CN116369856A - 一种多光谱光声人体组织液成分浓度无创检测装置及方法 - Google Patents
一种多光谱光声人体组织液成分浓度无创检测装置及方法 Download PDFInfo
- Publication number
- CN116369856A CN116369856A CN202310366353.2A CN202310366353A CN116369856A CN 116369856 A CN116369856 A CN 116369856A CN 202310366353 A CN202310366353 A CN 202310366353A CN 116369856 A CN116369856 A CN 116369856A
- Authority
- CN
- China
- Prior art keywords
- tissue fluid
- photoacoustic
- human tissue
- concentration
- laser
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000010521 absorption reaction Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 14
- 210000001519 tissue Anatomy 0.000 claims description 82
- 210000000624 ear auricle Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 210000003722 extracellular fluid Anatomy 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011549 displacement method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000126 substance Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000031700 light absorption Effects 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010895 photoacoustic effect Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- UBQYURCVBFRUQT-UHFFFAOYSA-N N-benzoyl-Ferrioxamine B Chemical compound CC(=O)N(O)CCCCCNC(=O)CCC(=O)N(O)CCCCCNC(=O)CCC(=O)N(O)CCCCCN UBQYURCVBFRUQT-UHFFFAOYSA-N 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
- A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
-
- 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
- A61B5/4881—Determining interstitial fluid distribution or content within body tissue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明属于生物医学领域,涉及人体组织液特定成分的浓度无创检测装置,具体提供一种多光谱光声人体组织液成分浓度无创检测装置及方法,用以实现对人体组织液中特定成分的无创、实时、连续、准确测量。本发明使用光声技术采集人体组织液光声信号,能够有效避免传统光学检测方法因组织反射、折射、散射对光信号带来的干扰;同时,本发明使用两个连续激光器,一个激光波长选择待检测物质的特征吸收波长,另一个光波长选择人体背景信号特征吸收波长,采用光功率平衡位移法实现组织液特定成分浓度检测;并且,本发明通过机器学习算法建立人体组织液特定成分浓度预测模型,能够消除不确定因素干扰,进一步提高测量精度。
