相关实验视频
Updated: Jul 2, 2026
06:27
Fast and Accurate Exhaled Breath Ammonia Measurement
Published on: June 11, 2014
13.5K
通过使用TinyML驱动的电子鼻子通过人类呼吸进行非侵入性糖尿病检测
Alberto Gudiño-Ochoa1, Julio Alberto García-Rodríguez2, Raquel Ochoa-Ornelas3
1Electronics Department, Tecnológico Nacional de México/Instituto Tecnológico de Ciudad Guzmán, Ciudad Guzmán 49100, Mexico.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究开发了一个使用电子鼻子和微型机器学习 (TinyML) 进行实时糖尿病检测的嵌入式系统. 该系统在呼出的呼吸中识别糖尿病生物标志物方面取得了高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 分析化学 分析化学
背景情况:
- 呼出的气息中的挥发性有机化合物 (VOC) 是检测疾病的关键生物标志物.
- 呼吸中的乙是糖尿病的重要非侵入性生物标志物.
- 目前用于糖尿病检测的电子鼻子 (e-nose) 系统通常需要复杂的计算环境.
研究的目的:
- 开发一种嵌入式系统,用于实时,非侵入性糖尿病检测.
- 将电子鼻子技术与微型机器学习 (TinyML) 集成.
- 评估集成系统的诊断性能.
主要方法:
- 开发了一个嵌入式系统,将电子鼻子与金属氧化物半导体 (MOS) 传感器相结合.
- 集成TinyML算法用于实时数据分析.
- 在44名参与者 (22名健康人,22名糖尿病人) 上测试了该系统.
- 使用XGBoost和深度学习算法 (DNN,1D-CNN).
主要成果:
- 在糖尿病检测中,XGBoost算法实现了95%的准确性.
- 深度学习算法 (DNN,1D-CNN) 实现了94.44%的检测效率.
- 嵌入式系统展示了呼吸生物标志物的有效实时分析.
结论:
- 在嵌入式系统中将电子鼻子与TinyML结合起来,为糖尿病检测提供了一种强大的非侵入性方法.
- 开发的系统显示了可访问和高效的糖尿病查的希望.
- 通过集成的e-nose和TinyML系统进行实时生物标志物分析,可用于医学诊断.
