專利名稱：用于分析物的無創(chuàng)傷性確定的方法及設備的制作方法
技術領域：
本發(fā)明大體涉及經(jīng)由分析通過材料樣品的光而確定分析物濃度。更具 體地，本發(fā)明涉及用于提高散射和吸收光的材料樣品中的分析物確定的精 確度的方法。
背景技術：
眾所周知，存在散射介質(zhì)時測量的吸收光譜不同于沒有散射介質(zhì)時測 量的相同的化學物類光語。還應該認識到，光射線傳播通過散射樣品的的 軌跡比在非散射樣品中的軌跡更加難以進行特性描述，在非散射樣品中光 射線通常直線傳播。在非散射樣品中，軌跡長度可以由樣品的物理尺寸以 及光束和樣品幾何圖形的基本信息計算出。此外，對于入射在樣品上的所
有光射線，理想透射測定法(transmission measurement)中的軌跡長度是 共有特性，并且因此軌跡長度可以由所有射線和所有波長共有的標量值表 示。
相反，傳播通過散射樣品的光射線具有多個可能的軌跡，并且因此最 好由軌跡長度分布(path length distribution, PLD )來描述。簡單地i兌， 該分布應具有傳播典型軌跡長度的射線的一些部分(fraction)，以及經(jīng)由 散射相互作用的隨機性質(zhì)而通過樣品傳播更短和更長軌跡的射線的部分。 該軌跡長度分布的特性還可以進一步由統(tǒng)計特性進行描述，例如，分布的 均值和標準差。由于它們以復雜形式依賴于包括散射和吸收的樣品特性 時，這些特性對于一種測量系統(tǒng)不一定是固定的。
盡管具有以上所述的困難，對于測量吸收和散射光的樣品中的分析物 濃度存在很大興趣。這是因為很多重要的生物系統(tǒng)因為它們的非均勻成分 (heterogeneous composition )而散射光。這些非均勻結構的一個樣例是皮 膚中的膠原質(zhì)纖維，其散射光是因為膠原質(zhì)纖維具有與圍繞它們的間質(zhì)液
5不同的折射率。這樣的散射會使無創(chuàng)傷性(noninvasive)葡萄糖測量復雜 化，例如，在于1990年12月4日公告的專利號4,975,581中所描述。另 一重要的樣例是測量在細胞的懸浮液中尿素的濃度，例如在整個血液中的 尿素。在該樣例中，紅血細胞具有與周圍的血清不同的折射率，其導致它 們散射可視光和紅外光。另 一重要樣例是測量生物反應器細胞培養(yǎng)物中的 乳酸濃度。這是細胞中的結構如線粒體可以是有力的散射元素的 一種例 子。確定所有這些樣品類型中的分析物濃度被它們的吸收和散射特性質(zhì)的 固有的生物學變異性所復雜化。
由因為散射和吸變化而軌跡長度分布可變的光學測量來確定樣品中 的分析物濃度的已知方法一般包括簡化的假設，其限制實際中的測量性 能，或者包括設法估計軌跡長度分布的方法。
一種方法使用理論方法通過應用擴散理論(Diffusion Theory )來分別 4古i十吸4史禾口散射')"生質(zhì)。侈'Ji口， Tissue Optics: light scattering methods and instruments for medical diagnosis, Tuchin V., ISBN 0-8194-3459-0, The Society of Photo-Optical Instrumentation Engineers, 2000Section 1.1, 包括具
有多種散射的包括血液和皮膚的組織的光學性質(zhì)的描述。擴散理論方法要 求簡化的近似，其對于吸收和散射性質(zhì)的所有組合是無效的。例如，當吸 收的效應大于散射或者當散射事件的數(shù)量小時，擴散理論并不精確。近紅 外光譜區(qū)中的無創(chuàng)傷性組織測量可以具有這些情況中的一個或兩個。
另 一 理論方法利用蒙特卡洛模擬來從所研究的系統(tǒng)的顯式信,^ (explicit knowledge )中估計4九跡長度分布，其要求下列光學性質(zhì)中的一 些或者所有吸收系數(shù)、散射系數(shù)、散射相函數(shù)以及樣品幾何圖形。實際 上，精確地估計組織的光學性質(zhì)是很難的，因為膠原質(zhì)纖維或血液細胞的 實際形狀需要利用已知的分析解決方式簡化為類似于球體或柱體的幾何圖形。
另一種方法假設特定波長的樣品的光學性質(zhì)。例如，非吸收波長存在， 可以用于在具有類似的散射性質(zhì)的波長糾正分析物的吸收。專利號 5,099,123,于1992年3月24日公告。該方法一般限于其中為生物樣品中 的主要要素的水是弱吸收物質(zhì)的光語區(qū)域。假設光學性質(zhì)的第二例子是等吸光點(isobestic )的應用。專利號6,681,128，于2004年1月20日公告。 等吸光點發(fā)生在僅存在兩個吸收物質(zhì)的波長處， 一般為分析物和另 一主要 吸收物質(zhì)，并且兩種物質(zhì)具有相同的吸收性。再次，這些方法可以應用在 一些生物測量中，如在500至1000nm區(qū)域中的脈沖血氧計測量，但是不 是整個存在很多更多光譜活性的生物物質(zhì)的紅外區(qū)域。
Multiplicative Scatter Correction, Multivariate Calibration, Martens and Naes， Section 7.4和類似的出版物利用諸如二次函數(shù)的低階多項式估計跨 光譜波長散射對軌跡長度的凈效應。該函數(shù)沒有精確地描述寬光譜范圍上 的散射，例如一般用于無創(chuàng)傷性葡萄糖測量的4000至8000 cm-1區(qū)域。
另外 一種確定高散射和吸收樣品中的分析物濃度的方法是顯式地 (explicitly)測量軌跡長度分布并在測量運算中結合軌跡長度估計。 一種 該技術結合吸收測量利用光子飛行時間測量描述樣品在離散的波長處的 光學性質(zhì),Leonardi， L; Burns, DH Multiwavelength Scatter Correction in Turbid Media using Photon Time-of-Flight; Applied Spectroscopy, 50(6), 637-646,1999。該方法要求其他的測量設備，包括脈動或者頻率調(diào)制的光 源，這樣增加了成本和復雜性。其還假定所有波長的軌跡長度性質(zhì)可以由 一個或更多離散測量推斷出。


圖1示出了一種理想吸收測量系統(tǒng)；
圖2示出了純分斗斤物信號(pure analyte signal)和凈分4斤物信號(net analyte signal)之間的差異；
圖3示出了具有選擇性誤差的凈分析物信號； 圖4示出了具有比例誤差的凈分析物信號； 圖5示出了產(chǎn)生比例誤差的軌跡長度變化； 圖6示出了用于理解預計誤差的;f既念框架； 圖7示出了用于理解預計誤差的光譜框架； 圖8示出了來自幾種應用區(qū)域的光語； 圖9示出了散射介質(zhì)中的葡萄糖測量結果；
7圖10示出了散射介質(zhì)中的乙醇測量結果；
圖11示出了散射介質(zhì)中的尿素測量結果；
圖12示出了散射對于波長的相關性；
圖13示出了兩個散射級的預計函數(shù)中的差異；
圖14示出了干擾物質(zhì)和預計函數(shù)之間的相互作用；
圖15示出了散射介質(zhì)中的分析物測量的基本探查；
圖16示出了具有多個觀測點的系統(tǒng)；
圖17示出了軌跡和散射介質(zhì)之間的關系；
