《Optics & Laser Technology》：Multiscale convolutional gated attention network with support vector regression for non-invasive blood component prediction from dynamic spectral data
编辑推荐：
摘要在临床诊断中，准确且无创地检测血液中的血红蛋白、葡萄糖和尿素等成分是一项亟待解决的需求。传统方法需要通过有创的采血方式，而现有的计算技术则面临噪声较大的高维光谱数据以及临床样本量有限的挑战。为克服这些难题，我们提出了一种新的多尺度卷积门控注意力网络结合支持向量回归模型（MCG
摘要
在临床诊断中，准确且无创地检测血液中的血红蛋白、葡萄糖和尿素等成分是一项亟待解决的需求。传统方法需要通过有创的采血方式，而现有的计算技术则面临噪声较大的高维光谱数据以及临床样本量有限的挑战。为克服这些难题，我们提出了一种新的多尺度卷积门控注意力网络结合支持向量回归模型（MCGAN-SVR），用于从动态光谱数据中预测血液成分的含量。该框架首先对光谱数据进行预处理，以降低噪声并标准化数据，随后通过具有集成门控注意力的多尺度卷积结构来提取具有区分度的光谱特征，重点关注信息丰富的波长区域，同时能够捕捉局部光谱形态和整体趋势。提取出的特征会被输入到带有径向基函数核的支持向量回归器中，从而预测出精确的浓度值。在动态光谱数据上测试时，MCGAN-SVR的表现优于传统的机器学习和深度学习方法，分别针对红细胞、尿素和葡萄糖取得了0.8880、0.9344和0.9210的R2值。本研究结果表明，该框架在临床环境中实现精准无创的血液监测具有巨大潜力。
引言
开发高精度、无创的血液成分检测技术（如血红蛋白、葡萄糖和白细胞）仍是临床诊断领域的关键目标。虽然传统的生化分析被视为金标准，但它需要通过有创的静脉采血，且结果易受波动影响，不适合持续进行生理监测。为解决这些问题，人们对光学光谱技术进行了大量研究，其中动态光谱理论已成为从静态组织干扰中提取动脉血信息的有效方法[1]。该理论利用心脏跳动作为自然调制信号，获取动脉血的脉动吸光度数据，理论上可消除皮肤、骨骼和肌肉的干扰[2]。
提取到的光谱质量对于确保无创检测的可靠性至关重要。早期研究认为，不同波长下的光电容积脉搏波信号比率可用于表示原始的血液脉动数据[3]。然而，环境中的噪声会降低检测性能，因此需要采用先进的处理技术，如独立成分分析结合双树复杂小波变换[4]，以及优化的差分提取技术[5]。尽管如此，有限的硬件分辨率仍然是一个瓶颈。最新的研究趋向于混合系统，林和曾等人使用带有光谱仪的多光谱相机，充分利用高分辨率采样优势[6]。此外，还可以结合偏振光谱和吸收光谱技术，以提高在复杂介质中的检测特异性[7]，同时“M+N”理论也可用于考虑复杂溶液中的内部和外部干扰因素[8]。
在现代计算时代，卷积神经网络彻底改变了光谱数据的分析方式。与传统的线性校准方法相比，卷积神经网络能够学习分层模型，识别出能够将血液成分与背景噪声区分开来的细微模式[9]。在多种信号处理领域中，基于CNN的架构已展现出出色的性能，复杂的深度卷积网络能够在充满噪声的输入数据中恢复出清晰的信号[10]。此外，最近在深度神经网络训练方面的进展提升了这些模型的可靠性和泛化能力，使它们即便在训练数据有限的情况下仍能保持良好性能[11]。近期，还有一些基于注意力机制的架构被用于信号处理任务中，通过捕捉全局上下文依赖关系和局部细粒度模式来学习光谱特征[12]。还有另一种注意力模型被用于血细胞分类，证明了基于注意力机制的架构在血液学分析中提取区分性特征方面的有效性[13]。虽然也可以考虑由于血液散射导致的物理非线性现象[14]，但基于CNN的光谱分析面临的主要问题是存在大量冗余的光谱区域。深度学习的最新进展表明，高效的卷积架构能够从高维光谱数据中有效提取相关特征，同时抑制噪声和冗余信息[15]。为解决这一问题，门控注意力机制提供了一种有效的解决方案。该机制可以通过门控函数，增强目标分析物“特征指纹”区域的信号强度，同时动态减弱非关键波长区域的特征强度[16]。在动态光谱分析中，这种选择性注意力尤为重要，因为灌注指数可能会导致信号稳定性发生显著变化[17]。
目前研究的血液成分种类日益增多，这也进一步凸显了特征提取的复杂性。除了血红蛋白之外，科学家们还利用动态光谱理论研究了人类球蛋白[18]和血糖。在含水溶液中，通过帧积累和像素堆叠的相机测量技术，检测精度提升了1000倍[19]。穆斯塔法[20]在白细胞定量研究中采用了元启发式特征选择方法，结果表明，选择性的高维数据处理比全局建模更为有效。最近，人们开始探索将图注意力机制与编码器-解码器架构相结合的方法用于血细胞分类，这体现了在多光谱成像数据中同时考虑局部形态特征和全局空间关系的必要性[21]。多波长PPG信号提取的研究也进一步强调了获取稳定、具有代表性的各种生理状态信息的必要性[2]、[18]。尽管CNN具备强大的特征表示能力，但在临床光谱数据集中，由于普遍存在“样本量小、维度高”的问题，深度网络往往容易过拟合。为提升模型的泛化能力，以支持向量回归作为最终决策层是一个不错的解决方案。支持向量回归基于结构风险降低原理，旨在在经验误差和模型复杂度之间找到平衡点[22]。与普通的全连接层不同，支持向量回归利用核函数将提取的特征映射到高维空间，在该空间中可以定义方差较低的稳定回归器[23]。这种混合系统结合了CNN的特征提取能力和SVR的稳定回归功能，有助于让模型适应人体生理指标的波动。
本研究提出了一种新的多尺度卷积门控注意力网络结合支持向量回归模型（MCGAN-SVR），用于通过动态光谱数据无创预测血液成分。该框架首先运用动态光谱理论将动脉血信号与静态组织干扰分离，然后通过带有集成门控注意力的多尺度卷积架构（MCGAN）处理这些光谱数据，从原本1259维的光谱数据中提取出64维的具有区分度的特征表示，重点关注信息丰富的波长区域，并捕捉局部光谱形态和整体规律。特征提取完成后，再利用带有径向基函数核的SVR模型对这些特征进行训练。通过对SVR的超参数（C、ε、γ）进行网格搜索优化，采用5折交叉验证的方式在训练集上完成优化。最后使用独立的测试集，验证经过参数优化的SVR模型在预测红细胞、尿素和葡萄糖三种关键血液成分浓度方面的性能。所提出的MCGAN-SVR方法将深度特征学习与基于核函数的回归技术相结合，从而在临床数据量有限的情况下依然能够实现良好的泛化性能。
章节节选
动态光谱原理
动态光谱理论将人体组织简化为一个包含两个部分的模型：静态部分包括皮肤、其他静止组织以及静脉血层；动态部分则是不断脉动的动脉血层。实际上，静态部分中也存在着活的生物体，其中的细胞不断死亡和再生，同时还存在着与神经、肌肉运动与力量、淋巴循环以及物质扩散等相关的一系列电信号。
MCGAN-SVR框架的提出方法
本节介绍了结合门控注意力机制的卷积神经网络架构与支持向量回归技术，用于从动态光谱数据中预测血液成分的浓度。如图2所示，该框架首先使用多尺度卷积门控注意力网络（MCGAN）进行特征提取，并通过基于注意力的特征优化，再结合基于核函数的支持向量回归实现精准预测。
数据获取与建模
在本节中，我们将详细介绍动态光谱数据的获取过程。
实验结果与讨论
在这里，我们报告了将多尺度卷积门控注意力网络结合支持向量回归框架应用于动态光谱数据，预测红细胞、尿素和葡萄糖浓度时的实验结果。通过误差分布分析以及均方误差、平均绝对误差和决定系数等常规回归指标评估，结果表明该框架能够很好地预测复杂的光谱浓度关联关系。
结论
本文介绍了一种新的混合模型——多尺度卷积门控注意力网络结合支持向量回归模型（MCGAN-SVR），该模型能够利用动态光谱数据无创预测血液成分。该算法通过多尺度特征提取、门控光谱注意力机制以及基于核函数的回归方法，成功解决了高维数据和样本量小的问题。基于动态光谱数据的实验结果表明，该模型具备很强的预测能力。
伦理问题
所有实验都是在天津大学伦理委员会以及天津第一中心医院门诊部的指导下进行的。
资金来源
本研究没有获得公共部门、商业机构或非营利组织提供的任何专项资助。
CRediT作者贡献说明
索尼娅·穆斯塔法：写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件应用、方法设计、研究实施、形式分析、数据整理、概念构建。李刚：监督、研究实施、概念构建。亚西尔·伊克巴尔：写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件应用、方法设计、形式分析。安琼姆·伊克巴尔：可视化、研究实施、形式分析。林琳：资源协调、项目管理、研究实施。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
感谢精密测量技术与仪器国家重点实验室允许我们使用他们的设备。
索尼娅·穆斯塔法|李刚|亚西尔·伊克巴尔|安琼姆·伊克巴尔|林琳
