CN111540463B - 一种基于机器学习的呼出气体检测方法和系统 - Google Patents
一种基于机器学习的呼出气体检测方法和系统 Download PDFInfo
- Publication number
- CN111540463B CN111540463B CN201911311102.4A CN201911311102A CN111540463B CN 111540463 B CN111540463 B CN 111540463B CN 201911311102 A CN201911311102 A CN 201911311102A CN 111540463 B CN111540463 B CN 111540463B
- Authority
- CN
- China
- Prior art keywords
- gas
- machine learning
- nitrogen
- exhaled
- concentration
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
- G01N27/127—Composition of the body, e.g. the composition of its sensitive layer comprising nanoparticles
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nanotechnology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于机器学习的呼出气体检测方法和系统,涉及气体分析技术领域。该基于机器学习的呼出气体检测方法包括以下步骤:获取多组传感器阵列中各组传感器阵列对人体呼出气体中含氮气体的电信号,其中,含氮气体包括氨气、正丙胺、二乙胺和三乙胺;使用气体检测模型对电信号进行分析,确定人体呼出气体中含氮气体的浓度,其中,气体检测模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括电信号和电信号所对应的气体参数标签;根据含氮气体的浓度,作出肾脏疾病诊断结果。本发明能够快速、高效地获得呼出气体中含氮气体的浓度值,对于人体肾脏疾病检测具有重要的意义,同时在呼出气体检测中具有重要的应用价值。
Description
技术领域
本发明涉及气体分析技术领域,尤其涉及一种基于机器学习的呼出气体检测方法和系统。
背景技术
人体呼出气体主要来源于外部吸入和内源代谢两种途径,人们很早以前就开始了对人类呼出气体的成分进行分析,研究表明呼出气体中呼出代谢物含量与人体代谢水平和机体功能有很大的关系,有一些可以直接反应人体的健康状况。例如,呼吸道炎症患者呼出的气体中一氧化氮明显升高;糖尿病患者呼出气体中丙酮含量明显升高;精神分裂患者呼出气体中二硫化碳的浓度含量明显升高;肾衰竭患者呼出的气体中氨气的浓度有明显的提高。传统中医四诊中的闻诊就是通过检查人体呼出气体,实现疾病的诊断,而现在的呼吸诊断技术则是利用特异性传感材料或装置,针对人体呼出气体进行定量化分析,是中医闻诊的数字化和信息化的实现。
近年来,新的呼吸检测技术和设备的研究与开发也正掀起了国内外的一片热潮。目前呼出气体检测技术与设备主要分为三大类:复杂混合气体检测技术与设备;特定标识物的检测技术与设备;呼出气体中冷凝物的检测技术与设备。但是应用较广泛的主要是前两者,其中特定标识物的检测技术与设备往往应用于对某些特定疾病进行快速检测,这种呼吸诊断与传统的检测技术不同,具有无创、无痛、安全性高、快速反馈等特点,极大减小了病人的痛苦,并大大缩短了诊断的时间。基于传感器检测技术研发的电子鼻是一种快速检测的新型设备,在检测时间和检测速度方面均有较大的提升。但是现有的传感器通常只能对呼出气体中的单一气体进行检测,而患者呼出气体通常是一类标志性挥发性气体,采用现有的检测设备及方法,难以对呼出代谢物含量做出准确定量的检测,进而有可能影响相关疾病的诊断结果。
因此,有必要提出一种基于机器学习的呼出气体检测方法和系统,以解决上述技术问题。
发明内容
本发明的目的在于提供一种基于机器学习的呼出气体检测方法和系统,用以克服上述背景技术中的技术问题。
本发明是通过以下技术方案实现的:
本发明提供一种基于机器学习的呼出气体检测方法,包括以下步骤:
获取多组传感器阵列中各组传感器阵列对人体呼出气体中含氮气体的电信号,其中,所述含氮气体包括氨气、正丙胺、二乙胺和三乙胺;
使用气体检测模型对所述电信号进行分析,确定人体呼出气体中所述含氮气体的浓度,其中,所述气体检测模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括电信号和所述电信号所对应的气体参数标签;
