CN113823403A - 基于神经网络的早期肺癌呼气组分检测识别系统 - Google Patents
基于神经网络的早期肺癌呼气组分检测识别系统 Download PDFInfo
- Publication number
- CN113823403A CN113823403A CN202110895735.5A CN202110895735A CN113823403A CN 113823403 A CN113823403 A CN 113823403A CN 202110895735 A CN202110895735 A CN 202110895735A CN 113823403 A CN113823403 A CN 113823403A
- Authority
- CN
- China
- Prior art keywords
- gas
- module
- signal
- neural network
- detection
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 36
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 36
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000003321 amplification Effects 0.000 claims abstract description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 239000003792 electrolyte Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000002945 steepest descent method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims 3
- 238000000034 method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004195 computer-aided diagnosis Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于神经网络的早期肺癌呼气组分检测识别系统，属于医疗设备技术领域，气体收集模块对呼出气体的收集与存储，且与外界隔离；气敏传感器模块感知气体收集模块输出的气体，将气体信息转换为电信号；传感器信号预处理模块对气敏传感器模块的输出信号进行流压转换、信号放大、滤波处理；阵列信号采集模块对传感器信号预处理模块的输出信号，进行采集取样，获取阵列信号，送入到检测模块；检测模块利用训练好的BP神经网络模型，对所得的阵列信号进行处理，得到呼气组分成分的检测识别结果。本发明对于呼出气体的检测更加方便快捷；基于BP神经网络的自学习和自适应能力，容错能力比较好，提高了气体组分识别准确率。
Description
技术领域
本发明涉及医疗设备技术领域，具体涉及一种基于神经网络的早期肺癌呼气组分检测识别系统。
背景技术
肺癌是目前世界上最常见也是死亡率最高的癌症，而大多数肺癌患者往往是到了中晚期才被确诊，因而，错过最佳治疗阶段。研究表明，肺癌的早期诊断结合及时治疗能有效延长患者5年的生存期，因此，迫切需要有效的早期诊断方法。
目前，临床普遍采用低剂量CT扫描、X线检测等手段检测早期肺癌，但是，由于其辐射危害，会增加患癌风险。呼气检测作为快速无损的诊断方法之一，在早期肺癌诊断中是一种极具发展前景的技术手段，有着十分明确的临床应用价值。近年来，神经网络算法逐渐成为热门领域，通过计算机领域与气体检测领域的结合，能够大幅度增加检测的准确率，同时也能够缩短检测时间。将呼气组分检测识别结合神经网络模型，可以作为一种简洁、高效且无创的新的早期肺癌筛选手段。
发明内容
本发明的目的在于提供一种基于神经网络的早期肺癌呼气组分检测识别系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
本发明提供一种基于神经网络的早期肺癌呼气组分检测识别系统，包括：
气体收集模块，用于对呼出气体的收集与存储，且与外界隔离；
气敏传感器模块，用于感知气体收集模块输出的气体，将气体信息转换为电信号；
传感器信号预处理模块，对气敏传感器模块的输出信号进行流压转换、信号放大、滤波处理；
阵列信号采集模块，对传感器信号预处理模块的输出信号，进行采集取样，获取阵列信号，送入到检测模块；
检测模块，用于利用训练好的BP神经网络模型，对所得的阵列信号进行处理，得到呼气组分成分的检测识别结果。
优选的，所述气敏传感器模块包括由多个气敏传感器组成的传感器阵列，用于采集气体信息。
优选的，所述气敏传感器包括：气体扩散屏障层、电解质、感应电极、分离器、参比电极、对电级、集流器、传感器针脚。
优选的，所述的传感器信号预处理模块包括：
依次连接的流压转换电路、信号放大电路、滤波器、存储器以及A/D转换电路。
优选的，所述训练好的BP神经网络模型的训练包括：
