本發(fā)明屬于醫(yī)療檢測，具體涉及一種基于多模態(tài)傳感器與機器學習算法的無創(chuàng)式腎病早期預(yù)測裝置及方法，用于通過人體呼出氣體中氨濃度及溫濕度動態(tài)特征實現(xiàn)慢性腎病(ckd)的篩查與分期預(yù)測。

背景技術(shù)：

1、傳統(tǒng)腎病診斷依賴血液生化檢測(如肌酐、尿素氮)或影像學檢查，存在侵入性、成本高、時效性差等問題。近年研究發(fā)現(xiàn)，慢性腎病患者因代謝異常，呼出氣中氨濃度顯著升高，且其動態(tài)響應(yīng)曲線與疾病進展相關(guān)。然而，現(xiàn)有電子鼻技術(shù)存在傳感器靈敏度不足、環(huán)境干擾(溫濕度波動)補償機制缺失，以及缺乏針對臨床場景的多模態(tài)數(shù)據(jù)融合模型，導(dǎo)致預(yù)測精度受限。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出一種集成多模態(tài)傳感器、數(shù)據(jù)動態(tài)補償算法及可解釋機器學習模型的電子鼻系統(tǒng)，通過呼吸氣氨濃度與溫濕度參數(shù)的協(xié)同分析，實現(xiàn)腎病風險的實時預(yù)測與閉環(huán)迭代優(yōu)化。

2、一、裝置結(jié)構(gòu)

3、1.多模態(tài)傳感器模塊

4、(a).氨氣傳感器陣列：由4種異質(zhì)結(jié)構(gòu)敏感材料(sno2量子點、in2o3量子點、wo3量子點及zno納米線)組成，核心材料為fe2mo3o8/moo2@mos2納米復(fù)合材料，通過pid算法動態(tài)調(diào)節(jié)工作溫度(150–400℃)，響應(yīng)時間≤3秒。

5、(b).溫濕度傳感器：同步采集呼出氣溫度(精度±0.5℃)及濕度(精度±2％?rh)，用于動態(tài)補償環(huán)境干擾。

6、2.數(shù)據(jù)預(yù)處理模塊

7、(a).采用基線校準算法消除傳感器漂移，通過氣泵流量計動態(tài)修正呼吸流速對氨濃度測量的影響；

8、(b).基于小波變換進行噪聲濾波，并通過時間戳對齊實現(xiàn)多源數(shù)據(jù)同步，生成標準化時間序列特征矩陣。

9、3.機器學習預(yù)測模型

10、(a).模型架構(gòu)：采用貝葉斯深度學習網(wǎng)絡(luò)(如mc-dropout)或梯度提升樹(xgboost)，輸入特征包括氨濃度峰值、響應(yīng)曲線積分面積、溫濕度動態(tài)參數(shù)；

11、(b).優(yōu)化策略：

12、(1).跨模態(tài)shap值分析，量化氨濃度(貢獻度≥60％時觸發(fā)高風險警報)、溫度及濕度的權(quán)重；

13、(2).動態(tài)閾值調(diào)整機制，當環(huán)境濕度＞70％時自動重校準傳感器并降低氨濃度權(quán)重；

14、(3).基于在線隨機梯度下降(online?sgd)的增量學習框架，保留10％歷史數(shù)據(jù)驗證防止過擬合。

15、4.實時gui交互界面

16、(a).動態(tài)可視化面板顯示氨濃度趨勢圖(時間分辨率0.1秒)、風險概率熱力圖(紅/黃/綠三色分級)；

17、(b).支持溫濕度曲線疊加對比，并提供臨床醫(yī)生反饋入口以標注誤判案例，觸發(fā)模型重訓(xùn)練。

18、5.數(shù)據(jù)迭代模塊

19、預(yù)測結(jié)果與傳感器數(shù)據(jù)經(jīng)aes-256加密后上傳至云端，觸發(fā)增量學習更新模型參數(shù)，優(yōu)化精度。

20、二、預(yù)測方法

21、1.數(shù)據(jù)采集與特征提取

22、同步采集呼吸氣氨濃度及溫濕度數(shù)據(jù)，提取氨動態(tài)響應(yīng)曲線的斜率、峰值延遲時間等時域特征；

23、2.模型訓(xùn)練與部署

24、(a).數(shù)據(jù)集：10,000例以上跨中心臨床數(shù)據(jù)(ckd1-5期及健康對照組)，采用高斯噪聲注入和時間序列截取進行數(shù)據(jù)增強；

25、(b).推理與解釋：輸出腎病風險概率及分期結(jié)果，結(jié)合shap熱力圖展示關(guān)鍵影響因子。

26、3.臨床應(yīng)用場景

27、(a).社區(qū)篩查：便攜式設(shè)備通過藍牙連接手機app，實時顯示風險等級并生成健康報告；

28、(b).醫(yī)院急診科：與電子病歷系統(tǒng)集成，自動推送高風險患者至腎病專科隊列；

29、(c).遠程醫(yī)療：云端模型支持多機構(gòu)數(shù)據(jù)共享，實現(xiàn)協(xié)同診斷與流行病學研究。

技術(shù)特征：

1.一種基于機器學習的潛在腎病預(yù)測電子鼻系統(tǒng)及方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的裝置，其特征在于：

3.根據(jù)權(quán)利要求1所述的裝置，其特征在于：

4.根據(jù)權(quán)利要求1所述的裝置，其特征在于：

5.根據(jù)權(quán)利要求1所述的裝置，其特征在于：

6.一種基于權(quán)利要求1–5所述裝置的潛在腎病預(yù)測方法，包括以下步驟：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于：

8.根據(jù)權(quán)利要求1-7所述的方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明公開了一種基于機器學習的潛在腎病預(yù)測電子鼻系統(tǒng)及方法，屬于醫(yī)療檢測技術(shù)領(lǐng)域。該系統(tǒng)通過多模態(tài)傳感器模塊采集人體呼出氣中的氨濃度及溫濕度參數(shù)，結(jié)合數(shù)據(jù)預(yù)處理模塊進行基線校準、流速補償及噪聲濾波，生成標準化特征矩陣。機器學習預(yù)測模型采用貝葉斯深度學習或集成學習算法，輸入氨濃度峰值、積分面積及溫濕度參數(shù)，輸出腎病風險概率及分期預(yù)測，并通過SHAP值量化關(guān)鍵影響因子(如氨濃度貢獻度≥60％時觸發(fā)高風險警報)。系統(tǒng)配備實時GUI交互界面，動態(tài)展示風險熱力圖及多維度數(shù)據(jù)疊加分析，支持臨床醫(yī)生反饋修正。數(shù)據(jù)迭代模塊通過加密云端存儲與增量學習框架(Online?SGD)實現(xiàn)模型持續(xù)優(yōu)化。本發(fā)明采用異質(zhì)傳感器陣列(如Fe<subgt;2</subgt;Mo<subgt;3</subgt;O<subgt;8</subgt;/MoO<subgt;2</subgt;@MoS<subgt;2</subgt;復(fù)合材料)及動態(tài)溫濕度補償技術(shù)，檢測穩(wěn)定性提升顯著，降低臨床誤診率?？杉捎诒銛y設(shè)備或醫(yī)院系統(tǒng)，適用于社區(qū)篩查、急診分診及遠程醫(yī)療場景，具有無創(chuàng)、高精度及跨機構(gòu)協(xié)同診斷優(yōu)勢。

技術(shù)研發(fā)人員：齊國臣,趙無垛,葛靜敏,劉盼,王其炎
受保護的技術(shù)使用者：鄭州大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/6/26