医用电子鼻关键技术研究

论文摘要

医用电子鼻特指用于疾病诊断的电子鼻系统,主要由气体传感器阵列,信号预处理单元,模式识别算法三个部分构成。电子鼻用于疾病诊断具有无创性、便捷、高效等特点,是一种新的具有吸引力的诊断方法。本论文以医用电子鼻乳癌诊断和伤口病原菌检测为应用背景,研究了医用电子鼻的三大问题:灵敏度,可重复性和判别能力。论文的主要工作包括:1.针对目前气体传感器可检测浓度范围无法满足医用电子鼻临床测试需要的情况,设计实现了一个基于固体吸附/热解吸的气体浓缩系统,系统由流量控制单元、温度控制单元和填装混合吸附剂的吸附管三个部分构成。结合气体浓缩系统的医用电子鼻其灵敏性、抗干扰能力均得以提高,初步解决了由于目前气体传感器检测能力不够从而电子鼻无法直接用于呼吸气体疾病诊断的问题。2.电子鼻实验结果的有效性与可重复性和系统参数设置密切相关,传统的电子鼻实验方法仅凭经验设定操作参数,难以保证实验的可重复性和最大有效性。论文将实验设计方法(design of experiment, DOE)引入电子鼻的研究与开发中,系统地研究了电子鼻及预浓缩系统的操作参数对实验效果的影响。首先以基线总变异性为试验指标,采用部分析因分析方法,研究了电子鼻试验中各可控因素对实验效果的影响,分析了各可控因素对基线总变异性的主效应和交互效应,以指导在系统构建中考虑主要因素,优化系统结构。然后采用响应曲面方法,以浓缩效果最大为目标,分析了气体浓缩系统中的关键因素对气体浓缩效果的影响趋势,以指导浓缩系统中的参数设置。3.可重复性是医用电子鼻研究的关键问题之一,论文定义了医用电子鼻可重复性的含义,分析了影响医用电子鼻可重复性的主要原因:实验误差、噪声、传感器漂移及环境因素等。给出了衡量医用电子鼻可重复性的定性和定量指标:箱线图与可重复性得分。并利用箱线图和可重复性得分对医用电子鼻的传感器阵列、信号预处理方法、特征提取方法的可重复性进行了研究。4.医用电子鼻阵列优化的目的是为了去除冗余和相关,提高系统的判别能力。在讨论分析常见气体传感器阵列优化方法的基础上,提出了基于自适应遗传算法的医用电子鼻气体传感器阵列优化方法,通过设定传感器的重要性系数,实现了对传感器阵列的去冗余和相关,达到传感器阵列优化的目的。新的阵列优化方法应用于对五种乳癌特征气体和七种伤口病原菌的检测中,实验结果表明,新的优化方法可以有效地实现阵列的优化,提高医用电子鼻系统的判别能力。而传统的阵列优化方法可以视为基于重要性系数的阵列优化方法的一种特殊情况,传统优化方法中按照相关条件移除或保留传感器分别对应本文所提出方法中重要性系数置为0(移除对应传感器)或重要性系数置为1(保留对应传感器)。5.合适的特征提取与选择方法是医用电子鼻系统判别能力高低的关键。在分析了医用电子鼻常见特征提取方法的基础上,论文提出了基于小波变换的特征提取方法和基于离散度矩阵的特征选择方法。对气体传感器原始响应曲线进行一维离散小波变换,然后根据离散度矩阵优选部分小波系数作为分类器的特征。对五种乳癌特征气体和七种伤口病原菌的检测与识别试验结果表明,新的特征提取与选择方法可以提高医用电子鼻系统的判别能力。6.论文进一步分析了基于经验风险最小的模式识别方法的基本原理,验证了概率神经网络分类器在各类别先验概率相等的条件下等价于基于核函数的Bayes分类器,可以实现在分类误差最小意义上的最优分类的特性。对伤口病原菌单一成分、混合成分、叠加漂移成分的识别效果表明,概率神经网络分类器可以实现伤口病原菌的正确分类,并且具有较强的抑制漂移能力。针对医用电子鼻模式识别的本质是一个小样本、不等距模式识别系统,传统的基于经验风险最小的分类器可能应用效果欠佳,论文初步探讨了基于统计学习理论的支持向量机在医用电子鼻模式识别中的应用可能性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.1.1 气体传感器
• 1.1.2 采样和信号预处理
• 1.1.3 模式识别算法
• 1.2 医用电子鼻综述
• 1.3 电子鼻呼吸诊断原理
• 1.4 电子鼻伤口感染检测原理
• 1.4.1 伤口愈合类型和阶段
• 1.4.2 影响伤口愈合的因素
• 1.4.3 伤口感染常见病原菌及挥发性产物
• 1.5 医用电子鼻传感器选型与阵列构建.
• 1.6 医用电子鼻研究现状
• 1.7 课题意义及论文结构
• 1.7.1 课题研究意义
• 1.7.2 论文结构
• 1.7.3 主要研究内容
• 2 医用电子鼻气体浓缩系统
• 2.1 系统结构
• 2.2 吸附剂选择
• 2.3 温度控制与流量控制
• 2.4 主成分分析
• 2.5 实验与结论
• 2.5.1 结合气体浓缩的电子鼻系统抗干扰能力提高
• 2.5.2 结合气体浓缩的电子鼻系统区分能力提高
• 2.6 本章小结
• 3 医用电子鼻实验设计方法
• 3.1 实验设计方法
• 3.1.1 定义
• 3.1.2 部分因子实验设计
• 3.1.3 响应面实验设计
• 3.2 实验与结论
• 3.2.1 电子鼻系统实验设计
• 3.2.2 气体预浓缩系统实验设计
• 3.3 本章小结
• 4 医用电子鼻性能优化
• 4.1 医用电子鼻可重复性研究
• 4.1.1 医用电子鼻可重复性定义
• 4.1.2 医用电子鼻可重复性的判别方法
• 4.1.3 医用电子鼻可重复性比较试验
• 4.2 基于遗传算法的医用电子鼻阵列优化
• 4.2.1 遗传算法基本结构
• 4.2.2 遗传算法基本操作
• 4.2.3 遗传算法理论基础
• 4.2.4 遗传算法的改进
• 4.2.5 基于遗传算法的医用电子鼻传感器阵列优化方法
• 4.3 医用电子鼻特征提取与选择
• 4.3.1 电子鼻特征提取常见方法
• 4.3.2 基于小波变换的医用电子鼻特征提取
• 4.4 本章小结
• 5 医用电子鼻模式识别
• 5.1 分类方法基本原理
• 5.1.1 基于距离的分类器
• 5.1.2 统计分类器
• 5.1.3 神经网络分类器
• 5.1.4 聚类方法
• 5.2 概率神经网分类器
• 5.2.1 Parzen 窗核函数概率估计
• 5.2.2 概率神经网基本结构
• 5.2.3 基于概率神经网络分类器的伤口病原菌检测
• 5.3 支持向量机分类器
• 5.3.1 统计学习理论基本思想
• 5.3.2 支持向量机
• 5.3.3 基于最小二乘的支持向量机分类器
• 5.3.4 基于LS-SVM 的乳癌特征气体分类.
• 5.3.5 基于LS-SVM 的伤口病原菌分类.
• 5.4 本章小结
• 6 结论与展望
• 6.1 本文的主要研究内容
• 6.2 医用电子鼻研究展望
• 致谢
• 参考文献
• 附录