CN116509386A - 一种基于拉曼光谱的无创体内血糖检测系统及方法 - Google Patents
一种基于拉曼光谱的无创体内血糖检测系统及方法 Download PDFInfo
- Publication number
- CN116509386A CN116509386A CN202310543107.XA CN202310543107A CN116509386A CN 116509386 A CN116509386 A CN 116509386A CN 202310543107 A CN202310543107 A CN 202310543107A CN 116509386 A CN116509386 A CN 116509386A
- Authority
- CN
- China
- Prior art keywords
- data
- blood glucose
- spectrum
- raman spectrum
- information
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 126
- 210000004369 blood Anatomy 0.000 title claims abstract description 126
- 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 title claims abstract description 100
- 239000008103 glucose Substances 0.000 title claims abstract description 100
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001727 in vivo Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 239000013307 optical fiber Substances 0.000 claims description 54
- 238000007781 pre-processing Methods 0.000 claims description 29
- 230000004075 alteration Effects 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 201000009310 astigmatism Diseases 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000004065 semiconductor Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000001069 Raman spectroscopy Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 241000282414 Homo sapiens Species 0.000 abstract description 11
- 238000010171 animal model Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 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 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 7
- 238000010241 blood sampling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 241000700159 Rattus Species 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 102000004877 Insulin Human genes 0.000 description 4
- 108090001061 Insulin Proteins 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 229940125396 insulin Drugs 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- SVRXCFMQPQNIGW-UHFFFAOYSA-N [2-(dimethylcarbamothioylsulfanylamino)ethylamino] n,n-dimethylcarbamodithioate Chemical compound CN(C)C(=S)SNCCNSC(=S)N(C)C SVRXCFMQPQNIGW-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 102100021599 GTPase Era, mitochondrial Human genes 0.000 description 1
