CN114981638A - 用于测量分析物的浓度的系统和方法 - Google Patents

Abstract

说明了用于与光子传感器片上系统(SoC)(1)组合地获取并处理数据，以提供分析物(例如，生物物质内的组成分子)的实时校准浓度水平的技术。传感器芯片(1)通过漫反射或透射收集要分析的原始信号(1300)。分析物浓度的判定部分基于Beer‑Lambert原理，并通过在分解和分析原始信号之前，对原始信号(1300)应用(2240)散射校正来便利分析物浓度的判定。

Description

用于测量分析物的浓度的系统和方法

相关申请的交叉引用

本申请要求2019年12月6日提交的题为“Systems and Methods for MeasuringConcentration of an Analyte”的美国临时专利申请No.62/944,644的优先权和权益，该申请的全部内容通过引用包含在本文中。

技术领域

本发明的实施例涉及一种通过目标物质与III-V/IV半导体光子传感器之间的光通信，从目标生物物质获取数据的方法，以及一种撷取该物质内的目标分子的绝对浓度水平的数据处理方法。这适用于(但不限于)借助于可调谐波长吸收光谱感测的血糖、尿素、乳酸、肌酐、乙醇及其他组成分子的经皮感测和监测。所述技术在制造技术及尺寸、重量、功率和成本要求方面与消费电子技术平台兼容，并在可穿戴式医疗设备技术的实用性方面提供关键的优势。本技术可由患有目前还没有无创感测解决方案的慢性疾病，比如糖尿病的患者利用。此外，提供一种用于无创地连续监测重要生理标志的新颖方法，而目前只存在护理点解决方案。

背景技术

用于分析物的光谱学、非侵入性测量的许多技术(比如使用近红外光谱法的血糖的测量)采用诸如卤素灯之类的宽带光源。从这样的光源发出的电磁辐射(EMR)，以及从待分析的介质接收(例如，由介质漫反射或透射通过介质)的EMR具有多个波长的分量。来自从介质接收的EMR的分量通常使用光栅技术来分离，以获得光谱。具有宽带光源和光栅机构的光谱仪通常是大型、复杂的结构，对于现场或家庭使用来说可能笨重或不实用。

光子片上系统(P-SoC)提供为诸如消费电子产品市场、汽车、家用医疗设备等的大批量应用所必需的最终尺寸减小潜力。P-SoC概念组合一般光子系统的全部或大部分功能，并且使这些功能能够在单一芯片组合件内实现。通常，这可以实现为基于III-V半导体或者III-V半导体和IV族半导体的组合的单片光子集成电路(PIC)。第一种方法允许在同一晶片内实现所有有源和无源光学组件，从而允许完全单片的设备。这是理想的，因为所有光源和检测器都固有地与波导对准，并且不需要任何组装步骤。然而，固有的III-V材料性质(比如波导中更高的吸收和更低的光约束，从而波导弯曲半径更大以减少弯曲损耗)，连同需要多次处延生长的复杂技术一起限制了向诸如消费电子产品之类非常大的市场扩展的潜力，因为市场要求每个芯片的成本非常低。作为折衷，混合III-V/IVP-SoC提供一种解决方案，其中在III-V半导体芯片内实现光产生功能，在IV族半导体芯片内实现光路由、滤波和其他功能。取决于EMR的波长的光检测可以在III-V族或IV族半导体芯片内实现。混合方法被证明对大批量市场是有益的，因为诸如CMOS之类的IV族半导体制造技术提供无与伦比的扩展潜力。然而，使用P-SoC进行分析物测量的技术通常不为人知。

发明内容

III-V半导体芯片与IV族半导体光子集成电路的混合集成提供组合两个领域的最好方面的潜力，其中考虑到最终效率、效能、成本和成品率，在直接能带隙III-V半导体内实现光检测和光产生功能，而诸如滤光、路由、锁定、反馈控制之类的无源功能在IV族半导体(例如绝缘体上硅，或氮化硅上硅，或氮化硅上硅或绝缘体上硅)内的光子集成电路(PIC)内实现。在各个实施例中，部署具有集成发射波长调谐(扫描)以及波长偏移追踪和绝对波长校准功能的芯片上基于波长扫描激光器的光子系统，用于从诸如活体之类的生物物体远程获取相关数据。在不同的实施例中，然后处理获取的数据以提供特定于生物分子的绝对值，比如浓度水平和/或随时间变化的浓度水平(趋势)。混合III-V/IV半导体平台和用于在芯片上处理所获取数据的技术的组合为可穿戴式设备平台，比如例如用于实时监测重要生理参数的智能手表提供了新的机遇。

说明了用于与光子传感器片上系统组合地获取和处理数据以提供分析物(例如，生物物质内的组成分子)的实时校准浓度水平的技术。生物物质可以是血液、间质液、组织或物质的组合。光子传感器片上系统(SoC)组合件包括混合III-V和IV族半导体组合件，其中III-V半导体元件提供光学增益和检测功能，并且在IV族半导体光子集成电路内提供光学反馈、光路由、滤波、锁定和其他无源功能。

在使用中，该组合件与生物物质光通信，传感器可以远离所述物质(在体内情形中)或嵌入所述物质中(植入)。传感器经由光通信与目标物质相互作用，来自传感器的光与物质相互作用，并且归因于光-分子相互作用而调制光信号，其中所述相互作用是特定于分子的。在相互作用之后，传感器芯片借助漫反射或透射收集信号。

在这种光子传感器对活体进行直接经皮测量或植入活体内的实际情形下，归因于典型生物物质(比如全血和或组织)的复杂性质，由传感器收集的原始信号非常复杂。结合硬件(例如，SoC)在本文中描述的各种数据分析技术可以用于从大多数复杂的生物物质中撷取校准的浓度水平值。这对于用于患有慢性疾病(比如糖尿病、肾或肝功能不全)以及急性临床病例(比如败血症)的受试者，或运动员和一般公众的健康水平或饮食监测两者的诸如葡萄糖、乳酸、尿素、乙醇、血清白蛋白、肌酐之类的生命代谢物的经皮/植入监测尤其重要。

因而，在一个方面，提供一种用于校准传感器的方法，所述传感器用于测量介质中的分析物的浓度。所述方法包括使用混合III-V族/IV族半导体光子片上系统(SoC)，从具有分析物的物体(例如介质或样本)收集多个原始光谱。所述方法还包括按照原始光谱的相应光谱形状，将原始光谱划分为群组的集合，其中每个群组包括一组原始光谱。所述方法还包括在每个群组内：(i)对属于该群组的每个原始光谱应用相应的局部散射校正(LSC)，以获得一组局部校正光谱；和(ii)导出特定于群组的优化的预处理参数集和特定于群组的校准向量。优化的预处理参数集和校准向量是使用局部校正光谱和与属于该群组的一组原始光谱对应的金标准分析物浓度值导出的。

