CN1107861C

CN1107861C - 产生用于光谱分析的基本组的方法和设备

Info

Publication number: CN1107861C
Application number: CN98810041A
Authority: CN
Inventors: 斯蒂芬·F·马林; 凯文·H·哈森
Original assignee: Sensys Medical Inc
Current assignee: Shengxisi pharmaceutical company
Priority date: 1997-08-14
Filing date: 1998-07-27
Publication date: 2003-05-07
Anticipated expiration: 2018-07-27
Also published as: TWI226930B; BR9811938A; NZ502821A; AU738441B2; KR20010022896A; WO1999009395A1; EP1496350A2; AR013417A1; JP2001516019A; CN1275200A; EP1004016A1; AU8599298A; EP1496350A3; IL134456A0; MY120544A; CA2299285C; KR100389590B1; NO20000692L; TR200000402T2; US6115673A

Abstract

一个或多个基本组在分析期间被应用到光谱信号中以产生一个精确的光谱描述，从该描述中分析物浓度可以精确地确定。一个基本组包括在诸如血清的样本中找到的所有的干扰成分。关于诸如葡萄糖的分析物，就必须限定样本中的那些比葡萄糖有更大干扰的成分。例如，生成的基本组能产生一个会干扰或散射光的对红血球的变换；以及对皮肤效应也是如此。一旦所有这些成分的光谱已知，然后必须确定这些成分中的每一个是怎样互相作用的，例如，获取血清数据，萃取每一种成分，然后将个别成分的光谱和溶液中的成分的光谱进行比较。本发明表征了样本中的每一种成分，也表征了所有其它可能的干扰物，在产生每一种成分在每一个研究检测频率上的精确的描述以后，识别和从在研究检测的频率上产生的光谱中减除每一种干扰。基本组可以采取变换的形式，该变换可以储存在查寻表中供分析时使用。

Description

产生用于光谱分析的基本组的方法和设备

发明的背景

技术领域

本发明涉及决定样本中目标分析物的浓度。更具体地说，本发明涉及产生用于例如用多重光谱分析确定样本中目标分析物的浓度的基本组的方法和设备。

现有技术的叙述

光谱分析中的数据分析涉及到寻求最佳波长和产生精确校准的过程，以将一定的光谱数据组和一样本组的构成的实验室参比值联系起来，这样，分析即预言未知构成的未来样本的数值就具有可能性。用于进行光谱测量的光谱仪器的校准的典型的完成方法是，对照实验室参比数值，应用在一定波长数的吸收率的多重回归，即数学上决定一条直线相应于一组数据的最佳的可能配合(例如，参见H.Mdrk光谱校准的原理的实践，John Wiley & Sons，Inc.(1991))。

无误差校准，即适用于Beer定律的样本，是这样一种样本，其中被研究测试的组份(且是样本中的唯一的组份)溶解在完全不吸收的溶剂中，并且仅有一个单个吸收率频带。在这种场合，校准样本组中的组份的浓度在宽广的范围内被精确地认知，并且光谱测量仪表没有噪声、非线性或其他缺陷。在这样一种理想的场合，吸收率峰的的高度严格地和组份的浓度成比例。这样，就可能只用两种样本来校准一个系统，因为两点能确定一条直线，并且直线的斜率和数据的截距可以容易地用已知的数字公式来确定。

不幸的是，这种理想的场合在现实世界中是不存在的。例如，光谱测量要受到数据中的偏斜这样的现象的支配，数据偏斜是由仪器、样本或实验中的物理变化引起的。例如，样本中的干扰和/或受支配的组份而不是被研究测试的组份能影响数据。温度、媒介物，程长以及散射效应也必须考虑到。

液体样本的近红外(near-IR)吸收率光谱包含了大量的有关样本中各种各样有机组份的信息。特别是，和有机物分子结构相关连的振动能，转动能和弹性能(例如碳氢，氧氢和氮氢化学键)在近红外区域产生干扰，这些干扰能被探测到并和存在于样本中的各种有机组份的浓度相关。不管怎样，在复杂的样本基质里，近红外光谱也包含有明显数量的干扰，部分起因于分析物中结构的相似性，分析物浓度的相对水平，分析物之间的干扰关系以及在特定系统内固有的电子和化学噪声的数量。这种干扰降低了用近红外光谱分析来确定液体样本分析物浓度所获得的测量结果的效率和精确性。

例如，水基底样本的近红外光谱分析中，温度是个重要的参数。主要的水吸收带大致以3800，5200和6900nm为中心，但是，这些带的精确位置对温度呈敏感。这些带在更高的温度下就转变到更高的频率。温度的变化也改变了水中氢和其他化学物类相键合的程度，这种改变引起了吸收带位置的显著的移动。含有大量水的大多数分析样本，例如在确定水溶液中葡萄糖浓度时，都需要对样本温度作精确控制。

关于温度，K.Hazen，M.Arnold，G.Small在《水溶液中葡萄糖的温度不敏感近红外光谱测量》应用光谱学，第48卷第四册第477～483页(1994)中揭示了应用和部分最小二乘(PLS)回归相结合的数字Fourier滤波器而产生对样本温度不敏感的葡萄糖校准模型，此校准模型最初是用从保持在37℃的样本上在遍及5000到4000nm光谱范围内收集到的光谱创立出来的。模型的价值由判断从预言的光谱组确定葡萄糖浓度的能力来评估。预言的吸收光谱组是将从温度范围在32℃到41℃的溶液中收集到的单束光谱和在37℃温度下收集到的参比光谱作比率而获取的。基底的水吸收带对温度的敏感性在预言光谱中产生大的基线变化，这可以由Fourier滤波步骤有效地消除。

另外，还可参看G.Small，M.Arnold，L.Marquardt的《带有部分最小二乘回归的耦合数字滤波：近红外光谱Fourier变换确定血浆中的葡萄糖的应用》，Analytical Chemistry，65卷，22册，3279～3289页(1993)(由应用Fourier滤波技术来实施高斯型带通数字滤波器并应用于光谱预处理以消除因[牛类的]血浆基质的背景吸收率引起的变化。PLS回归被用来通过经滤波的光谱计算葡萄糖的校准模型)；M.Arnold，G.Small，《应用近红外光谱经数字滤波的Fourier变换来确定在水基质中的葡萄糖的生理学水平》，Analytical Chemistry，第62卷，第14册，第1457～1464页(1990)(以及G.Small，M.Arnold，《生理学化学制品，尤其是葡萄糖的非侵害性检测的方法和设备》，美国专利5,459,317(1995年10月17日))(……一个数字Fourier滤波器……从光谱中消除高频噪声和低频基线变化。应用数字最佳化程序来识别这种Fourier滤波器的高斯型频率响应功能的最佳位置和宽度。动态区域计算，结合简单线性基线修正，从经处理的光谱中提供一种积分区域，该区域和葡萄糖浓度成线性关系……)；以及K.Hazen，的《应用近红外光谱在生物学基质中的葡萄糖确定》，Ph.D.论文，Iowa大学(1995年8月)(应用近红外光谱学完成的在水，血清，血液和人体中的葡萄糖确定，多变量分析被用来使较小的光谱变化和分析物的浓度相互关联)。

有许多近红外装置和方法曾被叙述，这些装置和方法可以与前述技术联合使用以用来提供非侵害性的血液分析物的确定：

授于Purdy等人的美国专利5,360,004叙述了确定血液分析物浓度的一种方法和设备，其中主体部份受到包含有两个或更多的独特波段的连续波长的入射辐射的辐照。Purdy等人强调的滤波技术特定地在水的近红外吸收光谱中发生在大约1440和1935nm的两个峰值处阻断辐照。这样有选择的阻断的实施其目的是为了避免受辐照的主体部分中的水吸收了辐射可能因此而产生的热效应。

对比起来，授于Yang等人的美国专利5,267,152叙述了仅用部分红外光谱测量血液葡萄糖浓度的非损害装置和技术，该光谱包含近红外水吸收峰(例如，水传输窗口，其包括1300到1900nm之间的那些波长)，在1600nm处水吸收率达到最小。经光学控制的光被导向一个组织源，然后由一积分球面收集。经收集的光被进行分析，血液葡萄糖浓度用储存的参比校准曲线计算出来。

授与Price等人的美国专利5,606,164叙述了测量存在于一种生物体液中的分析物的浓度的方法和设备。近红外辐射被应用到校准样本中以产生校准数据。用数据经预处理后接着投射到具有用校准模型预测分析物浓度的校准模型空间的方法，来分析未知样本的数据。

应用于在复杂样本中确定分析物浓度的装置也有叙述，例如：

授于Richardson等人的美国专利5,242,602叙述了分析水系统以探测多重成分的方法。该方法包括确定各种成份在遍及200到2500nm范围内的吸收率或发射光谱，以及化学计量算法的应用，该化学计量算法用以提取为量化多重特性指示物而获得的光谱数据的各个分段。

授于Nygaard等人的美国专利5,252,829叙述了用红外线衰减测量技术测量牛奶样本中尿素浓度的方法和设备。开展多变量技术，用部分最小二乘算法，主要的成份回归，多重线性回归或人造神经网络知识确定已知成份的光谱贡献。求出阻塞被研究测量的分析物信号的成份贡献份额来进行校准。这样，Nygaard等人叙述了测量多重分析物红外线衰减和补偿背景分析的影响而获取更精确测量的技术。

授于Robinson等人的美国专利4,975,581叙述了基于在一已知分析物浓度和一个样本之间的红外线能量吸收的比较(即在几个波长上吸收的差异)确定在一个生物样本中分析物浓度的方法和设备。该比较是用部分最小二乘分析或其他多变量技术进行的。

授于Schlager的美国专利4,882,492叙述了一种无侵害确定血液分析物浓度的方法和设备。经调制的红外辐射被导向直射一组织样本(例如一个耳垂)，不论辐射通过该组织或还是撞击到皮肤表面，在那里都由一种目标分析物(葡萄糖)而发生光谱变化。发生光谱变化的辐射于是发生分枝，一部分被导向通过一负相关样本池，另一部分通过一参比池。比较通过池的辐射的强度而确定样本中分析物的浓度。

