引用本文
袁境泽, 卢启鹏, 吴春阳, 丁海泉, 高洪智, 李晚侠, 王洋. 近红外光谱人体血液甘油三酯无创检测[J]. 光谱学与光谱分析, 2018,38(1): 42-48.
YUAN Jing-ze, LU Qi-peng, WU Chun-yang, DING Hai-quan, GAO Hong-zhi, LI Wan-xia, WANG Yang. Noninvasive Human Triglyceride Detecting with Near-Infrared Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2018,38(1): 42-48.
Doi:10.3964/j.issn.1000-0593(2018)01-0042-07  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
近红外光谱人体血液甘油三酯无创检测
袁境泽1,2, 卢启鹏1,*, 吴春阳1,2, 丁海泉1, 高洪智1, 李晚侠1,2, 王洋3
1. 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
2. 中国科学院大学, 北京 100049
3. 长春中医药大学护理学院, 吉林 长春 130117
*通讯联系人 e-mail: luqipeng@126.com

作者简介: 袁境泽, 1988年生, 中国科学院长春光学精密机械与物理研究所博士研究生 e-mail: yuanjz0826@163.com

收稿日期: 2017-02-15
基金: 国家高技术研究发展计划(863计划)项目(2012AA022602), 国家自然科学基金项目(61308067, 61475155), 吉林省科技发展计划项目(20140204078GX), 应用光学国家重点实验室基金项目, 广州市科技发展计划项目(201604046019)资助
摘要

为实现人体血液甘油三酯(TG)含量无创检测, 应用近红外光谱技术(NIRS), 对单体TG进行定量分析。 通过离体实验优选检测波段(5 700~5 600和4 600~4 400 cm-1), 优化设计检测探头, 综合预处理方法等手段, 对其中TG含量进行定标和预测。 以期提升单体TG无创检测精度及稳定性。 无创采集54组单体光谱数据, 并对其中TG含量进行定标预测, 经对比分析确定平滑滤波(SG)结合偏最小二乘方法(PLS)的定标模型稳健性最优, 对预测集1, 2样品最佳分析结果: 预测标准偏差RMSEP分别为12和12.8 mg·dL-1, 相对预测标准偏差RSD为16.25%和17.33%, 预测精度理想, 基本可用于单人TG的日常监测。 鉴于SG-PLS模型在单体TG无创测量及日变化趋势预测方面的良好表现, NIRS分析技术将在TG无创检测与日常管理领域有更为广泛的应用前景。

关键词: 人体血液甘油三酯; 无创生化检测; 近红外光谱分析技术
中图分类号:O43 文献标志码:A
Noninvasive Human Triglyceride Detecting with Near-Infrared Spectroscopy
YUAN Jing-ze1,2, LU Qi-peng1,*, WU Chun-yang1,2, DING Hai-quan1, GAO Hong-zhi1, LI Wan-xia1,2, WANG Yang3
1. State Key Laboratory of Applied Optics, Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
3. Nursing School, Changchun University of Chinese Medicine, Changchun 130117, China
*Corresponding author
Abstract

To facilitate noninvasive detection of human triglyceride (TG) in blood, near infrared spectroscopy (NIRS) was applied to quantitatively analyze the TG level of single person. By optimizing the proper NIRS detection band (5 700~5 600 and 4 600~4 400 cm-1) in in-vitro experiment, preferably designing the fiber probe, and comparatively evaluating several preprocessing algorithms, we intend to further promote the non-invasive detection accuracy and stability of single-person TG level. Then we noninvasively collected 54 samples of spectral data from the same volunteer and made quantitative analysis for TG level. Savitzky-Golay (SG) combined with partial least squares (PLS) was confirmed to be the most robustness calibration model. The optimal analysis of the predictive 1 and 2 sets is as follows. The standard deviation (RMSEP) was 12 and 12.8 mg·dL-1, respectively; the relative standard deviation (RSD) was 16.25% and 17.33%, respectively. The prediction accuracy was ideal and able to be used for routine monitoring of single TG. In view of the well performance of SG-PLS model in non-invasive detection of single-person TG level and the trend of daily variation, NIRS analysis technology has potential for human TG non-invasive detection and daily management.

