TWI458464B - 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 - Google Patents
可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 Download PDFInfo
- Publication number
- TWI458464B TWI458464B TW101103310A TW101103310A TWI458464B TW I458464 B TWI458464 B TW I458464B TW 101103310 A TW101103310 A TW 101103310A TW 101103310 A TW101103310 A TW 101103310A TW I458464 B TWI458464 B TW I458464B
- Authority
- TW
- Taiwan
- Prior art keywords
- gas
- identification
- unknown
- tested
- data
- Prior art date
Links
- 206010035664 Pneumonia Diseases 0.000 title claims description 47
- 238000000034 method Methods 0.000 title claims description 31
- 239000007789 gas Substances 0.000 claims description 274
- 238000012549 training Methods 0.000 claims description 38
- 238000010897 surface acoustic wave method Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 229920001940 conductive polymer Polymers 0.000 claims description 13
- 239000003575 carbonaceous material Substances 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 10
- 238000013530 stochastic neural network Methods 0.000 claims description 9
- 239000002322 conducting polymer Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 229920000642 polymer Polymers 0.000 claims description 6
- 229910021420 polycrystalline silicon Inorganic materials 0.000 claims description 5
- 229920005591 polysilicon Polymers 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000001179 sorption measurement Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 1
- 239000000725 suspension Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 18
- 241000894006 Bacteria Species 0.000 description 7
- 230000001580 bacterial effect Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 206010010904 Convulsion Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 239000002861 polymer material Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 241000588748 Klebsiella Species 0.000 description 1
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 1
- 241000191940 Staphylococcus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002114 nanocomposite Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- SIWVEOZUMHYXCS-UHFFFAOYSA-N oxo(oxoyttriooxy)yttrium Chemical compound O=[Y]O[Y]=O SIWVEOZUMHYXCS-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- 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
- G01N33/4975—Physical analysis of biological material of gaseous biological material, e.g. breath other than oxygen, carbon dioxide or alcohol, e.g. organic vapours
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本發明係有關於一種用於氣體辨識的電子裝置，特別是有關於一種具備能夠辨識混合氣體種類的微型化氣體辨識晶片，來早期檢測並辨識病人所感染之肺炎種類的呼吸器。
重症病患在進入加護病房後，經常需要接受插管以及使用呼吸器，如此，病人的呼吸道就很容易受到感染，進而引發肺炎，發生這種情況的比率可能高達80%以上。這些細菌有很多已經具有抗藥性，故治療上更加的困難。
當病人出現肺炎的症狀時，醫療人員則會幫病人照胸部X光、抽血、抽痰並進行分子生物學的細菌培養。然而，即使醫療人員已由抽血、抽痰及胸部X光確認病人已經感染肺炎，引發肺炎的菌種還是要等待細菌培養的結果才能確定，而細菌培養需要至少五天的時間，這對分秒必爭的重症病患來說是一段很長的時間。由於現行的醫療技術中缺乏能夠即時診斷病人感染的肺炎種類的儀器，醫師常需要在細菌培養的結果尚未出來前就必須要先對病人
用藥。然而，引發肺炎的細菌至少有十餘種(如綠膿桿菌、克雷式桿菌、AB菌及葡萄球菌等)，而不同的菌種所對應的藥是不同的。因此，在細菌培養的結果尚未出來前，醫師僅能根據自己的經驗法則來決定使用哪一種藥物，直到細菌培養的結果後，若是藥用得不對，再幫病人換藥。病人由於前述醫療上無可避免的延宕，導致病人在加護病房的時間延長，故增加病人院內感染，甚至致死的機率。因此，如何提出一種電子裝置，能夠即時地偵測並診斷出病人所感染的肺炎種類，即為本發明所欲解決的問題。
有鑑於上述習知技藝之問題，本發明之目的就是在提供一種可早期偵測並辨識肺炎種類的呼吸器、其氣體辨識晶片及其氣體辨識方法，以解決習知技藝之醫療檢測系統無法即時檢測出病人感染的肺炎種類的問題。
