CN114137158B - 一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 - Google Patents
一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 Download PDFInfo
- Publication number
- CN114137158B CN114137158B CN202111320956.6A CN202111320956A CN114137158B CN 114137158 B CN114137158 B CN 114137158B CN 202111320956 A CN202111320956 A CN 202111320956A CN 114137158 B CN114137158 B CN 114137158B
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- exhaled
- data
- gas
- 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
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 76
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 76
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 title claims abstract description 25
- 239000012855 volatile organic compound Substances 0.000 title claims abstract description 19
- 239000000090 biomarker Substances 0.000 claims abstract description 24
- 239000003550 marker Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000926 separation method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 23
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 22
- IMNFDUFMRHMDMM-UHFFFAOYSA-N N-Heptane Chemical compound CCCCCCC IMNFDUFMRHMDMM-UHFFFAOYSA-N 0.000 claims description 22
- 239000012528 membrane Substances 0.000 claims description 9
- 239000011148 porous material Substances 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 42
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000004964 aerogel Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013276 bronchoscopy Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000002549 cytobiological effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000005543 nano-size silicon particle Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003955 neuronal function Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000005502 peroxidation Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- BFKJFAAPBSQJPD-UHFFFAOYSA-N tetrafluoroethene Chemical group FC(F)=C(F)F BFKJFAAPBSQJPD-UHFFFAOYSA-N 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 229940045860 white wax Drugs 0.000 description 1
Classifications
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于肺癌早期筛查装置领域，提供了一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其包括呼出气体获取部，其用于获取定量呼出气体；标记物分离部，其用于从所述定量呼出气体中分离出有机肺癌特异性生物标记物；气体检测部，其用于检测所述定量呼出气体的温度和湿度以及分离的所述的有机肺癌特异性生物标记物的浓度；数据处理部，其用于基于模糊加权因子将所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度进行融合，将融合后的数据与预设肺癌阈值数据比较，若前者大于后者，则判定呼出气体者为疑似肺癌患者，否则判定呼出气体者为非肺癌患者。
Description
技术领域
本发明属于肺癌早期筛查装置领域，尤其涉及一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
对于肺癌的诊断主要为X射线或胸片检查、CT、核磁共振、氟脱氧葡萄糖正电子发射计算机体层扫描、痰脱落细胞检查、浆膜腔穿刺和胸膜活检、支气管镜检查、经皮胸部病灶穿刺和胸腔镜等等，但是发明人发现，这些检测不能符合对肺癌的早期发现、早期诊断和早期治疗，同时也不能满足现在对于无创检测和治疗的要求。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其结合呼出气体的特征挥发性有机物浓度和呼出气体的物理性质，能够实现无创筛查且提高肺癌早期的发现率和准确性。