授于Ross等人的美国专利4,306,152叙述了一种光学流体分析器，该分析器是设计来用以将在混浊的样本或清澈的样本的测量精度方面的背景吸收(即流体样本的全面的或基底水平的光学吸收率)效应减至最小，否则，样本是难以被分析的。该设备测量被研究检测成份样本的特征光学吸收上的光学信号以及在被选成大致接近背景吸收的波长上的另外的信号，然后相减，以减小分析物从属信号的背景成份。

授与Lodder的美国专利4,893,253叙述了用近红外反射光谱分析完整的膜和薄片的方法。检测膜片内掺杂物的方法为，取得作为非掺杂样本的对准组的光谱，将每一光谱描述为超空间内的一点，创造若干对准组重复和自举重复的分布，计算自举重复分布的中心值，获取掺杂样本的光谱，将该光谱变换成超空间的一点，基于掺杂样本的超空间点和自举重复分布之间的关系识别掺杂样本的反常。

还可参看R.Rosenthal，L.Paynter，L.Mackie的《血液葡萄糖的非侵害测量》，美国专利号5,028,787(1991年7月2日)(一种近红外定量分析仪器和方法通过分析跟随的静脉或动脉血相互作用的，或通过血液容纳实体部分传输的近红外能量而无侵害地测量血液葡萄糖。)。

由上述方法和装置获取的信息的精确度受到由背景，即在近红外范围内同样有吸收光谱的非分析物，样本组份而产生的光谱干扰的限制。特别是当极小量分析物存在的时候，明显可感知的背景噪声水平表示了一种固有的系统限制。根据这种限制，作出很多努力来改进信噪比，例如避开水的吸收峰以能够应用提高辐射强度，减少被分析的光谱信息的数量，或应用基于对近似背景吸收的减除或补偿技术。如以上所讨论的，这些技术主要着眼于同时检查所有的光谱组份。虽然这些技术提供了一些改进，但还是存在提供进行更精确地确定例如在液体基质内分析物浓度的方法和设备的需要，即，在分析期间可获取每一个样本成份的精确表示。

发明的概述

本发明提供了一个或更多在分析期间应用于光谱信号的基本组，以产生从中分析物浓度可以精确确定的精确的光谱描述。本发明当前的最佳实施例是能应用在确定如血清中的葡萄糖这样的分析物，确定过程中应用非侵害技术。例如，在基本组中，为水，白蛋白蛋白质，球蛋白蛋白质，三乙酸甘油酯，胆固醇，血尿素氮，和葡萄糖，提供了在遍及1100到2500nm的光谱区域里的近红外吸收率特征。此外，还包括了样本温度效应，以及仪器噪声水平。

基本组包括了在诸如血清样本中发现的所有干扰成份。例如，这些成份可以包括水，温度/氢结合键效应，白蛋白球蛋白蛋白质，甘油三酸酯，胆固醇，尿素，和所有的有机成分。基本组也包括电解质，如Na⁺，K⁺和Cl^-。

基本组不包括那些不产生干扰的成份，诸如在浓度方面小于背景信号或噪声水平的任何成分。关于分析物，诸如葡萄糖，必须规定那些具有比葡萄糖更大的干扰的样本成份。替代仅考虑上面提及的完全在血液或血清中的分析物，例如对干扰或散射光的红血球进行变换，也对皮肤效应进行变换的基本组可能产生出来。

一旦这些成份中的每一个的光谱都已知了，然后需要确定这些成份是怎样相互作用，例如得到血清数据，提取出每种成份，然后将个别成份的光谱和溶液中的成份的光谱进行比较。

这样，一旦存在水的葡萄糖基本组产生出来，水干扰葡萄糖就被确定，以及确定了怎样消除水，然后下一个成份的基本组就能产生出来，例如为温度效应。在非侵害确定葡萄糖浓度的实例中，本发明在存在水的情况下相继增加其他成份的基本组，例如球蛋白，蛋白质，甘油三酯，尿素，或胆固醇，以建立直到血清基质。一旦血清基本组产生出来，才有可能产生红血球，肌肉层，皮肤层，脂肪层，甚至整个身体的基本组。

值得注意的是，这里的基本组方法表征了样本中的每一个成份，也表征了所有其他可能的干扰，在每个研究检测频率上每个成份的精确描述产生以后，再从研究测试频率上产生的光谱里减除每种干扰。用这种方法，所有的干扰就可以在所有其他相关的样本成份的相互关系中识别出来，由此而从光谱中消除，基本上只留下从研究检测的分析物中产生的信号。

各种基本组也可以数学地结合起来以产生一个变换组，变换组可以储存到查寻表中供分析期间使用。用这种方法，应用相对简单，低功能的计算机硬件，例如低功能嵌入式控制器就能做到一个快速的分析物浓度实时确定。

附图的简单叙述

图1是显示根据本发明产生基本组的流程图；

图2是根据本发明结合一个或多个基本组的仪器的方框示意图；

图3是根据本发明实施结合一个或多个基本组的算法的仪器的方框示意图；

图4是水吸收率相对于波长的曲线图；

图5a是水吸收率在变化的温度下相对于波长的曲线图；

图5b是显示温度效应的曲线图；

图6a是当应用1500nm长带通滤波器时显示吸收率的水吸收率相对于波长的曲线图；

图6b是显示蛋白质(aq)——水吸收率的吸收率相对于波长的曲线图；

图7是显示白蛋白(aq)——缓冲液(程长经修正的)吸收率相对于波长的曲线图；

图8是显示球蛋白(aq)——缓冲液的吸收率相对于波长的曲线图；

图9是显示白蛋白(aq)——缓冲液(程长经修正的)的吸收率相对于波长的曲线图；

图10是显示白蛋白，球蛋白和三乙酸甘油酯需要的程长修正的曲线图；

图11是显示三乙酸甘油酸(aq)——缓冲液(程长经修正的)的吸收率相对于波长的曲线图；

图12a是显示尿素——缓冲液的吸收率相对于波长的曲线图；

图12b是显示尿素——缓冲液(基线经修正的)吸收率相对于波长的曲线图；

图13是显示葡萄糖——缓冲液的吸收率相对于波长的曲线图；

图14是固体样本的吸收率相对于波长的曲线图；

图15是固体样本的经标准化的吸收率相对于波长的曲线图；

图16是固体样本的经标准化的第二个吸收率相对于波长的曲线图；

图17是葡萄糖(aq)的标准误差(mg/dL)相对于PLS因子数的曲线图；

图18a是葡萄糖(aq)的标准误差(mg/dL)相对于分辨率(nm)的第四个曲线图的另一种视图；

图18b是显示经扩展的Y轴的葡萄糖(aq)的标准误差(mg/dL)相对于分辨率(nm)的第四个曲线图的另一种视图；

图19是葡萄糖(aq)的标准误差(mg/dL)相对于分辨率(nm)的第八个曲线图的另一种视图；

图20是显示六个PLS因子的经平均的点的葡萄糖(aq)的标准误差(mg/dL)相对于分辨率(nm)的第八个曲线图的另一种视图；

图21是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的曲线图；

图22是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第二个曲线图；

图23是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第三个曲线图；

图24是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第四个曲线图；

图25是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第五个曲线图；

图26是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第六个曲线图；

图27是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第七个曲线图；

图28是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第八个曲线图；

图29是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第九个曲线图；

图30是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第十个曲线图；

图31是血清中的葡萄糖的标准误差(mg/dL)相对于分辨率(nm)的第八个曲线图的另一种视图；

图32是显示含有水，白蛋白，球蛋白，和三乙酸甘油酯的样本的非经处理的吸收率的吸收率相对于波长的曲线图；

图33是含有白蛋白，球蛋白和三乙酸甘油酯的样本的，并且水已经从中减除和温度以及程长经修正的吸收率相对于波长的曲线图；

图34是显示白蛋白光谱线性的，温度和程长经修正的吸收率相对于波长的曲线图；

图35是含有球蛋白和三乙酸甘油酯的样本的，并且水和白蛋白已经从中减除的吸收率相对于波长的曲线图；

图36是显示球蛋白光谱线性的，温度和程长经修正的吸收率相对于波长的曲线图，和

图37是含有三乙酸甘油酯的样本的，并且水，白蛋白和球蛋白已经从中减除的吸收率相对于波长的曲线图。

发明的详细叙述

下面的讨论叙述什么是基本组，它怎样被收集，所需要的仪器，数据收集参数，诸如温度和程长这样的因子的数据分析，以及什么被考虑作为附加的基本组。

最简单的基本组的实例是包括样本诸如血清中所有干扰成份的基本组。例如，这些成份可以包括水，温度/氢结合键效应，白蛋白，和球蛋白蛋白质，甘油三酸酯，胆固醇，尿素，所有的有机成份，以及Na⁺，K⁺和Cl^-。在较低的程度上，基本组可以包括附加的电解质。

基本组不包括那些不产生干扰的成份，诸如在浓度方面小于背景信号或噪声的任何成份。关于分析物，例如葡萄糖，必须规定那些有比葡萄糖更大的干扰的样本成份。替代仅考虑上面提及的血液或血清中的所有分析物，例如对干扰或散射光的红血球进行变换，也对皮肤效应进行变换的基本组可能产生出来。

一旦所有这些成份的光谱都已知了，然后需要确定这些成份中的每一个是怎样相互作用，例如得到血清数据，提取出每种成份，然后将个别成份的光谱和溶液中的成份的光谱进行比较。

一旦存在水的葡萄糖基本组产生出来，水干扰葡萄糖就被确定，以及确定了怎样消除水，然后下一个成份的基本组就能产生出来，例如温度效应。在非侵害的确定葡萄糖浓度的实例中，本发明在存在水的情况下相继增加其他成份的基本组，例如球蛋白，蛋白质，甘油三酸酯，尿素，或胆固醇，以建立直到血清基质。一旦血清基本组产生出来，才有可能产生红血球、肌肉层，皮肤层，脂肪层，甚至整个身体的基本组。