根據本發明之目的，提出一種氣體辨識晶片，係包含：一感測器陣列，係包含複數個感測器及感測薄膜，感測薄膜吸附複數種待測氣體，使各個感測器產生對應於各個待測氣體的氣味訊號；一感測器介面電路，係讀取並分析各個待測氣體的氣味訊號，以產生對應於各個待測氣體的氣體圖案訊號；一隨機類神經網路晶片，係放大各個該氣體圖案訊號之間的差異，並降低各個氣體圖案訊號的維度，以協助產生分析結果；一記憶體，係儲存訓練資料；一微控制器，係接收分析結果，並根據分析結果執行混合氣體辨識演算法來辨識待測氣體的種類，且將不存在於訓練資料的未知氣體分類，再根據訓練資料產生辨識結果。
根據本發明之目的，再提出一種氣體辨識方法，係包含下列步驟
：利用感測器陣列之感測薄膜吸附複數種待測氣體，使感測器陣列的各個感測器產生對應於各個待測氣體的氣味訊號；藉由感測器介面電路讀取並分析各個待測氣體的氣味訊號，以產生對應於各個待測氣體的氣體圖案訊號；透過隨機類神經網路晶片放大各個氣體圖案訊號之間的差異，並降低各個氣體圖案訊號的維度，以產生分析結果；由記憶體儲存氣體訓練資料；以及經由微控制器接收分析結果，並根據分析結果執行混合氣體辨識演算法來辨識待測氣體的種類，且將不存在於訓練資料的未知氣體分類，再根據訓練資料產生辨識結果。
較佳地，感測薄膜可以利用奈米孔洞碳材所構成，並將具氣體吸附能力的高分子成長於奈米孔洞碳材之孔洞中。
較佳地，當微控制器偵測到未知氣體時，微控制器可將未知氣體的資料傳送到感測器介面電路、隨機類神經網路晶片及記憶體，使氣體辨識晶片能夠有自我學習的能力。
較佳地，混合氣體辨識演算法可包含K最鄰近法(K Nearest Neighbors，KNN)、線性迴歸法(Linear Least Squares Regression)及以中位數作為臨界值的K最鄰近法(Median-Threshold KNN Classification，MTKNN)，其中，以中位數作為臨界值的K最鄰近法係先求出氣體訓練資料中各筆資料兩兩之間的距離，再找出這些距離的中位數，並利用中位數來判定待測氣體是否為未知氣體。
較佳地，感測器陣列可由導電聚合物(Conducting Polymer，CP)感測器所構成。
較佳地，導電聚合物感測器介面電路可利用單程多晶矽懸浮閘(Floating Gate)元件來儲存電荷，以減少漏電及降低電路功率。
較佳地，感測器陣列可由表面聲波(surface acoustic wave，SAW)感測器所構成。
較佳地，感測器介面電路可包含可調式震盪電路，其可根據不同表面聲波感測器來調整震盪頻率，增加使用上的彈性。
根據本發明之目的，又提出一種可早期偵測及辨識肺炎種類的呼吸器，其中此呼吸器係包含吐氣端管路及氣體辨識裝置，氣體辨識裝置係利用前述之氣體辨識晶片來分析病人由吐氣端管路中呼出的氣體以辨識肺炎的種類。
較佳地，氣體辨識裝置可直接連結於病人體外的吐氣端管路，並擷取病人呼出的氣體以進行辨識。
承上所述，依本發明之可早期偵測及辨識肺炎種類的呼吸器、其氣體辨識晶片及其氣體辨識方法，其可具有一或多個下述優點：
(1)本發明之氣體辨識晶片係使用奈米孔洞碳材來構成感測薄膜，並將具氣體吸附能力的高分子成長於該奈米孔洞碳材之孔洞中，因此能夠有效地提高氣體偵測的靈敏度、氣體選擇性及偵測極限。
(2)本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識晶片係使用隨機類神經網路晶片對氣體圖案訊號做前處理，因此能夠大幅地提高辨識的精確度，並降低系統的運算量及功耗。
(3)本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識晶片係使用具有強健性(Robustness)及適應性(Adaption)的演算法，因此可以有效地辨識混合氣體，並將未知的氣體分類。
(4)本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識晶片之感測器介面電路係利用單程多晶矽懸浮閘(Floating Gate)元件來儲存電荷，因此能夠減少漏電及降低電路功率。
(5)本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識晶片之感測器介面電路係包含可調式震盪電路，可根據不同表面聲波感測器來調整震盪頻率，因此能增加使用上的彈性。
(6)本發明利用系統單晶片的方式來實現氣體辨識晶片，因此大幅地降低氣體辨識裝置的體積，故可以整合在呼吸器上以即時偵測每一位病人所罹患的肺炎種類，以幫助醫師做出正確的診斷，也可應用於其它可攜式的電子裝置，以執行多種不同的功能。
1、6‧‧‧可早期偵測及辨識肺炎種類的呼吸器
11‧‧‧吐氣端管路
111‧‧‧病人呼出的氣體
12、62‧‧‧氣體辨識裝置
13‧‧‧氣體辨識晶片
131‧‧‧感測器陣列
132‧‧‧感測器介面電路
1321‧‧‧氣體圖案訊號
133‧‧‧隨機類神經網路晶片
1331‧‧‧分析結果
134‧‧‧記憶體
1341‧‧‧訓練資料
135‧‧‧微控制器
1351‧‧‧混合氣體辨識演算法
1352‧‧‧辨識結果
Vdd、Vcg、Vdd、Vref、Vb、Vi、Vtun‧‧‧電壓
M1、M2、Ctun、Ccg‧‧‧電晶體
fref、fin‧‧‧頻率
S71~S75‧‧‧步驟流程
第1圖係為本發明之可早期偵測及辨識肺炎種類之呼吸器之方塊圖。
第2圖係為本發明之氣體辨識晶片之以中位數作為臨界值的K最鄰近法之示意圖。
第3A圖係為本發明之氣體辨識晶片之導電聚合物感測器介面之一實施例之電路圖。
第3B圖係分別為本發明之氣體辨識晶片之導電聚合物感測器介面之一實施例之操作方式圖。
第3C圖係分別為本發明之氣體辨識晶片之導電聚合物感測器介面
之一實施例之懸浮閘元件圖。
第4A圖係為本發明之氣體辨識晶片之表面聲波感測器介面電路之可調式震盪電路之一實施例之電路圖。
第4B圖係為本發明之氣體辨識晶片之表面聲波感測器介面電路之一實施例之方塊圖。
第5圖係為本發明之氣體辨識晶片之隨機類神經網路晶片之示意圖。
第6A、6B及6C圖係為本發明之可早期偵測及辨識肺炎種類的呼吸器之一實施例之實際應用示意圖。
第7圖係為本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識方法之流程圖。
以下將參照相關圖式，說明依本發明之可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片及其氣體辨識方法之實施例，為使便於理解，下列所述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖，係為本發明之可早期偵測及辨識肺炎種類之呼吸器之方塊圖。如圖所示，可早期偵測及辨識肺炎種類之呼吸器1係包含吐氣端管路11及氣體辨識裝置12。氣體辨識裝置12係利用氣體辨識晶片13來分析病人由吐氣端管路11所呼出的混合氣體以辨識病人罹患的肺炎種類。此氣體辨識晶片13係包含感測器陣列131、感測器介面電路132、隨機類神經網路晶片133、記憶體134及微控制器135。微控制器135連結感測器介面電路132、隨機類神經網路晶片133及記憶體134並控制其運作。
感測器陣列131包含複數個感測器及感測薄膜，感測薄膜能夠吸附病人所呼出的由複數種待測氣體所組成的混合氣體，並經由感測器陣列131中的各個感測器來產生對應於各個待測氣體的氣味訊號。
較佳地，感測薄膜可利用奈米孔洞碳材所構成，並將具氣體吸附能力的高分子成長於奈米孔洞碳材之孔洞中，藉由選擇不同種類的高分子材料可以合成出更多樣化、且更高密度官能基的奈米複合材料。以這種方式達成的感測薄膜能大幅提高其氣體偵測的靈敏度、氣體選擇性及偵測極限。其中，感測器陣列可包含導電聚合物(Conducting Polymer，CP)感測器或表面聲波(surface acoustic wave，SAW)感測器。
