CN1424888A - 通过与脂肪组织相关的特征对组织分类与表征 - Google Patents

Abstract

一种对组织样品的状态和结构作表征和分类的无创伤性系统在体内组织的近红外吸收谱上工作。提供了一种根据与脂肪组织中脂肪有关的吸收特征，使用近红外谱测量值表征和分类组织样品的状态和结构的方法。还提供了一种估计皮肤褶皱厚度的方法。该方法提供有关组织可变性成因的信息，因此可用于建立组织结构的一般类别。基于测定的受验者的类别适于作进一步的谱分析和测量生化成分，如血液分析物。本发明还提供了一种基于皮肤褶皱厚度估值评估体脂肪百分比的方法。本发明还提供了一种测量与数字处理器耦合的吸收谱的设备，以执行所需的分析。

Description

通过与脂肪组织相关的特征 对组织分类与表征

发明背景

技术领域

本发明涉及用与组织特性相关的特征作个体分类。尤其是，本发明涉及根据近红外谱测量用与脂肪组织中脂肪的吸收谱相关的特征表征组织的方法。

原有技术的讨论

近红外(NIR)组织光谱学是一种有前途的无创伤性技术，它的测量基于组织部位对波长为700～2500nm的NIR能量的辐射。能量聚集在表皮区上，按表皮组织的散射与吸收特性传播，因而检测出被表皮反射或透射过表皮的能量，就可提供遇到的组织容积的信息。具体而言，每个波长的光能衰减量是该组织的构成特性与化学组分的函数。各自包含一种独特的非均一粒子分布的组织层通过散射影响光吸收。诸如水分、蛋白质、脂肪与血液分析物等化学成分，通过独特的吸收分布曲线或特征波形吸收与它们的浓度成比例的光。组织特性、特征或成分的测量，以检测由其各自的散射和/或吸收特性造成的光衰减量的技术为基础。

1.血分析物预测

血葡萄糖浓度等血分析物的无创伤性预测一直是通过NIR光谱学实现的，但是由于缺乏能补偿组织样品的光学特性有明显变化的个体差异的系统，报道的成功和制品成活力受到限制。(如参见Khalil OS.Spectroseopic andclinical aspects of non-invasive glucose measurements.Clin Chem 1999；45：165-77；或Roe，JN and BR Smoller.“Bloodless Glucose Measurements”，Critical Reviews in Therapeutic Drug Carrier Systems，vol.15，no.3，pp.199-241，1998)。这些差异同个体之间受辐射的组织样品的构成差别有关，并且包括例如下皮层厚度、表皮胶原分布与密度、和体脂肪百分比。对一群产生混淆的非线性光谱变化的受验者而言，受验者可以重复构成差异造成的吸收特征。(参见Tan，CY，B.Statham，R.Marks and P.A.Payne.Skinthickness measurement by pulsed ultrasound：its reproducibility，validation and variability. British Journal of Dermatology，vol.106，pp.657-667，1982。还可参见Shuster，S.，M.M.Black and E.McVitie.Theinfluence of age and sex on skin thickness，skin collagen and density.British Journal of Dermatology，vol.93，1975。还可参见Durnin，J.V.G.A.and M.M.Rahaman.The assessment of the amount of fat in the human bodyfrom measurements of skin fold thickness.British Journal of Nutrition.vol.21，1967.)

另外，受验者生理状态的变化在一段相对短的时间内影响着组织层和隔膜的光学特性。例如，这类变化可能同水合程度、组织内血液容量分数的变化、激素刺激、温度扰动和血红蛋白水平相关。

虽然这些构成与状态变化是测量的近红外吸收谱变化的最大原因，但是它们并不指示血液分析物的浓度，而是造成了明显的非线性光谱变化，限制了通过基于光学方法对血液分析物所作的无创伤性测量。例如，几种报道过的无创伤性葡萄糖测量法，产生的校正模型在短时间内是某个个体持有的。(参见Hazen，K.H.，“Glucose determination in biological matrices usingnear-infrared spectroscopy”，Doctoral Dissertation，University of Iowa，Aug.1995。还可参见Robinson，M.R.，R.P.Eaton，D.M.Haaland，G.W.Koepp，E.V.Thomas，B.R.Stallard and P.L.Robinson，“Noninvasive glucosemonitoring in diabetic patients：a preliminary evaluation”，Clin.Chem，38/9，pp.1618-1622，1992。还可见Maiin，S.，T.Ruchti，T.Blank，S.Thennadil and S.Monfre.“Noninvasive prediction of glucose bynear-infrared diffuse reflectance spectroscopy”，Clin.Chem，45：9，pp.1651-1658，1999。)

Malin，S.和T.Ruchti于1999年＿＿提交的美国专利申请号09/xxx,xxx题为“无创伤性血液分析物预测的智能系统”的相关申请，它揭示的设备与方法可明显减弱这一问题，其方法在血液分析物预测前按照与组织特征相关的谱特征来划分受验者。提取的特征代表受辐射的实际组织容积。按组织相似性限定组或类，使某一类内的谱变化比类之间的变化更小。这些内部一致的类更适于对血液分析物作多变量分析，因为明显减少了谱干扰的最大成因。这样，通过按代表组织状态与结构的谱特性的相似性对个体分组，减小了上述混淆的非线性变化，使血液分析物的预测更准确。

一般的分类方法依赖于测定最能代表取样组织容积的谱特性，这类特征的大小代表着某一基本变量，如组织厚度或水合程度。

主要包括富含甘油三脂(一类脂肪物质)的细胞的次下皮层中的脂肪组织，对光的吸收是无创伤性近红外测量中最重要的谱变化原因之一。尽管脂肪组织明显影响着整个测量，但是与其它皮肤层相比，富含血液分析物的体液的容量分数相对较小。

例如，下皮层由丰富的血管网络输送。下皮层与皮下脂肪之间的界面是深层血管丛，汇集着与皮肤表面平行走向的血管。血管从该深层血管丛向皮肤表面上升到另一稠密平行汇集的血管，该血管称为表皮血管丛，位于离皮肤表面0.3～0.6mm。

因此，下皮层的毛细血管床以辐射与测量血液分析物为目标，因为与其它皮肤层相比，它们具有高容积分数的分析物，如葡萄糖，它们按实际的血浓度变化。另一方面，脂肪组织成分的光吸收仅对目标分析物测量贡献混淆作用，而对水的吸收是次要的，代表谱变化的最大原因。例如，图1示出对人体测量的近红外吸收谱，由于脂肪组织里贮藏了脂肪，有大的吸收带101～103，用箭头标记。由于取样组织容积中存在典型的血液分析物如葡萄糖而造成的相对吸收，约比指定的脂肪吸收带小三个数量级。

