基于可视化仿生鼻的酮体标志物检测研究*

易 鑫， 罗小刚， 侯长军， 霍丹群， 刘晏明

(重庆大学 生物工程学院，重庆 400044)

0 引 言

人体酮体水平在临床上具有重要意义[1]，能为医生提供有效的诊断依据并能及时地遏制病情的进一步恶化。对于潜在的酮症患者，需要长期且频繁的酮体水平监测，特别是伴随着当前即时检验(point-of-care testing,POCT)技术以及医疗仪器家用化的持续发展，迫切需要一种无创、直观简便的实验室外酮体检测方法。

当前主流的酮体检测方法中，如分光光度法、电化学方法、光谱分析法等等[2]，存在着仪器昂贵、或者有创、或者需要专业技术人员操作等问题，更适用于临床上或者实验室内的酮体水平检测。据相关研究表明，人体呼出丙酮气体与酮体水平密切相关，可以作为反映酮体的重要标志物用于酮症的诊断及监控[3]。

结合当前最新的基于光化学比色传感器阵列的可视化仿生鼻技术在微量级目标分析物检测中所展示出的响应速度快、高选择性、高特异性、无创、检测结果直观可视化等特点[4～6]，本文基于可视化仿生鼻技术对酮体标志物丙酮气体检测进行了深入研究，探索比色传感器阵列与不同浓度丙酮气体的颜色特征响应关系，为人体酮体水平的实验室外检测技术提供了一种新的研究思路和方法。

1 检测原理

光化学比色传感器阵列由多个具有非特异性化学传感器单元以5×5或6×6等阵列形式组成。传感器单元主要包括卟啉及卟啉衍生物、氧化还原剂以及pH指示剂等化学试剂，具有非常优良的分子识别能力[7,8]。当传感器单元与目标分析物发生分子间的相互作用时，其吸收光谱发生改变[9]，引起传感器单元呈现不同的颜色变化。当比色传感器阵列与不同分析物反应时，其整体响应会形成具有独特模式的颜色响应差值图谱，即分析物的“指纹图谱”[10]。

当前分析化学广泛应用的颜色空间应用中，色度饱和度亮度(hue saturation intensity,HIS)颜色空间具备分量独立性，易于图像处理等特点[11]，更重要的是，其H分量与可见光光谱信息的主波长有关[12]。理论上，通过H分量实现对物质的定性或定量检测与基于光谱信息的分析化学方法具有一定的类比性。综上考虑，实验中所获取的颜色信息需要通过式(1)转换到HSI颜色空间

(1)

2 实验

2.1 实验装置

如图1所示，整个实验装置由三大子系统所构成：上位机主控制系统,如图1(a)，气路循环系统,如图1(b)和下位机微控制系统,如图1(c)。配气室所配置的一定浓度的目标气体在气泵的引导下进入反应气室，并与比色传感器阵列发生循环反应，此时上位机主控制系统控制摄像头抓取阵列反应前后的图像并获取差值谱图完成图像分析。在反应期间，下位机微控制系统协助主控制系统实现气泵、电磁阀和光源的控制，同时完成反应环境的监控。

图1 实验装置示意

2.2 实验准备

1)传感器阵列制备

实验前，根据需要筛选出对丙酮气体选择性较强的36种化学试剂，并利用微阵列点样仪分别制备了5组，每组15张，共计75张同等规格类型的6×6比色传感器阵列。使用前，所有制备好的比色传感器阵列必须在充满氮气(N2)的密封容器中放置24 h。

2)丙酮气体配制

健康人群呼出丙酮气体的平均浓度含量在(0.49±0.2)×10-6水平范围，而糖尿病患者的呼出丙酮气体浓度水平则在1×10-6以上，酮症酸中毒患者的呼出丙酮气体浓度甚至可以高达20×10-6以上。因此，为了模拟出酮症患者呼出丙酮气体的浓度范围，实验前,利用99 %的氮气(重庆晋升气体生产)将99 %的丙酮分析纯(重庆川东化工生产)分别稀释得到10×10-6，40×10-6，80×10-6，120×10-6，200 ×10-6等5个浓度水平的丙酮气体，并使用气相色谱仪对各浓度丙酮气体样本进行了定标。

3)检测参数设置与数据预处理

在丙酮气体检测实验中，反应时间设置为6 min，同时在反应中分15个不同时刻抓取比色传感器阵列的反应图像(时间点分别为0.25,0.50,0.75,1.00,1.25,1.50,2.00,2.50,3.00,3.50,4.00,4.50,5.00,5.50,6.00 min等)。

待丙酮气体与比色传感器阵列充分反应后，根据式(2)分别获取对应时间点阵列图像反应前后的颜色差值信息ΔHSI

(2)

式中Ht，St，It分别为反应后某一时刻阵列点的色调值、饱和度值、亮度值；H0，S0，I0为反应前阵列点的颜色分量值。ΔHSI具有唯一性，是实现目标气体分析检测的数据基础。

3 实验结果与分析

3.1 HSI特征动态响应分析

如图2(a)所示，比色传感器阵列与不同浓度丙酮气体反应中，主要由坐标分别为(2，1)，(3，1)，(3，2)，(4，5)，(5，4)等5个传感器单元产生颜色响应。实验分析中主要考虑该5个传感器单元的HSI差值特征。为了描述比色传感器阵列的HSI差值特征动态响应过程，可以通过式(3)来表示t时刻传感器阵列在H，S，I3个分量上的响应强度

(3)

式中 ΔHt(2,1)为t时刻坐标为(2，1)的阵列点H分量的特征响应值；ΔSt(2,1)，ΔIt(2,1)等类推。

实验中，统计了各浓度丙酮气体15次平行样本检测中H，S，I分量响应强度的均值作为对应浓度丙酮气体的整体响应强度。通过上述操作，获得了如图2所示不同浓度丙酮气体的HSI差值动态响应曲线。

图2 不同浓度丙酮气体HSI差值特征动态响应特性

可知HSI差值动态响应曲线在5 min后逐渐趋于平缓，表明6 min时传感器阵列与丙酮气体的反应过程已经基本达到平衡，提示该时刻的HSI特征响应图谱可以作为对应浓度丙酮的特征图谱进行后续的特征分析。通过图中不同浓度丙酮所对应颜色分量(ΔH，ΔS，ΔI)的变化趋势表明丙酮浓度与颜色信息变化不存在简单的线性关系。

3.2 HSI特征聚类分析

如图3所示为传感器阵列与不同浓度丙酮气体反应6 min后所得到的HSI差值特征图谱， 5个传感器单元的颜色特征信息组成了5×3=15维的特征向量数据。考虑到统计学方法在高维数据分析中的优良效果，实验中选择了其中的层次聚类分析法对不同浓度丙酮气体的HSI差值特征进行了数据分析。

图3 不同浓度丙酮气体HSI差值特征图谱

实验中5种浓度，每个浓度得到15个平行样本检测数据，每个浓度随机抽取其中的5个样本数据，共计25个样本的HSI差值特征向量数据进行层次聚类分析。聚类分析中选择了常用的离差平方和法作为聚类准则，同时选择了n维向量下的欧氏距离作为类间距离的统计方式，最终的分析结果如图4所示。

图4 不同浓度丙酮气体HSI差值特征的层次聚类树状图

可知，层次聚类分析方法大体上将25个样本划分成了5个大类，但并未完全实现相同浓度气体样本的聚类，其结果与预期的聚类效果相距甚远。虽然图3中所示的不同浓度丙酮气体的HSI差值特征图谱在视觉效果上所表现出来的差异比较明显，但在实际的聚类分析中仍然出现了错误分类。

HSI差值特征数据聚类失败的主要原因可能是聚类中仅仅考虑了样本间的距离，但实验中所得到的不同浓度丙酮气体的HSI差值特征数据之间的差异非常小，因此，很有可能出现将不同浓度气体错误归为一类的情况。此外，HSI特征动态响应分析结果中表明：HSI差值特征与丙酮气体浓度存在着非线性的关系，而层次聚类分析法作为线性分类方法可能无法解决这种非线性关系映射问题。

3.3 基于反向传播神经网络的HSI特征识别

1) 网络模型设计

建立反向传播(back propagation,BP)神经网络实现HSI差值特征到丙酮浓度的映射关系，根据输入、输出数据的特征确定网络结构模型，主要包括输入层、隐含层、输出层以及激励函数等参数的确定[15]。最终确定的参数如表1所示。

表1 本文采用的BP神经网络参数设置

2)网络模型训练

从实验中所获得的5组不同浓度实验数据中各自随机抽取13个平行样本数据作为训练集开始进行网络模型训练，剩余的2个平行样本数据作为测试集进行模型验证。

3)识别结果与分析

为了验证实验所建立的网络模型的有效性，将各浓度丙酮气体的测试集数据输入到网络中进行HSI特征识别，识别结果如表2所示。

表2 不同浓度丙酮气体的HSI特征识别结果

可知：所有测试集样本的识别浓度和实际浓度的平均相对误差为6.67 %，满足相对误差小于10 %的要求。这表明实验中所构建的BP神经网络模型建立了HSI差值特征到丙酮气体浓度的非线性映射关系。当然，表2中序号分别4，6，8的3个样本测试中，识别结果的相对误差分别高达32.4 %，10.35 %，10.14 %。说明本文用于建立网络模型的训练集数据还需要进一步丰富。

4 结 论

本文基于可视化仿生鼻对酮体标志物丙酮气体进行了检测，并针对不同浓度丙酮气体的HSI差值特征进行了动态响应分析、层次聚类分析以及BP神经网络识别等。实验分析结果表明：丙酮气体浓度与传感器阵列的HSI特征响应存在非线性关系，层次聚类分析无法完全实现相同浓度气体数据的最优聚类，而BP神经网络则较好地实现了不同丙酮气体浓度的识别，识别结果的整体相对误差为6.67 %。由此可见:可视化仿生鼻技术能够实现酮体标志物丙酮气体的有效识别，为实验室外酮体检测方法提供了新的研究方向，但目前该研究还有待完善，如特征识别中训练样本的多样化、精细化以及色调H值变化与光谱信息变化的类比性研究等。

参考文献:

[1] Shaw J E,Sicree R A,Zimmet P Z.Global estimates of the prevalence of diabetes for 2010 and 2030[J].Diabetes Research & Clinical Practice,2010,87(1):4-14.

[2] 马念章,李 光,廖静敏.人体内酮体检测技术的研究进展[J].分析化学,2005,33(7):1019-1022.

[3] Qiao Y,Gao Z,Liu Y,et al.Breath ketone testing:A new biomarker for diagnosis and therapeutic monitoring of diabetic ketosis[J].Biomed Research International,2014,(1):869186.

[4] Askim J R,Mahmoudi M,Suslick K S.Optical sensor arrays for chemical sensing:The optoelectronic nose[J].Chemical Society Reviews,2014,45(2):8649-8682.

[5] Sener G,Uzun L,Denizli A.Colorimetric sensor array based on gold nanoparticles and amino acids for identification of toxic metal ions in water[J].ACS Applied Materials & Interfaces,2014,21 (6):18395-18400.

[6] Qian S,Lin H.A colorimetric indicator-displacement assay array for selective detection and identification of biological thiols[J].Analytical & Bioanalytical Chemistry,2014,406(7):1903-1908.

[7] Hou C,Dong J,Zhang G,et al.Colorimetric artificial tongue for protein identification[J].Biosensors & Bioelectronics,2011,26(10):3981-3986.

[8] 宋振国,侯长军,罗小刚,等.基于比色传感器阵列的农残检测系统设计[J].传感器与微系统,2015,34(9):97-99.

[9] Hou C,Li J,Huo D,et al.A portable embedded toxic gas detection device based on a cross-responsive sensor array[J].Sensors & Actuators B:Chemical,2012,161(1):244-250.

[10] 贾明艳,冯 亮.光化学比色传感器阵列的研究进展[J].分析化学,2013,41(5):795-802.

[11] Capitán-Vallvey L F,López-Ruiz N,Martínez-Olmos A,et al.Recent developments in computer vision-based analytical chemistry:A tutorial review[J].Analytica Chimica Acta,2015,899:23-56.

[12] Oliveira H J S D,Jr P L D A,Sampaio B A,et al.A handheld smartphone-controlled spectrophotometer based on hue to wavelength conversion for molecular absorption and emission measurements[J].Sensors & Actuators:B Chemical,2016,238:1084-1091.

[13] Ueta I,Saito Y,Hosoe M,et al.Breath acetone analysis with miniaturized sample preparation device:In-needle preconcentration and subsequent determination by gas chromatography-mass spectroscopy[J].Journal of chromatography B:Analytical technologies in the biomedical and life sciences,2009,877(24):2551-2556.

[14] Turner C,Walton C,Hoashi S,et al.Breath acetone concentration decreases with blood glucose concentration in type I diabetes mellitus patients during hypoglycaemic clamps[J].Journal of Breath Research,2009,3(4):046004.

[15] 罗小刚,张承丹,侯长军,等.基于卟啉传感器阵列系统的肺癌标志物识别算法[J].传感器与微系统,2017,36(4):134-137.