在一些实施例中，针对特定群组导出特定于群组的优化的预处理参数集和特定于群组的校准向量包括：(i)评估多个候选的预处理参数集中的每一个，其中特定候选集的评估包括：(A)使用该特定候选集预处理属于特定群组的每个局部校正光谱；(B)通过对预处理的局部校正光谱应用多元回归校准，并使用与属于该特定群组的一组原始光谱对应的金标准分析物浓度值，导出候选校准向量；和(C)通过交叉验证计算候选校准向量的对应精度度量。之后，将与最大精度度量关联的候选集和对应的候选校准向量分别指定为特定于群组的优化的预处理参数集和特定于群组的校准向量。

特定于群组的优化的预处理参数集可以包括一组数据处理参数，比如a)滤波的阶数，b)用于平滑的滤波器的种类或类型，c)用于基线去除的导数的阶数等。优化的参数集可以存储在存储器中，并且可以随后用于在感测模式下对数据进行预处理。

物体可以包含组织，分析物可以包含血糖、血乳酸、乙醇、肌酐、角蛋白、胶原蛋白、尿素、血清白蛋白球蛋白、肌钙蛋白、丙酮、醋酸盐、羟基丁酸、胆固醇、白蛋白、球蛋白、酮-丙酮或水等。

在一些实施例中，按照原始光谱的相应光谱形状划分原始光谱的步骤包括对每个原始光谱应用全局散射校正(GSC)，以获得几个全局校正光谱。所述划分步骤还可以包括按照以下各项对所述几个全局校正光谱进行聚类：(A)群组的指定数量，(B)全局校正光谱距群组的质心的指定最大距离，或(C)群组的指定数量和全局校正光谱距群组的质心的指定最大距离两者。所述划分步骤还可以包括在每个群组内，向该群组指定对应于属于该群组的全局校正光谱的相应原始光谱。所述聚类可以包括k均值聚类、亲和力传播或凝聚聚类。

在一些实施例中，所述方法还包括在SoC中存储作为全局散射校正的一部分而产生的GSC参考光谱。全局散射校正可以被实现为全局乘法散射校正、全局标准正态变量(SNV)校正、全局均值中心化和归一化校正、Kubelka-Munk(K-M)校正、Saunderson校正或它们的组合。局部和/或全局散射校正可以包括粒度差异校正和/或路径长度差异校正，并且可以利用K-M校正、Saunderson校正、乘法散射校正或它们的组合。在一些实施例中，所述方法包括对于每个群组在SoC中存储：(i)对应的LSC参考光谱，和/或(ii)对应的校准向量，(iii)群组质心，和/或(iv)每个群组的优化的预处理参数集。局部散射校正也可以被实现为局部乘法散射校正、或局部标准正态变量(SNV)校正、局部均值中心化和归一化校正、K-M校正、Saunderson校正、或前述校正技术的组合，以实现线性化效果。当适当选择时，全局和局部散射校正允许考虑粒度差异对光散射的影响，以及考虑组织中的光程差异校正，例如以使原始光谱线性化，使得线性Beer-Lambert吸收定律以及线性回归(包含多元偏最小二乘)技术都是适用的。

在一些实施例中，确定几个原始光谱的相应光谱形状包括，通过对原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对原始光谱进行预处理。预处理可以包括Kubelka-Munk校正、Saunderson校正、乘法散射校正、或者任意两种或所有三种校正技术的组合。

在另一个方面，提供一种用于测量分析物的浓度的方法，其中所述方法包括使用混合III-V族/IV族半导体光子片上系统(SoC)，从具有分析物的物体(例如介质或样本)获得原始光谱，并从多个光谱群组中识别该原始光谱所属的群组，其中基于该原始光谱的光谱形状来识别所述群组。所述方法还包括对该原始光谱应用局部散射校正(LSC)，以获得局部校正光谱，使用特定于群组的优化的预处理参数集预处理局部校正光谱，并将预处理的局部校正光谱与特定于群组的校准向量相乘，以获得分析物的对应的校准浓度值。

在一些实施例中，获得原始光谱包括将可在几个不同波长下调谐的电磁辐射(EMR)从SoC引导到物体，使用SoC测量在每个不同的波长下从物体接收的EMR的强度，并将所述强度转换为吸光度值，使得原始光谱包含吸光度光谱。所述几个不同的波长可以选自范围1000-3500nm或范围1900-2500nm。

在一些实施例中，光谱群组对应于先前使用SoC收集的光谱，并且每个群组可以通过相应的LSC参考、相应的群组质心和/或相应的校准向量来表示，其中每个群组的相应的LSC参考、相应的群组质心和相应的校准向量可以存储在SoC上。从几个光谱群组中识别原始光谱所属的群组可以包括使用全局散射校正(GSC)参考导出全局校正光谱。原始光谱所属的群组的识别还可以包括在所述几个群组中的每一个群组内，将全局校正光谱与相应的LSC参考进行比较，以获得对应于该群组的距离，并选择对应距离最小的群组。

全局散射校正可以被实现为全局乘法散射校正、全局标准正态变量(SNV)校正、全局均值中心化和归一化校正、K-M校正、Saunderson校正或它们的组合。局部和/或全局散射校正可以包括粒度差异校正和/或路径长度差异校正。局部散射校正可以被实现为局部乘法散射校正、或局部标准正态变量(SNV)校正、或局部均值中心化和归一化校正、K-M校正、Saunderson校正或它们的组合。LSC和GSC涉及对原始光谱进行线性化变换以考虑组织/物体散射和吸收，以便利基于线性吸收技术，比如基于Beer-Lambert定律的技术的进一步数据处理，其中光谱被分解为单独的分量和/或使用PLS线性回归或类似技术进一步处理。

在一些实施例中，确定原始光谱的光谱形状包括通过对原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对原始光谱进行预处理。预处理可以包括Kubelka-Munk校正、Saunderson校正、乘法散射校正、或者任意两种或所有三种校正技术的组合。

在另一个方面，一种用于测量分析物的浓度的系统包括用于从具有分析物的物体(例如，介质或样本)获得原始光谱的混合III-V族/IV族半导体光子片上系统(SoC)，和包括处理器和存储器的处理单元，所述处理单元被配置成进行某些操作以便测量分析物浓度、存储信息等。具体地，所述处理单元被配置成使用混合III-V/IV族半导体光子片上系统(SoC)，从具有分析物的物体获得原始光谱，并基于该原始光谱的光谱形状，从多个光谱群组中识别该原始光谱所属的群组。所述处理单元还被配置成对该原始光谱应用特定于群组的局部散射校正(LSC)，以获得局部校正光谱。所述处理单元还被配置成使用特定于群组的优化的预处理参数集对局部校正光谱进行预处理，并将预处理的局部校正光谱与特定于群组的校准向量相乘，以获得所述分析物的校准浓度值。

在一些实施例中，为了获得原始光谱，SoC被配置成将可在几个不同波长下调谐的电磁辐射(EMR)引导到物体，并测量在每个波长下从物体接收的EMR的强度。所述处理单元被编程为将强度转换为吸光度值，使得原始光谱包括或者被表示为吸光度光谱。SoC可被配置成在1900-2500nm范围或1000-3500nm范围内的波长下发射EMR。

