本發(fā)明屬于生物組織參數(shù)檢測領(lǐng)域，具體涉及一種建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法。

背景技術(shù)：

在利用近紅外光譜進行血糖檢測的方法中，需通過采集到的被測部位的近紅外光譜，應(yīng)用主成分分析法以及化學(xué)計量學(xué)等手段，建立被測組織組分與光譜學(xué)特征的對應(yīng)關(guān)系，即數(shù)學(xué)模型，才能夠?qū)崿F(xiàn)對血糖的無創(chuàng)檢測。近紅外光譜分析常用的化學(xué)計量學(xué)方法為多元校正法，主要包括多元線性回歸、主成分回歸、偏最小二乘法等。

目前，運用偏最小二乘法進行近紅外光譜數(shù)學(xué)模型分析多運用于農(nóng)林業(yè)領(lǐng)域，如中國專利201510176830.4公開了一種基于近紅外光譜的熱處理木材材色的數(shù)學(xué)模型及檢測方法，其建立了一種數(shù)學(xué)模型可以對熱處理木材的材色進行在線檢測，但該模型不能用于檢測生物組織葡萄糖濃度。

張洪艷在其博士論文《近紅外光譜技術(shù)在人體血糖無創(chuàng)檢測中的應(yīng)用研究》中提出了葡萄糖溶液的近紅外透射光譜的建模結(jié)果，該模型對于近紅外無創(chuàng)血糖透射式檢測有一定的指導(dǎo)意義。但目前透射式的檢測部位均為組織成分復(fù)雜的非優(yōu)良光學(xué)介質(zhì)，如耳垂、手指或手掌等。因此，該文章中的透射式建模結(jié)果并不適合于人眼內(nèi)虹膜反射的近紅外光譜的檢測。針對眼內(nèi)房水近紅外光譜而建立的葡萄糖濃度預(yù)測數(shù)學(xué)模型還未見報道。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法，克服了現(xiàn)有方法無法完成人眼虹膜反射近紅外光譜葡萄糖含量預(yù)測的問題。

實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種人眼房水中葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的建立，包括如下步驟：

步驟1：建立人造前房模型，將人造房水溶液注入人造前房模型，以填充了人造房水溶液的人造前房模型作為校正集。

步驟2：應(yīng)用近紅外光譜儀從校正集中采集人造前房模型中返回的包含人造房水溶液內(nèi)葡萄糖含量信息的近紅外光譜數(shù)據(jù)。

步驟3：對測得的近紅外光譜數(shù)據(jù)進行預(yù)處理。

步驟4：對預(yù)處理后的近紅外光譜數(shù)據(jù)利用偏最小二乘法將人造房水溶液中實際葡萄糖含量與經(jīng)光譜預(yù)處理后的人造房水溶液的近紅外光譜數(shù)據(jù)相關(guān)聯(lián)，運用完全交互檢驗驗證法對所建模型的擬合及預(yù)測能力進行評價，從而建立起基于近紅外光譜信息的人眼中葡萄糖含量的預(yù)測數(shù)學(xué)模型。

所述步驟1中人造前房模型包括有機玻璃接觸鏡和石英平板，有機玻璃接觸鏡模仿角膜，石英平板模仿虹膜，在有機玻璃接觸鏡和石英平板間填充調(diào)配好的人造房水溶液。

為了使建立的人造前房模型準(zhǔn)確的反映真實的人眼情況，步驟1中的人造前方模型中接觸鏡和石英平板間填充的人造房水溶液體積為50～80μL，從石英平板的內(nèi)表面到接觸鏡的內(nèi)表面距離為3.00～3.35mm。步驟1中人造房水溶液以0.9％的生理鹽水為基底，并且保證其pH值與真實房水一樣均為8，保證各組分物質(zhì)濃度的協(xié)方差為0。

為了保證校準(zhǔn)集中葡萄糖濃度覆蓋較寬的范圍，步驟1中調(diào)配人造房水訓(xùn)練集葡萄糖濃度為1～30mmol/L，濃度間隔為1mmol/L。

步驟2所述的近紅外光譜條件為：測樣方式為反射，光譜掃描范圍為1500～1800nm，分別率為2nm，對樣品集中的每一個樣品重復(fù)掃描三次，取平均值作為樣品光譜。

步驟3中預(yù)處理包括噪聲濾除、歸一化處理、數(shù)據(jù)篩選、光譜范圍的優(yōu)化選擇、中心化及標(biāo)準(zhǔn)化處理，所述預(yù)處理選取的譜區(qū)范圍為1500～1800nm，17點平滑處理，4個主成分數(shù)。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點：

(1)構(gòu)造人造前房模型，并利用化學(xué)編碼方法調(diào)配不同葡萄糖濃度的人造前房溶液，用以作為數(shù)學(xué)模型的校正集樣本，更加真實地模擬出了實際測試中的光束動向，更加符合運用該數(shù)學(xué)模型的實際檢測條件。

