CN113633317A - 一类可识别人体健康状态的呼出气生物标志物 - Google Patents

一类可识别人体健康状态的呼出气生物标志物 Download PDF

Info

Publication number
CN113633317A
CN113633317A CN202110925090.5A CN202110925090A CN113633317A CN 113633317 A CN113633317 A CN 113633317A CN 202110925090 A CN202110925090 A CN 202110925090A CN 113633317 A CN113633317 A CN 113633317A
Authority
CN
China
Prior art keywords
measuring instrument
biomarkers
biomarker
exhaled breath
guide pipeline
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.)
Pending
Application number
CN202110925090.5A
Other languages
English (en)
Inventor
谢丹平
黄忠辉
刘旺
贺辉
聂鹏
杨迪
蒋炜玮
黄钟坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Institute of Environmental Science of Ministry of Ecology and Environment
Original Assignee
South China Institute of Environmental Science of Ministry of Ecology and Environment
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Institute of Environmental Science of Ministry of Ecology and Environment filed Critical South China Institute of Environmental Science of Ministry of Ecology and Environment
Priority to CN202110925090.5A priority Critical patent/CN113633317A/zh
Publication of CN113633317A publication Critical patent/CN113633317A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公布了一类可识别人体健康状态的呼出气生物标志物，通过导气管道和测量仪器进行连接，并通过测量仪器获得测量样本因子，测量仪器通过算法模型对测试样本进行检测，基于决策树分类器对测试样本进行预测表现检测，得出生物标志物的种类以及浓度，测量样本进行预测完成后并对结果进行分子检验，最后进行结果输出得出呼出气生物标志物的相对分子质量，筛选出61种能够识别疾病程度的VOCs标志物，通过生物标志物的种类及其相对分子质量可以快速识别人体健康状态，尤其适用于诊断慢性阻塞性肺疾病的疾病程度，服务于COPD早期筛查，及早发现病症。