Description
技术领域
本发明属于生物医学领域,涉及人体组织液特定成分的浓度无创检测装置,具体提供一种基于机器学习的多光谱光声人体组织液成分浓度检测装置及方法。
背景技术
随着人民生活水平不断改善,健康问题也越来越受到关注。医学上可以通过对生物样品进行定量或者定性分析实现疾病的诊断、监测和治疗,由于血液采样效率高、成本低,现代医学诊断手段通常以血液作为检测物质;然而,血液采样通常是入侵式的,检测过程中不仅痛苦,还伴随着被感染的风险。组织液是血液和组织细胞之间进行物质交换的媒介,除了蛋白质以外,组织液中其余成分基本与血液中相同,因此,可以通过对组织液的检测实现某些生物指标的检测。研发先进的组织液成分检测系统,用于获得多生物标志物的体内水平,以便医生及时获取患者病情发展并开展治疗,具有重大的意义。
目前,现有组织液成分检测方法通常分为微创无痛式与无创式两种;例如,公开号为CN217566069U的专利文献中公开的一种组织液检测装置及系统、公开号为CN115227240A的专利文献中公开的血液或组织液采集处理芯片及检测装置和方法,都属于微创无痛式;公开号为CN114557694A的专利文献中公开的一种无创皮下组织液提取-检测装置和提取-检测方法,属于无创式;这两种方式都会对皮肤带来刺激引起不适。因此,市场上迫切需要一种无创无痛式的组织液成分检测装置;光声技术已被证实是一种潜在的组织液成分浓度无创检测方案,其采集的声信号能够有效避免组织中因反射、折射、散射带来的干扰,展现出极大地优势。基于此,本发明提供一种基于机器学习的多光谱光声人体组织液成分浓度检测装置及方法。
发明内容
本发明的目的在于针对现有的人体组织液成分浓度检测技术的不足,提供一种多光谱光声人体组织液成分浓度无创检测装置及方法,用以实现对人体组织液中特定成分的无创、实时、连续、准确测量。本发明使用光声技术采集人体组织液光声信号,能够有效避免传统光学检测方法因组织反射、折射、散射对光信号带来的干扰;同时,本发明使用两个连续激光器,一个激光波长选择待检测物质的特征吸收波长,另一个光波长选择人体背景信号特征吸收波长,采用光功率平衡位移法实现组织液特定成分浓度检测;并且,本发明通过机器学习算法建立人体组织液特定成分浓度预测模型,能够消除不确定因素干扰,进一步提高测量精度。
为实现上述目的,本发明采用的技术方案为:
一种多光谱光声人体组织液成分浓度无创检测装置,包括:主机与光声探头;其特征在于,主机包括:信号发生器、激光驱动器、第一可调谐激光器、第二可调谐激光器、光纤耦合器、锁相放大器、控制模块以及数据处理模块;光声探头包括:激光准直器、聚焦透镜及高灵敏度超声换能器;所述光声探头通过耳垂夹具固定于耳垂表面,用于采集光声信号。
进一步的,所述信号发生器产生50%占空比的两路方波信号,且相位差为π;其中,一路方波信号作为第一强度调制信号,通过激光驱动器对第一可调激光器进行强度调制;另一路方波信号再分为两路相同的子方波信号,分别作为参考信号与第二强度调制信号,参考信号输入至锁相放大器的参考端,第二强度调制信号通过激光驱动器对第二可调激光器进行强度调制;第一可调激光器与第二可调激光器的输出通过光纤耦合器耦合输出,经过激光准直器与聚焦透镜后聚焦照射在耳垂皮肤表面,置于耳垂另一侧皮肤表面的超声换能器采集光声信号传输至锁相放大器,锁相放大器将信号处理后的锁相信号送入数据处理模块得出人体组织液待测成分浓度的检测结果。
进一步的,所述第二可调谐激光器波长选择水的特征吸收波长,输出功率保持不变;第一可调谐激光器波长选择待检测成分的特征吸收波长,输出功率通过控制模块进行扫描;同时,控制模块对第一可调谐激光器施加低频锯齿波信号,实现输出波长在预设范围内连续变化,避免周围环境和激光器工作温度对激光器发射功率和波长漂移影响。
进一步的,所述数据处理模块为基于机器学习的人体组织液待测成分浓度预测模型,具体为:机器学习模型、SVR神经网络、BP神经网络、决策树或集成回归算法。
进一步的,本发明还提供了一种多光谱光声人体组织液特定成分浓度无创检测方法,包括以下步骤:
步骤1、将光声探头通过耳垂夹具固定于待测者的耳垂,设置第二可调激光器的功率保持不变,通过控制模块对第一可调激光器进行功率扫描,通过锁相放大器观测超声换能器采集得到的光声信号,得到测量数据;
步骤2、数据处理模块将测试数据输入至预训练人体组织液待检测成分浓度预测模型,由模型输出待检测成分浓度检测结果。