(2)運用偏最小二乘法構(gòu)建預(yù)測的數(shù)學(xué)模型，利用完全交互檢驗驗證方法對模型的擬合和預(yù)測能力的評價，極大程度地保證了本發(fā)明中數(shù)學(xué)模型的精度，為后續(xù)預(yù)測未知葡萄糖濃度的活體人眼房水近紅外光譜提供了精度保障。

(3)本發(fā)明提供的建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法，模型校正集濃度范圍廣，精度高，在房水葡萄糖濃度檢測過程中具有快速、 準(zhǔn)確和高效的特點。

附圖說明

圖1為本發(fā)明的建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法的流程圖。

圖2為本發(fā)明的建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法的人造前房模型圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步詳細描述。

結(jié)合圖1和圖2，一種建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法，包括如下步驟：

步驟1：建立人造前房模型，將人造房水溶液灌入人造前房模型，將填充了人造房水溶液的人造前房模型作為校正集。

所述步驟1中人造前房模型包括有機玻璃接觸鏡和石英平板，有機玻璃接觸鏡模仿角膜，石英平板模仿虹膜，在有機玻璃接觸鏡和石英平板間填充調(diào)配好的人造房水溶液。有機玻璃接觸鏡和石英平板間填充的人造房水溶液體積為50～80μL，從石英平板的內(nèi)表面到有機玻璃接觸鏡的內(nèi)表面距離為3.00～3.35mm。

其中人造房水溶液以0.9％的生理鹽水為基底，人造房水溶液的pH值為8，葡萄糖濃度為1～30mmol/L，濃度間隔為1mmol/L，各組分物質(zhì)濃度的協(xié)方差為0。

步驟2：應(yīng)用近紅外光譜儀從校正集中采集人造前房模型中返回的包含人造房水溶液內(nèi)葡萄糖含量信息的近紅外光譜數(shù)據(jù)。

近紅外光譜儀的采樣方式為反射，光譜掃描范圍為1500～1800nm，分辨率為2nm，對校正集中的每一個樣品重復(fù)掃描三次，取平均值作為樣品近紅外光譜。

步驟3：對測得的近紅外光譜數(shù)據(jù)進行預(yù)處理，預(yù)處理包括噪聲濾除、歸一化處理、數(shù)據(jù)篩選、光譜范圍的優(yōu)化選擇、中心化及標(biāo)準(zhǔn)化處理，所述預(yù)處理選取的譜區(qū)范圍為1500～1800nm，17點平滑處理，4個主成分數(shù)。

步驟4：對預(yù)處理后的光譜數(shù)據(jù)利用偏最小二乘法將人造房水溶液中實際葡萄糖含量與經(jīng)光譜預(yù)處理后的人造房水溶液的近紅外光譜數(shù)據(jù)相關(guān)聯(lián)，并利用完全交互檢驗驗證方法對模型的擬合和預(yù)測能力的評價，從而建立起基于近紅外光 譜信息的人眼中葡萄糖含量的預(yù)測數(shù)學(xué)模型。

偏最小二乘法能夠在自變量存在嚴重多重相關(guān)性的條件下進行回歸建模，并且更易于辨識系統(tǒng)信號和噪聲。本發(fā)明中主要采用偏最小二乘法進行人眼房水葡萄糖濃度校正模型的建立。采用偏最小二乘法進行建模分析時，其原理可分為兩步：矩陣分解和線性回歸。首先對光譜矩陣X和濃度矩陣Y進行分解，即分解為得分矩陣和載荷矩陣的乘積，并加上一個殘差矩陣：

X＝TP+E

Y＝UQ+F

式中，T為X矩陣的得分矩陣，U為Y矩陣的得分矩陣，P為X矩陣的載荷矩陣，Q為Y矩陣的載荷矩陣，E為X矩陣的偏最小二乘擬合殘差矩陣，F(xiàn)為Y矩陣的偏最小二乘擬合殘差矩陣。

第二步是將T和U矩陣作線性回歸：

U＝TB

B＝(T^TT)^-1T^TY

由此，我們便可構(gòu)建出運用關(guān)聯(lián)矩陣B來實現(xiàn)光譜矩陣和濃度矩陣的關(guān)聯(lián)關(guān)系。在進行未知濃度預(yù)測時，首先根據(jù)其光譜矩陣X和載荷矩陣P求出未知樣品光譜矩陣X_未知的得分矩陣T_未知，然后根據(jù)上式得到濃度預(yù)測值：

Y_未知＝T_未知BQ

因此，PLS建模方法在對光譜矩陣X進行信息綜合時，既考慮了最好地概括X的信息，其所提取的成分對濃度矩陣Y又有最好地解釋性。經(jīng)過信息篩選，自然排除了對Y矩陣沒有解釋作用的噪聲因素，同時也能克服多重相關(guān)性對建立數(shù)學(xué)模型的影響。

對模型的擬合和預(yù)測能力的評價，本發(fā)明采用完全交互檢驗驗證的方法。即：人造房水樣本集中每次選取一個樣品，從樣本集中剔除該樣品的光譜數(shù)據(jù)，使用剩余的樣品建立新的校正集數(shù)學(xué)模型，然后預(yù)測被剔除的樣品，得到該樣品的預(yù)測值，與參考值的差即為預(yù)測誤差。如此依次循環(huán)計算，直到人造房水樣品集中所有的樣本都被剔除一次且只被剔除一次，得到預(yù)測誤差，接著計算所有樣品的預(yù)測誤差的均方根，最終得到整個模型的預(yù)測精度。由于在上述計算過程中被預(yù)測的樣品沒有參加建立數(shù)學(xué)模型，因此該方法能夠客觀地估計模型的實際預(yù)測能力。

