论文部分内容阅读
用于伤口感染检测的电子鼻系统,利用感染不同病原菌的伤口挥发性产物不同,通过识别伤口顶空气体实现对伤口感染病原菌类型的判定,应用电子鼻进行伤口感染诊断具有无创、快速、高效等优点。电子鼻系统主要由气体传感器阵列、信号预处理算法和模式识别算法三个部分组成。本论文以小白鼠作为实验对象,实验中有三组小白鼠分别感染了绿脓杆菌、金黄色葡萄球菌和大肠杆菌,另一组小白鼠伤口未感染。将小白鼠伤口顶空气体通过电子鼻传感器阵列,结合一定的模式识别算法,实现对感染病原菌类型的检测。 针对检测中小白鼠本身体味等环境气味带来强背景干扰的问题,提出了基于带参考向量的独立分量分析去噪算法,并结合人工神经网络,实现伤口感染检测的识别。 该算法根据带噪的独立分量分析模型,将噪声信号作为源信号中的一个独立分量。利用独立分量分析将噪声分量与有用信号分离开来,再进行信号和噪声的判别。判别的方法是利用一个参考向量,通过对比各个独立分量与参考向量的相关性来分离出其中的噪声信号。这里提出了两种参考向量,一种取观测信号的平均值,认为与该参考向量相关性最小的为噪声;另一种参考向量取小白鼠的背景信号,即无伤口时,传感器对小白鼠本身气味的响应,这时与该参考向量相关性最大的为噪声信号。最后删除噪声信号,将剩下的独立分量作为人工神经网络的输入,进行模式识别。 另外,为了消除温、湿度对识别结果的影响,将同步记录的温、湿度传感器的输出与气体传感器的输出一起作为神经网络的输入,通过训练把温、湿度对传感器的影响反映在神经网络各个连接权重上。 实验结果表明,气体传感器阵列采集到的数据样本经过独立分量分析算法进行预处理,对样本进行了有效的预分类,降低了样本之间的相关性,而提出的带参考向量的独立分量分析去噪方法可以有效地实现强背景噪声的去除,去噪后的数据作为神经网络的输入,可以简化神经网络的结构,提高网络的收敛速度,提高伤口检测电子鼻系统的判别能力。考虑温度和湿度因素,也能在一定程度上提高系统对环境的适应能力,以提高识别能力。