专利名称：可辨识肺炎种类的呼吸器及其辨识芯片及其辨识方法
技术领域：
本发明涉及一种用于气体辨识的电子装置，具体涉及一种具备能够辨识混合气体种类的微型化气体辨识芯片，来早期检测并辨识病人所感染的肺炎种类的呼吸器。
背景技术：
重症病患在进入加护病房后，经常需要接受插管以及使用呼吸器，如此，病人的呼吸道就很容易受到感染，进而引发肺炎，发生这种情况的比率可能高达80%以上。这些细菌有很多已经具有抗药性，故治疗上更加的困难。当病人出现肺炎的症状时，医疗人员则会帮病人照胸部X光、抽血、抽痰并进行分子生物学的细菌培养。然而，即使医疗人员已由抽血、抽痰及胸部X光确认病人已经感染肺炎，引发肺炎的菌种还是要等待细菌培养的结果才能确定，而细菌培养需要至少五天的时间，这对分秒必争的重症病患来说是一段很长的时间。由于现行的医疗技术中缺乏能够实时诊断病人感染的肺炎种类的仪器，医师常需要在细菌培养的结果尚未出来前就必须要先对病人用药。然而，引发肺炎的细菌至少有十余种(如绿脓杆菌、克雷式杆菌、AB菌及葡萄球菌等)，而不同的菌种所对应的药是不同的。因此，在细菌培养的结果尚未出来前，医师仅能根据自己的经验法则来决定使用哪一种药物，直到细菌培养的结果后，若是药用得不对，再帮病人换药。病人由于上述医疗上无可避免的拖延，导致病人在加护病房的时间延长，故增加病人院内感染，甚至致死的机率。因此，如何提出一种电子装置，能够实时地侦测并诊断出病人所感染的肺炎种类，即为本发明所要解决的问题。
发明内容
本发明提供了一种可辨识肺炎种类的呼吸器及其辨识芯片及其辨识方法，以解决现有技术中医疗检测系统无法实时检测出病人感染的肺炎种类的问题。为实现上述目的，本发明提出了一种气体辨识芯片，其特点是，上述芯片包含:一传感器阵列，其包含若干个传感器及传感薄膜，传感薄膜吸附若干种待测气体，使各个传感器产生对应于各个待测气体的气味信号；一传感器接口电路，其读取并分析各个待测气体的气味信号，以产生对应于各个待测气体的气体图案信号；一随机类神经网络芯片，其放大各个气体图案信号之间的差异，并降低各个气体图案信号的维度，以协助产生分析结果；一内存，其储存训练数据；一微控制器，其接收分析结果，并根据分析结果执行混合气体辨识方法来辨识待测气体的种类，且将不存在于训练数据的未知气体分类，再根据训练数据产生辨识结果。一种气体辨识方法，其特点是，上述方法包含以下步骤:利用传感器阵列的传感薄膜吸附若干种待测气体，使传感器阵列的各个传感器产生对应于各个待测气体的气味信号；由传感器接口电路读取并分析各个待测气体的气味信号，以产生对应于各个待测气体的气体图案信号；透过随机类神经网络芯片放大各个气体图案信号之间的差异，并降低各个气体图案信号的维度，以产生分析结果；由内存储存气体训练数据；以及经由微控制器接收分析结果，并根据分析结果执行混合气体辨识方法来辨识待测气体的种类，且将不存在于训练数据的未知气体分类，再根据训练数据产生辨识结果。优选地，传感薄膜可以利用纳米孔洞碳材所构成，并将具气体吸附能力的高分子成长于纳米孔洞碳材的孔洞中。优选地，当微控制器侦测到未知气体时，微控制器可将未知气体的数据传送到传感器接口电路、随机类神经网络芯片及内存，使气体辨识芯片能够有自我学习的能力。优选地，混合气体辨识方法可包含K最邻近法(K Nearest Neighbors, KNN)、线性回归法(Linear Least Squares Regression)及以中位数作为临界值的K最邻近法(Median-Threshold KNN Classification, MTKNN)，其中，以中位数作为临界值的K最邻近法是先求出气体 训练数据中各笔数据两两之间的距离，再找出这些距离的中位数，并利用中位数来判定待测气体是否为未知气体。优选地,传感器阵列可由导电聚合物(Conducting Polymer, CP)传感器所构成。优选地,导电聚合物传感器接口电路可利用单程多晶娃悬浮栅(Floating Gate)组件来储存电荷，以减少漏电及降低电路功率。优选地,传感器阵列可由表面声波(surface acoustic wave, SAW)传感器所构成。优选地，传感器接口电路可包含可调式震荡电路，其可根据不同表面声波传感器来调整震荡频率，增加使用上的弹性。一种运用上述的气体辨识芯片的可早期侦测及辨识肺炎种类的呼吸器，其特点是，呼吸器包含吐气端管路及气体辨识装置，气体辨识装置利用上述的气体辨识芯片来分析病人由吐气端管路中呼出的气体以辨识肺炎的种类。优选地，气体辨识装置可直接连接于病人体外的吐气端管路，并采集病人呼出的气体以进行辨识。承上所述，依本发明的可早期侦测及辨识肺炎种类的呼吸器及其气体辨识芯片及其气体辨识方法和现有技术相比，其可具有一或多个下述优点:(I)本发明的气体辨识芯片使用纳米孔洞碳材来构成传感薄膜，并将具气体吸附能力的高分子成长于纳米孔洞碳材的孔洞中，因此能够有效地提高气体侦测的灵敏度、气体选择性及侦测极限。(2)本发明的可早期侦测及辨识肺炎种类的呼吸器的气体辨识芯片使用随机类神经网络芯片对气体图案信号做前处理，因此能够大幅地提高辨识的精确度，并降低系统的运算量及功耗。(3)本发明的可早期侦测及辨识肺炎种类的呼吸器的气体辨识芯片使用具有强健性(Robustness)及适应性(Adaption)的方法，因此可以有效地辨识混合气体，并将未知的气体分类。(4)本发明的可早期侦测及辨识肺炎种类的呼吸器的气体辨识芯片的传感器接口电路利用单程多晶硅悬浮栅(Floating Gate)组件来储存电荷，因此能够减少漏电及降低电路功率。(5)本发明的可早期侦测及辨识肺炎种类的呼吸器的气体辨识芯片的传感器接口电路包含可调式震荡电路，可根据不同表面声波传感器来调整震荡频率，因此能增加使用上的弹性。
