓度。
背景技术
通常,血液的甘油三酸酯水平在摄入脂肪后的6至7小时内上升,并且此后开始下降。因此,通过测量在脂肪摄入后甘油三酸酯水平的变化,可以获得脂肪摄入量、脂解能力等作为用于保健管理的重要健康指标。
有一种方法通过以15到20分钟为间隔采集血液样本并分析血液样本而侵入性地测量甘油三酸酯水平。然而,虽然测量血液甘油三酸酯水平的侵入性方法可以提供测量的高度可靠性,但是由于使用注射,它可能引起疼痛和不便以及增加疾病感染的风险。最近,已经进行了关于通过在不进行血液采样的情况下测量光学特性来非侵入性地估计甘油三酸酯水平变化的方法的研究。
发明内容
一个或多个示例实施例提供了一种光学传感器、一种测量光信号的方法和一种用于以非侵入性方式并以高准确度估计分析物血液浓度的装置。
根据示例实施例的一方面,提供了一种光学传感器,包括:光源,被配置为发射光;光电检测器阵列,包括位于距光源的不同距离处的多个光电检测器,每个光电检测器被配置为检测从被光源发射的光照射的对象返回的光信号,并测量所检测到的光信号的光强度;以及处理器,被配置为基于所测量的光强度来确定变量之间的相关系数,并基于所确定的相关系数来确定光信号的质量,其中通过选择性地使用质量为可接受水平或更高水平的光信号来确定所述对象的光学特性。
可以根据用于计算被光源照射的对象的有效衰减系数的公式来获得所述变量。
相关系数可以是R(ρ)和ρ-2之间的相关系数,其中,ρ表示光源与所述多个光电检测器中的光电检测器之间的距离,并且R(ρ)表示由距光源的距离为ρ的光电检测器测量的光强度。
处理器可以基于所确定的相关系数超过阈值而确定光信号的质量为可接受水平或更高水平。
处理器可以基于确定光信号的质量小于可接受水平而丢弃所测量的光强度。
根据另一示例实施例的一方面,提供了一种用于估计血液浓度的装置,该装置包括:光源,被配置为发射光;光电检测器阵列,包括位于距光源的不同距离处的多个光电检测器,每个光电检测器被配置为检测从被光源发射的光照射的对象返回的光信号,并测量所检测到的光信号的光强度;以及处理器,被配置为基于所测量的光强度来确定变量之间的相关系数,基于所确定的相关系数来确定光信号的质量,并且响应于确定光信号的质量为可接受水平或更高水平,基于所测量的光强度估计分析物的血液浓度。
可以根据用于计算被光源照射的对象的有效衰减系数的公式来获得所述变量。
相关系数可以是R(ρ)和ρ-2之间的相关系数,其中,ρ表示光源与所述多个光电检测器中的光电检测器之间的距离,并且R(ρ)表示由距光源的距离为ρ的光电检测器测量的光强度。
基于所确定的相关系数大于或等于阈值,处理器可以确定光信号的质量为可接受水平或更高水平;以及基于所确定的相关系数小于所述阈值,处理器可以确定光信号的质量小于可接受水平。
基于确定光信号的质量小于可接受水平,处理器可以丢弃所测量的光强度。
处理器可以基于所检测到的光信号来确定对象的光学特性的变化,并通过使用所确定的对象的光学特性的变化和血液浓度估计模型来估计分析物的血液浓度。
光学特性可以包括散射系数或有效衰减系数中的至少一个。
分析物可以包括葡萄糖、甘油三酸酯、胆固醇、蛋白质、乳酸盐、乙醇、尿酸或抗坏血酸中的至少一种。
根据又一示例实施例的一方面,提供了一种测量光信号的方法,该方法包括:由光源将光发射到对象上;检测从被光源发射的光照射的对象返回的光信号,并测量所检测到的光信号的光强度;基于所测量的光强度确定变量之间的相关系数;以及基于所确定的相关系数确定光信号的质量,其中通过选择性地使用质量为可接受水平或更高水平的光信号来确定对象的光学特性。
可以根据用于计算被光源照射的对象的有效衰减系数的公式来获得所述变量。
相关系数可以是R(ρ)和ρ-2之间的相关系数,其中,ρ表示光源与光电检测器之间的距离,并且R(ρ)表示由距光源的距离为ρ的光电检测器测量的光强度。
确定光信号的质量可以包括:将所确定的相关系数与阈值进行比较;基于所确定的相关系数超过所述阈值,确定光信号的质量为可接受水平或更高水平;以及基于所确定的相关系数小于或等于所述阈值,确定光信号的质量小于可接受水平。
测量光信号的方法还可以包括:基于所确定的光信号的质量小于可接受水平,丢弃所测量的光强度。
测量光信号的方法还可以包括:基于所确定的光信号的质量小于可接受水平,反复执行光的发射、光强度的测量、相关系数的确定以及光信号的质量的确定。
附图说明
根据以下结合附图对示例实施例的描述,本公开的以上和/或其他方面将变得清楚并且更容易理解,在附图中:
图1是示出根据示例实施例的光学传感器的示例的框图;
图2是示出根据示例实施例的有效衰减系数计算公式的示例的曲线图;
图3是示出根据示例实施例的有效衰减系数计算公式的另一示例的曲线图;
图4是示出根据示例实施例的光学传感器的另一示例的框图;
图5是示出根据示例实施例的用于估计血液浓度的装置的示例的框图;
图6是示出根据示例实施例的用于估计血液浓度的装置的另一示例的框图;
图7是示出根据示例实施例的用于估计血液浓度的系统的示例的框图;
图8是示出根据示例实施例的测量光信号的方法的示例的流程图;以及
图9是示出根据示例实施例的估计分析物的血液浓度的方法的示例的流程图。
具体实施方式
在下文中,将参考附图详细描述本公开的示例实施例。应当注意,即使在不同的附图中,也尽可能以相同的附图标记指代相同的部件。在以下描述中,当可能混淆本公开的主题时,将省略对结合到本文的已知功能和配置的详细描述。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、说明和方便,可以夸大这些元件的相对尺寸和绘制。
除非在本公开的上下文中明确陈述了所必需的指定顺序,否则本文描述的处理步骤可以与指定顺序不同地执行。例如,每个步骤可以按指定顺序执行,基本上同时执行,或按相反的顺序执行。
此外,贯穿本说明书使用的术语是考虑根据示例实施例的功能而定义的,并且可以根据用户或管理者的目的或先例等而变化。因此,应当在整个上下文的基础上对术语进行定义。