Keyword: Triglyceride; Near-infrared spectroscopy; Non-invasive detection
引 言

血脂主要包含胆固醇和甘油三酯(TG), 是细胞代谢的基础物质, 其中胆固醇主要用于合成细胞膜、 固醇类激素、 胆汁酸和维生素D, TG是人体的主要供能物质之一。 目前将人体TG水平分为四级: 正常水平30~150 mg· dL-1; 临界高水平150~200 mg· dL-1; 高水平200~500 mg· dL-1; 极高水平≥ 500 mg· dL-1。

高TG含量将对人体健康造成严重的影响。 TG处于临界高水平和高水平的患者, 常患有动脉粥样硬化、 血脂紊乱等病症, 进而增加冠心病、 心肌梗死、 脑梗死和脑出血等急性心脑血管疾病发病风险[1, 2]。 TG水平高于1 000 mg· dL-1时, 罹患急性胰腺炎的危险性大大增加。 因此有效管理TG, 对进一步降低心血管系统风险, 进而减少心血管疾病的发病率与致死、 致残率具有重要意义。

高脂血症作为一种慢性疾病, 前期症状并不明显, 而由其引发的心脑血管等疾病又均属急性疾病, 致死致残率极高[3]。 所以作为预防手段, 对血脂进行早期监控受到普遍关注。 血脂中的胆固醇含量较为稳定, 可通过定期常规检查进行监控, 而TG会因进食等影响迅速的成倍变化, 人们应对其进行日常监控来调节饮食, 控制病情。

TG的传统检测方法一般可分为化学法、 色谱法和酶法。 三种方法均可实现对人体血液TG的精确检测, 但由于均属于有创检测手段, 需采集血液并使用化学试剂, 因此难以避免存在痛感及感染风险。 化学试剂分析的检测速度受到限制, 很难实现对血脂的实时监测, 均不适用于对饮食与病情的日常监控。 因此, 人体TG无创检测方法具有较高的研究价值与良好的应用前景。

近红外光谱 (NIRS)分析技术, 因具有无损样品、 分析快速、 无需试剂、 操作简便等优势, 已成为无创生化检测领域热点研究之一[4, 5, 6]。 目前, NIRS技术已在人体血糖、 血红蛋白、 红细胞比容等血液成分的无创检测领域有较为深入的理论与应用研究。 但对于甘油三酯与胆固醇等血脂成分, NIRS主要被应用于对全血或血清的离体分析, 在体无创检测技术仍有很多工作亟待开展。

提出了一种应用NIRS分析技术无创检测单人血液TG含量的方法, 通过优选检测波段、 检测位置, 优化设计检测探头等手段, 提升TG无创检测精度。 首先, 开展离体实验, 采集97组人体全血近红外光谱数据, 并对TG进行定量分析, 以预测结果为评价标准, 优选适用于人体TG检测的近红外波段。 随后, 应用蒙特卡洛方法模拟人体组织中的光子传播过程, 以优化设计检测光纤元件。 最后, 开展在体实验, 分不同批次采集3批54组样品数据, 并划分相应样品集(定标集, 预测集1和2, 验证集); 应用偏最小二乘方法(PLS)在优选波段内建立定标模型, 通过对比分析不同样品集中TG预测结果, 分别验证PLS模型对单人TG的预测能力与稳定性, 以及对单人TG日变化趋势的预测准确性。

1 实验部分
1.1 近红外检测波段优选

NIRS分析技术应用于人体TG无创检测时, 适当的测量波段将有效提升光谱信号中待测成分信息含量, 有助于提升无创检测精度。 为优选适用于人体TG测量, 同时具有一定通用性的近红外检测波段, 我们开展离体实验, 通过对人体全血中TG定量分析, 以预测精度作为评价标准, 优选检测波段。

应用Nicolet-6700傅里叶红外光谱仪及自制的0.6 mm样品池, 采集97组不同个体的全血光谱信号, 并以浓度分布均匀原则, 按4:1划分定标集与预测集, TG化学检测值分布如表1所示。 随后, 采用偏最小二乘方法建立多元校正模型, 优选近红外检测波段。

表1 离体实验中样品TG含量分布(mg· dL-1) Table 1 The distribution of TG values in vitro experiment
表2 各批次样品信息 Table 2 The sample information in various group

综合考虑水吸收峰影响, 设定初始分析波段为宽带8 575~7 485, 6 745~5 575和4 940~4 120 cm-1。 分析结果为: 预测标准偏差RMSEP为45.81 mg· dL-1, 相对标准偏差RSD为35.59%, 精度较差。 由于对较宽范围的光谱信息建模会引入更多干扰因素, 使模型更为复杂, 进而影响预测精度。 因此, 我们优选具有窄波段组合, 以提高模型的预测能力。