为了实现上述目的，本发明采用如下技术方案：
一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其包括：
呼出气体获取部，其用于获取定量呼出气体；
标记物分离部，其用于从所述定量呼出气体中分离出有机肺癌特异性生物标记物；
气体检测部，其用于检测所述定量呼出气体的温度和湿度以及分离的所述的有机肺癌特异性生物标记物的浓度；
数据处理部，其用于基于模糊加权因子将所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度进行融合，将融合后的数据与预设肺癌阈值数据比较，若前者大于后者，则判定呼出气体者为疑似肺癌患者，否则判定呼出气体者为非肺癌患者。
作为一种实施方式，所述呼出气体获取部为固定体积的盒体结构。
作为一种实施方式，所述盒体结构的两个相对的侧面上分别设置有第一阀门和第二阀门，所述第一阀门与第一导气管相连，所述第二阀门通过第二导气管与标记物分离部相连。
作为一种实施方式，所述标记物分离部包括具有待分离的有机肺癌特异性生物标记物分子大小的孔径膜。
作为一种实施方式，所述气体检测部包括温度传感器、湿度传感器和浓度传感器，所述温度传感器和湿度传感器设置在呼出气体获取部，所述浓度传感器设置在标记物分离部。
作为一种实施方式，所述温度传感器、湿度传感器和浓度传感器的数量分别至少为3个。
作为一种实施方式，所述数据处理部用于在接收到所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度之后，还进行剔除离异值的预处理。
作为一种实施方式，所述数据处理部内嵌入有预先训练完成的肺癌早期筛查模型，所述肺癌早期筛查模型用于融合数据以及识别呼出气体者是否为肺癌患者。
作为一种实施方式，所述肺癌早期筛查模型为BP神经网络模型。
作为一种实施方式，所述有机肺癌特异性生物标记物包括庚烷和乙醇。
与现有技术相比，本发明的有益效果是：
本发明的肺癌早期筛查装置，利用呼出气体获取部获取定量呼出气体，利用标记物分离部，从所述定量呼出气体中分离出有机肺癌特异性生物标记物，在根据气体检测部所检测的所述定量呼出气体的温度和湿度及分离的所述的有机肺癌特异性生物标记物的浓度传送至数据处理部进行基于模糊加权因子的数据融合，利用融合后的数据与预设肺癌阈值数据比较，判定呼出气体者为疑似肺癌患者或为非肺癌患者，利用了呼出气体的气体温度和湿度物理信息，再结合呼出气体的特征挥发性有机物浓度信息进行综合筛查，这样降低了因某些特殊因素而导致的假阳性现象，降低了误诊率，提高了肺癌发现率，从而提高了肺癌早期筛查的准确性，实现了肺癌的无创筛查。
本发明附加方面的优点将在下面的描述中部分给出，部分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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例的基于呼出气体挥发性有机物检测的肺癌早期筛查装置的结构示意图；
图2为本发明实施例中呼出气体获取部结构示意图；
图3为本发明实施例的数据处理部的数据处理的流程图；
图4为本发明实施例中BP神经网络模型示意图；
图5为本发明实施例中BP神经网络训练过程及算法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
参照图1，本实施例提供了一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其具体包括如下结构呼出气体获取部11、标记物分离部12、气体检测部13和数据处理部14。
具体地，呼出气体获取部11用于获取定量呼出气体。
如图2所示，本实施例的所述呼出气体获取部为固定体积的盒体结构111。
在具体实施过程中，所述盒体结构111的两个相对的侧面上分别设置有第一阀门和第二阀门，所述第一阀门与第一导气管112相连，所述第二阀门通过第二导气管113与标记物分离部相连。
需要说明的是，盒体结构111的材质可为聚四氟乙烯为材料，也可采用其他材料构成。
其中，以四氟乙烯作为单体聚合制得的高分子聚合物。白色蜡状、半透明、耐热、耐寒性优良，可在-180～260℃长期使用。这种材料具有抗酸抗碱、抗各种有机溶剂的特点，几乎不溶于所有的溶剂。可以保证呼出有机物气体化学性质的稳定。
在一个或多个实施例中，盒体结构111的外部包上气凝胶毡。气凝胶毡是以纳米二氧化硅或金属类气凝胶为主体材料，通过特殊工艺同碳纤维或陶瓷玻璃纤维棉或预氧化纤维毡复合而成的柔性保温毡。其特点是导热系数低，有一定的抗拉及抗压强度，属于新型的管道保温材料。可以保证呼出有机物气体物理性质的稳定。
其中，第一阀门和第二阀门可以感应气体流速，从而控制定量气体获取单元中的气体流速，使其不影响气体温度与湿度的测量。
具体地，标记物分离部12用于从所述定量呼出气体中分离出有机肺癌特异性生物标记物。
作为一种实施方式，所述标记物分离部12包括具有待分离的有机肺癌特异性生物标记物分子大小的孔径膜。
在一个或多个实施例中，标记物分离部12为以分子大小为孔径的双层过滤结构，具体结构为：一层以庚烷大小为孔径的膜，两层以乙醇大小为孔径的膜将该装置分为四个单元，并且分子半径大的膜安装在前部。每个单元都有气体浓度传感器，且第二、三单元可以将气体含量数据自动化传出。
肺癌病人呼出气体中具有某些与正常人有差异的特征挥发性有机化合物成分，这些气体的差异通过一定的临床试验是可以检测出来的，细胞学生物研究指出，肿瘤的生长往往伴随着基因或蛋白质的改变，这可能会导致细胞膜发生过氧化反应，进而影响挥发性有机物的排放。已有的气相色谱研究表明，一些挥发性有机化合物在癌症患者呼出气中的浓度与健康人呼气中的浓度相差很大，比如庚烷或乙醇，这些气体可以作为肺癌的特征标志性。
因此，在本实施例中，所述有机肺癌特异性生物标记物选择庚烷和乙醇。
在其他可选实施例中，该以分子大小为孔径的双层过滤结构持续通氮气(可以比庚烷和乙醇大小小的不影响对庚烷与乙醇气体浓度测定的气体)，有利于将所有的庚烷和乙醇吹入到对应单元进行测量。
具体地，气体检测部13用于检测所述定量呼出气体的温度和湿度以及分离的所述的有机肺癌特异性生物标记物的浓度。
