電子鼻檢測(cè)常見傷口感染細(xì)菌實(shí)驗(yàn)研究

陸彥邑，曾琳，嚴(yán)博文，黎敏，何慶華

陸軍軍醫(yī)大學(xué)大坪醫(yī)院/國(guó)家創(chuàng)傷燒傷復(fù)合傷重點(diǎn)實(shí)驗(yàn)室，重慶400042

前言

電子鼻是一種利用氣體傳感器陣列來(lái)檢測(cè)和識(shí)別物質(zhì)氣味的檢測(cè)技術(shù)，其核心部件是各種類型的氣體傳感器。由多個(gè)傳感器對(duì)檢測(cè)物質(zhì)的響應(yīng)構(gòu)成了傳感器陣列對(duì)該氣味的響應(yīng)數(shù)據(jù)，不同類別的物質(zhì)形成不同類別的數(shù)據(jù)，采用合適的模式識(shí)別方法可對(duì)信號(hào)進(jìn)行分類和識(shí)別［1-2］。

基于傳感器的多樣化，電子鼻可用于醫(yī)學(xué)診斷［3］、環(huán)境監(jiān)測(cè)［4］、食品檢測(cè)［5-6］等領(lǐng)域，具有廣泛的應(yīng)用價(jià)值。在醫(yī)學(xué)診斷領(lǐng)域，傷口感染檢測(cè)在臨床工作中極其重要，但傳統(tǒng)傷口感染檢測(cè)方法速度較慢，無(wú)法迅速確定傷口感染類型，快速有效的檢測(cè)手段能極大地提高治療效率。臨床中傷口感染細(xì)菌種類繁多，常見的有大腸桿菌、金黃色葡萄球菌、銅綠假單胞菌、鮑曼不動(dòng)桿菌、肺炎克雷伯桿菌等。電子鼻用于傷口感染檢測(cè)早已有研究，涉及到的細(xì)菌有大腸桿菌和銅綠假單胞菌［7-8］、金黃色葡萄球菌［7-10］、糞腸球菌［11］、梭菌屬和脆弱擬桿菌［12］等。國(guó)內(nèi)對(duì)電子鼻用于傷口細(xì)菌感染檢測(cè)已有較多的研究［13-15］，主要涉及到大腸桿菌、金黃色葡萄球菌、銅綠假單胞菌3種細(xì)菌。

本文在現(xiàn)有的研究基礎(chǔ)上，使用自制電子鼻檢測(cè)臨床中的5 種常見傷口感染細(xì)菌（大腸桿菌、金黃色葡萄球菌、銅綠假單胞菌、鮑曼不動(dòng)桿菌、肺炎克雷伯桿菌）的細(xì)菌培養(yǎng)液，并使用模式識(shí)別算法進(jìn)行細(xì)菌的分類識(shí)別，以期為傷口感染的快速檢測(cè)提供更多的可能性。

1 實(shí)驗(yàn)

1.1 實(shí)驗(yàn)裝置

采用重慶大學(xué)自制電子鼻裝置作為電子鼻檢測(cè)儀器［16］，如圖1所示。該電子鼻系統(tǒng)分為樣品單元、檢測(cè)單元和控制單元3 個(gè)部分。傳感器陣列包括1個(gè)溫度傳感器、1個(gè)濕度傳感器、1個(gè)氣壓傳感器、1個(gè)電壓傳感器和30個(gè)氣體傳感器（其中傳感器GSBT-11已損壞）。采集過(guò)程分為基線采集、樣本采集、系統(tǒng)清潔3 個(gè)階段，采集頻率1 Hz。實(shí)驗(yàn)時(shí)3 個(gè)階段設(shè)置時(shí)長(zhǎng)分別為180、180、240 s，共600 s。重復(fù)實(shí)驗(yàn)，以收集更多的樣本。

