DE60035899T2

DE60035899T2 - Klassifizierung and charakterisierung von gewebe durch merkmale bezüglich adiposegewebe

Info

Publication number: DE60035899T2
Application number: DE60035899T
Authority: DE
Inventors: Timothy L. Gilbert RUCHTI; Stephen F. c/o EricWebber Irel ManellaLLP Los Angeles MALIN; Kevin H. Gilbert HAZEN; Marcy R. Chandler MAKAREWICZ; George M. Phoenix ACOSTA
Original assignee: Sensys Medical Inc
Current assignee: Sensys Medical Inc
Priority date: 2000-01-21
Filing date: 2000-12-13
Publication date: 2007-12-20
Anticipated expiration: 2020-12-14
Also published as: EP1250082B1; DE60035899D1; US6587702B1; CN1261072C; HK1052847A1; CN1424888A; EP1250082A1; AU2001220936A1; WO2001052725A1; TW570768B; JP2003534530A; CA2397611A1; ATE369070T1

Description

HINTERGRUND DER ERFINDUNG
TECHNISCHES GEBIET
Diese Erfindung bezieht sich auf die Klassifizierung von Individuen durch Merkmale, die auf Gewebeeigenschaften bezogen sind. Die Erfindung bezieht sich insbesondere auf Verfahren eines Charakterisierens des Gewebes durch Merkmale, die auf das Absorptionsspektrum von Fett in einem Fettgewebe bezogen sind, basierend auf Nah-IR-Spektralmessungen.
ERÖRTERUNG DES STANDS DER TECHNIK
Eine Nahinfrarot-(NIR-)Gewebespektroskopie ist eine vielversprechende nicht-invasive Technologie, die Messungen auf der Bestrahlung einer Gewebestelle mit NIR-Energie in dem Wellenlängenbereich von 700–2500 nm basiert. Die Energie ist auf einen Bereich der Haut fokussiert und breitet sich gemäß den Streu- und Absorptionseigenschaften des Hautgewebes aus. Eine Energie, die durch die Haut reflektiert oder durch dieselbe durchgelassen wird, wird daher erfasst und liefert Informationen über das getroffene Gewebevolumen. Genauer gesagt, die Dämpfung der Lichtenergie bei jeder Wellenlänge ist eine Funktion der strukturellen Eigenschaften und der chemischen Zusammensetzung des Gewebes. Gewebeschichten, von denen jede eine einzigartige heterogene Partikelverteilung enthält, beeinflussen eine Lichtabsorption durch eine Streuung. Chemische Bestandteile wie Wasser, Protein, Fett und Blutanalyte absorbieren Licht proportional zu der Konzentration derselben durch einzigartige Absorptionsprofile oder Signaturen. Die Messung von Gewebeeigenschaften, -charakteristika oder einer Gewebezusammensetzung basiert auf dem Verfahren eines Erfassens der Größe einer Lichtdämpfung, die jeweils aus den Streu- und/oder Absorptionseigenschaften desselben resultiert.
1 Blutanalytische Vorhersage
Obwohl eine nicht-invasive Vorhersage von Blutanalyten, wie einer Blutglukosekonzentration, durch eine NIR-Spektroskopie verfolgt wurde, waren der berichtete Erfolg und eine Erzeugnisbrauchbarkeit durch das Fehlen eines Systems zum Ausgleichen von Variationen zwischen Individuen, die drastische Änderungen bei den optischen Eigenschaften der Gewebeprobe erzeugen, begrenzt. [Siehe beispielsweise Khalil OS. Spectroscopic and clinical aspects of non-invasive glucose measurements. Clin Chem 1999; 45: 165–77; oder Roe, JN and BR Smoller: „Bloodless Glucose Measurements", Critical Reviews in Therapeutic Drug Carrier Systems, Band 15, Nr. 3, S. 199–241, 1998.] Diese Variationen sind auf strukturelle Unterschiede bei der bestrahlten Gewebeprobe zwischen Individuen bezogen und umfassen beispielsweise die Dicke der Dermis, die Verteilung und Dichte eines Hautkollagens und das prozentuale Körperfett. Obwohl die Absorptionsmerkmale, die durch eine strukturelle Variation bewirkt werden, nach Objekten wiederholbar sind, erzeugen dieselben über eine Gesamtheit von Objekten eine verwirrende nichtlineare spektrale Variation. [Siehe Tan, CY, B. Statham, R. Marks and P.A. Payne: Skin thickness measurement by pulsed ultrasound: its reproducibility, validation and variability. British Journal of Dermatology, Band 106, S. 657–667, 1982. Siehe ferner Shuster, S., M.M. Black and E. McVitie: The influence of age and sex on skin thickness, skin collagen and density. British Journal of Dermatology, Band 93, 1975. Siehe ferner Durnin, J.V.G.A. and M.M. Rahaman: The assessment of the amount of fat in the human body from measurements of skin fold thickness. British Journal of Nutrition, Band 21, 1967.]
Zusätzlich beeinflussen Variationen des physiologischen Zustands des Objekts die optischen Eigenschaften von Gewebeschichten und -abschnitten über eine relativ kurze Zeitdauer. Solche Variationen können beispielsweise auf Hydratationsniveaus, Änderungen bei dem Volumenanteil von Blut in dem Gewebe, eine hormonale Stimulation, Temperaturschwankungen und Bluthämoglobinniveaus bezogen sein.
Obwohl diese strukturellen und Zustandsvariationen die größten Quellen einer Variation bei den gemessenen Nahinfrarot-Absorptionsspektren sind, zeigen dieselben keine Blutanalytkonzentrationen an. Stattdessen bewirken dieselben eine wesentliche nichtlineare spektrale Variation, die die nicht-invasive Messung von Blutanalyten durch optisch basierte Verfahren begrenzt. Beispielsweise entwickeln mehrere berichtete Verfahren einer nicht-invasiven Glukosemessung Kalibrierungsmodelle, die für ein Individuum über eine kurze Zeitdauer spezifisch sind. [Siehe Hazen, K. H., „Glucose determination in biological matrices using near-infrared spectroscopy", Doktorarbeit, University of Iowa, Aug. 1995. Siehe auch Robinson, M. R., R. P. Eaton, D. M. Haaland, G. W. Koepp, E. V. Thomas, B. R. Stallard and P. L. Robinson: „Noninvasive glucose monitoring in diabetic patients: a preliminary evaluation", Clin. Chem, 38/9, S. 1618–1622, 1992. Siehe ferner Malin, S., T. Ruchti, T. Blank, S. Thennadil and S. Monfre: „Noninvasive prediction of glucose by near-infrared diffuse reflectance spectroscopy", Clin. Chem, 45: 9, S. 1651–1658, 1999.]
Eine verwandte, am 22. Juli 1999 durch Malin, S. und T. Ruchti eingereichte Anmeldung „An Intelligent System for Noninvasive Blood Analyte Prediction", Patentanmeldung der Vereinigten Staaten Nr. 09/359,191, jetzt Patent der Vereinigten Staaten Nr. 6,280,381, offenbarte eine Vorrichtung und ein Verfahren zum wesentlichen Reduzieren dieses Problems durch ein Klassifizieren von Objekten gemäß spektralen Merkmalen, die auf die Gewebecharakteristika vor einer blutanalytischen Vorhersage bezogen sind. Die extrahierten Merkmale stellen das tatsächliche bestrahlte Gewebevolumen dar. Die Gruppen oder Klassen sind auf der Basis einer Gewebeähnlichkeit definiert, derart, dass die spektrale Variation innerhalb einer Klasse, verglichen mit der Variation zwischen Klassen, klein ist. Diese innerlich konsistenten Klassen sind für eine mehrdimensionale Analyse von Blutanalyten geeigneter, da die größte Quelle einer spektralen Störung wesentlich reduziert ist. Auf diese Art und Weise wird durch ein Gruppieren von Individuen gemäß der Ähnlichkeit von spektralen Charakteristika, die den Zustand und die Struktur des Gewebes darstellen, die im Vorhergehenden beschriebene verwirrende nichtlineare Variation reduziert und eine Vorhersage von Blutanalyten genauer gemacht.
Das allgemeine Verfahren einer Klassifizierung beruht auf der Bestimmung von spektralen Merkmalen, die das abgetastete Gewebevolumen am besten anzeigen. Die Größe solcher Merkmale stellt eine zugrunde liegende Variable, wie die Dicke eines Gewebes oder das Niveau einer Hydratation, dar.
Die Absorption von Licht durch ein Fettgewebe in der Subdermis, die vor allem aus Zellen, die reich an Triglyzeriden, einer Klasse von Fettsubstanzen, sind, besteht, zählt zu den wesentlichsten Quellen einer spektralen Variation bei nicht-invasiven Nahinfrarotmessungen. Obwohl ein Fettgewebe eine Gesamtmessung äußerst beeinflusst, ist der Volumenanteil einer Flüssigkeit, die reich an Blutanalyten ist, verglichen mit demselben, der in anderen Schichten der Haut vorhanden ist, relativ klein.
Die Dermis ist beispielsweise mit einem Gefäßnetz reich versorgt. An der Grenzfläche zwischen der Dermis und einem subkutanen Fett befindet sich der tiefe Gefäßplexus, eine Ansammlung von Gefäßen, die parallel zu der Hautoberfläche verläuft. Von dem tiefen Gefäßplexus steigen Blutgefäße hin zu der Hautoberfläche zu einer anderen dichten parallelen Ansammlung von Gefäßen, die als superfizieller Gefäßplexus bezeichnet wird und 0,3 mm bis 0,6 mm von der Hautoberfläche positioniert ist.
Die Kapillarbetten der Dermis werden folglich ein Ziel für eine Bestrahlung und eine Messung von Blutanalyten anvisiert, da dieselben, verglichen mit anderen Schichten der Haut, einen hohen Volumenanteil von Analyten, wie Glukose, die gemäß einer tatsächlichen Blutkonzentration variieren, aufweisen. Andererseits trägt die Absorption von Licht durch die Bestandteile eines Fettgewebes lediglich verwirrende Wirkungen zu der Messung des anvisierten Analyts bei, jedoch stellt dieselbe hinter lediglich der Absorption von Wasser die größte Quelle einer spektralen Variation dar. 1 zeigt beispielsweise ein Nahinfrarot-Absorptionsspektrum, das an einem menschlichen Objekt gemessen wird, mit großen Absorptionsbändern 101, 102, 103, die durch Pfeile markiert sind, aufgrund von Fett, das in einem Fettgewebe gespeichert ist. Die relative Absorption aufgrund des Vorhandenseins eines typischen Blutanalyts in dem abgetasteten Gewebevolumen, wie Glukose, ist etwa drei Größenordnungen kleiner als die bezeichneten Fettabsorptionsbänder.
Die Absorption von Licht durch ein Fettgewebe erzeugt daher zwei größere Hindernisse für eine genaue blutanalytische Bestimmung. Erstens ist die auf ein Fettgewebe bezogene Gesamtabsorption eine große Störung und zeigt keine Blutanalytkonzentrationen an. Diese Störung wird durch die Tatsache gesteigert, dass die variierte Dämpfung von Licht durch ein Fettgewebe aufgrund der komplexen Natur des diffus reflektierten Lichts in geschichteten Systemen schwierig zu modellieren ist. Zweitens ändert sich die gemessene Absorption von Fett durch ein Fettgewebe auf eine Art und Weise, die auf die optischen Eigenschaften der vorhergehenden Gewebeschichten, nämlich der Dermis, Epidermis und des Stratum corneum, bezogen ist. Für einen gegebenen Lichtintensitätspegel tendiert die Absorption aufgrund von Fett in einem Fettgewebe dazu, konstant zu sein. Das auf das Fettgewebe einfallende Licht variiert jedoch, während sich das umgebende Gewebe gemäß dem physiologischen Zustand desselben ändert. Die Größe einer Fettabsorption in dem abgetasteten Gewebevolumen ist daher indirekt auf diese Änderungen aufgrund von Schwankungen des physiologischen Zustands bezogen.
