相关实验视频
Updated: Jul 5, 2025

Breath Collection from Children for Disease Biomarker Discovery
Published on: February 14, 2019
机器学习方法:检测人类呼出的呼吸生物标志物中的疾病变体
Bhuvaneswari Selvaraj1,2, Elakkiya Rajasekar3, John Bosco Balaguru Rayappan1,2
1Centre for Nanotechnology & Advanced Biomaterials (CeNTAB), SASTRA Deemed University, Thanjavur, Tamil Nadu 613 401, India.
一个使用XGBooster分类器的增强电子鼻子 (eNose) 系统在预测从呼气中排出的多种疾病方面取得了98.36%的准确性. 这一进步整合了商业和新型传感器,以精确检测生物标志物.
科学领域:
- 生物医学工程 生物医学工程
- 传感器技术 传感器技术
- 医疗保健中的机器学习
背景情况:
- 基于传感器的医疗设备对于疾病预测和分析至关重要.
- 电子鼻子 (eNose) 设备提供了多方面的应用,特别是在分析呼气生物标志物时.
- 从呼吸分析中预测多种疾病变体仍然是一个重大的研究挑战.
研究的目的:
- 引入一个增强的XGBooster分类器,用于识别使用eNose传感器响应的疾病变异.
- 整合商业和新型金属氧化物传感元件,用于特定生物标志物检测.
- 为了比较现成和自制的eNose原型的性能,用于多类疾病生物标志物分类.
主要方法:
- 利用基于eNose传感器数据的增强的XGBooster分类器进行疾病预测.
- 使用商业上可用的Figaro金属氧化物传感器 (TGS826,TGS822,TGS2600,TGS2602).
- 集成的自制ZnO,Cr-doped ZnO和ZnO/NiO传感元件,用于有针对性的生物标志物检测 (氨,乙醇,乙).
主要成果:
- 在多类疾病识别和分类中实现了98.36%的预测准确度.
- 对特定生物标志物的高分类准确度:氨99.77%,乙醇94.91%,乙96.56%.
- 对比并总结了商业和自制eNose原型的多类疾病生物标志物分类准确性.
结论:
- 增强的基于XGBooster分类器的eNose系统显示出从呼气中准确预测多类疾病的巨大潜力.
- 整合新的自制传感元件提高了生物标志物检测的特异性和准确性.
- 这种方法为早期疾病检测和管理提供了一个有希望的非侵入性诊断工具.
更多相关视频
08:23Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry
Published on: March 9, 2018
09:19Capturing Actively Produced Microbial Volatile Organic Compounds from Human-Associated Samples with Vacuum-Assisted Sorbent Extraction
Published on: June 1, 2022
相关概念视频
Serum Laboratory Studies, Stool Test, Breath Test
MALDI-TOF Mass Spectrometry
Matrix-assisted laser desorption ionization (MALDI) is a commonly...