TW567056B - A multi-tier method of classifying sample spectra for non-invasive blood analyte prediction - Google Patents
A multi-tier method of classifying sample spectra for non-invasive blood analyte prediction Download PDFInfo
- Publication number
- TW567056B TW567056B TW090122161A TW90122161A TW567056B TW 567056 B TW567056 B TW 567056B TW 090122161 A TW090122161 A TW 090122161A TW 90122161 A TW90122161 A TW 90122161A TW 567056 B TW567056 B TW 567056B
- Authority
- TW
- Taiwan
- Prior art keywords
- measurement
- patent application
- scope
- category
- item
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000004369 blood Anatomy 0.000 title claims abstract description 51
- 239000008280 blood Substances 0.000 title claims abstract description 51
- 239000012491 analyte Substances 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 104
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 210000003491 skin Anatomy 0.000 claims abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 210000001519 tissue Anatomy 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 31
- 238000000862 absorption spectrum Methods 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 230000002079 cooperative effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 210000000577 adipose tissue Anatomy 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004962 physiological condition Effects 0.000 claims description 5
- 235000012054 meals Nutrition 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000000434 stratum corneum Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 210000000601 blood cell Anatomy 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 claims 1
- 239000007788 liquid Substances 0.000 claims 1
- 210000004207 dermis Anatomy 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 4
- 238000001727 in vivo Methods 0.000 abstract description 2
- 230000036571 hydration Effects 0.000 abstract 2
- 238000006703 hydration reaction Methods 0.000 abstract 2
- 239000000523 sample Substances 0.000 description 29
- 239000000126 substance Substances 0.000 description 15
- 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 description 12
- 239000008103 glucose Substances 0.000 description 12
- 239000000306 component Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 239000000203 mixture Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000003925 fat Substances 0.000 description 7
- 238000004497 NIR spectroscopy Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 230000031700 light absorption Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004159 blood analysis Methods 0.000 description 4
- 230000002500 effect on skin Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 150000002632 lipids Chemical class 0.000 description 4
- 230000008774 maternal effect Effects 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 206010033675 panniculitis Diseases 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 210000004304 subcutaneous tissue Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000005020 Acaciella glauca Species 0.000 description 1
- 241001340526 Chrysoclista linneella Species 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 241000282342 Martes americana Species 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 235000008708 Morus alba Nutrition 0.000 description 1
- 101100274264 Mus musculus Cherp gene Proteins 0.000 description 1
- 241000428199 Mustelinae Species 0.000 description 1
- 238000011481 absorbance measurement Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000019625 fat content Nutrition 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000003045 statistical classification method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 238000002834 transmittance 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
- A61B5/145—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
- 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
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4785—Standardising light scatter apparatus; Standards therefor
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
-
- 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
- A61B2560/0228—Operational features of calibration, e.g. protocols for calibrating sensors using calibration standards
- A61B2560/0233—Optical standards
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Emergency Medicine (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
567056 經濟部智慧財產局員工消費合作社印制衣 A7 B7 五、發明說明（） 發明領域： 本發明是關於利用近紅外線組織吸光光譜來非侵入 式地預測血液分析物，尤其是關於將樣品光譜分成内部具 有高度一致性的群組以降低因光譜干擾物而引起的預測 誤差的一種方法。 發明背景： 非侵入式血液分析物測量的目的是在不侵入皮膚的 情況下’決定目標血液分析物的濃度。近紅外線光譜是一 可靠的非侵入式技術，其乃是利用測量低能量近紅外線透 射進入受測者之吸收光譜。光線集中於皮膚的一小區域然 後傳達至皮下組織，由光譜儀偵測逃脫的反射和透射光且 提供由近紅外光穿透和取樣的組織内涵物的資訊。每一波 長光線的吸收決定於組織結構的特性和化學組成。每一組 織層由於含有獨特的異質化學物和微粒子分佈，故產生光 線的吸收和偶發性的入射光逸散。化學成分例如水分，蛋 白質，脂質，和血液分析物透過其獨特的吸光圖譜與其濃 度成正比。取樣組織之光譜含有目標分析物和大量其他會 千擾分析物測量的物質之資訊。結果，分析物訊號的分析 須要發展一能從大量重疊的干擾物質的光譜訊號中節取 出分析物之光譜訊號的數學模式。定義一能對許多干擾物 質作正確補償的模式可能需要對一定數量的組織樣品作 上百次或頻率更高的光譜測量。 非侵入式估算血液分析物的正確性亦受病人皮膚，和 第頂 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公餐） ----------W----------訂---------線 (請先閱讀背面之注意事項再填冩本頁) 567056 A7 B7 五、發明說明（） 活組織的動態特性所限制。化學的，結構的和生理的變異 對測量的組織其光學的特性產生劇烈的影響。參考R. Anderson. J. Parrish. The optics of human skin, Jounal of Investigative Dermatology· vo 1. 77(1)，pp.13-19 (19 81); and W. Cheong, S. Prahl, A. Welch, A review of the optical properties of biologiccal tissuesy IEEE Jounal of Quantum Electronics, vol. 26(12), pp.2 1 66-2 1 85(Dec. 19 9 0); and D. Benaron, D. Ho, Imaging (NIRI) and quantitation (NIRS) in tissue using time-resolved spectrophotometry: the impact of statically and dynamically variable iptical path lengths, SPIE. vol. 1 8 8 8, pp. 10-21 (1 993); and J. Conway, K.
