人體通過呼氣釋放多種氣體和揮發性有機化合物（VOCs）。這些化合物可用作肺部疾病（包括哮喘）的生物標志物。電子鼻（electronic nose）可以在診斷患者病情方面發揮作用。主要存在的問題是需要根據傳感器的特性和性能選擇合適的傳感器來檢測各種類型的氣體，以提供最佳的系統，同時仍能提供高精度。遺傳算法在應用特征選擇問題方面具有很好的優勢，可以通過交叉、變異和選擇三個主要遺傳算子有效解決噪聲和共線性問題。

據麥姆斯咨詢報道，近日，印度尼西亞泗水理工大學（ITS）的研究人員組成的團隊在IEEE Access期刊上發表了題為“Optimization of the Electronic Nose Sensor Array for Asthma Detection Based on Genetic Algorithm”的論文。本項研究工作旨在應用遺傳算法來確定氣體傳感器的最佳數量，以通過呼氣來識別健康人群和疑似哮喘患者。研究人員將支持向量機（SVM）、隨機森林（RF）、極端梯度提升（XGBoost）、人工神經網絡（ANN）、一維卷積神經網絡（1D-CNN）、長短期記憶（LSTM）、門控循環單元（GRU）、1D CNN-LSTM和1D CNN-GRU等多種分類方法與選定的氣體傳感器陣列相結合，以獲得優化的電子鼻系統。實驗結果表明，遺傳算法能夠提供五個氣體傳感器，并為疑似哮喘患者呼出的氣體提供特定的傳感器模式。1D-CNN模型被選擇作為哮喘數據集的分類方法，其準確率為96.6%，精確度為96.1%，召回率為95.5%，F1分數為95.6%。

這項研究提出的設計如圖1所示。第一步是讓所有志愿者提供裝在1L（升）Tedlar袋中的測試樣本，所有受試者，包括健康和疑似哮喘患者，都由醫院的肺部專家進行了診斷。一種由七個氣體傳感器、一個腔室和一個電動泵構成的電子鼻已被開發并被用作測試裝置。所有電子元件均安裝在印刷電路板（PCB）上，以減少電路和環境噪聲。該儀器配備了神經網絡模式識別算法。為獲得最佳的神經網絡模型，需要對各種配置進行測試和評估。傳感器信號的標準化和特征提取被用于表示分成三個數據集的樣本特征，包括二元和多元數據集。利用最優神經網絡模型在三個數據集中對所有傳感器組進行測試。每個數據集都提供了基于高精度值的最佳傳感器。最后一步是使用支持SVM、隨機森林（RF）、極端梯度提升（XGBoost）、人工神經網絡（ANN）、一維卷積神經網絡（1D-CNN）、長短期記憶（LSTM）、門控循環單元（GRU）、1D CNN-LSTM和1D CNN-GRU等不同分類模型測試三個數據集上的主要傳感器。模型評估包括準確率、精確度、召回率和F1分數。

圖1 本項研究工作提出的方法

本項研究中使用的電子鼻系統由氣體傳感器陣列、微控制器和計算機構成（如圖2所示）。在這種情況下，一種金屬氧化物氣體傳感器被用于記錄呼出的氣體。使用金屬氧化物半導體作為氣敏材料的優點包括性能穩定、成本低、使用簡單、使用壽命長、響應時間短、對呼出氣體標記物的靈敏度高等。

圖2 實驗中使用的電子鼻

先前的研究已將SVM模型應用于多種場景，包括區分健康人群與疑似哮喘患者，以及對不同嚴重程度的哮喘進行分類。獲得的最高結果準確率為89.5%。然而，這些結果仍然可以通過改變模型參數來改善。該方法采用網格搜索交叉驗證（Grid-SearchCV）技術，被稱為超參數優化。該模塊是scikit-learn的一部分，scikit-learn是Python編程語言的軟件機器學習庫，它可以幫助確定基于最高精度的最佳模型參數。在本研究中，SVM、RF、GridSearchCV和遺傳算法來自scikit-learn庫，而ANN、1D-CNN、LSTM和GRU來自Keras庫。

遺傳算法基于變異、交叉、選擇等遺傳進化產生優化的解決方案。在本研究中，基于其適應度值，遺傳算法被用于評估和排除氣體傳感器。該方法將支持向量機（SVM）作為適應度函數。確定SVM模型參數的技術如圖3所示。

圖3 SVM作為遺傳算法的適應度函數

圖4描述了使用遺傳算法的傳感器選擇過程。

圖4 遺傳算法流程示意圖

哮喘類別涉及三種不同的嚴重程度，包括控制性哮喘、部分控制性哮喘和未控制性哮喘。所有這些類別都是根據ACT分數來標記的。每種類型的哮喘由10名受試者組成。因此，所有數據集都可分為二元和多元類。二元類由健康人群和哮喘患者數據集組成。多元類由健康人群和不同嚴重程度的哮喘患者數據集組成。每種類別的氣體傳感器響應示例如圖5所示。每種類別都有特定的傳感器響應曲線。

圖5 氣體傳感器對（a）健康人群、（b）控制性哮喘、（c）部分控制性哮喘和（d）未控制性哮喘患者呼出的氣體的響應

接下來，研究人員進行了分類模型的優化研究。

綜上所述，本研究應用電子鼻方法對健康人群和不同嚴重程度的疑似哮喘患者進行了分類。電子鼻系統涉及由七個氣體傳感器構成的傳感器陣列。同時，利用遺傳算法確定以SVM模型為其適應度函數的傳感器的最優數量。不同的分類模型被用于評估所選傳感器的性能。實驗結果表明，遺傳算法可以提供五個氣體傳感器，即MQ-8、MQ-136、MQ-137、MQ-138和TGS4161，并對疑似哮喘患者呼出的氣體產生特定的傳感器模式。在分類方面，1D-CNN、LSTM和1D CNN-LSTM模型的準確率至少為96%。1D-CNN模型被首選作為哮喘數據集的分類器，其準確度高達96.6%，精確度為96.1%，召回率為95.5%，F1分數為95.6%，并且訓練時間最短。提出的原型的尺寸仍然很大，包括一個傳感器腔室和一臺計算機。在未來的研究中，研究人員將減小傳感器腔室的尺寸，以加速氣體傳感器的響應。此外，分類模型將在單個板載計算機上實現，以提供緊湊且便攜的電子鼻系統。

編輯：黃飛

?