建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法与流程

本发明属于生物组织参数检测领域，具体涉及一种建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法。

背景技术：

在利用近红外光谱进行血糖检测的方法中，需通过采集到的被测部位的近红外光谱，应用主成分分析法以及化学计量学等手段，建立被测组织组分与光谱学特征的对应关系，即数学模型，才能够实现对血糖的无创检测。近红外光谱分析常用的化学计量学方法为多元校正法，主要包括多元线性回归、主成分回归、偏最小二乘法等。

目前，运用偏最小二乘法进行近红外光谱数学模型分析多运用于农林业领域，如中国专利201510176830.4公开了一种基于近红外光谱的热处理木材材色的数学模型及检测方法，其建立了一种数学模型可以对热处理木材的材色进行在线检测，但该模型不能用于检测生物组织葡萄糖浓度。

张洪艳在其博士论文《近红外光谱技术在人体血糖无创检测中的应用研究》中提出了葡萄糖溶液的近红外透射光谱的建模结果，该模型对于近红外无创血糖透射式检测有一定的指导意义。但目前透射式的检测部位均为组织成分复杂的非优良光学介质，如耳垂、手指或手掌等。因此，该文章中的透射式建模结果并不适合于人眼内虹膜反射的近红外光谱的检测。针对眼内房水近红外光谱而建立的葡萄糖浓度预测数学模型还未见报道。

技术实现要素：

本发明的目的在于提供一种建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法，克服了现有方法无法完成人眼虹膜反射近红外光谱葡萄糖含量预测的问题。

实现本发明目的的技术解决方案为：一种人眼房水中葡萄糖含量近红外光谱预测数学模型的建立，包括如下步骤：

步骤1：建立人造前房模型，将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为校正集。

步骤2：应用近红外光谱仪从校正集中采集人造前房模型中返回的包含人造房水溶液内葡萄糖含量信息的近红外光谱数据。

步骤3：对测得的近红外光谱数据进行预处理。

步骤4：对预处理后的近红外光谱数据利用偏最小二乘法将人造房水溶液中实际葡萄糖含量与经光谱预处理后的人造房水溶液的近红外光谱数据相关联，运用完全交互检验验证法对所建模型的拟合及预测能力进行评价，从而建立起基于近红外光谱信息的人眼中葡萄糖含量的预测数学模型。

所述步骤1中人造前房模型包括有机玻璃接触镜和石英平板，有机玻璃接触镜模仿角膜，石英平板模仿虹膜，在有机玻璃接触镜和石英平板间填充调配好的人造房水溶液。

为了使建立的人造前房模型准确的反映真实的人眼情况，步骤1中的人造前方模型中接触镜和石英平板间填充的人造房水溶液体积为50～80μL，从石英平板的内表面到接触镜的内表面距离为3.00～3.35mm。步骤1中人造房水溶液以0.9％的生理盐水为基底，并且保证其pH值与真实房水一样均为8，保证各组分物质浓度的协方差为0。

为了保证校准集中葡萄糖浓度覆盖较宽的范围，步骤1中调配人造房水训练集葡萄糖浓度为1～30mmol/L，浓度间隔为1mmol/L。

步骤2所述的近红外光谱条件为：测样方式为反射，光谱扫描范围为1500～1800nm，分别率为2nm，对样品集中的每一个样品重复扫描三次，取平均值作为样品光谱。

步骤3中预处理包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理，所述预处理选取的谱区范围为1500～1800nm，17点平滑处理，4个主成分数。

本发明与现有技术相比，其显著优点：

(1)构造人造前房模型，并利用化学编码方法调配不同葡萄糖浓度的人造前房溶液，用以作为数学模型的校正集样本，更加真实地模拟出了实际测试中的光束动向，更加符合运用该数学模型的实际检测条件。

(2)运用偏最小二乘法构建预测的数学模型，利用完全交互检验验证方法对模型的拟合和预测能力的评价，极大程度地保证了本发明中数学模型的精度，为后续预测未知葡萄糖浓度的活体人眼房水近红外光谱提供了精度保障。

(3)本发明提供的建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法，模型校正集浓度范围广，精度高，在房水葡萄糖浓度检测过程中具有快速、 准确和高效的特点。

附图说明

图1为本发明的建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法的流程图。

图2为本发明的建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法的人造前房模型图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

结合图1和图2，一种建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法，包括如下步骤：

步骤1：建立人造前房模型，将人造房水溶液灌入人造前房模型，将填充了人造房水溶液的人造前房模型作为校正集。

所述步骤1中人造前房模型包括有机玻璃接触镜和石英平板，有机玻璃接触镜模仿角膜，石英平板模仿虹膜，在有机玻璃接触镜和石英平板间填充调配好的人造房水溶液。有机玻璃接触镜和石英平板间填充的人造房水溶液体积为50～80μL，从石英平板的内表面到有机玻璃接触镜的内表面距离为3.00～3.35mm。

其中人造房水溶液以0.9％的生理盐水为基底，人造房水溶液的pH值为8，葡萄糖浓度为1～30mmol/L，浓度间隔为1mmol/L，各组分物质浓度的协方差为0。

步骤2：应用近红外光谱仪从校正集中采集人造前房模型中返回的包含人造房水溶液内葡萄糖含量信息的近红外光谱数据。

近红外光谱仪的采样方式为反射，光谱扫描范围为1500～1800nm，分辨率为2nm，对校正集中的每一个样品重复扫描三次，取平均值作为样品近红外光谱。

步骤3：对测得的近红外光谱数据进行预处理，预处理包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理，所述预处理选取的谱区范围为1500～1800nm，17点平滑处理，4个主成分数。

步骤4：对预处理后的光谱数据利用偏最小二乘法将人造房水溶液中实际葡萄糖含量与经光谱预处理后的人造房水溶液的近红外光谱数据相关联，并利用完全交互检验验证方法对模型的拟合和预测能力的评价，从而建立起基于近红外光 谱信息的人眼中葡萄糖含量的预测数学模型。

偏最小二乘法能够在自变量存在严重多重相关性的条件下进行回归建模，并且更易于辨识系统信号和噪声。本发明中主要采用偏最小二乘法进行人眼房水葡萄糖浓度校正模型的建立。采用偏最小二乘法进行建模分析时，其原理可分为两步：矩阵分解和线性回归。首先对光谱矩阵X和浓度矩阵Y进行分解，即分解为得分矩阵和载荷矩阵的乘积，并加上一个残差矩阵：

X＝TP+E

Y＝UQ+F

式中，T为X矩阵的得分矩阵，U为Y矩阵的得分矩阵，P为X矩阵的载荷矩阵，Q为Y矩阵的载荷矩阵，E为X矩阵的偏最小二乘拟合残差矩阵，F为Y矩阵的偏最小二乘拟合残差矩阵。

第二步是将T和U矩阵作线性回归：

U＝TB

B＝(T^TT)^-1T^TY

由此，我们便可构建出运用关联矩阵B来实现光谱矩阵和浓度矩阵的关联关系。在进行未知浓度预测时，首先根据其光谱矩阵X和载荷矩阵P求出未知样品光谱矩阵X_未知的得分矩阵T_未知，然后根据上式得到浓度预测值：

Y_未知＝T_未知BQ

因此，PLS建模方法在对光谱矩阵X进行信息综合时，既考虑了最好地概括X的信息，其所提取的成分对浓度矩阵Y又有最好地解释性。经过信息筛选，自然排除了对Y矩阵没有解释作用的噪声因素，同时也能克服多重相关性对建立数学模型的影响。

对模型的拟合和预测能力的评价，本发明采用完全交互检验验证的方法。即：人造房水样本集中每次选取一个样品，从样本集中剔除该样品的光谱数据，使用剩余的样品建立新的校正集数学模型，然后预测被剔除的样品，得到该样品的预测值，与参考值的差即为预测误差。如此依次循环计算，直到人造房水样品集中所有的样本都被剔除一次且只被剔除一次，得到预测误差，接着计算所有样品的预测误差的均方根，最终得到整个模型的预测精度。由于在上述计算过程中被预测的样品没有参加建立数学模型，因此该方法能够客观地估计模型的实际预测能力。

通常采用相关系数R、参与建模的校正集样本的标准偏差(RMSEC)和不参与建模的预测样本的标准偏差(RMSEP)作为评价数学模型质量的主要指标，计算公式如下：

式中，通过校正数学模型预测得到的人造房水溶液葡萄糖含量值，y_i为配制的人造房水溶液葡萄糖含量的真实值，n_c为校正集的样本个数、n_P为预测集的样本个数。RMSEC为校正数学模型对参与建模的人造房水样本进行预测所得到的均方根误差；RMSEP为校正数学模型对预测样本进行预测所得到的均方根误差，表示建立的数学模型用于预测时，预测值与真实值的平均误差。这两组参数分别用来评价模型的拟合能力和预测能力。相关系数R越接近1，并且RMSEC值和RMSEP值越小，说明数学模型的预测精度越高。

实施例1

结合图1和图2，一种建立人眼房水葡萄糖含量近红外光谱预测数学模型的方法，包括如下步骤：

步骤1：建立人造前房模型，将人造房水溶液灌入人造前房模型，将填充了人造房水溶液的人造前房模型作为校正集。

所述步骤1中人造前房模型包括有机玻璃接触镜和石英平板，有机玻璃接触镜模仿角膜，石英平板模仿虹膜，在有机玻璃接触镜和石英平板间填充调配好的人造房水溶液。有机玻璃接触镜和石英平板间填充的人造房水溶液体积为60μL，从石英平板的内表面到有机玻璃接触镜的内表面距离为3.13mm。

其中人造房水溶液以0.9％的生理盐水为基底，人造房水溶液的pH值为8，葡萄糖浓度为1～30mmol/L，浓度间隔为1mmol/L，各组分物质浓度的协方差为0。为了保证校准集中葡萄糖浓度覆盖较宽的范围，各物质的浓度如表1所示。

表1 人造房水溶液中各物质浓度(mg/dL)

步骤2：应用近红外光谱仪从校正集中采集人造前房模型中返回的包含人造房水溶液内葡萄糖含量信息的近红外光谱数据。

近红外光谱仪的采样方式为反射，光谱扫描范围为1500～1800nm，分辨率为2nm，对校正集中的每一个样品重复扫描三次，取平均值作为样品近红外光谱。

步骤3：对测得的近红外光谱数据进行预处理，预处理包括噪声滤除、归一化处理、数据筛选、光谱范围的优化选择、中心化及标准化处理，所述预处理选取的谱区范围为1500～1800nm，17点平滑处理，4个主成分数。

步骤4：对预处理后的光谱数据利用偏最小二乘法将人造房水溶液中实际葡萄糖含量与经光谱预处理后的人造房水溶液的近红外光谱数据相关联，并利用完全交互检验验证方法对模型的拟合和预测能力的评价，从而建立起基于近红外光谱信息的人眼中葡萄糖含量的预测数学模型。

表2 偏最小二乘法建模结果

本发明应用偏最小二乘法将已知的人造房水葡萄糖浓度结果与经光谱预处理过的样品近红外光谱数据相关联而建立起来的，并利用完全交互检验验证的方法对对模型的拟合和预测能力进行评价。表2给出了偏最小二乘法建模结果，其结果表明，在1500～1800nm波段范围内，当主成分数为4时，所建立的校正数学模型的校正集相关系数R为0.998842，校正集均方根误差RMSEC为0.417216，交互验证集均方根RMSEP为1.011209，本发明可以满足对未知葡萄糖浓度房水样品进行检测的精度要求。