Norris, C. Bodwell, A new approach for the estimation of body composition : infrared inter act ance，The American Jornal of Clinical Nutrition, vol. 40, pp. 1 123-1 140 (Dec. 1 984); and S. Homma, T. Fukunaga, A. Kagaya, Influence of adipose tissue thickness in near infrared spectroscopic signals in the measurement of human muscle, Journal of Biomedical Optics, vol. 1(4), pp. 41 8-424 (Oct. 1 9 9 6); and A. Pro fio, Light transport in tissue, Applied Optics· vol. 28(12)，pp. 22 1 6-2222(june 1 989);and M. Van Gemert, S. Jacques， H. Sterenborg, W. Sta， Skin optics， IEEE Transactions on Biomedical Engineering, vol. 36(12)，pp. 1146-1154 (Dec. 1 989); and B. Wilson, S · Jacques，Optical reflectance and Transmittance of tissues: principles and 第4頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） •樣 (請先閱讀背面之注意事項再填寫本頁) 訂---------線一 經濟部智慧財產局員工消費合作社印製 567056 經贵部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（） applications，TEEE Journal of Quantum Electronics, vo 1. 26. (123)， ρρ·2186-2199. 光譜變異的全部來源包含下列一般範疇： 1 · 光譜性干擾種類的共蠻異〇 血液分析物的近紅 外線光譜吸光分析圖在一短暫的時期内傾向於 重疊和同時地變化。此重疊導致光譜的干擾且使 得吸光測量需要比干擾種類更多的獨立不同的 波長。 L·-樣品的異質性。組織測量點含有不同組成和散 射的數層和數個間隔。光譜吸光譜對波長測量的 比值與這些組織成分的組成和光學特質的複合 組合相關。因此變化的血液分析物濃度的光譜反 應疋可能會偏離一单純的線性模式。 ———H變異°受測者生理狀況的變化在相對的較短 的時間内影響組織層和間隔的光學特性。這些變 異舉例來說可能與水分含量，組織内血液的體積 分數，荷爾蒙的刺激，皮膚溫度的波動和血液血 紅素的含量。甚至有可能有細微的變化發生於與 光學探針接觸之反應。 1：一_丝個體組織之特性之所以不同乃由於 下述因子如遺傳，環境影響，老化過程，性別和 身體組成之不同的結果。這些不同大多屬於解剖 學上的且可以描述成慢慢地變化之結構性質其 此產生多樣性的組織幾何學。結果是一特定受測 第5頁 -------·-----%------- 丨訂---------線-- (請先閱讀背面之注意事項再填寫本頁)
567056 經濟部智慧財產局員工消費合作社印製 A7 B7____ 五、發明說明（） 者的組織具有獨特的系統光譜吸收特徵和模式 其乃直接相關於特殊的性質如真皮厚度，蛋白質 含量和體脂肪百分比。雖然在一病人中吸光特徵 可以重複，但一病人母族群的結構變異可能不是 尊從於一單純數學校正模式的使用。故病人間的 差異對於透過近紅外線光譜吸收對血液分析物 作非侵入式測量是一重要的障礙。 在一非分散性系統中，類似上述（1)所述之變異很容易 透過多變數技術如多重線性回歸和因子算則來模式化。雖 然上述（2)項所舉出之問題大多還未被探討，但對組織於擴 散反射的散射特性的模式化已做過許多努力。列於上述（3) 和（4)項類型的變異會導致重要的非線性光譜反應而其有 效的解方法還未被報導。舉例來說，數個關於非侵式葡萄 糖測量方法的校正模式是特定於一個體於一短期的時間 内而發展的。參考 K. Hazen， biological matrices using near-infrared spectroscopy， Doctoral Dissertation, University of Iowa(Dec. 1 997); and M. Robinson, Noninvasive glucose monitoring in diabetic patient: a preliminary evaluation, Clin. Cherp t v〇1 38(9) pp· 1 6 1 8- 1 622 (1 992).此種研究方法避免病人間差異的模 式化故因而不能通用於更多的個體。無論如何，第（4)型的 變異可能是需要再校正的，且校正模式並未於較長的時間 中被試驗。而且已報導的方法對（3)型範圍内的變異並非有 效的。 第6頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 x 297公t ~ • ϋ MMMW i n —ϋ ϋ n «1 n 1« 1 n · n ϋ ϋ n I— I— in 」 0 in «ϋ n Slav n ϋ < (請先閱讀背面之注意事項再填寫本頁) .線， A7
567056 五、發明說明（） 目的及概沭 本發明提供一能隨著光譜干擾物質、樣本異質性、狀 &變異和結構變異之共變異而補償樣本光譜變異的多路 傻方法以分類組織吸光光譜。測量光譜與能於病人測量時 產生最正確估計的局部校正模式有關。透過節取與目前病 人狀況和結構有關的組織吸光譜特徵來進行分類。本發明 亦提供一從已分離成群組的病人或個體病人生理狀況的 代表母族群之組織吸收光譜，發展局部校正模式的方法。 此群組或類別是依結構或狀態的類似性為基組而定義，使 同一類別内組織特徵的變異小於不同類別間之變異。 I式簡單說明： 第1圖為根據本發明所提供一關於多路徑樹狀結構的描 述。 第2圖為根據本發明一關於非侵入式血液樣品分析的智慧 系統結構的區塊圖示。 第3圖為根據本發明的一關於分類模式系統的區塊圖 示。 第4圖為一利用擴散反射紅外線光譜儀收集之非侵入式吸 光光譜。 第5圖顯示一未控制組織水分的重複非侵入式測量之光譜 圖。 第6圖顯示根據本發明以包圍的溼度控制水分的重複非侵 入式測量之光譜圖。 第7圖顯示非侵入式吸光光譜於波長1 7 1 0 n m時有—顯著 第7頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公Ρ -------- -1^— ϋ n 1· ϋ ϋ ϋ n an Α— ϋ · ϋ n ϋ tm§ ϋ n ei-i 一。ι i ϋ ϋ H ϋ— (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印製 567056 A7 B7 經濟部智慧財產局員工消費合作社印製 五、發明說明（） 的脂質波段。 第8圖為根據本發明之一種關於相互排除類別的一般校 正系統的區塊概要圖。 第9圖為根據本發明之一種關於模糊類別指定的一般校 正系統的區塊概要圖示。 第1 0圖為根據本發明之一種關於模糊集合指定的平行校 正系統例子的區塊概要圖示。 圖號對照說明： 1 1. 第一路徑 12 55-58 歲 13 40-54 歲 14 28-40 歲 15 18-27 歲 16 第二路徑 17 女性 18 男性 19 第三路徑 20 含水量30-60 21 含水量<30 22 含水量>61 23 第四路徑 24 88-90 度 25 86-88 度 26 84-86 度 第8頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） (請先閱讀背面之注意事項再填寫本頁) 訂---------線 567056 A7 B7 五、發明說明（ 27 28 29 30 31 41 53 54 61 71 72 101 111 121 122 <84度 最 後路 徑 真 皮厚 度埃拜 C 真 皮厚度族群 B 真 皮厚 度族鮮 A 特 徵節 取 分 類模 式 決 定機 制 水 分子 波段 明 顯脂 肪波段 正 常脂 肪波段 非 線性 的校正; 漢式 單 一校 正模式 分 別校 正 去 模式 化 * '* ^Γ.* I ϋ 1-« n ϋ —9 ·ϋ ϋ ϋ ϋ ·1_— aiBi —9 · I ί ϋ βϋ I n ϋ 2^a n n IV (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印製 菸明#細說明：多路徑分類 利用光譜和其他電子和人口统計學資訊來分類組織 樣品可利用多種的算則來研究。目前的許多分類法是為了 將内部相似性高的組織狀態分成—群組：舉例來說， Bayesian分類法是利用統計分佈資枓，無變數之神經網 路分類法則是利用假設少數以知之資訊。參考 K. F unkunaga, Intro to Statistical Pattern Recognition· 第9頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 線； 567056 A7 B7 五、發明說明（）
Academic Pres, San Diego, CA (1990); and J. Hertz, A. Kro gh, R. Palmer, Introduction To The Th erorv Of Neural Computation，Addison -Wesley Piblishing Co.，Redwood City CA (1991)。當可得到更多的資料時可此處所選擇的 多路徑分類研究方法提供一生長和擴充資料庫的機會。此 多路徑分類系統較相似於系統分類樹而與分類樹不同，利 用明確或模糊的函數定義決定法則且用來定義決定法則 的算則可於樹狀結構的任一地方改變。 現在參考第一圖，其為一描述多路徑分類圖的例子。 第一路徑1 1根據前定義年齡群組指定樣品光譜：18-25歲 (15)、 2 8-40 歲（14)、40-4 5 歲（13)、和 55-58 歲（12)。一 樣品如所指出的被指定為2 8 -40歲群組。第二個路徑1 6 根據性別指定此女性樣品屬於類別1 8、1 7。第三個路徑 19根據角質層含水量：3 1 -60(2 0)，<3 0(21)和>60分組，此 例為>60。第四個路徑23根據皮膚之溫度分組：88_ 90(24)、86-88(25)、84-86 和 <84 度，此例為 84-86 度。以 此種方法在多路徑結構中的每一路徑決定類別的組員關 係。最後於最終之路徑28依真皮的相關光學厚度指定最 終類別屬於三種前定義群組2 9、3 0和2 8中之一種。 雖然於元整的多路彼分類結構中可能有更多的中間 物質和最終分類類別產生，但因為經濟之緣故，僅被選擇 類別附近之分支完全顯示於第一圖中。舉例來說，第一圖 中第四個路徑2 3可能有九十六種組織測量光譜的種類； 而於最終之路徑則可能有二百八十八種可能的類別。前述 第10頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公楚） '" ---------——.11¾ (請先閱讀背面之沒意事項再填寫本頁)