圖18示出了光子傳播與散射介質(zhì)的關系；
圖19示出了葡萄糖預計中散射介質(zhì)的影響；
圖20示出了用于通過多重觀測確定介質(zhì)特征的概念框架；
圖21示出了根據(jù)診斷度量(diagnostic metric)對介質(zhì)進行分類的
圖22示出了校準樣品的軌跡特征；
圖23示出了有效樣品的軌跡特征；
圖24圖繪出用于標準單通道處理的預計結果；
圖25圖繪出由子模型(sub-mode)方法產(chǎn)生的預計結果；
圖26示出了由多通道光譜產(chǎn)生預計結果的處理；
圖27圖繪出所得到的預計結果和誤差結構；
圖28圖繪出僅使用葡萄糖由X-Y模型方法產(chǎn)生的預計結果；
圖29圖繪出使用多個分析物由X-Y模型方法產(chǎn)生的預計結果；
圖30示出了根據(jù)不同介質(zhì)產(chǎn)生的不同的預計函數(shù)；
圖31示出了不同的預計函數(shù)之間的關系；
圖32示出了作為不同的預計函數(shù)的函數(shù)的預計差。
圖33圖繪出由適應模型(adaptive model)方法產(chǎn)生的預計結果。

發(fā)明內(nèi)容
本專利描述了 一族提高在吸收和散射光的樣品中測量的分析物濃度 的精度的方法。在包括血液、皮膚和生物反應器細胞培養(yǎng)物的生物樣品中光的散射使得光射線以不同的軌跡傳播通過樣品。這些射線軌跡違反了比
爾定律(Beer's law)的幾種假設，因為軌跡不再平行于或不再是相等長 度的。結果，在吸收和濃度改變之間不再存在簡單的關系，因為在期望的 工作光譜范圍的散射和吸收性質(zhì)之間的相互作用使分析物的吸收特征失 真(distortion)。這些失真的結果，特別是它們對于測量精度的影響，在 現(xiàn)有技術中并未進行充分討論，除了算法方法一般利用乘法和偏移糾正來 補償散射之外。下列討論描述了用于自 一個或更多光學測量確定樣品中的 分析物濃度的一族新穎的方法。這些方法提高了在散射和吸收光的材料樣 品中分析物確定的精度。這些方法的 一種清楚的益處在于它們利用不同于 用于校準方法的樣品的光學性質(zhì)測量新樣品的提高的能力。這樣克服了很 多實際應用中應用現(xiàn)有方法的已知限制，在現(xiàn)有方法的情況下，該方法對 于校準的組性能很好，但是對于要求外插或者內(nèi)插的新樣品類型其性能很 差。這些新方法還克服了將基于比爾定律的線性預計方法應用到跨越違反 其固有假設的光學測量或樣品性質(zhì)范圍的樣品的限制。
口及^:光"i普法
光譜法測量光與樣品的相互作用。 一般，進入和離開樣品的光強度相 當于提取定性或定量信息。在繼續(xù)前進至更多復雜系統(tǒng)之前，下列章節(jié)列 出了用于理想樣品的光譜法中固有的假設。出于示意性目的，該章節(jié)關注 于可#見和紅外區(qū)中的吸收光譜。可碎見區(qū)包括從380至780nm的波長。近 紅外區(qū)包括從780至2500nm的波長，而中紅外區(qū)包括從2500至50000nm 的波長。該示意性討論并不是限制性的，因為相同的基礎原理廣泛地應用 至這些區(qū)域之外的吸收測量，包括在紫外區(qū)和X-射線區(qū)和核磁共振中的 吸收。在可視和紅外區(qū)，分子吸收處于其化學結構的頻率特征處的光，這 由振動和電子能量級所確定。在定性光譜法中，這些特有吸收特征的頻率 和相對強度用于識別特定的化學物質(zhì)(例如，尿素、乙醇)或者更寬類型 的化學品(例如，酒精)。在定量光語法中， 一個或更多的吸收特征的量 值用于估計樣品中的單個化學物質(zhì)(例如，血液中的乙醇水平)或者一族 相關化合物(例如，血液中的整個蛋白質(zhì))的濃度。因此，應該理解，分析物測量可以估計單物質(zhì)(例如，葡萄糖)的濃度、合成性質(zhì)(例如，汽 油中的辛烷數(shù))、物理性質(zhì)(例如，樣品溫度)或者主觀的樣品性質(zhì)(例 如，水果成熟)。
在圖la中示出了一種用于吸收測量的理想化系統(tǒng)，其中，樣品在具
有矩形橫截面的比色杯(cuvette)中呈現(xiàn)給入射光線，該光線具有單色輻 射的平行射線。樣品透射率(T)是出射光(I)的強度與入射光(Io)強 度的比率。
T=I/10
樣品吸收率(A)利用對數(shù)變換由透射計算 A=-log10(T)=log10(I0/I)
吸收光譜通常用于定量和定性分析，因為在這些理想系統(tǒng)中，它們的 量值通過比爾定律與濃度線性相關。
A=elc
其中，e為摩爾吸收率，l為軌跡長度，而c為吸收物質(zhì)的濃度。注意， 在圖la中所示的測量樣例中，三個所示的射線的軌跡長度相等并且等于 比色杯的內(nèi)部尺寸。因此，軌跡長度完全以軌跡長度的標量值l描述。相 反，在透射(圖lb)和擴散反射(圖lc)測量模型中示出散射系統(tǒng)，其 中，三種可能的光射線被示出，其因為散射相互作用而在樣品中具有不同 的軌跡長度。
還應該注意，比爾定律符號表示容易利用向量符號表示而擴展至在多 個波長測量的光鐠。
其中，Av為包括在每個波長測量的吸收率的向量，ev為包括每個波長 (v)的摩爾吸收率的向量，以及軌跡長度1依然為對于所有波長都相同 的標量。對于具有固定軌跡長度的測量系統(tǒng)，對于濃度的單位變化的每個 波長的吸收率的變化將被稱為純成分光語Kv
Kv=evl
盡管該純成分光譜經(jīng)常被認為是分析物的吸收率，例如，葡萄糖分子
10的吸收率特征，還存在一些情況，其中，信號包括分析物對于樣品的溶劑 或其他成分的影響。這些間接影響的例子包括取代溶劑負吸收率特征，以 及因為溫度或溶解離子而在溶劑的氬鍵結合結構中的變化，例如，與增加 如氯化鈉的鹽有關的光譜變化。
比爾定律公式可以利用矩陣表示進行類似的擴展以描述具有多個吸 收成分的樣品。
A =1P f"
其中，Ev,n是物質(zhì)1至n的每個波長V的吸收率矩陣，而Cn為樣品中
的第n個成分的濃度向量。再次注意，軌跡長度l被假定為該樣品的標量。
還應該注意，盡管確定分析物濃度的;f艮多方法^L描述為用于吸收測 量，但是單位的選擇僅出于數(shù)學上便利和筒潔的考慮，因為等同的運算算 法可以由本領域的技術人員寫出以對于包括透射光語、檢波器亮度以及干 涉圖的其他輸入形式進行操作。
校準估計測量的吸收率和分析物濃度之間的關系。
實際上，校準步驟可能被要求針對給出的測量系統(tǒng)產(chǎn)生所測量的吸收 光譜和分析物濃度之間的精確關系。在該討論中，方法校準廣義地是指利 用 一組具有已知性質(zhì)的樣品的光語測量來校準被測量的光譜和感興趣的 分析物之間的關系。方法驗證是指隨后的步驟，其中，新的樣品用于檢測 校準的測力方法的有效性。理想的驗證樣品具有與校準樣品不同的成分 (吸收物質(zhì)濃度和散射性質(zhì))。
如果僅僅感興趣的分析物吸收的波長存，那么比爾定律描述該選擇性
波長A！的吸收率和分析物濃度c之間的線性關系，
其中，K,為校準曲線的斜度一測量的吸收率相對于分析物濃度的曲線。
估計的濃度Chat利用預計函數(shù)b確定， Chat=A,b并且b=l/K，
該校準方法被稱為單波長單成分預計模型，因為其要求一個成分(分析物)的光譜性質(zhì)在一個波長進行校準。這樣的概念還可以擴展至多波長 單成分預計模型，
Chat—Avbv
