支持向量回歸在人體血紅蛋白無(wú)創(chuàng)檢測(cè)中的應(yīng)用

袁境澤 盧啟鵬 王靜麗 丁海泉 高洪智 吳春陽(yáng) 李晚俠

摘要采用線性漸變?yōu)V光片（Linear variable filter， LVF），優(yōu)化設(shè)計(jì)高性能、便攜式的人體血液成分近紅外檢測(cè)設(shè)備，研究了支持向量回歸（Support vector regression， SVR）模型對(duì)人體血紅蛋白（Hemoglobin， Hb）的預(yù)測(cè)能力及穩(wěn)定性，以實(shí)現(xiàn)貧血疾病的無(wú)創(chuàng)診斷。無(wú)創(chuàng)采集100位志愿者食指前端光譜信息并劃分定標(biāo)集、驗(yàn)證集1和2。應(yīng)用網(wǎng)格搜索方法優(yōu)選懲罰參數(shù)與核函數(shù)參數(shù)c=5.28， g=0.33，用以建立穩(wěn)健的SVR模型。隨后，分別對(duì)驗(yàn)證集1和2中Hb水平進(jìn)行定量分析。實(shí)驗(yàn)結(jié)果表明： 預(yù)測(cè)標(biāo)準(zhǔn)偏差（RMSEP） 分別為10.20 g/L和10.85 g/L，相對(duì)預(yù)測(cè)標(biāo)準(zhǔn)偏差（RRMSEP） 為6.85%和7.48%，測(cè)量精度較高且SVR模型對(duì)不同樣品的適應(yīng)性較強(qiáng)，基本滿足臨床檢測(cè)要求?；赟VR算法自行設(shè)計(jì)的LVF型近紅外光譜檢測(cè)設(shè)備在貧血癥的無(wú)創(chuàng)診斷中有著良好的應(yīng)用前景。

關(guān)鍵詞無(wú)創(chuàng)檢測(cè)； 人血紅蛋白； 近紅外光譜； 支持向量回歸； 便攜式儀器

1引 言

人血紅蛋白（Hemoglobin， Hb）水平是臨床上用于貧血、失血等疾病診斷和分類的重要指標(biāo)[1～3]。全球約有15億人患有不同程度貧血，每年因患貧血引發(fā)各類疾病而導(dǎo)致死亡的人數(shù)過(guò)千萬(wàn)，貧血癥已成為全球性的公共衛(wèi)生問(wèn)題[4]。在貧血癥患者中，孕婦貧血會(huì)導(dǎo)致免疫力下降、產(chǎn)后感染風(fēng)險(xiǎn)增大；易造成胎兒慢性缺氧，引發(fā)早產(chǎn)、死胎等嚴(yán)重后果。妊娠期間，新生兒無(wú)法從貧血母體中獲取足夠的生血物質(zhì)是新生兒罹患貧血癥的主要原因。貧血癥將嚴(yán)重影響新生兒全身器官、骨骼的發(fā)育，引發(fā)智力發(fā)育遲緩、免疫力低下等問(wèn)題。因此，對(duì)于孕婦及新生兒的早期貧血癥的及時(shí)診斷及預(yù)防十分必要。

目前，常規(guī)Hb檢測(cè)方法存在諸多缺點(diǎn)，如需抽血，有創(chuàng)傷，尤其對(duì)于新生兒患者，血管細(xì)窄、血液含量低，抽血方法不便操作且可能加重病情；檢測(cè)周期長(zhǎng)，需要專業(yè)人員的操作。因此，傳統(tǒng)檢測(cè)方法不利于開(kāi)展家庭或社區(qū)內(nèi)的Hb檢測(cè)工作，增加了貧血疾病早期診斷和預(yù)防的難度。而無(wú)創(chuàng)Hb檢測(cè)方法可以避免上述問(wèn)題，相關(guān)研究具有重要的理論及實(shí)際應(yīng)用價(jià)值[5]。