应当理解,虽然可以在本文使用术语“第一”、“第二”等来描述各种元件,但是这些元件不应被这些术语限制。这些术语仅用于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”等术语旨在指示存在本说明书中公开的特征、数字、步骤、动作、组件、部件或其组合,而不旨在排除可以存在或可以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。
此外,仅根据由组件主要执行的功能来区分将在说明书中描述的组件。也就是说,稍后将描述的两个或更多个组件可以集成到单个组件中。此外,稍后将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附加地执行由另一个组件执行的一些功能或全部功能。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执行。每个组件可以以硬件或软件或其组合来实现。
在本公开中,术语“……中的至少一个”包括相关列出项目中的一个或多个的任何和所有组合。例如,术语“A和B中的至少一个”或“A或B中的至少一个”仅用于描述可能存在以下三种情况:仅A存在,A和B都存在,以及仅B存在。类似地,“A、B和C中的至少一个”或“A、B或C中的至少一个”表示可能存在以下七种情况:仅A存在,仅B存在,仅C存在,A和B都存在,A和C都存在,C和B都存在,以及A、B和C都存在。
在下面的描述中,术语“模块”、“单元”或“部件”指代执行至少一个功能或操作的元件。“模块”或“单元”可以被实现为硬件、软件或其组合。除了需要将相应“模块”或“单元”实现为分立的特定硬件的情况以外,多个“模块”、“单元”或“部件”可以集成到至少一个模块或芯片中,并且被实现为至少一个处理器。
图1是示出根据示例实施例的光学传感器100的示例的框图。
图1的光学传感器100是用于相对于对象测量光信号并评估所测量的光信号的质量的设备。光信号可以是基于由光源发射并从对象返回的光所生成的信号。由光学传感器100测量的光信号可以用于确定对象的光学特性。光学传感器100可以嵌入在电子设备中,或者可以封装在壳体中以提供为单独的设备。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型可穿戴设备、腕带型可穿戴设备、指环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、股带型可穿戴设备、前臂带型可穿戴设备等。然而,电子设备不限于以上示例,并且可穿戴设备也不限于此。
参考图1,光学传感器100包括光源110、光电检测器阵列120和处理器130。这里,处理器130可以包括一个或多个处理器、存储器或其组合。
光源110可以将光发射到对象上。例如,光源110可以将特定波长的光(例如,近红外(NIR)光)发射到对象上。然而,要由光源110发射的光的波长可以根据测量目的和/或分析物的类型而变化。此外,光源110不一定是单个发光体,而可以形成为多个发光体的阵列。在光源110形成为多个发光体的阵列的情况下,多个发光体可以发射不同波长的光,或者可以发射相同波长的光。此外,多个发光体中的一些发光体可以发射相同波长的光,而其他发光体可以发射不同波长的光。在示例实施例中,光源110可以包括发光二极管(LED)、激光二极管、荧光体等,但这些仅仅是示例,本公开不限于此。
光电检测器阵列120可以在距光源110的每个距离处检测光信号,并且可以测量检测到的光信号的光强度。为此,光电检测器阵列120可以包括位于距光源110的不同距离处的多个光电检测器。每个光电检测器可以检测从对象反射或散射的光信号,并且可以测量检测到的光信号的光强度。在示例实施例中,每个光电检测器可以包括光电二极管、光电晶体管(PTr)、电荷耦合器件(CCD)等,但是不限于此。
处理器130可以控制光学传感器100的整体操作。
处理器130可以基于由光电检测器阵列120测量的光强度来确定预定变量之间的相关系数。在示例实施例中,可以使用用于计算被光源照射的对象的有效衰减系数的公式来获得用于确定相关系数的变量。有效衰减系数计算公式可以由下面的公式1或公式2表示。
[公式1]
[公式2]
在公式1和2中,ρ表示光源与光电检测器之间的距离,R(ρ)表示由在距光源的距离为ρ的位置处的光电检测器测量的光强度,S0表示光源发射到对象的光强度,μeff表示有效衰减系数,μa表示吸收系数。这里,S0可以是经实验确定的值。
在另一实施例中,处理器130可以通过使用公式2的R(ρ)和ρ-2作为变量,来确定R(ρ)和ρ-2之间的相关系数(在下文中,称为第二相关系数)。
处理器130可以基于所确定的相关系数(第一相关系数和/或第二相关系数)来确定由光电检测器阵列120检测到的光信号的质量。例如,处理器130可以将相关系数(第一相关系数和/或第二相关系数)与预定阈值进行比较;以及响应于相关系数超过预定阈值,处理器130可以确定光信号的质量为可接受水平或更高水平(或良好的质量),并且响应于相关系数小于或等于预定阈值,处理器130可以确定光信号的质量小于可接受水平(或较差的质量)。
在确定由光电检测器阵列120检测到的光信号的质量为可接受水平或更高水平时,处理器130可以终止测量,并且可以将所测量的光强度提供给用于测量对象的光学特性的装置。
另一方面,在确定由光电检测器阵列120检测到的光信号的质量小于可接受水平时,处理器130可以丢弃测量值,和/或可以控制光源110和光电检测器阵列120重新发射光并重新测量光强度。
图2是示出有效衰减系数计算公式的示例的曲线图。图2可以是示出公式1的曲线图。
因此,在相对于ρ标绘基于测量的光强度而计算的时,在标绘结果偏离线性的情况下,处理器130可以确定检测到的光信号的质量小于可接受水平。另一方面,在标绘结果维持线性的情况下,处理器130可以确定检测到的光信号的质量为可接受水平或更高水平。也就是说,和ρ之间的相关系数可以用于确定检测到的光信号的质量。