构建基础BP神经网络，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出，得到各气体的组分的结果，获得训练好的BP神经网络模型。
优选的，BP神经网络模型的训练中，利用最陡坡降法求解最小误差函数，进行网络的最优化，通过迭代的方式直到网络的误差最小，得到最优解。
优选的，选择多层前向神经网络的结构作为基本框架，包括输入层、输出层和隐含层；
输入变量从输入层进入网络，经过归一化处理后乘上权重传到隐含层；隐含层经过与权值和阈值作用后到达激励函数，经过激励函数的运算后传输到输出层；
计算输出值和期望值的误差，并反向传播该误差，进行阈值和权值的更新调整，直至输出值逐步向期望输出值趋近。
本发明有益效果：操作简单，耗费时间精力少；具有非线性映射能力；具有优越的自学习和自适应能力；泛化能力较强；对于呼出气体的检测更加方便快捷；容错能力比较好，提高了气体组分识别准确率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1为本发明实施例所述的基于神经网络的早期肺癌呼气组分检测识别系统功能原理框图。
图2为本发明实施例所述的BP神经网络拓扑结构图。
图3为本发明实施例所述的BP神经网络训练算法流程图。
图4为本发明实施例所述的基于神经网络的早期肺癌呼气组分检测识别系统用于早期肺癌诊断的流程图。
图5为本发明实施例所述的气敏传感器结构示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种基于神经网络的早期肺癌呼气组分检测识别系统，该系统包括：
气体收集模块，用于对呼出气体的收集与存储，且与外界隔离；
气敏传感器模块，用于感知气体收集模块输出的气体，将气体信息转换为电信号；
传感器信号预处理模块，对气敏传感器模块的输出信号进行流压转换、信号放大、滤波处理；
阵列信号采集模块，对传感器信号预处理模块的输出信号，进行采集取样，获取阵列信号，送入到检测模块；
检测模块，用于利用训练好的BP神经网络模型，对所得的阵列信号进行处理，得到呼气组分成分的检测识别结果。
所述气敏传感器模块包括由多个气敏传感器组成的传感器阵列，用于采集气体信息。
所述气敏传感器包括：气体扩散屏障层、电解质、感应电极、分离器、参比电极、对电级、集流器、传感器针脚。
所述的传感器信号预处理模块包括：
依次连接的流压转换电路、信号放大电路、滤波器、微处理器、存储器以及A/D转换电路。
所述训练好的BP神经网络模型的训练包括：
构建基础BP神经网络，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出，得到各气体的组分的结果，获得训练好的BP神经网络模型。
BP神经网络模型的训练中，利用最陡坡降法求解最小误差函数，进行网络的最优化，通过迭代的方式直到网络的误差最小，得到最优解。
选择多层前向神经网络的结构作为基本框架，包括输入层、输出层和隐含层；
输入变量从输入层进入网络，经过归一化处理后乘上权重传到隐含层；隐含层经过与权值和阈值作用后到达激励函数，经过激励函数的运算后传输到输出层；
计算输出值和期望值的误差，并反向传播该误差，进行阈值和权值的更新调整，直至输出值逐步向期望输出值趋近。
实施例2
本实施例2中，提供一种基于神经网络的早期肺癌呼气组分检测识别系统，利用该系统实现了基于神经网络的早期肺癌呼气组分检测识别方法，该系统可应用于早期肺癌的诊断。
如图1所示，本实施例2中，基于神经网络的早期肺癌呼气组分检测识别系统，包括：
气体收集模块，其主要是对呼出气体的收集与存储，保证气体全部为人呼出气体，且与外界隔离。
气敏传感器模块，用来感知气体收集模块出的气体，其原理为声波器件表面的波速和频率会随外界环境的变化而发生漂移。气敏传感器就是利用这种性能在压电晶体表面涂覆一层选择性吸附某气体的气敏薄膜，当该气敏薄膜与待测气体相互作用(化学作用或生物作用，或者是物理吸附)，使得气敏薄膜的膜层质量和导电率发生变化时，引起压电晶体的声表面波频率发生漂移；气体浓度不同，膜层质量和导电率变化程度亦不同，即引起声表面波频率的变化也不同。
传感器信号预处理模块，为了便于对传感器信号的采集，需对传感器信号进行预处理。由于选取的传感器输出参数不同，因此针对每个传感器设计信号预处理电路，主要将传感器输出信号进行流压转换，信号放大，滤波等处理。
阵列信号采集模块，从传感器信号预处理模块获取得到的信号，对信号进行采集取样，送入到计算机辅助诊断模块。
计算机辅助诊断模块(即检测模块)，主要是构建BP神经网络模型进行训练，利用模式识别算法对所得的信号进行处理，从而达到呼气组分气体成分的检测。
在本实施例2中，所述的系统还可以包括预测结果输出模块，主要是根据判断的气体成分，经提前输入的算法对所产生气体成分的浓度、组成进行识别。
在本实施例2中，利用上述系统实现了对所产生气体成分的浓度、组成进行了识别，根据识别结果可判断是否具有肺癌症状，如果有，则判断肺癌是早期、中期还是晚期，同时给出建议报告传送到诊断医生处，医生根据自己的临床经验结合诊断报告给出最终意见。
