基于气相色谱采表面波传感器联用技术的中医脾胃证候辨识

陈星　陈璟　陈超　董浩　傅炜　李莹　陈泽涛　卢妍利　刘军　刘清君

摘要 目的：建立以呼出气为检测目标的基于气相色谱-声表面波传感器联用的中医闻诊系统，用于中医脾胃证候的辨识。方法：通过气相色谱-声表面波传感器联用的方法建立中医闻诊系统，采用气袋收集112例临床脾胃异常与162例脾胃无异常被试者的呼出气，利用该中医闻诊系统对所收集的呼出气进行检测分析，并通过116例受试者进行模型验证，建立呼出气与脾胃证候的关系模型。结果：利用人工神经网络建立了被试呼出气与脾胃异常的关系模型，该模型的ROC曲线下面积达到了0.930，对脾气虚、脾胃湿热和脾胃虚寒等证候的辨识准确率均达84%以上。结论：通过所建立的中医闻诊系统，建立了一种可经由检测呼出气的手段对脾胃异常进行中医证候辨识的新型临床辅助诊断系统。

关键词 气相色谱;声表面波传感器;中医脾胃;呼出气;中医闻诊

Abstract Objective：To establish a traditional Chinese medicine （TCM） listening and smelling system based on gaseous phase chromatography combined with surface acoustic wave sensor （SAW），which aims to establish a test target for exhaled breath and can be used to identify the TCM syndromes of spleen and stomach.Methods：TCM listening and smelling system was established by using a combination of gaseous phase chromatography and SAW sensor.An air bag was used to collect the expiratory gas of 112 clinical spleen and stomach abnormalities and 162 patients with no abnormal spleen and stomach.The expiratory gas was detected and analyzed by TCM listening and smelling system，and 116 subjects were used to verify the model and to establish a model of the relationship between expiratory gas and spleen and stomach syndrome.Results：The model of the relationship between expiratory gas and abnormal spleen and stomach was constructed by using artificial neural network.The area under ROC curve of the model reached 0.930，and the accuracy of identifying the syndromes of deficiency of spleen qi，dampness-heat of spleen and deficiency and coldness of spleen and stomach reached more than 84%.Conclusion：Through the established TCM listening and smelling system，a new type of clinical auxiliary diagnosis system was established for identifying spleen and stomach abnormalities by means of establishing a detecting expiratory gas.

Keywords Gaseous phase chromatography; Surface acoustic wave sensor; Spleen and stomach of TCM; Expiratory gas; Listening and smelling of TCM

中圖分类号：R2-03;R318.6文献标识码：Adoi：10.3969/j.issn.1673-7202.2020.11.005

在人体新陈代谢的过程中，脾胃与机体的营养吸收直接相关[1]。当人体的脾胃出现问题而导致无法正常工作时，身体的营养吸收便会出现阻滞，从而影响身体健康。人体的脾胃出现异常，通常会表现出胃脘疼痛、腹部胀气、食欲减退，以及肌肉消瘦等问题，更有甚者，脾胃异常可能会导致小肠、大肠，以及淋巴系统出现问题[2-3]。此外，脾胃异常还会导致脾脏中的毒素不能及时的排出体外而引发痰湿证，致使出现脂肪堆积、口气明显等症状[4]。因此，针对脾胃异常的诊断可有效预防消化系统问题的恶化。目前脾胃异常的中医诊断包括疾病诊断和证候诊断，通过望舌苔颜色、面色、排泄物颜色等，闻口气、排泄物气味等，问主次要症状，病史等，以及通过切脉等手段来确定疾病或者证候类型[1]。脾胃异常的疾病类型主要包括肠结病、胃脘痛、便秘病、大肠息肉，以及呕吐病等，脾胃异常的证候主要包括脾气虚、脾胃虚寒、脾胃湿热、胃阴虚、胃热、肝脾不和、大肠湿热、肠胃积热证、肠胃气滞证，以及肠胃郁热证等[2]。临床上根据不同的疾病类型与证候类型来确定具体的治疗方法[5]。

在脾胃异常的诸多症状中，口气是最为显著也是对患者社会生活影响最为明显的一种[4，6-7]。现代医学认为口气是由多种因素引起口腔内厌氧菌生长、硫化物产生而导致的，例如，由于胃肠积食，导致肠胃中的垃圾堆积发酵而产生热气，即挥发性有机化合物（Volatile Organic Compounds，VOCs），从口腔、鼻腔等排出形成口气[8]。中医学对口气记述颇早，又名出气臭、口气臭、口气秽恶、息臭等，认为口气是五脏六腑功能失调的结果[7]。从证型来看，以肠胃积热型、胃阴亏虚型、脾虚湿滞型多见。因此，不论是从现代医学生化的角度还是中医证候的角度，口气与脾胃异常的发生具有显著的关联性。采用闻排泄物发出的各种气味的方法来诊断疾病是中医闻诊的一种手段。通过检测呼出气中VOCs的成分或者色谱特性，可以建立呼出气与脾胃异常之间的关系，从而对脾胃异常作出诊断。