訂---------線I 經濟部智慧財產局員工消費合作社印製 567056 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（） 關於多路徑分類結構僅為一說明例子。熟悉技藝之人士應 知實際之分結構可能有更多或更少的路徑’且可能使用不 同於說明例中使用之決定法則。 特徵節取 如前所指出，在分類結構的每一路徑是根據樣品已知 之資料，或儀器於組織測量點所作之測量。在第一圖的例 子中，前二個路徑用樣品已知之資料：受測者年齡和性 別。接著之路徑利用從組織測量點儀器所測的資料。更進 一步之分類則是以從組織吸光光譜粹取出之特徵本身為 基礎。 特徵節取是可增強闡述組織測量品質或觀點的任何 數學變形。參考 R. Duda，P. Hart, Pattern Classi fi η⑷ ηΓ and Scene Analysis, John Wiley and Sons, New York (1 9 7 3)。第二圖顯示一關於非侵入式血液分析物預測的智 慧測量系統的區塊圖示，於現行應用的原形應用中有完全 的描述：S. Malin and T. Ruchti, Zaz 办以泛所 For
Noninvasive blood Analyte Prediction， U.S. Patent Application Ser· No. 09/359,1 91; July 22，1 999，第二圖中 特徵節取41的目的為簡明的呈現組織測量點的結構性質 和生理狀況。特徵集合是用於分類病人和決定對血液分析 物預測最有用的校正模式。 特徵是以一向量，ζ ε i?M表示其乃透過前處理測量以 下列方程式表示 第11頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公f ) --------------------訂--------- (請先閱讀背面之注意事項再填寫本頁)
經濟部智慧財產局員工消費合作社印製 567056 五、發明說明（） ζ==/( λ , x ) (1) 其中/.及—i?是從測量空間到特徵空間的一映射。分解 /〇將產生特定的變形’*用以決定一特 定的特徵。因次沁指出當p特徵為一純量或向量且其所 有特徵的聚合為向量z。當一絲 μ 4主- ^ ζ 田―徵以一向量或一模式表不 時’其疋能呈現一内部味揮王目备A/» , , , _ 鬥司生理現象的一特定的結構性標不。 個體的特徵可分成兩個範疇： 1 ·抽象的，和 2.單純的 抽象的特徵並不一定對相關的生理系統有特定的說明。特 別是主要成分分析的積分，雖然其生理性的解釋通常是未 知但其為有用的特徵。主要成分分析的利用是與組織吸光 光《I普的特質有關。組織吸光光譜最重要的變異並非由血液 分析物所引起’而是與組織測量點的狀況，結構和組成有 關。此變異因重要的主要成分而模式化。故前導的組要成 分傾向於呈現與組織測量點結構性質和生理狀況有關的 變異。 單純的特徵是從樣品一前提的了解中衍生而來且與 生理現象直接相關。有用的特徵可從近紅外線光譜吸光測 量所計算出來包括但不限制於下列各項 1 ·脂肪組織之厚度《參考 J. Conway, Κ. Norris, C· Bodwell, A new approach for the estimation of body composition : infrared interactance，The__AΓΠ^Γ1C Journal of Clinical v〇l* 40，PP · 1134- 第12頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公t ) -------1-------------訂---------線 (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印製 567056 A7 B7 五、發明說明（） 1140 (Dec. 1 984) and S. Homma, T. Fukunaga, A. Kagay a, Influence of a d ip os se tissue thickness in near infrared spectroscopic signals in the measurement of human muscle， Journal of Biomedical Optics, vol. 1(4), pp. 41 8-424(Oct. 1996). 2. 組織含水量。參考 moisture in skin by NIR spectroscopy, J. Soc. Comet. Chem.· vol.44, pp.249-26 1 (Sept./Oct. 1 993) 3. 蛋白質吸光之級數。參考J. Conway，ei a/., swpra· 4. 組織之逸散性質。參考A.Profio, L/g/ζί irawpor/ “ tissue, Applied Optics· vol.28( 12), pp. 2216-2222(June 1 989) and W. Heong, S. Prahl, A. Welch, A review of the optical properties of bological tissues, IEEE Journal of Quantum Electronics, vol. 26(112)， pp.2 1 66-2 1 85 (Dec. 1990); and R. Anderson, J. parrish. The optics of human skin, Journal of Investigative Dermatol 〇 g v. vol. 7 7(1)， pp.13-19(1981). 5. 皮膚之厚度。參考 Anderson, βία/., swpra; and Van Gemmert, et aL, supra. 6. 溫度相關效應。參考Funkunga，swpn 7. 年齡相關效應。參考 W. Andrew, R. Behnke，T. Sato, Changes with advancing age in the cell population 第13頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） -------^ --------^---------^ (請先閱讀背面之注意事項再填冩本頁) 567056 經濟部智慧財產局員工消費合作社印製 Α7 Β7 五、發明說明（） of human dermis, Gerontologia· vo 1. 10， pp.1-19 (1964/65); and W. Montagna, K. Carlisle,
Structural change in aging human skin , The Journal of Investigative Dermatology· vo 1. 73，pp_ 47-5 3 (19 79); and 19 J.Broccklehust, Textbook of Geriatric Medicine and Geronotology. pp.593-623, Churchill Livingstone, Edinburgh and London ( 1 973). 8.與性別相關之光譜特性。參考T. Ruchti，Internal Reports and Presentations, Ins trummentation Metrics, Inc . 9·路徑長度估算。參考 R· Anderson，ei α/·, and S. Matcher, M. Cope, D. Delpy, Use of water absorption spectrum to quantiy tissue chromophore concentration changes in near-infrared spectroscopy, Ph vs. Med. Biol·· vol.38，pp . 1 7 7-196(1993) 10. 組織之血液分數。參考Wilson，ei α/., 1 1 ·與環境影響有關之光譜特性。 光譜的分解被應用於決定與一已知吸光光譜模式有 關之特徵。舉例來說，蛋白質和脂肪具有已知的吸光印 記，可被用以決定其對組織光光譜的影響。此可測量的影 響可視為一種特徵且透過一單一的訊號質呈現内部的變 第14頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） -------：---.----------訂---------線 (請先閱讀背面之注意事項再填冩本頁) 經濟部智慧財產局員工消費合作社印製 567056 A7 ~—-—_l —__ 五、發明說明（） 異。 關於人口統計學資料，如年齡為許多不同影響的組合 且《法以一單純的吸光圖呈現。而且人口統計學的變異和 組織吸光光譜的關係還未確定。舉例來說，皮膚厚度和其 他命多組織特質與年齡有統計學上的相關，但實質上亦是 遺傳和每境影響的結果。所以方法因子被利用來建構能呈 現與人口統計學上變化相關的測量光譜之變異的模式。一 ’則量吸光光譜對模式的投射構成一能呈現與人口統計學 上變化有關的光譜變異的特徵。抽象和單純特徵的編輯構 成M-次元特徵空間。由於資料的重複超過特徵的集合， 應用適當的特徵選擇或資料壓縮來增進分類法的強度。 分類 特徵節取的目的是定義與分類相關的測量中醒目的 特性。特徵的節取進行於多路徑分類樹狀結構中的支點交 接處。分類步驟的目的是將一最適當的校正模式指定給一 特定的非侵入式測量。於此一步驟中病人被指定屬於許多 前定義種類中之一種其中之校正模式是已發展完成且經 過測試的。由於此校正模式之應用是為了相似的組織測量 光譜而發展，故血液分析物的預測較從通用校正模式獲得 的正確。 如弟二圖所畫出’模式分類一般包含兩步驟： 1 · 一映射步驟於其中依分類模式5 3測量節取出之特 徵與前定義種類之相似性。 第15頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公餐） -------：-----------訂---------線♦ (請先閱讀背面之注意事項再填寫本頁) A7
567056 五、發明說明（） 扎疋步驟於其中一決定機制54指定類別組員關 係。 在此、周路中，進行著兩種一般的分類方法。第一種 疋使用相互排除分類法而指定每一種測量屬於何種類 別第一種方式為利用模糊分類系統其允許一種類同時為 於不/、種類別之成員。兩種方法依賴如下所描述之前定 義類別。 類別定義 分類系統的發展需要從母族群的代表性取樣中獲得 一範例光謂測量之資料集合。類別定義是於實驗資料集合 中之測量對類別的指定。類別定義之後，用測量和類別指 定決定從特徵到類別指定之映射。 類別定義是利用一經監督或未經監督的方法來完 成。參考 Y. Pao，Adaptive Pattern recognition and Neural twqrKAddison-Wesley publishing Co., Reading MA (1 9 8 9) ·。在被監督的例子中，是透過資料中已知的不同來 定義類別。此種使用已知之資料之方式是被監督型辨認的 第一步，其發展分類模式是當類別指定為已知時。舉例來 說，大部分的可觀察光譜變異可利用與包含體脂肪，組織 含水量，和皮膚厚度等數種生理特質有關的三種抽象因子 包來模式化。以此三種特徵為基礎來分類病人如果每一種 特徵有高和低兩個值則將有八種不同的類別。此種方法的 第16頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） (請先閱讀背面之注意事項再填寫本頁) 訂---------線| 經濟部智慧財產局員工消費合作社印製 567056 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（） 缺點疋並未將重點至於光譖的相似性且類別的種類將隨 著特徵的增加而成線性的增加。 未文監督的方法主要為依賴光譜的測量來探究和發 展於特徵2間中的群集或自然族群。此分析使得群集内的 相似性和群集間之分離更形完美。因生理意義之特徵而形 成（群組可用導致特徵空間的變異之已知内部現象來說 明。