[go: up one dir, main page]

CN118169188A - 一种基于呼吸气体的阿尔茨海默症检测设备及方法 - Google Patents

一种基于呼吸气体的阿尔茨海默症检测设备及方法 Download PDF

Info

Publication number
CN118169188A
CN118169188A CN202410207912.XA CN202410207912A CN118169188A CN 118169188 A CN118169188 A CN 118169188A CN 202410207912 A CN202410207912 A CN 202410207912A CN 118169188 A CN118169188 A CN 118169188A
Authority
CN
China
Prior art keywords
feature
gas
alzheimer
disease
subset
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
CN202410207912.XA
Other languages
English (en)
Inventor
陈子洋
高原
张成龙
江志兴
张大鹏
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.)
Chinese University of Hong Kong Shenzhen
Original Assignee
Chinese University of Hong Kong Shenzhen
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 Chinese University of Hong Kong Shenzhen filed Critical Chinese University of Hong Kong Shenzhen
Priority to CN202410207912.XA priority Critical patent/CN118169188A/zh
Publication of CN118169188A publication Critical patent/CN118169188A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/403—Cells and electrode assemblies
    • G01N27/414—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS
    • G01N27/4141—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS specially adapted for gases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/403—Cells and electrode assemblies
    • G01N27/414—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS
    • G01N27/4145—Ion-sensitive or chemical field-effect transistors, i.e. ISFETS or CHEMFETS specially adapted for biomolecules, e.g. gate electrode with immobilised receptors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Neurology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Electrochemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Psychiatry (AREA)
  • Biomedical Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Developmental Disabilities (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)

Abstract

本发明公开了一种基于呼吸气体的阿尔茨海默症检测设备及方法，包括：呼吸气体数据采集模块，用于通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；计算终端，用于对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；以及用于将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。本发明提出一种新型的可用于阿尔兹海默症诊断的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际诊断场景的呼吸分析设备，提高了对阿尔茨海默症的分类检测的准确率。

