CN104958075A - 使用拉曼光谱非侵入性测量皮肤厚度和血糖浓度及其校准方法 - Google Patents

Abstract

本发明公开了一种通过拉曼系统测量受检者皮肤厚度和血糖浓度的非侵入性方法。本发明的优点在于，其使用单个拉曼光谱以测量皮肤厚度和血糖浓度，而由同一拉曼光谱所得的皮肤厚度数据和拉曼强度数据相结合以获得更精确的血糖浓度。本发明还公开了一种用于测量受检者生理数据的拉曼系统，它包括拉曼分光单元和信号处理单元。

Description

使用拉曼光谱非侵入性测量皮肤厚度和血糖浓度及其校准方法

【发明领域】

本发明涉及血液分析物的测量，特别涉及基于拉曼光谱的血糖浓度的非侵入性测量。

【背景技术】

对于血样中血液分析物的成分和浓度(例如血糖浓度)的定量分析，拉曼光谱是一种强大的工具。拉曼光谱是基于非弹性光散射的，而不是光吸收。入射光子和样品中分子之间的相互作用导致了光的散射。与许多其他技术相比，拉曼测量的灵敏度高，选择性强。它可以测量试管中非常低浓度的葡萄糖。但是，当涉及到人体血糖的非侵入性测量时，因为被检者生理状态的变化和波动以及其他环境因素的影响，其结果往往不可靠。过去已有许多尝试来提高基于拉曼系统的血糖测量的灵敏度和准确性，而此类人体血糖的非侵入性测量迄今取得的最佳灵敏度正逐渐接近15mg/dl，但是那只能是在繁琐的校准程序及数据的多变量分析后获得的，其背后有关拉曼光谱变化的机制却不得而知。其结果是，这样的校准过程的稳定性和此类血糖预测的可靠性往往值得怀疑。

因此，需要一个更好的方法以克服上述缺点。

【发明内容】

鉴于上述发明背景，本发明的一个目的是提供一种替代方法以测量受检者血糖浓度，该方法是非侵入性的，具有提高的灵敏度和准确性。

因此，一方面，本发明提供了一种运行生理测量系统基于目标受检者的同一拉曼光谱以测量皮肤厚度和血糖浓度的方法。首先从受检者预定部位的皮肤处收集拉曼信号，所述皮肤有名为第一层的表皮层和名为第二层的真皮层。随后处理拉曼信号以获得与第一层厚度有关的第一数据和与第二层内血糖浓度有关的第二数据。最后，根据所述第一数据和所述第二数据计算血糖浓度。

在一个实施例里，第一层的厚度是这样得到的：计算在预定信号波数和参考波数上的两个强度之比率；参考预存在拉曼系统中的比率-皮肤厚度曲线，根据第一预测模型来确定皮肤厚度。在一个实施例中，信号波数是在1300cm^-1～1340cm^-1内，参考波数是在1440cm^-1～1460cm^-1内。

在另一个实施例中，预先存储在拉曼系统中的比率-皮肤厚度曲线是这样确定的：a)在至少一个受检者的不同身体部位上收集多个上述比率；b)通过一种侵入性参考方法或一种非侵入性参考方法来测量每个身体部位的皮肤厚度，所述参考方法如光学相干层析成像方法、超声成像方法、太赫兹成像方法、和近红外线吸收；c)为每个身体部位，将比率和皮肤厚度相关联，产生比率-皮肤厚度曲线；d)从校准曲线确定第一组常数。

在本发明一个示例性实施例中，与第二层的血糖浓度相关的第二数据是从拉曼信号中的至少一个强度计算而来的，每个强度对应于拉曼信号的至少一个预定波数。预定波数是800cm^-1～1500cm^-1的范围内。最后，根据第一数据、第二数据和第二预测模型计算血糖浓度。第二预测模型还有第二组常数，第二组常数是由第二校准而确定的。

根据本发明的一个方面，血糖浓度是根据目标受检者的绝对皮肤厚度计算出的。第二数据是拉曼信号的至少一个强度。血糖浓度是根据第二预测模型而计算的，它包括一个函数关系，所述函数关系将血糖浓度与绝对皮肤厚度和拉曼强度相关联。

根据本发明的另一个方面，血糖浓度是根据目标受检者的相对皮肤厚度计算出的。第二数据是拉曼信号的至少一个强度。血糖浓度是根据第二预测模型而计算的，它包括一个函数关系，所述函数关系将血糖浓度与相对皮肤厚度和拉曼强度相关联。相对皮肤厚度是皮肤厚度和一个皮肤厚度平均值之差。

在一个实施例里，皮肤厚度平均值是计算从同一受检者的同一身体部位获得的至少两个皮肤厚度值的平均值而得到的。

根据本发明的另一个方面，血糖浓度是根据目标受检者的皮肤厚度的绝对拉曼比率而计算出的。第二数据是拉曼信号的至少一个强度。血糖浓度是根据第二预测模型而计算的，它包括一个函数关系，所述函数关系将血糖浓度与绝对拉曼比率和拉曼强度相关联。

根据本发明的另一个方面，血糖浓度是根据目标受检者皮肤厚度的相对拉曼比率而计算出的。第二数据是拉曼信号的至少一个强度。血糖浓度是根据第二预测模型而计算的，它包括一个函数关系，所述函数关系将血糖浓度与相对拉曼比率和拉曼强度相关联。相对拉曼比率是皮肤厚度的拉曼比率和一个拉曼比率平均值之差。

在一个实施例里，拉曼比率平均值是计算从同一受检者的同一身体部位获得的至少两个皮肤厚度的拉曼比率值的平均值而得到的。

包括第二组常数的第二预测模型是由第二校准而得到：a)通过一个参考方法例如市售血糖仪，在一个时间段内从同一受检者的一个预定身体部位测量多个血糖浓度；b)同时，从同一受检者的所述预定身体部位收集多个拉曼光谱；c)从每个拉曼光谱导出至少一组变量；d)根据第二预测模型和在第一步骤获得的多个血糖浓度以及那些变量，确定受检者的第二组常数值。

在本发明的另一个方面，也提供了一种用于测量受检者在一个预定部位的生理数据的生理测量系统。该系统包括一个拉曼分光单元和一个信号处理单元。拉曼分光单元包括激发光源和光检测器，激发光源发射光信号到受检者皮肤的预定部位；光检测器接收从受检者皮肤预定部位反射的拉曼信号。信号处理单元包括连接到光检测器的微处理器以及连接到所述微处理器的计算机可读存储介质。计算机可读存储介质编码有计算机可读代码，以指示所述微处理器执行以下步骤：从所述拉曼信号获取与表皮层皮肤厚度有关的第一数据；从拉曼信号获取与血糖浓度有关的第二数据；根据第一数据和第一预测模型计算表皮层皮肤厚度；根据表皮层皮肤厚度、第二数据、和第二预测模型计算血糖浓度。