几个光谱群组可以对应于先前使用SoC收集的光谱。每个群组可以通过相应的LSC参考和相应的校准向量来表示。SoC可以包括存储器，用于对于每个群组存储相应的LSC参考和相应的校准向量，以及全局散射校正参考(也称作全局散射校正向量)。SoC的存储器还可以对于每个群组存储对应的优化的预处理参数集。

在一些实施例中，为了在几个光谱群组中识别原始光谱所属的群组，所述处理器被编程为使用存储在所述存储器中的全局散射校正(GSC)参考来导出全局校正光谱。所述处理器还可以被编程为在每个群组内：(i)将全局校正光谱与相应的LSC参考进行比较，以获得对应于该群组的距离，和(ii)选择对应距离最小的群组。全局散射校正可以包括全局乘法散射校正、或全局标准正态变量(SNV)校正、或全局均值中心化和归一化校正。类似地，局部散射校正可以包括局部乘法散射校正、或局部标准正态变量(SNV)校正、或局部均值中心化和归一化校正。局部和/或全局散射校正可以包括用于粒度差异校正和/或路径长度差异校正的线性化变换。

在一些实施例中，所述SoC包括用于追踪由SoC发射的辐射的波长偏移的波长偏移追踪器，和/或用于追踪由SoC发射的辐射的绝对波长的波长追踪器，和/或用于测量芯片的温度的温度传感器，和/或用于监测或测量在波长扫描期间由SoC发射的EMR的强度，从而获得功率曲线的SoC输出功率监测器。

在一些实施例中，为了确定几个原始光谱的相应光谱形状，所述处理器被配置成通过对原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对原始光谱进行预处理。为了进行预处理，所述处理器可被配置成应用Kubelka-Munk校正、Saunderson校正、乘法散射校正、或任意两种或所有三种校正技术的组合。

附图说明

图1是按照本发明的实施例的为物体的遥感而部署的光子SoC的示意框图；

图2是按照本发明的实施例的为感测实验而部署的光子传感器系统的简化示意图；

图3是按照本发明的实施例的算法的简化示意框图，该算法与图1和图2中图解所示的硬件结合使用以创建用于传感器的校准算法；

图4a是按照本发明的实施例的来自仔猪的大量的累积原始吸光度光谱的曲线图，其中以粗体指示全局MSC向量，图4b是按照本发明的实施例的在基线校正(MSC)之后且在聚类过程之前的光谱的曲线图；

图5是使用k均值算法聚类成6个不同群组(根据定义，N＝6)的来自图4b的基线校正光谱的曲线图，其中在曲线图内指示了到每个群组内质心的最大距离；

图6是图解说明按照本发明的实施例的用于构建各个校准模型的算法原理图的框图；

图7a是在应用MSC基线校正之前在一个群组内从物体(仔猪)收集的原始光谱的曲线图。粗黑光谱是计算的局部MSC参考，而图7b是在基线校正(MSC)之后同一群组内的光谱的曲线图；

图8是关于仔猪使用经皮漫反射感测几何结构，对于葡萄糖分子获得的各个组分浓度校准向量的曲线图；

图9是按照本发明的实施例的与混合III-V/IV半导体光子传感器SoC组合使用的感测算法的示意框图；

图10是关于已镇静的仔猪，使用本发明实施例的数据处理方法的光子传感器片上系统经皮血糖感测性能的曲线图；

图11是关于已镇静的仔猪，使用本发明实施例的数据处理方法的光子传感器片上系统经皮血乳酸感测性能的曲线图；和

图12是关于已镇静的仔猪，使用本发明实施例的数据处理方法的光子传感器片上系统经皮血乙醇感测性能的曲线图。

图13是图解说明在分析乙醇时，Kubelka-Munk预处理对经皮组织光谱的影响的曲线图。

图14a图解说明在不使用Kubelka-Munk校正预处理观察到的信号的情况下，使用Beet-Lambert模型的观察到的经皮信号的分解。

图14b图解说明使用相同的Beet-Lambert模型，但是在使用Kubelka-Munk校正预处理观察到的信号之后，相同的观察到的经皮信号的分解。

具体实施方式

光学遥感是一种广泛应用的先进技术。感测可以作为测距的一种形式进行-即，借助于飞行时间或调频连续波(FMCW)技术测量距离，或者可以进行感测，以通过光谱感测远程检测、识别和量化物体内一种或多种分子的有无。

本文中使用的术语光谱感测指的是混合III-V/IV半导体光子片上系统(P-SoC)的部署，该系统发射波长可调谐激光辐射并与远程目标物体通信。在每次扫描内监测并考虑波长变化和绝对值，使得根据绝对波长和波长偏移以及功率谱自动校准SoC。

光撞击物体并穿透至由光学长度限定的一定深度，该深度取决于物体的个体特异性，比如散射矩阵、含量等。例如，使用1900-2500nm光谱区域中的可调谐激光辐射进行关于活体的经皮感测实验，光穿透到皮肤表面下方最多约1mm处，在那里光被组织、血液和间质液散射并部分吸收。这种吸收是特定于分子的，并且各个组成分子以独特光谱吸收特征改变光谱。在与物体相互作用之后，透射、散射或反射的光被光电探测器收集和检测。

图1中表示了说明本发明的实施例的示意框图。这里，光子片上系统包括混合III-V/IV半导体芯片1以及控制和信号处理电子器件2，它们形成光子传感器芯片的硬件部分。芯片上的光子传感器与物体3光通信，物体3可以是活体、离析物质等。在该配置内，芯片上的光子系统远离物体。

在图解所示的实施例中，混合III-V/IV半导体芯片1包括混合III-V/IV外腔激光器100，混合III-V/IV外腔激光器100经由光路10发射波长扫描激光辐射。光束的一部分经由路径11分光，并经由路径11馈送到波长偏移追踪器120，经由光路14馈送到绝对波长参考130，经由光路17馈送到激光功率曲线监测块140，并经由光路19馈送到输出部。芯片1还可以包括温度传感器110，用于感测芯片的温度，该温度又可以用于绝对波长参考校准。

波长偏移追踪器120可以是任何类型的非平衡干涉仪，比如Mach-Zender、Michelson、Fabry-Perot等。非平衡干涉仪经由光路12在120的输出端提供拍频信号，并且光电探测器块121记录振荡信号，其中振荡周期取决于干涉仪内的光程差和波长。光程差由设计定义，并且是已知参数。从而，如果已知在任何给定时刻的波长的绝对值，则可以提取波长偏移值。这由绝对波长参考块130提供，绝对波长参考块130经由光路15耦合到监测光电探测器131。绝对波长参考可以是分布式布拉格光栅(DBR)、微环谐振器(MRR)、分布式反馈光栅(DFB)或在由混合激光器100扫描所覆盖的光谱区域内具有明确的特性透射或反射特征的任何其他光腔结构。这样，光电探测器块121和131协同提供关于扫描内任何给定时刻的绝对波长值和波长偏移值的信息。

