用于伤口感染细菌检测的医用电子鼻研究

发布时间：2017-10-15 14:00

  本文关键词：用于伤口感染细菌检测的医用电子鼻研究

  更多相关文章： 电子鼻系统 核方法 支持向量机 随机森林

【摘要】：电子鼻用于伤口感染检测具有快速、无创、高效、对环境要求度不高等特点,具有广阔的应用前景。通过设计用于检测伤口细菌感染的医用电子鼻系统,针对常见伤口感染细菌生长过程中的代谢产物的气味,实现对伤口感染病原菌的检测。具有非常重要的临床实用价值。本文旨在构建一种电子鼻气味采集平台,能够实现对细菌代谢产物的信息采集、数据处理和分析,达到快速筛查病人伤口感染病原菌种类的目的。同时,根据采集到的数据设计合适的算法,利用智能算法构建模式识别模型,可有效提高识别率和训练速度。论文的主要研究成果包括：①完成气味采集平台的构建,主要包括传感器选型、传感器阵列构建、进样系统以及数据采集模块的构建。在该平台上完成了基于肉汤培养基的金黄色葡萄球菌、铜绿假单胞菌、大肠杆菌以及细菌的两两混合样本的气味采集。为了提高样本之间的差异程度,部分样本使用蒸馏水对原始培养液进行稀释,以保证气味特征提取的准确度。②针对采集到的数据的特点,选取合理的预处理方法和特征提取方法,以构建适合训练分类器的样本矩阵。同时,文章介绍了常见的电子鼻的算法,包括使用PCA/KPCA对特征进行选择,LDA/KDA对特征进行降维,以及支持向量机和随机森林方法对样本进行分类,并使用QPSO算法对需要进行寻优的分类器进行寻优。③采用多种方法组合验证的手段,验证分类器对样本集的分类效果,包括针对感染和未感染的二分类模型以及细菌感染类型的多分类模型。实验显示,不依赖于参数选择的随机森林方法,在分类性能上优于依赖于参数选择的智能算法。利用优化算法可以一定程度上弥补依赖于参数选择的智能算法的不足,但是受限于验证集样本和测试集样本之间的差异,优化算法结合多种需要参数选择的算法始终无法在性能上超过随机森林。作为一种新兴的分类算法,随机森林在针对伤口感染细菌检测的电子鼻上具有广阔的应用前景和实用价值。
【关键词】：电子鼻系统 核方法 支持向量机 随机森林
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH77
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-14
• 1.1 电子鼻技术概述8-9
• 1.2 医用电子鼻的研究意义和国内外研究现状9-12
• 1.2.1 电子鼻在医学诊断中的研究进展9-10
• 1.2.2 国际上现有的商业电子鼻10-11
• 1.2.3 论文的研究意义11-12
• 1.3 论文的结构和安排12-14
• 2 医用电子鼻系统原理介绍14-32
• 2.1 电子鼻系统原理14-15
• 2.2 医用电子鼻气路系统15-19
• 2.2.1 气路系统框图16-17
• 2.2.2 传感器气室17-18
• 2.2.3 气路工作流程18-19
• 2.3 传感器阵列设计19-27
• 2.3.1 常用气敏传感器种类19-23
• 2.3.2 传感器选型23-26
• 2.3.3 传感器信号采集26-27
• 2.4 实验设计27-29
• 2.5 本章小结29-32
• 3 电子鼻信号常用处理方法及算法32-56
• 3.1 电子鼻信号的预处理32-33
• 3.2 传感器信号的特征提取33-36
• 3.2.1 传感器特征提取的常用方法34
• 3.2.2 常用的基线处理方法34-35
• 3.2.3 数据的标准化处理35-36
• 3.3 电子鼻信号特征选择36-41
• 3.3.1 主成分分析理论36-38
• 3.3.2 核方法原理38-40
• 3.3.3 基于核方法的主成分分析40-41
• 3.4 基于有监督方法的数据降维算法41-46
• 3.4.1 引言41-42
• 3.4.2 LDA算法原理42-44
• 3.4.3 基于核函数的判别分析44-46
• 3.5 模式识别与参数优化算法46-53
• 3.5.1 引言46
• 3.5.2 支持向量机理论46-49
• 3.5.3 随机森林方法49-50
• 3.5.4 量子粒子群优化算法50-53
• 3.6 本章小结53-56
• 4 面向伤口感染电子鼻的算法模型构建56-62
• 4.1 结合验证集与优化算法的模型构建56-59
• 4.1.1 QPSO优化SVM参数的算法设计56-57
• 4.1.2 QPSO优化KPCA/PCA与SVM参数的算法设计57-58
• 4.1.3 QPSO优化KPCA/PCA、LDA/KDA与SVM参数的算法设计58-59
• 4.2 随机森林算法模型构建59-60
• 4.3 本章小结60-62
• 5 实验结果与算法性能分析62-72
• 5.1 数据集构成62-63
• 5.2 二分类问题性能分析63-65
• 5.2.1 QPSO优化SVM参数的二分类模型性能63-64
• 5.2.2 随机森林的二分类模型性能64-65
• 5.3 细菌感染类型的多分类模型构建65-69
• 5.3.1 QPSO--PCA/KPCA---SVM的多分类模型66-67
• 5.3.2 QPSO--PCA/KPCA--LDA/KDA--SVM的多分类模型67-68
• 5.3.3 随机森林的多分类模型68-69
• 5.4 本章小结69-72
• 6 总结与展望72-74
• 致谢74-76
• 参考文献76-79

【参考文献】

中国期刊全文数据库 前10条

1 于化龙;;主成分分析应用研究综述[J];经营管理者;2013年03期

2 蔡睿妍;;Arduino的原理及应用[J];电子设计工程;2012年16期

3 韩青松;简永利;涂宜强;高永安;宋显章;涂国众;段龙川;;绿脓杆菌研究进展[J];畜牧与饲料科学;2012年01期

4 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

5 王艳;曾建潮;;多目标微粒群优化算法综述[J];智能系统学报;2010年05期

6 马小姝;李宇龙;严浪;;传统多目标优化方法和多目标遗传算法的比较综述[J];电气传动自动化;2010年03期

7 马淑凤;王周平;丁占生;王利强;徐化能;;应用电子鼻技术对水蜜桃储藏期内品质变化的研究[J];食品与生物技术学报;2010年03期

8 刘明;潘磊庆;屠康;刘鹏;;电子鼻检测鸡蛋货架期新鲜度变化[J];农业工程学报;2010年04期

9 张覃轶,谢长生,黄永彬;气体传感器阵列常用模式识别算法[J];传感器技术;2005年05期

10 邹小波,赵杰文,吴守一;气体传感器阵列中特征参数的提取与优化[J];传感技术学报;2002年04期

中国硕士学位论文全文数据库 前1条

1 樊澍;基于量子粒子群的电子鼻伤口感染检测算法研究[D];重庆大学;2014年

，

本文编号：1037497