CN111297403B - 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 - Google Patents
尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 Download PDFInfo
- Publication number
- CN111297403B CN111297403B CN202010116157.6A CN202010116157A CN111297403B CN 111297403 B CN111297403 B CN 111297403B CN 202010116157 A CN202010116157 A CN 202010116157A CN 111297403 B CN111297403 B CN 111297403B
- Authority
- CN
- China
- Prior art keywords
- data
- exhaled breath
- exhaled
- pneumoconiosis
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B2010/0083—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements for taking gas samples
- A61B2010/0087—Breath samples
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,包括以下步骤:步骤一:呼出气的采样和预处理,用于采集被测者的呼出气体并进行统一化的预处理;步骤二:进样及检测分析,通过检测器检测呼出气的成分,得到呼出气数据;步骤三:建立呼出气数据库管理系统,用于通过多中心临床研究方法采集、管理呼出气数据;步骤四:构建呼出气诊断平台,用于提取呼出气数据特征,训练分类模型并构建呼出气诊断平台。本发明具有快速、无创、精准并对肺部纤维化病变进行早期预警的优点,大大提高了尘肺筛查的准确度和效率,而且,早期预警的实现可以让更多矿井工人了解自己的肺部异常状况,及早采取办法进行干预,降低了转变为尘肺的可能性。
Description
技术领域
本发明涉及一种尘肺筛查及预警方法,具体是一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,属于呼气诊断技术领域,尤其适用于煤工尘肺和矽肺病的精准筛查以及因吸入煤尘和二氧化硅颗粒所引起的肺部纤维化病变的早期预警。
背景技术
尘肺病是我国最严重的职业病之一,目前我国现有尘肺病患者占全国职业病总人数的90%以上。尘肺病是没有医疗终结的疾病,只能通过早发现、早治疗来尽早抑制病情发展。目前包括美国在内的大多数国家诊断尘肺病主要是通过拍摄X线胸片结合专家读片的方式做出诊断,但X线胸片诊断存在专业医师有限、每个人读片水平和诊断标准不一,这导致了读片差异率大的缺点。此外,早期尘肺病和部分病例很难通过影像学来准确判别,与之相比,穿刺肺活检是十分准确的诊断方法之一,但却是创伤性的方法,不适合用于体检或筛查。
呼气诊断是指通过测定呼出气体中的成分,实现对机体、生理、病理状态的非侵入性判断。呼出气中含有大量的挥发性有机化合物(VOCs),代谢组学和预防医学已经证实,呼出气中的挥发性有机化合物(VOCs)会随着人体发生病变而改变。近年来,学术界和企业都有大量学者就呼气诊断的应用进行探索,例如基于FAIMS(高场非对称波形离子迁移谱)技术的肺癌呼吸诊断检测器已经进入市场。呼吸诊断在其他疾病诊断方面的进展为尘肺病筛查新技术的研发提供了新的思路和可能。然而现有技术中并没有专门针对尘肺病利用呼气诊断进行精准筛查和早期预警的方法。
发明内容
本发明的目的是提供一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,该方法可以快速、无创、精准筛查出尘肺群体,并能针对肺部纤维化病变进行早期预警。
为了实现上述目的,本发明提供一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,包括以下步骤:
步骤一:呼出气的采样和预处理,用于采集被测者的呼出气体并进行统一化的预处理;
步骤二:进样及检测分析,通过检测器检测呼出气的成分,得到呼出气数据;
步骤三:建立呼出气数据库管理系统,通过多中心临床研究方法采集、管理呼出气数据;
步骤四:构建呼出气诊断平台,用于提取呼出气数据特征,训练分类模型并构建呼出气诊断平台。
步骤一中的呼出气的采样和预处理包括以下步骤,