这样，脂肪组织的光吸收对准确的血液分析物测定产生两大障碍。首先，与脂肪组织相关的总吸收是一很大的干扰，不指示血液分析物浓度。混有这种干扰使得难以模拟脂肪组织变化的光衰减，原因在于光在分层系统中的漫反射特性很复杂。其次，测得的脂肪组织的脂肪吸收，其变化方式与前面的组织层，即下皮层、外皮和角质层的光学特性相关。对一规定的光强等级，脂肪组织中由脂肪造成的吸收趋于不变。然而，脂肪组织的入射光随周围组织按其生理状态变化而变化。因此，取样组织容积内的脂肪吸收量与生理状态扰动引起的这些变化间接地相关。

因此，与脂肪组织内的脂肪吸收相关的特征，可用来对近红外测量装置取样的组织容积的特征进行分类。按这类特征的相似性对个体分类，导致取样的组织容积有很大的均一性，并减少了与皮肤组织相关的干扰，这样显然能在子组之间更好地测量皮肤中诸如血液分析物等生物化合物的浓度。

2.人体成分评估

人体成分是健康状况的重要指示器，在健康危险评估与诊断以及在物理培训计划监视方面，人体成分测定起着重要的作用。(参见Heyward，V.H.andL.M.Stolarczyk.Applied Body Composition Assessment.Champaign，IL：Human Kinetics，1996。)例如，肥胖是严重的健康问题，它通过增大人们得冠状动脉疾病、高血压、II型糖尿病、阻塞性肺病、骨关节炎和某些癌症的危险而缩短期望寿命。与肥胖关联的增长的健康危险同体脂肪总量有关。不必惊奇，评估人体成分的方法很多，其中许多方法基于间接测量，如静流称重、生物电阻抗、皮肤褶皱测量等(参见Heyward等人，op.cit)。此外，在700～1100nm波长范围内的近红外分析已应用于体脂肪的无创伤性测量(参见Conway，J.M.，Norris，K.H.and Bodwell，C.E.“A new approach for theestimation of body composition：infrared interactance”，The AmericanJournal of Clinical Nutrition，Dec.1985，pp.1123-1130)。

1989年7月25日颁布的R.D.Rosenthal的题为“Near infrared apparatusand method for determining percent fat in a body”的美国专利号4,850,365和1990年5月22日颁布的同标题的美国专利好4,928,014；以及1991年5月14日颁发的A.Roper和K.O.Johnson的题为“Method and apparatus formeasuring thickness of fat using infrared light”的美国专利号5,014,713中，揭示了在700～1100nm波长区内作近红外分析的方法，目的是作人体成分分析，包括测定脂肪百分比与脂肪厚度。

应用近红外分析的优点是完全无创伤性，便利和费用低。报道的方法都差不多，一般涉及在740～1100nm范围内用几种波长的近红外光辐射组织，并检测多个波长吸收的光。为预测人体脂肪百分比或皮下脂肪层厚度，根据测量值构建了一个模型，给出从另一种人体成分评估技术得出的参考值。例如，Conway运用吸收谱在916和1026nm处的二次导数来估算若干个体的脂肪百分比。

Rosenthal报道了两种相似的方法，通过应用在一个波长和一个带宽处分别测得的吸收度和使人体脂肪百分比与吸收测量相关的数学模型，来测定体内的脂肪百分比。此外，在人体脂肪含量的定量测定中，建议把人体多个物理参数的数据，如身高、体重、锻炼程度、性别、种族、消瘦到臀部(waste-to-hip)测量与臂围同测得的近红外吸收一起使用。

Roper等人通过一利涉及一对红外发光二极管与检测阵列的测量装置来测定人体脂肪厚度。阵列检测700～1100nm范围内的各种波长，产生与人体发射的光强成正比的信号。这些信号相加放大后形成合成信号，据称其幅值可指示脂肪层厚度。

虽然报道的诸近红外分析法有若干优点，鉴于分析所选用的波长区，在应用上受到严重影响。尤其认识到在低于1100nm时，黑色素是一种重要的吸光体(参见Anderson，R.R and J.A.Parrish.“The optics of human skin”，J.of Investigative Dermatology，vol.77(1)，pp.13-19，1981)。因此，在波长低于1100nm时，肤色使光谱变化很大，并代表了主要的混淆作用和偏差成因。再者，该波长区内的穿透深度远远超过皮下存贮脂肪深度。此外，还知道该波长区内可见光的潜在干扰，要求应用专用测量设备和将它阻断。一种利用更高波长(1100-2500nm)的近红外能量测定皮下脂肪厚度和体脂肪百分比的方法，显然是有利的。在该范围内，穿透深度限于皮下组织。如测得的吸收谱显示的那样，脂肪细胞的光学特性可用来估算皮下组织厚度和个体的总肥胖程度。

发明内容

本发明提供的一新颖设备和相关方法，用于测定与脂肪组织内脂肪吸收相关的特征，然后在血液分析物评估前对受验者分类。提供的一方法可利用在1100～2500nm谱区内较高波长的近红外能量测定皮下脂肪厚度和体脂肪百分比，在该范围内，穿透深度限于皮下组织。如测得的吸收谱所示，脂肪细胞的光学特性可用来估算皮下组织厚度和个体的总肥胖程度，无来自更深组织层或肤色的干扰。

该设备一般包括能源、波长分离器、与受验者的光学接口、传感元件和分析仪。本发明的一般方法包括以下步骤：测量体内组织样品的NIR吸收谱；检测界外值，与各种误差源相关的无效测量；对测得的光谱应用各种预处理技术；提取特征，其中识别出与脂肪组织内脂肪吸收特别相关的谱特征并隔离开来；和校正，其中将提取的特征与示例测量校正组作比较，表示谱特征，再作血液分析物预测。可以估算皮肤褶皱厚度，再估算体脂肪百分比。

