从使用训练的机器学习模型处理的光谱数据非侵入性地确定对象中感兴趣的生理状态制造技术

在不直接参考对象的分析物的情况下确定对象感兴趣的生理状态的方法、系统和技术。将光引导到对象的身体部位，使得光穿过身体部位的血液和间质液或被其反射。入射到身体部位上的光包括来自近红外和可见光谱中的至少一者的波长范围。在光已经穿过身体部位以及被身体部位反射的其中之一或两者之后，测量光的光谱，并且光谱包括波长范围。确定对象是否处于感兴趣的生理状态涉及使用训练的机器学习模型来处理测量的光谱。用代表感兴趣的生理状态的参考光谱来训练该机器学习模型。的参考光谱来训练该机器学习模型。的参考光谱来训练该机器学习模型。

【技术实现步骤摘要】
【国外来华专利技术】从使用训练的机器学习模型处理的光谱数据非侵入性地确定对象中感兴趣的生理状态
[0001]相关申请的交叉引用
[0002]本申请要求2021年2月12日提交的美国临时专利申请号63/149,199，标题为“非侵入性地确定对象感兴趣的生理状态”和2021年7月5日提交的美国临时专利申请号63/218,477，标题为“非侵入性地确定对象感兴趣的生理状态”的优先权，两者的全部内容通过引用并入本文。


[0003]本公开涉及用于从使用训练的机器学习模型处理的光谱数据非侵入性地确定对象中感兴趣的生理状态的方法、系统和技术。

技术介绍

[0004]可以通过使用各种测量工具测量一系列代谢参数来建立对象的生理状态。例如，Haslacher H等人(2017,PLoS ONE 12(5):e0177174.doi.org/10.1371/journal.pone.0177174)教导了测量12种血液成分以预测老年对象的身体能力。然而，分析需要血液样本，并且使用一系列技术测量各种血液成分，包括光度法、酶法、酶比色法、ELISA等。

