肺癌是目前全世界最常見的惡性腫瘤之一，其發病率和死亡率不斷上升。究其原因是肺癌病因不明，發病時間短、轉移快、惡性程度高，早期不易診斷，到中、晚期失去了手術機會，患者五年生存率僅為15％左右。早期發現可使患者五年內生存率提高到70％～80％。所以早期發現、早期診斷、早期治療是提高肺癌生存率和降低死亡率的關鍵。肺癌早期通常無特殊癥狀，幾乎不被醫生和病人警覺，并且常用診斷方法難以做到早期發現、早期定性診斷。
　　目前，基于電子鼻的疾病診斷研究主要集中在有關腎病、糖尿病的早期診斷和一些細菌的類型與生長階段的識別。電子鼻的疾病診斷作為醫學診斷無損化的重要方向之一，已經取得了很多成果，但目前還未有通過認證的呼吸診斷儀器的報道。如何進一步改進肺癌的診斷技術、提高各種治療的療效等，已經成為近期全世界腫瘤研究領域的重中之重。我國也把肺癌列為全國重點攻關課題。尋找一種更先進的儀器和技術在局部組織發生癌變時即能發現和診斷，即是本電子鼻系統所要完成的工作。本文從相關病理的呼吸氣體的偵測和收集、氣體傳感器陣列的選取及優化設計和模式識別技術的選擇等方面對電子鼻肺癌早期診斷系統進行了關鍵技術的設計，取得了良好的效果。
1 電子鼻肺癌早期診斷系統結構
　　電子鼻是利用氣體傳感器陣列的響應圖案來識別氣體的電子系統。電子鼻主要由氣體取樣操作器、氣體傳感器陣列和信號處理系統三種功能器件組成。電子鼻識別氣體的主要機理是在陣列中的每個傳感器對被測氣體都有不同的靈敏度，整個傳感器陣列對不同氣體的響應圖案不同。正是這種區別，才使系統能根據傳感器的響應圖案識別氣味。
　　電子鼻典型的工作流程是：首先，利用呼吸氣體收集裝置(經過呼吸氣體凈化和流量控制)把呼吸氣體吸取至裝有電子傳感器陣列的小容器室中；接著，把已初始化的傳感器陣列暴露到被測氣體中，當揮發性化合物(VOC)與傳感器活性材料表面接觸時，產生瞬時響應，這種響應被記錄并傳送到信號處理單元進行分析，與數據庫中存儲的大量VOC圖案進行比較、鑒別，以確定氣體類型；最后，清洗氣沖洗傳感器活性材料表面以去除測畢的氣體混合物。在進入下一輪新的測量之前，傳感器仍需再次初始化(即工作之前，每個傳感器都需用干燥氣或某些其他參考氣體清洗，以達到基準狀態)。電子鼻肺癌早期診斷系統結構如圖1所示。

2 電子鼻肺癌早期診斷系統的設計
　　本文從肺癌患者的呼吸氣體中與疾病有較大相關性的有病理意義的氣體的偵測、呼吸氣體收集裝置的設計、氣體傳感器陣列的選取及優化設計和模式識別技術的選擇等方面進行了關鍵技術的設計。
2.1 呼吸氣體的偵測
　　大約有200種以上的化合物已在人類的呼氣中被偵測出，其中某些氣體與肺癌相關，因此利用呼氣檢測疾病是可行的方法。其優點是非侵入式、簡單、快速，故具有極高的應用發展潛力。與醫院結合，選取合適的氣敏傳感器與檢測方法，檢測肺癌患者的呼出氣體中苯乙烯、癸烷、十一烷等22種有機揮發性(VOCs)特征氣體的濃度是很有前景的肺癌無創傷診斷與監護方法。
2.2 呼吸氣體收集裝置的設計
　　由于呼氣中所產生與肺癌相關的氣體濃度很低(通常在ppb層級)，而傳統的呼氣檢測方式是根據標準的呼氣采樣程序后，再以氣相色譜質譜分析儀判定化合物種類，其分析過程必須將大量的呼氣樣品(約需3L的呼氣樣品)濃縮后，才可達到儀器能偵測的極限值。此方法不僅儀器昂貴、耗時且需大量的樣品檢體。而電子鼻所需的分析成本不高，且所需呼氣樣品量僅10ml左右，操作簡單、反應快速(數分鐘)。呼吸氣體的收集在電子鼻的肺癌早期診斷系統中占有極其重要的地位，氣體收集裝置的結構如圖2所示。
　　圖2中箭頭表示清洗氣和呼吸氣體的流動方向。整個氣體收集裝置經過氣體清洗后，通過吹氣口將測試者的呼吸氣體呼入。經過一系列的水分和無關氣體的清除后，通過流量計控制氣體的流速和微處理器的定時采集，再經過加熱器除去非活性氣體。

2.3 氣體傳感器陣列的選取和優化設計
　　在該電子鼻系統中，氣體傳感器陣列是關鍵因素。影響氣敏傳感器性能的主要因素有材料及成模技術、應用溶凝膠技術制備敏感模、工作狀態及工作環境等。此外，還要考慮初始過程響應和氧分壓對氣敏傳感器特性的影響。
　　氣體傳感器陣列的性能直接決定了系統的識別能力、識別范圍、使用壽命等，因而如何構成陣列以提高電子鼻系統的性能成為重要的研究課題。傳感器陣列的參數選擇主要是：陣列規模、傳感器類型及其選擇性、穩定性、噪聲水平以及熱敏特性等。
　　電子鼻系統中的傳感器陣列可以是單片集成陣列，也可以由多個分立元件構成。當使用的陣列單元較多時，單片集成的陣列顯示出尺寸小、功耗低的優點；另一方面，分立器件的性能也在不斷得到提高。不論采用哪種陣列，陣列的規模和尺寸都非常重要。適當增加陣列單元數目，會得到更好的系統識別能力，但有時陣列單元的增加并不能改善系統的識別效果，并且較大規模的陣列，其功耗也較大，單元之間的熱干擾也比較嚴重，這將增加系統集成的難度。構成陣列時，還要考慮陣列各單元的選擇性。如果各單元對于特定氣體具有較好的選擇性，則陣列對這些氣體及其混合氣體的識別能力就比較強，但其能夠識別的氣體種類就會減少，對于更多成分的復雜混合氣體的識別能力就比較弱。在構造傳感器陣列時可以采用選擇性不強、具有較寬的響應范圍的傳感器件，通過模式識別技術提升系統選擇性和精度，同時針對不同的識別對象，加入個別選擇性較好的單元，以簡化陣列。在陣列單元選擇方面，有采用測試結果的正態分布特性、相對標準方差分析、相關系數分析等方法。本系統中，交叉響應特性、陣列穩定性是傳感器陣列單元選擇的主要目標。
2.4 模式識別技術的選擇
　　利用陣列中氣體傳感器的交叉選擇性對被測介質形成高維響應模式，結合模式識別技術，可以對單一氣體進行定性分析或確定混合氣體中的特定分量。氣體傳感器的響應通常具有較強的非線性，所以常規的模式識別方法，如主成分分析法、偏最小二乘回歸法、歐幾里德聚類分析法等受到限制(大多數常規分類法是線性方法，假設響應向量位于歐幾里德空間，被測對象的濃度與傳感器的響應呈線性關系。只有當氣體和氣味的濃度很低時，情況才如此)。而人工神經網絡能夠處理非線性數據，能夠容忍傳感器的漂移和噪聲，魯棒性好，預報正確率也比常規方法高。
　　由于傳感器的響應值與所測氣體成分之間的關系非常復雜，很難用明確的數學關系表達，因此采用神經網絡技術建立傳感器陣列響應信號與測量氣體之間的映射關系。徑向基函數RBF(Radial Basis Function)神經網絡在一定程度上可克服局部最小和效率低等問題，在函數逼近方面與BP神經網絡相比有著明顯的優勢。綜合以上分析，本系統采用RBF神經網絡模式識別方法。圖3是RBF神經網絡拓撲結構。

　　RBF神經網絡由輸入層、中間層(隱層) 和輸出層組成。在此, 輸入層僅對數據信息進行傳遞，而不進行任何變換。隱層神經元的核函數(或稱作用函數)取為高斯函數，對輸入信息進行空間映射變換。輸出層神經元的作用函數為Sigmoid函數，對隱層神經元輸出的信息進行線性加權后輸出，作為網絡的輸出結果。采用監督學習的方法訓練神經網絡，以確定網絡的中心、寬度和調節權重。從測試樣本中，隨機抽取80個樣本中的60個為訓練集，其余20個為測試集，在不同的溫度和濕度條件下，分別做三次實驗。
　　網絡訓練參數動量因子α＝0.09，學習因子η＝10.12，最大訓練次數為20 000次，目標誤差為0.01，訓練時間約3min，網絡達到目標誤差要求。將訓練好的網絡對樣本進行測試，結果如表1所示。對于三次實驗，正確的判別結果達到了90%以上。這樣的結果是令人滿意的，說明本應用可以及早發現肺癌患者。