参照以下描述、附图和所附的如权利要求，将能更好地理解本发明的种种特征、方面和优点。

附图简介

图1是对人体测得的NIR吸收谱曲线图，示出了贮藏在脂肪组织内的脂肪造成的吸收带；

图2是本发明按照与体脂肪吸收谱相关的特征划分组织的系统的框图；

图3示出归一化的水NIR吸收谱；

图4示出切开的动物脂肪样品的NIR吸收谱；

图5是本发明一种提取与下皮层和脂肪组织相关的谱特征的方法的框图；

图6示出本发明19个受验者已按图5方法归一化的NIR吸收谱；

图7示出本发明体脂肪单一波长校正的曲线图；

图8示出本发明以三个波长测量体脂肪的方法的框图；

图9示出本发明实际体脂肪与图7提取特征的关系曲线；

图10示出本发明概括特征提取与受验者分类方法的框图；

图11示出本发明在图10的特征提取操作后数据组主成分分析的前三个本征矢量的曲线图；

图12是本发明对图11的第三载负(本征矢量)与图4的动物脂肪谱所作的比较；

图13是本发明的表示按照与体脂肪有关的谱特征分别作体脂肪预测与受验者分类的一般方法的一对框图；

图14示出本发明的预测皮肤褶皱厚度与实际皮肤褶皱厚度的关系曲线。

详细描述

一种用于无创伤性测定与脂肪组织吸收相关的特征的系统，具有测量受近红外能量辐射的组织的红外吸收的设备，并提供了提取和划分组织特征的方法。或者，测得的吸收谱经处理和评估，可测定皮肤褶皱厚度和/或体脂肪百分比。

设备

该设备包括能源21、传感元件26、受验者光学接口25、波长选择装置22和分析仪33。能源21产生波长范围为1100～2500nm的近红外能量，可以包括诸如LED阵列或石英卤素灯等装置。传感元件26是对目标波长作出响应的检测器。波长分离装置22可以是单色器或干涉仪，波长分离也可通过连续照射前述LED阵列的元件实现。受验者20的光学接口25包括一种从源21向目标皮肤组织测量部位发射能量23的装置，例如可以是光导管、光纤探针、透镜系统或导光镜系统。受验者光学接口25还包括一种按反射模式以最佳测定距离收集来自周围组织区的能量24的装置，可以包括闪烁检测器或光纤探针。收集的光转换成电压26，通过模/数转器27取样，以在基于微处理器的系统33上分析。

在该较佳实施例中，该仪器应用了石英卤素灯21、单色器22和InGAs检测器26。来自样品的检测强度经模拟电子线路26转换成电压，并通过16位A/D转换器27数字化。将光谱传给处理器33，通过分类操作进行处理。首先，根据检出的光通过-log(R/R₀)计算28吸收度，其中R是反射光，R₀是样品的入射光，通过扫描一参考标准测定。下述的后续处理步骤，导致分类32或指示测量无效的消息。整个系统框图示于图2。

在另一实施例中，把一组LED用作能源21，产生预选波长的能量，之后向皮肤发射23。或者对径向包围单一检测元件26的LED赋能，用被皮肤反射或通过皮肤透射的从各LEO检出的能量形成一个光谱。各LED与检测元件之间的边对边距离，或者照射点与检测点之间的距离，对各LED发射的能量波长是特定的。从包括LED发光表面的照射点到检测点的较佳距离，最小为1mm，最大为3mm，1mm距离用于1380nm以上的波长，3mm距离用于1100～1380nm区域的波长。该组波长包括但不限于1100、1208、1210、1275、1350、1650、1720、1760nm。照射与检测元件21、26通过闪烁光学元件与透镜系统23、24耦合至目标部位。本领域的技术人员显然知道其它耦合方法也适用于受照射点与检测点之间期望距离支配的特定结构，包括光纤。

或者，可用现在市售的NIR分光仪作测量，包括Perstorp Analytical NIRS5000分光仪或Nicolet Magna-IR 760分光仪。另外，还可通过收集反射离开皮肤表面的光或通过手指或耳瓣等一部分皮肤透射的光进行测量。还有，可用反射度或透射度代替该较佳的吸收度测量。

一般处理方法

测定与脂肪组织内甘油三脂吸收度相关的特征的一般方法是在微处理器33中实施的，如图2所示，微处理器33自动接收来自ADC 27的测量信息。后续的吸收谱计算28、特征主成分提取与分类和/或评估步骤，包括界外值检测29、预处理30、特征提取31和分类和/或评估32。每一步设计都以一组校正的示例测量值为基础。本节将归纳后面在“实施”节里详述的一般步骤。

测量

测量28是个用吸收值矢量

表示的光谱，该矢量与一组跨越近红外(1100～2500nm)的N个波长 有关。该光谱如此计算：用检出的光产生一幅-logR/Rs图，R是皮肤反射谱，Rs是仪器标准反射度。在红外光谱法中，该图类似于一吸收谱，其包含的定量信息以入射光与人体组织成分的已知相互作用关系为基础，这里就是指这种方法。图1是m与λ的关系曲线。然而，尤其是测量可以包括近红外内特定选择的波长，且对与脂肪吸收度相关的提取特征作了优化，如下面要进一步描述的那样。

界外值检测

界外值检测步骤29是一种通过谱变化检测无效测量的方法，谱变化由仪器故障、受验者采样不良或受验者在校正组之外造成的。检测谱界外值的较佳方法是主成分分析和残数分析。首先，把谱m投射到五个本征矢量上，这些矢量包含在矩阵O中，事先通过对一组校正的示例吸收谱作主成分分析而产生，并由装有处理器33的计算机系统存贮。计算由下式给出： ${\mathrm{xpc}}_o=\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{mo}}_k----\left(1\right)$

并产生1×5记分矢量xpc_o，式中的o_k是矩阵o的第K列。残数q按下式确定：

q＝m-xpc_oo^T(2)

并同该校正组期望参数的标准偏差的三倍比较，若很大，就把该样品定位界外值，步骤中止。

预处理

预处理30包括的操作有波长选择、缩放比例、归一化、平滑、推导、滤波和衰减噪声与仪器变化而不影响有关信号的其它变换。预处理的测量值x∈

按下式确定：

x＝h(λ，m)(3)

其中h：

是预处理功能。对数据选择波长，旨在消除会使校正或部分低信噪比的测量谱发生偏差的外变量。在“实验”一节里有详述的特征提取和皮肤褶皱厚度评估的专用方法，包括波长选择、倍增散射校正和推导法。(参见Geladi，P.and D.McDougall and H.Martens.“Linearization andScatter-Correction for Near-Infrared Reflectance Spectra of Meat”，AppliedSpectroscopy，1985：39：49l-500。还可见Savitzky，A.and M.J.E.Golay.“Smoothingand Differentiation ofData by Simplified Least Squares Procedures”，Anal.Chem.，vol.36，no.8，pp.1627-1639，1964.)