在本发明的另一个方面，提供了一种运行生理测量系统以测量受检者的一个预定部位的皮肤厚度的方法。首先从一个预定部位收集拉曼信号。然后确定第一预定波数和第二预定波数。之后获取拉曼信号在第一预定波数和第二预定波数上的强度，再计算两个强度的比率。最后，根据所计算出的比率和一个预测模型，确定受检者的预定部位的皮肤厚度。在此例中的预测模型包括一个函数关系，该函数将预定部位的皮肤厚度和比率相关联。

在本发明的一个示例性实施例中，第一预定波数和第二预定波数是这样确定的：a)通过一个侵入性参考方法或一个非侵入性参考方法，测量多个受检者的多个身体部位的多个皮肤厚度，所述参考方法有如光学相干层析成像方法、超声成像方法、太赫兹成像方法、和近红外线吸收；b)获得每个身体部位的相应拉曼光谱；所述拉曼光谱包括波数范围300cm^-1～1800cm^-1上的多个信号；c)选择对所述身体部位的皮肤特征成分敏感的第一组波数和对所述身体部位的皮肤特征成分不敏感的第二组波数；d)从所述第一组选择第一波数，从所述第二组选择第二波数；e)从第一波数上的拉曼光谱获取第一强度，从第二波数上的拉曼光谱获取第二强度；f)为每个拉曼光谱计算第一强度和第二强度的一个拉曼比率；g)对第一波数和第二波数的所有组合，重复步骤d)–f)；h)对每个第一波数和每个第二波数，确定一组候选波数对，其中在每个候选波数对，拉曼比率和多个受检者的皮肤厚度符合一个通用函数关系；i)在所述组候选波数对中，确定一个最佳波数对，其所对应的拉曼比率和多个受检者的皮肤厚度以最紧凑的方式(Compact representation(紧凑表述)是数学/计算机科学的专业术语,意指用最简单的数学构造(如方程)概括最多的数据,或者说构造一个方程使所有数据偏离该方程的离散度最小)表述所述通用函数关系；j)将最佳波数对中的第一波数和第二波数分别指定为第一预定波数和第二预定波数。

在另一个实施例中，确定步骤还包括以下步骤：在拉曼比率-皮肤厚度图上确定对应每个身体部位的一簇数据点，并计算每簇的簇中心点。簇中心点是由该簇中所有数据点的平均值得到。对于每个候选波数对，若其所对应的多个所述身体部位的所述簇中心点符合所述通用函数关系则该候选波数对被保留。而被保留的波数对中，其所对应的簇中心点以最紧凑的方式表述所述通用函数关系的被选择为最佳波数对。

本发明有许多优点。一个优点是，其使用单个拉曼光谱以确定皮肤厚度和血糖浓度，而由同一拉曼光谱所得的皮肤厚度数据和拉曼强度数据相结合以获得一个更精确的血糖浓度。这对于血糖浓度的测量是有利的，因为皮肤厚度和拉曼强度是在同一身体部位同时测量的，从而消除任何与位置相关的不确定性，简化了测量过程。本发明的另一个优点是，在某些情况下获得的校准参数可在特定时间段内被重新使用，并可以应用到随后的测量而不牺牲测量精度。

【附图说明】

图1是用于收集拉曼信号的拉曼系统的结构示意图。

图2是本发明一个实施例的确定信号波数和参考波数的流程图。

图3是本发明一个实施例的第一校准程序的流程图。

图4是本发明一个实施例的示例性的比率-皮肤厚度校准曲线图。

图5(a)是一个示例性的从受检者的指尖(实线)和前臂(虚线)获得的拉曼光谱，图5(b)是图5(a)的局部放大图，显示在信号波数和参考波数上的拉曼强度。

图6是本发明一个实施例的第二校准程序的流程图。

图7是本发明一个实施例的根据绝对皮肤厚度确定血糖浓度的方法1的流程图。

图8是本发明一个实施例的根据相对皮肤厚度确定血糖浓度的方法2的流程图。

图9是本发明一个实施例的20个受检者的6个不同部位的预测皮肤厚度的示意图。

图10(a)显示不考虑皮肤厚度变化时预测的血糖浓度和参考血糖浓度的时域图，图10(b)是相应的Clarke误差网格分析图。

图10(c)显示本发明的应用了皮肤厚度变化补偿的预测的血糖浓度和参考血糖浓度的时域图，图10(d)是相应的Clarke误差网格分析图。

【具体实施方式】

在此和在权利要求中所使用的“包括”，是指包括以下部分而不排除其他部分。“连接”是指通过一个或多个电子器件直接或间接的电子连接，除非另有说明。

在此所述的实施例公开了获取和分析受检者生理数据，并可以以多种不同方式实现的发明概念。特别是，以下描述了基于绝对皮肤厚度和相对皮肤厚度的四种方法。根据本公开的教导，本领域技术人员也可以知道有其它配置或变化，但它们仍然落在本发明的范围内。

当一个激发光照射分析物时，至少有一些光会被分析物散射。散射光包括拉曼散射光。拉曼散光的特性会提供与分析物相关的信息。在本文使用的，由分析物散射的拉曼散射光被称为“拉曼信号”。由葡萄糖分子散射的拉曼散射光被称为“葡萄糖信号”。术语“拉曼光谱”是指拉曼信号相对于拉曼位移的强度曲线图。“拉曼位移”通常以波数(cm^-1)表示，其定义为拉曼信号峰的绝对波数与激发光的波数之差。术语“拉曼强度”是指拉曼信号的强度。

非侵入性拉曼测量探测在人体细胞外液(包括组织间液(或组织液)和血液)内的葡萄糖分子。这种细胞外液在皮肤内分布并不均匀。在一个简化的模型中，我们考虑皮肤具有两层：顶层命名为表皮，底层名为真皮。葡萄糖信号是从底层中葡萄糖分子产生的，并被顶层衰减和减弱。由于表皮的厚度随着人体的不同位置而不同，因而测量的葡萄糖信号随着人体的不同位置而变化。因此，为了准确地预测某一受检者的血糖浓度，必须确定相应的皮肤厚度，通过补偿衰减来校正所获得的拉曼信号。

