基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样。介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中。通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的。通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体。

基于荧光卟啉传感器阵列系统的肺癌标志物检测研究

针对肺癌呼出挥发性有机气体(VOCs)中的特定标志物,提出了一种新型的基于荧光卟啉传感器阵列检测系统,并对4种肺癌呼出标志物进行检测研究。通过小波分析等数学工具对测得的荧光光谱数据进行特征提取,然后采用层次聚类、主成分分析等统计学方法对特征向量进行分析。不同体积分数的各类标志物在聚类分析中能够完全正确的聚到一起。通过主成分分析得到的前3个主成分包含了标志物的88%的信息,便能对不同类别的标志物进行识别。研究表明:该荧光卟啉传感器阵列系统能够快速有效地对不同肺癌标志物进行识别,有望在临床中得到应用。

肺癌呼吸气体检测系统的气室设计

基于卟啉传感器阵列(PSA)的肺癌呼吸气体检测系统是通过采集处理PSA芯片表面图谱信息来对人体呼吸气体进行定性检测,达到早期肺癌诊断的目的。检测过程中,PSA芯片能否与气体分子快速、均匀结合将直接影响气体检测系统的准确度。以系统中PSA芯片与肺癌呼吸气体反应的气室为研究对象,借助CFD专用软件FLUENT对气室进行流场仿真结构优化,在气室理论模型的基础上,进行了气室实物制作,结果表明:通过采用抛物线形气室内腔、安装导流板、减小分流孔通径、适当加大分流孔倾斜角度等优化方案后,气室内呼吸气体呈层流流动状态,流场更加均匀、密集,能达到检测系统中PSA芯片与呼吸气体分子快速、均匀结合的要求。

基于模板匹配的肺癌呼出气体标志物识别研究

肺癌呼出气体标志物所形成的颜色特征图谱是卟啉传感器阵列应用于肺癌早期筛查的重要媒介。因此,基于特征图谱设计合理的模式识别方法是实现肺癌标志物识别的关键核心。针对特征图谱的响应特点,提出了一种模板匹配识别方法,该方法不仅了考虑特征图谱中传感器单元的响应数目和颜色差值,并且在匹配程度计算中对于敏感响应单元和非敏感响应单元赋予不同权值。通过分别对6种肺癌呼出气体标志物样本,以及20例肺癌患者和16例健康志愿者的呼出气体样本进行了识别测试。6种肺癌标志物样本的测试结果表明,该方法识别正确率高达94.17%,且相比于常用的聚类分析法,其检测限值更低,可达150×10-9。36例人体实际呼出气体样本测试结果表明,肺癌患者和健康志愿者的差值图谱存在明显差异,同时该模板匹配方法能够较好地区分肺癌患者和健康志愿者。该研究对于基于卟啉传感器阵列的肺癌呼出气体检测方法具有重要的应用价值。