基于氣相色譜采表面波傳感器聯用技術的中醫脾胃證候辨識

陳星　陳璟　陳超　董浩　傅煒　李瑩　陳澤濤　盧妍利　劉軍　劉清君

摘要 目的：建立以呼出氣為檢測目標的基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統，用于中醫脾胃證候的辨識。方法：通過氣相色譜-聲表面波傳感器聯用的方法建立中醫聞診系統，采用氣袋收集112例臨床脾胃異常與162例脾胃無異常被試者的呼出氣，利用該中醫聞診系統對所收集的呼出氣進行檢測分析，并通過116例受試者進行模型驗證，建立呼出氣與脾胃證候的關系模型。結果：利用人工神經網絡建立了被試呼出氣與脾胃異常的關系模型，該模型的ROC曲線下面積達到了0.930，對脾氣虛、脾胃濕熱和脾胃虛寒等證候的辨識準確率均達84%以上。結論：通過所建立的中醫聞診系統，建立了一種可經由檢測呼出氣的手段對脾胃異常進行中醫證候辨識的新型臨床輔助診斷系統。

關鍵詞 氣相色譜;聲表面波傳感器;中醫脾胃;呼出氣;中醫聞診

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

中圖分類號：R2-03;R318.6文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2020.11.005

在人體新陳代謝的過程中，脾胃與機體的營養吸收直接相關[1]。當人體的脾胃出現問題而導致無法正常工作時，身體的營養吸收便會出現阻滯，從而影響身體健康。人體的脾胃出現異常，通常會表現出胃脘疼痛、腹部脹氣、食欲減退，以及肌肉消瘦等問題，更有甚者，脾胃異?？赡軙е滦∧c、大腸，以及淋巴系統出現問題[2-3]。此外，脾胃異常還會導致脾臟中的毒素不能及時的排出體外而引發痰濕證，致使出現脂肪堆積、口氣明顯等癥狀[4]。因此，針對脾胃異常的診斷可有效預防消化系統問題的惡化。目前脾胃異常的中醫診斷包括疾病診斷和證候診斷，通過望舌苔顏色、面色、排泄物顏色等，聞口氣、排泄物氣味等，問主次要癥狀，病史等，以及通過切脈等手段來確定疾病或者證候類型[1]。脾胃異常的疾病類型主要包括腸結病、胃脘痛、便秘病、大腸息肉，以及嘔吐病等，脾胃異常的證候主要包括脾氣虛、脾胃虛寒、脾胃濕熱、胃陰虛、胃熱、肝脾不和、大腸濕熱、腸胃積熱證、腸胃氣滯證，以及腸胃郁熱證等[2]。臨床上根據不同的疾病類型與證候類型來確定具體的治療方法[5]。

在脾胃異常的諸多癥狀中，口氣是最為顯著也是對患者社會生活影響最為明顯的一種[4，6-7]?，F代醫學認為口氣是由多種因素引起口腔內厭氧菌生長、硫化物產生而導致的，例如，由于胃腸積食，導致腸胃中的垃圾堆積發酵而產生熱氣，即揮發性有機化合物（Volatile Organic Compounds，VOCs），從口腔、鼻腔等排出形成口氣[8]。中醫學對口氣記述頗早，又名出氣臭、口氣臭、口氣穢惡、息臭等，認為口氣是五臟六腑功能失調的結果[7]。從證型來看，以腸胃積熱型、胃陰虧虛型、脾虛濕滯型多見。因此，不論是從現代醫學生化的角度還是中醫證候的角度，口氣與脾胃異常的發生具有顯著的關聯性。采用聞排泄物發出的各種氣味的方法來診斷疾病是中醫聞診的一種手段。通過檢測呼出氣中VOCs的成分或者色譜特性，可以建立呼出氣與脾胃異常之間的關系，從而對脾胃異常作出診斷。

