糖尿病呼气检测分析仪设计

张晨生 陆宁 闫梦 武一 花中秋

摘要 丙酮可以作为糖尿病呼气检测的一种标志物。从呼气检测角度出发，基于电子鼻原理设计了糖尿病呼气检测分析仪。研究中基于金属氧化物半导体（Metal Oxide Semiconductor，MOS）气体传感器设计了传感器阵列，基于末潮呼气缓冲原理（Buffered end-tidal，BET）设计了呼气进样器，基于Matlab通过主成分分析法（Principal Component Analysis，PCA）和BP（Back-propagation）神经网络对呼气进行了模式识别。在模拟试验中，利用 100 份健康的呼气样本和 100 份模拟病患的呼气样本对系统的功能进行了验证。PCA图谱显示气体传感器阵列对两类不同的呼气样本的响应有着明显的区别，呼气进样器可实现系统的在线式进样，模式识别算法对两种样本的最终识别精度为 91.67%。呼气分析仪的设计对于糖尿病的无入侵式检测有积极的意义。

关 键 词 电子鼻;呼气检测;糖尿病;气体传感器;丙酮

Abstract Acetone could be regarded as a biomarker for diabetes. From the point of breath detection， a diabetes breath detection analyzer was designed based on the principle. A sensor array based on MOS sensors was designed in the research. A sampler based on BET was designed. PCA and Back-propagation neural network （BPNN） were used in breath pattern recognition. In these simulated experiments， 100 healthy breath samples and 100 simulated breath samples were used to validate the breath analysis system. The result of PCA showed that the sensor array showed a distinct response patterns towards two different analytes. With the design of BET sampler， breath samples could be analyzed on-line. The classification accuracy of two kinds of breath samples by pattern recognition is 91.67%. The design of breath analyzer has positive significance for noninvasive detection of diabetes.

Key words electronic noses; breath detection; diabetes; gas sensor; acetone

0 引言

丙酮是人體代谢产物之一，健康人体呼气中的丙酮浓度较低，约为1×10-6～2×10-6 [1]。糖尿病患者由于体内异常的代谢状态，呼气中丙酮浓度可高达12×10-6 [2]。因此，以丙酮作为糖尿病标志物，通过对人体的呼气进行检测来确定受测人员是否患有糖尿病成为一种具有巨大潜力的无创检测方案。

呼气检测的方案多种多样，基于气相色谱、光学原理、电子鼻及气体传感器等气体检测技术在呼气检测研究中均有报道[3]。基于气相色谱与光学原理的检测技术[4-6]，其优点在于其灵敏度高、选择性好，在生物工程、化学分析等领域应用广泛。然而这两种检测方法成本高，仪器结构复杂，难以制成便携式的在线检测设备。气体传感器是气体检测的一个重要的研究领域，其特点是体积小、成本低、结构简单、便于集成化等。在呼气检测中，单只气体传感器由于交叉灵敏度问题，难以在复杂的呼气背景下对目标气体进行检测。电子鼻技术以多只气体传感器组成的传感器阵列为核心，对呼气中复杂气体具有更优的响应能力，配合以模式识别算法可以实现对不同特征的气体分析识别。

电子鼻技术具有检测速度快、成本低、便于集成化等优点，适合于便携式设备的研发。Yan等[7]利用商业MOS传感器设计了一款用于糖尿病呼气检测的电子鼻系统，该呼气分析系统使用离线进样的方式，应用了主成分分析法和SVM算法，对糖尿病样本的识别精度可达90%以上。值得注意的是呼气的进样方式可能会对实验结果造成影响。离线式气袋进样可能会导致气体样本的变质、损失等问题[8]，因此在线式呼气分析设备的研制十分有必要。

为实现糖尿病无入侵式检测，基于电子鼻原理设计了一款可实现在线式进样的便携式呼气检测分析仪。在研究中采用贵金属负载和分子筛膜技术对MOS传感器的性能进行调控，制备了传感器阵列，实现了对不同特征呼气的响应能力。基于末潮呼气缓冲的原理[9]设计了呼气进样器，实现了分析仪在线式进样。通过PCA和BP神经网络算法相结合量化了呼气分析仪的识别结果。最终通过模拟试验对呼气分析仪的识别能力进行了评估。