雖然如此，群組分析並未使用—已知的資料且產生不 一致的結果。 一結合此雨種方法之研究方法是利用一已知的知識 和自發性發生光譜種類特徵空間的探討。在此一研究方法 中，第一次從特徵中定義類別是以一種被監督的方式。每 一種特徵的集合可被分為兩個或更多個區域且類別被定 義為特徵區域的組合。群組分析是依據資料來進行且比較 兩種方法的結果。此叢集將有系統的被用於決定可被組合 之類別的族群。於聚集之後，根據資料中自發性的區域最 後類別定義的數目會明顯的降低。 類別定義之後，透過受監督模式辨認設計一分類法。 根據類別的定義創造一模式其可將一測量的特徵集合轉 變成一估計分類。由於分類系統的最終目的是產生健全和 正確的校正系統，故必須使用迭代的方法於其中類別定義 可儘可能的滿足測量系統的特殊性。 統計學的分類 統計學分類方法是應用於其變異可以統計學方式描 第17頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） ---------------------訂---------線 (請先閱讀背面之注意事項再填寫本頁) 567056 毯濟部智慧財產局員工消費合作社印^^ A7 B7 五、發明說明（） 述的相互排除類別。參考 J.Bezdek，S. Pal，eds，Fuzzy Models for Patteeern Recognition. IEEE Press，Piscataway NJ (1992).。一旦定義類別被屬於舉例樣品的一集合時， 分類法藉著決定能降低錯誤分類數目從特徵空間到類別 預估最適當的映射或轉型其來設計。映射的模式就如適當 的定義一般隨著方法而改變。目前的方法包含線性區別分 析，SIMCA，最近鄰k值（k nearest-neighbor)和許多的人 工神經網路。參考 Funkunaga，swpra; and Hertz，et al.,supra; and Martin, supra; and Duda, et 3.1.,supra; and Pao, supra; and S. Wold, M. Sjostrom, SIMCA: A method for analyzing chemical data in terms of similarity and analogy, Chemom etr i c s : Theo rv an d A pp 1 i c at i η n 丨 ed. B.R. Kowalski, ACS Symposium Series, vol. 52 (1 997); and S. Haykin, Neural networks: A rnmpreh er> si ve Foundation. Prentice-hall, Upper Saddle Riwer NJ (1994) 〇 此結果為一 函數或算則其能將特徵映射成一類別，c，根據公式 c=f ⑴ (2) 其中c為[1，P]間之一整數且尸表示類別的數目。此類別 被用於選擇或改編於如校正段落所討論的一校正模式。 模糊分類 雖然以統計學為基礎的分類定義提供一能應用於血 液分析預測的類別集合，但組織樣品的光學性質使的光學 變異的變化呈現連續的值。所以組織厚度，水分含量，和 第18頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公餐） ------------*-------訂---------線 (請先閱讀背面之注意事項再填寫本頁) 567056 經濟部智慧財產局員工消費合作社印製 Α7 Β7 五、發明說明（） 體脂肪内容物，和其他的自然性的變異導致類別重桑。明 顯的類別界線並不存在且許多測量很可能落於類別之間 且於統計學上有相同的機會屬於數個類別中的任一個類 別。所以硬性的類別界線和相互排除成員關係函數似乎與 目標族群的特性相牴觸。 一個更多樣性的類別指定方法是以模糊設定理論為 基石疋。參考 Bezdek，et al.，supra; and C. Chen，ed.，Fuzzy ^~_Kgtworlc ^ 卜十 IEEE press, Pisxatawa NJ (1 996); amd L. Zadeh, Fuzzy Inform. C〇ntr〇1，VC)1· 8’ΡΡ·338_353 (1965)。 一 般而言，在模糊集 合中成員關係是定義成一連續的級數和將每一種類別映 射其特徵空間至間之一成員關係函數的集合。此被 指定的成員關係級數代表成員關係的程度且1相等於最高 的&度。所以一樣品可能是同時是超過一個類別之組員。 從特徵空間到組員關係向量的映射表示成
Ck=fk(Z) (3) 其中 1，H fk( ·)疋k類別的組員關係函數，以6 [ Q，1 ] 屬於所有的灸值且向量z e Λρ是組員關係的集合。此成員 關係性向量提供每一種前定義種類成員關係的程度，且傳 遞至校正算則。 組員關係函數的設計是利用與前述方法相似的模糊 邊另】疋義。模糊叢集分析和數種根據結構和適當方法而不 同的方法可被應用於發展模糊分類系法。所有的方法皆嘗 試降低從一樣品族群中定義類別屬性之誤差。 第19頁 --------------------訂---------線 (請先閱讀背面之注意事項再填寫本頁)
567056 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（） 多路徑校正 血液分物預測如第二圖所示發生於將校正模式應用 於先前處理之測量。此假設之預測系統應包含一能於分類 步驟的基礎上被選取或被改編校正或校正模式的集合。 發展局部校正模式 正確的血液分析物預測需要能補償所遭遇的共變異 千擾物，樣品異質性，狀況，和結構變異。在系統成分間 實質上即存有光譜重疊的化學性吸光種類其混合的複雜 性僅能使用複變異統計模式來解決。雖然如此，預測誤差 隨著干擾物變異之增加而增加，此干擾物亦隨著校正資料 分析物濃度而共變異。所以存在較小的千擾物變異且此千 擾物在校正集合資料中與分析物濃度相關性不強的測量 中血液分析物能被做最好的預測。雖然使得所有的千擾物 變異為隨機發生並不可能，但一般可以限制光譜干擾物變 異的範圍。 多路徑分類和校正系統的原則是基於一般分類算則 的性質即為必須能於期望分析物訊號的存在下補償重疊 的干擾物訊號。參考 H. martens，T. Naea，Multivariate Calibrati-CUl, John Wiley and Sons, New York (1989).。此應 用所使用的模式需複數個自變數的測量，以x表示，以估 計單一應變數’以少表示。舉例說來，y可能是組織葡萄 糖濃度，且％以一向量[X/ h h]表示，由非侵入式光譜 第20頁 本紙張尺度適用中國國家標準（CNS)A4規格（21〇 X 297公釐) '~ (請先閱讀背面之注意事項再填寫本頁) 訂---------線泰 567056 經濟部智慧財產局員工消費合作社印製 A7 ___ B7 _ ____ 五、發明說明（） 每一 π波長的單一訊號強度所組成。 用於校正單葡萄糖估算的一般模式是利用如等式（4) 所表示的非侵入式光譜的加權總合。加權，w，是 y — (4) 此加權定義此校正模式且必須在一光譜矩陣X中從—已知 之非侵入式光譜的校正集合中計算出，且與每一光譜的參 考值y有關。 W= ( ΧτΧ) -1Xty (5) 使用等式（5)的的多變異系統中可能發生的模式化誤差可 以線性加成混何模型估計出。線性加成混何模式的特徵可 從其定義中看出即混合其中個別成分單純光譜的總合等 於混何物的光譜。線性加成混何模式可用以估算以線性加 成系統為基礎的複變異模式和如非侵入性血液分析等被 預期為從線性加成行為有一些偏離之模式的一般性限 第四圖顯示一非侵入式吸光光譜的實施例。一組的光 譜測量可以一矩陣表示其中每一列表示一個別樣品的光 譜且每一行表示於一波長時訊號的強弱。測量矩陣可以— 包含儀器底線變異矩陣，單純成分光譜矩陣，單純成分濃 度’和存於每一光譜測量的隨機測量雜訊的線系加成混何 模式表示。 X= B〇+ YKT+ Ε (6) 第21頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 χ 297公蜚） ------- (請先閱讀背面之沒意事項再填寫本頁) 訂---------線秦 567056 Α7 Β7 五、發明說明（） 線性加成模式可更進一步打破且加入干擾物和分析 物而成為延展的混合模式。 B〇+ YKT+ ΤΡΤ+ Ε (7) 於方程式4中，r是一代表所有樣品中干擾物濃度或程度 的矩陣，且P代表存在的干擾物質或影響的單純光譜。任 何光譜的歪曲於此公式中可視為千擾物。舉例來說，於光 學測量體積中變異樣品的散射或偏離的影響在此公式中 需被包含於干擾的來源中。在一般最少平方模式中分析物 的直接校正為
Ygls^ ( ΚτΎΜΚ) -1 Kt™ ( X - k〇) (8) T Μ 其中 定義為干擾物質或光譜影響的共變異矩陣，υ定 義為測量雜訊，X為光譜測量，幻為存在於光譜測量的儀 器底線成分。 ™ = PT(ttTylP + diag(U) (9) 此一般最少平方預測所衍生的平均方誤差（MES)可參考 Martens, et al., supra MES(yGLS)= trace ( ΚτΊΜΚ) ·! (l〇) 等式7描述於干擾物存在下最少乘方預測的一般限制。如 果尺表示血液葡萄糖的濃度，等式7最基礎的解釋為：葡 萄糖預估的平均平方誤差隨著校正資料中與葡萄糖濃度 共變異之干擾物濃度的增加而增加。所以於校正集合資料 中測量值存有較少干擾變異且其與葡萄糖濃度低相關時 能完成正確的葡萄糖預估。雖然不可能使的所有的干擾物 第22頁 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） --------ΓΙΙΓΙ% f請先閱讀背面之注意事項再填寫本頁}
訂---------線I 經濟部智慧財產局員工消費合作社印制代 567056 A? B7 五、發明說明（ 隨著葡萄糖隨機變異，但能限制水n m^ ° A制先瑨干擾物的變異於一般 之範圍。 (請先閱讀背面之注意事項再填寫本頁) 多路徑分類利用將具有古和Λ二上 田μ $问程度内在一致性的測量樣 品分配至同一群組而提供一 UB JM L. 限制光學干擾物變異的万 法。群組是根據對樣品的已知知識，在組織測量點的儀器 測量值，和節取的特徵而定義。利用每一個連續的路徑， 樣品更進一步的被分類，如此一來族群中光譜間的變異就 連續地被限制。用來類別定義的組織介質包含：角質層含水 量，組織溫度，和真皮的厚度。 組織含水量 角質層（stratum c〇!*neum，SC)，或覆蓋於手臂下層厚度 經濟部智慧財產局員工消費合作社印製 約1 0 -1 5nm的角狀細胞層。SC組要由角質化的死細胞， 水分’和一些脂質所組成。參考D. Bommannan，R. Potts，R. Guy， Examination of the Strsatum Corneum Barrier Function In Vivo by Infrared Spectroscopy, T. Tvest. Uermatol.,, V〇195,pp403-308(1990)° SC 的含水量已知是 以一室溫和相對溼度的函數隨著時間而變化。參考 J. Middleton, B. Allen, Influence of the temperature and humidity on stratum corneum and its relation to skin chapping, J . S 〇 c . Cosmet. Chem ., vo 1. 24，pp.239-43 (1 973)。由於其為光譜儀投射光束第一個穿透的組織，有 較多的光子對S C比對組織樣品的其他部位做較多的取 樣。所以組織樣品第一層中如水分子等強的近紅外線吸光 第23頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 567056 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（） 者的變異可改變光子穿透s c下層的波長和強度深度分析 圖。 s c含水量改變的影響可從一簡單的實驗中觀察出。 在實驗的第一部分中，SC含水量可自由的在一包圍的環 境中變化。在實驗的第二部分中’在測量前藉著在皮膚表 面控制相對溼度於較高的程度來限制S C含水量的變化。 