第一步,样本取样:被测者咬住咬嘴,呼出气经与咬嘴连通的管道进入采气袋,充满即关闭采气袋上的阀门;
第二步,气样存储:将采气袋置于18~22℃恒温条件下放置0.8~1.2h;
第三步,气样过滤:存储后的呼出气流经采气袋出口处设置的过滤器去除凝结水、细菌微粒杂质;
第四步,控制湿度:呼出气通过Nafion管,使Nafion管与外管间充满高纯氮气,把呼出气湿度控制在10%RH内的固定数值;
第五步,温湿度记录:安装在管路上的温湿度记录仪实时监测并记录呼出气的温湿度数值;
第六步,监测报警:温度数值变化大于5%或湿度超过10%RH,温湿度记录仪将报警;
第七步,中断:温湿度记录仪报警时设置在气路上的电磁阀关闭,中断气路过程。
在第一步的样本取样过程中,充满的状态为通过直观观察为气袋充分鼓起,但用手指按压并不是紧绷的状态。
步骤二中的进样及检测分析包括以下步骤,
第一步,进样:步骤一处理后的呼出气经气路流入检测器;
第二步,检测:检测器由多维度气体传感器阵列组成,能够对不同的气体成分产生响应,生成信号图谱表征呼出气数据,检测器在检测时能够在线生成曲线图,保存的文件是特定格式,通过格式转化成为csv格式的数据。
步骤三所述的建立呼出气数据库管理系统包括以下步骤:
第一步,初始数据装入:已签署知情同意书且由当地职防院伦理委员会审核通过的尘肺病人、肺部异常患者和健康矿工的呼出气数据,随同温湿度记录仪同步数据、肺部状况信息、抽烟习惯、其余患病状态存入呼出气数据库管理系统,作为数据库初始数据装入;
第二步,功能构建:利用结构化查询语言,实现数据存取、管理、通信和维护数据库系统的功能;具体为:
数据存取:利用数据操纵语言,在数据库内实现基本存取功能包括检索、插入、修改和删除操作;
数据库运行管理:管理、存取与多个训练和筛查需求对应的多个文件及相关配置;
数据传输:数据库管理系统提供处理数据的传输,实现用户程序与数据库管理系统之间的通信,通常与操作系统协调完成;
维护功能:数据库的转储、云端连接、恢复、重组织、系统性能监视、分析功能。
第三步,多中心数据存储:根据多中心临床试验方法构建以区分试验地点为主的多中心数据存储空间,并记录试验时期、试验方案作为标签。
步骤四所述的构建呼出气诊断平台包括以下四个模块:
数据预处理中心:针对呼出气数据进行审核、筛选、排序后根据被测者肺部状况进行分类,并进行数据集成、数据变换操作;
分类器构建:在已有数据库基础上通过机器学习算法训练分类模型,设计实现对未知样本肺部状况的判断;
与数据库进行通信管理:呼出气诊断平台从数据库管理系统中导入与筛查需求对应的数据及配置,据此向被测者做出测试和判断,并将结果存入数据库管理系统,实现数据管理和筛查业务平台化;
效能自评价模块:平台结合系统分析和模型评估两种方法进行综合评价,当评价结果相差超过10%或有一方评价得分低于85%时,整理数据和诊断结果发送给设备管理员,由专家进行评估。
多维度气体传感器阵列为光学有机线纳米传感器、碳聚合物纳米传感器、光离子化气体传感器中的至少一个。
数据预处理包括但不限于数据分类、剔除异常值、进行min-max归一化处理、对离散化特征进行one-hot编码;根据人体病理特征,平台设计了“尘肺”、“肺部异常”、“健康”三个标签以区分呼出气数据,“尘肺”对应确诊尘肺和疑似尘肺,“肺部异常”对应两肺纹理增多、两肺纹理增重、两肺间质改变等肺部病变,“健康”对应肺部未发现纤维化病变。
分类器构建包括使用主成分分析(PCA)、线性判别分析(LDA)、卷积神经网络(CNN)、支持向量机(SVM)进行数据特征提取,进而选择K近邻算法(KNN)、朴素贝叶斯、梯度提升算法(XGBoost)、深度神经网络(DNN)中的至少一种算法训练以区分肺部病变为目的的分类模型,并用包括简单交叉验证、k折交叉验证、留一法在内的至少一种交叉验证方法进行验证。
系统分析包括训练集、测试集的分类效果以及跟踪评价,所述的模型评估包括记录和分析不同标签群体数据分布、数据异常频次、误诊率、漏诊率变化趋势。
本发明首先采集被测者的呼出气体并进行统一化的预处理;其次通过采用多维度气体传感器阵列检测呼出气的成分;再者是建立呼出气数据库管理系统,通过多中心临床研究方法采集、管理呼出气数据;最后构建呼出气诊断平台,用于提取呼出气数据特征,训练分类模型并构建呼出气诊断平台,本发明与常规的尘肺筛查方法相比,具有快速、无创、精准并对肺部纤维化病变进行早期预警的优点,大大提高了尘肺筛查的准确度和效率,而且,早期预警的实现可以让更多矿井工人了解自己的肺部异常状况,及早采取办法进行干预,降低了转变为尘肺的可能性。本发明方法全面,操作流程简单,具有实用性强、角度创新等特点,在尘肺筛查乃至呼气诊断领域具有广泛的应用价值。