針對混合氣體成分的檢測可以通過氣相色譜儀來實現[9-10]。當需要檢測的氣體樣品由微量注射器送入進樣器后，被載氣攜帶進入填充柱或毛細管色譜柱。由于色譜柱與樣品的流動相和固定相吸附系數的差異，在載氣的沖洗下，各組分在兩相間反復分配使各組分在柱中得到分離，進而檢測出組分并得到色譜圖。針對臨床患者或者社區居民的呼出氣檢測往往需要就近、快速的完成，然而一般的氣相色譜儀體積過于龐大，不利于現場快檢（Point-of-care Testing，POCT）的應用[11]。聲表面波（Surface Acoustic Wave，SAW）器件作為一種聲-電換能器，能夠在很小的插指換能器中實現，且具有很高的靈敏性[11]。通過將氣相色譜的方法與聲表面波傳感器相結合所構建的便攜式氣體檢測儀器，可以實現在靈敏度、特異性、線性度、動態范圍、檢測下限、檢測周期和辨識能力等方面達到平衡，兼具大型設備和氣體傳感器的優勢。

本課題通過氣相色譜技術與聲表面波傳感器聯用的方法，構建一種針對呼出氣檢測的中醫聞診系統，并使用該系統對脾胃異常與脾胃無異常的被試呼出氣進行檢測，以測定呼出氣的氣相色譜特征峰，并通過人工神經網絡的方法建立呼出氣與脾胃異常之間的關系模型。通過本課題的研究，可實現基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統在脾胃異常中醫辨別中的應用，在中醫臨床輔助診斷領域具有重要的意義。

1 資料與方法

1.1 一般資料

在本課題中，274例被試數據用于機器學習模型的參數估計和測試，所挑選被試者詳細資料見表1。針對這些被試，由3位中醫權威醫師對其進行獨立診斷，評估其脾胃狀況，給出相應診斷結果。當3位醫師都認為無脾胃疾病的，才歸為脾胃無異常。對于有異常情況的診斷結果，并存在3位醫師對診斷脾胃證候有分歧的情況時，將通過會診的形式，確定脾胃證候（同時保留多個證候）。在這274例被試中，162例患者被診斷為脾胃無異常，112例患者被診斷為脾胃有異常。使用建立的模型對116例受試者脾胃證候的辨識進行了驗證，對脾氣虛、脾胃濕熱和脾胃虛寒3個證候進行了辨識驗證。

1.2 檢測系統構建

基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統結構框圖見圖1所示。該系統主要包括2種狀態：采樣狀態和分析狀態。通過系統的氣路核心部件六通閥來實現系統采樣狀態與分析狀態之間的切換。

1.2.1 微管預濃縮器的制備 采用304不銹鋼管（OD：8 mm，ID：5 mm，Length：70 mm），其一端置于吸附劑上方，另外一端連接真空泵及流量計，用于負壓裝填及過程監測。在填充過程中使用電子天平稱量吸附劑的重量變化，從而監測吸附劑的填充量。為實現小分子和大分子的同時濃縮吸附和脫附，需分別填充不同的吸附劑以形成管內的分層結構。

1.2.2 集束毛細管及升溫系統的制備 采用微納加工工藝，制備孔徑在百微米級的多孔石英柱，在柱體的孔柱內通過動態成膜技術修飾可用于分離氣體成分的涂敷相，制成集束毛細管柱，在不損失柱容量的前提下實現短徑下的快速分離。在石英柱的外圍包裹金屬層，并通過在金屬兩端施加PWM占空比可調的恒定電壓，并檢測恒定電壓下的電流變化，用于集束毛細管的加熱及溫度檢測，從而實現毛細管柱的可控程序升溫。

1.2.3 系統集成 通過結構優化、溫度場優化、電氣安全優化等方法，把上述的微濃縮管、集束色譜柱以及聲表面波傳感器集成到便攜式微系統中，實現20 s內C1-C16分子量物質的全譜分析。在程序溫控下，混合物各組分因移動速度不同逐漸分離后依次從毛細管柱末端流出進入聲表面波傳感器部分進行檢測。