- 101710086313 GTPase Era, mitochondrial Proteins 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000011542 limb amputation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011552 rat model Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请公开了一种基于拉曼光谱的无创体内血糖检测系统及方法,其中系统包括:数据采集模块、数据校正模块、数据处理模块、模型构建模块和血糖检测模块;数据采集模块用于采集样品的拉曼光谱数据;数据校正模块用于校正拉曼光谱数据,得到校正后光谱数据;数据处理模块用于对校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于预处理后光谱数据计算体内血糖信息;模型构建模块用于基于预处理后光谱数据和体内血糖信息构建分析模型,得到血糖分析模型;血糖检测模块用于基于血糖分析模型预测体内血糖含量。本申请具有精度高、无创、非侵入、无标记、光谱检测效率高等优点,可实现对动物模型和人体血糖的无创、实时检测。
Description
技术领域
本申请属于生物医学检测技术领域,具体涉及一种基于拉曼光谱的无创体内血糖检测系统及方法。
背景技术
血液中的葡萄糖称为血糖。葡萄糖是人体的重要组成成分和能量的重要来源。正常人体血糖需要保持在一定水平才能维持体内各器官和组织运作。当人体胰腺无法正常产生胰岛素(胰岛素缺乏)或身体不能正常利用胰岛素(胰岛素抵抗),导致血糖高于正常值时就会出现糖尿病症状。高血糖和血糖升高时糖尿病失控的后果常见,随着患病时间延长会对人体多组织系统产生严重损害,造成失明、肾衰竭、心脏病、中风和下肢截肢等严重后果。目前临床尚无能够治愈糖尿病的药物或方法,患者主要通过对血糖含量的频繁监测和注射胰岛素或口服药物治疗。
传统血糖监测方法通常采用静脉采血或手指采血的方式,实现即时血糖检测,但是,这些方法并不能实现连续监测,且频繁采血会给病人带来痛苦以及被感染的危险。此外,不同厂家、不同型号的便携式血糖仪及试纸无法通用,且其较低的准确度会导致检测结果误判,仅能用于监测患者对于血糖的控制效果,无法用于糖尿病的诊断筛查,更无法作为药物使用的临床依据。与传统血糖监测方法相比,无创血糖检测技术对人体不会造成痛苦和创伤,不具有潜在的感染风险,不需要试纸等耗材,且可长期用于体内血糖值的动态连续监测,有利于糖尿病的有效控制。因此,迫切需要一种无创体内血糖检测装置来实现血糖含量的无创、快速、高准确度检测。
发明内容
本申请旨在解决现有技术的不足,提出一种基于拉曼光谱的无创体内血糖检测系统及方法,可实现体内血糖的无创、实时、快速的高准确率、无需采血、无需额外耗材的基于拉曼光谱分析技术的无创体内血糖检测。
为实现上述目的,本申请提供了如下方案:
一种基于拉曼光谱的无创体内血糖检测系统,包括:数据采集模块、数据校正模块、数据处理模块、模型构建模块和血糖检测模块;
所述数据采集模块用于采集样品的拉曼光谱数据;
所述数据校正模块用于校正所述拉曼光谱数据,得到校正后光谱数据;
所述数据处理模块用于对所述校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于所述预处理后光谱数据计算体内血糖信息;
所述模型构建模块用于基于所述预处理后光谱数据和所述体内血糖信息构建分析模型,得到血糖分析模型;
所述血糖检测模块用于基于所述血糖分析模型预测体内血糖含量。
优选的,所述数据采集模块包括:半导体激光器、光纤准直镜、带通滤光片、二向色镜、平凸透镜、长通滤光片、光纤束、光谱仪、CCD探测器和计算机;
所述半导体激光器用于提供激光光源;
所述光纤准直镜用于准直所述激光光源,得到准直后光源;
所述带通滤光片用于过滤所述准直后光源的系统杂散光和边带光谱,得到选择性透过波长激光;
所述二向色镜用于将所述选择性透过波长激光反射至所述平凸透镜;
所述平凸透镜用将所述选择性透过波长激光聚焦于所述样品表面,使样品激发出样品拉曼光谱信息,所述样品拉曼光谱信息通过所述二向色镜发射至所述长通滤光片;
所述长通滤光片用于滤除所述样品拉曼光谱信息中的瑞利散色光,得到滤除后拉曼光谱信息;
所述平凸透镜还用于将所述滤除后拉曼光谱信息聚焦至所述光纤束中;
所述光纤束用于将所述滤除后拉曼光谱信息传输至所述光谱仪中;
所述光谱仪用于对所述滤除后拉曼光谱信息进行分光,得到分光后光谱信息;
所述CCD探测器用于记录所述分光后光谱信息;
所述计算机用于对所述分光后光谱信息进行分析,得到所述拉曼光谱数据。
优选的,所述光纤束的光谱采集端,光纤为圆形分布;
所述光纤束的光谱仪连接端,光纤为线性排布;
所述线性排布的宽度与所述光谱仪的入射狭缝宽度相等,所述线性排布的长度与所述CCD探测器的成像芯片宽度相等。
优选的,所述数据校正模块包括:光纤束散光效应识别装置、像素位移校准装置和像差校正装置;