为了使系统效应与物体相关效应解耦，通常需要追踪波长偏移和绝对波长值。例如，发射波长可能在系统侧以非线性方式变化，从而在不精确知道绝对波长偏移和值信息的情况下，难以进行从时域到波长(或频域)的信号转换。另一方面在于所收集的光谱将归因于物体侧的变化-比如由温度引起的排水量，或其他强基线贡献物的变化而变化。在不总是知道系统输出的情况下，无论从物体收集的光谱是由于系统输出的变化而偏移，还是受物体内部的变化的影响，都不可能解耦。于是，每次扫描内的波长偏移和绝对波长信息追踪允许使收集的光谱上的特定于系统的调制与特定于物体的调制解耦，特定于物体的调制是有用的信号。

在实际情况下，诸如葡萄糖、乳酸、乙醇之类的目标分子具有与主要的基线贡献物相比非常小的浓度，对于经皮感测的情况，主要的基线贡献物是主要的蛋白质(胶原蛋白、白蛋白、角蛋白)和水。这些主要的贡献物提供比目标分子强10000倍以上的信号，从而，由于温度效应引起的排水量的微小变化会导致基线变化，如果未被注意到，则基线变化会抹掉可以归因于葡萄糖的任何有用信号。于是，追踪每次扫描内的波长偏移和绝对值的能力使得可以追踪每次扫描内的基线变化。

波长偏移可以在扫描期间作为拍频信号来监测，而绝对值每次扫描被测量一次，并且在扫描完成之后，来自波长偏移和绝对波长的信息被立即用于校准记录的信息。确定波长偏移的精度取决于系统设计，比如波长偏移追踪器内的光程差，该光程差进而提供拍频信号。在实际情形下，这取决于目标分子种类在物体内的吸收特征的精细程度。在物体是生物物质并且分子表示液相(其特征在于光谱特征非常宽)的情况下，波长偏移追踪器可以具有0.1nm到几nm的精度，3-5nm是典型值。

在气体感测的情况下，感兴趣的吸收线宽度可以在100MHz的范围内，需要将波长偏移追踪设计成具有更好的分辨率，并且需要将绝对波长参考设计成提供分辨率足够高的绝对波长。在实际情况下，这可以以非常好的精度来实现。例如，典型的IV族半导体制备技术依赖于低至160nm或甚至低至7nm的节点尺寸，这与典型的发射波长相比是三个数量级。一次扫描的持续时间由系统架构定义，并且持续数分钟(当调谐机制由调谐元件的机械运动进行时)到几微秒(如果调谐是电子的)。在针对混合III-V/IV传感器芯片的实际情况下，扫描速率可以从几十Hz一直到MHz范围，这取决于实际的实用系统设计和应用要求。

取决于传感器设计以及对光谱带宽覆盖的要求，单次扫描可以包含几十到几百个离散波长。为了进行精确的预测，经皮葡萄糖感测的典型实际情况需要大约100个或更多的离散波长。基于现有技术的可广泛调谐(波长扫描)激光器概念，当结合相位控制操作Vernier滤波器时，扫描几乎可以是连续的。在一些实施例中，在指定的范围(例如，1000-3000nm，1900-2500nm等)内调谐发射波长的绝对值。从而，在特定时间的发射波长的调谐值可以是1898nm、1905nm等。对应的波长偏移可以是1nm、2nm、10nm等。

从感兴趣的介质接收的EMR在光电探测器121和131内从光域转换成电信号，并且来自光电探测器的电信号经由电路径13和16路由到电路径30，电路径30连接到驱动和控制电子器件块2以及其中的模数转换器(ADC)和放大器块210。这里，来自光子芯片的模拟信号被放大和数字化。数字化信号被馈送到CPU 220，CPU 220进行信号滤波、求平均值和其他处理。CPU 220包含具有校准模型的存储器块。将该校准模型应用于所收集的数据以撷取校准的浓度水平值，校准的浓度水平值然后经由电路径39馈送到输出端口，例如显示器240。CPU220的另一个功能是经由路径38向驱动器和数模转换器(DAC)块230提供控制信号，驱动器和数模转换器(DAC)块230又经由路径40向SoC提供控制和驱动信号。整个传感器系统由电源200经由电气总线31、32、33、34、35、36供电。

图2中提供了图1的传感器系统的简化版本，其中为了清楚起见，分别突出显示了几个内部块，比如模数转换器(ADC)块210、波长偏移追踪器光电探测器块121、绝对波长参考光电探测器131、激光功率曲线光电探测器140、信号光电探测器150和CPU 220。

当部署在现场时，芯片1上的光子传感器经由光路20将波长可调谐信号发送到远程物体3。信号的强度I可以表示为频率ω(或波长)和时间t的任意函数：

I＝f(ω,t) (1)

光与物体3相互作用，并在物体内经历许多散射和吸收事件。散射和漫反射的光的一部分经由光路21由信号光电探测器150收集。该光信号强度可以用频率和时间函数I'表示：

I′＝f′(ω,t) (2)

归因于与物体的相互作用，该信号被调制，并且携带特定于物体的信息，比如组成元素的浓度水平。后者可以评估为吸光度A，吸光度A可以表示成各个吸光度A_i的线性叠加：

这里，ε(ω)_i是组分i的频率相关的个体摩尔吸收率，c_i是组分i的个体摩尔浓度，l是物体内的有效光学长度。

在实际情况下，在物体是活体的情况下，个体吸光度贡献可以表示为不同的组成元素(比如例如：1-角蛋白、2-葡萄糖、3-乳酸、4-尿素、5-胶原蛋白等)的贡献。这提供了复矩阵的元素分解的路径，从而提供了感测的可能性。在图3、图6和图9中以框图的形式表示了用于收集和处理数据以及导出校准浓度值的过程。

用于进行感测的基本操作方法包括首先与硬件结合地使用校准算法来创建校准模型，并将校准模型存储在CPU的存储器中。该模型可以被认为是通用的，并且可以与现场的每个传感器一起部署，而在使用期间无需对其进行修改。下一步骤是然后结合硬件和存储在系统存储器或CPU内的校准模型，使用按照图9的感测算法。

按照本发明的实施例，当部署在感测配置中时，芯片上的光子系统提供几个输出通道，所述几个输出通道包含关于光子芯片的状态的信息，比如经由光电探测器121的波长偏移值，经由光电探测器131的绝对波长参考值，经由激光功率曲线监测块140的激光强度曲线，和/或经由信号光电探测器150的包含特定于物体的信息的反射信号。这些电信号被路由到控制和信号处理电子器件模块2。这里，信号被馈送到模数转换器和放大器块210。

用于分析物测量的系统校准

用于处理从光子SoC 1接收的所获取的模拟信号的算法通过首先在ADC和放大器块210中对所接收的信号进行放大和数字化而开始。在这个阶段，信号仍然是作为时域信号处理的。这些放大和数字化的信号然后被馈送到中央处理单元(CPU)220，在CPU 220，使用经由电路径13接收的波长偏移和经由电路径16接收的绝对波长校准的信息，特定于物体的信号22被处理和从时域转换到频域，并且相对于经由电路径18接收的激光功率曲线被归一化。该过程允许首先在频域中具有信号，并且还解决了与系统相关的非线性，以进一步处理主要承载特定于物体的数据的信号，如图3中的步骤2210所示。