进一步的,所述人体组织液待检测成分浓度预测模型的预训练过程如图5所示,具体包括以下步骤:
1)采用传统医用检测设备获取M个受试者的组织液待测成分浓度的真实值,记为标签集S=(s1,s2,…,sM),其中,sm为第m个受试者的组织液待测成分浓度标签,m=1,2,…,M;
2)采用本发明中多光谱光声人体组织液特定成分浓度无创检测装置,通过步骤1分别采集M个受试者的测量数据,记为样本集P=(P1,P2,…,PM),其中,Pm为第m个受试者的测量数据,Pm=(p1m,p2m,…,pNm)T,pnm为第m个受试者第n个光功率下的光声信号;
3)将标签集S与样本集P构成得到训练数据集DS,基于SVR、BP神经网络等构建人体组织液待测成分浓度预测模型,基于训练数据集DS对人体组织液待测成分浓度预测模型完成离线训练,再将训练完成的人体组织液待测成分浓度预测模型写入数据处理模块。
基于上述技术方案,本发明的有益效果在于:
本发明提供一种基于机器学习的多光谱光声人体组织液成分浓度无创检测装置及检测方法,具有如下优点:
1)本发明中创新设计采用光声技术,有着更高的安全性,光源能量符合安全要求且光声检测方法完全无创,避免了伤口感染过敏等问题;
2)本发明使用双波长差分光声系统以实现人体组织液特定成分浓度检测,检测更加准确,系统中第一可调激光器选择待检测成分的特征吸收波长,第二可调激光器选择水特征波长(作为背景信号),采用光功率平衡位移法准确检测出待测成分的浓度含量;
3)本发明使用调制光源可控制光的穿透深度以适应个体差异,且系统使用锁相放大器,信号信噪比高;
4)本发明基于机器学习算法对采集到的光声信号进行后处理,能够克服现有技术存在的问题,提高预测准确度。
附图说明
图1为本发明中多光谱光声人体组织液成分浓度无创检测装置的结构示意图。
图2为本发明中多光谱光声人体组织液成分浓度无创检测装置中光声探头的结构示意图。
图3为本发明中多光谱光声人体组织液成分浓度无创检测装置中可调谐激光器的调制方式示意图。
图4为基于双波长差分光声系统的光功率平衡位移法的原理示意图。
图5为本发明中多光谱光声人体组织液成分浓度无创检测装置中人体组织液成分浓度检测模型的构建流程图。
具体实施方式
为使本发明的目的、技术方案与有益效果更加清楚明白,下面结合附图和实施例对本发明做进一步详细说明。
本实施例提供一种基于机器学习的多光谱光声人体组织液特定成分浓度无创检测装置及检测方法,所述检测装置如图1所示,包括:主机与光声探头;其中,主机包括:信号发生器、激光驱动器、两个可调谐激光器、光纤耦合器、锁相放大器、控制模块以及数据处理模块;光声探头包括:激光准直器、聚焦透镜及高灵敏度超声换能器;所述光声探头通过耳垂夹具固定于耳垂表面,用于采集有效光声信号,耳垂夹具的结构如图2所示。
具体而言:信号发生器产生50%占空比的两路方波信号,且相位差为π;其中,一路方波信号作为第一强度调制信号,通过激光驱动器对第一可调激光器1进行强度调制;另一路方波信号再分为两路相同的子方波信号,分别作为参考信号与第二强度调制信号,参考信号输入至锁相放大器的参考端,第二强度调制信号通过激光驱动器对第二可调激光器2进行强度调制;第一可调激光器1与第二可调激光器2的输出通过光纤耦合器耦合输出,经过激光准直器与聚焦透镜后聚焦照射在耳垂皮肤表面,耳垂组织液由于吸收激光能量产生超声波,置于耳垂另一侧皮肤表面的超声换能器采集光声信号,高灵敏度超声换能器将光声信号转化成电信号传输至锁相放大器,锁相放大器将信号处理后的锁相信号送入数据处理模块得出人体组织液待测成分浓度的检测结果;数据处理模块采用机器学习算法建立预测模型,实现人体组织液待测成分浓度精确检测;
由于可调谐激光器的温度变化会导致激光器发射功率和波长的漂移,所述控制模块可以对激光器1施加低频锯齿波扫描信号从而实现输出波长在一定范围内连续变化,并使用光功率平衡位移法对第一可调激光器1的激光功率进行控制,在一定范围内可以对输出激光的功率进行扫描,从而避免周围环境和激光器工作温度对激光器的影响;所述控制模块对DFB激光器输出功率及波长的控制方式如图3所示;
所述数据处理模块是基于机器学习的人体组织液待测成分浓度预测模型,包括一些传统的机器学习模型,SVR、BP神经网络,决策树,集成回归算法等。
从工作原理上讲:
本发明的主要理论依据是光声效应,当被调制后的激光照射在人体皮肤表面时,组织液由于吸收热量从而发生热弹性膨胀,当调制频率足够高,热弹性膨胀足够快,组织液就会不断膨胀收缩,从而辐射出超声信号。