注意，用于單成分才莫型的預計函數(shù)(還稱為回歸向量(regression vector) ) bv筒單地為該分析物的純成分信號的估計版(scaled version), 并且，同樣，整個信號用于預測分析物濃度。
生物樣品一般包括很多成分，其可能可以與上述單成分估計函數(shù)相干
些情況下，干擾是在與分析物的吸收所共有的一個或更多波長進行吸收的 化學成分。在其他情況中，干擾為由諸如溫度或者pH的樣品環(huán)境中的變 化產(chǎn)生的光譜變化。如上所述，散射可以視為干擾物，其改變或者修改了 測量的光譜。在其他情況中，干擾由光譜人工因素(artifacts)而產(chǎn)生， 其是由于元素老化或者光語測量系統(tǒng)中的對準變化。
如果未糾正，該干擾物質(zhì)使預測函數(shù)的測量性能退化。因此，多成分 校準的目的是計算"凈分析物，，光譜，其成比例地響應于分析物濃度，但 選才奪性抗干擾物質(zhì)。正如名稱所暗示，多成分校準要求在校準組中充分地 呈現(xiàn)分析物性質(zhì)和干擾物質(zhì)性質(zhì)，以產(chǎn)生精準的預計模型。
圖2中示出了凈分析物信號的簡單幾何表示。在該樣例中，凈分析物 信號是純成分信號的一部分，其與干擾物質(zhì)信號垂直(或正交)。存在估 計該凈分析信號的兩種線性模型前向校準和反向校準。前向校準的一個 樣例為之前描述的多成分比爾定律的經(jīng)典最小二乘法(Classical Least Squares, CLS)解決方案。
其中，K為純成分光譜的矩陣。求解該最小二乘解決方案要求對于校 準組中所有吸收成分純成分光譜是已知的。
實際上，對于生物樣品求解CLS模型的信息可能難于獲得，因為它 們可能具有大量的成分。結果，很多生物測量系統(tǒng)利用被稱為反向模型的 另外一類多成分模型。反向模型從
12中估計預計函數(shù)bv,其中，Cn為分析物濃度的向量。
反向模型僅僅要求在校準步驟中濃度值對于感興趣的分析物為已知。 這些參考濃度經(jīng)?？勺詷藴逝R床方法中獲得。例如，在該公開中的葡萄糖
參考濃度利用Yellow Springs Analyzer上的電化學方法進4亍測量。
該類反向方法包括很多特定計算算法，包含反向最小二乘法(ILS)、 多元線性回歸(MLR)、偏最小二乘(PLS)、主成分回歸(principal components regression, PCR)、 典范相關(canonical correlation)、 脊回 歸(ridge regression)以及提克洛夫回歸(Tikhonov regression)。 Multivariate Calibration, Martens andNaes, Section 7.4。 PLS算法用于解決該工作中的 反向多成分模型，除非另外說明。這些方法中的每個的目的在于產(chǎn)生用于 以上所示的多波長預計模式的回歸向量。盡管由前向和反向模型產(chǎn)生的預 計函數(shù)(回歸向量)對于一些化學系統(tǒng)看上去是類似的，兩種方法具有不 同的最優(yōu)化功能。類似于CLS方法中定義的前向模型找出具有最佳地表 示真正的光譜形狀的光語信號的解，換句話說，CLS是純成分光語的最佳 估計。相反，類似于利用PLS方法求解的反向模型找出了用于預計函數(shù) 的解，所以其輸出最佳地匹配參考濃度，換句話說，找出了最小化預計誤 差的解。這是重要的區(qū)別，因為出現(xiàn)軌跡長度變化的預計函數(shù)可能很大地 不同于對于固定軌跡長度測量優(yōu)化了的預計函數(shù)。細節(jié)參見Brown C., Discordance between Net Analyte Signal Theory and Practical Multivariate Calibration, Analytical Chemistry, Vol. 76, No. 15, August 1, 2004......
預計誤差的源
下列討論關注于三種一般類型的預計誤差測量噪聲誤差、選擇性誤 差以及比例誤差。
測量噪聲誤差由隨機儀器噪聲通過預計方程的傳播所產(chǎn)生，隨機儀器 噪聲產(chǎn)生于各種源，包括光子計數(shù)、檢測器上的暗電流噪聲以及跨電子連 接的約翰遜噪聲。盡管由良好的儀器設計和信號平均所降低，儀器噪聲從
13未被消除。這樣的噪聲減低了濃度預計的精度。光信號變化和濃度估計變 化之間的關系取決于凈分析信號的量值和來源于其的預計函數(shù)。更具體 地，對于給出的測量誤差量值，濃度變化與回歸向量的歐幾里德長度， (sqrt(VVT))的成比例。因此，在純成分信號的最大量被保留時測量誤差噪 聲的影響最小。
圖3a中所圖示的選擇性誤差在預計函數(shù)(繪為回歸向量)沒有完全 地針對感興趣的分析物而選擇時產(chǎn)生。在該情況下，干擾信號的濃度變化 將影響分析物預計。在包括干擾物質(zhì)的樣品中，該影響可以使得樣品預計 偏離真正的分析物濃度。重復地測量相同的樣品不會降低該偏離。注意， 樣品可以偏離成多報或少報(over- or under-report)分析物濃度。偏離的 方向和量取決于分析物和干擾物質(zhì)之間的光語差異以及干擾物質(zhì)在預計 樣品中相對于校準組中的平均值的濃度。
盡管選擇性誤差對于單個樣品預計的影響是恒定的偏離，但是選擇性 誤差對于具有可變成分的多種樣品的的影響可能呈現(xiàn)為隨機性的，尤其在 標繪(plot)為分析物預計與真正濃度的相對關系時。圖3b中示出了這樣
在控制設置中，單個干擾物質(zhì)的影響將會清晰，如果預計誤差(預計的濃
影響可能呈現(xiàn)隨機性，尤其如果模型具有對于多個干擾物質(zhì)的選擇性誤 差。如果干擾物質(zhì)的變化沒有很好地在校準組中表示或者如果由軌跡長度 分布改變而引起的失真使得干擾物質(zhì)光譜的形狀(并因此其方向)不同于 新的樣品，選擇性誤差可能發(fā)生。
比例誤差在回歸向量的量值不正確時發(fā)生。所產(chǎn)生的誤差與分析物濃 度成比例，如圖4中所示。與圖3中選擇性觀測的預計誤差結構不同，預 計濃度為直線。比例誤差的性質(zhì)在于該直線不同于恒等的直線。注意，該 樣例中最佳凈分析物信號和估計的凈分物析信號指向相同的方向，但是量 值不同。同樣，如果最佳凈分析物正交于干擾物質(zhì)，那么估計的凈分析信 號將會維持相同的選擇性。這意味著比例誤差可能在原點和觀測的誤差結 構中區(qū)別于選擇性誤差。產(chǎn)生比例誤差的軌跡變化的樣例
圖5示出了一種假設系統(tǒng)，其中，軌跡長度變化由改變比色杯的物理 尺寸而引起。這些軌跡長度變化的影響對于光譜的所有波長都示相等的。 該系統(tǒng)利用水、葡萄糖、尿素和乙醇的純成分光語的信息數(shù)學地構建，其
將是在下列章節(jié)中討論的組織仿真的成分。圖5a示出了該軌跡長度變化 對于一個樣品的光譜影響。正如比爾定律所期望，這些光譜僅僅在標量因 素上不同。對于該例子，預計函數(shù)僅僅利用在lmm軌跡長度時收集的樣 品而校準。圖5b示出了一組驗證樣品的lmm預計函數(shù)的預計結果，也是 在lmm軌跡長度收集的。這些預計沿著恒等的直線具有很小的變化，因 為預計函數(shù)對于這些數(shù)據(jù)是最佳的。相反，來自應用至具有0.8和1.2mm 軌跡長度的樣品的lmm預計函數(shù)的預計示出了清楚的比例誤差。重要的 是應該注意，對于每個波長軌跡長度中的變化在測量系統(tǒng)中相同，并且當 散射和/或吸收在軌跡長度處于分布狀態(tài)的很多生物系統(tǒng)中變化時，這不 是一般所見的表現(xiàn)。