收集多个光谱，并进行平均化和滤波，以降低噪声。例如，在图4A中，每个单独的曲线表示平均后的光谱。然后，在步骤2220内，按照公式(3)将校正后的强度转换为吸光度，并如步骤2230所示累积大量的原始吸光度光谱。原始光谱通常具有归因于不同组织生理学的各种各样的光谱形状(例如，来自具有不同散射粒度等的不同组织样本)，和归因于光程长度差和/或粒度差的强度。为了校正散射效应，在2240内对原始吸光度数据应用乘法散射校正(MSC)，并在步骤2250内提取全局MSC参考文件(或平均光谱)(如大致位于图4a的曲线图的中心的粗线所示)，然后存储在系统存储器中。该全局MSC光谱随后用于基于完全相同的基线校正过程将原始数据分配到正确的群组中。步骤2240内的所有基线校正数据(例如，在MSC之后)(参见图4b)接下来在步骤2260中基于光谱形状相似性被分组为群组。作为乘法散射校正的替代，可以应用其他类型的散射校正技术，比如标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正或均值中心化和归一化校正。

参见图5，使用k均值算法将来自图4b的基线校正光谱聚类为6个不同的群组(根据定义，N＝6)。在该曲线图中指示了到每个群组内的质心的最大距离。

如图所示，全局MSC校正数据只用于将原始光谱分配到每个群组。从而，分配的群组包含原始或未处理的数据。可以以多种方式进行聚类。图3表示了两种可能的路径。在第一路径中，即在步骤2270中，基于光谱形状相似性，将光谱分组为固定且定义的数量N的群组。该方法的缺点在于误差或者从光谱到所分配的群组质心σ^k(其中σ是群组质心的数组，k是群组编号)的距离在不同群组之间可能变化极大(参见图5)。在表示为步骤2275的潜在更好的路径中，通过定义从任何光谱到群组质心的最大距离来进行聚类，结果得到任意数量的群组，在实际情况下，该数量可能会很大。从而，可以使用指示为2276的中间路线，其中定义群组的数量N和到群组质心的最大可允许距离两者。在这种情况下，在定义数量的群组内满足到质心的距离标准的光谱被认为是离群值，而不用于数据分析。虽然群组的预定数量可能是任意大的，但是在实际情况下，它可以是10-50，取决于分析物和感测几何形状。群组质心的集合被存储在CPU存储器中，稍后将用于感测功能以分配GS校正光谱。

一旦聚类完成，就在步骤2280创建每个群组内的单个校准模型。单个校准模型将校准后的浓度水平值分配给每个群组内的每个光谱，如由所指示的金标准测量的。然后，在步骤2300，校准模型的该集合紧邻MSC参考向量被存储在CPU存储器中。

图6中描绘了用于构建单个校准模型的算法2280。还参见图7a和图7b，按照本发明的实施例，通过对群组内的原始光谱应用散射校正(例如MSC)，开始构建每个群组内的单个校准模型的步骤2280。这为每个群组产生单独的局部MSC参考，该局部MSC参考被存储在CPU存储器中(参见图7a粗线)。该局部参考用于在感测模式下处理所获取的原始数据。作为乘法散射校正的替代，可以应用其他类型的散射校正技术，比如标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正或均值中心化和归一化校正。

在步骤2282，随后使用来自2281的局部参考来构建每个群组内的偏最小二乘(PLS)模型，并使用交叉验证方法来获得最佳模型参数，比如噪声滤波参数、导数阶数、PLS本征向量的数量。该任务产生最优的数据预处理参数集2283，然后将其应用于包含原始光谱的每个群组，以构建单个校准模型2284。换句话说，在每个群组内，使用局部散射校正参考来修改原始光谱。这确保了以相同方式，利用相同的参数集处理所有数据。然后，校准模型将通过选择的参考技术(也称作金标准)测量的感兴趣的分析物的校准浓度水平分配给每个局部校正光谱。校准模型将由特定波长的光谱表示的吸光度映射到分析物浓度水平。参见图8，获得的各个校准向量然后被存储在CPU存储器中。校准向量是多元回归校准的输出。在使用群组内所有光谱的模型训练之后，它确定在每个波长下的局部校正和预处理后的吸光度光谱值的权重。在预测中，将预处理吸光度的每个第i个波长值乘以相应的权重，然后通过跨所有波长求和，我们得到预测浓度为：

c＝w₁A₁+w₂A₂+…+w_nA_n，其中n是光谱中的波长数。在一些情况下，当样本与相对简单的散射矩阵关联时，且当样本中含有较少的组分时，通过使用Kubelka-Munk校正、MSC、Saunderson校正或它们的组合预处理从样本获得的光谱数据，以校正散射的非线性效应，然后通过去除基线来获得感兴趣的组分的光谱，可以简单地获得合理的浓度预测。为了更高的精度，特别是对于诸如生物组织之类的更复杂样本，可以与诸如PLS之类的多元线性回归结合地使用散射校正(或线性化变换)。

通常，在校准期间，EMR被引导到样本(也称为介质)，其中使EMR扫过一系列的波长。作为响应，从样本接收EMR，其中接收的EMR被样本漫反射或者透射通过样本。接收到的具有不同波长的分量的EMR被转换成原始吸光度光谱(也称为原始光谱)。该过程可以重复几次，以获得多个原始光谱，然后对这些原始光谱进行平均以获得平均的原始光谱。在下面的讨论中，为了简洁起见，我们省略了术语“平均的”。这些原始光谱可以表示为

其中索引i表示相应的平均的原始样本，并且可以从1到M，其中M可以是诸如50；100；2000；10,000或更大的任何数字。在样本中的分析物浓度在不同时间可能会不同的情况下，在不同的时间重复上述过程，在分析物浓度可能在同一样本的不同区域中或者在不同样本中不同的情况下，使用样本的不同区域或者不同的样本重复上述过程。

然后将散射校正(MSC、Kubelka-Munk校正、Saunderson校正等)应用于原始光谱

以获得表示为

的全局参考以及全局校正光谱

全局参考

存储在存储器中。然后使用全局校正光谱

进行聚类以识别N个群组。可以为聚类操作指定数字N(例如4、5、6、10等)，或者可替代地，聚类本身可以确定最佳的N。对于每个

识别对应群组C_k,k∈[1,N]，之后，将对应的原始光谱

指定到同一群组。在聚类之后，将群组的最佳数、群组质心以及到群组质心的最大可允许距离存储在存储器中以用于感测功能。

一旦所有原始光谱都被指定到它们各自的群组，就在每个群组内重复上述过程。具体地，将散射校正应用于特定群组k内的原始光谱

在获得表示为

的局部参考，局部参考

被存储在存储器中。通过对群组k内的原始光谱

局部应用散射校正，产生群组k的局部校正光谱

对所有群组重复该过程，以获得每个k∈[1,N]的相应局部参考

和局部校正光谱

回想一下，不同的原始光谱

可对应于不同水平的分析物浓度。表示为

的这些浓度水平是使用选择的金标准技术从样本获得的。最后，经由多元线性回归校准为每个群组k产生校准向量V^k。对于每个群组，校准向量V^k、局部参考

以及用于产生校准向量的数据预处理集可以被存储在SoC中的存储器模块中。数据预处理集定义是否是使用吸光度获得校准向量、利用n阶导数处理的吸光度、滤波的阶数，Kubelka-Munk校正，Saunderson校正，乘法散射校正等。在部署传感器进行感测时，这对于确保以完全相同的方式处理所有原始数据是必需的。全局参考