光声效应产生的声波方程可以由式(1)来描述:
其中,I为入射激光光强,P为介质产生的光声信号,v为介质中的声速,α为介质的光吸收系数,β为介质的体积热膨胀系数,Cα为介质的比热容;当介质的吸收较弱时,声压P可表示为式(2):
其中,K为系统常数,E0为入射激光能量;从而可以得到声压P与溶液物理性质成正比,如式(3)所示:
当人体组织液中成分发生变化时会引起其物理性质和光学特性发生相应变化,进而导致光声信号幅值产生变化。因此,通过测量人体耳垂光声信号,进而反演出人体组织液中特定成分的变化,在原理上是可行的。
更为具体的讲:
该检测装置的核心原理是光功率平衡位移法,选用两个波长不同的激光器,第一DFB激光器1的波长选择待检测成分的特征吸收波长,第二DFB激光器2的波长选择水的特征吸收波长、作为背景信号;用两束相位相差为π的方波信号对两个激光器分别进行调制,通过控制模块扫描激光器1的功率,激光器2的功率保持不变,利用锁相放大器观测光声信号的相位以及振幅信息,其原理示意图如下图4所示。由于两束激光的强度调制信号相位正好相差π,在人体组织液中产生的光声信号的相位也相差π,最终超声换能器采集到的光声信号取决于两个激光器之间的贡献差,如式(4)所示:
P~f(T,v,Cg,CAlb,…)·(α1P1-α2P2) #(4)
其中,α1为组织液中待测成分的光吸收系数,α2组织液中水的光吸收系数,P1为第一DF B激光器1的激光功率,P2为第二DFB激光器2的激光功率,P为光声信号;f为包括温度T、声速v、热容Cg及热膨胀系数CAlb等参数的函数表达式,热容及热膨胀系数等参数受组织液成分浓度影响,即光声信号取决于温度T和组织液成分浓度;从式中可以发现,扫描激光功率P1,光声信号P的幅值呈现如图3所示的趋势,其中,光声信号P与对应的扫描激光功率(坐标值)取决于人体组织液中待检测成分的光吸收系数α1,而光吸收系数α1与人体组织液中待检测成分浓度以及温度等相关,因此,本发明采用机器学习方法建立光声信号、扫描激光功率与人体组织液中待检测成分浓度的精确预测模型,实现人体组织液中待检测成分浓度的精确测量。
在上述多光谱光声人体组织液特定成分浓度无创检测装置及其工作原理的基础上,本发明还提供了一种多光谱光声人体组织液特定成分浓度无创检测方法,包括以下步骤:
步骤1、将光声探头通过耳垂夹具固定于待测者的耳垂,设置第二可调激光器的功率保持不变,通过控制模块对第一可调激光器进行功率扫描,通过锁相放大器观测超声换能器采集得到的光声信号,得到测量数据;
步骤2、数据处理模块将测试数据输入至预训练人体组织液待检测成分浓度预测模型,由模型输出待检测成分浓度检测结果。
进一步的,所述人体组织液待检测成分浓度预测模型的预训练过程如图5所示,具体包括以下步骤:
1)采用传统医用检测设备获取M个受试者的组织液待测成分浓度的真实值,记为标签集S=(s1,s2,…,sM),其中,sm为第m个受试者的组织液待测成分浓度标签,m=1,2,…,M;
2)采用本发明中多光谱光声人体组织液特定成分浓度无创检测装置,通过步骤1分别采集M个受试者的测量数据,记为样本集P=(P1,P2,…,PM),其中,Pm为第m个受试者的测量数据,Pm=(p1m,p2m,…,pNm)T,pnm为第m个受试者第n个光功率下的光声信号;
3)将标签集S与样本集P构成得到训练数据集DS,基于SVR、BP神经网络等构建人体组织液待测成分浓度预测模型,基于训练数据集DS对人体组织液待测成分浓度预测模型完成离线训练,再将训练完成的人体组织液待测成分浓度预测模型写入数据处理模块。
本发明实施方式中,基于机器学习的多光谱光声人体组织液成分无创检测系统为了实现有益效果,其包含了执行各个功能相应的硬件结构和/或软件模块;本领域技术人员应该很容易意识到,结合本发明所公开的实施例描述的各示意单元及算法步骤,本发明能够以硬件或硬件/计算机软件结合的形式来实现,某个功能以硬件还是计算机软件驱动的方式来执行,取决于技术方案的特定应用和设计约束条件,可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围;
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (6)