Merkmale, die auf die Absorption von Fett in einem Fettgewebe bezogen sind, können daher verwendet werden, um die Natur des Gewebevolumens, das mit einer Nahinfrarot-Messvorrichtung abgetastet wird, zu klassifizieren. Die Klassifizierung von Objekten gemäß der Ähnlichkeit solcher Merkmale führt zu einer größeren Homogenität des abgetasteten Gewebevolumens und einer Reduzierung einer Störung, die auf das Hautgewebe bezogen ist. Dies erzeugt unvermeidlich eine hervorragende Messung der Konzentration von biologischen Bestandteilen in der Haut, wie Blutanalyten, unter den Untergruppen.
2 Schätzung der Körperzusammensetzung
Die Körperzusammensetzung ist ein wichtiger Indikator eines Gesundheitsstatus, und eine Bestimmung der Körperzusammensetzung spielt eine wichtige Rolle bei einer Beurteilung von Gesundheitsrisiken und einer Diagnose und bei einer Überwachung von Körpertrainingsprogrammen. [Siehe Heyward, V.H. and L.M. Stolarczyk. Applied Body Composition Assessment. Champaign, IL: Human Kinetics, 1996.] Fettleibigkeit ist beispielsweise ein ernsthaftes Gesundheitsproblem, das die Lebenserwartung durch ein Erhöhen eines Risikos, eine Koronararterienerkrankung, eine Hypertonie, einen Diabetes Typ II, eine obstruktive Lungenerkrankung, eine Osteoarthritis und bestimmte Typen von Krebs zu entwickeln, reduziert. Die erhöhten Gesundheitsrisiken, die einer Fettleibigkeit zugeordnet sind, sind auf die Gesamtmenge eines Körperfetts bezogen. Es ist nicht überraschend, dass eine große Zahl von Verfahren zum Schätzen einer Körperzusammensetzung existiert, wobei viele derselben auf indirekten Messungen basieren; beispielsweise ein hydrostatisches Wiegen, eine bioelektrische Impedanz, Hautfaltenmessungen und andere [Siehe Heyward et al., op. cit.]. Zusätzlich wurde eine Nahinfrarotanalyse in dem Wellenlängenbereich von 700–1100 nm auf die nicht-invasive Messung von Körperfett angewandt [Siehe Conway, J.M., Norris, K.H. and Bodwell, C.E.: „A new approach for the estimation of body composition: infrared interactance." The American Journal of Clinical Nutrition, Dez. 1985, S. 1123–1130.].
R.D. Rosenthal in „Near infrared apparatus and method for determining percent fat in a body", Patent der Vereinigten Staaten Nr. 4,850,365, erteilt am 25. Juli 1989, und erneut in „Near-infrared apparatus and method for determining percent fat in a body", Patent der Vereinigten Staaten Nr. 4,928,014, erteilt am 22. Mai 1990, und A. Roper and K.O. Johnson, in „Method and apparatus for measuring thickness of fat using infrared light, Patent der Vereinigten Staaten Nr. 5,014,713, erteilt am 14. Mai 1991, offenbaren Verfahren eines Durchführens einer Nahinfrarotanalyse in den Wellenlängenregionen von 700–1100 nm für den Zweck einer Analyse der Körperzusammensetzung einschließlich der Bestimmung des prozentualen Fetts und der Dicke eines Fetts.
Die Verwendung einer Nahinfrarotanalyse hat den Vorteil, dass dieselbe streng nicht-invasiv, bequem und erschwinglich ist. Die berichteten Verfahren sind ähnlich und betreffen allgemein die Bestrahlung des Gewebes mit Nahinfrarotlicht bei mehreren Wellenlängen in dem Bereich von 740–1100 nm und ein Erfassen des Lichts, das bei einer Vielzahl von Wellenlängen absorbiert wird. Es wird ein Modell zum Vorhersagen des prozentualen Körperfetts oder der Dicke der subkutanen Fettschicht auf der Basis der Messung bei gegebenen Bezugswerten von einem alternativen Verfahren einer Beurteilung der Körperzusammensetzung aufgebaut. Conway verwendete beispielsweise die zweite Ableitung des Absorptionsspektrums bei 916 nm und 1026 nm, um das prozentuale Fett von mehreren Individuen zu schätzen.
Rosenthal berichtet zwei ähnliche Verfahren zum Bestimmen eines prozentualen Fetts in einem Körper durch die Verwendung der gemessenen Absorption bei einer Wellenlänge bzw. einer Bandbreite und ein mathematisches Modell, das das prozentuale Körperfett auf die Absorptionsmessung bezieht. Zusätzlich werden Daten über eine Mehrzahl von physikalischen Parametern des Körpers, wie Größe, Gewicht, Übungsniveau, Geschlecht, Rasse, eine Taillen-Hüften-Messung sowie den Armumfang, für eine Verwendung zusammen mit der gemessenen Nahinfrarot-Absorption bei der quantitativen Bestimmung eines Körperfettgehalts vorgeschlagen.
Roper et al. bestimmen die Fettdicke in dem Körper durch eine Messvorrichtung, die ein Paar von Infrarot emittierenden Dioden und ein Detektor-Array einschließt. Durch das Detektor-Array wird eine Vielfalt von Wellenlängen in dem Bereich von 700–1100 nm erfasst, und Signale werden proportional zu der Lichtintensität, die von dem Körper gesendet wird, erzeugt. Diese Signale werden summiert und verstärkt, was ein zusammengesetztes Signal bildet. Die Amplitude dieses zusammengesetzten Signals soll die Dicke der Fettschicht anzeigen.
Obwohl die berichteten Verfahren einer Nahinfrarotanalyse einen gewissen Vorteil bieten, ist die Nützlichkeit derselben aufgrund der Wellenlängenregion, die für eine Analyse ausgewählt ist, wesentlich beeinträchtigt. Es ist besonders gut verständlich, dass Melanin ein bedeutsamer Absorber für Licht unter 1100 nm ist [Siehe Anderson, R. R and J. A. Parrish: „The optics of human skin", J. of Investigative Dermatology, Band 77 (1), S. 13–19, 1981]. Die Hautfarbe bewirkt daher eine große spektrale Variation bei Wellenlängen unter 1100 nm und stellt eine wesentliche verwirrende Wirkung und Verzerrungsquelle dar. Ferner überschreitet die Eindringtiefe in dieser Wellenlängenregion bei weitem die Tiefe eines subkutan gespeicherten Fetts. Zusätzlich ist die potenzielle Störung aufgrund eines sichtbaren Lichts in dieser Wellenlängenregion gut bekannt und erfordert eine spezielle Messausrüstung und spezielle Anforderungen zum Blockieren desselben. Ein Verfahren zum Bestimmen der Dicke eines subkutanen Fetts und eines prozentualen Körperfetts durch die Verwendung einer Nahinfrarotenergie bei höheren Wellenlängen (1100–2500 nm) wäre klar varteilhaft. In diesem Bereich ist die Eindringtiefe auf ein subkutanes Gewebe begrenzt. Die optischen Eigenschaften der Fettzellen, wie dieselben, die sich in dem gemessenen Absorptionsspektrum zeigen, können verwendet werden, um die Dicke des subkutanen Gewebes und ein Gesamtniveau einer Dicke des Individuums zu schätzen.
Das Patent der Vereinigten Staaten Nr. 5,945,676 beschreibt eine Vorrichtung zum Bestimmen der Konzentration eines Analyts, das in einer Probe vorhanden ist, unter Verwendung einer Multispektralanalyse in dem Nahinfrarotbereich.
ZUSAMMENFASSUNG DER ERFINDUNG
Die Erfindung schafft eine neue Vorrichtung und verwandte Verfahren für eine Bestimmung von Merkmalen, die auf die Absorption von Fett in einem Fettgewebe bezogen sind, und eine folgende Klassifizierung von Objekten vor einer blutanalytischen Schätzung. Es ist ein Verfahren zum Bestimmen der Dicke eines subkutanen Fetts und eines prozentualen Körperfetts durch die Verwendung einer Nahinfrarotenergie bei höheren Wellenlängen in der Spektralregion von 1100–2500 nm geschaffen. In diesem Bereich ist die Eindringtiefe auf ein subkutanes Gewebe begrenzt. Die optischen Eigenschaften der Fettzellen, wie dieselben, die sich in dem gemessenen Absorptionsspektrum zeigen, können verwendet werden, um die Dicke des subkutanen Gewebes und das Gesamtniveau einer Dicke des Individuums ohne eine Störung von tieferen Gewebeschichten oder einer Hautpigmentierung zu schätzen.
Im Allgemeinen umfasst die Vorrichtung eine Energiequelle, einen Wellenlängentrenner, eine optische Schnittstelle zu dem Objekt, ein Sensorelement und einen Analysator. Das allgemeine Verfahren der Erfindung umfasst die Schritte eines Messens der NIR-Absorptionsspektren einer lebenden Gewebeprobe; eines Erfassens von Ausreißern, ungültigen Messungen, die auf verschiedene Fehlerquellen bezogen sind; eines Unterziehens des gemessenen Spektrums verschiedenen Vorverarbeitungsverfahren; einer Merkmalsextraktion, bei der die spektralen Merkmale, die spezifisch auf eine Absorption von Fett in einem Fettgewebe bezogen sind, identifiziert und isoliert werden; und einer Kalibrierung, bei der die extrahierten Merkmale mit einem Kalibrierungssatz von exemplarischen Messungen verglichen werden, um das Spektrum für eine weitere blutanalytische Vorhersage zu charakterisieren. Es können eine Hautfalten-Dickenschätzung und eine anschließende Schätzung eines prozentualen Körperfetts durchgeführt werden.
Diese und andere Merkmale, Aspekte und Vorteile der Erfindung sind unter Bezugnahme auf die folgende Beschreibung, die Zeichnungen und die beigefügten Ansprüche besser verständlich.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Diagramm eines Nah-IR-Absorptionsspektrums, das an einem menschlichen Objekt gemessen wird und Absorptionsbänder aufgrund von Fett, das in einem Fettgewebe gespeichert ist, zeigt.