Description

一种基于呼吸气体的阿尔茨海默症检测设备及方法
技术领域
本发明涉及医疗数据处理技术领域，尤其涉及的是一种基于呼吸气体的阿尔茨海默症检测设备及方法。
背景技术
与糖尿病、肾衰竭等已经被研究多年的器质性疾病不同，作为非器质性疾病的阿尔兹海默症的发病机制仍是一个未知的过程，截至2023年，阿尔兹海默症在病理学上的解释仍还是多种假说并存，对于代谢变化的详细解释仍不清晰，得到证实的只有患者的神经元存在功能障碍。但即使如此，研究人员也没有放弃推进阿尔兹海默症定量分析研究的努力，而呼吸分析也已经被证实为可以对阿尔兹海默症及阿尔兹海默症所产生的轻度认知障碍分析发挥出理想的作用。
第一个将呼吸成分分析用于检测阿尔兹海默症的研究包含两项内容，第一项为使用基于纳米材料的传感器作为分析平台对阿尔兹海默患者与健康对照组的呼吸成分指纹进行区分，实现了85％的正确率；第二项为使用气相色谱结合质谱技术对患者与对照组的呼吸成分进行探索，最终发现了存在24种浓度显著不同的物质，证明了呼吸分析对于阿尔兹海默症分析技术的可行性。还有研究使用Cyranose 320eNose(一种多功能商用电子鼻)和离子迁移谱分析阿尔兹海默症与健康对照组之间呼出气体成分的差异，在使用离子迁移谱时，检测到存在5种发挥性有机化合物存在显著差异，并通过四个变量的决策树实现了正确率为94％的分析，但遗憾的是使用Cyranose 320eNose时只能展现出阿尔兹海默症与健康对照组存在差异，但敏感度和特异度均有待进一步提高。此外，还有研究使用定制的呼气传感器系统与气相色谱结合质谱方法对阿尔兹海默症患者和健康对照组进行了聚类分析，证明了定制电子鼻同样可以有效区分阿尔兹海默症与健康对照组。最后值得一提的是，还有研究使用气相色谱结合离子迁移谱技术对阿尔兹海默症患者的生物标志物进行了研究，并针对结果给出了自己的猜想解释。他们的初步鉴定结果为丙酮、2-丙醇和2-丁酮的三种化合物在区分患者与健康对照组的任务中起到了最重要的作用，但值得注意的是，他们的研究结果也同样表明有许多种化合物的浓度发生了可区分的变化，说明阿尔兹海默症患者的呼吸变化是一个整体性的变化。其中对于丙酮的变化，作者的解释是早期阿尔兹海默症通常与大脑葡糖糖代谢的区域特异性下降有关，当葡萄糖不可用时，身体不得不分解脂肪生成包括乙酰乙酸、β-羟基丁酸和丙酮在内的酮体进行补充，可以佐证这一点的是作者提出食欲不振也是阿尔兹海默症患者的特征之一，有近一半的轻度阿尔兹海默症患者曾报告过食欲改变，此外，此鉴定结果于Bach等人的研究结果一致，因此证明呼吸分析在未来有望成为阿尔兹海默症的早期预警与无创分析方式。
对于所提到的气相色谱、质谱以及离子迁移谱等为例的化学分析方法来说，其主要缺点均为使用难度高、通常样品均需要进行复杂的预处理以形成高纯度的样品、实验人员需要经过长时间的专业培训并且需要配备专业实验室来完成这一过程。因此，现有的用于检测阿尔兹海默症的技术方案还存在应用难和检测准确率低的问题。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于呼吸气体的阿尔茨海默症检测设备及方法，以解决技术方案还存在应用难和检测准确率低的问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供一种基于呼吸气体的阿尔茨海默症检测设备，包括：
呼吸气体数据采集模块，用于通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；
计算终端，用于对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；以及用于将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
在一种实现方式中，所述呼吸气体数据采集模块包括：
微型真空泵，用于抽取所述待检测呼吸气体；
所述气敏传感器阵列，用于采集所述待检测呼吸气体的传感器信号；
信号处理子模块，用于向所述气敏传感器阵列发送温度调控信号；以及用于对所述气敏传感器阵列获取的传感器信号进行信号处理，得到处理后的传感器信号；
数据采集卡，用于向所述微型真空泵发送控制信号，向所述信号处理子模块发送所述温度调控信号；以及用于将所述处理后的传感器信号传输至所述计算终端；
所述微型真空泵和所述信号处理子模块分别与所述数据采集卡连接；所述数据采集卡与所述计算终端连接；所述气敏传感器阵列与所述信号处理子模块连接。
在一种实现方式中，所述气敏传感器阵列包括：固体电解质二氧化碳传感器、对酮类化合物与烃类化合物敏感的TGS826传感器以及TGS2600传感器。
第二方面，本发明提供一种如第一方面所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，包括：
通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；
对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；
将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
在一种实现方式中，所述通过气敏传感器阵列采集待检测呼吸气体的波形信号数据，包括：
通过所述气敏传感器阵列采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，得到所述波形信号数据。
在一种实现方式中，所述对所述波形信号数据进行特征提取，包括：
基于所述波形信号数据对所述待检测呼吸气体的强度、反应时间、差异程度、升降趋势以及整体特点进行几何特征提取，并通过快速傅里叶变换和小波变换对所述待检测呼吸气体进行频域特征提取，得到所述待检测呼吸气体的多维特征集合。
在一种实现方式中，基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集，包括：
基于前向选择的特征选择策略将所述多维特征集合中的一个特征集中添加对应的特征，得到所述最优特征子集；
或基于随机森林的特征选择策略，删除掉在随机森林算法中排名最后的多个特征，得到所述最优特征子集。
在一种实现方式中，所述基于前向选择的特征选择策略将所述多维特征集合中的一个特征集中添加对应的特征，得到所述最优特征子集，包括：
对于所述多维特征集合中的一个特征集A，从候选特征集合S中加入一个特征到所述特征集A；
通过分类器对加入特征后的特征集A进行特征分类；
判断所述候选特征集合S是否为空或所述加入特征后的特征集A的准确率是否不提升；
若所述候选特征集合S为空或所述加入特征后的特征集A的准确率不提升，则得到所述最优特征子集。
在一种实现方式中，所述基于随机森林的特征选择策略，删除掉在随机森林算法中排名最后的多个特征，得到所述最优特征子集，包括：
通过基尼指数对各特征的贡献度进行评价；
根据各特征的贡献度评价得分，计算得到各特征在对应节点的重要性；
对所有求得的特征的重要性评分进行归一化处理，排序后得到特征序列；
删除重要性最低的多个特征，得到多个特征子集以及各特征子集对应的准确率；
选择准确率最高的特征子集，得到所述最优特征子集。
在一种实现方式中，所述将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果，包括：
以数据格式的方式将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，得到所述最优特征子集对应的分类准确率；
根据所述最优特征子集对应的分类准确率输出样本检测结果。
本发明采用上述技术方案具有以下效果：
