基于多尺度残差收缩网络的慢阻肺疾病筛查 ——一种面向电子鼻时序信号的分类模型

曾 佳佳, 李 婕, 曾 燕纯, 吴 梓祺, 曹 嘉慧
广州华立学院　计算机工程学院

摘要


慢性阻塞性肺疾病（COPD）的早期筛查对降低患病率具有重大意义。为评估深度学习算法在电子鼻信
号分析及慢性阻塞性肺疾病（COPD）筛查中的有效性，基于多尺度残差收缩网络（Multi-Scale Residual Shrinkage
Network，MS-RSN），构建了具有多分支架构的模型，通过并行提取信号的瞬态与稳态特征，并利用自适应阈值机
制实现噪声抑制。研究采用基线校正、标准化及时间窗口切片等预处理方法提升数据质量。在公开数据集的分层10
折交叉验证中，模型取得了93.45%的平均准确率与0.93的宏平均F1分数，表现出卓越的判别性能与稳定性。结果表
明，多尺度残差收缩网络（MS-RSN）模型能够有效处理含噪时序信号，为COPD无创筛查提供了可靠的深度学习
方案，并为电子鼻在呼吸疾病诊断中的广泛应用奠定了方法基础。

关键词


慢性阻塞性肺疾病；电子鼻；多尺度残差收缩网络；深度学习；疾病筛查

全文:

PDF


参考


[1]王娜，陈跃.慢性阻塞性肺疾病的危险因素及

筛查策略研究进展[J].上海预防医学，2025，37（05）：

385-389.DOI：10.19428/j.cnki.sjpm.2025.250230.

[2]陈雨璐，张丞源，郑雨澄，徐可.电子鼻技术检

测人呼出气挥发性有机物的研究进展[J].电子技术应用，

2023，49（3）：2-10.

[3]王宇鑫，赵钊.电子鼻技术：人工智能驱动的嗅

觉 新 力 量[J].物 理 实 验，2025，45（06）：1-14.DOI：

10.19655/j.cnki.1005-4642.2025.06.001.

[4]Binson, V. A., Subramoniam, M., & Mathew, L.

(2021). Detection of COPD and Lung Cancer with electronic

nose using ensemble learning methods. Clinica Chimica Acta,

523, 231-238.

[5]Cheng, Q., Liu, C., Gu, Y., Chai, S., Feng, C., &

Chen, B. (2022). Open-set gas recognition: A case-study

based on an electronic nose dataset. Sensors and Actuators

B: Chemical, 360, 131652. https://doi.org/10.1016/

j.snb.2022.131652

[6]JINGYI PENG.基于金字塔集合和SHAP双编码

器的肺部健康评估嗅觉诊断模型[J]. ACS Sensors，2024：

4934-4946. DOI：10.1021/acssensors.4c01584.

[7]Avian C, Mahali M I, Putro N A S, et al. Fx-Net

and PureNet: Convolutional Neural Network architecture

for discrimination of Chronic Obstructive Pulmonary Disease

from smokers and healthy subjects through electronic nose

signals[J]. Computers in Biology and Medicine, 2022, 148:

105913.

[8]Van Bragt J，Brinkman P, de Vries R,et al.ERJ Open

Research, 2020, 64, 1.

[9]张 雅 雯.基 于 残 差 网 络 的 时 间 序 列 分 类 算 法

研 究[D].北 京 交 通 大 学，2020.DOI：10.26944/d.cnki.

gbfju.2020.001103.

[10]Acevedo C M D, Vasquez C A C, Gómez J K C.

Electronic nose dataset for COPD detection from smokers

and healthy people through exhaled breath analysis[J]. Data in

Brief, 2021, 35: 106767.


Refbacks

  • 当前没有refback。