CN116413222A - 用于估计目标成分的设备和方法 - Google Patents
用于估计目标成分的设备和方法 Download PDFInfo
- Publication number
- CN116413222A CN116413222A CN202210547782.5A CN202210547782A CN116413222A CN 116413222 A CN116413222 A CN 116413222A CN 202210547782 A CN202210547782 A CN 202210547782A CN 116413222 A CN116413222 A CN 116413222A
- Authority
- CN
- China
- Prior art keywords
- principal components
- spectrum
- target component
- processor
- residual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 64
- 239000000470 constituent Substances 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 41
- 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 11
- 239000008103 glucose Substances 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 6
- 239000012491 analyte Substances 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
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 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
- 239000004202 carbamide Substances 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 238000010801 machine learning Methods 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
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 16
- 238000001727 in vivo Methods 0.000 description 12
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012880 independent component analysis Methods 0.000 description 6
- 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
- 238000000862 absorption spectrum Methods 0.000 description 3
- 238000000354 decomposition reaction 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
- 230000001413 cellular effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 150000003626 triacylglycerols Chemical class 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 description 1
- 102000016942 Elastin Human genes 0.000 description 1
- 108010014258 Elastin Proteins 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 102000011782 Keratins Human genes 0.000 description 1
- 108010076876 Keratins Proteins 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction 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
- 229920002549 elastin Polymers 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—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
- A61B5/1455—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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
提供了一种用于估计目标成分的设备和方法。所述设备可包括：光谱仪，被配置为：获取训练光谱；和处理器，被配置为：从训练光谱提取设置的数量的主成分，基于设置的数量的主成分中的残差的随机性来确定设置的主成分的数量是否合适，并且基于将设置的主成分的数量确定为合适，基于设置的数量的主成分生成目标成分估计模型。