1 呼气分析仪设计与实验方案

1.1 呼气分析仪的设计

呼气分析仪的气路结构由呼气进样器、二氧化碳检测模块、传感器阵列及气泵组成，系统设计原理图和实物图分别如图1和图2所示。呼气进样器是一个用于缓冲呼气的玻璃容器。CO2检测模块由CO2传感器（ExplorlR?-W，GSS）和腔体构成。CO2检测模块用来判断是否有呼气呼入，发送给上位机对呼气数据进行保存。传感器阵列由10 只MOS传感器、1 个商业温湿度模块（SHT31-ARP，Sensirion）、传感器工作电路和检测腔体构成。在工作过程中，呼气从进样器进入，由真空泵从进样器中间的取样口抽取呼气，依次经过二氧化碳检测腔体和传感器阵列，最后从系统排出。传感器数据由数据采集卡采集后传输至计算机，通过数据处理和模式识别进行分析。

1.2 实验方案

1.2.1 气体传感器性能测试

研究中制备的10 只MOS气体传感器在搭载到电子鼻系统之前，通过一套动态测试设备进行了气敏性能测试。测试设备原理图如图3所示。测试的气体来自于钢瓶，气体流量通过质量流量控制器进行控制。气路中的气体总流量为100 mL/min，通过流量的配比得到不同浓度的目标气体。气体通过传感器检测腔体和温湿度模块检测后排出测试系统。传感器数据通过数据采集卡传输至计算机进行记录，传感器响应（Sensor response）S计算方式如式（1）所示，其中Ra为气体传感器在空气中的阻值，Rg为气体传感器在目标气体中的阻值。

1.2.2 呼气进样方式测试

通过在线式和离线式两种呼气进样测试，对呼气进样器进行了功能验证。在线式呼气进样测试中，测试人员进行一次深呼吸后通过一次性使用接嘴向呼气进样器呼气，呼气时长12 s。离线式呼气进样测试中，测试人员进行一次深呼吸后向气袋里呼气，再由气泵将呼气泵入呼气进样器，泵入时长12 s。两次试验的间隔为15 min，试验中的流速均通过转子流量计监测，控制为1 L/min。通过CO2检测模块对呼气进行检测，测试数据传送至计算机进行记录。

1.2.3 模拟试验

通过模拟试验对呼气分析仪的功能进行了验证。在测试人员午饭后2 h进行呼气采集，且呼气采集前测试人员处于平静状态。5 名身体健康的测试人员共提供了200 份呼气样本。向其中100 份呼气样本添加额外的丙酮气体至浓度达到5×10-6，作为模拟的糖尿病呼气样本。另外100 份呼气样本作为健康样本进行对照实验。呼气样本通过离线进样的方式进入呼气进样器，测试流程如下。

1） 基线阶段（60 s）：氣泵向呼气进样器泵入空气，流速为1 L/min，时长60 s。空气通过检测端的气泵从呼气进样器的取样口通入CO2检测模块和传感器阵列。传感器阵列的基线值通过数据采集卡进行记录。

2） 响应阶段（520 s）：气泵向呼气进样器泵入气袋里的呼气样品，流速为 1 L/min，时长 12 s。呼气通过检测端的气泵从呼气进样器的取样口通入CO2检测模块和传感器阵列。传感器阵列对呼气的响应从呼气开始泵入时计算，其响应值通过数据采集卡进行记录。

2 结果与讨论

2.1 呼气分析仪设计的实现

2.1.1 传感器阵列

MOS气体传感器是传感器阵列的基本功能单元。采用简易酸化法[10]和水热法[11]分别制备了WO3和SnO2纳米颗粒。采用浸渍法[12]制备了贵金属修饰改性的WO3和SnO2纳米敏感材料，同时制备了贵金属铂负载HZSM5作为气体传感器分子筛膜材料。通过丝网印刷技术[12]制备了10 只MOS气体传感器，传感器的信息如表 1所示。传感器芯片由3 mm×3 mm电极涂覆敏感材料制成，部分传感器敏感层上增加涂覆了一层分子筛膜，传感器芯片的结构如图4所示。气体传感器在使用前均在350 ℃条件下老化24 h。

