肺癌是目前全世界最常见的恶性肿瘤之一，其发病率和死亡率不断上升。究其原因是肺癌病因不明，发病时间短、转移快、恶性程度高，早期不易诊断，到中、晚期失去了手术机会，患者五年生存率仅为15％左右。早期发现可使患者五年内生存率提高到70％～80％。所以早期发现、早期诊断、早期治疗是提高肺癌生存率和降低死亡率的关键。肺癌早期通常无特殊症状，几乎不被医生和病人警觉，并且常用诊断方法难以做到早期发现、早期定性诊断。
　　目前，基于电子鼻的疾病诊断研究主要集中在有关肾病、糖尿病的早期诊断和一些细菌的类型与生长阶段的识别。电子鼻的疾病诊断作为医学诊断无损化的重要方向之一，已经取得了很多成果，但目前还未有通过认证的呼吸诊断仪器的报道。如何进一步改进肺癌的诊断技术、提高各种治疗的疗效等，已经成为近期全世界肿瘤研究领域的重中之重。我国也把肺癌列为全国重点攻关课题。寻找一种更先进的仪器和技术在局部组织发生癌变时即能发现和诊断，即是本电子鼻系统所要完成的工作。本文从相关病理的呼吸气体的侦测和收集、气体传感器阵列的选取及优化设计和模式识别技术的选择等方面对电子鼻肺癌早期诊断系统进行了关键技术的设计，取得了良好的效果。
1 电子鼻肺癌早期诊断系统结构
　　电子鼻是利用气体传感器阵列的响应图案来识别气体的电子系统。电子鼻主要由气体取样操作器、气体传感器阵列和信号处理系统三种功能器件组成。电子鼻识别气体的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度，整个传感器阵列对不同气体的响应图案不同。正是这种区别，才使系统能根据传感器的响应图案识别气味。
　　电子鼻典型的工作流程是：首先，利用呼吸气体收集装置(经过呼吸气体净化和流量控制)把呼吸气体吸取至装有电子传感器阵列的小容器室中；接着，把已初始化的传感器阵列暴露到被测气体中，当挥发性化合物(VOC)与传感器活性材料表面接触时，产生瞬时响应，这种响应被记录并传送到信号处理单元进行分析，与数据库中存储的大量VOC图案进行比较、鉴别，以确定气体类型；最后，清洗气冲洗传感器活性材料表面以去除测毕的气体混合物。在进入下一轮新的测量之前，传感器仍需再次初始化(即工作之前，每个传感器都需用干燥气或某些其他参考气体清洗，以达到基准状态)。电子鼻肺癌早期诊断系统结构如图1所示。

2 电子鼻肺癌早期诊断系统的设计
　　本文从肺癌患者的呼吸气体中与疾病有较大相关性的有病理意义的气体的侦测、呼吸气体收集装置的设计、气体传感器阵列的选取及优化设计和模式识别技术的选择等方面进行了关键技术的设计。
2.1 呼吸气体的侦测
　　大约有200种以上的化合物已在人类的呼气中被侦测出，其中某些气体与肺癌相关，因此利用呼气检测疾病是可行的方法。其优点是非侵入式、简单、快速，故具有极高的应用发展潜力。与医院结合，选取合适的气敏传感器与检测方法，检测肺癌患者的呼出气体中苯乙烯、癸烷、十一烷等22种有机挥发性(VOCs)特征气体的浓度是很有前景的肺癌无创伤诊断与监护方法。
2.2 呼吸气体收集装置的设计
　　由于呼气中所产生与肺癌相关的气体浓度很低(通常在ppb层级)，而传统的呼气检测方式是根据标准的呼气采样程序后，再以气相色谱质谱分析仪判定化合物种类，其分析过程必须将大量的呼气样品(约需3L的呼气样品)浓缩后，才可达到仪器能侦测的极限值。此方法不仅仪器昂贵、耗时且需大量的样品检体。而电子鼻所需的分析成本不高，且所需呼气样品量仅10ml左右，操作简单、反应快速(数分钟)。呼吸气体的收集在电子鼻的肺癌早期诊断系统中占有极其重要的地位，气体收集装置的结构如图2所示。
　　图2中箭头表示清洗气和呼吸气体的流动方向。整个气体收集装置经过气体清洗后，通过吹气口将测试者的呼吸气体呼入。经过一系列的水分和无关气体的清除后，通过流量计控制气体的流速和微处理器的定时采集，再经过加热器除去非活性气体。

2.3 气体传感器阵列的选取和优化设计
　　在该电子鼻系统中，气体传感器阵列是关键因素。影响气敏传感器性能的主要因素有材料及成模技术、应用溶凝胶技术制备敏感模、工作状态及工作环境等。此外，还要考虑初始过程响应和氧分压对气敏传感器特性的影响。
　　气体传感器阵列的性能直接决定了系统的识别能力、识别范围、使用寿命等，因而如何构成阵列以提高电子鼻系统的性能成为重要的研究课题。传感器阵列的参数选择主要是：阵列规模、传感器类型及其选择性、稳定性、噪声水平以及热敏特性等。
　　电子鼻系统中的传感器阵列可以是单片集成阵列，也可以由多个分立元件构成。当使用的阵列单元较多时，单片集成的阵列显示出尺寸小、功耗低的优点；另一方面，分立器件的性能也在不断得到提高。不论采用哪种阵列，阵列的规模和尺寸都非常重要。适当增加阵列单元数目，会得到更好的系统识别能力，但有时阵列单元的增加并不能改善系统的识别效果，并且较大规模的阵列，其功耗也较大，单元之间的热干扰也比较严重，这将增加系统集成的难度。构成阵列时，还要考虑阵列各单元的选择性。如果各单元对于特定气体具有较好的选择性，则阵列对这些气体及其混合气体的识别能力就比较强，但其能够识别的气体种类就会减少，对于更多成分的复杂混合气体的识别能力就比较弱。在构造传感器阵列时可以采用选择性不强、具有较宽的响应范围的传感器件，通过模式识别技术提升系统选择性和精度，同时针对不同的识别对象，加入个别选择性较好的单元，以简化阵列。在阵列单元选择方面，有采用测试结果的正态分布特性、相对标准方差分析、相关系数分析等方法。本系统中，交叉响应特性、阵列稳定性是传感器阵列单元选择的主要目标。
2.4 模式识别技术的选择
　　利用阵列中气体传感器的交叉选择性对被测介质形成高维响应模式，结合模式识别技术，可以对单一气体进行定性分析或确定混合气体中的特定分量。气体传感器的响应通常具有较强的非线性，所以常规的模式识别方法，如主成分分析法、偏最小二乘回归法、欧几里德聚类分析法等受到限制(大多数常规分类法是线性方法，假设响应向量位于欧几里德空间，被测对象的浓度与传感器的响应呈线性关系。只有当气体和气味的浓度很低时，情况才如此)。而人工神经网络能够处理非线性数据，能够容忍传感器的漂移和噪声，鲁棒性好，预报正确率也比常规方法高。
　　由于传感器的响应值与所测气体成分之间的关系非常复杂，很难用明确的数学关系表达，因此采用神经网络技术建立传感器阵列响应信号与测量气体之间的映射关系。径向基函数RBF(Radial Basis Function)神经网络在一定程度上可克服局部最小和效率低等问题，在函数逼近方面与BP神经网络相比有着明显的优势。综合以上分析，本系统采用RBF神经网络模式识别方法。图3是RBF神经网络拓扑结构。

　　RBF神经网络由输入层、中间层(隐层) 和输出层组成。在此, 输入层仅对数据信息进行传递，而不进行任何变换。隐层神经元的核函数(或称作用函数)取为高斯函数，对输入信息进行空间映射变换。输出层神经元的作用函数为Sigmoid函数，对隐层神经元输出的信息进行线性加权后输出，作为网络的输出结果。采用监督学习的方法训练神经网络，以确定网络的中心、宽度和调节权重。从测试样本中，随机抽取80个样本中的60个为训练集，其余20个为测试集，在不同的温度和湿度条件下，分别做三次实验。
　　网络训练参数动量因子α＝0.09，学习因子η＝10.12，最大训练次数为20 000次，目标误差为0.01，训练时间约3min，网络达到目标误差要求。将训练好的网络对样本进行测试，结果如表1所示。对于三次实验，正确的判别结果达到了90%以上。这样的结果是令人满意的，说明本应用可以及早发现肺癌患者。