圖6示出了用于評估線性預計模型中的預計誤差的數(shù)學框架，其可以 用于對之前章節(jié)中討論的三類誤差的賦于起源測量噪聲誤差、選擇性誤 差以及比例誤差。因為比爾定律描述為線性加系統(tǒng)，通過將預計函數(shù)用于 光譜而估計的葡萄糖值等于應用至樣品的每個成分的葡萄糖預計值的總 和。該框架在圖7中用于在1.2mm比色杯中測量的預計500個樣品的 l.Omm模型的情況下。應該注意，葡萄糖估計中的比例誤差與具有更短軌 跡長度的樣品系統(tǒng)校準的凈分析物信號一致，但是非散射樣品中的這樣的 軌跡長度變化不增加選擇性誤差，因為兩個潛在干擾物(尿素和乙醇)中 的濃度變化不會對葡萄糖估計具有顯著影響。還應該注意測量噪聲誤差不 會顯著增加。
給出這些誤差的比例性質(zhì)，應用使用現(xiàn)有技術部分描述的方法的乘法 糾正(multiplicative correction )是合理的。通常，這樣的方法々支定軌跡長 度跨小的光譜區(qū)是恒定的或者隨著波長平穩(wěn)變化。這些方法足夠了，因為 糾正不需要調(diào)整模型以糾正與乙醇或尿素成分有關的選擇性誤差。
15生物樣品中的主要限制在于歸因于散射元素的軌跡長度變化
圖la所示的和之前章節(jié)中討論的比色杯樣例不是出現(xiàn)在生物樣品測 量中的軌跡長度變化的準確代表。在這些系統(tǒng)中，軌跡長度分布由散射產(chǎn)
為與包括之前描述的散射結構(例如，細胞結構和膠原質(zhì)纖維)的樣品中 的異質(zhì)性以及來自濃度梯度、溫度梯度以及擴散反射表面(例如，空氣-樣品邊界)的異質(zhì)性的相互作用。圖lb和lc示出了該散射事件可以如何 改變光射線的方向并影響樣品中的其整個軌跡長度。很多因素可以改變樣 品的散射，包括散射元素的數(shù)量、尺寸以及幾何形狀的改變。
在血液樣品中，散射改變歸因于跨人群的血細胞比容水平差或者單個
紅血細胞的形狀還可作為血液pH和滲透壓的函數(shù)而變化。
無創(chuàng)傷性組織測量還可以包括部分歸因于膠原質(zhì)-與-水的比率中生理 變化的顯著的散射變化，以及作為年齡和疾病狀態(tài)函數(shù)的膠原質(zhì)小纖維直 徑變化。還應該注意，正是將皮膚放置在光學采樣元素上動作可以通過壓 縮、張力、溫度和濕度變化而改變其散射性質(zhì)。
大的散射變化還可以發(fā)生在生物反應器運行期間，其中在細胞繁殖或 者被提取時細胞密度可以隨著單體活動的過程而變化。
圖8示出了在無創(chuàng)傷性組織測量、血液樣品以及生物反應器運行中觀 測的光譜變化的例子。為了進一步理解該性質(zhì)的問題，利用被很好地描述 特征的在吸收和散射要素中的變化構建一組組織仿真(tissue phantom )。
包括散射粒(scatter bead )濃度、吸收濃度以及光學樣品結構。這些組織 仿真包括聚苯乙烯粒(由班氏粒(Bang's Beads)提供的0.298(im直徑球 體)作為具有濃度的雙重變化(4000至8000mg/dL )的散射元素。這些散 射粒懸浮在0.9%的鹽溶液中，緩沖至生理pH并加熱至與無創(chuàng)傷性組織采 樣一致的生理溫度范圍(從36變化至38度)的磷酸鹽。該散射粒濃度群 集在聚苯乙烯的4000至8000mg/dL之間以500mg/dL為步長(step)的九
16個離散的等級附近。為了便利，這些稱為散射級1至9。每個散射級包括 具有可變分析物和干擾濃度的樣品。這些散射樣品還包括在寬的、但是為
生理表現(xiàn)范圍上的葡萄糖、尿素以及乙醇。例如，100至600mg/dL的葡 萄糖范圍包括在糖尿病對象中所觀測到的值。這些光譜由[從非接觸采樣 器專利中提取說明和圖像]而獲得。
圖9包括來自本質(zhì)上重復圖5中所示的軌跡長度調(diào)查的研究的結果， 現(xiàn)在利用組織仿真而不是可變厚度比色杯來引發(fā)軌跡變化。圖9a示出了 使用以低散射樣品(散射級l-3)為葡萄糖校準的、在具有類似散射級的 驗證組上執(zhí)行(相對于參考葡萄糖濃度)預計函數(shù)的結果。葡萄糖預計的 斜度接近統(tǒng)一 (unity )，并且直線附近的散射與該儀器的測量噪聲誤差一 致。面板9d示出了以高散射樣品(散射級7-9 )對于葡萄糖校準的以及在 具有類似散射級的樣品上驗證的預計函數(shù)的類似表現(xiàn)。
圖9b和9c示出了在這些相同的預計函數(shù)被應用至具有校準范圍之外 的散射特征的驗證樣品時發(fā)生的預計誤差。盡管分別存在大約3至7%的 斜率誤差，整個測量性能中的最大損耗由在這些直線附近散射的預計誤差 所產(chǎn)生。給定測量噪聲，并且預計函數(shù)與圖9a和9d中的函數(shù)相同，這些 量值和特征的誤差更加與諸如圖3b中所示的選擇性誤差一致。圖10和 11示出了以相同方式校準和驗證的乙醇和尿素預計函數(shù)類似的表現(xiàn)。這 些例子示出了當預計函數(shù)用于具有不同于用來校準預計函數(shù)的軌跡長度 分布的不同軌跡長度分布的樣品中時對于所有三種化學成分的預計性能 的損耗。該表現(xiàn)通過測量具有比包括在校準中的樣品高的及更低濃度的散 射元素的-險證樣品而證實。
散射樣品中所視的誤差結構對照于圖5所示的非散射樣品所觀測到 的誤差結構。預計誤差的差異歸因于每個波長軌跡長度變化的不同的實 事。實際上，所觀測到的軌跡長度是散射和吸收的函數(shù)。作為波長函數(shù)的 軌跡變化已經(jīng)描述為葡萄糖信號的失真。散射和吸收都依賴于波長。樣品 之間的軌跡長度變化是隨著每個波長而改變的復雜向量，與簡單標量因子 (simple scalar multiplier)相對。作為波長函數(shù)的軌跡長度的變化有效地 使得葡萄糖信號失真。該失真在每個波長產(chǎn)生稍微不同的PLD，這樣產(chǎn)生所觀測到的葡萄糖預計誤差。該失真可以概念化為跨圖像的模糊可變度
(variable degree of blurring )。圖12示出了作為波長的函數(shù)的散射的變化。
返回至誤差的更加嚴格的光譜解釋，圖13示出了利用反向模型自高 和低散射校準估計的葡萄糖的葡萄糖預計函數(shù)(尤其是利用PLS算法計 算的凈分析物信號)的關鍵幾何性質(zhì)。重要的是應高注意，低散射樣品的 最佳模型不同于高散射樣品的模型，與回歸向量的長度有關，但是還與回 歸向量的方向有關。這意指單回歸向量將使得為給定的軌跡長度分布而最 佳化的回歸向量表現(xiàn)不佳。
圖14示出了散射變化如何不僅僅使得分析物信號形狀(通過非無效 旋轉(zhuǎn))失真，而且使得例如尿素和乙醇的可能的葡萄糖干擾的光語失真。 例如，為低散射樣品校準的葡萄糖模型正交于低散射測量中尿素和乙醇的 光譜響應，其與這些樣品的測量性能一致。該性能在這些化學物質(zhì)以一方 式被軌跡長度變化所失真時不會保持，該失真方式通過以引起與葡萄糖模 型交疊的方式使得信號旋轉(zhuǎn)或失真而降低葡萄糖模型的選擇性。這是具有 軌跡長度分布變化的選擇性誤差的起源，該誤差的行為與圖3的討論一 致。這是當軌跡長度分布以作為波長函數(shù)的復雜方式變化時散射介質(zhì)中的 軌跡變化為什么產(chǎn)生比例誤差和/或選擇性誤差的關鍵的光譜洞察。呈現(xiàn) 具有軌跡長度分布變化的選擇性誤差的樣品要求新類型的預計方法來保 持跨具有散射和吸收變化的樣品的可接受的性能。