本发明通过呼吸气体数据采集模块中的气敏传感器阵列采集待检测呼吸气体的波形信号数据；并通过计算终端对所述波形信号数据进行特征提取，可基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集，以及将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果；本发明提出一种新型的可用于阿尔兹海默症诊断的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际诊断场景的呼吸分析设备，提高了对阿尔茨海默症的分类检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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示出的结构获得其他的附图。
图1是本发明的一种实现方式中呼吸气体检测设备的结构示意图。
图2是本发明的一种实现方式中基于呼吸气体的阿尔茨海默症检测方法的流程图。
图3是本发明的一种实现方式中气室的结构示意图。
图4是本发明的一种实现方式中阿尔兹海默症样本数据与健康样本数据的典型气味曲线样本的示意图。
图5是本发明的一种实现方式中四组呼气样本在三个传感器通道下的特征表达分布的示意图。
图6是本发明的一种实现方式中四组呼气样本在三个传感器通道下的详细特征表达分布示意图。
图7是本发明的一种实现方式中终端的功能原理图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
示例性设备
阿尔兹海默症分析技术分为两种，第一种依赖于经验丰富的专业医生通过病史采集、全面体格检查以及系统评估ABC症候群对患者的记忆力、注意力、认知水平、语言功能等指标进行评估，但此类分析的本质仍主要基于主治医生的经验判断，检测标准不够清晰，不利于阿尔兹海默症的精确分析，同时由于此类方法需要专业医生深度参与，可能会导致医患供给关系侧矛盾的进一步深化。
第二种分析方式为通过神经影像学技术，例如MRI或PET扫描对患者大脑进行扫描，以寻找与阿尔兹海默症相关的脑部病变模式，但此类方法仍存在一些缺点，第一个是阿尔兹海默症的早期症状通常是非特异性的，此时脑部病变多数尚不明显、难以观察的；第二个是影像方法是一类昂贵且对患者身体存在伤害的分析方式，不但可能会降低患者的就医欲望，同时也不利于大范围地进行阿尔兹海默症的筛查。
现有的基于气味检测的分析方法，例如，基于气相色谱、质谱以及离子迁移谱等为例的化学分析方法来说，其主要缺点均为使用难度高、通常样品均需要进行复杂的预处理以形成高纯度的样品、实验人员需要经过长时间的专业培训并且需要配备专业实验室来完成这一过程。因此，现有的用于检测阿尔兹海默症的技术方案还存在应用难和检测准确率低的问题。
针对以上的技术问题，本发明实施例中提供了一种基于呼吸气体的阿尔茨海默症检测设备，可通过呼吸气体数据采集模块中的气敏传感器阵列采集待检测呼吸气体的波形信号数据；并通过计算终端对所述波形信号数据进行特征提取，可基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集，以及将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果；本发明提出一种新型的可用于阿尔兹海默症诊断的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际诊断场景的呼吸分析设备，提高了对阿尔茨海默症的分类检测的准确率。
本发明实施例中提供了一种基于呼吸气体的阿尔茨海默症检测设备，包括：
呼吸气体数据采集模块，用于通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；
计算终端，用于对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；以及用于将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
所述呼吸气体数据采集模块包括：
微型真空泵，用于抽取所述待检测呼吸气体；
所述气敏传感器阵列，用于采集所述待检测呼吸气体的传感器信号；
信号处理子模块，用于向所述气敏传感器阵列发送温度调控信号；以及用于对所述气敏传感器阵列获取的传感器信号进行信号处理，得到处理后的传感器信号；
数据采集卡，用于向所述微型真空泵发送控制信号，向所述信号处理子模块发送所述温度调控信号；以及用于将所述处理后的传感器信号传输至所述计算终端；
所述微型真空泵和所述信号处理子模块分别与所述数据采集卡连接；所述数据采集卡与所述计算终端连接；所述气敏传感器阵列与所述信号处理子模块连接。
所述气敏传感器阵列包括：固体电解质二氧化碳传感器、对酮类化合物与烃类化合物敏感的TGS826传感器以及TGS2600传感器。
在本实施例中，使用定制的呼气传感器系统采集待检测呼吸气体的波形信号数据；如图1所示，本实施例中提供了一种基于呼吸气体的阿尔茨海默症检测系统，该系统包括：微型真空泵以及气室；其中，所述微型真空泵用于从装有待检测呼吸气体的气袋中抽取呼吸气体样本，然后将其输入至所述气室中；在所述气室中设置有气敏传感器阵列，通过所述气敏传感器阵列采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，得到所述波形信号数据。最后，所述待检测呼吸气体经过所述气室中的气敏传感器阵列后排出。
所述气敏传感器阵列中设置有温度调制类型的气敏传感器，通过向这些温度调制类型的气敏传感器发送温度调制信号，即可控制这些传感器进行信号采集；对于所述气敏传感器阵列采集的传感器信号，经过所述系统的信号处理电路的分压、滤波以及放大处理后，通过数据采集卡采集这些处理后的信号数据，将其传输至终端显示波形信号数据，并经过特征提取和分析后，得到所述待检测呼吸气体的阿尔茨海默症检测结果。
在本实施例中，传感器阵列是系统的核心部件，直接决定了待测样本检测的范围和精度。由于商业化气敏传感器发展较成熟、成本较低，收集了多种传感器资料，依据以阿尔兹海默症相关的生化标志物进行了筛选实验。首先选择了11个传感器组成阵列，它们的厂家、敏感范围和量程各不相同。之后利用这个阵列制作了传感器阵列，采集了100个健康人和172个阿尔兹海默症样本进行筛查实验。经过调整不同阵列组合可达到的分类正确率，综合考虑了传感器的稳定性、气体覆盖范围等因素后，最终筛选出了由10个气敏传感器组成的阵列，如下表1所示。
下表1中，VOCs代表包括丙酮在内的有机挥发物(volatile organic compounds)。10个传感器中，1号传感器为固体电解质二氧化碳传感器，可以用来指示实际呼气的量。其他均为MOS传感器。阿尔兹海默症的部分表现型当中对酮类化合物与烃类化合物较为敏感，而该阵列中TGS826、TGS2600等传感器也分别对酮类与烃类具有敏感表达，而其他传感器的敏感性稍差，这种互补性有利于在后续的信号分析中利用模式识别算法进行预测。虽然有些传感器的量程标称值较高(如TGS2610-D00)，但在实际实验中，发现它们同样能对较低浓度的气体产生响应。事实上很多传感器的最低检测限都比标称值要低。由于MOS传感器的交叉敏感性，阵列中的传感器都或多或少都对多种VOC敏感，这使得该阵列可以检测多种气体标志物。
表1传感器阵列释义及对应参数
表1中的传感器6、传感器8型号中的“-TM”表示温度调制(temperaturemodulation)。MOS传感器的敏感特性与温度密切相关，不同温度下的敏感特性不同。一般的MOS传感器工作在固定的温度下，而如果使它们工作在一个周期性变化的温度下，不同气体形成的响应曲线形状就会有差别，从而带来更丰富的信息，提高传感器的选择性。在尝试多种候选传感器和温度调制波形的基础上，本实施例选择了阵列中TGS2600、TGS2602两个传感器，给它们施以阶梯型的加热电压。其他传感器仍采用传统恒压加热方式。