值得注意的是，这里的基本组方法表征了样本中的每一个成份，也表征了所有其他可能的干扰，并从研究测试频率上产生的光谱里减除每种干扰。用这种方法，所有的干扰就可以在样本中有秩序地从光谱中识别出来，基本上只留下从研究检测的分析物中产生的信号。

各种基本组可以用数学方式相结合以产生一个变换组，变换组可以储存到查寻表中供分析期间使用。用这种方法，应用相对简单、低功能的计算机硬件，例如低功能嵌入式控制器就能做到快速的分析物浓度的实时确定。

一旦确定了在样本中存在哪些成份，就需要确定收集这些成份的光谱的最佳方法。然而，在光谱能收集之前也必须规定仪器的性能，诸如信噪比，分辨率，以及波长复制的能力。这些仪器方面的考虑将在下面详细讨论。

产生基本组的程序是重复的。在本发明的一些实施例中，必须考虑到诸如散射校正，折射率校正，进入组织的穿透深度，所有的光程长，以及温度等因子。一旦基本组产生，它们可能被应用到光谱输入信号去。由基本组这样处理过的信号于是用标准的化学计量技术进行预处理，诸如修匀和二阶导数分析。

应用基本组以后另一种处理途径是去褶合的处理。如果应用了去褶合，在数据收集和散射校正之后，必须进行温度校正。这个途径应用基本组以重复的方式识别和隔离样本的各种成份。此后，可以应用多变量分析，多变量分析可以包括部分最小二乘分析或主要成份分析。这样的处理是一个选择的过程，并且在本专业中已是众所周知。例如，在其有干涉图形n×m的葡萄糖浓度C中，其中m是干涉图形的数目，n是干涉图形点的数目，数据进行了缩减，这里

C＝b₀+b₁P₁+…b_nP_n； (1)这里P_i是PLS因子数(factor scores)，由干涉图形点和浓度值推导出来；b_i提供回归系数。

本发明的独特处，进行了各种诸如去褶合那样关于基本组的变换。在本发明中，预处理也是依靠基本组。例如，在Fourier滤波器的场合，一定的频率通过了滤波器，就必须知道滤波器通过了什么频率。用这种方式，是可能确定滤波器是否通过了分析物。基本组被参比来识别在各种频率上的分析物浓度，这样Fourier滤波器仅需要在那些研究检测频率上应用，而不要遍及吸收率频率的宽广的范围(如在现有技术里是这样做的)。这样，在这种应用中，基本组可以不严格地被设想为一个滤波器的滤波器。

各种分子关系可以被考虑为它们自身的基本组，诸如碳——氢，氧——氢，以及氮——氢结合键。在这样的场合，存在比这些基本的成份能够说明的更多的吸收率带。这意味着，对与这些成份相结合的那部分分子结构还存在着互相联系的效应。这样，虽然在不同的组分中这些分子或分子段能被发现为共有，但因为特定组分在全部光谱中的特征还是可能被归为一种组分并在随后的去褶合期间被抛弃。

图1是根据本发明显示产生一个基本组的流程图。过程的第一步100包括在与分析物相同的频率上识别样本的相关的干扰成份。这一步和相继的步骤都可以用已知的光谱的和化学计量技术进行，在下面要更详细讨论。在102，一旦干扰成份被识别，相关的干扰成份就全部在其他频率上被识别出来以量化在这些其他频率上的吸收率。一旦被量化，干扰成份就在104从分析物的频率上被消除。前述步骤的每次重复都可以被认为是单个的基本组。这样，本发明就为分析物产生出众多的基本组。

图2是根据本发明结合一个或多个基本组的仪器的方框示意图。在实施时，装置10用标准的或改进的(见下文)光谱装置收集光谱20。光谱被提供给包括一个处理器22的系统的输入端/缓冲器21。输入端/缓冲器可以包括一个模拟至数字转换功能，这样，由光谱装置收集的光谱数据就被转换为数字数据。根据储存在一个或多个查寻表(LUTs)中的各种变换，处理器对这些数字输入数据进行处理。LUTs包含有结合各种基本组的变换。处理器进行的变换过程用基本组识别和基本上消除从光谱装置产生的光谱信号中的所有干扰组分。一旦关于基本组的处理完成，数字信号就基本上只含有分析物信息。然后这个信息就根据已知的光谱校准和化学计量技术作进一步处理，并提供给输出端/缓冲器24。输出信号就可以在显示器26上以任何希望的格式观察到，以提供样本中分析物浓度的精确指示。

如同上述及下文的讨论，根据本发明产生的基本组可以储存在查寻表中或可以和其他变换信息混合。在产生这种查寻表时，基本组首先作为在产生几个基本组的复制过程中收集的矩阵原始数据存在。考虑到在本发明的最佳实施例中产生的几个基本组，在查寻表中可以有不同的矩阵。或者也可以是一个单个的矩阵，它产生出一个变换，该变换是所有的基本组的代表，而且该单个的矩阵直接应用到原始数据中。这样，本发明的一个实施例选取每一个成份并且将它们建立成一个复杂的矩阵，该矩阵包含一个识别和消除干扰的算法。用这种方法，本发明提供了一种系统，该系统精确地描述了当这些成份全部联系在一起时在研究检测的光谱里这些成份是怎样呈现的。正是本发明的在每个其他成份的相互关系中个别地识别样本的每个相关成份的能力，才准许为研究检测的分析物最后确定查寻表的条目。

虽然有可能，现有的本发明最佳实施例没有提供对在查寻表中的所有干扰在所有浓度水平上已经经过修正的葡萄糖光谱。而是，有一系列在研究检测的一定的不同生理学浓度上的分析物的光谱。例如，在葡萄糖的情形，就有低和高血糖浓度的查寻基本组值。这样，本发明不需要描述在查寻表中所有的基本组的所有信息。而是，仅需描述发生在身体中的遍及葡萄糖的全部范围的信息。这个途径同样拿来用在白蛋白蛋白质，和其他样本成份上。如上面的讨论，对于矩阵中的所有光谱信息可以写成一个单一的方程式，或提供一个或多个查寻表。在任何情况下，在查寻表中仅储存有用的光谱信息的方法减少了对仪器的存储器和处理能力的要求。

下面的讨论将更全面，基本组首先产生出来，并且随后被结合到仪器中供分析期间应用。为了确定放入查寻表中的数值，必须全面检查任何数量的基本组。如上述讨论，必须识别影响样本中的分析物的主要干扰成份并且为这些干扰成份中的每一个产生基本组。

图3是根据本发明进行结合一个或多个基本组的算法的仪器的方框示意图。图3提供了联系图2讨论的装置的软件/硬件元件30的详细综述。应该意识到，在这里本发明容易地被应用到任何光谱系统。这样，联系图2和图3叙述的系统仅是提供为本发明的当前存在的最佳具体化实例而不是作为限制。

在仪器内进行处理期间，数字化的光谱信息首先施加到基本组31。如上述讨论(下文将更详细)，基本组变为从光谱信息中消除干扰组分和/或成份(化学的和/或物理的)的变换。基本组可以被应用在和物理模型32联结前或联结中，该物理模型是修正诸如散射，程长和/或温度之类物理的干扰因子的。

光谱信息被应用于基本组和(可任选地)物理模型以后，这样产生的信号被去褶合33以将信号修正为基准。接下去信号进行预处理34和数字滤波35。预处理还可以应用诸如Kubelka-Munk变换，取平均中心，标准化，基线修正，散射修正，以及干扰修正的技术，虽然在目前基本组被用来解决诸如散射修正，基线修正，和干扰修正等问题是最佳的。例如可以应用到散射中去的修正技术能包括倍增散射修正，标准正交变量修正，以及延伸的倍增信号修正。数字滤波功能可以由诸如高斯滤波，低和高带通滤波器和洛伦兹滤波的技术来完成。

分析物的光谱波长被选择36和诸如高阶部分最小二乘(PLS)的多变量分析被实施37。这样的分析技术可以包括主要的成份回归，部分最小二乘，转动的主要成份，或相关的主要成份分析。

本发明的最佳实施例提供了用以量化液体样本中一个分析物的众多基本组。为了说明和举例的目的，现在本发明叙述关于非侵害光谱中的葡萄糖量化。

数据收集。处理的第一步包括识别主要的干扰化学分析物和身体中的结构。这些因子特别包括存在于样本中的水百分比，水的温度/氢键效应，白蛋白蛋白质，球蛋白蛋白质，甘油三酸酯，胆固醇，尿素，葡萄糖，乳酸盐，乙醇，还有Na⁺，K⁺，Cl^-，以及其他电解质，糖基的血红蛋白，皮肤，角蛋白，纤维蛋白原和红血球等等。本发明的一个优点是基本组可以由包括所有干扰成份的光谱的方式产生出来。

非干扰成份包括例如低克分子吸收性浓度的成份，诸如低剂量麻醉剂和药剂。

在本发明的目前最佳实施例中，数据收集仪器应该考虑以下方面：· 信号首先确定从吸收率带顶部到基底的吸收率增量，其次在所有频率跨越生理学浓度，在样本的吸收率相对于浓度的关系上限定变化的斜率，通过此两步骤限定每个分析物的信号。· 噪声在研究测试的带上噪声被限定为分析物吸收率的均方根(rms)噪声。· 信号对噪声信号对噪声定义为(斜率×浓度)/噪声。这个值对于准备分析的最小指定浓度必须大于一。· 分辨率本发明的目前的最佳实施例中分辨率需要每个峰最小七个点。

另一个考虑的因子是波长重复生产能力。在本发明中，经改进的NIRS5000光谱仪被用来达到上述标准。

基本组的数据收集参数包括以下方面：

程长因水的吸收率而引起的程长，是最初的干扰。对最佳基本组每个光谱窗口必须选择不同的程长。

在本发明的目前的最佳实施例中，这些程长为：·在联合带区域为0～2mm；·在第一谐波区域为5～10mm；以及·在第二谐波区域为10mm或更大。

虽然不是必须，但有可能，在一个单个的数据收集中遍及全部频率范围来产生一个基本组以在不同的区域中作信息比较。在本发明的最佳实施例中，这指定为1mm程长。最佳的信噪水平是分别得到的。提供连续的供识别的光谱和诸如作为频率函数的折射率变化等模型参数也是必须的。

在包括使用漫反射的应用上，程长的考虑是不重视的，因为基于在特定的折射率特定的浓度的分子间的相互作用，光的透射与水吸收率的倒数成比例，这是由系统限定的。

在本发明的一些实施例中，希望应用光学滤波器。因为水表现为自然的短通滤波器，应用长通截止滤波器和水带结合形成一个带通滤波器是有优点的(虽然提供充分分辨率即充分的模拟数字(A/D)转换位数的系统可以不需要滤波器)。在本发明的目前最佳实施例中，在H₂O吸收率带的中点的任何滤波器都可以应用，例如下面的滤波器都可以用：·对于联合带为1950nm长通滤波器；·对于第一谐波为1450nm长通滤波器；和·对于第二谐波为1100nm长通滤波器。

必须确定对每一光谱的平均扫描数，随着扫描数的增加噪声会降低。在本发明的目前最佳实施例中，噪声相对于平均扫描数被设定为64平均扫描。

复制光谱。曾经进行过若干次实验，实验中因为光谱仪的温度系数而收集了四个复制光谱。下面是当时获得的结果(来自于用以测量的光谱仪——这些结果不说明一般现象)：·第一个复制——因温度而引起的异常值；·第二个复制——少量异常值特性；和·第四个复制——可接受作为进一步分析。

为了结合本发明进行的实验的目的，限定了下述附加的参数：·离子强度为0.1M以匹配身体的强度；·pH7.35磷酸盐缓冲液以接近身体酸碱度；·温度保持在38.0±0.2℃以匹配身体的温度；·成份：ACS试剂级化学试剂用作标准。

数据分析。数据分析必须重视温度变化。在本发明的最佳实施例中，观察到温度的0.1℃的变化就使分析物吸收率带发生严重的不确定(甚至是浓缩的白蛋白)。日常使用中实验室和仪器的温度都不可能控制到0.01℃。在高的水吸收率区域和因温度使水吸收率有大变化时这种效应将增大。

数据分析必须考虑程长。这种考虑类似于用双束光谱仪进行的差分测量，在这里一光束聚焦通过样本，另一光束聚焦通过对应于样本中程长干扰的程长。

最好是将程长控制到0.0001mm。对于带有存在缓冲液的1mm池，有1mm水程长。当存在一种分析物时，水程长因位移而减小。该位移和存在的分析物浓度成线性比例。如果样本中的各种成分的浓度未知，样本中的这些成份可能被转出去，而在应用本发明时，这样的处理可以不需要，因为这样的浓度是已知的。

温度和程长修正算法。根据本发明，下面的讨论提供一种典型的温度和程长修正算法。

1、响应函数：在分析物不吸收的区域里剩余量(样本——缓冲液)约为0。

2、作为光谱范围的函数的剩余量由样本的光谱噪声作相反加权。

3、大约在38℃收集到的数以千计的缓冲液和样本作比较以匹配温度。通过应用几千个缓冲液，好的温度匹配是能够找到的。

4、对每个试验中的缓冲液，试验水的增长的程长以匹配样本中缓冲液的程长。例如，为得到0.99mm的程长，正在试验中的作为可能的背景的缓冲液乘以0.9900。例如，白蛋白蛋白质随着每个缓冲液以每步0.0005mm从0.95mm到1mm进行试验。

下面是Matleb温度/程长修正程序，该程序针对经选择的参数，对每个分析物这些参数必须最佳化，诸如程长和响应函数区域：

　　temppath.M

　　％PROBLEM：Basis Set

　　％spectra require background subtraction of temperature and pathlength.

　　％This program corrects the temperature by searching for a buffer

　　％collected at the same temperature as the sample and match the amount

　　％of buffer present in the sample.

　　clear

　　％enter wavelength region

　　wavelength＝1100：2：2498；

　　％load sample spectra

　　load albl2_1 txt

　　sample＝albi2_1；

　　[op]＝size(sample)；

　　％load buffer spectra

　　％usually use all buffers collected to date

　　load albbuff.txt

　　buff＝albbuff；

　　[mn]＝size(buff)；

　　％Code minimizes residual over user set regions

　　％These regions can not have absorbance from the analyte

　　％they are fine tuned iteratively.

　　％in this case-three regions are used in the response function.

　　b_1st_pt＝find(wavelength＞＝1640 &amp; wavelength＜1655)；

　　b_2nd_pt＝find(wavelength＞＝2077 &amp; wavelength＜2085)；

　　b_3rd_pt＝find(wavelength＞＝1640 &amp; wavelength＜1655)；

　　s_1st_pt＝b_1st_pt；

　　s_2nd_pt＝b_2nd_pt；

　　s_3rd_pt＝b_3rd_pt；
				
				<dp n="d20"/>
％initialize to large residual
pathlength＝0；
for aaa＝1：p

　　   best_min(aaa)＝1000000；
end
％pathlength optimization
％determine pathlength matching water in sample
％(water absorbance * pathlength)
for j＝0.95：0.0005：0.997％.98j＝manual_pathlength

　　   pathlength＝pathlength+1；
％temperature optimization
％for each pathlength，test every buffer for temperature match

　　   for temp＝I：n

　　          avg_b_1st_pt＝mean(buff(b_1st_pt，temp))*j；

　　          avg_b_2nd_pt＝mean(buff(b_2nd_pt，temp))*j；

　　          avg_b_3rd_pt＝mean(buff(b_3rd_pt，temp))*j，
％repeat for every sample and replicate

　　           for sample_num＝I：p

　　           avg_s_1st_pt＝mean(sample(s_1st_pt，sample_num))；

　　           avg_s_2nd_pt＝mean(sample(s_2nd_pt，sample_num))′；

　　           avg_s_3rd_pt＝mean(sample(s_3rd_pt，sample_num))；

　　           diff_1st_pt＝abs(avg_s_1st_pt-avg_b_1st_pt)；

　　           diff_2nd_pt＝abs(avg_s_2nd_pt-avg_b_2nd_pt)；

　　           diff_3rd_pt＝abs(avg_s_3rd_pt-avg_b_3rd_pt)；
％store results of each loop

　　           results(sample_num)＝diff_1st_pt+diff_2nd_pt+diff_3rd_pt；
％usually add in weighting function as inverse of noise for each region here
％if response function for given sample is best-record parameters

　　                   if results(sample_num)＜best_min(sample_num)

　　                            best_min(sample_num)＝results(sample_num)；

　　                            best_pathlength(sample_num)＝j；

　　                            best temp(sample num)＝temp；

　　                   end％end if

　　            end％end sample

　　    end％end temperature
end％end pathlength
％dump best parameters to screen for interpretation
best_min
best_pathlength
best_temp
％plot temperature and pathlength corrected spectra
				
				<dp n="d21"/>
　　hold off

　　clg

　　hold on

　　v＝[1500 2500-0.01 0.07]；

　　axis(v)；

　　for sample_num＝I：p

　　       best_sample_corr(：，sample_num)＝sample(：，sample_num)-buff(

　　：，best_temp(sample_num))*best_pathlength(sample_num)；

　　          plot(wavelength，best_sample_corr(：，sample_num))；

　　          intensity(sample_num)＝best_sample_corr(481，sample_num)；

　　end

结果形成的光谱是清楚的并且基线可分辨。对每个分析物，光谱经过选择来覆盖生理学浓度。

下面的例子说明了第一个基本组“基本组I”的产生。

实例——基本组I

遍及1500～2500nm的光谱区域的近红外吸收率特性在程长1mm上被提供为水，白蛋白蛋白质，球蛋白蛋白质，三乙酸甘油酯，胆固醇，尿素和葡萄糖。此外，也包括样品温度效应，仪器的噪声水平也一并包括在内。

实验：血清中主要组分的光谱在遍及它们各自的生理学范围内收集。样本的准备包括将干燥的试剂级的固体样本溶解于调整至pH7.35的0.1M的磷酸盐缓冲液中。所有的光谱在NIRS 5000上以传输模式收集，用1mm程长红外硅材石英池，120秒均衡周期，38℃温度，64平均扫描，共做四次。用一个单台仪器获取所有数据。

结果和讨论：随着减小吸收率变化的顺序，光谱在2050～2350nm和1550～1850nm两个光谱窗口进行分析。第一次复制在所有的例子中都被拼弃了，起因由于NIRS 5000光谱仪的不稳定和光子加热样本引起的持续的温度变化(数据未包括)。通过第二次样本复制样本处于均衡。

水光谱：近红外光谱由三个大的其中心值分别为2500，1950和1450nm的水吸收率带支配，如图4中所示。高吸收率将在近红外水溶液里做的分析限制在三个光谱区域内。2350～2050nm的区域在这里属于联合带区域；1850～1550nm的区域在这里属于第一谐波光谱区域；1400～1100nm区域属于第二谐波光谱区域。

NIRS光谱仪设定了增益及由此的探测器的动态范围，设定是基于带有到达探测器的最高的光强度的光谱区域作出的。这是水样本的第二谐波光谱区域。不管怎样，联合带区域有最大的吸收率，其次是第一谐波区域，再其次是第二谐波区域。因为水在1300nm区域相对于2200nm区域的低的吸收率，相对小的动态范围留给2200nm区域，在这里葡萄糖带是最大的。所以，应用了1500nm长通滤波器，该滤波器迫使NIRS系统基于第一谐波光谱区域设定增益。由此，在最初的基本组里，为第二谐波区域没有提供光谱信息，为第一谐波光谱区域提供了最佳信噪水平，以及为联合带获得了稍微降低的信噪水平。在许多给NIRS系统所作的改进中有一个是次序分选器，在为下一个基本数据组作单个扫描期间，该分选器允许为三个光谱区域的每一个分选不同的增益设定。

水光谱的温度效应：随着温度升高，三个水近红外吸收率带都向高频率移动。图5A里显示了38.2～43.0℃温度下收集的缓冲液光谱。仪器应该改进以收集更低温度的光谱。在每个水吸收率带肩部可以观察到线条的略微变宽。从在更高的温度下收集的水的光谱里减除在38.2℃时收集的水的光谱就呈现出这种移动的数量和方向。随着温度而增加的负吸收率带在2000和1480nm被观测到。当水带移动到更高的温度，在这些区域只有更少的水吸收率，所以从较低温度减除水的吸收率带导致了过多的背景被减除。和提高温度有关的正吸收率带在2300，1890和1400nm被观测到。随着温度的提高，水吸收率愈益移向这些光谱区域。在这些区域，减除38.2℃水光谱还减得不够。

大的水吸收率，和温度的移动结合在一起，极大地阻碍了近红外分析。图5a显示了经减除，在未经修正的吸收率大于3.0±0.1的情况，没有有用的信息可获取，表明了NIRS系统的动态范围的限制。所以2460nm以上的区域和2010～1890nm的区域导致了没有有用的分析信息，可以在1mm程长的数据收集中抛弃。通过调整程长，在这些光谱区域可以获取信息。由于水吸收，当分析的程长增加时，那些需要抛弃的区域的宽度会增加。另外，温度效应在跨越整个联合带区域和第一谐波光谱区域都能看到。可以看出来，这些基线的变化在量上粗略地等于高吸收的蛋白质，并且在量上大大高于所有其他受检测的光谱分析物。

白蛋白蛋白质：水和温度效应以后，血清光谱主要由从白蛋白蛋白质的吸收构成，该白蛋白蛋白质有2.6～7.9g/dL的生理学范围。存在水的情况下白蛋白蛋白质吸收率带难以看见，如图6a所示。减除缓冲液光谱导致蛋白质吸收率峰处于2285，2170，1730和1690nm，如图6b所示。大的负吸收率带也在形成的光谱中出现，在那里有水吸收。这些带主要不是起因于温度的变化，因为水带的衍生物会出现，如图5b所示。负带是起因于由白蛋白和散射引起的水的位移。

诸如前述的MATLAB程序，这类程序被用于确定被用来作为背景光谱要被减除的温度方面的最佳缓冲液和经计算的最佳程长。在图6b中，缓冲液和白蛋白在缓冲液光谱中都有固定的相同的1mm程长。在这个实例中，因为白蛋白在1～12g/dL范围里存在，水是100g/dL，白蛋白占据着值得注意的池体积并且每单位体积内存在较少的水。写出的程序增加了水光谱的百分比，该百分比能按顺序地在宽广的范围内变化。对每个白蛋白在缓冲液光谱里最佳的经计算的程长是通过将处于白蛋白不吸收并且温度效应处于最小的位置(2085～2077和1655～1640nm)上的剩余物的绝对值总数减至最小的方法来确定的。在谐波区域里的剩余物被计量两倍之多以补偿在联合带区域里的较高的噪声。为了进一步将温度效应减至最小，所有收集到的缓冲液光谱都经过这个最佳条件运行以找出关于温度的最好的缓冲液来和样本匹配。每个在缓冲液光谱中的白蛋白都独立地经过这个算法运行。

对每个白蛋白光谱减除在经调整后的程长上的最好的缓冲液后的结果在图7上呈现。附加的白蛋白吸收率带现在在2060nm和2335nm上可见。将大约2060nm处的吸收率带的图形扩大，显示出在白蛋白浓度上的每次增加吸收率也增加。中心点在2170nm的白蛋白带比在图6b上看到的更对称。在第一谐波光谐区域的两个峰有更好的基线修正并且现在在吸收上线性地随着浓度增加而增加。不管怎样，负吸收率带还是明显的，那里水在2020和1870nm处吸收。2000和1900nm之间的区域是数学修正后的后生物，该数学修正遍及吸收率大于3和系统没有响应的区域。此外，在0吸收率和1g/dL白蛋白光谱之间有大的差异。这个差异应该等于吸收率从1到2g/dL的差异。如果联合带区域和谐波区域分别地处理，这个偏移是可以减小的。应该指出，在这点上，没有应用基线修正，平滑化，或散射修正。

球蛋白蛋白质：球蛋白的生理学浓度(0.7～8.1g/dL)在近红外要比白蛋白少吸收。直接减除磷酸盐缓冲液允许观测到在白蛋白蛋白质场合看到的同样的峰，如图8所示。上述讨论的温度和程长修正算法以和白蛋白完全相同的参数进行并且同样的附加的额外峰被找到，如图9所示。重叠白蛋白和球蛋白光谱显示出中心点在2170nm处的球蛋白吸收率带要略微比白蛋白蛋白质的带宽广一些。

需要用作从每个光谱中作背景减除的经计算的程长呈现在图10。对白蛋白，修正和增加浓度成线性，但有0.996nm的Y轴截距。这和图7中观测到的不良的基线是一致的。对球蛋白的修正也是线性的，但每mg/dL分析物需要更大的修正。这和球蛋白的散射趋势是一致的。Y轴截距为1.00，和极好的背景减除一致。

甘油三酸酯：三乙酸甘油酯被用来模拟甘油三酸酯。三乙酸甘油酯的生理学范围是50～450mg/dL。同样要应用温度和程长修正算法，但在确定最小的剩余物中要用不同的区域(2420～2440，2080～2090和1575～1635，加权1∶5∶20)。六个三乙酸甘油酯吸收率带的中心分别在2320，2250，2130，1760，1715和1675nm，如图11所示。结果的需要用作修正的程长和浓度成线性，但非常小的偏差1mm的结果发生了，这是因为相对于血清中的蛋白质，三乙酸甘油酯的更低的浓度，如图10所示。更小的三乙酸甘油酯吸收率带的信号水平接近于光谱仪的噪声水平。

尿素：在缓冲液光谱里十二个尿素被收集。由于尿素的小的生理学浓度(6～123mg/dL)，用以通过改变有效的被减除的缓冲液的程长而使背景最佳化的算法失效了，因为没有引起注意的水的图被移位了。没有温度匹配的算法被应用，但是应用了由每个样本收集的缓冲液光谱。进行直接的背景减除，接着是两点基线修正(2094～2106和2320～2332nm)并呈现在图12。存在一个中心点在2190nm的单个的吸收率带。不存在谐波峰。这和与N-H相关的这种吸收是一致的，而所有其他分析物有O-H基本的振动。只有四个光谱呈现是由于大的基线偏移，偏移模糊了附加的光谱的线性。更高浓度的样本可以用来探究，为的是获得更高的S/N和更清楚的光谱，虽然所获得的是同样的基本组。

葡萄糖：完整的葡萄糖缓冲液研究在遍及联合带和第一谐波光谱区域进行，在该区域存在一个子组。葡萄糖从30～600mg/dL(也有从0～5000mg/dL)进行检测以覆盖其生理学的，也覆盖其低血糖和高血糖水平。从在缓冲液的葡萄糖里直接减除缓冲液显示出中心在2326，2272，1800，2150，1730和1590nm的吸收率带，如图13所示。

结论：和理论一致，对所有的分析物，联合带光谱区域产生比第一谐波光谱区域更大的吸收率。然而，在联合带区域，更长的程长由于大的水吸收率迅速地使信噪水平降级，而在第一谐波光谱区域光谱质量随着程长的小的毫米增加应有所提高。在葡萄糖吸收率区域里的吸收率带以吸收率减小的次序为水，温度效应，白蛋白蛋白质，球蛋白蛋白质，胆固醇，甘油三酸酯，尿素和葡萄糖。虽然每一种经分析的分析物都比葡萄糖吸收得多，并遍及同样的总的光谱区域，但每个分析物都有明显的吸收率特征标志。原则上，血清光谱或非侵害光谱是能被去褶合的。

* * *

本发明考虑了附加的基本组的产生，使基本上所有的干扰成分都被识别和分解成光谱学分析。

下面的实例说明第二基本组“基本组II”的产生。

实例——基本组II

研究重新在干燥，粉碎和加压的固体样本上进行以给出无水的吸收率光谱。第二基本组基于人血清的固体的或纯净无水的成份的光谱而收集。形成的光谱显示出联合，第一和第二谐波吸收率带。此外，对一个给出的成份，在各区域间的相关的吸收率可以作比较。联合的，另一种选择波长的方法是可以得到的。

实验：收集液体形态的水(pH7.35，0.1M磷酸盐缓冲液38.0±0.2℃)，三乙酸甘油酯和乳酸的纯净的成份光谱。白蛋白、球蛋白、胆固醇、尿素和葡萄糖作为纯净状态的固体而存在。对这些分析物，每样都用杵和臼分别磨碎并研磨成精细的不含溴化钾的细粉末。这些粉末在特殊设计的适合NIRS 5000传输组件的压机上压成可透射的小团。在传输模式内获得每个成份的四个复制物。每个分析物的程长是不控制的。

结果和讨论：水，白蛋白，球蛋白，胆固醇，三乙酸甘油酯，尿素和乳酸的未经处理的吸收率光谱在图14中呈现。因为每个小团的程长不控制，所以成份间相关的吸收率不能比较。对一个给出的分析物，频率间的相关的吸收率是能比较的。大的基线偏移是由于样本的厚度以及发生的全部光通过量引起的。这曲线用以显示相关于NIRS 5000的动态范围的每个分析物的全部吸收率系数。

在图14中对每个成份，最小的吸收率都被减除，结果的光谱都标准化为1吸收率单位，如图15所示。结果的满标度的曲线使更容易比较作为频率的函数的吸收率和成份之间的差异。对所有三个光谱区域，即联合(2050～2350nm)，第一谐波(1550～1850nm)和第二谐波(1100～1400nm)，吸收带都被观测认为很明显。原则上，每个成份都是能去褶合的。应该注意，当和水相互作用时，这些吸收率带可以移动并展宽。和从基本组I(上述)得到的含水的吸收率作比较，显示出纯净的或固体的水140，白蛋白141，球蛋白142和三乙酸甘油酯143的吸收率带都在相同的位置带有相同的宽度。尿素144和葡萄糖145显示出附加的峰的分解，这些峰在存在水的情况下被展宽和合并了。

几个关键的光谱特征从这个实例中显现。首先，联合带区域包含了每个个别的分析物的吸收率。这些吸收率在每个场合都比在第一和第二谐波光谱区域里的吸收率更强烈。胆固醇146吸收率在这个区域里迅速下降如同三乙酸甘油酯一样。此两者都未有显著地干扰中心在2150nm上的葡萄糖吸收率带。仅有的干扰来自水，白蛋白和球蛋白，在实例——线性研究(下述)里显示它们通过简单的减除是可以消除的。

在第一谐波光谱区域里除了带有N-H结合键的尿素外每个成份都有吸收率带。在这里吸收率带的强度在15％～50％的相应的联合带吸收率强度的范围内变动。应该认识到，这些数值是对固定的程长而言，并且能基于全部的程长而予以调整。

第二谐波光谱区域有被检测的每个成份的吸收率带，但是相关的吸收率是最小的，如图16所示。在这里看到的葡萄糖带145在存在水140时是很难观察的。

结论：除了在第一谐波光谱区域的尿素外，三个区域的每一个都包含了每一个分析物的信息。吸收率带高度重叠而且在高频率上一般说来强度较低。所有的吸收率带都是十分独特的。

* * *

下面的实例说明第三种基本组“基本组III”的产生

实例——基本组III

在无边缘滤波器的情况下重复第一基本组以允许进行所有光谱范围的比较。上述的第一个实例应用一个1500nm长通滤波器迫使NIRS光谱仪达到1700nm光谱区域的范围。用增长的光程长可重复本实例以产生在第一和第二谐波光谱区域内更高的信噪水平。

* * *

下面的实例说明第四种基本组“基本组IV”的产生

实例——基本组IV

必须要测量溶液中分子的相互作用。在本实例中收集了一血清数据组。

数据组：第一个数据组由溶解在0.1M磷酸盐缓冲液，调整到pH7.35的溶液中的葡萄糖的光谱组成。试剂级的葡萄糖称重后和0.1M的磷酸盐缓冲液一起稀释到已知体积。用NIRS 5000光谱仪在遍及1100～2500nm的范围每2nm读取读数，在带有1mm石英池的传输模式收集光谱。在样本前放有一个1500nm长通滤波器以迫使NIRS光谱仪在1600nm峰值信号上设定其增益。在每个样本之前和之后，收集0.1M磷酸盐缓冲液的7个光谱。对每个样本7次有顺序的重复地收集全部64个葡萄糖(aq)样本。葡萄糖样本覆盖了大致上20～600mg/dL的动态范围。所有的样本均保持在38.0±0.2℃的温度。

第二数据组由由西部各州血浆(Western States Plasma)准备的血清样本组成。用标准的SMAC分析分析每一个血清样本，产生出钙，离子钙(经计算的)，磷，葡萄糖，尿酸，尿素氮(BUN)，肌酸酐，肌酸酐/BUN比，全部蛋白质，白蛋白，球蛋白，白蛋白/球蛋白比，全部胆红素，ALT，ALP，LD(LDH)，AST，GGT，钠，钾，氯化物，二氧化碳，甘油三酸酯，和胆固醇的浓度。为了扩展动态范围和拉平浓度分布，试剂级的尿素和葡萄糖定量地加入到血清样本中。以上面叙述的方式，在相同的波长区域，程长，温度控制和长通滤波器，应用NIRS 5000光谱仪。在每个血清样本之前和之后通过有调整为pH7.35的0.1M磷酸盐缓冲液。用每个样本的四次有顺序的复制收集全部196个血清样本。葡萄糖分析物覆盖了大约20～600mg/dL的动态范围。

实验：用PLS回归分析在每数据组中确定葡萄糖。保持所有的复制光谱集合在一起，数据组被分解成校准和预测。最初地从1100～2500nm每2nm收集一个数据点。从这个数据组通过保持每个第二点，每个第三点，每个第四点……直到每个第三十二点形成了附加的数据组。然后用1到10PLS因子确定PLS校准模型和预测。

结果和讨论：对于每一个分辨率，对于1～10PLS因子，进行结果的校准的标准误差(SEC)和预测的标准误差(SEP)被确定，如图17所示。这里，需要达到最佳因子数目的选择。因为不同的范围需要比较，所应用的PLS因子数目的差异能导致错误的结论。用统计的方法来确定最佳因子的数目失败了。因为当系统被过多模拟时，SEP并不增加，并进一步因为对10因子SEC和SEP产生相似的结果，所以为了这个实例的目的，决定用由10PLS因子得到的结果只进行标准误差从范围到范围的比较。

在水中葡萄糖和血清中葡萄糖数据组中都分析十个光谱范围。这在下面的表1中予以概述。范围1～3和5～7对应于在近红外中隔离的六个葡萄糖吸收率带的在0高度上的完全的宽度。范围4和8分别将区域1到3和区域5到7拼接到一起。范围9和10把区域4和8扩大到增加水吸收率，增加噪声并且没有附加的葡萄糖信息的区域。

表1：应用的光谱范围

范围号	光谱范围
范围号	光谱范围	1	2078-2243
2	2243-2272	1	2078-2243
2	2243-2272	3	2297-2366
4	2078-2366	3	2297-2366
4	2078-2366	5	1587-1674
6	1674-1709	5	1587-1674
6	1674-1709	7	1709-1754
8	1587-1754	7	1709-1754
8	1587-1754	9	2000-2500
10	1520-1805	9	2000-2500

很明显，更宽的结合了更多的葡萄糖信息(和水和温度)的光谱区域导致了在任何分辩率上比三个各别的葡萄糖吸收率带中的任何一个更低的标准误差。

对在本实例中使用的标准的0.040”出射狭缝，NIRS光谱仪的名义上的分辨率是10nm。还有，当分辨率从2下降到10nm，标准误差被观测到有稍许增加。这是起因于数据组从最初的2nm分辨率数据组创立起来的方式。例如，在产生的6nm分辨率数据组里，每第三个光谱点被保留了。这意味着三分之二的数据被抛弃了。被抛弃的数据有葡萄糖，水和温度信号。此外，通过保留这些额外点，有效的噪声通过信号的平均而减小。只要NIRS 5000的真实的分辨率是10nm，在SE相对分辨率的图形上观测到的斜率的100％是起因于这个有规则误差。此外，在10～32nm分辨率上可以观测到同样的斜率。

带有每2毫微米一点的最初的数据组再次被分解成带有在2nm间隔上的从2到32nm分辨率范围的数据组。这次，以将数据作平均代替抛弃额外的点。例如，在6nm分辨率上，在1100，1102，和1104nm上的点被平均为一个单个点。下一个点平均在1106，1108和1110nm上的数据点。然后重复进行PLS分析和确定带有第十个因子的标准误差，如图18所示。随着分辨率下降而观测到的标准误差的增加，被观测到增加到范围为5～10mg/dL标准误差，与分辨率为2～32nm的5～25mg/dL标准误差相对。很明显，平均数据点的失误导致了标准误差相对于分辨率的斜率的增加。虽然标准误差从2到32nm分辨率粗略地翻倍，此数据说明，对水溶液中葡萄糖，可接受的分辨率可以是32nm或更大。这具有化学上的意义，只要本实例中最窄的吸收率带为54nm宽。必须指出，在本实例中没有光谱干扰。所以，实际上的可接受的分辨率仅能从这个分辨率下降。

2℃对第一谐波区域，对用平均数据在2～32nm分辨率上产生的数据组，随着分辨率下降的标准误差的增加将大大减小，如图19所示。此外，对于该光谱区域，在大于16nm的分辨率上，少于10点被保留。所用的PLS算法仅在和所有的数据点一样多的因子上运算。如果对带有附加的因子的标准误差提出怀疑，在因子数目等于能得到的点数的情况下标准误差产生了。因为在本实例中(参看图17)，标准误差继续随着因子数目的增加而减少，用10PLS因子对各种分辨率比较标准误差就不正确。对1587～1754nm光谱区域用6PLS因子在下降的分辨率上直接比较标准误差呈现在图20。随着分辨率下降观测到的增加的标准误差随着分辨率在15nm以下就观测不到了。对于这个光谱区域，这是真实的标准误差的比较。图18的结果对2078～2366nm光谱区域还是有效的，是因为其包含着十个或更多的点和直至30nm的分辨率的大范围。

血清中的葡萄糖：图21到图30提供了对十个不同的光谱区域的血清中葡萄糖研究的SEC和SEP相对分辨率的曲线。结果和水中的葡萄糖总体说是一样的。

联合带区域首先被分析。带有最大的葡萄糖吸收率带的范围1产生了对隔离了单个葡萄糖吸收率带的区域最低的标准误差，如图21所示。范围2和3产生了更大的标准误差和有更小的带有降低的信噪水平的葡萄糖吸收率带，如图22和23所示。范围2和3在下降的分辨率上的分析受到每个范围内存在的数据点数目的限制。连接前三个区域的范围4表明了最低的标准误差，如图24所示。对点的平均再次减小了随着分辨率下降的标准误差的增加。当分辨率从2下降到30nm时观测到的标准误差从35增加到50mg/dL完全是由于缺少萃取方面的信息而不是平均数据点。虽然标准误差要比水中葡萄糖实例高，本实例表明，甚至在存在所有的光谱干扰时，除了皮肤和血细胞外，分辨率基本上不是一个效应，直至30nm的分辨率以后。这和水中的葡萄糖的结果是一样的。被结合的PLS因子的数目不是一个问题是由于甚至在30nm分辨率上也存在10个点的事实。范围9结合了所有的范围4以及扩展到超过葡萄糖在更高和更低的频率上吸收的范围，如图29所示。从2nm到30nm在标准误差方面没有观测到分辨率效应。

在第一谐波光谱区域分辨率的效应更难以说明，是由于降低的信噪水平和选择的更狭窄的光谱范围。范围5在谐波光谱窗口有最大的葡萄糖吸收率带并导致最低的标准误差。范围6和7被显示对水中葡萄糖有很差的信噪水平(没有呈现)。标准误差实质上是中心预测值的平均值，如图26和27所示。在下降的分辨率上效应变得更差，起因于在每个光谱范围中的点的数目。范围8显示了真实的葡萄糖预测值，如图28所示。这个范围是用平均的数据而不是经选择的数据进行重新分析，参看图31。由于在数据中存在的点的数目的缘故，用10PLS因子，观测到的随着下降的分辨率而增加的标准误差实质性地和没有平均数据的情况完全一样。这可以在只有6PLS因子(在30nm分辨率上存在6点)的情况下通过比较标准误差而显示。在分辨率达到20nm之前没有分辨率效应被观测到。从范围8扩展到更高和更低频率的范围10在30nm分辨率上存在10个数据点，且在直到20nm之前没有显示出分辨率效应，如图30所示。

结论：水中的葡萄糖数据组有充分的信噪水平以确定带有所需规格的葡萄糖。对葡萄糖狭窄的吸收率带而言随着分辨率下降标准误差会上升是不真实的。产生新的数据组部分地是选择这些点而不是平均这些点的结果。此外，新的数据组不包含足够的数据点来比较用10PLS因子的2nm分辨率数据的分析和32nm分辨率数据的分析。分辨率效应在这个比较中可以用更少的PLS因子或用更大的光谱范围来提出。对于两种方法，分辨率效应在联合带区域最小到30nm，在第一谐波光谱窗口为15nm。

因为最好要得到仪器可能达到的最高的信噪比，有30nm的分辨率是可以接受的。那就是，通过有更小的(但是还是能接受的)分辨率，例如有30nm分辨率来替代10nm分辨率，仪器能获取更高的相对于噪声的信号。这样，即使分辨率不高，仪器产生的信号里还是包含有更多的信息。作为结果，在本发明的最佳实施例里选择的分辨率提供了一个更为精确的光谱的图象，虽然仪器的分辨率并不高。这是因为在需要的分辨率上有更高的信噪比。作为对照，如果仪器能得到额外的分辨率，但有更低的信噪比，只能得到更少的信息供基本组来处理。

在这实例中，血清中葡萄糖数据组曾导致了粗略地三倍于葡萄糖数据组的标准误差。再有，分析被限制到或者是大的光谱窗口，或者是对于狭窄范围和更少的PLS因子进行比较。在联合带光谱区域，随着分辨率下降观测到标准误差上升最小到30nm分辨率。在第一谐波光谱窗口内，标准误差相对分辨率的斜率最小到20nm分辨率。这些结果和水中葡萄糖研究中产生的结果实质上是完全相同的。蛋白质，甘油三酸酯，胆固醇，尿素，盐，和较少的有机组分的效应被观测到不影响所要求的分辨率。

* * *

实例——基本组V

必须测量全部血液细胞的散射效应。这个基本组的产生如下：·收集传输中的以及作为漫反射率的血液数据组·重复成分萃取。·连接散射修正·去褶合(参见下述去褶合的讨论)

实例——基本组VI

必须测量皮肤效应，进行动物研究和重复所有的先前分析技术。非侵害性研究可以看作是基本组的扩展。

* * *基本组的应用

需要对一系统有关诸如下面一些因素的化学和物理的知识：·明智的波长选择，例如有关每个分析物的干扰的位置和程度的知识。·作为区域函数的噪声水平的阐述。·作为波长的函数的对每个分析物的信号水平的阐述。·对每一分析物选择最佳的信噪比区域。

本发明的仪器设备的分辨率规范在前面已阐述。需要来提供合适的仪器分辨率的模拟——数字转换(A/D)位数可以从非侵害性光谱和葡萄糖强度(吸收率)计算出来。对这种确定，必须了解整个系统的最大强度以及葡萄糖在需要的标准误差上的强度。如果最大的样本强度对负吸收单位是10，就仅必须计算主体扫描强度，包括所有的吸收体。为了确定葡萄糖的强度，所要求的标准误差是9mg/dL。葡萄糖和水的强度以及水的强度是用来(如上所述)计算葡萄糖和水的强度减去水的强度的。这就导出了葡萄糖的强度的值。一旦葡萄糖的强度确定后，就必须确定葡萄糖强度的改变，例如把基线移向峰值，作出葡萄糖强度的改变相对于葡萄糖浓度的曲线。这提供了一个最好的适配数据，该数据可以使其适合于一条线以计算出在9mg/dL处的强度的改变。一旦这个数值获得了，这个值和最大的葡萄糖强度的比例就容易计算出来。这个比例限定了在系统中模拟——数字转换所需要的位数。例如，如果该比例是50000，则需要16位的A/D，因为必须提供充足的定量以避免混淆问题。这样，基本组在规定仪器参数中就有用了。

阐明多变量结果。多变量结果难以证实。标准误差必须和基本组信息相互关联。如果加入了噪声区域，信噪比就下降。所以就必须将标准误差和信噪比关联起来。

关于在光栅式光谱仪里消除第二，第三……阶光，就需要长通滤波器。基本组支配了滤波器的规格。

关于消除散射，这样的确定基于折射率的改变。在本发明的最佳实施例里，基本组消除散射和温度效应。对附加的分析物重复这个步骤，经减小的光谱用多变量的方法进一步处理。

非侵害性光谱的去褶合。部分的去褶合减小了第一是温度和水，然后是蛋白质，然后是有机成份的等级次序。形成的光谱然后可以馈入到多变量方法中。然而，经减小的信号的动态范围迫使PLS锁定于较小的分析物，诸如尿素和葡萄糖，而不是水和温度。

在近红外场合对于葡萄糖，干扰的数目是有限制的，主要的干扰在浓度上有合适的中断(breaks)。最大的浓度/效应是温度和水。处理应该消除折射率，这大约是100g/dL。

在水和蛋白质之间存在大的浓度差距。这个事实可被利用来重复去褶合。

白蛋白和球蛋白蛋白质大约是1～7g/dL。这些干扰可以通过光谱减除或转动容易地识别和消除。

实例——线性

介绍：基本组用以确定干扰葡萄糖的每个主要种类的位置和强度。它也论证了对一个给出的成份，吸收率线性地随着浓度的增加而增加。在这个实例中显示了多重成份的吸收率是各别成份的总和，正如Beer定律设想的那样。这对这里叙述的用光谱减除化学信息以增强葡萄糖的信噪水平的途径是重要的。

实验：光谱用NIRS 5000光谱仪配置成传输模式带有1mm程长石英样本池以四次重复的方式收集的。所有样本为试剂级并在0.1M磷酸盐缓冲液在pH7.35制备，而光谱在38.0±0.2℃下收集。

六个单个的分析物溶液被制备好：4000和8000mg/dL白蛋白，2000和4000mg/dL球蛋白，和200和400mg/dL三乙酸甘油酯。由上述六个样本浓度通过一切可能的排列和组合又制备出八个另加的样本。例如，一个样本由8000mg/dL白蛋白，2000mg/dL球蛋白和200mg/dL三乙酸甘油酯组成。

结果和讨论：显示的三条水的光谱，8000mg/dL白蛋白，2000mg/dL球蛋白和200mg/dL三乙酸甘油酯主要作为水的吸收率带，如图32所示。用同样的用在基本数据组中力求匹配程长和温度效应(上面讨论的)的算法实现的减除水，被用来在遍及1640～1655nm，和2077～2085nm光谱范围内使剩余物减到最小大约0吸收率，如图33所示。不完全的温度和程长减除的结果在1890～2010nm周围的区域里起支配作用，在该区域里由于大的水吸收率没有信号产生。结果的光谱显示出六个起支配作用的，中心点在1690，1730，2060，2170，2285和2335nm的蛋白质吸收率带。

单个的分析物白蛋白样本的光谱在图34显示。8000mg/dL白蛋白峰接近正好二倍于4000mg/dL白蛋白峰，说明Beer定律有效。8000mg/dL白蛋白光谱的平均值从图33中的光谱里减除以产生图35显示的光谱。被此遮盖的是2000mg/dL球蛋白光谱。很明显，减除100000mg/dL(100g/dL)水和8000mg/dL白蛋白以后，球蛋白光谱的基本形状是可以辨得出的。差异是200mg/dL三乙酸甘油酯和基线偏移的总和。

单个的分析物球蛋白样本的光谱在图36显示。4000mg/dL球蛋白峰260，261，262接近正好二倍于2000mg/dL球蛋白峰263，264。再次，2000mg/dL球蛋白光谱的平均值从图33中显示的光谱里减除以产生图37的光谱。被此遮盖的是标准的200mg/dL三乙酸甘油酯光谱。再重复一次，减除100,000mg/dL水，8000mg/dL白蛋白和2000mg/dL球蛋白之后，中心值位于1675，1715，1760，2130，2250和2320nm的200mg/dL三乙酸甘油酯峰就能看见了。未知的浓度可以通过转动减除。

结论：对于一个相对简单的混合物，减除高浓度水，白蛋白和球蛋白产生了三乙酸甘油酯的光谱。很明显，在温度和程长修正中的小误差扩散到对低浓度分析物的基线的大误差里去了。减除中的误差也许来自于散射也还是可能的。为了修正这点，可以应用标准的多重散射修正算法。很明显，直接减除能产生通过目测就能显示对更低浓度分析物产生更高的信噪比的光谱。

注意：血清中比不包括在这个实例中的葡萄糖有更高的近红外吸收仅有的二种分析物是胆固醇和尿素。

* * *

基于剩余的分析物的最小的或限定的吸收率的区域，在本发明的应用中，用重复减除来代替直接的光谱减除。在本发明另一个同样最佳的实施例中，为了隔离面对面的互为分析物和干扰物的目的可以利用另一个浓度间隙。两种现有的最佳途径包括：·用多变量技术进行分析，因为干扰物和葡萄糖的动态范围是相同的；和·通过去褶合/减除进一步消除甘油三酸酯，胆固醇，尿素。

产生基本组的一个途径是复制。例如，在一个样本里，减除水以后就确定白蛋白和球蛋白。一旦白蛋白和球蛋白确定后，并且知道了水的浓度，白蛋白和球蛋白就可以再次消除，这一次不过是更为精确些。这个复制过程进行到某些预先确定的精度限定，然后甘油三酸酯和胆固醇就被结合到分析中去。

虽然在本文中是根据最佳实施例叙述了本发明，但对本专业熟悉的人士将容易地认识到其他的应用也可以替代本文中提出的应用而不会脱离本发明的精神和范围。因此，本发明应该仅能由包括在下文中的权利要求出来限定。

Claims

1、一种用多光谱分析确定一个样本中目标分析物浓度的方法，其特征在于，它由以下步骤组成：

产生至少一个包括至少一种在所述样本中发现的干扰成分的基本组；和

把代表所述样本的实测光谱应用于所述基本组，因此所述样本的所有相关的干扰成份在所有其他相关的样本成份的相互关系中识别出来并从该样本光谱中消除；

其中，所述样本的对应所述分析物的成份由所述基本组的应用来识别。

2、如权利要求1所述的方法，其特征在于，所述样本是血清；和所述基本组由包括任何的水，温度/氢效应，结合键效应，白蛋白，球蛋白，蛋白质，甘油三酸酯，胆固醇，尿素，散射修正，折射率修正，透射深度，和有机物，试验者的身体和物理成份的干扰成份组成。

3、如权利要求1所述的方法，其特征在于，所述基本组不包括那些不干扰所述分析物的探测的成份。

4、如权利要求1所述的方法，其特征在于，它还包括下述步骤：

识别所有相关的干扰成份。

5、如权利要求4所述的方法，其特征在于，它还包括下述步骤：

确定每个所述干扰成份怎样相互作用。

6、如权利要求5所述的方法，其特征在于，它还包括下述步骤：

萃取每个所述干扰成份。

7、如权利要求6所述的方法，其特征在于，它还包括下述步骤：

将每个所述纯净形式的干扰成份的光谱和溶液中的每个所述干扰成份的光谱相比较，以识别溶剂的效应。

8、如权利要求1所述的方法，其特征在于，顺序地和重复地产生对每个所述干扰成份的一个基本组。

9、如权利要求1所述的方法，其特征在于，它还包括下述步骤：

表明所述样本中每个所述干扰成份的特性；和

从在研究检测的频率上产生的光谱中减除每个所述干扰成份。

10、如权利要求8所述的方法，其特征在于，它还包括下述步骤：

用数学方法合并所述基本组以产生一组可以储存在查寻表供分析期间使用的变换。

11、如权利要求10所述的方法，其特征在于，它还包括下述步骤：

把所述变换应用到在所述多光谱分析期间产生的一个数字信号中以识别代表所述分析物的一个信号，其中每个干扰从该光谱中被消除；

把多变量分析应用到所述信号中。

12、如权利要求11所述的方法，其特征在于，所述多变量分析包括部分最小二乘分析，接着是主要成份分析。

13、一种产生至少一个基本组供在用多光谱分析确定一个样本中目标分析物浓度中应用的方法，其特征在于，所述方法包括下述步骤：

在和所述分析物的频率一样的频率上识别至少一种在所述样本中发现的相关干扰成份；

在其他频率上识别所述至少一种相关干扰成份以量化所述干扰成份在所述其他频率上的吸收率；和

在所述分析物频率上从所述样本的实测光谱中减除所述至少一种干扰成份。

14、如权利要求13所述的方法，其特征在于，为每一个所述至少一种干扰成份重复所述方法的每一步骤以产生对于一分析物的多个基本组。

15、如权利要求13所述的方法，其特征在于，它还包括下述步骤：

用所述基本组通过以下步骤确定所述样本中所述目标分析物的浓度：

用光谱装置收集光谱数据；

将用所述光谱装置收集的光谱数据转换成数字数据；

根据储存在一个或多个查寻表(LUT)中的各种变换对这种数字输入数据进行运算，其中所述LUT包含结合所述基本组的变换，以及其中所述变换用所述基本组从通过所述光谱装置产生的光谱信号中识别和消除干扰成份。

16、如权利要求13所述的方法，其特征在于，它还包括下述步骤：

将所述基本组储存在查寻表中。

17、如权利要求13所述的方法，其特征在于，所述基本组包括：

所述分析物在不同的研究检测生理学浓度上的一系列光谱。

18、如权利要求15所述的方法，其特征在于，所述基本组应用在一物理模型之前或与其相连接，该模型修正包括任何散射，程长和温度的物理干扰因子。

19、如权利要求13所述的方法，其特征在于，它还包括下述步骤：

提供多个用以对液体样本中的分析物进行量化的基本组。

20、如权利要求13所述的方法，其特征在于，它还包括下述步骤：

对每个光谱窗口选择不同的程长。

21、如权利要求20所述的方法，其特征在于，所述程长包括：

对联合带区域大约1mm；

对第一谐波区域大约2～8mm；和

对第二谐波区域大约10mm或更大。

22、如权利要求13所述的方法，其特征在于，在分析期间一个或多个基本组被应用到一个光谱信号以产生一个精确的光谱描述，分析物浓度可以从该描述中精确确定。

23、如权利要求13所述的方法，其特征在于，所述基本组包括在所述样本中找到的所有干扰成份。

24、一种用多光谱分析确定样本中一个目标分析物浓度的设备，其特征是，它包括：

至少一个包括所述样本中的至少一个干扰成份的基本组；

其中代表所述样本的一个光谱信号被应用到所述基本组，因此所述样本的所有相关的干扰成份在所有其他相关的样本成份的相互关系中识别出来并从该样本光谱中消除；和

其中所述样本的对应所述分析物的成份通过应用所述基本组来识别。

25、如权利要求24所述的设备，其特征在于，所述样本是血清；所述基本组由干扰成份组成，干扰成份包括任何的水，温度/氢效应，结合键效应，白蛋白，球蛋白，蛋白质，甘油三酸酯，胆固醇，尿素，散射修正，折射率修正，透射深度，和有机物，试验者的身体和物理成份。

26、如权利要求24所述的设备，其特征在于，所述基本组不包括那些不干扰所述分析物的探测的成份。

27、如权利要求24所述的设备，其特征在于，所述基本组还包括：

所有相关的干扰成份。

28、如权利要求27所述的设备，其特征在于，所述基本组通过确定每个所述干扰成份是怎样互相作用来产生。

29、如权利要求28所述的设备，其特征在于，所述基本组进一步通过萃取每个所述干扰成份来产生。

30、如权利要求29所述的设备，其特征在于，所述基本组进一步通过将每个所述纯净形式的干扰成份的光谱和溶液中的每个所述干扰成份的光谱进行比较以识别溶剂的效应来产生。

31、如权利要求24所述的设备，其特征在于，它进一步包括：

一个基本组适合于每个所述干扰成份。

32、如权利要求24所述的设备，其特征在于，所述基本组通过表征所述样本中的每个所述干扰成份以及从在研究检测的频率上产生的光谱中减除每个所述干扰成份来产生。

33、如权利要求31所述的设备，其特征在于，所述基本组还包括：

可以储存在一个查寻表中以供分析期间使用的用数学方法产生的一个变换组。

34、如权利要求33所述的设备，其特征在于，所述变换被应用到在所述多光谱分析期间产生的一个数字信号中以识别代表所述分析物的一个信号；以及多变量分析被应用到所述信号。

35、如权利要求34所述的设备，其特征在于，所述多变量分析包括部分最小二乘分析，接着是主要成份分析。

36、一个用来用多光谱分析确定样本中的一个目标分析物浓度的基本组，其特征是，所述基本组包括：

在和所述分析物的频率一样的频率上代表在所述样本中发现的相关干扰成份的光谱信息；以及

在其他频率上的用以量化在所述其他频率上所述干扰成份的吸收率的代表基本上所有所述相关干扰成份的光谱信息；

其中所述干扰成份的光谱信息从在所述分析物频率上的样本光谱中减除；

所述基本组在多光谱分析期间由一处理器储存在存储器中供使用。

37、如权利要求36所述的设备，其特征在于，它还包括：

对一个分析物的多个基本组。

38、如权利要求36所述的设备，其特征在于，它还包括：

一种用于用所述基本组确定所述样本中所述目标分析物浓度的仪器，所述仪器包括：

一个光谱装置用以收集光谱数据；

一个模拟——数字转换器用以将由所述光谱装置收集的所述光谱数据转换成数字数据；

一个根据储存在单个或多个查寻表(LUT)中的各个变换对这种数字输入数据进行运算的处理器，其中所述LUT包含结合所述基本组的变换，和所述变换用所述基本组，从由所述光谱装置产生的光谱信号中识别和消除基本上所有的干扰组份。

39、如权利要求36所述的设备，其特征在于，其中所述基本组被储存在查寻表中。

40、如权利要求36所述的设备，其特征在于，所述基本组包括：

所述分析物在研究检测的不同的生理学浓度上的一系列光谱。

41、如权利要求38所述的设备，其特征在于，所述基本组应用在一物理模型之前或与其相连接，该模型修正包括任何散射，程长和温度的物理干扰因子。

42、如权利要求36所述的设备，其特征在于，它还包括：

用于量化液体样本中一种分析物的多个基本组。

43、如权利要求36所述的设备，其特征在于，对每个光谱窗口选择不同的程长。

44、如权利要求43所述的设备，其特征在于，所述程长包括：

对联合带区域大约1mm；

对第一谐波区域大约5～10mm；

对第二谐波区域大约10mm或更大。

45、如权利要求36所述的设备，其特征在于，一个或多个基本组被应用到分析期间的光谱学信号中以产生精确的光谱描述，通过该描述分析物的浓度可以精确确定。

46、如权利要求36所述的设备，其特征在于，所述基本组包括在所述样本中找到的所有干扰成份。

47、如权利要求36所述的设备，其特征在于，所述光谱信息是无侵害性地收集的。