基于BP神经网络的人体血液中红细胞浓度无创检测

采用BP神经网络算法模型对人体血液红细胞浓度进行无创检测。对获取的动态光谱数据和红细胞实测值利用BP神经网络进行建模分析,校正集输出对期望值的跟踪较好,相关系数R达到了0.993,用建立起的BP神经网络模型去检验预测集输出值,得到预测集的相对误差最大为4.7%,平均相对误差为2.1%,预测能力较为理想。结果表明：用BP神经网络模型能够较准确的处理动态光谱数据和人体红细胞实际值的非线性关系,提高了血液成分无创测量在临床上应用的可行性,具有较高的应用价值。     

提高DS法无创血液成分检测信噪比的方法与分析

为了提高血液成分无创检测精度,增加预测模型稳定性,对基于动态光谱(dynamic spectrum,DS)的血液成分无创检测仪器和预处理方法进行了定量信噪比分析与实验验证。在DS数据提取时加入boxcar积分器、降低波长分辨率、均衡DS信噪比和剔除粗大误差等预处理方法,使得各个波段上的DS数据信噪比得以均衡,提高了DS的总体信噪比。利用DS数据采集平台对两名志愿者连续多次测试,同一个体的DS数据相关度分别从0.934和0.953分布提高到了0.991和0.987,而不同个体间DS数据相关度与同一个体DS数据相关度差距也显著增加, 结果表明这些方法可以提高DS数据信噪比。无创血液成分检测信噪比定量分析可有效指导预处理方法的选择,为无创血液成分检测的临床应用创造了条件。     

基于舌诊NIR反射光谱血清总蛋白含量的无创测量

采用舌诊近红外反射光谱对人体血清总蛋白(TP)含量进行无创检测。采集58例舌尖反射光谱进行反射率归一化并记录相对应的血清总蛋白生化分析值,将样本分为训练集和预测集,运用主成分分析结合BP神经网络法和偏最小二乘算法分别建立预测模型。主成分分析结合BP神经网络模型对预测集进行预测,平均相对误差为7.35%,均方根误差为3.069 1 g·L-1,相关系数为0.902 1。偏最小二乘模型对预测集进行预测,平均相对误差为4.77%,均方根误差为0.130 1 g·L-1,相关系数为0.971 8。实验结果证实了舌诊近红外反射光谱可以较为准确地用于总蛋白含量的无创检测。     

浓度分布对光谱法检测成分含量精度的影响

为研究组分浓度分布范围对光谱法建模定量分析精度的影响,根据朗伯-比尔定律构造三种组分理想吸收谱并叠加高斯噪声,使用偏最小二乘回归对样本吸收谱及浓度进行建模和预测,观测不同浓度分布范围下分析精度的变化。研究表明,在纯线性吸收的情况下,组分浓度的分布范围对模型精度造成一定的影响。无论是被测组分还是非测量组分,校正集样本中覆盖足够大且较均匀的浓度分布范围是模型强普适性和良好预测精度的必要保证。研究为合理选择具有良好浓度分布校正集样本,从而提高模型质量、减小预测误差提供了理论指导。     

光谱仪器信噪比与建模波长数对光谱分析精度的影响

为了研究光谱建模分析中光谱仪器噪声和参与建模的波长数两个因素与定量分析精度之间的关系,针对不同信噪比对模型精度的影响、参与建模的波长数与分析精度的关系、不同信噪比波段中多波长参与建模对分析精度的影响三个方面进行了理想样本建模分析。实验结果表明：光谱测量仪器的噪声水平直接影响建模分析误差,而使用多波长尤其是信噪比较好的波段的光谱参与线性建模,近似满足波长数每增加4倍,分析精度提高2倍的关系,能够在一定程度上弥补信噪比的不足。研究为在光谱分析中充分利用和提高光谱仪器信噪比、合理选择参与建模波长数及波段,从而提高光谱定量分析精度提供了实验基础和理论指导。