技术实现思路

[0005]根据第一方面，提供了一种非侵入性地确定对象中感兴趣的生理状态的方法，包括：(a)使身体部位与受体接触；(b)引导波长范围内的电磁辐射(EMR)源通过受体并到达身体部位，使得EMR到达身体部位内的血液和间质液；(c)用检测器测量被身体部位的血液和间质液吸收、反射或透射的EMR，以获得波长范围内的光谱；(d)使用算法执行光谱的定量数学分析，以确定身体部位的血液和间质液中的两种或多于两种分析物的量，其中，两种或多于两种分析物包括身份未知并且被观察到响应于感兴趣状态而改变的多个幽灵分析物，其中，感兴趣状态是对象的损伤或中毒；(e)将两种或多于两种分析物的量与两种或更多种分析物的参考值进行比较，以导出生化指标；以及(f)分析生化指标以确定对象中感兴趣的生理状态。
[0006]在引导步骤中，可以在从约400nm到约2500nm的波长范围内提供EMR源。
[0007]对象中感兴趣的生理状态可以选自一组由大麻、酒精、大麻和酒精的组合、鸦片制剂、芬太尼、安非他命、苯环利定、镇静剂、抗焦虑药、可卡因、咖啡因和尼古丁消费引起的中毒。
[0008]感兴趣的生理状态可以是i)大麻诱导的中毒，并且两种或多于两种的分析物选自以下组：delta
‑9‑
四氢大麻酚(THC)、THC葡萄糖醛酸苷(THCGlu)、11
‑
去甲
‑9‑
羧基
‑
THC(THC
‑
COOH)、11
‑
羟基THC(11
‑
OH
‑
THC)、THC
‑
COOH/11
‑
OH
‑
THC比率、11
‑
去甲
‑9‑
羧基
‑
THC葡萄糖醛酸苷(THC
‑
COOGlu)、大麻二酚(CBD)、美人蕉醇(CBN)、大麻酚(CBG)、delta
‑9‑
四氢大
麻酚(THCV)、THCV
‑
羧酸、11
‑
去甲
‑9‑
羧基
‑
delta
‑
四氢大麻酚(THCV
‑
COOH)、总蛋白、胆红素、催乳素、甘油三酯、肌酐、皮质醇、葡萄糖、乳酸、总4、尿酸、血尿素氮(BUN)、血糖、钙、离子钙、镁、钠、磷酸盐和GABA；ii)酒精诱导的中毒，并且两种或多于两种的分析物选自醇、醛、乳酸；或iii)由大麻、酒精、鸦片制剂、芬太尼、安非他命、苯环利定、镇静剂、抗焦虑药、可卡因、咖啡因和尼古丁的消费引起的中毒，则两种或多于两种的分析物可包括：delta
‑9‑
四氢大麻酚(THC)，THC葡萄糖醛酸苷(THCGlu)、11
‑
去甲
‑9‑
羧基
‑
THC(THC
‑
COOH)、11
‑
羟基THC(11
‑
OH
‑
THC)、THC
‑
COOH/11
‑
OH
‑
THC比率、11
‑
去甲
‑9‑
羧基
‑
THC葡萄糖醛酸苷(THC
‑
COOGlu)、大麻二酚(CBD)、美人蕉醇(CBN)、大麻酚(CBG)、delta
‑9‑
四氢大麻酚(THCV)、THCV
‑
羧酸、11
‑
去甲
‑9‑
羧基
‑
delta
‑
四氢大麻酚(THCV
‑
COOH)、白蛋白、载脂蛋白A1和B(载脂蛋白A1和载脂蛋白B)、总蛋白、胆红素、催乳素、甘油三酯油酸酯、肌酐、皮质醇、葡萄糖、乳酸、总4、尿酸、血尿素氮(BUN)、血糖、钙、离子钙、镁、钠、磷酸盐、GABA、酒精、醛和乳酸。
[0009]在分析步骤(步骤f)中，可以通过处理代表生化指标并已从多个对象获得的多个数据集来确定对象中感兴趣的生理状态，交叉验证多个数据集，并训练一个或多个深度神经网络、支持向量机、卷积神经网络和广义加性模型，以开发包括一个或多个算法的模型，该算法用于识别与感兴趣的生理状态的状态相关联的分析物集，并且模型可以用于分析对象的生化指标以确定对象中感兴趣的生理状态。
[0010]可以使用不同的数据集对模型进行迭代训练和验证，以产生验证模型。验证模型可以包括一个或多个用于识别与感兴趣的生理状态的状态相关联的分析物集的算法，并且该模型可以用于分析对象的生化指标以确定对象中感兴趣的生理状态。
[0011]根据另一方面，提供了一种非侵入性地确定对象中感兴趣的生理状态的方法，包括：(a)确定对象的一个或多于一个生理参数；(b)使身体部位与受体接触；(c)引导波长范围内的电磁辐射(EMR)源通过受体并到达身体部位，使得EMR到达身体部位内的血液和间质液；(d)用检测器测量被身体部位的血液和间质液吸收、反射或透射的EMR，以获得波长范围内的光谱；(e)使用算法执行光谱的定量数学分析，以确定身体部位的血液和间质液中的两种或多于两种分析物的量，其中，两种或多于两种分析物包括身份未知并且被观察到响应于感兴趣状态而改变的多个幽灵分析物，其中，感兴趣状态是对象的损伤或中毒；(f)将两种或多于两种分析物的量与两种或更多种分析物的参考值进行比较，以导出生化指标；以及(g)分析用于确定对象中感兴趣的生理状态的生化指标和一个或多于一个生理参数。
[0012]在引导步骤中，可以在从约400nm到约2500nm的波长范围内提供EMR源。
[0013]对象感兴趣的生理状态可以选自一组由大麻、酒精、大麻和酒精的组合、鸦片制剂、芬太尼、安非他命、苯环本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：(a)将光引导到对象的身体部位，使得所述光穿过所述身体部位的血液和间质液或被所述血液和间质液反射，其中，入射到所述身体部位上的所述光包括来自近红外和可见光谱中的至少一者的波长范围；(b)在所述光已经穿过所述身体部位以及被所述身体部位反射的其中之一或两者之后，测量所述光的光谱，其中，所述光谱包括所述波长范围；以及(c)在不直接参考所述对象的分析物的情况下确定所述对象是否处于感兴趣的生理状态，其中，所述确定包括使用训练的机器学习模型来处理所测量的光谱，并且其中，用代表所述感兴趣的生理状态的参考光谱来训练所述训练的机器学习模型。2.根据权利要求1所述的方法，其中，入射到所述身体部位上的所述光包括来自所述近红外和可见光谱两者的波长范围。3.根据权利要求1或2所述的方法，其中，在已经穿过所述身体部位的所述光上测量所述光谱。4.根据权利要求1至3中任一项所述的方法，其中，在已经穿过所述身体部位并且已经被所述身体部位反射的所述光上测量所述光谱。5.根据权利要求4所述的方法，其中，所测量的光谱包括亮参考样本、暗参考样本、所述对象的亮样本和所述对象的暗样本，并且其中，比较包括使用所述亮参考样本、所述暗参考样本、所述对象的所述亮样本和所述对象的所述暗样本来校正传感器偏差。6.根据权利要求1至5中任一项所述的方法，进一步包括：在使用所述训练的机器学习模型来处理所述测量的光谱之前，从所述测量的光谱中去除离群值并生成所述测量的光谱的平均中心版本。7.根据权利要求6所述的方法，进一步包括：在使用所述训练的机器学习模型来处理所述测量的光谱之前：(a)将多个变换应用于所述测量的光谱的所述平均中心版本，其中，所述变换选自由以下组成的组：标准正态变量(SNV)、乘法散射校正(MSC)、L1归一化(L1N)、L2归一化(L2N)、Savitzky
‑
Golay平滑(SGS)、卷积平滑(CS)和信号导数(SD)；(b)评估所述多个变换中的每一个变换对所述测量的光谱的所述平均中心版本的性能；以及(c)从所述评估的结果中选择变换光谱，其中，所述变换光谱是所述测量的光谱的所述平均中心版本的变换版本。8.根据权利要求7所述的方法，进一步包括选择至少一个波长范围，其是所述变换光谱的总波长范围的子集，并且其中，使用所述机器学习模型来处理所述变换光谱。9.根据权利要求8所述的方法，进一步包括将所述变换光谱分解成潜在空间分量，并且其中，使用所述训练的机器学习模型来处理所述变换光谱包括使用所述机器学习模型的相应实例来处理所述潜在空间分量。10.根据权利要求1至9中任一项所述的方法，其中，所述机器学习模型包括神经加性模型。11.根据权利要求1至10中任一项所述的方法，其中，所述机器学习模型包括人工深度神经网络。
12.根据权利要求1至11中任一项所述的方法，其中，所述机器学习模型包括卷积神经网络。13.根据权利要求1至7和10至12中任一项所述的方法，进一步包括将所述变换光谱分解成潜在空间分量，并且其中，使用所述训练的机器学习模型来处理所述测量的光谱包括使用所述机器学习模型的相应实例来处理所述潜在空间分量。14.根据权利要求9或13所述的方法，其中，通过应用偏最小二乘法或主分量分析来生成所述潜在空间分量。15.根据权利要求1至13中任一项所述的方法，其中，所述确定包括接收灵敏度目标和特异性目标，以及根据所述灵敏度目标和特异性目标输出所述感兴趣的生理状态。16.根据权利要求1至15中任一项所述的方法，其中，所述感兴趣的生理状态包括所述对象是否感染了病毒。17.根据权利要求1至16中任一项所述的方法，其中，所述感兴趣的生...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：ISBRG公司，
类型：发明
国别省市：