Jbsis[6]在1977年首次報(bào)道了Hb在近紅外光區(qū)的吸收特性。近紅外光譜分析技術(shù)（Near infrared spectroscopy， NIRS）因其具有無(wú)損、快速、無(wú)需試劑、可多組分同時(shí)分析等優(yōu)勢(shì)，已成為無(wú)創(chuàng)Hb檢測(cè)研究領(lǐng)域關(guān)注的熱點(diǎn)之一[7～11]。Kumar等[12]應(yīng)用近紅外分光光度法，通過(guò)優(yōu)選最佳波長(zhǎng)測(cè)量動(dòng)脈血中血紅蛋白濃度，標(biāo)準(zhǔn)偏差低于12%； Frasca等[13] 通過(guò)應(yīng)用Pulse COOximeter設(shè)備，實(shí)現(xiàn)對(duì)重癥監(jiān)護(hù)病人Hb含量的無(wú)創(chuàng)檢測(cè)及實(shí)時(shí)監(jiān)測(cè)。目前出現(xiàn)了商品化的專用型血液成分近紅外檢測(cè)儀器，美國(guó)Masimo公司生產(chǎn)的Radical7 和Pronto7全血血紅蛋白監(jiān)測(cè)儀可實(shí)現(xiàn)Hb濃度的無(wú)創(chuàng)連續(xù)監(jiān)測(cè)，檢測(cè)誤差在10%左右[14，15]，但儀器價(jià)格較為昂貴，且測(cè)量精度有待提高。

為提高人體Hb無(wú)創(chuàng)檢測(cè)精度，同時(shí)提高近紅外光譜檢測(cè)儀器的臨床實(shí)用性，本研究組構(gòu)建了以線性漸變?yōu)V光片（Linear variable filter， LVF）與16像元陣列式探測(cè)器為基礎(chǔ)的高性能、便攜式近紅外光譜檢測(cè)設(shè)備。LVF的通帶中心波長(zhǎng)在特定方向隨著位置線性變化的濾光片，能夠?qū)⑷肷鋸?fù)色光分成與濾光片位置相關(guān)的光譜。其結(jié)構(gòu)簡(jiǎn)單、體積小巧、可靠性高，可有效簡(jiǎn)化儀器結(jié)構(gòu)，制備便攜式儀器。LVF分光光譜線性變化特性與線陣列式探測(cè)器匹配良好[16]。

作為間接分析方法， NIRS通過(guò)對(duì)人體光譜數(shù)據(jù)與標(biāo)準(zhǔn)方法測(cè)得的Hb化學(xué)指標(biāo)建立特定的函數(shù)關(guān)系，即定標(biāo)模型，實(shí)現(xiàn)對(duì)未知樣品中Hb含量的預(yù)測(cè)。因此，定標(biāo)模型的預(yù)測(cè)能力與穩(wěn)定性，是決定NIRS分析精度的關(guān)鍵因素之一。支持向量回歸方法（Support vector regression， SVR）用于近紅外光譜分析，可提高定量分析的精密度[17]。 本研究將SVR用于近紅外光譜無(wú)創(chuàng)檢測(cè)人體血紅蛋白，考察其在提高檢測(cè)精度方面的作用。應(yīng)用自行設(shè)計(jì)搭建的LVF型近紅外光譜檢測(cè)設(shè)備開(kāi)展在體實(shí)驗(yàn)，無(wú)創(chuàng)采集志愿者右手食指前端光譜信號(hào)并劃分為3組樣品集， 即定標(biāo)集、驗(yàn)證集1和2。應(yīng)用基于交叉驗(yàn)證理論的網(wǎng)格搜索方法優(yōu)選懲罰參數(shù)與核函數(shù)參數(shù)，用以建立穩(wěn)健的SVR模型；通過(guò)對(duì)比分析SVR模型對(duì)兩組驗(yàn)證集樣品Hb含量的預(yù)測(cè)精度，驗(yàn)證便攜式儀器與定標(biāo)模型的適用性與穩(wěn)定性。

2檢測(cè)原理與實(shí)驗(yàn)