TG由长链脂肪酸与甘油组成, 在5 700和4 500 cm-1两处有着明显的吸收峰[7, 8], 且恰好避开了水、 蛋白质等强吸收峰的干扰, 如图1所示。

图1 甘油三酯、 葡萄糖和蛋白质的近红外吸收光谱Fig.1 The absorption spectra of TG, glucose and protein

因此, 设定窄带组合初始波段为5 700~5 600和4 500~4 400 cm-1。 以100 cm-1为步长, 拓宽检测波段, PLS模型预测结果如图2(a)所示。 分析可知当参考波段为5 700~5 600和4 600~4 400 cm-1, 模型最为准确。 图2(b)为该组合波段内PLS模型对TG的预测结果, RMSEP=28.795 mg· dL-1, RSD=21.52%。 为验证优选波段的适用性, 调换定标与预测集样品, 结果表明, 该波段内新PLS模型预测精度仍为最优。 综上, 最终优选人体TG近红外波段为5 700~5 600和4 600~4 400 cm-1。

图2 波段选取与预测效果
(a): 不同参考波段, PLS模型RMSEC与RMSEP的变化趋势; (b): 5 700~5 600和4 600~4 400 cm-1采优选波段内, PLS模型对TG预测散点图Fig.2 Predication values corresponding to the certain wavebands
(a): The variatio nof RMSEC and RMSEP by PLS, corresponding to different wavebands(b): The predication values of TG by PLS, corresponding to the wavebands of 5 700~5 600 and 4 600~4 400 cm-1

1.2 测量部位的选择

近红外血液成分无创检测中, 测量部位的选择对检测精度有重要影响。 通常要求检测部位具有(1)富含毛细血管的真皮层较厚而表皮层薄; (2)短时稳定, 脉动干扰低; (3)探测器易于贴合, 检测方便; (4)受检者易于接受, 无不适感。 综上考虑, 结合反射式光谱采集方法, 选取前臂内侧作为无创测量部位, 如图3所示。 该部位皮肤总厚度约2 mm, 表皮层仅有0.09 mm, 易于近红外光穿透; 富含毛细血管的真皮层较厚且内部皮脂腺及毛囊较少。

图3 前臂内侧的测量位置及该部位皮肤结构图Fig.3 The measurement position in forearm and the skin structure

1.3 光纤探头优化设计

近红外光在人体皮肤中的传播路径与皮肤结构、 各层皮肤组织的光学特性、 入射与出射光纤的半径与间距相关, 如图4所示。 由于皮肤中, 富含毛细血管的真皮层(dermis)为目标测量结构, 为了提升TG有效信号检测, 优化光纤探头设计。

图4 人体皮肤结构和光子在皮肤内部传播示意图Fig.4 Schematic diagram of human skin structure and the propagation of photons inside the skin

为充分利用光纤探头与皮肤的接触面积, 设计将入射与出射光纤集中在同一光纤探头之上, 各光纤之间交叉随机紧密排列, 有效减小检测部位面积, 最大程度的降低皮肤组织结构不均匀性引起的误差。

通过蒙特卡洛算法, 模拟不同直径的光纤, 近红外光在人体前臂皮肤组织中的传播规律, 如图5所示。 其中, < z> D为光子到达的最深深度的平均值, < z> D表征了影响光谱的最深皮肤结构, < z> E为光子吸收深度的平均值[9, 10]。

图5 不同光纤直径与探测波长下光子到达的最深深度与吸收深度的平均值Fig.5 < z> D and < z> E corresponding to different fiber diameter and wavelength

由图5分析可知, 当光纤直径一定时, 光子< z> D和< z> E均随着探测波数递增; 当探测波数一定时, < z> D和< z> E均随着光纤直径递增。 从图5(a)中可知, 随着光纤直径的增加, 5 700 cm-1的< z> D增加较为显著, 需要适当减小光纤直径来降低来自皮下组织层的影响。

图6所示为光子在传播过程中, 被皮肤各结构吸收能量情况。 由图6(a)可知, 波数为5 700 cm-1时, 光子穿透能力强, 吸收主要存在于真皮层与皮下组织, 且随着光纤直径增加, 表皮层进一步吸收降低; 由图6(b)与(c)可知, 4 600~4 400 cm-1范围内, 光子吸收主要存在于表皮层与真皮层, 且随着光纤直径增加, 真皮层有效吸收增加, 表皮层吸收减弱。 虽然增加光纤直径可增加真皮层有效吸收比, 但增加幅度过大会引入皮下组织干扰。

