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制作方法

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
1.相关申请的交叉引用
2.本技术要求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。
技术领域
3.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。


背景技术：

4.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。


技术实现要素：

5.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。
6.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。
7.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。
8.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。
9.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。
10.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。
11.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。
12.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。
13.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。
14.感兴趣的生理状态可以是：i)大麻诱导的中毒，则两种或多于两种的分析物可以包括：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、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，生理参数可以包
括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发中的thc，尿液中的thc；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、乳酸的组，并且生理参数选自心率、脉搏率、体温、神经肽y、天冬氨酸氨基转移酶(aat)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)；iii)大麻和酒精混合所致的中毒，或者鸦片、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，则两种或多于两种的分析物可以包括：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、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、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、醇、醛和乳酸，生理参数可以包括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞中的一种或多种细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发里的thc、尿液里的thc。
15.在分析步骤(步骤g)中，可以通过处理从多个对象获得的多个数据集来确定用于确定对象的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，每个数据集来源于生化指标和一个或多于一个生理参数，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，并且模型用于分析对象的生化指标和一个或多于一个生理参数，以确定对象中感兴趣的生理状态。
16.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和一个或多于一个生理参数，以确定对象中感兴趣的生理状态。
17.根据另一方面，提供了一种用于检测对象感兴趣的生理状态的设备，包括：电磁辐射(emr)源，其发射从大约400nm到大约2500nm的多个emr波长，emr源可操作地耦合到电源；受体，其尺寸与样本配准并贴靠样本，受体包含一个或多于一个端口；与emr源可操作地关联的一个或多于一个输入辐射引导元件，与检测器可操作地关联的一个或多于一个输出辐射引导元件，一个或多于一个输入辐射引导元件和一个或多于一个输出辐射引导元件与一个或多于一个端口光学对准，当受体与样本配准并贴靠样本时，该端口位于并限定受体内的emr路径；检测器用于测量从样本接收的透射或反射emr，检测器可操作地耦合到处理系统；处理系统包括用于确定样本中两种或多于两种分析物的浓度的一种或多于一种算法，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，以及使用一个或多于一个算法来导出样本的感兴趣的生理状态，其中，感兴趣
的生理状态是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)、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、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。
18.根据另一方面，提供了一种方法，包括：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血液和间质液反射，其中，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，其中，光谱包括波长范围；将测量光谱与代表已知感兴趣的生理状态的参考光谱进行比较；以及根据测量光谱与参考光谱之间的相似性并且不直接参考对象的分析物的情况下确定对象是否处于已知的感兴趣的生理状态。
19.入射到身体部位上的光可以包括来自近红外和可见光谱的波长范围。
20.入射到身体部位上的光可以包括来自近红外光谱的波长范围。
21.入射到身体部位上的光可以包括来自可见光谱的波长范围。
22.可以在已经穿过身体部位的光上测量光谱。
23.可以在已经被身体部位反射的光上测量光谱。
24.可以在已经穿过身体部位并且已经被身体部位反射的光上测量光谱。
25.测量的光谱可以包括亮参考样本、暗参考样本、亮样本和暗样本，并且比较可以包括使用亮参考样本、暗参考样本、亮样本和暗样本来校正传感器偏差。
26.比较可以包括从测量的光谱中去除离群值并生成测量的光谱的平均中心版本。
27.比较可以包括将变换应用于测量的光谱的平均中心版本。
28.该方法可进一步包括：将多个变换应用于测量的光谱的平均中心版本，其中，变换选自标准正态变量(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)组成的组；评估多个变换中的每一个对测量的光谱的平均中心版本的性能；以及从评估的结果中选择变换光谱，其中，变换光谱是测量光谱的平均中心版本的变换版本。
29.该方法可进一步包括选择至少一个波长范围，该波长范围是变换光谱的总波长范围的子集。
30.该方法可进一步包括应用偏最小二乘法以获得至少一个波长范围的pls导出分量。
31.该确定可以包括将线性回归模型应用于拟合。
32.该确定可以包括将神经加性模型应用于拟合。
33.该确定可以包括将神经加性模型应用于至少一个波长范围，该波长范围是变换光谱的总波长范围的子集。
34.该确定可以包括将人工深度神经网络应用于pls导出分量。
35.该确定可以包括将人工深度神经网络应用于至少一个波长范围，该波长范围是变换光谱的总波长范围的子集。
36.该确定可以包括将卷积神经网络应用于至少一个波长范围，该波长范围是变换光谱的总波长范围的子集。
37.该方法可进一步包括应用偏最小二乘法以获得测量的光谱的pls导出分量。
38.该确定可以包括将线性回归模型应用于拟合。
39.该确定可以包括将神经加性模型应用于拟合。
40.该确定可以包括将神经加性模型应用于测量的光谱。
41.该确定可以包括将人工深度神经网络应用于pls导出分量。
42.该确定可以包括将人工深度神经网络应用于测量的光谱。
43.该确定可以包括将卷积神经网络应用于测量的光谱。
44.该确定可以包括接收灵敏度目标和特异性目标，以及根据灵敏度和特异性目标输出感兴趣的生理状态。
45.感兴趣的生理状态可以包括对象是否患有covid-19。
46.可以使用傅立叶变换近红外光谱仪来执行测量。
47.光谱仪可以包括用于接收样本容器的平台，并且测量可以直接在个体的手指上执行。
48.根据另一方面，提供了一种方法，包括：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血液和间质液反射，其中，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，其中，光谱包括波长范围；以及在不直接参考对象的分析物的情况下确定对象是否处于感兴趣的生理状态，其中，该确定包括使用训练的机器学习模型来处理测量的光谱，并且其中，用代表感兴趣的生理状态的参考光谱来训练该训练的机器学习模型。
49.入射到身体部位上的光可以包括来自近红外和可见光谱的波长范围。
50.可以在已经穿过身体部位的光上测量光谱。
51.可以在已经穿过身体部位并且已经被身体部位反射的光上测量光谱。
52.测量的光谱可以包括亮参考样本、暗参考样本、对象的亮样本和对象的暗样本，并且比较可以包括使用亮参考样本、暗参考样本、对象的亮样本和对象的暗样本来校正传感器偏差。
53.该方法可进一步包括：在使用训练的机器学习模型来处理测量的光谱之前，从测量的光谱中去除离群值并生成测量的光谱的平均中心版本。
54.该方法可进一步包括：在使用训练的机器学习模型来处理测量的光谱之前：将多个变换应用于测量的光谱的平均中心版本，其中，变换选自标准正态变量(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)组成的组；评估多个变换中的每一个对测量的光谱的平均中心版本的性能；以及从评估的结果中选择变换光谱，其中，变换光谱是测量光谱的平均中心版本的变换版本。
55.该方法可进一步包括选择至少一个波长范围，该波长范围是变换光谱的总波长范围的子集，并且其中，使用机器学习模型来处理变换光谱。
56.该方法可进一步包括将变换光谱分解成潜在空间分量，并且使用训练的机器学习模型来处理变换光谱可以包括使用机器学习模型的相应实例来处理潜在空间分量。
57.例如，机器学习模型包括神经加性模型、人工深度神经网络和卷积神经网络中的任何一个或多个。
58.该方法可进一步包括将变换光谱分解成潜在空间分量，并且使用训练的机器学习模型来处理测量的光谱可以包括使用机器学习模型的相应实例来处理潜在空间分量。
59.可以通过应用偏最小二乘法或主分量分析来生成潜在空间分量。
60.该确定可以包括接收灵敏度目标和特异性目标，以及根据灵敏度和特异性目标输出感兴趣的生理状态。
61.感兴趣的生理状态可以包括对象是否感染了病毒。
62.感兴趣的生理状态可以包括对象是否患有covid-19。
63.感兴趣的生理状态可以包括大麻或thc损伤。
64.感兴趣的生理状态可以包括酒精损伤。
65.可以使用傅立叶变换近红外光谱仪来执行测量。
66.光谱仪可以包括用于接收样本容器的平台，并且其中，测量可以直接在个体的手指上执行。
67.根据另一方面，提供了一种非暂时性计算机可读介质，其上存储有可由处理器执行的计算机程序代码，并且当由处理器执行时，使处理器执行前述方面中的任何方面的方法及其适当组合。
68.根据另一方面，提供了一种装置，包括：灯；至少一个光谱仪；接口，其包括用于对象的身体部位的接收器；以及至少一个源光纤和至少一个返回光纤，至少一个源光纤和至少一个返回光纤将灯和至少一个光谱仪光学耦合到接收器，其中，源光纤被定位成将来自灯的光引导到身体部位，并且返回光纤被定位成接收透射通过身体部位或被身体部位反射的光并将接收的光引导到至少一个光谱仪。
69.身体部位可以是手指，并且接收器可以包括第一表面和第二表面，第一表面被定位成抵靠手指的指肚，第二表面被定位成抵靠手指的指尖，其中，至少一个源光纤被定位成通过第二表面将光从灯引导到手指，并且至少一个返回光纤被定位成通过第一表面接收透射通过身体部位的光。