通過預計差異進行軌跡長度確定的新方法
如上所述，軌跡長度分布可以是散射、吸收和波長的復雜函數(shù)。利用 從對每個樣品的單光譜觀測所獲得的信息在每個波長確定有效的PLD的
處理非常困難。通常，問題在于未知參數(shù)的數(shù)量超過了獨立測量的數(shù)量。
為了精確地確定散射和吸收光的材料樣品中的分析物濃度，可以通過 利用獲得樣品的多個觀測結果的光學系統(tǒng)獲得其他的信息。這些觀測結果 可能在它們自樣品中收集的光射線子集方面不同。這些光射線的子集可以 通過經(jīng)常被稱為多通道采樣器或等同的多軌跡采樣器或等同地多深度采樣器來收集。這些采樣器具有獲得在其PLD中具有差異的光譜^:據(jù)的能
力。通過濾波器的使用，對光射線的這些子集過濾掉出射組織的所有射線的集合。在這樣的討論中，濾波器具有寬泛的定義，其包括根據(jù)其線性或者橢圓或者圓形偏振狀態(tài)而減弱光射線的光學濾波器。濾波器的定義還包括根據(jù)射線離開樣品的物理位置而減弱射線的空間濾波器(還稱為遮蔽或
孔徑)，例如美國專利5,935,062,擴散反射監(jiān)控設備，所描述。濾波器的定義還包括角度濾波器，例如，固有接收角度的光纖光學鏡、透鏡或者根據(jù)射線離開樣品的角度而減弱射線的 一組拆流板?？梢圆皇褂脼V波器或者將這些濾波器中一個或其組合用于多通道釆樣器的每個測量通道中。
即使利用多通道測量，確定散射對于PLD和預計函數(shù)的影響可能仍是復雜的計算。需要一種用于確定相對軌跡長度的筒單方法。以下公開的方法基于以下實事比爾定律A=elc
不能夠在軌跡長度變化和濃度變化之間進行區(qū)分。比爾定律的基本特征可被利用來特征化組織的散射特性。如之前所述，現(xiàn)有方法一直尋求直接地從一個或更多光語測量推導軌跡長度性質(zhì)。相反，本文中公開的分析框架利用軌跡長度分布變化對于預計分析物濃度的凈影響來特征化描述樣品。
在圖15中，問題以示圖表達法描述。散射介質(zhì)的樣品在圖15a和15b表示。兩個盒子填充有相同的葡萄糖濃度。在圖15a中，光射線因為較少散射發(fā)生的實事而以更直的軌跡傳播，導致平均5個軌跡。在圖15b中，因為增加的散射光射線以很少的直軌跡傳播，并傳播平均8個軌跡長度。因此，如果相同的預計函數(shù)應用至兩個測量通道，圖15A中盒子的葡萄糖預計會比圖15B中盒子的預計結果更少，盡管兩個盒子填充有相同的葡萄糖濃度的溶液。由于系統(tǒng)的目的在于測量葡萄糖，所以不能夠根據(jù)該單觀測系統(tǒng)所產(chǎn)生的信息和結果來確定盒子是否具有不同的葡萄糖濃度或不同的軌跡長度。
為了說明目的和解釋重要的發(fā)明概念，考慮圖16中盒子包括垂直于紙平面的釘子。如果彈子或球落在這兩個盒子頂部，釘子的數(shù)量和因而產(chǎn)生的彈跳(本文中認為是一種散射)將會影響收集箱中的傳輸路徑和隨之
19產(chǎn)生的球的分布。在更少的釘子的情況下，分布更加集中。因為釘子彈跳數(shù)量增加，分布變得更加分散，并且臨近箱中的球數(shù)量的相對差異降低。因此，通過檢測每個箱中的球的數(shù)量或者檢測作為箱位置函數(shù)的球的分布，可以確定釘子相互作用的影響的相關檢測。觀測到的球分布允許估計盒子中釘子的密度，而不用在箱子中查看。
圖17示出了與圖16相同的信息，但是現(xiàn)在包括關于球頂部運動至底
部所運動的軌跡長度的信息。有效地筆直降落的這些球?qū)哂凶疃痰能壽E長度，而在遭遇很多釘子的情況下外部箱的球具有最長的軌跡長度。因此，如果一個可以在每個箱位置處獲得軌跡長度的測量，類似地計算每個箱中球的數(shù)量，可以相對確定盒子中釘子數(shù)量(例如，散射事件)。
圖18返回至光譜描述。盒子現(xiàn)在填充有散射介質(zhì)。左側(cè)盒子比右側(cè)盒子具有較少的散射中心。每個盒子中的葡萄糖濃度是相同的。光射線在盒子頂部處從單光源入射進介質(zhì)，并且到達盒子底部的光射線記錄在兩個采樣器通道或^r測器上。這是不同的空間濾波器應用至兩個測量通道的例子。當光射線傳播通過介質(zhì)時，它們的散射非常類似于之前例子中的球。如圖示，光子根據(jù)介質(zhì)的散射特征傳播不同的距離。傳播的軌跡長度之間的關系嚴重受到散射量的影響。例如，在具有更多散射的左側(cè)，由兩個檢測器觀測到的傳播的軌跡長度的差異小于左側(cè)的更低散射情況。
記錄在該多通道采樣器的每個檢測器通道上的光譜信息可以用于產(chǎn)生葡萄糖預計結果。在該應用中，相同的預計函數(shù)用于由每個通道測量的信號或者光譜。因而產(chǎn)生的葡萄糖預計與光子傳播的軌跡長度和介質(zhì)的實際葡萄糖濃度有效地依比例確定(scale)。因為該處理的目的在于特征化介質(zhì)的散射或軌跡長度，需要去除介質(zhì)的葡萄糖濃度的影響。介質(zhì)的葡萄糖濃度可以通過^r測葡萄糖預計之間的相對差異而有效地去除，簡單的減法產(chǎn)生相對差異。因此，相對預計差異可以用于歸類或特征化所檢測的介質(zhì)或組織。如圖19所示，對于采樣器的通道1和通道2的葡萄糖預計結果中的差異可以是特征化組織樣品的散射或軌跡長度特性的診斷度量。該方法是非常有力的，因為它是介質(zhì)施加在預計結果上的影響的直接測量。不同地說明，該分析框架利用軌跡長度分布變化對預計分析物濃度的凈影響來特征化樣品。實際上，分析方法通過有效地利用相對于用于介質(zhì)特征化的第二測量系統(tǒng)的、用于分析測量的相同的系統(tǒng)來確定介質(zhì)的特征化。更具體地，介質(zhì)特征化方法利用相同的光學系統(tǒng)、類似的處理方法、類似的估計函數(shù)以及類似級別的計算復雜性。預計結果中的相對差異可以用于介質(zhì)特征化的觀測非常具有價值并且僅僅要求一種額外的光譜信息。第二種光譜信息應該具有與第 一種光譜信息不同的對于樣品的散射和吸收特性的功能依賴性。由預計結果中的相對差異特征化介質(zhì)的實事去除了對于獲得樣品的葡萄糖濃度的任何需要。
相對預計差異方法可以擴展至樣品中其他分析物。例如，乙醇擴散至整個組織并且受到軌跡長度變化的影響。因為乙醇吸收不同于葡萄糖，軌跡的影響可以稍微不同于葡萄糖，但是測量對于軌跡敏感的概念是適用的。因此，作為診斷函數(shù)來特征化介質(zhì)的相對預計差異的使用可以被擴展到樣品中的多個分析物。來自多個分析物的診斷度量的使用增加了可用于組織散射特征化的信息內(nèi)容。用圖像來類比，其將圖像從黑白的轉(zhuǎn)換為彩色的。
圖20為上述概念的概括。在歷史上，大部多數(shù)無創(chuàng)傷性葡萄糖測量系統(tǒng)利用單個源和檢測器。這產(chǎn)生了單一光譜或者單類信息，并可以等價為具有有限的確定軌跡長度的能力的單目視覺系統(tǒng)。系統(tǒng)擴展至多觀測點增加了信息內(nèi)容并將系統(tǒng)轉(zhuǎn)換為具有能夠診斷和特征化軌跡長度分布變化的影響的能力的雙目系統(tǒng)，所述軌跡長度分布變化由跨一組樣品的吸收和散射變化所導致。包括多個分析物的概念的擴展給信息內(nèi)容增加了附加的尺度，并允許進一步的組織特征化。以類比來說，多個分析物的增加如同將顏色增加給黑白圖像，戲劇性地增加了信息內(nèi)容。
