JP6783596B2 - 分析物質の濃度予測方法および装置 - Google Patents
分析物質の濃度予測方法および装置 Download PDFInfo
- Publication number
- JP6783596B2 JP6783596B2 JP2016179957A JP2016179957A JP6783596B2 JP 6783596 B2 JP6783596 B2 JP 6783596B2 JP 2016179957 A JP2016179957 A JP 2016179957A JP 2016179957 A JP2016179957 A JP 2016179957A JP 6783596 B2 JP6783596 B2 JP 6783596B2
- Authority
- JP
- Japan
- Prior art keywords
- concentration
- section
- learning
- analytical substance
- spectra
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000126 substance Substances 0.000 title claims description 141
- 238000000034 method Methods 0.000 title claims description 48
- 238000001228 spectrum Methods 0.000 claims description 139
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 65
- 239000008103 glucose Substances 0.000 claims description 65
- 230000008859 change Effects 0.000 claims description 61
- 238000001727 in vivo Methods 0.000 claims description 24
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 12
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 12
- 241000124008 Mammalia Species 0.000 claims description 10
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 10
- 239000012491 analyte Substances 0.000 claims description 9
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000004202 carbamide Substances 0.000 claims description 6
- 235000012000 cholesterol Nutrition 0.000 claims description 6
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 6
- 102000004169 proteins and genes Human genes 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 6
- 241001465754 Metazoa Species 0.000 claims description 5
- 244000005700 microbiome Species 0.000 claims description 5
- 238000000862 absorption spectrum Methods 0.000 claims description 4
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 claims description 4
- 235000014655 lactic acid Nutrition 0.000 claims description 4
- 239000004310 lactic acid Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 239000008280 blood Substances 0.000 description 49
- 210000004369 blood Anatomy 0.000 description 49
- 230000003595 spectral effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 235000003642 hunger Nutrition 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004566 IR spectroscopy Methods 0.000 description 4
- 238000001069 Raman spectroscopy Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 241000699670 Mus sp. Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 241000699666 Mus <mouse, genus> Species 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- KVZLHPXEUGJPAH-UHFFFAOYSA-N 2-oxidanylpropanoic acid Chemical compound CC(O)C(O)=O.CC(O)C(O)=O KVZLHPXEUGJPAH-UHFFFAOYSA-N 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 239000013060 biological fluid Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1495—Calibrating or testing of in-vivo probes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Emergency Medicine (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、生体信号から体内に含まれている分析物質の濃度を予測する方法および装置に関する。
生体信号から体内の分析物質の濃度を予測するために、部分最小二乗（ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ、ＰＬＳ）アルゴリズムまたは純分析物質信号（ｎｅｔ ａｎａｌｙｔｅ ｓｉｇｎａｌ、ＮＡＳ）アルゴリズムが用いられる。そして、このような体内の分析物質の濃度を予測するためのアルゴリズムでは、実験対象（ｔｅｓｔ ｓｕｂｊｅｃｔ）に対して赤外線などの電磁波を投射した後、電磁波と分析物質との間の相互作用の結果として取得された体内スペクトルを用いる。この時、体内スペクトルは、赤外線分光法（ｉｎｆｒａ−ｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ）、ラマン分光法（Ｒａｍａｎ ｓｐｅｃｔｒｏｓｃｏｐｙ）などの光学的方法により取得される。
ＰＬＳアルゴリズムは、実験などにより得られたデータを活用して、多変量入力変数（独立変数）と出力変数（従属変数）との間における相関関係を求める統計的モデリングツールである。本アルゴリズムを生体信号分析に適用する場合、分析物質の濃度に応じたスペクトル変化を学習して、特定時刻の分析物質の濃度を生体信号から予測することができる。ＰＬＳアルゴリズムは、生体信号から分析物質の濃度を予測するために、複数の時刻の分析物質の濃度と当該時刻におけるスペクトルを必要とする。予測能力の減少を防止するために、分析物質の濃度変化に対するスペクトル変化を周期的に再学習しなければならない。
ＮＡＳアルゴリズムは、分析物質の固有スペクトル、そして、分析物質の濃度変化と無関係なスペクトル変化要因を学習して、分析物質の濃度を予測するアルゴリズムである。ＮＡＳアルゴリズムを生体信号分析に適用する場合、実験から得られた分析物質の固有スペクトルと、分析物質の濃度が一定に維持される時間区間で分析物質の濃度変化以外のスペクトル変化要因を学習する。これを用いて別の時刻での分析物質の濃度を当該時刻におけるスペクトルから予測することができる。つまり、ＮＡＳアルゴリズムは、分析物質の濃度変化がない区間（学習区間）でのスペクトル変化は、分析物質の濃度変化によるものではないことを学習し、学習内容と分析物質の固有スペクトルを用いて学習区間以外の時間区間（予測区間）に対する分析物質の濃度を予測する。この時、学習区間と予測区間での生体信号変化要因が互いに同一の場合、分析物質の濃度予測の正確度が高い。しかし、不要な学習、つまり、予測区間で発生しない生体信号変化要因を学習区間で追加的に学習する場合、濃度予測の正確度は減少する。そして、学習しない生体信号変化要因が予測区間で発生した場合にも濃度予測の正確度が減少する。そのため、このような外部変因を統制することは、濃度予測正確度の向上のために非常に重要である。従来、ＮＡＳアルゴリズムの予測正確度を高めるためのいくつかの技術が提示されたが、外部変因を効果的に統制できる方法は研究されていない。なお、生体信号により生体流体中の濃度を求める技術としては、たとえば、下記特許文献１に記載されているものが知られている。
本発明が解決しようとする課題は、ＮＡＳアルゴリズムなど分析物質の濃度が比較的一定に維持される区間のスペクトル変化を学習して、分析物質の濃度を予測するアルゴリズムにおいて、スペクトルの相互類似性の計算により類似区間を分類し、それぞれの類似区間における分析物質の濃度維持区間を用いて学習区間を決定した後、各学習区間を用いて当該学習区間がある類似区間での分析物質の濃度を予測する方法および装置を提供することである。
本発明の一実施形態によれば、体内に含まれている分析物質の濃度を予測する方法が提供される。前記分析物質の濃度予測方法は、分析物質に対する複数の体内スペクトルを取得する段階と、分析物質の濃度が実質的に変化しない区間および複数の体内スペクトルに基づいて、分析物質に対する濃度予測アルゴリズムの学習区間を決定する段階と、学習区間に対する学習結果および分析物質の固有スペクトルに基づいて、濃度予測アルゴリズムを用いて分析物質の濃度を予測する段階とを含む。
前記分析物質の濃度予測方法において、分析物質は、ブドウ糖、尿素、乳酸、トリグリセリド、蛋白質、コレステロール、またはエタノールのうちの少なくとも１つである。
前記分析物質の濃度予測方法において、分析物質は、ブドウ糖であり、分析物質の濃度が実質的に変化しない区間は、空腹区間である。
前記分析物質の濃度予測方法において、体内スペクトルは、赤外線の吸収スペクトルまたは反射スペクトルのうちの１つである。
前記分析物質の濃度予測方法において、体内スペクトルは、単一波長の電磁波の散乱スペクトルである。
前記分析物質の濃度予測方法において、取得する段階は、予め設定された時間間隔に応じて連続的に複数の体内スペクトルを取得する段階を含むことができる。
前記分析物質の濃度予測方法において、濃度予測アルゴリズムは、ＮＡＳアルゴリズムである。
前記分析物質の濃度予測方法において、学習区間を決定する段階は、複数の体内スペクトル間の類似度を計算する段階と、類似度が高い区間を類似区間として決定する段階と、分析物質の濃度が実質的に変化しない区間と類似区間との重なる区間を学習区間として決定する段階とを含むことができる。
前記分析物質の濃度予測方法において、類似度を計算する段階は、複数の体内スペクトルのうち、相互類似度を計算する少なくとも２つのスペクトルに対して基準線を整列する段階と、基準線が整列された少なくとも２つの体内スペクトル間の差を計算する段階とを含むことができる。
前記分析物質の濃度予測方法において、予測する段階は、学習区間の長さが予め設定された区間の長さより長い場合に、学習区間を含む類似区間に対する分析物質の濃度を予測する段階を含むことができる。
前記分析物質の濃度予測方法において、予測する段階は、学習区間の長さが予め設定された長さより短い場合に、学習区間を含む類似区間で追加的に学習区間を決定する段階を含むことができる。
前記分析物質の濃度予測方法において、予測する段階は、学習区間の長さが予め設定された長さより短い場合に、濃度予測不可を知らせるメッセージを使用者に表示する段階を含むことができる。
前記分析物質の濃度予測方法において、分析物質は、人体、動物、哺乳類、非哺乳類、または微生物のうちの１つに含まれている分析物質である。
本発明の他の実施形態によれば、体内に含まれている分析物質の濃度予測装置が提供される。前記濃度予測装置は、少なくとも１つのプロセッサと、メモリとを含み、少なくとも１つのプロセッサは、メモリに保存された少なくとも１つのプログラムを実行して、分析物質に対する複数の体内スペクトルを取得する段階と、分析物質の濃度が実質的に変化しない区間および複数の体内スペクトルに基づいて、分析物質に対する濃度予測アルゴリズムの学習区間を決定する段階と、学習区間に対する学習結果および分析物質の固有スペクトルに基づいて、濃度予測アルゴリズムを用いて分析物質の濃度を予測する段階とを行う。
前記濃度予測装置において、分析物質は、ブドウ糖、尿素、乳酸、トリグリセリド、蛋白質、コレステロール、またはエタノールのうちの少なくとも１つである。
前記濃度予測装置において、分析物質は、ブドウ糖であり、分析物質の濃度が実質的に変化しない区間は、空腹区間である。
前記濃度予測装置において、体内スペクトルは、赤外線の吸収スペクトルまたは反射スペクトルのうちの１つである。
前記濃度予測装置において、体内スペクトルは、単一波長の電磁波の散乱スペクトルである。
前記濃度予測装置において、少なくとも１つのプロセッサは、取得する段階を行う時、予め決定された時間間隔で連続的に複数の体内スペクトルを取得する段階を行うことができる。
前記濃度予測装置において、濃度予測アルゴリズムは、ＮＡＳアルゴリズムである。
前記濃度予測装置において、少なくとも１つのプロセッサは、学習区間を決定する段階を行う時、複数の体内スペクトル間の類似度を計算する段階と、類似度が高い区間を類似区間として決定する段階と、分析物質の濃度が実質的に変化しない区間と類似区間との重なる区間を学習区間として決定する段階とを行うことができる。
前記濃度予測装置において、少なくとも１つのプロセッサは、類似度を計算する段階を行う時、複数の体内スペクトルのうち、相互類似度を計算する少なくとも２つのスペクトルに対して基準線を整列する段階と、基準線が整列された少なくとも２つの体内スペクトル間の差を計算する段階とを行うことができる。
前記濃度予測装置において、少なくとも１つのプロセッサは、予測する段階を行う時、学習区間の長さが予め設定された区間の長さより長い場合に、学習区間を含む類似区間に対する分析物質の濃度を予測する段階を行うことができる。
前記濃度予測装置において、少なくとも１つのプロセッサは、予測する段階を行う時、学習区間の長さが予め設定された長さより短い場合に、学習区間を含む類似区間で追加的に学習区間を決定する段階を行うことができる。
前記濃度予測装置において、少なくとも１つのプロセッサは、予測する段階を行う時、学習区間の長さが予め設定された長さより短い場合に、濃度予測不可を知らせるメッセージを使用者に表示する段階を行うことができる。
前記濃度予測装置において、分析物質は、人体、動物、哺乳類、非哺乳類、または微生物のうちの１つに含まれている分析物質である。
前記濃度予測装置は、有無線ネットワークを介して赤外線センサまたはレーザセンサから複数の体内スペクトルを受信する通信部をさらに含むことができる。
前記濃度予測装置は、人体に赤外線を照射して複数の体内スペクトルを生成する赤外線センサをさらに含むことができる。
前記濃度予測装置は、人体にレーザを照射して複数の体内スペクトルを生成するレーザセンサをさらに含むことができる。
本発明の一実施形態によれば、生体信号間の類似度の計算により測定位置変更などの外部変因の発生地点を判断して、外部変因が発生しない区間、つまり、生体信号の類似区間を決定し、それぞれの類似区間内で分析物質の濃度が変化しない区間を学習区間として、これを用いて当該類似区間に対する分析物質の濃度を予測することによって、分析物質の濃度が正確に予測できる。
以下、添付した図面を参照して、本発明の実施形態について、本発明の属する技術分野における通常の知識を有する者が容易に実施できるように詳細に説明する。しかし、本発明は種々の異なる形態で実現可能であり、ここで説明する実施形態に限定されない。そして、図面において、本発明を明確に説明するために説明上不必要な部分は省略し、明細書全体にわたって類似の部分については類似の図面符号を付した。
図１は、本発明の一実施形態に係る分析物質の濃度を予測する濃度予測装置を示すブロック図である。
本発明の一実施形態に係る濃度予測装置１００は、分析物質の濃度予測アルゴリズムを用いて体内スペクトル（ｉｎ ｖｉｖｏ ｓｐｅｃｔｒｕｍ）を分析することによって、分析物質の濃度を予測することができる。この時、体内スペクトルは、生体に対して赤外線またはレーザが透過（ｔｒａｎｓｍｉｓｓｉｏｎ）または拡散反射（ｄｉｆｆｕｓｅ ｒｅｆｌｅｃｔａｎｃｅ）した後、分析物質によって吸収または散乱されることにより生成され、予め設定された時間間隔に応じて連続的に取得される。このように取得された体内スペクトルは、赤外線分光法（ｉｎｆｒａ−ｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ）またはラマン分光法（Ｒａｍａｎ ｓｐｅｃｔｒｏｓｃｏｐｙ）などにより取得された後、濃度予測アルゴリズムに適用可能である。そして、本発明の一実施形態に係る濃度予測装置１００は、人体、動物、哺乳類、非哺乳類、および微生物の体内に含まれている分析物質の濃度を予測することができる。また、体内に含まれている分析物質は、ブドウ糖（ｇｌｕｃｏｓｅ）、尿素（ｕｒｅａ）、乳酸（ｌａｃｔａｔｅ）、トリグリセリド（ｔｒｉｇｌｙｃｅｒｉｄｅ）、蛋白質（ｐｒｏｔｅｉｎ）、コレステロール（ｃｈｏｌｅｓｔｅｒｏｌ）、およびエタノール（ｅｔｈａｎｏｌ）のうちの少なくとも１つである。
本発明の一実施形態において、体内の分析物質がブドウ糖の場合、分析物質の濃度は血糖を示すことができ、分析物質の濃度が実質的に一定に維持される時間区間で空腹区間が適用可能であり、ブドウ糖の場合、近赤外線（ｎｅａｒ ｉｎｆｒａ−ｒｅｄ、ＮＩＲ）または中間赤外線（ｍｉｄｄｌｅ ｉｎｆｒａ−ｒｅｄ、ＭＩＲ）が体内スペクトルの生成に用いられる。
図１を参照すれば、本発明の一実施形態に係る濃度予測装置１００は、区間決定部１１０と、学習部１２０と、濃度予測部１３０とを含む。
区間決定部１１０は、連続的に取得された複数の体内スペクトル間で計算された類似度に基づいて類似区間を分類し、それぞれの類似区間内で分析物質の濃度が実質的に一定に維持される区間（例えば、空腹区間のようにブドウ糖などの分析物質が人体の内部に流入しない区間）を考慮して学習区間を決定することができる。区間決定部１１０は、学習区間の長さが予め設定された区間の長さより短い場合に、濃度予測が不可能と判断し、濃度予測装置１００に含まれているインタフェースなどを介して使用者に濃度予測不可を知らせるメッセージを表示することができる。
学習部１２０は、区間決定部１１０で決定された各学習区間の体内スペクトルに基づいて、分析物質の濃度変化と無関係なスペクトル変化要因を学習する。この時、学習部１２０は、主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ、ＰＣＡ）方法などを用いて、分析物質の濃度変化と無関係なスペクトル変化要因を学習することができる。
濃度予測部１３０は、学習区間に対する学習結果（例えば、各学習区間で学習されたスペクトル変化要因）および分析物質の固有スペクトルを用いて類似区間での分析物質の濃度を予測する。本発明の一実施形態に係る濃度予測部１３０は、最小二乗法（ｌｅａｓｔ ｓｑｕａｒｅ ｍｅｔｈｏｄ）を用いて分析物質の体内濃度を予測することができる。以降、濃度予測部１３０は、通信部１４０を介して分析物質の濃度を予測した結果を伝達することができ、または濃度予測装置１００に含まれているインタフェースなどを介して濃度予測結果を使用者に表示することができる。
ＮＡＳアルゴリズムが血糖予測に用いられる場合、濃度予測装置１００は、空腹区間の体内スペクトル変化が血糖量の変化によるものではないことを学習し、体内スペクトルの変化を分析して、学習区間以外の区間（例えば、類似区間内の予測区間）での血糖（つまり、分析物質の濃度）を予測することができる。この時、空腹区間全体が学習区間として決定されると、空腹区間中の体内スペクトルが取得された位置の変化による外部変因など空腹区間で発生した変因がそのまま血糖予測に反映できるため、濃度予測の正確度が低下するおそれがある。本発明の一実施形態に係る濃度予測装置１００は、体内スペクトル間の類似度を用いてスペクトル取得位置の変化など外部変因の発生時刻を判断し、これに基づいて学習区間および予測区間（類似区間における学習区間でない区間）を精密に限定することによって、濃度予測の正確度を高めることができる。
一方、体内スペクトルが濃度予測装置１００の外部に位置した光学センサで生成される場合、本発明の一実施形態に係る濃度予測装置１００は、光学センサから有無線ネットワークを介して体内スペクトルを取得可能な通信部１４０をさらに含むことができる。そして、通信部１４０は、濃度予測装置１００の外部に有無線通信を介して分析物質の濃度を予測した結果を送信することができる。
あるいは、本発明の他の実施形態に係る濃度予測装置１００は、光学センサ１５０をさらに含み、体内スペクトルを直接取得することができる。
本発明の一実施形態に係る濃度予測装置１００は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）、メモリ（ｍｅｍｏｒｙ）、そして送受信部（ｔｒａｎｓｃｅｉｖｅｒ）により動作できる。メモリは、プロセッサに連結され、プロセッサを駆動するための多様な情報を保存することができる。送受信部は、プロセッサに連結され、端末またはサーバなどと有無線信号を送受信することができる。プロセッサは、本発明の実施形態で提案した機能、過程、または方法を実現することができる。本発明の実施形態に係る濃度予測装置１００の動作は、プロセッサによって実現される。
本発明の実施形態において、メモリは、プロセッサの内部または外部に位置してもよく、メモリは、すでに知られた多様な手段を介してプロセッサに連結される。メモリは、多様な形態の揮発性または不揮発性保存媒体であり、例えば、メモリは、読取専用メモリ（ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）またはランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）を含むことができる。
図２は、本発明の一実施形態に係る血糖予測方法を示すフローチャートである。
図２を参照すれば、まず、人体内部の分析物質に対して複数の体内スペクトルが連続的に取得される（Ｓ２０１）。この時、複数の体内スペクトルは、生体の外部で予め設定された時間間隔に応じて連続的に取得される。
以降、区間決定部１１０は、スペクトル間の類似度および分析物質の濃度が比較的一定に維持される区間に基づいて、濃度予測アルゴリズムのための学習区間を決定する（Ｓ２０２）。この時、本発明の一実施形態に係る区間決定部１１０は、複数の体内スペクトル間の類似度に基づいて外部変因の発生時点を判断可能なため、分析物質の濃度予測に影響を与え得る外部変因を効果的に統制することができる。
図３Ａおよび図３Ｂは、本発明の一実施形態に係る空腹区間で発生し得る外部変因を示す図である。
図３Ａおよび図３Ｂは、横軸が時間、縦軸が血糖値のグラフであって、グラフの実線は時間に応じた血糖変化を示している。つまり、図３Ａおよび図３Ｂは、分析物質がブドウ糖であり、分析物質の濃度は血糖のグラフである。
図３Ａを参照すれば、本発明の一実施形態に係る濃度予測装置１００の使用者の血糖数値は、食事時点後に増加しており、分析物質の濃度変化が実質的にない区間、つまり、空腹区間は食事前の時間区間として決定される。
この時、空腹区間中における体内スペクトルの測定位置変更、皮膚洗浄などの変因により、空腹区間で体内スペクトルの大きな変化が誘発され得る。そして、空腹区間中に発生した変因によって学習区間の長さが変更される。
図３Ｂを参照すれば、体内スペクトルの測定位置が変更された場合、学習区間は空腹区間より短い区間（区間１）に変更され、以降、体内スペクトルの測定位置は、洗浄ことにより、学習区間はさらに短くなり得る（区間２）。一方、空腹区間で変因が発生した時点が食事時点と近すぎて学習区間が過度に短い場合（区間３）、学習区間の不足により血糖予測に失敗することがある。つまり、学習区間の長さが予め設定された区間の長さより短ければ、学習区間を含む類似区間に対する分析物質の濃度予測が不可能と判断されるが、濃度予測部１３０は、学習区間の長さが予め設定された区間の長さより長い場合に、学習区間を含む類似区間に対する分析物質の濃度を予測できるからである。この時、区間決定部１１０は、学習区間の長さが予め設定された区間の長さより短いため、濃度予測が不可能であることを、濃度予測装置１００のインタフェースなどを介して使用者に知らせることができる。仮に、食事時点後もスペクトル間の類似性の分析により類似区間で学習区間（区間４）を追加的に決定できれば、類似区間の血糖予測が可能になる。上記のように、体内スペクトルの測定位置変更または皮膚洗浄などの外部変因が血糖予測に影響を与え得るので、本発明の一実施形態に係る区間決定部１１０は、スペクトルの類似度に基づいて類似区間（外部変因のない連続した区間）を決定して外部変因を除去することができる。
図４は、本発明の一実施形態に係る血糖予測アルゴリズムの学習区間の決定方法を示すフローチャートであり、図５は、本発明の一実施形態に係る体内スペクトル間の類似度の分析方法を示すグラフであり、図６は、本発明の一実施形態に係る体内スペクトル間で計算された類似度を示すグラフである。
まず、本発明の一実施形態に係る濃度予測装置１００の区間決定部１１０は、測定位置変更などの外部変因を血糖予測から除去するために、体内スペクトル間の類似度を計算する（Ｓ４０１）。そして、区間決定部１１０は、計算された類似度に基づいて類似区間を分類する（Ｓ４０２）。つまり、本発明の一実施形態に係る区間決定部１１０は、類似区間の分類により外部変因が発生した地点を探すことができる。つまり、体内スペクトルの類似区間は、外部変因の発生地点を基準として分類される。以降、区間決定部１１０は、各類似区間で分析物質の濃度が実質的に変化しない区間を学習区間として決定する（Ｓ４０３）。つまり、本発明の一実施形態に係る学習区間は、類似区間と分析物質の濃度が実質的に変化しない区間（例えば、空腹区間）との互いに重なる区間として決定される。
本発明の一実施形態において、体内スペクトル間の相互類似度は、連続的に取得された体内スペクトルに対してスペクトル間の一対一の比較により計算される。
図５〜図１１は、ネズミを対象とした血糖予測の結果を示すグラフである。本発明の一実施形態に係る血糖予測においてネズミの動脈血管に高濃度ブドウ糖水溶液が注入されて血糖変化が発生し、皮膚に対する赤外線スペクトルは１．２分の間隔で測定された。
図５の上側グラフおよび下側グラフの横軸は体内スペクトルの周波数を示し、縦軸は体内スペクトルの強さを示す。図５を参照すれば、上側グラフは互いに異なる時刻に測定された２つの赤外線スペクトルを示すグラフであり、下側グラフは当該スペクトルの類似度計算のために基準線（ｂａｓｅｌｉｎｅ）が整列されたスペクトルグラフである。つまり、本発明の一実施形態において、その体内スペクトルの類似度計算のために、各体内スペクトルは、基準線が整列された後、２つの体内スペクトルの差値に基づいて類似度が計算される。本発明の他の実施形態によれば、スペクトルの基準線の整列後、スペクトル間の差値の計算以外に外部変因によるスペクトル変化を示し得る別の計算方法も適用可能である。
図６を参照すれば、横軸および縦軸は、連続的に測定されたスペクトルのうち、相互類似性を計算する２つのスペクトルの測定時刻を示し、計算された類似度は陰影により表示されている。例えば、１時に測定された体内スペクトルは、約０〜２時の間に測定された体内スペクトルとは互いに類似しているが、２〜７時の間に測定された体内スペクトルとは互いに非類似である。また、５時に測定された体内スペクトルは、０〜３時の間に測定された体内スペクトルとは互いに非類似であるが、約３〜７時の間に測定された体内スペクトルとは類似している。
以降、本発明の一実施形態に係る濃度予測装置１００の区間決定部１１０は、計算された類似度に基づいて類似区間を決定する。図７Ａおよび図７Ｂは、本発明の一実施形態に係る体内スペクトル間の類似度に基づいて決定された類似区間を示す図である。
図７Ａは、１時に測定された体内スペクトルとは異なる時刻に測定された体内スペクトル間の差を示すグラフであり、図７Ｂは、５時に測定された体内スペクトルとは異なる時刻に測定された体内スペクトル間の差を示すグラフである。図７Ａおよび図７Ｂにおいて、横軸は体内スペクトルの測定時刻を示し、図７Ａの縦軸は１時に測定された体内スペクトルとは異なる時刻に測定された体内スペクトル間の差を示し、図７Ｂの縦軸は５時に測定された体内スペクトルとは異なる時刻に測定された体内スペクトル間の差を示す。
図７Ａを参照すれば、１時に測定された体内スペクトルは、約０時２０分〜２時の間に測定された他の体内スペクトルと類似しているため、０時２０分頃から２時の間の区間が類似区間として決定される。また、図７Ｂを参照すれば、５時に測定された体内スペクトルは、約３時２０分〜６時５５分の間に測定された他の体内スペクトルと類似しているため、約３時２０分〜６時５５分の間の時間区間が体内スペクトル間の類似度が高い類似区間として決定される。この時、類似区間の決定時、予め設定されたしきい値に応じて類似度が変更可能である。そして、類似区間の決定時、スペクトル以外に皮膚インピーダンス、温度、圧力などのような生体信号が追加的に用いられる。
以降、本発明の一実施形態に係る区間決定部１１０は、類似区間および分析物質の濃度が実質的に変化しない区間の互いに重なる区間を学習区間として決定することができる。
図８は、本発明の一実施形態に係る空腹区間を示すグラフであり、図９は、本発明の一実施形態により決定された学習区間を示すグラフである。
図８を参照すれば、図８の実線は時間の変化に応じた血糖変化を示すグラフであり、図８において、血糖（つまり、ブドウ糖の体内濃度）が実質的に変化しない区間が空腹区間として決定される。この時、本発明の一実施形態に係る濃度予測装置１００の使用者は、直接空腹区間を測定して濃度予測装置１００に入力することができ、この時、空腹区間は、使用者の生活周期に応じて予め決定された時間区間で入力されてもよい。図８に示された空腹区間は、約１〜３時および６〜６．５時である。
そして、図９を参照すれば、分析物質の濃度が実質的に変化しない区間および体内スペクトルが相互類似する類似区間の重なる学習区間は、約１〜２時（第１学習区間）、約２．５〜３時（第２学習区間）、そして約６〜６．５時（第３学習区間）である。
一方、本発明の一実施形態により決定された学習区間は、ＮＡＳアルゴリズムだけでなく、分析物質の濃度が実質的に変化しない区間の体内スペクトル変化が分析物質によるものではないことを学習して、分析物質の濃度を予測する他のアルゴリズムにも適用可能である。
再び図１および図２を参照すれば、本発明の一実施形態に係る学習部１２０は、各学習区間に対する学習を行う（Ｓ２０３）。例えば、学習部１２０は、各学習区間の体内スペクトルに基づいて、分析物質の濃度変化と無関係なスペクトル変化要因を学習することができる。そして、本発明の一実施形態に係る濃度予測部１３０は、学習区間に対する学習結果および分析物質の固有スペクトルに基づいて、類似区間に対する分析物質の濃度を予測する（Ｓ２０４）。
図１０は、本発明の一実施形態に係る濃度予測アルゴリズムの実行結果を示すグラフである。
図１０を参照すれば、各学習区間（第１、第２および第３学習区間）に対する濃度予測アルゴリズムの実行結果を示す３つのグラフが示されている。図１０に示された各グラフは、当該学習区間を含む類似区間でのみ有効であるので、類似区間に基づいて各グラフを組み合わせると、分析物質濃度の最終予測結果を得ることができる。
図１１Ａおよび図１１Ｂは、本発明の一実施形態に係る血糖予測結果および実際の血糖値を示すグラフである。
図１１Ａおよび図１１Ｂにおいて、横軸は時間軸であり、縦軸は血糖であり、各図面には、予測血糖の時間変化と実際の血糖の時間変化が示されている。図１１Ａにおいて、約０時〜０時２０分、約２〜２．５時、および約６．５〜８時の区間は、学習区間の不足で血糖予測が難しい部分である。そして、図１１Ｂは、動脈−皮膚間の血糖変化の遅延現象に基づいて、図１１Ａに＋１５分の時間遅延を適用した結果である。つまり、動脈における血糖変化が皮膚組織に反映されるために１５分程度の遅延があるので、これを反映すると、図１１Ｂのように、血糖１７ｍＭ／ｄＬ未満の領域で実際の血糖グラフと一致する結果を得ることができる。
図１２Ａは、全ての空腹区間を学習区間として決定した場合に比較されたネズミの動脈血糖を示すグラフであり、図１２Ｂは、本発明の一実施形態に係る濃度予測装置１００で予測したネズミの動脈血糖が比較されたグラフである。
図１２Ａおよび図１２Ｂの横軸は直接測定された１７ｍＭ／ｄＬ未満の動脈血糖であり、縦軸は１７ｍＭ／ｄＬ未満の範囲で予測された動脈血糖である。つまり、図１２Ａおよび図１２Ｂにおいて、比較結果を示す小さい円がｙ＝ｘ直線の周辺に集まっているほど、予測された動脈血糖が実際の動脈血糖と一致することを示し、濃度予測方法の優れていることを裏付けることができる。
図１２Ａを参照すれば、全ての空腹区間を学習区間として決定した場合、予測された動脈血糖が実際の動脈血糖とやや差がある。しかし、図１２Ｂを参照すれば、本発明の一実施形態に係る濃度予測装置１００において、類似区間および空腹区間に基づいて学習区間を精巧に決定した結果、予測された動脈血糖が実際の動脈血糖と血糖数値１７ｍＭ／ｄＬ内で非常に類似していることを示している。つまり、図１２Ｂは、本発明の一実施形態に係る濃度予測装置１００は、既存の濃度予測方法に比べて非常に正確な濃度予測を行えることを示している。
上記のように、本発明の一実施形態に係る分析物質の濃度予測装置１００は、体内スペクトル間の類似度の計算によりスペクトルの類似区間を決定した後、決定した類似区間と分析物質の濃度が一定に維持される区間を考慮して学習区間を決定することによって、体内の分析物質の濃度を予測するに際して外部変因を効果的に統制することができる。また、本発明の一実施形態に係る濃度予測装置１００は、決定された学習区間を含む類似区間での分析物質の濃度を予測することによって、濃度予測の正確度を向上させることができる。
図１３は、本発明の他の実施形態に係る分析物質の濃度を予測する濃度予測装置１００を示すブロック図である。
図１３を参照すれば、本発明の一実施形態に係る相互作用ネットワーク分析装置１３００は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）１３１０と、メモリ（ｍｅｍｏｒｙ）１３２０とを含む。プロセッサ１３１０は、本発明の実施形態で提案した機能、過程、または方法を実現することができる。メモリ１３２０は、プロセッサ１３１０に連結され、プロセッサ１３１０を駆動するための多様な情報またはプロセッサ１３１０によって実行される少なくとも１つのプログラムを保存することができる。つまり、本発明の実施形態に係る相互作用ネットワーク分析装置１３００の動作は、プロセッサ１３１０によって実現される。
本発明の実施形態において、メモリ１３２０は、プロセッサ１３１０の内部または外部に位置してもよく、メモリ１３２０は、すでに知られた多様な手段を介してプロセッサ１３１０に連結される。メモリ１３２０は、多様な形態の揮発性または不揮発性保存媒体であり、例えば、メモリ１３２０は、読取専用メモリ（ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）またはランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）を含むことができる。
以上、本発明の実施形態について詳細に説明したが、本発明の権利範囲はこれに限定されるものではなく、次の請求の範囲で定義している本発明の基本概念を利用した当業者の様々な変形および改良形態も本発明の権利範囲に属する。
１００ 濃度予測装置、
１１０ 区間決定部、
１２０ 学習部、
１３０ 濃度予測部、
１４０ 通信部、
１５０ 光学センサ。
１１０ 区間決定部、
１２０ 学習部、
１３０ 濃度予測部、
１４０ 通信部、
１５０ 光学センサ。
Claims (27)
- 体内に含まれている分析物質の濃度を予測する方法であって、
前記分析物質に対する複数の体内スペクトルを取得する段階と、
前記分析物質の濃度が実質的に変化しない区間および前記複数の体内スペクトルに基づいて、前記分析物質に対する濃度予測アルゴリズムの学習区間を決定する段階と、
前記学習区間に対する学習結果および前記分析物質の固有スペクトルに基づいて、前記濃度予測アルゴリズムを用いて前記分析物質の濃度を予測する段階と、を含み、
前記学習区間を決定する段階は、
前記複数の体内スペクトル間の類似度を計算する段階と、
前記類似度が高い区間を類似区間として決定する段階と、
前記分析物質の濃度が実質的に変化しない区間と前記類似区間との重なる区間を前記学習区間として決定する段階と、
を含む分析物質の濃度予測方法。 - 前記分析物質は、ブドウ糖、尿素、乳酸、トリグリセリド、蛋白質、コレステロール、またはエタノールのうちの少なくとも１つである、請求項１に記載の分析物質の濃度予測方法。
- 前記分析物質は、ブドウ糖であり、前記分析物質の濃度が実質的に変化しない区間は、空腹区間である、請求項１に記載の分析物質の濃度予測方法。
- 前記体内スペクトルは、赤外線の吸収スペクトルまたは反射スペクトルのうちの１つである、請求項１に記載の分析物質の濃度予測方法。
- 前記体内スペクトルは、単一波長の電磁波の散乱スペクトルである、請求項１に記載の分析物質の濃度予測方法。
- 前記取得する段階は、予め設定された時間間隔に応じて連続的に前記複数の体内スペクトルを取得する段階を含む、請求項１に記載の分析物質の濃度予測方法。
- 前記濃度予測アルゴリズムは、純分析物質信号（ｎｅｔ ａｎａｌｙｔｅ ｓｉｇｎａｌ、ＮＡＳ）アルゴリズムである、請求項１に記載の分析物質の濃度予測方法。
- 前記類似度を計算する段階は、
前記複数の体内スペクトルのうち、相互類似度を計算する少なくとも２つのスペクトルに対して基準線を整列する段階と、
前記基準線が整列された前記少なくとも２つの体内スペクトル間の差を計算する段階と 、
を含む、請求項１に記載の分析物質の濃度予測方法。 - 前記予測する段階は、
前記学習区間の長さが予め設定された区間の長さより長い場合に、前記学習区間を含む前記類似区間に対する前記分析物質の濃度を予測する段階を含む、請求項１に記載の分析物質の濃度予測方法。 - 前記予測する段階は、
前記学習区間の長さが予め設定された長さより短い場合に、前記学習区間を含む前記類似区間で追加的に学習区間を決定する段階を含む、請求項１に記載の分析物質の濃度予測方法 。 - 前記予測する段階は、
前記学習区間の長さが予め設定された長さより短い場合に、濃度予測不可を知らせるメッセージを使用者に表示する段階を含む、請求項１に記載の分析物質の濃度予測方法。 - 前記分析物質は、人体、動物、哺乳類、非哺乳類または微生物のうちの１つに含まれている分析物質である、請求項１に記載の分析物質の濃度予測方法。
- 体内に含まれている分析物質の濃度予測装置であって、
少なくとも１つのプロセッサと、
メモリと、を含み、
前記少なくとも１つのプロセッサは、前記メモリに保存された少なくとも１つのプログラムを実行して、
前記分析物質に対する複数の体内スペクトルを取得する段階と、
前記分析物質の濃度が実質的に変化しない区間および前記複数の体内スペクトルに基づいて、前記分析物質に対する濃度予測アルゴリズムの学習区間を決定する段階と、
前記学習区間に対する学習結果および前記分析物質の固有スペクトルに基づいて、前記濃度予測アルゴリズムを用いて前記分析物質の濃度を予測する段階と、を行い、
前記少なくとも１つのプロセッサは、前記学習区間を決定する段階を行う時、
前記複数の体内スペクトル間の類似度を計算する段階と、
前記類似度が高い区間を類似区間として決定する段階と、
前記分析物質の濃度が実質的に変化しない区間と前記類似区間との重なる区間を前記学習区間として決定する段階と、
を行う濃度予測装置。 - 前記分析物質は、ブドウ糖、尿素、乳酸、トリグリセリド、蛋白質、コレステロール、またはエタノールのうちの少なくとも１つである、請求項１３に記載の濃度予測装置。
- 前記分析物質は、ブドウ糖であり、前記分析物質の濃度が実質的に変化しない区間は、空腹区間である、請求項１３に記載の濃度予測装置。
- 前記体内スペクトルは、赤外線の吸収スペクトルまたは反射スペクトルのうちの１つである、請求項１３に記載の濃度予測装置。
- 前記体内スペクトルは、単一波長の電磁波の散乱スペクトルである、請求項１３に記載の濃度予測装置。
- 前記少なくとも１つのプロセッサは、前記取得する段階を行う時、
予め決定された時間間隔で連続的に前記複数の体内スペクトルを取得する段階を行う、請求項１３に記載の濃度予測装置。 - 前記濃度予測アルゴリズムは、純分析物質信号（ｎｅｔ ａｎａｌｙｔｅ ｓｉｇｎａｌ、ＮＡＳ）アルゴリズムである、請求項１３に記載の濃度予測装置。
- 前記少なくとも１つのプロセッサは、前記類似度を計算する段階を行う時、
前記複数の体内スペクトルのうち、相互類似度を計算する少なくとも２つのスペクトルに対して基準線を整列する段階と、
前記基準線が整列された前記少なくとも２つの体内スペクトル間の差を計算する段階と 、を行う、請求項１３に記載の濃度予測装置。 - 前記少なくとも１つのプロセッサは、前記予測する段階を行う時、
前記学習区間の長さが予め設定された区間の長さより長い場合に、前記学習区間を含む前記類似区間に対する前記分析物質の濃度を予測する段階を行う、請求項１３に記載の濃度予測装置。 - 前記少なくとも１つのプロセッサは、前記予測する段階を行う時、
前記学習区間の長さが予め設定された長さより短い場合に、前記学習区間を含む前記類似区間で追加的に前記学習区間を決定する段階を行う、請求項１３に記載の濃度予測装置。 - 前記少なくとも１つのプロセッサは、前記予測する段階を行う時、
前記学習区間の長さが予め設定された長さより短い場合に、濃度予測不可を知らせるメッセージを使用者に表示する段階を行う、請求項１３に記載の濃度予測装置。 - 前記分析物質は、人体、動物、哺乳類、非哺乳類、または微生物のうちの１つに含まれている分析物質である、請求項１３に記載の濃度予測装置。
- 有無線ネットワークを介して赤外線センサまたはレーザセンサから前記複数の体内スペクトルを受信する通信部をさらに含む、請求項１３に記載の濃度予測装置。
- 人体に赤外線を照射して前記複数の体内スペクトルを生成する赤外線センサをさらに含む、請求項１３に記載の濃度予測装置。
- 人体にレーザを照射して前記複数の体内スペクトルを生成するレーザセンサをさらに含む、請求項１３に記載の濃度予測装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150134872A KR102443262B1 (ko) | 2015-09-23 | 2015-09-23 | 분석물질 농도 예측 방법 및 장치 |
| KR10-2015-0134872 | 2015-09-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017060753A JP2017060753A (ja) | 2017-03-30 |
| JP6783596B2 true JP6783596B2 (ja) | 2020-11-11 |
Family
ID=56979429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016179957A Active JP6783596B2 (ja) | 2015-09-23 | 2016-09-14 | 分析物質の濃度予測方法および装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US10881333B2 (ja) |
| EP (1) | EP3150122B1 (ja) |
| JP (1) | JP6783596B2 (ja) |
| KR (1) | KR102443262B1 (ja) |
| CN (1) | CN107007254B (ja) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102539142B1 (ko) | 2016-09-05 | 2023-06-01 | 삼성전자주식회사 | 스펙트럼 분석 장치와 방법, 및 혈당 측정 장치 |
| KR20180042700A (ko) | 2016-10-18 | 2018-04-26 | 삼성전자주식회사 | 스펙트럼 안정성 모니터링 장치 및 방법 |
| KR102655737B1 (ko) | 2016-11-30 | 2024-04-05 | 삼성전자주식회사 | 생체 성분 추정 장치 및 방법 |
| KR102539144B1 (ko) | 2017-10-19 | 2023-06-01 | 삼성전자주식회사 | 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법 |
| KR102574085B1 (ko) * | 2017-11-29 | 2023-09-04 | 삼성전자주식회사 | 혈당 농도를 예측하는 장치 및 방법 |
| KR20200097144A (ko) | 2019-02-07 | 2020-08-18 | 삼성전자주식회사 | 생체정보 추정 장치 및 방법 |
| KR20200100997A (ko) | 2019-02-19 | 2020-08-27 | 삼성전자주식회사 | 분석 물질의 농도 추정 장치 및 방법 |
| KR20200133525A (ko) * | 2019-05-20 | 2020-11-30 | 삼성전자주식회사 | 생체 정보 추정 모델의 유효성 판단 장치 및 방법 |
| KR20200137103A (ko) * | 2019-05-29 | 2020-12-09 | 삼성전자주식회사 | 생체 정보 추정 모델 갱신 장치 및 방법 |
| KR102466236B1 (ko) * | 2020-11-17 | 2022-11-15 | ㈜에이치엠이스퀘어 | 단일 파장을 갖는 레이저 조합을 이용한 광음향 진단 장치 및 방법 |
| JPWO2023145810A1 (ja) * | 2022-01-28 | 2023-08-03 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002065090A2 (en) | 2001-01-26 | 2002-08-22 | Sensys Medical | Noninvasive measurement of glucose through the optical properties of tissue |
| US7098037B2 (en) | 1998-10-13 | 2006-08-29 | Inlight Solutions, Inc. | Accommodating subject and instrument variations in spectroscopic determinations |
| US6157041A (en) * | 1998-10-13 | 2000-12-05 | Rio Grande Medical Technologies, Inc. | Methods and apparatus for tailoring spectroscopic calibration models |
| US20080184017A1 (en) | 1999-04-09 | 2008-07-31 | Dave Stuttard | Parallel data processing apparatus |
| US6645142B2 (en) * | 2000-12-01 | 2003-11-11 | Optiscan Biomedical Corporation | Glucose monitoring instrument having network connectivity |
| US6898451B2 (en) * | 2001-03-21 | 2005-05-24 | Minformed, L.L.C. | Non-invasive blood analyte measuring system and method utilizing optical absorption |
| US6574490B2 (en) * | 2001-04-11 | 2003-06-03 | Rio Grande Medical Technologies, Inc. | System for non-invasive measurement of glucose in humans |
| US20040142403A1 (en) | 2001-08-13 | 2004-07-22 | Donald Hetzel | Method of screening for disorders of glucose metabolism |
| US8718738B2 (en) | 2002-03-08 | 2014-05-06 | Glt Acquisition Corp. | Method and apparatus for coupling a sample probe with a sample site |
| JP2004321325A (ja) | 2003-04-22 | 2004-11-18 | Matsushita Electric Works Ltd | 血糖値の定量方法 |
| US7591801B2 (en) * | 2004-02-26 | 2009-09-22 | Dexcom, Inc. | Integrated delivery device for continuous glucose sensor |
| US7460895B2 (en) * | 2005-01-24 | 2008-12-02 | University Of Iowa Research Foundation | Method for generating a net analyte signal calibration model and uses thereof |
| JP4928849B2 (ja) * | 2006-06-27 | 2012-05-09 | 東芝メディカルシステムズ株式会社 | 非侵襲的測定装置 |
| JP2010005047A (ja) | 2008-06-25 | 2010-01-14 | Panasonic Electric Works Co Ltd | 光学式生体成分測定用の検量モデルの作成方法及び非侵襲血糖値測定装置 |
| WO2010019919A1 (en) * | 2008-08-14 | 2010-02-18 | University Of Toledo | Multifunctional neural network system and uses thereof for glycemic forecasting |
-
2015
- 2015-09-23 KR KR1020150134872A patent/KR102443262B1/ko active IP Right Grant
-
2016
- 2016-09-14 JP JP2016179957A patent/JP6783596B2/ja active Active
- 2016-09-20 EP EP16189720.2A patent/EP3150122B1/en active Active
- 2016-09-20 US US15/270,812 patent/US10881333B2/en active Active
- 2016-09-23 CN CN201610848249.7A patent/CN107007254B/zh active Active
-
2020
- 2020-11-24 US US17/102,587 patent/US20210076995A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20170079565A1 (en) | 2017-03-23 |
| US10881333B2 (en) | 2021-01-05 |
| CN107007254A (zh) | 2017-08-04 |
| KR102443262B1 (ko) | 2022-09-13 |
| JP2017060753A (ja) | 2017-03-30 |
| EP3150122A1 (en) | 2017-04-05 |
| KR20170035675A (ko) | 2017-03-31 |
| EP3150122B1 (en) | 2022-02-16 |
| US20210076995A1 (en) | 2021-03-18 |
| CN107007254B (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6783596B2 (ja) | 分析物質の濃度予測方法および装置 | |
| JP6947531B2 (ja) | 濃度予測方法、濃度予測プログラム、および濃度予測装置 | |
| AU754677B2 (en) | System and method for noninvasive blood analyte measurements | |
| KR102630877B1 (ko) | 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치 | |
| US6675029B2 (en) | Apparatus and method for quantification of tissue hydration using diffuse reflectance spectroscopy | |
| EP1250082B1 (en) | Classification and characterization of tissue through features related to adipose tissue | |
| Chen et al. | Diagnosis of colorectal cancer by near-infrared optical fiber spectroscopy and random forest | |
| JP6775660B2 (ja) | 多位置拡散スペクトルデータの処理、モデリング、予測方法および処理装置 | |
| JP6462585B2 (ja) | 医学的測定曲線の評価方法 | |
| Allegrini et al. | An integrated approach to the simultaneous selection of variables, mathematical pre-processing and calibration samples in partial least-squares multivariate calibration | |
| de Souza Gondim et al. | Determining performance parameters in qualitative multivariate methods using probability of detection (POD) curves. Case study: Two common milk adulterants | |
| Suryakala et al. | Investigation of goodness of model data fit using PLSR and PCR regression models to determine informative wavelength band in NIR region for non-invasive blood glucose prediction | |
| Solihin et al. | Non-invasive blood glucose estimation using handheld near infra-red device | |
| Tian et al. | WSPXY combined with BP-ANN method for hemoglobin determination based on near-infrared spectroscopy | |
| Sa et al. | Mid-infrared spectroscopy with an effective variable selection method based on mpa for glucose detection | |
| Watté et al. | Robust metamodel-based inverse estimation of bulk optical properties of turbid media from spatially resolved diffuse reflectance measurements | |
| KR20200047981A (ko) | 생체성분 추정 장치 및 방법 | |
| KR102461185B1 (ko) | 스펙트럼 분석법을 이용한 혈중 성분 수치의 추정 장치 | |
| CN113692530A (zh) | 用于非侵入式血糖水平估计的便携式设备和方法 | |
| Bai et al. | Assessing and advancing technology for the noninvasive measurement of clinical glucose | |
| Chauchard et al. | Localization of embedded inclusions using detection of fluorescence: Feasibility study based on simulation data, LS-SVM modeling and EPO pre-processing | |
| US11169161B2 (en) | Device, system and method for determining a fibrinogen level in a blood sample | |
| Chen et al. | determination of butylated hydroxytoluene in edible oil using near-infrared spectroscopy combined with multivariate analysis | |
| Malik et al. | Determination of glucose concentration from near-infrared spectra using locally weighted partial least square regression | |
| Xu et al. | An Objective Wavelength Selection Method Based on Moving Window Partial Least Squares for Near-Infrared Spectroscopy. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190527 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200528 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200623 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200923 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201013 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201022 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6783596 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |