基于神经网络的呼气丙酮与人体健康状况研究

作     者：米玉泽 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：李磊;曹峰

授予年度：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080202[工学-机械电子工程] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0836[工学-生物工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：丙酮 呼气检测 气体传感器阵列 神经网络 

摘      要：丙酮作为人体呼出的气体成分之一,其浓度可以反映出人体的健康状况。经过研究发现呼气丙酮可以作为糖尿病患者的呼气标志物,而且人体在有氧运动的过程中,随着脂肪的氧化分解,呼出的丙酮的浓度也会升高。因此,精准的检测呼气丙酮的浓度对于监控人体健康状况具有重要意义。论文以半导体金属氧化物气体传感器作为呼气检测敏感元件,为解决单个气体传感器的交叉敏感问题,构建了由多个半导体金属氧化物传感器组成的传感器阵列,用于气体样本的采集。此外,为了准确的分类并预测人体呼出的标志物气体,搭建了神经网络作为气体检测算法,解决了传统算法步骤繁琐,精度低等问题。最后,通过对数据集引入噪声,模拟真实检测环境,验证了本文设计方法的有效性。本文主要工作如下: （1）根据目标气体以及干扰气体选取合适的气体传感器组成传感器阵列,并结合CGS-8智能气敏分析系统对丙酮、乙醇、异丙醇及混合物进行气体数据采集。通过GASF（Gramian Angular Summation Field）方法对采集到的气体传感器数据做可视化处理。 （2）定性识别方面,使用卷积神经网络（Convolutional Neural Network,CNN）中的AlexNet、VGG16、GoogLeNet建立气体定性识别模型,并对Goog Le Net进行优化和改进,采用密集连接的方式连接网络的各个层,并利用网络修剪减小各个层的通道数。通过对准确率、参数量和训练时间三个评估标准进行比较,实验结果表明,改进后的Goog Le Net在准确率和训练时间上取得了很好的结果,准确率达到100%,训练时间减少为1215.31s,参数量比改进前减少了约40%。使用添加了高斯噪声的验证集数据对改进后的Goog Le Net进行泛化能力验证,验证结果表明:添加噪声的标准差小于50时,模型性能不受任何影响;当添加噪声标准差达到200时,模型对丙酮、乙醇和异丙醇的分类准确率仍保持在100%,但对混合气体的总体分类准确率降为90.57%。 （3）定量分析方面,使用第三代神经网络脉冲神经网络（Spiking Neural Networks,SNN）和长短期记忆网络（Long Short-Term Memory,LSTM）建立气体定量分析模型,并对SNN和LSTM进行结合。为了模拟真实检测环境,添加了信噪比为30d B的噪声,通过对均方根误差（Root Mean Squared Error,RMSE）和决定系数R（R-Square）两个评估标准进行比较。实验结果表明,SNN结合LSTM对丙酮定量分析的均方根误差为0.014,绝对误差范围为-0.0275 ppm到0.035 ppm;对乙醇定量分析的均方根误差为0.012,绝对误差范围为-0.022 ppm到0.03 ppm;对异丙醇定量分析的均方根误差为0.007,绝对误差范围为-0.05ppm到0.045ppm。SNN结合LSTM对添加噪声后的丙酮定量分析的均方根误差为1.49,绝对误差范围为-5.8 ppm～2.2 ppm;对添加噪声后的乙醇定量分析均方根误差为1.62,绝对误差范围为-6.5 ppm～4.5 ppm。 本文设计的神经网络结合气体传感器阵列,具有高精度和高抗噪能力的特点,为呼气检测的数据处理提供了新的解决方案。