通常采用相關(guān)系數(shù)R、參與建模的校正集樣本的標(biāo)準(zhǔn)偏差(RMSEC)和不參與建模的預(yù)測樣本的標(biāo)準(zhǔn)偏差(RMSEP)作為評價數(shù)學(xué)模型質(zhì)量的主要指標(biāo)，計算公式如下：

式中，通過校正數(shù)學(xué)模型預(yù)測得到的人造房水溶液葡萄糖含量值，y_i為配制的人造房水溶液葡萄糖含量的真實值，n_c為校正集的樣本個數(shù)、n_P為預(yù)測集的樣本個數(shù)。RMSEC為校正數(shù)學(xué)模型對參與建模的人造房水樣本進行預(yù)測所得到的均方根誤差；RMSEP為校正數(shù)學(xué)模型對預(yù)測樣本進行預(yù)測所得到的均方根誤差，表示建立的數(shù)學(xué)模型用于預(yù)測時，預(yù)測值與真實值的平均誤差。這兩組參數(shù)分別用來評價模型的擬合能力和預(yù)測能力。相關(guān)系數(shù)R越接近1，并且RMSEC值和RMSEP值越小，說明數(shù)學(xué)模型的預(yù)測精度越高。

實施例1

結(jié)合圖1和圖2，一種建立人眼房水葡萄糖含量近紅外光譜預(yù)測數(shù)學(xué)模型的方法，包括如下步驟：

步驟1：建立人造前房模型，將人造房水溶液灌入人造前房模型，將填充了人造房水溶液的人造前房模型作為校正集。

所述步驟1中人造前房模型包括有機玻璃接觸鏡和石英平板，有機玻璃接觸鏡模仿角膜，石英平板模仿虹膜，在有機玻璃接觸鏡和石英平板間填充調(diào)配好的人造房水溶液。有機玻璃接觸鏡和石英平板間填充的人造房水溶液體積為60μL，從石英平板的內(nèi)表面到有機玻璃接觸鏡的內(nèi)表面距離為3.13mm。

其中人造房水溶液以0.9％的生理鹽水為基底，人造房水溶液的pH值為8，葡萄糖濃度為1～30mmol/L，濃度間隔為1mmol/L，各組分物質(zhì)濃度的協(xié)方差為0。為了保證校準(zhǔn)集中葡萄糖濃度覆蓋較寬的范圍，各物質(zhì)的濃度如表1所示。

表1 人造房水溶液中各物質(zhì)濃度(mg/dL)

步驟2：應(yīng)用近紅外光譜儀從校正集中采集人造前房模型中返回的包含人造房水溶液內(nèi)葡萄糖含量信息的近紅外光譜數(shù)據(jù)。

近紅外光譜儀的采樣方式為反射，光譜掃描范圍為1500～1800nm，分辨率為2nm，對校正集中的每一個樣品重復(fù)掃描三次，取平均值作為樣品近紅外光譜。

步驟3：對測得的近紅外光譜數(shù)據(jù)進行預(yù)處理，預(yù)處理包括噪聲濾除、歸一化處理、數(shù)據(jù)篩選、光譜范圍的優(yōu)化選擇、中心化及標(biāo)準(zhǔn)化處理，所述預(yù)處理選取的譜區(qū)范圍為1500～1800nm，17點平滑處理，4個主成分數(shù)。

步驟4：對預(yù)處理后的光譜數(shù)據(jù)利用偏最小二乘法將人造房水溶液中實際葡萄糖含量與經(jīng)光譜預(yù)處理后的人造房水溶液的近紅外光譜數(shù)據(jù)相關(guān)聯(lián)，并利用完全交互檢驗驗證方法對模型的擬合和預(yù)測能力的評價，從而建立起基于近紅外光譜信息的人眼中葡萄糖含量的預(yù)測數(shù)學(xué)模型。

表2 偏最小二乘法建模結(jié)果

本發(fā)明應(yīng)用偏最小二乘法將已知的人造房水葡萄糖濃度結(jié)果與經(jīng)光譜預(yù)處理過的樣品近紅外光譜數(shù)據(jù)相關(guān)聯(lián)而建立起來的，并利用完全交互檢驗驗證的方法對對模型的擬合和預(yù)測能力進行評價。表2給出了偏最小二乘法建模結(jié)果，其結(jié)果表明，在1500～1800nm波段范圍內(nèi)，當(dāng)主成分數(shù)為4時，所建立的校正數(shù)學(xué)模型的校正集相關(guān)系數(shù)R為0.998842，校正集均方根誤差RMSEC為0.417216，交互驗證集均方根RMSEP為1.011209，本發(fā)明可以滿足對未知葡萄糖濃度房水樣品進行檢測的精度要求。