70.身体部位可以是手指，并且接收器可以包括第一表面，第一表面被定位成抵靠手指的指肚，其中，至少一个源光纤和至少一个返回光纤被定位成分别将来自灯的光引导到手指并接收由手指反射的光。
71.至少一个光谱仪可以包括被配置为输出可见光谱中的光的第一光谱仪和被配置为输出近红外光谱中的光的第二光谱仪。
72.第一光谱仪可进一步被配置为输出近红外光谱中的光。
73.第一光谱仪被配置为输出波长从大约350nm到1000nm的光，并且第二光谱仪被配置为输出波长从大约900nm到大约2500nm的光。
74.该装置可进一步包括：通信端口；以及控制器，其通信地耦合到至少一个光谱仪和通信端口，其中，控制器被配置为：将来自灯的光引导到身体部位，其中，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，使用至少一个光谱仪测量光的光谱，其中，光谱包括波长范围；将测量的光谱输出到通信端口。
75.该装置可进一步包括：处理器，其通信地耦合到通信端口；以及非暂时性计算机可读介质，其上存储有可由处理器执行的计算机程序代码，并且当由处理器执行时，使处理器：1)将测量光谱与代表已知感兴趣的生理状态的参考光谱进行比较；以及根据测量光谱与参考光谱之间的相似性并且不直接参考对象的分析物的情况下确定对象是否处于已知的感兴趣的生理状态，或者2)执行如下方法，该方法包括在不直接参考对象的分析物的情况下确定对象是否处于感兴趣的生理状态，其中，确定包括使用训练的机器学习模型来处理测量的光谱，并且其中，用代表感兴趣的生理状态的参考光谱来训练训练的机器学习模型。
76.至少一个光谱仪可以包括傅立叶变换近红外光谱仪。
77.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：使身体部位与受体接触；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；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测量的光谱；以及将测量的光谱与参考光谱进行比较，以确定对象中感兴趣的生理状态。
78.可以使用傅立叶变换近红外光谱仪来执行测量。
79.光谱仪可以包括用于接收样本容器的平台，并且测量可以直接在个体的手指上执行。
80.根据另一方面，提供了一种非侵入性地确定对象感兴趣的生理状态的方法，包括：确定对象的一个或多于一个生理参数；使身体部位与受体接触；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；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测量的光谱；以及将测量的光谱与参考光谱进行比较，以确定对象中感兴趣的生理状态。
81.可以使用傅立叶变换近红外光谱仪来执行测量。
82.光谱仪可以包括用于接收样本容器的平台，并且其中，测量可以直接在个体的手指上执行。
83.根据另一方面，提供了一种用于检测对象感兴趣的生理状态的设备，包括：电磁辐射(emr)源，其发射从大约350nm到大约2500nm的多个emr波长，emr源可操作地耦合到电源；受体，其尺寸与样本配准并贴靠样本，受体包含一个或多于一个端口；与emr源可操作地关联的一个或多于一个输入辐射引导元件，与检测器可操作地关联的一个或多于一个输出辐
射引导元件；一个或多于一个输入辐射引导元件和一个或多于一个输出辐射引导元件与一个或多于一个端口光学对准，当受体与样本配准并贴靠样本时，该端口位于并限定受体内的emr路径；检测器用于测量从样本接收的透射或反射emr，检测器可操作地耦合到处理系统，处理系统被配置为将样本的透射或反射emr的测量光谱与参考光谱进行比较，以导出样本的感兴趣的生理状态，其中，感兴趣的生理状态是对象是否患有covid-19。
84.检测器可以包括傅立叶变换近红外光谱仪。
85.本发明内容不一定描述所有方面的全部范围。在回顾以下具体实施例的描述后，其他方面、特征和优点对于本领域普通技术人员将是显而易见的。
附图说明
86.通过以下描述，各种实施例的这些和其他特征将变得更加明显，参考附图，其中：
87.图1示出了根据示例实施例的设备的示例。
88.图2是现有技术(us 6,657,717)，并且示出了球蛋白、葡萄糖、尿素、肌酐、胆固醇和has的吸收光谱，波长范围从500nm到1400nm。
89.图3示出了根据示例实施例的设备的示意图。
90.图4示出了根据示例实施例的设备的示意图。
91.图5示出了根据示例实施例的开发流水线的示意图。
92.图6示出了根据示例实施例的用于确定对象感兴趣状态的系统的示意图。
93.图7是示出图6的系统中信息流的框图。
94.图8a和8b分别是沿反射率接口的线8a-8a的透视图和剖视图。
95.图9a和9b分别是沿透射率接口的线9a-9a的透视图和剖视图。
96.图10是根据示例性实施例的处理使用图8a和8b或图9a和9b的接口获得的光谱数据的方法的流程图。
97.图11是输入数据处理方法的流程图，包括图10的方法的一部分。
98.图12是执行离群值检测的方法的流程图，包括图10的方法的一部分。
99.图13是执行优化流水线的方法的流程图，包括图10的方法的一部分。
100.图14是描述应用各种模型来确定感兴趣状态的流程图。
101.图15示意性地表示了图10的预处理流水线的效果。
102.图16是执行图13的优化流水线的方法的流程图。
103.图17是描绘图16中所示配置框的框图。
104.图18是作为执行图10的优化流水线的一部分执行的波长减少的示例。
105.图19a-c和20a-c是可以应用于处理光谱数据以达到感兴趣状态的示例模型。
106.图21a-c描绘了可以用于处理光谱数据以达到感兴趣状态的示例系统的框图。
107.图22是示例过程图，其中使用状态模型处理光谱数据以达到感兴趣状态。
108.图23是示例性组合设备，包括用于获得光谱测量值的接口和用于处理这些测量值的光谱仪。
具体实施方式
109.本公开涉及用于确定对象中感兴趣的生理状态的非侵入性方法和设备。这些方法
用于确定指示对象中感兴趣的生理状态的生化指标或指纹。
110.如本文所使用的，术语“包括”、“具有”、“包括”和“包含”及其语法变体是包容性的或开放式的，并且不排除附加的、未列举的元件和/或方法步骤。当本文结合使用或方法使用时，术语“基本上由
……
组成”表示可以存在附加元件和/或方法步骤，但是这些附加不会实质性地影响其中方法或使用功能的方式。当本文结合使用或方法使用术语“由
……
组成”时，排除了附加元件和/或方法步骤的存在。本文描述的包括某些元件和/或步骤的使用或方法也可以在某些实施例中基本上由这些元件和/或步骤组成，并且在其他实施例中由这些元件和/或步骤组成，无论这些实施例是否被具体提及。此外，单数的使用包括复数，除非另有说明，否则“或”是指“和/或”。本文所使用的术语“多个”是指多于一个，例如，两个或更多，三个或更多，四个或更多，等等。除非本文中另有定义，本文使用的所有技术和科学术语具有与本领域普通技术人员通常理解的含义相同的含义。如本文所使用的，术语“约”指的是相对于给定值的大约+/-10％的变化。应当理解，无论是否特别提及，这种变化总是被包括在本文提供的任何给定值中。当本文中与术语“包括”一起使用时，单词“一”或“一个”的使用可以指“一个”，但是它也与“一个或多个”、“至少一个”和“一个或多于一个”的含义一致。
111.本文所使用的表达“身体部位”或“对象的一部分”是指电磁辐射(emr)可以指向的人体的元素或部分。例如，该元素或部分可以是耳垂、手指、手臂、腿、躯干、脸颊或脚趾。
112.本文描述了用于确定对象中感兴趣的生理状态的非侵入性方法。例如，该方法可以涉及使身体部位与设备的受体接触。将波长范围(例如，从约350至约2500nm)上的电磁辐射(emr)源引导穿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，并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。使用确定身体部位的血液和间质液中两种或多于两种分析物的量的算法来执行光谱的定量数学分析。两种或多于两种分析物的量(例如，浓度或水平)用于导出对象的生化指标或指纹。
113.两种或多于两种分析物的量(生化指纹也称为生化指标)可以与从参考(对照)对象(例如，从健康个体的截面)获得的两种或更多种分析物的参考值进行比较，以便提供可以用于指示对象感兴趣的生理状态的状态的数据。此外，可以随时间监测生化指纹(生化指标)，并与从同一对象获得的两种或更多种分析物的先前值进行比较，以获得可以用于管理对象感兴趣的生理状态的数据。
114.生化指标也可以与生理参数相结合，以确定对象感兴趣的生理状态。“存在的状态”可以包括感兴趣的生理状态，例如，由于中毒，例如但不限于由大麻消费、酒精消费、大麻和酒精消费或由其他麻醉剂消费引起的中毒，例如但不限于鸦片制剂、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。
115.本文所描述的设备可以用于确定对象感兴趣的生理状态是否指示中毒状态。如果确定了中毒状态，则可以直接采取纠正措施，或者可以将测试结果转发给另一方，以便另一方可以采取纠正措施。例如，如果该设备用于路边测试，并且该设备的操作者(并且可选地提供生理和行为测试)是执法人员，并且获得了指示驾驶员或汽车中毒状态的结果，那么该测试的操作者，例如执法人员，可以执行纠正动作并没收汽车、吊销驾驶执照、提起诉讼等等。可替代地，测试的操作者、卫生保健工作者或执法人员可以将指示中毒(损伤)的阳性结
果转发给第三方，例如治安法官，并且可以采取纠正措施。在某些情况下，例如，当安全是对象就业要求时，如果对象已被确定表现出表明中毒(损伤)的阳性结果，则可以将该结果转发给对象的雇主。安全可能是对象就业要求的情况的示例包括：对象是空中交通管制员、对象是飞行员、他们驾驶商用车辆、他们在工作场所操作机器(大型或小型)、他们是核电设施的操作者等。
116.消费是指麻醉剂，例如但不限于大麻、酒精、鸦片制剂、芬太尼、安非他命、苯环利定、镇静剂、抗焦虑剂、可卡因、咖啡因、尼古丁，通过口服(例如作为可食用产品)、吸入(例如通过吸烟、电子烟、通过水烟、通过口腔喷雾剂、鼻吸或使用抽吸器或吸入器)、通过透皮给药(例如通过贴剂、乳膏、喷雾剂或油)、或静脉内(例如通过注射或作为滴注溶液)或其他方法进入、服用或被对象施用。
117.可以基于两种或多于两种的代谢物(也称为分析物)，以及可选地，一种或多种生理参数，或一种或多种行为参数来检测或定义感兴趣的生理状态，或者可以使用两种或多于两种的分析物，以及一种或多种生理参数和一种或多种行为参数来定义感兴趣的生理状态。虽然可以使用多种代谢物(分析物)来描述存在的状态，但这些结果可以与生理参数和/或行为参数相结合，以进一步定义存在的状态。可以确定代谢物在存在的状态中具有或不具有相互依赖的作用。代谢物、生理参数或代谢物和生理参数两者都可以被称为“变量”，并且这些变量可以用来描述存在的状态，或者这些变量被认为是代表存在的状态的标记。通过使用与以某种方式与感兴趣的生理状态相关的其他生理变量相结合的多种代谢物，当与确定使用一种分析物确定的感兴趣的生理状态相比较时，可以获得对感兴趣的生理状态的更准确的确定。
118.本文描述的方法允许管理与感兴趣的生理状态相关并且可能对其有影响的多个变量或标记，因此可以用于表征和确定对象或患者的感兴趣的生理状态。
119.可以使用多种代谢物、一个或多个生理参数和/或一个或多个行为参数来确定指示由中毒引起的生理状态的指纹。可以将这些变量(代谢物、生理参数和/或行为参数)与已经从健康个体确定的基线值进行比较，并且与基线值的任何偏差都指示对象的感兴趣的生理状态。也可以将这些代谢物和生理参数和/或行为参数与来自同一对象的随时间确定的值进行比较，并且与这些变量(或标记)的时间过程值的任何偏差都可以指示对象中感兴趣的生理状态的变化。因此，所测量的生化指纹以及生理参数和/或行为参数可以用于随时间监测和管理感兴趣的生理状态。
120.对象感兴趣的生理状态的非限制性示例可以包括但不限于：中毒，例如由于大麻消费、酒精消费、大麻和酒精消费，或由于其他麻醉剂的消费，例如但不限于鸦片制剂、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。可以确定以获得相应感兴趣的生理状态的生化指纹的代谢物的非限制性示例包括(也见表1)：
121.i)中毒(大麻诱导的)：两种或多于两种的分析物可以包括：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、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gamma-氨基丁酸(gaba)；
122.ii)酒精诱导的中毒，那么两种或多于两种的分析物可以包括：酒精、醛和乳酸；或
123.iii)一般中毒，例如由大麻和酒精混合而成，或者鸦片制剂，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，则两种或多于两种的分析物可以包括：，则两种或多于两种的分析物可以包括：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、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、gaba、醇、醛和乳酸。
124.表1：可以用于确定如本文所描述的中毒的分析物和生理参数的非限制性示例
125.126.127.[0128][0129]
用于非侵入性地确定对象的感兴趣的生理状态的方法的另一示例涉及确定如上所述的生化指标(或指纹)，以及确定对象的一个或多于一个生理参数，并使用生化指标和一个或多于一个生理参数来确定对象的感兴趣的生理状态。在该方法中，通过将身体部位与受体接触并引导波长范围内(例如，从约350至约2500nm)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，来确定生化指标。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，以便获得波长范围内的光谱，并且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两种或多于两种分析物的量。两种或多于两种分析物的量用于导出生化指标，其可以与两种或多于两种分析物的参考值进行比较。生化指标和一个或多于一个生理参数可以用于确定存在的状态、感兴趣的生理状态，例如本文所描述的中毒。
[0130]
除了确定生化指标和一个或多于一个生理参数之外，还可以确定一个或多个行为参数以表征感兴趣的生理状态。可以被评估的行为参数的非限制性示例包括：精神敏锐度的确定(例如但不限于姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(例如但不限于行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力，例如操作机器、驾驶汽车(或使用驾驶模拟器)、身体健康状态、标准化现场清醒度(newmeyer,swortwood,taylor,et al,2017,clin chem,63(3),647-662.doi:10.1373/clinchem.2016.265371)等。
[0131]
例如，已知驾驶模拟器在评估道路驾驶测试中是有用的(micallef et al,2018,fundam clin pharmacol.doi:10.1111/fcp.12382)，并且模拟器可以用作代替驾驶汽车的测试)。使用驾驶模拟器对驾驶进行标准化和客观测量的研究发现，在摄入适量大麻(例如，8％thc；在500-750mg的香烟中，大约40-60mg的thc)后，驾驶会有障碍。报告的影响包括交织增加、速度降低、转向控制降低、反应时间延长和车头距离增加(hartman et al,2015,
drug alcohol depend,154,25-37.doi:10.1016/j.drugalcdep.2015.06.015；lenne et al,2010,accid anal prev,42(3),859-866.doi:10.1016/j.aap.2009.04.021；micallef et al,2018,fundam clin pharmacol.doi:10.1111/fcp.12382；anderson,et al,2010,j psychoactive drugs,42(1),19-30.doi:10.1080/02791072.2010.10399782；ronen et al,2010,accid anal prev,42(6),1855-1865.doi:10.1016/j.aap.2010.05.006；ronen et al,2008,accid anal prev,40(3),926-934.doi:10.1016/j.aap.2007.10.011)。
[0132]
在存在对感兴趣的生理状态的询问的情况下，行为参数数据也可以与生化指标和生理参数相结合，以进一步帮助确定感兴趣的生理状态的程度或状态。例如，可以组合数据(测试值)，以确定对象是否已经超过阈值、指数、比率或一组值，和/或对象表现出感兴趣的生理状态的程度，例如中毒程度。用于确定指数、比率或一组值的基线值(与测试值进行比较)是从归一化的健康对象确定的，在对照条件下进行分析。
[0133]
感兴趣的生理状态的非限制性示例包括由大麻、酒精、鸦片制剂、芬太尼、安非他命、酒精、苯环利定、镇静剂、抗焦虑剂、可卡因引起的中毒；咖啡因引起的疾病；和尼古丁引起的疾病。例如：
[0134]
i)如果中毒是由大麻引起的，则两种或多于两种的分析物可以包括：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、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，生理参数可以包括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发中的thc，尿液中的thc，并且一个或多个行为参数可以包括精神敏锐度的确定(姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力、操作机器、驾驶汽车、标准化现场清醒度；
[0135]
ii)对于酒精引起中毒，则两种或多于两种的分析物可包括：酒精，醛，乳酸，生理参数可以包括：心率，脉搏率，体温，神经肽y，天冬氨酸氨基转移酶，丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)，并且一个或多个行为参数可以包括精神敏锐度的确定(姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力、操作机器、驾驶汽车、标准化现场清醒度；或者
[0136]
iii)对于中毒，例如由大麻和酒精引起的，或者鸦片制剂，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，则两种或多于两种的分析物可以包括：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、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、gaba、醇、醛和乳酸，生理参数可以包括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发中的thc，尿液中的thc，并且一个或多个行为参数可以包括精神敏锐度的确定(姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力、操作机器、驾驶汽车、标准化现场清醒度(newmeyer,swortwood,taylor,et al,2017,clin chem,63(3),647-662.doi:10.1373/clinchem.2016.265371)。
[0137]
在如本文所描述的设备收集数据之后，结果可以被存储、显示在显示器上或被传输到另一个中央cpu以供进一步分析或显示。例如，可以将数据传输到中央计算机，该中央计算机结合测量的生理参数和测量的行为参数(如果需要)来分析测量的代谢物，以便确定对象(患者)生理状态的总体指数。例如，可以将收集的数据与先前为感兴趣的生理状态获得的已知数据集进行比较，并确定“指数值”。例如，指数值的范围可以从0(对于正在分析的感兴趣的生理状态，患者处于严重中毒状态)到1(对于感兴趣的生理状态，患者处于正常或健康状态)。
[0138]
参考图3，可以用于本文描述的方法的装置或设备100包括受体(也称为初级受体)10，其被成形为使得其可以被放置成与对象20的皮肤区域或身体部位接触。源电磁辐射(emr；30)被引导40进入受体10，并且在与身体部位20内的两种或多于两种的化合物相互作用之后，收集50并分析emr。装置100可以如图1中所示，或者其可以基于本领域已知的装置，例如但不限于在us 2013/0248695、us 5,361758、us 5,429,128、wo 93/16629、us 6,236,047、us 6,040,578或us 6,240 306中公开的那些(所有这些通过引用并入本文)。取决于所使用的装置，在与对象20身体部位内的化合物相互作用后收集的emr 50可以从对象20的身体部位反射、透射、被其吸收或其组合。将收集的emr信号导向光谱仪60，并使用一种或多于一种校准算法对数据进行处理70，以确定身体部位20内两种或多于两种目标化合物的浓度，以导出生化指标，并确定对象的生理状况或状态。如果需要，数据可以无线地或通过有线80传输到另一个设备90，例如手机或场外cpu，其包括可以收集数据、显示结果或其组合的程序。图2中示出了血液中一系列化合物光谱的非限制性示例，以及非侵入性地测量。
[0139]
如图1中所示的装置100可进一步包括附接到设备的带。在实施测试时，带可以帮助保持对设备的控制。
[0140]
为了最小化与测量期间施加到受体的不正确压力相关联的散射效应，设备100可以包括位于受体(主受体)10周围、下方或附近的压力传感器15。如果存在，则压力传感器用于确定贴靠受体的皮肤表面和受体本身之间的压力是太小还是太大。例如，如果对受体10
的压力太小或太大，来自压力传感器15的信号可以用于照射设备的底部，从而发出需要针对受体校正和重新调整身体部位的信令。
[0141]
设备100可以包括多于一个的受体。例如，不应被认为是限制性的，当设备100测量身体部位20(例如食指)时，可以将第二身体部位(例如手掌)定位在设备上方，使得当对象测量其第一身体部分时，第二身体部位可以压靠设备。在该示例中，如图4中所示，设备100可以包括初级受体10和次级受体25，位于第二身体部位可以压靠次级受体25的位置。
[0142]
次级受体25可以以与初级受体10类似的方式配置，使得在与对象第二身体部位内的化合物相互作用后收集的emr 50’(其被反射、透射、吸收或其组合)用于确定相同或另一种分析物的存在。在图4中所示的示例中，emr 30的源显示为对于初级15和次级25受体都是相同的。在该示例中，emr源可以发射可以用于确定第一和第二身体部位内一种或几种分析物的出现的波长范围。例如，如果存在的生理状态是中毒，则第一测量的分析物或第一测量的分析物组可以是与如上所述的大麻诱导的中毒相关的分析物，而第二分析物或第二组分析物可以是与如上所述的酒精诱导的中毒相关的分析物。如果需要，由emr 30发射的一组波长也可以用于确定与例如阿片类药物诱导的中毒的另一种生理状态相关的第三分析物或一组分析物的存在。可以使用第三组波长询问第三分析物或分析物集，这些波长的范围可以与第一和/或第二组波长重叠或不同。第三组波长可以指向第一受体或第二受体，或者第三组波长可以指向放置在设备100内的第三受体，使得当身体部位(例如手)放置在设备100上时，第三受体接触第三身体部位。
[0143]
可替代地，emr的单独源可以指向设备100中的第一受体和第二受体。例如，发射第一波长范围内的emr波长的一个emr源，例如第一led，可以经由光纤40被引导到初级受体15，并且第二emr源，例如发射第二波长范围内的emr波长的第二led，可以经由光纤40’被引导到次级受体25。在这种配置中，第一组波长和第二组波长不同，并且波长范围可以重叠，或者波长范围可以不同，并且设备100可以确定第一和第二身体部位中的每一个内不同分析物的存在。例如，如果存在的生理状态是中毒，则第一测量的分析物或第一测量的分析物组可以是与如上所述的大麻诱导的中毒相关的分析物，而第二分析物或第二组分析物可以是与如上所述的酒精诱导的中毒相关的分析物。以如上所述的类似方式，如果需要，由emr 30发射的第三组波长可以用于确定与例如与阿片类药物诱导的中毒相关联的第三生理状态相关联的第三分析物或一组分析物的存在。在该示例中，具有可以与第一或第二组波长重叠或不同的波长范围的第三组波长可以指向第一或第二受体，或者第三组波长可以指向第三受体，第三受体也被配置在设备100内以触摸第三身体部位。
[0144]