而感測器介面電路132則讀取並分析感測器陣列所傳送而來的氣味訊號，以產生對應於各個待測氣體的氣體圖案訊號1321。其中，感測器陣列131可藉由整個陣列對於混合氣體的集體反應，並經由感測器介面電路132來產生對應於各個待測氣體的氣體圖案訊號1321。隨機類神經網路晶片133則能放大各個氣體圖案訊號1321之間的差異，並降低各個氣體圖案訊號1321的維度，以產生分析結果1331。
另外，隨機類神經網路晶片133可利用學習演算法，擷取訊號的主要特徵，進而提供一個比原始訊號維度低的輸出，以減低後端系統的運算量。
記憶體134則儲存了訓練資料1341，訓練資料1341則包含了導致肺炎的各種細菌所產生之氣體資料及其它可能出現的氣體資料。
而微控制器135則接收分析結果1331，並根據分析結果1331執行混合氣體辨識演算法1351來辨識待測氣體的種類，且將不存在於訓練資料1341的未知氣體分類，再根據訓練資料1341產生辨識結果1352。
更進一步的，當微控制器135偵測到不存在於訓練資料1341中的未知氣體時，會自動將此未知氣體分類，並且將此未知氣體的資料傳送給感測器介面電路132、隨機類神經網路晶片133及記憶體134。這樣一來，感測器介面電路132則可根據該未知氣體的資料來進行辨識，隨機類神經網路晶片133也可以根據此未知氣體的資料來重新訓練，而記憶體134之訓練資料也可以藉此來增加新的類別。
值得一提的是，由於導致肺炎的細菌生長時會產生代謝物，其中也包括氣體在內，不同的細菌之代謝物所產生的氣體也不相同，而病房內可能包含其它與肺炎無關的氣體。因此，微控制器需要執行混合氣體演算法來有效地辨識出導致肺炎之細菌所產生的氣體及與肺炎無關的氣體，再與訓練資料比對，以辨識病人所罹患的肺炎種類。本發明所提出之混合氣體演算法在混合氣體中包含未知氣體時，仍然能夠有效地辨識混合氣體中已知的各個成份，微控制器在當一未知氣體頻頻出現時，更能夠自動判斷並分類為新的類別，因此，本發明所提出的氣體辨識晶片具有強健性(Robustness)及適應性(Adaption)的特性。
較佳地，本發明之混合氣體演算法可包含K最鄰近法(K Nearest Neighbors，KNN)、線性迴歸法(Linear Least Squares Regression)及以中位數作為臨界值的K最鄰近法(
Median-Threshold KNN Classification，MTKNN)。
K最鄰近法可用於氣體訊號的初步分類，其係根據待測氣體的反應訊號與訓練資料中的氣體資料間的相似程度來辨識待測氣體的種類。若是待測氣體與訓練資料中所有的氣體資料之差值都大於一個臨界點，則系統會將此未知氣體分類為一種新的氣體並加以儲存。K最鄰近法可將待測氣體歸類到最相似的訓練氣體，以了解不同成份之混合氣體的相似性，然後以該混合氣體所在的位置，找出與其距離較近的純氣體，藉以判斷此混合氣體的成份。線性迴歸法則可用於估測混合氣體中各個成份的濃度。
請參閱第2圖，係為本發明之氣體辨識晶片之以中位數作為臨界值的K最鄰近法之示意圖。為了能夠更有效地對未知氣體做分類，氣體辨識晶片必須要有一個有效地排除機制以避免誤判，本發明提出創新的以中位數作為臨界值的K最鄰近法來判定待測氣體是否為未知氣體。以中位數作為臨界值的K最鄰近法係先求出訓練資料中的每個類別的各筆訓練資料兩兩之間的距離，然後找出這些距離的中位數做為臨界值。當執行氣體辨識時，則使用K最鄰近法找出最接近此待測氣體的K的鄰居，求出待測氣體與這K個鄰居的中位數，此中位數必須小於臨界值，若大於此臨界值則視為未知氣體。
第2圖所圖例的是K=3，class=2的分類步驟，首先需計算待測資料與所有訓練資料的距離，由於K=3，故需先找出離此待測資料最近的三個鄰居，由於待測資料的三個鄰居有二個為白色類別，因此，此待測資料被判定為白色類別，且此待測資料與3個鄰居的距離的中位數(虛線箭頭)必須小於白色類別的臨界值。
因此，本發明之混合氣體辨識演算法整合以中位數作為臨界值的K最鄰近法不但能夠準確地檢測出混合氣體中已知氣體的成份，更能夠判斷出混合氣體中未知氣體的成份，並加以分類。因此，本發明之混合氣體演算法具強健性及適應性。
請一併參閱第3A、3B及3C圖，係分別為本發明之氣體辨識晶片之導電聚合物感測器介面之一實施例之電路圖、操作方式示意圖及懸浮閘元件圖。本發明之感測器陣列可包含導電聚合物感測器。如第3A圖所示，本發明提出以單程多晶矽懸浮閘(Floating Gate)元件來取代儲存電荷使用的電容與電阻，因此可以形成一個僅由二個電晶體、一個放大器和一個懸浮閘元件的導電聚合物感測器之介面電路，可達到低功率的功耗及解決類比方式所產生的嚴重漏電現象，其電路動作則如第3B圖所示。
第3C圖則圖例了懸浮閘元件之一實施例之示意圖，此元件的控制閘是以場效電晶體電容Ccg來實現，將PMOS的源極、汲極及基極端相連，以此端點來耦合懸浮閘與通道上的電荷。並使用OD2光罩來增加氧化矽厚度(約7nm)，以增加元件的資料保久度(Data Retention)。較佳的，可使用PMOS做為操作電晶體，如此即可在較小的操作電流下，完成寫入的動作，以減少功率的消耗，並且能夠得到最佳的元件穩定度。電晶體Ctun可用來抹除懸浮閘上之電子，以較小的尺寸製作能達到較小的耦合比(Coupling Ratio)，以增加其抹除效率。圖中Metal-1為金屬層，P-IMP為P型離子佈植，OD2為厚氧化層，Poly為多晶矽。
請一併參閱第4A及4B圖，第4A圖係為本發明之氣體辨識晶片之表面聲波感測器介面電路之可調式震盪電路之一實施例之電路圖；
第4B圖係為本發明之氣體辨識晶片之表面聲波感測器介面電路之一實施例之方塊圖。本發明之感測器陣列可包含表面聲波(surface acoustic wave，SAW)感測器。由於一般的表面聲波感測器的震盪電路均設計在特定的頻率之下，因此其使用上有很大的限制。因此，本發明提出一可調式震盪電路，可根據不同表面聲波感測器來調整震盪頻率，因此能增加使用上的彈性，第4A圖則圖例了一個正回授震盪方式的可調式高頻震盪電路。
第4B圖圖例了一個表面聲波感測器介面電路之一實施例之方塊圖。較佳的，每一個表面聲波元件單位可由二個表面聲波元件所構成，這是基於電路上差動的原理，能有效地消除環境對表面聲波感測器的影響，例如壓力、溫度及溼度等等。如圖中所示，每一個表面聲波感測單元由二個表面聲波元件所組成，一個為感測元件(Sensing Element)，由指撥開關選擇；另一個為參考用元件(Reference Element)，每一個表面聲波元件均有其相應的震盪電路。上述二元件經過混頻器(Mixer)，產生頻率不同的信號fref+fin及fref-fin。經過低通濾波器(LPF)後，輸出信號只剩下fref-fin，也就是頻率改變的部份。此信號經由一比較器(Comparator)產生方波，藉由觸發頻率讀取方塊(Frequency Read Out)中的數位邏輯閘，而將頻率改變的信號輸出，以進行進一步的處理。如此可以達到低的功率及較佳的頻率解析度。
請參閱第5圖，係為本發明之氣體辨識晶片之隨機類神經網路晶片之示意圖。如圖所示，本發明將隨機類神經網路晶片整合在呼吸器的氣體辨識裝置中，隨機類神經網路晶片能夠將感測器的氣體圖案訊號做維度的降低，並放大不同種類氣體間的差異性，最