以上討論描述了通用框架，其中，為校準樣品最優(yōu)化的預計函數(shù)應用至在多通道采樣器的兩個(或更多)通道測量的新樣品上進行的測量。在這些通道上進行的光譜測量在自樣品收集的光射線的子集上不同，使得對于這些射線的子集的通道長度分布具有對于下面的樣品的吸收和散射性質(zhì)不同的功能依賴性。不是直接地自這些多光譜測量中推導軌跡長度性質(zhì)，該分析框架利用軌跡長度分布變化對預計分析物濃度的凈影響來特征化樣品。
通過相對預計差異的介質(zhì)分類的證明
為了證明以上概念，主要由聚苯乙烯粒組成的組織仿真在具有不同源
-檢測器間距(separation)的采樣器上采樣。該采樣器為將空間濾波器用于離開樣品的光射線的多通道系統(tǒng)的樣例。四個測量通道相對于與源光纖隔開300、 370、 460以及625jam (中心-至-中心)的4企測器光纖。利用來自所有四個源-檢測器間距的光譜產(chǎn)生預計函數(shù)，但是僅這些樣品具有自散射級5。該單個預測函數(shù)接著用于在兩個不同的源檢測器間距(300和625pm)產(chǎn)生剩余散射級的葡萄糖預計結果。葡萄糖預計之間的差異接著被計算以產(chǎn)生用于特征化介質(zhì)的診斷度量。該診斷度量接著相對于診斷度量被計算的樣品的散射級而標繪。圖21證明了診斷度量能夠確定樣品的正確散射級?？傊?，利用預計分析物濃度差異的分析框架有效地使得可以進行介質(zhì)特征化。
單通道上校準的預計函數(shù)
處于比較目的，討論的第一方法將單通道校準和預計處理用于一組驗證樣品。預計函數(shù)基于來自多通道采樣器的僅僅單個通道中的校準樣品而
產(chǎn)生。 a"土一 5 ' 、'"
在該研究中，組織仿真在多通道采樣器上測量，所述采樣器使用高達四個旋轉(zhuǎn)設置的偏振濾波器來界定測量通道。圖22a示出了偏振角和軌跡長度之間的關系。90的偏振角的數(shù)據(jù)檢測示出了出現(xiàn)在樣品中的軌跡長度變化的度。圖22b示出了使用的校準樣品數(shù)量和其相應散射級的柱狀圖。使用的散射級是包括3至7的散射級的中等散射樣品。該校準和隨后的校準模型以模擬人類的散射級的期望分布的方式而產(chǎn)生。對這些散射級觀測的估計軌跡長度通過估計在中心為6900 cm"的吸收峰處觀測的有效軌跡長度而給出，這是強大的水吸收特征。該光譜區(qū)的有效軌跡長度通過
22將其基線-糾正吸收率(baseline-corrected absorbance )與純水的lmm比色 杯中的相同峰值的吸收率進行比較而估計出。這樣的粗略的度量出于示意 目的，并不用于后續(xù)葡萄糖預計。
在該第一方法中，預計函數(shù)在光譜測量的單通道上校準。實際上，利 用90度偏振角收集所有校準光譜和驗證光譜，其具有通過散射樣品的最 長的軌跡長度。葡萄糖預計函數(shù)隨著利用4200至7200 cm"之間的近紅外 光譜吸收以PLS算法而進行校準。
圖23以與圖22類似的形式示出了驗證樣品數(shù)據(jù)的特征。驗證組包括 處于散射級5的一些樣品，其位于校準組散射級的中心，以及來自散射級 3和6的樣品。驗證組還包括具有比校準樣品更低和更高的散射級的樣品， 級l、 2、 8和9。這些樣品被包括以檢測限制的或者包括在校準組中的散 射范圍之外的預計性能。90度偏振角的圖23B的檢測示出了出現(xiàn)在校準 樣品和驗證樣品中的軌跡長度變化。
圖24將估計的葡萄糖值與其真正的濃度進行比較，并表示出每個散 射級的估計的標準誤差(SEP)。與之前的討論一致，當校準模型被迫外 插超出其軌跡長度分布的校準范圍之外時，測量精度變差。 一個平均，對 于散射級l、 2、 8和9觀測到最差的預計。因此，本發(fā)明的目的在于利用 特征化介質(zhì)的能力來產(chǎn)生更精確的葡萄糖結果。
利用具有單個預計函數(shù)的相關參考方法來分類新樣品
在相對參考概念的第一證明中，將介質(zhì)特征化能力用于分類框架。概 念的應用將單個估計函數(shù)用于在多通道采樣器上收集的樣品來對新樣品 進行分類以改進葡萄糖預計。在高的級上，步驟用于在校準組上構建單個 預計函數(shù)，包括并接著將該預計函數(shù)用于在多通道采樣器上觀測的新樣 品。該預計函數(shù)將產(chǎn)生采樣器的每個通道的估計的葡萄糖值的診斷向量
dn — An,vbv
其中，4為包括每個釆樣器通道的葡萄糖預計的診斷向量(通道數(shù)X1), A，為新樣品的吸收率矩陣(通道數(shù)X波長數(shù))，而bv為預計函數(shù)(波長數(shù)xl)。
在一個實施例中，通過選擇具有類似軌跡長度分布的校準樣品的一子
集，新樣品的診斷向量用于構建用于該樣品的子模型。實際上，步驟為
a. 在具有n個通道的多通道釆樣器上測量校準樣品的光譜；
b. 利用反向模型和包括軌跡長度變化和在多通道采樣器的兩個或更 多通道上獲得的光譜的所有或者受限的范圍的校準組的一子集"A",估 計預計函數(shù)b^ (其中，星形表示使用的所有的通道)；
c. 將在步驟(2)中產(chǎn)生的預計函數(shù)b^用于所有校準樣品的所有通道 以產(chǎn)生每個校準樣品的診斷向量；
d. 利用自診斷向量所計算的一個或更多診斷度量m特征化樣品?；?相關參考方法的診斷度量的一個例子是從另一中減去診斷向量的一個元 素，
該診斷度量等同于圖21中的相關參考樣例。
e. 為每個校準樣品保存一個或更多的診斷度量；
f. 在多通道采樣器上測量新樣品并計算其診斷度量或者多個度量；
g. 選擇具有與新樣品類似的診斷值的校準樣品的一子集"B，，；
h. 通過構建用于n個采樣器通道中的每一個的模型，自校準樣品的子 集"B"來估計預計函數(shù)[bvi,bv2, ...，bvn];
i. 通過將預計函數(shù)bvl, bv2， bv3和、4應用于新樣品的適當?shù)臏y量通道， 預計新樣品的濃度。
該方法的一個樣例一皮用于之前討-淪的一組散射組織仿真。對于該才羊例 的步驟l,在具有不同源-檢測器間距的采樣器上測量樣品。這是將空間濾 波器應用于離開樣品的光射線的多通道采樣器的例子。四個測量通道相應 于與源光纖間隔開300、 370、 460和625pm (中心-至-中心)的檢測器光 纖。
在步驟2中，利用應用到來自采樣器的所有四個通道和僅包括來自散射級5的校準樣品的子集"A，，的PLS算法來估計預計函數(shù)bvp。這些吸 收光譜包括近紅外光譜中4200和7200cm-1之間的所有波長。
在步驟3中，預計函數(shù)bv用于估計剩余的校準樣品的所有通道的葡 萄糖濃度。這為整個校準組中的所有樣品提供了四元素診斷向量。
在步驟4中，診斷度量是利用應用到最短的源-接收器間距(診斷向 量的元素山)和最長的源-接收器間距(診斷向量的元素d4)的光譜的預 計函數(shù)所估計的葡萄糖濃度之間的差。
在步驟5中，為每個校準樣品保存診斷向量或者度量。
圖21示出了應用至跨散射級的整個范圍的組織仿真的診斷方法的 值。該診斷度量可以單獨地精確地將組織仿真的散射歸類到其9個分別的 級中。
在步驟6中，為驗證樣品利用步驟2中校準的預計函數(shù)tv計算診斷度量。
在步驟7中，通過找出具有最類似的診斷度量的25個校準樣品，而 選擇校準子集"B"。
在步驟8中，利用來自子集"B"的校準樣品為四個通道中的每一個 計算一組預計函數(shù)bvl， bv2, bv3和bv4。
