阅读说明：本技术 比色测量分析移动平台设备 (Colorimetric measurement analysis mobile platform equipment ) 是由 刘钢 于 2019-10-24 设计创作，主要内容包括：本发明提供了一种比色测量分析移动平台设备,包括：便携装置、照明控制箱和传感带支架；便携装置包括：相机组件、图像处理组件和处理组件；相机组件捕获测试中的感测条的图像；图像处理组件对相机组件获取的图像进行处理,通过比色分析直接从图像中提取像素信息数据；处理组件对图像处理组件提取的像素信息数据进行校准以便将其转换为当前的照明条件,将校准后的数据拟合到预先计算的线性回归模型中以估计浓度,线性回归模型是利用已知的选定样品浓度基于该选定样品浓度的感测结果预先计算出来的；便携装置和测试条带支架在使用时在封闭的不透光的照明控制箱内相对布置,照明控制箱的外表面具有控制便携装置的相机组件的控制组件。(The invention provides a mobile platform device for colorimetric measurement and analysis, which comprises: the portable device, the lighting control box and the sensing belt bracket; the portable device includes: a camera component, an image processing component and a processing component; the camera assembly captures an image of the sensor strip under test; the image processing component processes the image acquired by the camera component and directly extracts pixel information data from the image through colorimetric analysis; the processing component calibrates the pixel information data extracted by the image processing component to convert it to current lighting conditions, fits the calibrated data to a pre-computed linear regression model to estimate concentration, the linear regression model being pre-computed based on sensing of a selected sample concentration using the known selected sample concentration; the portable device and the test strip holder are arranged in use in opposition within a closed light-tight lighting control box, the outer surface of which has a control assembly that controls the camera assembly of the portable device.)

比色测量分析移动平台设备

技术领域

本发明涉及比色测量分析领域，具体涉及一种比色测量分析移动平台设备。

背景技术

直接与医学诊断相关的溶液浓度传感现在是一个重要的研究课题。在该领域中，已经为家中的患者或诊所的医务人员开发了许多产品，以监测健康状况指标，例如葡萄糖浓度。与实验室中那些复杂的分析设备相比，最广泛使用的工具例如有化学传感带，但是它只能提供定性结果。

例如，传统的比色测量广泛用于化学浓度估算。传统的比色测量只是在家中进行自我诊断的适当实施方案。比色测量只能提供有关测试化学溶液的有限信息。然而，普通人对健康的认识不断提高以及对临床分析的更精细数据的需求需要一种新的解决方案。

尤其地，存在这种情况，在测试条带的传感带上，部署了多种类型的传感阵列，每种传感阵列都嵌入了一种用于化学反应的酶。当阵列直接接触目标溶液时，化学反应过程引起阵列顶层颜色的变化。在正常/室内照明环境下，肉眼可以很容易地看到这些颜色的变化。当反应完成后，使用提供的参考图表，可以立即读出溶液浓度的大致范围。然而，难以精确量化分析物的量，因此需要进行巨大的改进。

有许多关于比色传感的研究工作。其中一项最有价值的工作是这样一种工具，可以在各种环境条件下进行高精度测量，以量化比色诊断分析的颜色。该工具不是直接使用RGB强度，而是使用从智能手机拍摄的图像中提取的色度值来构建分析物浓度的校准曲线，以克服简单RGB分析的不足，例如对暗色的低灵敏度。该设置首先需要标准颜色参考图表来校准光照条件，然后测量感兴趣点的RGB值并将其映射到国际照明委员会(CIE)1931颜色空间以进行色度值量化。最后，它对3D空间执行回归以计算测量值。沉提供了一种执行比色测量的好方法，并参考图表详细讨论了光照条件的补偿；然而，该工具仍然存在一些阻碍其在临床水平上应用的缺点。首先，3D空间中的非线性回归来计算测量值是一种昂贵的方法，这意味着执行算法需要很长时间。其次，该工具对环境光的补偿，使用颜色参考图来补偿光源的位置，光温或室外照明环境，因为不同环境光条件之间的测量强度具有线性关系。但是，这个方案并不普遍。根据本发明发明人的观察，除非照明条件包括曝光时间，曝光速率，ISO感光度和甚至焦距等，否则校准参考不一定是线性的。最后，手持式智能手机相机相对于测试条的位置和角度对该工具忽略的测量值产生了重大影响。