本实施例2中，如图5所示，所述的气敏传感器主要包括：气体扩散屏障层、电解质、感应电极、分离器、参比电极、对电级、集流器、传感器针脚，主要是用来接收来自气体收集模块的气体，用于信号的转换。
所述的传感器信号预处理模块主要包括：预处理电路、存储器、滤波器、A/D转换电路。
传感器信号预处理模块接受来自气敏传感器的感知信号，把信号进行预处理，把处理过的信号送入阵列信号采集模块，进行下一步的信号提取与处理。
阵列信号采集模块，接受来自传感器信号预处理模块的信号，对信号进一步采集处理，得到理想信号，能够用算法进行识别。
计算机辅助诊断模块主要是利用BP神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出，得到各气体的组分的结果。
BP神经网络一般都选择多层前向神经网络的结构作为基本框架。BP网络通常包括输入层、输出层和隐含层三部分。
输入变量从输入层进入网络，经过归一化处理后乘上权重传到隐含层。隐含层经过与权值和阈值作用后到达激励函数，经过激励函数的运算后传输到输出层。
再计算输出值和期望值的误差，并反向传播该误差，然后一步步地改变阈值和权值，最终达到网络的真实输出值逐步向期望输出值趋近的目的。
各层神经元处于完全连接的状态，而处于同一层的神经元处于无连接的状态，网络运算的过程大体分为两个步骤：第一个步骤是网络的训练，第二个步骤则是已知训练好的网络来对输入的待测变量进行预测，得出一个预测的映射值。
BP网络实际上是一个利用最陡坡降法求最小的误差函数的最优化过程，其精髓在于误差的逆传播，通过迭代的方式直到网络的误差得到最优解。
如图2所示，神经网络拓扑结构主要包括：输入层、隐藏层、输出层。
结合图1、图2、图3、图4，在本实施例2中，利用上述的基于神经网络的早期肺癌呼气组分检测识别系统，进行肺癌诊断的步骤如下：
步骤1：使用气体收集模块，收集人体呼出的气体，把所得的气体存储，保证在无其他条件的干扰下进行，然后把气体送入气敏传感器模块。
步骤2：气敏传感器模块接收到来自气体收集模块的气体，然后压电晶体表面的气敏薄膜与待测气体发生作用，使得器皿薄膜质量和导电率发生变化，引起压电晶体的表面声波频率发生飘移，从而产生波的信号。
步骤3：在步骤2的基础上，为了便于对传感器信号的采集，需对传感器信号进行预处理。由于选取的传感器输出参数不同，因此针对每个传感器设计信号预处理电路，主要将传感器输出信号进行流压转换，信号放大，滤波等处理。
步骤4：阵列信号采集主要是采集传感器信号预处理模块处理过后的信号，把所得到的信号送入计算机辅助诊断模块。
步骤5：如图2所示，神经网络拓扑结构是输入变量从输入层进入网络，经过归一化处理后乘上权重传到隐含层。隐含层经过与权值和阈值作用后到达激励函数，经过激励函数的运算后传输到输出层。再计算输出值和期望值的误差，并反向传播该误差，然后一步步地改变阈值和权值，最终达到网络的真实输出值逐步向期望输出值趋近的目的。
步骤6：如图3所示，神经网络的BP算法主要步骤为：
1、数据表达和特征提取；
2、定义神经网络的结构；
3、训练神经网络的参数；
4、使用训练好的神经网络预测未知数据；
步骤7：计算机辅助诊断模块就是按照步骤5、步骤6得到最终气体成分，然后送入到预测结果输出模块。
步骤8：预测结果输出模块是获取气体成分，然后经过提前输入的算法对所产生气体成分的浓度、组成进行识别并判断是否具有肺癌症状(将得到的呼出气体图像与正常人体呼出气体图像对比，肺癌VOCs进行比较)，如果有，则判断肺癌是早期、中期还是晚期，同时给出建议报告传送到诊断医生处，医生根据自己的临床经验结合诊断报告给出最终意见。
本实施例中，经过提前输入的算法对所产生气体成分的浓度、组成进行识别为：采用Xavier方法初始化神经网络参数，利用拥有两个隐含层的深层BP神经网络对气体进行识别。利用线性整流函数ReLU函数作为神经网络的激励函数，利用Adam法优化神经网络。ReLU函数公式如下：
Adam法算法过程如下：
mt＝βmt-1+(1-β1)gt.
其中，t：为时间步，初始化为0；mt：对梯度的一阶矩估计；β1：一阶矩的指数衰减率；t:为时间步；gt：时间步为t时的梯度；vt：对梯度的二阶矩估计；vt-1：时间步为t-1时二阶矩估计；β2：二阶矩的指数衰减率；
对mt的校正；m：对梯度的一阶矩估计；
β1的t次幂；
β2的t次幂；θt+1：时间步为t+1时要更新的参数；θt：时间步为t时要更新的参数；η：学习率；
对vt的校正；ε：为了维持数值稳定性而添加的参数。
综上所述，本发明实施例所述的基于神经网络的早期肺癌呼气组分检测识别系统，主要包括人体呼出气体的收集模块、气敏传感器模块、传感器信号预处理模块、阵列信号采集模块、计算机辅助诊断模块。利用气体收纳袋把人体呼出气体进行收集，把收集的气体通过气敏传感器模块，检测出是哪种气体信号，然后把得到的信号送入传感器信号预处理模块，此时的信号经过预处理后变为正常可采集信号，送入信号采集模块，最终到达计算机辅助诊断模块进行模式识别得到气体成分组成。该检测系统可以准确分析出气体成分，利用神经网络算法可以是精准度提高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于，包括：
气体收集模块，用于对呼出气体的收集与存储，且与外界隔离；
