Breath Analysis for Medical Applications

312 Pages·2017·10.155 MB·English

by  David Zhang, Dongmin Guo, Ke Yan (auth.)

David Zhang · Dongmin Guo
Ke Yan
Breath
Analysis
for Medical
Applications
Breath Analysis for Medical Applications
⋅
David Zhang Dongmin Guo
Ke Yan
Breath Analysis for Medical
Applications
123
DavidZhang Ke Yan
Biometrics Research Centre National Institute ofHealth
TheHong Kong Polytechnic University Bethesda
Hong Kong USA
China
DongminGuo
WakeForest University
Winston-Salem, NC
USA
ISBN978-981-10-4321-5 ISBN978-981-10-4322-2 (eBook)
DOI 10.1007/978-981-10-4322-2
LibraryofCongressControlNumber:2017939534
©SpringerNatureSingaporePteLtd.2017
Thisworkissubjecttocopyright.AllrightsarereservedbythePublisher,whetherthewholeorpart
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
orinformationstorageandretrieval,electronicadaptation,computersoftware,orbysimilarordissimilar
methodologynowknownorhereafterdeveloped.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publicationdoesnotimply,evenintheabsenceofaspecificstatement,thatsuchnamesareexemptfrom
therelevantprotectivelawsandregulationsandthereforefreeforgeneraluse.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authorsortheeditorsgiveawarranty,expressorimplied,withrespecttothematerialcontainedhereinor
for any errors or omissions that may have been made. The publisher remains neutral with regard to
jurisdictionalclaimsinpublishedmapsandinstitutionalaffiliations.
Printedonacid-freepaper
ThisSpringerimprintispublishedbySpringerNature
TheregisteredcompanyisSpringerNatureSingaporePteLtd.
Theregisteredcompanyaddressis:152BeachRoad,#21-01/04GatewayEast,Singapore189721,Singapore
Preface
Somecomponentsinhumanbreathhavebeenproventobeassociatedwithcertain
diseases and the concentration of these components is linked to disease status.
Recently, breath signal diagnosis has attracted increasing research interests. Many
kinds of breath signal acquisition systems and breath signal processing methods
havebeenreported.However,there are still alot ofchallenging workstobedone,
for example, how to acquire breathsignalin a fast, accurate, and informative way,
howtopreprocess thebreathsignaltorule outtheoutliersandincreasethequality
of the signal, and how to extract efficient features and find proper classifiers for
breath diagnosis.
This book focuses on these challenging issues. Novel breath signal acquisition
systems based on multiple breath sensors were described first. In order to collect
samples effectively, we developed a sample acquisition system with sensor fusion
technology. To detect the drift of breath signals, we provided optimized prepro-
cessing frameworks, such as using transfer samples and regression models. To
represent breath signals completely, we discovered different types of breath signal
features, such as spatial feature, frequency feature, deep learning feature, etc.
Moreover, we also provided many effective algorithms for breath signal classifi-
cation and recognition, such as curve-fitting models and sparse representation
classification.
All of the technologies, algorithms, and medical application cases described in
this book were applied in our research work and have proven to be effective in
breathsignalanalysis.First,thisbookpresentsacomprehensiveintroductiononthe
useful techniques of breath signal acquisition methods using different kinds of
chemical sensors, cooperated with the optimized selection and fusion acquisition
scheme.Then,thisbookintroducestheeffectivepreprocessingapproaches,suchas
driftremovingandfeatureextractionmethods.Moreover,theclassificationmethods
used as case studies are also provided. Finally, this book provides discussions and
concluding remarks to indicate some promising directions on the studies and
medical applications of computerized breath diagnosis. This book will benefit the
researchers, professionals, graduate and postgraduate students working in the field
v
vi Preface
of breath sample diagnosis, signal processing, pattern recognition,biometrics, etc.
This book will also be very useful for interdisciplinary research.