根据所述含氮气体的浓度,作出肾脏疾病诊断结果。
进一步地,所述传感器阵列由含氮类挥发性气体敏感薄膜直接覆盖在叉指式电极表面形成。
进一步地,所述含氮类挥发性气体敏感薄膜的材料分别为BOPHY前驱体非共价键修饰单壁碳纳米管、BOPHY非共价键修饰单壁碳纳米管、甲基取代BOPHY非共价键修饰单壁碳纳米管和碘取代BOPHY非共价键修饰单壁碳纳米管。
进一步地,在使用气体检测模型对所述电信号进行分析,确定人体呼出气体中所述含氮气体的浓度中,所述气体检测模型的机器学习训练过程包括以下步骤:
获取多组传感器阵列中各组传感器阵列对混合气体样本的电信号;
对所述混合气体样本的电信号进行气体响应值的特征值提取;
根据机器学习算法对提取的所述气体响应值特征值进行训练,以得到所述混合气体样本中电信号与气体参数标签的关系模型。
进一步地,所述气体响应值为:ΔG=(G1-G0)/G0;
式中,ΔG表示气体响应值,G0表示混合气体刚通入传感器阵列时的电阻值,G1表示混合气体通入传感器阵列2分钟之后的电阻值。
进一步地,所述气体参数标签包括氨气浓度、正丙胺浓度、二乙胺浓度和三乙胺浓度。
进一步地,所述机器学习算法采用有监督式的学习方式。
进一步地,所述机器学习算法采用线性回归算法建立模型。
进一步地,在根据机器学习算法对提取的所述气体响应值特征值进行训练,以得到所述混合气体样本中电信号与气体参数标签的关系模型中,还包括:使用平方损失函数作为模型的损失函数,通过优化器采用梯度下降算法优化模型,设置学习率为0.01,迭代直至收敛。
相应地,本发明还提供一种基于机器学习的呼出气体检测系统,用于实现上述的基于机器学习的呼出气体检测方法,该基于机器学习的呼出气体检测系统包括多组传感器阵列、数据采集单元、数据分析单元和疾病诊断单元;各组所述传感器阵列均用于识别含氮气体的电信号,其中,所述含氮气体包括氨气、正丙胺、二乙胺和三乙胺;所述数据采集单元与各组所述传感器阵列电连接,用于采集所述传感器阵列的电信号;所述数据分析单元与所述数据采集单元电连接,用于根据所述电信号,利用机器学习模型分析人体呼出气体中所述含氮气体的浓度;疾病诊断单元,用于根据所述含氮气体的浓度,作出肾脏疾病诊断结果。
实施本发明,具有如下有益效果:
本发明的基于机器学习的呼出气体检测方法及系统,通过传感器阵列作用于待测的含氮混合气体,可以对氨气、正丙胺、二乙胺和三乙胺均产生特异性响应,从而利用机器学习方法实现对特定标志物的识别检测,进而实现对人体呼出气体中该类含氮挥发性气体的识别检测,采用本发明的基于机器学习的呼出气体检测方法,能够快速、高效地获得人体呼出气体中该类含氮挥发性气体的浓度,对于人体肾脏疾病的诊断具有重要的意义,同时该方法在呼出气体检测中也具有重要的应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例中的呼出气体检测方法的流程图;
图2是本发明实施例中的含氮类挥发性气体敏感薄膜材料的分子结构图;
图3是本发明实施例中的叉指电极基片的结构示意图;
图4是本发明实施例的气体检测模型的机器学习方法流程图;
图5是本发明实施例中的机器学习优化过程中损失值随学习次数的变化曲线;
图6是本发明实施例中的呼出气体检测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例对本发明作进一步地详细描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明中的传感材料又称为复合材料、复合薄膜或含氮类挥发性气体敏感薄膜。非共价相互作用又称非键和作用。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
实施例
本实施例提供了一种基于机器学习的呼出气体检测方法,参阅图1,本实施例的基于机器学习的呼出气体检测方法包括以下步骤:
S1、获取多组传感器阵列中各组传感器阵列对人体呼出气体中含氮气体的电信号,其中,含氮气体包括氨气、正丙胺、二乙胺和三乙胺;
S2、使用气体检测模型对电信号进行分析,确定人体呼出气体中含氮气体的浓度,其中,气体检测模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括电信号和电信号所对应的气体参数标签;
S3、根据含氮气体的浓度,作出肾脏疾病诊断结果。
本实施例中,通过传感器阵列作用于含氮混合气体样本,产生电信号,通过分析电信号的特点提取气体响应的特征值,采用基于机器学习的气体检测方法快速、高效地获得人体呼出气体中含氮气体的浓度,并进一步地依据该检测结果作出肾脏疾病诊断结果,对于人体肾衰竭疾病检测具有重要的意义,同时在呼出气体检测中具有重要的应用价值。
