易 鑫， 羅小剛， 侯長軍， 霍丹群， 劉晏明

(重慶大學 生物工程學院，重慶 400044)

0 引 言

人體酮體水平在臨床上具有重要意義[1]，能為醫(yī)生提供有效的診斷依據并能及時地遏制病情的進一步惡化。對于潛在的酮癥患者，需要長期且頻繁的酮體水平監(jiān)測，特別是伴隨著當前即時檢驗(point-of-care testing,POCT)技術以及醫(yī)療儀器家用化的持續(xù)發(fā)展，迫切需要一種無創(chuàng)、直觀簡便的實驗室外酮體檢測方法。

當前主流的酮體檢測方法中，如分光光度法、電化學方法、光譜分析法等等[2]，存在著儀器昂貴、或者有創(chuàng)、或者需要專業(yè)技術人員操作等問題，更適用于臨床上或者實驗室內的酮體水平檢測。據相關研究表明，人體呼出丙酮氣體與酮體水平密切相關，可以作為反映酮體的重要標志物用于酮癥的診斷及監(jiān)控[3]。

結合當前最新的基于光化學比色傳感器陣列的可視化仿生鼻技術在微量級目標分析物檢測中所展示出的響應速度快、高選擇性、高特異性、無創(chuàng)、檢測結果直觀可視化等特點[4～6]，本文基于可視化仿生鼻技術對酮體標志物丙酮氣體檢測進行了深入研究，探索比色傳感器陣列與不同濃度丙酮氣體的顏色特征響應關系，為人體酮體水平的實驗室外檢測技術提供了一種新的研究思路和方法。

1 檢測原理

光化學比色傳感器陣列由多個具有非特異性化學傳感器單元以5×5或6×6等陣列形式組成。傳感器單元主要包括卟啉及卟啉衍生物、氧化還原劑以及pH指示劑等化學試劑，具有非常優(yōu)良的分子識別能力[7,8]。當傳感器單元與目標分析物發(fā)生分子間的相互作用時，其吸收光譜發(fā)生改變[9]，引起傳感器單元呈現(xiàn)不同的顏色變化。當比色傳感器陣列與不同分析物反應時，其整體響應會形成具有獨特模式的顏色響應差值圖譜，即分析物的“指紋圖譜”[10]。

當前分析化學廣泛應用的顏色空間應用中，色度飽和度亮度(hue saturation intensity,HIS)顏色空間具備分量獨立性，易于圖像處理等特點[11]，更重要的是，其H分量與可見光光譜信息的主波長有關[12]。理論上，通過H分量實現(xiàn)對物質的定性或定量檢測與基于光譜信息的分析化學方法具有一定的類比性。綜上考慮，實驗中所獲取的顏色信息需要通過式(1)轉換到HSI顏色空間

(1)

2 實驗

2.1 實驗裝置

如圖1所示，整個實驗裝置由三大子系統(tǒng)所構成：上位機主控制系統(tǒng),如圖1(a)，氣路循環(huán)系統(tǒng),如圖1(b)和下位機微控制系統(tǒng),如圖1(c)。配氣室所配置的一定濃度的目標氣體在氣泵的引導下進入反應氣室，并與比色傳感器陣列發(fā)生循環(huán)反應，此時上位機主控制系統(tǒng)控制攝像頭抓取陣列反應前后的圖像并獲取差值譜圖完成圖像分析。在反應期間，下位機微控制系統(tǒng)協(xié)助主控制系統(tǒng)實現(xiàn)氣泵、電磁閥和光源的控制，同時完成反應環(huán)境的監(jiān)控。

圖1 實驗裝置示意

2.2 實驗準備

1)傳感器陣列制備

實驗前，根據需要篩選出對丙酮氣體選擇性較強的36種化學試劑，并利用微陣列點樣儀分別制備了5組，每組15張，共計75張同等規(guī)格類型的6×6比色傳感器陣列。使用前，所有制備好的比色傳感器陣列必須在充滿氮氣(N2)的密封容器中放置24 h。

2)丙酮氣體配制

健康人群呼出丙酮氣體的平均濃度含量在(0.49±0.2)×10-6水平范圍，而糖尿病患者的呼出丙酮氣體濃度水平則在1×10-6以上，酮癥酸中毒患者的呼出丙酮氣體濃度甚至可以高達20×10-6以上。因此，為了模擬出酮癥患者呼出丙酮氣體的濃度范圍，實驗前,利用99 %的氮氣(重慶晉升氣體生產)將99 %的丙酮分析純(重慶川東化工生產)分別稀釋得到10×10-6，40×10-6，80×10-6，120×10-6，200 ×10-6等5個濃度水平的丙酮氣體，并使用氣相色譜儀對各濃度丙酮氣體樣本進行了定標。

3)檢測參數(shù)設置與數(shù)據預處理

在丙酮氣體檢測實驗中，反應時間設置為6 min，同時在反應中分15個不同時刻抓取比色傳感器陣列的反應圖像(時間點分別為0.25,0.50,0.75,1.00,1.25,1.50,2.00,2.50,3.00,3.50,4.00,4.50,5.00,5.50,6.00 min等)。