研究中制备的10 只MOS气体传感器、1 个商业温湿度模块、检测腔体和传感器工作电路共同组成传感器阵列，如图5所示。腔体的体积为10 mL，在测试过程中腔体气氛发生变化时，样气可迅速充满腔体，从而减小气体置换时间对传感器响应速度的影响。腔体通过3D打印技术制成，选用了灰色玻璃纤维材质，一方面可以减小因腔体材质产生的气体吸附问题;另一方面可以减小因腔体材质本身挥发气体对传感器阵列响应信号造成干扰的问题。

2.1.2 呼气进样器

研究基于末潮呼气缓冲原理研制了呼气进样器，其基本工作原理是当人体通过一个长管呼气时，可以实现不同呼气阶段的几何分离[13]。如存在于鼻腔和口腔中的气体会先被排出缓冲管，而存在于肺泡中的末潮呼气最后排出缓冲管。该进样器是实现呼气分析仪在线式和离线式进样的关键设备，如图6所示。呼气进样器为玻璃材质容器，缓冲管内径为24 mm，壁厚为1.5 mm，容积为260 mL，接口外径为6 mm，内径为3 mm。在进行在线式和离线式进样的时候通过进样口分别与一次性接嘴和气袋进行连接。取样口连接二氧化碳模块和传感器阵列，排气口用于呼气的排出。在工作状态下，呼气进样器由加热带包裹，温度设置为70 ℃以防止呼气结露。呼气由进样口涌入，由检测端的气泵从取样口进行取样，通过传感器阵列进行检测，多余的呼气由排气口排出。

2.1.3 呼气数据分析

呼气数据分析由数据预处理、特征提取和模式识别3部分构成。单次呼气样本采样时长为10 min，数据采样频率为2 Hz，每个呼气样本数据包含1 200 个点。预处理采用分式差分法，与传感器性能测试中的传感器响应计算方式不同，其计算过程如式（2）所示。预处理的目的是优化传感器基线漂移问题[14]。式中[RS]为传感器阻值，[RSmin]为传感器阻值最小值，[SO]为经过预处理呼气数据。

特征提取实现了从呼气数据中提取关键特征信息，是模式识别的基础。目前在电子鼻研究中应用较多的特征提取方法包括原始响应曲线的零散特征提取、基于曲线拟合的特征提取、基于变换域特征提取及基于相空间的特征提取[15-16]。本研究中采用的是基于原始数据的零散特征提取方法，研究中从电子鼻中13 只传感器共提取了1 755 个数据特征，特征提取信息如表 2所示。

呼气分析仪基于Matlab通过PCA和BP神经网络进行模式识别。通过PCA将1 755 维原始数据特征进行变换，提取前32 个主成分作为BP神经网络的输入信息，实现了原始数据的降维。BP神经网络输入层节点数为32，隐含层有2个，其节点数分别为16和6，输出层节点数为1。

2.2 实验结果与讨论

2.2.1 气体传感器气敏性能分析

首先對MOS气体传感器对丙酮的气敏性能进行了探究，基于WO3气体传感器测试结果如图7所示。纯WO3气体传感器对于5×10-6的丙酮的响应约为6.5，而经过钯修饰的Pd-WO3气体传感器对于5×10-6丙酮的响应值提升到16，约为纯WO3纳米材料传感器的2.4 倍，这可能是由于钯金属的加入起到了催化剂的作用[17]。

贵金属修饰同样对基于SnO2气体传感器的气敏性能进行了调控，图8中未经铂修饰的SnO2气体传感器对5×10-6丙酮的响应值约为24，而经铂修饰的Pt-SnO2气体传感器对相同浓度的丙酮响应约为247，提升了近10倍。因此经过贵金属修饰改性的气体传感器对于丙酮的响应性能有着明显的提升，适于糖尿病呼气标志物丙酮的检测。

糖尿病患者的呼气在异常的代谢状态下，表现为一种以高于正常人丙酮浓度为主要特征的特殊呼气模式[18]，除丙酮以外，已有研究表明氢气和一氧化碳与人体的血糖水平相关[19-20]。因此，研究采用传感器阵列对不同的呼气模式进行分析，要求传感器阵列中的气体传感器对糖尿病患者的可能呼气标志物（丙酮、氢气和一氧化碳等）有较好的响应，并且不同的传感器之间的选择性有一定的差异性，因而传感器阵列可对不同特征的呼气响应不同的传感信息，以便于后续的模式识别。因此探究了MOS传感器对5种呼气中常见气体的响应，如图9所示。

从金属负载角度，钯金属的负载提升了WO3传感器对丙酮、氢气和一氧化碳的响应能力，同时提升了SnO2传感器对氢气的响应能力;铂金属的负载增强了SnO2传感器对丙酮、乙醇和一氧化碳的响应能力，减弱了对氨气的响应能力;同时负载了钯和铂的SnO2传感器对丙酮和氢气响应均有提升。从分子筛膜的角度，HZSM5分子筛膜提升了Pd-WO3气体传感器对丙酮和乙醇的响应，降低了Pd-SnO2气体传感器对氢气和氨气的响应;Pt-HZSM5分子筛膜同时提升了Pd-WO3和Pd-SnO2气体传感器对于丙酮、乙醇和氨气的响应能力，降低了其对于一氧化碳的响应能力。因此，研究中的贵金属修饰改性技术和分子筛膜技术使传感器的选择性更加的多元化，有利于对不同特征的呼气进行模式识别。

2.2.2 呼气进样方式试验

二氧化碳是呼气中一种稳定的化学成分，在本试验中用来作为呼气涌入呼气进样器的观测指标。呼气两种进样方式如图10所示，两种进样方式的二氧化碳浓度曲线基本吻合，可以说明呼气的浓度没有随进样方式的变化发生变化，两种进样方式均可进行呼气分析，不影响呼气分析的结果。从图中虚线框放大部分可以看出试验中12 s时的呼气，由于进样器的缓冲作用，其浓度达到相对稳定的时间被延长至约30 s，说明呼气进样器的缓冲作用可以延长气体传感器阵列与呼气响应的时间，使响应更加充分稳定。

2.2.3 模拟试验

通过对200 个呼气样本进行模拟试验，并对呼气数据进行分析。健康呼气样本和模拟呼气样本的PCA前3个主成分绘制成的三维图谱如图11所示。两类样本有着很好的聚类效果，说明两类呼气样本的特征有着明显的区别。在试验中随机选取了70%的数据作为训练集，30%的数据作为测试集。通过BP神经网络最终的识别精度为91.67%。呼气分析仪在模拟试验中表现出了良好的性能。

3 结论

为了实现糖尿病的无入侵式检测，基于电子鼻原理设计并制备了一个用于糖尿病呼气检测分析仪，得到主要结论如下：

1）贵金属钯和铂的负载能有效地调控WO3和SnO2气体传感器对丙酮的灵敏度，使传感器能响应低至0.3 ppm的丙酮。

2）贵金属钯和铂的负载和分子筛膜技术能有效地调控WO3和SnO2气体传感器对不同气体的选择性，使传感器阵列对不同特征呼气产生不同的响应。

3）基于末潮呼气缓冲原理的进样器可以实现在线式和离线式两种呼气进样方式，且可以将12 s的呼气时间延长至30 s。

4）呼气分析仪通过对呼气数据进行特征提取，并通过PCA和BP神经网络的算法进行识别，最终的模拟试验识别精度为91.67%，该系统设计对无入侵式糖尿病的呼气检测有参考意义。

参考文献：

[1]    ANDERSON J C. Measuring breath acetone for monitoring fat loss：Review[J]. Obesity，2015，23（12）：2327-2334.