其中，所述气体检测部包括温度传感器、湿度传感器和浓度传感器，所述温度传感器和湿度传感器设置在呼出气体获取部，所述浓度传感器设置在标记物分离部。
其中，温度传感器可以使用微型灵敏温度计直接测温法、微型热电偶温度计、微型热电阻温度计等；湿度传感器可以使用微型气体湿度检测仪等。
在本实施例中，所述温度传感器、湿度传感器和浓度传感器的数量分别至少为3个。
具体地，数据处理部14用于基于模糊加权因子将所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度进行融合，将融合后的数据与预设肺癌阈值数据(其中，该预设肺癌阈值数据为试验值)比较，若前者大于后者，则判定呼出气体者为疑似肺癌患者，否则判定呼出气体者为非肺癌患者。
作为一种实施方式，所述数据处理部14用于在接收到所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度之后，还进行剔除离异值的预处理。
在具体实施中，进行剔除离异值的预处理的过程为：
对获取到的N个数据按从小到大进行排序，得到的测量序列：X1，X2,X3，......XN；其中X1为下极限，XN为上极限。
定义中位值XM：
当N＝2k+1时，XM＝X(N+1)/2；
当N＝2k时，XM＝(XN/2+XN/2+1)/2；
在分位图中上四分位数FM和下四分位数FT的定义区间分别为区间[XM,XN]中位数与区间[X1,XM]的中位数。
四分位数的离散度dF＝FN-Ft。其中，FN和Ft均是这组数据的最大值和最小值，若定义与中位数的距离大于βdF的值，即为离异值。也就是位于|TT-TM|>βdF区间的数它是无效的数据，相应的无效点是ρ1＝Ft-β/2dF，ρ2＝FN+β/2dF，其中β为常数，他的大小应参考实际系统要求的精度而定，通常取1，2等值。区间[ρ1,ρ2]内的数据是有效的数据，将会被送入至数据处理部进行数据融合处理。TT为下分位数据最小值，TM为中位数。
本实施例的图3中，采用多传感器进行融合，在空间上,即使有传感器不能正常工作时，还是能获得比较准确的结果。在时间上，对不同时刻获得的数据进行融合，可获得全面准确的当前信息。在对整体做融合时，需要对来源于局部融合出来的多个数据进行重新组合，最后得到最终的决定。局部对单个因子的融合采用Bayesian参数估计的多传感器数据融合算法，最后输出融合结果。
局部对单个环境因子的融合：
同一性质的不同传感器对同一参数μ的n个观测值为：x1,x2,…,xn则每一个传感器的观测值可表示为xi＝μ+ξi,i＝1,2,…,n,ξi为随机误差,它们相互独立,且ξi～N(0,σ2),取观测值的算术平均来估计μ，即则μ的方差为/>其中/>
基本概率分配：
由于温度传感器、湿度传感器、浓度传感器所得的单个因子融合后的数据可信度不同，其可信度为：浓度>温度>湿度，因此可通过添加模糊加权值使诊断结果更科学，模糊加权值分别设为浓度0.55，温度0.35，湿度0.15。即将单个环境因子融合后的数据分别乘以相应的加权值，得到最终的局部融合数据。
在其他实施例中，模糊加权值可根据实际情况，本领域技术人员进行对应设置。
在一些实施方式中，所述数据处理部内嵌入有预先训练完成的肺癌早期筛查模型，所述肺癌早期筛查模型用于融合数据以及识别呼出气体者是否为肺癌患者。
例如：所述肺癌早期筛查模型为BP神经网络模型。
全局融合中心主要采用BP神经算法和模糊控制理论对呼出气体的温度、湿度和特征性标志物浓度这三个主要因子进行融合。根据查阅资料可知34摄氏度为肺癌临界值及庚烷和乙醇判断肺癌的浓度值并对经过局部融合的数据做概率分配。经融合后，将全局融合结果输出，对是否患有肺癌做出精确的判断。
本实施例的三层BP神经网络如图4所示，当中输入层、隐含层、输出层的神经元的节点数目分别为8，10,1。BP网络模型，其中i＝8、j＝10、k＝1.输入层和输出层的神经元作用函数均为线性函数；隐含层的神经元作用函数均为S型函数tansig。
如图5所示，BP神经网络模型的输入因子的选择及网络构建步骤如下：
(1)输入因子的选取：肺癌可以通过呼出气体的温度、湿度以及其中庚烷与乙醇浓度进行早期诊断；
(2)神经网络的搭建，有4个基本的步骤：
①网络建立。通过函数newff实现，由具体情况确定输入层、隐含层、输出层的神经元数目分别为8,10,1。
②初始化。由init函数来完成，当newff创建网络对象的时，自动调动初始化函数init。
③网络训练。由traind函数来完成。
④网络仿真。它是函数sim完成，使用训练好的网络，对采集到的数据样本进行仿真。
网络训练以及结果的输出:BP网络他是由两部分组成，分别是由正向和反向传播，在正向传播中，每层神经元的状态只对下层神经元的状态有影响，当输出层得不到期望的输出值，就进行误差的反向传播。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其特征在于，包括：
呼出气体获取部，其用于获取定量呼出气体；
标记物分离部，其用于从所述定量呼出气体中分离出有机肺癌特异性生物标记物；
气体检测部，其用于检测所述定量呼出气体的温度和湿度以及分离的所述的有机肺癌特异性生物标记物的浓度；
数据处理部，其用于基于模糊加权因子将所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度进行融合，将融合后的数据与预设肺癌阈值数据比较，若前者大于后者，则判定呼出气体者为疑似肺癌患者，否则判定呼出气体者为非肺癌患者；
其中，所述标记物分离部包括具有待分离的有机肺癌特异性生物标记物分子大小的孔径膜；
所述有机肺癌特异性生物标记物包括庚烷和乙醇；
所述标记物分离部为以分子大小为孔径的双层过滤结构，具体结构为：一层以庚烷大小为孔径的膜，两层以乙醇大小为孔径的膜将该装置分为四个单元，并且分子半径大的膜安装在前部；每个单元都有气体浓度传感器，且第二、三单元可以将气体含量数据自动化传出；
所述数据处理部用于在接收到所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度之后，还进行剔除离异值的预处理；
进行剔除离异值的预处理的具体过程为：
对获取到的N个数据按从小到大进行排序，得到的测量序列：X1，X2，X3，......XN；其中X1为下极限，XN为上极限；
定义中位值XM：
当N＝2k+1时，XM＝X(N+1)/2；
当N＝2k时，XM＝(XN/2+XN/2+1)/2；