图3是示出有效衰减系数计算公式的另一示例的曲线图。图3可以是示出公式2的曲线图。
参考图3,公式2可以示出为幂函数图,其中y轴表示R(ρ),并且x轴表示ρ,如左侧曲线图中所示;并且公式2可以示出为线性图,其中y轴表示R(ρ),并且x轴表示ρ-2,如右侧曲线图中所示。
因此,在相对于ρ-2标绘测量的光强度R(ρ)时,在标绘结果偏离线性的情况下,处理器130可以确定检测到的光信号的质量小于可接受水平。另一方面,在标绘结果维持线性的情况下,处理器130可以确定检测到的光信号的质量为可接受水平或更高水平。也就是说,R(ρ)和ρ-2之间的相关系数可以用于确定检测到的光信号的质量。
图4是示出光学传感器的另一示例的框图。图4的光学传感器400是用于测量确定对象的光学特性所依据的光信号并且评估所测量光信号的质量的设备。光学传感器400可以嵌入在电子设备中,或者可以封装在壳体中以提供为单独的设备。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型可穿戴设备、腕带型可穿戴设备、指环型可穿戴设备、腰带型可穿戴设备、项链型可穿戴设备、踝带型可穿戴设备、股带型可穿戴设备、前臂带型可穿戴设备等。然而,电子设备不限于以上示例,并且可穿戴设备也不限于此。
参考图4,光学传感器400包括光源410、光电检测器阵列420、处理器430、输入接口440、存储器450、通信接口460和输出接口470。这里,光源410、光电检测器阵列420和处理器430分别与光源110、光电检测器阵列120和处理器130相同或基本相似,因此将省略其详细描述。
输入接口440可以从用户接收各种操作信号的输入。在示例实施例中,输入接口440可以包括键盘、圆顶开关、触摸板(静压/电容型)、滚轮、点动开关、硬件(H/W)按钮等。特别地,与显示器一起形成层结构的触摸板可以被称为触摸屏。
存储器450可以存储用于操作光学传感器400的程序或命令,并且可以存储输入到光学传感器400的数据和从光学传感器400输出的数据。此外,存储器450可以存储检测到的光信号、测量的光强度、确定的相关系数、质量确定结果等。
存储器450可以包括以下至少一种存储介质: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)、磁性存储器、磁盘和光盘等。此外,光学传感器400可以操作在互联网上执行存储器450的存储功能的外部存储介质,例如网页存储等。
通信接口460可以执行与外部设备的通信。例如,通信接口460可以向外部设备发送输入到光学传感器400的数据、存储在光学传感器400中并由光学传感器400处理的数据等,或者可以从外部设备接收用于检测光信号、测量光强度和确定光信号的质量的各种数据。
在示例实施例中,外部设备可以是医疗设备,其使用输入到光学传感器400的数据、存储在光学传感器400中并由光学传感器400处理的数据等,和/或外部设备可以是打印出结果的打印机和/或显示结果的显示器。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)、导航设备、MP3播放器、数码相机、可穿戴设备等,但是不限于此。
通信接口460可以通过使用以下项与外部设备通信: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,这仅是示例而不旨在限制。
输出接口470可以输出输入到光学传感器400的数据、存储在光学传感器400中并由光学传感器400处理的数据等。在示例实施例中,输出接口470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方法来输出输入到光学传感器400的数据、存储在光学传感器400中并由光学传感器400处理的数据等。为此,输出接口470可以包括显示器、扬声器、振动器等。
图5是示出用于估计血液浓度的装置500的示例的框图。图5的血液浓度估计装置500是用于通过使用光信号非侵入性地估计分析物血液浓度或分析物血液浓度的变化的装置,并且可以嵌入在前述电子设备中,或者可以封装在壳体中以提供为单独的设备。分析物的示例可以包括葡萄糖、甘油三酸酯、胆固醇、蛋白质、乳酸盐、乙醇、尿酸、抗坏血酸等。
参考图5,血液浓度估计装置500包括光学传感器510和处理器520。这里,光学传感器510与图1和图4的光学传感器100和400相同,从而将省略其详细描述。处理器520可以实现为与光学传感器510的内部处理器分离的组件,或者可以与光学传感器510的内部处理器整体地形成。
处理器520可以控制血液浓度估计装置500的整体操作。
处理器520可以基于由光学传感器510测量的光强度来确定光学特性的变化。光学特性可以包括散射系数和有效衰减系数中的至少一个。
在示例实施例中,处理器520可以使用以下公式3来确定散射系数,并且可以基于所确定的散射系数和散射系数的初始值来确定散射系数的变化。
[公式3]
此处,μs′表示散射系数,μa表示吸收系数,ρ1表示光源与第一光电检测器之间的距离,ρ2表示光源与第二光电检测器之间的距离,R(ρ1)表示由第一光电检测器针对每个距离测量的光强度,并且R(ρ2)表示由第二光电检测器针对每个距离测量的光强度。
在另一实施例中,处理器520可以使用前述公式1或公式2来确定有效衰减系数,并且可以基于所确定的有效衰减系数和有效衰减系数的初始值来确定有效衰减系数的变化。
在确定光学特性的变化时,处理器520可以通过使用所确定的光学特性的变化和血液浓度估计模型来估计分析物的血液浓度的变化。血液浓度估计模型定义了光学特性的变化与分析物血液浓度的变化之间的相关性,并且可以通过回归分析或机器学习来生成。回归分析算法的示例可以包括简单线性回归、多线性回归、逻辑回归、比例Cox回归等,机器学习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。
