JP6947531B2 - 濃度予測方法、濃度予測プログラム、および濃度予測装置 - Google Patents

Description

本発明は、濃度予測方法、濃度予測プログラム、および濃度予測装置に関し、詳しくは、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濃度予測方法、濃度予測プログラム、および濃度予測装置に関する。

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（ｐａｒｔｉａｌｌｅａｓｔ 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、上記のような体内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照射した後、電磁波と分析物質間の相互作用の結果で獲得された体内スペクトルを利用することができる。この時、体内スペクトルは、赤外分光法（ｉｎｆｒａ−ｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ）、ラマン分光法（Ｒａｍａｎ ｓｐｅｃｔｒｏｓｃｏｐｙ）などの光学的方法を通じて獲得される。

ＰＬＳアルゴリズムは、実験などを通じて得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）間に相関関係を求める統計的モデリングツールであり、本アルゴリズムを生体信号分析に適用する場合、分析物質の濃度によるスペクトル変化を学習して特定時刻の分析物質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濃度を予測するために複数の時刻の分析物質濃度と当該時刻でのスペクトルを必要とし、予測能力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。体内ブドウ糖が分析物質である場合、ＮＡＳアルゴリズムで分析物質濃度変化と無関係なスペクトル変化要因は、空腹の間に獲得された体内スペクトルを基に得られ、分析物質の固有スペクトルは、体外で分析物質の溶液に光（赤外線、レーザなど）を通過させることによって得られる（たとえば、特許文献１）。

この時、体外で獲得された分析物質の固有スペクトルが体内分析物質の固有スペクトルと異なる場合、つまり、分析物質の固有スペクトルが体内で歪曲されると、ＮＡＳアルゴリズムの性能が低下されるという問題点がある。

特表２００９−５３９４１６号公報

本発明の目的は、固有スペクトルの獲得時に付加されるノイズなどの信号歪曲要因を精巧に補正することができる濃度予測方法、濃度予測プログラム、および濃度予測装置を提供することにある。

本発明の一実施形態によれば、分析物質の体内濃度を予測する濃度予測方法が提供される。濃度予測方法は、分析物質に対する体内固有スペクトルを推定する段階と、推定された体内固有スペクトルと、体内で分析物質の濃度が実質的に変わらない区間の間に獲得された体内スペクトルを基に濃度予測アルゴリズムを利用して分析物質の体内濃度を予測する段階とを有する。

前記推定する段階は、分析物質の溶液を利用して分析物質に対する体外固有スペクトルを獲得する段階と、体外固有スペクトルを補正して分析物質に対する体内固有スペクトルを推定する段階と、を有する。

前記体外固有スペクトルを補正して分析物質に対する体内固有スペクトルを推定する段階は、体外固有スペクトルと、定数関数項および線形関数項の線形結合で体内固有スペクトルを推定する段階を有する。

前記予測する段階は、
前記体内スペクトルを構成する少なくとも一つの主成分を含む基底セットを生成する段階と、前記基底セットを生成する段階で生成された基底セット、前記体内固有スペクトルを推定する過程で得られた追加の基底セット、および前記推定された体内固有スペクトルを基に、最小二乗法を行うことによって前記分析物質の体内濃度を予測する段階と、を有する。

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一つに含まれている分析物質でありうる。

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一つでありうる。

前記分析物質は、ブドウ糖であり、分析物質の濃度が実質的に変わらない区間は、空腹区間でありうる。

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一つでありうる。

前記体内スペクトルは、単一波長電磁波の散乱スペクトルでありうる。

前記濃度予測アルゴリズムは、純分析物質信号（ｎｅｔ ａｎａｌｙｔｅ ｓｉｇｎａｌ、ＮＡＳ）アルゴリズムでありうる。

また、本発明の一実施形態によれば、分析物質の体内濃度を予測する濃度予測プログラムが提供される。この濃度予測プログラムは、上記濃度予測方法をコンピューターのプロセッサーに実行させる。

本発明の他の実施形態によれば、分析物質の体内濃度を予測する濃度予測装置が提供される。この濃度予測装置は、プロセッサーと、前記プロセッサーに接続されたメモリと、前記プロセッサーに接続された送受信部と、を含み、前記プロセッサーは、前記メモリに記憶された上記濃度予測プログラムを実行して前記分析物質の体内濃度を予測する。

本発明によれば、分析物質の固有スペクトルの歪曲を補正してＮＡＳアルゴリズムの性能を向上させることによって、分析物質の体内濃度をより正確に予測することができる。

実施形態によ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。 実施形態によるＮＡＳアルゴリズムを説明するための概念図である。 実施形態によるブドウ糖水溶液のスペクトルを獲得する方法を示す概念図である。 実施形態によるベースラインフィッティングのための水およびブドウ糖水溶液のスペクトルと、ベースラインフィッティングを通じて獲得されたブドウ糖の固有スペクトルを示すグラフである。 実施形態によるブドウ糖の体外固有スペクトルおよび補正項を示すグラフと、ブドウ糖の体内固有スペクトルを示すグラフである。 実施形態による空腹スペクトルの基底セットを示すグラフである。 実施形態による分析物質の濃度を予測する方法を示すフローチャートである。 実施形態による人体を対象としたＮＡＳアルゴリズムの性能を比較したグラフである。 他の実施形態によ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。

以下、添付した図面を参照して本発明が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、多様な異なる形態に実現することができ、ここで説明する実施形態に限られない。そして、図面で本発明を明確に説明するために、説明上、不要な部分は省略し、明細書全体にわたって類似する部分については類似する図面符号を付した。

図１は、本発明の一実施形態によ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り、図２は、本発明の一実施形態によるＮＡＳアルゴリズムを説明するための概念図である。

本発明の一実施形態による濃度予測装置１００は、分析物質濃度予測アルゴリズムを利用して体内スペクトル（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などの単一電磁波が、透過（ｔｒａｎｓｍｉｓｓｉｏｎ）または拡散反射（ｄｉｆｆｕｓｅ ｒｅｆｌｅｃｔａｎｃｅ）された後、分析物質により吸収または散乱されることによって生成される吸収スペクトルまたは反射スペクトル、あるいは散乱スペクトルとして、予め設定された時間間隔により連続的に獲得される。このように獲得された体内スペクトルは、赤外分光法（ｉｎｆｒａ−ｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ）またはラマン分光法（Ｒａｍａｎ ｓｐｅｃｔｒｏｓｃｏｐｙ）などを通じて獲得された後、濃度予測アルゴリズムに適用される。

本実施形態による濃度予測装置１００は、図２に示したような、ＮＡＳアルゴリズムを分析物質の体内濃度を予測するアルゴリズムとして用いることができる。ＮＡＳアルゴリズムは、学習区間で獲得した体内スペクトルに対する主成分スペクトルと、体外で別途に得た分析物質の固有スペクトルを基に予測区間の体内分析物質の濃度を予測することができる。この時、学習区間は、体内で血糖の濃度がほとんど変わらない区間になり得る。また、ＮＡＳアルゴリズムのために、体外で実験的に得られる分析物質の固有スペクトルは、分析物質溶液を通過した光を感知することによって獲得される。

そして、本実施形態による濃度予測装置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一つになる。

以下、本実施形態では、濃度予測装置１００の分析物質がブドウ糖であり、濃度予測装置１００が体内血糖を予測する場合を例に挙げて説明する。しかし、本実施形態は、前記に列挙された分析物質以外の他の物質も濃度予測装置１００の濃度予測の対象にすることができる。

本実施形態による濃度予測装置１００は、プロセッサー（ｐｒｏｃｅｓｓｏｒ）、メモリ（ｍｅｍｏｒｙ）、および送受信部（ｔｒａｎｓｃｅｉｖｅｒ）を通じて動作される。メモリは、プロセッサーが配置されたコンピューターとは異なるコンピューターや装置に配置されていてもよい。メモリは、プロセッサーと接続されてプロセッサーを駆動するための多様な情報を記憶する。送受信部は、プロセッサーと接続されて端末またはサーバーなどと有無線信号を送受信する。プロセッサーは、濃度を予測するための機能、過程、または方法を実現する。本実施形態による濃度予測装置の動作はプロセッサーにより実現される。このようなプロセッサー、メモリ、および送受信部を持つ濃度予測装置１００はコンピューターと同様構成である。

本実施形態でメモリは、プロセッサーの内部または外部に位置することができ、メモリは、すでに知られた多様な手段を通じてプロセッサーと接続される。メモリは、多様な形態の揮発性または非揮発性記憶媒体であり、たとえば、メモリは読み出し専用メモリ（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。さらには、フラッシュメモリやハードディスクドライブなどであってもよい。

本実施形態で体内分析物質がブドウ糖である場合、分析物質の濃度は血糖値として示すことができ、分析物質濃度が実質的に変わらない一定に維持される時間区間として空腹区間が適用される。ブドウ糖の場合、たとえば、近赤外線（ｎｅａｒ ｉｎｆｒａ−ｒｅｄ、ＮＩＲ）または中赤外線（ｍｉｄｄｌｅ ｉｎｆｒａ−ｒｅｄ、ＭＩＲ）が体内スペクトルの獲得に使用することがでいる。

図１を参照すると、本実施形態による濃度予測装置１００は、学習部１１０、固有スペクトル推定部１２０、および濃度予測部１３０を含む。本実施形態によれば、学習部１１０、固有スペクトル推定部１２０、および濃度予測部１３０は、プロセッサーを用いて、たとえばプロセッサーで、後述する濃度予測方法を実行するための手順（プログラム）を実行することで実現される。

学習部１１０は、学習区間の空腹スペクトルを基に分析物質濃度変化と無関係なスペクトル変化要因を学習する。本実施形態による、学習部１１０は、主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ、ＰＣＡ）を利用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することができる。

本実施形態によれば、分析物質がブドウ糖である場合、学習区間の間に獲得された複数の空腹スペクトルは、空腹スペクトルに対する主成分分析を通じて獲得された主成分スペクトルの組み合わせを基に近似的に表される。この時、主成分スペクトルは、血糖値以外の他の体内スペクトル変化要因を代表することができ、相対的に優勢なｎ個（ｎは自然数）の主成分スペクトルが基底セット（ｂａｓｉｓ ｓｅｔ）にグルーピングされる。

固有スペクトル推定部１２０は、皮膚内分析物質の固有スペクトル（以下、「体内固有スペクトル」という）を正確に表現することができるように、補正項および水溶液から（つまり、体外で）獲得された分析物質の固有スペクトル（以下、「体外固有スペクトル」という）を利用して体内固有スペクトルを推定する。固有スペクトル推定部１２０で体内固有スペクトルを推定する方法は、次の数１で示した式のとおりであり、以下の説明では分析物質がブドウ糖である場合を例に挙げる。ブドウ糖の体内固有スペクトルｆ_{ｇｌｕ、ｓｋｉｎ}（ω）は下記の数１のように表される。

数１で、ｆ_{ｇｌｕ、ｅｘｐ}（ω）は、ブドウ糖水溶液から得られた体外固有スペクトルであり、ａ（ω）、ｂ（ω）、およびｃ（ω）は、体外固有スペクトルを補正するための補正項である。つまり、体内固有スペクトルｆ_{ｇｌｕ、ｓｋｉｎ}（ω）は、ブドウ糖の体外固有スペクトルｆ_{ｇｌｕ、ｅｘｐ}（ω）を基にａ（ω）、ｂ（ω）、およびｃ（ω）などの補正項を利用して数１のように表される。

この時、水溶液に溶けているブドウ糖に対する体外固有スペクトルｆ_{ｇｌｕ、ｅｘｐ}（ω）は、実験的に獲得される。図３は、実施形態によるブドウ糖水溶液のスペクトルを獲得する方法を示す概念図である。

図３に示されているように、水溶液に溶けているブドウ糖に対する体外固有スペクトルｆ_{ｇｌｕ、ｅｘｐ}（ω）は、ブドウ糖水溶液に光を照射し、ブドウ糖水溶液を通過した光を受光して感知されることによって獲得される。この時、体内に光を照射し受信するための光送受信部１４０が濃度予測装置１００の外部に位置する場合、本実施形態による濃度予測装置１００は、光送受信部１４０から有／無線通信ネットワークを通じてスペクトルを獲得できる通信部１５０をさらに含むことができる。そして、通信部１５０は、濃度予測装置１００の外部に有無線通信を通じて分析物質の濃度予測結果を伝送することができる。または、他の実施形態による濃度予測装置１００は、光送受信部１４０をさらに含み、体内スペクトルを直接獲得することができる。

図４は、本実施形態によるベースラインフィッティングのための水およびブドウ糖水溶液のスペクトルと、ベースラインフィッティングを通じて獲得されたブドウ糖の体外固有スペクトルを示すグラフである。

図４を参照すると、ブドウ糖水溶液からブドウ糖の体外固有スペクトルを獲得するために、水スペクトルおよびブドウ糖水溶液スペクトル間の相互ベースラインフィッティング（ｂａｓｅｌｉｎｅ−ｆｉｔｔｉｎｇ）が行われる。つまり、水スペクトルおよびブドウ糖水溶液スペクトルの差に基づいてブドウ糖の体外固有スペクトルが獲得される。この時、ベースラインフィッティング過程でブドウ糖の体外固有スペクトルに含まれている一部信号が除去される。また、光送受信部１４０のスペクトル獲得モード（反射または透過）、機器特性、機器温度、ノイズ、スペクトルの振幅変化などのような多様な要因により体内固有スペクトルが歪曲され得る。したがって、ブドウ糖の体内固有スペクトルが精巧に推定されてこそＮＡＳアルゴリズムの濃度予測の正確度が向上する。

一方、数１の補正項であるａ（ω）、ｂ（ω）、およびｃ（ω）は、テイラー級数（ｔａｙｌｅｒ ｓｅｒｉｅｓ）を基に数２のように近似的に表される。

数２を数１に代入すれば数３を得る。

数３で、α_０はａ_０であり、α_１はａ_１であり、β_０はａ_０ｂ_０＋ｃ_０であり、β_１はａ_０ｂ_１＋ａ_１ｂ_０＋ｃ_１であり、ω^２項は省略された。

数３で、α_０を１に、α_１を０に仮定すれば、数３は数４のように表される。

つまり、ブドウ糖の体内固有スペクトルは、数４のようにブドウ糖の体外固有スペクトルと、定数関数項であるβ_０項および線形関数項であるβ_１ω項の線形結合と推定される。

または、数３は下記数５のように表される。

数５で、αは、実験を通じて統計的に決定され得る。つまり、αは、複数の被験者に対する統計的代表値と決定される。たとえば、αは、被験者の実際血糖値をよく表現できる値の平均値である。数５のようにαが統計的に決定されれば、ブドウ糖の体内固有スペクトルを推定するための基底セットが数４のように３個になる。

図５は、本実施形態によるブドウ糖の体外固有スペクトルおよび補正項を示すグラフと、ブドウ糖の体内固有スペクトルを示すグラフであり、図６は、本実施形態による空腹スペクトルに対する主成分スペクトルの基底セットを示すグラフである。

図５の（Ａ）を参照すると、左側から順次に水溶液から獲得したブドウ糖の体外固有スペクトル、β_０項のグラフ、およびβ_１ω項のグラフが示されている。図５の（Ｂ）を参照すると、ブドウ糖体外固有スペクトル（点線）がβ_０項およびβ_１ω項の影響により推定されたこと（実線）が分かる。本実施形態でこのβ_０項およびβ_１ω項は、ＮＡＳアルゴリズムの正確度を高めるために得られた追加の基底セットである。

濃度予測部１３０は、学習部１１０で獲得された空腹スペクトルに対する主成分スペクトルの基底セット（図６）、固有スペクトル推定部１２０で獲得された追加の基底セット、および推定された分析物質の体内固有スペクトルを基に最小二乗法（ｌｅａｓｔ ｓｑｕａｒｅ ｍｅｔｈｏｄ）を行って予測区間における分析物質濃度を予測する。この時、ＮＡＳアルゴリズムのための皮膚スペクトルｆ_ｓｋｉｎ（ω）は数６のとおりである。

数６で、ｆ_ＰＣ、ｉ（ω）は、空腹スペクトルの主成分スペクトルであり、各主成分スペクトルの係数は、皮膚スペクトルｆ_ｓｋｉｎ（ω）に対する寄与程度を示す。

濃度予測部１３０は、皮膚スペクトルを示す数６に対して最小二乗法を適用することによってα_ｇｌｕ、β_０、β_１を計算する。学習区間で測定されたスペクトルは、血糖による変化を含んでいないため、主成分スペクトル（つまり、主成分スペクトルの基底セット）の係数α_ｉは血糖と関係がない。そして、血糖によるスペクトルの変化は、ブドウ糖の体内固有スペクトル項の係数α_ｇｌｕにより決定され得る。つまり、皮膚内ブドウ糖の濃度（Ｉ_ｇｌｕ）は、α_ｇｌｕに比例（Ｉ_ｇｌｕ∝α_ｇｌｕ）するため、α_ｇｌｕを基に皮膚内ブドウ糖の濃度を予測することができる。

その後、濃度予測部１３０は、通信部１５０を通じて血糖値の予測結果を使用者に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ーフェースなどを通じて血糖値の予測結果を使用者に表示することができる。濃度予測装置１００は、ウェアラブル（ｗｅａｒａｂｌｅ）装置などに含まれ、前述した方法により血糖値（つまり、体内分析物質の濃度）の測定結果をウェアラブル装置の使用者に表示することができる。この時、体内分析物質の濃度の測定結果は、たとえば、使用者の入力または指示により、所望の時刻の血糖値、入力された期間の間の血糖値変化グラフなどとして表示することができる。

図７は、本実施形態による分析物質の濃度を予測する方法を示すフローチャートである。

まず、学習区間の間に体内スペクトルが獲得され、学習部１１０は、獲得された体内スペクトルを基にＰＣＡを行って、主成分スペクトルの基底セットを生成する（Ｓ１０１）。

そして、固有スペクトル推定部１２０は、水溶液から獲得した分析物質の体外固有スペクトルおよび補正項を基に分析物質の体内固有スペクトルを推定し、追加の基底セットを生成する（Ｓ１０２）。固有スペクトル推定部１２０で分析物質の体内固有スペクトルを推定する方法は前述したため、ここでは省略する。

その後、濃度予測部１３０は、Ｓ１０１で生成された主成分スペクトルの基底セット（すなわち学習区間の間の体内スペクトルの主成分から獲得された基底セット）、Ｓ１０２の追加の基底セット（すなわち分析物質の体内固有スペクトルを推定する過程で得られた追加の基底セット）、および分析物質の体内固有スペクトルを基に、最小二乗法を行って分析物質の体内固有スペクトルの係数を計算することによって、予測区間における分析物質の体内濃度を予測する（Ｓ１０３）。

図８は、本実施形態による人体を対象としたＮＡＳアルゴリズムの性能を比較したグラフである。

図８を参照すると、上から第１のグラフ（ａ）は、補正されない体内固有スペクトルを基に（つまり、従来のＮＡＳアルゴリズムを基に）予測された血糖値と測定された血糖値を比較したグラフであり、上から第２のグラフ（ｂ）は、補正された体内固有スペクトルを基に（つまり、本実施形態による向上したＮＡＳアルゴリズムを基に）予測された血糖値と測定された血糖値を比較したグラフであり、上から第３のグラフ（ｃ）は、向上したＮＡＳアルゴリズムに１５分の遅延時間を適用した予測された血糖値と測定された血糖値を比較したグラフである。皮膚内ブドウ糖濃度と血糖値の間には一般的に約１５分程度の遅延時間が存在するため、第３のグラフ（ｃ）は、第２のグラフ（ｂ）に対して１５分の時間遅延が加えられた。

図８の第１のグラフ（ａ）を見ると、既存のＮＡＳアルゴリズムによる場合、体内固有スペクトルに補正項が考慮されないため、８時３０分以降の予測された血糖値と、実際に測定された血糖値の間の差が大きい。一方、本実施形態による精巧に推定された体内固有スペクトルに基づいた向上したＮＡＳアルゴリズムによる第２のグラフ（ｂ）と第３のグラフ（ｃ）を見ると、予測された血糖値と測定された血糖値がほとんど類似していることが分かる。

図９は、他の実施形態によ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。

図９を参照すると、他の実施形態による濃度予測装置９００は、一般的なコンピューターと同様構成であり、プロセッサー（ｐｒｏｃｅｓｓｏｒ）９１０、メモリ（ｍｅｍｏｒｙ）９２０、および送受信部（ｔｒａｎｓｃｅｉｖｅｒ）９３０を含む。

メモリ９２０は、プロセッサー９１０と接続され、プロセッサー９１０を駆動するための多様な情報またはプロセッサー９１０により実行される少なくとも一つのプログラムを記憶する。送受信部９３０は、プロセッサー９１０と接続され、濃度予測装置９００の外部と有線または無線信号を送受信することができる。プロセッサー９１０は、上述した一実施形態で提案した機能、過程、および方法を実現する。また、他の実施形態による濃度予測装置９００の動作は、プロセッサー９１０により実現される。

他の実施形態でメモリ９２０は、プロセッサー９１０の内部または外部に位置することができる。またメモリ９２０は、プロセッサー９１０が配置されたコンピューターとは異なるコンピューターや装置に配置されていてもよい。メモリ９２０は、すでに知られた多様な手段を通じてプロセッサー９１０と接続される。メモリ９２０は、多様な形態の揮発性または非揮発性記憶媒体であり、たとえば、メモリ９２０は読み出し専用メモリ（ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）、ランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）、フラッシュメモリ、さらにはハードディスクドライブ（ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ）などでもあり得る。

以上で実施形態について詳細に説明したが、権利範囲はこれに限定されず、特許請求の範囲で定義している基本概念を利用した当業者の多様な変形および改良形態も権利範囲に属する。

１００、９００…濃度予測装置、
１１０…学習部、
１２０…固有スペクトル推定部、
１３０…濃度予測部、
１４０…光送受信部、
１５０…通信部、
９１０…プロセッサー、
９２０…メモリ、
９３０…送受信部。

Claims (10)

1. 分析物質の体内濃度を予測する方法であって、
   前記分析物質に対する体外固有スペクトル、定数関数項、および線形関数項の線形結合を使用して前記体外固有スペクトルを補正し、補正された体外固有スペクトルに基づいて、前記分析物質に対する体内固有スペクトルを推定する段階であって、ここで、前記体外固有スペクトルは前記分析物質が溶けている水溶液から獲得される、段階と、
   前記推定された体内固有スペクトルと、体内で前記分析物質の濃度が実質的に変わらない区間の間に獲得された体内スペクトルを基に濃度予測アルゴリズムを利用して前記分析物質の体内濃度を予測する段階と、
   を有し、
   前記予測する段階は、
   前記体内スペクトルを構成する少なくとも一つの主成分を含む基底セットを生成する段階と、
   前記基底セットを生成する段階で生成された基底セット、前記体内固有スペクトルを推定する過程で得られた追加の基底セット、および前記推定された体内固有スペクトルを基に、前記濃度予測アルゴリズムを行うことによって前記分析物質の体内濃度を予測する段階と、
   を有し、
   前記追加の基底セットは、前記定数関数項および前記線形関数項を有する、濃度予測方法。
2. 前記予測する段階は、
   前記体内スペクトルを構成する少なくとも一つの主成分を含む基底セットを生成する段階と、
   前記基底セットを生成する段階で生成された基底セット、前記体内固有スペクトルを推定する過程で得られた追加の基底セット、および前記推定された体内固有スペクトルを基に、最小二乗法を行うことによって前記分析物質の体内濃度を予測する段階と、
   を有する、請求項１に記載の濃度予測方法。
3. 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一つに含まれている分析物質である、請求項１または２に記載の濃度予測方法。
4. 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一つである、請求項１〜３のいずれか一つに記載の濃度予測方法。
5. 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わらない区間は、空腹区間である、請求項１〜４のいずれか一つに記載の濃度予測方法。
6. 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一つである、請求項１〜５のいずれか一つに記載の濃度予測方法。
7. 前記体内スペクトルは、単一波長電磁波の散乱スペクトルである、請求項１〜６のいずれか一つに記載の濃度予測方法。
8. 前記濃度予測アルゴリズムは、純分析物質信号アルゴリズムである、請求項１〜７のいずれか一つに記載の濃度予測方法。
9. 分析物質の体内濃度を予測する濃度予測プログラムであって、
   請求項１〜８のいずれか一つに記載の濃度予測方法をコンピューターのプロセッサーに実行させる濃度予測プログラム。
10. 分析物質の体内濃度を予測する装置であって、
    プロセッサーと、
    前記プロセッサーに接続されたメモリと、
    前記プロセッサーに接続された送受信部と
    を含み、
    前記プロセッサーは、前記メモリに記憶された請求項９に記載の濃度予測プログラムを実行して前記分析物質の体内濃度を予測する、濃度予測装置。

Images