2.1支持向量回歸方法的基本原理

SVR主要運(yùn)算過(guò)程[18～20]如下：

y=w1x1+w2x2+…+wNxN（1）

將模型（1）簡(jiǎn)記為下面的回歸預(yù)測(cè)模型：

f（x）=wTx+b（2）

SVR以結(jié)構(gòu)風(fēng)險(xiǎn)最小為原則，可有效簡(jiǎn)化模型，其優(yōu)化目標(biāo)函數(shù)為：

minw，b1[]2[SX）]‖w‖2（3）

s.t.|yi-wTxi-b|≤ε， i=1，2，…，N

其中ε為不敏感參數(shù)，在SVR中線性約束預(yù)測(cè)誤差在±ε內(nèi)。為消除可能存在的奇異值數(shù)據(jù)對(duì)SVR模型性能的影響，引入松弛變量ξ，則公式（3）轉(zhuǎn)化為：

minw，b1[]2[SX）]‖w‖2+c∑Ni=1（ξi+ξ*i）（4）

s.t.yi-wTxi-b|≤ε+ξi

wTxi+b-yi≤ε+ξiξi， ξi≥0

分 析 化 學(xué)第45卷

第9期袁境澤等： 支持向量回歸在人體血紅蛋白無(wú)創(chuàng)檢測(cè)中的應(yīng)用

其中， c為懲罰參數(shù)，c取值越大表明SVR回歸模型適應(yīng)性較差；c取值小將導(dǎo)致ε靈敏度降低，加大訓(xùn)練誤差。懲罰參數(shù)c對(duì)SVR模型的復(fù)雜程度和適應(yīng)性起平衡折衷作用，在應(yīng)用中需要人為設(shè)置。此時(shí)的目標(biāo)函數(shù)是一個(gè)凸二次規(guī)劃問(wèn)題，可以應(yīng)用拉格朗日對(duì)偶性變換到對(duì)偶變量的優(yōu)化問(wèn)題求解。目標(biāo)函數(shù)變?yōu)椋篹ndprint

minw，bmaxαi，α*i， βi，β*iLP=1[]2[SX）]‖w‖2+c∑Ni=1αi（ε+ξi-yi+wTxi+b）-

∑Ni=1αi（ε+ξi+yi-wTxi-b）-∑Ni=1（βιξi+βiξi）（5）

其中αi，α*i， βi，β*i≥0，i=1，2，…N為拉格朗日乘子。由于滿足KKT條件，上述minw，bmaxαi，α*i， βi，β*iLP原始問(wèn)題可以轉(zhuǎn)化為對(duì)偶問(wèn)題maxαi，α*i， βi，β*iminw，bLD更容易求解。因此目標(biāo)函數(shù)轉(zhuǎn)換為：

maxαi，αi LD=-12Ni=1Nj=1（αi-α*i）（αj-αj）-εNi=1（αi+α*i）+Ni=1yi（αi-α*i）

s.t.Ni=1（αi-α*i）i=0， 0≤αi，αi≤c， （6）

求得相應(yīng)的回歸估計(jì)函數(shù)：

f（x）=Ni=1（αi-αi）+b（7）

在尋優(yōu)目標(biāo)函數(shù)中，采用適當(dāng)?shù)膬?nèi)積函數(shù)K（xi，xj）=<φ（xi）·φ（xj）>可以實(shí)現(xiàn)某一非線性變換后的線性回歸，非線性情況下目標(biāo)函數(shù)如下：

f（x）=Ni=1（αi-αi）K（xi，xj）+b

w=Ni=1（αi-αi）φ（xi）（8）

SVR是一種以核思想為基礎(chǔ)的模型訓(xùn)練方法，其性能在很大程度上由核函數(shù)與相關(guān)超參數(shù)（c和g）的選擇所決定。常用的核函數(shù)類型有線性（Linear）、多項(xiàng)式型（Polynomial）、徑向基函數(shù)（Radial basis function，RBF）和Sigmoid。而且不同類型的核函數(shù)都有與之密切相關(guān)的參數(shù)，以RBF為例，（xi，xj）=exp（

Symbolm@@ ‖xi-xj‖2/σ2）=exp（

Symbolm@@ g‖xi-xj‖2）， 核函數(shù)參數(shù)為g，可表征參與訓(xùn)練的樣本數(shù)據(jù)的分布特征，確定局部范圍內(nèi)相鄰區(qū)域間隔。

