电子鼻技术在呼出气体疾病分析中的研究进展

本文首发于公众号「呼气试验」，此处为归档版本。

呼气分析作为一种无创、便携的健康诊断方法，因其方便、安全、简单、避免不适等诸多优点而备受关注。许多研究表明，呼出气体分析是一种很有前途的医学检测技术，它能通过分析特定气体的浓度、类型和其他特征来诊断不同的疾病。在现有的气体分析技术中，电子鼻（eNose）分析方法具有灵敏度高、反应迅速、可实时监测、使用方便、携带方便等优点。

一、导言

人体呼出的气体由 150 mL 的 “死腔气体 ”和大约 350 mL 的 “肺泡气体 ”组成。“肺泡气体 ”是指人体血液中的顶空气体，它可以动态地反映血液新陈代谢的趋势。健康人呼出的气体中含有氮气、氧气、二氧化碳、水蒸气、稀有气体以及新陈代谢过程中产生的各种化合物。这些化合物含有微量的挥发性有机化合物 (VOC) 和一些非挥发性成分，通常在万亿分之一 (ppt) 到百万分之一 (ppm) 之间。各种气体具有不同的类型、浓度、挥发性、脂溶性、在血液循环中的扩散速度、通过肺泡细胞膜的速度以及其他特性。当一种或多种气体的浓度超过一定范围或产生某些特定气体时，往往会引起机体疾病或代谢功能的变化。呼气标志物的明显变化可检测出许多疾病，其中幽门螺旋杆菌呼气检测已成为临床依据，呼出NO检测也可作为哮喘临床的辅助手段。

随着无创医疗诊断和治疗技术的不断进步，呼出气体分析最有可能成为无创和便携式健康诊断的替代方案。它具有无创、无痛、安全方便、操作简单等优点。此外，它还可以避免血液和尿液检测带来的不适和尴尬。总之，呼气分析是一种极具前景的医学检测技术。人体呼出的气体中含有数千种不同的气体，它们是人体新陈代谢和接触外源化合物的产物。这些呼出气体的生物标记物可以描述外部因素对人体健康的影响。通过检测某些生物标志物的相对水平，可以确定人体的健康状况。人体呼出气体的检测通常采用质谱法和气相色谱法。然而，这些相关设备价格昂贵、操作复杂、不够便携，限制了其在呼气诊断领域的实际应用。与上述检测人体呼气的传统方法不同，电子鼻（eNose）通常不需要昂贵的组件或熟练的操作人员。此外，操作时间相对较短，几分钟内就能得到结果。

eNose 是一种智能系统，它将交叉敏感化学传感器阵列与一套有效的模式识别算法相结合，用于检测、识别或量化各种气体/气味。首先，选择一系列对目标分析物具有良好分辨率和选择性的气敏传感器组成传感器阵列。然后，通过数据采集卡获取该传感器阵列的响应曲线，在对这些响应信号进行去噪处理后提取特征参数。最后，将提取的特征参数输入模式识别系统，以识别气体的类型和浓度信息。利用 eNose 技术对人体呼气进行无创诊断具有显著的优势，如技术成本低、辨别能力强等。

随着气体传感技术和人工智能的不断发展，基于电子鼻技术的人体呼气检测方法具有大规模早期诊断筛查和长期监测诊断的潜力。电子鼻技术在医疗保健领域的发展得到了极大的拓展。eNose 在临床医学中的应用主要包括各种癌症的早期筛查、肺部疾病（如肺炎和上呼吸道感染）、糖尿病、细菌病原体的识别以及超级伤口释放的微生物代谢物。

经过近三十年的发展，电子鼻技术已经取得了长足的进步。然而，一些挑战依然存在。其中一个挑战是漂移现象的存在，即传感器响应和模式识别算法（PRA）会随着时间的推移而逐渐偏离。这种漂移阻碍了传感器响应与算法性能之间的一致性，导致匹配精度降低。此外，针对同一探测目标从传感器阵列收集的数据由结构复杂的多变量时间序列信号组成。此外，由于响应机制的复杂性，很难获得气敏传感器的先验响应函数和精确数学模型。因此，研究人员在选择信号处理和模式识别算法时仍然依赖于经验方法。这些尚未解决的问题阻碍了电子鼻技术的广泛应用和发展。因此，在电子鼻领域探索和研究实时、快速、高效和准确的气体识别解决方案仍然是一个势在必行的研究方向。

用于无创呼吸诊断的 eNose 技术的工作原理图如图 1 所示。

图 1 通过 eNose 系统进行无创呼吸检测的示意图

二、人体呼出气体成分在疾病诊断中的应用

呼气是人体与外界环境进行气体交换的过程。它是生物体最重要的代谢活动之一。呼出的气体包含许多与人体健康有关的信息。1971 年，莱纳斯等人发表了一篇重要文章，通过气相色谱法在呼出气体中检测到了超过 200 ppm 水平的挥发性有机化合物。这一发现为各种呼气分析方法铺平了道路。随着呼出气体分析和检测技术的发展，针对代谢性疾病的人体呼出气体中挥发性有机化合物生物标志物的研究引起了广泛关注。目前，已在呼气样本中鉴定出 3000 多种不同的挥发性有机化合物，在单个呼气样本中检测出 500 多种挥发性有机化合物。