气敏传感器模块，用于感知气体收集模块输出的气体，将气体信息转换为电信号；
传感器信号预处理模块，对气敏传感器模块的输出信号进行流压转换、信号放大、滤波处理；
阵列信号采集模块，对传感器信号预处理模块的输出信号，进行采集取样，获取阵列信号，送入到检测模块；
检测模块，用于利用训练好的BP神经网络模型，对所得的阵列信号进行处理，得到呼气组分成分的检测识别结果。
2.根据权利要求1所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于，所述气敏传感器模块包括由多个气敏传感器组成的传感器阵列，用于采集气体信息。
3.根据权利要求2所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于，所述气敏传感器包括：气体扩散屏障层、电解质、感应电极、分离器、参比电极、对电级、集流器、传感器针脚。
4.根据权利要求1所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于，所述的传感器信号预处理模块包括：
依次连接的流压转换电路、信号放大电路、滤波器、存储器以及A/D转换电路。
5.根据权利要求1所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于，所述训练好的BP神经网络模型的训练包括：
构建基础BP神经网络，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出，得到各气体的组分的结果，获得训练好的BP神经网络模型。
6.根据权利要求5所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于：BP神经网络模型的训练中，利用最陡坡降法求解最小误差函数，进行网络的最优化，通过迭代的方式直到网络的误差最小，得到最优解。
7.根据权利要求6所述的基于神经网络的早期肺癌呼气组分检测识别系统，其特征在于：
选择多层前向神经网络的结构作为基本框架，包括输入层、输出层和隐含层；
输入变量从输入层进入网络，经过归一化处理后乘上权重传到隐含层；隐含层经过与权值和阈值作用后到达激励函数，经过激励函数的运算后传输到输出层；
计算输出值和期望值的误差，并反向传播该误差，进行阈值和权值的更新调整，直至输出值逐步向期望输出值趋近。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110895735.5A CN113823403A (zh) | 2021-08-05 | 2021-08-05 | 基于神经网络的早期肺癌呼气组分检测识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110895735.5A CN113823403A (zh) | 2021-08-05 | 2021-08-05 | 基于神经网络的早期肺癌呼气组分检测识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113823403A true CN113823403A (zh) | 2021-12-21 |
Family
ID=78912952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110895735.5A Pending CN113823403A (zh) | 2021-08-05 | 2021-08-05 | 基于神经网络的早期肺癌呼气组分检测识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113823403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114527241A (zh) * | 2022-02-21 | 2022-05-24 | 同济大学 | 一种小波变换-胶囊神经网络级联型气体识别方法和装置 |
Citations (3)
| 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 |
| CN106841325A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于半导体气敏传感器阵列检测呼出气体装置 |
| CN110880369A (zh) * | 2019-10-08 | 2020-03-13 | 中国石油大学(华东) | 基于径向基函数神经网络的气体标志物检测方法及应用 |
-
2021
- 2021-08-05 CN CN202110895735.5A patent/CN113823403A/zh active Pending
Patent Citations (3)
| 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 |
| CN106841325A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于半导体气敏传感器阵列检测呼出气体装置 |