本实施例的初级受体10和第二受体25(如果存在的话，第三受体)可以各自由能够与皮肤样本接触的单边探针组成。这种探针可以包括同心的光纤环，使得每个环由携带输入或输出emr的光纤构成。如果光纤的内环携带输入emr，那么光纤的外环可以携带输出信号，反之亦然。可替代地，探针可以包括一个或多个输入光纤和邻近输入光纤组定位的一组单独的输出光纤。这种类型的探针可以用于使用反射率、吸光度和/或透射率来确定血液和间质液中两种或多于两种化合物的浓度。在使用过程中，探针可以贴着手指、手、手臂、背部或其他地方的皮肤放置(见图1)。
[0145]
装置的替代配置也可以用于确定部位内的化合物，如本文所描述的，包括但不限于us 2013/0248695、us 5,361,758、wo 93/16629、us 6,236,047、us 5,429,128、us 6,
040,578或us 6,240,306中描述的那些(所有这些都通过引用并入本文)，其中修改校准算法，使得它们可以用于确定每个身体部位内两种或多于两种感兴趣化合物的浓度，导出生化指标，并确定对象的生理状况，如本文所描述的。
[0146]
本实施例提供了一种开发算法的方法，该算法考虑了身体部位内两种或多于两种化合物的浓度差异。例如，这不被认为是限制性的，如果化合物(或分析物，或代谢物)之一是葡萄糖，那么可以确定每个血液和间质液中的葡萄糖浓度。从这些值可以确定葡萄糖的参考测量值，并且该参考值用于开发算法。身体部位的吸光度值可以在一组波长上获得，该波长设置为因变量，并且葡萄糖参考测量用作自变量。然后可以使用任何合适的统计过程来处理这些值，统计过程包括但不限于偏最小二乘或多元线性回归，以产生用于血糖的算法。对于需要血液和/或间质液中浓度的任何感兴趣的化合物或分析物，可以重复该程序。
[0147]
根据本实施方案，可以通过使用从使用本实施方案的方法确定的化合物样本的校准组的浓度值相对于通过不同方法直接测量的校准组的浓度值的曲线的统计分析(例如但不限于最小二乘最佳拟合)导出的校准方程来计算给定化合物的浓度。然而，应当理解，可以使用本领域已知的其他统计测试，例如但不限于多元线性回归(mlr)、偏最小二乘(pls)等。如本领域技术人员所知，可以使用任何已知的方法来确定一种或多种化合物的浓度。
[0148]
在葡萄糖的情况下，作为示例并且不被认为是限制性的，可以使用本领域已知的众所周知的体外技术容易地确定血糖水平。可以使用反向离子电位法来确定间质室中的葡萄糖水平。在thc和相关代谢物的情况下，例如但不限于，delta-9-四氢大麻酚(thc)、thc葡萄糖醛酸(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(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)的水平可以使用本领域已知的众所周知的体外技术容易地确定，例如使用使用液相色谱法和串联质谱法(schwope d.,et.al.,2011,anal.bioanal chem.410:1273-1283),或gc-ms(marsot,a.et.al.(2016,j.pharm.pharm sci 19:411-422)。血液中其他分析物或化合物的检测，例如但不限于白蛋白、载脂蛋白a1和b(载脂蛋白a1和载脂蛋白b)、总蛋白、甘油三酯、血糖、钙、离子钙、磷酸gamma-氨基丁酸(gaba)、醇、醛、乳酸、血红蛋白、血尿素氮(bun)、白蛋白、载脂蛋白a1和b(载脂蛋白a1和载脂蛋白b)、总蛋白、甘油三酯、碳酸氢盐、电解质、钠、钾、镁、钙、离子钙、糖化血红蛋白(a1c)、高密度脂蛋白(hdl)、总胆固醇、omega-3脂肪酸，在本领域是众所周知的。这些已知的测试可以用于确定暴露于对照处理或受控条件下的thc范围的对象中化合物或分析物的参考测量值。然后，这些值可以用作产生用于相应血液分析物的非侵入性确定的算法中的独立变量。因此，这些化合物特异性算法可以用于确保使用非侵入性分析物确定来正确估计身体部位血液中的化合物。
[0149]
通过选择一组与对象的生理状况或状态相关的化合物或分析物，并使用标准测量技术，可以确定描述这些化合物的相对浓度的生化指标，其与生理状况相关。例如，如果生理状况(感兴趣状态)是thc引起的中毒，则可以确定两种或多于两种的分析物，包括，例如但不限于，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、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，并且这些分析物的相对量与thc中毒的生理条件相关。因此，这些分析物可以用于获得作为生理状况指标的生化指标。通过使用本文描述的方法，在确定生理状况的状态(存在的生理状态)时，可以考虑涉及直接或间接来源于thc代谢的多种分析物的全血大麻素药代动力学。
[0150]
生化指标是指从一组测量分析物获得的一组值中导出的输出，该值对应于感兴趣的生理状态。
[0151]
此外，与存在的目标状态(例如感兴趣的生理状态)相关联的生化指标可以包括多个幽灵分析物，观察到这些幽灵分析物响应于存在的状态(或生理条件)而变化，但是其标识可以是已知的，也可以是未知的。可以通过将对照或背景条件下的波长范围内的吸收光谱与在诱导生理条件或状态下获得的样本中的波长范围内获得的吸收光谱进行比较以获得每种幽灵分析物的基线值，并选择一种或多种在诱导生理条件下与基线幽灵分析物值相比增加或减少的幽灵分析物来表征幽灵分析物。例如，可以通过分析波长范围内的吸光度模式并识别表征幽灵分析物的波长来识别幽灵分析物(即，幽灵分析物在一个或多个特定于幽灵分析物的波长处显示增加或减少的吸光度)。通过表征与幽灵分析物相关联的波长图案，可以确定每个幽灵分析物的基线幽灵分析物值，并将该值与响应于生理条件或状态而确定的每个幽灵分析物值进行比较。幽灵分析物可以包括多种分析物，可以与其他已知的分析物一起用于获得指纹或生化指标，其可以用于定义本文所描述的生理状况的状态。
[0152]
可以重复这种用于识别和表征幽灵分析物或已知分析物的过程，并且将适当的软件和机器学习应用于所获取的数据集，以进一步优化用于确定生化指标和生理状况状态的分析物集的预测精度。使用机器学习，可以分析基于大数据集的复杂模型，以识别数据集中可接受的“局部最小值”，并使得深度神经网络能够在识别与生理状况的状态相关联的分析物集上进行训练。支持向量机(svm)和/或卷积神经网络(cnn)可以与交叉验证一起使用，以提供对算法泛化学习数据表示的能力的洞察。交叉验证涉及将数据分成任意数量的组，并迭代地使用其中一组进行测试，其余组进行训练(mirowski，p.w.等人，2008年ieee信号处理机器学习研讨会，cancun，2008年，第244-249页)。超参数调整可以用于开发精确并且稳健的最终预测。
[0153]
以这种方式，自适应机器学习平台可以用于使得能够执行多个机器学习算法来确定对象感兴趣的生理状态。机器学习平台可包括多个机器学习组件，每个与机器学习算法相关联。例如，机器学习组件可以是利用一个或多个训练的(或以其他方式配置的)机器学习算法的组件，该算法接收经验数据(例如，存储在一个或多个数据库中的数据，例如包括本文所述的生化指标数据、生理参数数据和/或行为参数数据)来确定模式或预测，该模式或预测可以是生成数据并指示感兴趣的生理状态的潜在机制的特征。机器学习组件可以能够利用观察到的示例(例如，来自一组训练数据)来捕获感兴趣的特征，感兴趣的特征可以对应于与感兴趣的生理状态相关联的未知潜在概率分布。自适应机器学习系统可以允许用户更新决策策略。此外，当可操作地与中央cpu链接并通信时，自适应机器学习系统可以允许中央cpu更新决策策略，然后可以实时地，或者当数据库被更新并且更新的输出被上传到手持设备(其包括配置有可执行指令的一个或多个处理器)上时，将决策策略传输给手持设
备(其包括配置有可执行指令的一个或多个处理器)的用户，如本文所描述的。
[0154]
使用机器学习开发预测流水线(例如但不限于thc预测流水线)的过程可能涉及三个一般步骤：数据预处理、模型选择和调整(见图5)：
[0155]
数据预处理：数据预处理用于从整个数据集中选择高质量的训练数据，并对数据进行组织。微处理器由软件指导来收集和处理来自本文描述的设备的数据。收集的数据被聚合(这涉及将新的样本附加到现有的数据库表中)、格式化(以确保数据库中的数据类型和列标题在各个表中保持一致)并清理(根据需要过滤、插值或保留数据集中的缺失值)，并由软件模型流水线使用。组织的数据被归一化，并且工程特征被用于预测中毒。最终预测算法使用的特征可以包括频率、时间和空间域数据，包括光谱仪测量的所有分析物。根据需要，可以可选地使用空间或频域滤波技术的组合来提取工程特征。可以用于数据预处理的软件包括但不限于numpy、scipy、pandas、matlotlib或seaborn。微处理器由软件指导扫描线性阵列检测器并计算所计算光谱的二阶导数。然后，微处理器可以使用多个选定波长的吸光度和二阶导数值来计算被测量的特定成分的浓度。
[0156]
模型选择：模型架构基于数据的结构和维度，在引入额外的复杂性之前，首先评估来自类似数据集的现有文献的已知基线。在算法开发和模型选择阶段可以使用几种算法，包括但不限于支持向量机、深度神经网络、卷积神经网络和具有成对交互的广义加性模型。为了确保模型复杂性(例如，节点或层的数量)为适当地选择的，使用了自下而上的方法，其中初始逻辑回归模型作为基线，与每个新的和日益复杂的模型进行比较。可以用于分析该数据的机器学习算法包括但不限于支持向量机(svm)或卷积神经网络(cnn)。对于问题领域来说太复杂的机器学习模型能够记忆单个样本，而不是学习底层分布。
[0157]
模型评估：交叉验证是一种数据洗牌技术，当有限的数据可用时，通过对一系列训练进行测试并保持测试分割，可以提高算法学习底层数据分布的能力。例如，数据可以被分成两个子部分(训练数据和测试数据)，其中测试数据被保留，并且小百分比的训练数据被再次进一步分割，使得有几个从初始训练数据子部分创建的训练和测试数据集。然后在这些不同的数据集上迭代训练和验证模型。然后根据原始测试数据子部分测试最终模型，以进行最终验证。交叉验证使得更容易观察所选模型的泛化能力，同时也扩展了较小的数据集，否则当数据集被分离用于训练(80％)和测试(20％)时，这些数据集可能会受到限制。可以用于模型选择的软件包括但不限于numpy、pandas、matlotlib、seaborn、tensorflow或keras。
[0158]
调整阶段：所选模型针对性能进行了优化。例如，可以执行超参数搜索(学习率、批量大小、正则化系数等)。超参数调整是一个迭代过程，也可以用于开发稳健的最终预测。可以用于调整的软件包括但不限于numpy、pandas、tensorflow或keras。
[0159]
持续学习：使用包括但不限于模型权重更新以及冠军和挑战者的方法将新样本添加到模型中。模型权重更新向现有模型添加了另一个训练迭代，以便在模型确定基础数据分布时考虑新样本。冠军和挑战者将现有模型的性能与基于新信息设计的新模型进行了比较，这些新模型具有潜在的改进见解和/或方法。可以同时使用几种持续学习策略。
[0160]
因此，本文还描述了一种系统。该系统包括计算机系统，该计算机系统包括用计算机程序指令编程的一个或多个处理器，计算机程序指令在被执行时使得计算机系统提供服务平台，该服务平台使得开发者能够例如使用包括如本文所描述的生化指标、生理参数和
行为参数的数据集来获得用于训练机器学习模型的训练项目信息。训练项目信息指示从一个或多个机器学习模型对输入的处理导出的输入和预测输出。此外，计算机系统可以经由服务平台获得从一个或多个机器学习模型导出的输入/输出信息。输入/输出信息指示作为输入提供给机器学习模型的至少一个模型的项目。然后，服务平台可以提供从机器学习模型导出的输入/输出信息以更新第一机器学习模型从而基于作为输入提供给第一机器学习模型的输入/输出信息来更新第一机器学习模型。然后，例如，当设备可操作地链接并与中央cpu通信时，更新的输出可以用于更新设备以供现场使用。以这种方式，中央cpu(例如，服务平台)用于更新决策策略，这些决策策略被实时地(或者当数据库被更新并且更新的输出被上传到本文所描述的手持设备上时)传输到本文所描述的手持设备的用户。
[0161]
生化指标可以表示为测量的分析物和幽灵分析物的相对量的比率，或者表示为测量的分析物和幽灵分析物的指数。例如，该指数可以表示为血液中与生理状况正相关或负相关的各种化合物的活性与非活性分析物的比例。
[0162]
如本文所定义的，上述机器学习过程表征幽灵分析物、已知分析物和其他生理和行为参数，并且随着时间的推移，通过重复的数据输入，该组分析物、生理和行为参数的预测精度增加。
[0163]
例如，这不被认为是限制性的，在thc诱导的中毒状态下，对象可以包括表1中呈现的分析物组合物。应当理解，该表给出了简化的数据集来举例说明本文描述的方法。其他分析物，可能包括已知分析物或幽灵分析物，表示为分析物a、b
…
c；a’，b’，
…
c’；a”，b
”…
c”。这些其他分析物可以响应于生理状况而增加或减少或与生理状况相关，并且它们可以被包括在该分析中。如表2中所示，各种选择的分析物的相对丰度的比率可以用于获得生化指标。可替代地，指数，例如一组已知的“活性”分析物(即，已知与thc中毒状态正相关或产生thc中毒状态的分析物，包括已知的和幽灵分析物)与非活性分析物(即，已知与thc中毒状态相关但不产生thc中毒状态的分析物—这些分析物可以包括已知的和幽灵分析物)的相对比例，可以用于导出生化指标。
[0164]
在吸食大麻的情况下，thc在吸入后的最初几分钟内迅速达到峰值，然后迅速下降(几小时内)。thc可以在大约1-2ng/ml的低水平保持8小时或更长时间。在长期使用者中，血液中可检测到的thc量可以持续数天，因此该分析物本身不是thc诱导中毒的生理状态的可靠指标。在长期吸食大麻的人中，在24至48小时或更长时间内检测到全血中残留的thc水平为0.5-3.2ng/ml(1.0-6.4ng/ml in serum；skopp g.,and putsch,l.,2004,j.anal toxicol.28:35-40)。
[0165]
表2：对象在之前(对照)、处于中毒状态(食用后1小时)和中毒后状态(食用后36小时)的分析物组合物。thc：delta-9-四氢大麻酚(生物活性分析物)；thc-cooh：11-去甲-9-羧基-thc(生物非活性分析物)；11-oh-thc：11-羟基thc(生物活性分析物)：a(生物活性分析物)、b(生物非活性分析物)
…
c(生物非活性分析物)、a’、b’、
…
c’、a”、b
”…
c”：增加、减少或已与生理状况相关的分析物。
[0166]
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、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、磷酸盐和和gamma-氨基丁酸(gaba)，以及任何一种或多于一种与thc诱导的中毒，以产生定义生理状况状态的输出(thc诱导的中毒)。此外，行为参数，可以执行例如精神敏锐度的确定(例如但不限于姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(例如但不限于行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在定义任务中发挥作用的能力，例如操作机器、驾驶汽车、标准化现场清醒，并且将数据与生化指标和生理参数组合以确定生理状况。
[0175]
来自这些方法的结果可以被组合以产生生化指标、生理参数、行为参数或其组合的值或指数，并且这些值或指数值可以用于通过将该值或指数值与参考值或参考指数值进行比较来确定是否已经获得或超过阈值，从而指示对象对于相应的生理状态是阳性的。
[0176]
类似地，如果被评估的生理状态是酒精诱导的中毒，那么生理参数可以包括但不限于心率、体温、神经肽y、天冬氨酸氨基转移酶(aat)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)。将该数据与使用两种或多于两种的分析物(包括例如但不限于酒精、醛、乳酸和与酒精诱导的中毒相关的任何一种或多于一种的幽灵分析物)获得的生化指标数据相结合，以产生定义正在测试的相应生理状况(酒精诱导的中毒)状态的输出。此外，行为参数，可以执行例如精神敏锐度的确定(例如但不限于姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(例如但不限于行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在定义任务中发挥作用的能力，例如操作机器、驾驶汽车、标准化现场清醒，并且将数据与生化指标和生理参数组合以确定生理状况。
[0177]
此外，例如，如果被评估的中毒状态是由大麻和酒精或鸦片制剂、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耗的组合引起的，则生理参数可以包括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发中的thc，尿液中的thc，将该数据与使用两种或多于两种分析物获得的生化指标数据相结合，可以包括：则两种或多于两种的分析物可以包括：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、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、乳酸和与酒精诱导的中毒相关的任何一种或多种幽灵分析物，以产生定义正在测试的相应生理状况状态的输出(大麻和酒精或鸦片制剂、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耗的组合)。此外，行为参数，例
如精神敏锐度的确定(姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力、操作机器、驾驶汽车、标准化现场清醒度(newmeyer,swortwood,taylor,et al,2017,clin chem,63(3),647-662.doi:10.1373/clinchem.2016.265371)。
[0178]
电磁频谱的近红外区域可以用于如本文所述的样本的测量值。可以在例如从约350nm到约2500nm的波长范围内获得测量值。化学物质(分析物和幽灵分析物)在该光谱区间内表现出特征吸收带，可以用于表征每种分析物。近红外区域非常适合体内诊断应用，因为人体组织对入射辐射是透明的，因此辐射的充分穿透是可能的，以允许精确的定量分析。
[0179]
在本实施例中使用的emr源优选为近红外光，例如但不限于多色光源。这种类型的光源可以在非常宽的带宽上发射光，包括近红外光谱中的光。在这种情况下，来自光源的光可以穿过准直器，准直器是将光聚集成指向受体的窄平行光束的透镜的集合。多色光源可以是石英卤素或钨卤素灯泡，并且由稳定电源(例如dc电源)或电池供电。该多色光源可以是钨卤素灯，或者它可以是led或其他光源的集合，led或其他光源选择为发射约350-2500nm范围内的辐射，或者例如，从约650-1100nm范围内的辐射。
[0180]
优选使用受体，其被成形为接收用于取样的对象的一部分，例如皮肤的夹紧部分或手指。可替代地，受体可以被成形为使得emr要指向的人体部分靠着受体而不是在受体内。优选地，取样的身体部位与受体紧密接触。在us 2013/0248695、us 5,361,758、wo 93/16629、us 6,236,047、us 6,040,578或us 6,240,306中提供可以使用的受体的实例。
[0181]
emr被引导到对象的一部分上，并被其分散。通过使用任何合适的方法，例如光纤或透镜，收集来自身体部位的反射、透射或两者的分散光，并将输出信号导向衍射设备，该衍射设备将输出信号中的光的波长分离成它们的组成部分。衍射设备的示例包括但不限于衍射光栅或全息光栅。
[0182]
所收集的信号可以包括已经穿过对象的一部分或已经从对象的一部分反射的emr，或者它们的组合。衍射设备可以将emr分散到其分量波长中，使得红外区域沿着检测器的长度下降，例如但不限于线性阵列检测器(例如，256元件光电二极管阵列)或电荷耦合设备(ccd)。在阵列的情况下，检测器具有一系列二极管，并且优选地由微处理器进行电子扫描，以测量每个二极管上累积的电荷，该电荷与通过受体中的对象部分透射或从对象部分反射的每个波长的emr强度成比例。检测器连接到微处理器，产生输出光谱，微处理器分析测量值，并最终产生所确定的每个浓度水平的结果。结果可以被存储、显示在显示器上或被传输到另一个中央cpu以供进一步分析或显示。键盘可以用于控制设备、中央cpu或两者，例如，以指定要测量的特定生理状况(和相应的分析物集)。由微处理器激活定时和控制以控制设备，例如，确定测量的次数和定时。
[0183]
在获得透射率、反射率或两者的测量值后，优选取这些测量值的倒数的对数，即log l/t和log l/r，其中t和r分别表示透射率和反射率。对入射光进行一组参考测量，入射光是当对象的任何部分都不与受体接触时在设备中生成的光。然后，当对象的一部分与受体接触时，计算吸光度，作为测量值与参考测量值组的比率。如果需要，可以获得测量值的二阶导数，以减少结果中的任何变化，这种变化可能是由测量对象部位不同厚度中的化合物浓度引起的光的路径长度变化引起的。二阶导数计算可以用于消除由于不同路径长度或
吸收水带引起的基线偏移，此外，增强了被分析混合物的不同成分的重叠吸收峰的分离。微处理器可以收集产生的多个光谱并计算平均结果的二阶导数。
[0184]
所获得的结果可以随着对象的部分的温度而变化，在本实施例的方法中使用的设备可以包含温度传感器，使得在光谱采样时可以快速测量被分析部分的温度。该温度传感器可以包括小质量热电偶。然后可以使用计算机软件来允许微处理器补偿由于温度引起的光谱偏差。
[0185]
线性阵列检测器优选地是光电二极管阵列，其被定位成在其长度上截取来自衍射光栅的衍射光谱。微处理器由软件指导扫描线性阵列检测器并计算所计算光谱的二阶导数。然后，微处理器可以使用多个选定波长的吸光度和二阶导数值来计算被测量的特定成分的浓度。校准方程优选地用于每种成分，并由被测量的化合物确定。
[0186]
测量的数据可以在路边获得，例如由执法人员获得，或者在护理点测试设施获得。在如本文所描述的设备收集数据之后，结果可以被传输到中央计算机以供进一步分析。所测量的数据可以与所测量的生理参数和所测量的行为参数以及所确定的对象的感兴趣的生理状态(例如，中毒)的总体指标相结合。多个总体指数(每个都指示对象的生理状态)可以由相关方(例如，医疗保健提供者、执法机构、联邦政府或可能对汇集数据感兴趣的其他服务机构)汇集并交付用于统合分析。
[0187]
本文还提供了一种用于检测对象感兴趣的生理状态的设备。该设备包括：
[0188]
电磁辐射源(emr；30)，其发射从约350nm到约2500nm的多个emr波长，emr源可操作地耦合到电源；
[0189]
受体10，其尺寸与样本配准并贴靠样本20，受体包括一个或多于一个端口；
[0190]
与emr源可操作地关联的一个或多于一个的输入辐射引导元件40，与检测器60可操作地关联的一个或多于一个的输出辐射引导元件50，一个或多于一个的输入辐射引导元件和一个或多于一个的输出辐射引导元件与一个或多于一个的端口光学对准，当受体与样本配准并贴靠样本时，该端口位于并限定受体内的emr路径；
[0191]
用于测量从样本接收的透射或反射emr的检测器，检测器可操作地耦合到处理系统70；
[0192]
处理系统包括用于确定样本中两种或多于两种分析物的浓度的一种或多于一种算法，并且使用一种或多于一种算法来导出样本的感兴趣的生理状态，其中，感兴趣的生理状态是：
[0193]
i)中毒，两种或多于两种的分析物可以包括：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、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gamma-氨基丁酸(gaba)；
[0194]
ii)酒精诱导的中毒，那么两种或多于两种的分析物可以包括：酒精、醛和乳酸；或
[0195]
iii)一般中毒，例如由大麻和酒精引起的，或者鸦片制剂，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，则两种或多于两种的分析物可
以包括：，则两种或多于两种的分析物可以包括：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、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、gaba、醇、醛和乳酸。
[0196]
例如，包括受体10的设备可以容纳在“类似计算机鼠标”的壳体中。为了操作设备，操作者激活程序，例如，他们的手机90上的应用程序或远程笔记本电脑上的程序，并开启设备。该设备可以包括颜色半透明的外层，并且当该设备开启时，该外层可以变成指示待机状态的黄色色调。被测试对象将他们的身体部位，例如手指20放入类似鼠标的受体10顶部的小空腔中。一旦个人的手指插入空腔中，并且空腔-身体部位界面变暗，设备内的光源30(例如，led的)将被触发以扫描手指并进行测量。当空腔变暗，并且扫描开始时，设备的外层可能从黄色变为绿色，指示正在获得样本。一段时间后，扫描将完成，设备的外层可能会变成红色，表示测试完成，可以移除手指。从测试中获得的数据可以在设备中处理，或者发送到远程cpu进行进一步处理，例如经由蓝牙进行进一步处理。
[0197]