图6 不同光纤直径与探测波长下皮肤各层组织对光子的吸收占比Fig.6 The absorption of photons by various skin layers corresponding to different optical fiber diameter and wavelength

因此综合考虑, 确定光纤直径为0.34 mm。 此时, < z> D和< z> E在0.15~0.6 mm之间位于组织层上层和真皮层上层之间, 同时真皮层吸收到的光子能量在55%以上, 符合利用人体真皮层中血液光谱来进行检测的设计目的。 当光纤直径> 0.34 mm时, 5 700~5 600 cm-1波段中最大探测深度将进入皮下组织层, 引入皮下组织层的干扰信号, 同时吸收区域也将集中在皮下组织层中, 不能改善检测效果。 当光纤直径< 0.34 mm时, 4 600~4 400 cm-1波段中表皮层的吸收比例会大幅度增加, 降低真皮层中的有效信号, 从而影响检测效果。 图7为我们最终采用的光纤探头。

图7 在体实验所用光纤探头Fig.7 The optical fiber probe

1.4 在体检测实验

实验中采用Nicolet-6700傅里叶光谱仪及直径0.34 mm的光纤束探头采集人体前臂内侧皮肤近红外光谱信号。 血液中TG真实值由化学检测方法获得。

血脂中TG的变化速度快、 幅度大。 对于健康成年人, 正常进餐后2 h左右, TG含量相比空腹状态增长超过一倍。 6~8 h后TG逐步降至空腹水平, 变化程度明显可实现单体定标预测。 对于高脂血症患者, TG变化速度与幅度都要远超健康人。

实验测量对象为健康成年志愿者。 于不同时间检测其血脂中TG含量, 并采集与之对应近红外光谱。 以健康人血脂TG变化规律为依据, 设定检测时间隔> 2 h。 为得到更大浓度范围的TG含量和光谱数据, 饮食方面要求志愿者尽量食用高脂肪含量的食物, 包括猪肉、 鸡蛋等, 且在检测过程中不二次进食, 尽量减少饮水。 同时保持检测室内温度与湿度稳定适中。 实验中共采集3批人体表皮近红外漫反射光谱与对应的TG化学检测值, 并划分相应样品集。 其中: 二、 三批样品采集时间间隔两个月, 第一批样品依据TG浓度均匀分布原则, 按3:1数量比划分为定标集和预测集。

2 结果与讨论

采用PLS方法对定标集样品建立多元校正模型, 通过对比预测集1和2中样品定量分析结果, 验证PLS模型对单体TG的预测能力和稳定性; 此外, 通过对比预测集1和验证集的预测结果, 验证PLS模型对单人单日TG变化趋势的稳定性。

建模波段为优选的5 700~5 600和4 600~4 400 cm-1组合波段。 同时为提高PLS模型预测精度, 分别采用平滑滤波(Savitzky-Golay, SG), SG+多元散射校正(MSC), SG+标准正规变量(SNV), MSC和SNV五种预处理方法。 PLS模型对预测集1和2的TG定量分析结果如表3所示。

表3 不同预处理算法对PLS模型预测精度影响 Table 3 The of PLS calibration model influenced by pre-processing algorithms predication accuracy

由表3可知, 应用SG平滑处理方法可使PLS模型对两组样品集的定量分析结果均为最优获。 由于平滑点数影响SG方法的有效性, 为进一步提升检测精度, 我们研究SG平滑点数对甘油三酯PLS模型稳健性的影享, 结果如表4所示。

表4 不同的SG平滑点数对PLS模型预测效果的影响 Table 4 The predication accuracy of PLS calibration model influenced by different SG smooth points

结果表明, 当选用平滑点数为11的SG预处理方法结合PLS建立定标模型时, 模型预测能力最好, 对不同样品适应性强。 最优预测结果为: 预测集1 RMSEP=12 mg· dL-1, RSD=16.25%; 预测集2 RMSEP=12.8 mg· dL-1, RSD=17.33%。 该结果表明, SG算法可有效降低无创人体光谱数据中干扰因素的影响, 提升有效信号比; 此外, PLS模型对单体TG含量预测精度高, 且稳定性强, 该方法已基本可用于单人TG的日常监测。

