基于三重欧几里得距离与聚类过采样的训练集优化用于无创血小板测量

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Training set optimization based on triple Euclidean distance and cluster-based oversampling for Noninvasive platelet Measurement

　　

- 提出三重欧几里得距离（TED）方法用于光谱样本划分。
- TED 将测量组分、非测量组分和光谱空间解耦，以避免目标被遮蔽。
- KST 将 TED 与基于聚类的过采样相结合，作为聚类后的细化步骤。
- KST 实现了 100% 的临床通过率，相比 KMS 将 RMSE 降低了 37.5%。
- 随着干扰物增多，TED 具有良好扩展性，而 MCSD 则性能下降。

## 引言

血液成分检测具有极其重要的意义，在临床医学领域应用广泛。目前，最常用的临床检测方法是在抽取血样后进行化学检测。该方法存在两个显著缺陷：潜在感染风险以及试剂污染的可能性。对于需要长期监测血液成分的患者，这一问题尤为值得关注。相比之下，非侵入式测量技术[1]、[2]、[3]具有速度快、安全性高和环境可持续性等明显优势。在非侵入式测量技术中，光谱技术因其高精度而受到研究者的关注[4]、[5]、[6]、[7]。

自诞生以来，光谱技术已被广泛应用于众多领域。各种光谱模式也不断涌现，包括但不限于光声光谱[8]、拉曼光谱[9]、[10]、荧光光谱[11]、偏振旋转光谱[12]以及近红外（NIR）光谱[13]。

特别是近红外光谱技术，已被用于血液成分测量[14]、[15]、[16]、[17]。C. F. So 采用改进的序贯浮点选择法（MSF）消除无信息数据，随后使用线性判别函数（LDF）进行分类[18]。虽然该方法取得了令人鼓舞的分类结果，但缺乏精确评估血糖水平所需的精度。Rendell 利用手持式多波长分光光度计测量指血中的血红蛋白水平[19]。程雷杨利用手指多光谱光电容积脉搏波（PPG）评估血小板功能，在测试集上达到了 0.83 的相关系数和 52 × 10?/L 的均方根误差（RMSE）[20]。该方法还用于测量总胆红素水平，测试集的相关系数达到 0.91，RMSE 为 2.32 μmol/L [21]。倪静采用逐一消除法选择光谱中效率更高的波长，从而完成红细胞的测量[22]。宋丽莹消除了光谱干扰，并结合激光成像皮下组织间液建立 SVR 模型，该工作展示了血糖预测模型的重要改进[23]。方仁杰提出了一种混合模型，将小波包-模糊收缩去噪与鲸鱼优化算法相结合，以提高近红外光谱法在血红蛋白定量分析中的测量精度[24]。Voronina 的研究成果展示了红外光谱在识别完整血浆蛋白不同糖基化模式和整体水平方面的潜力[25]。宋丽莹开发了一种先进的傅里叶变换红外光谱（FTIR）技术用于血糖检测。多反射装置、量子级联激光器和二维相关光谱的结合，以及机器学习算法的应用，在非侵入式血糖监测精度方面取得了重大进展[26]。近红外光谱技术在生物医学领域（如诊断）的应用也是研究的重要课题[27]。这包括炎症性肠病[28]和癌症[29]、[30]、[31]、[32]的诊断，以及类风湿关节炎和银屑病关节炎的鉴别[33]。

然而，需要注意的是，由于个体差异和测量环境的影响，近红外测量的精度和准确性容易发生变化。这一局限性限制了依赖光谱的非侵入式测量技术的发展。为解决这一问题，李刚等人提出了动态光谱理论[34]，该理论从 PPG 的交替信号中提取光谱，并利用差分测量有效抑制测量环境以及骨骼、肌肉和皮肤等组织的影响。

血液的复杂组成导致光谱中不存在可辨别的吸收峰。因此，定量分析通常采用建模方法[35]。根据 M+N 理论，测量系统各个部分产生的噪声同时存在于 PPG 信号中[36]。这些噪声包括 M 因子（即被测物中其他物质产生的干扰）和 N 因子（即测量系统内部固有的噪声）。血液的固有复杂性要求必须考虑许多可能干扰目标成分测量的组分[20]、[37]。

因此，划分合适的训练集至关重要。在划分训练集时，必须全面考虑样本采集的各个方面。前文所述的测量系统和血液中的各种组分都是需要考虑的因素。为此，研究人员开发了各种样本集划分方法。随机选择（RS）方法虽然简单，但由于原始数据集本身的不平衡性，往往无法确保代表性。Kennard-Stone（K-S）方法按光谱空间中欧几里得距离最远的样本进行划分[38]，而 Y-R 方法仅基于目标组分的参考值进行划分[39]。Galv?o 等人提出了 SPXY 方法，该方法对光谱（X）和参考值（Y）距离进行归一化并结合，以实现更均衡的分布[40]。然而，这些方法均未考虑非测量组分的干扰，这对于血小板等低浓度目标尤为关键。