2 ist ein Blockdiagramm eines Systems zum Klassifizieren eines Gewebes gemäß Merkmalen, die auf Absorptionsspektren eines Körperfetts bezogen sind, gemäß der Erfindung;
3 zeigt ein normiertes NIR-Absorptionsspektrum von Wasser;
4 zeigt ein NIR-Absorptionsspektrum einer herausgeschnittenen Probe eines tierischen Fetts;
5 liefert ein Blockdiagramm eines Verfahrens zum Extrahieren von spektralen Merkmalen, die auf die Dermis und ein Fettgewebe bezogen sind, gemäß der Erfindung;
6 zeigt die NIR-Absorptionsspektren von 19 Objekten, die gemäß dem Verfahren von 5 normiert sind, gemäß der Erfindung;
7 zeigt ein Diagramm einer einzelnen Wellenlängenkalibrierung für ein Körperfett gemäß der Erfindung;
8 liefert ein Blockdiagramm eines Verfahrens zum Messen eines Körperfetts über drei Wellenlängen gemäß der Erfindung;
9 zeigt ein Diagramm eines tatsächlichen Körperfetts gegenüber dem extrahierten Merkmal von 7 gemäß der Erfindung;
10 zeigt ein Blockdiagramm eines Verfahrens einer abstrakten Merkmalsextraktion und Objektklassifizierung gemäß der Erfindung;
11 zeigt ein Diagramm der ersten drei Eigenvektoren einer Hauptkomponentenanalyse (engl. principal component analysis) eines Datensatzes nach dem Merkmalsextraktionsverfahren von 10 gemäß der Erfindung;
12 ist ein Vergleich der dritten Belegung (Eigenvektor) von 11 mit dem Spektrum des tierischen Fetts von 4 gemäß der Erfindung;
13 liefert ein Paar von Blockdiagrammen, die verallgemeinerte Verfahren für eine Körperfettvorhersage bzw. eine Klassifizierung von Objekten gemäß spektralen Merkmalen, die einem Körperfett zugeordnet sind, zeigen, gemäß der Erfindung;
14 zeigt ein Diagramm einer vorhergesagten Hautfaltendicke gegenüber einer tatsächlichen Hautfaltendicke gemäß der Erfindung.
DETAILLIERTE BESCHREIBUNG
Ein System zum nicht-invasiven Bestimmen von Merkmalen, die auf die Absorption eines Fettgewebes bezogen sind, liefert eine Vorrichtung zum Messen der Infrarotabsorption durch ein Gewebe, das mit einer Nahinfrarotenergie bestrahlt wird, und Verfahren zum Extrahieren und Klassifizieren der Gewebecharakteristika. Alternativ wird das gemessene Absorptionsspektrum verarbeitet und einem Schätzverfahren zum Bestimmen der Hautfaltendicke und/oder des prozentualen Körperfetts unterzogen.
VORRICHTUNG
Die Vorrichtung umfasst eine Energiequelle 21, ein Sensorelement 26, eine optische Schnittstelle zu dem Objekt 25, eine Wellenlängenauswahlvorrichtung 22 und einen Analysator 33. Die Energiequelle 21 erzeugt eine Nahinfrarotenergie in dem Wellenlängenbereich von 1100–2500 nm und kann aus einer Vorrichtung wie einem LED-Array oder einer Quarzhalogenlampe bestehen. Die Erfassungselemente 26 sind Detektoren, die auf die anvisierten Wellenlängen ansprechen. Die Wellenlängen-Trennvorrichtung 22 kann ein Monochromator oder ein Interferometer sein. Eine Wellenlängentrennung kann ferner durch eine aufeinanderfolgende Beleuchtung der Elemente des im Vorhergehenden beschriebenen LED-Arrays erreicht werden. Die optische Schnittstelle 25 zu dem Objekt 20 umfasst eine Einrichtung zum Senden einer Energie 23 von der Quelle 21 zu der Zielhautgewebe-Messstelle und kann beispielsweise ein Lichtleiter, faseroptische Sonden, ein Linsensystem oder ein Lichtlenkspiegelsystem sein. Die optische Schnittstelle 25 zu dem Objekt umfasst ferner eine Einrichtung zum Sammeln von Energie 24 von den umgebenden Gewebebereichen in einem Reflexionsmodus in einem optimal bestimmten Abstand (optimal bestimmten Abständen) und kann aus Ansichtdektoren oder faseroptischen Sonden zusammengesetzt sein. Das gesammelte Licht wird in eine Spannung 26 umgewandelt und durch einen Analog-Digital-Wandler 27 für eine Analyse in einem mikroprozessorbasierten System 33 abgetastet.
Bei dem bevorzugten Ausführungsbeispiel verwendet das Gerät eine Quarzhalogenlampe 21, einen Monochromator 22 und InGAs-Detektoren 26. Die erfasste Intensität von der Probe wird durch eine analoge Elektronik 26 in eine Spannung umgewandelt und durch einen 16-Bit-A/D-Wandler 27 digitalisiert. Das Spektrum wird zum Verarbeiten durch das Klassifizierungsverfahren zu einem Prozessor 33 weitergeleitet. Zunächst wird die Absorption auf der Basis des erfassten Lichts durch –log(R/R_o) berechnet 28, wobei R das reflektierte Licht ist und R_o das auf die Probe einfallende Licht ist, das durch ein Abtasten eines Bezugsstandards bestimmt wird. Anschließende Verarbeitungsschritte, die im Folgenden beschrieben sind, resultieren in entweder einer Klassifizierung 32 oder einer Nachricht, die eine ungültige Messung anzeigt. Ein Blockdiagramm des integrierten Systems ist in 2 gezeigt.
Bei einem alternativen Ausführungsbeispiel wird eine Gruppe von LEDs als eine Energiequelle 21 verwendet, um bei vorausgewählten Wellenlängen eine Energie, die anschließend hin zu der Haut gesendet wird 23, zu erzeugen. Die LEDs, die ein einzelnes Erfassungselement 26 radial umgeben, werden abwechselnd erregt, und die erfasste Energie von jeder LED, die durch die Haut reflektiert oder durch dieselbe durchgelassen wird, wird verwendet, um ein Spektrum zu bilden. Der Kante-zu-Kante-Abstand zwischen jeder der LEDs und dem Detektorelement, oder der Abstand zwischen dem Beleuchtungspunkt und dem Erfassungspunkt, ist für die Wellenlänge der Energie, die von den jeweiligen LEDs emittiert wird, spezifisch. Der bevorzugte Abstand von dem Beleuchtungspunkt, der die Licht emittierende Oberfläche der LEDs aufweist, und dem Erfassungspunkt hat ein Minimum von 1 mm und ein Maximum von 3 mm. Der 1-mm-Abstand wird für Wellenlängen über 1380 nm und der 3-mm-Abstand für Wellenlängen in der Region von 1100–1380 nm verwendet. Der Satz von Wellenlängen umfasst 1100, 1208, 1210, 1275, 1350, 1650, 1720, 1760 nm, ist jedoch nicht auf dieselben begrenzt. Die Beleuchtungs- und Erfassungselemente 21, 26 sind mit der Zielstelle durch eine Ansichtoptik und ein Linsensystem 23, 24 gekoppelt. Für Fachleute ist offensichtlich, dass ferner andere Kopplungsverfahren anwendbar sind, einschließlich einer Faseroptik, wobei die besondere Konfiguration durch den gewünschten Abstand zwischen dem Beleuchtungs- und dem Erfassungspunkt diktiert ist.
Die Messung kann alternativ mit existierenden kommerziell verfügbaren NIR-Spektrometern durchgeführt werden, einschließlich eines Perstorp Analytical NIRS 5000 Spektrometers oder eines Nicolet Magna-IR 760 Spektrometers. Zusätzlich kann die Messung durch ein Sammeln eines von der Oberfläche der Haut reflektierten Lichts oder eines Lichts, das durch einen Abschnitt der Haut, wie den Finger oder das Ohrläppchen, durchgelassen wird, erfolgen. Ferner kann die Verwendung einer Reflexion oder einer Transmission die bevorzugte Absorptionsmessung ersetzen.
ALLGEMEINES VERARBEITUNGSVERFAHREN
Das allgemeine Verfahren für eine Bestimmung von Merkmalen, die auf eine Absorption von Triglyzeriden in einem Fettgewebe bezogen sind, ist in einem Mikroprozessor 33, der die Messinformationen von dem ADC 27 automatisch empfängt, implementiert, wie in 2 dargestellt ist. Anschließend an die Berechnung eines Absorptionsspektrums 28 umfassen die Hauptkomponenten des Merkmalsextraktions- und Klassifizierungs- und/oder Schätzverfahrens eine Ausreißererfassung 29, ein Vorverarbeiten 30, eine Merkmalsextraktion 31 und eine Klassifizierung und/oder eine Schätzung 32. Der Entwurf von jedem Verfahren wird auf der Basis eines Kalibrierungssatzes von exemplarischen Messungen durchgeführt. In diesem Abschnitt fassen wir die allgemeinen Schritte zusammen, die in dem anschließenden Implementierungsabschnitt detailliert beschrieben sind.
Messung
Die Messung 28 ist ein Spektrum, das durch den Vektor
von Absorptionswerten, die sich auf einen Satz von N Wellenlängen
beziehen, die das nahe Infrarot (1100 bis 2500 nm) überspannen, angegeben ist. Das Spektrum wird folgendermaßen berechnet: Das erfasste Licht wird verwendet, um eine grafische Darstellung von –log R/R_S zu erzeugen, wobei R das Reflexionsspektrum der Haut des Objekts und R_S die Reflexion des Gerätestandards ist. Bei einer Infrarotspektroskopie ist diese grafische Darstellung analog zu einem Absorptionsspektrum, das quantitative Informationen enthält, die auf der bekannten Wechselwirkung des einfallenden Lichts mit Komponenten des Körpergewebes basieren, und auf dieselbe ist im Folgenden auf diese Art und Weise Bezug genommen. Ein Diagramm von m gegen λ ist in 1 gezeigt. Die Messung kann jedoch insbesondere aus einer spezifischen Auswahl von Wellenlängen in dem nahen Infrarot, die für die Extraktion von Merkmalen, die auf die Absorption von Fett bezogen sind, optimiert sind, bestehen, wie im Folgenden weiter beschrieben ist.
Ausreißererfassung
Das Ausreißererfassungsverfahren 29 ist ein Verfahren eines Erfassens von ungültigen Messungen durch spektrale Variationen, die aus Problemen bei dem Gerät, einer schlechten Abtastung des Objekts oder einem Objekt außerhalb des Kalibrierungssatzes resultieren. Das bevorzugte Verfahren für die Erfassung von spektralen Ausreißern erfolgt durch eine Hauptkomponenten-Analyse und eine Analyse der Residuen. Zunächst wird das Spektrum m auf fünf in der Matrix o enthaltene Eigenvektoren, die vorher durch eine Hauptkomponenten-Analyse eines Kalibrierungssatzes von exemplarischen Absorptionsspektren entwickelt wurden und durch das Computersystem, das den Prozessor 33 häust, gespeichert werden, projiziert. Die Berechnung ist durch
gegeben und erzeugt den 1 × 5-Vektor von Auswertungen bzw. Scores xpc_o, wobei o_k die k-te Spalte der Matrix o ist. Das Residuum q wird gemäß q = m – xpcooT (2)bestimmt und mit der dreifachen Standardabweichung des erwarteten Residuums des Kalibrierungssatzes verglichen. Wenn dasselbe größer ist, wird die Probe als ein Ausreißer berichtet, und das Verfahren wird beendet.