所述光纤束散光效应识别装置用于识别所述光谱仪自身产生的光纤束在所述CCD探测器的像面上出现的像差;
所述像素位移校准装置用于计算由所述像差导致的所述像面所获光学信号在所述像面水平方向上产生的偏移量;
所述像差校正装置用于基于所述偏移量校正由散光现象引起的光纤束像差。
优选的,所述数据处理模块包括:第一预处理单元、第二预处理单元、第三预处理单元和线性回归分析单元;
所述第一预处理单元用于利用中值滤波法消除所述拉曼光谱数据中的噪点,得到第一预处理数据;
所述第二预处理单元用于利用扩展乘法信号矫正方法去除所述第一预处理数据中的荧光背景信息,完成所述拉曼光谱数据的基线校准,得到第二预处理数据;
所述第三预处理单元用于对所述第二预处理数据进行平滑和噪声处理,得到所述预处理后光谱数据;
所述线性回归分析单元用于对所述预处理后光谱数据进行线性回归分析,得到所述体内血糖信息。
优选的,所述线性回归分析的过程包括:
计算所述预处理后光谱数据的预设波数范围的光谱曲线下面积,基于所述光谱曲线下面积对所述预处理后光谱数据进行归一化处理,得到归一化后光谱结果;
计算所述归一化后光谱结果的预设峰强度和其他拉曼光谱峰强度的比值,将所述比值输入至线性回归模型,得到所述体内血糖信息。
优选的,所述模型构建模块包括:数据降维单元和神经网络单元;
所述数据降维单元用于对所述预处理后光谱数据进行降维,得到降维后数据;
所述神经网络单元用于基于所述降维后数据和所述体内血糖信息构建所述血糖分析模型。
本申请还提供了一种基于拉曼光谱的无创体内血糖检测方法,包括以下步骤:
采集样品的拉曼光谱数据;
校正所述拉曼光谱数据,得到校正后光谱数据;
对所述校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于所述预处理后光谱数据计算体内血糖信息;
基于所述预处理后光谱数据和所述体内血糖信息构建分析模型,得到血糖分析模型;
基于所述血糖分析模型预测体内血糖含量。
与现有技术相比,本申请的有益效果为:
(1)本申请利用反射-透射式光路结构,提高了血糖拉曼光谱检测装置的简易性、集成性和稳定性,使用多芯光纤束结构能够显著提升光谱检测效率,采用光谱像差校正算法提高了光谱检测信噪比,结合光谱预处理与回归算法等模型,利用无创经皮检测所获拉曼光谱信息预测体内血糖含量,从而,可实现低浓度葡萄糖溶液的葡萄糖含量检测,以及动物模型与人体体内血糖的无创检测;
(2)本申请的光谱数据预处理方法,能够在保留主要血糖拉曼光谱特征物理参量信息的基础上,更彻底地消除活体拉曼光谱检测过程所伴随地荧光背景信息;
(3)本申请具有精度高、无创、非侵入、无标记、光谱检测效率高等优点,可实现对动物模型和人体血糖的无创、实时检测,同时避免了传统血糖检测技术的采血疼痛和感染风险,在生物医学无创检测、临床医学无创血糖监测和光学无创分析领域有着广泛的应用前景。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的系统结构示意图;
图2为本申请实施例的数据采集模块结构示意图;
图3为本申请实施例的像差校正装置的原理图;
图4为本申请实施例的数据处理模块的原理图;
图5为本申请实施例的线性回归单元的原理图;
图6为本申请实施例的基于主成分分析-反向传播神经网络的克拉克误差网格分析分析模型的原理图;
图7为本申请实施例的大鼠尾部血糖检测结果的主成分分析-反向传播神经网络的克拉克误差网格分析模型结果示意图;
图8为本申请实施例的人体血糖检测结果的主成分分析-反向传播神经网络的克拉克误差网格分析模型结果示意图;
图9为本申请实施例的方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例中,如图1所示,一种基于拉曼光谱的无创体内血糖检测系统,包括:数据采集模块、数据校正模块、数据处理模块、模型构建模块和血糖检测模块;
数据采集模块用于采集样品的拉曼光谱数据。
数据采集模块包括:半导体激光器、光纤准直镜、带通滤光片、二向色镜、平凸透镜、长通滤光片、光纤束、光谱仪、CCD探测器和计算机;半导体激光器用于提供激光光源;光纤准直镜用于准直激光光源,得到准直后光源;带通滤光片用于过滤准直后光源的系统杂散光和边带光谱,得到选择性透过波长激光;二向色镜用于将选择性透过波长激光反射至平凸透镜;平凸透镜用将选择性透过波长激光聚焦于样品表面,使样品激发出样品拉曼光谱信息,样品拉曼光谱信息通过二向色镜发射至长通滤光片;长通滤光片用于滤除样品拉曼光谱信息中的瑞利散色光,得到滤除后拉曼光谱信息;平凸透镜还用于将滤除后拉曼光谱信息聚焦至光纤束中;光纤束用于将滤除后拉曼光谱信息传输至光谱仪中;光谱仪用于对滤除后拉曼光谱信息进行分光,得到分光后光谱信息;CCD探测器用于记录分光后光谱信息;计算机用于对分光后光谱信息进行分析,得到拉曼光谱数据。
在本实施例中,如图2所示,半导体激光器为激发光源,发射785nm激光,半导体激光器的光纤输出端与光纤准直镜相连;激发光束经光纤准直镜准直后,通过带通滤光片过滤系统杂散光和边带光谱,获得选择性透过波长(785nm)的激光;二向色镜反射选择性透过波长的激光后,经平凸透镜聚焦于样品表面,实现样品拉曼光谱激发;样品表面所激发的拉曼光谱信息,透射穿过二向色镜后,经长通滤光片过滤样品表面的瑞利散射光,由平凸透镜聚焦后,透射入光纤束的光谱采集端;光谱采集端将采集到的拉曼光谱信息传输至光谱仪进行分光后,由CCD探测器记录,并由计算机进行光谱数据信息分析。