1.2.4 系統軟件 系統軟件分為系統操控和檢測2個部分。系統操控部分主要包含快速氣相色譜分析方法的流程調控邏輯，傳感器工作方式調控邏輯，以及系統安全正常運行檢測的邏輯。檢測部分包含呼出氣VOCs數據的存儲、實時分析和特征重現。VOCs數據的前處理包含與系統操控方法相匹配的數據時序對準、降噪、特征提取和標定等。

1.3 呼出氣檢測

通過氣袋收集了274例被試的呼出氣，使用基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統對這些呼出氣樣本進行分析，每袋氣體樣本分析3次。在檢測分析的過程中，設置進樣口溫度180 ℃，六通閥160 ℃，毛細管柱溫度40 ℃，聲表面波傳感器30 ℃，載氣氣流1 mL/min。預熱完畢后，六通閥切換至采樣模式，由真空泵抽氣，采樣60 s之后切換到分析模式。在分析模式中，將吸附管瞬時加熱至250 ℃，毛細管柱程序升溫，以10 ℃/s的速度升溫至180 ℃。在毛細管柱開始升溫的同時，記錄傳感器頻率信號，持續20 s。在該分析過程完畢之后，將傳感器加熱至120 ℃并保持15 s，以使被測物與傳感器充分分離。通過對傳感器的頻率信號進行差分分析，即得被試呼出氣的色譜圖。

1.4 數據分析

以特征峰的保留時間差距在0.1 s以內的為同一組分，并以0.1 s為間隔，將色譜峰四舍五入并進行分組，從0.1到20.0，共200個分組。記錄呼出氣在該分組時間內出峰位置的差分響應值。如該位置沒有色譜峰，則分組的值記為0 Hz/s。

根據中醫醫師給出的診斷結果，將脾胃無異常記為1，脾胃有異常記為0。使用Logistics回歸分析尋找與中醫的脾胃異常診斷結果相關的色譜峰分組，步驟如下：

1）分析每個色譜峰分組的頻率分布，如果在一個分組內，色譜峰的值為0 Hz/s的頻次高于200（即少于74例患者存在該色譜峰），則剔除該分組。

2）將預處理后的分組進行二元Logistics回歸分析，使用向后（逐漸剔除法），步進概率（進入：0.05;除去：0.1），選取了12個與中醫診斷結果呈相關性的色譜峰分組。

3）對這12個色譜峰分組以脾胃有無異常（無異常：1，有異常：0為標準進行組分析）。

通過將上述與中醫診斷結果呈顯著相關的色譜峰分組作為協變量，中醫醫師關于脾胃異常的診斷結果作為因變量，利用基于多層感知器的人工神經網絡進行建模[12]。按照2∶1∶1的比例分配訓練組（145例）、測試組（62例）和保持組（67例）。并對模型的靈敏度和特異性等參數進行進一步的評估。

2 結果

2.1 基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統

整個系統的氣路連接見圖1所示。通過將氣相色譜與聲表面波傳感器聯用，成功搭建中醫聞診系統。該系統搭配的核心部件六通閥實現了改變氣路連接在系統工作模式間的切換。在采樣模式下，（1、2）（3、4）（5、6）口分別相通，通過真空泵抽氣，氣霧態呼出氣樣品進入雙層吸附管進行C1-C16物質的同時富集。富集過程結束后，通過控制六通閥轉向，進入分析模式，此時六通閥的（2、3）（4、5）（1、6）口分別相通。在分析模式中，需要對吸附管高溫快速加熱，以保證樣品中各組分幾乎在同一時間內進入金屬毛細管柱。加熱溫度約為250 ℃，并實現在50 ms內完成該加熱過程。采樣模式下吸附的成分，在氦氣作為載氣的輸送下，在毛細管柱內進行分離，并在聲表面波傳感器表面沉積，產生頻率信號響應，成功通過中心頻率為500 MHz的聲表面波傳感器對分離后的單種組分進行定量檢測。經由STM32單片機控制，系統通過藍牙與上位機（包括平板與PC端）進行數據通訊，并將檢測到的頻率信號無線傳輸到上位機，進行數據分析和儲存。見圖1。