特征提取

特征提取引31测定测量值显著的特性，它与脂肪组织的甘油三脂吸收度相关。具体特征的幅值对受光辐射的脂肪组织的容积特定的。测出的这一组织容积特性依赖于前一组织层的光学特性和脂肪组织的光学特性。检查不同波长区的特征，可以提供有关下皮层特征和脂肪组织特性的信息。

一般而言，特征提取是任何一种数学变换，它增强了样品测量的质量或概貌用于说明。对皮肤褶皱厚度评估、分类和体脂肪百分比预测而言，特征提取的目的在于简明地表示并增强组织测量部位的特性与特征。此外，这些特征提供有关组织呈现特性的重要信息，并可用于其它目的，如系统诊断或优化。

特征表示为矢量 ，由下式经预处理测量确定：

z＝f(λ，x)(4)

其中f： 是从测量空间到特征空间的映射。分解f(·)可得出特定的变换fi(·)：R^N→R^M _i，用于测定特定特征。维数M_i表示第i个特征是标量还是矢量，所有特征的集合是矢量z。当把某一特征表示为矢量或图案时，就呈现某种指示潜在物理现象的结构。

个体特征分成两类：

1.抽象，和

2.单一。

抽象特征不一定具有有关物理系统的特定说明。具体而言，主成分分析的记分是有用的特征，尽管其物理说明不一定知道。例如，主成分分析可提供有关组织吸收谱特征的信息。最重要的组织变化通常与它的结构相关，而脂肪组织的吸收度就是前一组织层的结构变化的指示器。因此，对以脂肪组织的光学特性为基础的分类而言，主成分分析记分可提供有用的信息，并且构成一组有价值的特征。

单一特征从样品的先验了解导出，可同某一物理现象直接相关。例如，下皮层或皮下层厚度可导出特定的谱征。这些谱变化被提取增强后，可作为受验者分类特征和其各自组织特性的测量值。

一般把全谱传给分类系统。然而，下述三种特征提取专用方法已被证明能提供优越的分类性能并能测量其它相关的组织特性：

1.因素分析尤其是主成分分析的记分。

2.水与脂肪的相对吸收度。

3.脂肪组织中甘油三脂吸收带的归一化幅值。

下一节将提供基于校正组的这些提取特征方法的详细实施方法。

校正

预处理的光谱和/或提取的特征，要执行下两步处理中一步处理。首先，为对受验者分类，要对提取的特征作判断。通过某种分类方法32，如组织的水合度，根据提取的特征判定下皮层的状态变化。或者，由于取样的组织容积产生与脂肪吸收度相关的重要特征，可将受验者分为“肥胖”类。相反地，由于与脂肪吸收度相关的特征的幅值很小，则把受验者分为“消瘦”类。在任一种情况下，分类是以取样组织容积的评估为基础的，并不基于个体的整个人体成分。

预处理过的光谱可用评估32算法评估受验者的脂肪层厚度或体脂肪百分比。在作皮肤褶皱厚度评估时，评估方法相对简单，可根据预处理过的光谱或提取的特征进行操作。

在作人体成分测定时，操作步骤依赖于模型的构键，该模型把吸收谱映射成体脂肪百分比测定。虽然该算法可以应用显著的特征，但是除了脂肪组织的局部厚度以外，整体成分还依赖于其它特性。在测定体脂肪时，年龄与性别等人口统计参数起着重要的作用(参见Heyword等人，op.cit)。年龄与性别二者可根据同一个测量光谱作出评估，如前两个相关申请所揭示的那样：1999年______T.Ruchti，S.Thennadil，S.Malin与J.Rennert提交的题为“A systemfor the non-invasive determination of age”的美国专利申请序号09/xxx,xxx和1999年______T.Ruchti，S.Thennadil，S.Malin与J.Rennert在提交的题为“A system forthe non-invasive determination of sex”的美国专利申请序号09/xxx,xxx。因此，人体成分评估法应用了前述的年龄与性别测定法和这里揭示的皮肤褶皱厚度评估法。

3.明快的分类

基于提取提取特征的受验者分类是通过一涉及映射与判断的分类步骤执行的。映射步骤由下式给出：

L＝f(z)(5)

其中L是一标量，可用来测量与预定人体成分类别的距离。例如，预定分别与“瘦”和“胖”类别的代表值或平均值L关联的两个值L_瘦与L_胖，再根据L同L_瘦与L_胖的的接近程度作等级划分。例如，L与以前建立的等级的距离表示这些等级可由下式测定：

d_瘦＝|L_瘦-L|

d_胖＝|L_胖-L|  (6)

判断如下：

1.若d_瘦＜d_胖，则取样的组织容积被划分为“瘦”，或含有相对低的甘油三脂百分比量。

2.若d_瘦≥d_胖，则取样的组织容积含有相对高的甘油三脂量，被划分为“胖”。

映射和判断的极限通过分类校正步骤由一组校正的示例特征和对应的参考值评估，即“瘦”或“胖”测定。现有的方法包括线性判别分析、SIMCA、k最近邻接、模糊分类和各种形式的人工神经网络。再者，本领域的技术人员显然明白，可用基于测量装置精度的上限对年龄规定两个以上不同的等级。(参见Duda，R.O.和P.E.Hart，Pattern Classification and Scene Analysis，John Wiley与Sons，New York，1973。还可参见Wold，s.与M.Siostrom.“SIMCA：A method for analyzing chemical data in terms of similarityand analogy”，Chemometrics：Theory and Application，ed.B.R.Kowalski，ACS Symposium Series，52，1977。还可参见Bezdek，J.C与S.K.Pal，eds.FuzzyModels for Pattern Recognition.IEEE Press，Piscataway，NJ，1992。还可见Keller，J.，M.Gray与J.Givens.“A Fuzzy K nearest NeighborAlgorithm”.IEEE Transaction on Systems，Man，and Cyberneties，Vol.SMC-15，no.4，pp.580-585，July/August，1985。还可见Pao，Y.H.AdaptivePattern Recognition and Neural Networks.Addison-Wesley PublishingCompany，Inc.，Reading，MA，1989.)