针对混合气体成分的检测可以通过气相色谱仪来实现[9-10]。当需要检测的气体样品由微量注射器送入进样器后，被载气携带进入填充柱或毛细管色谱柱。由于色谱柱与样品的流动相和固定相吸附系数的差异，在载气的冲洗下，各组分在两相间反复分配使各组分在柱中得到分离，进而检测出组分并得到色谱图。针对临床患者或者社区居民的呼出气检测往往需要就近、快速的完成，然而一般的气相色谱仪体积过于庞大，不利于现场快检（Point-of-care Testing，POCT）的应用[11]。声表面波（Surface Acoustic Wave，SAW）器件作为一种声-电换能器，能够在很小的插指换能器中实现，且具有很高的灵敏性[11]。通过将气相色谱的方法与声表面波传感器相结合所构建的便携式气体检测仪器，可以实现在灵敏度、特异性、线性度、动态范围、检测下限、检测周期和辨识能力等方面达到平衡，兼具大型设备和气体传感器的优势。

本课题通过气相色谱技术与声表面波传感器联用的方法，构建一种针对呼出气检测的中医闻诊系统，并使用该系统对脾胃异常与脾胃无异常的被试呼出气进行检测，以测定呼出气的气相色谱特征峰，并通过人工神经网络的方法建立呼出气与脾胃异常之间的关系模型。通过本课题的研究，可实现基于气相色谱-声表面波传感器联用的中医闻诊系统在脾胃异常中医辨别中的应用，在中医临床辅助诊断领域具有重要的意义。

1 资料与方法

1.1 一般资料

在本课题中，274例被试数据用于机器学习模型的参数估计和测试，所挑选被试者详细资料见表1。针对这些被试，由3位中医权威医师对其进行独立诊断，评估其脾胃状况，给出相应诊断结果。当3位医师都认为无脾胃疾病的，才归为脾胃无异常。对于有异常情况的诊断结果，并存在3位医师对诊断脾胃证候有分歧的情况时，将通过会诊的形式，确定脾胃证候（同时保留多个证候）。在这274例被试中，162例患者被诊断为脾胃无异常，112例患者被诊断为脾胃有异常。使用建立的模型对116例受试者脾胃证候的辨识进行了验证，对脾气虚、脾胃湿热和脾胃虚寒3个证候进行了辨识验证。

1.2 检测系统构建

基于气相色谱-声表面波传感器联用的中医闻诊系统结构框图见图1所示。该系统主要包括2种状态：采样状态和分析状态。通过系统的气路核心部件六通阀来实现系统采样状态与分析状态之间的切换。

1.2.1 微管预浓缩器的制备 采用304不锈钢管（OD：8 mm，ID：5 mm，Length：70 mm），其一端置于吸附剂上方，另外一端连接真空泵及流量计，用于负压装填及过程监测。在填充过程中使用电子天平称量吸附剂的重量变化，从而监测吸附剂的填充量。为实现小分子和大分子的同时浓缩吸附和脱附，需分别填充不同的吸附剂以形成管内的分层结构。

1.2.2 集束毛细管及升温系统的制备 采用微纳加工工艺，制备孔径在百微米级的多孔石英柱，在柱体的孔柱内通过动态成膜技术修饰可用于分离气体成分的涂敷相，制成集束毛细管柱，在不损失柱容量的前提下实现短径下的快速分离。在石英柱的外围包裹金属层，并通过在金属两端施加PWM占空比可调的恒定电压，并检测恒定电压下的电流变化，用于集束毛细管的加热及温度检测，从而实现毛细管柱的可控程序升温。

1.2.3 系统集成 通过结构优化、温度场优化、电气安全优化等方法，把上述的微浓缩管、集束色谱柱以及声表面波传感器集成到便携式微系统中，实现20 s内C1-C16分子量物质的全谱分析。在程序温控下，混合物各组分因移动速度不同逐渐分离后依次从毛细管柱末端流出进入声表面波传感器部分进行检测。