Our team has been working on the breath analysis research on computational
TCMdiagnosisover10years.Underthegrantsupport(GrantNo.61332011)from
NationalNaturalScienceFoundationofChina(NSFC)andHongKongPolytechnic
University,wehadstartedourstudiesonthistopic.Theauthorswouldliketothank
Dr. Zhaotian Zhang, Dr. Xiaoyun Xiong, and Dr. Ke Liu from NSFC for their
consistent support to our research work.
Hong Kong, China David Zhang
Winston-Salem, USA Dongmin Guo
Bethesda, USA Ke Yan
February 2017
Contents
Part I Background
1 Introduction .... .... .... ..... .... .... .... .... .... ..... .. 3
1.1 Background and Motivation. .... .... .... .... .... ..... .. 3
1.1.1 Why Is Breath Analysis Used in Disease
Diagnosis? .. ..... .... .... .... .... .... ..... .. 4
1.1.2 Why Should Breath Analysis System
Be Developed?.... .... .... .... .... .... ..... .. 4
1.1.3 Why Should Specific Algorithms Be Designed
for Breath Analysis?.... .... .... .... .... ..... .. 5
1.2 Relative Technologies ..... .... .... .... .... .... ..... .. 7
1.3 Outline of the Work.. ..... .... .... .... .... .... ..... .. 7
References .. .... .... .... ..... .... .... .... .... .... ..... .. 9
2 Literature Review.... .... ..... .... .... .... .... .... ..... .. 11
2.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 11
2.2 Development of Breath Analysis . .... .... .... .... ..... .. 13
2.3 Breath Analysis by GC .... .... .... .... .... .... ..... .. 14
2.3.1 Lung Cancer. ..... .... .... .... .... .... ..... .. 14
2.3.2 Lipid Peroxidation . .... .... .... .... .... ..... .. 15
2.3.3 Renal Diseases .... .... .... .... .... .... ..... .. 16
2.3.4 Liver Diseases..... .... .... .... .... .... ..... .. 17
2.3.5 Breast Cancer..... .... .... .... .... .... ..... .. 17
2.3.6 Diabetes .... ..... .... .... .... .... .... ..... .. 17
2.3.7 Pulmonary Tuberculosis . .... .... .... .... ..... .. 18
2.3.8 Summary ... ..... .... .... .... .... .... ..... .. 18
2.4 Breath Analysis by E-Nose . .... .... .... .... .... ..... .. 19
2.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 22
References .. .... .... .... ..... .... .... .... .... .... ..... .. 25
vii
viii Contents
Part II Breath Acquisition Systems
3 A Novel Breath Acquisition System Design .... .... .... ..... .. 31
3.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 31
3.2 Breath Analysis . .... ..... .... .... .... .... .... ..... .. 32
3.3 Description of the System .. .... .... .... .... .... ..... .. 33
3.3.1 Breath Gas Collecting... .... .... .... .... ..... .. 35
3.3.2 Signal Sampling ... .... .... .... .... .... ..... .. 36
3.3.3 Data Analysis..... .... .... .... .... .... ..... .. 40
3.4 Experiments.... .... ..... .... .... .... .... .... ..... .. 42
3.4.1 Evaluating Outcomes of Hemodialysis .. .... ..... .. 43
3.4.2 Distinguishing Between Subject Breath Samples ... .. 44
3.5 Results and Discussion..... .... .... .... .... .... ..... .. 46
3.5.1 Results Evaluating Outcomes of Hemodialysis..... .. 46
3.5.2 Results Distinguishing Between Subject Breath
Samples .... ..... .... .... .... .... .... ..... .. 47
3.6 Summary.. .... .... ..... .... .... .... .... .... ..... .. 49
References .. .... .... .... ..... .... .... .... .... .... ..... .. 50
4 An LDA-Based Sensor Selection Approach .... .... .... ..... .. 53
4.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 53
4.2 LDA-Based Approach: Definition and Algorithm .... ..... .. 56
4.2.1 Data Expression ... .... .... .... .... .... ..... .. 56
4.2.2 Find Out the Optimum Direction by LDA ... ..... .. 57
4.2.3 Difference Between Two Classes as the Linear
Combination of Sensors . .... .... .... .... ..... .. 58
4.2.4 Weight of Sensor .. .... .... .... .... .... ..... .. 60
4.2.5 Algorithm Conclusion... .... .... .... .... ..... .. 60
4.3 Sensor Selection in Breath Analysis System .... .... ..... .. 61
4.3.1 Sensor Selection for Disease Diagnosis . .... ..... .. 61
4.3.2 Evaluating the Medical Treatment . .... .... ..... .. 67
4.4 Comparison Experiment and Performance Analysis... ..... .. 70
4.4.1 Sensor Selection for Disease Diagnosis . .... ..... .. 70
4.4.2 Evaluating the Medical Treatment . .... .... ..... .. 72
4.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 72
References .. .... .... .... ..... .... .... .... .... .... ..... .. 73
5 Sensor Evaluation in a Breath Acquisition System .. .... ..... .. 77
5.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 77
5.2 System Description .. ..... .... .... .... .... .... ..... .. 78
5.2.1 Framework of the Device.... .... .... .... ..... .. 79
5.2.2 Sensor Array. ..... .... .... .... .... .... ..... .. 79
5.2.3 Sampling Procedure .... .... .... .... .... ..... .. 80
5.2.4 Data Analysis..... .... .... .... .... .... ..... .. 81
5.3 Sensor Evaluation Methods . .... .... .... .... .... ..... .. 81
5.3.1 Cumulative Sensor Importance.... .... .... ..... .. 81
Contents ix
5.3.2 Average Accuracy Improvement... .... .... ..... .. 82
5.3.3 Sensor Inter-relationship. .... .... .... .... ..... .. 83
5.4 Experiments and Discussion. .... .... .... .... .... ..... .. 84
5.4.1 Experiment Configuration.... .... .... .... ..... .. 84
5.4.2 Sensor Evaluation Results.... .... .... .... ..... .. 84
5.4.3 Discussion... ..... .... .... .... .... .... ..... .. 86
5.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 87
References .. .... .... .... ..... .... .... .... .... .... ..... .. 88
Part III Breath Signal Pre-processing
6 Improving the Transfer Ability of Prediction Models .... ..... .. 91
6.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 91
6.2 Design of Methods... ..... .... .... .... .... .... ..... .. 93
6.2.1 Windowed Piecewise Direct Standardization
(WPDS) .... ..... .... .... .... .... .... ..... .. 94
6.2.2 Standardization-Error-Based Model Improvement
(SEMI) . .... ..... .... .... .... .... .... ..... .. 96
6.3 Experimental Details . ..... .... .... .... .... .... ..... .. 99
6.3.1 E-nose Module.... .... .... .... .... .... ..... .. 99
6.3.2 Dataset . .... ..... .... .... .... .... .... ..... .. 100
6.3.3 Preprocessing and Feature Extraction... .... ..... .. 102
6.3.4 Data Analysis Procedure. .... .... .... .... ..... .. 102
6.4 Results and Discussion..... .... .... .... .... .... ..... .. 104
6.4.1 Standardization.... .... .... .... .... .... ..... .. 104
6.4.2 Prediction... ..... .... .... .... .... .... ..... .. 106
6.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 110
References .. .... .... .... ..... .... .... .... .... .... ..... .. 111
7 Learning Classification and Regression Models Based
on Transfer Samples.. .... ..... .... .... .... .... .... ..... .. 113
7.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 113
7.2 Related Work... .... ..... .... .... .... .... .... ..... .. 115
7.3 Transfer-Sample-Based Multitask Learning (TMTL) .. ..... .. 116
7.3.1 Transfer-Sample-Based Coupled Task Learning
(TCTL). .... ..... .... .... .... .... .... ..... .. 116
7.3.2 TMTL-Parallel and TMTL-Serial .. .... .... ..... .. 120
7.3.3 TMTL-General and the Dynamic Model Strategy... .. 121
7.4 Selection of Transfer Samples ... .... .... .... .... ..... .. 122
7.5 Experiments.... .... ..... .... .... .... .... .... ..... .. 123
7.5.1 Gas Sensor Array Drift Dataset.... .... .... ..... .. 124
7.5.2 Breath Analysis Dataset . .... .... .... .... ..... .. 129
7.5.3 Corn Dataset. ..... .... .... .... .... .... ..... .. 132
7.6 Summary.. .... .... ..... .... .... .... .... .... ..... .. 134
References .. .... .... .... ..... .... .... .... .... .... ..... .. 134
x Contents
8 A Transfer Learning Approach for Correcting Instrumental
Variation and Time-Varying Drift.... .... .... .... .... ..... .. 137
8.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 137
8.2 Related Work... .... ..... .... .... .... .... .... ..... .. 138
8.2.1 Autoencoder. ..... .... .... .... .... .... ..... .. 138
8.2.2 Transfer Learning with Autoencoders... .... ..... .. 139
8.3 Drift Correction Autoencoder (DCAE). .... .... .... ..... .. 140
8.3.1 Domain Features... .... .... .... .... .... ..... .. 140
8.3.2 Basic Framework .. .... .... .... .... .... ..... .. 141
8.3.3 Handling Complex Time-Varying Drift . .... ..... .. 142
8.3.4 Summary ... ..... .... .... .... .... .... ..... .. 143
8.4 Experiments.... .... ..... .... .... .... .... .... ..... .. 145
8.4.1 Gas Sensor Array Drift Dataset.... .... .... ..... .. 145
8.4.2 Breath Analysis Dataset . .... .... .... .... ..... .. 150
8.4.3 Corn Dataset. ..... .... .... .... .... .... ..... .. 153
8.4.4 Impact of Different Training Procedures. .... ..... .. 154
8.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 154
References .. .... .... .... ..... .... .... .... .... .... ..... .. 155
9 Drift Correction Using Maximum Independence Domain
Adaptation.. .... .... .... ..... .... .... .... .... .... ..... .. 157
9.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 157
9.2 Related Work... .... ..... .... .... .... .... .... ..... .. 159
9.2.1 Unsupervised Domain Adaptation.. .... .... ..... .. 159
9.2.2 Hilbert–Schmidt Independence Criterion (HSIC) ... .. 160
9.3 Proposed Method.... ..... .... .... .... .... .... ..... .. 160
9.3.1 Domain Feature ... .... .... .... .... .... ..... .. 160
9.3.2 Feature Augmentation... .... .... .... .... ..... .. 161
9.3.3 Maximum Independence Domain Adaptation
(MIDA). .... ..... .... .... .... .... .... ..... .. 162
9.3.4 Semi-supervised MIDA (SMIDA).. .... .... ..... .. 164
9.4 Experiments.... .... ..... .... .... .... .... .... ..... .. 165
9.4.1 Synthetic Dataset .. .... .... .... .... .... ..... .. 165
9.4.2 Gas Sensor Array Drift Dataset.... .... .... ..... .. 168
9.4.3 Breath Analysis Dataset . .... .... .... .... ..... .. 170
9.4.4 Corn Dataset. ..... .... .... .... .... .... ..... .. 173
9.5 Summary.. .... .... ..... .... .... .... .... .... ..... .. 175
References .. .... .... .... ..... .... .... .... .... .... ..... .. 177
Part IV Feature Extraction and Classification
10 Feature Selection and Analysis on Correlated Breath Data..... .. 181
10.1 Introduction .... .... ..... .... .... .... .... .... ..... .. 181
10.2 SVM-RFE . .... .... ..... .... .... .... .... .... ..... .. 183
10.2.1 Linear SVM-RFE.. .... .... .... .... .... ..... .. 183
10.2.2 Nonlinear SVM-RFE ... .... .... .... .... ..... .. 184