也可以存储在SoC的存储器模块中。

用于获得最佳的数据预处理集的一个示例过程如下：

1.在群组内，利用迭代选择的滤波器及其程度(例如，Savitzky-Golay、傅里叶变换滤波器、百分比、移动平均)对局部校正光谱应用信号平滑(噪声滤波)。另外，也可以应用一阶或二阶导数基线去除。

2.将局部校正和预处理的光谱和对应浓度随机地划分成训练集和测试集。

3.将多元回归校准算法应用于训练集，并且在训练模型之后，使用测试集进行浓度的预测，并评估预测精度。

4.在称为交叉验证的过程中重复步骤2和3多次(例如n次迭代)，以得到当前数据预处理集的平均预测精度。

可利用在步骤1中选择的不同参数集来重复步骤1-4。最佳的参数集是导致最佳的平均预测精度的参数集。

多元回归算法对预测器变量和响应变量之间的关系建模。从而，校准光谱矩阵

可被认为是预测器，其中d是波长数，并且分析物浓度向量

被认为是响应。光谱矩阵的每个第i行对应于局部校正和预处理的光谱(例如，应用于局部校正吸光度光谱的Savitzky-Golay滤波器和二阶导数)，响应向量的每个第i行对应于利用金标准测量的分析物浓度。一旦确定了预测器和响应之间的关系，就可以基于新的局部校正和预处理的光谱来预测分析物浓度的未知值。多元回归可以包括偏最小二乘回归及其修改、多元线性回归、支持向量回归、人工神经网络和/或主成分回归。

感测或分析物测量

参见图9，存储在存储器中的各个校准向量、全局MSC参考和局部MSC向量允许借助于感测算法进行混合光子SoC的感测功能。特别地，一旦部署在现场，混合III-V/IV光子SoC就收集漫反射信号，漫反射信号然后与绝对波长参考、波长偏移值和激光功率曲线信号一起在ADC+放大器部210内被放大和数字化。然后，在步骤2210内，根据绝对波长、波长偏移、芯片温度和激光功率曲线，将时域信号转换到频域，进行平均和校准。接下来，在步骤2220将反射强度转换为吸光度。

接下来，在步骤2221，使用从CPU存储器获取的全局散射校正GSC参考，对收集的吸收度光谱进行基线校正，以便发起聚类过程。为了聚类收集的光谱，从CPU存储器提供群组质心和到群组质心的最大可允许距离，并在步骤2223相应地对数据进行分类。如果到所提供的群组质心的距离超过最大可允许距离，则在步骤2224，CPU发起错误消息以指示用户调整传感器位置并重新开始数据收集，直到该错误不大于最大可允许距离。如果在基线校正之后，在步骤2225，收集的数据与群组质心的距离在可允许范围内，则在步骤2226，将收集的对应原始光谱分配给与质心的距离最小的群组。

接下来，在步骤2227，使用来自CPU存储器的局部散射校正参考对新分配的群组内的原始光谱进行基线校正，然后在步骤2228使用来自CPU存储器的数据处理集对数据进行预处理，以便符合数据预测步骤2229的条件，其中数据被乘以来自CPU存储器的通过多元回归校准获得的各个校准向量V^k。将光谱的行向量与回归权重的列向量相乘，我们获得分析物浓度的单一值。每个不同的分析物将具有不同的校准向量，从而具有不同的权重-即，特定分析物的不同波长特异性。例如，2100nm可与乳酸和葡萄糖两者相关，但是权重将不同。分析物的浓度为c＝w₁*A₁+w₂*A₂+…+w_n*A_n。这里，w_n是在第n个波长下的校准重量，A_n是在第n个波长下的局部校正和预处理后的吸光度。于是，输出是感兴趣的分析物的校准浓度水平。

通常，感测过程以与校准过程相似的方式开始。具体地，EMR被引导到要从中确定分析物浓度的样本(也称为介质)。使EMR扫过一系列的波长。作为响应，从样本接收EMR，其中所接收的EMR被样本漫反射或者透射通过样本。接收到的具有不同波长的分量的EMR被转换成原始吸光度光谱(也称为原始光谱)。该过程可以重复几次，以获得多个原始光谱，然后对这些原始光谱进行平均以获得表示为Y^raw的平均的原始光谱。这里在下面的讨论中，为了简洁起见，我们再次省略了术语“平均的”。

然后，使用(在校准过程中产生的)表示为

的全局参考对原始光谱Y^raw应用散射校正，以获得全局校正光谱Y^GC。然后使用来自存储器的群组质心值σ^k和到质心值的距离来执行聚类。该群组可以表示为C_k，其中k∈[1,N]，并且其中数字N或者是为聚类操作指定的，或者可替代地是在作为校准过程的一部分进行聚类时确定的。对应的原始光谱Y^raw然后被指定到同一群组C_k。

之后，使用表示为

的对应局部参考，再次对选择的群组C_k内的原始光谱Y^raw应用散射校正。通过将散射校正和数据预处理参数集局部应用于群组C_k内的原始光谱Y^raw，产生局部校正和预处理的光谱Y^LC。使用光谱Y^LC的吸光度值和所选群组C_k的校准向量V^k，估计感兴趣的分析物的浓度水平。该整个过程可以重复多次，以获得分析物浓度的几个估计量，从而提供平均的估计分析物浓度。

图10-图12提供了按照本发明的实施例的针对三种不同分析物-即血糖、血乳酸和血乙醇，关于仔猪的经皮传感器性能的例子。这里，对于所有的实验，使大约40kg的母猪镇静8小时的持续时间，并将缓冲的分析物溶液葡萄糖溶液注射到静脉中以升高猪的血液分析物水平。在葡萄糖的情况下，图10，通过注射缓冲葡萄糖溶液来升高血糖水平，并给予胰岛素来降低血糖水平。在乳酸的情况下，图11，通过静脉注射来升高血乳酸水平，并通过终止缓冲乳酸给药，允许猪自然清除乳酸水平来降低血乳酸水平。对于乙醇的情况，再次通过将缓冲液注射到静脉中来升高血乙醇水平，和通过终止注射并允许身体自然清除乙醇来降低血乙醇水平。在所有情况下，III-V/IV传感器在镇静的猪的腹部与猪的皮肤接触。传感器以40Hz的频率(40次扫描/秒或40个光谱/秒)对猪进行采样。每6分钟从猪的动脉抽取血样，并利用用作金标准的临床分析仪对血样进行分析。在所描述的实施例中，我们使用两个用于血糖校准的Abaxis Piccolo Xpress分析仪，用于乳酸校准的EKF Biosen C_line分析仪和用于血乙醇校准的Agilent 8860气相色谱仪作为临床金标准。然后将收集的光谱分配给用金标准测量的校准的葡萄糖浓度水平值，并按照在本发明的实施例中描述的过程处理数据。