本研究綜合考慮非線性因素并降低模型復(fù)雜度，選擇非線性函數(shù)RBF作為核函數(shù)。相比Sigmoid、多項(xiàng)式核函數(shù)等多參數(shù)情況，RBF核函數(shù)參數(shù)僅有一項(xiàng)。此時(shí)，需要優(yōu)選的相關(guān)超參數(shù)為懲罰參數(shù)c和核函數(shù)參數(shù)g。目前較常使用的參數(shù)尋優(yōu)方法為網(wǎng)格搜索（Grid search，GS）。

2.2實(shí)驗(yàn)儀器

本課題組自行設(shè)計(jì)搭建的LVF型人體血液成分近紅外光譜檢測(cè)設(shè)備結(jié)構(gòu)如圖1所示，包括光源系統(tǒng)、手指固定裝置、分光系統(tǒng)、探測(cè)系統(tǒng)等結(jié)構(gòu)。光譜采集波段范圍650～1000 nm，采集速率50幅/s， 信噪比>15000∶1。

2.2.1光源系統(tǒng)Hb在600～1000 nm有較強(qiáng)的吸收譜帶[21]，為此，設(shè)置系統(tǒng)采集波段為可見(jiàn)近紅外區(qū)650～1000 nm譜區(qū)。優(yōu)選該范圍內(nèi)9個(gè)不同中心波長(zhǎng)的LED耦合成650～1000 nm寬波段測(cè)量光源，并以3×3矩陣形式緊密排列。組合光源能夠克服單LED的窄帶寬限制，滿足寬譜區(qū)測(cè)量要求，且能夠有效減少溫度變化對(duì)測(cè)量精度的影響。此外，為使陣列式LED組合光源在檢測(cè)位置處形成各中心波長(zhǎng)能量均勻分布、直徑<8 mm的圓形匯聚光斑，于光源前方設(shè)計(jì)加裝透鏡系統(tǒng)。

2.2.2手指固定裝置由柔性材料制成的具有獨(dú)特結(jié)構(gòu)的裝置可將人體右手食指固定在有效檢測(cè)位置（即光源匯聚光斑處）。通過(guò)施加適當(dāng)壓力，確保食指前端的平穩(wěn)狀態(tài)，從而有效避免測(cè)量過(guò)程中因不自主抖動(dòng)造成的檢測(cè)位置偏移，提高光譜采集穩(wěn)定性。

2.2.3探測(cè)器選型由于心臟搏動(dòng)、血液循環(huán)等生理活動(dòng)，人體血流容積隨時(shí)間產(chǎn)生周期性變化，這將導(dǎo)致在不同時(shí)刻、同一位置所測(cè)血液成分信息對(duì)應(yīng)不同光程，進(jìn)而影響分析結(jié)果。為此，本研究選擇日本HAMAMATSU公司16象元陣列式Si探測(cè)器（S411116R），以實(shí)現(xiàn)同一時(shí)刻獲取全部光譜信息，有效避免血管容積隨時(shí)間變化引起的光程差異問(wèn)題。此外，線陣列式探測(cè)器與LVF分光光譜線性變化特性匹配，配合使用可有效提升儀器性能、精簡(jiǎn)儀器結(jié)構(gòu)，獨(dú)立像元也可有效避免信號(hào)串?dāng)_問(wèn)題。

2.2.4分光元件優(yōu)化設(shè)計(jì)線性漸變?yōu)V光片基本尺寸與膜系結(jié)構(gòu)，采用的濾光片參數(shù)如下：有效區(qū)域長(zhǎng)度 12.8 mm；有效波段 620～1080 nm；分辨率（即半峰寬）<1.5%中心波長(zhǎng)；峰值透過(guò)率>60%；截止深度<0.1%；線性漸變系數(shù)為（35.9±5.0） nm/mm。LVF緊靠線陣列式探測(cè)器安裝，可有效縮短光路，在精簡(jiǎn)儀器結(jié)構(gòu)的同時(shí)，降低了光束傳播中的能量損失。

2.3實(shí)驗(yàn)方法

2.3.1數(shù)據(jù)采集實(shí)驗(yàn)測(cè)量對(duì)象為參加醫(yī)院常規(guī)體檢的100位志愿者（年齡范圍27～79歲；男女比例約1∶1.3，志愿者知情同意參與測(cè)試）。