附图说明
图1是本发明的原理框图;
图2是本发明针对尘肺群体进行筛查和早期预警的具体流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,包括以下步骤:
步骤一:呼出气的采样和预处理,用于采集被测者的呼出气体并进行统一化的预处理;
步骤二:进样及检测分析,通过检测器检测呼出气的成分,得到呼出气数据;
步骤三:建立呼出气数据库管理系统,通过多中心临床研究方法采集、管理呼出气数据;
步骤四:构建呼出气诊断平台,用于提取呼出气数据特征,训练分类模型并构建呼出气诊断平台。
如图2所示,步骤一中的呼出气的采样和预处理包括以下步骤,
第一步,样本取样:被测者咬住咬嘴,呼出气经与咬嘴连通的管道进入采气袋,充满即关闭采气袋上的阀门;
第二步,气样存储:将采气袋置于18~22℃恒温条件下放置0.8~1.2h;
第三步,气样过滤:存储后的呼出气流经采气袋出口处设置的过滤器去除凝结水、细菌微粒杂质;
第四步,控制湿度:呼出气通过Nafion管,使Nafion管与外管间充满高纯氮气,把呼出气湿度控制在10%RH内的固定数值;
第五步,温湿度记录:安装在管路上的温湿度记录仪实时监测并记录呼出气的温湿度数值;
第六步,监测报警:温度数值变化大于5%或湿度超过10%RH,温湿度记录仪将报警;
第七步,中断:温湿度记录仪报警时设置在气路上的电磁阀关闭,中断气路过程。
在第一步的样本取样过程中,充满的状态为直观观察为气袋充分鼓起,但用手指按压并不绷紧的状态。
步骤二中的进样及检测分析包括以下步骤,
第一步,进样:步骤一处理后的呼出气经气路流入检测器;
第二步,检测:检测器由多维度气体传感器阵列组成,能够对不同的气体成分产生响应,生成信号图谱表征呼出气数据,检测器在检测时能够在线生成曲线图,保存的文件是特定格式,通过格式转化成为csv格式的文件数据。
步骤三所述的建立呼出气数据库管理系统包括以下步骤:
第一步,初始数据装入:已签署知情同意书且由当地职防院伦理委员会审核通过的尘肺病人、肺部异常患者和健康矿工的呼出气数据,随同温湿度记录仪同步数据、肺部状况信息、抽烟习惯、其余患病状态存入呼出气数据库管理系统,作为数据库初始数据装入;
第二步,功能构建:利用结构化查询语言,实现数据存取、管理、通信和维护数据库系统的功能;具体为:
数据存取:利用数据操纵语言,在数据库内实现基本存取功能包括检索、插入、修改和删除操作;
数据库运行管理:管理、存取与多个训练和筛查需求对应的多个文件及相关配置;
数据传输:数据库管理系统提供处理数据的传输,实现用户程序与数据库管理系统之间的通信,通常与操作系统协调完成;
维护功能:数据库的转储、云端连接、恢复、重组织、系统性能监视、分析功能。
第三步,多中心数据存储:根据多中心临床试验方法构建以区分试验地点为主的多中心数据存储空间,并记录试验时期、试验方案作为标签。
步骤四所述的构建呼出气诊断平台包括以下四个模块:
数据预处理中心:针对呼出气数据进行审核、筛选、排序后根据被测者肺部状况进行分类,并进行数据集成、数据变换操作;
分类器构建:在已有数据库基础上通过机器学习算法训练分类模型,设计实现对未知样本肺部状况的判断;
与数据库进行通信管理:呼出气诊断平台从数据库管理系统中导入与筛查需求对应的数据及配置,据此向被测者做出测试和判断,并将结果存入数据库管理系统,实现数据管理和筛查业务平台化;
效能自评价模块:平台结合系统分析和模型评估两种方法进行综合评价,当评价结果相差超过10%或有一方评价得分低于85%时,整理数据和诊断结果发送给设备管理员,由专家进行评估。
多维度气体传感器阵列为光学有机线纳米传感器、碳聚合物纳米传感器、光离子化气体传感器等其他气体传感器中的至少一个。
数据预处理包括但不限于数据分类、剔除异常值、进行min-max归一化处理、对离散化特征进行one-hot编码;根据人体病理特征,平台设计了“尘肺”、“肺部异常”、“健康”三个标签以区分呼出气数据,“尘肺”对应确诊尘肺和疑似尘肺,“肺部异常”对应两肺纹理增多、两肺纹理增重、两肺间质改变等肺部病变,“健康”对应肺部未发现纤维化病变。
分类器构建包括使用主成分分析(PCA)、线性判别分析(LDA)、卷积神经网络(CNN)、支持向量机(SVM)进行数据特征提取,进而选择K近邻算法(KNN)、朴素贝叶斯、梯度提升算法(XGBoost)、深度神经网络(DNN)中的至少一种算法训练以区分肺部病变为目的的分类模型,并用包括简单交叉验证、k折交叉验证、留一法在内的至少一种交叉验证方法进行验证。
系统分析包括训练集、测试集的分类效果以及跟踪评价,所述的模型评估包括记录和分析不同标签群体数据分布、数据异常频次、误诊率、漏诊率变化趋势。