图10中，数据点1002表示用于形成校准模型的数据点，而红色数据点1004表示用于研究中的特定猪的使用该模型的多重预测。在这种情况下，模型和验证使用从同一头猪获取的数据。在一天的时间内，使这头猪的血糖水平升高和降低，并且使用金标准每6分钟测量一次校准数据。对在两个校准点之间收集的光谱进行插值，并赋予绝对葡萄糖浓度值。

代表性结果表明在从75mg/dl(4.16mmol/l)到400mg/dl(22.2mmol/l)的宽动态葡萄糖浓度水平范围内优异的传感器性能，判定系数为97.2％，预测均方根误差(RMSEP)为14.7mg/dl(或0.8mmol/l)，并且整个范围内的平均绝对相对差为6.7％。

图11中，绿色数据点1006表示用于形成校准模型的数据点，而红色数据点1008表示用于研究中的特定猪的使用该模型的多重预测。在这种情况下，模型和验证使用来自同一头猪的数据。代表性结果表明在1mmol/l-15mmol/l的浓度水平范围内的经皮血乳酸感测的判定系数为92.4％，RMSEP为0.954mmol/l。

图12中，绿色数据点1010表示用于形成校准模型的数据点，而红色数据点1012表示用于研究中的特定猪的使用该模型的多重预测。在这种情况下，模型和验证使用来自同一头猪的数据。代表性结果表明在0.2‰-4.2‰的浓度水平范围内的经皮血乙醇感测的判定系数为96.4％，RMSEP为0.217‰。

在图13和图14中，突出显示了数据预处理/校正的影响。在图13中，描绘了基于漫反射从灌流猪耳收集的典型实验原始吸收光谱1300。该光谱包含来自组织-皮肤、其组分(胶原蛋白、水等)和灌流溶液的信号，在这种特定情况下，灌流溶液是2％的乙醇水溶液。在本实验中，乙醇是感兴趣的分析物。将该溶液注射到耳朵的动脉中并通过静脉收集回来。传感器附着到耳朵的皮肤表面，并收集组织以及灌流溶液的漫反射。

归因于漫反射的非线性特性，数据预处理中的重要步骤之一是所收集光谱的线性化和散射校正，当被正确应用时，所述线性化和散射校正允许数据的进一步处理，例如基于Beer-Lambert吸光度的分析，其中线性化和校正后的光谱被分解成各个分量。该后续分析可以与其他线性回归技术结合地进行，以获得感兴趣的组分/分析物的浓度水平的校准值。

在图13中，在分解原始光谱1300时进行Kubelka-Munk线性化，并且通过使用从校准的透射测量结果获得的纯乙醇吸收光谱1400(也称为所选分析物的参考光谱)，可以在观察到的经皮光谱1500中隔离/分解乙醇。尽管噪声大，不过由于没有进行额外的处理，隔离的光谱1500确实显示三个特定于乙醇的峰。

如图14a和图14b中所示，可以进行隔离的光谱的进一步处理。这里，进行从0.1％到2％的不同乙醇浓度的24小时灌流循环。动脉输入端和静脉输出端的对照流动比色皿用于监测灌流溶液浓度及其稳定性，并被描绘为参考比色皿信号1600。基于漫反射几何形状经皮进行感测。

在图14a中，通过应用-ln(x)来拟合Beer-Lambert模型，直接处理所获得的原始光谱1300，而不进行任何线性化变换/校正。用于拟合的分量包括水、皮肤、乙醇、脂肪、斜率、路径长度和偏移量，因而，光谱被分解为水、皮肤、脂肪、乙醇、斜率、路径长度和偏移量。将得到的拟合与对照比色皿测量结果，即，参考比色皿信号1600进行比较。可以看出，虽然乙醇痕量1700a与参考趋势1600存在一定的相关性，但是它大多是不确定的，不能为感测应用提供可靠的读数。

在图14b中，处理相同的漫反射光谱，以便使用Kubelka-Munk校正进行线性化和散射校正，随后进行Beer-Lambert近似(各个分量的分解和拟合)。在这种情况下，提取的经皮乙醇痕量1700b在整个0.1％-2％范围内与参考比色皿信号1600良好吻合，包括突然增大/减小的轮廓。

所描述的本发明的实施例仅仅是示例性的，众多的变化和修改都预期在由附加权利要求书所限定的本发明的范围之内。

Claims (36)

1.一种用于校准用于测量分析物的浓度的传感器的方法，所述方法包括：

使用混合III-V族/IV族半导体光子片上系统(SoC)，从具有分析物的物体收集多个原始光谱；

按照所述多个原始光谱的相应光谱形状，将所述多个原始光谱划分为群组的集合，每个群组包括一组原始光谱；和

在每个群组内：

对属于该群组的每个原始光谱应用相应的局部散射校正(LSC)，以获得一组局部校正光谱；和

使用局部校正光谱和与属于该群组的一组原始光谱对应的金标准分析物浓度值，导出特定于群组的优化的预处理参数集和特定于群组的校准向量。

2.按照权利要求1所述的方法，其中针对特定群组导出特定于群组的优化的预处理参数集和特定于群组的校准向量包括：

评估多个候选的预处理参数集中的每一个，特定候选集的评估包括：

使用该特定候选集预处理属于所述特定群组的每个局部校正光谱；

通过对预处理的局部校正光谱应用多元回归校准，并使用与属于该特定群组的一组原始光谱对应的金标准分析物浓度值，导出候选校准向量；和

通过交叉验证计算候选校准向量的对应精度度量；和

将与最大精度度量关联的候选集和对应的候选校准向量分别指定为特定于群组的优化的预处理参数集和特定于群组的校准向量。

3.按照任一前述权利要求所述的方法，其中：

所述物体包含组织；和

所述分析物包含下述至少之一：血糖、血乳酸、乙醇、尿素、肌酐、肌钙蛋白、胆固醇、白蛋白、球蛋白、酮-丙酮、醋酸盐、羟基丁酸、胶原蛋白、角蛋白或水。

4.按照任一前述权利要求所述的方法，其中按照所述多个原始光谱的相应光谱形状划分所述多个原始光谱包括：

对所述多个原始光谱中的每一个应用全局散射校正(GSC)，以获得多个全局校正光谱；

按照下述对所述多个全局校正光谱进行聚类：(A)群组的指定数量，或(B)全局校正光谱距群组的质心的指定最大距离，或(C)群组的指定数量和全局校正光谱距群组的质心的指定最大距离两者；和

在每个群组内，向该群组指定对应于属于该群组的全局校正光谱的相应原始光谱。

5.按照权利要求4所述的方法，其中所述聚类包括下述至少之一：k均值聚类、亲和力传播或凝聚聚类。

6.按照任一前述权利要求所述的方法，还包括：

在SoC中存储GSC参考光谱。

7.按照权利要求4或权利要求5所述的方法，其中全局散射校正包括：全局乘法散射校正、全局标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正或全局均值中心化和归一化校正。

8.按照权利要求4或权利要求5所述的方法，其中局部或全局散射校正包括粒度差异校正或路径长度差异校正，每个校正包括Kubelka-Munk校正、Saunderson校正、乘法散射校正或它们的组合。