此外，在人体呼出的气体中还发现了无机和有机化合物。人体呼出气体中的无机化合物包括一氧化氮（NO）、一氧化碳（CO）、氨（NH3）和硫化氢（H2S）。有机化合物主要包括碳氢化合物（如乙烷、戊烷和异戊二烯）、含氧化合物（如丙酮、醇和醛）、含氮化合物（如二甲胺和三甲胺）和含硫化合物（如甲硫醇、乙硫醇和二甲硫醚）。表 1 总结了在人类呼出气体中检测到的主要化合物，以及相应的疾病类型和在健康人呼出气体中观察到的浓度。这些化合物有望成为疾病诊断的潜在生物标志物。

表 1 人类呼出气体中潜在的疾病生物标志物

标志物

疾病

健康人群呼出气浓度

一氧化氮

哮喘、慢性阻塞性肺病、囊肿性肺病

~10 ppb; ~~30 ppb; 10~~50 ppb

一氧化碳

哮喘 , 慢性阻塞性肺病 , 气道炎症

0~~6 ppm ; 1~~2 ppm

二氧化碳

幽门螺杆菌感染

4~5%

甲烷

肠道吸收不良内脏脂肪堆积

2~10 ppm

乙烷

慢性阻塞性肺病、哮喘、溃疡性结肠炎

0~10 ppb

戊烷

慢性阻塞性肺病2、哮喘、囊肿性肺病、乳腺癌、溃疡性结肠炎

0~10 ppb

异戊二烯

低密度脂蛋白、胆固醇代谢

22~234 ppb; Average 100 ppb; ~~105 ppb ; 12~~580 ppb

丙酮

糖尿病

0.3~~0.9 ppm ; 0.3~~1 ppm

甲醇

LC, 囊肿性纤维化

~~1 ppm; 160~~2000 ppb

乙醇

囊肿性纤维化、糖尿病

~~1 ppm; 13~~1000 ppb

甲醛

平均 48 ppb

氨气

肾病、肝病、哮喘、口臭

248~~2935 ppb; 425~~1800 ppb; 50~~2000 ppb ; 0.5~~2 ppm

硫化氢

口臭

0~1.3 ppm ; 150 ppb

NO等无机化合物已被用作肺部炎症的生物标记物，并在各种肺部疾病的研究中显示出潜力。它们对肺癌（LC）患者的诊断具有相当大的临床价值。如图 2a 所示，采集了健康人（H）和肺癌患者的呼气样本。与 LC 组相比，H 组受试者呼出气体中 NO 含量低于 20 ppb 的人数要多得多。此外，H 组受试者呼出气体中 NO 的最高水平低于 60 ppb，而 LC 组受试者呼出气体中 NO 的最高水平超过 100 ppb。美国食品和药物管理局已批准将呼出的 NO 检测作为哮喘的诊断标准，从而将其定位为哮喘评估和治疗的重要辅助工具。呼出的一氧化碳可能与阻塞性睡眠呼吸暂停（OSA）有关，这是一种常见的睡眠呼吸障碍性疾病，其特点是睡眠时上气道反复出现完全或部分塌陷。由此产生的间歇性缺氧可导致气道炎症和氧化应激。内源性 CO 主要是血红素加氧酶催化血红素降解的副产品。它是氧化应激的标志物。研究表明，OSA 患者呼出的循环 CO 水平升高。不同类型 OSA 患者呼出的 CO 含量见图 2b。

图 2 人体呼出气体在疾病诊断中的应用 a H 受试者（绿色）和 LC 患者（红色）呼出气体中的 NO 含量。b 不同类型 OSA 患者呼出的 CO 含量示意图。c1 H 受试者（蓝色）和 LC 患者（红色）呼出气体中醛的检测统计结果。c2 尿毒症血液透析（HD）患者（符号 ○）、慢性肾功能不全或慢性肾衰竭（CRI/CRF）患者（符号 ×）和 H 受试者（符号 □）的呼气样本。d1 尿素循环。d2 血液透析。

碳氢化合物是脂质过氧化反应产生的化合物，可以作为氧化应激的生物标志物。氧化应激是哮喘、慢性阻塞性肺病（COPD）和慢阻肺等重大疾病中最常见的病理状态。这些疾病的特点是慢性炎症和氧化应激，可通过内源性挥发物进行诊断。具体来说，慢性阻塞性肺病中的大部分挥发性有机化合物都是醛类或碳氢化合物。低氧血症患者呼出气体中的饱和醛类与高氧血症患者相比有明显差异（图 2c1，红色条）。氧化应激代谢物被认为是 LC 呼出的异常气体的主要成分。此外，甲烷、乙烷和戊烷等碳氢化合物可作为哮喘、乳腺癌、肝病以及肠道和结肠相关疾病的生物标记物。乳腺癌患者呼出的气体中含有挥发性烷烃（如戊烷、己烷和长链烷烃）和烷烃衍生物，它们来自与乳腺癌病变有关的氧化应激或诱导激活的多态细胞色素混合氧化酶。异戊二烯是人体呼出气体中的主要碳氢化合物，与胆固醇代谢有关。