本发明所用到的结构化查询语言、数据操纵语言、主成分分析、线性判别分析、非负矩阵分解法、近邻算法、朴素贝叶斯、决策树、神经网络、简单交叉验证、k折交叉验证、留一法均是本领域技术人员公知的使用方法。
本发明中所用的检测器为有机纳米线传感器时,个体的呼出气经上述步骤进入有机纳米线传感器,输出与有机纳米线传感阵列对应的多维度数据,得到行为时间信息、列为维度信息的csv格式文件。数据预处理过程中先使用min-max方法做归一化处理,针对肺部状况、抽烟状况等离散化标签信息进行one-hot编码,之后提取csv文件中的中位数数值、全部数值分别导入梯度提升算法(XGBoost)和深度神经网络(DNN)两种分类算法中。其中中位数数值直接用于训练,全部数值计算得到与同时段背景空气数据的皮尔逊相关系数后与中位数数值合并后用于分类器训练。呼出气数据集分成5份,轮流将其中1份作测试集,其余4份作训练集,5次分类结果的均值作为分类器分类效果。
本发明的检测器采用碳聚合物纳米传感器、光离子化气体传感器或其他气体传感器时,其处理方法与采用有机纳米线传感器的处理方法类似,此处不进行展开描述。
Claims (5)
1.一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,其特征在于,执行以下步骤:
步骤一:呼出气的采样和预处理,用于采集被测者的呼出气体并进行统一化的预处理;
步骤二:进样及检测分析,通过检测器检测呼出气的成分,得到呼出气数据;
步骤三:建立呼出气数据库管理系统,通过多中心临床研究方法采集、管理呼出气数据;
步骤四:构建呼出气诊断平台;
步骤一中的呼出气的采样和预处理包括以下步骤,
第一步,样本取样:被测者咬住咬嘴,呼出气经与咬嘴连通的管道进入采气袋,充满即关闭采气袋上的阀门;
第二步,气样存储:将采气袋置于18~22℃恒温条件下放置0.8~1.2h;
第三步,气样过滤:存储后的呼出气流经采气袋出口处设置的过滤器去除凝结水、细菌微粒杂质;
第四步,控制湿度:呼出气通过Nafion管,使Nafion管与外管间充满高纯氮气,把呼出气湿度控制在10%RH内的固定数值;
第五步,温湿度记录:安装在管路上的温湿度记录仪实时监测并记录呼出气的温湿度数值;
第六步,监测报警:温度数值变化大于5%或湿度超过10%RH,温湿度记录仪将报警;
第七步,中断:温湿度记录仪报警时设置在气路上的电磁阀关闭,中断气路过程;
步骤二中的进样及检测分析包括以下步骤,
第一步,进样:步骤一处理后的呼出气经气路流入检测器;
第二步,检测:检测器由多维度气体传感器阵列组成,能够对不同的气体成分产生响应,生成信号图谱表征呼出气数据;
步骤三所述的建立呼出气数据库管理系统包括以下步骤:
第一步,初始数据装入:尘肺病人、肺部异常患者和健康矿工的呼出气数据,随同温湿度记录仪同步数据、肺部状况信息、抽烟习惯、其余患病状态存入呼出气数据库管理系统,作为数据库初始数据装入,“尘肺病人的呼出气数据”对应确诊尘肺和疑似尘肺,“肺部异常患者的呼出气数据”对应肺部纤维化病变早期,“健康矿工的呼出气数据”对应肺部未发现纤维化病变;
第二步,功能构建:利用结构化查询语言,实现数据存取、管理、通信和维护数据库系统的功能;具体为:
数据存取:利用数据操纵语言,在数据库内实现基本存取功能包括检索、插入、修改和删除操作;
数据库运行管理:管理、存取与多个训练和筛查需求对应的多个文件及相关配置;
数据传输:数据库管理系统提供处理数据的传输,实现用户程序与数据库管理系统之间的通信,与操作系统协调完成;
维护功能:数据库的转储、云端连接、恢复、重组织、系统性能监视、分析功能;
第三步,多中心数据存储:根据多中心临床试验方法构建以区分试验地点为主的多中心数据存储空间,并记录试验时期、试验方案作为标签;
步骤四所述的呼出气诊断平台包括以下四个模块:
数据预处理中心:针对呼出气数据进行审核、筛选、排序后根据被测者肺部状况进行分类,并进行数据集成、数据变换操作;
分类器构建:在已有数据库基础上通过机器学习算法训练分类模型,设计实现对未知样本肺部状况的判断;
与数据库进行通信管理:呼出气诊断平台从数据库管理系统中导入与筛查需求对应的数据及配置,据此向被测者做出测试和判断,并将结果存入数据库管理系统,实现数据管理和筛查业务平台化;
效能自评价模块:平台结合系统分析和模型评估两种方法进行综合评价,当评价结果相差超过10%或有一方评价得分低于85%时,整理数据和诊断结果发送给设备管理员,由专家进行评估。
2.根据权利要求1所述的一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,其特征在于,多维度气体传感器阵列为光学有机线纳米传感器、碳聚合物纳米传感器、光离子化气体传感器中的至少一个。