为进一步验证PLS模型对单人TG的预测能力, 以及对单人单日TG变化趋势预测的准确性, 我们对比分析采集间隔两个月、 均为单日测量的验证集1, 2样品TG预测结果, 如图8所示。 结果表明PLS模型不仅对单人TG浓度具有较高的预测精度及稳定性, 且可准确预测单人单日TG浓度变化趋势。

图8 两组单日测量样品集TG预测结果对比图
(a): 采集日1; (b): 采集日2Fig.8 TG predicted values of two samples sets (sampling on different days)
(a): sampling day 1; (b): sampling day 2

3 结 论

甘油三酯作为血脂重要组成成分, 是反映人体健康水平的重要指标。 有效管理TG, 对降低心血管系统风险, 进而减少心血管疾病的发病率与致死、 致残率具有重要意义。 为有效实施TG日常监控, 调节饮食, 控制病情, 提出应用NIRS分析技术无创检测单人血液TG含量的方法。

通过离体实验优选近红外检测波段、 测量位置, 优化设计检测探头, 综合采用预处理方法等手段, 以提升单体TG无创检测精度及稳定性。 离体实验中, 应用PLS算法对97组人体全血吸收光谱数据建模分析, 以预测结果为评价标准, 确定适用于人体TG的近红外最佳检测波段5 700~5 600和4 600~4 400 cm-1。 人体前臂内侧因其皮肤总厚度薄, 目标检测结构-真皮层厚且内部皮脂腺及毛囊较少被优选为无创检测位置。 应用蒙特卡洛模拟光子在皮肤各结构中传播特性, 对比分析光纤直径与平均探测深度、 光子吸收主要位置关系, 优化设计光纤尺寸与结构, 确定光纤直径0.34 mm。

分三批次无创采集单体光谱数据, 并划分相应样品集(定标集, 预测集1和2, 验证集), 其中, 预测集2与验证集样品均为单日测量, 其测量时间间隔两个月。 应用PLS算法对定标集样品建立单体TG校正模型, 分别对两组预测集样品TG进行定量分析, 对比分析不同预处理算法对模型稳健性影响, 最终确定平滑点数为11时, SG-PLS模型对单体TG预测精度最高、 稳定性最强, 最优分析结果分别为RMSEP=12和12.8 mg· dL-1, RSD=16.25%和17.33%, 该方法已基本可用于单人TG的日常监测。 为验证SG-PLS模型对单体TG日变化趋势的预测准确性, 定量分析验证集中单日测量样品TG, 对比预测集1中结果可知, SG-PLS模型可以较为准确预测单体日变化趋势。

鉴于在单体TG无创测量及日变化趋势预测方面的良好表现, NIRS分析技术在TG无创检测与日常管理领域将有广泛的应用前景。

The authors have declared that no competing interests exist.

参考文献
[1] Grundy S M, Bilheimer D, Chait A, et al. JAMA, 1993, 269(23): 3015. [本文引用:1]
[2] Betzel B, Drenth J P. BMC Medicine, 2014, 12(1): 152. [本文引用:1]
[3] Neves A C D O, Araújo A A D, Silva B L, et al. J Pharmaceut Biomed, 2012, 66(1): 252. [本文引用:1]
[4] Yamakoshi K, Yamakoshi Y. J. Biomed. Opt. , 2006, 11(5): 054028. [本文引用:1]
[5] Poumellec B, Lancry M, Desmarchelier R, et al. Light Sci. Appl. , 2016, 5: e16178(doi: DOI:10.1038/lsa.2016.178). [本文引用:1]
[6] LIU Yan-de, ZHOU Yan-rui, PAN Yuan-yuan(刘燕德, 周延睿, 潘圆媛). Optics and Precision Engineering(光学精密工程), 2014, 22(2): 281. [本文引用:1]
[7] Pincella F, Isozaki K, Miki K. Light Sci. Appl. , 2014, 3: e133(doi: DOI:10.1038/lsa.2014.14). [本文引用:1]
[8] Kasemsumran S, Du Y P, Maruo K, et al. Anal. Chim. Acta, 2004, 526(2): 193. [本文引用:1]
[9] Iino K, Maruo K, Arimoto H, et al. Optical Review, 2003, 10: 600. [本文引用:1]
[10] Minh T C, Oliver S R, Flores R L, et al. Sci. Technol. , 2012, 6(1): 86. [本文引用:1]