许多研究表明，丙酮是人体呼吸中含量最高的挥发性有机化合物之一。研究结果表明，人体呼出气体中的丙酮具有高灵敏度和特异性，可作为糖尿病的主要特征标志物。人体内的酮体是肝脏分解脂肪时产生的，是脂肪代谢的特殊中间产物。其中，3-β-羟基丁酸和乙酰乙酸不具有挥发性，因此呼出空气中的酮主要是丙酮。如表 1 所示，糖尿病患者呼出气体中的丙酮浓度可达到 H 受试者的 2-6 倍。人体内的乙醇和甲醇来自胃肠道中碳水化合物的微生物发酵。癌细胞中活性氧水平的增加会促进脂质过氧化，从而产生各种醛类物质。因此，癌症患者呼出的气体中乙醇、酮类和醛类的含量明显高于正常人。此外，甲醛也被认为是低密度脂蛋白胆固醇的标志物。

氨是主要的含氮挥发性化合物。呼气中氨含量异常与肝脏或肾脏功能障碍有关，也可用于诊断幽门螺旋杆菌引起的胃或十二指肠消化性溃疡。此外，在尿毒症患者呼出的气体中可检测到浓度升高的二甲胺和三甲胺（图 2c2）。人体内有两种不同的氨代谢模式：尿素循环和血液透析。具体过程见图 2d。内源性氨是蛋白质代谢的产物，在肝脏中转化为尿素，随后通过肾小球排出体外（尿素循环）；这导致 H 受试者呼出的气体中的氨消耗殆尽。然而，在肾功能受损的患者中，呼出气体中氨的比例会升高，这表明呼出气体的浓度发生了改变。值得注意的是，血液透析治疗可有效降低氨的水平。

人体内发现的硫化合物是蛋氨酸通过转氨酶途径不完全代谢产生的。它们是肝功能衰竭的主要标志物。值得注意的是，接受过肝移植手术或患有肝病的患者呼出的气体中硫化物的浓度相对较高。具体而言，肝病患者呼出的气体中二甲基砜、丙酮、2-丁酮和 2-戊酮的含量显著增加。重要的是，肝病是口臭的一个重要口外原因。事实上，大约 85% 的口臭病例都源于口咽部的病变，例如舌苔、牙龈炎、牙周炎和扁桃体炎。这些病症都与含硫化合物有关，如硫化氢、甲硫醇和二甲基硫醚。

三、呼气分析技术

学术研究中的呼气分析需要利用几种常用技术。值得注意的是，气相色谱法（GC）和质谱法（MS）依靠大型分析仪器得到广泛应用。另一种流行的方法是基于光谱分析的空腔环降光谱法（CRDS）。此外，基于电化学原理的气体传感器分析也是一个重要的方法途径。下面将简要介绍每种技术的检测方法和基本原理。

气相色谱仪根据两相相对运动中不同的分布系数来分离各种成分。就可靠性而言，气相色谱是公认的气体检测最佳标准解决方案。通过气相色谱仪可以有效分析糖尿病患者呼气中的丙酮含量（图 3a）。目前，利用气相色谱仪进行气体检测的方法主要有热脱附气相色谱仪（TD-GC）、气相色谱-氢火焰离子化检测器（GC-FID）、气相色谱-离子迁移谱仪（GC-IMS）和气相色谱-质谱联用仪（GC-MS）。根据 GC-FID 方法检测了丙酮-丁醇-乙醇（ABE）发酵底物的分布以及产物浓度（图 3b1-2）。然而，由于气相色谱的定性能力有限，因此必须将气相色谱与其他检测器结合起来才能进行更精确的分析。此外，气相色谱法还存在检测时间长、操作机制复杂、需要熟练人员等缺点，因此不太适合医疗诊断中的床旁检测。

图 3 基于不同分析技术的人体呼气检测 a 利用气相色谱法分析糖尿病患者呼气中的丙酮含量 . b1, b2 ABE 发酵底物和产物的浓度分布 . b3, b4 使用热脱附电喷雾离子化-IMS-MS 检测呼气中的挥发性有机化合物。c 使用 eNose 和 GC-MS 分析呼出气体。c1 eNose 系统的实验装置。 c2 使用 MQ-137 传感器检测 4 种挥发性有机化合物样品时的电导率变化。 d eNose 在糖尿病、NSCLC 和慢性阻塞性肺病患者呼出气体中的应用。 d1 2 型糖尿病患者（左）和非糖尿病患者（右）呼出气体中血浆丙酮的散点图。d2 用于区分 NSCLC 和 COPD 患者的 eNose 结果。d3, d4 基于 eNose 的糖尿病诊断新方法 . e1 利用 eNose 鉴定上呼吸道细菌病原体 . e2, e3 用于伤口监测的 CP 传感器阵列的开发 .

质谱仪通过离子源将气体电离成带电粒子，然后利用电场和磁场根据质量电荷比将其分离。它具有反应速度快、无需预处理等优点。目前，质子转移反应质谱法（PTR-MS）、选择性离子流管质谱法（SIFT-MS）和 IMS-MS 被广泛用于呼出气体分析。热脱附电喷雾离子化-IMS-MS 也可用于检测呼气中的挥发性有机化合物（图 3b3-4）。Tarik 的研究团队使用 eNose 和 GC-MS 耦合分析技术对慢性肾病、糖尿病和 H 患者进行了无创诊断。使用专门为呼气分析开发的 eNose 系统对呼气样本进行测量（图 3c1）。图 3c2 显示了 MQ-137 传感器在不同呼气样本（慢性肾病、糖尿病和高/低肌酐的 H 类受试者）中产生的典型响应。然而，人体呼出的气体中存在多种痕量气体，不可避免地会形成大量离子簇。因此，当呼气样本中存在质量电荷比完全相同的成分时，仅靠质谱很难明确区分这些成分。此外，质谱对测试室的真空度要求很高。因此，设备结构复杂，限制了便携性和微型化的发展。