對單一個體以控制和未控制水分的實驗作的非侵入性測 量分別畫成第5圖和第6圖。水分子波段61在波長1900 的變化可被利用來評估表面水分含水量的變化。明顯的可 看出，第6圖中水分子波段61在波長1900的變化範圍明 顯的小於第5圖。由於在光譜測量中表面水分代表一大變 數，故其在分類組織樣品的相似性上其為一有價值的成 分。 組織溫度 於最深程度的穿透時，被測量組織體積的溫度與身體 主體的溫度不同，對皮膚表面而言，其溫度通常與周圍的 溫度，處所和組織測量點衣物的數量有關。佔有人體活轉 月Β» 組織65%的水分其光譜在1 100-2500波長範圍内做任 何深 度的取樣時都是最明顯的光譜成分。此兩項事實、纟士人 、。已知 於1450波長時溫度所引起的水分子波段遷移，使得門、允 包含葡萄糖在内的血液分析物的資訊實質上變的複雜。 难。顯 而易見地，在被取樣的活體組織的體積中存在一範 1 度狀感且此狀態的範圍和分布與皮膚表面的溫度有關而 第24頁 本紙張尺度適用中國國家標準（CNS)A4規格（21G X 297公髮) "" ^ (請先閱讀背面之注意事項再填寫本頁) i n I ·1 ϋ n ϋ^OJ· n I n n n 線· 567056 經濟部智慧財產局員工消費合作社印製 A7 B7 _ 五、發明說明（） 且皮膚的折射指數據知隨著溫度而改變。所以當使用多路 徑分類來定義產生校正模式和預測的族群時皮膚溫度應 被視為重要的分類變數。 真皮層的光學厚度 為了校正血液的組成必須重複地對組織做光學取 樣。由於血液僅代表人體組織的一部分，且血液分析物僅 是組織的一部分，故組織光學取樣的改變會改變血液分析 物含量未改變的分析物訊號的級數。 光學取樣深度的分類是以分析不同層光譜標第波段 來追蹤的《舉例來說’皮膚以下的第一層是主要由脂防所 構成的皮下脂肪組織。脂肪吸光波段的強度可用來評估穿 透皮下組織程度的相對光子流量。較顯著的脂肪波段表示 有較大的光子流量到脂肪組織且回到監視器。於第七圖 中，同時呈現有較明顯脂肪波段7丨和正常脂肪波段72光 譜。光學厚度最重要的應用是評估被光學探針所取樣的組 織其内部之含水程度。光學厚度亦是一性別或身體模式的 強烈函數，所以此一測量特性在評估一單一個體的内部含 水狀態時非常有用。 下列的章節描述互相排除和模糊兩種楔式分類法的 校正系統。 互相排除類別 在一般的例子中，指定的種類被傳遞給—能根據病人 的類別和光譜的測量提供一血液分析物預測的非線性模 第25頁 本紙張尺度適用中國國家標準（CNS)A4規格（21〇 X 297公爱） (請先閱讀背面之注意事項再填寫本頁)
567056 發明說明（） 式。如第八圖中所指出，此步w ，驟包含根據目前受測者於吸 先光譜中所放大的結構組織特 的修正。 …理狀，兄對估算策略 由於此種映射是高度非绐a k ,, 反非凃性的故此通用的構築需要 一非線性的校正模式103如非緩神 θ 户杲性邵分取少平方或人工神 經網路。被分類為c之前處理測 里為χ乏血硬分析物預測 表示成 π价，勾 (11) 其中g(.)為一非線性校正模式其映射1和c至一估算的 血液分析物濃度，y。 在一較佳的實現化過程，每一類別需要不同的較正。 此預估之類別被用於選擇對目前測量而言最適當的P校正 模式。當A表示此測量的類別估算時’血液分析物的預測 是 … (12) y = gk(x) 其中·)是關於類別的校正模型。 經濟部智慧財產局員工消費合作社印製 f請先閱讀背面之沒意事項再填寫本頁) 此校正模型是由具有參考血液分析物值和前指定分 類定義的吸光光譜實例之集合所發展出。此所稱之校正集 合，必須含有足夠的樣品其能完全代表病人母族群所遭遇 之生理狀態的範圍。不同的校正模型ρ是單獨的從指定為 類別ρ的測量中發展出的。此模式利用已知包含主要成分 回歸，部分最少平方回歸和人工神經網路等方法實現化。 參考 Hertz, ei α/，· swpra; and Pao，SMpra; and Haykin， supra\ and Marten, et a/., supra; and N. Draper, H. Smith, 第26頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 567056 A7 B7 經濟部智慧財產局員工消費合作社印製 五、發明說明（
Applied Regre^^inn Ana1vsi^j 2nd ed.，John Wiley and Sons， NewY〇rk(1981)。根據一自變試驗集合或交叉確認評估與 每一類別相關的不同模式且將最佳的模式集合併入多路 徑分類。所以每一類別的病人有了一特別屬於此類別的校 正模式。 模糊類別組員關係 當應用模糊分類時，校正是以一組員向量而非單一的 估計類別傳遞。向量’ c，被用於決定一改編的適合血液 分析預測或數個血液分析預測的一個適當組合的校正模 式。在一般的例子中’如第九圖中所表示，組員關係向量 和前處理吸光光譜兩者皆被用於一單一校正模式丨丨丨來作 血液分析物預測。此校正表示成 y^S(crx) (Π) 其中^ ·)是一透過非線性回歸，非線性部分最少平方， 和人工神經網路決定的非線性映射。此映射乃從前述的校 正集合發展而來且一般都是複雜的。 第十圖中顯示’對每一類別而言較佳的實現化有一分 別校正121。雖然如此，每一校正是藉著從校正集合所有 的測量中探究指定給每-個測量的組員關係向量而康生 的。除此之外’組員關係向量被用以從所有的類別中透過 去模式化122決定-ρ血液分析物預剩的適當组合。所以 在校正發展中，校正集合中一已知之測量有：會：擊超過 -種的校正模式。同樣的，在預測過程中超過一個的校正 第27頁 本紙張尺度適用中國國家標準（CNS)A4規格（21〇 χ 297 -------1-------------ir--------- 广請先閱讀背面二沭意事頊寿填寫‘本 567056 A7 經濟部智慧財產局員工消費合作社印製 五、發明說明（ 模型被用於血液分析物的預測。 每一個校正模式的發屏县士丨 穴、W〜展疋利用校正集合中完整的資 料。然而於計算校正模型時，此护 θ ^ T 此杈正測里需被其類別的各 別的組員關係所加權。結果樣品對一特定類別校正模式的 影響是此類別其組員關係的函數。 在線性的例子中，應用加權最少平方來計算回歸係 數，在以因子為基礎之方法中則是利用共變異矩陣。參考 Duda，ew/.，Μρα。以z以及…表示吸光光譜矩陣且q iT以表示參考分析物之濃度，其中r是測量光譜的數目且冰 是波長的數目，使每一吸光光譜中的類別&組員關係成為 Ck j iT的元素。然後基本成分則表示成 F = XkM (14) 其中Μ是的第一個”固有向量。此加權共變異數矩陣是 由決定 P = Xk νχκτ (15) 其中F是一個方矩陣以元素為其對角。此回歸矩陣由 以下方程式所決定 B ^ (FTVF) ~JFTVY (16) 當應用一迭代的方法時，如人工神經網路，組員關係被用 以決定樣品呈現給學習算則的頻率。另一方面，一擴充的 Kalman濾套被應用於根據 F而依比例放大的共變異矩 陣。 去模糊化的目的是發現尸不同血液分析物預測的—適 當的組合，其是產生正確血液分析物預測的組員關係向量 第28頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） -----I---------------^ ----— II-- (請先閱讀背面之注意事項再填寫本頁) 567056 A7 B7 五、發明說明（） 測量。所以去模式化是從一血液分析物預測向量和類別組 員關係向：到一分析物預測的投射。此去模糊者可以變形 表示如 y = d(c，[yi y2 yr"yP]) (17) 其中·)是去模糊化函數，c是類別組員關係向量且w 是Α:ί；Ι校正模型的血液分析物預測。現存的去模糊化方法， 如形心加權平均，可應用於小的校正集合。然而若有足夠 的樣品數量，·」可經由一強制線性模型而產生。 儀器描述 多路徑測量和校正是由一掃瞄光譜儀為工具其利用 擴散反射測量決定受測者前臂近紅外線吸光光譜。此儀器 利用一石英函素燈管，—單色器和InGAS偵測器。樣品被 偵測出的強度透過一 1 6-bit A/D轉換器利用類比電子或數 位轉換成電壓。光譜被傳遞至智慧型測量系統（MIS)作處 理且若結果一為葡萄糖預測或訊號則表示掃瞄無效。 雖然此處參考一特定之較佳具體實施例描述本發 明，但嫺熟於此技藝之人士亦熟知其他的應用可替代此處 所叹疋之應用且亦並未悖離本發明之精神與觀點。據此， 本發明應僅侷限於包含於下之所有專利範圍。 第29頁 297公釐） -------'---f 1% (請先閱讀背面之注意事項再填寫本頁) -------訂--------- 0 經濟部智慧財產局員工消費合作社印製
Claims (1)
- 567056 A8 B8 C8經濟部智慧財產局員工消費合作社印製 六、申請專利範圍 ' 目 才租 1 · 一種多路徑模式分類方法，其係用以估計一 ’ 分析物的含量，該方法至少包含下列步驟· 提供一受測者之測量的吸光光譜； 最初，將所述的測量光譜依據一屬於所述支/則者 的前提資料分類成為先前的已定義類別； 進一步，根據在組織測量點所做之至少一次的儀 器測量結果，將所述測量光譜分類成為先前已定義類 別，該儀器測量方式係對所述組織吸光光譜節取一光 學樣品；及 從所述測量光譜節取特徵以用於進一步之分類。 2 ♦如申請專利範圍第1項所述之多路徑模式分類方 法.，其中所述之最初分類步驟包含： 於第一分類路徑，依據受測者的年齡，分類所述 測量光譜，成為先前已定義的類別；和 於第二分類路徑，依據受測者的性別，進一步分 類所述測量光譜，成為先前已定義的類別。 3 · 如申請專利範圍第1項所述之多路徑模式分類方法， 其中上述之進一步的分類步驟更包含下列步驟： 於第三個分類路徑，依據所述的組織測量點角質層 含水量的估計值，進一步分類所述測量光譜成為先前已 定義的類別；和 於第四個分類路徑，依據所述組織測量點皮膚溫 第30頁 本紙張尺度適用中國國家標準（CNS)A4規格（21〇 X 297公釐） --------------------^ --------- (請先閱讀背面之注意事項再填寫本頁) 567056 A8 B8 C8 D8 六、申請專利範圍 度，進一步分類所述測量光譜成為先前已定義的類別。 4. 如申請專利範圍第3項所述之多路徑模式分類方法’ 其中所述組織測量點角質層含水量的估計是依據在所 述組織測量點周圍的溼度進行估算。 5. 如申請專利範圍第1項所述之多路徑模式分類方法， 其中的特徵節取步驟包含任何數學模式的變形，其係 可增強樣品測量的品質或觀點，該樣品測量係可用人 闡述並簡明地呈現該組織測量點的結構性質和生理狀 況，其中一特徵集合的結果係被用於分類受測者和決 定出可預測血液分析物最有用的校正模式。 6. 如申請專利範圍第1項所述之多路徑模式分類方法， 其中所述的特徵是以一向量，，來表示，其乃透 過下列方程式於前處理測量中定出 ζ=/( λ , χ ) 其中是從測量空間到特徵空間的一映射，分 解/7 J將產生特定的變形，/7 · >>: i?'·是用以決 定一特定的特徵，因次指出當〆A特徵為一純量或 向量，且其所有特徵的聚合為向量z;當所述的特徵 以一向量或一模式表示時，其是呈現一内部生理現象 的一特定的結構性指標。 第2f頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） --------1——-11¾ (請先閱讀背面之注意事項再填寫本頁) —訂---------線I 經濟部智慧財產局員工消費合作社印製 經濟部智慧財產局員工消費合作社印製 567056 A8 B8 C8 D8 六、申請專利範圍 7. 如申請專利範圍第6項所述之多路徑模式分類方法， 其中所述的個體特徵可分成兩個範圍，包含： 抽象的特徵，其並不一定對相關的生理系統有特定 的說明；和 單純的特徵，其是從樣品一前提的了解中衍生而來 且與生理現象直接相關。 8. 如申請專利範圍第7項所述之多路徑模式分類方法’ 其中可從近紅外線吸光光譜測量計算出的特徵包含： 脂肪組織之厚度； 血球容積含量； 組織含水量； 蛋白質吸光之級數； 組織之逸散性質； 皮膚之厚度； 溫度相關效應； 年齡相關效應； 與性別相關之光譜特性； 光譜特徵； 路徑長度估算； 組織之血液分數； 與環境影響有關之光譜特性。 9.