另外,处理器520可以基于估计的血液浓度的变化和血液浓度的初始值来估计血液浓度。
图6是示出用于估计血液浓度的装置600的另一示例的框图。血液浓度估计装置600是用于通过使用光信号非侵入性地估计分析物血液浓度或分析物血液浓度的变化的装置,并且可以嵌入在前述电子设备中,或者可以封装在壳体中以提供为单独的设备。
参考图6,血液浓度估计装置600包括光学传感器610、处理器620、输入接口630、存储器640、通信接口650和输出接口660。这里,光学传感器610和处理器620分别与图5的光学传感器510和处理器520相同或基本相似,从而将省略其详细描述。此外,图6的输入接口630、存储器640、通信接口650和输出接口660分别与图4的输入接口440、存储器450、通信接口460和输出接口470相同或基本相似,从而将对其进行简要描述。
输入接口630可以从用户接收各种操作信号的输入。
存储器640可以存储用于操作血液浓度估计装置600的程序或命令,并且可以存储输入到血液浓度估计装置600的数据和从血液浓度估计装置600输出的数据。此外,存储器640可以存储检测到的光信号、测量的光强度、确定的相关系数、质量确定结果、分析物血液浓度的变化、分析物的血液浓度等。
通信接口650可以执行与外部设备的通信。例如,通信接口650可以向外部设备发送输入到血液浓度估计装置600的数据、存储在血液浓度估计装置600中并由血液浓度估计装置600处理的数据等,或者可以从外部设备接收用于检测光信号、测量光强度、确定光信号的质量、确定光学特性、估计分析物血液浓度等的各种数据。
输出接口660可以输出输入到血液浓度估计装置600的数据、存储在血液浓度估计装置600中并由血液浓度估计装置600处理的数据等。
图7是示出用于估计血液浓度的系统700的示例的框图。图7的血液浓度估计系统可以是将光学传感器和血液浓度估计装置设置为分离组件的示例。
参考图7,血液浓度估计系统700包括光学传感器710和血液浓度估计装置720。
光学传感器710包括光源711、光电检测器阵列712、处理器713和通信接口714。光源711、光电检测器阵列712和处理器713可以分别与图1的光源110、光电检测器阵列120和处理器130相同或基本相似。
即,光源711可以将光发射到对象上,并且光电检测器阵列712可以通过检测从对象返回的光信号来测量光强度。处理器713可以基于测量的光强度来确定光信号的质量;以及在确定光信号的质量小于可接受水平时,处理器713可以丢弃测量值,和/或可以控制光源711和光电检测器阵列712重新发射光并重新测量光强度。
处理器713可以通过使用各种通信技术,经由通信接口714将可接受水平或更高质量的光信号和光强度发送给血液浓度估计装置720。例如,通信技术可以包括蓝牙通信、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。
血液浓度估计装置720可以执行图5的处理器520的功能。即,血液浓度估计装置720可以通过从光学传感器710接收光信号和光强度来确定对象的光学特性,并且可以基于所确定的光学特性来估计分析物血液浓度的变化和/或分析物的血液浓度。
图8是示出测量光信号的方法的示例的流程图。图8的光信号测量方法可以由图1和图4的光学传感器100和400执行。
参考图8,在810中,光学传感器可以将光发射到对象上。例如,光学传感器可以将预定波长的光(例如,近红外(NIR)光)发射到对象上。然而,要由光源发射的光的波长可以根据测量目的和/或分析物的类型而变化。
在820中,光学传感器可以检测从对象反射或散射的光信号,并且可以测量检测到的光信号的光强度。
在830中,光学传感器可以基于所测量的光强度来确定预定变量之间的相关系数。在示例实施例中,可以根据有效衰减系数计算公式获得用于确定相关系数的变量。有效衰减系数计算公式可以由公式1或公式2表示。
在另一实施例中,光学传感器可以通过使用公式2的R(ρ)和ρ-2作为变量,来确定R(ρ)和ρ-2之间的相关系数。
在840中,光学传感器可以基于所确定的相关系数来确定光信号的质量。例如,光学传感器可以将相关系数与预定阈值Th进行比较;以及响应于相关系数超过预定阈值Th,光学传感器可以确定光信号的质量为可接受水平或更高水平,并且响应于相关系数小于或等于预定阈值Th,光学传感器可以确定光信号的质量小于可接受水平。
在确定光信号的质量小于可接受水平时,在850中,光学传感器可以丢弃测量值,并且可以返回到操作810,以将光重新发射到对象上,重新检测光信号,并重新测量光强度。
此外,在确定光信号的质量为可接受水平或更高水平时,光学传感器可以终止测量。
在图8的850中丢弃测量值不是必需的处理,可以根据需要进行省略。
图9是示出估计分析物血液浓度的方法的示例的流程图。图9的血液浓度估计方法可以由图5和图6的血液浓度估计装置500和600执行。
参考图9,在910中,血液浓度估计装置可以将光发射到对象上。例如,血液浓度估计装置可以将预定波长的光(例如,近红外(NIR)光)发射到对象上。
在920中,血液浓度估计装置可以检测从对象反射或散射的光信号,并且可以测量检测到的光信号的光强度。
在930中,血液浓度估计装置可以基于所测量的光强度来确定预定变量之间的相关系数。在示例实施例中,可以根据用于计算被光源照射的对象的有效衰减系数的公式来获得用于确定相关系数的变量。有效衰减系数计算公式可以由公式1或公式2表示。
在940中,血液浓度估计装置可以基于所确定的相关系数来确定光信号的质量。例如,血液浓度估计装置可以将相关系数与预定阈值Th进行比较;以及响应于相关系数超过预定阈值Th,血液浓度估计装置可以确定光信号的质量为可接受水平或更高水平,并且响应于相关系数小于或等于预定阈值Th,血液浓度估计装置可以确定光信号的质量小于可接受水平。
在确定光信号的质量为可接受水平或更高水平时,在950中,血液浓度估计装置可以基于所测量的光强度来确定光学特性的变化。光学特性可以包括散射系数和有效衰减系数中的至少一个。