待丙酮氣體與比色傳感器陣列充分反應后，根據式(2)分別獲取對應時間點陣列圖像反應前后的顏色差值信息ΔHSI

(2)

式中Ht，St，It分別為反應后某一時刻陣列點的色調值、飽和度值、亮度值；H0，S0，I0為反應前陣列點的顏色分量值。ΔHSI具有唯一性，是實現(xiàn)目標氣體分析檢測的數(shù)據基礎。

3 實驗結果與分析

3.1 HSI特征動態(tài)響應分析

如圖2(a)所示，比色傳感器陣列與不同濃度丙酮氣體反應中，主要由坐標分別為(2，1)，(3，1)，(3，2)，(4，5)，(5，4)等5個傳感器單元產生顏色響應。實驗分析中主要考慮該5個傳感器單元的HSI差值特征。為了描述比色傳感器陣列的HSI差值特征動態(tài)響應過程，可以通過式(3)來表示t時刻傳感器陣列在H，S，I3個分量上的響應強度

(3)

式中 ΔHt(2,1)為t時刻坐標為(2，1)的陣列點H分量的特征響應值；ΔSt(2,1)，ΔIt(2,1)等類推。

實驗中，統(tǒng)計了各濃度丙酮氣體15次平行樣本檢測中H，S，I分量響應強度的均值作為對應濃度丙酮氣體的整體響應強度。通過上述操作，獲得了如圖2所示不同濃度丙酮氣體的HSI差值動態(tài)響應曲線。

圖2 不同濃度丙酮氣體HSI差值特征動態(tài)響應特性

可知HSI差值動態(tài)響應曲線在5 min后逐漸趨于平緩，表明6 min時傳感器陣列與丙酮氣體的反應過程已經基本達到平衡，提示該時刻的HSI特征響應圖譜可以作為對應濃度丙酮的特征圖譜進行后續(xù)的特征分析。通過圖中不同濃度丙酮所對應顏色分量(ΔH，ΔS，ΔI)的變化趨勢表明丙酮濃度與顏色信息變化不存在簡單的線性關系。

3.2 HSI特征聚類分析

如圖3所示為傳感器陣列與不同濃度丙酮氣體反應6 min后所得到的HSI差值特征圖譜， 5個傳感器單元的顏色特征信息組成了5×3=15維的特征向量數(shù)據?？紤]到統(tǒng)計學方法在高維數(shù)據分析中的優(yōu)良效果，實驗中選擇了其中的層次聚類分析法對不同濃度丙酮氣體的HSI差值特征進行了數(shù)據分析。

圖3 不同濃度丙酮氣體HSI差值特征圖譜

實驗中5種濃度，每個濃度得到15個平行樣本檢測數(shù)據，每個濃度隨機抽取其中的5個樣本數(shù)據，共計25個樣本的HSI差值特征向量數(shù)據進行層次聚類分析。聚類分析中選擇了常用的離差平方和法作為聚類準則，同時選擇了n維向量下的歐氏距離作為類間距離的統(tǒng)計方式，最終的分析結果如圖4所示。

圖4 不同濃度丙酮氣體HSI差值特征的層次聚類樹狀圖

可知，層次聚類分析方法大體上將25個樣本劃分成了5個大類，但并未完全實現(xiàn)相同濃度氣體樣本的聚類，其結果與預期的聚類效果相距甚遠。雖然圖3中所示的不同濃度丙酮氣體的HSI差值特征圖譜在視覺效果上所表現(xiàn)出來的差異比較明顯，但在實際的聚類分析中仍然出現(xiàn)了錯誤分類。

HSI差值特征數(shù)據聚類失敗的主要原因可能是聚類中僅僅考慮了樣本間的距離，但實驗中所得到的不同濃度丙酮氣體的HSI差值特征數(shù)據之間的差異非常小，因此，很有可能出現(xiàn)將不同濃度氣體錯誤歸為一類的情況。此外，HSI特征動態(tài)響應分析結果中表明：HSI差值特征與丙酮氣體濃度存在著非線性的關系，而層次聚類分析法作為線性分類方法可能無法解決這種非線性關系映射問題。

3.3 基于反向傳播神經網絡的HSI特征識別

1) 網絡模型設計

建立反向傳播(back propagation,BP)神經網絡實現(xiàn)HSI差值特征到丙酮濃度的映射關系，根據輸入、輸出數(shù)據的特征確定網絡結構模型，主要包括輸入層、隱含層、輸出層以及激勵函數(shù)等參數(shù)的確定[15]。最終確定的參數(shù)如表1所示。

表1 本文采用的BP神經網絡參數(shù)設置

2)網絡模型訓練

從實驗中所獲得的5組不同濃度實驗數(shù)據中各自隨機抽取13個平行樣本數(shù)據作為訓練集開始進行網絡模型訓練，剩余的2個平行樣本數(shù)據作為測試集進行模型驗證。

3)識別結果與分析

為了驗證實驗所建立的網絡模型的有效性，將各濃度丙酮氣體的測試集數(shù)據輸入到網絡中進行HSI特征識別，識別結果如表2所示。

表2 不同濃度丙酮氣體的HSI特征識別結果

可知：所有測試集樣本的識別濃度和實際濃度的平均相對誤差為6.67 %，滿足相對誤差小于10 %的要求。這表明實驗中所構建的BP神經網絡模型建立了HSI差值特征到丙酮氣體濃度的非線性映射關系。當然，表2中序號分別4，6，8的3個樣本測試中，識別結果的相對誤差分別高達32.4 %，10.35 %，10.14 %。說明本文用于建立網絡模型的訓練集數(shù)據還需要進一步豐富。

4 結 論

本文基于可視化仿生鼻對酮體標志物丙酮氣體進行了檢測，并針對不同濃度丙酮氣體的HSI差值特征進行了動態(tài)響應分析、層次聚類分析以及BP神經網絡識別等。實驗分析結果表明：丙酮氣體濃度與傳感器陣列的HSI特征響應存在非線性關系，層次聚類分析無法完全實現(xiàn)相同濃度氣體數(shù)據的最優(yōu)聚類，而BP神經網絡則較好地實現(xiàn)了不同丙酮氣體濃度的識別，識別結果的整體相對誤差為6.67 %。由此可見:可視化仿生鼻技術能夠實現(xiàn)酮體標志物丙酮氣體的有效識別，為實驗室外酮體檢測方法提供了新的研究方向，但目前該研究還有待完善，如特征識別中訓練樣本的多樣化、精細化以及色調H值變化與光譜信息變化的類比性研究等。

參考文獻:

[1] Shaw J E,Sicree R A,Zimmet P Z.Global estimates of the prevalence of diabetes for 2010 and 2030[J].Diabetes Research & Clinical Practice,2010,87(1):4-14.

[2] 馬念章,李 光,廖靜敏.人體內酮體檢測技術的研究進展[J].分析化學,2005,33(7):1019-1022.

[3] Qiao Y,Gao Z,Liu Y,et al.Breath ketone testing:A new biomarker for diagnosis and therapeutic monitoring of diabetic ketosis[J].Biomed Research International,2014,(1):869186.

[4] Askim J R,Mahmoudi M,Suslick K S.Optical sensor arrays for chemical sensing:The optoelectronic nose[J].Chemical Society Reviews,2014,45(2):8649-8682.

[5] Sener G,Uzun L,Denizli A.Colorimetric sensor array based on gold nanoparticles and amino acids for identification of toxic metal ions in water[J].ACS Applied Materials & Interfaces,2014,21 (6):18395-18400.

[6] Qian S,Lin H.A colorimetric indicator-displacement assay array for selective detection and identification of biological thiols[J].Analytical & Bioanalytical Chemistry,2014,406(7):1903-1908.

[7] Hou C,Dong J,Zhang G,et al.Colorimetric artificial tongue for protein identification[J].Biosensors & Bioelectronics,2011,26(10):3981-3986.

[8] 宋振國,侯長軍,羅小剛,等.基于比色傳感器陣列的農殘檢測系統(tǒng)設計[J].傳感器與微系統(tǒng),2015,34(9):97-99.

[9] Hou C,Li J,Huo D,et al.A portable embedded toxic gas detection device based on a cross-responsive sensor array[J].Sensors & Actuators B:Chemical,2012,161(1):244-250.

[10] 賈明艷,馮 亮.光化學比色傳感器陣列的研究進展[J].分析化學,2013,41(5):795-802.

[11] Capitán-Vallvey L F,López-Ruiz N,Martínez-Olmos A,et al.Recent developments in computer vision-based analytical chemistry:A tutorial review[J].Analytica Chimica Acta,2015,899:23-56.

[12] Oliveira H J S D,Jr P L D A,Sampaio B A,et al.A handheld smartphone-controlled spectrophotometer based on hue to wavelength conversion for molecular absorption and emission measurements[J].Sensors & Actuators:B Chemical,2016,238:1084-1091.

[13] Ueta I,Saito Y,Hosoe M,et al.Breath acetone analysis with miniaturized sample preparation device:In-needle preconcentration and subsequent determination by gas chromatography-mass spectroscopy[J].Journal of chromatography B:Analytical technologies in the biomedical and life sciences,2009,877(24):2551-2556.

[14] Turner C,Walton C,Hoashi S,et al.Breath acetone concentration decreases with blood glucose concentration in type I diabetes mellitus patients during hypoglycaemic clamps[J].Journal of Breath Research,2009,3(4):046004.

[15] 羅小剛,張承丹,侯長軍,等.基于卟啉傳感器陣列系統(tǒng)的肺癌標志物識別算法[J].傳感器與微系統(tǒng),2017,36(4):134-137.