Description
本申请要求于2021年12月28日在韩国知识产权局提交的第10-2021-0189776号韩国专利申请的优先权，所述韩国专利申请的公开通过引用全部包含于此。
技术领域
一个或多个示例实施例涉及用于非侵入性地估计目标生物成分的设备和方法。
背景技术
糖尿病是引起各种并发症并且很难被治愈的慢性疾病，使得患有糖尿病的人被建议定期检查他们的血糖以预防并发症。特别地，当管理胰岛素以控制血糖时，必须密切监测血糖水平以避免低血糖并控制胰岛素剂量。通常使用手指针刺的侵入性方法来测量血糖水平。然而，虽然侵入式方法可在测量中提供高可靠性，但是由于手指针刺装置的使用，它可引起疼痛和不便以及增加的疾病感染的风险。最近，已经对通过使用光谱仪而不进行血液采样来非侵入性地测量血糖的方法进行了研究。
发明内容
根据公开的一方面，提供一种用于估计目标成分的设备，所述设备包括：光谱仪，被配置为：获取训练光谱；和处理器，被配置为：从训练光谱提取设置的数量的主成分，基中的残差的随机性来确定设置的主成分的数量是否合适，并且基于将设置的主成分的数量确定为合适，基于设置的数量的主成分生成目标成分估计模型。
处理器还可被配置为：通过使用主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)和奇异值分解(SVD)中的至少一个来从训练光谱提取设置的数量的主成分。
残差可以是训练光谱与基于设置的数量的主成分从训练数据重建的重建光谱之间的差。
处理器还可被配置为：基于对设置的数量的主成分中的残差是否具有预定图案的确定来确定残差的随机性。
响应于确定设置的数量的主成分中的残差具有所述预定图案，处理器还可被配置为：确定残差不具有随机性并且确定设置的主成分的数量不合适；并且响应于确定设置的数量的主成分中的残差不具有所述预定图案，处理器还可被配置为：确定残差具有随机性并且确定设置的主成分的数量合适。
处理器还可被配置为：通过从训练光谱减去基于设置的数量的主成分重建的重建光谱来获取残差光谱，并且基于残差光谱的波长之间的相关性来确定残差是否具有所述预定图案。
处理器还可被配置为：计算残差光谱的波长之间的相关矩阵，并将随机性指标分配给相关矩阵。
响应于相关矩阵中的每个相关值大于或等于预定值，处理器还被配置为：分配指标1，并且响应于相关矩阵中的每个相关值小于预定值，处理器还被配置为：分配指标0。
处理器还可被配置为：基于随机性指标来计算设置的主成分的数量的总指标，并且响应于总指标小于或等于预定值，处理器还可被配置为：确定设置的主成分的数量合适。
基于确定设置的主成分的数量不合适，处理器还可被配置为：改变设置的主成分的数量。
通过使用确定的最佳数量的主成分，处理器还可被配置为：基于净分析物信号(NAS)计算来生成目标成分估计模型。
光谱仪还可被配置为：在训练区间期间获取训练光谱，训练区间包括用户的空腹时段。
光谱仪还可被配置为：获取估计光谱，并且处理器还被配置为：通过使用目标成分估计模型和估计光谱来估计目标成分，并且其中，目标成分包括葡萄糖、尿素、乳酸盐、甘油三酯、总蛋白、胆固醇和乙醇中的至少一种。
根据公开的另一方面，一种用于估计目标生物成分的设备可包括：光谱仪，被配置为：从对象获取光谱；存储器，存储一个或多个指令；和处理器，被配置为：执行所述一个或多个指令以：将光谱输入到目标成分估计模型，其中，目标成分估计模型使用从训练光谱提取的数量的主成分被训练并满足残差的预设随机性标准；并且获得目标生物成分的估计值作为目标生物成分的输出。
根据公开的另一方面，提供一种估计目标成分的方法，所述方法包括：获取训练光谱；从训练光谱提取设置的数量的主成分；基于设置的数量的主成分中的残差的随机性来确定设置的主成分的数量是否合适；和基于将设置的主成分的数量确定为合适，基于设置的数量的主成分生成目标成分估计模型。
确定设置的主成分的数量是否合适的步骤可包括：基于设置的数量的主成分中的残差是否具有预定图案来确定残差的随机性。
基于残差是否具有所述预定图案来确定残差的随机性的步骤可包括：通过从训练光谱减去基于设置的数量的主成分重建的重建光谱来获取残差光谱；和基于残差光谱的波长之间的相关性来确定残差是否具有所述预定图案。
基于残差光谱的波长之间的相关性来确定残差是否具有所述预定图案的步骤可包括：计算残差光谱的波长之间的相关矩阵并将随机性指标分配给相关矩阵。
确定设置的主成分的数量是否合适的步骤可包括：基于随机性指标计算设置的主成分的数量的总指标，并且响应于总指标小于或等于预定值，确定设置的主成分的数量合适。
所述方法还可包括：响应于确定设置的主成分的数量不合适，改变设置的主成分的数量。
附图说明
通过参照附图描述特定示例实施例，上面和/或其他方面将更加明显，其中：
图1是示出根据本公开的示例实施例的用于估计目标成分的设备的框图；
图2是示出训练区间和估计区间的示图；
图3A和3B是示出通过改变主成分的数量而获得的残差光谱的示例的示图；
图4A和4B是示出相关矩阵的示例的示图；
图5A和5B是示出将随机性指标分配给相关矩阵的示例的示图；
图6是示出根据本公开的另一示例实施例的用于估计目标成分的设备的框图；
图7是示出根据本公开的示例实施例的估计目标成分的方法的流程图；
图8是示出根据本公开的示例实施例的可穿戴装置的示图；以及
图9是示出根据本公开的示例实施例的智能装置的示图。
具体实施方式
下面参照附图更详细地描述示例实施例。
在以下描述中，即使在不同的附图中，相同的附图标记也被用于相同的元件。提供在描述中限定的事物(诸如，具体的结构和元件)，以协助全面理解示例实施例。然而，清楚的是，可在没有那些具体地限定的事物的情况下实践示例实施例。此外，因为公知的功能或构造会以不必要的细节而使描述变得模糊，所以没有对公知的功能或构造进行详细描述。