1.2.4 系統软件 系统软件分为系统操控和检测2个部分。系统操控部分主要包含快速气相色谱分析方法的流程调控逻辑，传感器工作方式调控逻辑，以及系统安全正常运行检测的逻辑。检测部分包含呼出气VOCs数据的存储、实时分析和特征重现。VOCs数据的前处理包含与系统操控方法相匹配的数据时序对准、降噪、特征提取和标定等。

1.3 呼出气检测

通过气袋收集了274例被试的呼出气，使用基于气相色谱-声表面波传感器联用的中医闻诊系统对这些呼出气样本进行分析，每袋气体样本分析3次。在检测分析的过程中，设置进样口温度180 ℃，六通阀160 ℃，毛细管柱温度40 ℃，声表面波传感器30 ℃，载气气流1 mL/min。预热完毕后，六通阀切换至采样模式，由真空泵抽气，采样60 s之后切换到分析模式。在分析模式中，将吸附管瞬时加热至250 ℃，毛细管柱程序升温，以10 ℃/s的速度升温至180 ℃。在毛细管柱开始升温的同时，记录传感器频率信号，持续20 s。在该分析过程完毕之后，将传感器加热至120 ℃并保持15 s，以使被测物与传感器充分分离。通过对传感器的频率信号进行差分分析，即得被试呼出气的色谱图。

1.4 数据分析

以特征峰的保留时间差距在0.1 s以内的为同一组分，并以0.1 s为间隔，将色谱峰四舍五入并进行分组，从0.1到20.0，共200个分组。记录呼出气在该分组时间内出峰位置的差分响应值。如该位置没有色谱峰，则分组的值记为0 Hz/s。

根据中医医师给出的诊断结果，将脾胃无异常记为1，脾胃有异常记为0。使用Logistics回归分析寻找与中医的脾胃异常诊断结果相关的色谱峰分组，步骤如下：

1）分析每个色谱峰分组的频率分布，如果在一个分组内，色谱峰的值为0 Hz/s的频次高于200（即少于74例患者存在该色谱峰），则剔除该分组。

2）将预处理后的分组进行二元Logistics回归分析，使用向后（逐渐剔除法），步进概率（进入：0.05;除去：0.1），选取了12个与中医诊断结果呈相关性的色谱峰分组。

3）对这12个色谱峰分组以脾胃有无异常（无异常：1，有异常：0为标准进行组分析）。

通过将上述与中医诊断结果呈显著相关的色谱峰分组作为协变量，中医医师关于脾胃异常的诊断结果作为因变量，利用基于多层感知器的人工神经网络进行建模[12]。按照2∶1∶1的比例分配训练组（145例）、测试组（62例）和保持组（67例）。并对模型的灵敏度和特异性等参数进行进一步的评估。

2 结果

2.1 基于气相色谱-声表面波传感器联用的中医闻诊系统

整个系统的气路连接见图1所示。通过将气相色谱与声表面波传感器联用，成功搭建中医闻诊系统。该系统搭配的核心部件六通阀实现了改变气路连接在系统工作模式间的切换。在采样模式下，（1、2）（3、4）（5、6）口分别相通，通过真空泵抽气，气雾态呼出气样品进入双层吸附管进行C1-C16物质的同时富集。富集过程结束后，通过控制六通阀转向，进入分析模式，此时六通阀的（2、3）（4、5）（1、6）口分别相通。在分析模式中，需要对吸附管高温快速加热，以保证样品中各组分几乎在同一时间内进入金属毛细管柱。加热温度约为250 ℃，并实现在50 ms内完成该加热过程。采样模式下吸附的成分，在氦气作为载气的输送下，在毛细管柱内进行分离，并在声表面波传感器表面沉积，产生频率信号响应，成功通过中心频率为500 MHz的声表面波传感器对分离后的单种组分进行定量检测。经由STM32单片机控制，系统通过蓝牙与上位机（包括平板与PC端）进行数据通讯，并将检测到的频率信号无线传输到上位机，进行数据分析和储存。见图1。

2.2 脾胃异常呼出气的特异性检测

通过基于气相色谱-声表面波传感器联用的中医闻诊系統对所有被试的呼出气进行检测，检测结果见图2所示。其中，横轴（X轴）为保留时间（s），表示物质在色谱柱中的驻留时间。不同的出峰时间表示呼出气中的不同组分。纵轴（Y轴）是传感器的频率差分响应（Hz/s），表示该组分的物质浓度。针对呼出气的检测结果显示频率差分相应与实践之间的关系，且在谱图上表现出不同的特征峰，通过对这些特征峰的分析，可以得到呼出气与脾胃异常的相关性。

通过对同一被试的呼出气进行3次测量来确定系统检测结果一致性。由图2（A）可以看出，同一被试的3次测试图谱均具有若干的色谱峰，且这些峰的峰位置和峰形状基本重合，表明该气相色谱-声表面波传感器联用的中医闻诊系统具有良好的一致性。与之相对的，通过对不同被试的呼出气进行检测，来确定系统的特异性。由图2（B）可以看出，在3例不同被试的测试中，色谱峰不论是在峰位置还是峰形状上均具有明显的差异性。因此，该系统可以用于区分不同被试的呼出气成分，并具备良好的一致性、可重复性，及特异性。

2.3 基于人工神经网络的脾胃异常中医辨别模型

通过对该中医闻诊系统检测到的数据进行预处理，实现对信号的自适应滤波去噪、基线校正和漂移补偿、归一化和声表面波传感器优化等预处理后。通过二元Logistics回归分析筛选出了12组色谱峰，从表2所示色谱峰组分析结果可以看出，在健康人与脾胃异常被试之间，该分组的色谱峰响应值具有统计学意义。

基于人工神经网络的脾胃中医辨别模型，采用迁移学习的框架，实现不同呼出气样本集之间的跨样本迁移，解决了在样本有限情况下的深度学习训练问题。基于迁移学习的深度信念网络开展传感器的漂移补偿，形成了校正气体多维度信息谱图集。采用预训练和微调模式的半监督卷积神经网络预测模型实现了对气味的辨识：预训练在已知气味数据库等被测气体以外的数据上训练，最后计算在目标辨识数据测试集上的准确率，微调阶段保留训练好的模型并保留参数，使用目标数据集训练模型。

将通过回归分析筛选出的12个分组作为协变量，中医医师关于脾胃异常的诊断结果作为因变量，对所建立的人工神经网络关系模型进行准确性评估，评估结果如表3所示。经过对模型的准确性评估，得出在训练组中，总体准确率达到了90.3%，总体准确率包括脾胃异常样本和脾胃无异常样本的测试。为了更具体的说明系统的准确性，分别对测试组和保持组进行了准确性评估。在测试组中，总体准确率达到了83.9%，其中脾胃异常部分的准确率稍低于脾胃无异常部分的准确率，这是由于被试的脾胃异常程度或者证型存在差别导致的，也因此系统在对脾胃异常的检测中，甚至可以检测出不同的脾胃异常程度。在保持组中，总体准确率达到了83.6%，同样脾胃异常部分的准确率稍低于脾胃无异常部分的准确率。对比测试组和保持组的准确性评估结果发现，测试组和保持组的结果之间比较差异无统计学意义，说明该系统具有良好的一致性和稳定性。

通过绘制接受者操作特性曲线（Receiver Operating Characteristic Curve，ROC），得到特异性与敏感度之间的关系。见图3所示，该ROC曲线下面积达到0.930，说明该脾胃异常中医辨别模型具有很好的敏感度和特异性。因此，通过对临床诊断结果与被试呼出气的特征峰进行相关性分析，可以发现呼出气的多个特征峰与脾胃异常和脾胃无异常显示了显著的相关性。

之后使用该模型对116例受试者进行了模型辨识能力的验证。对脾气虚和脾胃湿热的证候，诊断的阳性准确率达到75%，对脾胃虚寒的阳性准确率达到了65%。而对于脾气虚、脾胃湿热和脾胃虚寒的阴性准确率都达到了90%以上。整体的证候辨识准确率大于80%。见表4。

3 讨论

人类生命活动的代谢产物，如VOCs等，包含有丰富的生物特征信息[13-14]。对这些代谢产物的检测可以直接或间接的监测人体的健康状况。VOCs常常伴随着呼出气而排出体外，是最容易获取的代谢产物之一，在离体健康监测领域具有良好的发展前景。然而由于VOCs往往是由多种物质以极低浓度动态混合的状态存在于空气、水等递质中，目前有效的检测方法和手段还十分有限。对于VOCs气体的检测，通常是通过气体传感器或者气、液相色谱、质谱和光谱等大型设备实现对混合VOCs中多种成分的同时检测[15-16]。气体传感器有着体积小、能耗低、响应速度快、成本低等优点，可实现现场实时的动态监测。而大型设备尽管无法实现现场实时的动态监测，却能够更准确的检测出混合气体的成分。因此，本课题通过将大型设备技术，如气相色谱技术，与声表面波气体传感器相结合，构建了基于气相色谱-声表面波传感器联用的中医闻诊系统来集成大型设备与传感器的优点对呼出气中的VOCs进行检测。

通过该气相色谱-声表面波传感器联用系统对被试的呼出气进行检测，可得到呼出气的色谱图[10，17-18]。通过分析色谱图上的特征峰信息和与之对应被试的脾胃异常情况，可以确定脾胃异常情况与呼出气之间的关系。通过人工神经网络的学习机制，建立脾胃异常与呼出气之间的关系模型，该模型可用于辅助诊断脾胃异常[12]。然而，从临床的角度来看，呼出气的异常只是临床脾胃异常的一种症状，并不能作为确诊的唯一指征，如因口腔滋生细菌而产生的口气，因食用具有特殊气味的食物而产生的口气等。但是，气相色谱的一个特征就是可以特异性的同时检测到这些气体中VOCs的成分。表现在气相色谱图上就是色谱特征峰，每一个特征峰代表一种VOC。在后续的工作中，将通过判断VOC的具体成分，来更加具体的确定脾胃异常出现的位置及脾胃异常的疾病类型和症候类型。

综上所述，本课题建立的基于气相色谱-声表面波传感器联用的中医闻诊系统，可以有效的针对呼出气进行特异性检测，确定脾胃异常情况。通过人工神经网络的方法建立的呼出气与脾胃异常之间的关系，可以用于脾胃异常的预测和诊断。该中医闻诊系统对于中医辨别脾胃异常和证候辨识具有重要的临床辅助诊断意义。

参考文献

[1]崔鹏，赵夜雨，周奇，等.脾胃病中西医治疗进展[J].辽宁中医药大学学报，2016，18（1）：100-104.

[2]汪莉.关于中医内科脾胃病身心治疗的观察分析[J].中西医结合心血管病（连续型电子期刊），2019，7（20）：33.

[3]De′Ath H D，Kelly J J.Overeating and a Wandering Spleen：What Is the Link？[J].Gastroenterology，2019，157（6）：e11-e12.

[4]劉亮晶，黄孟君，邓瑜.超微口气消方治疗口臭脾胃伏火证的临床观察[J].中医药导报，2016，22（12）：86-88.

[5]王剑男，杨巧芳，李永乐.从“和”法论治脾胃系统疾病[J].世界最新医学信息文摘，2019，19（59）：73-74.

[6]刘凌伶，许华，谭宏韬.从脾虚湿滞论治小儿口臭症[J].新中医，2019，51（7）：304-306.

[7]王凤磊，李静，茹淑瑛，等.口臭的中西医诊治新进展[J].中国中医药现代远程教育，2019，17（7）：119-121.

[8]Bathgate G，Ali H，Enein M，et al.An Unusual Cause for Halitosis[J].BMJ Case Reports，2016，2016：213271.

[9]王子聪，周乐舟.气相色谱仪在药品检验中的应用研究[J].临床合理用药杂志，2019，12（25）：178-179.

[10]姬红波，刘少轻，高雪.便携式气相色谱仪的研制及应用[J].中国环保产业，2019，25（8）：60-63.

[11]Viespe C，Miu D.Characteristics of Surface Acoustic Wave Sensors With Nanoparticles Embedded in Polymer Sensitive Layers for VOC Detection[J].Sensors（Basel），2018，18（7）：2401.

[12]Yu K，Beam A，Kohane I.Artificial Intelligence in Healthcare[J].Nature Biomedical Engineering，2018，2（10）：719-731.

[13]Van Vliet D，Smolinska A，Jbsis Q，et al.Can Exhaled Volatile Organic Compounds Predict Asthma Exacerbations in Children？[J].Journal of Breath Research，2017，11（1）：016016.

[14]De Costello B，Amann A，Al-Kateb H，et al.A Review of the Volatiles From the Healthy Human Body[J].Journal of Breath Research，2014，8（1）：014001.

[15]Kabir E，Raza N，Kumar V，et al.Recent Advances in Nanomaterial-Based Human Breath Analytical Technology for Clinical Diagnosis and the Way Forward[J].Chem，2019，5（12）：3020-3057.

[16]Liu L，Zhang D，Zhang Q，et al.Smartphone-based Sensing System Using ZnO and Graphene Modified Electrodes for VOCs Detection[J].Biosensors and Bioelectronics，2017，93：94-101.

[17]Hu S，Shiue A，Chih Y.Monitoring and Analyzing Volatile Organic Compounds in Fabs by Gas Chromatograph/Surface Acoustic Wave Sensors[J].Microchemical Journal，2016，126：96-103.

[18]Phillips M，Cataneo R，Cruz-Ramos J，et al.Prediction of Breast Cancer Risk With Volatile Biomarkers in Breath[J].Breast Cancer Research and Treatment，2018，170（2）：343-350.

（2020-05-10收稿 责任编辑：徐颖）