其中,半导体激光器为785nm光纤耦合输出激光器,输出功率为0-500mw可调,线宽为0.1-0.3nm,输出模式为稳态连续输出模式。用于无创血糖检测时,激光输出功率为250mw或350mw,功率密度为8W/cm2至12W/cm2,光谱采集时间为10s至20s。光纤准直器为近红外波段(700-1800nm)优化准直器,其光纤接头为SMA或FC/PC接口,输出准直光斑约为4mm直径。
带通滤波片为785nm带通滤波片,透射波长范围为785±3nm(透射率大于等于95%),在其他波长范围透射率小于等于5%。
二向色镜的截至波长为800nm,对780nm至790nm波长范围内的激光反射率在p和s偏振方向上均大于等于90%,透射率小于等于10%;对805nm至1600nm波长范围内的激光反射率在p和s偏振方向上均小于等于10%,透射率大于等于90%。
长通滤波片为785长通滤波片,透射波长范围为790nm至1800nm(透射率大于等于95%),在其他波长范围透射率小于等于5%。
光纤束为所用光纤由若干个(例如:57个)超低氢氧根(OH-)石英光纤构成,每个光纤在近红外光谱区透过率大于或等于95%;在光纤束的光谱采集端,光纤为一个直径为1.10mm至1.15mm的圆形排布;在光纤束的光谱仪连接端,光纤为一个长度为7.10mm至7.5mm的线性排布,并且这一线性排布的宽度与光谱仪的入射狭缝宽度相吻合。
光谱仪为高通量近红外(750-1100nm)分光装置,采用刻线数为1200g/mm的光栅结构,系统焦距为85mm,光谱分辨率为8cm-1,其狭缝宽度可根据上述光纤束结构进行调节与保持吻合,当激光选择785nm时,该光谱仪可探测126cm-1至3635cm-1范围的拉曼光谱信息。
CCD探测器为深度制冷型CCD探测器,采用半导体制冷模式时,其制冷温度大于等于零下70℃,采用液氮制冷模式时,其制冷温度大于等于零下120℃。其成像面由1340×400个像素构成,每个像素为20μm,信噪比高于8000:1。
进一步的,光纤准直镜通光口、平凸透镜在样品上所形成的焦点、光纤束光谱采集端的光纤圆形排布面,三者呈光学共轭。
数据校正模块用于校正拉曼光谱数据,得到校正后光谱数据。
数据校正模块包括:光纤束散光效应识别装置、像素位移校准装置和像差校正装置;光纤束散光效应识别装置用于识别光谱仪自身产生的光纤束在CCD探测器的像面上出现的像差;像素位移校准装置用于计算由像差导致的像面所获光学信号在像面水平方向上产生的偏移量;像差校正装置用于基于偏移量校正由散光现象引起的光纤束像差。
如图3所示,上述CCD记录的光谱信号受光谱仪色散效应影响,会导致CCD成像面(x×y维度方向)出现像差,采用如下步骤对CCD记录所有光谱信号进行校正,首先,导入整数x维、y维的二维输入数组Sin[x,y]和裁剪边界簇的一维数组x<CCBi,i是裁剪边界的下标,其中,Sin是从Ne/Ar校准灯获得的CCD光谱信号分布;其次,使用从裁剪边界数组中提取的下界x<CCBi和上界x>CCBi,对数组进行索引,形成与光谱线周围的波长区域对应的子数组;再次,将高斯分布曲线拟合到子数组中的每一行,以找到该行峰值的中心。在CCD芯片坐标系x×y中,输出峰值中心被加到裁剪边界的最小位置,以产生真实峰中心位置最后,为了确定谱线的曲率,将一个多项式x′y,i=ai+biy+ciy2拟合到峰值中心,其中x轴是CCD像素行。进一步而言,为了确定曲率(对于每条谱线i)相对于水平像素位置(y方向)的变化,系数ai,bi和ci使用如下多项式拟合的形式,根据拟合中心行像素位置的峰值中心(x)。
a(x)=a(0)+a(1)x+a(2)x2
b(x)=b(0)+b(1)x+b(2)x2
c(x)=c(0)+c(1)x+c(2)x2
其次,对所有像素值计算a(x)、b(x)和c(x),然后这些被用来计算
SAst[x,y]=a(x)+b(x)y+c(x)y2
获得用来校正测量光谱散光的二维数组。
在获取上述二维散光数组SAst的基础上,首先,导入与SAst具有相同维度(x、y数值)的数据,由数据采集模块所采集,并由光谱仪所记录的二维血糖光谱数据S′in。再次,根据散光数组SAst包含x′y的值,“移动”和“拉伸”光谱数据S′in每个像素行,使原来弯曲的线图像变成直线,从而纠正散光所引起的光谱像差;此外,在“移动”和“拉伸”光谱数据S′in每个像素行的过程中,为了解决分数偏移问题,采用插值运算方法Sout[x,y]=interpolate(Sin[x′y[x,y],y])实现CCD探测矩阵y方向各个像素强度的准确移动。
数据处理模块用于对校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于预处理后光谱数据计算体内血糖信息。