在示例实施例中,血液浓度估计装置可以通过使用前述公式1或公式2来确定有效衰减系数,并且可以基于所确定的有效衰减系数和有效衰减系数的初始值来确定有效衰减系数的变化。
在另一实施例中,血液浓度估计装置可以通过使用前述公式3来确定散射系数,并且可以基于所确定的散射系数和散射系数的初始值来确定散射系数的变化。
在确定光学特性的变化后,在960中,血液浓度估计装置可以通过使用所确定的光学特性的变化和血液浓度估计模型来估计分析物血液浓度的变化,并且可以基于估计的血液浓度的变化和血液浓度的初始值来估计分析物的血液浓度。血液浓度估计模型定义了光学特性的变化与分析物血液浓度的变化之间的相关性,并且可以通过回归分析或机器学习来生成。回归分析算法的示例可以包括但不限于简单线性回归、多线性回归、逻辑回归、比例Cox回归等,机器学习的示例可以包括但不限于人工神经网络、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。
在确定光信号的质量小于可接受水平时,在970中,血液浓度估计装置可以丢弃测量值,并且可以返回到操作910,以将光重新发射到对象上,重新检测从对象返回的光信号,并重新测量光强度。
本公开可以被实现为写在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可以是以计算机可读方式存储数据的任何类型的记录设备。计算机可读记录介质的示例包括ROM、RAM、CD-ROM、磁带、软盘、光学数据存储器和载波(例如,通过互连网的数据传输)。计算机可读记录介质可以分布在连接到网络的多个计算机系统上,使得计算机可读代码以分散的方式被写入其中并且从其执行。本领域普通技术人员可以容易地推导出实现本公开所需的功能程序、代码和代码段。
根据示例实施例,本文所述的组件、元件、模块或单元中的至少一个可被体现为执行上述各个功能的各种数量的硬件、软件和/或固件结构。例如,这些组件、元件或单元中的至少一个可以使用直接电路结构,诸如存储器、处理器、逻辑电路、查找表等,其可以通过一个或多个微处理器或其他控制装置的控制来执行各个功能。此外,这些组件、元件或单元中的至少一个可以由包含用于执行特定逻辑功能的一个或多个可执行指令并由一个或多个微处理器或其他控制装置执行的模块、程序或一部分代码具体实现。此外,这些组件、元件或单元中的至少一个还可以包括执行各个功能的诸如中央处理单元(CPU)之类的处理器、微处理器等,或者由其实现。这些组件、元件或单元中的两个或更多个可以组合成执行所组合的两个或更多个组件、元件或单元的所有操作或功能的一个单个组件、元件或单元。此外,这些组件、元件或单元中的至少一个的至少部分功能可以由这些组件、元件或单元中的另一个执行。此外,尽管在框图中未示出总线,然而组件、元件或单元之间的通信可以通过总线来执行。上述示例实施例的功能方案可以被实现为在一个或多个处理器上执行的算法。此外,由方框表示的组件、元件或单元或者处理步骤可以将任意数量的相关技术用于电子配置、信号处理和/或控制、数据处理等。
虽然上面已经描述了一些示例实施例,但是本公开的范围不限于此,并且本领域普通技术人员对所附权利要求中限定的概念所做出的各种修改和改进应当被理解为落入本公开的范围内。
Claims (22)
1.一种光学传感器,包括:
光源,被配置为发射光;
光电检测器阵列,包括位于距所述光源不同距离处的多个光电检测器,每个光电检测器被配置为检测从被所述光源发射的光照射的对象返回的光信号,并测量检测到的光信号的光强度;以及
处理器,被配置为基于所测量的光强度来确定变量之间的相关系数,并基于所确定的相关系数来确定所述光信号的质量,其中通过选择性地使用质量为可接受水平或更高水平的光信号来确定所述对象的光学特性。
2.根据权利要求1所述的光学传感器,其中,所述变量是根据用于计算被所述光源照射的所述对象的有效衰减系数的公式获得的。
4.根据权利要求1所述的光学传感器,其中,所述相关系数是R(ρ)和ρ-2之间的相关系数,
其中,ρ表示所述光源与所述多个光电检测器中的光电检测器之间的距离,并且R(ρ)表示由距所述光源的距离为ρ的光电检测器测量的光强度。
5.根据权利要求1所述的光学传感器,其中,所述处理器还被配置为基于所确定的相关系数超过阈值而确定所述光信号的质量为所述可接受水平或更高水平。
6.根据权利要求1所述的光学传感器,其中,所述处理器还被配置为基于确定所述光信号的质量小于所述可接受水平而丢弃所测量的光强度。
7.一种用于估计血液浓度的装置,所述装置包括:
光源,被配置为发射光;
光电检测器阵列,包括位于距所述光源不同距离处的多个光电检测器,每个光电检测器被配置为检测从被所述光源发射的光照射的对象返回的光信号,并测量检测到的光信号的光强度;以及
处理器,被配置为基于所测量的光强度来确定变量之间的相关系数,基于所确定的相关系数来确定所述光信号的质量,并且响应于确定所述光信号的质量为可接受水平或更高水平,基于所测量的光强度估计分析物的血液浓度。
8.根据权利要求7所述的装置,其中,所述变量是根据用于计算被所述光源照射的对象的有效衰减系数的公式获得的。
10.根据权利要求7所述的装置,其中,所述相关系数是R(ρ)和ρ-2之间的相关系数,
其中,ρ表示所述光源与所述多个光电检测器中的光电检测器之间的距离,并且R(ρ)表示由距所述光源的距离为ρ的光电检测器测量的光强度。
11.根据权利要求7所述的装置,其中:
基于所确定的相关系数大于或等于阈值,所述处理器还被配置为确定所述光信号的质量为所述可接受水平或更高水平;以及
基于所确定的相关系数小于所述阈值,所述处理器还被配置为确定所述光信号的质量小于所述可接受水平。
12.根据权利要求7所述的装置,其中,基于确定所述光信号的质量小于所述可接受水平,所述处理器还被配置为丢弃所测量的光强度。
13.根据权利要求7所述的装置,其中,所述处理器还被配置为:基于检测到的光信号来确定所述对象的光学特性的变化,并通过使用所确定的所述对象的光学特性的变化和血液浓度估计模型来估计所述分析物的血液浓度。