3.根据权利要求1所述的一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,其特征在于,数据预处理包括数据分类、剔除异常值、进行min-max归一化处理、对离散化特征进行one-hot编码。
4.根据权利要求1所述的一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,其特征在于,分类器构建包括使用主成分分析、线性判别分析、卷积神经网络、支持向量机进行数据特征提取,进而选择K近邻算法、朴素贝叶斯、梯度提升算法、深度神经网络中的至少一种算法训练以区分肺部病变为目的的分类模型,并用包括简单交叉验证、k折交叉验证、留一法在内的至少一种交叉验证方法进行验证。
5.根据权利要求1所述的一种尘肺群体快速精准筛查及肺部纤维化病变早期预警系统,其特征在于,系统分析包括训练集、测试集的分类效果以及跟踪评价,所述的模型评估包括记录和分析不同标签群体数据分布、数据异常频次、误诊率、漏诊率变化趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116157.6A CN111297403B (zh) | 2020-02-25 | 2020-02-25 | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116157.6A CN111297403B (zh) | 2020-02-25 | 2020-02-25 | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111297403A CN111297403A (zh) | 2020-06-19 |
CN111297403B true CN111297403B (zh) | 2021-08-27 |
Family
ID=71154641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116157.6A Active CN111297403B (zh) | 2020-02-25 | 2020-02-25 | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111297403B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951964A (zh) * | 2020-07-30 | 2020-11-17 | 山东大学 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
CN112370078B (zh) * | 2020-11-10 | 2024-01-26 | 安徽理工大学 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
CN113633317A (zh) * | 2021-08-12 | 2021-11-12 | 生态环境部华南环境科学研究所 | 一类可识别人体健康状态的呼出气生物标志物 |
CN114613491B (zh) * | 2022-03-09 | 2022-09-06 | 曜立科技(北京)有限公司 | 一种用于超声心动图测量结果的诊断决策系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012085920A (ja) * | 2010-10-21 | 2012-05-10 | Marinekkus:Kk | じん肺診断支援装置およびじん肺診断支援プログラム |
CN108693353A (zh) * | 2018-05-08 | 2018-10-23 | 重庆大学 | 一种基于电子鼻检测呼吸气体的远程糖尿病智能诊断系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101368921B (zh) * | 2008-09-08 | 2011-11-16 | 无锡尚沃生物科技有限公司 | 高灵敏度与高选择性气体传感器 |
CN110147407B (zh) * | 2017-09-29 | 2023-02-14 | 华为技术有限公司 | 一种数据处理方法、装置及数据库管理服务器 |
CN109409528A (zh) * | 2018-09-10 | 2019-03-01 | 平安科技(深圳)有限公司 | 模型生成方法、装置、计算机设备及存储介质 |