Description

一类可识别人体健康状态的呼出气生物标志物
技术领域
本发明涉及可识别的呼出气生物标志物技术领域，具体为一类可识别人体健康状态的呼出气生物标志物。
背景技术
由于人体呼出气中挥发性有机物（Volatile organic compounds，VOCs）携带大量的生理和病理信息，且作为非侵入性样品，具有无损伤、取样简便和连续可得等特点，近年来，呼出气VOCs应用于健康状态预测识别的研究受到了越来越多的关注，现已成为一个研究热点，基于呼出气VOCs的健康状态识别是根据能够反映某种疾病病理及生理变化的呼出气VOCs（生物标志物）浓度变化进行健康状态识别，氧化应激导致某种疾病炎症产生更多或更少的某些VOCs出现在呼出气中，患者呼出气中VOCs组分浓度会随着疾病状态变化而变化，而这种变化会表现为某些VOCs浓度的升高或降低。
慢性阻塞性肺疾病(COPD)作为我国一类常见多发的呼吸系统疾病,传统的诊断方法具有诸多不足之处，亟需突破。目前，基于呼出气生物标志物的COPD状态识别方法不仅具有非侵入性、取样方便快捷和在线快速诊断等优势，而且能更好地服务于COPD早期筛查，及早发现病症，降低COPD死亡率。呼出气COPD状态识别研究目前处于起步阶段，相关研究较少，国内外研究仅获得少量COPD呼出气生物标志物，尚未应用于疾病状态识别，为此，我们提出一类可识别人体健康状态的呼出气生物标志物，支撑建立COPD呼吸气诊断新方法。
发明内容
本发明的目的在于提供一类可识别人体健康状态的呼出气生物标志物，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一类可识别人体健康状态的呼出气生物标志物，呼出气生物标志物的识别鉴定步骤为：
S1：通过导气管道和测量仪器进行连接，并通过测量仪器获得测量样本因子；
S2：测量仪器通过算法模型对测试样本进行检测，基于决策树分类器对测试样本进行预测表现检测，得出生物标志物的种类以及浓度；
S3：测量样本进行预测完成后并对结果进行分子检验，最后进行结果输出得出呼出气生物标志物的相对分子质量；
S4：通过生物标志物的种类及其相对分子质量可以快速识别人体健康状态，尤其适用于诊断慢性阻塞性肺疾病的疾病程度，服务于COPD早期筛查，及早发现病症。
优选的，S2步骤中算法模型中在训练集中建立288个特征因子和健康状态的算法模型，不停地迭代训练直到模型达到设定阈值的最优效果，根据训练得到的最优模型，反向推导排序288个特征因子的重要性，从中往复选择最重要的特征因子，最终确定61个特征因子。
优选的，S2步骤中决策树单分类器对测试样本进行预测表现，每一个单分类器都会预测样本所属0-5中的一个类别，集成分类结果通过投票法（voting）产生，也可以通过单分类器对多个测试样本进行集成分类结果投票：
Figure DEST_PATH_IMAGE001
Figure 455079DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
表示第
Figure 319742DEST_PATH_IMAGE004
个单分类器，
Figure DEST_PATH_IMAGE005
表示真实函数，
Figure 624953DEST_PATH_IMAGE006
表示单分类器错误率；
Figure DEST_PATH_IMAGE007
表示单分类器的个数，通过公式发现随着单分类器数目的增大，集成分类模型的错误率将指数下降。
优选的，S3步骤中生物标志物共61种，其相对分子质量依次为32.0278、33.0325、33.9907、38.4581、40.0258、42.0445、43.0335、44.0189、46.0371、47.0013、50.0357、50.1137、51.0433、54.9399、58.0597、59.0543、59.1185、60.0322、60.1097、64.0541、65.0209、67.0524、72.0498、73.0415、75.1217、80.1001、84.9415、87.2008、88.0037、88.0483、89.9697、90.9214、91.0255、95.9849、99.9338、116.0003、118.0095、121.9241、122.8503、123.9103、125.0149、126.1235、127.9351、128.1431、134.1699、137.9902、141.9602、142.4604、143.1019、150.1178、152.0409、153.0448、158.1336、181.9323、185.9142、295.7734、353.4950、353.5627、369.4871、371.5156、427.3260。
优选的，S1步骤中导气管道和测量仪器连接时采用可塑性医用气管，同时导气管道和测量仪器装配有密封圈，且导气管道通过抱箍固定装配在测量仪器的输入端，同时导气管道另一端卡合装配有一次性吹气管。
与现有技术相比，本发明的有益效果是：
本发明算法模型中在训练集中建立288个特征因子和健康状态的算法模型，不停地迭代训练直到模型达到设定阈值的最优效果，根据训练得到的最优模型，反向推导排序288个特征因子的重要性，从中往复选择最重要的特征因子，最终确定61个特征因子，应用大数据技术方法对大量的COPD患者和健康对照人群呼出气VOCs在线监测数据进行分析，筛选出61种能够识别疾病程度的VOCs标志物。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，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做出创造性劳动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。
实施例
一类可识别人体健康状态的呼出气生物标志物，呼出气生物标志物的识别鉴定步骤为：
S1：通过导气管道和测量仪器进行连接，并通过测量仪器获得测量样本因子；
S2：测量仪器通过算法模型对测试样本进行检测，基于决策树分类器对测试样本进行预测表现检测，得出生物标志物的种类以及浓度；
S3：测量样本进行预测完成后并对结果进行分子检验，最后进行结果输出得出呼出气生物标志物的相对分子质量；
S4：通过生物标志物的种类及其相对分子质量可以快速识别人体健康状态，尤其适用于诊断慢性阻塞性肺疾病的疾病程度，服务于COPD早期筛查，及早发现病症；
S2步骤中算法模型中在训练集中建立288个特征因子和健康状态的算法模型，不停地迭代训练直到模型达到设定阈值的最优效果，根据训练得到的最优模型，反向推导排序288个特征因子的重要性，从中往复选择最重要的特征因子，最终确定61个特征因子；
S2步骤中决策树单分类器对测试样本进行预测表现，每一个单分类器都会预测样本所属0-5中的一个类别，集成分类结果通过投票法（voting）产生，也可以通过单分类器对多个测试样本进行集成分类结果投票：
