基于卟啉传感器阵列系统的肺癌标志物识别算法

罗小刚; 张承丹; 侯长军; 霍丹群; 杨眉; 雷靳灿

doi:10.13873/J.1000-9787(2017)04-0134-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于卟啉传感器阵列系统的肺癌标志物识别算法

计算与测试 | 更新时间：2025-09-11

- 基于卟啉传感器阵列系统的肺癌标志物识别算法
- Recognition algorithm for lung cancer markers based on porphyrin sensor array system
- 传感器与微系统 2017年36卷第4期页码：134-137
- 作者机构：
  
  重庆大学生物工程学院
- 作者简介：
- 基金信息：
  
  国家科技支撑计划资助项目（2012BAI19B03）;国家自然科学基金资助项目（81271930,81171414）;中国博士后科学基金面上资助项目（2015M582522）;重庆市博士后科研项目特别资助项目（Xm2015051）;重庆大学大型仪器设备开放基金资助项目
- DOI：10.13873/J.1000-9787(2017)04-0134-04
  中图分类号： R734.2;TP183;TP212
- 纸质出版：2017
- 稿件说明：
移动端阅览
[1]罗小刚,张承丹,侯长军,霍丹群,杨眉,雷靳灿.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(04):134-137.

LUO Xiao-gang, ZHANG Cheng-dan, HOU Chang-jun, et al. Recognition algorithm for lung cancer markers based on porphyrin sensor array system[J]. 2017, 36(4): 134-137.
[1]罗小刚,张承丹,侯长军,霍丹群,杨眉,雷靳灿.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(04):134-137. DOI： 10.13873/J.1000-9787(2017)04-0134-04.

LUO Xiao-gang, ZHANG Cheng-dan, HOU Chang-jun, et al. Recognition algorithm for lung cancer markers based on porphyrin sensor array system[J]. 2017, 36(4): 134-137. DOI： 10.13873/J.1000-9787(2017)04-0134-04.

摘要

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体

不同标志性气体检测输出的差值图谱不一样。介绍了一种结合反向传播（BP）神经网络和主成分分析（PCA）的肺癌标志性气体种类识别算法

并将其应用在卟啉传感器阵列系统中。通过计算卟啉传感器阵列中各点的主成分得分选出敏感点

保留各气体敏感点的值

并组成识别模板作为BP神经网络的输入层

达到去除冗余数据的目的。通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果

证明提出的算法可以更加精确地识别不同的肺癌标志性气体。

Abstract

Porphyrin sensor array system can detect lung cancer specific markers in exhaled gases

output vary from marker to marker. A pattern recognition algorithm based on backpropagation（ BP） neural network and principal component analysis（ PCA） is proposed and is applied in porphrin chemical sensor array integrated system. The sensitive points is selected by calculating principal component scores in porphyrin sensor array

and reserve value of each gas sensitive points

and template of recognition is formed as the input layer of the BP neural network to achieve the goal of removing redundant data. Comparing with the result of clustering analysis and BP neural network identification without reducing dimension and data after reducing dimension as input

the result of the proposed algorithm can identify precisely for lung cancer specific markers.

关键词

Keywords

references

呼出气挥发性有机物检测在肺癌诊断与治疗中的研究与应用 [J]. 韩瑶,王茂筠,梁宗安. 中国呼吸与危重监护杂志 . 2015(02)

BP神经网络隐含层单元数的确定 [J]. 沈花玉,王兆霞,高成耀,秦娟,姚福彬,徐巍. 天津理工大学学报 . 2008(05)

Principal component analysis [J] . HervéAbdi,Lynne J.Williams. Wiley Interdisciplinary Reviews Computational Statistics . 2010 (4)

Quality of indoor residential air and health [J] . Dales, Robert,Liu, Ling,Wheeler, Amanda J,Gilbert, Nicolas L. Canadian Medical Association. Journal . 2008 (2)

Prediction of lung cancer using volatile biomarkers in breath [J] . Michael Phillips,Nasser Altorki,John H.M. Austin,Robert B. Cameron,Renee N. Cataneo,Joel Greenberg,Robert Kloss,Roger A. Maxfield,Muhammad I. Munawar,Harvey I. Pass,Asif Rashid,William N. Rom,Peter Schmitt. Cancer Biomarkers . 2007 (2)

Volatile organic compounds in breath as markers of lung cancer: a cross-sectional study [J] . Michael Phillips,Kevin Gleeson,J Michael B Hughes,Joel Greenberg,Renee N Cataneo,Leigh Baker,W Patrick McVay. The Lancet . 1999 (9168)

浏览量

129

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

表面肌电肌力估计模型研究进展

基于GA-BP神经网络的气体传感器湿度补偿研究

基于OpenPose的人体动作识别对比研究

改进神经网络的传感器故障诊断与容错处理

基于迁移学习的风力发电机叶片裂缝识别