圖1 自制電子鼻實(shí)驗(yàn)裝置Fig.1 Experiment device of self-made electronic nose

1.2 實(shí)驗(yàn)樣品

本實(shí)驗(yàn)有6 種樣品：使用巰基乙酸酯（Thioglycolate，TH）培養(yǎng)液培養(yǎng)的大腸桿菌、金黃色葡萄球菌、銅綠假單胞菌、鮑曼不動(dòng)桿菌、肺炎克雷伯桿菌的細(xì)菌培養(yǎng)液及純TH 培養(yǎng)液，其中大腸桿菌（ATCC25922）、金黃色葡萄球菌（ATCC25923）、銅綠假單胞菌（ATCC27853）為陸軍軍醫(yī)大學(xué)大坪醫(yī)院檢驗(yàn)科提供的ATCC 標(biāo)準(zhǔn)菌株，肺炎克雷伯桿菌為陸軍軍醫(yī)大學(xué)大坪醫(yī)院檢驗(yàn)科提供的從臨床患者傷口分泌物中分離出來(lái)的菌株，鮑曼不動(dòng)桿菌（ATCC19606）為陸軍軍醫(yī)大學(xué)西南醫(yī)院燒傷科提供的標(biāo)準(zhǔn)菌株。所有細(xì)菌均轉(zhuǎn)種至規(guī)格為5 mL 的TH培養(yǎng)液中培養(yǎng)16～20 h得到用于檢測(cè)的細(xì)菌培養(yǎng)液。

2 數(shù)據(jù)處理

基于儀器特性，本研究所用的電子鼻典型傳感器響應(yīng)曲線（傳感器MQ135）如圖2所示，每一個(gè)傳感器有一組響應(yīng)曲線，共600個(gè)數(shù)據(jù)點(diǎn)。

圖2 典型的傳感器響應(yīng)曲線Fig.2 A typical response curve of a sensor

傳感器GSBT-11 已損壞，溫度傳感器、濕度傳感器、氣壓傳感器及電壓傳感器響應(yīng)較為恒定，因此剔除這5 個(gè)傳感器的響應(yīng)數(shù)據(jù)，使用剩余29 個(gè)傳感器響應(yīng)數(shù)據(jù)進(jìn)行分析。每一個(gè)類別每個(gè)傳感器均有一組響應(yīng)數(shù)據(jù)，一組響應(yīng)數(shù)據(jù)有600 個(gè)數(shù)據(jù)點(diǎn)，因此原始樣本數(shù)據(jù)維度為m× 600 × 29，m為收集到的樣本組數(shù)，600 為一組數(shù)據(jù)的長(zhǎng)度，29 為傳感器個(gè)數(shù)。本研究中，每類樣本各收集到200組數(shù)據(jù)，m=1 200。由于原始樣本數(shù)據(jù)量較大且存在干擾，因此對(duì)樣本數(shù)據(jù)先進(jìn)行預(yù)處理再進(jìn)行分類識(shí)別，數(shù)據(jù)處理流程見圖3。

圖3 數(shù)據(jù)處理流程圖Fig.3 Flowchart of data processing

2.1 預(yù)處理

2.1.1 濾波實(shí)驗(yàn)數(shù)據(jù)存在異常干擾，對(duì)于每個(gè)傳感器的每一組響應(yīng)數(shù)據(jù)，按傳感器依次采用5點(diǎn)中值濾波來(lái)減小干擾。

2.1.2 特征點(diǎn)提取濾波后，對(duì)于每個(gè)傳感器的響應(yīng)數(shù)據(jù)v=(v1,v2,…,v600)T，特征點(diǎn)xfeature提取方法如下：

其中，vmax為響應(yīng)曲線中樣本采集階段的最大值，vbaseline為響應(yīng)曲線中基線采集階段其中一段的平均值，定義如下：

對(duì)每個(gè)樣本的一組數(shù)據(jù)，有多少個(gè)傳感器就有多少個(gè)特征點(diǎn)，此時(shí)一組完整的傳感器相應(yīng)特征點(diǎn)可表示如下：