气室是气体分子与传感器接触的场所，气室的形状、大小还有传感器分布的位置对于传感器的响应有较大影响，因此需要对其进行优化。本实施例设计了如图3所示的气室，其外壁为六边形，内壁为圆柱形。每个传感器镶嵌在气室壁的一个孔洞上，方便进行单独更换。气室前后各有一个半球形的盖子，两个盖子上面分别开有进气口和出气口。气室内壁平滑，有利于气体的流动，避免洗气死角和气体残留引起的记忆效应。气室内壁上还涂敷有泰弗龙(Teflon)材料，以保证化学传感器室耐高温并且不与被分析物发生化学反应。传感器对称均匀分布，接触到的气体浓度均匀，有利于精确测量。同时气室还能保持较小的体积，提高仪器的便携性。
本实施例中通过以上设置的气室以及气敏传感器阵列，采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，从而得到所述波形信号数据。
相比于现有的气相色谱法的检测方式，本实施例中提出一种新型的可用于阿尔兹海默症分析的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际分析场景的呼吸分析设备；相对多功能商用电子鼻及其他自研呼吸分析设备来说对疾病分析更有特异性、抗干扰能力更强、呼吸指纹捕获能力更强的自研呼吸分析设备。
本实施例采用上述技术方案具有以下效果：
本实施例通过呼吸气体数据采集模块中的气敏传感器阵列采集待检测呼吸气体的波形信号数据；并通过计算终端对所述波形信号数据进行特征提取，可基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集，以及将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果；本发明提出一种新型的可用于阿尔兹海默症诊断的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际诊断场景的呼吸分析设备，提高了对阿尔茨海默症的分类检测的准确率。
示例性方法
基于以上实施例，本发明实施例还提供一种基于呼吸气体的阿尔茨海默症检测方法。
如图2所示，本发明实施例提供一种基于呼吸气体的阿尔茨海默症检测方法，包括以下步骤：
步骤S100，通过气敏传感器阵列采集待检测呼吸气体的波形信号数据。
在本实施例中，在疾病二分类的基础上进行更深入的研究，完成了多种疾病的多分类任务。通过特征工程对采集到的呼吸气体进行处理，再用机器学习和模式识别的技术对经过特征工程之后的样本特征进行分析得到阿尔茨海默症检测结果。
具体地，在本实施例的一种实现方式中，步骤S100包括以下步骤：
步骤S101，通过所述气敏传感器阵列采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，得到所述波形信号数据。
在本实施例中，使用定制的呼气传感器系统采集待检测呼吸气体的波形信号数据；如图1所示，本实施例中提供了一种基于呼吸气体的阿尔茨海默症检测系统，该系统包括：微型真空泵以及气室；其中，所述微型真空泵用于从装有待检测呼吸气体的气袋中抽取呼吸气体样本，然后将其输入至所述气室中；在所述气室中设置有气敏传感器阵列，通过所述气敏传感器阵列采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，得到所述波形信号数据。最后，所述待检测呼吸气体经过所述气室中的气敏传感器阵列后排出。
所述气敏传感器阵列中设置有温度调制类型的气敏传感器，通过向这些温度调制类型的气敏传感器发送温度调制信号，即可控制这些传感器进行信号采集；对于所述气敏传感器阵列采集的传感器信号，经过所述系统的信号处理电路的分压、滤波以及放大处理后，通过数据采集卡采集这些处理后的信号数据，将其传输至终端显示波形信号数据，并经过特征提取和分析后，得到所述待检测呼吸气体的阿尔茨海默症检测结果。
在本实施例中，传感器阵列是系统的核心部件，直接决定了待测样本检测的范围和精度。由于商业化气敏传感器发展较成熟、成本较低，收集了多种传感器资料，依据以阿尔兹海默症相关的生化标志物进行了筛选实验。首先选择了11个传感器组成阵列，它们的厂家、敏感范围和量程各不相同。之后利用这个阵列制作了传感器阵列，采集了100个健康人和172个阿尔兹海默症样本进行筛查实验。经过调整不同阵列组合可达到的分类正确率，综合考虑了传感器的稳定性、气体覆盖范围等因素后，最终筛选出了由10个气敏传感器组成的阵列，如下表1所示。
下表1中，VOCs代表包括丙酮在内的有机挥发物(volatile organic compounds)。10个传感器中，1号传感器为固体电解质二氧化碳传感器，可以用来指示实际呼气的量。其他均为MOS传感器。阿尔兹海默症的部分表现型当中对酮类化合物与烃类化合物较为敏感，而该阵列中TGS826、TGS2600等传感器也分别对酮类与烃类具有敏感表达，而其他传感器的敏感性稍差，这种互补性有利于在后续的信号分析中利用模式识别算法进行预测。虽然有些传感器的量程标称值较高(如TGS2610-D00)，但在实际实验中，发现它们同样能对较低浓度的气体产生响应。事实上很多传感器的最低检测限都比标称值要低。由于MOS传感器的交叉敏感性，阵列中的传感器都或多或少都对多种VOC敏感，这使得该阵列可以检测多种气体标志物。
表1传感器阵列释义及对应参数
表1中的传感器6、传感器8型号中的“-TM”表示温度调制(temperaturemodulation)。MOS传感器的敏感特性与温度密切相关，不同温度下的敏感特性不同。一般的MOS传感器工作在固定的温度下，而如果使它们工作在一个周期性变化的温度下，不同气体形成的响应曲线形状就会有差别，从而带来更丰富的信息，提高传感器的选择性。在尝试多种候选传感器和温度调制波形的基础上，本实施例选择了阵列中TGS2600、TGS2602两个传感器，给它们施以阶梯型的加热电压。其他传感器仍采用传统恒压加热方式。
气室是气体分子与传感器接触的场所，气室的形状、大小还有传感器分布的位置对于传感器的响应有较大影响，因此需要对其进行优化。本实施例设计了如图3所示的气室，其外壁为六边形，内壁为圆柱形。每个传感器镶嵌在气室壁的一个孔洞上，方便进行单独更换。气室前后各有一个半球形的盖子，两个盖子上面分别开有进气口和出气口。气室内壁平滑，有利于气体的流动，避免洗气死角和气体残留引起的记忆效应。气室内壁上还涂敷有泰弗龙(Teflon)材料，以保证化学传感器室耐高温并且不与被分析物发生化学反应。传感器对称均匀分布，接触到的气体浓度均匀，有利于精确测量。同时气室还能保持较小的体积，提高仪器的便携性。
本实施例中通过以上设置的气室以及气敏传感器阵列，采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，从而得到所述波形信号数据。
相比于现有的气相色谱法的检测方式，本实施例中提出一种新型的可用于阿尔兹海默症分析的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际分析场景的呼吸分析设备；相对多功能商用电子鼻及其他自研呼吸分析设备来说对疾病分析更有特异性、抗干扰能力更强、呼吸指纹捕获能力更强的自研呼吸分析设备。
如图1所示，在本发明实施例的一种实现方式中，基于呼吸气体的阿尔茨海默症检测方法还包括以下步骤：
步骤S200，对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集。
在本实施例中，在采集得到所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号后，即可通过特征工程对采集到的呼吸气体进行处理，从而筛选得到用于阿尔茨海默症检测的最优特征子集。
具体地，在本实施例的一种实现方式中，步骤S200包括以下步骤：
步骤S201，基于所述波形信号数据对所述待检测呼吸气体的强度、反应时间、差异程度、升降趋势以及整体特点进行几何特征提取，并通过快速傅里叶变换和小波变换对所述待检测呼吸气体进行频域特征提取，得到所述待检测呼吸气体的多维特征集合。
在本实施例中，对所述波形信号数据进行特征提取后，得到的波形信号特征包括：波形峰值、曲线均值、曲线一阶导数、曲线二阶导数、拓扑特征、相同时间间隔的曲线斜率、相同时间间隔的曲线积分、快速Fourier(傅里叶)变换、小波变换、PCA(快速主成分分析)降维等特征。
其中，波形峰值(maxMag)即该样本中各路传感器的最大响应值，表征各路传感器对样本气体的响应程度，其提取方法可表示为：
fmaxMag＝[max(Ai)],i＝1:m
其中，Ai表示呼吸样本的第i列数据，m表示传感器数量。
曲线均值(meanMag)即该样本中各路传感器在有效时间内响应数据的均值，表征各路传感器对样本气体的整体响应程度，其提取方法如公式所示，其中，Ai表示呼吸样本的第i列数据，m表示传感器数量。
fmeanMag＝[mean(Ai)],i＝1:m
曲线一阶导数：求曲线的一阶导数(Derivative)，并提取一阶导数最大值和最小值最为特征值。
曲线二阶导数：求曲线的二阶导数(2nd Derivative)，并提取二阶导数最大值和最小值最为特征值。
拓扑特征：将曲线转化为拓扑空间，拓扑特征被定义为：
相同时间间隔的曲线斜率：相同时间间隔的曲线斜率(manySlope)是在上述相同时间间隔的响应值特征的基础上，计算相邻两点响应值的斜率，表征在该时间段内传感器响应强度的升降趋势，其提取方法可表示为公式，其中，Ai表示呼吸样本第i路传感器在第j时刻的响应信号；Tj表示第j时刻所对应的时间；m表示传感器数量。
相同时间间隔的曲线积分：相同时间间隔的曲线积分(manyIntegral)是在上述相同时间间隔的响应值特征的基础上，以相邻两点响应值为积分区域，计算曲线与坐标轴之间所夹图形的面积，表征在该时间段内传感器的响应强度等，其提取方法可表示为公式。其中，Ai表示呼吸样本第i路传感器在第j时刻的响应信号，Tj表示第j时刻所对应的时间，m表示传感器数量。
快速Fourier(傅里叶)变换：呼吸气体样本信号经预处理后形成1152×10的矩阵，记为A。设定N＝50，A经FFT变换为B，对B取模，得到50×10＝500维的特征。
小波变换：小波变换实质是一种对信号或者函数在频域上的局域变换。凭借其可变分辨率、正交性、方向选择性等优良特性，小波变换成为信号处理领域中不可或缺的方法，并已被用于提取气体样本信号特征。
PCA(快速主成分分析)降维：根据PCA的算法原理计算样本数据训练集的成分分析空间。将测试样本数据集投射至上述空间，便得到了测试样本数据集的主要特征。PCA遵循如下公式。其中，λi表示第i大特征值，rλ为该成分对空间的贡献度，n为特征值总量，p为主成分数。
在本实施例中，仪器采集到的样本是一组包含9路传感器的连续信号数据，表示为多路波形图。如图4中(a)所示，图4中(a)为阿尔兹海默症样本数据的典型气味曲线样本；如图4中(b)所示，图4中(b)为健康样本数据的典型气味曲线样本。波形图最大的优势在于其几何特征可以很直观明的得到体现。比较主流的构造集合特征的思路，主要是将传感器对呼吸气体样本的相应强度、反应时间、差异程度、升降趋势、整体特点等几何特征进行提取。除了对多路传感器进行几何特征的提取，本实施例还可以在频域的水平进行波形频率特征的提取，快速傅里叶变换和小波变换都是比较主流的频域特征的提取方案。
通过几何空间的特征提取和频域空间的特征提取，本实施例中可能会得到多个维度的特征，由于一开始并不知道哪些特征会对本实施例的最终分类有帮组，在一开始提取特征的时候会提取尽可能多的特征。之后进行特征选择和特征融合的过程中，会逐一的剔除对分类效果无用，甚至让分类效果更差的特征相。
在本实施例中，在实验前对所有的数据进行了特征提取，分别为几何空间和频域空间的特征。表2为所有的特征和其描述。
表2各种疾病的特征及其维度
在本实施例中，对于以上提取的几何空间特征和频域空间特征，需要经过特征选择后，才可以得到用于精准分类的最优的特征子集。
特征选择也称特征子集选择，或属性选择。是指从已有的M个特征中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。对于一个学习算法来说，好的学习样本是训练模型的关键。
在有限的样本数目下，用大量的特征来设计分类器计算开销太大而且分类性能差。因此，需要将高维空间的样本通过映射或者是变换的方式转换到低维空间，达到降维的目的，然后通过特征选取删选掉冗余和不相关的特征来进一步降维。特征选择应该获取尽可能小的特征子集，不显著降低分类精度、不影响类分布以及特征子集应具有稳定适应性强等特点。
本实施例中结合了两种方式的特征选择方法对提取出来的特征进行降维，即基于前向选择的特征选择策略和基于随机森林的特征选择策略进行特征选择，从而得到所述最优特征子集。
步骤S202，基于前向选择的特征选择策略将所述多维特征集合中的一个特征集中添加对应的特征，得到所述最优特征子集。
具体地，在本实施例的一种实现方式中，步骤S202包括以下步骤：
步骤S202a，对于所述多维特征集合中的一个特征集A，从候选特征集合S中加入一个特征到所述特征集A；
步骤S202b，通过分类器对加入特征后的特征集A进行特征分类；
步骤S202c，判断所述候选特征集合S是否为空或所述加入特征后的特征集A的准确率是否不提升；
步骤S202d，若所述候选特征集合S为空或所述加入特征后的特征集A的准确率不提升，则得到所述最优特征子集。
在本实施例中，基于前向选择的特征选择策略的基本步骤为：
1.初始化特征集A为空。
2.扫描i从1到n，如果第i个特征不在A中，那么将特征i和A放到一起得到特征Ai，在只使用Ai中特征的情况下，利用交叉验证来得到Ai的错误率。
3.从上步中得到的n个Ai中选择出错误率最小的Ai，更新A为Ai，如果A中的特征数达到n或者预设定的阈值(如果有)，那么输出整个搜索过程中最好的A，没达到转到步骤2。
作为一个示例，特征选择的具体步骤为：
首先，从候选特征集合S中加入一个特征到特征集A；然后，通过分类器对加入特征后的特征集A进行特征分类，判断所述候选特征集合S是否为空或所述加入特征后的特征集A的准确率是否不提升；若所述候选特征集合S为空或所述加入特征后的特征集A的准确率不提升，则得到所述最优特征子集；若为否，则继续从候选特征集合S中加入一个特征到特征集，直到所述候选特征集合S为空或所述加入特征后的特征集A的准确率不提升。
本实施例中按照向前选择算法逐渐增加特征，最后得到特征空间A；其中，特征空间A包含特征曲线斜率、曲线一阶导数特征、FFT特征、小波变换特征、曲线峰值特征。再增加其他特征已经不能再提升最后分类的准确率了。因此，得到了所述最优特征子集。
本实施例中的另外一种是基于随机森林的特征选择策略，该策略的主要思想是通过删除掉在随机森林算法中排名最后的几个特征来进行特征的减少，最终找到最优的特征子集进行疾病的分析。然后对两种方式的结果进行了对比。
步骤S203，基于随机森林的特征选择策略，删除掉在随机森林算法中排名最后的多个特征，得到所述最优特征子集。
具体地，在本实施例的一种实现方式中，步骤S203包括以下步骤：
步骤S203a，通过基尼指数对各特征的贡献度进行评价；
步骤S203b，根据各特征的贡献度评价得分，计算得到各特征在对应节点的重要性；
步骤S203c，对所有求得的特征的重要性评分进行归一化处理，排序后得到特征序列；
步骤S203d，删除重要性最低的多个特征，得到多个特征子集以及各特征子集对应的准确率；
