基于动态特征呼气氨分析的SAW传感器集成浅层神经网络分类与非线性回归

《Talanta Open》：Dynamic Feature–Based Breath Ammonia Analysis Using a SAW Sensor Integrated with Shallow Neural Network Classification and Nonlinear Regression

　　

摘要：呼气氨(NH3)是一种有前景的胃肠道及代谢性疾病无创生物标志物。然而，由于湿度干扰和非线性传感器响应，准确解读源自呼气的NH3信号仍具挑战性。研究人员提出一种基于表面声波(surface acoustic wave, SAW)的呼气分析平台，通过动态信号处理与机器学习实现可靠的NH3检测。该平台采用双通道SAW谐振器，其感应通道涂覆由金纳米颗粒(AuNPs)、氧化亚铜(Cu2O)、还原氧化石墨烯(rGO)和聚吡咯(PPy)组成的杂化纳米复合薄膜，可在室温下将NH3吸附转化为时间分辨频率响应。研究人员不单纯依赖稳态频移，而是提取频移(frequency shift)、上升时间(rise time)、恢复时间(recovery time)及响应斜率(response slope)等动态频域特征来表征吸附/脱附动力学，从而减轻模拟呼气条件下湿度诱导的信号波动影响。针对正常与异常呼气状态的二分类，研究人员采用浅层神经网络(shallow neural network, SNN)，在40例正常与40例异常样本上达到95.0%的分类准确率。此外，Levenberg–Marquardt(LM)非线性回归模型对NH3浓度进行定量估计，决定系数R2=0.959。该框架在干燥空气及35%相对湿度(RH)条件下进行了测试，分类准确率分别为98.9%(干燥)和95.0%(35% RH)，回归R2分别为0.986(干燥)和0.969(35% RH)。本研究为生理相关条件下无创NH3呼气检测与分类提供了全面的硬件–软件协同设计方案。

论文解读：基于动态特征呼气氨分析的SAW传感器集成浅层神经网络分类与非线性回归

研究背景与意义

呼气中氨(NH₃)是胃肠道疾病（如幽门螺杆菌Helicobacter pylori感染）及肾脏疾病的潜在无创生物标志物，健康人呼气NH₃浓度通常为425–1800 ppb，而H. pylori感染者行¹³C尿素呼气试验后常低于400 ppb。现有金属氧化物半导体(MOS)传感器需高温工作、选择性差且受高湿度（呼气RH >90%）干扰严重；传统表面声波(surface acoustic wave, SAW)传感器虽可室温工作，但湿度引起水分子与NH₃竞争吸附导致基线漂移和非线性频移。单纯材料或硬件优化难以完全消除湿度影响，需引入智能信号建模与补偿策略。因此研究人员开展本研究，构建SAW传感与机器学习协同的硬件–软件框架，在模拟生理湿度下实现NH₃呼气样本的正常/异常二分类及浓度定量回归，证明动态特征提取结合浅层神经网络(shallow neural network, SNN)与Levenberg–Marquardt(LM)算法可有效提升湿度鲁棒性，为床旁(point-of-care)无创呼气诊断提供基础。该论文发表于《Talanta Open》。

主要关键技术方法

研究人员采用ST切石英基板上制作的中心频率98.5 MHz双通道SAW谐振器（感应通道旋涂AuNPs–Cu₂O/rGO/PPy杂化纳米复合膜，参考通道无涂层），于23±1°C密闭腔中通入质量流量控制器配制的12/22/50/100/200/400/600/800/1000 ppb NH₃标准气（载体为干燥空气或经水鼓泡与分子筛稳定至35% RH），记录1 Hz采样频率–时间曲线。从每条响应曲线提取四个动态特征：频移Δf（峰值相对基线偏移）、上升时间t₉₀（达90%峰值所需时间）、恢复时间t₁₀（从峰值降至10%所需时间）、最大响应斜率S_max（吸附阶段一阶导最大值）。分类采用含4输入节点、10隐层神经元（tanh激活）、2输出节点（softmax）的前馈SNN，数据集按70%训练/5%验证/25%测试划分并行5折交叉验证，正常标签为NH₃≥ 400 ppb（n=40），异常标签为<400 ppb（干燥组n=50，35% RH组n=40）。浓度回归采用LM非线性拟合算法，同数据划分评估决定系数R²。

研究结果

3.1. SNN-Based Classification Performance for Normal and Abnormal Simulated Breath Samples

在干燥空气条件下，SNN分类准确率为98.9%（精确率99.0%，召回率98.7%），ROC曲线下面积AUC分别为0.99（正常类）和1.00（异常类），混淆矩阵显示仅1例正常样本被误判。在35% RH条件下，分类准确率仍为95.0%（精确率96.9%，召回率94.3%），AUC均为0.998，4例异常样本被误判为正常。结果表明提取的动态特征可使SNN在适度湿度干扰下维持高判别力。

3.2. Nonlinear NH₃Concentration Estimation using Levenberg–Marquardt Regression

干燥空气中LM回归整体R²=0.986（训练集R²=0.990，测试集R²=0.973），预测值与实际浓度接近理想线（斜率≈0.96，截距≈6.6 ppb）。35% RH条件下整体R²=0.969（训练集R²=0.971，测试集R²=0.959），中高浓度区间因湿度致轻微离散但趋势稳定。结果表明LM算法能有效拟合SAW频响与NH₃浓度的非线性关系，且在模拟生理湿度下保持较好定量精度。

3.3. Comparative Evaluation with Previous Studies

与已有MOS传感器结合SVM或ANN对肾病患者呼气NH₃分类最高88%准确率相比，本研究SAW平台结合动态特征与SNN达95.0%准确率及R²=0.959浓度回归性能，兼具分类与定量功能且湿度耐受性更优。

讨论与结论翻译

本研究开发并验证了一种整合表面声波(SAW)微传感器技术与双机器学习算法的集成呼气分析平台，用于无创氨(NH₃)检测。该平台采用浅层神经网络(SNN)对正常与异常模拟呼气样本进行二分类，并采用Levenberg–Marquardt(LM)非线性回归定量估算NH₃浓度。在干燥空气及生理相关湿度条件(35% RH)下的综合性能评估表明系统运行稳健，湿度引起的性能衰减极小。干燥空气中SNN分类准确率达98.9%、精确率99.0%、召回率98.8%，LM回归R²=0.986；35% RH下分类准确率仍保持95.0%、精确率97.0%、召回率94.0%，LM回归R²=0.969。结果证实所提动态频域特征（频移量、上升时间、恢复时间、响应斜率）可捕捉跨环境条件下相对稳定的气体–表面相互作用瞬态吸附/脱附动力学信息，使系统在呼气典型湿度下维持判别力与定量精度。该平台有望作为无创筛查工具辅助或替代胃镜等侵入性诊断，未来将进一步开展真实临床呼气样本验证、湿度补偿优化及大样本异质队列外部验证。