1.一种多光谱光声人体组织液成分浓度无创检测装置,包括:主机与光声探头;其特征在于,主机包括:信号发生器、激光驱动器、第一可调谐激光器、第二可调谐激光器、光纤耦合器、锁相放大器、控制模块以及数据处理模块;光声探头包括:激光准直器、聚焦透镜及高灵敏度超声换能器;所述光声探头通过耳垂夹具固定于耳垂表面,用于采集光声信号。
2.按权利要求1所述多光谱光声人体组织液成分浓度无创检测装置,其特征在于,所述信号发生器产生50%占空比的两路方波信号,且相位差为π;其中,一路方波信号作为第一强度调制信号,通过激光驱动器对第一可调激光器进行强度调制;另一路方波信号再分为两路相同的子方波信号,分别作为参考信号与第二强度调制信号,参考信号输入至锁相放大器的参考端,第二强度调制信号通过激光驱动器对第二可调激光器进行强度调制;第一可调激光器与第二可调激光器的输出通过光纤耦合器耦合输出,经过激光准直器与聚焦透镜后聚焦照射在耳垂皮肤表面,置于耳垂另一侧皮肤表面的超声换能器采集光声信号传输至锁相放大器,锁相放大器将信号处理后的锁相信号送入数据处理模块得出人体组织液待测成分浓度的检测结果。
3.按权利要求1所述多光谱光声人体组织液成分浓度无创检测装置,其特征在于,所述第二可调谐激光器波长选择水的特征吸收波长,输出功率保持不变;第一可调谐激光器波长选择待检测成分的特征吸收波长,输出功率通过控制模块进行扫描;同时,控制模块对第一可调谐激光器施加低频锯齿波信号,实现输出波长在预设范围内连续变化。
4.按权利要求1所述多光谱光声人体组织液成分浓度无创检测装置,其特征在于,所述数据处理模块为基于机器学习的人体组织液待测成分浓度预测模型,具体为:机器学习模型、SVR神经网络、BP神经网络、决策树或集成回归算法。
5.一种多光谱光声人体组织液特定成分浓度无创检测方法,基于权利要求1所述多光谱光声人体组织液成分浓度无创检测装置实施,其特征在于,包括以下步骤:
步骤1、将光声探头通过耳垂夹具固定于待测者的耳垂,设置第二可调激光器的功率保持不变,通过控制模块对第一可调激光器进行功率扫描,通过锁相放大器观测超声换能器采集得到的光声信号,得到测量数据;
步骤2、数据处理模块将测试数据输入至预训练人体组织液待检测成分浓度预测模型,由模型输出待检测成分浓度检测结果。
6.按权利要求5所述多光谱光声人体组织液特定成分浓度无创检测方法,其特征在于,所述人体组织液待检测成分浓度预测模型的预训练过程为:
1)采用传统医用检测设备获取M个受试者的组织液待测成分浓度的真实值,记为标签集S=(s1,s2,…,sM),其中,sm为第m个受试者的组织液待测成分浓度标签,m=1,2,…,M;
2)采用本发明中多光谱光声人体组织液特定成分浓度无创检测装置,通过步骤1分别采集M个受试者的测量数据,记为样本集P=(P1,P2,…,PM),其中,Pm为第m个受试者的测量数据,Pm=(p1m,p2m,…,pNm)T,pnm为第m个受试者第n个光功率下的光声信号;
3)将标签集S与样本集P构成得到训练数据集DS,基于训练数据集DS对人体组织液待测成分浓度预测模型完成离线训练,再将训练完成的人体组织液待测成分浓度预测模型写入数据处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310366353.2A CN116369856A (zh) | 2023-04-07 | 2023-04-07 | 一种多光谱光声人体组织液成分浓度无创检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310366353.2A CN116369856A (zh) | 2023-04-07 | 2023-04-07 | 一种多光谱光声人体组织液成分浓度无创检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116369856A true CN116369856A (zh) | 2023-07-04 |
Family
ID=86961222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310366353.2A Pending CN116369856A (zh) | 2023-04-07 | 2023-04-07 | 一种多光谱光声人体组织液成分浓度无创检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116369856A (zh) |
-
2023