本发明旨在克服上述缺陷。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种能够分析定量数据，同时仍然保留诸如低成本的定性方法的优点的比色测量分析移动平台设备。

根据本发明，提供了一种比色测量分析移动平台设备包括便携装置、照明控制箱和传感带支架；其中，便携装置包括：相机组件、图像处理组件和处理组件；相机组件用于捕获测试中的感测条的图像；图像处理组件对相机组件获取的图像进行处理，通过比色分析直接从图像中提取像素信息数据；处理组件首先对图像处理组件提取的像素信息数据进行校准以便将其转换为当前的照明条件，将校准后的数据拟合到预先计算的线性回归模型中以估计浓度，其中线性回归模型是利用已知的选定样品浓度基于该选定样品浓度的感测结果预先计算出来的；便携装置和测试条带支架在使用时在封闭的不透光的照明控制箱内相对布置，照明控制箱的外表面具有控制便携装置的相机组件的控制组件。

优选地，处理组件使得估计的浓度可视化以呈现给用户。

优选地，相机组件创建了自身的相机空间，该相机空间向用户提供关于当前焦距、ISO值和曝光补偿的信息。

优选地，便携装置和测试条带支架在使用时布置在封闭的照明控制箱的相对两端或相对两侧。

优选地，照明控制箱在布置便携装置的位置和布置测试条带支架的位置之间布置有反射材料。

优选地，反射材料是反光材料实际上由带有气泡状凸起的贴纸。

优选地，照明控制箱的外壳具有与侧面成30°倾斜角的放置平面，而且测试条带支架的凹槽连通至照明控制箱的外壳处的开口。

优选地，对于***分析，选择使用红色，绿色和亮度通道的值来对图像进行阈值处理。

优选地，对于葡萄糖测量，使用FAST特征检测来定位条带支架的轮廓。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的系统框图。

图2示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的便携装置的框图。

图3示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的测试条带支架的俯视结构。

图4示意性地示出了原始图像及其边缘检测版本的比较。

图5显示了用标记为红色圆圈的四个角检测到的最大轮廓的示例。

图6显示了检测到的矩形的一个示例。

图7显示了葡萄糖线性回归的一个示例。

图8显示了***线性回归的一个示例。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

根据本发明优选实施例的比色测量分析移动平台设备具有两个主要功能：感知健康状况指标(如葡萄糖浓度等)和估计妊娠指数(如***浓度等)。

图1示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的系统框图。

如图1所示，根据本发明优选实施例的比色测量分析移动平台设备包括：便携装置10、照明控制箱20和测试条带支架30。

图2示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的便携装置10的框图。

如图2所示，便携装置10包括相机组件100、图像处理组件200和处理组件300。

其中，相机组件100用于捕获测试中的感测条的图像。

优选地，相机组件100是智能手机。而且，优选地，相机组件100创建了自身的相机空间(称为表面支架)，该相机空间可以向用户提供关于当前焦距、ISO值和曝光补偿的更多信息，因为这些参数对浓度估计具有直接影响。它还会提示用户输入照片的名称，以便更轻松地跟踪图像数据。

图像处理组件200对相机组件100获取的图像进行处理，通过比色分析直接从图像中提取像素信息数据。

例如，图像处理组件200可以使用OpenCV库来提供各种特征检测操作，以定位输入图像中的感兴趣区域并提取像素信息。在当前的设置中，测试区域的位置在输入图像中是相当一致的，这意味着可以简单地计算图像偏移以定位和收集像素信息。但是，这只是一个作为示例的可行的硬编码解决方案，实际上可以采取其它方案。因此，通过检测特征来自动识别关注点是非常重要的。此外，该方法可以补偿由于***设计中的缺陷导致的条带放置的小变化。葡萄糖和***的数据提取部分是不同的。然后，从输入图像中提取的数据将被发送到处理组件300以进行分析和可视化。

处理组件300首先对图像处理组件200提取的像素信息数据进行校准以便将其转换为当前的照明条件，将校准后的数据拟合到预先计算的线性回归模型(即，映射到经验数据)中以估计浓度，其中线性回归模型是利用已知的选定样品浓度基于该选定样品浓度的感测结果预先计算出来的。

进一步地，处理组件300使得估计的浓度可视化以呈现给用户。可视化有助于根据测试日期收集每个用户的趋势，以绘制趋势图。在优选实施例中，还将可视化在计算期间生成的图像数据以用于验证目的。

便携装置10和测试条带支架30在使用时在封闭的不透光的照明控制箱20内相对布置(例如，便携装置10和测试条带支架30在使用时布置在封闭的照明控制箱20的相对两端或相对两侧)，照明控制箱20的外表面具有控制便携装置10的相机组件100的控制组件。

可以看出，照明控制箱20能为测试条带对相机组件100的闪光灯之外的光线进行隔离。

优选地，照明控制箱20由铝制成。

优选地，照明控制箱20在布置便携装置10的位置和布置测试条带支架30的位置之间布置有反射材料。优选地，反射材料是反光材料实际上由带有气泡状凸起的贴纸。这些凸起的目的是增加隧道壁的反射率，使其可以散射闪光灯的照明。由于在拍摄测试图像时试图模拟可控的日光环境，因此散射闪光对于降低光聚焦作为单个光线模型的影响非常关键。

除了在拍摄照片的同时控制光线条件之外，壳体的另一种用途是提供用于将测试条带保持在测试条带支架上的骨架。

图3示意性地示出了根据本发明优选实施例的比色测量分析移动平台设备的测试条带支架30的俯视结构。如图3所示，测试条带支架30朝向便携装置10的相机组件100的一面布置有用于安装测试条带的凹槽31。

优选地，照明控制箱20的外壳具有与侧面成30°倾斜角的放置平面，而且测试条带支架30的凹槽31连通至照明控制箱20的外壳处的开口(开口可关闭)，使得当把照明控制箱20放置在地面或桌面上时，使用者在将待测条带放在条带支架上时，因为外壳设计具有30°倾斜角度，所以可以使条带支架平滑地滑动到装置中，同时保持感测条不受污染。由此，用户需要做的就是将测试条带******封装，然后操作控制组件即可。

优选地，在背板上，还有另一个用于照明条件校准的组件。它是一个纸架，支持使用滤纸打印的颜色参考图表。使用滤纸的原因是它在表面上非常粗糙，因此可以减少闪光灯的反射。

颜色参考图表包含一系列颜色块，涵盖从标准RGB到灰度的颜色范围。当计算比色值时，它已被用于校准光照条件以调整线性回归参数。为了校准光照条件，首先要知道通过相机捕获的黑色(0,0,0)和白色(255,255,255)的真实RGB值是多少。在提取该信息之后，可以计算感兴趣点的对应像素值。

在相机界面中设置的参数中，有两个值得讨论。首先是图片大小参数。此参数控制相机捕获的图像的大小或分辨率。从理论上讲，可以定义适合手机屏幕的任意图像分辨率。在优选的例子中，将其设置为3264x2448。但是，从外部存储器检索图像时，另一个参数是白平衡。白平衡是移除不切实际的色偏的过程，因此在照片中呈现白色的对象会呈现白色。在优选的例子中，在提取像素信息时，白平衡可能是导致识别RGB通道值的偏差的关键问题，因为它将在某些通道上进行补偿。在程序中，白平衡有以下选择：自动，阴天，日光，荧光，白炽灯，阴影，黄昏，暖荧光。在目前的情况下，可以简单地使用自动白平衡，让相机决定应该应用哪种模式。本发明关心的是白平衡的一致性。因为在本发明的设置中，唯一的光源是闪光灯，自动白平衡将始终调用相同的模式。

根据定义，颜色空间是颜色的组织。此外，可以将其视为一个系统，以模拟和数字方式可重复地表示颜色。与颜色空间一起，经常参考抽象数学模型，描述颜色如何表示为数字元组作为颜色模型。在本节中，将基于对不同浓度变化线性的分析，讨论感兴趣的最广泛使用的两个主要颜色空间。

第一个颜色空间是RGB。它是基于RGB颜色模型的任何加色空间。在该颜色模型中，可以通过在红色，绿色和蓝色添加剂原色的三种色度中的每一种中指定一个数值来表示每种颜色。在整个本发明中，我们称它们为红色，绿色和蓝色通道。在每个通道中，元组的范围是0到255.因此，我们可以表示总共256x256x256＝16777216种不同的颜色。例如，(0，0，0)表示纯黑色，(255，255，255)表示纯白色。RGB颜色空间是比色分析中最常用的颜色空间。注意到，葡萄糖浓度的变化对绿色通道有显着影响。

感兴趣的第二个颜色空间是HSB(也称为HSV)。它是RGB颜色模型中点的最常见的圆柱坐标表示。在HSB中，H代表从0到360的色调，其表示关于色轮的角度。S代表饱和度，描述从全色到灰色的距离。B是亮度，告诉你颜色有多深。

在Android中，通常首先从输入图像中读出RGB像素信息，然后将其转换为HSB颜色空间以供进一步分析。要转换颜色空间，例如通常采用如下算法。

procedure RGB2HSB(A)

maxRGB＝MAX(R，G，B)

minRGB＝MIN(R，G，B)

B＝maxRGB

S＝(maxRGB-minRGB)/maxRGB

Δ＝maxRGB-minRGB

if maxRGB＝R then

H＝(G-B)/Δ

end if

if maxRGB＝G then

H＝2+(B-R)/Δ

end if

if maxRGB＝B then

H＝4+(R-G)/Δ

end if

H＝(60*H)mod360

Return H，S，B

end procedure

对于***分析，输入图像的颜色变化在任何单个颜色通道上都没有合理的线性。因此，选择使用红色，绿色和亮度通道的值来对图像进行阈值处理。

在应用中检测葡萄糖的主要任务是正确定位葡萄糖试剂区域的坐标。执行的方法是首先在图像中找到条带支架的白色区域。由于条带总是限制在条带支架上并且一个特定试剂区域的相对位置是固定的，可以使用偏移来计算葡萄糖试剂的近似区域。将来，即使条带支架的位置在设置中发生变化(图像中也是如此)，仍然可以正确地检测到它。

选择首次检测条带支架的另一个原因是它与其邻域具有强烈的颜色对比。当我们应用Canny边缘检测来整理图像中的所有明显边缘时，这非常有用。Canny边缘检测器是一种边缘检测算子，它使用多级算法来检测图像中的各种边缘。它通常从使用5x5高斯滤波器的降噪开始执行。然后它试图找到图像的强度梯度。最后，它执行非最大抑制和滞后阈值处理以找到作为边缘的最佳结果。关于这些术语的详细说明将从本发明中排除，因为它是一种成熟的算法。在图4中，对原始图像及其边缘检测版本进行了比较。正如您所看到的，虽然我们对图像进行了滤波和阈值处理，但仍有许多噪音可能会混淆我们的检测。因此，排除这种检测后噪声的最佳方法是在整个图像上找到最大的轮廓。

仔细检查canny边缘检测图像，可以看到大多数边缘是开环的，这意味着它无法连接回自身形成闭环。查找轮廓算法将消除这些边缘并仅保留闭环的轮廓。然后选择面积最大的轮廓并显示它。该抽出是条带固定器的轮廓。很少，该算法可能错误地检测到最大轮廓。这是因为在捕获图像时，条带保持器边缘的某些部分具有智能手机闪光灯的强反射，这导致canny边缘检测器无法将条带保持器轮廓检测为闭环。重新拍摄照片可以解决此问题。

在实际代码中，需要先将图像转换为mat类型。Mat类是OpenCV中的原始类，它表示n维密集数值单通道或多通道阵列。这有助于我们更有效地处理选定的颜色通道和图像中的数据。为了在OpenCV中使用canny边缘函数，需要首先对图像进行均值分割。该功能基本上输出滤色的“分色”图像，其中色彩渐变和细化增益纹理变平。对于输入图像的每个像素(X，Y)，该函数执行以下操作：

(χ，y)：χ-sp≤χ≤χ+sp，Y-sp≤y≤Y+sp，||(R，G，B)-(r，g，b)||≤sr

其中sp是空间窗口半径，sr是颜色窗口半径。根据经验，在例子中，10的sp和20的sr产生最佳的输出结果。然后将源转换为灰度图像，并使用以下操作对图像中的所有像素执行阈值处理功能：

它被称为二进制阈值处理，因为根据数据是否大于阈值，将其设置为声明的最大值或将其设置为零。在实践中，将最大值设置为255，将阈值设置为50。由于本发明只对白色条带区域感兴趣，因此低于阈值的任何内容都将设置为0并从下一个canny边缘检测中消除步。

对于canny边缘检测器，将下阈值定义为60，将上阈值定义为100.在此设置下，检索了最佳输出图像。在精确检测并找到轮廓后，所有轮廓都作为Mat点存储在列表中。遍历列表并找到具有最大显示区域的轮廓。

到目前为止，已经找到了条带支架的轮廓，并在黑色背景上使用白色绘制了它。需要执行特征检测以检测该轮廓的角。有许多可用的算法来检测计算机视觉中的角落，例如SIFT和SURF；然而，由于本发明得到的图像几乎没有噪声(只有白色和黑色)，采用了一种称为加速段测试特征(FAST)算法的特征检测器。它是一种高速角点检测算法，但对高水平噪声不具备鲁棒性，这完全符合我们的情况。FAST的基本思想是检查被测像素周围的16个像素的圆圈。然后它检测到圆圈中的一组连续像素，这些像素都比阈值更亮或更暗。关于FAST的更多细节将不在本发明中给出，因为它是一个记录良好的算法。

实际上，检测到的条带支架的矩形轮廓没有四个尖角。相反，每个角实际上是一条非平滑的曲线。很明显，FAST角点检测将检测每条曲线上的多个角落，本发明的任务是找到最能代表轮廓形状的坐标。因此，例如，可以采用以下程序来选择这些要点：

Select Corner Points

procedure SELECT(Points)

Sort(Points.X)

Sort(Points.Y)

TopLeft＝min(Points.X)，min(Points.Y)

TopRight＝max(Points.X)，min(Points.Y)

BotLeft＝min(Points.X)，max(Points.Y)

BotRight＝max(Points.X)，max(Points.Y)

Return TopLeft，TopRight，BotLeft，BotRight

end procedure

基本上，按X和Y坐标对所有点进行排序，并为每个维度选择极值。一旦选择了四个角点，就可以测量葡萄糖试剂区域的偏移量来提取像素信息。图5中显示了用标记为红色圆圈的四个角检测到的最大轮廓的示例。

使用FAST特征检测来定位条带支架的轮廓。对于葡萄糖估计，这已经足够了。然而，为了估计***浓度，需要应用另一个矩形检测步骤。与葡萄糖感应条相比，***条上没有明显的试剂区域。我们的目标是找到条带的左右边界，以沿着条带从顶部到底部执行垂直像素扫描。这要求我们首先正确定位边界的坐标。幸运的是，***条上有一个黑色矩形，可以使用矩形检测算法轻松定位，基于此可以收集最左边和最右边的坐标来执行垂直像素扫描。

定位条带轮廓的前几个步骤与我们对葡萄糖条带完全相同。然后裁剪原始图像并仅保留条带保持区域。同样，对具有低阈值的图像执行精确边缘检测为0，将高阈值设置为255，因为试图检测的黑色矩形与相邻颜色具有强烈对比。下一步涉及使用高斯模糊滤镜来降低图像噪声并在平滑图像上找到轮廓。最后一步是检查所有轮廓，以判断轮廓是否为正方形。在所有方形轮廓中，只关注宽度超过30像素且宽度与高度的比率大于1的那个，基本上是矩形。

只要检测到正确的矩形，就可以使用左上角和右上角的坐标作为边界来开始垂直扫描。检测到的矩形的一个例子如图6所示。

使用OpenCV库的图像处理需要很长时间来处理。希望这些执行实际上在后台发生。在Android OS中，应用程序将主线程生成为单个UI线程，该线程对应于电话屏幕上的任何UI交互。启动相机或加载图像仅作为单独的活动，因此不需要其他线程。当应用计算机视觉算法(例如精确边缘检测和FAST特征检测)时，根据图像大小，通常需要5到10秒来处理。如果我们在主线程上启动这些繁重的计算，那么UI就会变得没有响应。因此，解决此问题的最佳方法是启动另一个工作线程，该线程在后台处理计算工作，并在完成后将结果合并回主线程。在这种情况下，用户界面将始终保持响应。此技术称为多线程，通常使用Android界面中的AsyncTask或Thread类实现。例如，可以使用AsyncTask进行所有与图像处理相关的计算。

对于葡萄糖测量，主要任务是使用偏移从试剂区域提取像素信息。首先使用高度/宽度比来找到位于试剂区域内的点，并将邻域大小定义为感兴趣的区域。根据经验，将此焊盘尺寸设置为30x30，其中包含900像素。如前所述，由于酶反应，这些像素的绿色通道与葡萄糖浓度呈线性关系。因此，访问每个像素的RGB信息并存储每个绿色通道值。

通常可以简单地取这些绿色值的平均值，并为此测试分配一个代表性读数，以便输入线性回归模型。然而，这假设溶液均匀分布在试剂区域上。它还假设酶在制造过程中均匀分布在试剂区域，并且在测试过程中没有过度反应或反应不足。实际上，这是不切实际的。因此，需要过滤掉非显性值。例如，对于某张照片，感兴趣的是从葡萄糖试剂区域裁剪出的30x30图像。显然，可能存在与其邻居不一致的不可忽略数量的像素。它们中的一些是浅色的，接近白色，因为闪光的反射或者因为此时没有发生反应。由于过度反应或酶的积累，它们中的一些是深色的，接近黑色。他们在计算用于表示该区域的平均值的绿色通道值时存在偏差。大多数计数存在于中间范围内，并且落在高和低绿色值上，如高斯分布。因此决定将基于实验的存在阈值设置为15倍，这意味着将存在少于15次的任何绿色值视为少数，并将其从平均计算中消除。

对于***测量，任务是正确定位红线并计算符合我们标准的像素数。基于位于最后一节的矩形，从上到下垂直扫描边界内的所有像素。对于每个像素，将红色通道值，绿色通道值和转换后的亮度值与阈值进行比较。在这部分中，没有选择正确的相应像素的技巧，只有实验。首先，从数据集中排除具有高亮度值的像素，因为***条的主要部分是白色的，并且与红线区域相比往往更具反射性。将亮度通道的阈值设置为0.9。然后，注意到如果只使用红色通道进行阈值处理，图像中有一些阴影可能会成为计算错误；因此，将红色通道的阈值设置为220，将绿色通道的阈值设置为180。再次，存储并分类沿垂直扫描路径通过阈值的像素数，其中使用***样品溶液(8500mIU/ml)进行摄取。然后，计算合格像素的总数并用“公共背景”减去它。“共同背景”意味着知道某个区域没有响应但仍然没有合格的像素。即使没有控制线或测试线，也存在这些合格的像素；因此，他们被排除在计数之外。

比色线性回归意味着使用颜色信息来拟合线性数学模型以预测新数据。关键部分是找到两个数据集之间最可靠的线性关系。首先使用已知浓度的溶液来生成回归的基线。然后使用Apache通用数学库来拟合数据的线性回归。对于葡萄糖估计，绿色通道值暴露出与浓度的固体线性；因此，使用绿色通道值作为Y数据和浓度作为X数据得到线性回归表1和图7中的图。

表1.葡萄糖实验数据

通过重复测试获得每个浓度的绿色通道值，使用相同的设置和不同的葡萄糖感应条。为了确保稳定的值，计算了表1中列出的每个测试的平均值和标准偏差.5左右的标准偏差是相对稳定的读数。对于那些具有高标准偏差的浓度，有必要进行更多测试以获得广义实验数据。但是，它仍然会产生相当不错的结果。

对于***估计，使用测试线中合格像素数与控制线中合格像素数之间的比率，而不是使用任何颜色通道。使用该比率拟合数据作为Y数据和对数浓度(基数10)作为X数据以得到线性回归表2和图8中的图。

表2.***实验数据

测试的***溶液的浓度为0.85,8.5,85,850,8500mIU/ml。这些溶液在40°F的温度下保存，并在制备后一周内进行测试。线性回归的结果是合理的，因为对于浓度0.85和8.5，反应非常弱，以至于几乎不能用肉眼看到红色测试线。

受到实验条件的限制，并且没有更多样化的葡萄糖和***校准浓度，还观察到线性度在细分中更有说服力；因此，采用最近邻法进行估算。在葡萄糖测试中，首先计算输入的线性拟合范围。然后选择了四个数据，这些数据最接近拟合线上的输入。基于这些点，构建了一个新的线性回归模型，并从中计算出最终估计。

对于数据可视化，在Android OS和GraphView开源库中使用了Fragment接口。Fragment界面提供了许多方便的功能，可将可滚动报表页面格式化为选项卡。GraphView库支持各种图形布局，并且非常容易定制。对于每次运行，用户都需要提供当前测试的名称，该名称通常应该是受检查解决方案的所有者。此名称作为使用Android中的SharePreference接口实现的存储系统中的唯一键，并与包含浓度值和测试日期对的数据列表相关联。在可视化数据时，程序将迭代相应的HashMap以检索按测试日期排序的所有值。然后，它们将通过GraphView管道可视化为片段。例如，可以为用户提供了两个图形可视化。一个是趋势图，显示按日期测试的浓度，用户可以点击这些点来获得更多细节。另一个是调试图，它可以显示葡萄糖中的像素值或***测试中的像素响应以进行调试。

此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。