Vorverarbeiten
Das Vorverarbeiten 30 umfasst Operationen wie eine Wellenlängenauswahl, ein Skalieren, eine Normierung, ein Glätten, Ableitungen, ein Filtern und andere Transformationen, die ein Rauschen und eine Gerätevariation dämpfen, ohne das interessierende Signal zu beeinflussen. Die vorverarbeitete Messung
wird gemäß x = h(λ, m) (3)bestimmt, wobei
die Vorverarbeitungsfunktion ist. An den Daten wird eine Wellenlängenauswahl durchgeführt, um Fremdvariablen, die die Kalibrierung verzerren können, oder Abschnitte des gemessenen Spektrums mit einem niedrigen Signal-Rausch-Verhältnis zu eliminieren. Die spezifischen Verfahren, die für eine Merkmalsextraktion und eine Schätzung einer Hautfaltendicke verwendet werden und die in dem Implementierungsabschnitt detaillierter beschrieben sind, umfassen eine Wellenlängenauswahl, eine multiplikative Streuungskorrektur und Ableitungen. [Siehe Geladi, P. and D. McDougall and H. Martens. „Linearization and Scatter-Correction for Near-Infrared Reflectance Spectra of Meat", Applied Spectroscopy, 1985: 39: 491–500. Siehe auch Savitzky, A. and M. J. E. Golay. „Smoothing and Differentiation of Data by Simplified Least Squares Procedures", Anal. Chem., Band 36, Nr. 8, S. 1627–1639, 1964.]
Merkmalsextraktion
Die Merkmalsextraktion 31 bestimmt die hervorstechende Charakteristika von Messungen, die auf die Absorption von Triglyzeriden in einem Fettgewebe bezogen sind. Die Größe eines bestimmten Merkmals ist spezifisch für das Volumen eines Fettgewebes, das durch das Licht bestrahlt wird. Die gemessenen Charakteristika dieses Gewebevolumens hängen von den optischen Eigenschaften der vorhergehenden Gewebeschichten und den optischen Eigenschaften des Fettgewebes ab. Eine Untersuchung von Merkmalen aus unterschiedlichen Wellenlängenregionen kann verwendet werden, um Informationen über die Charakteristika der Dermis und die Eigenschaften des Fettgewebes zu liefern.
Im Allgemeinen ist eine Merkmalsextraktion eine mathematische Transformation, die eine Qualität oder einen Aspekt der Probenmessung für eine Interpretation verbessert. Der Zweck einer Merkmalsextraktion besteht darin, die Eigenschaften und Charakteristika der Gewebemessstelle für Hautfaltendickenschätzungen, eine Klassifizierung und eine Vorhersage des prozentualen Körperfetts präzise darzustellen und zu verbessern. Die Merkmale liefern zusätzlich wesentliche Informationen über die Gewebeeigenschaften, die dieselben darstellen, und können für alternative Zwecke, wie eine Systemdiagnostik oder -optimierung, verwendet werden.
Die Merkmale sind in einem Vektor
dargestellt, der aus der vorverarbeiteten Messung durch z = f(λ, x) (4)bestimmt wird, wobei
eine Abbildung von dem Messungsraum in den Merkmalsraum ist. Ein Zerlegen von f(•) ergibt spezifische Transformationen
zum Bestimmen eines spezifischen Merkmals. Die Dimension M_i zeigt an, ob das i-te Merkmal ein Skalar oder ein Vektor ist und die Aggregation aller Merkmale ist der Vektor z. Wenn ein Merkmal als ein Vektor oder ein Muster dargestellt ist, zeigt dasselbe eine bestimmte Struktur, die ein zugrunde liegendes physikalisches Phänomen anzeigt.
Die einzelnen Merkmale sind in zwei Kategorien geteilt:

1. abstrakt und
2. einfach.

Abstrakte Merkmale haben nicht notwendigerweise eine spezifische Interpretation, die auf das physikalische System bezogen ist. Genauer gesagt, die Scores einer Hauptkomponenten-Analyse sind nützliche Merkmale, obwohl die physikalische Interpretation derselben nicht immer bekannt ist. Beispielsweise liefert die Hauptkomponenten-Analyse Informationen hinsichtlich der Natur des Gewebeabsorptionsspektrums. Die wesentlichste Gewebevariation ist allgemein auf die Struktur desselben bezogen, und die Absorption eines Fettgewebes ist ein Indikator einer Variation in der Struktur der vorhergehenden Gewebeschichten. Daher liefern die Scores der Hauptkomponenten-Analyse nützliche Informationen für eine Klassifizierung auf der Basis der optischen Eigenschaften des Fettgewebes und bilden einen wertvollen Satz von Merkmalen.
Einfache Merkmale sind von einem A-priori-Verständnis der Probe abgeleitet und können direkt auf ein physikalisches Phänomen bezogen sein. Beispielsweise resultiert die Dicke der Dermis oder der subkutanen Schicht in spezifischen spektralen Anzeichen. Diese spektralen Variationen werden extrahiert und verbessert und dienen als sowohl ein Merkmal für eine Objektklassifizierung als auch eine Messung der jeweiligen Gewebeeigenschaften derselben.
In dem allgemeinen Fall kann das vollständige Spektrum zu dem Klassifizierungssystem weitergeleitet werden. Im Folgenden sind jedoch die folgenden drei spezifischen Verfahren einer Merkmalsextraktion, von denen sich gezeigt hat, dass dieselben eine hervorragende Klassifizierungsleistung und Messung von anderen relevanten Gewebeeigenschaften liefern, genauer beschrieben:

1. Die Scores von einer Faktoranalyse, genauer gesagt, einer Hauptkomponenten-Analyse.
2. Die relative Absorption von Wasser und Fett.
3. Die normierte Größe der Absorptionsbänder von Triglyzeriden in einem Fettgewebe.

Die detaillierte Implementierung dieser Lösungsansätze zum Extrahieren von Merkmalen auf der Basis eines Kalibrierungssatzes wird in dem nächsten Abschnitt geliefert.
Kalibrierung
Die vorverarbeiteten Spektren und/oder die extrahierten Merkmale werden einem von zwei weiteren Verarbeitungsschritten unterzogen. Zunächst können Entscheidungen hinsichtlich der extrahierten Merkmale für den Zweck einer Objektklassifizierung gefällt werden. Die Bestimmung einer Änderung des Zustands der Dermis kann auf der Basis des extrahierten Merkmals durch ein Klassifizierungsverfahren 32, beispielsweise den Grad einer Gewebehydratation, vorgenommen werden. Das Objekt kann alternativ als „fett" klassifiziert werden, da das abgetastete Gewebevolumen ein wesentliches Merkmal, das auf die Absorption von Fett bezogen ist, erzeugt hat. Umgekehrt kann das Objekt als „dünn" klassifiziert werden, da das Merkmal, das auf die Absorption von Fett bezogen ist, eine kleine Größe hat. In beiden Fällen basiert die Klassifizierung auf einer Beurteilung des abgetasteten Gewebevolumens und nicht der allgemeinen Körperzusammensetzung des Individuums.
Das vorverarbeitete Spektrum kann einem Schätzalgorithmus 32, der die Dicke der Fettschicht oder das prozentuale Körperfett des Objekts schätzt, unterzogen werden. Bei dem Fall einer Hautfaltendickenschätzung ist das Schätzverfahren relativ einfach und kann auf der Basis eines vorverarbeiteten Spektrums oder von extrahierten Merkmalen in Betrieb sein.
Bei dem Fall der Körperzusammensetzungsbestimmung beruht das Verfahren auf der Implementierung eines Modells, das das Absorptionsspektrum auf eine Bestimmung des prozentualen Körperfetts abbildet. Obwohl bei diesem Algorithmus hervorstechende Merkmale verwendet werden können, ist die Gesamtkörperzusammensetzung von anderen Charakteristika zusätzlich zu der lokalen Dicke des Fettgewebes abhängig. Demografische Daten, wie Alter und Geschlecht, spielen bei der Bestimmung eines Körperfetts eine wichtige Rolle [Siehe Heyward, et al., op. cit.]. Sowohl das Alter als auch das Geschlecht können aus dem gleichen gemessenen Spektrum geschätzt werden, wie in zwei verwandten Anmeldungen, „A system for the non-invasive determination of age", Patentanmeldung der Vereinigten Staaten Serien-Nr. 09/487,231, eingereicht am 19. Januar 2000 durch T. Ruchti, S. Thennadil, S. Malin und J.Rennert, jetzt Patent der Vereinigten Staaten Nr. 6,501,982, und „A system for the non-invasive determination of sex", Patentanmeldung der Vereinigten Staaten Serien-Nr. 09/487,733, eingereicht am 19. Januar 2000 durch T. Ruchti, S. Thennadil, S. Malin und J. Rennert, jetzt Patent der Vereinigten Staaten Nr. 6,493,566, bereits vorher offenbart wurde. Daher benutzt das Verfahren für eine Beurteilung der Körperzusammensetzung sowohl die vorher beschriebenen Alters- und Geschlechtsbestimmungsverfahren als auch das Hautfaltendickenschätzverfahren, das hierin offenbart ist.
3 Genauere Klassifizierung
Die Klassifizierung des Objekts auf der Basis der extrahierten Merkmale wird durch einen Klassifizierungsschritt, der ein Abbilden und eine Entscheidung einschließt, durchgeführt. Der Abbildungsschritt ist durch L = f(z) (5)gegeben, wobei L ein Skalar ist, der verwendet werden kann, um den Abstand von den vordefinierten Körperzusammensetzungskategorien zu messen. Es sind beispielsweise zwei Werte L_mager und L_fett, die dem darstellenden oder Mittelwert von L für eine Kategorie „mager" und „fett" zugeordnet sind, vordefiniert, und die Klassenzuweisung basiert auf der Nähe von L zu L_mager bzw. L_fett. Beispielsweise bedeutet der Abstand von L zu einer vorher eingerichteten Klasse, dass Klassen durch dmager = |Lmager – L| dfett = |Lfett – L| (6)gemessen werden können.
Die Entscheidung wird wie folgt gefällt:

1. Wenn d_mager < d_fett, dann wird das abgetastete Gewebevolumen als „mager" oder als eine relativ niedrige prozentuale Menge von Triglyzeriden enthaltend klassifiziert.
2. Wenn d_mager ≥ d_fett, dann enthält das abgetastete Gewebevolumen eine relativ hohe Menge von Triglyzeriden und wird als „fett" klassifiziert.

Die Abbildungs- und Entscheidungsgrenzen werden aus einem Kalibrierungssatz von exemplarischen Merkmalen und entsprechenden Beurteilungen von Bezugswerten, d. h. „mager" oder „fett", durch ein Klassifizierungskalibrierungsverfahren bestimmt. Existierende Verfahren umfassen eine lineare Diskriminantenanalyse, SIMCA, k-nächster-Nachbar, eine Fuzzy-Klassifizierung und verschiedene Formen von künstlichen neuronalen Netzen. Fachleuten ist ferner bewusst, dass mehr als zwei verschiedene Klassen für ein Alter mit einer oberen Grenze, die auf der Genauigkeit der Messvorrichtung basiert, definiert sein können. [Siehe Duda, R.O. and P.E. Hart, Pattern Classification and Scene Analysis, John Wiley and Sons, New York, 1973. Siehe ferner Wold, S. and M. Sjostrom: „SIMCA: A method for analyzing chemical data in terms of similarity and analogy", Chemometrics: Theory and Application, ed. B. R. Kowalski, ACS Symposium Series, 52, 1977. Siehe ferner Bezdek, J.C. and S.K. Pal, eds. Fuzzy Models for Pattern Recognition. IEEE Press, Piscataway, NJ, 1992. Siehe ferner Keller, J., M. Gray and J. Givens: „A Fuzzy K nearest Neighbor Algorithm", IEEE Transactions on Systems, Man, and Cybernetics, Band SMC-15, Nr. 4, S. 580–585, Juli/August 1985. Siehe ferner Pao, Y.H.: Adaptive Pattern Recognition and Neural Networks. Addison-Wesley Publishing Company, Inc., Reading, MA, 1989.]
