[发明专利]一种基于高光谱成像和漫反射光谱测量SpO2的COVID-19诊断方法

权利要求书

1.一种基于高光谱成像和漫反射光谱测量SpO₂的COVID-19诊断方法具体实现包含以下步骤：

S1、利用当前业界公认的商业脉搏血氧仪采集每位实验对象的SpO₂值作为评估高光谱成像系统测量精度的标准；

1)、实验对象进行测试前应使用70％酒精清洁血氧探头表面，不能将探头全部浸入酒精中；

2)、持续按住脉搏血氧仪面板上的开机/待机键1秒以上打开脉搏血氧仪；

3)、正确设置脉搏血氧仪；

4)、将血氧探头连接线的一端插入脉搏血氧仪顶端的SpO₂探头接口，另一端与实验对象监护部位相连；

5)、关闭脉搏血氧仪：持续按住面板上的开机/待机键3秒以上；

S2、用光谱范围为400-980nm的多色光源照射实验对象的前臂和手腕之间的区域，每人扫描5次，计算平均值；

1)、根据氧合血红蛋白的结构特性选取可见光加近红外谱段(400-980nm)的光源，以及光谱分辨率为2nm的高光谱相机进行实验；

2)、固定高光谱相机高度为距离测试者手臂25cm处，并调节焦距和多色光光源的空间位置直到感兴趣区域的预览结果清晰；

3)、对感兴趣区域进行凝视拍摄，每人凝视五次，得到五个高光谱图像，求出这五个输出的平均值，将数据立方体储存到计算机中，用于后续预测模型的建立；

S3、获取的高光谱图像是三维数据立方体，不仅具有二维的空间位置信息，而且每个像素点都包含了全谱段下的光强反射率信息，从光谱维度出发，利用特征提取算法找出氧合血红蛋白区别于不携带氧分子的血红蛋白的特征谱段；

1)、将不同SpO₂下的含氧动脉光谱曲线数据进行归一化处理，使所有光谱反射率数据都限定在某一固定区间内以剔除噪声点；

2)、在全谱段范围内利用特征选择算法寻找氧合血红蛋白的特征谱段；实验所需高光谱相机波长范围为400-1000nm，光谱分辨率2nm，256个谱段，将这些二维离散点数据用基于决策树的特征选择算法进行处理以选取主特征；

决策树的基本思想是，从根节点开始，选取最优特征将实例划分为不同子集(子结点)，若子集中实例能被正确分类，则构建叶结点，不在继续划分；否则，对子集再次选最优特征进行划分，如此递归划分，直至所有实例能被正确分类，或达到停止条件；

特征选择度量是一种决策树的分裂准则，把给定类标记的训练元组的数据区D“最好地”划分为单独类的启发方式；这里介绍三种常用的特征选择度量：信息增益，增益率，基尼指数；

1)、信息增益ID3

熵是表示随机变量不确定性的度量，熵只依赖于随机变量的分布，而与随机变量的取值无关，并且熵越大，随机变量的不确定性就越大；

信息增益定义：特征A对训练集D的信息增益g(D,A)，定义为集合D的熵H(D)与特征A给定条件下D的条件熵H(D|A)的差，即：

g(D,A)＝H(D)-H(D|A)

信息增益表示得到特征X的信息而使得类Y的信息不确定性减少的程度；

其中|D|表示其样本容量，K表示类的个数,|C_k|表示的属于类C_k的个数，设特征A有n个不同的取值，根据特征A的取值将D划分为n个子集D_i,|D_i|为D_i的样本个数，记子集D_i中属于类C_k的样本集合为C_ik；

2)、增益率C4.5

信息增益比：特征A对训练数集D的信息增益比定义为其信息增益与训练数据集D关于特征值A的值的熵之比，即

其中

3)、基尼指数CART

基尼指数度量数据区或训练集D的不纯度，定义为：

基尼指数数值越小，数据集的纯度越高；特征A的基尼指数定义为：

S4、利用平滑滤波，归一化处理算法对S3中特征谱段下的二维图像进行图像增强以消除伪影和噪声；

为消除伪影和噪声对被调查样本组织的影响，采用高反射(白方)和完全不透明(暗方)两种方式来进行数据归一化处理和高光谱图像的校准；

上式中R(θ)是高光谱图像的反射率，I_m(Φ)是获取的高光谱图像，I_d(Φ)是暗立方体图像，I_w(Φ)是白立方体图像；

对获取的图像进行归一化处理，消除多色光源的干扰光谱特征；因此，我们采用移动平均滤波；移动平均滤波基于统计规律，将连续的采样数据看成一个长度固定为N的队列，在新的一次测量后，上述队列的首数据去掉，其余N-1个数据依次前移，并将新的采样数据插入，作为新队列的尾，然后对这个队列进行算术运算，并将其结果做为本次测量的结果；假设输入为x，输出为y，则移动平均滤波器的计算公式如下所示：

S5、将S4中增强后的图像采用聚类算法进行图像分割，突出含氧动脉和去氧静脉的位置，且可根据二者面积评估SpO₂大小；

采用K-means聚类算法对图像进行分割；利用高光谱相机采集到的每一幅图像计算光衰减；最后，在特征谱段的图像上叠加含氧动脉和去氧静脉的轮廓；

K-means聚类算法的输入为包含N个数据对象的数据集D＝{x₁,x₂,…,x_n}，输出为k个彼此独立的类簇C＝{C₁,C₂,…,C_n}，具体步骤如下：

step1、从输入数据集D中随机选取出k个数据对象，作为初始的聚类簇中心点；

step2、计算数据集D中数据对象与k个簇类中心点之间的相似度，将聚类对象分配到与其相似程度最高的类簇中心点代表的类簇中；

step3、统计每个类簇中数据对象信息，取其均值作为新的类簇中心点，更新类簇中心点信息；

step4、迭代执行上述的step2和step3直至算法执行完毕，类簇中心点不再发生变化；

其中，对于包含m个属性的两个数据对象x＝{x₁,x₂,…,x_m}和y＝{y₁,y₂,…,y_m}，相似度的计算采用Pearson相关系数如下所示：

S6、将受试者用商业血氧分析仪采集的SpO₂和高光谱相机采集的三维数据立方体存入大数据分析平台进行数据计算与分析，并显示SpO₂值的预测结果；

将高光谱数据立方体存储到大数据分析平台，提取感兴趣区域的光谱反射率数据以及特征谱段下的二维图像，便于观察动脉静脉位置，不仅对COVID-19病毒早期的筛查和检测具有重要意义，还可以指导临床手术，大数据平台记录病患前臂区域的光谱特征和动脉静脉图像，对日后各种呼吸性疾病，肺部相关疾病的检测具有指导意义，提供宝贵经验。