4.模糊分类

虽然基于统计的等级规定提供了一组各不相同的等级，但是合适的组织样品分类和得出的光谱变化改变了值的连续统。例如，在某个个体群内，取样的组织容积的“瘦度“程度以连续而不是离散的方式变化的，因而光谱的自然变化会导致明显的等级重叠。基于脂肪组织内脂肪吸收度的不同等级界限并不存在，许多测量值都落在诸等级之间，并在统计上拥有任何几个等级中成员的同等机会。因此，在模拟目标人群中遇到的变化情况时，“严格的”等级界限和各不相同的成员函数可能是不合适的。

一种更通用的等级指定方法以模糊集理论为基础(见Bezdek，J.C.等人，op.cit。还可见Chen，C.H.，ed.，Fuzzy Logic and Neural Network Handbook，Piscataway，NJ：IEEE Press，1966。还可见Zadeh，L.A.“Fuzzy Sets，”Inform.Control，vol.8，pp.338-353，1965)。一般而言，模糊组成员由级别连续性和将特征空间映射为各等级间隔[0，1]的一组成员函数定义。指定的成员级别代表等级成员的程度，“1”相当于最高程度。因此，某一样品可能同时为一个以上等级的成员。

从特征空间到等级成员矢量的映射由下式给出：

c_k＝f_k(z)(公式7)

其k＝1，2，…P，f_k(·)为第k等级的成员函数，所有k的c_k∈[0，1]，矢量

为等级成员组。代表成员函数的一例一般公式为 $y=e^{\frac{-1}{e^{{2\mathrm{\σ}}^2}}{(z-\stackrel{\‾}{z})}^2}----\left(8\right)$

其中y是子集中的成员程度，z是测定成员的特征， z是模糊子集的平均值或中心，σ为标准偏差。然而，本领域的技术人员明白，合适的成员函数对本申请是专用的。

成员矢量提供了成员在各预定等级中的程度，可用于血液分析物预测，正如Malin等人在相关申请中揭示的一样(前面提及的美国专利申请连续号09/xxx,xxx)。或者，可通过一合适的去模糊函数，用等级成员的程度计算个体的脂肪组织厚度和人体成分。去模糊函数可按照Malin等人在相关申请中描述的方法来确定(前述的美国专利申请连续号09/xxx,xxx)。或者，可用一组校正的示例光谱测量值和有关的参考值来确定某个校正模型，例如把该等级成员映射为选择的变量估值、皮肤褶皱厚度或人体成分。

5.评估

评估方法要依赖于一种校正模型，它把通过线性或非线性映射的预处理光谱映射成某个目标变量的估值，诸如皮肤褶皱厚度或体脂肪百分比。在线性场合中，给出处理过的谱x和校正模型系数w_c，可按下式确定该估值： $\hat{y}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{w}_{c,k}{x}_k----\left(9\right)$

其中w_c，k是w_c的第k个元素， 为估算变量。本领域的技术人员应明白，通过人工神经网络、非线性局部最小平方回归或其它非线性校正方法，很容易规定从x到 的非线性映射(见Geladi，P.与B.R.Kowalski，“Partialleast-squares regression：a tutorial”，Analytica Chimica Acta，185，pp.1-17，1986。还可见Pao，op.cit.)。

该较佳模型是线性的，通过因数分析构成，以便将包括几百个波长测量值的吸收度、强度或反射度的高维次或剩余数据，分解成几个重要因数，代表数据组内的主要变化。校正模型中应用了捕获与目标变量相关的谱变化的因数，并把样品投射到所得的因数空间而对各样品产生一组记分。最后，应用多重线性回归来模拟重要因数记分与目标变量之间的关系。

在人体成分测定场合中，受验者的近红外年龄与性别评估同近红外皮肤褶皱厚度评估一起使用。这里揭示两种人体成分测定方法。第一种方法使用不同的矫正，对每一年龄组与性别把皮肤褶皱厚度映射为体脂肪百分比。第二种较佳的方法是一种模型，它把皮肤褶皱厚度、年龄与性别三个变量映射成个体的体脂肪百分比估值。映射形式为

y＝f(x₁，x₂，x₃)(10)

其中y是体脂肪百分比估值，x₁是近红外皮肤褶皱厚度估值，x₂是近红外性别估值，x₃是近红外年龄估值，如前述两个相关申请09/xxx,xxx和09/xxx,xxx所述。通过对一组校正的示例测量值应用人工神经网络等分析技术而确定模型f()。本领域的技术人员应明白，可应用其它非线性回归法确定f()的其它形式。

实施细节

基础组

为实现特征提取与分类，利用皮肤、水和脂肪的基本吸收分量设置一两分量基础组。首先，如前所述，运用较佳实施例的分光仪通过1mm比色杯对水扫描，通过-log(T/T₀)算出示于图3的吸收谱40，其中T是反射的光，T₀是样品的入射光，通过扫描空白来确定。用该实施例的分光仪扫描切开的牛脂肪组织，测出脂肪50的纯净分量吸收谱，得到的谱示于图4。

实验数据组

通过对19名年龄在21到55岁的自愿者(16男3女)的研究，获得了用于校正下述诸模型的实验数据组。根据该实施例，用分光仪连续两天在各受验者前臂上测量一个吸收谱。通过用于人体成分的Siri方程估算参与者的体脂肪百分比(见Siri，W.E.“The gross composition of the body”，Adv.Biol.Med.Phys.，4，1956，pp.239-280)。在各受验者的二头肌，三头肌，下肩甲与上肠骨区域上，用一对British Indicator有限公司制造的HARPENDEN型研究品级卡尺测量皮肤褶皱厚度。

这是一种特定的实验，目的是测定一合适的组用于分类和评估与脂肪组织厚度相关的特征和属性。本领域的技术人员很容易明白，对于不同的受验者和不同的目标性能等级，可作人数或多或少的其它实验。

投射算法

第一种特征提取法根据在1100～1350nm波长范围内用近红外分光仪测得的吸收谱表征组织。参照图5，通过把水吸收谱60投射62到测得的谱61上并计算差值65，使测量谱61归一化。用简单的单变映射法，用得出的接近1210nm的脂肪吸收带峰值66测定测量部位脂肪组织的体脂肪百分比或厚度。

假定测量谱61为x，水60的纯分量谱为p，则水谱在测量谱上的投射62可按下式测定：

m＝[p_wp_wT]^-1p_wx_w(11)

其中m是代表水吸收度幅值的标量，下标w代表波长子集(1100～1150nm和1300～1350nm)。由于水主要集中于皮肤层，所以m的大小代表了与下皮层特性相关的提取特征63，以后可用于通过线性判别分析对受验者分类64，如下所述。

水谱60经投射62，再按下式从测量值61里减去65：

z＝x-mp(12)

其中z是最终光谱。以上归纳于公式11与12的该方法应用于“实验数据组”，而该组中所有受验者的z曲线示于图6。如图清楚地表明，吸收峰在1210nm处的幅值与体脂肪百分比相关，使体脂肪百分比最高的个体在1210nm或附近具有最明显的吸收峰。而且，该峰值是与皮下层脂肪组织厚度相关的特征67，可用于受验者分类68。