14.根据权利要求13所述的装置,其中,所述光学特性包括散射系数或有效衰减系数中的至少一个。
15.根据权利要求7所述的装置,其中,所述分析物包括葡萄糖、甘油三酸酯、胆固醇、蛋白质、乳酸盐、乙醇、尿酸或抗坏血酸中的至少一种。
16.一种测量光信号的方法,所述方法包括:
由光源将光发射到对象上;
检测从被所述光源发射的光照射的对象返回的光信号,并测量检测到的光信号的光强度;
基于所测量的光强度确定变量之间的相关系数;以及
基于所确定的相关系数确定所述光信号的质量,其中通过选择性地使用质量为可接受水平或更高水平的光信号来确定所述对象的光学特性。
17.根据权利要求16所述的方法,其中,所述变量是根据用于计算被所述光源照射的对象的有效衰减系数的公式获得的。
19.根据权利要求16所述的方法,其中,所述相关系数是R(ρ)和ρ-2之间的相关系数,
其中,ρ表示所述光源与光电检测器之间的距离,并且R(ρ)表示由距所述光源的距离为ρ的光电检测器测量的光强度。
20.根据权利要求16所述的方法,其中,确定所述光信号的质量包括:
将所确定的相关系数与阈值进行比较;
基于所确定的相关系数超过所述阈值,确定所述光信号的质量为所述可接受水平或更高水平;以及
基于所确定的相关系数小于或等于所述阈值,确定所述光信号的质量小于所述可接受水平。
21.根据权利要求16所述的方法,还包括:基于所确定的光信号的质量小于所述可接受水平,丢弃所测量的光强度。
22.根据权利要求16所述的方法,还包括:基于所确定的光信号的质量小于所述可接受水平,反复执行光的发射、光强度的测量、相关系数的确定以及所述光信号的质量的确定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180135350A KR20200052138A (ko) | 2018-11-06 | 2018-11-06 | 광 센서, 광 신호 측정 방법 및 혈중 농도 추정 장치 |
KR10-2018-0135350 | 2018-11-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111134688A true CN111134688A (zh) | 2020-05-12 |
Family
ID=68621113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911074747.0A Pending CN111134688A (zh) | 2018-11-06 | 2019-11-05 | 光学传感器、测量光信号的方法及估计血液浓度的装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11399749B2 (zh) |
EP (1) | EP3649942A1 (zh) |
KR (1) | KR20200052138A (zh) |
CN (1) | CN111134688A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102220445B1 (ko) | 2019-07-01 | 2021-02-25 | 삼성전자주식회사 | 반도체 소자 및 그 제조 방법 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10325794A (ja) * | 1997-03-25 | 1998-12-08 | Matsushita Electric Works Ltd | グルコース濃度の定量方法及びその装置 |
US20110112387A1 (en) * | 2009-11-12 | 2011-05-12 | Nellcor Puritan Bennett Llc | Simultaneous measurement of pulse and regional blood oxygen saturation |
TW201206397A (en) * | 2010-08-09 | 2012-02-16 | Univ Chung Yuan Christian | Pulse detector |
US20130109941A1 (en) * | 2011-10-28 | 2013-05-02 | Nellcor Puritan Bennett Llc | Methods and systems for photoacoustic signal processing |
EP2930495A1 (en) * | 2012-12-06 | 2015-10-14 | National University Corporation Hokkaido University | Non-invasive biolipid concentration meter, non-invasive biolipid metabolism measuring device, non-invasive method for measuring biolipid concentration, and non-invasive method for examining biolipid metabolism |
US20160296136A1 (en) * | 2015-04-08 | 2016-10-13 | Samsung Electronics Co., Ltd. | Apparatus for obtaining biological information |
KR20170091346A (ko) * | 2016-02-01 | 2017-08-09 | 삼성전자주식회사 | 반지형 웨어러블 기기 |