光譜檢測(cè)設(shè)備無(wú)創(chuàng)采集每位志愿者手指前端光譜信號(hào)。開(kāi)始測(cè)量前，受檢者需靜坐10 s，狀態(tài)平穩(wěn)后將右手食指放入儀器固定裝置，要求受檢者手指前端輕壓并完全覆蓋通光孔。隨后，開(kāi)始光譜信號(hào)采集，采集時(shí)間約為20 s， 環(huán)境溫度保持在20～22℃。光譜信號(hào)采集完成后，即刻抽取志愿者靜脈血樣，經(jīng)理化方法分析，獲得對(duì)應(yīng)的Hb檢測(cè)值，作為真實(shí)值。圖2為采集的人體食指指端近紅外光譜吸光度特性。

2.3.2樣品集劃分為建立穩(wěn)健的定標(biāo)模型，將100組樣品劃分為3個(gè)樣品集：定標(biāo)集和驗(yàn)證集1和2（表1）。應(yīng)用定標(biāo)集樣品建立校正模型后，分別對(duì)驗(yàn)證集1和2中樣品Hb含量進(jìn)行定量分析，綜合分析定標(biāo)模型Hb預(yù)測(cè)精度與對(duì)不同樣品的適應(yīng)能力。樣品集劃分過(guò)程中，依據(jù)濃度范圍均勻分布的原則，將100組樣品按照真實(shí)值遞增順序排列， 等間隔梯度選取52份樣品作為定標(biāo)集，剩余樣品隨機(jī)平分成兩組驗(yàn)證集。定標(biāo)集和兩組驗(yàn)證集樣品數(shù)量比值約為2∶1∶1。

3結(jié)果與討論

近年來(lái)，SVR因兼具全局最優(yōu)性和較好的泛化能力，被廣泛應(yīng)用于化學(xué)計(jì)量學(xué)中的定量分析研究 中[18～20] 。本研究應(yīng)用SVR算法建立人體光譜吸光度數(shù)據(jù)與Hb生化檢測(cè)指標(biāo)之間的回歸關(guān)系，即定標(biāo)模型，優(yōu)選RBF作為核函數(shù)。此時(shí)，需要優(yōu)選的相關(guān)參數(shù)為懲罰參數(shù)c和核函數(shù)參數(shù)g。為提升SVR模型穩(wěn)健性，使用網(wǎng)格搜索方法，在[

Symbolm@@ 28，28]（即[

Symbolm@@ 256，256]）區(qū)間內(nèi)尋找最優(yōu)c，g參數(shù)組合。網(wǎng)格搜索方法基于交叉驗(yàn)證（CV）理論，以定標(biāo)集交叉驗(yàn)證標(biāo)準(zhǔn)偏差為評(píng)價(jià)標(biāo)準(zhǔn)。 應(yīng)用Matlab軟件進(jìn)行尋優(yōu)計(jì)算，優(yōu)選參數(shù)結(jié)果如圖3所示，此時(shí)交叉驗(yàn)證標(biāo)準(zhǔn)偏差最小。

以網(wǎng)格搜索方法優(yōu)選的參數(shù)組合c=5.28， g=0.33為基礎(chǔ)，建立SVR定標(biāo)模型，并分別對(duì)驗(yàn)證集1和2中樣品的Hb濃度定量分析，預(yù)測(cè)結(jié)果如圖4所示：預(yù)測(cè)相關(guān)系數(shù)（Prediction correlation coefficient， Rp） 分別為0.77和0.70，預(yù)測(cè)標(biāo)準(zhǔn)偏差（Root mean squared error of prediction， RMSEP）分別為10.20 g/L和10.85 g/L，相對(duì)預(yù)測(cè)標(biāo)準(zhǔn)偏差（Relative root mean squared error of prediction， RRMSEP） 分半為6.85%和7.48%。

實(shí)驗(yàn)結(jié)果表明，以SVR為基礎(chǔ)，針對(duì)人體血紅蛋白含量的無(wú)創(chuàng)檢測(cè)精度較高，基本接近臨床檢測(cè)方法的檢測(cè)精度，可望用于貧血癥早期診斷。同時(shí)，SVR模型對(duì)不同預(yù)測(cè)樣品的適應(yīng)性較強(qiáng)，泛化能力較好，具有較強(qiáng)的穩(wěn)定性。應(yīng)用NISR無(wú)創(chuàng)檢測(cè)人體血液成分時(shí)，實(shí)際測(cè)量的近紅外吸收光譜數(shù)據(jù)與樣品化學(xué)測(cè)量值之間會(huì)存在一定的非線性因素影響，如由血液、皮膚組織光散射作用導(dǎo)致的光譜吸收峰漂移；待測(cè)成份濃度過(guò)低或過(guò)高；待測(cè)成分與其它組分間的相互作用； 以及儀器噪聲、基線漂移等。SVR在解決線性、非線性回歸問(wèn)題方面均具有較為突出的優(yōu)勢(shì)。尤其針對(duì)光譜數(shù)據(jù)與樣品化學(xué)測(cè)量值間存在的非線影響因素， SVR可以轉(zhuǎn)化為凸二次規(guī)劃問(wèn)題求解，成功引入內(nèi)積形式，從而可通過(guò)適當(dāng)選用核函數(shù)有效解決非線性回歸問(wèn)題；且轉(zhuǎn)化為凸二次規(guī)劃問(wèn)題后， SVR理論上可得到全局最優(yōu)解，從而有效提升對(duì)血紅蛋白的定量分析精度；此外SVR由于引入松弛變量ξ，有效提升模型對(duì)異常值以及噪音的容忍性，進(jìn)一步加強(qiáng)SVR定標(biāo)模型對(duì)不同檢測(cè)個(gè)體的適應(yīng)性及對(duì)血紅蛋白成分的預(yù)測(cè)穩(wěn)定性。因此，SVR適用于光譜信號(hào)較為復(fù)雜的人體血紅蛋白無(wú)創(chuàng)檢測(cè)。

4結(jié) 論

本研究以LVF與16像元陣線陣列式探測(cè)器為基礎(chǔ)，設(shè)計(jì)搭建高性能、小型化便攜式血液成分分析設(shè)備，開(kāi)展人體Hb在體測(cè)量。采用網(wǎng)格搜索方法優(yōu)選相關(guān)參數(shù)，以優(yōu)選的參數(shù)組合c=5.28， g=0.33為基礎(chǔ)，建立SVR定標(biāo)模型并分別對(duì)驗(yàn)證集1和2中Hb水平進(jìn)行定量分析。本法預(yù)測(cè)精度較高，SVR模型對(duì)不同預(yù)測(cè)樣品的適應(yīng)性較強(qiáng)，泛化能力較好，具有較強(qiáng)的穩(wěn)定性。結(jié)合SVR算法，線性漸變?yōu)V光片型近紅外光譜檢測(cè)設(shè)備在貧血癥診斷領(lǐng)域有著良好的應(yīng)用前景。

References

1Zhou Y， Zheng C， Cao H， Li X， Sha J. Biochem. Biophys. Res. Commun.， 2012， 420（1）： 205-209

2Timm U， Leen G， Lewis E， Mcgrath D， Kraitl J， Ewald H. Procedia Engineering.， 2010， 5（6）： 488-491

3LI Qiang， MA Wei， YU BuWei .Shanghai Medical Journal， 2013， 36（2）： 98-101

李 強(qiáng)， 馬 偉， 于布為. 上海醫(yī)學(xué)， 2013， 36（2）： 98-101

4Worldwide Prevalence on Anaemia 19932005”， http：//www.who. int/vmnis/database/anaemia/anaemia_status_summary/en/index.html

5Christian P， Shahid F， Rizvi A， Klemm R D， Bhutta Z A. Am. J. Clin. Nutr.， 2009， 89（3）： 853-861

6Jbsis F F. Science， 1977， 198（4323）： 1264

7LIU YanDe， ZHOU YanRui， PAN YuanYuan. Optics and Precision Engineering， 2014， 22（2）： 281-288