皮肤的拉曼强度在其拉曼光谱中包含多个信号峰，其中有的源自顶层，有的源自底层，又或者是两种信号的叠加。对应于某些波数，由于拉曼信号来自顶层的分子，拉曼信号峰随皮肤的厚度变化很大。因为它们反映了顶层厚度的一个特征，故次被称为信号峰。对应于某些其他波数，由于拉曼信号来自共存于顶层和底层的分子，拉曼信号峰对皮肤厚度并不敏感，这些拉曼信号峰被称为参考峰。为了确定特征信号峰和参考峰，我们以一个反射式的拉曼系统，对多个受检者的不同身体部位，进行了大量的拉曼光谱测量。

在一个实施例中，如图1所示的拉曼系统用于收集如上所述的拉曼信号和拉曼信号峰。拉曼系统包括拉曼分光单元和信号处理单元。拉曼分光单元包括一个激发光源20、一个样品架24和一个检测器36，检测器36连接到一个支架(为了便于说明未显示连接)。线路滤波器22(linefilter)位于激发光源20之前。在一个实施例中，激光源20是一个450mW的1064nm二极管泵浦固态连续波激光器。线路滤波器22的中心波长为1064nm，具有10nm的半峰全宽(FWHM)值。第一陷波滤波器30、第二陷波滤波器32和透镜34分别以该顺序沿着信号轴26排列在样品架24和检测器36之间，透镜34最靠近检测器36。在一个实施例中，第一陷波滤波器30和第二陷波滤波器32反射中心波长为1064nm、半峰全宽为40nm的光。因此，它们反射一个中心波长为1064nm的、±20nm的窄带光，而透过所有其他波长的光。准直器40被设置在激发光源20和线路滤波器22之间。第一透镜42和第二透镜44沿信号轴26位于样品架24的两侧。在一个实施例中，第一透镜42和第二透镜44都是1-英寸BK7透镜，焦距范围为1至2英寸。在操作过程中，准直器40准直从激发光源20产生的激发光，入射到第一陷波滤波器30。第一陷波滤波器30将激发光沿第二方向反射到信号轴26上的样品上，用于产生反射拉曼信号。第二透镜44将从样本产生的反射拉曼信号引导通过第一陷波滤波器30、第二陷波滤波器32和透镜34，到检测器36上。信号处理单元(图1未示出)包括连接到检测器36的微处理器和连接到该微处理器的计算机可读存储介质。计算机可读存储介质编码有计算机可读代码，以指示微处理器从检测器36获得数据，并执行将在下面详细讨论的数据处理。

在一个示例性实施例中，图2显示一个确定信号波数和参考波数的流程图。在步骤101，选择多个受检者和多个身体部位。每个拉曼光谱(包括多个波数范围为300cm^-1至1800cm^-1的信号)对应于不同的皮肤厚度，它们是从不同受检者不同的身体部位获得的。在步骤102，每个受检者的每个部位的皮肤厚度由一种参考方法来测定，如光学相干断层扫描(OCT)、超声成像、太赫兹成像、和近红外吸收光谱。在步骤103获得拉曼光谱之后，首先确定拉曼峰是信号峰或参考峰。对应于信号峰的波数被组合成第一组，如步骤104，对应于参考峰的波数被组合成第二组，如步骤105。在步骤106，挑选一对波数，一个来自第一组，另一个来自第二组。在步骤107，取得它们各自的拉曼强度，在步骤108，计算来自第一组的第一波数的第一强度和来自第二组的第二波数的第二强度之间的比率。步骤109检查是否处理了所有可能的波数对，一个来自第一组，另一个来自第二组。如果不是，则对另一对重复步骤106至108。在步骤110，在收集所有对的所有比率后，对所有受检者的每个身体部位，都生成了一个比率-皮肤厚度的图。然后在步骤111，确定一个最佳对，其所对应的拉曼比率和多个受检者的皮肤厚度以最紧凑的方式表述一个通用函数相关性(generic functional correlation)。步骤111还包括以下步骤：对每个身体部位，在比率-皮肤厚度图上，确定一簇数据点，对每簇数据，计算一个簇中心点。其中那些簇中心点符合一个通用函数关系的候选波数对被保留，其所对应的簇中心点以最紧凑的方式表述所述通用函数关系的候选波数对被选择为最佳对。在一个实施例中，能产生最小集合标准偏差(minimumaggregated standard deviations)的候选波数对被选择为最佳对。在最后步骤112，在最佳对中相应波数被指定为信号波数(即是对表皮层厚度最敏感的)和参考波数(即是对表皮层厚度变化不敏感的)。

经过大量的测量和数据处理后，信号波数被确定为在1300cm^-1到1340cm^-1内，参考波数被确定为在1440cm^-1到1460cm^-1内。在一个实施例中，信号波数为1321cm^-1，参考波数为1446cm^-1。

现在来探讨前文提到的通用函数关系。葡萄糖信号是从真皮层中葡萄糖分子产生的并在经过表皮层而被衰减的。在表皮层深度ξ处，从dξ产生的拉曼强度为

dS′_signal＝aI′_excitation  (1)

其中a是正比于拉曼活性的一个常数，I’_excitation是激发光在深度ξ处的强度。初始激发光I_excitation和从dξ产生的拉曼信号都被衰减了，因为它们要穿过表皮层。其各自衰减后的强度为

$I_{excitation}^{\′}=I_{excitation}{e}^{-\frac{\mathrm{\ξ}}{\mathrm{\λ}}}---\left(2\right)$

${\mathrm{dS}}_{signal}={\mathrm{dS}}_{signal}^{\′}{e}^{-\frac{\mathrm{\ξ}}{\mathrm{\λ}}}---\left(3\right)$

将等式(2)和(3)代回(1)，得到

${\mathrm{dS}}_{signal}={\mathrm{aI}}_{excitation}{e}^{-\frac{2\mathrm{\ξ}}{\mathrm{\λ}}}---\left(4\right)$

将厚度为z的整个表皮的贡献都加起来，得到

$S_{signal}={\∫}_0^z{\mathrm{aI}}_{excitation}{e}^{-\frac{2\mathrm{\ξ}}{\mathrm{\λ}}}d\mathrm{\ξ}=\frac{{\mathrm{a\λI}}_{excitation}}{2}(1-e^{-\frac{2z}{\mathrm{\λ}}})---\left(5\right)$

而信号波数和参考波数的拉曼强度的比率为

$r=\frac{S_{signal}}{S_{reference}}=\frac{{\mathrm{a\λI}}_{excitation}}{2S_{reference}}(1-e^{-\frac{2z}{\mathrm{\λ}}})=R_{EP}(1-e^{-\frac{2z}{\mathrm{\λ}}})---\left(6\right)$