後再執行混合氣體辨識演算法，使氣體辨識裝置能夠對病房中成份複雜的混合氣體做穩健的辨識。較佳的，隨機類神經網路晶片可以整合連續值侷限型波茲曼模型(Continuous Restricted Boltzmann Machine，CRBM)，其已實現成模組化的類比晶片系統，並有數篇相關的文獻可以參考，如陳新所提出的Lu,C.C.and Chen,H.,“A Scalable and Programmable Probabilistic Generative Model in VLSI”,submitted to IEEE Trans.on Neural Networks,2010.及Lu,C.C.and Chen,H.,“Current-mode Computation with Noise in a Scalable and Programmable Probabilistic Neural VLSI System”等等。因此本發明提出以連續值侷限型波茲曼模型為基礎的隨機類神經網路晶片，並整合到應用於呼吸器的氣體辨識晶片中，使氣體辨識晶片能夠處理多雜訊且變異量大的生醫訊號。以連續值侷限型波茲曼模型對氣體訊號做前處理，能夠使穩健的放大不同類訊號的差異，並學習訊號分布的主要特徵，以得到比原始訊號維度低的輸出，有效降低後端處理器的運算量。另外，連續值侷限型波茲曼模型具備學習能力，能夠對不同感測器與氣體組成或長間使用後感測器的漂移，來適時調適模型參數以保持穩健的辨識能力。
請一併參閱第6A、6B及6C圖，係為本發明之可早期偵測及辨識肺炎種類的呼吸器之一實施例之實際應用示意圖。在第6A圖中，加護病房中的病人使用本發明之可早期偵測及辨識肺炎種類的呼吸器6來進行偵測。在第6B圖中，醫師發現病人已感染肺炎，並利用整合在呼吸器中的氣體辨識裝置62來分析病人呼出的氣體，以
判斷病人所感染的肺炎種類並立即進行治療，如圖中所示，氣體辨識裝置62可直接設置於吐氣端管路內部，亦可連結於病人體外的吐氣端管路，以擷取病人呼出的氣體以進行辨識。本發明係以系統單晶片的方式來實現氣體辨識系統，因此亦可以達到低電壓、低功耗及具辨識功能的可攜式電子裝置，如第6C圖所示。在另一方面，本發明更將氣體辨識系統整合到呼吸器中，以幫助醫師對感染肺炎的病人做最即時的診斷，因此本發明實具進步性之專利要件。較佳的，氣體辨識裝置62直接連結於病人體外的吐氣端管路，並直接擷取病人呼出的氣體以進行辨識。
更進一步的是，本發明之氣體辨識晶片更執行各種不同的氣體檢測工作。例如，用於檢測海鮮等食品的新鮮度，或檢測買到的酒是否為假酒；更可應用於檢測衣物及桌椅等用品是否包含有害的化學物質，或是公共空間中是否含有害的氣體等等；甚至可以應用於尋找天災後之罹難者的屍體，因此，本發明實具產業利用性之專利要件。
儘管前述在說明本發明之可早期偵測及辨識肺炎種類之呼吸器及其氣體辨識晶片的過程中，亦已同時說明本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識方法的概念，但為求清楚起見，以下仍另繪示流程圖詳細說明。
請參閱第7圖，係為本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識方法之流程圖。
在步驟S71中，利用感測器陣列之感測薄膜吸附複數種待測氣體，使感測器陣列的各個感測器產生對應於各個待測氣體的氣味訊
號。
在步驟S72中，藉由感測器介面電路讀取並分析各個待測氣體的氣味訊號，以產生對應於各個待測氣體的氣體圖案訊號。
在步驟S73中，透過隨機類神經網路晶片放大各個氣體圖案訊號之間的差異，並降低各個氣體圖案訊號的維度，以產生分析結果。
在步驟S74中，由記憶體儲存訓練資料。
在步驟S75中，經由微控制器接收分析結果，並根據分析結果執行混合氣體辨識演算法來辨識待測氣體的種類，且將不存在於訓練資料的未知氣體分類，再根據訓練資料產生辨識結果。
本發明之可早期偵測及辨識肺炎種類之呼吸器之氣體辨識方法的詳細說明以及實施方式已於前面敘述本發明之可早期偵測及辨識肺炎種類之呼吸器及其氣體辨識晶片時描述過，在此為了簡略說明便不再重覆敘述。
綜上所述，本發明使用隨機類神經網路晶片做前處理，因此可大幅降低系統之運算量及功耗，並提高氣體辨識的正確度。另外，本發明利用具有強健性及適應性的混合氣體辨識演算法，因此不但能夠準確的辨識已知氣體，更能夠分類未知氣體，使本發明之系統能夠有自我學習的能力。再者，本發明利用系統單晶片的方式來實現氣體辨識系統，大幅地減少氣體辨識系統所需要的體積，因此可以整合在呼吸器中，不但能夠幫助醫師診斷病人所感染的肺炎種類，更可以整合在可攜式電子裝置中執行各種不同的用途。可見本發明在突破先前之技術下，確實已達到所欲增進之功
效，且也非熟悉該項技藝者所易於思及，其所具之進步性、實用性，顯已符合專利之申請要件，爰依法提出專利申請，懇請 貴局核准本件發明專利申請案，以勵創作，至感德便。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
1‧‧‧可早期偵測及辨識肺炎種類的呼吸器
11‧‧‧吐氣端管路
111‧‧‧病人呼出的氣體
12‧‧‧氣體辨識裝置
13‧‧‧氣體辨識晶片
131‧‧‧感測器陣列
132‧‧‧感測器介面電路
1321‧‧‧氣體圖案訊號
133‧‧‧隨機類神經網路晶片
1331‧‧‧分析結果
134‧‧‧記憶體
1341‧‧‧訓練資料
135‧‧‧微控制器
1351‧‧‧混合氣體辨識演算法
1352‧‧‧辨識結果
Claims (18)
- 一種氣體辨識晶片，係包含：一感測器陣列，係包含複數個感測器及一感測薄膜，該感測薄膜吸附複數種待測氣體，使各個該感測器產生對應於各個該待測氣體的一氣味訊號；一感測器介面電路，係讀取並分析各個該待測氣體的一氣味訊號，以產生對應於各個該待測氣體的一氣體圖案訊號；一隨機類神經網路晶片，係放大各個該氣體圖案訊號之間的差異，並降低各個該氣體圖案訊號的維度，以產生一分析結果；一記憶體，係儲存一氣體訓練資料；一微控制器，係接收該分析結果，並根據該分析結果執行一混合氣體辨識演算法來辨識該待測氣體的種類，且將不存在於該氣體訓練資料的一未知氣體分類，再根據該氣體訓練資料產生一辨識結果；其中，當該微控制器偵測到不存在於該氣體訓練資料之該未知氣體時，會將對應該未知氣體之一未知氣體資料傳送給該感測器介面電路、該隨機類神經網路晶片及該記憶體，該感測器介面電路係根據該未知氣體資料進行辨識，該隨機類神經網路晶片係根據該未知氣體資料重新訓練，該記憶體係根據該未知氣體資料增加另一該氣體訓練資料。
- 如申請專利範圍第1項所述之氣體辨識晶片，其中該感測薄膜係以一奈米孔洞碳材所構成，並將具氣體吸附能力的高分子成長於 該奈米孔洞碳材之孔洞中。
- 如申請專利範圍第1項所述之氣體辨識晶片，其中當該微控制器偵測到該未知氣體時，該微控制器則將該未知氣體的資料該隨機類神經網路晶片及該記憶體，使該氣體辨識晶片能夠有自我學習的能力。
- 如申請專利範圍第3項所述之氣體辨識晶片，其中該混合氣體辨識演算法係包含K最鄰近法(K Nearest Neighbors，KNN)、線性迴歸法(Linear Least Squares Regression)及以中位數作為臨界值的K最鄰近法(Median-Threshold KNN Classification，MTKNN)，其中，以中位數作為臨界值的K最鄰近法係先求出該氣體訓練資料中各筆資料兩兩之間的距離，再找出這些距離的一中位數，並利用該中位數來判定該待測氣體是否為該未知氣體。
- 如申請專利範圍第1項或第4項所述之氣體辨識晶片，其中該感測器陣列係由導電聚合物(Conducting Polymer，CP)感測器所構成。
- 如申請專利範圍第1項或第4項所述之氣體辨識晶片，其中該感測器陣列係由表面聲波(surface acoustic wave，SAW)感測器所構成。
- 如申請專利範圍第5項所述之氣體辨識晶片，其中該感測器介面電路係利用一單程多晶矽懸浮閘(Floating Gate)元件來儲存電荷，以減少漏電及降低電路功率。
- 如申請專利範圍第6項所述之氣體辨識晶片，其中該感測器介面電路係包含一可調式震盪電路，其可根據不同表面聲波感測器來調整震盪頻率，增加使用上的彈性。