数据处理模块包括:第一预处理单元、第二预处理单元、第三预处理单元和线性回归分析单元;第一预处理单元用于利用中值滤波法消除拉曼光谱数据中的噪点,得到第一预处理数据;第二预处理单元用于利用扩展乘法信号矫正方法去除第一预处理数据中的荧光背景信息,完成拉曼光谱数据的基线校准,得到第二预处理数据;第三预处理单元用于对第二预处理数据进行平滑和噪声处理,得到预处理后光谱数据;线性回归分析单元用于对预处理后光谱数据进行线性回归分析,得到体内血糖信息。
在本实施例中,如图4所示,上述光谱数据经像差校正并保存至计算机后,采用如下步骤对原始检测光谱数据进行预处理:首先,选择800cm-1至1800cm-1波数范围作为光谱分析区域;其次,消除光谱数据中的噪点和宇宙射线;再次,利用扩展乘法信号校正方法(Extended Multiplicative Signal Correction,EMSC)消除原始光谱所含荧光背景信息,即实现光谱数据的基线校准;再次,利用Savitzky-Golay方法对光谱进行荧光平滑和去噪声处理;最后,即得到预处理后的光谱检测结果。
进一步的,主要采用使用中值滤波法消除CCD探测器产生的热噪声或受到的宇宙射线干扰。中值滤波法时一种非线性的平滑技术,它的原理是将一个数据点的值用该点为中心的某一区间中各点中值代替,从而消除检测光谱所具有的热噪声。
进一步的,主要采用扩展乘法信号校正方法去除原始光谱所含荧光背景信息,即实现光谱数据的基线校准。扩展乘法信号校正方法(Extended Multiplicative SignalCorrection,EMSC)是常规乘法散射校正(Multiplicative Signal Correction,MSC)的一个扩展,它使用先验知识,包括可以解释影响光谱的物理或化学现象的额外参数。常规乘法散射校正方法来源于朗伯比尔模型,其数学表达式为:
其中,为波数,/>为特定波数/>条件下的吸收系数,a为基线常数添加量,为平均光谱或其他参考光谱,b为倍增系数,/>为包含有样品间换血差异信息的残余向量。对于扩展乘法信号校正方法而言,公式(1)可采用多项式基线曲线的形式,对不同样品的光谱曲线进行校准。公式(1)可表示为:
其中,为具有相应常数dj的波数多项式。将公式(1)中多项式扩展到二次项的扩展乘法信号校正模型通常被称为基本扩展乘法信号校正模型;进一步推广二次以上的基本扩展乘法信号校正模型,通常表示为多项式扩展乘法信号校正模型。通常采用普通或加权最小二乘计算公式(2)中的未知参数后,采用如下公式去除原始光谱所含荧光背景信息,即实现光谱数据的基线校准。
进一步的,主要采用Savitzky-Golay方法对光谱进行荧光平滑和去噪声处理。Savitzky-Golay方法基于一个多项式方程在一个预定义的光谱点区间(滤波窗口)内进行最小二乘拟合,其中中心点从区间被删除,并通过拟合准则重新定义,然后,将这个区间位移到频谱的下一个点,重复拟合过程。
线性回归分析的过程包括:计算预处理后光谱数据的预设波数范围的光谱曲线下面积,基于光谱曲线下面积对预处理后光谱数据进行归一化处理,得到归一化后光谱结果;计算归一化后光谱结果的预设峰强度和其他拉曼光谱峰强度的比值,将比值输入至线性回归模型,得到体内血糖信息。
本实施例中,如图5所示,预处理后光谱数据的线性回归分析,所采用的光谱数据归一化方法为曲线下面积归一化。其基本过程是,首先,计算预处理后800cm-1至1800cm-1波数范围光谱的曲线下面积,其中,/>为波数,/>为预处理后的光谱信息;其次,利用该曲线下面积对光谱信息进行归一化处理,即:/>得到归一化后光谱/>
分别采用以1125cm-1峰强度以及1125cm-1峰强度与其他峰强的比值(例如:计算1125cm-1与1445cm-1的峰强比值),为主要参考的线性回归模型。该模型的基本原理如下:
Y=f(s)+E1 (4)
其中,Y为血糖浓度,s为光谱中1125cm-1峰强度以及1125cm-1峰强度与其他峰强的比值(例如:计算1125cm-1与1445cm-1的峰强比值,I1125/I1445),E1表示残差,f(s)为主导因子,即:
式中,k为常数项,N为所选取的特征峰个数,系数k1,k2,...,k2N可通过偏最小二乘方法计算出来。
Y2=Y1+g(t)+E2
式中,Y2为式(4)所述残差E1,E2表示二次偏最小二乘残差,c为常数项,M为二次计算所选取的特征峰个数,z为光谱中除第一步使用的特征峰以外,其他特征峰的强度。再次进行偏最小二乘计算,得到j1,j2,…,j2M这些系数,根据k1,k2,…,k2N;j1,j2,…,j2M,就可以通过拉曼光谱中光谱中1125cm-1峰强度以及1125cm-1峰强度与其他峰强的比值(例如:计算1125cm-1与1445cm-1的峰强比值,I1125/I1445),对血糖浓度进行计算。
模型构建模块用于基于预处理后光谱数据和体内血糖信息构建分析模型,得到血糖分析模型。
模型构建模块包括:数据降维单元和神经网络单元;数据降维单元用于对预处理后光谱数据进行降维,得到降维后数据;神经网络单元用于基于降维后数据和体内血糖信息构建血糖分析模型。
在本实施例中,如图6所示,血糖分析模型为基于主成分分析-反向传播神经网络的克拉克误差网格分析模型(Principal Component Analysis-Back PropagationArtificial Neural Network Based Clark Error Grid Analysis,PCA-BP-ANN basedCEGA)。
