[發明專利]用于預測分析物濃度的方法和裝置

有效

• 申請號: 201610848249.7
• 申請日: 2016-09-23
• 公開（公告）號: CN107007254B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 崔善明;樸珍映
• 申請（專利權）人: 三星電子株式會社
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 金擬粲

一種用于預測體內分析物濃度的方法，所述方法包括獲得多個體內分析物的體內光譜，根據未改變的部分確定用于分析物的濃度預測算法的學習部分和確定多個體內光譜，在所述未改變的部分期間分析物的濃度是基本上不改變的，以及根據學習部分學習得到的結果和體內分析物的固有光譜通過使用濃度預測算法預測體內分析物的濃度。

相關申請的交叉引用

本申請要求于2015年9月23日提交的韓國專利申請號10-2015-0134872的優先權，以及在35U.S.C.§119之下產生的所有權益，其全部內容通過引用并入本申請。

背景

(a)領域

本發明的示例性實施方式涉及用于從生物信號預測體內分析物的濃度的方法和裝置。

(b)相關技術的描述

對于從生物信號預測體內分析物的濃度而言，可以使用偏最小二乘(“PLS”)算法或凈分析物信號(“NAS”)算法。此外，在向待測對象發射電磁波如紅外線等后，可以將分析物與電磁波之間相互作用獲得的體內光譜用于上述用于預測體內分析物濃度的算法中。在本文中，可以通過使用光學方法如紅外光譜法、拉曼光譜法等等獲得體內光譜。

PLS算法是一種通過使用來自實驗等的數據用于獲得多元輸入變量(自變量)與輸出變量(因變量)之間相關性的統計建模工具。將PLS算法用于分析生物信號，可以通過學習光譜依賴于分析物濃度的變化由生物信號預測某一時間分析物的濃度。PLS算法利用多個時間點的分析物濃度和在相應的時間點獲得的光譜由生物信號預測分析物的濃度，其需要周期性地重新學習光譜依賴于分析物濃度的變化以防止可預測性的劣化。

NAS算法通過學習分析物的固有光譜和與分析物的濃度無關的光譜變化因素預測分析物的濃度。當將NAS算法用于分析生物信號時，可以通過學習光譜變化因素(在某一時間部分內分析物的濃度保持恒定時的分析物的濃度變化除外)和從實驗獲得的分析物的固有光譜從特定時間的光譜預測其他時間分析物的濃度。換言之，NAS算法學習與分析物濃度的變化無關的在某時間部分(學習部分)內(在此期間分析物的濃度是不改變的)光譜的變化，然后通過使用該已學習的信息和分析物的固有光譜在不同于學習部分的某時間部分(預測部分)內預測分析物的濃度。

該背景技術部分披露的上述信息僅用于加深對本發明背景的理解，因此其可能含有不構成本國的本領域普通技術人員已經知曉的現有技術的信息。

概述

在凈分析物信號(“NAS”)算法中，在學習部分中和在預測部分中生物信號的變化因素是彼此相同的情況下，分析物濃度的預測準確度得到改善。然而，在預測部分中未產生的生物信號的變化因素在學習部分中被額外地學習(即出現不必要的學習)的情況下，濃度的預測準確度變差。而且，在預測部分中產生了未被學習的生物信號變化因素的情況下，預測的準確度也變差。因此，控制此類外部因素以改善濃度的預測準確度是非常重要的。按照慣例，已提出了若干用于改進NAS算法預測準確度的技術。但是，尚未研究出能夠有效地控制外部因素的任何方法。

本發明的示例性實施方式涉及一種用于預測分析物濃度的方法和裝置，其通過計算光譜之間的相似性將體內光譜的一部分分類為相似部分并使用在期間體內分析物的濃度在各相似部分中保持相對恒定的一部分確定學習部分，然后在包括學習部分的相似部分中通過使用其學習部分在某一算法(如NAS算法等等)中預測體內分析物的濃度，所述算法通過學習在期間體內分析物的濃度相對保持恒定的部分中光譜的變化用于預測體內分析物的濃度。

根據本發明的一個示例性實施方式，提供了一種用于預測體內分析物濃度的方法，所述方法包括獲得多個體內分析物的體內光譜；根據未改變的部分確定用于體內分析物的濃度預測算法的學習部分和確定所述體內光譜，在未改變的部分期間體內分析物的濃度是基本上不改變的；以及根據學習部分學習得到的結果和體內分析物的固有光譜通過使用濃度預測算法預測體內分析物的濃度。