专利名称：适用于处理电化学信号的方法和装置的制作方法
技术领域：
本发明享有2002年1月15日提交的临时专利申请60/350,175的优先权。
背景技术：
自从上世纪六十年代生物传感器的出现以来，生物传感器的使用已经变得越来越普及。生物传感器是一种与生物识别元素(例如，酶或抗体)相耦合，采用变换器(例如，电极或光敏二极管)将生物化学信息变换成电信号的器件。
图1显示了一种葡萄糖生物传感器的行为，该传感器包括一个可以施加电压电势的酶涂覆电极1。图1所示的生物传感器是一例电流计检测的实例，在该实例中，将一个电压施加在电极1上，使得在样本中的特殊分析物(被测量的物质)氧化或者(例如，向电极输送电子)。该氧化形成了随后可以检测和分析的所产生的电流。使得分析物氧化的电势可以称之为分析物的“氧化电势”。
一般来说，术语“氧化还原电势”是用于表示一种分析物处于氧化或者还原状态的电势。在图1所示的生物传感器中，葡萄糖(“GLU”)与酶反应并且将电子转移到酶中，使得它从氧化状态变换成还原状态。某些其他电子往返(以氧化方式)与酶反应，又使得它返回到它的氧化状态。电子往返随后又在处理过程中变成为还原(从还原的酶中获得电子)。该还原的电子往返就是在电极上的氧化电子往返。这类电子往返的实例是氧，还原至过氧化氢。也存在着一种称之为催化剂的电子往返，该催化剂常用于许多商用葡萄糖测试条中，起着取代氧的功能。
使用电流计技术，通过向分析物施加氧化还原电势，可以获得在样本中的几种分析物中所选择的一种分析物。于是，在图1中，可以施加足够高的电势来氧化所还原的电子往返，并且可以由电极根据还原电子往返的浓度，这又取决于样本中的葡萄糖的浓度，来检测最终的电流。(应该注意的是，实际上，与葡萄糖有关的催化剂是可以与还原的酶进行再氧化和再反应的。还原催化剂的浓度可以直接表示出在样本中的葡萄糖的浓度。简单的说，葡萄糖也可以称之为正在氧化的分析物，应该理解的是，事实上，还原的催化剂就是在电极上检测到的实际的分析物。)电化学生物传感器由于其低成本和易制造而备受青睐，但是，其他血液化学，例如，抗坏血酸维生素C(维生素C)、对乙酰氨基酚(图1所示的“TYL”)和尿酸，都会对生物传感器的行为产生干扰，从而引起错误的读数。图1显示了干扰抗坏血酸维生素C(“C”)的效果，在该图中，抗坏血酸维生素C5的分子已经通过酶层扩散，正由电极1直接氧化，并且产生电流7。
于是，当一个样本包含着几种分析物时，所有的分析物都具有相互重叠的氧化还原电势(即，处于几种分析物的氧化还原电势都在相同的范围内，并且都在施加相同的电极电势时产生氧化还原电流的上升)，这就是还原电极的选择性。在电极上所产生的电流都是由于所有在样本中的分析物都可以在给定的电极电势上进行电氧化或者电还原所引起的，所产生的检测电流包括了各种分析物的未知成分，从而引起了电极选择性的降低以及不准确的浓度读数。不考虑具有重叠氧化还原电势的分析物，则分析物测试将会产生不准确的读数。
图2-4以图形方式说明了上述问题，这些问题与过氧化氢(目标分析物)和抗坏血酸维生素C(干扰物)有关。正如图2和图3所示，当施加600mV相同的DC电流计电压时，抗坏血酸维生素C和过氧化氢各自增加量(x轴)产生检测电流中的增量(y轴)。可以分别根据电流读数13和15来确定校正曲线9和11。
当测试过氧化氢时，因为氧化还原电势重叠在600mV，所产生的错误读数如图4所示。该测试仪应该能够读取1mM的浓度，正如虚线17所示。当抗坏血酸维生素C的增加量添加到包含着恒定数量的过氧化氢的测量样本中时，替代错误的测试仪就产生显示过氧化氢增量的读数19。
其它经常损坏生物传感器的干扰物包括与其它样本成份的交叉反应，传感器的物理退化或污染，或者背景噪声。克服生物传感器的上述缺陷的努力一直是传统地使用对器件的物理或化学改良，例如，使用化学催化剂或者永久选择性隔膜。然而，催化剂会引起所增加的背景噪声，而隔膜会增加不必要的产品成本，同时还降低了传感器的整体灵敏度。
发明概要本文提供了一种适用于提供数字信号处理技术来改善传感器的灵敏度和产量的系统和方法。根据一个所述实施例，在一种适用于监测在具有一种干扰分析物的混合样本中的一种选择分析物的电化学方法中，所提供的改善方法包括向样本施加一个大的幅值电势激励波形来产生一个非线性的电流信号；以及采用矢量投影的方法在所产生的信号中求解出所选择分析物所贡献的信号，在矢量投影方法中，对于所选择的分析物来说，一个分析物矢量可以在参考电流信号的一个或多个频率上包含着一个或多个傅立叶系数的多个实部和虚部。
根据另一所述实施例，提供了一种确定在具有一种干扰分析物的混合样本中所选择的一种分析物的浓度的电化学方法，该方法包括向样本施加一个大的幅值电势激励波形来产生一个非线性的电流信号；测量所产生的信号；计算所产生信号中的所有部分或者某些部分中的至少一个参数；以及根据各种选择分析物和干扰分析物的分析物矢量和至少一个参数求解评估方程式来确定在混合样本中所选择的分析物的浓度。
根据另一所述实施例，提供了一种装置，它包括一个向电极系统施加电压波形并且检测电极系统所产生电流的稳压器电路；至少一个具有程序指令的存储器和一个构成执行程序指令以进行操作的处理器；向样本施加一个大的幅值电势激励波形来产生一个非线性的电流信号；测量所产生的信号；计算所产生信号中的所有部分或者某些部分中的所需频率分量的至少一个傅立叶系数；以及根据各种选择分析物和干扰分析物的分析物矢量通过使用至少一个傅立叶系数求解评估方程式来确定在混合样本中所选择的分析物的浓度。
根据另一所述实施例，提供了一种构成适用于监测在具有一种干扰分析物的混合样本中的一种选择分析物的评估方程式的方法，该方法包括选择一个大的幅值电势激励波形，当施加到样本时，产生一个非线性电流信号；将波形施加到包含着各自多种不同浓度的选择分析物和干扰分析物的样本上，并且测量所产生的参考电流信号；计算各个参考电流信号的傅立叶变换的实部和虚部的数值；画出在多个频率上的各个频率的傅立叶变换的傅立叶系数的实部和虚部数值；选择多个频率中的一个频率，在该频率上，在相位角上实部和虚部呈现出相对较大的差异；计算在选择一个频率上的所选择分析物和干扰分析物的各自分析物矢量；以及根据分析物矢量来构成评估方程式和校正信息，该校正信息使得在样本中的各个分析物的浓度与在复平面上的各个分析物矢量的长度有关。
根据另一所述实施例，提供了一种构成适用于监测在具有一种干扰分析物的混合样本中的一种选择分析物的评估方程式的方法，该方法包括选择一个大的幅值电势激励波形，当施加到样本时，产生一个非线性电流信号；选择该电流信号的信号特性作为使用的参数；将波形施加到包含着不同浓度的选择分析物和干扰分析物的样本上，并且测量所产生的参考电流信号；计算各个参考电流信号的各个参数数值；构成评估方程式作为线性评估值，该评估值可以具有从所计算的数值中选出的参数数量并且对评估在样本中的选择分析物的浓度具有足够的精度。
根据另一所述实施例，提供了一种确定在具有一种干扰分析物的混合样本中的一种选择分析物的浓度的电化学方法，该方法包括向样本施加一个激励波形，以产生一个非线性信号；测量所产生的信号；计算所产生信号中的所有部分或某些部分中至少一个参数；以及根据选择分析物和干扰分析物的各自分析物矢量以及至少一个参数求解评估方程式来确定在混合样本中的选择分析物的浓度。
根据另一所述实施例，提供了一种确定在具有一种干扰分析物的混合样本中的一种选择分析物的浓度的方法，该方法包括向样本施加一个激励波形，以产生一个非线性信号；测量所产生的信号；计算所产生信号中的所有部分或某些部分中至少一个参数；以及根据选择分析物和干扰分析物的各自分析物矢量以及至少一个参数求解评估方程式来确定在混合样本中的分析物的浓度。
应该理解的是，上述的发明内容以及下列详细描述都仅仅只是示例性和解释性的说明，并不能象权利要求权项一样的限制本发明。
附图简述附图与本说明相结合，构成了本说明的一部分，
了本发明的几个实施例，并且和下列描述一起用于说明本发明的原理。
图1是检测样本中的葡萄糖的生物传感器；图2显示了由于过氧化氢增加量而电流增加的校正曲线；
图3显示了由于抗坏血酸维生素C增加量而电流增加的校正曲线；图4图示说明由于抗坏血酸维生素C增加量所引起的错误生物传感器读数；图5是一种根据所述实施例适用于检测样本中的葡萄糖的生物传感器，它采用了数字信号处理来过滤抗坏血酸维生素C的干扰影响；图6是说明根据另一所述实施例适用于处理生物传感器信号的方法的流程图；图7是一种根据另一所述实施例适用于处理生物传感器信号的系统；图8显示了根据另一所述实施例施加于一样本的波形形状；图9显示了根据所述实施例使用图6所示方法施加于一样本的波形；图10图示显示了在说明示例样本的特殊频率上的复数傅立叶系数，该样本值包含了一个过氧化氢或者一个抗坏血酸维生素C；图11(a)和11(b)分别显示了过氧化氢和抗坏血酸维生素C的校正曲线；图12图示显示了在说明示例的混合样本的特殊频率上的复数傅立叶系数，该样本值包含了过氧化氢和抗坏血酸维生素C；图13图示显示了示例性实例的结果；图14是根据另一所述实施例适用于处理生物传感器信号的方法的流程图；图15表格显示了一例典型的参考读数，它可以作为图14所示方法的测试数据；图16显示根据使用图14所示方法执行的第二示例性实例施加在样本上的波形；图17显示了一组数据点，这些数据点可以用于训练第二所述实例中的评估值的测试数据；图18是说明根据图14所述实施例多参数评估值的平均RMS如何变化的示意图；图19图示显示了第二实例性实例的结果；图20是一个根据另一所述实施例的葡萄糖仪表；和，图21和22分别显示了另一激励波形和响应的实例。
详细描述现在将详细讨论本发明的几个说明实施例，以及在附图中所显示的实例。只要有可能，在所有的附图中将使用相同的标记来表示相同或类似的部分。
本文所提供的系统和方法适用于利用数字信号处理技术来改善传感器的选择性和产量。特别是，根据某些所述实施例，本文所提供的方法适用于在诸如分析物的电化学信号源(ESS)之间区分，以便于求解和较佳地量化出所选择ESS对整个测量信号的信号贡献。这样，就能够基本上减小诸如抗坏血酸维生素C之类重叠分析物的干扰贡献，以便于更加精确地测量出诸如葡萄糖之类的目标分析物的数量。
图5-7显示了一种适用于确定在一种或多种分析物响应所施加的电压波形产生一个电化学信号中各个分析物的信号贡献的方法和系统。随后，将相关的信号贡献与总的测量信号相比较，以确定一个或多个分析物的浓度。图6以流程图的方式说明了该方法。
正如图5所示，该方法可以通过向图1所示的生物传感器增加数字信号处理硬件、固件或软件来实现。在该实施例中，DSP 17对测量信号进行数值操作，以数值滤波由干扰分析物抗坏血酸维生素C所产生的电流信号的部分或基本全部，并且允许所需分析物信号3所产生的贡献进行量化；于是允许信号输出19能够用于计算在样本中葡萄糖的浓度。图7更加详细地显示了一例执行图6所示方法的系统，但是应该理解的是，图6所示的方法可以采用许多不同的系统和装置来实现。图7所示的系统也可以作为一个手持测试仪来实现，例如，适用于测试在血液中的葡萄糖浓度。
参考图6，选择波形的形状(步骤100)，施加到包含各种分析物自身已知浓度的样本上(步骤105)。在该实例中，该波形用于将来自包含过氧化氢不同浓度的样本数据采集到缓冲器中，而该样本数据不包含抗坏血酸维生素C，随后该波形用于将来自包含抗坏血酸维生素C不同浓度的样本数据采集到缓冲器中，而该样本数据不包含过氧化氢。这相同的波形施加到包含两种分析物的未知浓度的化合物的样本上。在该实例中，过氧化氢可识别为所需(或目标)的分析物，而抗坏血酸维生素C可识别为干扰分析物。
较佳的是，激励波形可以是一个大的幅值波形。术语“大的幅值波形”，正如本文所使用的，它表示能够从样本产生一个非线性信号响应的波形(典型的是变化大约50mV)。可以通过检测处理中所涉及到的经验性实验和理论性思考的组合来选择波形。通过经验性实验和理论性思考的组合来实现波形的选择，以便于获得由特殊分析物所产生的某些独特的信号特征。通常认为影响分析物信号的因素是反应速率和反应机制，一般称之为反应的动力学，和分析物的传输性能。
反应动力学或传输性能的速率会影响激励波形的形状的选择。例如，具有较快动力学或传输性能的反应一般会响应电压的扰动快速地重建平衡。于是，如果希望以快速处理的方式来检测分析物的话，就可以选择变化迅速的电压。另外，某些分析物具有慢的动力学或传输性能并且需要较长的时间来重建平衡。于是，就应该选择变化较慢的电压波形来检测这些分析物。
在选择波形时应该记住的因素包括，但并不限制于，相对于参考电极的工作电极使用更为正的电势一般会增加氧化的速率；同样，如果相对于参考电极的工作电极使用更为负的电势一般会增加还原的速率；以及当动力学速率比分析物传输的速率快得多时(通常是由扩散所形成的)时，通过以适当方向增加电势来增加动力学速率(氧化为正，还原为负)一般不会显著增加电流。
图8显示了典型的波形形状。变化38和42的速率与变化40的速率是相同的且相等和相反的。V1-V2的绝对值一般大于100mV，当然这并不所有的应用都需要的。在一下详细讨论的实例中，图9显示适用于葡萄糖监测的合适波形。
在选择波形之后，就从包含了不同浓度的目标和干扰分析物的样本中采集各自的数据(步骤105)。例如，在区分和确认过氧化氢和抗坏血酸维生素C的浓度，通常需要使用所选择波形对过氧化氢的下列浓度进行5次重复测量0mM，0.1mM，0.2mM，0.3mM，0.5mM，1.0mM，2.5mM，3.0mM，3.5mM，4.0mM，4.5mM，5.0mM；也需要对相同浓度的抗坏血酸维生素C进行5次重复测量。
随后，从各次测量中计算所产生电流的一组参数(一个或多个参数)(步骤110)。所选择的参数组展示出各个分析物相对独特和可测量的特性。参数可以是信号的任何性能，或者是信号的任何部分(或所有)的任何功能。参数的实例包括频域项，例如，在各种频率上的傅立叶变换系数。参数的另一实例包括时域性能，例如，但并不限制于，在信号特殊点上的信号斜率，信号某些部分的上升或延迟速率，信号的某些部分的平均值，在某些时间点上的信号幅值，需要产生信号中的峰值或谷底的电压，等等。在该所述实施例中，采用FFT(快速傅立叶变换)计算的傅立叶系数的数值是指定为感兴趣的参数。于是，计算所测量的各个信号的FFT，并且将FFT系数存储于计算机存储器。
在步骤120和125中，选择频率，使得该频率能够得到在分析物之间FFT系数的最好求解。这可以通过画出在各个频率下的FFT系数的实部与虚部来完成(步骤120)。于是，就创建了一系列图形，这些图形在一个轴上是FFT的实部，而在另一轴上是FFT的虚部。因此，如果是考虑128个频率，则就可以构成了128幅不同的图形，每一幅图形对应于一个频率。
各个图形图示显示了所有数据点(对应于各个分析物的不同浓度)在一个频率上的FFT数值(实部与虚部)。可以屏幕显示该图形，以确定对应于在两个分析物矢量之间相对较大分离的频率(步骤125)。这可以称之为在分析物矢量之间的“角度分离”(角度或者相位角分离)。术语“分析物矢量”，正如本文中所使用的，表示一个具有方向的任何长度(通常长度为1)的矢量，其方向并行于所增加分析物浓度的方向，当采用多维空间来考虑时，空间中的每一维都对应于被测的特殊参数。在分析物矢量之间的角度可以使用众所周知的矢量点积的线性代数技术来计算，或者可以通过简单地观察图形的方法来进行。
另外，在选择频率时，也可以考虑分离角度之外的因素。例如，应该考虑在数据点的离散性。如果离散所引起的噪声非常大，则即使分离很好的矢量组也不能满足需要。还需要考虑信号对分析物浓度的灵敏度。例如，矢量可以很好的分离，但是该分离的信号却很弱。于是，就可以采用10mM的分析物在一个特殊频率上产生1单位的信号，反之，如果选择了其它频率，则矢量的分离就会减小，而信号可以显著增强(即，10mM的分析物可以提供100单位的信号)。因此，也可以选择较低分离的矢量参数，只要它能够提供诸如以上特性的其它特征。
其次，在步骤130，可以在所选择的可以提供选择角度分离的频率上计算一下数值量化与各个分析物矢量相同方向的各个单位矢量的数值(即，确定长度为1的矢量，它具有与图10中的分析物矢量103和106相同的方向)；分析物的浓度与复平面中的矢量长度相关的校正曲线数值；以及“空”缓存器信号矢量的数值。空缓存器信号矢量表示不存在两个分析物时所测量到的信号。于是，空缓存器信号可以认为是在没有分析物存在时的基线或背景信号(虽然，应该注意到，在以下所讨论的评估方程式中，也可以使用其它恒定值作为基线)。在步骤135，将步骤130所计算的数值用于构成确定目标分析物浓度的方程式。
现在，就可以测量包含目标和干扰分析物的未知浓度的样本。在步骤140，插入电极使之与被测样本电解接触。在步骤100中所选择的相同波形施加到工作电极上(步骤145)。在一定的环境下，也可以要求在插入与样本电解接触的电极之前施加波形。例如，这有助于检测样本第一次与电极接触的时间，例如，需要检测非常快的反应以及需要了解反应的精确起始点。
在步骤155，快速傅立叶变换可以在测量信号的所有部分或者一个部分进行，以及在步骤125所选择的相同频率上计算傅立叶系数。这数值是一个复数，可以在步骤135所确定的方程式中使用，以计算所需要的分析物浓度。随后，特殊分析物的浓度可以任何有效的方式输出，例如，在LCD上显示(步骤165)；另外，也可以简单地存储和/或用于后续的处理。
图7显示了一种实现图6所示方法的系统。该系统可能是，例如，作为一个手持测试仪来实现，例如，常用于检测在血液中的葡萄糖浓度的测试仪。该系统包括变换器6，可用于检测在样本2中的单独分析物所产生的电化学信号源(ESS)4。变换器6可以是，例如，图1所示的酶覆盖的电极，将它放置于和样本电解接触。另一例变换器包括，但并不限制于，具有隔膜的电极，化学改良的电极，或者能够作为电化学变换器使用的其它元件。
控制信号34可以通过滤波器处理10从变换器控制装置12施加到变换器(见步骤145)。在变换器6上产生时域信号36，采用滤波器处理8进行滤波，并且存储于变换器控制装置12(见步骤150)。变换器控制装置12以时间函数来测量所施加的电势34和被测电流36。
该信号可以采用滤波处理14再进行滤波，该滤波处理可以是，例如，去假频滤波器、高通滤波器、低通滤波器、带通滤波器和/或带阻滤波器。随后，使用模拟数字变换器16将信号从模拟变换成数字形式，以便于计算装置18对信号进行数字处理。数字计算装置可以是，例如，一个数字信号处理器芯片，并且也可以包括模拟电路、数字电路、微处理器、和/或光计算装置。此外，尽管较佳的是对信号36进行数字信号处理，但是上述处理也可以采用等效的模拟电路来执行。
计算装置包括一个滤波信号的滤波器处理20，以便于对信号进行整形和/或将信号变得具有更佳的波形，更方便于数字处理。滤波器处理20可以用于增强和/或抑制信号中的不同频谱分量。例如，滤波器处理可以用于平滑信号以减小高、中和/或低频率变化以及改变信号的频谱特性，包括变化相位角频谱和幅值频谱。随后，对信号的所有部分或者某些部分进行频谱分析处理22，这通常是使用诸如快速傅立叶变换的数值技术来进行的，它可以产生信号各个频率分量的幅值和相位角(见步骤155)。
接着，对22所处理信号的频谱内容进行分离和量化处理24(见步骤160)。处理24使用了一组方程式，该方程式是基于来自数据源26的各个ESS的已知频谱特性构成的(见步骤135)。数据源26可以包括，例如，讨论在样本中各个ESS如何与其它ESS相互作用的方程式，有关各个ESS电化学化验所采集到的各个ESS已知频谱特性的数据，和/或讨论各个ESS产生变换器可测量到的信号的方程式。于是，使用数据源26，分离和量化处理24可以求解一组方程式，以发现量化在总的测量信号中的各个ESS信号贡献的解决方案(见步骤160)。
例如，一旦计算装置18已经采集到了电势和电流两个信号，则就产生了时间上的参考点。通常，所产生的该参考点是与电势信号34有关，它是一个独立的变量，而电流信号36则是一个相关变量。例如，当采用周期伏安表时，就可以在所施加电势数值到达V1数值的时间作为参数点，正如图8所示。电流和电势数值都可以作为相对于时间参考点的函数来记录(步骤150)。随后，采用频谱分析处 22对电流信号计算频率频谱。这可以采用多种方法来完成，但是最常用的方法是通过快速傅立叶变换、离散傅立叶变换或者其它类似方法来计算傅立叶变换(步骤155)。
计算电流信号的频谱至少可以得到以下两项结果相位角频谱和幅值频谱。相位角频谱与ESS所贡献的信号强度无关，而幅值频谱则是ESS所贡献的信号强度的函数。例如，通常可以观察到，幅值频谱取决于在样本中所存在的电活化化学种类的浓度，而相位角频谱并不随着浓度变化。
由分离和量化处理24使用频谱分析22的频谱性能，就能求解和分离出由不同的ESS4所产生的测量电流信号分量，并且量化各个ESS4对总的测量信号36的贡献。任何使用这些性能的一个典型实例是各个ESS的相位角频谱可以作为它的信号“指纹”，这是特殊ESS所唯有的信号，这就便于从其它ESS的其它信号分量中识别和求解出特殊ESS的信号，并且幅值频谱可以用于量化信号所存在的量。有关一个ESS的相位角频谱的信息可以来自数据源26，并且可以包括，但并不限制于，仅仅包含一个ESS样本的分析所得到的频谱分析数据(见步骤105-135)。
ESS信号强度的量化可以用于所导出的量化计算处理28，通过使用其它与数据源有关的数据来计算所导出的量化。一例典型的导出数据的实例包括，但并不限制于，通过与校正数据，例如，目标分析物的校正曲线的比较来计算在样本中的目标分析物的浓度(见步骤130)。接着，以有效的方式提供输出，该输出方式可以包括LCD读数(见步骤165)。
实例1现在，就分析包含过氧化氢和抗坏血酸维生素C的样本的浓度问题，讨论一例图6所示的方法和由诸如图7所示的系统作为实现的系统的实例。采用图9所示的700mV电势激励波形(步骤100)。在向上扫描和向下扫描的两个方向上，激励波形的扫描速率是每秒100mV。以40Hz的采样频率实时采样所产生的电流。采用快速傅立叶变换来计算电流信号的频谱内容(步骤110)。
图10显示了0.4506Hz的复数傅立叶系数，它在分析物之间具有最好的分离。空的方块表示对包含过氧化氢但不包含抗坏血酸维生素C的样本的测量结果。黑色三角表示对包含抗坏血酸维生素C但不包含过氧化氢的样本的测量结果(见步骤105-120)。矢量101表示基线背景信号(Yblack)；分析物矢量103的方向与表示过氧化氢增加浓度的方向的单位矢量相同(iHP)；分析物矢量106的方向与表示抗坏血酸维生素C增加数量的方向的单位矢量(iAA)。于是，很显然，过氧化氢信号只是在复平面的一个方向上很明显，而抗坏血酸维生素C信号只是在复平面的另一方向上很明显。在这种情况下，就可以获得下列方程式Yblack＝-41.2-j27.7iHP＝0.995-j0.101iAA＝0.591-j0.807其中iHP和iAA都是一个单位长度的矢量。
随后，构成校正曲线(步骤130)。图11a和11b分别显示了过氧化氢和抗坏血酸维生素C的校正曲线，其各自的方向是与实验原点有关的特性单位矢量的方向。实验原点是由Yblack所提供的。也就是说，通过从各个复数数据点(107和109)减去Yblack来计算信号的幅值，并随后计算距离(0，0)所给出的原点的欧几里得距离。幅值可以正比于电流信号的任意单位(au)来表示，然而，由于计算FFT系数的性质，实际幅值可以是电流的标量倍数，这是由FFT中使用的样本数量所确定的。因此，为了简便，FFT的幅值可以任意单位给出。
计算方程式可以得到IH202＝87.89*[H202]或者[H202]＝IH202/87.89以及，IAA＝14.949*[AA]或者[AA]＝IAA/14.949式中，I是以au给出的信号幅值，以及浓度是以mM给出的。在进行了两个信号的分离之后，校正曲线系数可以与矢量信息相组合。因此，设YHP＝iHP＝(0.995-j0.101)YAA＝iAA＝(0.591-j0.807)从矢量关系出发，可获得以下方程式式中Ytotal是从某些给定的样本中所获得的FFT数值。在这种情况下，就存在着两个未知(a和b)和两个方程式(步骤135)。一旦a和b求解了之后，最终的答案很显然分别是过氧化氢和抗坏血酸维生素C的测量信号幅值。最后，该信号幅值可以与校正曲线方程式相比较，以确定所需要的浓度(步骤160)a=-[(YAAr)(Yblacki-Ytotali)-(Yblackr-Ytotalr)(YAAi)](YHPi)(YAAr)-(YHPr)(YAAi)]]>[H202]=a87.89]]>a=-[(YHPi)(Yblackr-Ytotalr)-(Yblacki-Ytotali)(YHPr)](YHPi)(YAAr)-(YHPr)(YAAi)]]>[AA]=b14.95]]>因此，使用这些方程式，就能够确定在样本中的过氧化氢和抗坏血酸维生素C的浓度。使用这些方程式，就能够测量几个包含着过氧化氢和抗坏血酸维生素C的混合量的样本。图12显示了要采集的数据点。虚线116显示了对包含1.8mM抗坏血酸维生素C的样本增加过氧化氢数量的测量。空白的圆圈表示该频率的FFT的复数数值，可表示为Ytotal。很显然，当过氧化氢的浓度变化时，数据点可沿着由iHP103给出的相同方向移动，该方向并行于虚线116。
虚线113显示了对包含1.0mM过氧化氢的样本增加抗坏血酸维生素C数量的测量。黑色的圆圈表示该频率的FFT的复数数值，可表示为Ytotal。很显然，当抗坏血酸维生素C的浓度变化时，数据点可沿着由iAA106给出的相同方向移动，该方向并行于虚线113。
于是，正如以上所阐明的，与各个分析物有关的相位角相互之间是不同的，并且在不同的样本之间保持着恒定。矢量101表示Yblack。使用以上方程式，在混合样本中测量到的各个数据点都可以用于确定显示[H202]，在该实例中这是最终感兴趣的分析物。
图13显示了该结果，在图13中，说明了两个熟悉的样本。一个熟悉的样本是不含过氧化氢，但可以变化抗坏血酸维生素C。对于这一组来说，显示[H202]应该是接近于0mM，正如采用虚线117所校正说明的。对于第二个熟悉的样本来说，测量到的过氧化氢浓度为1.0mM，并且变化增加到样本中的抗坏血酸维生素C的数量。在这种情况下，显示[H202]应该是接近于1mM，正如上部的虚线119所再次校正说明的。
这样，采用上述方法，演示了在抗坏血酸维生素C信号的过氧化氢信号之间优异的解决方案，从而允许有选择性的监测在抗坏血酸维生素C中的过氧化氢，或者反之亦然。
在图6所示的上述实施例中，只考虑了快速傅立叶变换的一个频率。此外，只有两个参数，一起考虑一个频率的实部和虚部，以确定各个分析物矢量的角度分离(步骤125)。然而，根据其它实施例，在某些环境中，可以获得在分析物之间更大的分离以及更好的解决方案，只要考虑这一频率的多个实部和虚部，更具体的说，只要使用多于两个参数即可。
例如，，可以考虑1Hz的实部与4Hz的虚部，或者，3Hz的实部与12Hz的虚部。此外，设置单位矢量的空间可以延伸至更高的维度因为这样能够增加在分析物之间的分离。因此，2Hz的实部可以与8Hz的虚部和9Hz的实部相比较。可以采用和在两维空间中相同的方法来迅速计算出在数据矢量之间的角度。因此，可以看到，在更高维度参数中的益处是可以提供更多的自由度来选择可产生分析物矢量的更大分离的参数。
使用更多参数的另一原因是能够提取和选择某些可高度校正特殊分析物浓度的信号性能。例如，可以发现测量电流信号的某些部分的斜率可以校正目标分析物的浓度。相类似的是，任何一个FFT系数不可能完全采集到该信号的性能，所以就需要计算在时域中的信号斜率，例如，分离参数。
图14说明了一种适用于使用多种参数来确定分析物浓度的方法，例如，可以采用多个频率和/或时域参数。步骤200类似于以上所讨论的步骤100，在该步骤中，将波形施加在所选择的样本上。随后，确定可能的信号性能，以作为以下所讨论的评估算法中所使用的参数(步骤205)。例如，可以作为参数使用的可能的性能包括，但并不限制于，在一个特殊频率上或者多个频率上作为FFT所计算的傅立叶系数(实部或虚部)；信号某些部分中的实部或虚部(例如，信号的尾部)；在时间某些点上的信号曲线的斜率；信号某些部分的指数上升或延迟的速率；信号曲线的指定峰值或谷底的数值；信号的指定峰值或谷底的数值；等等。
不同于上述实施例的是，在上述实施例中，步骤105包括采集各个分析物自身的数据，在步骤210中，可以从包含着两种分析物的不同浓度的混合物中采集数据。例如，正如图15所示的矩阵所显示的那样，取自各种已知浓度的抗坏血酸维生素C和葡萄糖的样本可以产生总共130个不同的样本，各个样本可以用于重复采集5次数据，从而可以产生一组总共有650个记录信号的数据。
在步骤215中，对数据组中的各个信号可以计算所感兴趣的各个参数的数值，并且存储于存储器中。步骤220至240包括构成一个线性评估值。正如步骤220中所显示的，该方法采用一个参数线性评估值开始。随后，对于N＝1的情况来说，可以使用一半数据作为训练子集而另一半数据作为测试子集来进行随机交叉确认方法。
随机交叉确认技术是一种数值计算技术，在Gene H.Golub，Michael Heath和Grace Wabba等人发表的题为“作为选择好的起伏参数方法的广义交叉确认”(Technometrics 21，pp.215-223(1979))。使用这一方法，就能够发现一个平均RMS(均方根)最低的最佳数字参数。随着人们采用越来越多的参数构成线性评估值，评估值的RMS误差就会减小到一定的最小值。进一步增加参数的数量就会使得评估值的性能变差，从而给出增加的RMS数值。应该注意的是，也可以使用不是RMS的精度的某些测量，例如，调节RMS，变化、标准偏差，等等。
从一个参数开始增加，就构成了评估值(步骤230)，并且可以通过使用数据的测试子集和计算RMS来评估分析物浓度以确定它的性能。当使用随机交叉确认方法时，就可以从任何参数开始，或者当构建使用越来越多参数的评估值时，可以指定参数的特殊排序。
常用的线性评估值方程式的一般形式为[Analyte(n)]=Σk=1NhkYk(n)]]>式中[Analyte(n)]是样本n所评估的分析物浓度；Yk是参数，例如，在一个特殊频率下的FFT系数的实部或虚部；以及，hk是对参数的相关加权因子，并且可以认为是参数所保持的信息内容的测量。
步骤225至240确定参数的最大数字，该数字可以基于不再仅仅是维度优势的信息内容来提高评估值的性能。当讨论一组采集的数据存在着更多的参数时，就会出现维度优势。一个实例包括存在着5个数据点的情形。一个由5个参数所组成的模型可以产生5个数据点的相互交叉。当对构成评估值的相同数据组再次进行测试时，这就会产生RMS＝0的评估值，所得到的评估值方程式会错误显示较好的性能，但是实际上，并不能获得健壮性评估值方程式。于是，较佳的是，确定一个参数的最大可允许数字，以便于在保持所需健壮性水平的同时获得最佳的性能。在图14所示的方法中，使用随机交叉确认分析的处理方法就能够获得这一效果。
各个评估值都可以用于评估在测试数据子集中的目标分析物浓度(步骤235)。由于在各个样本的测试子集中，目标分析物的校正浓度是已知的，为了测试评估值，可以根据评估值所提供的公式来处理所已经记录的数据信号。
该评估值会产生一个对应于正在处理测试信号所产生的分析物浓度的数字。换句话说，评估值将评估用于记录测试数据信号的目标分析物的浓度。为了测试评估值的性能，可以计算在线性评估值之间的误差以及已知目标分析物的浓度(步骤235)。一种计算这类误差的方法是计算RMS误差。该线性评估值常用于评估在测试数据子集中的所有信号的分析物浓度，并随后计算与各个数据点相关的RMS误差。与各个N-参数线性评估值有关的RMS误差存储于存储器。
可通过选择新的数据子集作为训练子集和测试子集来重复随机交叉确认方法(步骤240)。通过对一个新的数据子集的训练可以重复一个参数的线性评估值的结构。其次，可以存储RMS误差，以作为线性评估值的各个训练子集。该处理过程可以重复多次，例如，1000次。计算整个序列的RMS平均值。这就得到了在步骤230中所构成的线性评估值的一般性能的表示。正如大多情况，可以根据训练或测试的数据子集的选择来获得较佳或者较差的性能。使用随机交叉确认方法，通过测试评估值与数据的不同随机选择就能够是在评估值中所确定的性能误差最小化。
一旦通过计算平均RMS确定一个参数线性评估值的平均性能之后，就能构成和评估两个参数的线性评估值。第二个参数可以采用以上所讨论的方法来选择。随机交叉确认测试方法可以再次用于确定两个参数线性评估值的平均RMS性能(步骤225-240)。
一旦通过计算平均RMS已经确定了两个参数线性评估值的性能之后，就能够确定三个参数的线性评估值的性能，以及其它等等，增加至N-参数线性评估器。当步骤205使用了所有有效的参数时，该环路就结束(步骤245)。接着，选择参数N的数字，它对应于产生最低RMS的评估值(步骤250)。
N参数评估值可以多次构成和重新构成，例如，1000次，每次都可以采用训练和测试数据的不同随机选择进行测试(步骤255-270)。随后，选择提供平均性能的评估值。通常，但并不是始终，可以选择提供平均性能的评估值，因为它是对给定数据集的评估值性能的表述。该评估值可以准备用于测试未知样本。另外，可以选择具有最佳性能的N参数评估值(相对于平均RMS性能)。
于是，不同于图6所示的实施例，图14所示的实施例考虑了更多的参数，不仅仅是在单一频率上的傅立叶变换的实部和虚部分量，从而构成了在多维空间中的一个相似矢量系统。图6所示的实施例是一个两维空间，在该空间中，每一维都对应于一个参数。在该实施例中，一个参数可以是傅立叶变换的实部，而第二个参数可以是在一个频率上的傅立叶变换的虚部。
图14所示的实施例是一个多维的参数空间，在该多维参数空间中，每一维欧对应于一个选择参数，其中，选择参数的最佳数字就可以获得好的性能，同时构成了一个不屈从于维度平均的健壮性评估值；并且可以向这些信息丰富的参数提供更大的加权，从而使得校正更加接近于目标分析物信号。参数空间中的各维的相对重要性都是加权的，使得具有更大信息内容的维度(或参数)能够对目标分析物浓度的最后评估作出更大的贡献。
因为图6所示的实施例仅仅只使用了两个参数，在一个频率上的傅立叶变换的实部和虚部，因此可以根据讨论各个分析物信号(例如，过氧化氢信号YHP和抗坏血酸维生素CYAA)的单位矢量直接计算各个参数的加权。也就是说，在进行Ytotal＝Ytotalr+jYtotali的测量时，在所选择频率上的测量信号的傅立叶变换的各个实部和虚部都可以进行适当地加权，可以采用以上所阐明的标量加权来分别乘以Ytotalr和Ytotali。
多维线性评估值的使用允许对整组参数的自动计算进行加权，而不必明确确定各个分析物的方向矢量。
一般来说，两个说明实施例(图6和图14)都采用的本文称之为“矢量投影的方法”。该方法包括选择一个或多个参数，各个参数都具有样本信号的性能或者记录波形的性能；确定各个分析物的分析物矢量，可以是明确的也可以是隐含的；以及根据分析物矢量和参数的相对幅值和方向构成一个评估方程式，该方程式可以用于评估在样本中的一种分析物的浓度。
实例2该实例是采用图14所示的方法执行的。葡萄糖是目标分析物，而抗坏血酸维生素C作为干扰无使用，并且血液作为样本混合物使用。图16所示的波形可以作为激励施加于样本。
该波形将周期性伏安表和DC安培表组合起来。该电势是以250mV/s的上升方向、以-250mV/s的下降方向(信号的CV部分)的斜波，并且电势在信号开始的57.6秒之后保持0.4V的常数且在64秒结束(信号的DC安培计部分)。
信号的“头部”称之为集合或者包含了在0秒和20.8秒之间波形的信号。在这种情况下，可以40Hz采样，从而可提供833个样本。信号的“尾部”称之为集合或者包含了在61.475秒和63.975秒之间波形的信号，因此可提供101个样本。
在该实施例中，可以观察到以下原理。
●将测量电流信号波形考虑成两个分离的部分第一，通过计算FFT从信号的头部采集抗坏血酸维生素C支配信号的信息，并且考虑在不同频率下的傅立叶变换数值的各种实部和虚部的适当组合；第二，通过计算在0Hz的傅立叶变换从信号的尾部采集抗坏血酸维生素C和葡萄糖组合信息，有效地检测信号尾部的DC分量；以及，●使用于最终产生的电流信号的各种性能有关的多种参数来构成一个线性评估值。在设计一个线性评估值的结果是在各个参数中所包含的信息都是加权的，采用这种方法，可以减小在由评估值方程式所计算的葡萄糖浓度和在血液样本中所实际存在的葡萄糖浓度之间的RMS误差。
因此，一个线性评估值可以采用以下方法构成●评估值的第一个参数选择由YTail给定信号尾部的第一FFT系数的实部(即对应于0Hz)；●第二个参数选择由Yheadr(0)给定信号头部的第一FFT系数的实部(即对应于0Hz)；在所有采用实部信号的情况下，0Hz的傅立叶分量的虚部始终为0；因此，就没有使用这一参数；●第三个参数选择由Yheadr(0.048)给定信号头部的第二FFT系数的实部(即对应于0.048Hz)；以及，●第四个参数选择由Yheadi(0.048)给定信号头部的第二FFT系数的虚部(即对应于0.048Hz)；以及，●后续其它参数可以通过在FFT数值的实部和虚部之间的变更来选择，该FFT数值可以适用于在信号头部中的连续较高频率分量直至根据步骤205所能够达到的最大数字。这里，可以通过使用随机交叉确认方法来发现提供最低RMS的参数数字，以此识别在构成线性评估值中所要使用参数的最佳数字，正如以上所讨论的(见图18)。
于是，在该实例中，采集了一组53个数据点，它可对应于葡萄糖和抗坏血酸维生素C浓度的集中不同组合。在图17所示的笛卡尔坐标系统中画出了浓度组合的数据点123。随后将该平面分成为由虚线栅格121所示的4部分。总的数据集可大致分成为两个子集，其中，一个子集用于训练评估值(即，一个子集用于确定与在线性评估值中的各个参数有关加权)以及另一子集用于测试新近构成的评估值的性能。
在该平面4个部分的各个部分中，可以随机选择一半的点作为训练点，二另一半的点可以作为测试点。使用该栅格，可以确保个随机部分在总的数据集中能够更佳均匀地分布，从而减小某些随机选择的训练子集的突出，从而导致较差的训练评估值。
使用两个参数的线性评估值，即，一种使用YTail和Yheadr(0)的结构，可以根据线性评估值理论使用训练集中的数据来计算参数的相关加权(步骤230)。新近构成的评估方程式可随后用于评估其余测试子集中的葡萄糖浓度(步骤235)。在计算所评估的RMS误差与实际浓度之后，就可以从同样的总的数据集中选择训练和测试数据的不同随机子集。这些步骤可以重复1000次，其中，每次都可以选择一个不同的子集作为训练集和测试集。至此，可以计算1000次的平均RMS。对每一个参数都重复这一处理过程，将一个参数叠加在每次迭代的线性评估值上。
图18显示了随机分析方法的典型结果的示意图，该图沿着X轴画出在评估值中所使用的参数数量，而在Y轴上是每次的平均RMS。可以看到，一般来说，随着参数数量的增加，RMS一般是减小的。然而，超过了参数的一定数量之后，RMS就会增加，这表明在评估值中使用了太多的参数，从而构成了较差的健壮性，因此也构成更具有误差倾向的评估方程式。于是，通过选择对应于最小RMS数值的参数数量，就能够确保在构成评估值方程式中使用最佳数量的参数。
正如图18所示意的那样，可以看到在该实例中，4个参数的评估值是最佳的结构[葡萄糖]＝0.6Yheadr(0)-7.9Yheadr(0.048)+2.4headi(0.048)+38.1YTail式中Yheadr(f)和Yheadi(f)分别是测试信号头部在频率f上的傅立叶变换的实部和虚部；以及Ytail是信号尾部的0Hz傅立叶变换分量的实部。
使用该方程式，就可以测试与葡萄糖和抗坏血酸维生素C浓度相混合的各种血液样本。血液样本可以采用已知数量的葡萄糖和抗坏血酸维生素C来制备。图19显示了通过使用以上[葡萄糖]方程式计算的评估葡萄糖浓度，与样本的实际葡萄糖浓度，在该样本中也包含了作为干扰的各种不同浓度的抗坏血酸维生素C。
线149表示了实际葡萄糖浓度。空白圆圈是在具有1mM的背景抗坏血酸维生素C浓度的样本中测量到的。黑色圆圈是是在具有3mM的背景抗坏血酸维生素C浓度的样本中测量到的。空白方块是在具有4mM的背景抗坏血酸维生素C浓度的样本中测量到的。
于是，对于包含葡萄糖和高浓度抗坏血酸维生素C的血液样本来说，评估方程式能够成功地抑制抗坏血酸维生素C的信号以及可选择性测量信号中的葡萄糖部分。
图20显示了用于实现以上所讨论的各种方法的一种葡萄糖测量仪的说明实施例。该测量仪包括一个测试带连接器300，以将测试带连接着测量仪。该测试带可以包括例如，三个电极(工作、参考和计数)。
信号条件电路302与测试带连接器300相耦合，并且对施加在测试带中电极的波形进行滤波。信号条件电路304对测试带所产生的电流信号进行滤波，并记录该电流信号。电路302和304一起构成了众所周知的恒电势电路。DAC306将控制器310的数字信号转换成模拟信号。ADC308将模拟信号转换成数字格式以备控制器310使用。控制器310处理仪表中的信号，例如，采用在以上图6和图14所示的说明实施例中所讨论的方法来处理测试带连接器所检测到的电流信号。
按钮312提供了一个用户界面，适用于用户操作仪表。电源电路314向仪表提供电源，通常是采用电池方式，以及LCD316向用户显示葡萄糖的浓度。
应该注意的是，在图20所示的仪表格式，以及本文图5-19中所讨论的信号处理系统和方法，等都可以用于检测非葡萄糖的分析物。这类应用可以包括电化学免疫测定测试，工业气体监测(例如，在抑制氢气干扰的同时氰化物的监测)，水质量的监测(微生物或者有毒物质)，化学和生物战争所使用的试剂的监测。
本文所讨论的信号处理技术也同样适用于现有的监测器件，例如，现有的葡萄糖测试仪。这一改进可以采用升级现有控制器的固件方式来实现。目前所使用的控制器实例包括日立H8/3887，德州仪器3185265-F，SierraSC84036CV，Amtel S5640 ASIC，NEC FTA-R2 ACIC，日立H8/3847，松下MN101C097KB1，ASIC(围绕着Intel 8051构成的)，等等。
固件升级的功能可实现以下所讨论的信号处理技术1)向样本施加一个定制的波形。编码波形形状的数据可驻留在存储器中，微处理器可以读取该数据，并且可以产生所需的波形以及施加到数字模拟转换器，例如，图20所示的DAC 306。
2)读取所产生的电流信号。固件将指令微处理器，从模拟数字转换器中读取数字化数据(从测试带电极中监测)，例如，图20所示的ADC 308，并且将数字化数据存储于存储器。该固件将执行需要读取所需数据的存储器管理。
3)执行数学运算以实现信号处理。这一步骤包括根据固件指令来计算参数(例如，计算一指定频率分量的傅立叶系数)，以及使用在评估方程式中的这些参数的数值(例如，由图6或者图14所示方法产生的)，来确定葡萄糖的浓度。
由固件所执行的其它处理可以保留在现有的固件中，并不需要随这一不服那进行升级。例如，固件也可以控制向用户显示器结果(例如，通过LCD316显示器)，以及诸如电源管理之类的仪表其它“监测之前”的操作，诸如滚动数据、平均数据、向PC传递数据等等之类响应用户的请求。
很显然，对于本领域中的熟练技术人士来说，本发明的各种改进和变更都不背离本发明的精神和范围。例如，尽管在说明的实施例中使用了一个大的幅值的激励波形，但是也可以使用一个具有小的信号特性的激励波形来产生一个非线性的响应。
图21显示了一个这类激励波形的实例，在该实例中，施加了一个从0至600mV的台阶电势。该激励可以引起所产生的电流信号从0V的平衡数值经过例如几秒的过程变换到600mV的新的平衡数值。在这一电流的变换过程中，可以看到，在波形的部分401中，一个小的幅度电势波形(在该实例中，一个小的幅值正弦波)叠加在信号上。这就在较慢变换的电流波形的上部产生一个小的幅值电流响应。
当与所施加的正弦波电势相比较，图22所示的总的所产生的电流(即，相对较慢变换的电流叠加相对较快变换的正弦波电流)是非线性的。于是，一个大的幅值台阶电势会引起系统进入到变换状态，但是在变换状态的同时，可以施加一个小的幅值电势。
参考图22所示的电流响应，很显然，一旦在20秒施加了台阶电势，则电流信号就需要一些时间来重新平衡。在这一瞬间的重新平衡的周期中，可以施加小的幅值正弦波电势(在65秒开始)。很显然，在65秒向前，仅仅只施加了一个小的幅值信号，但是所产生的电流是非线性的，因为所产生的电流包含了多个频率分量，该实例说明了在非线性信号响应中所产生的小的幅值波形。于是，该激励波形在本文所披露的说明实施例中是十分有用的。
本发明也并不限制于使用任何特殊的激励波形、波形形状或参数。例如，在恒电势方法中，电流是所施加的激励波形，而测量电势是所使用的产生信号。也可以使用一个或多个以下非线性实例 测量和/或激励信号在时间的某些部分上的数值； 测量和/或激励信号的所有或部分的计算函数，例如
■信号在某些点上的斜率或者信号某些部分的斜率；■信号某些部分的衰减率；■信号某些部分的上升率；■信号某些部分的平均数值；■信号所有部分或者某些部分的频率变换(例如，傅立叶变换，或者小波变换)；■信号某些部分的对数；■信号某些部分的某些根(例如，平方根或者立方根)；■信号某些抬起一定电压的部分；■在信号的两个指定点之间的时间消逝(例如，在信号的峰值和谷底之间的时间)； 这些参数的组合，例如，■该信号在某些时间间隔中的衰减率除以在该时间间隔中的信号平均值；■在两个指定点之间的信号数值中的差值；■在信号的两个不同部分之间的信号斜率中的差值； 周期性激励来产生一个周期性测量信号。
另外，周期伏安法并不是提取有关反应动力学/机制和传输性能的信息的唯一方法。可以使用许多不同的电子分析技术，例如，线性扫描伏安法、方波伏安法、AC偏振器、AC阻抗光谱学、电势[位]测定法，等等。
此外，尽管上述说明的实施例主要关心的是确定一种感兴趣的分析物的浓度，例如，葡萄糖的浓度，但是，很显然，本文讨论的实施例也可以用于监测多种分析物。事实上，当构成和求解预测方程式时，就能够量化所有的分析物，即使是只向用户显示一种浓度。另外，可以采用以上所讨论的方法构成对样本中的各种分析物的预测方程式。
相对于感应电流信号来说，也可以测量非感应电流信号。例如，通过识别在样本中的离子响应所变化的电极电势所产生的感抗性电流可以作为所有或部分测量信号。
激励波形信号可以是除了随时间而变化的电压和电流之外的各种量，从而产生一个随时间变化的测量信号。这类信号包括 样本的温度
电极的旋转速率(在样本中以不同的速度变化)。
该电极的旋转可以引起样本以旋涡类型的图形运动，使得更多的分析物可以与电极相接触。改变电极旋转的时间函数是一种监测分析物的传输性能的常用方法； 光。变化光的密度可以用于变化反应的速率，以及引入不同的分析物来产生不同的信号。
同样，可以采用多个电极来同时替代一个电极，例如，采用一个电极矩阵。
从考虑本文所披露的发明细节和实现来说，对本领域的熟练技术人士来说，其它实施例也都是显而易见的。很显然，所讨论的细节和实例仅仅只是举例说明而已，本发明的实际范围主要是由以下所附的权利要求所表示。
权利要求
1.一种适用于监测具有一种干扰分析物的混合样本中的一种选择分析物的电化学方法，其改进包括向所述样本施加一个大的幅值电势激励波形，以产生一个非线性电流信号；以及，采用矢量投影法求解出在产生信号中由选择分析物所贡献的信号，在矢量投影法中，一个分析物矢量包括所选择的分析物在参考电流信号的一个或多个频率上的一个或多个傅立叶系数的多个实部和虚部。
2.一种适用于确定具有一种干扰分析物的混合样本中的一种选择分析物浓度的电化学方法，该方法包括向所述样本施加一个大的幅值电势激励波形，以产生一个非线性电流信号；测量所产生的信号；计算所产生信号的所有部分或某些部分中的至少一个参数；以及，通过根据所选择分析物和干扰分析物的各自分析矢量以及至少一个参数来求解一个预测方程式，以确定在混合样本中的选择分析物的浓度。
3.如权利要求2所述方法，其特征在于，所述预测方程式是基于一个频率上的分析物矢量。
4.如权利要求2所述方法，其特征在于，所述预测方程式是基于多个频率上的分析物矢量。
5.如权利要求2所述方法，其特征在于，所述一个或多个分析物矢量和至少一个参数都是加权的。
6.如权利要求2所述方法，其特征在于，所述分析物矢量包括至少一个参数且与激励波形和/或产生信号的不同部分有关。
7.如权利要求2所述方法，其特征在于，所述分析物矢量包括至少一个参数且与激励波形和/或产生信号的至少一个非周期部分和一个DC部分有关。
8.如权利要求2所述方法，其特征在于，所述预测方程式是基于多个从以下组合的组中选择出的至少一个参数，该组包括在一个或多个频率上的一个傅立叶系数的一个或多个实部或虚部；在一个或多个频率上的一个傅立叶系数的一个或多个加权的实部或虚部；激励波形和/或产生信号的一个或多个部分；激励波形和/或产生信号的一个或多个周期部分；激励波形和/或产生信号的一个或多个非周期部分；以及，激励波形和/或产生信号的一个或多个DC部分。
9.如权利要求2所述方法，其特征在于，所述预测方程式基于至少一个可平衡性能和健壮性的参数的选择数量。
10.如权利要求2所述方法，其特征在于，所述选择性分析物是葡萄糖。
11.如权利要求10所述方法，其特征在于，所述干扰分析物是抗坏血酸维生素C。
12.一种装置，包括一个电势电路，适用于向一个电极系统施加一个电压波形以及检测该电极系统所产生的电流；至少一个具有程序指令的存储器和一个构成可执行程序指令的处理器，该处理器可执行的操作向所述样本施加一个大的幅值电势激励波形，以产生一个非线性电流信号；测量所产生的信号；计算所产生信号的所有或某些部分的至少一个所需频率分量的傅立叶系数；以及，基于所选择分析物和干扰分析物各自的分析物矢量，通过使用至少一个傅立叶系数来求解一个预测方程式，确定在混合样本中所选择分析物的浓度。
13.一种适用于构成监测具有一种干扰分析物的混合样本中的一种选择分析物的预测方程式的方法，该方法包括选择一个大的幅值电势激励波形，以在施加样本时可产生一个非线性电流信号；向包含选择和干扰分析物各自单独多种不同浓度的样本施加波形，并测量所产生的参考电流信号；计算各个参考电流信号各自的傅立叶变换的实部和虚部的数值；画出在多个频率下的各个频率的傅立叶变换系数的实部和虚部数值；选择多个频率中的一个频率，在该频率下，实部和虚部可以在相位角呈现出相对较大的差异；计算在所选择的一个频率下的所选择和干扰分析物各自的分析物矢量；以及，根据分析物矢量和校正曲线构成预测方程式，其中，校正曲线表示可在样本中的各个分析物的浓度与在复平面上的各个分析物矢量的长度有关。
14.如权利要求13所述方法，其特征在于，所述波形是基于理论和/或实验因素选择的。
15.如权利要求14所述方法，其特征在于，所述实验因素反应了所选择和/或干扰分析物的一种或多种反应动力学、反应机制和传输性能。
16.如权利要求13所述方法，其特征在于，所述波形是基于确定所选择和/或干扰分析物将氧化或还原的电势的周期伏安法来选择的。
17.如权利要求13所述方法，其特征在于，所述波形具有大于50mV的变化。
18.如权利要求13所述方法，其特征在于，所述波形或者所述波形的某些部分具有基于所选择和/或干扰分析物的一种或多种反应动力学、反应机制和传输性能的变化选择速率。
19.如权利要求13所述方法，其特征在于，所述波形可选择产生随所选择和/或干扰分析物的电化学反应而出现的感应电流。
20.一种适用于构成监测具有一种干扰分析物的混合样本中的一种选择分析物的预测方程式的方法，该方法包括选择一个大的幅值电势激励波形，以在施加样本时可产生一个非线性电流信号；选择所述电流信号的信号性能，以便于作为参数使用；向包含选择和干扰两种分析物的不同浓度的样本施加波形，并测量所产生的参考电流信号；计算各个参考电流信号各个参数的数值；构成作为一个线性评估值的预测方程式，它可以具有由计算数值所选择数量的参数，并具有足够的精度来评估样本中选择分析物的浓度。
21.如权利要求20所述，其特征在于，所述参数包括一个或多个适用于电流信号的所有或者一个部分或者多个部分，在一个或多个频率下的傅立叶系数的一个或多个实部或虚部；所述电流信号的斜率；所述电流信号的某些部分的上升或衰减速率；在所述电流信号中产生峰值的电势；以及，在所述电流信号中的峰值数值。
22.如权利要求20所述方法，其特征在于，构成一个线性评估值包括确定所述参数的选择数量，以及随后选择所述具有选择数量的参数的线性评估值，它可以呈现出一个指定程度的性能。
23.如权利要求20所述方法，其特征在于，构成所述线性评估值包括随机交叉确认处理过程的使用。
24.如权利要求20所述方法，其特征在于，构成所述线性评估值包括确定具有一个根均方处理的足够精度。
25.如权利要求20所述方法，其特征在于，构成所述线性评估值包括选择呈现出所需性能的评估值。
26.如权利要求20所述方法，其特征在于，构成所述线性评估值包括基于一个最低评估误差来选择最佳数量的参数。
27.一种适用于确定具有一种干扰分析物的混合样本中的一种选择分析物浓度的电化学方法，该方法包括向所述样本施加一个激励波形，以产生一个非线性信号；测量所述产生的信号；计算所述产生信号的所有或者某些部分的至少一个参数；以及，通过基于所选择和干扰分析物的分析物矢量和至少一个参数来求解预测方程式，以确定在所述混合样本中所选择分析物的浓度。
28.如权利要求27所述方法，其特征在于，所述至少一个参数是一个频域参数和/或一个时域参数。
29.如权利要求27所述方法，其特征在于，所述至少一个参数和/或分析物矢量是加权的。
30.如权利要求27所述方法，其特征在于，所述激励波形是一个电势或一个电流的波形。
31.如权利要求27所述方法，其特征在于，所述分析物矢量和所述至少一个参数与所述产生信号和/或激励波形的不同部分有关。
32.如权利要求27所述方法，其特征在于，所述至少一个参数包括一个或多个所述产生信号和/或激励波形(下文简称之“信号”)在时间某些点上的数值；计算所述信号的所有或者某些部分的函数，包括一个或多个所述信号一点上的斜率或所述信号某些部分的斜率；所述信号的某些部分的衰减率；所述信号的某些部分的上升率；所述信号的某些部分的平均数值；所述信号的所有或某些部分的频率变换；所述信号的某些部分的运算；所述信号的某些部分的一些根；所述信号的某些部分提升一些电源；在所述信号的两个指定点之间的时间流逝；所述参数的组合，包括一个或多个所述信号在时间的某些时间间隔的衰减速率除以所述信号在该时间间隔的平均数值；在两个指定点之间的信号数值上的差异；以及，在所述信号的两个不同部分之间的信号斜率上的差异。
33.如权利要求27所述方法，其特征在于，所述分析物是一种或多种葡萄糖、酶、过氧化氢、催化剂、铁氰化物、二茂(络)铁、亚铁氰化物、抗坏血酸维生素C、尿酸、对乙酰氨基酚和多巴胺。
34.如权利要求27所述方法，其特征在于，所述方法包括监测多种分析物。
35.如权利要求27所述方法，其特征在于，所述施加波形和产生信号是采用一个趋电性电路或恒电势电路来实现的。
36.如权利要求27所述方法，其特征在于，所述至少一个参数的选择是基于一个或多个所述分析物矢量的分离；在所述产生信号中的噪声；以及，所述产生信号对所述分析物浓度的灵敏度。
37.如权利要求27所述方法，其特征在于，所述预测方程式还基于校正曲线。
38.如权利要求27所述方法，其特征在于，所述至少一个参数的选择是基于一个或多个周期性伏安法；线性扫描伏安法；平方伏安法；AC极谱法；以及，AC阻抗光谱学。
39.如权利要求27所述方法，其特征在于，所述激励波形是一个电流，以及所述产生信号是一个电势。
40.如权利要求27所述方法，其特征在于，所述预测方程式是一个线性评估值。
41.如权利要求27所述方法，其特征在于，所述预测方程式的选择是基于采用一个或多个均方根(RMS)、调节的RMS、变化和标准偏差所确定的一个预测误差。
42.如权利要求27所述方法，其特征在于，所述干扰分析物向所述产生信号贡献一个容抗性电流。
43.如权利要求27所述方法，其特征在于，所述激励波形施加一个或多个电极。
44.一种适用于确定在具有一种干扰分析物的混合样本中的分析物浓度的方法，该方法包括向所述样本施加一个激励波形，以产生一个非线性信号；测量所述产生的信号；计算所述产生信号的所有或某些部分的至少一个参数；以及，通过基于所述分析物的各个分析物矢量和至少一个参数来求解一个预测方程式，以确定在所述混合样本中的所述分析物的浓度。
全文摘要
本发明提供了一种适用于通过数字信号处理技术来提高传感器的选择性和产量的系统和方法。根据所说明的实施例，在适用于监测在具有一种干扰分析物的混合样本中的一个选择分析物的电化学方法中，提供了一种改善方法，该改善方法包括向样本施加一个大的幅值电势激励波形，以产生一个非线性电流信号；采用矢量投影方法求解出在所产生信号中由选择分析物所贡献的信号，在矢量投影方法中，一个分析物矢量可以包括所选择分析物在参考电流信号的一个或多个频率下的一个或多个傅立叶系数的多个实部和虚部。
文档编号G01N27/49GK1615434SQ03802181
公开日2005年5月11日 申请日期2003年1月15日 优先权日2002年1月15日
发明者S·G·艾英加, D·哈斯, C·宝隆 申请人:埃葛梅崔克斯股份有限公司