2.2 脾胃異常呼出氣的特異性檢測

通過基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統對所有被試的呼出氣進行檢測，檢測結果見圖2所示。其中，橫軸（X軸）為保留時間（s），表示物質在色譜柱中的駐留時間。不同的出峰時間表示呼出氣中的不同組分?？v軸（Y軸）是傳感器的頻率差分響應（Hz/s），表示該組分的物質濃度。針對呼出氣的檢測結果顯示頻率差分相應與實踐之間的關系，且在譜圖上表現出不同的特征峰，通過對這些特征峰的分析，可以得到呼出氣與脾胃異常的相關性。

通過對同一被試的呼出氣進行3次測量來確定系統檢測結果一致性。由圖2（A）可以看出，同一被試的3次測試圖譜均具有若干的色譜峰，且這些峰的峰位置和峰形狀基本重合，表明該氣相色譜-聲表面波傳感器聯用的中醫聞診系統具有良好的一致性。與之相對的，通過對不同被試的呼出氣進行檢測，來確定系統的特異性。由圖2（B）可以看出，在3例不同被試的測試中，色譜峰不論是在峰位置還是峰形狀上均具有明顯的差異性。因此，該系統可以用于區分不同被試的呼出氣成分，并具備良好的一致性、可重復性，及特異性。

2.3 基于人工神經網絡的脾胃異常中醫辨別模型

通過對該中醫聞診系統檢測到的數據進行預處理，實現對信號的自適應濾波去噪、基線校正和漂移補償、歸一化和聲表面波傳感器優化等預處理后。通過二元Logistics回歸分析篩選出了12組色譜峰，從表2所示色譜峰組分析結果可以看出，在健康人與脾胃異常被試之間，該分組的色譜峰響應值具有統計學意義。

基于人工神經網絡的脾胃中醫辨別模型，采用遷移學習的框架，實現不同呼出氣樣本集之間的跨樣本遷移，解決了在樣本有限情況下的深度學習訓練問題。基于遷移學習的深度信念網絡開展傳感器的漂移補償，形成了校正氣體多維度信息譜圖集。采用預訓練和微調模式的半監督卷積神經網絡預測模型實現了對氣味的辨識：預訓練在已知氣味數據庫等被測氣體以外的數據上訓練，最后計算在目標辨識數據測試集上的準確率，微調階段保留訓練好的模型并保留參數，使用目標數據集訓練模型。

將通過回歸分析篩選出的12個分組作為協變量，中醫醫師關于脾胃異常的診斷結果作為因變量，對所建立的人工神經網絡關系模型進行準確性評估，評估結果如表3所示。經過對模型的準確性評估，得出在訓練組中，總體準確率達到了90.3%，總體準確率包括脾胃異常樣本和脾胃無異常樣本的測試。為了更具體的說明系統的準確性，分別對測試組和保持組進行了準確性評估。在測試組中，總體準確率達到了83.9%，其中脾胃異常部分的準確率稍低于脾胃無異常部分的準確率，這是由于被試的脾胃異常程度或者證型存在差別導致的，也因此系統在對脾胃異常的檢測中，甚至可以檢測出不同的脾胃異常程度。在保持組中，總體準確率達到了83.6%，同樣脾胃異常部分的準確率稍低于脾胃無異常部分的準確率。對比測試組和保持組的準確性評估結果發現，測試組和保持組的結果之間比較差異無統計學意義，說明該系統具有良好的一致性和穩定性。

通過繪制接受者操作特性曲線（Receiver Operating Characteristic Curve，ROC），得到特異性與敏感度之間的關系。見圖3所示，該ROC曲線下面積達到0.930，說明該脾胃異常中醫辨別模型具有很好的敏感度和特異性。因此，通過對臨床診斷結果與被試呼出氣的特征峰進行相關性分析，可以發現呼出氣的多個特征峰與脾胃異常和脾胃無異常顯示了顯著的相關性。

之后使用該模型對116例受試者進行了模型辨識能力的驗證。對脾氣虛和脾胃濕熱的證候，診斷的陽性準確率達到75%，對脾胃虛寒的陽性準確率達到了65%。而對于脾氣虛、脾胃濕熱和脾胃虛寒的陰性準確率都達到了90%以上。整體的證候辨識準確率大于80%。見表4。

3 討論

人類生命活動的代謝產物，如VOCs等，包含有豐富的生物特征信息[13-14]。對這些代謝產物的檢測可以直接或間接的監測人體的健康狀況。VOCs常常伴隨著呼出氣而排出體外，是最容易獲取的代謝產物之一，在離體健康監測領域具有良好的發展前景。然而由于VOCs往往是由多種物質以極低濃度動態混合的狀態存在于空氣、水等遞質中，目前有效的檢測方法和手段還十分有限。對于VOCs氣體的檢測，通常是通過氣體傳感器或者氣、液相色譜、質譜和光譜等大型設備實現對混合VOCs中多種成分的同時檢測[15-16]。氣體傳感器有著體積小、能耗低、響應速度快、成本低等優點，可實現現場實時的動態監測。而大型設備盡管無法實現現場實時的動態監測，卻能夠更準確的檢測出混合氣體的成分。因此，本課題通過將大型設備技術，如氣相色譜技術，與聲表面波氣體傳感器相結合，構建了基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統來集成大型設備與傳感器的優點對呼出氣中的VOCs進行檢測。

通過該氣相色譜-聲表面波傳感器聯用系統對被試的呼出氣進行檢測，可得到呼出氣的色譜圖[10，17-18]。通過分析色譜圖上的特征峰信息和與之對應被試的脾胃異常情況，可以確定脾胃異常情況與呼出氣之間的關系。通過人工神經網絡的學習機制，建立脾胃異常與呼出氣之間的關系模型，該模型可用于輔助診斷脾胃異常[12]。然而，從臨床的角度來看，呼出氣的異常只是臨床脾胃異常的一種癥狀，并不能作為確診的唯一指征，如因口腔滋生細菌而產生的口氣，因食用具有特殊氣味的食物而產生的口氣等。但是，氣相色譜的一個特征就是可以特異性的同時檢測到這些氣體中VOCs的成分。表現在氣相色譜圖上就是色譜特征峰，每一個特征峰代表一種VOC。在后續的工作中，將通過判斷VOC的具體成分，來更加具體的確定脾胃異常出現的位置及脾胃異常的疾病類型和癥候類型。

綜上所述，本課題建立的基于氣相色譜-聲表面波傳感器聯用的中醫聞診系統，可以有效的針對呼出氣進行特異性檢測，確定脾胃異常情況。通過人工神經網絡的方法建立的呼出氣與脾胃異常之間的關系，可以用于脾胃異常的預測和診斷。該中醫聞診系統對于中醫辨別脾胃異常和證候辨識具有重要的臨床輔助診斷意義。

參考文獻

[1]崔鵬，趙夜雨，周奇，等.脾胃病中西醫治療進展[J].遼寧中醫藥大學學報，2016，18（1）：100-104.

[2]汪莉.關于中醫內科脾胃病身心治療的觀察分析[J].中西醫結合心血管病（連續型電子期刊），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，黃孟君，鄧瑜.超微口氣消方治療口臭脾胃伏火證的臨床觀察[J].中醫藥導報，2016，22（12）：86-88.

[5]王劍男，楊巧芳，李永樂.從“和”法論治脾胃系統疾病[J].世界最新醫學信息文摘，2019，19（59）：73-74.

[6]劉凌伶，許華，譚宏韜.從脾虛濕滯論治小兒口臭癥[J].新中醫，2019，51（7）：304-306.

[7]王鳳磊，李靜，茹淑瑛，等.口臭的中西醫診治新進展[J].中國中醫藥現代遠程教育，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]王子聰，周樂舟.氣相色譜儀在藥品檢驗中的應用研究[J].臨床合理用藥雜志，2019，12（25）：178-179.

[10]姬紅波，劉少輕，高雪.便攜式氣相色譜儀的研制及應用[J].中國環保產業，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 責任編輯：徐穎）