[2]    奉轲，花中秋，伍萍辉，等. 用于检测糖尿病标志物的电子鼻优化设计[J]. 传感技术学报，2018，31（1）：13-18.

[3]    BRUDERER T，GAISL T，GAUGG M T，et al. On-line analysis of exhaled breath[J]. Chemical Reviews，2019，119（19）：10803-10828.

[4]    LAGG A，TAUCHER J，HANSEL A，et al. Applications of proton transfer reactions to gas analysis[J]. International Journal of Mass Spectrometry and Ion Processes，1994，134（1）：55-66.

[5]    TREFZ P，SCHMIDT M，OERTEL P，et al. Continuous real time breath gas monitoring in the clinical environment by proton-transfer-reaction-time-of-flight-mass spectrometry[J]. Analytical Chemistry，2013，85（21）：10321-10329.

[6]    CHEN Y，ZHANG Y，PAN F，et al. Breath analysis based on surface-enhanced Raman scattering sensors distinguishes early and advanced gastric cancer patients from healthy persons[J]. ACS Nano，2016，10（9）：8169-8179.

[7]    YAN K，ZHANG D，WU D R，et al. Design of a breath analysis system for diabetes screening and blood glucose level prediction[J]. IEEE Transactions on Biomedical Engineering，2014，61（11）：2787-2795.

[8]    HERBIG J，M?LLER M，SCHALLHART S，et al. On-line breath analysis with PTR-TOF[J]. Journal of Breath Research，2009，3（2）：027004.

[9]    HERBIG J，TITZMANN T，BEAUCHAMP J，et al. Buffered end-tidal （BET） sampling—a novel method for real-time breath-gas analysis[J]. Journal of Breath Research，2008，2（3）：037008.

[10]  曾艷，花中秋，田学民，等. Ru负载WO3纳米颗粒对NH3的气敏特性[J]. 硅酸盐学报，2018，46（1）：70-77.

[11]  祝杰君，邵圣茹，夏家信，等. 水热法合成SnO2空心球及其对乙醇气敏性能研究[J]. 化学研究与应用，2019，31（12）：2099-2105.

[12]  李彦，花中秋，武一，等. PdO表面催化改性WO3纳米颗粒对丙酮的气敏性能[J]. 硅酸盐学报，2017，45（10）：1467-1473.

[13]  SCHON S，THEODORE S J，G?NTNER A T. Versatile breath sampler for online gas sensor analysis[J]. Sensors and Actuators B：Chemical，2018，273：1780-1785.

[14]  亓培锋，孟庆浩，井雅琪，等. 电子鼻中预处理算法选择及阵列优化[J]. 数据采集与处理，2015，30（5）：1099-1108.

[15]  YAN J，GUO X，DUAN S，et al. Electronic nose feature extraction methods：a review[J]. Sensors （Basel，Switzerland），2015，15（11）：27804-27831.

[16]  YAN K，ZHANG D. Feature selection and analysis on correlated gas sensor data with recursive feature elimination[J]. Sensors and Actuators B：Chemical，2015，212：353-363.

[17]  KIM N H，CHOI S J，YANG D J，et al. Highly sensitive and selective hydrogen sulfide and toluene sensors using Pd functionalized WO3 nanofibers for potential diagnosis of halitosis and lung cancer[J]. Sensors and Actuators B：Chemical，2014，193：574-581.

[18]  G?NTNER A，ABEGG S，K?NIGSTEIN K，et al. Breath sensors for health monitoring[J]. ACS Sensors，2019，4（2）：268-280.

[19]  FRITSCH T，VAN HERPEN M，VON BASUM G，et al. Is exhaled carbon monoxide level associated with blood glucose level？ A comparison of two breath analyzing methods[J]. Journal of Biomedical Optics，2008，13（3）：034012.

[20]  PAREDI P，BIERNACKI W，INVERNIZZI G，et al. Exhaled carbon monoxide levels elevated in diabetes and correlated with glucose concentration in blood：a new test for monitoring the disease？ [J]. Chest，1999，116（4）：1007-1011.