在步驟9中，通過將適當?shù)拿總€模型的通道-專用預計函數(shù)應用于新 采樣器的相應通道而在每個通道上估計葡萄糖濃度，被一起平均。
圖25示出了基于利用以上描述的相關參考方法而選擇的樣品所構建 的模型的預計能力，顯著地優(yōu)于來自一組隨機選擇的樣品的預計結果。
盡管以上樣例利用葡萄糖預計的診斷向量，可以對于其他分析物重復 步驟1至6,使得以尿素和乙醇模型所計算的診斷向量能夠被接合以產(chǎn)生 具有更多元素的診斷向量。例如，通過將三個模型(用于葡萄糖、乙醇和 尿素的校準)應用于來自采樣器的四個通道中的每一個的光譜，12-元素 ^^斷向量可以在步驟3中應用于這些樣品。
應該注意，存在很多可能的診斷度量，其能夠以其元素的數(shù)學組合而 從可以在步驟4中應用的診斷向量中計算出來。注意，存在相似度量而不是絕對值，其可以應用至一個或更多診斷度量以找出類似于新樣品的校準
樣品。例如，計算兩個向量之間的點乘積、計算Mahalinobis距離以及利 用k-最臨近方法(k-nearest neighbors approach )。對于更多例子，參見化 學統(tǒng)計和質(zhì)量計量手冊B部分(Handbook of Chemometrics and Qualimetrics: Part B )。
利用相關參考度量作為預計模型輸入
在之前部分，相關參考的概念用于分類框架中。分析物預計函數(shù)用于 在多通道采樣器上收集的光譜以產(chǎn)生診斷向量。在下一步驟中，將數(shù)學運 算應用至該診斷向量以產(chǎn)生一個或更多的診斷度量。這些診斷度量接著共 同地作為分類特征使用以確定在校準組中具有與新樣品類似的軌跡長度 性質(zhì)的樣品。
另一相關方法是為新樣品產(chǎn)生診斷向量并接著單獨地將該向量而不 是吸收光譜用作為第二預計模型的輸入。該兩-模型方法可以被稱為X-Y 方法。第一步驟是利用X-模型構建預計函數(shù)，所述X-模型校準在多通道 采樣器的每個通道上測量的吸收光鐠和分析物之間關系。在該例子中，
X-模型步驟會為偏振采樣器的四個通道中的每一個提供葡萄糖預計函數(shù)， 其將標記為bv,Q , bv,5Q, bv，63, and bv,9Q。接著，通過將四個預計函數(shù)應用于 四個測量通道的每一個來產(chǎn)生16-元素診斷向量，從而產(chǎn)生診斷向量d。
圖26示出了用于以16組預計一起產(chǎn)生所有16個可能的預計的框架， 所述預計來自于將在5個中等散射級上校準的預計函數(shù)應用至包括所有9 個散射級的一組樣品。圖27示出了所產(chǎn)生的葡萄糖預計誤差相對于散射 級高地構建。
第二步驟是校準Y-模型，利用X-模型預計的相互關系來估計對于軌 跡長度分布中的變化的隱式糾正。Y-校準利用來自用于每個校準樣品的 X-模型步驟的診斷向量作為數(shù)據(jù)矩陣。換句話說，用于每個樣品的預計結 果的向量替代了在校準程序中樣品的吸收率值的通常向量。估計的濃度 (很多因軌跡長度分布變化而不可靠)和真正的分析物濃度的數(shù)據(jù)矩陣之 間的關系利用線性回歸而被確立以產(chǎn)生Y-模型預計函數(shù)。
26接著作為兩-步驟處理來估計驗證樣品中的分析物濃度的確定。在第 一步驟中，以所有可能的組合將一組(每個釆樣器通道一個)X-模型預計 函數(shù)應用至多通道光譜來產(chǎn)生葡萄糖預計的診斷向量。在第二步驟中，將 Y-模型預計函數(shù)用于該診斷向量以產(chǎn)生單個分析物預計，其對于因為樣品
的軌跡長度分布變化而產(chǎn)生的失真而被糾正。圖28示出了葡萄糖的X-Y 模型的結果，相較于利用PLS從光譜數(shù)據(jù)的一個通道估計的預計函數(shù)的 基線情況。X-Y模型和PLS模型的結果對于出現(xiàn)在校準組中的散射級3 和7是相似的。當應用至具有位于校準的空間之外的散射性質(zhì)的樣品時， 例如散射級1和9， X-Y模型具有比PLS顯著更好的測量性能。
在該第一例子中，針對葡萄糖校準所有X-模型。該方法還可以擴展 至包括多個分析物，例如在第一步驟(X-模型)中增加尿素和乙醇。所產(chǎn) 生的診斷向量將接著包括多于一個分析物的濃度值。第二步驟(Y-模型) 接著將多個分析物的預計濃度用作為用于單個分析物的預計函數(shù)的輸入。 例如，該方法可以使用葡萄糖、尿素和乙醇的相關參考誤差來共同地預計 散射樣品中的葡萄糖。利用其他分析物產(chǎn)生的預計結果在圖29中示出。
以上已經(jīng)公開了自一個建模處理產(chǎn)生診斷向量并將向量作為輸入用 于第二模型的基本概念。實施方案可以采取很多形式，并且可以使用各種 各樣的校準方法，包括神經(jīng)網(wǎng)絡、非線性模型以及其他近似和估計技術。
利用預計差異的適應模型選擇(adaptive model selection )的新方法
適應模型方法嘗試克服之前所述的子模型方法的一些通常的限制或 者與正如之前章節(jié)中描述的第二預計模型的使用有關的可能的限制。子模 型的通常的限制在于其要求適度類似于新樣品的一組樣品。對于需要超出 校準組的外插或者在校準組中跨越稀少區(qū)域的內(nèi)插的情況，該方法可能限 制樣品的子模型的性能。如圖24所示，這些樣品經(jīng)常是最難預計的樣品。
適應模型方法一開始假設用于具有一種軌跡長度分布的樣品的最佳 預計函數(shù)不是用于具有不同軌跡長度分布的其他樣品的最佳模型，但是預 計函數(shù)共享類似的屬性。圖13的檢測證明這些預計函數(shù)的一般性質(zhì)是類 似的，但是它們也具有少許不同。此外，可以通過檢測一組有效的估計函數(shù)(或者等同的凈分析物信號或者回歸向量)而不是檢測自其構建估計函 數(shù)的原始數(shù)據(jù)的性質(zhì)而產(chǎn)生對于內(nèi)插或外插最重要的模型性質(zhì)。在該構構
的檢測使得能夠了解介質(zhì)的差異施加在預計函數(shù)上的影響。
該方法的實際應用包4舌
a. 構建包括單通道和相對窄范圍的軌跡長度性質(zhì)或者散射條件的一 系列離散校準子模型。例如，數(shù)據(jù)組，利用來自如果可用的臨近散射級的 樣品，在校準組中的每個散射級上構建模型。這些單獨的模型因為每個子 模型中少量的樣品而具有限制的性能，但是它們共同地映射用于該系統(tǒng)的 有效回歸向量或者等同的局部最優(yōu)化的凈分析物信號的空間。圖30中示 出了一系列這些局部模型。
b. 下一步驟是找出平滑地內(nèi)插和外插這些回歸模型的幾何性質(zhì)的函 數(shù)。在所示的例子中，長度和方向的幾何性質(zhì)隨著散射級線性變化。參見 圖31。因此，可以逐漸地改變長度向量和方向向量成分來調(diào)和中心模型 而產(chǎn)生一族模型。在更多復雜情況中，可以通過特征向量分解分解一系列 回歸向量，使得平滑地對方向和長度的差異建模。
逐漸修改預計函數(shù)的能力允許估計用于具有散射級之間的性質(zhì)的樣 品的預計函數(shù)。例如，可以通過平等地對兩個模型加權來估計包括校準的 散射級3和4之間的散射級的樣品的預計函數(shù)。類似地，可以為具有比校 準組更高或更低散射級的樣品估計校準函數(shù)。最佳化的模型的使用使得圖 9、 10和11中該類型的預計誤差最小化。