考虑到S_signal并非单纯源自表皮层，需在等式右侧添加一个偏置常数R₀以包括其他信号因子的贡献。

$r=R_{EP}(1-e^{-\frac{2z}{\mathrm{\λ}}})+R_0---\left(7\right)$

等式(7)是第一预测模型，用于确定皮肤厚度。R_EP、λ与R₀是由第一校准和最小二乘曲线拟合得到的第一组常数。应用该第一预测模型，即可通过映射由拉曼光谱特征峰的相对比值来确定皮肤厚度。

在一个示例性实施例中，图3显示第一校准程序的流程图。在步骤201，选择多个受检者和多个身体部位。在步骤202，每个部位的厚度可通过另一参考方法来测定，如光学相干断层扫描(OCT)、超声成像、太赫兹成像、和近红外吸收光谱。在步骤203，本发明的拉曼系统从每个身体部位获得拉曼光谱之后，在步骤204，从每个拉曼光谱取得在信号波数和参考波数上的拉曼强度。之后在步骤205，对每个拉曼光谱，计算两个强度的比率。在步骤206，每个身体部位的比率-皮肤厚度数据被记录在同一图中。在步骤207，基于第一预测模型的校正曲线被拟合，第一组常数R_EP、λ与R₀由最小二乘曲线拟合而被提取出来。最后在步骤208，比率-皮肤厚度的校准曲线和第一组常数被存储在拉曼系统中。

在本发明一个示例性实施例中，图4显示一个比率-皮肤厚度的校准曲线。它是由五个受检者的6个身体部位的30个数据点而生成的。从每个拉曼光谱，拉曼强度的信号/参考比率是以1321cm^-1为信号波数和以1446cm^-1为参考波数而计算的。每个身体部位的皮肤厚度通过太赫兹成像测量。校准曲线是基于第一预测模型拟合的。

图5(a)是从受检者指尖和从受检者前臂获得的示例性拉曼光谱。两个拉曼光谱都是使用上述拉曼系统获得的。每个拉曼光谱(其包括多个波数为300cm^-1至1800cm^-1的信号)对应一个将被确定的皮肤厚度值。如图5(b)中的局部放大图所示，通过计算每个光谱的1321cm^-1和1446cm^-1处拉曼强度的比率，然后参照比率-皮肤厚度的校准曲线，即可确定被检者在指尖和前臂的皮肤厚度。

此外，每个拉曼光谱(其包括多个波数为300cm^-1至1800cm^-1的信号)对应于一个要确定的血糖浓度值。本发明公开了使用第二预测模型确定血糖浓度的四种方法。在不同的方法中，第二预测模型以不同的方程式表述。

在一个特定波数处，拉曼信号强度是：

S_i＝S_i,G+S_i,E+S_i,0  (8)

其中S_i是测量的拉曼信号强度，S_i,G是真皮内葡萄糖分子贡献的拉曼信号强度，S_i,E是表皮贡献的拉曼信号强度，S_i,0是一个偏置常数，表示来自与表皮皮肤厚度无关的其他源的信号。对于来自真皮层的葡萄糖拉曼信号来说，表皮层充当光衰减层，因此S_i,G可以描述为

$S_{i,G}\∝{\mathrm{vC}}_G{e}^{-\frac{2z}{\mathrm{\λ}}}---\left(9\right)$

其中C_G是真皮层内组织间液的葡萄糖浓度，v是真皮层内组织间液的体积率，z是表皮的厚度，λ是表皮的光学穿透深度。

参考等式(5)，由表皮贡献的拉曼信号强度S_i,E可以表示为

$S_{i,E}\∝(1-e^{-\frac{2z}{\mathrm{\λ}}})---\left(10\right)$

将等式(9)和(10)代入等式(8)，S_i重写为

$S_i={\mathrm{\α}}_i{\mathrm{vC}}_G{e}^{-\frac{2z}{\mathrm{\λ}}}+{\mathrm{\β}}_i(1-e^{-\frac{2z}{\mathrm{\λ}}})+S_{i,0}---\left(11\right)$

其中α_i和β_i是常数。

基于绝对皮肤厚度的方法1

根据等式(11)，血糖浓度为

$C_G=\frac{S_i}{{\mathrm{\α}}_{i}v}\left(e^{\frac{2z}{\mathrm{\λ}}}\right)-\frac{{\mathrm{\β}}_i}{{\mathrm{\α}}_{i}v}(e^{\frac{2z}{\mathrm{\λ}}}-1)-\frac{S_{i,0}}{{\mathrm{\α}}_{i}v}\left(e^{\frac{2z}{\mathrm{\λ}}}\right)---\left(12\right)$

在上述整个拉曼光谱的光谱测量范围内，血糖浓度由来自所有波数的贡献的加权平均计算得到。

$C_G={\mathrm{\Σ}}_i{w}_i\[\frac{S_i}{{\mathrm{\α}}_{i}v}\left(e^{\frac{2z}{\mathrm{\λ}}}\right)-\frac{{\mathrm{\β}}_i}{{\mathrm{\α}}_{i}v}(e^{\frac{2z}{\mathrm{\λ}}}-1)-\frac{S_{i,0}}{{\mathrm{\α}}_{i}v}\left(e^{\frac{2z}{\mathrm{\λ}}}\right)\]---\left(13\right)$

其中∑_iw_i＝1  (14)

令 $C_{i,SS}=\frac{w_i}{{\mathrm{\α}}_{i}v},C_{EP}=-{\mathrm{\Σ}}_i\frac{w_i{\mathrm{\β}}_i}{{\mathrm{\α}}_{i}v},C_{G0}=-{\mathrm{\Σ}}_i\frac{w_i{S}_{i,0}}{{\mathrm{\α}}_{i}v}---\left(15\right)$

则等式(13)可以重写为

$C_G={\mathrm{\Σ}}_i{C}_{i,SS}{S}_i\left(e^{\frac{2z}{\mathrm{\λ}}}\right)+C_{EP}(e^{\frac{2z}{\mathrm{\λ}}}-1)+C_{G0}\left(e^{\frac{2z}{\mathrm{\λ}}}\right)---\left(16\right)$