然后，例如，当设备可操作地链接并与远程或中央cpu通信时，更新可以用于更新设备以供现场使用。以这种方式，中央cpu可以用于更新决策策略，这些决策策略被实时地(或者当数据库被更新并且更新的输出被上传到本文所描述的手持设备上时)传输到本文所描述的手持设备的用户。
[0198]
当使用时，如上所描述的设备，并且基于生化指标，或结合生理参数的生化指标，或结合生理参数和行为参数的生化指标，可以确定指示中毒状态的对象的感兴趣的生理状态已经实现，并且可能需要纠正动作。例如，如果执法人员(测试操作者的非限制性示例)将设备(以及可选的生理参数和行为参数)用于路边测试，并且确定汽车驾驶员处于中毒状态，则执法人员可以执行纠正动作并没收汽车、吊销驾驶执照、提起诉讼等等。
[0199]
在其他情况下，可以将从设备导出的结果(以及可选的生理参数和行为参数)转发给第三方，以便第三方可以采取纠正措施。例如，测试的操作者，例如但不限于卫生保健从业者或执法人员可以将指示中毒(损伤)的阳性结果转发给第三方，例如治安法官，并且可以采取纠正措施。可替代地，如果当安全是对象就业要求时，并且对象已被确定表现出表明中毒(损伤)的阳性结果，则可以将该结果转发给对象的雇主。安全可能是对象就业要求的情况的示例包括：对象是空中交通管制员、对象是飞行员、他们驾驶商用车辆、他们在工作场所操作机器(大型或小型)、他们是核电设施的操作者等。
[0200]
为了测试或校准该设备，可以将由预定义材料组成的合成样本或“虚拟手指”(us 6,657,717，其通过引用并入本文)应用于受体。可替代地，该设备的操作者可以使用他们自己相应的身体部位或手指。
[0201]
示例：评估对象感兴趣的生理状态的试验
[0202]
参与者：大约500名患者(每天3个不同的人，每周5天，每月4周，持续8个月)。患者关于使用的状态被确定并被索引为重度使用者到轻度使用者。使用dsm-iv轴i障碍结构化临床访谈(scid-i)对参与者进行精神障碍筛查。所有患有需要治疗的精神障碍对象都被排
除在研究之外。在研究期间，女性使用经批准的节育方法。在文本会议之前，参与者在72天内不使用大麻。为了确定参与者的thc基线(测试前)水平，获得测试前唾液和尿液样本并测试thc。此外，还执行酒精测试来检测最近的酒精使用情况。
[0203]
人口统计：年龄18至70岁，多种种族，多种肤色，国籍，性别，各种体重，夜间和白天测试，重度使用者和新手。
[0204]
测试：参与者被要求在每次测试前吃一顿清淡的早餐(如松饼或百吉饼)。对清醒的患者执行测试(背景)，然后诱导中毒，并在服用麻醉剂前至服用麻醉剂后4至6小时进行测试。
[0205]
参与者完成主观影响问卷和基线驾驶试验。一旦完成这些程序，参与者将被给予一剂口服大麻。给药后7小时内定期进行血液、主观测试、认知测试和驾驶试验、生命体征和视觉模拟量表(vas)。
[0206]
中毒包括a)反复服用大麻(作为油；从0到75mg)，和b)反复服用已知量的大麻(0到75mg)和已知量的酒精。参与者在单次摄入口服thc之前和之后驾驶驾驶模拟器。在治疗前和治疗期间抽血，以确定由于损伤状态而产生的分析物的状态(见下文)。在测试期间，每个参与者都达到由thc引起的中毒状态，这通过运动技能和精神敏锐度障碍来测量。
[0207]
[0208][0209]
物理测量：1)酒精的呼吸样本；2)身体检查3)；生命体征(体温、脉搏、血压、呼吸率)、身高和体重；4)测量生化和血液学、thc、cbd和代谢物定量的血液样本(见下文)；5)用于滥用药物毒理学筛查的尿液样本(护理点检测)；6)广谱尿液筛查；7)用于妊娠测试的尿液样本(护理点检测)；8)用于确定唾液thc的唾液样本。
[0210]
行为信息：1)精神检查：dsm-iv i轴疾病的结构化临床访谈(scid-i)；2)时间线跟踪(tlfb)在资格评估时持续3个月，在测试阶段持续7天。在tlfb中，参与者报告在评估前几天每天报告一种物质的使用情况。
[0211]
认知/精神运动测试：用于言语学习和记忆的无言语回忆任务。
[0212]
对大麻影响的主观评估：使用视觉模拟量表(vas)的大麻影响自我报告
[0213]
每个参与者重复测试。除了身体检查外，还从每个参与者那里获得以下数据：
[0214]
i)对抽血和尿样进行定时测量血液中的thc(大麻的吸入和/或食用)和分析物，并确定其他生理参数，包括体温、脉搏、血压、呼吸速率、c反应蛋白、肌酸(idms)、葡萄糖、血尿
素氮(bun)、thc、总蛋白、白蛋白、催乳素、钾、钠、皮质醇、乳酸、总t4、钙、离子钙、尿酸、甘油三酯、镁、肌酸激酶、gamma-谷氨酰转移酶(ggt)、天冬氨酸转氨酶(ast)、总胆红素、wbc计数、rbd计数、血红蛋白、血细胞比容、中性粒细胞淋巴细胞，嗜酸性粒细胞。
[0215]
对于接受大麻治疗的患者，可以确定以下两种或多于两种的分析物：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、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。还跟踪幽灵分析物，以确定哪些与大麻诱导的中毒状态相关，并可以用于确定大麻诱导的中毒状态。生理参数可以包括以下一种或多种：心率、脉搏率、体温、神经肽y、脂肪酸酰胺水解酶(faah)、c反应蛋白(crp)、肌酸激酶(ck)、天冬氨酸氨基转移酶(aat)、天冬氨酸氨基转移酶(ast)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)、白细胞计数(wbc)、红细胞计数(rbc)、血红蛋白、血细胞比容、中性粒细胞、淋巴细胞、嗜酸性粒细胞、低活性；头发中的thc，尿液中的thc。
[0216]
对于除大麻外接受酒精治疗的患者，用于检测的其他分析物可以包括：酒精、醛和乳酸。此外，还跟踪幽灵分析物，以确定哪些与大麻诱导的中毒状态相关，并可以用于确定大麻和酒精诱导的中毒状态。生理参数可以包括测量：心率、体温、神经肽y、天冬氨酸氨基转移酶(aat)、丙氨酸转氨酶(alt)、gamma-谷氨酰转肽酶(ggt)。
[0217]
ii)在获得每次抽血(步骤i)的同时，使用本文所述的非侵入性设备从患者手指获得两次扫描；
[0218]
iii)在每次食用大麻或大麻和酒精后，确定精神敏锐度和运动技能功能的测量。行为参数可以包括精神敏锐度的确定(姓名-面部测试，火警测试，两个延迟回忆测试、错位物体测试、购物清单测试、数字符号测试)、一个或多个运动技能测试(行走和转身测试、单腿站立测试、水平凝视眼球震颤测试、分散注意力测试、菱形平衡测试)、在规定任务中发挥作用的能力、操作机器(模拟)、驾驶汽车(模拟，以确定受损的驾驶技能，包括反应时间、碰撞、平均速度、分心时的平均速度、横向控制、分心时的横向控制)，用于每个测试组(即接受大麻的患者或同时接受大麻和酒精的患者)。
[0219]
驾驶员模拟器测试：模拟器由驾驶员侧仪表组、方向盘、控制装置和中控台组成，就像通用小型车一样。方向盘、刹车和油门踏板提供动态力反馈。视觉系统包括三个50英寸的屏幕，在前面提供180
°
的视野，以及两个17英寸的侧面显示器，为左右盲区提供视觉反馈。
[0220]
参与者在学习课程开始时接受一系列模拟器训练试验，以熟悉模拟车辆的转向、油门和制动控制。用于主要影响测试的驾驶模拟由一系列驾驶事件组成，旨在评估吸食大麻可能影响驾驶员表现的机制。驾驶员表现的相关测量(例如，横向位置的标准偏差、平均速度)基于整个模拟过程中的整体表现以及特定事件的表现，并使用模拟器软件进行测量。通过测量整个模拟过程中的平均速度来评估冒险行为。一些驾驶场景中包括分散注意力任务，以增加认知负荷，并更好地模拟真实世界的条件。
[0221]
分析：深度神经网络(dnn)架构，辅以使用广义加性模型(gam；其提供逻辑回归的
互操作性，具有解决非线性问题的能力)用于提供模型决策的增强的可解释性。
[0222]
确保患者中毒前、中毒期间和中毒后的安全。
[0223]
在至少一些实施例中，感兴趣状态可以对应于对象是否患有covid-19。在至少一些示例性实施例中，与该确定相关的分析物如下：
[0224]
[0225]
[0226][0227]
在不直接参考分析物的情况下确定感兴趣状态
[0228]
在至少一些示例性实施例中，可以在不直接参考对象的分析物的情况下执行感兴趣状态的确定，因此，不对对象的血液进行取样。相反，根据经验确定一个或多个参考光谱以对应于对象感兴趣的特定参考状态，并且将一个或多个测量光谱与那些一个或多个参考光谱进行比较。基于在某些实施例中利用机器学习的该比较，处理器确定对象的感兴趣状态是否对应于参考的感兴趣状态。例如，参考的感兴趣状态可以指示特定疾病，例如covid-19。无需对血液进行采样和分析，就可以建立参考光谱和感兴趣状态之间的关系。确定感兴趣状态是在不直接参考对象的分析物的情况下进行的，因为特定分析物与测量光谱中表示的波长的关系以及光谱的特定成分对感兴趣状态的影响是未知的。
[0229]
在至少一些示例性实施例中，用于确定对象的感兴趣状态的方法开始于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。然后，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，使用光谱仪测量光的光谱。测量的光谱包括入射到身体部位的波长范围。然后，处理器将测量的光谱与代表感兴趣的已知生理状态的参考光谱进行比较，例如对象是否患有疾病，例如covid-19。在该比较之后，处理器根据测量光谱与参考光谱之间的相似性确定对象是否处于已知的感兴趣的生理状态，而不必直接参考对象的分析物。
[0230]
现在参考图6，示出了用于确定对象感兴趣的生理状态的系统600。系统600包括计算机602、外壳604和接口606。计算机602经由电缆610电耦合到外壳604，以允许计算机602和外壳604之间的通信，并且外壳604经由光纤电缆608光耦合到接口606，以允许外壳604内的一个或多个光谱仪经由接口608获得一个或多个光谱。计算机602包括通信地耦合到第一计算机可读介质和通信端口的第一处理器；外壳604包括通信地耦合到一个或多个光谱仪的第二处理器、灯、显示器、第二计算机可读介质、电通信端口和光通信端口；并且接口包括用于接收和发送光信号的光通信端口。如下面进一步详细讨论的，计算机602负责启动测量序列，在外壳604中配置一个或多个光谱仪，并记录由一个或多个光谱仪测量的原始光谱数据。
[0231]
更具体地，外壳604内的一个或多个光谱仪包括被配置为测量可见和近红外范围(例如，从大约350nm到1，000nm)中的光谱的第一光谱仪(“vis-nir光谱仪”)，以及被配置为测量近红外范围(例如，从大约900nm到2，500nm)中的光谱的第二光谱仪(“nir光谱仪”)。单
个灯发出用于光谱读数的光。外壳的604显示屏显示灯的总使用小时数。
[0232]
光纤电缆608包括多根光纤806。取决于接口606是依赖于透射还是反射率，如下面关于图8a、8b、9a和9b进一步讨论的，一个或多个光纤806用于将光从灯传输到接口606，并且一个或多个光纤806用于将光从接口606返回到光谱仪以进行光谱分析。在至少一些示例性实施例中，电缆608包括八根光纤806：源光纤806a将来自灯的光传输到接口606，三根返回光纤806b在其与对象相互作用之后将来自接口606的光返回到vis-nir光谱仪，并且四根返回光纤806b在其与对象相互作用之后将来自接口606的光返回到nir光谱仪。
[0233]
虽然在所描绘的实施例中，光谱仪位于外壳604中，并且接口606不同于外壳604，但是在替代实施例(未描绘)中，单个壳体包含处理器、计算机可读介质、显示器、光谱仪、灯，并且还充当接口606。例如，在至少一些示例性实施例中，外壳604和接口606可以是应用傅立叶变换近红外光谱(“ft-nir”)来获得透射率和/或反射率测量值的组合设备。示例组合设备是来自bruker optics inc.的bruker
tm tango
tm ft-nir光谱仪，该光谱仪销售用于非人类样本，例如无机材料。尽管bruker
tm tango
tm ft-nir光谱仪和更一般的ft-nir光谱学没有被设计成直接对人类执行光谱学，但在至少一些实施例中，可以用于捕获本文分析的光谱读数。虽然组合设备被描述为应用ft-nir光谱学，但在其他实施例中，ft-nir光谱仪可以与如上所述的接口606结合用作外壳604内的光谱仪。
[0234]
现在参考图7，显示了示出图6的系统600中的信息流的框图。图7示出了膝上型计算机602、外壳604和接口606如何在不同时间t1到t4进行通信。为了开始，计算机602启动程序，并在时间t1向外壳604发送启动信号。响应于启动信号，外壳604内的一个或多个光谱仪开始光谱获取过程，该过程包括在时间t2通过光纤电缆608向接口606发送近红外和/或可见光。更具体地，每个光谱仪进行四次测量：亮参考样本、暗参考样本、亮样本和暗样本。如下文进一步讨论的，获取亮和暗参考样本以减轻或消除跨各种设备的传感器差异，包括外壳604内的接口606和光谱仪。亮参考样本和亮样本是在灯快门打开的情况下采集的，而暗参考样本和暗样本是在灯快门关闭的情况下采集的。使用对象的身体部位(如对象的手指)采集亮和暗样本。
[0235]
在时间t3，光被散射/反射/透射，然后经由电缆608返回到外壳604内的一个或多个光谱仪。由一个或多个光谱仪在外壳604内测量光谱，并转换成电信号，在时间t4返回到计算机602进行存储。光谱数据存储为八个独立的文件：对于vis-nir和nir光谱仪中的每一个，一个文件用于光参考样本，一个文件用于光样本，一个文件用于暗参考样本，一个文件用于暗样本。计算机602和外壳604中的一个或两个处理器对八个文件执行处理，将一个或多个测量光谱与一个或多个参考光谱进行比较，并确定对象的感兴趣状态。计算机602显示器显示由每个光谱仪记录的测量光谱，以及对感兴趣的对象的状态的最终确定。
[0236]
现在参考图8a和图8b，分别示出了接口606的实施例的透视图和剖视图(沿着线8a-8a)，该接口依靠反射率(“反射率接口”)来捕获要由外壳604中的一个或多个光谱仪测量的光。反射率接口606通常被成形为接收对象的手指。穿过其后侧延伸的是光纤电缆608，其包括多个光纤。这些光纤中的至少一个光纤是源光纤806a，其将来自外壳604中的一个或多个光谱仪的光传送到接口606，并且这些光纤中的至少一个光纤是返回光纤806b，其将已经与对象的手指相互作用的光传送回外壳604中的光谱仪。
[0237]
参考圆盘802位于反射率接口606的顶侧上的对象手指的接收器上。示例性参考圆
盘由labsphere,inc.的spectralon
tm
反射材料制造。每次测量对象的身体部位时，当获得上述暗参考样本和亮参考样本时，使用参考圆盘代替对象的手指。
[0238]
在图8b中，示出了光路808，其指示光在与对象的手指交互时如何传播。即，反射率接口606包括参考圆盘802所放置的第一表面，该第一表面被定位成邻接手指的指肚。源光纤806a和返回光纤806b从第一表面下方定位，并分别通过第一表面发射和接收光。更具体地，如光路808所示，光离开源光纤，反射离开手指，并返回到返回光纤806b，以传输回外壳604中的光谱仪。
[0239]
现在参考图9a和图9b，分别示出了接口606的实施例的透视图和剖视图(沿着线9a-9a)，该接口依靠透射率(“透射率接口”)来捕获要由外壳604中的一个或多个光谱仪测量的光。透射率接口606通常被成形为接收对象的手指。延伸穿过其前侧的是源光纤和返回光纤806a、b。与反射率接口606一样，参考圆盘802位于透射率接口606的顶侧，并且在获得暗参考样本和亮参考样本时使用。
[0240]
与反射率接口606相反，透射率接口606的手指接收器包括第一表面和第二表面，第一表面被定位成抵靠手指的指肚，第二表面被定位成抵靠手指的指尖。源光纤806a被定位成通过第二表面将光从灯引导到手指，并且返回光纤806b被定位成通过第一表面接收透射通过手指的光。光路808指示光从源光纤806a穿过手指并到达返回光纤806b的方向。
[0241]
现在参考图23，描绘了组合设备2300的顶部平面图，该组合设备共同执行接口606和外壳604的功能。更具体地，设备2300包括外壳604，如上面关于图6所述，其中是处理器、计算机可读介质、ft-nir光谱仪和灯。显示器2302通信地耦合到处理器并安装到外壳604的顶侧；在图23中可以看到显示器2302的顶部边缘。设备2300的接口606也安装到外壳604的顶侧。类似于bruker
tm tango
tm ft-nir光谱仪中使用的接口606被设计用于保存在容器中的样本，例如杯子、培养皿或小瓶。更具体地，接口606包括平台2304，平台内有开口2306。在常规使用中，包含样本的容器放置在平台2304上，并且开口2306内的光纤(未示出)通过容器将光传输到样本并从样本收集光。外壳604内的ft-nir光谱仪接收并处理光学数据。与这种常规使用相反，在至少一些示例性实施例中，个人可以将他们的手指直接放在开口2306上，并且可以通过以类似于上述图8a和8b和/或9a和9b中描述的方式直接测量个人来获得ft-nir测量值。
[0242]
现在参考图10，示出了使用透射率和反射率接口606中的一个或两者来处理光谱数据的方法的流程图1000。在本实施例中，该方法由计算机602中的处理器执行。在至少一些其他实施例中，该方法可替代地由外壳604中的处理器执行，或者由计算机602和外壳604中的处理器共同执行。更具体地，处理器在框1002执行输入(光谱)数据处理。一旦输入数据在框1002被处理，处理器在框1003执行离群值检测，并在框1004执行预处理流水线。在系统优化期间，执行预处理流水线包括在框1010执行迭代优化流水线。图15示意性地表示在框1004处执行的预处理流水线的效果，其中通过预处理将大约2.5k
×
1k的阵列中的输入数据减少到大约100
×
1k。在预处理之后，处理器应用模型1006来从经处理的光谱数据确定感兴趣状态。下面参照图11-21c进一步详细地讨论框1002、1003、1004、1006和1010的示例实施方式。
[0243]
在图11中，处理器在框1102将原始光谱数据文件连接在一起。下表3描述了从vis-nir和nir光谱仪接收的光谱数据：
[0244]
表3：来自vis-nir和nir光谱仪的数据
[0245][0246][0247]
例如，在表3中，vis-nir光谱仪的测量范围为约300nm至1000nm，nir光谱仪的测量范围为约900nm至2500nm。然而，对于接近范围末端的一个或两个光谱仪，准确度和/或精密度可能会降低。因此，例如，对于跨越400nm至2500nm的光谱，vis-nir光谱仪可以用于获取400nm至900nm的测量值，而nir光谱仪可以用于获取900nm至2500nm的测量值。
[0248]
连接光谱文件的一部分包括执行框1104，其中处理器组合用于亮参考样本和暗参考样本测量值的原始光谱数据。随后，在框1106处，处理器对亮样本和暗样本测量值的光谱数据进行下采样。在框1104和1106之后，处理器在框1108合并光谱数据并校正传感器偏差。更具体地，参考数据用于减轻不同光谱仪之间的传感器差异。每个参考样本(亮和暗)一起平均，以减少噪声的影响。更具体地，当合并光谱数据以校正传感器偏差时，处理器应用以下内容：
[0249][0250]
其中，r
l
和rd分别是亮参考样本和暗参考样本，s
l
和sd分别是亮样本和暗样本，its和itr分别是对象和参考的积分时间。
[0251]
非参考样本(亮和暗)的光谱数据包含时间数据，在至少一些实施例中，时间数据被保留。例如，在至少一些实施例中，处理器对随时间变化的区域(例如，脉冲)的最大值、中值和最小值的某个百分比内的样本进行平均。最终结果是一个矩阵，包含两个光谱仪上每个波长的多个条目。
[0252]
图12是在图10的框1003处执行离群值检测的方法的流程图，其有助于校正光散射。在框1202，处理器标准化输入数据值，使每个对象的均值和单位方差为零：
[0253]
[0254]
并前进到框1204，其中使用训练的深度自动编码器来识别好样本与坏样本(“好”是基于光谱的视觉表示与基于所采集的所有样本的预期形状匹配的事实启发式地定义的)。处理器比较输入数据和重建的自动编码器输出之间的均方误差[误差(x,y)]。在框1206，处理器将离群值确定为均方误差大于总体标准偏差2倍的样本；在至少一些其他实施例中，离群值可以被确定为与平均值不同数量的标准偏差(例如，1x)的样本。深度自动编码器直接应用于光谱数据，因此独立于感兴趣状态的变化；因此，对于特定的配置，自动编码器只需要训练一次。在识别离群值之后，处理器在框1208处返回原始输入光谱数据的以平均值为中心的版本(x
i-x
i_平均
)，其中去除了离群值。虽然在至少一些示例性实施例中，自动编码器被应用于原始数据，但在至少一些其他实施例中，根据性能和稳健性需要，自动编码器被应用于以平均值为中心或按比例缩放的输入数据(离群值尚未去除)。
[0255]
图13是执行优化流水线的方法的流程图，如上文在图10的框1010处所描述的。优化流水线迭代地测试光谱变换的各种组合，以达到特定目标的特定且最佳理想的变换或变换序列，以对象感兴趣状态为例。在系统600的初始训练期间迭代地执行图13。一旦离群值已经被去除，处理器在框1302对数据进行平滑/滤波；在框1304变换平滑/滤波的数据；并在框1306减少在变换后的数据中表示的波长的数目。下面参考图16-18进一步描述这些操作。
[0256]
图16描绘了执行图13的优化流水线的具体方式。在图16中，从离群值检测块1003输出的以平均值为中心的输入数据被输入到配置块1604；配置块1604的输出是波长减少块1606的输入；并且波长减少块1606的输出是处理器应用偏最小二乘法的块1608的输入。应用偏最小二乘法是执行分解成潜在空间分量的一个示例；在其他实施例中，不同的潜在空间分解是可能的，例如通过应用主分量分析。
[0257]
图17是描述图16的配置块1604的框图。配置块1604包括第一到第五配置子块1702a-e、标准化和缩放子块1704以及pls子块1402。处理器使用配置子块1702a-e迭代地测试不同的变换序列，以确定用于确定感兴趣状态的优选并且在一些情况下是最佳的变换配置。示例变换包括标准正态变量(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)，它们是光谱和行特定的。在子块1702a-e应用变换之后，处理器在标准化和缩放子块1704应用标准化和缩放；并且在标准化和缩放之后，处理器使用pls子块1402将pls应用于标准化和缩放的数据。当评估由子块1702a-e应用的变换的特定组合的性能时，使用pls子块1402的输出。
[0258]
虽然图17中示出了五个配置子块1702a-e，但在至少一些其他实施例(未示出)中，可以使用不同数量的子块，使得处理器可以测试更多或更少的变换组合。
[0259]
图18是由图16的波长减少块1606执行的波长减少的示例。配置块1604的输出被用作波长减少块1606的输入。在波长减少块1606中，处理器应用遗传算法来减少波长的数量以供进一步处理。如图18中所示，在该示例中，处理器已经从光谱数据中删除了四个连续的波长范围。
[0260]
在波长减少之后，处理器再次将pls应用于光谱数据，以找到减少的波长数据的理想最佳拟合。一旦处理器达到合适的拟合，则提取作为应用pls的结果生成的分量以用于模型选择过程。
[0261]
图14是描述应用各种模型来确定感兴趣状态的流程图。在图14中，并且如下面进一步讨论的，处理器可以基于由框1402输出的pls分量在框1403应用线性回归(lr)，以直接
到达目标1408；在框1404结合神经加性模型(nam)应用pls；或者在框1406应用神经网络(nn)以到达目标1408。
[0262]
现在参考图19a-c，分别描绘了利用上述预处理流水线来到达目标1408的三个示例模型。在图19a中，应用pls和逻辑回归模型来对对象的感兴趣状态进行分类。在图19b中，应用pls和nam来对对象的感兴趣状态进行分类。nam提取1、2或3个输入变量和目标1408之间的非线性关系。在图19c中，应用nam来自动确定关键波长贡献和变换。nam可以应用于标准化光谱，通过将每个波长视为独立变量，而不是使用pls导出分量，或者应用于pls导出分量。
[0263]
现在参考图20a-c，分别描述了可以在框1006使用的三个示例模型。在图20a中，pls和人工深度神经网络(dnn)应用于标准化光谱数据以达到感兴趣状态。在图20b中，dnn单独应用于标准化光谱数据以达到感兴趣状态。并且在图20c中，为了利用特定于应用的时间数据，卷积神经网络(cnn)应用于处理标准化的光谱数据。在图19b、19c和20a-c中，作为输入的“x”表示标准化波长，而“c”表示pls导出分量。
[0264]
现在参考图21a-c，示出了可以用于处理光谱数据以到达感兴趣状态的示例性系统2100的框图。在图21a中，框1106处的下采样的示例是在图21a中用“(减小尺寸)”注释的平均块。输入数据处理块1002的输出的示例是图21b底部的1x2560向量。在图21c中，“pls分量”框将向量大小从1x2560缩小到1x10，其中10是pls导出分量的数量。
[0265]