将理解，尽管术语第一、第二等可在这里用于描述各种元件，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元件区分开。除非另有明确说明，否则对单数的任何引用可包括复数。此外，除非明确地相比之下描述，否则诸如“包含”或“包括”的表述将被理解为暗示包括陈述的元件但不排除任何其他元件。此外，诸如“单元”或“模块”等的术语应当被理解为用于执行至少一个功能或操作并且可被体现为硬件、软件或硬件和软件的组合来实现的单元。
诸如“中的至少一个”的表述再出现在一列元素后面时，修饰整列元素，而不是修饰列表的个体元素。例如，表述“a、b和c中的至少一个”应当被理解为仅包括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a、b和c中的全部或包括前述示例的任何变化。
图1是示出根据本公开的示例实施例的用于估计目标成分的设备的框图。
根据本公开的实施例的用于估计目标成分的设备是用于通过分析对象的光谱来估计目标成分的设备，并且可被安装在各种电子装置中。在这种情况下，电子装置的示例可包括蜂窝电话、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、MP3播放器、数字相机、可穿戴装置等，并且可穿戴装置的示例可包括腕表型可穿戴装置、腕带型可穿戴装置、戒指型可穿戴装置、腰带型可穿戴装置、项链型可穿戴装置、踝带型可穿戴装置、大腿带型可穿戴装置、前臂带型可穿戴装置等。然而，电子装置和可穿戴装置不限于上面示例。
参照图1，用于估计目标生物成分的装置100包括光谱仪110和处理器120。
光谱仪110可获取对象的光谱。特别地，对象的光谱可包括反射光谱、单光束光谱、近红外吸收光谱、中红外吸收光谱、可见光吸收光谱等。例如，近红外吸收光谱可包括范围从4000cm-1至5000cm-1的近红外吸收光谱或范围从5500cm-1至6500cm-1的近红外吸收光谱，但不限于此。
光谱仪110可获取在对象的目标成分浓度基本恒定(例如，在图2中，目标成分浓度基本在浓度C0附近)的区间(以下称为“训练区间”)期间测量的多个体内光谱(以下称为“训练光谱”)。特别地，训练区间可指空腹时段。
此外，光谱仪110可获取在对象的目标成分浓度变化的区间(以下称为“估计区间”)期间(例如，当用户食用食物时)测量的体内光谱(以下称为“估计光谱”)。
目标成分的示例可包括葡萄糖、尿素、乳酸盐、甘油三酯、总蛋白、胆固醇、胶原蛋白、弹性蛋白、角蛋白、乙醇等。然而，目标成分不限于此，并且可包括由C-H、N-H、O-H等的分子键形成的各种物质。
例如，光谱仪110可通过朝向对象发射光并接收从对象反射或散射的光来获取光谱。特别地，光谱仪110可使用红外光谱、拉曼光谱等，但不限于此，并且可通过使用各种光谱技术来测量光谱。
光谱仪110可包括用于朝向对象发射光的光源，以及用于通过接收从对象反射或散射的光来测量光谱的光电检测器。
这里，光源可被配置为朝向对象发射可见光、近红外线(NIR)、中红外线(MIR)等。然而，由光源发射的光的波长可根据测量目的或分析物的类型而变化。此外，光源不一定是单个发光体，而是可由多个发光体的阵列形成。光源可包括发光二极管(LED)、激光二极管、磷光体等。
光电检测器可包括通过分离从对象反射或散射的光来获取光谱的光谱仪。可选地，光电检测器可包括光电二极管、光电晶体管、互补金属氧化物半导体(CMOS)图像传感器、电荷耦合器件(CCD)图像传感器等。光电检测器不一定是单个器件，并且可由多个器件的阵列形成。可存在各种数量和布置的光源和光电检测器，并且其数量和布置可根据分析物的类型和用途、其中安装有用于估计目标成分的设备100的电子装置的尺寸和形状等而变化。
在另一示例中，光谱仪110可从用于测量或存储体内光谱的外部装置接收体内光谱。这里，外部装置可包括各种便携式装置(诸如，智能电话、平板PC、智能戒指、智能耳机、智能项链、智能手表、智能腕带等)或专门医疗机构的服务器。光谱仪110可通过使用各种通信技术(诸如，蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WIFI通信、射频识别(RFID)通信、3G、4G和5G通信等)与外部装置通信。
处理器120可控制光谱仪110生成目标成分估计模型并估计目标成分，并且可从光谱仪110接收光谱。
在从光谱仪110接收到包括多个体内光谱的训练光谱时，处理器120可通过使用训练光谱来生成目标成分估计模型。此外，在接收到包括一个或多个体内光谱的估计光谱时，处理器120可通过使用目标成分估计模型基于估计光谱估计目标成分，这将在下面参照图2详细描述。图2是示出训练区间和估计区间的示图。
参照图2，处理器120可通过经由使用在“训练区间”期间测量的体内光谱学习与目标成分浓度的变化无关的光谱变化因子，来生成目标成分估计模型。此外，处理器120可通过使用在训练区间之后的“估计区间”中测量的体内光谱，并且通过使用目标成分估计模型来估计目标成分。
也就是说，处理器120可通过基于在训练区间期间测量的体内光谱生成目标成分估计模型，然后将生成的目标成分估计模型应用于估计区间，来估计目标成分。特别地，当由于对象的温度变化、对象和设备之间的压力变化等而在估计区间的点处改变与目标成分(例如，血糖浓度)的变化无关的光谱变化因子中的至少一个时，残差从该点开始增加，从而增加目标成分(例如，血糖)的估计中的误差。
处理器120可从训练光谱提取构成对象的主成分，并且可基于提取的主成分生成目标成分估计模型。
特别地，处理器120可通过使用主成分分析来提取主成分。然而，处理器120不限于此，并且可通过使用独立成分分析(ICA)、非负矩阵分解(NMF)、奇异值分解(SVD)等来提取主成分。
处理器120可设置任意数量的主成分，并且可基于设置的数量的主成分中的残差的随机性来确定设置的主成分的数量是否合适。
特别地，残差可以是基于设置的数量的主成分重建的光谱与由光谱仪110获取的训练光谱之间的差。也就是说，残差可以是通过将基于设置的数量的主成分重建的光谱与实际测量的体内光谱进行比较而测量的误差。
参照下面的等式1，获取的训练光谱A由待估计的目标成分信号S、物理噪声信号Np、被执行主成分分析的统计噪声信号Ns和残差E组成。
[等式1]
A＝S+Np+Ns+E
可存在至少两个或更多个获取的训练光谱A。待估计的目标成分信号S可指例如血糖信号等。物理噪声信号Np可以是与偏移、斜率、环境噪声(例如，温度和湿度)相关的噪声信号，并且可在生成目标成分估计模型之前预先被计算。可通过主成分分析等提取统计噪声信号Ns。如上所述，残差E可指在生成目标成分估计模型时未考虑的误差值。
特别地，处理器120可通过从获取的训练光谱A减去待估计的目标成分信号S、物理噪声信号Np和统计噪声信号Ns来获得残差E。
处理器120可基于残差是否具有预定模式(pattern)来确定根据设置的数量的主成分的残差的随机性。在这种情况下，预定模式可指各个训练光谱的残差值之间的相似性或差异、残差值的变化的方面等。
特别地，如果残差具有预定模式，则处理器120可确定残差不具有随机性，并且可确定设置的主成分的数量不合适。相比之下，如果残差中没有预定模式，则处理器120可确定残差具有随机性，并且可确定设置的主成分的数量合适。
如果通过从训练光谱提取足够的噪声来执行建模以生成目标成分估计模型，则实际目标成分值与估计的目标成分值之间的误差(残差)示出随机模式；相比之下，如果在没有提取足够的噪声的情况下执行建模，则实际目标成分值与估计的目标成分值之间的误差(残差)示出特定模式。也就是说，示出规则模式的误差(残差)提供数据未正确拟合的间接证据。因此，通过基于残差的随机性确定设置的主成分的数量的适当性，可以以改进的准确度生成目标成分估计模型。
处理器120可获取各个训练光谱的残差光谱，并且可基于获取的各个残差光谱来确定残差中是否存在模式。
下面将参照下面等式2和3详细描述获取各个残差光谱的处理。
使用由上面等式1获取的训练光谱A的线性回归量化的浓度可由下面等式2表示。
[等式2]
Ai表示第i个获取的训练光谱；Ei表示第i个获取的训练光谱的残差光谱；nsign表示待估计的目标成分的数量；npsysis表示物理噪声的数量；nstat表示设置的主成分的数量；εk表示第k个目标成分的纯单位光谱；Li表示第i个训练光谱的光路长度；ΔCk表示待估计的第k个目标成分的变化；Nd表示第d个物理噪声信号；qd表示第d个物理噪声信号的系数；VU表示第U个主成分；并且pU表示第U个主成分的系数。
特别地，处理器120可通过使用等式2来获取根据设置的数量nstat的主成分重建的光谱
在目标成分是血糖的情况下，在空腹时段期间获取各个训练光谱Ai，使得ΔCk的值可被忽略；并且如上所述，可在生成目标成分估计模型之前预先计算/>
可基于残差光谱Ei来布置等式2的项以提供下面等式3。
[等式3]
也就是说，处理器120可通过从获取的各个训练光谱Ai减去根据设置的数量nstat的主成分重建的光谱
来获取每个残差光谱Ei。
如下面等式4中示出，基于获取的各个残差光谱Ei，处理器120可计算m×n残差矩阵Xresidual。
[等式4]
Xresidual＝[eij]m×n
在这种情况下，eij表示例如在第i个训练光谱的波长j处的残差值；m表示光谱的数量；并且n表示波长的数量。
处理器120可基于各个残差光谱的波长之间的相关性来确定残差是否具有预定模式，这将参照图3A和3B进行详细描述。
图3A和3B是示出通过改变主成分的数量而获得的残差光谱的示例的示图。图3A(1)和图3B(1)是残差光谱的2D视图，并且图3A(2)和图3B(2)是残差光谱的3D视图。
也就是说，在图3A的(2)和图3B的(2)中，各个轴表示残差值、数据编号(随时间的训练光谱索引)和波长(nm)，并且图3A的(1)和图3B的(1)示出多个训练光谱的一部分(五个光谱)的2D视图。
在图3A的(1)和图3B的(1)中，横轴表示波长，纵轴表示残差值。虽然图3A和图3B表示五个获取的残差光谱，但是数量仅仅是示例性值，并且不限于此。
在图3A的(1)中，通过在五个训练光谱中将主成分的数量设置为1来获取五个残差光谱；并且在图3B的(1)中，通过在五个训练光谱中将主成分的数量设置为15来获取五个残差光谱。
参照图3A的(1)，可看出当主成分的数量被设置为1时，各个残差光谱中的残差值之间的差随着波长变化而增大(例如，波长为2275nm的点)或减小(例如，波长为2185nm的点)。相比之下，参照图3B的(1)，可看出各个残差光谱中的残差值随着波长变化而非常不规则地变化，并且在残差值中没有模式。
在主成分的数量被设置为1的情况下(图3A)，处理器120可确定残差具有预定模式；并且在主成分的数量被设置为15的情况下(图3B)，处理器120可确定残差不具有预定模式。
返回参照图1，处理器120可计算各个残差光谱的波长之间的相关矩阵，并且可基于计算的相关矩阵来确定残差是否具有模式。
例如，如下面等式5中示出，基于如等式4中示出的计算的残差矩阵，处理器120可计算n×n相关矩阵。
[等式5]
Xcorr＝[rij]n×n
这里，n表示波长的数量；Ei和Ej分别表示第i波长和第j波长的随时间的残差值；σEi和σEj表示Ei和Ej的标准偏差；并且cov(Ei，Ej)表示Ei和Ej的协方差。各个相关值rij可在-1至1的范围内。在这种情况下，指示相同波长处的残差值的相关性的r11、r22和r33具有值1。
图4A和4B是示出相关矩阵的示例的示图。
图4A(1)和图4B(1)是相关矩阵的2D视图，并且图4A(2)和图4B(2)是相关矩阵的3D视图。在图4A的(2)和图4B的(2)中，各个轴表示波长(nm)和相关值；并且在图4A的(1)和图4B的(1)中，相关值以阴影而不是以2D被显示。
参照图4A的(1)和图4B的(1)，示出2100nm至2300nm的预定波长范围内的各个残差光谱的波长之间的相关矩阵。在图4A的(1)和图4B的(1)中，相关矩阵的值根据范围从-1至1的各个相关值被而以不同的阴影被示出。随着相关性增加，即更接近1，相关矩阵的值以白色被示出，并且随着相关性减小，即更接近-1，值以黑色被示出。
图4A(1)示出当主成分的数量被设置为1时的相关矩阵，并且图4B(1)示出当主成分的数量被设置为15时的相关矩阵。如上所述，在图4A(1)和图4B(1)的两种情况下，相同波长处的残差值的相关性401被示出为1，即，以白色被示出。
如在图3A(1)和图3B(1)的情况下，可看出在主成分的数量被设置为1的情况下(图4A(1))，当与图4B(1)的情况相比较时，存在更多以白色示出的数据(即，具有接近1的相关值的数据)。此外，在图4A(1)的相关矩阵中，根据波长的变化，非常高的相关值和非常低的相关值被特定的相关值(例如，402)分开。这指示根据波长的各个残差值之间存在非常高的相关性，因此残差具有预定模式。
特别地，当主成分的数量被设置为1时(图4A)，处理器120还可确定残差具有预定模式，并且即使当主成分的数量被设置为15时(图4B)，处理器120也可确定残差不具有预定模式。
返回参照图1，处理器120可将随机性指标(randomness index)分配给计算的相关矩阵。
例如，如果等式5中的各个相关值rij或图4A和图4B中的各个相关值大于或等于预定值，则处理器120可分配指标1，并且如果值小于预定值，则处理器120可分配指标0。在这种情况下，预定值可以是0.7，但不限于此，并且可被改变为其他值。
在图5A和5B中示出将随机性指标分配给计算的相关矩阵的结果。
图5A和5B是示出将随机性指标分配给相关矩阵的示例的示图。
图5A示出当主成分的数量被设置为1时分配指标的结果，并且图5B示出当主成分的数量被设置为15时分配指标的结果。参照图5A和图5B，在随机性指标为1的情况下，相关矩阵以白色被示出，并且在随机性指标为0的情况下，相关矩阵以黑色被示出。
在主成分的数量被设置为1的情况下(图5A)，存在比主成分的数量被设置为15的情况(图5B)更多的具有随机性指标1的值(以白色被示出)。
也就是说，在主成分的数量被设置为1的情况下(图5A)，存在比主成分的数量被设置为15的情况(图5B)更多的大于或等于预定值(例如，0.7)的相关值。因此，当主成分的数量被设置为1时(图5A)，处理器120可确定残差具有预定模式；并且当主成分的数量被设置为15时(图5B)，处理器120可确定残差不具有预定模式。
返回参照图1，如下面等式6中示出，处理器120可将随机性指标分配给计算的相关矩阵，并且可计算n×n的指标矩阵Xindex。在这种情况下，cij表示分配给每个相关矩阵值的指标。
[等式6]
Xindex＝[cij]n×n
基于分配给相关矩阵的随机性指标，处理器120可计算设置的主成分的数量的总指标。下面等式7是计算设置的主成分的数量的总指标idxtotal的示例，但是计算不限于此。在下面的等式7中，cij表示如上所述将指标分配给每个相关矩阵值的结果，并且n表示波长的数量。
[等式7]
如果计算的设置的主成分的数量的总指标小于或等于预定值，则处理器120可确定残差不具有模式，并且可确定设置的主成分的数量合适。相比之下，如果计算的总指标超过预定值，则处理器120可确定残差中存在模式，并且可确定设置的主成分的数量不合适。
在确定设置的主成分的数量不合适时，处理器120可重置主成分的数量以提取主成分。
与到目前为止描述的图1中的示例不同，代替确定任何设置的主成分的数量(例如，3)的适当性，处理器120可通过改变主成分的数量(例如，主成分的数量为1、10和15)来多次提取主成分，并且可确定数量之中的主成分的最佳数量。
例如，在主成分在数量上是1、10和15的情况下，处理器120可通过对各个数量重复上面处理来确定主成分的最佳数量。例如，通过确定在针对各个数量获得的残差中是否存在模式，处理器120可将残差具有最小模式的数量确定为主成分的最佳数量。特别地，处理器120可针对每个数量的主成分获取多个残差光谱，可计算相关矩阵并向其分配随机性指标，可如等式7中示出计算总指标，并且可将计算的总指标最小化的主成分的数量(例如，15)确定为主成分的最佳数量。特别地，在计算的总指标小于或等于预定值的主成分的数量中，处理器120可将总指标最小化的主成分的数量确定为主成分的最佳数量。
在确定任何设置的主成分的数量合适或者在主成分的多个数量中确定主成分的最佳数量时，处理器120可通过使用线性回归(诸如，净分析物信号(NAS)计算、经典最小二乘(CLS)等)、机器学习、比尔-朗伯特定律(Beer-Lambert law)等，基于最佳数量的主成分生成目标成分估计模型。下面等式8是生成的目标成分估计模型的示例，但是模型不限于此。
[等式8]
ΔCk＝[(MT×M)-1×MT]×S
在此，M表示目标成分估计模型；[(MT×M)-1×MT]表示伪逆向量；S表示为估计目标成分而获得的光谱；以及ΔCk表示与训练区间相比较的目标成分的变化。
然后，一旦如上所述在估计区间期间获取估计光谱(例如，等式8中的S)，处理器120就可通过将获取的估计光谱应用于目标成分估计模型(例如，等式8中的M)来估计目标成分。
图6是示出根据本公开的另一示例实施例的用于估计目标成分的设备600的框图。
参照图6，用于估计目标成分的设备600可包括光谱仪110、处理器120、存储设备610、输出接口620和通信接口630，其中，上面详细描述光谱仪110和处理器120，使得其详细描述将被省略。
存储设备610可存储用于估计目标成分的设备600的操作的程序或命令，并且可存储输入到用于估计目标成分的数据设备600和与估计目标成分相关的数据(例如，体内光谱、目标成分估计模型、估计的目标成分值等)。
存储设备610可包括闪存型存储器、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、磁盘和光盘等中的至少一个存储介质。此外，用于估计目标成分的设备600可操作外部存储介质(诸如，在互联网上执行存储设备610的存储功能的网页存储设备等)。
输出接口620可输出由光谱仪110和/或处理器120等生成和处理的数据。例如，输出接口620可输出由光谱仪110获取的光谱和/或由处理器120获得的估计的目标成分值、基于目标成分值是否正常的警告信息等。输出接口620可通过使用声学方法、视觉方法和触觉方法中的至少一个来输出目标成分估计结果等。为此，输出接口620可包括显示器、扬声器和触觉模块(诸如，振动器)等。
通信接口630可与外部装置通信。例如，通信接口630可将输入到用于估计目标成分的设备600的数据、存储在用于估计目标成分的设备600中并由用于估计目标成分的设备600处理的数据等发送到外部装置；或者可从外部装置接收与生成/更新目标成分估计模型和估计目标成分相关的各种数据。
外部装置可以是使用输入到用于估计目标成分的设备600的数据、存储在用于估计目标成分的设备600中并由用于估计目标成分的设备600处理的数据等的医疗设备、用于打印输出结果的打印机或用于显示结果的显示器。此外，外部装置可以是数字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、MP3播放器、数字相机、可穿戴装置等，但不限于此。
通信接口630可通过使用蓝牙通信、蓝牙低功耗(BLE)通信、近场通信(NFC)、WLAN通信、Zigbee通信、红外数据协会(IrDA)通信、Wi-Fi直连(WFD)通信、超宽带(UWB)通信、Ant+通信、WIFI通信、射频识别(RFID)通信、3G、4G和5G通信等与外部装置通信。然而，这仅仅是示例性的，而不意图是限制性的。
图7是示出根据本公开的示例实施例的估计目标成分的方法的流程图。图7中的估计目标成分的方法可由根据图1和图6的实施例的用于估计目标成分的设备100和设备600执行。
参照图7，用于估计目标成分的设备可首先在操作710中获取多个训练光谱。特别地，用于估计目标成分的设备可获取在训练区间期间(包括空腹时段)测量的多个体内光谱，对象的目标成分浓度在训练区间中基本恒定。其详细描述将被省略。
然后，在操作720中，用于估计目标成分的设备可基于获取的训练光谱来设置主成分的任意数量。
随后，在操作730，用于估计目标成分的设备可根据设置的主成分的数量来提取主成分。特别地，用于估计目标成分的设备可通过使用主成分分析(PCA)、独立成分分析(ICA)、非负矩阵分解(NMF)、奇异值分解(SVD)等来提取主成分。
接下来，在操作740中，用于估计目标成分的设备可确定设置的数量的主成分中的残差的随机性。
特别地，基于残差是否具有预定模式，用于估计目标成分的设备可根据设置的数量的主成分来确定残差的随机性。具体地，如果残差具有预定模式，则用于估计目标成分的设备可确定残差不具有随机性；并且如果残差不具有预定模式，则用于估计目标成分的设备可确定残差具有随机性。
特别地，在获取多个训练光谱的各个残差光谱时，用于估计目标成分的设备可基于获取的各个残差光谱来确定残差是否具有模式。例如，用于估计目标成分的设备可计算各个残差光谱的波长之间的相关矩阵，并且可基于计算的相关矩阵来确定残差是否具有模式。特别地，用于估计目标成分的设备可将随机性指标分配给计算的相关矩阵，并且可从设置的数量的主成分计算总指标。在一个实施例中，目标成分估计模型可使用从训练光谱提取的设置的数量的主成分被训练并可满足残差的预设随机性标准。其详细描述将被省略。
然后，在操作750中，用于估计目标成分的设备可确定主成分的数量是否合适。
特别地，基于在操作740中确定的随机性，用于估计目标成分的设备可确定主成分的数量是否合适。例如，如果计算的针对设置的主成分的数量的总指标小于或等于预定值，则用于估计目标成分的设备可确定设置的主成分的数量合适；相比之下，如果设置的计算的用于主成分的数量的总指标超过预定值，则用于估计目标成分的设备可确定设置的主成分的数量不合适。其详细描述将被省略。
在确定主成分的数量不合适时，在操作760中，用于估计目标成分的设备可重置主成分的数量。然后，用于估计目标成分的设备可根据重置的主成分的数量来执行操作730、740和750。
在确定主成分的数量合适时，在操作770中，用于估计目标成分的设备可基于设置的主成分的数量来生成目标成分估计模型。特别地，用于估计目标成分的设备可基于线性回归(诸如，净分析物信号(NAS)、经典最小二乘(CLS)等)、机器学习、比尔-朗伯特定律等来生成目标成分估计模型。
图8是示出根据本公开的示例实施例的可穿戴装置的示图。前述用于估计目标成分的设备100和600的各种示例可被安装在如这里示出的智能手表可穿戴装置中，但不限于此，并且可被安装在便携式装置(诸如，智能电话)中。
参照图8，可穿戴装置800可包括主体810和带820。
带820可被连接到主体810的两端，使得主体810可被佩戴在用户的手腕上。带820可以是柔性的，以便缠绕在用户的手腕周围。带820可由彼此分离的第一带和第二带组成。第一带的一端和第二带的一端被连接到主体810的两侧，并且第一条带的另一端和第二条带的另一端可经由连接装置彼此连接。特别地，连接装置可被形成为磁性连接、尼龙搭扣连接、销连接等，但不限于此。此外，带820不限于此，并且可被一体地形成为不可拆卸的条带。
主体810可包括用于可穿戴装置800的各种功能的各种模块。电池可被嵌入在主体810或带820中以向各种模块供应电力。
用于从用户获取光谱的光谱仪830可被安装在主体820中。光谱仪830可包括如上所述的光源和光电检测器，但不限于此。
处理器可被安装在主体810中，并且可被电连接到可穿戴装置800的各种组件。处理器可确定基于由光谱仪获取的训练光谱设置的主成分的数量是否合适，并且在确定主成分的数量合适时，处理器可基于NAS生成用于估计目标成分的估计模型。
此外，存储设备可被包括在主体810中，并且可存储与可穿戴装置800的目标成分估计功能相关的数据和/或与其他功能相关的数据。
此外，用于接收用户的控制命令并将控制命令发送到处理器的操纵器840可被安装在主体810的一侧上。操纵器840可具有电源按钮以输入用于打开/关闭可穿戴装置800的命令。
用于向用户输出信息的显示器可被设置在主体810的前表面上。显示器可包括用于接收触摸输入的触摸屏。显示器可接收用户的触摸输入并将触摸输入发送到处理器，并且可显示处理器的处理结果。
此外，用于与外部装置通信的通信接口可被安装在主体810中。通信接口可将目标成分估计结果发送到外部装置(例如，用户的智能电话)，并且可从外部装置接收与估计目标成分相关的数据。
图9是示出根据本公开的示例实施例的智能装置的示图。智能装置900可包括前述用于估计目标成分的设备100和600的各种示例。智能装置可包括智能电话和平板PC。
参照图9，智能装置900可包括主体910和安装在主体910的一个表面上的光谱仪930。如上所述，光谱仪930可从对象获取多个训练光谱，并且可包括例如光源931和光电检测器932，但不限于此。
处理器可被安装在主体910中，并且可确定基于由光谱仪930获取的训练光谱设置的主成分的数量是否合适，并且在确定主成分的数量合适时，处理器可通过使用设置的主成分的数量来基于NAS生成用于估计目标成分的估计模型。其详细描述将被省略。
如图9中示出，图像传感器920可被安装在主体910中。当用户的对象(例如，手指)接近光谱仪930时，图像传感器920可捕获手指的图像并且可将捕获的图像发送到处理器。特别地，基于手指的图像，处理器可识别手指相对于光谱仪930的实际位置的相对位置，并且可通过输出接口向用户提供指示关于手指的相对位置等的信息的图形对象，或者可通过识别指纹来识别对象。
此外，存储设备、通信接口等可被安装在主体910中以存储由处理器生成的目标成分估计模型或者将生成的估计模型发送到外部装置。此外，用于执行各种功能的各种其他模块可被安装在主体910中。
本公开可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装置。
计算机可读记录介质的示例包括ROM、RAM、CD-ROM、磁带、软盘、光学数据存储设备和载波(例如，通过互联网的数据传输)。计算机可读记录介质可被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被写入其中并以去中心的方式从其执行。本发明所属领域的普通技术的编程员可容易地推导出用于实现本发明所需的功能程序、代码和代码段。
前述的示例性实施例仅是示例性，而且不应被解释为限制。本教导可容易地应用于其它类型的设备。此外，示例性实施例的描述意图在于说明，而不是限制权利要求书的范围，而且对本领域的普通技术人来说，很多替换、修改和变形是清楚的。
Claims (10)
1.一种用于估计目标成分的设备，所述设备包括：
光谱仪，被配置为：获取训练光谱；和
处理器，被配置为：
从训练光谱提取设置的数量的主成分，
基于设置的数量的主成分中的残差的随机性来确定设置的主成分的数量是否合适，并且
基于将设置的主成分的数量确定为合适，基于设置的数量的主成分生成目标成分估计模型。
2.根据权利要求1所述的设备，其中，处理器还被配置为：基于对设置的数量的主成分中的残差是否具有预定图案的确定来确定残差的随机性。
3.根据权利要求2所述的设备，其中：
响应于确定设置的数量的主成分中的残差具有所述预定图案，处理器还被配置为：确定残差不具有随机性并且确定设置的主成分的数量不合适；并且
响应于确定设置的数量的主成分中的残差不具有所述预定图案，处理器还被配置为：确定残差具有随机性并且确定设置的主成分的数量合适。
4.根据权利要求2所述的设备，其中，处理器还被配置为：通过从训练光谱减去基于设置的数量的主成分重建的重建光谱来获取残差光谱，并且基于残差光谱的波长之间的相关性来确定残差是否具有所述预定图案。
5.根据权利要求4所述的设备，其中，处理器还被配置为：
计算残差光谱的波长之间的相关矩阵；
将随机性指标分配给相关矩阵；
基于随机性指标来计算设置的主成分的数量的总指标；并且
响应于总指标小于或等于预定值，确定设置的主成分的数量合适。
6.根据权利要求1至5中的任一项所述的设备，其中，基于确定设置的主成分的数量不合适，处理器还被配置为：改变设置的主成分的数量。
7.根据权利要求1至5中的任一项所述的设备，其中，通过使用确定的最佳数量的主成分，处理器还被配置为：基于线性回归、机器学习和比尔-朗伯特定律中的至少一个来生成目标成分估计模型，其中，线性回归包括净分析物信号计算和经典最小二乘中的至少一个。
8.根据权利要求1至5中的任一项所述的设备，其中，光谱仪还被配置为：在训练区间期间获取训练光谱，训练区间包括用户的空腹时段。
9.根据权利要求1至5中的任一项所述的设备，其中，光谱仪还被配置为：获取估计光谱，并且处理器还被配置为：通过使用目标成分估计模型和估计光谱来估计目标成分，并且
其中，目标成分包括葡萄糖、尿素、乳酸盐、甘油三酯、总蛋白、胆固醇和乙醇中的至少一种。
10.一种估计目标成分的方法，所述方法包括：
获取训练光谱；
从训练光谱提取设置的数量的主成分；
基于设置的数量的主成分中的残差的随机性来确定设置的主成分的数量是否合适；和
基于将设置的主成分的数量确定为合适，基于设置的数量的主成分生成目标成分估计模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0189776 | 2021-12-28 | ||