在分位图中上四分位数FM和下四分位数FT的定义区间分别为区间[XM,XN]中位数与区间[X1,XM]的中位数；
四分位数的离散度dF＝FN-Ft；
其中，FN和Ft均是这组数据的最大值和最小值，若定义与中位数的距离大于βdF的值，即为离异值；
所述数据处理部融合所述定量呼出气体的温度、湿度及所述的有机肺癌特异性生物标记物的浓度数据，是采用多传感器进行融合，包括局部对单个环境因子的融合以及全局融合，在进行全局融合时，需要对多个局部融合数据进行重新组合，最后得到全局融合结果；
所述局部对单个因子的融合采用Bayesian参数估计的多传感器数据融合算法，将单个环境因子融合后的数据分别乘以相应的加权值，得到最终的局部融合数据；
所述全局融合采用BP神经网络对呼出气体的温度、湿度和特征性标志物浓度这三个主要因子进行融合，经融合后，将全局融合结果输出，对是否患有肺癌做出精确的判断。
2.如权利要求1所述的基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其特征在于，所述呼出气体获取部为固定体积的盒体结构。
3.如权利要求2所述的基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其特征在于，所述盒体结构的两个相对的侧面上分别设置有第一阀门和第二阀门，所述第一阀门与第一导气管相连，所述第二阀门通过第二导气管与标记物分离部相连。
4.如权利要求1所述的基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其特征在于，所述气体检测部包括温度传感器、湿度传感器和浓度传感器，所述温度传感器和湿度传感器设置在呼出气体获取部，所述浓度传感器设置在标记物分离部。
5.如权利要求4所述的基于呼出气体挥发性有机物检测的肺癌早期筛查装置，其特征在于，所述温度传感器、湿度传感器和浓度传感器的数量分别至少为3个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111320956.6A CN114137158B (zh) | 2021-11-09 | 2021-11-09 | 一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111320956.6A CN114137158B (zh) | 2021-11-09 | 2021-11-09 | 一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114137158A CN114137158A (zh) | 2022-03-04 |
| CN114137158B true CN114137158B (zh) | 2023-10-31 |
Family
ID=80392537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111320956.6A Active CN114137158B (zh) | 2021-11-09 | 2021-11-09 | 一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114137158B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1647756A (zh) * | 2005-01-26 | 2005-08-03 | 浙江大学 | 用于诊断早期肺癌的呼吸检测方法及其设备 |
| CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
| CN102326078A (zh) * | 2009-01-09 | 2012-01-18 | 技术研究及发展基金有限公司 | 包括含有涂覆的导电纳米颗粒的传感器阵列的通过呼气检测癌症 |
| CN102435481A (zh) * | 2011-12-02 | 2012-05-02 | 浙江清华长三角研究院 | 一种用于环境中挥发性有机物快速检测的电子鼻的预处理装置 |
| CN102798658A (zh) * | 2012-07-20 | 2012-11-28 | 浙江大学 | 血清中低丰度低分子量蛋白的分析方法 |
| 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 |
| CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
| CN112526008A (zh) * | 2020-11-16 | 2021-03-19 | 暨南大学 | 肺癌诊断的特征物及其筛选方法和应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101970692B (zh) * | 2008-03-14 | 2017-02-01 | 基因特力株式会社 | 使用肺癌特异性甲基化标记基因检测肺癌的方法 |
-
2021
- 2021-11-09 CN CN202111320956.6A patent/CN114137158B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1647756A (zh) * | 2005-01-26 | 2005-08-03 | 浙江大学 | 用于诊断早期肺癌的呼吸检测方法及其设备 |
| CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
| CN102326078A (zh) * | 2009-01-09 | 2012-01-18 | 技术研究及发展基金有限公司 | 包括含有涂覆的导电纳米颗粒的传感器阵列的通过呼气检测癌症 |
| CN102435481A (zh) * | 2011-12-02 | 2012-05-02 | 浙江清华长三角研究院 | 一种用于环境中挥发性有机物快速检测的电子鼻的预处理装置 |
| CN102798658A (zh) * | 2012-07-20 | 2012-11-28 | 浙江大学 | 血清中低丰度低分子量蛋白的分析方法 |
| 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 |
| CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
| CN112526008A (zh) * | 2020-11-16 | 2021-03-19 | 暨南大学 | 肺癌诊断的特征物及其筛选方法和应用 |
Non-Patent Citations (3)
| Title |
|---|
| 基于人工智能的温湿度补偿方法在气体测量中的应用;李富荣 等;《测控技术》;20031231;第22卷(第11期);第25-27页 * |
| 赵广元 编著.MATLAB与控制系统仿真实践（第3版）.北京航空航天大学出版社,2016,第67-68页. * |
| 陈克兴 等主编.设备状态监测与故障诊断技术.科学技术文献出版社,1991,第532-533页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114137158A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kononov et al. | Online breath analysis using metal oxide semiconductor sensors (electronic nose) for diagnosis of lung cancer | |
| Hashoul et al. | Sensors for detecting pulmonary diseases from exhaled breath | |
| Montuschi et al. | The electronic nose in respiratory medicine | |
| CN103518130B (zh) | 生物体气体检测装置及生物体气体检测方法 | |
| Nurputra et al. | Fast and noninvasive electronic nose for sniffing out COVID-19 based on exhaled breath-print recognition | |
| CN106202968B (zh) | 癌症的数据分析方法及装置 | |
| Liu et al. | Lung cancer detection via breath by electronic nose enhanced with a sparse group feature selection approach | |
| US20220412974A1 (en) | Pathogen Detection Using A Sensor Array | |
| Binson et al. | Design and development of an e-nose system for the diagnosis of pulmonary diseases. | |
| Yang et al. | Diagnostic accuracy of breath tests for pneumoconiosis using an electronic nose | |
| Gharra et al. | Exhaled breath diagnostics of lung and gastric cancers in China using nanosensors | |
| Thaler et al. | Medical applications of electronic nose technology: review of current status | |
| Tenero et al. | Electronic nose in discrimination of children with uncontrolled asthma | |
| JP2024511897A (ja) | 被験体の疾患をスクリーニングするためのシステム、方法及び装置 | |
| Gębicki et al. | Identification of odor of volatile organic compounds using classical sensory analysis and electronic nose technique | |
| CN114137158B (zh) | 一种基于呼出气体挥发性有机物检测的肺癌早期筛查装置 | |
| Mohamed et al. | Volatile organic compounds of biofluids for detecting lung cancer by an electronic nose based on artificial neural network. | |
| Mansour et al. | Correction factors for estimating potassium concentrations in samples with in vitro hemolysis: a detriment to patient safety | |
| CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| CN105388256A (zh) | 呼出气中呼吸与循环系统气体分子浓度的测量方法 | |
| Benkstein et al. | Microsensors in dynamic backgrounds: Toward real-time breath monitoring | |
| US11740171B2 (en) | Open-ended hollow coaxial cable resonator sensor | |
| Guo et al. | Diabetes identification and classification by means of a breath analysis system | |
| CN113823403A (zh) | 基于神经网络的早期肺癌呼气组分检测识别系统 | |
| RU2707099C1 (ru) | Способ скрининга злокачественных опухолей органов грудной полости |
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 |