首先采用主成分分析方法将高维光谱数据矩阵投影到低维空间中,对光谱数据集降维并提取显著的与血糖浓度有关的特征光谱变量,最终数据集可以表示为特征值越高,噪声越小,但随着特征值的减小,信噪比也减小。特征值最大的特征向量产生第一个主成分(PC1),即坐标轴上方差最大或投影距离平方最小的方向。PC1表示数据中的最大方差,第二主成分(PC2)表示与PC1正交方向上的最大残差方差,以此类推,这些PC是完全不相关和独立的。最终数据集可以表示为:
X=FQT+E (7)
其中,X维度为H×J(H=Hr×Hl),H代表光谱数据规模,Hr和Hl分别为样本扫描区域的行数和列数,J代表特征个数(光谱波数),F代表主成分得分,得分代表了该主成分在对应点的贡献,Q代表载荷,Q的每一列表示一个主成分(PC)。残差矩阵E包含主成分无法解释的变化,其维数为N×M。其次,将降维后的光谱数据分为训练集、测试集和目标预测集光谱,其中,训练集和测试集光谱数据作为所述反向传播神经网络的输入数据,用于反向传播神经网络模型训练与测试。再次,当反向传播神经网络模型训练与测试达到预期效果后,将目标预测集的预测血糖值与其真实血糖值进行对比分析。最后,将其对比分析结果输入克拉克误差网格分析中,分析监测所建立的主成分分析-反向传播神经网络的克拉克误差网格分析模型,对于血糖浓度的检测效果;同时,计算残差平方和、均方差、均方根差、平均绝对误差、决定系数R-Squared等参数值,以考评主成分分析-反向传播神经网络的克拉克误差网格分析模型的准确度。
进一步的,真实血糖值,主要采用便携式血糖仪或临床血糖检测装置,以指尖采血或采静脉血的方式,测量所得体内血糖浓度指标。
血糖检测模块用于基于血糖分析模型预测体内血糖含量。
在本实施例中,如图7所示,首先,选择健康大鼠作为动物检测模型;其次,采用血糖仪采血的方式测量其体内血糖含量;再次,在其体内注射100ml浓度为500mmol/L的葡萄糖溶液,之后每个30分钟,分别使用血糖仪采血的方式测量其体内血糖含量,并测量该大鼠模型尾部拉曼光谱,直至体内血糖含量恢复至葡萄糖溶液注射前水平。测量过程中将大鼠麻醉或固定于样品台上,并在保证其尾部稳定的条件下,将上述拉曼光谱技术的无创血糖检测装置的检测焦点定位于大鼠尾部,以12W/cm2(激光功率350mw)功率密度照射并无创激发大鼠尾部拉曼光谱,相应的光谱采集时间为15s。采集所得拉曼光谱经上述数据分析方法后,分别利用线性回归与基于主成分分析-反向传播神经网络的克拉克误差网格分析模型,获得待测动物模型体内血糖浓度值。
如图8所示,首先,选择身体健康的志愿者作为检测对象;其次,选择志愿者手背血管、指尖和手臂血管作为光谱检测位置,将上述拉曼光谱技术的无创血糖检测装置的检测焦点定位于这些检测位置;再次,在志愿者早晨空腹未进食未进水的情况下,以采血使用便携式血糖仪的方法,测量志愿者体内血糖含量;再次,志愿者早餐后或者空腹服用500ml浓度为300mmol/L的葡萄糖溶液后30分钟,以8W/cm2(激光输出功率250mw)功率密度,测量志愿者手背血管、指尖和手臂血管位置的拉曼光谱信息,并且测量过程中保证志愿者测试位置稳定,相应的光谱测量时间为15s。采集所得拉曼光谱经上述数据分析方法后,分别利用线性回归与基于主成分分析-反向传播神经网络的克拉克误差网格分析模型,获得待测动物模型的体内血糖浓度值。
本实施例基于光子与分子非弹性散射相互作用的拉曼光谱,能够从峰位、峰强、峰宽等物理参量,无损、快速、定量分析生化样品的生化组成与结构信息。结合光谱数据分析方法与计算模型,拉曼光谱分析技术能够实现体内血糖含量的无创、快速、高准确度检测。
实施例二
在本实施例中,如图9所示,一种基于拉曼光谱的无创体内血糖检测方法,包括以下步骤:
S1.采集样品的拉曼光谱数据。
S2.校正所述拉曼光谱数据,得到校正后光谱数据。
S3.对所述校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于所述预处理后光谱数据计算体内血糖信息。
S4.基于所述预处理后光谱数据和所述体内血糖信息构建分析模型,得到血糖分析模型。
S5.基于所述血糖分析模型预测体内血糖含量。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,包括:数据采集模块、数据校正模块、数据处理模块、模型构建模块和血糖检测模块;
所述数据采集模块用于采集样品的拉曼光谱数据;
所述数据校正模块用于校正所述拉曼光谱数据,得到校正后光谱数据;
所述数据处理模块用于对所述校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于所述预处理后光谱数据计算体内血糖信息;
所述模型构建模块用于基于所述预处理后光谱数据和所述体内血糖信息构建分析模型,得到血糖分析模型;
所述血糖检测模块用于基于所述血糖分析模型预测体内血糖含量。
2.根据权利要求1所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,所述数据采集模块包括:半导体激光器、光纤准直镜、带通滤光片、二向色镜、平凸透镜、长通滤光片、光纤束、光谱仪、CCD探测器和计算机;