4 Fuzzy-Klassifizierung
Obwohl statistisch basierte Klassendefinitionen einen Satz von sich gegenseitig ausschließenden Klassen liefern, ändern sich die geeignete Klassifizierung einer Gewebeprobe und die resultierende spektrale Variation über ein Kontinuum von Werten. Beispielsweise variiert das Niveau einer „Magerkeit" eines abgetasteten Gewebevolumens innerhalb einer Gesamtheit von Individuen nicht auf eine diskrete, sondern auf eine kontinuierliche Art und Weise. Die natürliche Variation bei den Spektren resultiert daher in einer wesentlichen Klassenüberlappung. Verschiedene Klassengrenzen, die auf der Absorption von Fett in einem Fettgewebe basieren, existieren nicht, und viele Messungen fallen wahrscheinlich zwischen Klassen und haben eine statistisch gleiche Chance einer Zugehörigkeit zu jeder von mehreren Klassen. „Harte" Klassengrenzen und sich gegenseitig ausschließende Zugehörigkeitsfunktionen können daher unangemessen sein, um die Variation, die in der Zielgesamtheit angetroffen wird, zu modellieren.
Ein vielseitigeres Verfahren einer Klassenzuweisung basiert auf der Fuzzy-Satz-Theorie. [Siehe Bezdek, J.C., et al., op.cit. Siehe ferner Chen, C.H., ed., Fuzzy Logic and Neural Network Handbook, Piscataway, NJ: IEEE Press, 1996. Siehe ferner Zadeh, L.A.: "Fuzzy Sets", Inform. Control, Band 8, S. 338–353, 1965.] Allgemein ist eine Zugehörigkeit zu Fuzzy-Sätzen durch ein Kontinuum von Stufen und einen Satz von Zugehörigkeitsfunktionen, die den Merkmalsraum für jede Klasse in das Intervall [0, 1] abbilden, definiert. Die zugewiesene Zugehörigkeitsstufe stellt den Grad einer Klassenzugehörigkeit dar, wobei „1" dem höchsten Grad entspricht. Eine Probe kann daher gleichzeitig mehr als einer Klasse angehören.
Das Abbilden von einem Merkmalsraum auf einen Vektor von Klassenzugehörigkeiten ist durch ck = fk(z) (7)gegeben, wobei k = 1, 2, ... P, f_k(•) die Zugehörigkeitsfunktion der k-ten Klasse ist, c_k ∊ [0,1] für alle k und der Vektor
die Menge von Klassenzugehörigkeiten ist. Ein Beispiel der allgemeinen Gleichung, die verwendet wird, um eine Zugehörigkeitsfunktion darzustellen, ist
wobei y der Grad einer Zugehörigkeit zu einem Teilsatz ist, z das Merkmal ist, das verwendet wird, um eine Zugehörigkeit zu bestimmen, z das Mittel oder die Mitte des Fuzzy-Teilsatzes ist und σ die Standardabweichung ist. Fachleuten ist jedoch bewusst, dass die geeignete Zugehörigkeitsfunktion spezifisch für die Anwendung ist.
Der Zugehörigkeitsvektor liefert den Grad einer Zugehörigkeit zu jeder der vordefinierten Klassen und kann für eine blutanalytische Vorhersage verwendet werden, wie durch Malin et. al. in einer verwandten im Vorhergehenden zitierten Anmeldung, US-Patentanmeldung Serien-Nr. 09/359,191, jetzt US-Patent Nr. 6,280,381, offenbart wurde. Alternativ kann der Grad einer Klassenzugehörigkeit verwendet werden, um die Dicke eines Fettgewebes und die Körperzusammensetzung des Individuums durch eine geeignete Entfuzzifizierungsfunktion zu berechnen. Die Entfuzzifizierungsfunktion kann bestimmt werden, wie dies durch Malin et. al. in einer verwandten im Vorhergehenden zitierten Anmeldung, US-Patentanmeldung Serien-Nr. 09/359,191, jetzt US-Patent Nr. 6,280,381, beschrieben ist. Alternativ kann ein Kalibrierungssatz von exemplarischen Spektralmessungen und zugeordneten Bezugswerten verwendet werden, um ein Kalibrierungsmodell zum Abbilden der Klassenzugehörigkeit auf eine Schätzung der ausgewählten Variablen, beispielsweise einer Hautfaltendicke oder einer Körperzusammensetzung, zu bestimmen.
5 Schätzung
Das Schätzverfahren beruht auf der Verwendung eines Kalibrierungsmodells, das das vorverarbeitete Spektrum durch ein lineares oder nichtlineares Abbilden auf eine Schätzung einer Zielvariablen, wie einer Hautfaltendicke oder eines prozentualen Körperfetts, abbildet. In dem linearen Fall wird, wenn das verarbeitete Spektrum x und die Kalibrierungsmodellkoeffizienten w_c gegeben sind, der Schätzwert gemäß
bestimmt, wobei w_c,k das k-te Element von w_c ist und ŷ die geschätzte Variable ist. Fachleuten ist bewusst, dass ein nichtlineares Abbilden von x auf ŷ ferner ohne Weiteres durch künstliche neuronale Netze, eine nichtlineare partielle Regression unter Verwendung der Methode der kleinsten Quadrate (engl. nonlinear partial-least squares regression) oder ein anderes nichtlineares Kalibrierungsverfahren spezifiziert werden kann [Siehe Geladi, P. and B.R. Kowalski: „Partial least-squares regression: a tutorial", Analytica Chimica Acta, 185, S. 1–17, 1986. Siehe ferner Pao, op. cit.].
Das bevorzugte Modell ist linear und wird durch eine Faktoranalyse aufgebaut, um die hochdimensionalen oder redundanten Daten, die aus Absorptions-, Intensitäts- oder Reflexionsmessungen bei mehreren hundert Wellenlängen bestehen, in einige wenige wesentliche Faktoren, die die Mehrheit der Variation innerhalb des Datensatzes darstellen, zu zerlegen. Die Faktoren, die eine Variation in den Spektren, die mit der Zielvariablen korreliert sind, erfassen, werden bei dem Kalibrierungsmodell verwendet, und die Abtastungen werden in den resultierenden Faktorraum projiziert, um einen Satz von Scores für jede Abtastung zu erzeugen. Schließlich wird eine multiple lineare Regression angewandt, um die Beziehung zwischen den Scores der wesentlichen Faktoren und der Zielvariablen zu modellieren.
Bei dem Fall der Körperzusammensetzungsbestimmung werden die Nah-IR-Altersschätzung und die Nah-IR-Geschlechtsschätzung für das Objekt mit der Nah-IR-Schätzung der Hautfaltendicke verwendet. Zwei Verfahren für eine Körperzusammensetzungsbestimmung sind hierin offenbart. Das erste verwendet unterschiedliche Kalibrierungen zum Abbilden einer Hautfaltendicke auf ein prozentuales Körperfett für jede Altersgruppe und jedes Geschlecht. Die zweite und bevorzugte Implementierung ist ein Modell, das die drei Variablen Hautfaltendicke, Alter und Geschlecht auf eine Schätzung des prozentualen Körperfetts des Individuums abbildet. Dieses Abbilden ist von der Form y = f(x1, x2, x3) (10)wobei y die Schätzung des prozentualen Körperfetts ist, x₁ die Nah-IR-Schätzung einer Hautfaltendicke ist, x₂ die Nah-IR-Schätzung des Geschlechts ist und x₃ die Nah-IR- Schätzung des Alters ist, wie im Vorhergehenden in den zwei verwandten Anmeldungen 09/487,239 und 09/487,733, jetzt Patente der Vereinigten Staaten Nr. 6,501,982 bzw. 6,493,566, offenbart ist. Das Modell f() wird durch ein Anwenden eines analytischen Verfahrens, wie künstlichen neuronalen Netzen, auf einen Kalibrierungssatz von exemplarischen Messungen bestimmt. Fachleuten ist bewusst, dass andere Verfahren einer nichtlinearen Regression angewandt werden können, um alternative Formen für f() zu bestimmen.
IMPLEMENTIERUNGSDETAILS
Basissatz
Für den Zweck einer Merkmalsextraktion und einer Klassifizierung wurde ein Zwei-Komponenten-Basissatz vorgesehen 40, der in 3 gezeigt ist, und wurde durch –log(T/T_o) berechnet, wobei T das reflektierte Licht ist und T_o das auf die Probe einfallende Licht ist, das durch ein Abtasten einer Blindprobe bestimmt wird. Ein reines Komponentenabsorptionsspektrum von Fett 50 wurde durch ein Abtasten eines herausgeschnittenen Rinderfettgewebes mit einem Spektrometer gemäß dem bevorzugten Ausführungsbeispiel gemessen. Das resultierende Spektrum ist in 4 gezeigt.
Experimenteller Datensatz
Der experimentelle Datensatz zum Kalibrieren der Modelle, die anschließend beschrieben sind, wurde durch eine Studie von 19 Freiwilligen (16 männlich und 3 weiblich) mit einem Alter von 21 bis 55 Jahren, realisiert. Ein Absorptionsspektrum wurde an zwei aufeinanderfolgenden Tagen an dem Unterarm eines jeden Objekts mit einem Spektrometer gemäß dem bevorzugten Ausführungsbeispiel gemessen. Das prozentuale Körperfett der Teilnehmer wurde durch die Siri-Gleichung für eine Körperzusammensetzung geschätzt [Siehe Siri, W.E.: „The gross composition of the body", Adv. Biol. Med. Phys., 4, 1956, S. 239–280.]. Eine Hautfaltendicke wurde in dem Bizeps-, Trizeps-, subskapulären und suprailiakalen Bereich eines jeden Objekts mit einem Paar von Kalibriergeräten der Forschungsklasse des Typs, der als HARPENDEN bekannt ist, die durch British Indicators, LTD hergestellt werden, gemessen.
Obwohl dies ein spezifisches Experiment ist, das auf die Bestimmung eines geeigneten Satzes für eine Klassifizierung und eine Schätzung von Merkmalen und Attributen, die der Dicke eines Fettgewebes zugeordnet sind, abzielt, ist Fachleuten ohne Weiteres bewusst, dass für unterschiedliche Objekte und für unterschiedliche Zielleistungsniveaus andere Experimente mit mehr oder weniger Objekten durchgeführt würden.
Projektionsalgorithmus
Ein erstes Verfahren einer Merkmalsextraktion charakterisiert ein Gewebe basierend auf einem Absorptionsspektrum, das mit einem Nah-IR-Spektrometer in der Wellenlängenregion von 1100–1350 nm gemessen wird. Nun auf 5 Bezug nehmend, wird das gemessene Spektrum 61 durch ein Projizieren 62 eines Wasserabsorptionsspektrums 60 auf das gemessene Spektrum 61 und ein Berechnen der Differenz 65 normiert. Der Spitzenwert 66 des resultierenden Fettabsorptionsbands nahe 1210 nm wird verwendet, um das prozentuale Körperfett oder eine Dicke eines Fettgewebes bei der Messstelle unter Verwendung eines einfachen eindimensionalen Abbildens zu bestimmen.
Wenn das gemessene Spektrum 61, x, und das reine Komponentenspektrum von Wasser 60, p, gegeben sind, wird die Projektion 62 des Wasserspektrums auf das gemessene Spektrum gemäß m = [pwpTw ]–1pwxw (11)bestimmt, wobei m ein Skalar ist, der die Größe einer Wasserabsorption darstellt, und der Index w einen Teilsatz von Wellenlängen (1100–1150 nm und 1300–1350 nm) darstellt. Da Wasser vorwiegend in der dermalen Schicht konzentriert ist, stellt die Größe von m ein extrahiertes Merkmal 63 dar, das auf die Charakteristika der Dermis bezogen ist und anschließend bei der Klassifizierung 64 von Objekten durch eine lineare Diskriminantenanalyse verwendet werden kann, wie im Folgenden beschrieben ist.