如申請專利範圍第1項所述之多路徑模式分類方法’ 第3頂 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐〉 --------------------訂---------線 (請先閱讀背面之注意事項再填寫本頁) 567056 A8 B8 C8 D8 六、申請專利範圍 更包含下列步驟： 應用光譜分解來決定與一已知光譜吸光模式有關 的特徵。 10·如申請專利範圍第1項所述之多路徑模式分類方 法’更包含下列步驟： 應用因子方法以建構能呈現與人口統計學上變數 相關之測量吸光譜之變異的模式； 其中一測量吸光光譜對所述模式的投射構成一能 呈現與人口統計學上變化有關的光譜變異的特徵。 11.如申請專利範圍第1項所述之多路徑模式分類方 法’其中所述特徵節取步驟可決定出至少一種最適合 測量之校正模式； 其中一受測者被指定給許多已定義類別中之一種 的校正模式已被發展出來並經過測試。 (請先閱讀背面之注意事項再填寫本頁) ·#. 利含 專包 請更 中 ， 如法 2 方 類 分 式 模 徑 路 多 之 述 所 項 1ί 第 圍 範 經濟部智慧財產局員工消費合作社印製 驟 步 列 下 和 性 似 相 的 別 類 義 定 已 。 對係 特員 一 組 量定 測指 所； 項 驟 12步 定 第旨 才 圍的 Λ*巳 ί 述 利所 專中 請其 中 ， 如法 3 模 徑 路 多 之 相 互 類 方且 類並 分 ’ 式別 頁 )ο 3 赛 0 本紙張尺度適用中國國家標準（CNS)A4規格(217^公釐〉 經濟部智慧財產局員工消費合作社印製 A8 -—_____D8 、申凊專利範圍 指定每個測量一個類別。 14·如_請專利範圍第12項所述之多路徑模式分類方 去’其中所述的指定步驟係利用模糊分類，其允許同 時屬於超過一個類別的組員關係且於零與一之間提 供一數字表示於每一類別中組員關係的程度。 如申請專利範圍第1 2項所述之多路徑模式分類方 法’更包含下列步驟： 於一個調查的資料集合中指定每一測量至其所屬 類別。 1 6 ·如申請專利範圍第1 5項所述之多路徑模式分類方 法’更包含下列步驟： 利用測量和類別指定決定從特徵到類別指定的一 個映射。 1 7 ♦如申凊專利範圍第1 ό項所述之多路徑模式分類方 法，更包含下列步驟： 以一經過監測的方式從所述的特徵來定義類別， 其中每一個特徵集合係被分成兩個或更多的區域，且 其中之類別是經由特徵區域的組合而定義； 於光譜資料中進行一叢集分析以決定所述能加以 組合的類別的族群，其中類別定義的最終數目將會明 mm 本紙張尺度適用中國國家標準（CNS)A4規格（210 297公釐） --------------------訂--------- (請先閱讀背面之注意事項再填寫本頁) 567056 § D8 顯的降低； 於類別疋義後透過被監督的模式辨認決定一從特 歡空間到類別估計最適當的映射或變形來設計一個分 類法，其係能降低錯誤分類的數目；和 根據分類定義創造一個模式，其係能將依測量的 特徵集合變形成為一個估計的分類，其中所述的類別 定義係被最佳化以滿足測量系統的特異性。 18.如申請專利範圍第17項所述之多路徑模式分類方 法，其中所述的適當的映射是利用任何的線性區別分 析、SIMCA、取近鄰 k 值（k nearest-neighbor)、和人 工神經網路。 i 9如申請專利範圍第1 8項所述之多路徑模式分類方 法，其中一分類函數映射所述特徵至一類別c時係根 據 其中c為[1，P]間之一整數，其中尸等於類別的數目， 其中所述之類別被用於選擇或改編一校正模型。 -------'---.— 1®^--------訂---------線» (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財1局員工消費合作社印製 ο 2 方 類 分 式 模 徑 路 多 之 述 所 項 9 : 1驟 第步 圍列 範下 利含 專包 請更 1^—- ， 如法 所所 據中 根其 能 ， 其測 ， 預 型物 模析 正分 校液 性血 線一 一 供 至提 類量 分測 的譜 謂光 所和 遞類 傳分 彳的 述 頁 3 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 567056 A8六、申請專利範圍 經濟部智慧財產局員工消費合作社印製 述的一測量；C 士 1、、、 血液分析物預測表示成 y = g(c,x) 其中客是一映射；c和c至一血液分析物濃度少 的線性校正模式。 2 1 .如申請專利範圍第2〇項所述之多路徑模式分類方 法’其中每一個類別有一不同的校正被實現，且其中 對一測量的血液分析物濃度預測表示成： y = gk(x) 其中g J J是一個與f/l類別相關的校正模式。 22·如申請專利範圍第17項所述之多路徑模式分類方 法’其中一組員關係函數在每一類別内映射所述的特 欲丄間至一 [〇，1 ]區間，其中組員關係定義成一連續的 級數，且其中一從特徵空間映射至類別組員關係之向 量表示成 Ck^fk(z) 其中k= 1，2，P，/〆·）是〆類別的組員關係函數， 對所有的k而言c ε [ 〇，1 ]且向量c ε RP是所有類別組 員關係的集合。 2 3.如申請專利範圍第2 2項所述之多路彼模式分類方 法，其中血液分析物的預測係藉由應用一校正模式至 一前處理測量來進行。 第3&頁 本紙張尺度適用中國國家標準（CNS)A4規格（21〇 X 297公餐） --------訂---------線 (請先閱讀背面之注意事項再填寫本頁) 567056 經濟部智慧財產局員工消費合作社印？π A8 B8 C8 D8 " -----^ ------------ 六、申請專利範圍 2 4.如申請專利範圍弟2 3項所述之多路徑模式分類方 法，其中所述之校正包含任何的非線性回歸、非線性 部分最少乎方、和人工神經網路。 2 5 ·如申請專利範圍第24項所述之多路徑模式分類方 法，其中所述之一種权正模式是透過類別組員關係的 一種向量傳達，其中一種向量，c，被用於決定所述 適合於血液分析物預測或數個血液分析物預測適當 組合的改編之校正模式。 2 6 ·如申請專利範圍第2 5項所述之多路徑模式分類方 法，其中一個組員關係向量和前處理吸光光譜兩者皆 被用於一單獨血液分析物校正模式其計算表示成： y ^ s(c,x) 其中gY .)是一種透過任何非線性回歸、非線性最少 平方、和人工神經網路的非線性映射。 27.如申請專利範圍第26項所述之多路徑模式分類方 法，其中每一種類別使用不同的校正；且其中每一種 校正是利用一校正集合中所有的測量藉著探究指定 至每一個測量的組員關係向量而產生的。 2 8 ·如申請專利範圍第2 7項所述之多路徑模式分類方 第3頁 1本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297 Θ ------ --------------------訂·--------線 (請先閱讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印1 567056 A8 B8 C8 -------_—- 六、申請專利範圍 法’其中所述的組員關係向量被用來從所有的類別中 經去模糊化決定；7血液分析物預測的一個適當組 合。 2 9.如申請專利範圍第28項所述之多路徑模式分類方 法，其中每一個ρ校正模式是利用一完整的校正集合 所發展而成的。 30·如申請專利範圍第29項所述之多路徑模式分類方 法’其中當校正模式被校正時其校正測量是經過 每一個類別中各個組員關係加權的，其中在線性 例子中加權最少平方被應用於計算回歸係數，在一個 以因子為基礎之方法例子中是利用共變異矩陣。 3 1 ·如申請專利範圍第3 〇項所述之多路徑模式分類方 法，其中所述去模糊化是從一血液分析物預測向量和 類別組員關係向量到一分析物預測的投射，其中所述 的去模糊者可以變形表示如 y = d(c,[yi y2 yj-yPJ) (16) 其中d）是去模糊化函數，c是類別組員關係向量 且h是Α:ί；ί校正模型的血液分析物預測。 第货頁 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） --------·-------------訂---------線 (請先閱讀背面之注意事項再填寫本頁)
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/665,201 US6512936B1 (en) | 1999-07-22 | 2000-09-18 | Multi-tier method of classifying sample spectra for non-invasive blood analyte prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW567056B true TW567056B (en) | 2003-12-21 |
Family
ID=24669136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW090122161A TW567056B (en) | 2000-09-18 | 2001-09-06 | A multi-tier method of classifying sample spectra for non-invasive blood analyte prediction |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6512936B1 (zh) |
| AU (1) | AU2001283480A1 (zh) |
| TW (1) | TW567056B (zh) |
| WO (1) | WO2002023971A2 (zh) |
Families Citing this family (59)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7657292B2 (en) * | 2001-03-16 | 2010-02-02 | Nellcor Puritan Bennett Llc | Method for evaluating extracellular water concentration in tissue |
| US8135448B2 (en) * | 2001-03-16 | 2012-03-13 | Nellcor Puritan Bennett Llc | Systems and methods to assess one or more body fluid metrics |
| US7239902B2 (en) * | 2001-03-16 | 2007-07-03 | Nellor Puritan Bennett Incorporated | Device and method for monitoring body fluid and electrolyte disorders |
| US6591122B2 (en) | 2001-03-16 | 2003-07-08 | Nellcor Puritan Bennett Incorporated | Device and method for monitoring body fluid and electrolyte disorders |
| US7497827B2 (en) * | 2004-07-13 | 2009-03-03 | Dexcom, Inc. | Transcutaneous analyte sensor |
| US6998247B2 (en) * | 2002-03-08 | 2006-02-14 | Sensys Medical, Inc. | Method and apparatus using alternative site glucose determinations to calibrate and maintain noninvasive and implantable analyzers |
| IL164362A0 (en) * | 2002-04-02 | 2005-12-18 | Yeda Res & Dev | Characterization of moving objects in a stationarybackground |
