一种基于呼出气体标志物检测的健康状态识别方法与流程

技术特征：
1.一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：识别方法的步骤为：s1：与测量仪器通信获得测量样本因子；s2：对测量样本因子进行标准化处理；s3：结合历史数据，采用随机森林决策树的深度调整算法进行训练，得出特征因子和疾病程度的最优算法模型；s4：采用该最优算法模型判定算法模型训练效果是否达到设定阈值，是则对测量样本进行实时快速预测，否则回到s3步骤中重新进行模型训练；s5：测量样本预测后进行结果输出。2.根据权利要求1所述的一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：s1步骤中测量仪器是可以快速准确测定人体呼出气中挥发性有机物浓度的检测设备。3.根据权利要求2所述的一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：s2步骤中测量样本因子标准化是仪器能检出的所有vocs浓度进行归一化处理(x
‑
min)/(max
‑
min)，使所有特征因子的数值范围转化为[0
‑
1]，对已经诊断的疾病分类进行6个one
‑
hot标签独热编码，极重度copd对应标签为1，重度copd对应标签为2，中度copd对应标签为3，轻度copd对应标签为4，肺部炎症对应标签为5，健康者对应标签为0，且疾病状态分为健康、肺部炎症、ⅰ级(轻度)copd、ⅱ级(中度)copd、ⅲ级(重度)copd和ⅳ级(极重度)copd等六种。4.根据权利要求3所述的一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：s3步骤中最优算法模型中采用最优化算法思想，不停地迭代训练使误差最小化。5.根据权利要求4所述的一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：s3步骤中随机森林就是由若干个决策树组成的集成分类器；每个决策树随机的选择样本属性进行预测，最后得到结果，整个决策树组成的森林可以进行投票，最后将样本属于六个类别中得票最高的一个类别作为最终预测结果；随机森林是一个并行式集成学习方法，其是以决策树为单学习器构建并行集成的基础上，进一步在决策树的训练过程中引入了随机属性和随机树选择；且决策树是一种对样本特征按照信息增益大小排序，然后分别对每个属性进行分类的单分类器；信息增益(gain)表示信息熵(ent)的变化：信息增益(gain)表示信息熵(ent)的变化：其中，样本集合d中第k类样本所占的比例为p
k
，离散属性a有v个可能取值，若使用a来对样本集d进行划分，则会产生v个分支节点，其中第v个分支节点包含了d中所有在属性a上取值为a
v
的样本，记为d
v
；由上公式可以计算出信息熵和信息增益。6.根据权利要求5所述的一种基于呼出气体标志物检测的健康状态识别方法，其特征在于：s3和s4步骤中训练算法模型是指将历史数据随机拆分为不均等两份，多的部分数据
作为训练集，少的为测试集，可以迭代训练出接近最优模型的新模型，从而用该模型对新的病患样本进行预测。

技术总结
本发明公开了健康状态识别方法技术领域的一种基于呼出气体标志物检测的健康状态识别方法，识别方法的步骤为：与测量仪器通信获得测量样本因子、对测量样本因子进行标准化处理、结合历史数据，采用随机森林决策树的深度调整算法进行训练，得出特征因子和疾病程度的最优算法模型、采用该最优算法模型判定算法模型训练效果是否达到设定阈值，是则对测量样本进行实时快速预测，否则重新进行模型训练、测量样本预测后进行结果输出。本发明对人体健康状态识别，克服了传统慢性阻塞性肺疾病诊断方法的侵入性、损伤性和不适用早期诊断等局限性，可以服务于COPD早期筛查，及早发现病症，有效降低COPD死亡率，具有重要的应用价值和广阔的应用前景。的应用前景。的应用前景。


技术研发人员：黄忠辉 谢丹平 聂鹏 刘旺 贺辉 杨迪 黄钟坤 康同曦 蒋炜玮
受保护的技术使用者：生态环境部华南环境科学研究所
技术研发日：2021.08.12
技术公布日：2021/11/8