US20180028097A1 (en) * | 2016-07-29 | 2018-02-01 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating substance in blood |
US20180132766A1 (en) * | 2016-11-15 | 2018-05-17 | Samsung Electronics Co., Ltd. | Apparatus and method for measuring biological component |
CN108113683A (zh) * | 2016-11-30 | 2018-06-05 | 三星电子株式会社 | 用于估计生物成分的装置和方法 |
CN108338788A (zh) * | 2017-01-24 | 2018-07-31 | 三星电子株式会社 | 测量生物电阻抗的装置和方法以及测量生物信息的装置和方法 |
US20180249937A1 (en) * | 2016-03-03 | 2018-09-06 | Dynometrics Inc. D/B/A Humon | Tissue oxygen saturation detection and related apparatus and methods |
CN108627316A (zh) * | 2017-03-17 | 2018-10-09 | 弗兰克公司 | 使用配备有积分球的光学测量装置测量光学连接器极性和损耗 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9989414B2 (en) | 2013-03-29 | 2018-06-05 | Agilent Technologies, Inc. | Noise reduction for pulsed lasers using clustering |
US10215698B2 (en) | 2014-09-02 | 2019-02-26 | Apple Inc. | Multiple light paths architecture and obscuration methods for signal and perfusion index optimization |
-
2018
- 2018-11-06 KR KR1020180135350A patent/KR20200052138A/ko not_active Application Discontinuation
-
2019
- 2019-10-24 US US16/662,771 patent/US11399749B2/en active Active
- 2019-11-05 EP EP19207209.8A patent/EP3649942A1/en active Pending
- 2019-11-05 CN CN201911074747.0A patent/CN111134688A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10325794A (ja) * | 1997-03-25 | 1998-12-08 | Matsushita Electric Works Ltd | グルコース濃度の定量方法及びその装置 |
US20110112387A1 (en) * | 2009-11-12 | 2011-05-12 | Nellcor Puritan Bennett Llc | Simultaneous measurement of pulse and regional blood oxygen saturation |
TW201206397A (en) * | 2010-08-09 | 2012-02-16 | Univ Chung Yuan Christian | Pulse detector |
US20130109941A1 (en) * | 2011-10-28 | 2013-05-02 | Nellcor Puritan Bennett Llc | Methods and systems for photoacoustic signal processing |
EP2930495A1 (en) * | 2012-12-06 | 2015-10-14 | National University Corporation Hokkaido University | Non-invasive biolipid concentration meter, non-invasive biolipid metabolism measuring device, non-invasive method for measuring biolipid concentration, and non-invasive method for examining biolipid metabolism |
US20160296136A1 (en) * | 2015-04-08 | 2016-10-13 | Samsung Electronics Co., Ltd. | Apparatus for obtaining biological information |
KR20170091346A (ko) * | 2016-02-01 | 2017-08-09 | 삼성전자주식회사 | 반지형 웨어러블 기기 |
US20180249937A1 (en) * | 2016-03-03 | 2018-09-06 | Dynometrics Inc. D/B/A Humon | Tissue oxygen saturation detection and related apparatus and methods |