- 一種氣體辨識方法，係包含下列步驟： 利用一感測器陣列之一感測薄膜吸附複數種待測氣體，使該感測器陣列的各個感測器產生對應於各個該待測氣體的一氣味訊號；藉由一感測器介面電路讀取並分析各個該待測氣體的一氣味訊號，以產生對應於各個該待測氣體的一氣體圖案訊號；透過一隨機類神經網路晶片放大各個該氣體圖案訊號之間的差異，並降低各個該氣體圖案訊號的維度，以產生一分析結果；由一記憶體儲存一氣體訓練資料；以及經由一微控制器接收該分析結果，並根據該分析結果執行一混合氣體辨識演算法來辨識該待測氣體的種類，且將不存在於該氣體訓練資料的一未知氣體分類，再根據該氣體訓練資料產生一辨識結果；其中，當該微控制器偵測到不存在於該氣體訓練資料之該未知氣體時，會將對應該未知氣體之一未知氣體資料傳送給該感測器介面電路、該隨機類神經網路晶片及該記憶體，該感測器介面電路係根據該未知氣體資料進行辨識，該隨機類神經網路晶片係根據該未知氣體資料重新訓練，該記憶體係根據該未知氣體資料增加另一該氣體訓練資料。
- 如申請專利範圍第9項所述之氣體辨識方法，其中該感測薄膜係以一奈米孔洞碳材所構成，並將具氣體吸附能力的高分子成長於該奈米孔洞碳材之孔洞中。
- 如申請專利範圍第9項所述之氣體辨識方法，更包含下列步驟：利用該微控制器在偵測到該未知氣體時，傳送該未知氣體的資料至該隨機類神經網路晶片及該記憶體，使該氣體辨識晶片能夠有自我學習的能力。
- 如申請專利範圍第11項所述之氣體辨識方法，其中該混合氣體辨 識演算法係包含K最鄰近法、線性迴歸法及以中位數作為臨界值的K最鄰近法，其中，以中位數作為臨界值的K最鄰近法係先求出該氣體訓練資料中各筆資料兩兩之間的距離，再找出這些距離的一中位數，並利用該中位數來判定該待測氣體是否為該未知氣體。
- 如申請專利範圍第9項或第12項所述之氣體辨識方法，其中該感測器陣列係由導電聚合物感測器所構成。
- 如申請專利範圍第9項或第12項所述之氣體辨識方法，其中該感測器陣列係由表面聲波感測器所構成。
- 如申請專利範圍第13項所述之氣體辨識方法，其中該感測器介面電路係利用一單程多晶矽懸浮閘元件來儲存電荷，以減少漏電及降低電路功率。
- 如申請專利範圍第14項所述之氣體辨識方法，其中該感測器介面電路係包含一可調式震盪電路，其可根據不同表面聲波感測器來調整震盪頻率，增加使用上的彈性。
- 一種可早期偵測及辨識肺炎種類的呼吸器，係包含一吐氣端管路及一氣體辨識裝置，該氣體辨識裝置係利用一氣體辨識晶片來分析病人由該吐氣端管路中呼出的氣體以辨識肺炎的種類，該氣體辨識晶片係如申請專利範圍第1項至第8項任一項所述。
- 如申請專利範圍第17項所述之可早期偵測及辨識肺炎種類的呼吸器，其中該氣體辨識裝置係直接連結於病人體外的該吐氣端管路，並擷取病人呼出的氣體以進行辨識。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW101103310A TWI458464B (zh) | 2012-02-01 | 2012-02-01 | 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 |
| CN201210067193.3A CN103245778B (zh) | 2012-02-01 | 2012-03-05 | 可辨识肺炎种类的呼吸器及其辨识芯片及其辨识方法 |
| US13/458,533 US9125590B2 (en) | 2012-02-01 | 2012-04-27 | Medical ventilator capable of early detecting and recognizing types of pneumonia, gas recognition chip, and method for recognizing gas thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW101103310A TWI458464B (zh) | 2012-02-01 | 2012-02-01 | 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201332515A TW201332515A (zh) | 2013-08-16 |
| TWI458464B true TWI458464B (zh) | 2014-11-01 |
Family
ID=48870832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW101103310A TWI458464B (zh) | 2012-02-01 | 2012-02-01 | 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9125590B2 (zh) |
| CN (1) | CN103245778B (zh) |
| TW (1) | TWI458464B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202020101924U1 (de) | 2019-05-15 | 2020-04-17 | AI Nose Corporation | SIM-Karte und drahtloses Kommunikationsgerät für dieselbe |
| TWI758918B (zh) * | 2020-10-26 | 2022-03-21 | 國立清華大學 | 氣體感測元件及檢測系統 |
| TWI812135B (zh) * | 2022-03-30 | 2023-08-11 | 正修學校財團法人正修科技大學 | 肺炎遠端檢測系統及其方法 |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5607839B2 (ja) * | 2011-11-24 | 2014-10-15 | パナソニック株式会社 | 診断支援装置および診断支援方法 |
| US20160106935A1 (en) * | 2014-10-17 | 2016-04-21 | Qualcomm Incorporated | Breathprint sensor systems, smart inhalers and methods for personal identification |
| CN104751004A (zh) * | 2015-04-15 | 2015-07-01 | 苏州大学 | 一种疾病预警方法、装置及系统 |
| TWI585406B (zh) * | 2015-05-06 | 2017-06-01 | 國立清華大學 | 手持式氣體感測裝置及其感測方法 |
| US10178447B2 (en) * | 2015-07-23 | 2019-01-08 | Palo Alto Research Center Incorporated | Sensor network system |
| TWI565944B (zh) | 2015-12-11 | 2017-01-11 | 台灣奈米碳素股份有限公司 | 一種氣體感測器及其製作方法 |
| TWI565945B (zh) * | 2015-12-11 | 2017-01-11 | 台灣奈米碳素股份有限公司 | 一種利用氣體辨識而具肺炎感染與肺炎菌種疾病分析功能的呼吸器 |
| JP7010446B2 (ja) * | 2016-09-27 | 2022-01-26 | 株式会社アロマビット | 匂い測定装置及び匂い測定システム |
