针对温度调制的SnO2气体传感技术，采用湿度调节的漂移补偿方法以实现稳定的呼吸丙酮定量分析

Jiahao Nie | Minghao Li | Hanyang Ji | Guanchao Li | Qiyan Li | Chenhao Guo | Fanli Meng

东北大学信息科学与工程学院，中国沈阳 110819

摘要

人类呼出的气体中含有多种挥发性有机化合物（VOCs），其中一些化合物可作为非侵入性诊断的疾病相关生物标志物。丙酮是糖尿病筛查和管理的关键生物标志物，其定量检测具有重要的临床意义。半导体金属氧化物（SMO）气体传感器为呼吸气体检测提供了实用的平台；然而，在潮湿且复杂的呼吸气体环境中，SMO传感器常常会出现交叉敏感性和湿度引起的漂移现象，这会降低选择性并影响浓度估计的准确性。为了解决这个问题，本研究将高稳定性的SnO₂气体传感器与动态温度调制（DTM）技术相结合，并提出了一种称为HDC-Net的湿度条件端到端漂移补偿网络。HDC-Net利用残差主干网络提取DTM特征并估计环境相对湿度（RH）；然后利用RH嵌入值对特征线性调制（FiLM）和RH引导的注意力聚合进行适应性湿度补偿和可靠的丙酮预测。在所采用的DTM设置下，一次丙酮测量需要40秒。在多种相对湿度和浓度条件下的实验表明，HDC-Net有效补偿了湿度引起的幅度漂移和特征不稳定，整体R²值为0.9851，并在70-90% RH的主要工作范围内提供了准确的预测结果。然而，在极高相对湿度下，预测性能会下降，表明在极端湿度条件下实现可靠的定量仍然具有挑战性。这些结果支持将湿度条件学习作为基于SMO的呼吸丙酮定量检测的非侵入性筛查方法的可行途径。

引言

随着智能医疗技术的快速发展[1]、[2]，基于呼出气体分析的非侵入性疾病评估受到了越来越多的关注。人类呼吸气体中含有多种VOCs，它们的浓度与代谢状态密切相关。据报道，糖尿病患者的呼吸丙酮水平超过1.8 ppm，这为糖尿病的筛查和管理提供了依据[3]、[4]、[5]。与传统血液检测或基于成像的检查方法相比，呼吸气体分析具有非侵入性、便捷性、可重复性和低成本等优点，因此非常适合用于筛查和长期监测。因此，可靠的呼吸丙酮定量对于非侵入性糖尿病筛查具有重要意义。

SMO气体传感器因其高灵敏度、低成本、紧凑尺寸和易于集成而显示出在呼吸气体分析中的潜力[6]、[7]、[8]。特别是SnO₂气体传感器因其良好的稳定性和对多种VOCs的广泛响应而在相关研究和应用中得到了广泛应用[9]、[10]。然而，在实际呼吸环境中仍存在两个关键挑战。首先，SnO₂传感器通常对多种VOCs表现出交叉敏感性；当目标气体和干扰气体与传感表面的相互作用特性相似时，它们的响应特征可能会重叠，从而导致选择性受限[11]、[12]。其次，环境湿度会导致明显的信号漂移，从而引入浓度估计的误差。值得注意的是，呼出气体本身具有较高的湿度，实际采样和测试过程中的相对湿度通常在70-90%的范围内[13]、[14]、[15]。在这种条件下，湿度引起的干扰更容易被放大，从而直接限制了测量的准确性和可靠性[16]、[17]。

为了解决这些问题，人们探索了各种改进策略。在材料层面，通过掺杂[18]、[19]、[20]、[21]、复合构造[22]和表面功能化等方法可以在一定程度上提高选择性或减轻湿度影响[23]。然而，这些方法往往会增加制造复杂性和成本，并可能影响长期稳定性。在系统层面，结合模式识别算法的传感器阵列可以提高识别性能；然而，额外的硬件复杂性和功耗不利于便携式应用[24]、[25]。

近年来，DTM作为一种有效的工程方法脱颖而出。通过周期性调节传感器的工作温度，DTM可以在多个温度区域激活气体依赖的瞬态特征，从而丰富响应信息并提高单个传感器的分离能力[26]、[27]、[28]、[29]、[30]。然而，现有研究主要集中在定性识别上。对于高相对湿度下的定量浓度估计，DTM响应仍然存在湿度依赖的漂移和特征失真问题，能够在不同相对湿度条件下提供鲁棒性的系统解决方案并保持长期稳定性的方法仍然有限[31]、[32]。

基于这些考虑，本研究专注于高湿度呼吸条件下的丙酮定量，并提出了一种结合DTM和深度学习的端到端框架。DTM丰富了单个传感器的动态响应信息，而HDC-Net则执行湿度条件下的补偿，以实现可靠的浓度预测。因此，可以在广泛的湿度范围内实现准确的丙酮浓度预测，为基于SMO的呼吸丙酮定量检测提供了实用的框架。表1提供了与现有代表性策略的简要比较，进一步突出了本工作的新颖性和优势。

章节片段

实验平台

如图1所示，实验平台包括一个商用MQ-6 SnO₂传感器、一个湿度控制和气体输送单元、一个密封的反应室、电气驱动和测量仪器以及一个数据采集系统。本研究中使用的SnO₂传感器为市售产品，未对其进行额外的合成或涂层处理。平台上使用的设备的制造商和关键技术规格总结在表2中。

所有实验均在

RH嵌入和FiLM条件调制

如图8所示，HDC-Net以DTM动态响应曲线图像作为输入，并采用深度残差卷积主干网络提取特征张量$\mathit{F}\in {ℝ}^{C\times H\times W}$' role="presentation">$\mathit{F}\in {ℝ}^{C\times H\times W}$。为了明确引入环境先验并获得与湿度相关的全局表示，首先对主干特征张量应用全局平均池化（GAP），然后通过两层全连接网络回归相对湿度。线性输出z_rh被映射到操作范围[r_min, r_max] = [70%,

结论与展望

本研究提出了HDC-Net来补偿高湿度呼出气体环境中湿度引起的幅度漂移和温度调制半导体气体传感器的响应形状变化，从而满足了定量检测丙酮的需求。所提出的框架能够在典型的呼出气体湿度范围内实现准确的丙酮定量，并提高了与糖尿病筛查相关的低至中等浓度范围内的分辨率。然而，在

CRediT作者贡献声明

Jiahao Nie：撰写——原始草案、可视化、形式分析。Minghao Li：数据整理。Hanyang Ji：撰写——审阅与编辑、方法论。Guanchao Li：方法论。Qiyan Li：验证。Chenhao Guo：验证。Fanli Meng：项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（62503094, U25A20491, 62525302）、111项目（B16009）、河北省自然科学基金（F2024501040）、辽宁省自然科学基金（2025-BS-0095）、中央高校基本科研业务费（N25XQD032和N25GFZ005）以及CPSF博士后奖学金计划（GZC20240225）的支持。

Jiahao Nie正在中国沈阳的东北大学信息科学与工程学院攻读学士学位。