US20180028097A1 (en) * | 2016-07-29 | 2018-02-01 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating substance in blood |
US20180132766A1 (en) * | 2016-11-15 | 2018-05-17 | Samsung Electronics Co., Ltd. | Apparatus and method for measuring biological component |
CN108113683A (zh) * | 2016-11-30 | 2018-06-05 | 三星电子株式会社 | 用于估计生物成分的装置和方法 |
CN108338788A (zh) * | 2017-01-24 | 2018-07-31 | 三星电子株式会社 | 测量生物电阻抗的装置和方法以及测量生物信息的装置和方法 |
CN108627316A (zh) * | 2017-03-17 | 2018-10-09 | 弗兰克公司 | 使用配备有积分球的光学测量装置测量光学连接器极性和损耗 |
Also Published As
Publication number | Publication date |
---|---|
US20200138341A1 (en) | 2020-05-07 |
KR20200052138A (ko) | 2020-05-14 |
US11399749B2 (en) | 2022-08-02 |
EP3649942A1 (en) | 2020-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11607133B2 (en) | Biological component measuring apparatus and biological component measuring method | |
CN114295562A (zh) | 用于估计分析物浓度的设备和方法以及信号测量设备 | |
US20190167190A1 (en) | Healthcare apparatus and operating method thereof | |
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 | |
US11564599B2 (en) | Apparatus and method for obtaining individualized unit spectrum, and apparatus and method for estimating biological component | |
CN111195131A (zh) | 测量光谱的装置及估计分析物浓度的装置和方法 | |
KR20190081619A (ko) | 광 센서, 이를 이용한 흡광도 측정 장치 및 방법 | |
US10684226B2 (en) | Raman probe, Raman spectrum obtaining apparatus, and method of obtaining Raman spectrum and detecting distribution of target material using Raman probe | |
CN109549652B (zh) | 生物成分估计装置及其操作方法 | |
KR102574087B1 (ko) | 광 센서, 광 센서 어레이, 생체 신호 측정 장치 및 방법 | |
US11350878B2 (en) | Apparatus and method for estimating bio-information | |
CN111134688A (zh) | 光学传感器、测量光信号的方法及估计血液浓度的装置 | |
KR102655742B1 (ko) | 분석 물질의 혈중 농도 측정 장치 및 방법 | |
US11419527B2 (en) | Apparatus and method for estimating blood concentration of analyte, and apparatus and method for generating model | |
US20210169338A1 (en) | Apparatus and method for estimating aging level | |
CN116413222A (zh) | 用于估计目标成分的设备和方法 | |
KR102640317B1 (ko) | 체액 측정 장치 및 방법 | |
CN112741624A (zh) | 用于估计分析物的浓度的设备和方法以及校准方法 | |
US11872032B2 (en) | Apparatus and method for estimating analyte concentration | |
US11287374B2 (en) | Apparatus and method for updating bioinformation estimation model | |
US20220233149A1 (en) | Apparatus and method for estimating body component | |
US20220061704A1 (en) | Apparatus and method for estimating target component | |
CN114788697A (zh) | 用于估计生物信息的设备和方法 | |
KR20200116751A (ko) | 분석 물질의 농도 추정 장치 및 방법 | |
CN114526830A (zh) | 用于估计体温的设备和方法以及医疗装置 |
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 |