| CN110880369A (zh) * | 2019-10-08 | 2020-03-13 | 中国石油大学(华东) | 基于径向基函数神经网络的气体标志物检测方法及应用 |
Non-Patent Citations (3)
| Title |
|---|
| 李成勇、钟馨怡等编著: "《新一代信息技术》", 30 November 2020, 西南交通大学出版社, pages: 53 * |
| 路玉凤等: ""基于传感器的果蔬品质检测研究"", 《物流科技》, pages 38 - 44 * |
| 马冬玲，杨莉主编: "《传感器与检测技术》", 31 March 2020, 苏州大学出版社, pages: 153 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114527241A (zh) * | 2022-02-21 | 2022-05-24 | 同济大学 | 一种小波变换-胶囊神经网络级联型气体识别方法和装置 |
| CN114527241B (zh) * | 2022-02-21 | 2023-08-04 | 同济大学 | 一种小波变换-胶囊神经网络级联型气体识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
| CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
| Bhaskar et al. | Time series classification-based correlational neural network with bidirectional LSTM for automated detection of kidney disease | |
| CN110731773B (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN101278304A (zh) | 特征选择 | |
| CN107169284A (zh) | 一种生物医学关键属性选择方法 | |
| CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
| CN110148466A (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
| CN113436726B (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
| CN113823403A (zh) | 基于神经网络的早期肺癌呼气组分检测识别系统 | |
| CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
| CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| Parte et al. | Non-invasive method for diabetes detection using CNN and SVM classifier | |
| Bhaskar et al. | An approach for analysis and prediction of CKD using deep learning architecture | |
| Sari et al. | Best performance comparative analysis of architecture deep learning on ct images for lung nodules classification | |
| 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 | |
| CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
| Kumar et al. | Identification of Pneumonia in Corona Virus Patient | |
| CN115089147A (zh) | 一种血压测量装置 | |
| CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
| CN113963806A (zh) | 一种新冠肺炎筛查方法及筛查系统 | |
| CN109492690B (zh) | 一种基于卷积神经网络检测ct图像的方法 | |
| Musa et al. | Learning from Small Datasets: An Efficient Deep Learning Model for Covid-19 Detection from Chest X-ray Using Dataset Distillation Technique |
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 |