受限于传感器类型的选择,现有的传感器通常只能对单一气体进行检测,而患者呼出气体通常是一类标志性挥发性气体,这就需要研发一系列具有高特异性的传感材料组成传感阵列来识别相应挥发性气体的浓度,这对材料的设计和传感器的研发提出了很高的要求。本实施例中的传感器阵列由含氮类挥发性气体敏感薄膜直接覆盖在叉指式电极表面形成,由于氟硼络合二吡咯甲川类染料(BOPHY)具有优异的光化学物理性能,在化学传感器领域有重要的应用,本实施例中的含氮类挥发性气体敏感薄膜的材料分别为BOPHY前驱体非共价键修饰单壁碳纳米管、BOPHY非共价键修饰单壁碳纳米管、甲基取代BOPHY非共价键修饰单壁碳纳米管和碘取代BOPHY非共价键修饰单壁碳纳米管。上述各组传感器的制备过程如下:
首先,制备基于氟硼吡咯(前驱体及类似物)非共价修饰碳纳米管,制备过程如下:
BOPHY前驱体的制备:将1g吡咯-2-甲醛与300mg水合肼溶于30ml乙醇中,再往混合溶液中滴加少量乙酸直至溶液变黄,几秒之后溶液中有黄色沉淀生成,继续在室温条件下搅拌,过滤溶液收集沉淀,最后用乙醇清洗3次,真空干燥后得黄色BOPHY前驱体固体;
BOPHY的制备:将186.22mg BOPHY前驱体加入2.5ml三乙胺和30ml甲苯的混合溶液中;搅拌10分钟后,缓慢滴加3ml三氟化硼乙醚溶液,加热溶液至110度,搅拌过夜;反应结束后加入去离子水淬灭反应,二氯甲烷萃取混合溶液,留有机相;有机相用水洗3次,用无水硫酸镁干燥有机相,除去溶剂,采用硅胶柱色谱法纯化得到产物BOPHY;
甲基取代BOPHY的制备:将1g吡咯-2-甲醛加入0.3ml水合肼和30ml乙醇的混合溶液中,滴加0.5ml乙酸直到溶液变黄色,形成黄色沉淀,室温下继续搅拌1小时;沉淀用乙醇清洗3次,干燥后得到反应前驱体;再将258.15mg前驱体加入2.5ml三乙胺和30ml甲苯,搅拌10分钟后加入3ml三氟化硼乙醚溶液,搅拌过夜;反应结束后加入去离子水淬灭反应,二氯甲烷萃取混合溶液,留有机相;有机相用水洗3次,无水硫酸镁干燥有机相,除去溶剂,采用硅胶柱色谱法纯化得到产物甲基取代BOPHY;
碘取代BOPHY制备:将234mg甲基取代BOPHY溶入10ml三氯甲烷中,加入0.09ml氯化碘与5ml甲醇溶液;搅拌一个小时。反应混合物用饱和碳酸氢钠水溶液清洗,二氯甲烷萃取,得到有机相混合溶液,再用硫酸镁干燥,采用硅胶柱色谱法纯化得到产物碘取代BOPHY;
将4组1mg单壁碳纳米管加入15ml四氢呋喃中,超声30min以使得单壁碳纳米管分散于四氢呋喃中;在单壁碳纳米管的四氢呋喃溶液中加入5mg的上述的BOPHY前驱体、BOPHY、甲基取代BOPHY和碘取代BOPHY,超声30min以使得四种材料非共价键修饰单壁碳纳米管,得到均一的悬浊液,四种材料非共价键修饰单壁碳纳米管的结构图如图2所示,其中a表示BOPHY前驱体非共价键修饰单壁碳纳米管,b表示BOPHY非共价键修饰单壁碳纳米管,c表示甲基取代BOPHY非共价键修饰单壁碳纳米管,d表示碘取代BOPHY非共价键修饰单壁碳纳米管。
然后,制备基于上述非共价键修饰单壁碳纳米管的传感阵列,制备过程如下:
提供叉指电极,叉指电极的结构如图3所示,本实施例中的叉指电极通过在玻璃基底A上沉积有钛钨金B形成。用移液枪将上述四组悬浊液按每次10μl的量转移到叉指电极的表面,待自然风干之后重复几次,直到叉指电极的电阻达到1-10kΩ级别,干燥10分钟之后,该干燥后的悬浊液形成对含氮挥发性气体具有高灵敏度和特异性的传感阵列,按照上述方法分别制备出BOPHY前驱体非共价键修饰单壁碳纳米管传感器阵列、BOPHY非共价键修饰单壁碳纳米管传感器阵列、甲基取代BOPHY非共价键修饰单壁碳纳米管传感器阵列、碘取代BOPHY非共价键修饰单壁碳纳米管传感器阵列。
作为一种具体的实施方式,参阅图4,在步骤S2中,在使用气体检测模型对电信号进行分析,确定人体呼出气体中含氮气体的浓度中,气体检测模型的机器学习训练过程包括以下步骤:
S21、获取多组传感器阵列中各组传感器阵列对混合气体样本的电信号;
S22、对混合气体样本的电信号进行气体响应值的特征值提取;其中,气体响应值为:ΔG=(G1-G0)/G0;式中,ΔG表示气体响应值,G0表示混合气体刚通入传感器阵列时的电阻值,G1表示混合气体通入传感器阵列2分钟之后的电阻值;气体参数标签包括氨气浓度、正丙胺浓度、二乙胺浓度和三乙胺浓度。