| US7259906B1 (en) | 2002-09-03 | 2007-08-21 | Cheetah Omni, Llc | System and method for voice control of medical devices |
| DE10315877B4 (de) * | 2003-04-08 | 2005-11-17 | Roche Diagnostics Gmbh | Krankheitsverlaufkontrolle |
| JP3566276B1 (ja) * | 2003-05-07 | 2004-09-15 | 株式会社日立製作所 | 血糖値測定装置 |
| US7539530B2 (en) * | 2003-08-22 | 2009-05-26 | Infraredx, Inc. | Method and system for spectral examination of vascular walls through blood during cardiac motion |
| US6931269B2 (en) * | 2003-08-27 | 2005-08-16 | Datex-Ohmeda, Inc. | Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets |
| CN100337589C (zh) * | 2004-02-27 | 2007-09-19 | 株式会社日立制作所 | 血糖值测定装置 |
| US7277741B2 (en) * | 2004-03-09 | 2007-10-02 | Nellcor Puritan Bennett Incorporated | Pulse oximetry motion artifact rejection using near infrared absorption by water |
| US7724242B2 (en) | 2004-08-06 | 2010-05-25 | Touchtable, Inc. | Touch driven method and apparatus to integrate and display multiple image layers forming alternate depictions of same subject matter |
| US7719523B2 (en) | 2004-08-06 | 2010-05-18 | Touchtable, Inc. | Bounding box gesture recognition on a touch detecting interactive display |
| US7728821B2 (en) | 2004-08-06 | 2010-06-01 | Touchtable, Inc. | Touch detecting interactive display |
| US20060167350A1 (en) * | 2005-01-27 | 2006-07-27 | Monfre Stephen L | Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction |
| CN101212928B (zh) * | 2005-05-06 | 2011-02-09 | 耶德研究和发展有限公司 | 红血球运动成像与分析 |
| EP1885235B1 (en) * | 2005-05-12 | 2013-12-18 | Cas Medical Systems, Inc. | Improved method for spectrophotometric blood oxygenation monitoring |
| US7519253B2 (en) | 2005-11-18 | 2009-04-14 | Omni Sciences, Inc. | Broadband or mid-infrared fiber light sources |
| US8255025B2 (en) * | 2006-06-09 | 2012-08-28 | Nellcor Puritan Bennett Llc | Bronchial or tracheal tissular water content sensor and system |
| US8180419B2 (en) * | 2006-09-27 | 2012-05-15 | Nellcor Puritan Bennett Llc | Tissue hydration estimation by spectral absorption bandwidth measurement |
| US7643858B2 (en) * | 2006-09-28 | 2010-01-05 | Nellcor Puritan Bennett Llc | System and method for detection of brain edema using spectrophotometry |
| US8116852B2 (en) * | 2006-09-29 | 2012-02-14 | Nellcor Puritan Bennett Llc | System and method for detection of skin wounds and compartment syndromes |
| WO2008100941A2 (en) * | 2007-02-12 | 2008-08-21 | Correlogic Systems Inc. | A method for calibrating an analytical instrument |
| US8280469B2 (en) * | 2007-03-09 | 2012-10-02 | Nellcor Puritan Bennett Llc | Method for detection of aberrant tissue spectra |
| US8690864B2 (en) * | 2007-03-09 | 2014-04-08 | Covidien Lp | System and method for controlling tissue treatment |
| US8175665B2 (en) | 2007-03-09 | 2012-05-08 | Nellcor Puritan Bennett Llc | Method and apparatus for spectroscopic tissue analyte measurement |
| US20080220512A1 (en) * | 2007-03-09 | 2008-09-11 | Nellcor Puritan Bennett Llc | Tunable laser-based spectroscopy system for non-invasively measuring body water content |
| US8109882B2 (en) * | 2007-03-09 | 2012-02-07 | Nellcor Puritan Bennett Llc | System and method for venous pulsation detection using near infrared wavelengths |
| US8357090B2 (en) * | 2007-03-09 | 2013-01-22 | Covidien Lp | Method and apparatus for estimating water reserves |
| US8346327B2 (en) | 2007-03-09 | 2013-01-01 | Covidien Lp | Method for identification of sensor site by local skin spectrum data |
| US20080221411A1 (en) * | 2007-03-09 | 2008-09-11 | Nellcor Puritan Bennett Llc | System and method for tissue hydration estimation |
| US8403862B2 (en) | 2007-12-20 | 2013-03-26 | Yeda Research And Development Co. Ltd. | Time-based imaging |
| US8406865B2 (en) * | 2008-09-30 | 2013-03-26 | Covidien Lp | Bioimpedance system and sensor and technique for using the same |
| US8446586B2 (en) * | 2008-10-15 | 2013-05-21 | Allan Yang Wu | Method and apparatus for increasing adipose vascular fraction |
| ES2338624B1 (es) * | 2008-11-07 | 2011-09-13 | Sabirmedical,S.L. | Sistema y aparato para la medicion no invasiva de los niveles de glucosa en sangre. |
| US7884933B1 (en) | 2010-05-05 | 2011-02-08 | Revolutionary Business Concepts, Inc. | Apparatus and method for determining analyte concentrations |
| CN102469963A (zh) * | 2010-05-20 | 2012-05-23 | 北京超思电子技术有限责任公司 | 一种可测量体温的血氧测量仪 |
| US20120226117A1 (en) | 2010-12-01 | 2012-09-06 | Lamego Marcelo M | Handheld processing device including medical applications for minimally and non invasive glucose measurements |
| US9585604B2 (en) | 2012-07-16 | 2017-03-07 | Zyomed Corp. | Multiplexed pathlength resolved noninvasive analyzer apparatus with dynamic optical paths and method of use thereof |
| US9351672B2 (en) | 2012-07-16 | 2016-05-31 | Timothy Ruchti | Multiplexed pathlength resolved noninvasive analyzer apparatus with stacked filters and method of use thereof |
| US9351671B2 (en) | 2012-07-16 | 2016-05-31 | Timothy Ruchti | Multiplexed pathlength resolved noninvasive analyzer apparatus and method of use thereof |
| US20150018646A1 (en) | 2013-07-12 | 2015-01-15 | Sandeep Gulati | Dynamic sample mapping noninvasive analyzer apparatus and method of use thereof |
| EP2938262A4 (en) | 2012-12-31 | 2016-08-24 | Omni Medsci Inc | SHORT-WAVE INFRARED SUPER CONTINUOUS LASER FOR THE EARLY RECOGNITION OF CARIES |