- 2023-04-07 CN CN202310366353.2A patent/CN116369856A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6006773B2 (ja) | 散乱媒体の画像化方法及び画像化装置 | |
JP3621699B2 (ja) | 高信頼非侵襲性血液ガス測定方法 | |
KR100490461B1 (ko) | 청진기 | |
JP5541662B2 (ja) | 被検体情報取得装置およびその制御方法 | |
US9833187B2 (en) | Detection, diagnosis and monitoring of osteoporosis by a photo-acoustic method | |
US20210052164A1 (en) | Sensor for tissue measurements | |
US10624543B2 (en) | Photo-acoustic sensing apparatus and methods of operation thereof | |
CN107228904B (zh) | 一种光致超声的血糖无创检测装置及方法 | |
CN112168144B (zh) | 一种用于烧伤皮肤的光学相干层析成像系统 | |
Zhang et al. | Miniaturized photoacoustic probe for in vivo imaging of subcutaneous microvessels within human skin | |
CN110361357A (zh) | 一种用于皮肤检测的单阵元光声谱信号获取系统及方法 | |
CN108152214B (zh) | 一种多参量的血糖光声检测装置及方法 | |
CN104027132A (zh) | 一种基于多谱光声成像的装置和方法 | |
Ren et al. | Classification and discrimination of real and fake blood based on photoacoustic spectroscopy combined with particle swarm optimized wavelet neural networks | |
CN111493853A (zh) | 一种针对血管性皮肤病的血管参数评价方法及系统 | |
US20160051149A1 (en) | Photoacoustic Probe for Burn Injury Diagnosis | |
CN105249933A (zh) | 光声分子三维成像仪 | |
Liu et al. | Optoacoustic classification of diabetes mellitus with the synthetic impacts via optimized neural networks | |
CN116369856A (zh) | 一种多光谱光声人体组织液成分浓度无创检测装置及方法 | |
CN203988124U (zh) | 一种基于多谱光声成像的装置 | |
Fillioe et al. | In vivo, noncontact, real-time, PV [O] H imaging of the immediate local physiological response to spinal cord injury in a rat model | |
Kalaiselvi et al. | Continuous blood glucose monitoring using noninvasive technique: a review | |
US20230414104A1 (en) | Photoacoustic diagnostic device and method, using laser combination having single wavelength | |
CN110353634B (zh) | 基于多光谱超声调制的乳腺肿瘤多模态成像装置与方法 | |
CN211131008U (zh) | 一种基于多光谱超声调制的乳腺肿瘤多模态成像装置 |
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 |