[发明专利]一种基于呼出气体标志物检测的健康状态识别方法

说明书

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。

技术领域

本发明涉及健康状态识别方法技术领域，具体为一种基于呼出气体标志物检测的健康状态识别方法，特别是设计一种慢性阻塞性肺疾病状态快速预测识别的工作方法。

背景技术

慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD，简称慢阻肺）是具有气流阻塞特征的慢性支气管炎和（或）肺气肿，是一种全球常见多发的呼吸系统疾病，COPD易导致肺功能减弱、呼吸急促、咳嗽、咳痰和多种并发症，甚至死亡，尽管在COPD临床症状治疗和急性加重缓解上有了进步，但在控制其高死亡率和医疗成本方面进展缓慢。肺功能检查（呼吸量测定法）是当前COPD诊断的通行标准，然而，一些患者无法适应该侵入性方法，不能提供令人满意的测定结果，尤其是儿童或非常年老的群体在肺功能检查中准确性会大大降低；此外，由于早期COPD呼吸症状在临床表现不明显，现行的检查方法存在无法对COPD作出全面准确诊断的风险，而COPD的早期诊断和治疗不仅能显著降低COPD患者的死亡率，而且还能显著减少该疾病治疗的经济负担，因此，为突破上述传统COPD诊断方法的局限性，我们提出一种基于呼出气体标志物检测的健康状态识别方法。

发明内容

本发明的目的在于提供一种基于呼出气体标志物检测的健康状态识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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：

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。

优选的，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。

优选的，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。

优选的，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。

优选的，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；