| KR1020210189776A KR20230100140A (ko) | 2021-12-28 | 2021-12-28 | 대상 성분 추정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116413222A true CN116413222A (zh) | 2023-07-11 |
Family
ID=81851341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210547782.5A Pending CN116413222A (zh) | 2021-12-28 | 2022-05-18 | 用于估计目标成分的设备和方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230200744A1 (zh) |
| EP (1) | EP4205638A1 (zh) |
| KR (1) | KR20230100140A (zh) |
| CN (1) | CN116413222A (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490002B (zh) * | 2023-12-28 | 2024-03-08 | 成都同飞科技有限责任公司 | 基于流量监测数据的供水管网流量预测方法及系统 |
-
2021
- 2021-12-28 KR KR1020210189776A patent/KR20230100140A/ko unknown
-
2022
- 2022-04-18 US US17/723,085 patent/US20230200744A1/en active Pending
- 2022-05-18 CN CN202210547782.5A patent/CN116413222A/zh active Pending
- 2022-05-27 EP EP22175825.3A patent/EP4205638A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230200744A1 (en) | 2023-06-29 |
| EP4205638A1 (en) | 2023-07-05 |
| KR20230100140A (ko) | 2023-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11617523B2 (en) | 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 | |
| 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 | |
| US11596331B2 (en) | Apparatus and method for estimating analyte concentration | |
| CN111351761A (zh) | 抗氧化剂传感器和获得抗氧化剂信号的方法 | |
| EP4205638A1 (en) | Apparatus and method for estimating target component | |
| US11911157B2 (en) | Apparatus and method for estimating target component | |
| US20220104776A1 (en) | Apparatus and method for estimating bio-information, and method of optimizing bio-information estimation model based on temperature variation characteristic | |
| KR20210050967A (ko) | 분석 물질의 농도 추정 장치 및 방법과, 캘리브레이션 방법 | |
| EP3792675B1 (en) | Lens, light source device with lens, and apparatus for estimating concentration of analyte | |
| US20220061704A1 (en) | Apparatus and method for estimating target component | |
| KR102671886B1 (ko) | 분석 물질의 농도 추정 장치 및 방법 | |
| US11287374B2 (en) | Apparatus and method for updating bioinformation estimation model | |
| US11495329B2 (en) | Apparatus and method for determining validity of bio-information estimation model | |
| US11872032B2 (en) | Apparatus and method for estimating analyte concentration | |
| US20220233149A1 (en) | Apparatus and method for estimating body component | |
| CN114526830A (zh) | 用于估计体温的设备和方法以及医疗装置 | |
| KR20200045736A (ko) | 분석 물질의 농도 추정 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |