KR100545730B1 - 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 소정의 샘플에 레이저를 발사하여 상기 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼을 구하는 라만 스펙트로미터부; 하나 이상의 샘플의 스펙트럼과 임상학적인 성분 정보가 저장되는 트레이닝셋 모듈; 상기 각각의 스펙트럼을 전처리 과정으로 분석하고 PLS 분석법으로 상기 샘플에서 측정하고자 하는 성분 각각에 대해 스코어와 로딩 벡터를 계산한 후 크로스 벨리데이션으로 캘리브레이션 모델을 구성하는 캘리브레이션 구성부; 라만 스펙트로미터부를 이용하여 얻은 피검 샘플의 스펙트럼이 저장되는 피검 샘플 모듈; 상기 피검 샘플 모듈의 스텍트럼을 전처리 과정으로 분석하고 상기 캘리브레이션 모델의 파라미터를 이용하여 피검 샘플의 성분 농도를 예측하는 성분 분석부; 및 상기 캘리브레이션 구성부 및 성분 분석부의 결과에 대하여 마할라노비스 디스턴스 법, 스펙트럴 레지듀얼, 에프 레이소, 에프 테스트 중 적어도 하나 이상으로 유효성을 판단하여 피검 샘플의 성분 정보로 선택하는 유효성 판단부;를 포함하는 라만 분광법을 이용한 성분 분석 시스템을 제공된다. 본 발명에 따르면 병원을 방문함이 없이 무자각적으로 소변 검사를 할 수 있어 장기적,지속적으로 환자 상태를 모니터링 할 수 있다.

라만 스펙트로스코피, 소변, 레이저

Description

라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법{Urine Component analysis system and method by Raman spectroscopy}

도 1은 라만 분광법을 이용한 소변성분 분석 시스템의 구성을 도시한 도면,

도 2a는 라만 스펙트로미터부에서 라만 분광법으로 스펙트럼을 얻는 과정을 도시한 도면,

도 2b, 2c는 라반 분광법의 개요를 도시한 도면,

도 3a는 도 1에 도시된 라만 스펙트로미터부의 예를 도시한 도면,

도 3b는 도 1에 도시된 라만 스펙트로미터부의 레이저 프로브가 변기에 부착된 예를 도시한 도면,

도 4a, 4b는 소변에서 검출한 라만 스펙트럼의 예를 도시한 도면,

도 5는 도 1에 도시된 라만 스펙트로미터부의 구성요소인 라만 스펙트로미터의 뒷부분을 도시한 도면,

도 6은 소변 분석을 위한 트레이닝 셋을 도시한 도면,

도 7은 평균 중심화 후의 스펙트럼의 예를 도시한 도면,

도 8은 SNV 적용 후의 스펙트럼을 도시한 도면,

도 9a는 디트렌딩(Detrending) 후의 스펙트럼을 도시한 도면,

도 9b는 전처리 과정 전과 전처리 과정을 거치는 동안의 스펙트럼의 예를 도시한 도면,

도 10a는 PLS 방법의 개요를 도시한 도면,

도 10b는 PLS알고리즘 후 분석 데이터를 이용하여 재구성된 스펙트럼을 도시한 도면,

도 10c는 캘리브레이션 모델 파라미터 값을 설정한 예를 도시한 도면,

도 11은 요소의 PRESS의 예를 도시한 도면,

도 12a는 마할라노비스 디스턴스 법의 이해를 돕기 위한 도면,

도 12b는 예측된 결과들의 유효성을 판단한 예를 도시한 도면,

도 13a, 13b, 13c, 13d는 희석되지 않은 소변의 요소, 요당, 크레아티닌, 요소의 농도를 라만 분광법과 임상의학연구소의 분석기기인 히타치(Hitachi)7070으로 측정한 결과를 각각 비교하여 도시한 도면,

도 14a, 14b, 14c, 14d는 희석된 소변의 요소, 요당, 크레아티닌, 요소의 농도를 라만 분광법과 임상의학연구소의 분석기기인 히타치(Hitachi)7070으로 측정한 결과를 각각 비교하여 도시한 도면,

도 15는 임상의학연구소에서 얻은 데이터와 본원 발명으로 얻은 데이터의 상관관계를 도시한 도면이다.

도 16은 분석 정보를 가지고 재구성된 스펙트럼과 전처리도 안된 스펙트럼을 도시한 도면이다.

본 발명은 라만 분광법을 이용한 성분 분석 시스템 및 그 방법에 관한 것으로, 보다 구체적으로는 라만 분광법을 이용해 얻은 스펙트럼을 분석하여 트레이닝 셋을 바탕으로 성분을 분석함으로써 환자의 건강검진 자료로 활용되는 소변 성분 분석 시스템 및 그 방법에 관한 것이다.

지금까지는 건강검진을 위해 소변성분 검사를 할 때, 스트립을 미리 준비하여 환자에게 소변을 보면서 스트립에 소변을 묻혀오게 해서 검사를 해왔다. 그 과정은 환자에게 많은 거부감과 불편함을 줬으며, 또한 일회용 스트립을 계속 구입해서 사용해야 하는 문제가 있었다.

최근 비데 등에 설치된 스트립 분석기를 사용해 소변검사 방식을 비교적 편리하게 하려는 시도가 있었으나, 환자가 스스로 스트립에 소변을 묻혀서 검사기에 팁을 넣어야 한다는 문제점이 있었다.

현재 나와 있는 요분석에서는 대부분 시약을 묻힌 스트립을 검사하는 방식을 채택하고 있다.

건강에 대한 관심의 증대와 만성질환의 장기적인 모니터링은 재택 의료 기술 의 급속한 발전으로 나타나고 있으며, 집이나 사무실에서 환자 또는 측정 대상자로부터 진단 및 모니터링에 필요한 정보를 직접 측정하여 분석하고 병원 등 담당 의료기관으로 전송하게 되어 가고 있다. 그러나 가정에서 생체신호를 계측하는 경우에도 아직까지는 환자가 의도적으로 재택 의료기기를 조작해야 하는 부담이 있어, 생체신호 계측을 의식하지 않는 채로 평소처럼 생활하는 것이 사실상 어렵다. 지속적인 모니터링의 경우 때로는 계측 시간을 잊어버리는 경우도 있다.

따라서 계측 과정에서 측정 대상자의 인위적인 노력이 가해질 문제점, 또한 종래의 소변 분석 방법은 장기간의 지속적인 측정, 측정된 자료를 신속하게 분석하는데 한계가 있는 문제점이 있었다.

따라서 본 발명의 목적은 상기한 종래 스트립을 이용한 소변 검사 과정에서 환자에게 많은 거부감과 불편함, 그리고 일회용 스트립을 계속 구입해서 사용해야 하는 문제점, 환자가 스스로 스트립에 소변을 묻혀서 검사기에 팁을 넣어야 한다는 문제점을 해결하기 위한 소변 분석 시스템 및 그 방법을 제공함에 있다.

본 발명의 다른 목적은 환자가 생체 계측을 특별히 의식하지 않고, 정상적인 생활과정에서 자연스럽게 생체신호를 계측할 수 있는 무자각 소변 분석 시스템 및 그 방법을 제공함에 있다.

본 발명의 또 다른 목적은 장기적으로 환자의 건강상태를 지속적으로 그리고 신속히 전문가가 관찰하게 함으로써 환자의 상태를 정기적으로 점검해 환자의 상태가 악화되는 것을 막을 수 있으며 질병의 초기 상태에서 환자에게 발병 사실을 알려 줄 수 있는 소변 분석 시스템 및 그 방법을 제공함에 있다.

상기와 같은 본 발명의 목적들을 달성하기 위한 본 발명은 소정의 샘플에 레이저를 발사하여 상기 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼을 구하는 라만 스펙트로미터부; 상기 라만 스펙트로미터부를 이용하여 구한 적어도 하나 이상의 샘플의 스펙트럼과 상기 적어도 하나 이상의 샘플에 대한 임상학적인 성분 정보가 저장되는 트레이닝셋 모듈; 상기 트레이닝셋 모듈에 저장된 각각의 스펙트럼을 전처리 과정으로 분석하고 PLS(Partial Least Squares) 분석법으로 상기 샘플에서 측정하고자 하는 성분 각각에 대해 스코어와 로딩 벡터를 계산한 후 크로스 벨리데이션(Cross Validation)으로 캘리브레이션 모델을 구성하는 캘리브레이션 구성부; 라만 스펙트로미터부를 이용하여 얻은 피검 샘플의 스펙트럼이 저장되는 피검 샘플 모듈; 상기 피검 샘플 모듈의 스텍트럼을 전처리 과정으로 분석하고 상기 캘리브레이션 모델의 파라미터를 이용하여 피검 샘플의 성분 농도를 예측하는 성분 분석부; 및 상기 캘리브레이션 구성부 및 성분 분석부의 결과에 대하여 마할라노비스 디스턴스 법, 스펙트럴 레지듀얼, 에프 레이소, 에프 테스트 중 적어도 하나 이상으로 유효성을 판단하여 피검 샘플의 성분 정보로 선택하는 유효성 판단 부;를 포함하는 라만 분광법을 이용한 성분 분석 시스템을 제공한다.

상기와 같은 본 발명의 목적들을 달성하기 위한 본 발명은 적어도 하나 이상의 샘플에 레이저가 발사되어 상기 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼이 구해지는 1단계; 상기 적어도 하나 이상의 샘플에 대한 임상학적인 성분 정보가 구해지는 2단계; 상기 스펙트럼 및 상기 성분 정보를 포함하는 트레이닝셋이 구해지는 3단계; 상기 트레이닝셋의 스펙트럼을 전처리 과정으로 분석하고 PLS(Partial Least Squares) 분석법으로 상기 샘플에서 측정하고자 하는 성분 각각에 대해 스코어와 로딩 벡터를 계산한 후 크로스 벨리데이션(Cross Validation)으로 캘리브레이션 모델이 구성되는 4단계; 피검 샘플에 레이저가 발사되어 상기 피검 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼이 구해지는 5단계; 상기 피검 샘플의 스텍트럼이 전처리 과정으로 분석되고 상기 캘리브레이션 모델의 파라미터를 이용하여 피검 샘플의 성분 농도가 예측되는 6단계; 그리고 상기 5단계와 6단계의 결과에 대하여 마할라노비스 디스턴스 법, 스펙트럴 레지듀얼, 에프 레이소, 에프 테스트 중 적어도 하나 이상으로 유효성이 판단되어 피검 샘플의 성분 정보가 선택되는 7단계;를 포함한 라만 분광법을 이용한 성분 분석 방법을 제공한다.

이하 본 발명의 바람직한 실시예의 상세한 설명이 첨부된 도면들을 참조하여 설명될 것이다. 도면들 중 참조번호들 및 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호들 및 부호들로 나타내고 있음에 유의해야 한다. 하기에서 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.

소변검사는 대부분의 필수적인 검사의 한 루틴으로 당뇨, 갑상선기능항진, 췌장질환, 인슐린 분비 과잉증, 각종 신장질환, 근육질환 등 많은 질환의 유무를 판단하는데 사용되고 있다. 따라서 이렇게 질병의 유무를 판단하는데 참고할 수 있는 소변검사가 가정에서 규칙적으로 이루어질 경우, 환자의 건강 상태 변화를 일관되게 관찰할 수 있다. 또한, 본 발명의 소변성분검사기술은 기존의 의료기관과 초고속네트워크를 통해 연결되어 있어서 검사결과를 실시간으로 의료기관에서 받아봄으로써 의사가 환자의 건강상태를 수시로 관찰할 수 있게 함으로써 환자 건강상태의 악화를 사전에 방지해줄 수 있다.

본 발명에서는 라만 분광법을 샘플의 성분을 분석하는데 사용하였는데, 이는 화장실에 기기가 설치되고 샘플의 성분을 측정하는 경우 주변 환경 때문에 측정을 하는 데에 문제가 없도록 하기 위해 도입된 것이다. 라만 분광법을 통하여 성분 측정을 할 때, 샘플을 어떠한 형태로던지 변형시키지 않은 상태에서 레이저만 쬐어줌으로써 측정을 할 수 있다는 장점이 있다. 또한 한번의 측정으로 정성, 정량적인 정보를 동시에 얻을 수 있으며, 각 분자 혹은 물질에 대해 각각 지문과 같은 고 유한 스펙트럼을 가지고 있어서 획득된 스펙트럼으로 어떤 물질이 얼마큼 있는지 알 수 있다. 샘플의 두께에 따른 영향도 많이 받지 않아 비교적 편하게 샘플을 준비할 수 있으며, 또한 주변 공기나 형광등 빛 등에 큰 영향을 받지 않기 때문에 화장실에 기기를 설치하는 데에도 문제가 없다. 또한 물이나 습기의 영향을 받지 않기 때문에, 화장실의 습기 때문에 측정에 영향을 받을 걱정을 하지 않아도 된다. 무엇보다도, 근적외선 분광법 등의 다른 분광법보다 좋은 점은 대칭적인 분자 구조를 가지고 있는 물질도 측정할 수 있다는 것이다. 많은 생체 물질이 대칭적인 분자 구조를 갖고 있기 때문에 이 점은 아주 유리하게 적용된다. 이러한 장점들 때문에 라만 분광법이 소변 성분 측정을 위해 적용되었다.

도 1은 라만 분광법을 이용한 소변성분 분석 시스템의 구성을 도시한 도면이다.

라만 분광법을 이용한 소변성분 분석 시스템은 라만 스펙트로미터부(100), 통신시스템(120), 스펙트럼 분석 및 비교부(130), 표시부(140)를 포함한다.

라만 스펙트로미터부(100)에서 얻은 스펙트럼은 통신시스템(120)을 통해 진단장소로 전송된다. 스펙트럼 분석 및 비교부(130)에서는 전송된 스펙트럼을 통해 필요한 성분에 관한 정보를 얻어 표시부(140)에 나타낸다.

도 2a는 라만 스펙트로미터부에서 라만 분광법으로 스펙트럼을 얻는 과정을 도시한 도면이다.

라만 스펙트로미터부에서는 샘플(바람직하게는 소변)에 레이저를 쬐어주고, 그 샘플 분자의 성분에 따라 산란되는 빛을 받아 들여 라만 분광법으로 스펙트럼을 얻게 된다.

도 2b, 2c는 라반 분광법의 개요를 도시한 도면이다.

라반 분광법은 레이저(laser)를 샘플에 쬐어주면 분자에 따라 빛이 산란되는 성질을 이용한 것이다.

도 2b를 참조하여 설명하면 다음과 같다. 1)라만 분광기에서 생성되어 프로브를 통해 유도된 레이저를 샘플에 쬐어준다. 2) 샘플에 레이저를 쬐어주면, 쬐어준 레이저의 파장에서부터 주파수 천이(frequency shift)가 일어난다. 3)산란된 빛 중 역산란(Back Scattering)된 빛은 검출기(detector)로 향한다. 이때 산란된 빛은 빔 스플리터를 통과하여 입사된 레이저의 주파수와 분리되어 검출용 프로브로 들어가게 된다.

도 2c를 참조하면, 스펙트로미터 내에 있는 그레이팅(grating:250)을 이용해 각각의 파장길이(wavelenght)대로 측정할 수 있도록 빛을 분리해 준다. 분리된 빛을 시시디(CCD:260)로 감지하여 200-2800cm^-1의 파장대에서 Energy를 측정하여 어떤 파장대에 얼마큼 스펙트럼이 분포되어 있는지 분석하여 정성, 정량 분석을 가능하게 해준다.

라만 스펙트로미터부는 레이저 발생장치, 그레이팅 및 시시디(CCD)를 포함한 라만 스펙트로미터(310), 레이저 프로브(320)를 포함한다.

도 3a는 도 1에 도시된 라만 스펙트로미터부의 예를 도시한 도면이다.

라만 스펙트로미터(310) 및 변좌에 설치할 레이저 프로브(320)를 보여주고 있으며, 라만 스펙트로미터(310)에 내장된 레이저 발생장치, 그레이팅 및 시시디(CCD)는 도시하지 않았다.

레이저 발생장치에서는 바람직하게는 785nm의 레이저를 발생된다. 이는 생체 물질의 특징인 형광 현상으로 인한 노이즈의 영향을 최소화하기 위함이다. 스펙트로미터는, 레이저가 나오는 옵틱 파이버(optic fiber)와 물질에서 산란(scattering)된 빛을 검출(detect)하는 옵틱 파이버(optic fiber)로 구성된 레이저 프로브와 연결되어 있다.

도 3b는 도 1에 도시된 라만 스펙트로미터부의 레이저 프로브가 변기에 부착된 예를 도시한 도면이다.

비데형으로 된 변좌에 레이저 프로브(320)를 설치함으로써 소변이 변기에 담기면 방수 처리된 레이저가 나오는 옵틱 파이버에서 레이저가 나와서 소변 내에 있는 물질에 쬐어진다. 레이저를 받은 각 물질마다 고유한 형태로 산란되는 빛을 옵틱 파이버에서 검출함으로써 스펙트럼을 얻을 수 있게 된다.

도 4a, 4b는 소변에서 검출한 라만 스펙트럼의 예를 도시한 도면이다.

도 4a는 소변에서 산란된 빛을 검출하여 라만 스펙트로미터에서 각각의 소변 라만 스펙트럼(데이터)의 예를 도시하였다. 도 4b는 소변 성분과 그 성분의 양이 측정된 자료이다. 각각 색깔이 틀린 스펙트럼은 각각 다른 사람의 소변을 나타낸다. 각 굴곡과 숫자는 주된 피크의 숫자를 나타낸 것이고, 그 피크들은 추후에 어떤 성분이 들어있는지 나타내주는 지표로 쓰이게 된다.

통신시스템(200)은 라만 스펙트로미터부로부터 데이터(검출한 라만 스펙트럼)를 통신망을 이용하여 상기 스펙트럼의 분석이 필요한 곳으로 전송한다.

도 5는 도 1에 도시된 라만 스펙트로미터부의 구성요소인 라만 스펙트로미터의 뒷부분을 도시한 도면이다.

무선통신장치를 연결하는 부분(510)이 도시되어 있다. 바람직하게는 유에스비 포트(USB Port)에 연결된 블루투스(Bluetooth)로 무선 통신을 할 수 있게 되어 있다.

무선으로 전송된 데이터는 집안에 있는 서버를 통해 의료기관으로 전송된다. 이때 개인용 컴퓨터가 사용될 수 있다.

상기 예에서는 라만 스펙트럼(데이터)의 전송을 무선 통신으로 하였지만, 의료기관으로 데이터를 전송할 수 있는 다른 전달매체를 이용할 수 있다.

스펙트럼 분석 및 비교부(310)에서는 전송받은 데이터를 분석하여 비교한다.

전송된 스펙트럼은 대상 환자의 데이터로 미리 만들어진 트레이닝셋(training set)의 데이터인 요당, 크레아티닌, 요소, 요산의 정성, 정량 분석 및 비교를 하는데 사용된다. 전처리 과정 전의 스펙트럼의 예는 도 4에 도시한 바 있다.

라만 스펙트럼의 신호처리 알고리즘을 살펴보면 다음과 같다.

1. 비어-람버트 원리(Beer-Lambert Law)

대부분의 분석기기로 어떤 물질의 정량 측정을 할 때 측정된 정보가 그 성분의 농도와 어느 정도 관계를 가지고 있다는 것을 전제로 하고 측정이 이뤄진다. 이 때 기존의 얻어진 데이터를 토대로 성분을 알지 못하는 새로운 스펙트럼의 농도를 알 수 있게 해주는 교정 등식(calibration equation)이 필요하다. 앞으로 분석될 성분을 모르는 스펙트럼들(unknown spectra)과 최대한 같은 환경에서 획득된, 성분을 알고 있는 데이터들을 트레이닝셋 혹은 캘리브레이션 셋(calibration set)이라고 한다. 이러한 트레이닝셋와 성분을 모르는 스펙트라(unknown spectra) 사이의 관계를 나타내주는 교정 등식을 모델(model)이라고도 부르는데, 이 때문에 이러한 일련의 과정들을 교정모델(calibration model)을 푼다고도 한다.

캘리브레이션 모델을 풀 때 적용되는 원리 중 스펙트로스코피를 통해서 얻은 정보에 적용되는 원리가 Beer-Lambert Law이다. 이 원리는 샘플이 스펙트로미터(spectrometer)의 빛에 조사되었을 때 샘플의 성분의 농도와 스펙트로 미터에서 흡수된 에너지가 직접적이고도 선형적인 관계를 갖는다는 것을 나타낸 것이다. 이 원리 덕분에 라만 스펙트로스코피(Raman Spectroscopy)를 이용해서도 소변 성분의 농도를 쉽게 알 수 있다.

A_λ =ε_λbC

A_λ: 특정 파장 λ(혹은 주파수)에서의 샘플의 흡수도

ε_λ: 그 파장에서의 성분의 흡수 계수

b: 샘플을 통과할 때의 pathlength

C: 농도

2. 트레이닝셋

예측(Prediction)을 잘 해줄 수 있는 캘리브레이션 모델을 만드는 데에는 양질의 트레이닝셋의 구성이 매우 중요하다. 좋은 트레이닝셋를 위해서, 미래에 예측(predict)될 성분을 알지 못하는 스펙트럼과 가장 유사한 상황에서 측정된 샘플을 가지고 트레이닝셋를 구성하는 것이 좋다. 샘플 안에 있는 성분 하나 하나의 이상적인 스펙트럼보다는 실제 상황에서 측정되는 혼합물 형태의 샘플의 스펙트럼이 추후에 예측(Prediction)을 할 때에 훨씬 정확한 값에 근접하게 값을 얻게 할 수 있다. 혹시라도 인터-컨스티튜언트 인터액션(inter-constituent interaction)이 생긴다면 이것은 펙터 베이스드 모델(factor based model)로 보상해줄 수 있으므로 염려하지 않아도 된다.

본 연구에서는 일상생활 중 획득되는 소변 샘플이 가장 이상적인 트레이닝셋의 구성 대상이라고 할 수 있다. 그리고 이렇게 획득된 스펙트럼은, 동시에 주요한 캘리브레이션 방법(primary calibration method)인 임상의학연구소에서 기존의 루틴검사에 쓰이고 있는 화학분석기기(Hitachi 7070)에서 얻어진 관심 성분(요산, 요당, 크레아티닌, 요소)의 농도 정보와 함께 트레이닝셋로 구성되었다.

이렇게 구성된 트레이닝셋 안에 있는 농도 정보는 앞으로 예측(predict)될 성분을 모르는 스펙트라(unknown spectra)에서 측정될 농도보다 크거나 작은 값을 포함하여야 한다. 예측(Prediction) 될 값은 트레이닝셋안에 있는 값의 범위에서만 예상이 되기 때문에 되도록이면 다양한 범위의 값들을 포함하고 있는 것이 좋다. 또한 트레이닝셋는 되도록 많은 샘플들도 구성되는 것이 바람직하다. 본 연구에서는 약 58개의 스펙트럼으로 트레이닝셋를 구성하였으나, 더 많으면 많을수록 신호와 잡음을 구별해내기가 쉬워지기 때문에 앞으로도 더욱 더 많은 샘플의 채취가 요구된다.

도 6은 소변 분석을 위한 트레이닝 셋을 도시한 도면이다. 이 트레이닝 셋은 기존에 대상 환자의 소변 성분 분석을 임상의학적으로 분석한 것과 라만 스펙트로스코피(Raman Spectroscopy)로 스펙트럼으로 얻은 것을 기반으로, 해당 소변에 어떤 성분이 얼마만큼 들어있는지 미리 데이터베이스를 만든 것이다.

메모(Memo)는 트레이닝 셋이라고 메모를 해둔 것이다.

패스(Path)는 스펙트럼 파일들이 들어있는 폴더의 패스(path)이다.

스펙트라 밑의 항목들(1~10의 파일명들)은 획득된 라만 스펙트럼들의 파일명이다. 즉, path로 표시되어 있는 58개의 스펙트럼으로 하나의 트레이닝 셋을 구성한다.

수치들은 각 소변의(하나의 소변 샘플은 하나의 스펙트럼에 대응) 요산, 요당, 크레아티닌, 요소의 성분을 Hitachi 7070이라는 검사기기로 검사한 결과를 정확한 트레이닝 셋을 구성하기 위해 넣어준 것이다.

표 1은 본원 발명에서 사용된 트레이닝 셋의 예이다.

3. 전처리 과정(pre-processing)

추후에 다른 샘플의 라만 스펙트럼만을 얻었을 때 얻어진 스펙트럼을 트레이닝 셋의 데이터과 비교함으로써 성분이 정성, 정량 분석이 되도록 할 수 있다. 본 발명에서 캘리브레이션 모델(calibration model)을 만들어 주기 전에 전처리 과정을 거쳐주었다. 데이터를 평균 중심화(mean centering)하여 준비한 다음 Standard Normal Variate with Detrending 방법으로 경로길이수정(pathlength correction)을 해주었다. 또한 Savitch-Golay 2차 derivatives를 해줘 획득된 스펙트럼의 잡음이나 뒤틀린 정도를 제거하거나 수정해주었다. 각각의 pre-processing 방법들은 모든 training set의 스펙트럼들에 적용되었으며, 어느 단계까지 전처리를 해주는 것이 좋은 prediction 결과를 내는지 비교 분석하였다.

표 2는 비교된 5가지 전처리 과정 방법들을 나타낸다.

1:Mean_SNV_detrending_SG2_11

2:Mean_SNV_detrending

3:Mean

4:Mean_SNV

5:Mean_SNV_4_outliers

3-1) 평균 중심화(mean centering) 방법

평균 중심화 방법을 사용하여 평균을 제거하여 주면, 샘플들 간의 차이가 상당히 향상되어서 농도의 정보만을 더 잘 관찰할 수 있게 함으로써, 추후에 라만 스펙트로스코피를 통해 얻어진 스펙트럼의 성분을 예측할 때 더 정확하게 하도록 하여 준다.

평균 중심화 방법은 multi-variate 캘리브레이션 모델에서 일반적으로 사용되는 방법으로 트레이닝셋에 있는 모든 스펙트럼의 평균 스펙트럼을 계산한 다음에 각 스펙트럼에서 그 결과를 빼주는 방법이다. 또한 분석해줄 대상 성분의 평균값도 계산해서 모든 샘플에서 빼주는 방법이다.

데이터에서 평균값을 제거해주면, 샘플간의 차이가 농도나 스펙트럼 응답(spectral response) 모두에서 더 크게 나게 해준다. 이것은 캘리브레이션 모델이 정확한 예측(Prediction)을 하도록 하여준다.

도 7은 평균 중심화 후의 스펙트럼의 예를 도시한 도면이다.

3 - 2) 표준정규변량화(SNV: Standard Normal Variate)

SNV방법은 산란 현상의 불필요한 증가간섭현상(multiplicative interference)의 효과를 수정해 주는 전처리 과정 방법이다. 이 방법은 모든 스펙트럼의 범위에서 모든 응답(response)의 표준 편차를 정규화(normalizing) 해줌으로써 불필요한 산란 현상을 없애준다.

도 8은 SNV 적용 후의 스펙트럼을 도시한 도면이다.

3 -3) 디트렌딩(Detrending)

디트렌딩 방법은 SNV와 함께 쓰인다. 이 방법은 기저선 변이(baseline shift)가 추가적으로 변화된 것을 제거해주기 위해 사용되었다. 획득된 스펙트럼에 2차 다항식을 피팅(fitting)하기 위해 선형최소제곱법(linear least square)방법을 쓰며, 이렇게 피팅된 것은 스펙트럼에서 뺌으로써 결과를 도출하였다.

이 방법은 입자 크기(particle size)와 샘플 패킹(sample packing)의 효과를 수정해주는 효과를 가진다.

도 9a는 디트렌딩(Detrending) 후의 스펙트럼을 도시한 도면이다.

도 9b는 전처리 과정 전과 전처리 과정을 거치는 동안의 스펙트럼의 예를 도시한 도면이다.

3-4) 사비치-고레이 도함수법(Savitch-Golay Derivatives)

Savitch-Golay Derivatives 방법은 2차 도함수(derivatives)를 이용할 경우 기저선 변이(baseline offset)와 스펙트럼의 기울기를 동시에 수정해주는 편리한 방법이다. 특히, 컨벌루션 함수(convolution function)을 이용해서 피팅한 다음 피팅된 함수(fitted function)의 도함수(derivatives)를 구하는 것이므로, 단순히 스펙트럼끼리 빼서 수정해주는 방법을 이용할 때 잡음이 더 생기는 경우를 방지해 줄 수 있다. 그리고 약간 평탄화(smoothing) 되므로 잡음이 필터링 되는 효과도 동시에 볼 수 있다. 다만, 이 방법을 이용할 때는 컨벌루션 함수의 데이터 포인트 개수를 정해줘야 한다. 이것은 스펙트럼 중에 가장 큰 흡수 대역의 FWHM(full width at half maximum) 지점을 커버해 줄 수 있는 정도의 데이터 포인트를 지정해주면 너무 과도하게 노이즈가 생기는 것도 방지해주고 또한 너무 크게 평탄화 되어서 정보를 잃어버리는 것도 방지해주는, 적당한 평탄화가 될 수 있다. 본 연구에서 쓰인 Savitch-Golay Derivatives 방법은 2차 다항식(polynomial)을 스펙트럼의 11 데이터 포인트마다 최소 제곱 선형 회귀 피팅(least squares linear regression fitting)을 해줌으로써 평탄화를 해주었다.

d = the order of the derivatives -> 2

k = the degree of the polynomial -> 2

s = the No. of points to be fitted by the polynomial -> 11

m = (s-1)/2 -> 5

P = an s-element array with values (-m,....,0,....+m) -> [ -5 -4 -3 -2 -1 0 1 2 3 4 5]

Z = a 2-element array parameters

y = the array of actual spectral data points

4. 피엘에스(PLS;Partial Least Squares)

이렇게 전처리 과정(pre-processing)된 스펙트럼은 다변수 분석(multivariate analysis)인 파셜 리스트 스퀘어(Partial Least Square(PLS))방 법을 통해 분석되었는데, 이 방법은 스펙트럼과 성분의 농도의 정보가 서로 상호 교환되어 분석되게 한 것으로써, 획득된 스펙트럼만으로도 성분의 농도를 측정 할 수 있게 한 알고리즘이다.

Partial Least Squares 방법은 고유 벡터 정량화 방법들(Eigenvector Quantitation Methods)의 하나로서 PCA(Principal Component Analysis), PCR(Principal Component Regression)과 비슷하나 다른 방식으로 분석을 한다. 다른 방법들은 먼저 스펙트럼의 행렬을 분해(decomposition)해서 아이겐벡터와 스코어(score)에 대한 정보를 얻은 다음 농도에 대해 회귀(regression)해주지만, PLS에서는 처음 디컴포지션할 때부터 농도의 정보를 사용한다. 따라서 PLS 분석법을 사용하면 처음 몇 개의 로딩 벡터(loading vector)에서부터 농도에 대한 정보를 많이 얻을 수 있다.

도 10a는 PLS 방법의 개요를 도시한 도면이다.

표 3은 PLS 알고리즘의 레전드(Legend)이다.

도 10a에서 보듯이 스펙트럼과 성분 농도의 디컴포지션이 동시에 일어난다. 이때 얻은 스코어 정보는 두 그룹 간에 교환이 됨으로써 스펙트럼에서 바로 농도의 정보를 얻을 수 있게 하였다. 특히 본원 발명에서 사용된 PLS는 관심 성분에 대해 각각 따로 스코어와 로딩벡터를 계산해줌으로써 보다 정확한 예측(Prediction)이 가능하게 하였다.

PLS 분석법은 관심성분만 정해주면 아무리 복잡한 성분이 섞여있어도 이 방법을 응용할 수 있기 때문에 편리하게 적용할 수 있다. 하지만 정확한 캘리브레이션(calibration)을 위해 많은 수의 샘플이 필요하다는 점이 단점이다. 따라서 본 발명에서도 되도록 많은 샘플을 사용하였다.

도 10b는 PLS알고리즘 후 분석 데이터를 이용하여 재구성된 스펙트럼을 도시한 도면이다.

PLS 분석법의 순서를 설명하면 다음과 같다.

1) 하나의 관심 성분을 선택한다.

2) 그 성분의 농도를 처음 웨이팅 스코어(Weighting Score)로 설정한다.

U_i = C₁'

3) 스펙트럼의 웨이팅 벡터(weighting vector)를 계산한다.

W_i = U_i'A

4) 웨이팅 벡터를 단위 길이로 표준화한다.

W_i = W_i / (W_iW_i')

5) 스펙트럼의 스코어를 계산한다.

S_i = AW_i

6) 한번에 한 성분씩 계산하므로 By_i = 1 로 놓는다.

7) PLS 크러스 프로덕트(cross product)를 계산한다.

V_i = S_iU_i' / (S_iS_i')

8) 스펙트럼의 로딩 벡터(loading vector)를 계산한다.

Bx_i = S_iA

9) 스펙트럼의 로딩 벡터를 스펙트럼의 스코어로 표준화한다.

Bx_i = Bx_i / (S_iS_i')

10) 스펙트럼의 데이터에서 9번에서 사용한 벡터의 영향을 제거한다.

A = A - S_i'Bx_i

11) 농도 데이터에서 벡터의 영향을 제거한다.

C = C - (S_i'By_i)V_i

12) 벡터 카운터를 증가시킨다. ( i=i+1 ) 그리고 1번부터 다시 시작한다. 모든 기대 factor가 계산될 때까지( i=f ) 반복한다.

13) 관심 성분 하나의 분석이 끝났다면, A를 원래 트레이닝셋 value로 원상복귀 시키고 새로운 관심성분에 해당하는 값들을 1번부터 새로 넣어준다. 이렇게 하면 각각의 성분마다 다른 벡터와 값들이 주어지게 된다.

도 10c는 캘리브레이션 모델 파라미터 값을 설정한 예를 도시한 도면이다.

PLS 방법으로 분석된 펙터들의 정보를 캘리브레이션 모델로 구성하여 추후 성분을 알지 못하는 새로운 스펙트럼을 예측할 때 사용한다. 이때 사용되는 정보는 사용되는 펙터의 번호와, M distance(Mahalanobis distance)를 받아들이는 수치 와 거절하는 수치, 그리고 수정해줄 바이어스(bias) 값 등으로 구성된다. 도 10c의 예에서는 각 성분당 다른 펙터가 적용되었으며, 1이하인 것은 아웃라이어(outlier)로 여기지 않고 받아들이며, 3이상인 것은 거절, 1과 3 사이의 값은 marginal한 값으로 여기게 된다. 그리고, 바이어스는 스펙트로미터간의 차이 수정을 위한 것인데, 본 발명에서는 한 가지 기기로 실험한 데이터만 이용했으므로, 0으로 값이 지정되었다.

5. 성분을 모르는 스펙트라(unknown spectra) 예측(Prediction)

5-1) PLS 모델로 예측(predict)하기

PLS로 성분을 모르는 스펙트라(unknown spectra)의 성분을 예측(predict)하는 방법은 아래와 같다. 이때 사용된 기호는 위의 표 'PLS 알고리즘의 레전드(Legend)'에 있는 기호이다. 다만 여기에 Au(예측(predict))될 샘플의 스펙트럼 응답(spectral response), 1 × p), Cu(predict될 성분 농도, 1 × m)가 추가되었다. Cu의 초기값은 0이고, 벡터 카운터 i의 초기값은 1이다.

1) 성분을 모르는 스펙트럼의 score를 계산한다.

S_i = W_i'Au

2) 위에서 계산된 벡터의 농도에 대한 기여도를 계산한다.

Cu = Cu + (By_i'S_iV_i)

3) 미지의(unknown) 스펙트럼 정보에서 지금까지 계산한 벡터의 기여도를 뺀 다.

Au = Au - (S_iBx_i')

4) 벡터 카운터를 증가시킨다. ( i=i+1 ) 그리고 1번부터 다시 시작한다. 모든 기대 펙터가 계산될 때까지( i=f ) 반복한다.

5) 관심 성분 하나의 분석이 끝났다면, A를 원래 트레이닝셋 값(value)으로 원상복귀 시키고 새로운 관심성분에 해당하는 값들을 1번부터 새로 넣어준다.

5-2) 모델에서 사용될 펙터(Factor)의 수 결정하기

PLS 알고리즘으로 성분을 모르는 스펙트럼의 농도를 예측(predict)하려면 로딩 벡터(loading vector) 즉 펙터의 수를 적절하게 정해주어야 한다. 중요도가 떨어지는 벡터가 너무 많이 포함되면 예측(Prediction)의 정확성을 떨어뜨릴 수 있기 때문에 그러한 것들이 함부로 포함되지 않게 해야 한다. 또한 너무 벡터가 적으면 예측(Prediction)하기에 정보가 부족하기 때문에 충분한, 그렇지만 중요도가 떨어지지 않는 벡터들을 예측(Prediction)시에 적용해야 한다. 이렇게 적당한 펙터가 정확히 몇 개 포함되어야 하는지 나타내주는 명확한 지표는 없다. 하지만, 결정에 큰 도움을 줄 수 있는 방법이 있는데, 대표적인 것이 피알이에스에스(PRESS: Prediction Residual Error Sum of Squares)을 각각의 가능한 펙터들에 대해 계산해 주는 것이다.

n : No. of samples in the 트레이닝셋

m : No. of constituents

Cp : model에서 predict된 샘플의 농도의 행렬

C : 이미 알고 있는 샘플의 농도 행렬

위와 같이 계산된 PRESS값이 작을수록 만들어진 모델이 농도를 예측(predict)할 확률이 높아진다.

도 11은 요소의 PRESS의 예를 도시한 도면이다.

위 방법으로 펙터의 개수를 정해줄 때 크로스 벨리데이션(Cross-Validation)이라는 방법을 사용하였다. 이 방법은 트레이닝셋에서 하나의 샘플의 스펙트럼과 농도 정보를 제거한 후(이때 펙터 카운터를 i=1이라고 놓는다), 남은 트레이닝셋로 펙터 i에 대해 디컴포지션과 캘리브레이션 캘큘레이션(calibration calculation)을 한다. 이 때 만들어진 캘리브레이션 이큐에이션(calibration equation)을 가지고 제거된 샘플의 농도를 예측(predict)한다. 이것을 각각의 펙터에 대해 반복적으로 하고, 모든 기대 펙터에 대해 계산이 끝나면 처음에 뺐던 샘플을 다시 트레이닝셋에 포함시키고 다른 샘플을 뺀 후 같은 과정을 반복한다. 이러한 과정이 반복될 때마다 계산된 스퀘어드 레지듀얼 에러(squared residual error)를 앞 단계의 값에 더해서 PRESS 값을 계산한다. 이 방법은 아주 간단하지만 모델을 최적화 (optimizing)할 때 가장 강력한 계산 방법이다.

Cross-Validation 방법은 크게 두 가지 이점이 있다. 하나는 Cross-Validation을 통해 모델의 성능(performance)를 계산하는 방법 자체가 성분을 모르는 스펙트럼(unknown spectrum)의 농도를 예측(predict)하는 방법을 모방하고 있기 때문에 PRESS를 계산할 때 더 정확하게 계산함으로써 나중에 획득될 성분을 모르는 스펙트럼의 농도를 계산하는 데에 도움을 준다는 것이다.

두 번째 이점은, 트레이닝셋 데이터에서 아웃라이어(outlier)를 완벽하게 찾아낼 수 있는 방법이라는 것이다. 트레이닝셋은 되도록 비슷한 경향을 보이는 데이터들로 구성되는 것이 좋은데, 이때 유별나게 다른 경향을 보이는 샘플을 탐지해내서 빼주는 것이 더 좋은 트레이닝셋를 만들게 해준다. 이러한 것을 아웃라이어를 빼준다고 하는데 cross-validation 방법은 그러한 아웃라이어를 완벽하게 탐지해낼 수 있는 유일한 방법이다.

이러한 장점들에도 불구하고 cross-validation방법은 시간이 많이 걸린다는 단점이 있다. 하지만 정확한 예측 결과의 도출을 가능하게 한다는 것과 시간이 많이 걸리기는 하지만 생각보다 많이 걸리지 않는다는 것(50 samples 비교하는 데 40초)을 고려할 때 이 방법은 아주 바람직하다고 볼 수 있다.

6. 예측된 결과들(Predicted Results)의 유효성 판단

획득된 샘플들은 희석이 된 상태의 샘플과 희석이 되지 않은 샘플들로 나눠 서 농도 예측이 되었다. 농도 예측은 5가지 전처리 과정(pre-processing) 방법에 따른 결과가 비교 분석 되었다. 예측 결과들은 마할라노비스 디스턴스(Mahalahobis Distance), 스펙트럴 레지듀얼(Spectral Residual), 에프 레이쇼(F-Ratio), 에프 테스트(F-Test)의 검사 항목들을 통과하는지의 여부에 따라 예측의 성공 여부가 가려졌다. 여기서 예측된 성분 농도의 스코어나 컨센트레이션(concentration)은 트레이닝셋 의 값들의 범위 안에 들어있는지의 여부를 판단하여 주었다.

6-1) 마할라노비스 디스턴스 (Mahalanobis Distance)

성분을 모르는 스펙트럼(unknown spectrum)은 트레이닝 셋의 스펙트럼들과 판별 분석(Discriminant analysis)법을 통해 비교 분석된다.

즉, 트레이닝 셋에서 먼저 몇 개의 그룹으로 분류된 것들과 새로 얻은 스펙트럼을 각각 비교해보고, 제일 비슷한 것을 찾는다.

비슷한 것으로 여겨지는 스펙트럼은 같은 성분이라고 본다.

스펙트럼의 에너지를 보고 그 성분이 얼마나 들어있는지 판단한다.

특히, 여기서 쓴 분석 방법은 마할라노비스 디스턴스 법(Mahalanobis Distance Method)이다. 이 방법에서는, 몇 개(j개)의 주요한 피크(peak)의 파장을 선택한 후, 트레이닝 셋의 모든 스펙트럼의 그 파장에서의 값을 평균을 낸다. 즉, n개의 스펙트럼이 있으면 n개의 값의 평균값(수학식 1)이 j개 구해진다. 그 평균 값은 각 성분별로 고유한 값으로 존재하게 되며, 해당 파장의 스펙트럼에서 구해진 평균을 빼주어서, 평균 중심화된 값(S _jMC )(수학식 2)을 구한다. 이렇게 구해진 벡터 형태의 값을 트랜스포즈한 값과 곱해서 n-1로 나누면 마할라노비스 매트릭스(M)(수학식 3)가 된다. 그것을 이용하여 대입하면 비로소 마할라노비스 디스턴스의 제곱값(D ² )(수학식 4)이 구해진다. 이 거리가 짧을수록 기준으로 삼은 그룹에 가깝게 된다.

도 12a는 마할라노비스 디스턴스 법의 이해를 돕기 위한 도면이다. 두개의 피크(peak)값의 파장(가로축, 세로축)에서 마할라노비스 디스턴스를 측정하는 것이다. A, B두개의 그룹을 모르는 값이 있을 때 타원형의 마할라노비스 경계선에 가까운 A가 그룹에 가까운 것으로 판단된다. 특히, 마할라노비스 경계선의 긴 축 분포에 따라 웨이트(weight)가 정해짐으로써 더 정확하게 그룹화를 시킬 수 있다.

이렇게 성분을 알지 못하는 스펙트럼을 트레이닝 셋의 데이터를 기준으로 특정 그룹에 속할 가능성을 측정함으로써, 해당 예측 실험이 의미가 있는지 알 수 있게 된다(어떤 성분이 있는지 알게 된다). M Distance가 3을 초과하는 것은 예측에 실패했다고 판단되었다. 다음의 식은 마할라노비스 디스턴스를 구해주는 것을 수 식으로 나타낸 것이다.

6-2) 스펙트럴 레지듀얼(Spectral Residual)

농도 예측의 성능 참고치로 스펙트럴 레지듀얼 항목이 있다. 이것은 'PLS 모델로 예측하기'에서 모든 성분과 펙터에 대해 반복한 뒤에도 남아있는 Au가 스펙트럴 레지듀얼이다. 이것은 예측한 뒤 재구성한 스펙트럼과 원래 스펙트럼의 차이를 나타내주는 것으로 그 값이 작을수록 로딩 벡터(펙터)가 더 중요도를 갖고 예측에 쓰였다는 것을 말한다. 스펙트럴 레지듀얼 분포에서 튀는 값을 아웃라이어(outlier)로 선택하여서 트레이닝셋에서 제하여 줌으로써 펙터의 선택 시에 잡음의 정보가 영향을 끼치는 것을 최소화시킬 수 있다. 원래 스펙트럼(Aorig)과 예측된 스펙트럼(Apred)의 스펙트럴 레지듀얼을 구하는 식은 다음과 같다.

6-3) 에프 레이쇼(F-Ratio), 에프 테스트(F-Test)

예측된 스펙트럼이 얼마나 성공적인지 보여주는 따른 지표로서 F-Ratio와 F-Test가 있다. 이것들은 특히 통계학적으로 예측된 결과가 model의 트레이닝셋와 일치하는지 보여주는 것이다. F-Ratio 와 F-Test모두 0.99( alpha =0.01) 값을 넘으면 예측이 실패한 것으로 간주하였다. F-Ratio를 식으로 나타내면 다음과 같다.

에프-통계 테이블(F-statistic table)을 참고하여 에프 테스트(F-test)의 확률 추정(probability estimate)을 알아보면 다음 식과 같다.

위 방법에서 에프 디스트리뷰션(F-distribution)은 chi ^{ 2 } (Chi-Square) 디스트리뷰션에 의해 근사화(approximate)되었다. 위 식에서 쓰인 degree of freedom의 수치는 분자(numerator) nu _{ 1 } 은 1, 분모(denumerator) nu _{ 2 } 는 left ( n-f-1 right ) 이다. 여기서 f는 모델의 펙터의 개수이다.

요산(Uric Acid), 요당(Glucose), 크레아티닌(Creatinine), 요소(Urea Nitrogen) 이렇게 4개의 성분에 관심을 갖고 라만 시스템을 이용해 소변 성분을 분석하였다. 각 성분에 따라, 혹은 샘플의 채취 방법에 따라 바람직한 신호처리 방법이 달랐으며, 이것을 각 케이스별로 조사해서 향후에 바람직한 알고리즘을 적용할 수 있다.

도 12b는 예측된 결과들의 유효성을 판단한 예를 도시한 도면이다.

도 12b에서 Constituent는 성분, Concentration M Distnace는 농도 M Distnace, Limit Tests는 한계 테스트를 의미한다.

도 13a, 13b, 13c, 13d는 희석되지 않은 소변의 요소, 요당, 크레아티닌, 요소의 농도를 라만 분광법과 임상의학연구소의 분석기기인 히타치(Hitachi)7070으로 측정한 결과를 비교하여 도시한 도면이다.

도 14a, 14b, 14c, 14d는 희석된 소변의 요소, 요당, 크레아티닌, 요소의 농도를 라만 분광법과 임상의학연구소의 분석기기인 히타치(Hitachi)7070으로 측정한 결과를 비교하여 도시한 도면이다.

도 15는 임상의학연구소에서 얻은 데이터와 본원 발명으로 얻은 데이터의 상관관계를 도시한 도면이다. 도 15를 참조하면 임상의학연구소에서 얻은 데이터와 본 발명으로 얻은 데이터의 일치성이 0.92로 높은 상관관계를 가짐을 알 수 있다. (도 15의 데이터는 요산의 데이터이다.)

전반적으로 희석된 상태에서 선형성이 더 떨어지는 것을 관찰할 수 있었는데, 이것은 희석된 상태의 샘플의 수가 부족하고 대부분이 정상인의 샘플이라 농도의 분포가 너무 비슷해서 다양한 범위의 농도 예측이 어려웠던 것으로 보인다.

또한, 각 그래프의 위에 약자로 제시되어 있듯이(MSdSG:Mean Centering+SNV with detrending+SG Derivatives, MSd:Mean Centering+SNV with detrending, Mean, MS:Mean Centering+SNV, MS4out: Mean Centering+SNV and 4 samples outliers) 각 성분별로 이상적인 전처리 과정이 달랐으며 추후에 더 많은 샘플로 실험이 이루어지면, 성분별 분석 방법이 정립되어 성분을 모르는 스펙트라(unknown spectra)(unknown spectra)를 분석할 때 유용하게 사용될 수 있을 것으로 여겨진다.

도 16은 분석 정보를 가지고 재구성된 스펙트럼과 전처리도 안된 스펙트럼을 도시한 도면이다. 성분 분석 후 분석 정보를 가지고 재구성된 스펙트럼(붉은 색)과 전처리도 안된 스펙트럼(Original Raw; 파란 색)거의 일치하는 것을 볼 수 있다. 즉, 스펙트럼과 성분 정보가 높은 상관관계를 갖는다는 것을 알 수 있다. 가운데의 파란 색은 두 스펙트럼간의 차이를 나타낸다.

이러한 자료들은 데이터베이스화되어 환자의 장기적인 건강검진 참고 데이터로 활용될 수 있다. 이때 사용된 소프트웨어는 매크로(macro)로 프로그래밍되어 같은 루틴으로 매일 적용된다.

또한 이 시스템은 업그레이드가 용이하도록 구성되어서 언제든지 더 유용한 알고리즘이 필요하면 업그레이드 함으로써 한번만 개발되고 끝나는 것이 아니라 더욱 더 향상된 의료서비스를 지속적으로 제공할 수 있도록 고안되었다.

한편 본 발명의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 예를 들면, 본 명세서에서 개시하는 소변물질을 라만 스펙트럼을 이용할 수 있는 균등한 범위의 물질로 치환하거나, 소프트웨어의 일부를 생략, 변경, 추가하여 변경하는 것이 가능하다.

그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

상술한 바와 같이 본 발명의 시스템에 따르면 샘플에 레이저를 쬐어 얻은 데이터(라만 스펙트럼)가 전달매체를 통해 전송되면 소정의 소프트웨어를 통해 분석되어 대상 환자의 소변의 성분의 정성, 정량 검사 데이터를 수집, 관리, 보관이 가능하게 하여준다. 그리고 매일 매일의 소변 성분에 대한 데이터를 데이터베이스화함으로써, 환자의 건강 상태의 변화를 점검해 줄 수 있다. 또한 환자의 상태를 계속적으로 모니터링 하여 소변 성분이 갑자기 이상하게 변할 경우 전문의에게 알려줌으로써 환자의 건강이 갑자기 악화되는 것을 방지하는 데에 도움을 줄 수 있을 것이다.

상술한 바와 같이 본 발명의 시스템에 따르면 특히 노인 등 혼자 사는 사람과 만성 질환 등으로 병원의 방문이 빈번하게 요구되는 환자들에 대하여서는 주기적으로 병원을 방문함이 없이 무자각적으로 소변 검사를 할 수 있어 장기적이고 지속적으로 환자의 상태를 모니터링 할 수 있다. 건강관리를 지속적으로 그리고 정확하게 하기 위하여서는 계측에 필요한 환자의 부담과 참여를 최소화하여야 한다. 환자는 단지 정상적인 생활만 하더라도 화장실의 변기 셋(toilet set)에서 자동으로 환자의 건강상태가 검진된다면, 환자가 의도적으로 계측을 준비한 상황이 아닌 정상생활 중에서 측정된 정보이기 때문에 더욱 정확하고 유용하게 활용할 수 있을 것이다.

본 발명을 통해 얻어진 데이터베이스는 인위적이지 않게, 또 규칙적으로 측 정된 데이터이므로 관련 임상 연구에 양질의 데이터로도 이용될 수 있어서 관련 의학 분야의 발전에 도움을 줄 수 있을 것이다.

Claims (10)

1. 소정의 샘플에 레이저를 발사하여 상기 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼을 구하는 라만 스펙트로미터부;

   상기 라만 스펙트로미터부를 이용하여 구한 적어도 하나 이상의 샘플의 스펙트럼과 상기 적어도 하나 이상의 샘플에 대한 임상학적인 성분 정보가 저장되는 트레이닝셋 모듈;

   상기 트레이닝셋 모듈에 저장된 각각의 스펙트럼을 전처리 과정으로 분석하고 PLS(Partial Least Squares) 분석법으로 상기 샘플에서 측정하고자 하는 성분 각각에 대해 스코어와 로딩 벡터를 계산한 후 크로스 벨리데이션(Cross Validation)으로 캘리브레이션 모델을 구성하는 캘리브레이션 구성부;

   라만 스펙트로미터부를 이용하여 얻은 피검 샘플의 스펙트럼이 저장되는 피검 샘플 모듈;

   상기 피검 샘플 모듈의 스텍트럼을 전처리 과정으로 분석하고 상기 캘리브레이션 모델의 파라미터를 이용하여 피검 샘플의 성분 농도를 예측하는 성분 분석부; 및

   상기 캘리브레이션 구성부 및 성분 분석부의 결과에 대하여 마할라노비스 디스턴스 법, 스펙트럴 레지듀얼, 에프 레이소, 에프 테스트 중 적어도 하나 이상으로 유효성을 판단하여 피검 샘플의 성분 정보로 선택하는 유효성 판단부;를 포함하는 라만 분광법을 이용한 성분 분석 시스템.
2. 제 1항에 있어서

   상기 트레이닝셋 모듈, 캘리브레이션 구성부, 피검 샘플 모듈, 성분 분석부 및 유효성 판단부의 자료를 표시하는 표시부를 더 포함하는 라만 분광법을 이용한 성분 분석 시스템.
3. 제 1항에 있어서

   피검 장소에 설치되어 상기 피검 샘플의 스펙트럼을 구하는 상기 라만 스펙트로미부; 및

   상기 상기 피검 샘플의 스펙트럼을 상기 피검 샘플 모듈로 전송하는 통신시스템;을 더 포함하는 라만 분광법을 이용한 성분 분석 시스템.
4. 제 1항에 있어서

   상기 전처리 과정은 적어도 평균 중심화, SNV(Standard Normal Variate) 방법, 디트렌딩(Detrending) 방법 및 사비치-고레이 디라이베티브스 중 하나 이상을 포함함을 특징으로 하는 라만 분광법을 이용한 성분 분석 시스템.
5. 제 1항 내지 제 4항 중 어는 한 항에 있어서

   상기 라만 스펙트로미터부는

   소정 파장의 레이저를 생성하는 레이저 발생장치;

   상기 레이저 발생장치의 레이저를 샘플로 유도하는 옵틱 파이버(optic fiber) 및 상기 샘플에서 역산란된 빛을 그레이팅으로 유도하는 옵틱 파이버를 포함한 레이저 프로브;

   상기 역산란된 빛을 각각의 파장길이(wavelenght)대로 측정할 수 있도록 분리해 주는 그레이팅; 및

   상기 분리된 빛을 감지하는 시시디(CCD);를 포함하며,

   상기 감지된 빛으로부터 라만 스펙트럼을 생성함을 특징으로 하는 라만 분광법을 이용한 성분 분석 시스템.
6. 제 1항 내지 제4항 중 어느 한 항에 있어서

   상기 레이저는 785nm의 파장임을 특징으로 하는 라만 분광법을 이용한 성분 분석 시스템.
7. 제 5항에 있어서

   상기 샘플은 소변이며,

   상기 레이저는 785nm의 파장을 갖으며,

   상기 측정하고자 하는 성분은 소변의 요당, 크레아티닌, 요소, 요산의 정성 및 정량에 관한 것 중 적어도 하나 이상 포함함을 특징으로 하는 라만 분광법을 이용한 성분 분석 시스템.
8. 적어도 하나 이상의 샘플에 레이저가 발사되어 상기 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼이 구해지는 1단계;

   상기 적어도 하나 이상의 샘플에 대한 임상학적인 성분 정보가 구해지는 2단계;

   상기 스펙트럼 및 상기 성분 정보를 포함하는 트레이닝셋이 구해지는 3단계;

   상기 트레이닝셋의 스펙트럼을 전처리 과정으로 분석하고 PLS(Partial Least Squares) 분석법으로 상기 샘플에서 측정하고자 하는 성분 각각에 대해 스코어와 로딩 벡터를 계산한 후 크로스 벨리데이션(Cross Validation)으로 캘리브레이션 모델이 구성되는 4단계;

   피검 샘플에 레이저가 발사되어 상기 피검 샘플로부터 산란된 빛을 받아 라만 분광법으로 스펙트럼이 구해지는 5단계;

   상기 피검 샘플의 스텍트럼이 전처리 과정으로 분석되고 상기 캘리브레이션 모델의 파라미터를 이용하여 피검 샘플의 성분 농도가 예측되는 6단계; 그리고

   상기 5단계와 6단계의 결과에 대하여 마할라노비스 디스턴스 법, 스펙트럴 레지듀얼, 에프 레이소, 에프 테스트 중 적어도 하나 이상으로 유효성이 판단되어 피검 샘플의 성분 정보가 선택되는 7단계;를 포함한 라만 분광법을 이용한 성분 분석 방법.
9. 제 8항에 있어서

   상기 레이저는 785nm이며,

   상기 샘플은 소변이며,

   상기 성분은 소변의 요당, 크레아티닌, 요소, 요산의 정성 및 정량에 관한 것 중 적어도 하나 이상 포함을 특징으로 하는 라만 분광법을 이용한 성분 분석 방법.
10. 제 8항 또는 제 9항에 있어서

    상기 5단계는

    피검 샘플에 레이저가 발사되어 상기 피검 샘플로부터 산란된 빛을 받아 라만 분광법으로 얻어진 스펙트럼이 통신 시스템을 통해 전송되는 단계;임을 특징으로 하는 라만 분광법을 이용한 성분 분석 방법.

Images