本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS25進行相關研究。FigSpec®系列成像高光譜相機采用高衍射效率的透射式光柵分光模組與高靈敏度面陣列相機、結合內置掃描成像及輔助攝像頭技術，解決了傳統高光譜相機需外接推掃成像機構及調焦復雜等難以操作的問題。可與標準C接口的成像鏡頭或顯微鏡直接集成，實現光譜影像的快速采集。

據數據統計全球燒傷患者需要進行醫療護理的人數接近1100萬人，在所有傷情中排名第四，高于結核病和艾滋病毒感染的總和。即使在經濟發達的美國，每年就有200 多萬例燒傷病例，其中約有2萬名患者（1%）遭受嚴重的燒傷，需要進入專門的病房進行手術和護理。在燒傷學科中，準確檢測患者燒傷創面深度是一個非常重要的研究方向，其診斷結果關系到后續創面的感染和增生性瘢痕的概率。目前燒傷深度的診斷主要靠臨床醫生的主觀經驗來判斷，但其診斷準確率僅為65%-70%。因此，迫切需要一種無創、高效的燒傷深度檢測方法。NIRSD是一種無創、非接觸的光譜檢測技術，可以檢測燒傷皮膚組織結構的變化，因此可以用于皮膚燒傷深度的診斷和分析。然而，目前該方法在燒傷深度檢測領域的研究很少，限制了近紅外光譜技術在燒傷深度檢測中的應用。近紅外光譜技術具有非侵入性、非接觸性和快速的特點，是最有價值的分析技術之一。該技術主要研究C-H、N-H、O-H、S-H、P-H等基團在近紅外范圍(780~2500mm)的復頻和雙頻吸收的光譜特性I17-18，非常適合于有機物的定量分析。然而，近紅外波段的位置往往受到許多因素的影響，如溫度、被測物體的漫反射和折射等。，使得采集到的信號受到很多噪聲的干擾，無法有效表征相應物質的特征。為了有效提取近紅外光譜圖像信號的本質特征，本文引入特征學習來學習光譜圖像信息，提高回歸模型的預測精度。

對燒傷創面進行準確、深入的評估，可以減輕患者的痛苦和負擔。近紅外光譜作為一種簡單、無創、有效的光譜檢測工具，在燒傷深度診斷方面得到了許多專家的支持和研究。然而，目前基于近紅外光譜圖像的燒傷深度主要是通過生物學理論和光學理論來評估的，對于如何利用近紅外光譜圖像數據對創面進行定量深度檢測還缺乏方法。因此，本文采用特征學習方法對近紅外光譜圖像數據進行挖掘，形成了一種基于近紅外光譜圖像特征學習的檢測方法，以高效預測燒傷創面組織深度。本文的主要成果如下:

①針對燒傷深度的全場檢測，提出了一種基于RSER-KNN集成回歸模型的燒傷深度檢測方法。首先對燒傷創面數據進行采集和數據預處理操作，利用PCA和LDA融合算法對樣本的光譜數據信號進行特征學習，利用子空間集成的思想構建RSER-KNN集成回歸模型。實驗表明，在測試集的評價下，RSER-KNN模型具有很高的精度，每種樣品的燒傷深度預測值都接近黃金標準值，其中平均相對誤差低至6.7%。與其他算法相比，它具有較低的預測誤差和較高的穩定性。RSER-KNN可以提供定量的燒傷信息和可視化深度的各種燒傷傷口。

②針對利用光學特征參數檢測燒傷深度的可行性研究，本文利用漫反射模型理論提取了燒傷創面光學特征參數的分布圖。結果可以間接反映整個創面組織的水含量系數、散射粒子大小和散射粒子濃度隨燒傷深度變化的規律，可以為醫生提供更多的病理診斷信息。

③針對燒傷創面的跨域燒傷深度檢測，提出了一種基于深度遷移學習的跨域燒傷深度檢測方法。本文基于NIRSI儀器，采集了A和B兩個數據集，A為源數據集，B為目標數據集。首先利用A面源數據集樣本對CNN回歸模型進行預訓練，得到高精度的深度預測結果。利用深度遷移學習方法，提高了B面目標域數據燒傷深度的預測精度，解決了跨域燒傷數據樣本問題。實驗結果表明，CNN網絡在A點源數據集上的模型訓練可以達到8.2%的平均相對損失，比控制算法高出2.6倍以上，驗證了CNN模型高效的特征學習能力和預測能力。而深度遷移學習模型CNN-transfer在跨域B目標數據上可以達到平均相對誤差低至6.0%，有效解決了燒傷樣本的跨域問題。