| US10250955B2 (en) | 2016-11-15 | 2019-04-02 | Palo Alto Research Center Incorporated | Wireless building sensor system |
| JP2019113419A (ja) * | 2017-12-22 | 2019-07-11 | 太陽誘電株式会社 | センシングシステム、車両、プログラム、情報処理装置、情報処理方法およびセンサ装置 |
| CN108267550A (zh) * | 2018-01-22 | 2018-07-10 | 陈忠 | 基于智能鞋的疾病预警系统及方法 |
| CN108877925A (zh) * | 2018-03-30 | 2018-11-23 | 杭州依图医疗技术有限公司 | 一种肺炎病原的确定方法及装置 |
| CN110009604B (zh) * | 2019-03-20 | 2021-05-14 | 北京理工大学 | 造影图像序列的呼吸信号提取方法及装置 |
| CN110852377A (zh) * | 2019-11-08 | 2020-02-28 | 湘潭大学 | 一种根据肺部x光片识别肺炎的方法 |
| KR20230038480A (ko) * | 2020-06-17 | 2023-03-20 | 넥세리스 이노베이션 홀딩스 엘엘씨 | 가스 분석물을 모니터링하기 위한 시스템 및 방법 |
| US11932080B2 (en) | 2020-08-20 | 2024-03-19 | Denso International America, Inc. | Diagnostic and recirculation control systems and methods |
| US11760170B2 (en) | 2020-08-20 | 2023-09-19 | Denso International America, Inc. | Olfaction sensor preservation systems and methods |
| US11828210B2 (en) | 2020-08-20 | 2023-11-28 | Denso International America, Inc. | Diagnostic systems and methods of vehicles using olfaction |
| US11881093B2 (en) | 2020-08-20 | 2024-01-23 | Denso International America, Inc. | Systems and methods for identifying smoking in vehicles |
| US11636870B2 (en) | 2020-08-20 | 2023-04-25 | Denso International America, Inc. | Smoking cessation systems and methods |
| US11813926B2 (en) | 2020-08-20 | 2023-11-14 | Denso International America, Inc. | Binding agent and olfaction sensor |
| US12017506B2 (en) | 2020-08-20 | 2024-06-25 | Denso International America, Inc. | Passenger cabin air control systems and methods |
| US11760169B2 (en) | 2020-08-20 | 2023-09-19 | Denso International America, Inc. | Particulate control systems and methods for olfaction sensors |
| CN114077848B (zh) * | 2021-11-16 | 2022-11-04 | 无锡时和安全设备有限公司 | 一种新型传感器阵列板及其混合气体分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW587165B (en) * | 2003-08-27 | 2004-05-11 | Ind Tech Res Inst | Gas sensor and the manufacturing method thereof |
| 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 |
| CN101334399A (zh) * | 2008-07-15 | 2008-12-31 | 重庆大学 | 一种肺癌诊断的便携式装置 |
| TW201017769A (en) * | 2008-10-17 | 2010-05-01 | Univ Nat Chiao Tung | Transistor structure with suspension type nano-channel and the manufacturing method thereof |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2485788A (en) * | 1987-07-28 | 1989-03-01 | Maxdem, Inc. | Electrically settable resistance device |
| US5412256A (en) * | 1994-01-06 | 1995-05-02 | Bell Communications Research, Inc. | Neuron for use in self-learning neural network |
| GB9704676D0 (en) * | 1997-03-06 | 1997-04-23 | Aromascan Plc | Condition indicator |
| WO2000029829A1 (en) * | 1998-11-16 | 2000-05-25 | California Institute Of Technology | Simultaneous determination of equilibrium and kinetic properties |
| US7122152B2 (en) * | 1999-05-10 | 2006-10-17 | University Of Florida | Spatiotemporal and geometric optimization of sensor arrays for detecting analytes fluids |
| US20070167853A1 (en) * | 2002-01-22 | 2007-07-19 | Melker Richard J | System and method for monitoring health using exhaled breath |
| US7129095B2 (en) * | 2002-03-29 | 2006-10-31 | Smiths Detection Inc. | Method and system for using a weighted response |