Figure 210786DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
Figure 626855DEST_PATH_IMAGE003
表示第
Figure 351884DEST_PATH_IMAGE004
个单分类器，
Figure 749367DEST_PATH_IMAGE010
表示真实函数，
Figure 275027DEST_PATH_IMAGE006
表示单分类器错误率；
Figure 901311DEST_PATH_IMAGE007
表示单分类器的个数，通过公式发现随着单分类器数目的增大，集成分类模型的错误率将指数下降；
S3步骤中生物标志物共61种，其相对分子质量依次为32.0278、33.0325、33.9907、38.4581、40.0258、42.0445、43.0335、44.0189、46.0371、47.0013、50.0357、50.1137、51.0433、54.9399、58.0597、59.0543、59.1185、60.0322、60.1097、64.0541、65.0209、67.0524、72.0498、73.0415、75.1217、80.1001、84.9415、87.2008、88.0037、88.0483、89.9697、90.9214、91.0255、95.9849、99.9338、116.0003、118.0095、121.9241、122.8503、123.9103、125.0149、126.1235、127.9351、128.1431、134.1699、137.9902、141.9602、142.4604、143.1019、150.1178、152.0409、153.0448、158.1336、181.9323、185.9142、295.7734、353.4950、353.5627、369.4871、371.5156、427.3260；
S1步骤中导气管道和测量仪器连接时采用可塑性医用气管，同时导气管道和测量仪器装配有密封圈，且导气管道通过抱箍固定装配在测量仪器的输入端，同时导气管道另一端卡合装配有一次性吹气管。
历史数据包含1000条记录样本，每条样本含有288个特征因子和健康状态标签。将1000条样本随机分为700条做训练集，300条做测试集，利用训练集建立建立288个特征因子和疾病标签的算法模型，用测试集检验模型效果，不断重复训练、测试直到测试准确率达到设定阈值或者重复次数达到设定的最大迭代次数，考虑到现实测量特征因子的难易和成本，采用最优模型反向推导288个特征的重要性。反复不停组合筛选出61个特征因子可以迭代训练出接近最优模型的新模型，采用该模型对新采样的受试者进行预测，应用大数据技术方法对大量的COPD患者和健康对照人群呼出气VOCs在线监测数据进行分析，筛选出61种能够识别疾病程度的VOCs标志物。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一类可识别人体健康状态的呼出气生物标志物，其特征在于：呼出气生物标志物的识别鉴定步骤为：
S1：通过导气管道和测量仪器进行连接，并通过测量仪器获得测量样本因子；
S2：测量仪器通过算法模型对测试样本进行检测，基于决策树分类器对测试样本进行预测表现检测，得出生物标志物的种类以及浓度；
S3：测量样本进行预测完成后并对结果进行分子检验，最后进行结果输出得出呼出气生物标志物的相对分子质量；
S4：通过生物标志物的种类及其相对分子质量可以快速识别人体健康状态，尤其适用于诊断慢性阻塞性肺疾病的疾病程度，服务于COPD早期筛查，及早发现病症。
2.根据权利要求1所述的一类可识别人体健康状态的呼出气生物标志物，其特征在于：S2步骤中算法模型中在训练集中建立288个特征因子和健康状态的算法模型，不停地迭代训练直到模型达到设定阈值的最优效果，根据训练得到的最优模型，反向推导排序288个特征因子的重要性，从中往复选择最重要的特征因子，最终确定61个特征因子。
3.根据权利要求1所述的一类可识别人体健康状态的呼出气生物标志物，其特征在于：S2步骤中决策树单分类器对测试样本进行预测表现，每一个单分类器都会预测样本所属0-5中的一个类别，集成分类结果通过投票法(voting)产生，也可以通过单分类器对多个测试样本进行集成分类结果投票：
P(hi(x)≠f(x))＝ε
Figure FDA0003208973460000021
hi表示第i个单分类器，f(x)表示真实函数，ε表示单分类器错误率；
T表示单分类器的个数，通过公式发现随着单分类器数目的增大，集成分类模型的错误率将指数下降。
4.根据权利要求1所述的一类可识别人体健康状态的呼出气生物标志物，其特征在于：S3步骤中生物标志物共61种，其相对分子质量依次为32.0278、33.0325、33.9907、38.4581、40.0258、42.0445、43.0335、44.0189、46.0371、47.0013、50.0357、50.1137、51.0433、54.9399、58.0597、59.0543、59.1185、60.0322、60.1097、64.0541、65.0209、67.0524、72.0498、73.0415、75.1217、80.1001、84.9415、87.2008、88.0037、88.0483、89.9697、90.9214、91.0255、95.9849、99.9338、116.0003、118.0095、121.9241、122.8503、123.9103、125.0149、126.1235、127.9351、128.1431、134.1699、137.9902、141.9602、142.4604、143.1019、150.1178、152.0409、153.0448、158.1336、181.9323、185.9142、295.7734、353.4950、353.5627、369.4871、371.5156、427.3260。
5.根据权利要求1所述的一类可识别人体健康状态的呼出气生物标志物，其特征在于：S1步骤中导气管道和测量仪器连接时采用可塑性医用气管，同时导气管道和测量仪器装配有密封圈，且导气管道通过抱箍固定装配在测量仪器的输入端，同时导气管道另一端卡合装配有一次性吹气管。
CN202110925090.5A 2021-08-12 2021-08-12 一类可识别人体健康状态的呼出气生物标志物 Pending CN113633317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110925090.5A CN113633317A (zh) 2021-08-12 2021-08-12 一类可识别人体健康状态的呼出气生物标志物

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110925090.5A CN113633317A (zh) 2021-08-12 2021-08-12 一类可识别人体健康状态的呼出气生物标志物

Publications (1)

Publication Number Publication Date
CN113633317A true CN113633317A (zh) 2021-11-12

Family

ID=78421303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110925090.5A Pending CN113633317A (zh) 2021-08-12 2021-08-12 一类可识别人体健康状态的呼出气生物标志物

Country Status (1)

Country Link
CN (1) CN113633317A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010031788A1 (en) * 2008-09-17 2010-03-25 Universiteit Maastricht Method for the diagnosis of chronic obstructive pulmonary disease by detecting volatile organic compounds in exhaled air
WO2013190092A1 (en) * 2012-06-21 2013-12-27 Philip Morris Products S.A. Gene signatures for copd diagnosis
CN104919318A (zh) * 2013-08-28 2015-09-16 路易斯威尔大学研究基金会有限公司 利用呼出气体的肺癌的非侵入性检测
WO2018052689A1 (en) * 2016-09-13 2018-03-22 Michael Phillips A method and apparatus for identification of biomarkers in breath and methods of using same for prediction of lung cancer
CN109791140A (zh) * 2016-06-16 2019-05-21 泰克年研究发展基金会公司 用于疾病的区别诊断的系统和方法
CN111289736A (zh) * 2020-02-03 2020-06-16 北京大学 基于代谢组学的慢阻肺早期诊断标志物及其应用
CN111297403A (zh) * 2020-02-25 2020-06-19 中国矿业大学 一种尘肺群体快速精准筛查及早期预警方法
WO2020186335A1 (en) * 2019-03-18 2020-09-24 Canary Health Technologies Inc. Biomarkers for systems, methods, and devices for detecting and identifying substances in a subject's breath, and diagnosing and treating health conditions
CN111710372A (zh) * 2020-05-21 2020-09-25 中国医学科学院生物医学工程研究所 一种呼出气检测装置及其呼出气标志物的建立方法
CN112183709A (zh) * 2020-09-22 2021-01-05 生态环境部华南环境科学研究所 一种垃圾焚烧废气二噁英超标预测预警方法
CN112345635A (zh) * 2020-10-28 2021-02-09 上海交通大学 一种基于呼出气体挥发性有机物分析的胃病诊断系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010031788A1 (en) * 2008-09-17 2010-03-25 Universiteit Maastricht Method for the diagnosis of chronic obstructive pulmonary disease by detecting volatile organic compounds in exhaled air
WO2013190092A1 (en) * 2012-06-21 2013-12-27 Philip Morris Products S.A. Gene signatures for copd diagnosis
CN104919318A (zh) * 2013-08-28 2015-09-16 路易斯威尔大学研究基金会有限公司 利用呼出气体的肺癌的非侵入性检测
CN109791140A (zh) * 2016-06-16 2019-05-21 泰克年研究发展基金会公司 用于疾病的区别诊断的系统和方法
WO2018052689A1 (en) * 2016-09-13 2018-03-22 Michael Phillips A method and apparatus for identification of biomarkers in breath and methods of using same for prediction of lung cancer
WO2020186335A1 (en) * 2019-03-18 2020-09-24 Canary Health Technologies Inc. Biomarkers for systems, methods, and devices for detecting and identifying substances in a subject's breath, and diagnosing and treating health conditions
CN111289736A (zh) * 2020-02-03 2020-06-16 北京大学 基于代谢组学的慢阻肺早期诊断标志物及其应用
CN111297403A (zh) * 2020-02-25 2020-06-19 中国矿业大学 一种尘肺群体快速精准筛查及早期预警方法
CN111710372A (zh) * 2020-05-21 2020-09-25 中国医学科学院生物医学工程研究所 一种呼出气检测装置及其呼出气标志物的建立方法
CN112183709A (zh) * 2020-09-22 2021-01-05 生态环境部华南环境科学研究所 一种垃圾焚烧废气二噁英超标预测预警方法
CN112345635A (zh) * 2020-10-28 2021-02-09 上海交通大学 一种基于呼出气体挥发性有机物分析的胃病诊断系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SCARLATA, S. ET AL.: "Cluster analysis on breath print of newly diagnosed COPD patients: effects of therapy" *
V. A. BINSON, M. SUBRAMONIAM, Y.: "Prediction of Pulmonary Diseases With Electronic Nose Using SVM and XGBoost" *
严琼等: "慢性阻塞性肺疾病的早期诊断生物标志物初筛" *
郎朗: "呼出气体肺癌标志物采集与筛选及数据管理系统研究" *

Similar Documents

Publication Publication Date Title
KR102630580B1 (ko) 호흡기 질병 진단을 위한 질병 시그니처를 이용한 기침 소리 분석 방법
US20240087754A1 (en) Plasma based protein profiling for early stage lung cancer diagnosis
CN108597601B (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
CN112635056B (zh) 基于Lasso的食管鳞癌患者风险预测列线图模型建立方法
CN111248913B (zh) 基于迁移学习的慢性阻塞性肺疾病预测系统、设备及介质
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
Infante et al. Classification of voluntary coughs applied to the screening of respiratory disease
CN116821753A (zh) 一种基于机器学习的社区获得性肺炎病原类型预测方法
Avian et al. Fx-Net and PureNet: Convolutional Neural Network architecture for discrimination of Chronic Obstructive Pulmonary Disease from smokers and healthy subjects through electronic nose signals
CN117497181A (zh) 一种基于人工智能的慢性病信息管理系统
CN117174294A (zh) 一种构建慢阻肺评估模型方法及系统
CN113633317A (zh) 一类可识别人体健康状态的呼出气生物标志物
CN116030987B (zh) 系统性硬化病食管动力的评估模型的构建方法
KR102624637B1 (ko) 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측시스템 및 방법
CN112971762B (zh) 呼吸信号质量评估方法
Leal et al. Detection of different types of noise in lung sounds
CN114218985A (zh) 用于肾移植抗排斥反应类型分类的模型系统及其构建方法
CN113628741A (zh) 一种基于呼出气体标志物检测的健康状态识别方法
CN113469227A (zh) 一种用力呼气总量预测方法
CN114121288A (zh) 基于ct的慢性阻塞性肺预测模型的生成装置、方法和介质
CN116741384B (zh) 一种基于床旁护理的重症急性胰腺炎临床数据管理方法
Benmalek et al. A cough-based covid-19 detection with Gammatone and Mel-frequency cepstral coefficients
CN210863616U (zh) 一种呼出气VOCs检测装置
Bhaskar et al. Automated COVID-19 Detection From Exhaled Human Breath Using CNN-CatBoost Ensemble Model
CN116052889B (zh) 一种基于血液常规指标检测的sFLC预测系统

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