虽然该方法以1100nm～1350nm范围内的实例作了说明，但是本领域的技术人员应明白，该方法很容易扩展到1650～1800nm波长范围，在1720和1760nm存在与脂肪组织吸收度相关的附加特征，如图1所示。再者，该基础组可以包括其它一些可被用于投射的分量，以提取与包括水合作用、蛋白质浓度、皮肤胆淄醇等在内的其它组织特性相关的特征。

为作分类，可应用判别功能根据两个特征63、67，如图5所示分两步64、68或一步划分受验者。例如，给出包含图5中两个特征63、67的矢量f，把受验者分为两类中的一类而产生标量L：

L＝fw(13)

其中w是体重矢量。将该结果与两个等级的中心 L比较。若L＞ L，则受验者分为组1，否则将该谱分为属于组2。与原来的人群相比，得出的这两组在取样的组织容积中包含更大的同一性。

此外，根据每组期望的同一性，可以规定任意个组。还有，通过对该组预定的等级规定一组成员函数，可以研制一种模糊分类系统。例如，给出z，即图6光谱的峰值，对应于与脂肪组织中脂肪相关的吸收度，可把受验者组记为消瘦、中等和肥胖。对每个等级算出平均特征 z和标准偏差σ。在特定等级内限定成员程度的成员函数表示为： $y=e^{\frac{-1}{e^{{2\mathrm{\σ}}^2}}{(z-\stackrel{\‾}{z})}^2}----\left(14\right)$

其中y是成员程度。虽然该成员函数是高斯函数，但是本领域的技术人员应明白，合适的成员函数是本申请专用的。与这三类中每一类相关的平均值与标准偏差，可按“实验数据组”中的目标人群确定。

输入成员函数偏出期望子组范围异常高或低的特征值，被指定为低的成员值。该信息用来指示受验者的组织特性已偏出以前受检的人群，用于界外值分析。对于目前的实验情况，若所有的子组均为y＜0.1，则把预测顶为低置信度。

如Malin等人在相关申请09/xxx,xxx中所描述的，所得分级成员适用于血液分析物预测分类。描绘的成员函数是为特定的受验群设计的，对所有潜在的个体不能通用。然而，本发明对某一作血液分析物预测的受验者而言，可随意应用成员函数在一规定的等级内指定成员程度。

人体成分评估

图5所示提取与脂肪组织的脂肪相关的特征的方法，可用于评估个体的体脂肪百分比。例如，图7绘出了在1210nm处提取的特征z与体脂肪百分比的关系曲线。体脂肪百分比评估为：

脂肪％＝az_1210nm+b(15)

其中a是图7中直线的斜率，b是相应的截距，z_1210nm是z在1210nm处的幅值，在该特定实例中，对所有受验者都作一次校正，不论年龄或性别。通过更大的数据组并应用公式10所示的年龄与性别评估，精度就更高。

用二三个波长提取特征

上述的特征提取与体脂肪评估方法，可用前述的全谱执行，或按期望的精度用二三个波长执行。例如，可将图5的步骤改成图8的步骤，涉及用三个波长处测得的谱81测量体脂肪。通过将水光谱80投射在仅仅两个波长82测量值上，并在第三波长测定差值(83)，算出特征Z。因此，该方法可在三只LED围绕单个检测器或近红外分光仪等距间隔开的系统中实施。

选用波长较佳为1124、1210和1276nm，对应的水吸收度分别为0.4781、0.184148和0.164745。体脂肪百分比由下式估算84：

脂肪％＝az_1210nm+b(16)

其中a为斜率，b是截距，z_1210nm是z在1210nm处的幅值(提取的特征)。本例中a＝388.18，b＝9.177。

该方法应用于“实施数据组”，对每个吸收谱81计算提取特征z_1210nm。各受验者的实际体脂肪百分比与提取特征的关系示于图9。0.81的相关系数(r)说明，同样的方法一般涉及两个或更多个波长。

抽象特征提取

抽象特征提取被用作图10所示特征提取和受验者分类的另一种方法。实施时，用一组独立的对不同性别、年龄与种族的受验者作臂扫描的数据266测定诸参数。对266样品数据组作主成分分析，并在图11中绘出前三个本征矢量的记分。图12将图11的第三本征矢量与图4中动物脂肪样品的吸收谱作了比较，如图所示，第三本征矢量与脂肪的吸收谱紧密匹配，因而把前三个记分xpc_1-3用作受验者分类的特征。

受验者等级确定如下。首先，由界外值检测系统提供吸收谱m28。应用波长选择100将谱范围截短到脂肪组织中脂肪造成明显吸收度的区域(1100～2500nm)。将谱投射到先前对266样品校正组作主成分分析而产生的本征矢量p_k上101。图10示出的计算产生1×N个记分矢量xpc。

根据前M个记分(本应用中M＝3)，利用判别功能对受验者分类。记分通过与判别式w叉积而旋转102，如图10所示，产生标量L，将结果与两等级间的中心 L作比较103。若L＞ L，则取样的组织容积分类为具有脂肪造成的明显吸收104，否则该组织容积被分类为脂肪造成低吸收105。如前所讨论，本领域的技术人员知道，可将该系统一般化成任意数量的等级，或应用某种模糊分类系统。

一般评估与分类方法

图13a所示的一般评估法，在1100～2500nm的一个或多个波长区，运用一般校正模型131预测与脂肪组织中脂肪吸收相关的某一变量。制备吸收谱28。选择1550～1800nm和2050～2350nm等专用波长范围，并利用窗口多重散射校正或其它有关方法作预处理30。运用已知的方法，包括主成分回归(Martens，H.与T.Naes.Muliivariate Calibration，New York：John Wileyand Sons，1989)、局部最小平方回归与人工神经网络法实现的校正模型131将处理的数据映射为体脂肪预测32。例如，为了用来自“实验数据组”的光谱估算皮肤褶皱厚度，要研制一个五因数局部最小平方模型。通过交叉生效的测试组预测示于图14。如图所示，预测的标准误差(SEP)为1.42，所得的预测精度约70％。实验结果证明该评估方法是有效的，得出的精度直接取决于光谱测量精度。通过改善噪声电平和分光仪分辨度，还可提高结果精度。

图13b所示的一般分类方法，可按与脂肪组织中脂肪吸收相关的特征对受验者分组。同样要制备好吸收谱28。选择专用波长范围，如1100～1350nm和1550～1800nm，利用窗口多重散射校正或其它有关方法作预处理30。处理的数据通过主成分分析等基于因数的方法作特征提取。最后，通过分类方法132，如线性判别分析、SIMCA、k最近邻接和各种形式的人工神经网络，把受验者分成体脂肪类别32。

虽然已参照某些较佳实施例描述了本发明，但本领域的技术人员显然知道，其它应用场合可以替代这里描述的应用场合而不违背本发明的精神与范围。因此，本发明仅由下面的如权利要求加以限制。

Claims (65)

1.一种根据与脂肪组织中脂肪相关的谱吸收特征，对组织的状态与结构作表征和分类的无创伤性方法，其特征在于包括以下步骤：

准备一组校正的示例测量值；

测量组织样品的NIR吸收谱；

检测界外值，其中所述界外值是无效的测量值，由仪器故障、不良取样和所述校正组以外的受验者中任何一种造成的谱变化引起：

预处理所述NIR谱，其中所述预处理步骤包括衰减噪声和仪器变化而不影响有关信号的一种或多种变换，所述有关信号包括波长选择、缩放比例、归一化、平滑、推导和滤波中的任何一种；

提供一基础组，其中所述基础组包括水和一种动物脂肪的纯成分谱：和

提取特征，由此确定与分类相关的测量因数。

2.如权利要求1所述的方法，其特征在于所述光谱表示为吸收值的矢量，与一组N个波长 相关。

3.如权利要求1所述的方法，其特征在于所述NIR谱测量值位于约1100～2500nm波长区内。

4.如权利要求1所述的方法，其特征在于所述界外值检测步骤应用主成分分析与残数分析检测谱界外值。

5.如权利要求4所述的方法，其特征在于所述界外值检测步骤还包括以下步骤：

把谱m投射到多个包含在矩阵o里的本征矢量上，所述矩阵o通过对所述校正组作主成分分析而事先形成，其中 ${\mathrm{xpc}}_o=\underset{k=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{mo}}_k$

而o_k是矩阵o的第K列；

按q＝m-xpc_oo^T测定残数q；

将所述残数q与所述校正组残数的标准偏差的三倍比较：和

若q较大，将所述样品判为界外值。

6.如权利要求l所述的方法，其特征在于所述特征提取步骤包括能增强样品测量的质量或状况以用于说明的任一种数学变换，以简明地代表组织测量部位的特性与特征。

7.如权利要求6所述的方法，其特征在于所述特征表示为矢量 它通过下式根据预处理测量值测定： $z=f(\stackrel{\·\·}{e},x),$

其中f： 是测量空间到特征空间的映射，分解f(·)得到特定变换，f_i(·)： 用于测定特定特征，维数M_i表明第i个特征是标量还是矢量，所有特征的集合为矢量z，其中的特征呈现某种结构，在所述特征表示为矢量或图案时指示某种潜在的物理现象。

8.如权利要求7所述的方法，其特征在于各个特征分为两类，包括：

抽象特征，不一定具有与物理系统相关的特定说明；和

简明特征，从样品的先验了解导出，能与物理现象直接相关。

9.如权利要求4所述的方法，其特征在于所述特征提取步骤包括主成分分析。

10.如权利要求6所述的方法，其特征在于所述特征提取步骤包括对脂肪组织中脂肪吸收带的幅值归一化。

11.如权利要求6所述的方法，其特征在于所述特征提取步骤包括将所述样品的水和脂肪吸收谱与所述校正组的水和脂肪吸收谱作比较。

12.如权利要求9所述的方法，其特征在于所述特征提取步骤包括以下步骤：

在约1100～2500nm波长区截短所述光谱m；

把所述截短的谱投射到多个本征矢量p_k上，所述本征矢量通过对所述校正组作主成分分析而事先算出；

其中所述投射产生1×N的记分矢量xpc；和

应用判别功能，根据前M个记分对所述样品分类，其中所述记分通过与判别式w叉积而旋转，产生标量L。

13.如权利要求12所述的方法，其特征在于M＝3。

14.如权利要求1的方法，其特征在于还包括按照预定的肥胖度与消瘦度类别划分所述样品的步骤。

15.如权利要求14所述的方法，其特征在于所述光谱限于约1100～1350nm和1650～1800nm的任一波长区。

16.如权利要求15所述的方法，其特征在于所述特征提取步骤包括以下步骤：

对所述有限谱归一化。

17.如权利要求16所述的方法，其特征在于所述归一化步骤包括以下步骤：

按下式在所述有限谱上投射所述水光谱：

m＝[p_wp_wT]^-1p_wx_w

其中m是代表水吸收幅值的标量，下标w代表波长子组；和

按下式从所述有限谱中减去所述纯水光谱：

z＝x-mp，

其中z为最终光谱。

18.如权利要求14所述的方法，其特征在于所述分类步骤包括以下步骤：

测量至少一个特征与所述预定类别的相似性；和

在所述预定类别中指定成员。

19.如权利要求18所述的方法，其特征在于所述指定步骤应用各不相同的等级，并把各样品定为一个等级。

20.如权利要求18所述的方法，其特征在于所述指定步骤使用一种允许同时有不止一个等级的等级成员的模糊分类系统。

21.如权利要求19所述的方法，其特征在于所述指定步骤还包括以下步骤：

把所述样品映射到所述预定等级之一；

用判断规则指定等级成员。

22.如权利要求21所述的方法，其特征在于所述映射步骤由下式给出：

L＝f(z)，

其中L是测量样品与预定类别的距离的标量。

23.如权利要求19所述的方法，其特征在于所述类别为“胖”与“瘦”，L_胖对应于所述“胖”等级的代表值，L_瘦对应于所述“瘦”级的代表值；所述定级以L与L_胖和L_瘦的接近度为基础。

24.如权利要求23所述的方法，其特征在于L与L_胖的距离d_胖按下式测量：

d_胖＝|L_胖-L|

而L与L_瘦的距离d_瘦按下式测量：

d_瘦＝|L_瘦-L|

25.如权利要求24所述的方法，其特征在于所述判断规则为：

若d_瘦＜d_胖，所述样品划分为“瘦”；

若d_瘦≥d_胖，所述样品划分为“胖”。

26.如权利要求21所述的方法，其特征在于所述映射与所述判断规则的极限，是通过分类校正法由一组校正的示例测量值和对应的胖、瘦参考值确定的。

27.如权利要求26所述的方法，其特征在于所述分类校正包括任一种线性判别式分析、SIMCA、k最近邻接、模糊分类人工神经网络。

28.如权利要求27所述的方法，其特征在于所述映射步骤由

L＝fw

给出，其中w为体重矢量，L与 L作比较， L为两个所述各不相同的等级的中心。

29.如权利要求28所述的方法，其特征在于所述指定步骤应用一种判断规则，所述判断规则是：

若L＞ L，所述样品定为所述两个等级中的第一等级；

若L≤ L，所述样品定为所述两个等级中的第二等级。

30.如权利要求17所述的方法，其特征在于等级成员由品级连续性限定，一组成员函数将特征空间映射为各等级的间隔[0，1]，指定的品级“1”代表最高程度成员。

31.如权利要求30所述的方法，其特征在于从特征空间映射到等级成员矢量由下式给出：

c_k＝f_k(z)