等式(16)是第二预测模型，用于确定血糖浓度，其中λ是从第一校准而得到的常数参数，如段落[0042]描述的。C_iSS、C_EP和C_G0是一个特定时间期间内单个受检者特定部位的由第二校准(在段落[0052]中描述)来确定的常数。在一个实施例中，它们是根据含有变量C_G，S_i和z的校准数据集并通过使用诸如多元线性回归、偏最小二乘回归等数据分析技术而获得。血糖浓度C_G通过等式(16)根据绝对皮肤厚度z和所测量的拉曼强度S_i而确定，皮肤厚度z和所测量的拉曼强度S_i都可以从某个身体部位获得的同一拉曼光谱而获得。

基于相对皮肤厚度的方法2

表皮厚度z还可以表示为

z＝z₀+Δz  (17)

其中z₀是平均表皮厚度，是一个常数。在一个身体部位的有限的区域内，Δz远远小于λ(Δz＜＜λ，如50μm相对1000μm)。在一阶近似下，

$e^{\frac{2z}{\mathrm{\λ}}}=e^{\frac{2z_0}{\mathrm{\λ}}}(1+\frac{2\mathrm{\Δ}z}{\mathrm{\λ}})---\left(18\right)$

将等式(18)代入等式(16)，

C_G＝C₀+∑_iC_i,SS_i+∑_iC_i,SZ(S_iΔz)+C_ZΔz  (19)

其中

$C_0=(C_{EP}+C_{G0})\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)-C_{EP},C_{i,S}=C_{i,SS}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right),C_{i,SZ}=\frac{2C_{i,SS}}{\mathrm{\λ}}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)$ 以及

$C_Z=\frac{2(C_{EP}+C_{G0})}{\mathrm{\λ}}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)---\left(20\right)$

C₀、C_i,S、C_i,SZ、C_Z是一个特定时间期间内单个受检者特定部位的由第二校准(在段落[0052]中描述)来确定的常数。在一个实施例中，它们是根据含有变量C_G，S_i和Δz的校准数据集并通过使用诸如多元线性回归、偏最小二乘回归等数据分析技术而获得。

基于绝对拉曼比率的方法3

因为表皮厚度z与特征拉曼峰值比r密切相关，所以毋需首先导出皮肤厚度z的确切数值亦可确定血糖浓度C_G。从等式(7)和式(16)得到，

$C_G={\mathrm{\Σ}}_i{C}_{i,SS}{S}_i\left(\frac{R_{EP}}{R_{EP}+R_0-r}\right)+C_{EP}\left(\frac{r-R_0}{R_{EP}+R_0-r}\right)+C_{G0}\left(\frac{R_{EP}}{R_{EP}+R_0-r}\right)---\left(21\right)$

R_EP和R₀是由段落[0042]描述的由第一校准而获得的常数。C_i,SS、C_EP和C_G0是一个特定时间期间内单个受检者特定部位的由第二校准(在段落[0052]中描述)来确定的常数。在一个实施例中，它们是根据含有变量C_G，S_i和r(或z)的校准数据集并通过使用诸如多元线性回归、偏最小二乘回归等数据分析技术而获得。血糖浓度的C_G通过等式(21)根据绝对拉曼比r和所测量的拉曼强度S_i而确定，这两者都可以从某个身体部位获得的同一拉曼光谱而获得。

基于相对拉曼比率的方法4

另一方面，等式(7)中皮肤厚度的拉曼比率可以改写为

$r_0+\mathrm{\Δ}r=R_{EP}(1-e^{-\frac{2(z_0+\mathrm{\Δ}z)}{\mathrm{\λ}}})+R_0---\left(22\right)$

其中r₀定义为

$r_0=R_{EP}(1-e^{-\frac{2z_0}{\mathrm{\λ}}})+R_0---\left(23\right)$

其中z₀是平均表皮厚度，r₀是相应的平均拉曼比率，两个都是常数。在一个身体部位的有限的区域内，Δz＜＜λ。在一阶近似下，

$e^{-\frac{2(z_0+\mathrm{\Δ}z)}{\mathrm{\λ}}}=e^{-\frac{2z_0}{\mathrm{\λ}}}(1-\frac{2\mathrm{\Δ}z}{\mathrm{\λ}})---\left(24\right)$

将等式(24)代入等式(22)，得到

$\mathrm{\Δ}z=\frac{\mathrm{\λ}}{2R_{EP}}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)\mathrm{\Δ}r---\left(25\right)$

将等式(25)代入等式(19)，得到

C_G＝C₀+∑_iC_i,SS_i+∑_iC_i,Sr(S_iΔr)+C_rΔr  (26)

其中

$\begin{array}{cc}{C}_{i,Sr}=\frac{\mathrm{\λ}}{2R_{EP}}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)C_{i,SZ},& C_r=\frac{\mathrm{\λ}}{2R_{EP}}\left(e^{\frac{2z_0}{\mathrm{\λ}}}\right)C_Z\end{array}---\left(27\right)$

C₀、C_i,S、C_i,Sr、C_r是一个特定时间期间内单个受检者特定部位的由第二校准(在段落[0052]中描述)来确定的常数。在一个实施例中，它们是根据含有变量C_G，S_i和Δr的校准数据集并通过使用诸如多元线性回归、偏最小二乘回归等数据分析技术而获得。

在一个示例性实施例中，图6显示第二校准过程的流程图。如前面所讨论的，需要在四种方法中校准的常数是不同的。对于方法1和3，需要校准的是常数C_i,SS、C_EP和C_G0。对于方法2，需要校准的是常数C₀、C_i,S、C_i,SZ和C_Z。对于方法4，需要校准的是常数C₀、C_i,S、C_i,Sr和C_r。这些不同组的常数，或它们的任何组合，都称为第二组常数。在一个实施例中，第二校准程序确定所有这四种方法中所需的常数。过程如下：首先在步骤301，挑选一个受检者并给予一个标准葡萄糖溶液饮料。在步骤302，每15分钟，使用市售血糖仪对受检者进行血糖测量。同时在步骤303，本发明拉曼系统收集受检者的同一时间的拉曼光谱。然后在步骤304，对每个光谱，获取波数范围在800cm^-1～1500cm^-1之间的拉曼强度。之后在步骤305，从每个拉曼光谱中获取在信号波数和参考波数上的拉曼强度。然后在步骤306，计算每个拉曼光谱的两个强度之比率。然后在步骤307，从所有校准的拉曼光谱，计算对皮肤厚度的拉曼比率r和皮肤厚度的预定拉曼比率平均值r₀之差。该方案生成一组皮肤拉曼光谱以及相应的参考血糖值C_G。从每个拉曼光谱中，在某个波数上的拉曼强度S_i和相对拉曼比Δr都可以获取到(Δr是由r减去拉曼比平均值r₀所得(如下所述))。最后在步骤313，对于方法4，根据相对拉曼比率和变量C_G、S_i、Δr，使用等式(26)描述的上述多变量模型确定值C₀、C_i,S、C_i,Sr、C_r。为确定方法1、2和3中的常数值，应用与图6中步骤301到步骤306相同的步骤。在步骤306后，通过在步骤308参照存储在拉曼系统中的比率-皮肤厚度的校准曲线，在步骤309，确定皮肤厚度z。然后在步骤310，计算皮肤厚度和一个预定的皮肤厚度平均值之差，以获得Δz(Δz是由皮肤厚度z减去平均值z₀得到(如下所述))。这个方案生成一组皮肤拉曼光谱以及相应的参考血糖值C_G。从每个拉曼光谱中，在某个波数上的拉曼强度S_i和绝对皮肤厚度z都可以获取到(方法1)，或可以获取绝对拉曼比r(方法3)或相对皮肤厚度Δz(方法2)。在步骤311，根据等式(16)描述的前述多变量模型以及变量C_G、S_i、z，或根据等式(21)以及变量C_G、S_i、r来确定值C_i,SS、C_EP、C_G0。在步骤312，根据等式(19)描述的前述多变量模型以及变量C_G、S_i、Δz，来确定值C₀、C_i,S、C_i,SZ。最后在步骤314，第二组常数存储在拉曼系统中。

在一个实施例中，r₀是预先确定的拉曼比平均值，通过平均化至少两个值的拉曼比r，所述拉曼比r是来自同一受检者同一身体部位获得的皮肤厚度。

在另一个实施例中，z₀是预定的皮肤厚度平均值，它是通过将同一受检者同一身体部位皮肤厚度的至少两个值进行平均化而得到的。在另一个实施例中，是使用一个外部参考源来确定同一身体部位的z₀值。

在一个示例性实施例中，图7显示使用方法1基于绝对皮肤厚度而确定血糖浓度的流程图。在步骤401，以本发明拉曼系统获得一个目标身体部位的拉曼光谱。然后在步骤402，从拉曼光谱中获取波数范围800cm^-1～1500cm^-1上的拉曼强度。在步骤403，从拉曼光谱中获取在信号波数和参考波数上的拉曼强度。然后在步骤404，计算两个强度的比值，通过在步骤405参照存储在拉曼系统中的预定的比率-皮肤厚度的校准曲线，在步骤406，确定皮肤厚度。最后在步骤407，使用等式(16)描述的第二预测模型来计算血糖浓度。

在一个示例性实施例中，图8显示使用方法2基于相对皮肤厚度而确定血糖浓度的流程图。在步骤501，以本发明拉曼系统获得一个目标身体部位的拉曼光谱。然后在步骤502，从拉曼光谱中获取波数范围800cm^-1～1500cm^-1上的拉曼强度。在步骤503，从拉曼光谱中获取在信号波数和参考波数上的拉曼强度。然后在步骤504，计算两个强度的比值，通过在步骤505参照存储在拉曼系统中的预定的比率-皮肤厚度的校准曲线，在步骤406，确定皮肤厚度。在步骤507，计算皮肤厚度和一个预定的皮肤厚度平均值(z₀)之差，获得Δz。最后在步骤508，基于相对皮肤厚度，使用等式(19)描述的第二预测模型计算血糖浓度。基本上，每个受检者都有一个预校准数据集，包括值C₀、C_i,S、C_i,SZ、C_Z和z₀。每个受检者的血糖浓度C_G，根据皮肤厚度z和拉曼强度S_i，由等式(19)确定，皮肤厚度z和拉曼强度S_i这两者都是从受检者的一个目标身体部位获得的同一拉曼光谱中获取的。

在另一个示例性实施例中，血糖浓度是使用方法3基于绝对拉曼比率来确定的。首先，以本发明拉曼系统获得一个目标身体部位的拉曼光谱。然后，从拉曼光谱中获取波数范围800cm^-1～1500cm^-1上的拉曼强度，以及从拉曼光谱中获取在信号波数和参考波数上的拉曼强度。之后，计算在信号波数和参考波数上两个强度的比值。最后，使用等式(21)描述的第二预测模型来计算血糖浓度。

在又一个示例性实施例中，血糖浓度是使用方法4基于相对拉曼比率来确定的。以本发明拉曼系统获得一个目标身体部位的拉曼光谱后，从拉曼光谱中获取波数范围800cm^-1～1500cm^-1上的拉曼强度。然后从拉曼光谱中获取在信号波数和参考波数上的拉曼强度。之后，计算两个强度的比值；计算拉曼比率和一个预定的拉曼比率平均值(r₀)之差，获得Δr。最后，基于相对拉曼比率，使用等式(26)描述的第二预测模型来计算血糖浓度。基本上，每个受检者都有一个预校准数据集，包括值C₀、C_i,S、C_i,Sr、C_r和r₀。每个受检者的血糖浓度C_G，根据拉曼比率r和拉曼强度S_i，由等式(26)确定，拉曼比率r和拉曼强度S_i这两者都是从受检者的一个目标身体部位获得的同一拉曼光谱中获取的。

【实验结果】

实验是在年龄由22-45岁(男15例，女5例)的20个志愿者中进行。每个受检者的皮肤厚度是由本发明的拉曼系统来测量。每个测量在六个不同的身体部位进行：拇指尖(手指-1)、中指尖(手指-3)、小指尖(手指-5)、手掌鱼际(手掌)、中指指骨第二节的后表面(指背)、和前臂的前表面(前臂)。用于从每个身体部位获得的拉曼光谱，计算在1321cm^-1和1446cm^-1的拉曼强度之比率。然后通过参照存储在拉曼系统中比率-皮肤厚度的校准曲线，预测每个受检者的每个身体部位的皮肤厚度。20个受检者在每个上述身体部位处的皮肤厚度分布概括在图9中。x轴是本发明预测的皮肤厚度。y轴是受检者的数目。手指-1、手指-3、手指-5、手掌、指背、前臂的表皮的预测皮肤厚度平均值分别是321μm、312μm、270μm、201μm、122μm和60μm。这六个身体部位表皮的预测皮肤厚度的标准偏差分别是47μm、39μm、46μm、41μm、29μm和13μm。上述结果与以往研究中应用其他方法测得的皮肤厚度结果一致，例如，H.Fruhstorfer等人在《Clinical Anatomy(临床解剖学)》的文章，2000,Vol.13(6),pp.429-433；M.J.Koehler等人在《Skin Research and Technology(皮肤研究和技术)》的文章，2010,Vol.16(3),pp.259-264；S.S.Huang在《中国医学美学美容》的文章，2011,Vol.17(1),pp.34-36；K.Robertson在《Acta dermato-venereologica(皮肤性病学报)》的文章，2010，Vol.90(4)，pp.368-373。这清楚地表明了根据拉曼光谱和第一预测模型确定皮肤厚度的可行性。

另一个实验是在一位男性受检者身上进行，以将该预测血糖浓度与由市售血糖仪获得的参考值进行比较。预测的血糖浓度是通过本发明方法4基于相对拉曼比率而得到的。首先在受检者身上执行了校准，以预先存储值C₀、C_i,S、C_i,Sr、C_r在拉曼系统中。在至少8小时的禁食后，给予受检者包含68克葡萄糖的葡萄糖溶液饮料。在约两个小时的进程中，使用[0037]中描述的拉曼系统，每15分钟从受检者的前臂前表面收集拉曼光谱。在本实施例中，激发光源是450mW的、1064nm的连续波激光器，检测器是一个铟镓砷CCD阵列，每次光谱采样时间为100秒。从每个拉曼光谱中，根据本发明获取在某些波数上的拉曼强度S_i和相对拉曼比率Δr。然后通过使用存储在拉曼系统中等式(26)的第二预测模型预测血糖浓度。为了进行比较，使用相同公式(26)及Δr＝0来计算没有考虑皮肤厚度变化的预测的血糖浓度。同时，每15分钟使用市售血糖计，通过从受检者指尖取血，来测定参考血糖浓度。图10(a)及(b)显示，没有考虑皮肤厚度变化(即Δr＝0)的预测血糖浓度和参考血糖浓度。预测的均方根误差(RMSE)是20mg/dl，平均绝对偏差(MARD)是12％，相关系数(r_xy)是0.68。图10(c)及(d)显示，考虑皮肤厚度变化(即Δr≠0)的预测血糖浓度和参考血糖浓度更为接近。预测的均方根误差为11mg/dl，平均绝对偏差为6％，相关系数为0.92。该实验结果清楚地表明根据拉曼光谱和第二预测模型确定血糖浓度的可行性。

已经充分描述了本发明的示例性实施例。尽管该描述提到特定实施例，本领域普通技术人员将清楚知道，即使改变一些具体细节，本发明仍然可以实现。因此本发明不应该被解释为只限于在此阐述的这些实施例。例如，比率-皮肤厚度的校准曲线，还可以进一步根据受检者年龄、性别和种族而定制。对于另一个例子，在血糖预测的模型中，第一层和第二层并不限于表皮和真皮，例如，在某些情况下，它们可以指上层表皮(其是干的)和下层表皮(其中包含一些葡萄糖)。而在第一层中的葡萄糖浓度亦毋须为零。通常可以考虑两层皮肤，顶层含有较少组织间液，葡萄糖含量较低，而底层含有较多组织间液，葡萄糖含量较高。等式(19)和(26)仍然适用于血糖预测。因为这些等式中第二组常数是从校准过程中获得的，所以它们可能会偏离等式(20)和(27)的定义。但是对于所测量的真实皮肤言，这样的偏差恰可补偿简化模型自身的偏差。因此，本发明公开的血糖预测方法不限于前述简化模型。

此外，在前述段落中提到第二校准程序计算所有四种方法所有的常数。但若已决定采取其中一种方法，则不必如此繁复，因为只有被选中方法所需要的那些常数才需要校准。例如，如果选定方法4，则只有C₀、C_i,S、C_i,Sr、C_r需要从所述第二校准获得，而毋需其他常数如C_i,SS、C_EP、C_G0、C_i,SZ、C_Z。

Claims (23)

1.一种运行生理测量系统以测量受检者血糖浓度的方法，步骤包括：

a)从所述受检者皮肤的一个预定部位接收拉曼信号，所述皮肤包括至少第一层和第二层；

b)获得第一数据，所述第一数据与所述第一层的厚度有关；

c)根据所述拉曼信号，获得第二数据，所述第二数据与所述第二层内的血糖浓度有关；

d)根据所述第一数据和所述第二数据，确定所述受检者的血糖浓度。

2.根据权利要求1所述的方法，其中所述获得第一数据的步骤包括：

a)测量所述拉曼信号在第一预定波数上的第一强度和所述拉曼信号在第二预定波数上的第二强度；

b)计算所述第一强度和所述第二强度之比率；

c)根据所述比率和第一预测模型，推导出所述第一数据。

3.根据权利要求2所述的方法，其中所述第一预定波数是从光谱范围1300cm^-1～1340cm^-1内中选出的；所述第二预定波数是从光谱范围1440cm^-1～1460cm^-1内中选出的。

4.根据权利要求2所述的方法，其中所述第一预测模型满足以下等式

其中r是所述第一强度和所述第二强度之所述比率，R_EP、λ和R₀是从第一校准获得的第一组常数，z是和所述第一层的厚度相关的所述第一数据。

5.根据权利要求4所述的方法，其中所述第一校准的步骤包括：

a)收集至少一个受检者的不同身体部位的多个所述比率；

b)另以一个参考方法测量每个所述不同身体部位的皮肤厚度；

c)根据各个所述不同身体部位所得的上述数据，生成一个所述比率与所述皮肤厚度相关的校准曲线；

d)由所述校准曲线确定所述第一组常数。

6.根据权利要求5所述的方法，其中所述参考方法可以是一个侵入性方法，亦可以是一个非侵入性方法；所述非侵入性方法选自：光学相干层析成像方法、超声成像方法、太赫兹成像方法、和近红外吸收。

7.根据权利要求5所述的方法，其中所述权利要求1中的确定血糖浓度的步骤还包括：根据所述第一数据、所述第二数据和第二预测模型，计算所述受检者的血糖浓度。

8.根据权利要求7所述的方法，其中所述第二预测模型还包括第二组常数，它们由第二校准来确定。

9.根据权利要求8所述的方法，其中所述第二数据是至少一个所述拉曼信号的强度，并且所述第二预测模型满足等式

其中C_G是所述血糖浓度，S_i是所述拉曼信号的所述强度，z是所述第一层的厚度，λ是所述第一组常数中的一个常数参数，C_i,SS、C_EP和C_G0是所述第二组常数。

10.根据权利要求8所述的方法，其中所述第二数据是至少一个所述拉曼信号的强度，并且所述第二预测模型满足等式

其中C_G是所述血糖浓度，S_i是所述拉曼信号的所述强度，Δz是一个相对皮肤厚度，是所述第一层厚度和一个皮肤厚度平均值之差，C₀、C_i,S、C_i,SZ、C_Z是所述第二组常数。

11.根据权利要求10所述的方法，其中所述皮肤厚度平均值是通过计算至少两个皮肤厚度值的平均值而得到的，所述至少两个皮肤厚度值则是从同一受检者的同一身体部位得到的。

12.根据权利要求8所述的方法，其中所述第二数据是至少一个所述拉曼信号的强度，并且所述第二预测模型满足等式

其中C_G是所述血糖浓度，S_i是所述拉曼信号的所述强度，r是所述比率，R_EP和R₀是所述第一组常数中的常数参数，C_i,SS、C_EP和C_G0是所述第二组常数。

13.根据权利要求8所述的方法，其中所述第二数据是至少一个所述拉曼信号的强度，并且所述第二预测模型满足等式

其中C_G是所述血糖浓度，S_i是所述拉曼信号的所述强度，Δr是一个相对拉曼比率，是所述比率和一个拉曼比率平均值之差，C₀、C_i,S、C_i,Sr、C_r是所述第二组常数。

14.根据权利要求13所述的方法，其中所述拉曼比率平均值是通过计算与皮肤厚度相关的至少两个拉曼比率值的平均值而得到的，所述至少两个拉曼比率值则是从同一受检者的同一身体部位得到的。

15.根据权利要求8所述的方法，其中所述第二校准包括：

a)在一个时间周期内，使用第二参考方法，从同一受检者的一个预定身体部位，测量多个血糖浓度；

b)同时，从所述同一受检者的所述预定身体部位，收集多个拉曼光谱；

c)从每个所述拉曼光谱，导出至少一组变量；

d)根据所述第二预测模型，使用所述多个血糖浓度和所述至少一组变量，确定所述受检者的所述第二组常数。

16.根据权利要求15所述的方法，其中所述至少一组变量选自：所述拉曼信号的至少一个强度、所述比率、相对拉曼比率、所述第一层厚度、相对皮肤厚度、以及其任意组合。

17.根据权利要求15所述的方法，其中所述第二组常数是通过偏最小二乘法回归而得到的。

18.一种用于测量受检者在一个预定部位皮肤的生理数据的生理测量系统，包括：

a)拉曼分光系统，其包括；

(i)激发光源，其发射光信号入射到所述受检者皮肤的所述预定部位，所述受检者的皮肤还包括第一层和第二层；

(ii)光检测器，其接收从所述受检者皮肤的所述预定部位反射的拉曼信号；

b)信号处理单元，其包括：

(i)连接到所述光检测器的微处理器；

(ii)连接到所述微处理器的计算机可读存储介质，所述计算机可读存储介质编码有计算机可读代码，以指示所述微处理器执行以下步骤：

i.从所述拉曼信号获得与所述第一层皮肤厚度相关的第一数据；

ii.从所述拉曼信号获得与所述第二层内血糖浓度相关的第二数据；

iii.根据所述第一数据和第一预测模型，计算所述第一层的皮肤厚度；

iv.根据所述第一层皮肤厚度、所述第二数据和第二预测模型，计算所述第二层的血糖浓度。

19.一种运行生理测量系统以测量受检者皮肤的一个预定部位的皮肤厚度的方法，包括以下步骤：

a)从所述预定部位接收拉曼信号，所述拉曼信号包括多个信号成分，每个所述信号成分由一个波数确定，因此形成一个复合拉曼光谱；

b)从所述拉曼光谱确定第一预定波数和第二预定波数；

c)由所述拉曼信号获取所述第一预定波数上的第一强度和所述第二预定波数上的第二强度；

d)计算所述第一强度和所述第二强度之比率；

e)根据所述比率和第一预测模型，确定所述受检者皮肤的所述预定部位上的皮肤厚度；

其中所述第一预测模型包括一个函数关系，其以多个相关机制将所述预定位置的厚度和所述比率相关联。

20.根据权利要求19所述的方法，其中所述函数关系是：

其中r是所述第一强度和所述第二强度之所述比率，R_EP、λ和R₀是从第一校准获得的常数，z是所述受检者皮肤的所述预定部位的皮肤厚度。

21.根据权利要求19所述的方法，其中所述第一校准的步骤包括：

a)收集至少一个受检者的不同身体部位的多个所述比率；

b)另以一个参考方法测量每个所述不同身体部位的皮肤厚度；

c)根据各个所述不同身体部位所得的上述数据，生成一个所述比率与所述皮肤厚度相关的校准曲线。

22.根据权利要求19所述的方法，其中所述第一预定波数和第二预定波数是由以下步骤确定的：

a)通过所述参考方法，测量多个受检者的多个身体部位的多个皮肤厚度；

b)获得每个身体部位的相应拉曼光谱；所述拉曼光谱包括波数范围300cm^-1～1800cm^-1上的多个信号；

c)选择第一组波数，其对所述身体部位的皮肤特征成分敏感，选择第二组波数，其对所述身体部位的皮肤特征成分不敏感；

d)从所述第一组选择一个第一波数，从所述第二组选择一个第二波数；

e)从所述拉曼光谱的所述第一波数上获取第一强度，从所述拉曼光谱的所述第二波数上获取第二强度；

f)为每个拉曼光谱计算所述第一强度和所述第二强度的一个拉曼比率；

g)对所述第一波数和所述第二波数的所有组合，重复步骤d)–f)；

h)对每个所述第一波数和每个所述第二波数，确定一组候选波数对，其中对于每个候选波数对，所述拉曼比率和所述多个受检者的所述皮肤厚度符合一个通用函数关系，其由所述第一预测模型指定；

i)在所述一组候选波数对中，确定一个最佳波数对，其所对应的所述拉曼比率和所述多个受检者的所述皮肤厚度以最紧凑的方式(compact representation)表述所述通用函数关系；

j)将所述最佳波数对中的所述第一波数和所述第二波数分别指定为所述第一预定波数和所述第二预定波数。

23.根据权利要求22所述的方法，还包括：

a)对每个所述身体部位，确定一簇数据点，其中每个所述数据点记录一个所述拉曼比率和一个在所述身体部位测量的所述皮肤厚度，而每一簇都有一个簇中心点；

b)保留那些候选波数对，对于每个候选波数对，其所对应的多个所述身体部位的所述簇中心点符合所述通用函数关系；

c)在所述候选波数对中，确定一个候选波数对为所述最佳波数对，其所对应的多个所述簇相对所述通用函数关系具有最小集合标准偏差。