Das Wasserspektrum 60 wird projiziert 62 und von der Messung 61 gemäß z = x – mp (12)subtrahiert 65, wobei z das endgültige Spektrum ist. Das im Vorhergehenden in den Gleichungen 11 und 12 zusammengefasste Verfahren wurde auf den experimentellen Datensatz angewandt, und Diagramme von z für alle Objekte in dem experimentellen Datensatz sind in 6 gezeigt. Wie die Fig. deutlich zeigt, korreliert die Größe des Absorptionsspitzenwerts bei 1210 nm mit einem prozentualen Körperfett, so dass Individuen mit dem höchsten prozentualen Körperfett den ausgeprägtesten Absorptionsspitzenwert bei oder um 1210 nm haben. Die Größe dieses Spitzenwerts ist ferner ein Merkmal 67, das auf die Dicke des Fettgewebes in der subkutanen Schicht bezogen ist und bei einer weiteren Klassifizierung 68 von Objekten verwendet wird.
Obwohl dieses Verfahren durch ein Beispiel in dem Bereich von 1100–1350 nm erklärt wurde, ist Fachleuten bewusst, dass dieses Verfahren ohne Weiteres auf den Wellenlängenbereich von 1650–1800 nm erweiterbar ist, wo zusätzliche Merkmale, die auf die Absorption eines Fettgewebes bezogen sind, bei 1720 und 1760 nm existieren, wie in 1 gezeigt ist. Der Basissatz könnte ferner andere Komponenten umfassen, die dann bei der Projektion verwendet werden könnten, um Merkmale, die auf andere Charakteristika des Gewebes, einschließlich Hydratation, Proteinkonzentrationen, Hautcholesterin und andere, bezogen sind, zu extrahieren.
Für eine Klassifizierung wird eine Diskriminantenfunktion angewandt, um die Objekte basierend auf den zwei Merkmalen 63, 67 entweder in zwei getrennten Schritten 64, 68, wie in 5 gezeigt ist, oder durch einen einzigen Schritt zu klassifizieren. Wenn beispielsweise der Vektor f, der beide Merkmale 63, 67 von 5 enthält, gegeben ist, wird das Objekt in eine von zwei Kategorien klassifiziert, um den Skalar L zu erzeugen: L = fw (13)wobei w ein Vektor von Gewichten ist. Dieses Resultat wird mit L, der Mitte zwischen den zwei Klassen, verglichen. Wenn L > L, dann wird das Objekt in eine Gruppe 1 klassifiziert. Wenn nicht, wird das Spektrum als zu einer Gruppe 2 gehörend klassifiziert. Die zwei resultierenden Gruppen enthalten einen größeren Grad von Homogenität in dem abgetasteten Gewebevolumen als die ursprüngliche Gesamtheit.
Zusätzlich kann, abhängig von dem gewünschten Niveau einer Homogenität in jeder Gruppe, eine beliebige Zahl von Gruppen definiert sein. Ferner kann durch ein Definieren eines Satzes von Zugehörigkeitsfunktionen für den Satz von vordefinierten Klassen ein Fuzzy-Klassifizierungssystem entwickelt werden. Wenn beispielsweise z, die Spitzenwertgröße der Spektren in 6, gegeben ist, kann die Gruppe von Objekten entsprechend der Absorption, die auf Fett in einem Fettgewebe bezogen ist, als dünn, mittel und fett angegeben werden. Für jede Klasse werden das mittlere Merkmal z und die Standardabweichung σ berechnet.
Die Zugehörigkeitsfunktion, die den Grad einer Zugehörigkeit zu einer bestimmten Klasse definiert, ist durch
gegeben, wobei y der Grad einer Zugehörigkeit ist. Obwohl diese Zugehörigkeitsfunktion Gaußsch ist, ist Fachleuten bewusst, dass die geeignete Zugehörigkeitsfunktion für die Anwendung spezifisch ist. Der Mittelwert und die Standardabweichung, die jeder der drei Kategorien zugeordnet sind, wurden basierend auf der Zielgesamtheit in dem experimentellen Datensatz bestimmt.
Werte für die Merkmalseingaben in die Zugehörigkeitsfunktionen, die ungewöhnlich hoch oder niedrig sind, fallen außerhalb des erwarteten Bereichs der Teilsätze und werden niedrigen Zugehörigkeitswerten zugewiesen. Diese Informationen werden verwendet, um anzuzeigen, dass die Gewebecharakteristika des Objekts außerhalb der vorher untersuchten Gesamtheit liegen, und werden für eine Ausreißeranalyse verwendet. Für die gegenwärtige Implementierung wird, wenn y < 0,1 für alle Teilsätze, der Vorhersage ein niedriges Vertrauensniveau zugewiesen.
Die resultierenden Klassenzugehörigkeiten sind für eine Verwendung bei einer Kategorisierung für eine blutanalytische Vorhersage, wie dieselbe durch Malin et al. in einer verwandten Anmeldung 09/359,191, jetzt Patent der Vereinigten Staaten Nr. 6,280,381, beschrieben ist, geeignet. Die beschriebenen Zugehörigkeitsfunktionen wurden für eine spezifische Gesamtheit von Objekten entworfen und können nicht für alle potenziellen Individuen verallgemeinert werden. Die Erfindung ist jedoch auf die beliebige Verwendung von Zugehörigkeitsfunktionen, um einem Objekt für eine blutanalytische Vorhersage einen Grad einer Zugehörigkeit zu einer gegebenen Klasse zuzuweisen, gerichtet.
Schätzung einer Körperzusammensetzung
Das Verfahren für ein Extrahieren von Merkmalen, die auf das Fett in einem Fettgewebe bezogen sind, das in 5 gezeigt ist, kann verwendet werden, um das prozentuale Körperfett des Individuums zu schätzen. Beispielsweise wurde das extrahierte Merkmal z bei 1210 nm gegenüber einem prozentualen Körperfett in 7 graphisch dargestellt. Das prozentuale Körperfett wird über Fett% = az1210nm + b (15)geschätzt, wobei a die Steigung der Geraden in 7 ist und b der entsprechende Schnitt ist und z_1210nm die Größe von z bei 1210 nm ist. Bei diesem besonderen Beispiel wurde eine Kalibrierung für alle Objekte ungeachtet eines Alters oder eines Geschlechts entwickelt. Eine verbesserte Genauigkeit kann durch einen größeren Datensatz und die Verwendung von Alters- und Geschlechtsschätzungen erhalten werden, wie durch die Gleichung 10 gezeigt ist.
Merkmalsextraktion mit zwei oder drei Wellenlängen
Das Verfahren einer Merkmalsextraktion und einer Körperfettschätzung, das im Vorhergehenden beschrieben ist, kann abhängig von dem gewünschten Genauigkeitsniveau mit einem gesamten Spektrum, wie im Vorhergehenden beschrieben ist, oder mit 2–3 Wellenlängen durchgeführt werden. Beispielsweise wurde das Verfahren von 5 modifiziert, wie in 8 gezeigt ist, und schließt die Messung eines Körperfetts unter Verwendung von Spektren 81, die bei drei Wellenlängen gemessen werden, ein. Das Merkmal z wird durch ein Projizieren des Wasserspektrums 80 auf die Messung bei lediglich zwei Wellenlängen 82 und ein Bestimmen der Differenz 83 bei einer dritten Wellenlänge berechnet. Das Verfahren kann daher in einem System mit drei gleich beabstandeten LEDs implementiert sein.
Die ausgewählten Wellenlängen sind vorzugsweise 1124, 1210 und 1276 nm, und die entsprechenden Absorptionen von Wasser sind 0,4781, 0,184148 bzw. 0,164745. Das prozentuale Körperfett wird über Fett% = az1210nm + b (16)geschätzt 84, wobei a die Steigung ist, b der Schnitt ist und Z_1210nm die Größe von z bei 1210 nm (das extrahierte Merkmal) ist. Bei dem gegenwärtigen Ausführungsbeispiel ist a = 388,18 und b = 9,177.
Dieses Verfahren wurde auf den experimentellen Datensatz angewandt, und das extrahierte Merkmal z_1210nm wurde für jedes Absorptionsspektrum 81 berechnet. Das tatsächliche prozentuale Körperfett von jedem Objekt gegenüber dem extrahierten Merkmal ist in 9 gezeigt. Der Korrelationskoeffizient (r) von 0,81 zeigt, dass das gleiche Verfahren verallgemeinert werden kann, um zwei oder mehr Wellenlängen einzuschließen.
Abstrakte Merkmalsextraktion
Eine abstrakte Merkmalsextraktion wird als ein alternatives Verfahren für eine Merkmalsextraktion und eine Objektklassifizierung benutzt, wie in 10 dargestellt ist. Für diese Implementierung wurde ein getrennter Datensatz von 266 Armabtastungen an Objekten, deren Geschlecht, Alter und Ethnizität unterschiedlich waren, verwendet, um die Parameter zu bestimmen. An dem Datensatz mit 266 Abtastwerten wurde eine Hauptkomponenten-Analyse durchgeführt, und die Scores der ersten drei Eigenvektoren sind in 11 grafisch dargestellt. 12 vergleicht den dritten Eigenvektor von 11 mit dem Absorptionsspektrum der Probe von tierischem Fett von 4. Wie gezeigt ist, stimmt der dritte Eigenvektor eng mit dem Absorptionsspektrum von Fett überein. Die ersten drei Scores xpc_1-3 werden daher als Merkmale für eine Objektklassifizierung benutzt.
Die Bestimmung der Objektklasse erfolgt folgendermaßen. Zunächst wird das Absorptionsspektrum m 28 von dem Ausreißererfassungssystem geliefert. Es wird eine Wellenlängenauswahl 100 angewandt, um den Spektralbereich auf Regionen mit einer wesentlichen Absorption aufgrund von Fett in einem Fettgewebe (1100 bis 2500 nm) zu beschneiden. Das Spektrum wird auf die Eigenvektoren p_k, die vorher durch eine Hauptkomponenten-Analyse an dem Kalibrierungssatz mit 266 Abtastwerten entwickelt wurden, projiziert 101. Die Berechnung, die in 10 gezeigt ist, erzeugt den 1 × N-Vektor von Scores xpc.
Eine Diskriminantenfunktion wird angewandt, um die Objekte auf der Basis der ersten M Scores (M = 3 in dieser Anmeldung) zu klassifizieren. Die Scores werden durch ein Kreuzprodukt mit der Diskriminanten w rotiert 102, wie in 10 gezeigt ist, um den Skalar L zu erzeugen. Dieses Resultat wird mit L, der Mitte zwischen den zwei Klassen, verglichen 103. Wenn L > L, dann wird das abgetastete Gewebevolumen als eine wesentliche Absorption aufgrund von Fett aufweisend 104 klassifiziert. Wenn nicht, wird das Gewebevolumen als eine niedrige Absorption aufgrund von Fett aufweisend klassifiziert 105. Wie im Vorhergehenden erörtert ist, ist für Fachleute erkennbar, dass dieses System auf eine beliebige Zahl von Klassen verallgemeinert werden oder ein Fuzzy-Klassifizierungssystem verwenden kann.
Allgemeine Schätz- und Klassifizierungsverfahren
Die allgemeine Schätzungsimplementierung, die in 13a. gezeigt ist, verwendet ein allgemeines Kalibrierungsmodell 131, um eine Variable, die auf die Absorption von Fett in einem Fettgewebe bei einer oder mehreren Wellenlängenregionen von 1100–2500 nm bezogen ist, vorherzusagen. Ein Absorptionsspektrum 28 ist vorgesehen. Spezifische Wellenlängenbereiche, wie 1550 bis 1800 nm und 2050 bis 2350 nm, werden ausgewählt und unter Verwendung einer mit einem Fenster versehenen multiplikativen Streuungskorrektur oder von anderen passenden Verfahren vorverarbeitet 30. Die verarbeiteten Daten werden unter Verwendung eines Kalibrierungsmodells 131, das unter Verwendung bekannter Verfahren, einschließlich einer Hauptkomponenten-Regression [Martens, H. and T. Naes. Multivariate Calibration, New York, John Wiley and Sons, 1989], einer partiellen Regression unter Verwendung der Methode der kleinsten Quadrate und von künstlichen neuronalen Netzen, realisiert ist, auf eine Körperfettvorhersage 32 abgebildet. Es wurde beispielsweise ein partielles Modell unter Verwendung der Methode der kleinsten Quadrate mit fünf Faktoren zum Schätzen der Hautfaltendicke unter Verwendung von Spektren aus dem experimentellen Datensatz entwickelt. Die Testsatzvorhersagen durch eine Vergleichsprüfung sind in 14 gezeigt. Wie in der Fig. gezeigt ist, war der Standardvorhersagefehler (engl. standard error of prediction; SEP) l,42, was in einer Vorhersagegenauigkeit von etwa siebzig Prozent resultiert. Obwohl die experimentellen Resultate die Gültigkeit und den Nutzen des Schätzverfahrens demonstrieren, ist eine Genauigkeit der Resultate direkt von der Genauigkeit der Spektralmessungen abhängig. Eine weitere Verbesserung hinsichtlich einer Genauigkeit der Resultate wird durch Verbesserungen bei dem Rauschpegel und der Auflösung des Spektrometers erreicht werden.
Das allgemeine Klassifizierungsverfahren für ein Gruppieren von Objekten gemäß Merkmalen, die auf die Absorption von Fett in einem Fettgewebe bezogen sind, ist in 13b gezeigt. Es ist wiederum ein Absorptionsspektrum 28 vorgesehen. Spezifische Wellenlängenbereiche, wie 1100–1350 nm und 1550–1800 nm, werden ausgewählt und unter Verwendung einer mit einem Fenster versehenen multiplikativen Streuungskorrektur oder von anderen passenden Verfahren vorverarbeitet 30. Die verarbeiteten Daten werden einer Merkmalsextraktion durch ein faktorbasiertes Verfahren, wie eine Hauptkomponenten-Analyse, unterzogen. Schließlich wird das Objekt durch ein Klassifizierungsverfahren 132, wie eine lineare Diskriminantenanalyse, SIMCA, k-nächster-Nachbar und verschiedene Formen von künstlichen neuronalen Netzen, in eine Körperfettkategorie 32 klassifiziert.

Claims

Nichtinvasives Verfahren zum Charakterisieren und Klassifizieren des Zustands und einer Struktur von Gewebe auf der Basis von spektralen Absorptionsmerkmalen, die auf Fett in dem subkutanen Gewebe bezogen sind, mit folgenden Schritten: Liefern eines Kalibrierungssatzes von exemplarischen Messungen; Messen eines NIR-Absorptionsspektrums einer Hautgewebeprobe; Erfassen von Ausreißern, wobei die Ausreißer ungültige Messungen sind, die durch eine spektrale Variation aufgrund von entweder einer Gerätefehlfunktion, einer schlechten Probenahme oder von Objekten außerhalb des Kalibrierungssatzes bewirkt werden; Liefern eines Basissatzes, wobei der Basissatz ein reines Komponentenspektrum von Wasser und eines von tierischem Fett aufweist, für eine Merkmalsextraktion und ein Vorverarbeiten; Vorverarbeiten des NIR-Spektrums, wobei der Schritt des Vorverarbeitens eine oder mehrere Transformationen umfasst, die ein Rauschen und eine Gerätevariation dämpfen, ohne ein interessierendes Signal zu beeinflussen, umfassend eine Wellenlängenauswahl, ein Skalieren, eine Normierung, ein Glätten, Ableitungen und ein Filtern; und Extrahieren von Merkmalen, wodurch Merkmale von Messungen, die für eine Klassifizierung relevant sind, bestimmt werden.
Verfahren nach Anspruch 1, bei dem das Spektrum durch einen Vektor
von Absorptionswerten, die einen Satz von N Wellenlängen
betreffen, angegeben wird.
Verfahren nach Anspruch 1, bei dem die spektralen NIR-Messungen in dem Wellenlängenbereich von etwa 1100 bis 2500 nm liegen.
Verfahren nach Anspruch 1, bei dem der Schritt des Erfassens von Ausreißern eine Hauptkomponentenanalyse und eine Residuenanalyse, um spektrale Ausreißer zu erfassen, verwendet.
Verfahren nach Anspruch 4, bei dem der Schritt des Erfassens von Ausreißern ferner folgende Schritte aufweist: Projizieren eines Spektrums m auf eine Mehrzahl von Eigenvektoren, die in einer Matrix o enthalten sind, wobei die Matrix o vorher durch eine Hauptkomponentenanalyse des Kalibrierungssatzes entwickelt wird, wobei
und wobei o_k die k-te Spalte der Matrix o ist; wobei das Residuum q gemäß q = m – xpcooT bestimmt wird; Vergleichen des Residuums q mit der dreifachen Standardabweichung des Residuums des Kalibrierungssatzes; und Berichten der Probe als einen Ausreißer, wenn q größer ist.
Verfahren nach Anspruch 1, bei dem die Merkmale in einem Vektor
dargestellt sind, der aus einer vorverarbeiteten Messung durch z = f(λ, x)bestimmt wird, wobei
eine Abbildung von einem Messungsraum auf einen Merkmalsraum ist, wobei ein Zerlegen von f(•) spezifische Transformationen
zum Bestimmen eines spezifischen Merkmals ergibt, wobei die Dimension Mi anzeigt, ob ein i-tes Merkmal ein Skalar oder ein Vektor ist, und eine Aggregation aller Merkmale der Vektor z ist, wobei die Transformationen eine Qualität oder einen Aspekt einer Probenmessung für eine Interpretation verbessern, um Eigenschaften und Charakteristika der Gewebemessstelle präzise darzustellen, und wobei ein Merkmal eine bestimmte Struktur zeigt, die ein zugrunde liegendes physikalisches Phänomen anzeigt, wenn das Merkmal als ein Vektor oder ein Muster dargestellt wird.
Verfahren nach Anspruch 6, bei dem einzelne Merkmale in zwei Kategorien geteilt werden, die aufweisen: abstrakte Merkmale, die nicht notwendigerweise eine spezifische Interpretation, die auf ein physikalisches System bezogen ist, haben; und einfache Merkmale, die aus einem A-priori-Verständnis einer Probe abgeleitet werden, und die direkt auf ein physikalisches Phänomen bezogen sein können.
Verfahren nach Anspruch 4, bei dem der Schritt des Extrahierens von Merkmalen eine Hauptkomponentenanalyse aufweist.
Verfahren nach Anspruch 6, bei dem der Schritt des Extrahierens von Merkmalen ein Normieren der Größe von Absorptionsbändern von Fett in einem Fettgewebe aufweist.
verfahren nach Anspruch 6, bei dem der Schritt des Extrahierens von Merkmalen ein Vergleichen von Wasser- und Fettabsorptionsspektren der Probe mit Wasser- und Fettabsorptionsspektren des Kalibrierungssatzes aufweist.
Verfahren nach Anspruch 8, bei dem der Schritt des Extrahierens von Merkmalen folgende Schritte aufweist: Beschneiden des Spektrums m bei dem Wellenlängenbereich von etwa 1100 bis 2500 nm; Projizieren des beschnittenen Spektrums auf eine Mehrzahl, p_k, von Eigenvektoren, wobei die Eigenvektoren vorher durch eine Hauptkomponentenanalyse des Kalibrierungssatzes berechnet wurden; wobei die Projektion einen 1-mal-N-Vektor von Scores, xpc, erzeugt; und Anwenden einer Diskriminantenfunktion, wodurch die Proben auf der Basis der ersten M Scores klassifiziert werden, wobei die Scores durch ein Kreuzprodukt mit einer Diskriminanten w rotiert werden, um einen Skalar L zu erzeugen.
Verfahren nach Anspruch 11, bei dem M = 3 ist.
Verfahren nach Anspruch 1, das ferner folgenden Schritt aufweist: Klassifizieren der Probe gemäß vordefinierten Kategorien von Fettheit und Magerkeit.
Verfahren nach Anspruch 13, bei dem das Spektrum auf einen der Wellenlängenbereiche von etwa 1100 bis 1350 nm und etwa 1650 bis 1800 nm begrenzt ist.
Verfahren nach Anspruch 14, bei dem der Schritt des Extrahierens von Merkmalen folgenden Schritt aufweist: Normieren des begrenzten Spektrums.
Verfahren nach Anspruch 15, bei dem der Schritt des Normierens folgende Schritte aufweist: Projizieren des Wasserspektrums auf das begrenzte Spektrum gemäß m = [pwPTw ]–1pwxw,wobei m ein Skalar ist, der die Größe einer Wasserabsorption darstellt, und der Index w einen Teilsatz von Wellenlängen darstellt; und Subtrahieren des reinen Wasserspektrums von dem begrenzten Spektrum gemäß z = x – mpwobei z ein endgültiges Spektrum ist.
Verfahren nach Anspruch 13, bei dem der Schritt des Klassifizierens folgende Schritte aufweist: Messen einer Ähnlichkeit von mindestens einem Merkmal zu den vordefinierten Kategorien; und Zuweisen einer Zugehörigkeit zu den vordefinierten Kategorien.
Verfahren nach Anspruch 17, bei dem der Schritt des Zuweisens sich gegenseitig ausschließende Klassen verwendet und jede Probe einer Klasse zuweist.
Verfahren nach Anspruch 17, bei dem der Schritt des Zuweisens ein Fuzzy-Klassifizierungssystem, das eine Klassenzugehörigkeit zu mehr als einer Klasse gleichzeitig erlaubt, verwendet.
Verfahren nach Anspruch 18, bei dem der Schritt des Zuweisens ferner folgende Schritte aufweist: Abbilden der Probe auf eine der vordefinierten Klassen; und Anwenden einer Entscheidungsregel, um eine Klassenzugehörigkeit zuzuweisen.
Verfahren nach Anspruch 20, bei dem der Schritt des Abbildens durch L = f(z)gegeben ist, wobei L ein Skalar ist, der einen Abstand einer Probe von den vordefinierten Kategorien misst.
Verfahren nach Anspruch 18, bei dem die Kategorien „fett" und „mager" sind, wobei L_fett einem darstellenden Wert für die Klasse „fett" und L_mager einem darstellenden Wert für die Klasse „mager" entspricht; und bei dem die Klassenzuweisung auf der Nähe von L zu L_fett und L_mager basiert.
Verfahren nach Anspruch 22, bei dem ein Abstand d_fett von L zu L_fett durch dfett = |Lfett – L|,gemessen wird, und bei dem ein Abstand d_mager von L zu L_mager durch dmager = |Lmager – L|gemessen wird.
Verfahren nach Anspruch 23, bei dem die Entscheidungsregel lautet: wenn d_mager < d_fett, wird die Probe als „mager" klassifiziert; wenn d_mager ≥ d_fett, wird die Probe als „fett" klassifiziert.
Verfahren nach Anspruch 20, bei dem aus einem Kalibrierungssatz von exemplarischen Messungen und entsprechenden Bezugswerten von fett und mager durch ein Klassifizierungskalibrierungsverfahren Grenzen für das Abbilden und die Entscheidungsregel bestimmt werden.
Verfahren nach Anspruch 25, bei dem die Klassifizierungskalibrierung eine lineare Diskriminantenanalyse, eine SIMCA-Analyse, eine k-Nearest-Neighbor-Analyse oder künstliche neuronale Netze mit einer Fuzzy-Klassifizierung aufweist.
Verfahren nach Anspruch 26, bei dem der Schritt des Abbildens durch L = fwgegeben ist, wobei w ein Vektor von Gewichten ist, und bei dem L mit L verglichen wird, wobei L eine Mitte zwischen zwei der sich gegenseitig ausschließenden Klassen ist.
Verfahren nach Anspruch 27, bei dem der Schritt des Zuweisens eine Entscheidungsregel verwendet, wobei die Entscheidungsregel lautet: wenn L > L, wird die Probe einer ersten der zwei Klassen zugewiesen; wenn L ≤ L, wird die Probe einer zweiten der zwei Klassen zugewiesen.
Verfahren nach Anspruch 16, bei dem eine Klassenzugehörigkeit durch ein Kontinuum von Stufen definiert ist, und bei dem ein Satz von Zugehörigkeitsfunktionen einen Merkmalsraum in ein Intervall [0, 1] für jede Klasse abbildet, und bei dem eine zugewiesene Stufe von „1" einen höchsten Grad einer Klassenzugehörigkeit darstellt.
Verfahren nach Anspruch 29, bei dem das Abbilden von dem Merkmalsraum auf einen Vektor von Klassenzugehörigkeiten durch ck = fk(z),gegeben ist, wobei k = 1,2, ... P und wobei f_k(•) die Zugehörigkeit der K-ten Klasse ist, und wobei c_k ∊ [0, 1] für alle k und wobei ein Vektor
der Satz aller Klassenzugehörigkeiten ist.
Verfahren nach Anspruch 30, bei dem eine Zugehörigkeitsfunktion durch
dargestellt ist, wobei y der Grad einer Zugehörigkeit zu einem Fuzzy-Teilsatz ist, z das Merkmal ist, das verwendet wird, um eine Zugehörigkeit zu bestimmen, z die Mitte eines Fuzzy-Teilsatzes ist, und σ die Standardabweichung ist.
Verfahren nach Anspruch 30, bei dem der Zugehörigkeitsvektor den Grad einer Klassenzugehörigkeit zu jeder der vordefinierten Klassen liefert.
Verfahren nach Anspruch 1, das ferner folgenden Schritt aufweist: Schätzen einer Dicke einer Hautfalte, wobei die Hautfalte eine Schicht von Fettgewebe aufweist.
Verfahren nach Anspruch 33, bei dem der Schritt des Schätzens entweder vorverarbeitete Spektren oder extrahierte Merkmale verwendet.
Verfahren nach Anspruch 34, bei dem der Schritt des Schätzens ferner den folgenden Schritt aufweist: Liefern eines Kalibrierungsmodells, um das vorverarbeitete Spektrum durch ein Abbilden auf eine Schätzung einer Hautfaltendicke abzubilden.
Verfahren nach Anspruch 35, bei dem das Abbilden linear ist.
Verfahren nach Anspruch 36 bei dem die Hautfaltendickenschätzung gemäß
bestimmt wird, wobei das vorverarbeitete Spektrum x und das Kalibrierungsmodel w_c gegeben sind, wobei w_c,k das k-te Element von w_c und y die Hautfaltendickenschätzung ist.
Verfahren nach Anspruch 37, bei dem das Kalibrierungsmodell eine Faktoranalyse verwendet, um einen hochdimensionalen (redundanten) Datensatz, der Absorptions-, Intensitäts- oder Reflexionsmessungen bei einer Mehrzahl von Wellenlängen aufweist, in signifikante Faktoren, die die Mehrheit einer Variation innerhalb des Datensatzes darstellen, zu zerlegen; und bei dem das Kalibrierungsmodell Faktoren umfasst, die eine Variation in den Spektren, die mit einer Variation einer Hautfaltendicke korreliert ist, erfassen.
Verfahren nach Anspruch 38, das ferner folgende Schritte aufweist: Projizieren der Proben in einen resultierenden Faktorraum, um einen Satz von Scores für jede Probe zu erzeugen; und Anwenden einer multiplen linearen Regression, um die Beziehung zwischen den Scores und der Hautfaltendicke zu modellieren.
Verfahren nach Anspruch 35, bei dem das Abbilden nichtlinear ist.
Verfahren nach Anspruch 40, bei dem das nicht lineare Abbilden durch entweder künstliche neuronale Netze oder eine nichtlineare partielle Regression unter Verwendung der Methode der kleinsten Quadrate spezifiziert wird.
Verfahren nach Anspruch 33, das ferner folgenden Schritt aufweist: Schätzen einer Körperzusammensetzung eines Objekts.
Verfahren nach Anspruch 42, bei dem der Schritt des Schätzens der Körperzusammensetzung folgenden Schritt aufweist: Abbilden einer Hautfaltendickenschätzung, einer Geschlechtsschätzung und einer Altersschätzung auf eine Schätzung des prozentualen Körperfetts des Objekts gemäß y = f(x1, x2, x3),wobei y die Schätzung des prozentualen Körperfetts ist, x₁ die Hautfaltendickenschätzung ist, x₂ die Geschlechtsschätzung ist, und x₃ die Altersschätzung und f() ein Kalibrierungsmodell ist.
Verfahren nach Anspruch 43, bei dem das Modell f() durch Anwenden eines nichtlinearen Regressionsverfahrens auf einen Kalibrierungssatz von exemplarischen Messungen bestimmt wird.
Verfahren nach Anspruch 42, bei dem das Spektrum auf drei Wellenlängen begrenzt ist.
Verfahren nach Anspruch 45, bei dem die drei Wellenlängen 1124, 1210 und 1276 nm sind.
Verfahren nach Anspruch 46, bei dem der Schritt des Extrahierens von Merkmalen folgenden Schritt aufweist: Normieren des begrenzten Spektrums.
Verfahren nach Anspruch 47, bei dem der Schritt des Normierens folgende Schritte aufweist: Projizieren des Wasserspektrums auf zwei der drei Wellenlängen; und Subtrahieren des reinen Wasserspektrums von dem begrenzten Spektrum bei der Dritten der Wellenlängen gemäß z = x – mpwobei z ein endgültiges Spektrum ist.
Verfahren nach Anspruch 47, das ferner folgenden Schritt aufweist: Schätzen des prozentualen Körperfetts gemäß Fett% = az1210nm + b,wobei a die Steigung, b der Schnitt und z_1210nm die Größe von z bei 1210 nm ist, wobei z ein extrahiertes Merkmal ist.
Verfahren nach Anspruch 13 oder Anspruch 33, das ferner folgenden Schritt aufweist: Durchführen einer blutanalytischen Vorhersage.
Vorrichtung zum nichtinvasiven Charakterisieren und Klassifizieren des Zustands und einer Struktur einer Hautgewebeprobe basierend auf spektralen Absorptionsmerkmalen, die auf die Absorption von Fett in dem subkutanen Gewebe eines Objekts bezogen sind, mit. einer Einrichtung zum Erzeugen einer Nahinfrarot-(NIR-)Energie; einer Einrichtung zum Trennen der erzeugten NIR-Energie in eine Mehrzahl von Wellenlängenbereichen; einer optischen Schnittstelle, mit: einer Einrichtung zum Senden der NIR-Energie von der Wellenlängentrenneinrichtung hin zu einer Zielmessstelle an einem Objekt; und einer Einrichtung zum Sammeln einer NIR-Energie, die von der Messstelle ausstrahlt; einer Einrichtung zum Erfassen der gesammelten Energie und Umwandeln der gesammelten Energie in eine Spannung; einer Einrichtung zum Umwandeln der Spannung in einen digitalen Wert; und einer Einrichtung zum Analysieren des digitalen Werts, wobei die Einrichtung zum Analysieren angepasst ist, um das Verfahren nach Anspruch 1 auszuführen, wodurch die Analyse in einer Charakterisierung oder einer Klassifizierung der Hautgewebeprobe resultiert.
Vorrichtung nach Anspruch 51, bei der die Energiequelle und die Wellenlängentrenneinrichtung zusammen ein Feld von LEDs, das die Erfassungseinrichtung in einer radialen Weise umgibt, aufweisen, wobei sowohl die LEDs als auch die Erfassungseinrichtung eine Seitenkante haben, und bei der jede der LEDs aufeinanderfolgend eine Energie bei einer spezifischen Wellenlänge in einem Satz von vorausgewählten Wellenlängen emittiert.
Vorrichtung nach Anspruch 52, bei der der Satz von vorausgewählten Wellenlängen 1100 nm, 1208 nm, 1210 nm, 1275 nm, 1350 nm, 1650 nm, 1720 nm und 1760 nm umfasst.
Vorrichtung nach Anspruch 52, bei der die Seitenkante von jeder der LEDs einen Beleuchtungspunkt aufweist, und die Seitenkante der Erfassungseinrichtung einen Erfassungspunkt aufweist, und bei der ein Abstand zwischen dem Beleuchtungspunkt und dem Erfassungspunkt 1 bis 3 mm ist.
Vorrichtung nach Anspruch 54, bei der das LED-Feld und die Erfassungseinrichtung mittels einer Ansichtoptik und eines Linsensystems mit der Messstelle gekoppelt sind.
Vorrichtung nach Anspruch 51, bei der die Energiequelle eine Quarzhalogenlampe ist, wobei die Lampe Energie in dem Wellenlängenbereich von etwa 1100 bis 2500 nm sendet.
Vorrichtung nach Anspruch 56, bei der die Wellenlängentrenneinrichtung entweder ein Monochromator oder ein Interferometer ist.
Vorrichtung nach Anspruch 51, bei der die Sendeeinrichtung entweder ein Lichtleiter, eine faseroptische Sonde, ein Linsensystem oder ein Lichtlenkspiegelsystem ist.
Vorrichtung nach Anspruch 51, bei der die Energiesammeleinrichtung entweder mindestens einen Ansichtoptikdetektor oder mindestens eine faseroptische Sonde aufweist.
Vorrichtung nach Anspruch 51, bei der die Energieerfassungseinrichtung InGAs-Detektoren aufweist.
Vorrichtung nach Anspruch 51, bei der die Digitalisierungseinrichtung einen 16-Bit-A/D-Wandler aufweist.
Vorrichtung nach Anspruch 58, bei der ein Beleuchtungspunkt durch entweder eine Fokussierlinse oder eine faseroptische Sonde eingestellt wird.
Vorrichtung nach Anspruch 59, bei der ein Erfassungspunkt durch entweder einen Ansichtoptikdetektor oder eine faseroptische Sonde eingestellt wird.