其中k＝1、2、…P，f_k(·)是第k等级成员，所有k的c_k∈[0，1]，矢量 为一组所有等级成员。

32.如权利要求31所述的方法，其特征在于成员函数表示为： $y=e^{\frac{-1}{e^{2{\mathrm{\σ}}^2}}{(z-\stackrel{\‾}{z})}^2}$

其中y是成员在模糊子集中的程度，z是测定成员的特征， z为模糊子集中心，σ为标准偏差。

33.如权利要求31所述的方法，其特征在于所述成员矢量提供了等级成员在各所述预定等级中的程度。

34.如权利要求1所述的方法，其特征在于还包括估算皮肤褶皱厚度的步骤，所述皮肤褶皱含一层脂肪组织。

35.如权利要求34所述的方法，其特征在于所述评估步骤应用预处理光谱或提取的特征。

36.如权利要求35所述的方法，其特征在于所述评估步骤还包括步骤：

设置一通过映射把所述预处理的谱映射到皮肤褶皱厚度估值的校正模型。

37.如权利要求36所述的方法，其特征在于所述映射为线性。

38.如权利要求37所述的方法，其特征在于所述皮肤褶皱厚度估值按下式确定： $\hat{y}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{w}_{c,k}{x}_k$

设预处理的谱为x，校正模型为w_c，其中w_c，k为w_c的第k个元素，

为皮肤褶皱厚度估值。

39.如权利要求38所述的方法，其特征在于所述校正模型应用因数分析把含有多个波长的吸收度、强度或反射度测量值的高维次(残数)数据组，分解成代表所述数据组内大多数变化的重要因数；和

其中所述校正模型包括的因数可捕获与皮肤褶皱厚度变化相关的所述谱的变化。

40.如权利要求39所述的方法，其特征在于还包括步骤：

把所述样品投射到所得因数空间，对各样品产生一组记分；和

应用多重线性回归来模拟所述记分与所述皮肤褶皱厚度的关系。

41.如权利要求36所述的方法，其特征在于所述映射为非线性。

42.如权利要求41所述的方法，其特征在于所述非线性映射通过任一种人工神经网络和非线性局部最小平方回归限定。

43.如权利要求34所述的方法，其特征在于还包括评估受验者体成分的步骤。

44.如权利要求43所述的方法，其特征在于所述体成分评估步骤包括步骤：

按下式将皮肤褶皱厚度估值、性别估值与年龄估值映射为所述受验者的体脂肮百分比估值：

y＝f(x₁，x₂，x₃)，

其中y是体脂肪百分比估值，x₁是皮肤褶皱厚度估值，x₂为性别估值，x₃为年龄估值，f()是校正模型。

45.如权利要求44所述的方法，其特征在于通过对一组校正的示例测量值应用非线性回归法确定所述模型f()。

46.如权利要求43所述的方法，其特征在于所述光谱限于三个波长。

47.如权利要求46所述的方法，其特征在于所述三个波长是1124、1210和1276nm。

48.如权利要求47所述的方法，其特征在于所述特征提取步骤包括步骤包括步骤：

对所述有限光谱归一化。

49.如权利要求48所述的方法，其特征在于所述归一化步骤包括以下步骤：

把所述水光谱投射到所述三个波长的两个波长上；和

按下式从所述第三个波长的所述有限光谱中减去所述纯水光谱：

z＝x-mp，

其中z为最终光谱。

50.如权利要求48所述的方法，其特征在于还包括步骤：

按脂肪％＝az_1210nm+b估算体脂肪百分比，其中a是斜率，b为截距，z_1210nm中的1210nm为提取的特征。

51.如权利要求14或34所述的方法，其特征在于还包括作血液分析物预测的步骤。

52.一种根据与受验者脂肪组织中脂肪吸收度相关的光谱吸收特征对组织样品的状态与结构作无创伤性表征和分类的设备，其特征在于包括：

生成近红外(NIR)能量的装置；

把所述生成的NIR能量分成多个波长区的装置；

光学接口，包括：

    从所述波长分离装置向受验者目标测量部位发射所述NIR能量的装

置；和

    收集所述测量部位发出的NIR能量的装置；

检测所述收集的能量并将其转换为电压的装置；

把所述电压转换为数字值的装置；和

分析所述数字值并将所述分析形成所述组织样品的表征与分类的装置。

53.如权利要求52所述的设备，其特征在于所述能源与所述波长分离装置一起包括一径向包围所述检测装置的LED阵列，各所述LED与所述检测装置有一横向边缘，其中每个所述LED在一组预选的波长中以某个特定波长连续发射能量。

54.如权利要求53所述的设备，其特征在于所述预选波长组包括1100nm、1208nm、1210nm、1275nm、1350nm、1650nm、1720nm、1760nm。

55.如权利要求53所述的设备，其特征在于任一个所述LED的所述横向边缘包括一照射点，所述检测装置的所述横向边缘包括一检测点，而所述照射点与所述检测点的距离约为1～3mm。

56.如权利要求55所述的设备，其特征在于所述LED阵列与所述检测装置通过闪烁光学元件与透镜系统同所述测量部位相耦合。

57.如权利要求52所述的设备，其特征在于所述能源为石英卤素灯，所述灯在约1100～2500nm波长范围发射能量。

58.如权利要求57所述的设备，其特征在于所述波长分离装置是任一种单色器与干涉仪。

59.如权利要求52所述的设备，其特征在于所述传输装置是任一种光导管、光纤探针、透镜系统与光导镜系统。

60.如权利要求52所述的设备，其特征在于所述能量收集装置包括至少一个闪烁光学检测器和至少一个光纤探针中的任何一个。

61.如权利要求52所述的设备，其特征在于所述能量检测装置包括InGAs检测器。

62.如权利要求52所述的设备，其特征在于数字化装置是16位A/D转换器。

63.如权利要求59所述的设备，其特征在于照射点通过任一种聚焦镜与光纤探针设定。

64.如权利要求60所述的设备，其特征在于检测点通过任一种闪烁光学探测器或光纤探针设定。

65.如权利要求52所述的设备，其特征在于所述分析装置包括被编程后执行组织表征步骤的数字处理器；

其中所述数字值由所述相对年龄评估步骤处理，由此表征所述组织样品。

Images