9.按照任一前述权利要求所述的方法，还包括：

对于每个群组，在SoC中存储：(i)对应的LSC参考光谱，(ii)对应的校准向量，和(iii)群组质心。

10.按照权利要求9所述的方法，还包括：

对于每个群组，在SoC中存储：(iv)特定于群组的优化的预处理参数集。

11.按照任一前述权利要求所述的方法，还包括：

在SoC中存储每个群组的优化的预处理参数集。

12.按照任一前述权利要求所述的方法，其中局部散射校正包括局部乘法散射校正、局部标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正或局部均值中心化和归一化校正。

13.按照任一前述权利要求所述的方法，其中确定所述多个原始光谱的相应光谱形状包括：

通过对所述多个原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对所述多个原始光谱进行预处理。

14.按照权利要求13所述的方法，其中所述预处理包括：Kubelka-Munk校正、Saunderson校正、乘法散射校正或者它们的组合。

15.一种用于测量分析物的浓度的方法，所述方法包括：

使用混合III-V族/IV族半导体光子片上系统(SoC)，从具有分析物的物体获得原始光谱；

基于该原始光谱的光谱形状，从光谱的多个群组中识别该原始光谱所属的群组；

对该原始光谱应用局部散射校正(LSC)，以获得局部校正光谱；

使用特定于群组的优化的预处理参数集预处理局部校正光谱；和

将预处理的局部校正光谱与特定于群组的校准向量相乘，以获得分析物的校准浓度值。

16.按照权利要求15所述的方法，其中获得原始光谱包括：

将可在多个波长下调谐的电磁辐射(EMR)从SoC引导到物体；

使用SoC测量在所述多个波长中的每一个下从物体接收的EMR的强度；和

将所述强度转换为吸光度值，其中原始光谱包含吸光度光谱。

17.按照权利要求16所述的方法，其中所述多个波长选自范围1000nm-3500nm或范围1900nm-2500nm。

18.按照权利要求15-17中任一项所述的方法，其中：

光谱的所述多个群组对应于先前使用SoC收集的光谱；并且

所述多个群组中的每一个通过相应的LSC参考、群组质心和相应的校准向量来表示，每个群组的相应的LSC参考、相应的群组质心和相应的校准向量存储在SoC上。

19.按照权利要求15-18中任一项所述的方法，其中从光谱的所述多个群组中识别原始光谱所属的群组包括：

使用全局散射校正(GSC)参考导出全局校正光谱；

在所述多个群组中的每一个群组内：

将全局校正光谱与相应的LSC参考进行比较，以获得对应于该群组的距离；和

选择对应距离最小的群组。

20.按照权利要求19所述的方法，其中全局散射校正包括全局乘法散射校正、全局标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正、全局均值中心化和归一化校正或它们的组合。

21.按照权利要求19所述的方法，其中局部或全局散射校正包括粒度差异校正或路径长度差异校正，比如Kubelka-Munk、Saunderson校正、乘法散射校正或它们的组合。

22.按照权利要求15-21中任一项所述的方法，其中局部散射校正包括局部乘法散射校正、局部标准正态变量(SNV)校正、或局部均值中心化和归一化校正、Kubelka-Munk校正、Saunderson校正或它们的组合。

23.按照权利要求15-22中任一项所述的方法，其中确定原始光谱的光谱形状包括：

通过对原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对原始光谱进行预处理。

24.按照权利要求23所述的方法，其中预处理包括Kubelka-Munk校正、Saunderson校正、乘法散射校正或它们的组合。

25.一种用于测量分析物的浓度的系统，包括：

用于从具有分析物的物体获得原始光谱的混合III-V族/IV族半导体光子片上系统(SoC)；和

包括处理器和存储器的处理单元，所述处理单元被配置成：

使用所述混合III-V族/IV族半导体光子片上系统(SoC)，从具有分析物的物体获得原始光谱；

基于该原始光谱的光谱形状，从光谱的多个群组中识别该原始光谱所属的群组；

对该原始光谱应用局部散射校正(LSC)，以获得局部校正光谱；

使用特定于群组的优化的预处理参数集对局部校正光谱进行预处理；和

将预处理的局部校正光谱与特定于群组的校准向量相乘，以获得所述分析物的校准浓度值。

26.按照权利要求25所述的系统，其中：

为了获得原始光谱，所述SoC被配置成：

将可在多个波长下调谐的电磁辐射(EMR)引导到物体；并且

测量在所述多个波长中的每一个下从物体接收的EMR的强度；并且

所述处理器被编程为将强度转换为吸光度值，其中所述原始光谱包括吸光度光谱。

27.按照权利要求26所述的系统，其中所述多个波长包括范围1000nm-3500nm或范围1900nm-2500nm。

28.按照权利要求25-27中任一项所述的系统，其中：

光谱的所述多个群组对应于先前使用SoC收集的光谱；

所述多个群组中的每一个通过相应的LSC参考、相应的群组质心和相应的校准向量来表示；并且

所述SoC包括存储器，用于对于每个群组存储相应的LSC参考、相应的群组质心和相应的校准向量。

29.按照权利要求25-28中任一项所述的系统，其中所述SoC包括存储器，用于存储每个群组的优化的预处理参数集。

30.按照权利要求25-29中任一项所述的系统，其中为了从光谱的所述多个群组中识别原始光谱所属的群组，所述处理器被编程为：

使用全局散射校正(GSC)参考来导出全局校正光谱；

在所述多个群组中的每个群组内：

将全局校正光谱与相应的LSC参考进行比较，以获得对应于该群组的距离；和

选择对应距离最小的群组。

31.按照权利要求30所述的系统，其中全局散射校正包括：全局乘法散射校正、全局标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正或全局均值中心化和归一化校正。

32.按照权利要求30所述的系统，其中局部或全局散射校正包括粒度差异校正或路径长度差异校正，每个校正包括Kubelka-Munk校正、Saunderson校正、乘法散射校正或它们的组合。

33.按照权利要求25-32中任一项所述的系统，其中局部散射校正包括局部乘法散射校正、局部标准正态变量(SNV)校正、Kubelka-Munk校正、Saunderson校正、或局部均值中心化和归一化校正或它们的组合。

34.按照权利要求25-33中任一项所述的系统，其中所述SoC包括：

用于追踪由所述SoC发射的辐射的波长偏移的波长偏移追踪器，用于追踪由所述SoC发射的辐射的绝对波长的波长追踪器；

用于测量所述SoC的温度的温度传感器；和

用于监测在波长扫描期间由所述SoC发射的EMR的强度的SoC输出功率监测器。

35.按照权利要求25-34中任一项所述的系统，其中为了确定所述多个原始光谱的相应光谱形状，所述处理单元被配置成：

通过对所述多个原始光谱应用线性变换和基于所选分析物的参考光谱的基线校正，对所述多个原始光谱进行预处理。

36.按照权利要求35所述的系统，其中在进行预处理时，所述处理单元被配置成应用Kubelka-Munk校正、Saunderson校正、乘法散射校正或它们的组合。

Images