CRDS 以其卓越的灵敏度脱颖而出。它被广泛应用于气体的痕量检测以及分子、原子和团簇的吸收光谱分析。2010年，密西西比州立大学的 Wang 等人首次利用 CRDS 技术系统研究了人体呼出气体中的丙酮及其与血糖浓度的相关性。CRDS 利用气体特定的光学吸收峰来检测痕量气体。此外，它不受激光强度波动的影响。然而，它的使用受到激光光源和高反射率反射镜供应的限制。购买多种波长范围的 CRDS 仪器具有挑战性。此外，这些设备需要高度校准，而且价格昂贵。

上述三种方法对实验仪器和环境条件要求较高。通常情况下，检测和分析过程耗时较长，无法进行实时监控。此外，设备结构复杂，阻碍了便携性和微型化方面的进展。此外，与这些方法相关的高昂成本也阻碍了它们在各个领域的广泛应用和发展。

与上述方法相比，气体传感器分析方法可以快速获得定性和定量的气体检测结果。它们具有灵敏度高、体积小、易于封装和价格低廉等优点。通过使用由多个传感器组成的传感器阵列，还可以实现气体样本的协同分析。基于生物嗅觉原理，eNose 技术利用气体传感器阵列和 PRA 进行气体检测，表现出卓越的性能和巨大的应用潜力。特别是，它已被应用于临床医学，包括各种癌症、肺部疾病、糖尿病的早期筛查、细菌病原体鉴定，以及超微伤口微生物代谢物的分析。

使用 eNose 系统对糖尿病患者和非糖尿病患者的呼吸道丙酮水平进行了研究（图 3d1、3-4）。不出所料，与非糖尿病患者（低于 0.8 ppm）相比，糖尿病患者的呼吸道丙酮水平较高（高于 0.8 ppm）。图 3d2 显示了 eNose 在区分非小细胞肺癌 (NSCLC) 和慢性阻塞性肺病患者方面的应用。从呼气测试实验结果来看，eNose 系统能够将非小细胞肺癌患者与慢性阻塞性肺病患者和 H 受试者区分开来。这一结果证实，eNose 有潜力在未来成为 LC 患者的无创诊断工具。最近的研究证明了 eNose 技术检测细菌感染的能力（图 3e1）。与对照组相比，eNose 分析不仅能检测常见的上呼吸道病原体，还能区分细菌种类。此外，基于导电聚合物的 eNose 传感器阵列还可用于伤口监测（图 3e2-3）。

基于 eNose 的呼气分析技术具有灵敏度高、反应迅速、可实时监测、便于携带等优点。作为一种无创诊断模式，它是通过呼气检测快速筛查疾病的理想方法。eNose 系统由两项关键技术组成：负责检测化学物质的传感器阵列和在系统内提供分析软件模型的算法。

四、用于 eNose 系统的气体传感器

eNose 技术依靠气体传感器获取气体样本的成分信息。为了精确检测成分复杂的呼吸相关疾病，需要将多个特定传感器集成到传感阵列中，以实现高精度检测。在呼气分析领域，传感器阵列的巨大应用潜力已得到认可。在临床实践领域，有几种类型的气体传感器在电子鼻系统中得到了广泛应用。这些传感器包括：化学电阻传感器，如金属氧化物半导体 (MOS) 传感器和导电聚合物 (CP) 传感器；广泛使用的压电传感器，如石英晶体微天平 (QCM) 传感器和表面声波 (SAW) 传感器；电化学 (EC) 传感器；以及光学传感器。典型原理图如图 4 所示。

4.1耐化学性气体传感器

MOS 传感器属于耐化学性气体传感器，是 eNose 系统中最常用的传感器类型。它具有灵敏度高、响应速度快、微型化、成本低、使用方便以及与微电子工艺兼容性好等优点。MOS 传感器的工作原理是利用目标气体的吸附作用来改变半导体材料的导电性。根据电荷载体的不同，可分为 N 型和 P 型半导体材料。值得注意的是，这两种半导体材料对还原性气体和氧化性气体具有不同的传感反应，如表 2 所示。

目前，一系列 MOS 传感材料，如 SnO2、ZnO、CuO、TiO2、WO3、NiO、In2O3、WO3、TiO2、Fe2O3 和 MoO3 等，常用于检测各种气体，如丙酮、乙醇、甲醛、H2S、NH3、NO2 和 CO。MOS 传感器的性能受传感材料的形态和表面添加剂的影响。半导体材料通常是多晶体材料，晶体结构之间存在晶格间隙。在电荷传输过程中，晶界势垒会在一定程度上影响材料的电阻。因此，可以通过增加孔隙率或将晶粒尺寸减小到纳米级来提高对目标气体的选择性和灵敏度；这些方法可以扩大比表面积并产生富氧空位。灵敏度可以用 Ra/Rg（还原性气体）或 Rg/Ra（氧化性气体）来表示，其中 Ra 代表气体传感器在参比气体（通常为空气）中的电阻，Rg 代表气体传感器在含有目标气体的参比气体中的电阻。

图 4 eNose 技术的典型传感器。典型 QCM 传感器（a）、光纤传感器（b）、声表面波气体传感器（c）和化学电阻气体传感器（d）的示意图。

纳米结构材料，如纳米线、纳米片、纳米球和纳米金属，已被用于检测挥发性有机化合物。此外，通过添加一定数量的添加剂对材料表面进行改性，也是增强 MOS 传感器性能、提高其选择性、灵敏度和响应速度的另一种方法。这类添加剂的例子包括 PtIn2O3、Pt-Fe2O3、Co-SnO2、Au-ZnO、Si-WO3 以及复合金属氧化物，如 La2O3-SnO2、In-WO3- SnO2 和 ZnO-SnO2。Chen 等人设计并开发了凹版印刷的 WO3/Pt-odiﬁed rGO（还原氧化石墨烯）纳米片，用于丙酮的检测。如图 5a 所示，三种不同样品对 10 ppm 丙酮的瞬态响应，WO3/GNs 和 WO3/Pt-GNs 的响应/恢复时间分别约为 15.2/9.6 秒和 14.1/6.8 秒。值得注意的是，气体响应/恢复时间远远低于 WO3/GMs 的响应/恢复时间。快速响应恢复特性归因于 WO3/rGO 界面存在大量 p-n 结活性位点，这有利于电荷载流子快速传输到导带。Liu 课题组设计了一种基于多孔铂（Pt）掺杂 In2O3 纳米纤维结构的丙酮气体传感器（图 5b）。Zhang 课题组也开展了类似的工作，设计并制造了一种基于纳米级铂载 Fe2O3 纳米立方体的丙酮传感器（图 5c）。此外，Homayoonnia 等人还开发了基于金属有机框架 (MOF) 的纳米颗粒，用于检测挥发性有机化合物（图 5d）。

表 2 n 型和 p 型半导体材料对还原气体和氧化气体的传感响应

n-type

p-type

Gas

Charge carrier

Electron

Hole

Reducing gas

Resistance reduction

Resistance rise

Ethanol,acetone, NH3, H2S, CO

Combustion gas

Resistance rise

Resistance reduction

NO2, O3

氯化石蜡传感器也是一种耐化学性传感器，具有高灵敏度、高选择性和在室温下工作的能力。氯化石蜡的材料特性与某些金属和无机半导体材料相似，同时保留了聚合物的流动性，并具有易于加工和合成的优点。常见的 CP 包括聚吡咯（PPy）、聚苯胺（PANI）和聚噻吩（PT）。研究人员已经探索了在 eNose 中使用 CP 传感器检测挥发性有机化合物的潜力。Chatterjee 等人开发了一种 eNose 系统，将 5 个基于碳纳米管（CNT）的氯化石蜡纳米复合材料（CPC）传感器与一个 CNT 传感器集成在一起。该系统能够成功地检测出 18 种不同的 LC VOC 生物标记物，其检测结果达到了 ppm 级；因此，该系统的应用性能得到了证实。João 等人使用商用 Cyranose 320（Sensigent 公司，美国加利福尼亚州鲍德温公园）eNose 设备，通过分析哮喘患者呼出的挥发性有机化合物来有效区分哮喘患者。该装置采用了由 32 个 CP 传感器组成的 NoseChip 纳米复合阵列。传感器由分散在聚合物基质中的炭黑薄膜组成，炭黑薄膜沉积在两个金属电极上形成电连接。传感器接触挥发性有机化合物时的相对电阻变化被测量出来。Finnegan 等人提出了一种基于 CP 传感器阵列的微型、低成本、无需电池的可穿戴电子鼻。该装置可用于检测 6 种挥发性有机化合物：吡啶、四氢呋喃、乙醇、甲醇、醋酸和氢氧化铵。

图 5 常见的 MOS 传感材料和传感机理 a 用于检测丙酮的 WO3/Pt 装饰 rGO 纳米片。a3-a5 基于 WO3/GNs、WO3/PtGNs 和 WO3/GMs 样品的气体传感器在 200 °C、10 ppm 丙酮浓度下的瞬态响应。c 纯 Fe2O3（上）和 Pt-Fe2O3（下）的扫描电镜图像。 d2 传感器对不同浓度（250、500、1000 和 1500 ppm）的甲醇、乙醇、异丙醇和丙酮的灵敏度。

4.2压电气体传感器

SAW 和 QCM 传感器是 eNose 应用中广泛使用的两种压电传感器。声表面波传感器利用电能和机械能的相互转换，通过压电材料产生声波。当声波通过压电基板或在压电基板表面传播时，传播路径特性的任何变化都会导致声表面波特性的变化，这些变化可与测量的物理（或化学）量相关联。声表面波技术具有高灵敏度和低能耗的明显优势。然而，在压电基板上制造图案化金属电极的过程既昂贵又复杂，需要专门的设备。此外，它对温度和湿度等环境因素非常敏感，限制了其应用。

FundaKus 等人研究了声表面波传感器表面的 Calix 炔二氟化金纳米棒（AuNR）和银纳米团簇（AgNC）的分子识别特性（图 6a）。在检测丙酮、乙醇、氯仿、正己烷、甲苯和异戊二烯时，改良传感器的灵敏度提高了 6-8 倍。如图 6b 所示，它可以检测和识别丙酮、乙醇和氨这三种与糖尿病有关的呼气标记物，检测限为 5 ppm。

QCM 是一种由石英制成的体声波（BAW）装置，主要由 AT 切割而成。由于其高精度和高灵敏度，它受到了广泛关注。作为一种压电质量传感器，QCM 可测量感应材料表面吸附特定气体分子时共振频率的变化。通过测量共振频率的变化，可以量化吸附的特定气体的质量或浓度。QCM 的传感性能取决于涂层材料的物理或化学特性，如沸石、碳纳米管和聚合物，这些材料已被用于在 QCM 表面检测气体。涂有胶体 PPy/ 聚（N-乙烯基吡咯烷酮）（PPy/PVP）纳米棒/纳米管薄膜的 QCM 传感器被用于检测酒精蒸汽（图 6c）。该传感器对酒精蒸气具有良好的检测灵敏度。

图 6 声表面波和 QCM 传感器示例 a 声表面波传感器用于检测挥发性有机化合物 . a1 声表面波传感器的表面反应机理图 . a2 传感器 S1-S5 在 50%相对湿度 (RH) 下对 6 种气体的灵敏度 . b1 传感器 S1、S2、S3 和 S4 对丙酮（左）、乙醇（中）和氨气（右）的校准曲线 b2 传感器阵列对 10 ppm 丙酮、乙醇和氨气响应的径向表示。c1 PPy/PVP 纳米棒/纳米管薄膜形成示意图。 c2 QCM 传感器在接触不同浓度的 1-丙醇和 1-丁醇时随时间变化的频率及其校准曲线。c3 在恒定浓度的乙醇、1-丙醇和 1-丁醇蒸汽（184 mg L -1 ）条件下，QCM 传感器的频率变化与暴露时间的关系，以及 Δft/Δf∞ 与时间平方根的关系曲线。

4.3电化学传感器

电化学传感器的工作原理是分析被测气体的浓度。它检测催化电极表面气体分子氧化或还原反应产生的电流变化。这种传感器在检测电化学活性气体时特别有效。不过，它对各种化合物，尤其是芳香烃的灵敏度较低。Obermeier 等人开发的 eNose 系统由三种不同的电化学传感器组成。如图 7a 所示，它可用于检测呼出醛类和气道炎症标志物（如一氧化碳和一氧化氮）的ppb 水平。Nazir 小组开发了一种基于己醇封端 AuNP 的 eNose 系统，用于检测柠檬烯（图 7b），这是肝硬化患者呼出气体中的一种生物标记物。该系统的检测结果提供了 0.99 的 R2 值。定性和定量检测结果与气相色谱-质谱联用仪的结果接近。

一些用于呼出气体检测的 EC 传感器是酶传感器。由于酶具有特定的反应性，因此具有高灵敏度和高选择性。但是，酶对温度敏感，需要低温保存。此外，酶传感器是一次性的，不能重复测试。图 7c 显示了一种基于固定在色谱纸上的酶的 EC 气体生物传感器。乙醇蒸气的测量浓度范围为 50-500 ppm。

4.4光学气体传感器

光学传感器具有灵敏度高、选择性好和反应迅速等优点。它们还能大规模监测化学和物理参数。这些传感器可以在比色、荧光、化学发光或散射模式下工作，将分析物与生物计量物质相互作用产生的光学变化转换成可测量的信号。

近年来，出现了基于玻璃光子晶体界面光重射的高灵敏度快速响应气体传感器（图 7d），其对 NH3 的灵敏度为 1 ppm，上升时间响应为 100 ms，恢复时间约为 10 s。然而，光学传感器设备系统复杂，操作成本高。此外，光学系统的结果很容易受到物理损坏和阳光照射等外部因素的影响，这极大地限制了其微型化和便携性。

图 7 电子和光学传感器示例 a EC 传感器系统，用于呼气中醛类、一氧化碳和一氧化氮的分析。a1 传感器系统示意图。a2 对照组和糖尿病患者呼出的醛信号比较。a3 传感器系统对洁净环境空气中的干燥醛标准（20-800 ppbV）的响应。 b 使用硫醇封端的金纳米粒子的柠檬烯 EC 传感器。 b1 柠檬烯在电极表面氧化的示意图。b2 通过 GC-MS 筛选柠檬烯。c1 敏感材料的合成和传感器制造流程图。 c2 经改良的色谱纸酶电极对几种乙醇气体浓度的典型电流响应。d1 实验装置示意图。 d2 测量到的反射光强度的角度依赖性。 e 使用光学传感器检测氨气的实验装置图。 f 检测呼出丙酮的比色传感器。

比色传感器是一种光学传感器，当受到外部刺激影响时会产生可见的视觉颜色变化。金、银、铜和其他纳米粒子因其良好的光学特性而被广泛应用于比色传感。丙酮比色传感器具有生产简单、检测速度快等优点，在检测人体呼出的挥发性有机化合物方面具有广阔的应用前景（图 7f）。

从医疗诊断的角度来看，理想的 eNose 传感器阵列应具有灵敏度高、性能稳定、响应迅速、携带方便、可重复使用和成本低等优点。表 3 总结了相关研究在耐化学性气体传感器、压电气体传感器和电化学传感器方面的结果。表 3 还详细列出了相关目标分析物、实用检测范围和检测限。