所述半导体激光器用于提供激光光源;
所述光纤准直镜用于准直所述激光光源,得到准直后光源;
所述带通滤光片用于过滤所述准直后光源的系统杂散光和边带光谱,得到选择性透过波长激光;
所述二向色镜用于将所述选择性透过波长激光反射至所述平凸透镜;
所述平凸透镜用将所述选择性透过波长激光聚焦于所述样品表面,使样品激发出样品拉曼光谱信息,所述样品拉曼光谱信息通过所述二向色镜发射至所述长通滤光片;
所述长通滤光片用于滤除所述样品拉曼光谱信息中的瑞利散色光,得到滤除后拉曼光谱信息;
所述平凸透镜还用于将所述滤除后拉曼光谱信息聚焦至所述光纤束中;
所述光纤束用于将所述滤除后拉曼光谱信息传输至所述光谱仪中;
所述光谱仪用于对所述滤除后拉曼光谱信息进行分光,得到分光后光谱信息;
所述CCD探测器用于记录所述分光后光谱信息;
所述计算机用于对所述分光后光谱信息进行分析,得到所述拉曼光谱数据。
3.根据权利要求2所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,
所述光纤束的光谱采集端,光纤为圆形分布;
所述光纤束的光谱仪连接端,光纤为线性排布;
所述线性排布的宽度与所述光谱仪的入射狭缝宽度相等,所述线性排布的长度与所述CCD探测器的成像芯片宽度相等。
4.根据权利要求2所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,所述数据校正模块包括:光纤束散光效应识别装置、像素位移校准装置和像差校正装置;
所述光纤束散光效应识别装置用于识别所述光谱仪自身产生的光纤束在所述CCD探测器的像面上出现的像差;
所述像素位移校准装置用于计算由所述像差导致的所述像面所获光学信号在所述像面水平方向上产生的偏移量;
所述像差校正装置用于基于所述偏移量校正由散光现象引起的光纤束像差。
5.根据权利要求2所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,所述数据处理模块包括:第一预处理单元、第二预处理单元、第三预处理单元和线性回归分析单元;
所述第一预处理单元用于利用中值滤波法消除所述拉曼光谱数据中的噪点,得到第一预处理数据;
所述第二预处理单元用于利用扩展乘法信号矫正方法去除所述第一预处理数据中的荧光背景信息,完成所述拉曼光谱数据的基线校准,得到第二预处理数据;
所述第三预处理单元用于对所述第二预处理数据进行平滑和噪声处理,得到所述预处理后光谱数据;
所述线性回归分析单元用于对所述预处理后光谱数据进行线性回归分析,得到所述体内血糖信息。
6.根据权利要求5所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,所述线性回归分析的过程包括:
计算所述预处理后光谱数据的预设波数范围的光谱曲线下面积,基于所述光谱曲线下面积对所述预处理后光谱数据进行归一化处理,得到归一化后光谱结果;
计算所述归一化后光谱结果的预设峰强度和其他拉曼光谱峰强度的比值,将所述比值输入至线性回归模型,得到所述体内血糖信息。
7.根据权利要求5所述一种基于拉曼光谱的无创体内血糖检测系统,其特征在于,所述模型构建模块包括:数据降维单元和神经网络单元;
所述数据降维单元用于对所述预处理后光谱数据进行降维,得到降维后数据;
所述神经网络单元用于基于所述降维后数据和所述体内血糖信息构建所述血糖分析模型。
8.一种基于拉曼光谱的无创体内血糖检测方法,其特征在于,包括以下步骤:
采集样品的拉曼光谱数据;
校正所述拉曼光谱数据,得到校正后光谱数据;
对所述校正后光谱数据进行去噪和归一化处理,得到预处理后光谱数据,并基于所述预处理后光谱数据计算体内血糖信息;
基于所述预处理后光谱数据和所述体内血糖信息构建分析模型,得到血糖分析模型;
基于所述血糖分析模型预测体内血糖含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310543107.XA CN116509386A (zh) | 2023-05-15 | 2023-05-15 | 一种基于拉曼光谱的无创体内血糖检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310543107.XA CN116509386A (zh) | 2023-05-15 | 2023-05-15 | 一种基于拉曼光谱的无创体内血糖检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116509386A true CN116509386A (zh) | 2023-08-01 |
Family
ID=87393995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310543107.XA Pending CN116509386A (zh) | 2023-05-15 | 2023-05-15 | 一种基于拉曼光谱的无创体内血糖检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116509386A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617962A (zh) * | 2023-12-25 | 2024-03-01 | 暨南大学 | 一种基于空间偏移拉曼的皮下血糖测量方法 |
