An intelligent system for measuring blood analytes noninvasively operates on a near infrared absorbance spectrum of in vivo skin tissue. An hierarchical architecture employs a pattern classification engine to adapt the calibration to the structural properties and physiological state of the subject as manifested in the absorbance spectrum. A priori information about the primary sources of sample variability are used to establish general categories of subjects. By applying calibration schemes specific to the various categories, the spectral interference is reduced resulting in improved prediction accuracy and parsimonious calibrations. Two classification rules are disclosed. The first rule assumes the classes are mutually exclusive and applies specific calibration models to the various subject categories. The second rule uses fuzzy set theory to develop calibration models and blood analyte predictions. Therefore, each calibration sample has the opportunity to influence more than one calibration model according to its class membership. Similarly, the predictions from more than one calibration are combined through defuzzification to produce the final blood analyte prediction.

Een intelligent systeem om bloedanalytes te meten werkt noninvasively op een dichtbijgelegen infrarood absorberingsspectrum van levend huidweefsel. Een hiërarchische architectuur wendt een motor van de patroonclassificatie aan om de kaliberbepaling aan de structurele eigenschappen en de fysiologische staat van het onderwerp aan te passen zoals die in het absorberingsspectrum wordt vertoond. de A priori informatie over de primaire bronnen van steekproefveranderlijkheid wordt gebruikt om algemene categorieën van onderwerpen te vestigen. Door kaliberbepalingsregelingen toe te passen specifiek voor de diverse categorieën, wordt de spectrale interferentie verminderd resulterend in betere voorspellingsnauwkeurigheid en spaarzame kaliberbepalingen. Twee classificatieregels worden onthuld. De eerste regel veronderstelt de klassen wederzijds exclusief zijn en specifieke kaliberbepalingsmodellen op de diverse onderworpen categorieën toepast. De tweede regel gebruikt verwarde verzamelingenleer om kaliberbepalingsmodellen en bloedanalyte voorspellingen te ontwikkelen. Daarom heeft elke kaliberbepalingssteekproef de kans om meer dan één kaliberbepalingsmodel volgens zijn klassenlidmaatschap te beïnvloeden. Op dezelfde manier worden de voorspellingen van meer dan één kaliberbepaling gecombineerd door defuzzification om de definitieve bloedanalyte voorspelling te veroorzaken.