气体响应值的特征值的提取过程如下:分别配置浓度范围10ppm-10ppb的正丙胺、二乙胺、三乙胺、氨气与空气的混合物作为混合气体样本;将四组传感器阵列插入测试腔室内,接上电路装置以及电阻采集器,放置两分钟观察电阻的稳定情况;通入待测混合气体样本,以通气的开始时间定义为响应开始时间,以通入2分钟的时间定义为结束时间;灵敏度即响应值△G=G1/G0,其中,△G为传感器的气体响应值,G0为开始时间时的电阻,G1为结束时间时的电阻。每次测试可以得到一组传感器响应的特征值(x1,x2,x3,x4)和与其对应的四种含氮挥发性气体浓度的标签值(y1,y2,y3,y4),x1、x2、x3、x4分别代表BOPHY前驱体非共价键修饰单壁碳纳米管传感器阵列、BOPHY非共价键修饰单壁碳纳米管传感器阵列、甲基取代BOPHY非共价键修饰单壁碳纳米管传感器阵列、碘取代BOPHY非共价键修饰单壁碳纳米管传感器阵列的响应值,y1、y2、y3、y4分别代表上述四组传感器阵列的电信号对应的含氮挥发性气体浓度,不断改变四种含氮挥发性气体的浓度,得到30组特征值与标签值;
S23、根据机器学习算法对提取的气体响应值特征值进行训练,以得到混合气体样本中电信号与气体参数标签的关系模型。
作为一种具体的实施方式,机器学习算法采用有监督式的学习方式,机器学习算法采用线性回归算法建立模型,模型为pred=w*x+b,其中,pred表示含氮挥发性气体浓度的预测值,x表示传感器的响应值,w表示斜率,b表示截距。
作为一种具体的实施方式,在根据机器学习算法对提取的气体响应值特征值进行训练,以得到所述混合气体样本中电信号与气体参数标签的关系模型中,还包括:使用平方损失函数作为模型的损失函数,通过GradientDescentOptimizer优化方法优化模型。在Python语言环境中,tensorflow框架下构建特征值与标签值的线性回归模型,其中选用均方差损失函数和GradientDescentOptimizer优化器,设置学习率为0.01,迭代直至收敛,学习次数为500次。如图5所示,Loss表示损失函数值,在500次学习后损失函数值已经降低到一个稳定值,由此得出训练模型如下:
y1=4869.608*x1+50.481143*x2-44.990917*x3+14.071631*x4+8.115886
y2=83.88906*x1+7766.468*x2+314.41592*x3-92.87336*x4+25.552523
y3=-62.56015*x1+263.11288*x2+6547.7407*x3+70.49251*x4+19.623768
y4=10.045658*x1-39.9122*x2+36.19596*x3+3477.0266*x4+10.947158。
分别选取4组已知特征值和标签值的测试数据,带入特征值到上述模型中,通过模型计算得出预测的标签值。将预测的标签值除真实标签值得到模型预测的准确度,将预测标签值减去真实标签值再除真实标签值得到模型预测的误差。如下表所示,模型预测误差均未超过5%,可以证明该模型对混合物中上述含氮气体的检测具有很高的准确度。
在人体呼出气体中含氮挥发性气体种类多浓度低,通过本实施例的方传感器阵列,对呼出气体中氨类气体产生特异性响应,基于本实施例中的机器学习方法能快速、高效地实现对人体呼出气体中该类含氮挥发性气体的识别检测,从而能够快速、高效地获得人体呼出气体中该类含氮挥发性气体的浓度,对于人体肾脏疾病的诊断具有重要的意义,同时该方法在呼出气体检测中也具有重要的应用价值。
本发明的另一实施例还提供一种基于机器学习的呼出气体浓度检测系统,用于实现上述实施例中的基于机器学习的呼出气体浓度检测方法。参阅图6,本实施例中的基于机器学习的呼出气体检测系统,包括多组传感器阵列、数据采集单元、数据分析单元和疾病诊断单元;各组传感器阵列均用于识别含氮气体的电信号,其中,含氮气体包括氨气、正丙胺、二乙胺和三乙胺;数据采集单元与各组传感器阵列电连接,用于采集传感器阵列的电信号;数据分析单元与数据采集单元电连接,用于根据电信号,利用机器学习模型分析人体呼出气体中含氮气体的浓度;疾病诊断单元,用于根据含氮气体的浓度,作出肾脏疾病诊断结果。
本发明的上述实施例,具有如下有益效果:
本发明的基于机器学习的呼出气体检测方法及系统,通过传感器阵列作用于待测的含氮混合气体,可以对氨气、正丙胺、二乙胺和三乙胺均产生特异性响应,从而利用机器学习方法实现对特定标志物的识别检测,进而实现对人体呼出气体中该类含氮挥发性气体的识别检测,采用本发明的基于机器学习的呼出气体检测方法,能够快速、高效地获得人体呼出气体中该类含氮挥发性气体的浓度,对于人体肾脏疾病的诊断具有重要的意义,同时该方法在呼出气体检测中也具有重要的应用价值。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于机器学习的呼出气体检测方法,其特征在于,包括以下步骤:
获取多组传感器阵列中各组传感器阵列对人体呼出气体中识别出含氮气体的电信号,其中,所述含氮气体包括氨气、正丙胺、二乙胺和三乙胺,所述传感器阵列由含氮类挥发性气体敏感薄膜直接覆盖在叉指式电极表面形成,所述含氮类挥发性气体敏感薄膜的材料分别为BOPHY前驱体非共价键修饰单壁碳纳米管、BOPHY非共价键修饰单壁碳纳米管、甲基取代BOPHY非共价键修饰单壁碳纳米管和碘取代BOPHY非共价键修饰单壁碳纳米管;
使用气体检测模型对所述电信号进行分析,确定人体呼出气体中所述含氮气体的浓度,其中,所述气体检测模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括电信号和所述电信号所对应的气体参数标签。
2.根据权利要求1所述的基于机器学习的呼出气体检测方法,其特征在于,在使用气体检测模型对所述电信号进行分析,确定人体呼出气体中所述含氮气体的浓度中,所述气体检测模型的机器学习训练过程包括以下步骤:
获取多组传感器阵列中各组传感器阵列对混合气体样本的电信号;对所述混合气体样本的电信号进行气体响应值的特征值提取;
根据机器学习算法对提取的所述气体响应值特征值进行训练,以得到所述混合气体样本中电信号与气体参数标签的关系模型。
3.根据权利要求2所述的基于机器学习的呼出气体检测方法,其特征在于,所述气体响应值为:ΔG=(G1-G0)/G0;
式中,ΔG表示气体响应值,G0表示混合气体刚通入传感器阵列时的电阻值,G1表示混合气体通入传感器阵列2分钟之后的电阻值。
4.根据权利要求1或2所述的基于机器学习的呼出气体检测方法,其特征在于,所述气体参数标签包括氨气浓度、正丙胺浓度、二乙胺浓度和三乙胺浓度。
5.根据权利要求2所述的基于机器学习的呼出气体检测方法,其特征在于,所述机器学习算法采用有监督式的学习方式。
6.根据权利要求2所述的基于机器学习的呼出气体检测方法,其特征在于,所述机器学习算法采用线性回归算法建立模型。
7.根据权利要求2所述的基于机器学习的呼出气体检测方法,其特征在于,在根据机器学习算法对提取的所述气体响应值特征值进行训练,以得到所述混合气体样本中电信号与气体参数标签的关系模型中,还包括:使用平方损失函数作为模型的损失函数,通过优化器采用梯度下降算法优化模型,设置学习率为0.01,迭代直至收敛。
8.一种基于机器学习的呼出气体检测系统,用于实现权利要求1-7中任一项所述的基于机器学习的呼出气体检测方法,其特征在于,包括多组传感器阵列、数据采集单元、数据分析单元和疾病诊断单元;
各组所述传感器阵列均用于识别含氮气体的电信号,其中,所述含氮气体包括氨气、正丙胺、二乙胺和三乙胺,所述传感器阵列由含氮类挥发性气体敏感薄膜直接覆盖在叉指式电极表面形成,所述含氮类挥发性气体敏感薄膜的材料分别为BOPHY前驱体非共价键修饰单壁碳纳米管、BOPHY非共价键修饰单壁碳纳米管、甲基取代BOPHY非共价键修饰单壁碳纳米管和碘取代BOPHY非共价键修饰单壁碳纳米管;
所述数据采集单元与各组所述传感器阵列电连接,用于采集所述传感器阵列的电信号;
所述数据分析单元与所述数据采集单元电连接,用于根据所述电信号,利用机器学习模型分析人体呼出气体中所述含氮气体的浓度;
疾病诊断单元,用于根据所述含氮气体的浓度,作出肾脏疾病诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311102.4A CN111540463B (zh) | 2019-12-18 | 2019-12-18 | 一种基于机器学习的呼出气体检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311102.4A CN111540463B (zh) | 2019-12-18 | 2019-12-18 | 一种基于机器学习的呼出气体检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540463A CN111540463A (zh) | 2020-08-14 |
CN111540463B true CN111540463B (zh) | 2023-09-15 |
Family