其中，n為特征點(diǎn)總數(shù)。

2.1.3 歸一化特征點(diǎn)提取后的樣本數(shù)據(jù)，依然按組進(jìn)行歸一化，方法如下：

2.2 分類與識(shí)別

經(jīng)過(guò)以上處理的數(shù)據(jù)，去除了干擾，提取了特征點(diǎn)，可進(jìn)行樣本的分類和識(shí)別。使用邏輯回歸（Logistic Regression, LR）、BP（Back propagation）神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine,SVM）3種算法對(duì)6種樣品進(jìn)行分類識(shí)別。

2.2.1 LRLR是一種根據(jù)預(yù)測(cè)函數(shù)hθ(x)來(lái)實(shí)現(xiàn)二分類的分類算法，通過(guò)樣本訓(xùn)練得到預(yù)測(cè)函數(shù)，后使用預(yù)測(cè)函數(shù)對(duì)未知樣本進(jìn)行預(yù)測(cè)和歸類。hθ(x)定義如下：

x為樣本特征向量，θ為各個(gè)特征的參數(shù)。當(dāng)hθ(x) ≥0.5 時(shí)，樣本屬于正類（第一類）；hθ(x) < 0.5時(shí)，樣本屬于反類（第二類）。

模型的損失函數(shù)為：

其中，m為訓(xùn)練樣本總數(shù)，n為特征總數(shù)。為避免過(guò)擬合，引入正則化項(xiàng)，λ為正則化系數(shù)。損失函數(shù)用于評(píng)估預(yù)測(cè)的準(zhǔn)確性，損失函數(shù)值越小，代表預(yù)測(cè)越準(zhǔn)確?？墒褂锰荻认陆邓惴▽?duì)J(θ)求偏導(dǎo)數(shù)，尋找最優(yōu)的θ使得J(θ)最小，此時(shí)的預(yù)測(cè)函數(shù)hθ(x)即為最優(yōu)預(yù)測(cè)函數(shù)。

本研究屬于多分類問題，可以使用一對(duì)多（onevsrest）的方式對(duì)每個(gè)類別訓(xùn)練一個(gè)二元分類器：對(duì)類別①，類別①為正類，其余為反類，搭建二分類器h1θ(x)；對(duì)類別②，類別②為正類，其余為反類，搭建二分類器h2θ(x)。對(duì)需要預(yù)測(cè)的新樣本，依次使用以上二分類器預(yù)測(cè)輸出，輸出值最大的那組預(yù)測(cè)結(jié)果即為新樣本的所屬類別。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)即反向傳播網(wǎng)絡(luò)，是目前應(yīng)用非常廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)如圖4所示，分為輸入層、隱含層、輸出層。BP網(wǎng)絡(luò)的訓(xùn)練過(guò)程可分為前向傳播和反向傳播兩個(gè)過(guò)程。前向傳播根據(jù)輸入的樣本特征向量(x1,x2,…,xn)，通過(guò)各隱含層的權(quán)重值w和偏置項(xiàng)b計(jì)算輸出值(y1,y2,…,yc)，以及輸出值與實(shí)際值之間的誤差項(xiàng)δ，其中，c為總類別數(shù)。若誤差值在給定范圍內(nèi)，則網(wǎng)絡(luò)訓(xùn)練完畢。若誤差項(xiàng)不在給定的范圍內(nèi)，則進(jìn)行反向傳播，通過(guò)誤差項(xiàng)δ回傳給各級(jí)隱含層，重新計(jì)算各級(jí)的權(quán)重值w和偏置項(xiàng)b，數(shù)次迭代直到誤差項(xiàng)在給定范圍內(nèi)，此時(shí)網(wǎng)絡(luò)訓(xùn)練完畢。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure of BP neural network

設(shè)隱含層共有l(wèi)層，各隱含層節(jié)點(diǎn)數(shù)為(s1,s2,…,sl)，zk、hk、f(zk)分別為第k層的節(jié)點(diǎn)值、輸出值、激活函數(shù)，k=(1,2,…,l)，則各隱含層的節(jié)點(diǎn)值和輸出值計(jì)算如下：

其中，zi(k+1)為第(k+ 1)層第i個(gè)節(jié)點(diǎn)的值，wkij為第k層第i個(gè)節(jié)點(diǎn)上第j個(gè)輸入的權(quán)重值，bki為第k層第i個(gè)節(jié)點(diǎn)的偏置項(xiàng)值。給定各級(jí)網(wǎng)絡(luò)初始權(quán)重值和偏置項(xiàng)值，根據(jù)以上公式即可算出各級(jí)隱含層和輸出層的節(jié)點(diǎn)值和輸出值。

網(wǎng)絡(luò)訓(xùn)練方法有多種，常見的訓(xùn)練方法有梯度下降法、共軛梯度法、擬牛頓算法、列文伯格-馬夸爾特法（Levenberg-Marquardt, LM）法等。網(wǎng)絡(luò)訓(xùn)練完畢，將待測(cè)試的樣本輸入網(wǎng)絡(luò)，即可預(yù)測(cè)出其類別。

2.2.3 SVMSVM本身是一個(gè)二分類器，其目的是找到一個(gè)最優(yōu)超平面，使兩類數(shù)據(jù)點(diǎn)正確地分在超平面的兩側(cè)。如圖5所示，樣本線性可分時(shí)，可以用一條直線（在高維空間則是一個(gè)決策曲面）把兩類樣本分開。圖5中虛線上的點(diǎn)稱為支持向量，當(dāng)兩類樣本的支持向量到該直線（決策曲面）的間隔d最大時(shí)，該直線（決策曲面）即為最優(yōu)超平面。決策曲面定義如下：

圖5 支持向量機(jī)原理圖Fig.5 Schematic diagram of support vector machine

其中，x為樣本特征向量；w為可調(diào)權(quán)值；b為偏置，代表決策面相對(duì)于原點(diǎn)的偏移。求解決策曲面的過(guò)程即是尋找最優(yōu)超平面的過(guò)程。經(jīng)過(guò)計(jì)算可得間隔d：

因此，最大化d等價(jià)于最小化權(quán)值向量w的歐幾里得范數(shù)‖w‖。最終計(jì)算可得：

其中，αi是拉格朗日乘子；xi表示特征向量x中某一個(gè)特征值，i=(1,2,…,n)，n表示特征向量維度；yi表示相應(yīng)類的標(biāo)識(shí)，yi為+1 時(shí)代表第一類（正類），yi為-1時(shí)代表第二類（反類）。式（12）作為SVM的支持向量和最優(yōu)超平面分類器。多數(shù)情況下，樣本是線性不可分的，此時(shí)可以通過(guò)核函數(shù)將樣本映射到高維空間，變?yōu)榫€性可分樣本再進(jìn)行分類。常見的核函數(shù)有線性核、多項(xiàng)式核、徑向基函數(shù)核（Radial Basis Function,RBF）以及sigmoid核。

當(dāng)使用SVM 用于多分類時(shí)，本文采用一對(duì)一的方式進(jìn)行分類。其實(shí)現(xiàn)方式是用SVM對(duì)任意兩類設(shè)計(jì)一個(gè)二分類器，從而得到c(c- 1)/2 個(gè)二分類器，c為總類別數(shù)。對(duì)于一個(gè)需要分類的樣本，用所有二分類器對(duì)其進(jìn)行預(yù)測(cè)，得票最多的類別即為該樣本所屬類別。

3 結(jié)果與討論

3.1 樣品檢測(cè)結(jié)果

在同一實(shí)驗(yàn)條件下，使用電子鼻檢測(cè)6種樣品，6種樣品的典型電子鼻雷達(dá)圖譜如圖6所示，可看出6種樣品各有其圖譜特征。

圖6 6種樣品電子鼻雷達(dá)圖譜Fig.6 Radar patterns of 6 types of samples detected by electric nose

3.2 數(shù)據(jù)處理結(jié)果

6 類樣品每類共收集到200 組樣本數(shù)據(jù)，經(jīng)過(guò)濾波、特征值提取和歸一化的預(yù)處理后得到了200×29的特征值矩陣。

對(duì)于每類的200 組樣本數(shù)據(jù)，隨機(jī)選取其中100組為訓(xùn)練集，剩余100 組為測(cè)試集，分別使用SVM、BP、LR 來(lái)進(jìn)行分類識(shí)別。經(jīng)過(guò)多次實(shí)驗(yàn)可分別得到3 種算法的最優(yōu)參數(shù)：BP 選擇一層隱含層，隱含層節(jié)點(diǎn)數(shù)為輸入層的1.5 倍，隱含層和輸出層的激活函數(shù)分別為tan-sigmod 和purelin，網(wǎng)絡(luò)訓(xùn)練方法為L(zhǎng)M 算法；SVM 算法的核函數(shù)類型為RBF 核；為避免擬合，LR 引入正則化參數(shù)，參數(shù)最優(yōu)值為1。由于訓(xùn)練樣本為隨機(jī)選取，因此每一次運(yùn)行識(shí)別率略有不同，運(yùn)行10次取平均可得平均識(shí)別率，見表1。

表1 3種算法平均識(shí)別率（%）Tab.1 Average recognition rates of 3 algorithms(%)

3種算法中，總體識(shí)別率BP最高（93.18%），SVM次之（86.52%），LR 最低（72.78%）。對(duì)于單個(gè)類別的識(shí)別率，BP 依然最高。從單個(gè)類別識(shí)別率可看出，BP 和SVM 對(duì)大腸桿菌、肺炎克雷伯桿菌和金黃色葡萄球菌具有良好的識(shí)別效果，能達(dá)到98%以上。鮑曼不動(dòng)桿菌和銅綠假單胞菌識(shí)別率不如以上3 種細(xì)菌，但使用BP 算法也能達(dá)到88%以上。以上結(jié)果表明，對(duì)于常見傷口感染細(xì)菌的培養(yǎng)液，使用BP算法識(shí)別率和可分性更高。

本研究為電子鼻用于快速篩查常見傷口感染細(xì)菌類型提供了一定的實(shí)驗(yàn)基礎(chǔ)和可行性，但也有其局限性，需改進(jìn)和繼續(xù)研究的地方有以下兩個(gè)方面。一是傳感器數(shù)量較多，可能存在冗余，需要篩選和優(yōu)化傳感器組合以減小傳感器部分體積和復(fù)雜度。二是本研究只對(duì)細(xì)菌培養(yǎng)液進(jìn)行了檢測(cè)，實(shí)際的臨床傷口細(xì)菌感染是復(fù)雜且多樣的，需進(jìn)一步開展臨床樣本研究，探索更多的可能性。

4 結(jié)論

本研究使用自制電子鼻檢測(cè)大腸桿菌、金黃色葡萄球菌、銅綠假單胞菌、鮑曼不動(dòng)桿菌、肺炎克雷伯桿菌細(xì)菌培養(yǎng)液和純TH培養(yǎng)液共6種樣品，得到具有各自圖譜特征的電子鼻雷達(dá)圖譜。對(duì)6類樣本數(shù)據(jù)進(jìn)行預(yù)處理和提取特征后，使用SVM、BP、LR 3種算法進(jìn)行了分類識(shí)別。結(jié)果表明，BP算法識(shí)別效果最好，SVM次之，LR最低，提示BP算法對(duì)大腸桿菌、肺炎克雷伯桿菌、金黃色葡萄球菌、鮑曼不動(dòng)桿菌、銅綠假單胞菌的細(xì)菌培養(yǎng)液具有良好的可分性，為電子鼻用于傷口細(xì)菌感染類型的快速篩查進(jìn)一步提供了可能性。