表 3 各种 eNose 传感器的主要特点

五、eNose 系统使用的模式识别算法

模式识别是指识别数据中的趋势或特定模式。eNose 系统的核心处理技术包括通过机器学习算法对传感器阵列获得的气体信息进行定性或定量分析。然而，在现实世界的疾病呼气诊断中，电子鼻系统必须处理各种复杂的痕量气体。为了应对这一挑战，研究人员在 eNose 系统的算法组件中加入了适当的多元分析技术，从而提高了多元情况下的选择性。这种方法有效缓解了现有气体传感器交叉灵敏度低和选择性差的问题。此外，对于不同的疾病，相应标记物的检测限也不同（表 1）。单个传感器难以单独满足不同标记物的检测限，而使用 eNose 系统的传感器阵列可有效解决这一问题。然后，通过机器学习算法对传感器阵列获得的气体信息进行定性或定量分析，以满足 eNose 系统在人体呼吸领域的实际应用。

eNose 系统中的气体传感器阵列通常使用经典的机器学习算法进行分析，如主成分分析 (PCA)、线性判别分析 (LDA)、支持向量机 (SVM)、决策树 (DT)、K-近邻 (KNN)、聚类分析 (CA)、典型判别分析 (CDA)、偏最小二乘法回归 (PLS) 等。

集合学习是一种独立于算法的机器学习策略。它可以将一组弱学习器组合成一个强学习器。学习器的生成方法大致可分为两类：助推法（Boosting），即单个学习器之间存在较强的依赖性，只能使用串行生成法；袋装法（bagging），即单个学习器之间不存在较强的依赖性，可以使用并行生成法。Paleczek 等人提出了一种基于 XGBoost 算法的糖尿病呼吸检测方法（图 8a）。该系统对低浓度丙酮具有高选择性。其准确率和召回率分别为 99% 和 100%，优于其他常用算法（如 SVM、KNN 和 DT）。

为了研究 eNose 通过呼出气体分析检测头颈部癌症的潜力，罗伯塔的研究小组使用 Cyranose 320 进行采样，如图 8b 所示。在 PCA 图中，头颈癌患者与对照组和过敏性鼻炎患者形成了明显的聚类。通过典型判别分析，三组患者被成功区分，交叉验证准确率达到 75.1%（p < 0.01）。从其他组别中识别头颈部肿瘤患者的接收器操作特征曲线下面积达到 0.87。总之，电子鼻技术在诊断方面具有广阔的应用前景。Lei 等人提出了一个高精度 PCASVE 集合学习框架，将 11 个四种类型的气体传感器组合成一个 eNose 系统，用于 LC 的快速无创呼气诊断。他们选择了一组性能优异的单一机器学习模型，包括 SVM、DT、随机森林（RF）、逻辑回归和 KNN，构建了 PCA-SVE 框架。实验在 214 份呼气样本（98 名 LC 患者和 116 名 H 受试者）上进行。建议框架的准确率、灵敏度和特异性分别为 95.75%、94.78% 和 96.96%。

神经网络具有很强的自学习和自适应能力，以及非线性表达能力，因此在处理复杂痕量的人体呼出气体数据时，其分析结果往往优于传统的机器学习方法。eNose 系统中常用的神经网络有人工神经网络（ANN）、多层感知器神经网络（MLP）、卷积神经网络（CNN）和径向基函数（RBF）115。Chen 等人通过传感器阵列和机器学习技术诊断了呼吸机相关肺炎（VAP）（图 8c）。采用了八种算法，包括 KNN、天真贝叶斯、DT、神经网络、SVM（包括线性核、多项式核和径向基核）和 RF。使用 VAP 患者（n = 33）和对照组（n = 26）的真实呼气样本对结果进行了验证，平均准确率为 0.81 ± 0.04，灵敏度为 0.79 ± 0.08，精密度为 0.83 ± 0.00。Hendrick 等人使用传感器阵列结合模式识别方法识别结核病。研究了 SVM、XGBoost、ANN 和 RF 的分类效果。准确率分别为 92%、88.24%、94.87% 和 84.24%。

Jin 等人选择了四种具有不同敏感材料（Au/N-SnO2、Au/N-WO3、N-WO3 和 N-SnO2）的半导体化学传感器，并构建了一个在五种不同温度（245、285、310、325 和 340 ℃）下工作的 20 传感器阵列。工作情况如图 8d 所示。利用 PCA 和欧氏距离确定了性能最佳的传感器阵列组合，并实现了对包括丙酮在内的五种挥发性有机化合物气体的精确检测。成功区分了 25 个真实呼气样本（12 个糖尿病患者和 13 个 H 受试者）。虽然经典的机器学习方法设计简单，且框架相对固定，参数较少，但其泛化能力较弱。因此，很难在高噪声环境中准确识别气体环境，如呼气检测。

神经网络模仿人脑的认知过程，通过设计网络层数、神经元数量和激活函数等参数，实现对目标的高精度识别和分析。通常情况下，神经网络的性能会随着获取数据样本数量的增加而提高。

图 8 电子鼻系统的模式识别算法示例 a 使用 XGBoost 算法对呼气进行人工分类，用于糖尿病检测 a1 XGBoost 学习曲线 a2 XGBoost 分类器混淆矩阵 a3 不同算法的 ROC 比较 b 基于聚合物的电子鼻在从呼气检测头颈部癌症中的作用 b1 Cyranose 320 的工作主方案 b2 具有 2 个复合因子的二维 PCA b3 带有呼气指纹判别函数特征线（代表 PC1 和 PC3）的 ROC 曲线 c 电子鼻传感器阵列信号诊断呼吸道相关肺炎 c1 本研究的流程图 c eNose 传感器阵列信号诊断呼吸道相关性肺炎 . c1 本研究的流程图 . c2 培训集、测试集和全数据集中 VAP 的接收器工作曲线下面积（AUC） . c3 测试集中 VAP 的 AUC 及 95% 的可信区间。 d 使用 eNose 对糖尿病患者进行区分。 d1 对照组呼吸样本的传感器响应 d2 呼吸样本测量的 PCA 结果。

六、eNose系统的开发应用

eNose 有据可查的历史可追溯到 1964 年，当时 Wilkens 和 Hartman 使用电极与气体发生化学反应，模拟生物的嗅觉过程。从那时起，这一领域吸引了大批专家和学者参与研究。

1987 年，在英国华威大学举行的欧洲化学传感研究组织年会上，电子鼻研究取得了重大突破。在这次会议上，华威大学的研究人员提交了一篇关于气体传感器的论文，其中引入了 “模式识别 ”的概念，并讨论了使用传感器检测复合气体和简单气体的可行性。经过数年对电子鼻相关技术的探索，同一研究小组于 1994 年发表了另一篇文章，提出并详细阐述了 “电子鼻 ”的概念。根据这些研究，“电子鼻 ”是一种仿生物检测仪器，由可与多种气体发生反应的传感器阵列和特定识别方法组成，可对单个或复合气体进行识别和分类。这一概念的引入标志着 eNose 技术从成长期过渡到成熟期，进入稳定发展阶段。同年，世界上出现了第一台商用 “电子鼻 ”仪器。

近年来，由于 eNose 技术的不断发展，在食品、医药、农业和其他轻工业领域取得了显著进步。Nahid 小组利用电子鼻系统将 2020 年浆果的成熟度分为五级。在传感器阵列的识别模式中应用了 ANN、PCA 和 LDA。其中，ANN 的性能最好，对黑莓的识别率达到 100%，对杨梅的识别率达到 88.3%。PCA 对黑莓和杨梅的识别率分别为 97% 和 93%，而 LDA 的识别率最低（图 9a）。Cevoli 等人使用配备了六个 MOS 传感器的 eNose 和 ANN 方法成功地对意大利奶酪进行了分类（图 9b）。最终准确率为 100%。

Machado 等人利用 Cyranose 320 eNose 分析了 14 名支气管癌患者和 45 名 H 受试者的呼出气体成分。通过与 SVM 相结合，其 LC 检测准确率达到 72%，特异性达到 92%。Cyranose 320 eNose 还用于区分 NSCLC、COPD 和 H 对照组。结果表明，LC 患者的嗅觉特征可以与 COPD 患者和 H 受试者的嗅觉特征区分开来。Horvath 等人利用 eNose 系统来区分卵巢癌和正常组织产生的不同挥发性有机化合物。当使用每种组织类型的 15 个样本时，该系统的识别准确率高达 100%。

最近，浙江大学的 Wang 研究小组应用电子鼻检测作物储藏期间的害虫以及棉铃虫的早期虫害。它能有效区分健康作物和虫害作物。Dian 等人开发了一种基于呼气指纹识别的快速无创电子鼻，用于嗅出 COVID-19。值得注意的是，如图 9c 所示，eNose 系统表现出较高的系统检测准确性（88-95%）、灵敏度（86-94%）和特异性（88-95%）。这些结果表明，GeNose C19 可作为一种高效的呼气检测设备用于 COVID-19 的快速筛查。在一项相关研究中，研究人员利用开发的电子装置，结合商用挥发性有机化合物气体传感器，详细分析了当地医院的 COVID-19 检测结果。如图 9d 所示，对 SVM、KNN、RF 和神经网络四种检测算法进行了检验。

Chen 等人提出了一种基于虚拟阵列声表面波传感器的新型电子鼻模型。利用图像识别方法和改进的神经网络来分析传感器的输出响应。该电子鼻系统成功检测出 11 种与 LC 相关的标记挥发性有机化合物，并在住院患者中取得了良好的诊断效果。Zakaria 等人利用由 32 个传感器组成的电子鼻系统与概率神经网络（PNN）相结合，从各种口腔来源、假蜂蜜和糖浆中区分出蜂蜜（图 9e）。该系统对不同样品进行成分分类的准确率高达 92.59%。

通过上述研究，各种商业电子鼻和自主开发的电子鼻已经在各个领域得到广泛应用。根据近年来的文献分析，电子鼻系统在临床医学领域的应用日益增多。传感器和算法相辅相成。基于这些测试结果，未来气体传感器阵列和智能算法的高度集成将为 eNose 系统在呼吸诊断领域的应用提供广阔的前景。

图 9 eNose 系统示例 a 用于检测浆果成熟度等级的 eNose。b eNose 结合 ANN 对白干酪进行分类。 c 基于呼吸指纹识别的快速无创 eNose，用于嗅出 COVID-19 。 d 通过 eNose 从呼气中检测 COVID-19 的临床研究。使用 LDA（e2）和 PCA（e3）对 32 个 eNose 传感器结果（e1）进行蜂蜜评估的独立图。