| US8449824B2 (en) * | 2002-09-09 | 2013-05-28 | Yizhong Sun | Sensor instrument system including method for detecting analytes in fluids |
| EP2316331B1 (en) * | 2003-12-09 | 2016-06-29 | Dexcom, Inc. | Signal processing for continuous analyte sensor |
| US7462512B2 (en) * | 2004-01-12 | 2008-12-09 | Polytechnic University | Floating gate field effect transistors for chemical and/or biological sensing |
| US7305883B2 (en) * | 2005-10-05 | 2007-12-11 | The Board Of Trustees Of The Leland Stanford Junior University | Chemical micromachined microsensors |
| FR2936604B1 (fr) * | 2008-09-29 | 2010-11-05 | Commissariat Energie Atomique | Capteurs chimiques a base de nanotubes de carbone, procede de preparation et utilisations |
| EP2172768A1 (en) * | 2008-10-06 | 2010-04-07 | Sony Corporation | A sensor for detecting an analyte |
| WO2010065452A1 (en) * | 2008-12-01 | 2010-06-10 | Tricorntech Corporation | Breath analysis systems and methods for asthma, tuberculosis and lung cancer diagnostics and disease management |
| TWI427290B (zh) * | 2009-05-13 | 2014-02-21 | Nat Univ Tsing Hua | 一種氣體偵測裝置及其方法 |
| WO2011083473A1 (en) * | 2010-01-07 | 2011-07-14 | Technion Research And Development Foundation Ltd. | Volatile organic compounds as diagnostic markers for various types of cancer |
| CA2822876C (en) * | 2010-12-23 | 2019-10-29 | Crc Care Pty Ltd | Analyte ion detection method and device |
| US20120183949A1 (en) * | 2011-01-19 | 2012-07-19 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Method, device, or system using lung sensor for detecting a physiological condition in a vertebrate subject |
| US20130064423A1 (en) * | 2011-09-09 | 2013-03-14 | Sony Corporation | Feature extraction and processing from signals of sensor arrays |
| US8551571B2 (en) * | 2011-11-10 | 2013-10-08 | Chung-Shan Institute of Science and Technology, Armaments Bureau, Dept. of National Defense | Method for making a conductive polymer composite for detecting a sort of gas |
| US9528979B2 (en) * | 2011-11-15 | 2016-12-27 | Technion Research And Development Foundation Ltd. | Breath analysis of pulmonary nodules |
| US8551310B2 (en) * | 2011-12-16 | 2013-10-08 | Chung-Shan Institute of Science and Technology, Armaments Bureau, Dept. of National Defense | Method for making a nano-composite gas sensor |
-
2012
- 2012-02-01 TW TW101103310A patent/TWI458464B/zh active
- 2012-03-05 CN CN201210067193.3A patent/CN103245778B/zh active Active
- 2012-04-27 US US13/458,533 patent/US9125590B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW587165B (en) * | 2003-08-27 | 2004-05-11 | Ind Tech Res Inst | Gas sensor and the manufacturing method thereof |
| 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 |
| CN101334399A (zh) * | 2008-07-15 | 2008-12-31 | 重庆大学 | 一种肺癌诊断的便携式装置 |
| TW201017769A (en) * | 2008-10-17 | 2010-05-01 | Univ Nat Chiao Tung | Transistor structure with suspension type nano-channel and the manufacturing method thereof |
Non-Patent Citations (1)
| Title |
|---|
| 低功耗電子鼻晶片設計技術之研究，國立清華大學，陳彥廷，2011/08/30 以表面聲波陣列式震盪電路為基礎之氣體感測系統，國立清華大學，趙哲新，2010/03/06 適用於可攜式電子鼻系統之氣體辨識方法，國立清華大學，宋俊緯，2011/08/30 選擇性氧化複晶矽鍺形成鍺量子點及其在金氧半浮點電容之應用，國立中央大學，曾韋傑，2005 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202020101924U1 (de) | 2019-05-15 | 2020-04-17 | AI Nose Corporation | SIM-Karte und drahtloses Kommunikationsgerät für dieselbe |