步骤S203e，选择准确率最高的特征子集，得到所述最优特征子集。
本实施例中的基于随机森林的特征选择策略的思想是利用到了随机森林里对于每个特征的重要性评估。首先，对所有的特征进行重要性评估，然后，删除重要性最低的几个特征，接着进行模型的训练与预测得到每个特征的准确率。每次重复删除重要性最低的几个特征，得到一系列的特征子集与该特征子集下对应的模型的准确率。最后找到模型准确率最高的特征子集，即最优的特征选择结果。
随机森林能够进行特征的重要性评估，从理论上说就是看每个特征在随机森林中的每棵树上做了多大的贡献，然后取个平均值，最后比一比特征之间的贡献度大小。
通常来说是可以用基尼指数或者袋外数据错误率作为评价指标来衡量。本实施例中用到了基尼指数来进行特征贡献度的评价，具体方式如下。
这里将变量重要性评分用VIM来表示，用GI表示Gini指数，假设有m个特征。X1,X2,X3...Xm，现在要计算出每个特征Xj的Gini指数的评分VIMj (Gini)，即第j个特征在随机森林所有决策树中节点分裂不纯度的平均改变量。
Gini指数的计算公式如下。
其中K表示有K个类别，pmk表示节点m中类别k所占的比例。
直观的说，就是随便从节点m中随机抽取两个样本，其类别标记不一致的概率。
特征Xj在节点m的重要性，即节点m分枝前后的Gini指数变化量为：
其中，GI和GIr分别表示分枝后两个新的节点的Gini指数。
如果，特征Xj在决策树i中出现的节点在集合M中，那么Xj在第i棵树的重要性为：
假设随机森林中共有n棵树，那么：
最后把所有求得重要性评分做一个归一化初级即可。
在归一化处理分析后，基于各个特征在模型中的预测准确率进行排序，排序后得到特征序列，最后找到模型准确率最高的特征子集，即最优的特征选择结果。
如图1所示，在本发明实施例的一种实现方式中，基于呼吸气体的阿尔茨海默症检测方法还包括以下步骤：
步骤S300，将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
在本实施例中，提出一种新型的，可用于阿尔兹海默症分析的，一种相对依赖专业医生对患者进行全面评估并一定程度上依赖主观经验得出判断的方法来说更可量化，人力物力成本更低廉的新型阿尔兹海默症分析方法；相对通过神经影像学技术对患者大脑进行扫描来说无创伤、更为便捷快速、患者接受程度更高、费用更为低廉的分析方法。
具体地，在本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，以数据格式的方式将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，得到所述最优特征子集对应的分类准确率；
步骤S302，根据所述最优特征子集对应的分类准确率输出样本检测结果。
在本实施例中，针对上述获得的数据格式，对受试者样本分成了如下四类：
1)通过传统量表合生化指标检测具有阿尔兹海默症病理指标的患者(简称组A)；
2)自我感知有阿尔兹海默症症状但无生化指标佐证确诊的患者(简称为组B)；
3)具有一定临床阿尔兹海默症症状，但尚未最终确诊的患者(简称为组C)；
4)健康对照组；
其中组A～组C一般被认定位患有阿尔兹海默症或者具有阿尔兹海默症前期征兆，是本实施例中研究需要重点观察的方面。与之相对，同样采集了对应的健康对照组，而阿尔兹海默症患者于健康样本的数据表征如图4所示，图4中(a)为阿尔兹海默症样本数据的典型气味曲线样本；图4中(b)为健康样本数据的典型气味曲线样本。
其中可以看出，阿尔兹海默症患者关于TGS826、QS-01、TGS2600以及TGS2610D这五个传感器上的信号表达明显高于健康样本的信号表达，这种表现差异决定了本实施例中的传感器阵列的感知域中包含了分辨阿尔兹海默症关键信号分子的部分，使得对于阿尔兹海默症的呼气检定成为可能。
本实施例中选取3路最为典型的传感器通道(分别为对胺类敏感的TGS826、对烃类敏感的QS-01与对VOC敏感的TGS2600)，对每一类分别按照上述标签进行特征提取并降维，最终得到的特征响应分布如图5所示。图5中(a)表示传感器TGS826的特征表达分布，图5中(b)表示传感器QS-01的特征表达分布，图5中(c)表示传感器TGS2600的特征表达分布。
从图5中可以看出，组A曲线中位数在多路通道下均是最高的，且中位数距离上界分布很近，而与下界距离较远。整体数据分布向上密近情况明显；组B曲线在三组患病组别中，中位数响应为最低的，且与组A相反，中位数距离下界分布较近，距离上界较远，数据呈现向下密近分布；组C分布情况介于组A与组B之间，总体分布较为集中且中位数也相对适中。但是在部分通道响应中会有离群点出现。
相比于健康样本，三组患病样本的分布明显在多路通道下均高于健康样本分布。健康样本分布的上界在多路通道下都介于组A和组C的中位数之下，分布呈现出明显区别。图5中每张图的编号1～4分别为通过量表与生化指标确诊有阿尔兹海默症病理指标的患者、自认有阿尔兹海默症样症状但未检测出特定生化指标的患者、具有一定临床阿尔兹海默症症状，但尚未最终确诊的患者以及健康对照组。
而若去对照组内的详细数据分布，则有图6所示的结果。
图6中(a)表示传感器TGS826的详细特征表达分布，图6中(b)表示传感器QS-01的详细特征表达分布，图6中(c)表示传感器TGS2600的详细特征表达分布。图6中每张图的编号1～4分别为通过量表与生化指标确诊有阿尔兹海默症病理指标的患者、自认有阿尔兹海默症样症状但未检测出特定生化指标的患者、具有一定临床阿尔兹海默症症状，但尚未最终确诊的患者以及健康对照组。
由图6中可发现，三组阿尔兹海默患者的组别中数据分布呈现出一个明显的双峰分布：响应大约在1.8～2(QS-01传感器为1)时有一个分布聚类中心，而在约0.5时有另一个分布聚类中心。且对已明确确诊的组A患者而言，较高的聚类中心周围样本点分布比例更大，对于仅有自我感知的组B患者而言，较低的聚类中心周围样本点分布比例更大；此种表现可能代表着阿尔兹海默症的病况发展在呼气成分方面具有与病况发展严重程度的相关性，也因此具有探索基于呼气检测的阿尔兹海默症早期预警的研究空间。
此外，本实施例中还考察了提出的数据格式以及特征提取方法在分类阿尔兹海默症与健康的分类准确率情况。具体可采用SVM、RF、LR、和Xgboost四种分类器进行两两组合，求取每组的二分类的可分性。最终分类结果如表3所示。
表3不同组别的在多种分类准确率
在当前数据量中，健康与三组患病组别均具有可分性，其中组A最容易分类，准确率超过85％。组B与健康可分性稍弱，这与自我感知与实际病况存在现实偏差的缘故有关。
三组患病组之间两两不可分，但是由于先前的特征分布分析结果，可以得出数据分布存在一定差异。这些差异具体表现在双峰分布下的两个峰值的比例差异，需要靠一定更具备病理发展程度的标签标定后探索病况发展与呼气成分之间的关系。
本实施例中使用无创、无辐射的体表特征信息鉴定以阿尔茨海默症为代表的精神退行性疾病及其征兆预警。具体实现方法则是通过特征工程对采集到的呼吸气体进行处理，再用机器学习和模式识别的技术对经过特征工程之后的样本特征进行分析得到结果；本实施例中已经通过实验、模拟、使用而证明可行，经过特定特征提取与选择后的数据对阿尔茨海默症的分析测试中可以达到较高准确率。
本实施例通过上述技术方案达到以下技术效果：
本实施例通过气敏传感器阵列采集待检测呼吸气体的波形信号数据，可对波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；从而可将最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。本实施例通过特征工程对采集到的呼吸气体进行处理，再用机器学习和模式识别的技术对经过特征工程之后的样本特征进行分析得到结果，提高了对阿尔茨海默症的分类检测的准确率。
基于上述实施例，本发明还提供一种终端，其原理框图可以如图7所示。
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部设备；该显示屏用于显示相应的信息；该通讯模块用于与云端服务器或其他设备进行通讯。
该计算机程序被处理器执行时用以实现基于呼吸气体的阿尔茨海默症检测方法的操作。
本领域技术人员可以理解的是，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有基于呼吸气体的阿尔茨海默症检测程序，基于呼吸气体的阿尔茨海默症检测程序被处理器执行时用于实现如上的基于呼吸气体的阿尔茨海默症检测方法的操作。
在一个实施例中，提供了一种存储介质，其中，存储介质存储有基于呼吸气体的阿尔茨海默症检测程序，基于呼吸气体的阿尔茨海默症检测程序被处理器执行时用于实现如上的基于呼吸气体的阿尔茨海默症检测方法的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器。
综上，本发明提供了一种基于呼吸气体的阿尔茨海默症检测设备及方法，方法包括：包括：呼吸气体数据采集模块，用于通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；计算终端，用于对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；以及用于将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。本发明提出一种新型的可用于阿尔兹海默症诊断的，相对气相色谱法来说更加简易便携、成本更低、更适用于实际诊断场景的呼吸分析设备，提高了对阿尔茨海默症的分类检测的准确率。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于呼吸气体的阿尔茨海默症检测设备，其特征在于，包括：
呼吸气体数据采集模块，用于通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；
计算终端，用于对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；以及用于将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
2.根据权利要求1所述的基于呼吸气体的阿尔茨海默症检测设备，其特征在于，所述呼吸气体数据采集模块包括：
微型真空泵，用于抽取所述待检测呼吸气体；
所述气敏传感器阵列，用于采集所述待检测呼吸气体的传感器信号；
信号处理子模块，用于向所述气敏传感器阵列发送温度调控信号；以及用于对所述气敏传感器阵列获取的传感器信号进行信号处理，得到处理后的传感器信号；
数据采集卡，用于向所述微型真空泵发送控制信号，向所述信号处理子模块发送所述温度调控信号；以及用于将所述处理后的传感器信号传输至所述计算终端；
所述微型真空泵和所述信号处理子模块分别与所述数据采集卡连接；所述数据采集卡与所述计算终端连接；所述气敏传感器阵列与所述信号处理子模块连接。
3.根据权利要求1所述的基于呼吸气体的阿尔茨海默症检测设备，其特征在于，所述气敏传感器阵列包括：固体电解质二氧化碳传感器、对酮类化合物与烃类化合物敏感的TGS826传感器以及TGS2600传感器。
4.一种如权利要求1～3任一项所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，包括：
通过气敏传感器阵列采集待检测呼吸气体的波形信号数据；
对所述波形信号数据进行特征提取，并基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集；
将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果。
5.根据权利要求4所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，所述通过气敏传感器阵列采集待检测呼吸气体的波形信号数据，包括：
通过所述气敏传感器阵列采集所述待检测呼吸气体中对酮类化合物与烃类化合物较为敏感的气体的传感器信号，得到所述波形信号数据。
6.根据权利要求4所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，所述对所述波形信号数据进行特征提取，包括：
基于所述波形信号数据对所述待检测呼吸气体的强度、反应时间、差异程度、升降趋势以及整体特点进行几何特征提取，并通过快速傅里叶变换和小波变换对所述待检测呼吸气体进行频域特征提取，得到所述待检测呼吸气体的多维特征集合。
7.根据权利要求6所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，基于预设特征选择策略对提取得到的特征进行筛选，得到最优特征子集，包括：
基于前向选择的特征选择策略将所述多维特征集合中的一个特征集中添加对应的特征，得到所述最优特征子集；
或基于随机森林的特征选择策略，删除掉在随机森林算法中排名最后的多个特征，得到所述最优特征子集。
8.根据权利要求7所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，所述基于前向选择的特征选择策略将所述多维特征集合中的一个特征集中添加对应的特征，得到所述最优特征子集，包括：
对于所述多维特征集合中的一个特征集A，从候选特征集合S中加入一个特征到所述特征集A；
通过分类器对加入特征后的特征集A进行特征分类；
判断所述候选特征集合S是否为空或所述加入特征后的特征集A的准确率是否不提升；
若所述候选特征集合S为空或所述加入特征后的特征集A的准确率不提升，则得到所述最优特征子集。
9.根据权利要求7所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，所述基于随机森林的特征选择策略，删除掉在随机森林算法中排名最后的多个特征，得到所述最优特征子集，包括：
通过基尼指数对各特征的贡献度进行评价；
根据各特征的贡献度评价得分，计算得到各特征在对应节点的重要性；
对所有求得的特征的重要性评分进行归一化处理，排序后得到特征序列；
删除重要性最低的多个特征，得到多个特征子集以及各特征子集对应的准确率；
选择准确率最高的特征子集，得到所述最优特征子集。
10.根据权利要求4所述的基于呼吸气体的阿尔茨海默症检测设备的检测方法，其特征在于，所述将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，输出检测结果，包括：
以数据格式的方式将所述最优特征子集与阿尔兹海默症样本及健康样本进行对比分析，得到所述最优特征子集对应的分类准确率；
根据所述最优特征子集对应的分类准确率输出样本检测结果。
CN202410207912.XA 2024-02-26 2024-02-26 一种基于呼吸气体的阿尔茨海默症检测设备及方法 Pending CN118169188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410207912.XA CN118169188A (zh) 2024-02-26 2024-02-26 一种基于呼吸气体的阿尔茨海默症检测设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410207912.XA CN118169188A (zh) 2024-02-26 2024-02-26 一种基于呼吸气体的阿尔茨海默症检测设备及方法

Publications (1)

Publication Number Publication Date
CN118169188A true CN118169188A (zh) 2024-06-11

Family

ID=91349729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410207912.XA Pending CN118169188A (zh) 2024-02-26 2024-02-26 一种基于呼吸气体的阿尔茨海默症检测设备及方法

Country Status (1)

Country Link
CN (1) CN118169188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119112188A (zh) * 2024-11-14 2024-12-13 香港中文大学（深圳） 一种抑郁症检测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119112188A (zh) * 2024-11-14 2024-12-13 香港中文大学（深圳） 一种抑郁症检测系统

Similar Documents

Publication Publication Date Title
Exarchos et al. Artificial intelligence techniques in asthma: a systematic review and critical appraisal of the existing literature
US6405065B1 (en) Non-invasive in vivo tissue classification using near-infrared measurements
CN107679052B (zh) 大数据分析方法以及利用了该分析方法的质谱分析系统
CN111833330B (zh) 基于影像与机器嗅觉融合的肺癌智能检测方法及系统
Paleczek et al. Review of the algorithms used in exhaled breath analysis for the detection of diabetes
WO2001092859A1 (en) Method and system for classifying a biological sample
CN118380156B (zh) 肺结节恶性风险评估的模型构建方法及相关装置
CN118471348B (zh) 基于人工智能的人体体液光谱分析方法及系统
CN112256754A (zh) 基于标准模型的超声检测分析系统及方法
JP5963198B2 (ja) 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム
CN115064219B (zh) 基于机器学习的人呼气中VOCs生物标志物的识别方法
CN118169188A (zh) 一种基于呼吸气体的阿尔茨海默症检测设备及方法
CN119000487A (zh) 一种基于荧光技术的细胞死亡检测方法及系统
KR20250165337A (ko) 혈중 대사체에 의한 뇌 위축의 평가 방법
CN118568565A (zh) 基于对抗训练和多尺度注意力的肺癌电子鼻数据分类方法
CN117147813A (zh) 一种利用电子鼻检测多囊卵巢综合征的方法
CN119895258A (zh) 样本定量一致性和分类工作流程
Lin et al. Multivariate approaches for SERS data analysis in clinical applications
CN111276243B (zh) 一种基于生物标志物的多变量分类系统和方法
CN116313038A (zh) 一种诊断肌少症的装置、设备和系统
RU2846516C1 (ru) Система, способ и устройство для скрининга заболевания у субъекта
CN119920486B (zh) 一种研究左心衰和右心衰在心肺运动试验中异同的方法
CN111584005A (zh) 一种基于融合不同模式标志物的分类模型构建算法
US20230215569A1 (en) Systems and methods for detecting diseases based on the presence of volatile organic compounds in the breath
CN119073925B (zh) 结合多重验证分析的皮肤检测数据优化整合方法及平台

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