为克服这一局限性，张等人提出了 MCSD 方法，该方法将测量组分和非测量组分整合到同一个欧几里得向量中进行划分[41]。虽然 MCSD 在考虑多种干扰组分的情况下被证明可以提高建模精度，但其扩展性较差：随着非测量组分数量的增加，它们在与连接向量中的主导地位会逐步稀释测量组分的贡献，导致性能下降。

在这些划分策略并行发展的同时，基于聚类的过采样方法也被开发出来，用于解决训练数据中类别分布不平衡的问题[42]、[43]、[44]。这些方法通常先对数据集应用聚类算法（如 K-means）进行划分，然后在每个聚类内进行过采样（如 SMOTE），以实现类别比例的平衡。然而，它们忽略了一个关键问题：同一聚类内的样本仍可能表现出显著的光谱或组成变异性，在聚类内的随机选择可能会损害训练集的代表性。当现有过采样框架应用于光谱数据时，这一聚类内划分问题仍然是未解决的空白。

为克服这些局限性，本文作出以下创新贡献：

**理论方面：** 我们提出了三重欧几里得距离（TED）方法，将测量组分、非测量组分和光谱解耦为三个地位平等的欧几里得空间。这种设计确保没有任何单一因素在划分过程中占主导地位，我们证明这一特性对于多组分干扰场景至关重要。

**方法方面：** 我们提出了一种两阶段框架（KST），首先通过基于聚类的过采样平衡类别分布，然后利用 TED 在每个聚类内细化样本集划分。这解决了现有过采样框架中普遍被忽视的聚类内选择问题。

**实验方面：** 我们证明 KST 在非侵入式血小板测量中表现最优，在所有评估方法中实现了最低的 RMSE（15.01 × 10?/L）和最高的临床可接受率（100%），并通过 Bootstrap 置信区间和随机化检验进行了确认。Bland-Altman 分析进一步显示 KST 的 95% 一致性界限最窄。利用 FNN 进行的扩展性分析表明，随着干扰组分数量增加，TED 始终保持稳定的性能，而 MCSD 则显著下降。使用 PLS 回归进行的交叉验证证实，TED 和 KST 的优越性并非源于神经网络架构的伪效应，因为在线性建模下它们同样优于其他划分方法。

## 分节片段

### M+N 理论

在复杂测量系统中，众多因素可能损害测量精度。针对多输入、多干扰的测量系统，已发展出一套理论和方法来消除或抑制干扰因素，从而更准确地测量至少一个或多个测量量。这就是"M+N"理论[20]、[36]、[37]。

从系统化和全面的角度来看测量系统，it

### 实验设备

本实验所用装置如图 4 所示。采用多光谱相机采集相关数据。多光谱相机的 CMOS 元件（CMV2K-SSM5X5-NIR，IMEC，比利时）分辨率为 2048 × 1088。这些像素点被划分为 409 × 217 个多光谱成像单元，每个单元尺寸为 5 × 5。多光谱相机使用 FP 滤光片进行滤波。该设备能够采集 24 个不同波长通道的图像，以及一个

### 模型整体性能

首先将六种划分方法按照第 3.3 节所述工作流程应用于原始 201 个样本。各方法自身测试集的详细结果见表 S1（测试集）和表 S2（包含训练集和验证集的完整结果），散点图见图 S1。在这些原始测试集中，KST 取得了最低的 RMSE（15.18 × 10?/L）和最高的临床通过率（100%），其次是 TED（RMSE = 21.62 × 10?/L，通过率 = 90%）。

## 结论

本文解决了非侵入式光谱分析样本集划分方法中一个此前未被认识到的局限性——即当考虑多种干扰组分时，低浓度目标的代表性丧失。我们提出了 TED，一种具有理论依据的方法，将测量组分、非测量组分和光谱解耦为三个独立的距离空间，并在每个领域内分别进行归一化。与将所有组分串联到同一向量中的 MCSD 不同，

## 声明

受试者来自湖北省科技大学第二附属医院体检中心接受血液检查的体检者。所有实验均在相关法律、天津大学伦理委员会以及湖北省科技大学第二附属医院体检中心的指导下进行。受试者已被告知并自愿接受实验。

## 利益冲突声明

作者声明不存在可能影响本文所报告工作的已知财务利益冲突或个人关系。

## 致谢

感谢湖北省科技大学第二附属医院为本研究提供受试者。

曾洪辉 | 林灵 | 王康 | Sonia Mustafa | 李刚