| WO2014143276A2 (en) | 2012-12-31 | 2014-09-18 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers for natural gas leak detection, exploration, and other active remote sensing applications |
| US9500635B2 (en) | 2012-12-31 | 2016-11-22 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers for early detection of dental caries |
| US9993159B2 (en) | 2012-12-31 | 2018-06-12 | Omni Medsci, Inc. | Near-infrared super-continuum lasers for early detection of breast and other cancers |
| EP3181048A1 (en) | 2012-12-31 | 2017-06-21 | Omni MedSci, Inc. | Near-infrared lasers for non-invasive monitoring of glucose, ketones, hba1c, and other blood constituents |
| US10660526B2 (en) | 2012-12-31 | 2020-05-26 | Omni Medsci, Inc. | Near-infrared time-of-flight imaging using laser diodes with Bragg reflectors |
| US9848808B2 (en) | 2013-07-18 | 2017-12-26 | Cas Medical Systems, Inc. | Method for spectrophotometric blood oxygenation monitoring |
| WO2016054079A1 (en) | 2014-09-29 | 2016-04-07 | Zyomed Corp. | Systems and methods for blood glucose and other analyte detection and measurement using collision computing |
| US10718003B2 (en) * | 2015-12-31 | 2020-07-21 | Roche Molecular Systems, Inc. | Detecting an analyte in a flash and glow reaction |
| US9554738B1 (en) | 2016-03-30 | 2017-01-31 | Zyomed Corp. | Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing |
| US10551366B2 (en) * | 2017-05-12 | 2020-02-04 | Becton, Dickinson And Company | System and method for drug classification using multiple physical parameters |
| KR102588906B1 (ko) | 2017-12-01 | 2023-10-13 | 삼성전자주식회사 | 생체 신호 품질 평가 장치 및 방법 |
| US11457872B2 (en) | 2017-12-01 | 2022-10-04 | Samsung Electronics Co., Ltd. | Bio-signal quality assessment apparatus and bio-signal quality assessment method |
| CN110179472A (zh) * | 2019-06-05 | 2019-08-30 | 佛山科学技术学院 | 一种脑功能检测的方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5204532A (en) * | 1989-01-19 | 1993-04-20 | Futrex, Inc. | Method for providing general calibration for near infrared instruments for measurement of blood glucose |
| US5596992A (en) * | 1993-06-30 | 1997-01-28 | Sandia Corporation | Multivariate classification of infrared spectra of cell and tissue samples |
| US6031232A (en) * | 1995-11-13 | 2000-02-29 | Bio-Rad Laboratories, Inc. | Method for the detection of malignant and premalignant stages of cervical cancer |
| US5725480A (en) * | 1996-03-06 | 1998-03-10 | Abbott Laboratories | Non-invasive calibration and categorization of individuals for subsequent non-invasive detection of biological compounds |
| AU746616B2 (en) * | 1998-06-01 | 2002-05-02 | Weyerhaeuser Company | Methods for classification of somatic embryos |
| JP2002535023A (ja) * | 1999-01-22 | 2002-10-22 | インストルメンテーション メトリックス インコーポレイテッド | 非侵襲的血液分析測定のためのシステムおよび方法 |
-
2000
- 2000-09-18 US US09/665,201 patent/US6512936B1/en not_active Expired - Lifetime
-
2001
- 2001-08-22 WO PCT/US2001/026387 patent/WO2002023971A2/en active Application Filing
- 2001-08-22 AU AU2001283480A patent/AU2001283480A1/en not_active Abandoned
- 2001-09-06 TW TW090122161A patent/TW567056B/zh not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| WO2002023971A2 (en) | 2002-03-28 |
| WO2002023971A3 (en) | 2003-10-23 |
| US6512936B1 (en) | 2003-01-28 |
| AU2001283480A1 (en) | 2002-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW567056B (en) | A multi-tier method of classifying sample spectra for non-invasive blood analyte prediction | |
| TW523401B (en) | A multi-tier method of developing localized calibration models for non-invasive blood analyte prediction | |
| USRE41333E1 (en) | Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction | |
| US20060167350A1 (en) | Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction | |
| US6280381B1 (en) | Intelligent system for noninvasive blood analyte prediction | |
| AU754677B2 (en) | System and method for noninvasive blood analyte measurements | |
| US6501982B1 (en) | System for the noninvasive estimation of relative age | |
| EP1250083B1 (en) | Sex determination | |
| US6788965B2 (en) | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes | |
| DE60035899T2 (de) | Klassifizierung and charakterisierung von gewebe durch merkmale bezüglich adiposegewebe | |
| US8145294B2 (en) | Method and apparatus for quantifying tissue histology | |
| US6405065B1 (en) | Non-invasive in vivo tissue classification using near-infrared measurements | |
| JP2002535023A5 (zh) | ||
| CN109394182A (zh) | 一种基于光谱信息的中医舌色量化分析方法 | |
| 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 | |
| US20030040664A1 (en) | Method and apparatus for path normalization of light transport in tissue | |
| Vyas et al. | Hyperspectral signature analysis of skin parameters | |
| Khurshid et al. | Performance Evaluation of the Pallor in the Diagnosis of Anemia. | |
| Nakagawa et al. | A comparative study of linear and nonlinear regression models for blood glucose estimation based on near-infrared facial images from 760 to 1650 nm wavelength | |
| Wu et al. | Quantitative skin surface hydration measurement by visible optical image processing: A pilot study | |
| Abbas et al. | Neonatal IR-thermography pattern clustering based on ICA Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent | ||
| MM4A | Annulment or lapse of patent due to non-payment of fees |