劉燕德， 周延睿， 潘圓媛.光學(xué)精密工程， 2014， 22（2）： 281-288

8Pincella F， Isozaki K， Miki K. LightSci. Appl.， 2014， 3（1）： 110-118

9Heise H M. Handbook of Vibrational Spectroscopy. John Wiley & Sons， Ltd.， 2006

10Yamakoshi K， Yamakoshi Y. J. Biomed. Opt.， 2006， 11（5）： 054028

11LIANG JingQiu， LIANG ZhongZhu， LYU JinGuang， QIN YuXin， TIAN Chao， WANG WeiBiao. Chinese Optics.， 2015， （2）： 277-298

梁靜秋， 梁中翥， 呂金光， 秦余欣， 田 超， 王維彪. 中國(guó)光學(xué)， 2015， （2）： 277-298

12Kumar G， Schmitt J M. Proceedings of the Society of PhotoOptical Instrumentation Engineer S （SPIE）， Bellingham， SpieInt Soc Optical Engineering， 1996， 2678： 442-453endprint

13Frasca D， DahyotFizelier C， Catherine K， Levrat Q， Debaene B， Mimoz O. Critical Care Med.， 2011， 39（10）： 2277-2282

14Park Y H， Lee J H， Song H G， Byon H J， Kim H S， Kim J T. Anesth. Analg.， 2012， 115（6）： 1302

15Bruells C S， Menon A K， Rossaint R， Goetzenich A， Czaplik M， Zoremba N. J. Cardiothorac. Surg.， 2013， 8（1）： 1-6

16BarNoam A S， Farah N， Shoham S. LightSci. Appl.， 2016， 5， e16007

17LI Lin， XU Shuo， An Xin， ZHANG LuDa. Spectroscopy and Spectral Analysis， 2011， 31（10）： 2702-2705

李 林， 徐 碩， 安 欣， 張錄達(dá). 光譜學(xué)與光譜分析， 2011， 31（10）： 2702-705

18Thissen U， Pepers M， stün B， Melssen W J， Buydens L M C. Chemometr. Intell. Lab， 2004， 73（2）： 169-179

19Balabin R M， Lomakina E I. Analyst， 2011， 136（8）： 1703

20Cristianini N， ShaweTaylor J. An Introduction to Support Vector Machines： and Other KernelBased Learning Method. United Kingdom at the University Press， 2000

21Urpalainen K. Espoo： Aalto University， 2011

Support Vector Regression for Noninvasive Detection of

Human Hemoglobin

YUAN JingZe1，2， LU QiPeng*1， WANG JingLi3， DING HaiQuan1， GAO HongZhi1， WU ChunYang1，2， LI WanXia1，2

1（State Key Laboratory of Applied Optics， Changchun Institute of Optics， Fine Mechanics， and Physics，

Chinese Academy of Sciences， Changchun130033， China）

2（University of Chinese Academy of Sciences， Beijing 100049， China）

3（Cancer Center， The First Hospital of Jinlin University， Changchun 130021， China）

AbstractTo facilitate noninvasive diagnosis of anemia， highperformance and portable near infrared （NIR） spectrometer for human blood constituents was designed and fabricated based on linear variable filter （LVF）. Meanwhile， the performance of support vector regression （SVR） model for quantitative analysis of human hemoglobin （Hb） was investigated. Spectral data were collected noninvasively from 100 volunteers by selfdesigned LVFNIR spectrometer， then divided into calibration set， validation set 1 and 2. To establish a robust SVR model， grid search method was applied to optimize the penalty parameter and kernel function parameter c=5.28， g=0.33. Then， Hb levels in the validation 1 and 2 sets were quantitatively analyzed. The results showed that the root mean square error of prediction （RMSEP） were 10.20 g/L and 10.85 g/L， respectively， and the relative RMSEP （RRMSEP） were 6.85% and 7.48%， respectively. The results indicated that the SVR model had high prediction accuracy to Hb level and adaptability to different samples， and could satisfy the requirements of clinical measurement. Based on the SVR algorithm， the selfdesigned LVFNIR spectrometer has a wide application prospect in the field of noninvasive anemia diagnosis.

KeywordsNoninvasive detection； Hemoglobin； Nearinfrared spectroscopy； Support vector regression； Portable device

（Received 16 February 2017； accepted 10 August 2017）

This work was supported by the National High Technology Research and Development Program of China （No.2012AA022602） and the National Natural Science Foundation of China （Nos. 61308067， 61475155）.endprint