ID=71978426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911311102.4A Active CN111540463B (zh) | 2019-12-18 | 2019-12-18 | 一种基于机器学习的呼出气体检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111540463B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097064B (zh) * | 2021-09-24 | 2023-06-20 | 深圳大学 | 一种气体检测方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018282A (zh) * | 2012-12-21 | 2013-04-03 | 上海交通大学 | 用于肺癌早期检测的电子鼻系统 |
WO2018011694A1 (en) * | 2016-07-12 | 2018-01-18 | Fondazione Istituto Italiano Di Tecnologia | Sensor for detecting ammonia gas or ammonia vapour, method of manufacturing of said sensor and its use |
CN108516985A (zh) * | 2018-05-23 | 2018-09-11 | 安徽师范大学 | 吡咯吡啶肼双氟硼强荧光染料及其制备方法和应用 |
CN109324093A (zh) * | 2018-11-02 | 2019-02-12 | 中国科学院上海微系统与信息技术研究所 | 一种基于碳纳米管的传感材料及其制备方法及其在有机胺挥发性气体检测中的应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009144725A1 (en) * | 2008-05-29 | 2009-12-03 | Technion Research And Development Foundation Ltd. | Carbon nanotube structures in sensor apparatuses for analyzing biomarkers in breath samples |
-
2019
- 2019-12-18 CN CN201911311102.4A patent/CN111540463B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018282A (zh) * | 2012-12-21 | 2013-04-03 | 上海交通大学 | 用于肺癌早期检测的电子鼻系统 |
WO2018011694A1 (en) * | 2016-07-12 | 2018-01-18 | Fondazione Istituto Italiano Di Tecnologia | Sensor for detecting ammonia gas or ammonia vapour, method of manufacturing of said sensor and its use |
CN108516985A (zh) * | 2018-05-23 | 2018-09-11 | 安徽师范大学 | 吡咯吡啶肼双氟硼强荧光染料及其制备方法和应用 |
CN109324093A (zh) * | 2018-11-02 | 2019-02-12 | 中国科学院上海微系统与信息技术研究所 | 一种基于碳纳米管的传感材料及其制备方法及其在有机胺挥发性气体检测中的应用 |
Non-Patent Citations (2)
Title |
---|
A BOPHY probe for the fluorescence turn-on detection of Cu2+;Yongxin Li等;Sensors and Actuators B: Chemical;全文 * |
金属氧化物半导体纳米材料的制备及其气敏传感性能的研究;张子悦;中国博士学位论文电子期刊网;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111540463A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Exhaled volatile organic compounds of infection: a systematic review | |
Queralto et al. | Detecting cancer by breath volatile organic compound analysis: a review of array-based sensors | |