CN109726503B (zh) * | 2019-01-12 | 2020-12-18 | 国电联合动力技术有限公司 | 缺失数据填补方法及装置 |
-
2020
- 2020-02-25 CN CN202010116157.6A patent/CN111297403B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012085920A (ja) * | 2010-10-21 | 2012-05-10 | Marinekkus:Kk | じん肺診断支援装置およびじん肺診断支援プログラム |
CN108693353A (zh) * | 2018-05-08 | 2018-10-23 | 重庆大学 | 一种基于电子鼻检测呼吸气体的远程糖尿病智能诊断系统 |
Non-Patent Citations (1)
Title |
---|
Development of breath test for pneumoconiosis: a case-control study;Hsiao-Yu Yang等;《Respiratory Research》;20171017;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111297403A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111297403B (zh) | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 | |
US7704215B2 (en) | Daytime/nighttime respiration rate monitoring | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
CN103458777A (zh) | 用于吞咽损伤检测的方法和设备 | |
EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Trivedy et al. | Design and development of smartphone-enabled spirometer with a disease classification system using convolutional neural network | |
CN107887032A (zh) | 一种数据处理方法及装置 | |
CN106338597A (zh) | 呼吸气体测量的方法及系统 | |
CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
CN113576401A (zh) | 基于卷积神经网络的睡眠呼吸暂停综合征快速诊断装置 | |
Xu et al. | A forced cough sound based pulmonary function assessment method by using machine learning | |
CN111110208A (zh) | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 | |
CN110070013A (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
CN117503107A (zh) | 一种基于差压传感器的牛呼吸频率的测量方法及装置 | |
CN117133464A (zh) | 一种老年人健康智能监测系统及监测方法 | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
CN106979998A (zh) | 苹果新鲜度的仿生嗅觉快速无损检测装置及检测方法 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
CN113974566B (zh) | 一种基于时间窗的copd急性加重预测方法 | |
CN115064219A (zh) | 基于机器学习的人呼气中VOCs生物标志物的识别方法 | |
CN108742630A (zh) | 一种呼气纳米传感健康预警系统及实现方法 | |
CN111653367A (zh) | 一种基于咳嗽症状的呼吸道传染病监测系统及方法 | |
CN113598778A (zh) | 一种基于量子共振的人体数据检测分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |