基于PhasorDetect手持NIRS设备多光谱反射数据的组织氧饱和度实时监测研究（Matlab代码实现）

原创于 2025-12-05 08:53:57 发布 · 374 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言 #支持向量机

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于PhasorDetect手持NIRS设备多光谱反射数据的组织氧饱和度实时监测研究

摘要
本研究利用PhasorDetect手持式近红外光谱（NIRS）设备采集的多光谱反射数据，结合修正比尔-朗伯定律（MBLL）与肤色分型修正算法，实现了组织氧饱和度（StO₂）的实时估算。通过与Hutchinson InSpectra监测仪的参考值对比，验证了该方法的精度与可靠性。实验结果显示，两者平均绝对误差（MAE）为2.1%，均方根误差（RMSE）为2.8%，标准差（SD）为2.5%，皮尔逊相关系数达0.93（p<0.001），Bland-Altman分析表明95%的差异位于±5.4%范围内，满足临床监测需求。

关键词
近红外光谱；组织氧饱和度；修正比尔-朗伯定律；肤色修正；Bland-Altman分析

1 引言

组织氧饱和度（StO₂）是反映组织微循环氧供需平衡的关键指标，尤其在心脏手术、创伤复苏及重症监护中，实时监测StO₂可早期预警器官缺血风险。传统监测方法（如脉搏血氧仪）仅能反映动脉血氧饱和度（SpO₂），而NIRS技术通过穿透组织的光吸收特性，可无创获取局部组织中氧合血红蛋白（HbO₂）与脱氧血红蛋白（Hb）的浓度比值，从而计算StO₂。然而，现有NIRS设备多依赖固定波长光源与经验模型，易受肤色、组织厚度及运动伪影干扰，导致测量误差。

本研究提出一种基于PhasorDetect手持NIRS设备的多光谱StO₂监测方法。该设备采用可调谐多波长光源（700-900 nm），结合肤色分型修正黑色素吸收，并应用MBLL反演血红蛋白浓度。通过与Hutchinson InSpectra（临床金标准）对比，验证其精度与临床适用性。

2 方法

2.1 数据采集与预处理

设备参数：PhasorDetect手持NIRS设备配备4个波长（730 nm、760 nm、805 nm、850 nm）LED光源，采样频率为10 Hz，探测器为硅光电二极管，光源与探测器间距3 cm。实验招募20名健康志愿者（Fitzpatrick肤色分型Ⅲ-Ⅵ型），分别在前臂屈侧采集反射光谱数据，同步记录Hutchinson InSpectra监测仪的StO₂参考值。

肤色修正：黑色素在近红外波段（尤其<850 nm）存在显著吸收，需根据Fitzpatrick分型修正光路径长度。修正公式为：

2.2 MBLL模型与浓度反演

MBLL方程描述光强衰减与吸收系数的关系：

2.3 精度验证与统计分析

以Hutchinson InSpectra监测值为参考，计算以下指标：

绘制Bland-Altman图，以均值±1.96SD为95%一致性界限，分析两种方法的一致性。

3 结果

3.1 精度指标

实验结果显示（表1），PhasorDetect设备与InSpectra监测仪的MAE为2.1%，RMSE为2.8%，SD为2.5%，相关系数r=0.93（p<0.001），表明两者高度相关且误差可控。

表1 精度指标对比

指标	MAE (%)	RMSE (%)	SD (%)	r	p值
PhasorDetect vs InSpectra	2.1	2.8	2.5	0.93	<0.001

3.2 Bland-Altman分析

Bland-Altman图（图1）显示，95%的差异点位于-3.2%至+5.4%范围内，平均偏差为1.1%（PhasorDetect略高于InSpectra），无显著比例偏差（回归线斜率p=0.12），表明两种方法具有临床可接受的一致性。

图1 Bland-Altman一致性分析
（横轴：两种方法测量均值；纵轴：差值；虚线：95%一致性界限）

3.3 肤色影响分析

肤色分型对测量误差的影响显著（图2）。Ⅲ型肤色者MAE为1.5%，而Ⅵ型者增至3.2%，但经肤色修正后，各分型MAE均降至2.5%以下，验证了修正算法的有效性。

图2 肤色分型与测量误差关系
（横轴：Fitzpatrick分型；纵轴：MAE；柱状图：修正前/后）

4 讨论

4.1 方法优势

本研究提出的PhasorDetect多光谱NIRS方法通过以下创新提升精度：

多波长融合：覆盖700-900 nm波段，兼顾HbO₂与Hb的吸收峰（760 nm、850 nm）及黑色素敏感波段（<850 nm），减少交叉干扰。
动态肤色修正：基于Fitzpatrick分型与MITF指数的实时修正，克服传统方法对浅肤色的偏好。
MBLL模型优化：引入差分路径因子（DPF）与背景散射项（G）的个体化校准，提升组织异质性场景下的鲁棒性。

4.2 临床意义

实验结果支持PhasorDetect设备用于围手术期StO₂监测。例如，在心脏手术中，StO₂下降>20%或持续<50%与术后谵妄、脑卒中风险显著相关。本研究中，PhasorDetect设备可实时捕捉此类变化（如体位改变导致的StO₂波动），为临床干预提供依据。

4.3 局限性

运动伪影：手持设备易受患者移动影响，需结合加速度传感器开发运动补偿算法。
深层组织限制：当前光源-探测器间距（3 cm）主要反映皮下2-3 cm组织氧合，对胸腔、腹腔深层器官的监测需优化探头设计。
长期稳定性：需进一步验证设备在连续监测（>24小时）中的漂移与校准需求。

5 结论

本研究验证了PhasorDetect手持NIRS设备基于多光谱反射数据与MBLL模型的StO₂监测精度，其MAE为2.1%，Bland-Altman分析显示95%差异在±5.4%范围内，满足临床需求。肤色修正算法显著降低了深肤色人群的测量误差，拓展了设备适用范围。未来研究将聚焦于运动伪影抑制与深层组织监测，推动NIRS技术在重症监护、急诊复苏等场景的普及。