| TWI758918B (zh) * | 2020-10-26 | 2022-03-21 | 國立清華大學 | 氣體感測元件及檢測系統 |
| US12050192B2 (en) | 2020-10-26 | 2024-07-30 | National Tsing Hua University | Gas sensing device and detecting system |
| TWI812135B (zh) * | 2022-03-30 | 2023-08-11 | 正修學校財團法人正修科技大學 | 肺炎遠端檢測系統及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103245778B (zh) | 2015-09-16 |
| US20130197384A1 (en) | 2013-08-01 |
| TW201332515A (zh) | 2013-08-16 |
| CN103245778A (zh) | 2013-08-14 |
| US9125590B2 (en) | 2015-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI458464B (zh) | 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法 | |
| Vishinkin et al. | Nanoscale sensor technologies for disease detection via volatolomics | |
| US20220091084A1 (en) | Mobile communications device with electronic nose | |
| CN104781666B (zh) | 用于诊断结核的传感器技术 | |
| Leunis et al. | Application of an electronic nose in the diagnosis of head and neck cancer | |
| de Meij et al. | Electronic nose can discriminate colorectal carcinoma and advanced adenomas by fecal volatile biomarker analysis: proof of principle study | |
| Nurputra et al. | Fast and noninvasive electronic nose for sniffing out COVID-19 based on exhaled breath-print recognition | |
| Kidd et al. | Shared Pseudomonas aeruginosa genotypes are common in Australian cystic fibrosis centres | |
| Scarlata et al. | Exhaled breath analysis by electronic nose in respiratory diseases | |
| Joensen et al. | Exhaled breath analysis using electronic nose in cystic fibrosis and primary ciliary dyskinesia patients with chronic pulmonary infections | |
| Liao et al. | Development of an E-nose system using machine learning methods to predict ventilator-associated pneumonia | |
| TW201721139A (zh) | 一種利用氣體辨識而具肺炎感染與肺炎菌種疾病分析功能的呼吸器 | |
| Pham | MobiCough: real-time cough detection and monitoring using low-cost mobile devices | |
| Estakhroyeh et al. | Design and construction of electronic nose for multi-purpose applications by sensor array arrangement using IBGSA | |
| Tang et al. | 24.5 A 0.5 V 1.27 mW nose-on-a-chip for rapid diagnosis of ventilator-associated pneumonia | |
| Li et al. | Electronic nose development and preliminary human breath testing for rapid, non-invasive COVID-19 detection | |
| Hwang et al. | Multiplexed DNA-functionalized graphene sensor with artificial intelligence-based discrimination performance for analyzing chemical vapor compositions | |
| Daniel et al. | Breathomics for gastric cancer classification using back-propagation neural network | |
| Bax et al. | An experimental apparatus for e-nose breath analysis in respiratory failure patients | |
| JP2019039896A (ja) | 疾病判定システム及びヘルスケアサービス提供システム | |
| Bhaskar et al. | Automated COVID-19 Detection From Exhaled Human Breath Using CNN-CatBoost Ensemble Model | |
| Binson et al. | Detection of early lung cancer cases in patients with COPD using eNose technology: a promising non-invasive approach | |
| Dutta et al. | “Maximum probability rule” based classification of MRSA infections in hospital environment: Using electronic nose | |
| Gudiño-Ochoa et al. | Noninvasive diabetes detection through human breath using TinyML-Powered E-Nose | |
| Abubeker et al. | Internet of Things Assisted Wireless Body Area Network Enabled Biosensor Framework for Detecting Ventilator and Hospital-Acquired Pneumonia |