-
2023
- 2023-05-15 CN CN202310543107.XA patent/CN116509386A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617962A (zh) * | 2023-12-25 | 2024-03-01 | 暨南大学 | 一种基于空间偏移拉曼的皮下血糖测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6441388B1 (en) | Methods and apparatus for spectroscopic calibration model transfer | |
US6528809B1 (en) | Methods and apparatus for tailoring spectroscopic calibration models | |
US7098037B2 (en) | Accommodating subject and instrument variations in spectroscopic determinations | |
US7640140B2 (en) | Method of processing noninvasive spectra | |
US9662047B2 (en) | Portable raman diagnostic system | |
US6788965B2 (en) | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes | |
US7010336B2 (en) | Measurement site dependent data preprocessing method for robust calibration and prediction | |
US9103793B2 (en) | Intrinsic Raman spectroscopy | |
US20170127983A1 (en) | Systems and methods for sampling calibration of non-invasive analyte measurements | |
JP4636762B2 (ja) | 分光装置を較正する方法 | |
US6697654B2 (en) | Targeted interference subtraction applied to near-infrared measurement of analytes | |
JPH11508033A (ja) | 血液ガス及び分析物の分析のためのラマン分光装置及び方法 | |
EP0757243A1 (en) | Liquid correlation spectometry | |
JP2006126219A (ja) | 非侵襲性赤外分光法における多重スペクトル分析のための方法および装置 | |
JP2010066280A (ja) | グルコース濃度の定量装置 | |
EP1214578A1 (en) | Method for determination of analytes using near infrared, adjacent visible spectrum and an array of longer near infrared wavelengths | |
CN116509386A (zh) | 一种基于拉曼光谱的无创体内血糖检测系统及方法 | |
JP4329360B2 (ja) | グルコース濃度の定量装置 | |
JPH09159606A (ja) | 液体相関分光測定法 | |
Shih | Quantitative biological Raman spectroscopy for non-invasive blood analysis | |
Pathirajage | Nocturnal hypoglycemic alarm based on near-infrared spectroscopy | |
CN114305336A (zh) | 多光谱融合经皮健康指标快速检测装置及方法 | |
Chen et al. | Noninvasive blood glucose measurement system based on three wavelengths in near-infrared region | |
Pandozzi | Spectroscopic analysis of fractal scattering and hidden layers in complex scattering samples |
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 |