US20200170545A1 (en) | Mobile Real-Time Breath Ketone And Exhaled Gas Detector | |
Adiguzel et al. | Breath sensors for lung cancer diagnosis | |
Konvalina et al. | Effect of humidity on nanoparticle-based chemiresistors: a comparison between synthetic and real-world samples | |
US20080077037A1 (en) | Selective point of care nanoprobe breath analyzer | |
CN104781666A (zh) | 用于诊断结核的传感器技术 | |
CN111540463B (zh) | 一种基于机器学习的呼出气体检测方法和系统 | |
Yucel et al. | Hand-held volatilome analyzer based on elastically deformable nanofibers | |
Dharmawardana et al. | A review of breath analysis techniques in head and neck cancer | |
CN114624303B (zh) | 一种用于快速定量测定电子烟中尼古丁的电化学方法 | |
US20140221863A1 (en) | Detection of H. Pylori Utilizing Unlabeled Urea | |
Schnitzer et al. | The determination of quinone groups in humic substances | |
Smulko et al. | Analysis of exhaled breath for dengue disease detection by low-cost electronic nose system | |
Li et al. | Electronic nose development and preliminary human breath testing for rapid, non-invasive COVID-19 detection | |
Li et al. | Local dynamic neural network for quantitative analysis of mixed gases | |
Huang et al. | Machine learning-enabled graphene-based electronic olfaction sensors and their olfactory performance assessment | |
US10670580B2 (en) | Quantification of inflammatory molecules in exhaled breath condensate using differential pulse voltammetry on reduced graphene oxide sensor | |
CN108742630B (zh) | 一种呼气纳米传感健康预警系统及实现方法 | |
Mümin et al. | Electrochemical determination of brucine in urine with a poly (Alizarin Red S)-modified glassy carbon electrode | |
Huang et al. | Species-Selective Detection of Volatile Organic Compounds by Ionic Liquid-Based Electrolyte Using Electrochemical Methods | |
Haick et al. | Sensor systems | |
CN114594144A (zh) | 一种便携式尼古丁试剂盒、尼古丁快速检测方法及用途 | |
Amal et al. | Point of care breath analysis systems | |
CN114184656A (zh) | GR/PDDA/AuNPs纳米复合传感材料的制备方法及应用 |
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 |