下一步驟是從該更大連續(xù)的的模型族中選擇用于一組驗證樣品的最 佳模型。顯著的度量將選擇最精確的模型，但是該度量需要葡萄糖參考值。 成功的變化在于從與樣品的散射性質(zhì)失配的模型導致降低的預計精度的 信息中構建。因此，正確的一族模型應該產(chǎn)生跨多次觀測的相似的預計值。 利用預計一致性的方法，自不同通道產(chǎn)生的預計值可以進行比較。當應用 正確散射模型時，兩個這樣的模型之間的預計差異被最小化。通過解釋在 其中進行測量的介質(zhì)的軌跡長度分布的凈影響，利用預計一致性的處理允 許最佳預計函數(shù)的選擇。為給定的介質(zhì)條件選擇最佳模型的能力是關鍵
28的，因為最佳的模型可優(yōu)于單個未最佳化的模型。該方法在圖32中進行 驗證。x-軸用于確定根據(jù)其來產(chǎn)生預計函數(shù)的數(shù)據(jù)。y-軸是在兩個通道的 預計結果中的差異。如圖所示，被預計的樣品包括與散射級3 —致的散射。 自介質(zhì)或與介質(zhì)或者驗證樣品的散射級最一致的散射級產(chǎn)生的預計函數(shù) 應該產(chǎn)生最一致的預計結果、最小的預計差異和最精確的預計。預計差異 的檢測證明最小預計差異用于自散射級3校準數(shù)據(jù)所產(chǎn)生的預計函數(shù)。臨 近模型具有次最低預計差異，同時自不相似的散射級產(chǎn)生的預計函數(shù)產(chǎn)生 可評估的預計差異。所呈現(xiàn)的結果證明使得能夠為后續(xù)的預計選擇最佳模 型。實際上，兩個預計接著在一起被平均以估計分析物濃度。在圖33中 概括了用于驗證數(shù)據(jù)組的適應模型方法的性能。該方法在預計精度和外插 能力方面優(yōu)于PLS校準。
通過搜索可能的預計函數(shù)的空間以及由跨通道的估計一致性而驅(qū)動 的后續(xù)選擇來確定最佳預計函數(shù)的方法可以以很多不同的方法實現(xiàn)。以上 樣例應該簡單地看作為該通用方法的很多可能的實施例中的一個。
權利要求
1. 基本如公開的方法和設備。
2.品 分析物預計的用途。
3. 根據(jù)權利要求1所述的用途，其中，所述分析物預計用于葡萄糖 測量的產(chǎn)生的模型選擇。
4. 根據(jù)權利要求1所述的用途，其中，所述分析物預計用于產(chǎn)生用 于介質(zhì)條件的最佳模型的產(chǎn)生。
5. 根據(jù)權利要求1所述的用途，其中，所述分析物預計作為輸入用 于葡萄糖預計的產(chǎn)生的第二算法中。
6. —種確定散射介質(zhì)中的第一參數(shù)的方法，其包括a) 獲得至少兩個光語，其中，對于所述兩個光譜，對于散射和吸 收的光譜響應的相關性是不相同的；b) 從所述兩個光語確定所述介質(zhì)的特征，其中，所述特征對于所 述介質(zhì)的散射和吸收性質(zhì)敏感；c) 從所述光譜數(shù)據(jù)和所述介質(zhì)特征來確定所述第一參數(shù)。
7. 根據(jù)權利要求6所述的方法，其中，自所述兩個光譜中的每個確 定第一性質(zhì)，自所述第一性質(zhì)的確定來確定所述特征。
8. 根據(jù)權利要求6所述的方法，其中，自所述兩個光譜中的每個確 定第二性質(zhì)，自所述第二性質(zhì)的確定來確定所述特征。
9. 根據(jù)權利要求6所述的方法，其中，自所述兩個光譜中的每個確 定第二性質(zhì)和第三性質(zhì)，自所述第二性質(zhì)和第三性質(zhì)的確定來確定所述特征。
10. 根據(jù)權利要求7、 8或9中任一項所述的方法，其中，所述第一 性質(zhì)、所述第二性質(zhì)、所述第三性質(zhì)或其組合包括葡萄糖濃度、尿素濃度 或者乙醇濃度。2
11. 根據(jù)權利要求8或9中任一項所述的方法，其中，所述第一性質(zhì) 和所述第二性質(zhì)是不同的。
12. 根據(jù)權利要求6所述的方法，其中，所述介質(zhì)特征是軌跡長度分 布或者有效軌跡長度。
13. 根據(jù)權利要求7、 8或9中任一項所述的方法，其中，所述第一 性質(zhì)為葡萄糖濃度。
14. 一種散射介質(zhì)中分析物濃度的光譜確定的方法，其包括a) 獲得第 一軌跡長度分布的光與所述介質(zhì)的相互作用的第一光譜；b) 獲得第二軌跡長度分布的光與所述介質(zhì)的相互作用的第二光譜；c) 從所述第一光語和所述第二光譜確定所述分析物濃度。
15. 根據(jù)權利要求14所述的方法，其中，所述分析物濃度用于產(chǎn)生診斷度量。
16. 根據(jù)權利要求15所述的方法，其中，所述診斷度量用于分類所 述介質(zhì)，以及所述分類用于選擇將用于從所述第一光譜和所述第二光i普中 的至少 一 個來確定所述分析物濃度的函數(shù)。
17. 根據(jù)權利要求14所述的方法，其中，確定所述分析物濃度的步 驟包括a) 自所述第一光譜和所述第二光譜確定第一分析物濃度和第二 分析物濃度；b) 自所述第一分析物濃度和所述第二分析物濃度確定所述分析 物濃度。
18. 根據(jù)權利要求17所述的方法，其中，利用至少一個預計函數(shù)來 確定所述第一分析物濃度和所述第二分析物濃度，以及其中，自所述第一 分析物濃度和所述第二分析物濃度確定所述分析物濃度的步驟包括將不 同于所述至少一個預計函數(shù)的第二預計函數(shù)應用至所述第一分析物濃度 和所述第二分析物濃度。
19. 一種選擇優(yōu)化的預計函數(shù)的方法，其包括a) 獲得不同的軌跡長度分布的至少兩個光語；b) 利用至少一個預計函數(shù)預計這些光語；c) 檢測所預計的值的 一致性；d) 選擇具有可接收的預計一致性的量的預計函數(shù)。
20. —種確定優(yōu)化的預計函數(shù)的方法，包括以下步驟a) 獲得不同軌跡長度分布的至少兩個光譜；b) 選擇預計函數(shù)；c) 利用所選擇的預計函數(shù)，在兩個光語上確定分析物性質(zhì)的兩個值；d) 確定所述兩個值的關系是否表明可接收的預計一致性，以及， 如果否，那么選擇新的預計函數(shù)并以所述新的預計函數(shù)重復步驟c) 和d)。
21. —種利用模型來確定光語對于性質(zhì)確定的適合性的方法，其包括 自所述光譜確定所述性質(zhì)，從取自相同介質(zhì)的第二光語確定性質(zhì)，以及確 定所述兩個性質(zhì)確定是否可接收地一致。
全文摘要
一族提高在吸收和散射光的樣品中測量的分析物濃度的精確性的新方法。一族自一個或更多光學測量來確定樣品中分析物濃度的新穎方法。這些方法提高了在散射和吸收光的材料樣品中的分析物確定的精確性。這些方法可以測量具有不同于用于校準方法的樣品的光學性質(zhì)的新樣品。這樣克服了將現(xiàn)有方法用于很多實際應用中的已知限制，在實際應用中，現(xiàn)有方法對于校準組呈現(xiàn)好的性能，但是對于需要外插或者內(nèi)插的新樣品類型呈現(xiàn)差的性能。這些新方法還克服了將基于比爾定律的線性預計方法應用至跨越了光學測量范圍的樣品或者樣品性質(zhì)違反其固有假設的樣品的限制。
文檔編號G01J3/42GK101501464SQ200680010473
公開日2009年8月5日 申請日期2006年2月9日 優(yōu)先權日2005年2月9日
發(fā)明者M·里斯·羅賓森, 克里斯多佛·D·布朗, 斯蒂芬·J·范斯萊克 申請人:音萊特解決方案有限公司