更具体地，在图21a-c中，八个输入文件2102形式的光谱数据。从图21a开始，如上所述，输入文件2102包括来自vis-nir光谱仪的四个文件2104(“vis文件2104”)和来自nir光谱仪的四个文件2106(“nir文件2106”)。同样如上所述，vis文件2104包括表示可见光测量值的对象2108c、d的暗和亮参考样本2108a、b和暗和亮样本；并且nir文件2106类似地包括表示nir测量值的对象2108g、h的暗和亮参考样本2108e、f和暗和亮样本。分别在框2110a和2110b处获得来自vir和nir文件2104、2106的暗参考样本和亮参考样本2108a、b、e、f的平均值，以便通过如上文关于框1106所述的下采样来减小它们的大小；下采样的结果分别是两个1x2048文件和两个1x512文件。然后分别在卷积块2112a-d处通过与2d核的卷积来平滑这两个下采样的暗参考样本2108a、b、两个暗样本2108c、d、两个下采样的亮参考样本2108e、f和两个亮样本2108g、h。从该对的另一个文件中减去该对中的每个文件，得到vis参考文件2115a、vis对象文件2115b、nir参考文件2115c和vis参考文件2115d。
[0266]
从图21a移动到图21b，在框2116a和2118a(对于vis文件2115a，b)和框2116b和2118b(对于nir文件2115c，d)使用等式(1)处理vis参考文件2115a、vis对象文件2115b、nir参考文件2115c和暗vis参考文件2115d，以产生从vis文件2115a、b生成的1500x2048文件和从nir文件2115c，d生成的1500x512文件。
[0267]
在块2120a和2122a(对于1500x2048文件)以及在块2120b和2122b(对于1500x512文件)对1500x2048和1500x512文件进行下采样，以产生1x2048 vis文件和1x512 nir文件。该下采样包括在框2120a、b识别数据内的多个局部最大值以减少方差，然后在框2122a、b确定这些最大值的平均值。在框2124a和2126a(对于1x2048 vis文件)以及框2124b和2126b(对于1x512 nir文件)，根据等式(2)处理得到的1x2048 vis文件和1x512 nir文件。得到的1x2048和1x512文件在框2128被连接以产生单个1x2560文件2129。
[0268]
从图21b移动到图21c，在框2130，如关于框1402所述，确定1x2560文件2129的pls
分量。十个分量被标识为在1x10文件中表示；虽然在所描绘的实施例中选择了十个分量，但是在替代实施例中可以选择任何数量的不同分量。在框2134处，该1x10文件被归一化(例如，在0和1之间)。归一化的1x10文件的元素分别被输入到第一到第十训练的神经网络2136a-j，例如图20a-c中描绘的那些。作为一个具体示例，第一至第十训练神经网络2136a-j中的每一个可以包括nam。在框2138处，将训练的神经网络2136a-l的输出加在一起以产生1x1文件，该文件被用作激活函数(如sigmoid函数)的输入。激活函数的输出用于确定感兴趣状态，如下面关于图22和covid-19所描述的。
[0269]
虽然图21a-c描绘了示例性实施例，但是对所描绘的实施例的变化是可能的。例如，图21a-c描绘了将数据存储为各种维度的向量的文件。在替代实施例中，这些向量的维度可以根据需要而变化。例如，可以选择多于或少于十个pls分量，在这种情况下，从框2130输出的1x10文件的大小将相应地变化，用于分别处理这些分量的神经网络的数量也将相应地变化。
[0270]
作为另一示例变化，图21a示出了从对应于来自vis-nir和nir光谱仪中的每一个的两个暗样本和两个亮样本的八个测量值生成的八个输入文件2102。然而，替代实施例可以表征被具有多于或少于八个文件2102，以及多于或少于八个测量值。例如，来自多个测量值的数据可以以单个文件的形式存储。作为另一示例，可以使用更多或更少的测量值来获取数据。在至少一些替代实施例中，使用nir或可见光，因此将仅进行四次测量。并且，执行自身预处理的光谱仪(例如ft-nir光谱仪，如bruker
tm tango
tm
)输出类似于图21b和21c的1x2560文件2129的光谱数据。因此，该光谱数据可以立即由单个神经网络处理，而不用于生成pca或pls分量。
[0271]
作为另一示例变化，单个训练的神经网络可以直接接收由1x2560文件2129表示的经处理的光谱数据作为输入，以代替在框2130处确定pls分量并随后使用第一至第十神经网络2134a-j处理这些分量。相反，单个训练的神经网络分析所有处理过的光谱数据，而不是特定的pcs分量；例如，具有cnn激活的nam可以用于此目的，或者图19a-c中示出的任何网络。虽然仅处理特定pcs分量的一个优点是能够确定哪些pcs分量负责影响感兴趣状态，但是绕过pcs分量的使用可以允许基于不能追踪到一个或多个特定pcs分量的更复杂的关系来确定感兴趣状态。
[0272]
可以使用表示与对象的感兴趣状态配对的对象的一个或多个光谱测量值的输入文件2102作为训练数据来训练上面参考图21a-c提到的神经网络。例如，在感兴趣状态是对象是否患有诸如covid-19的疾病的情况下，每对训练数据包括对象的一个或多个光谱读数，以及对象是否患有covid-19的形式的感兴趣状态。在推断时，如本文所述的光谱测量值可以作为输入文件2102输入，并且训练的神经网络2134a-l相应地输出对象是否患有covid-19。
[0273]
现在参考图22，示出了示例过程图2200，其中被训练来执行图10中所示方法的状态模型2202用于直接处理光谱数据以确定感兴趣状态，而无需直接参考分析物并通过血液样本。在图22的示例中，感兴趣状态是对象是否患有covid-19，一种由冠状病毒引起的疾病。然而，冠状病毒的严重程度从普通感冒(轻度)到covid-19(潜在致命)不等。对与感染相对应的感兴趣状态的非常高的敏感性可能导致更高的普通感冒病例被归类为covid-19，而优化特异性增加了仅识别真阳性covid-19病例的可能性，而假阴性的潜在代价更大。状态
模型2202在灵敏度和特异性方面是可调节的，以适应可能希望识别任何具有冠状病毒感染而不管毒株/致死率的人的情况，以及希望仅仅识别那些具有covid-19的人的其他情况。
[0274]
例如，目标1408可以是感兴趣的二元状态(例如，covid-19阳或阴)，其可以由0或1来表示。为了调整灵敏度和特异性，感兴趣状态被确定为0或1的阈值是可调节的。例如，可以通过指示处理器降低识别阳性感兴趣状态的阈值(例如，从0.5到0.25)来增加灵敏度，而可以通过指示处理器增加识别阳性感兴趣状态的阈值(例如，从0.5到0.75)来增加特异性。
[0275]
所有引用均通过引用并入本文。
[0276]
以上已经参考方法、装置、系统和计算机程序产品的流程、序列和框图描述了实施例。就这一点而言，所描绘的流程、序列和框图示出了各种实施例的实施方式的架构、功能和操作。例如，流程图和框图的每个框以及序列图中的操作可以表示代码的模块、片段或一部分，其包括用于实施指定动作的一个或多个可执行指令。在一些替代实施例中，在该框或操作中示出的动作可以不按这些图中示出的顺序发生。例如，在一些实施例中，实际上，根据所涉及的功能，基本上可以同时执行连续示出的两个框或操作，或者可以以相反的顺序执行这些框或操作。上面已经示出了前述的一些具体示例，但是那些示出的示例不一定是唯一的示例。流程图和框图的每个框以及序列图的操作，以及这些框和操作的组合，可以由执行指定功能或动作或专用硬件和计算机指令的组合的基于专用硬件的系统来实施。
[0277]
在前述实施例中使用的控制器和处理器可以包括：例如，通信地耦合到非暂时性计算机可读介质的处理单元(诸如处理器、微处理器或可编程逻辑控制器)，其存储有程序代码，程序代码由处理单元、微控制器(其包括处理单元和非暂时性计算机可读介质两者)、现场可编程门阵列(fpga)、片上系统(soc)、专用集成电路(asic)或人工智能加速器执行。计算机可读介质的示例是非暂时性的，并且包括基于盘的介质，例如cd-rom和dvd，磁介质，例如硬盘驱动器和其他形式的磁盘存储，基于半导体的介质，例如闪存介质，随机存取存储器(包括dram和sram)，以及只读存储器。
[0278]
可以设想，本说明书中讨论的任何方面或实施例的任何部分可以与本说明书中讨论的任何其他方面或实施例的任何部分实现或组合。
[0279]
在解释权利要求时，应当理解，至少在权利要求中肯定地叙述了计算机设备的存在或使用的情况下，使用诸如处理器的计算机设备来实施本文描述的实施例是必不可少的。
[0280]
已经仅通过说明的方式描述了一个或多个示例性实施例。本说明书是出于说明和描述的目的而呈现的，但并不旨在穷尽或限制于所公开的形式。对于本领域技术人员将显而易见的是，在不脱离权利要求的范围的情况下，可以进行多种变化和修改。

技术特征：
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，所述感兴趣的生理状态包括所述对象是否患有covid-19。18.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thc损伤。19.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酒精损伤。20.根据权利要求1至19中任一项所述的方法，其中，使用傅立叶变换近红外光谱仪执行所述测量。21.根据权利要求20所述的方法，其中，所述光谱仪包括用于接收样本容器的平台，并且其中，所述测量直接在个体的手指上执行。22.一种非暂时性计算机可读介质，其上存储有能够由处理器执行的计算机程序代码，并且当由所述处理器执行时，使所述处理器执行根据权利要求1至21中任一项所述的方法。23.一种装置，包括：(a)灯；(b)至少一个光谱仪；(c)接口，其包括用于对象的身体部位的接收器；以及(d)至少一个源光纤和至少一个返回光纤，所述至少一个源光纤和至少一个返回光纤将所述灯和所述至少一个光谱仪光学耦合到所述接收器，其中，所述源光纤被定位成将来自所述灯的光引导到所述身体部位，并且所述返回光纤被定位成接收透射通过所述身体部位或被所述身体部位反射的光并将所接收的光引导到所述至少一个光谱仪。24.根据权利要求23所述的装置，其中，所述身体部位是手指，并且所述接收器包括第一表面和第二表面，所述第一表面被定位成抵靠所述手指的指肚，所述第二表面被定位成抵靠所述手指的指尖，其中，所述至少一个源光纤被定位成通过所述第二表面将所述光从所述灯引导到所述手指，并且所述至少一个返回光纤被定位成通过所述第一表面接收透射通过所述身体部位的所述光。25.根据权利要求23所述的装置，其中，所述身体部位是手指，并且所述接收器包括第一表面，所述第一表面被定位成抵靠所述手指的指肚，其中，所述至少一个源光纤和所述至少一个返回光纤被定位成分别将来自所述灯的所述光引导到所述手指并接收由所述手指
反射的所述光。26.根据权利要求23至25中任一项所述的装置，其中，所述至少一个光谱仪包括被配置为输出可见光谱中的光的第一光谱仪和被配置为输出近红外光谱中的光的第二光谱仪。27.根据权利要求26所述的装置，其中，所述第一光谱仪进一步被配置为输出所述近红外光谱中的光。28.根据权利要求26或27所述的装置，其中，所述第一光谱仪被配置为输出波长从约350nm到1000nm的光，并且所述第二光谱仪被配置为输出波长从约900nm到大约2500nm的光。29.根据权利要求23所述的装置，进一步包括：(a)通信端口；以及(b)控制器，其通信地耦合到所述至少一个光谱仪和所述通信端口，其中，所述控制器被配置为：(i)将来自所述灯的光引导到所述身体部位，其中，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；(ii)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，使用所述至少一个光谱仪测量所述光的光谱，其中，所述光谱包括所述波长范围；(iii)将所测量的光谱输出到所述通信端口。30.根据权利要求29所述的装置，进一步包括：(a)处理器，其通信地耦合到所述通信端口；以及(b)非暂时性计算机可读介质，其上存储有能够由所述处理器执行的计算机程序代码，并且当由所述处理器执行时，使所述处理器执行如下方法，所述方法包括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述测量的光谱，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。31.根据权利要求23至30中任一项所述的装置，其中，所述至少一个光谱仪包括傅立叶变换近红外光谱仪。

技术总结
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。


技术研发人员：J
受保护的技术使用者：ISBRG公司
技术研发日：2022.02.11
技术公布日：2023/8/14