(6)本发明利用系统单芯片的方式来实现气体辨识芯片，因此大幅地降低气体辨识装置的体积，故可以集成在呼吸器上以实时侦测每一位病人所所患的肺炎种类，以帮助医师做出正确的诊断，也可应用于其它可携式的电子装置，以执行多种不同的功能。
图1为本发明可早期侦测及辨识肺炎种类的呼吸器的模块图；图2为本发明气体辨识芯片的以中位数作为临界值的K最邻近法的示意图；图3A为本发明气体辨识芯片的导电聚合物传感器接口的一实施例的电路图；图3B为本发明气体辨识芯片的导电聚合物传感器接口的一实施例的操作方式图；图3C为本发明气体辨识芯片的导电聚合物传感器接口的一实施例的悬浮栅组件图；图4A为本发明气体辨识芯片的表面声波传感器接口电路的可调式震荡电路的一实施例的电路图；图4B为本发明气体辨识芯片的表面声波传感器接口电路的一实施例的模块图；图5为本发明气体辨识 芯片的随机类神经网络芯片的示意图；图6A、6B及6C为本发明可早期侦测及辨识肺炎种类的呼吸器的一实施例的实际应用不意图；以及，图7为本发明可早期侦测及辨识肺炎种类的呼吸器的气体辨识方法的流程图。
具体实施例方式以下将参照相关附图，说明依本发明可早期侦测及辨识肺炎种类的呼吸器及其气体辨识芯片及其气体辨识方法的实施例，为使便于理解，下列所述实施例中的相同组件系以相同的符号标示来说明。如图1所示，为本发明可早期侦测及辨识肺炎种类的呼吸器的模块图。如图所示，可早期侦测及辨识肺炎种类的呼吸器I包含吐气端管路11及气体辨识装置12。气体辨识装置12是利用气体辨识芯片13来分析病人由吐气端管路11所呼出的混合气体以辨识病人所患的肺炎种类。所述气体辨识芯片13包含传感器阵列131、传感器接口电路132、随机类神经网络芯片133、内存134及微控制器135。微控制器135连接传感器接口电路132、随机类神经网络芯片133及内存134并控制其运作。传感器阵列131包含若干个传感器及传感薄膜，传感薄膜能够吸附病人所呼出的由若干种待测气体所组成的混合气体，并经由传感器阵列131中的各个传感器来产生对应于各个待测气体的气味信号。优选地，传感薄膜可利用纳米孔洞碳材所构成，并将具气体吸附能力的高分子成长于纳米孔洞碳材的孔洞中，通过选择不同种类的高分子材料可以合成出更多样化、且更高密度官能基的纳米复合材料。以这种方式达成的传感薄膜能大幅提高其气体侦测的灵敏度、气体选择性及侦测极限。其中，传感器阵列可包含导电聚合物(Conducting Polymer,CP)传感器或表面声波(surface acoustic wave, SAW)传感器。而传感器接口电路132则读取并分析传感器阵列所传送而来的气味信号，以产生对应于各个待测气体的气体图案信号1321。其中，传感器阵列131可通过整个阵列对于混合气体的集体反应，并经由传感器接口电路132来产生对应于各个待测气体的气体图案信号1321。随机类神经网络芯片133则能放大各个气体图案信号1321之间的差异，并降低各个气体图案信号1321的维度，以产生分析结果1331。另外，随机类神经网络芯片133可利用学习方法，采集获取信号的主要特征，进而提供一个比原始信号维度低的输出，以减低后端系统的运算量。内存134则储存了训练数据1341，训练数据1341则包含了导致肺炎的各种细菌所产生的气体数据及其它可能出现的气体数据。而微控制器135则接收分析结果1331，并根据分析结果1331执行混合气体辨识方法1351来辨识待测气体的种类，且将不存在于训练数据1341的未知气体分类，再根据训练数据1341产生辨识结果1352。更进一步的，当微控制器135侦测到不存在于训练数据1341中的未知气体时，会自动将此未知气体分类,并且将此未知气体的数据传送给传感器接口电路132、随机类神经网络芯片133及内存134。这样一来，传感器接口电路132则可根据未知气体的数据来进行辨识，随机类神经网络芯片133也可以根据此未知气体的数据来重新训练，而内存134之训练数据1341也可以藉此来增加新的类别。值得一提的是，由于导致肺炎的细菌生长时会产生代谢物，其中也包括气体在内，不同的细菌的代谢物所产生的气体也不相同，而病房内可能包含其它与肺炎无关的气体。因此，微控制器需要执行混合气体方法来有效地辨识出导致肺炎的细菌所产生的气体及与肺炎无关的气体，再与训练数据比对，以辨识病人所患的肺炎种类。本发明所提出的混合气体方法在混合气体中包含未知气体时，仍然能够有效地辨识混合气体中已知的各个成份，微控制器在当一未知气体频频出现时，更能够自动判断并分类为新的类别，因此，本发明所提出的气体辨识芯片具有强健性(Robustness)及适应性(Adaption)的特性。优选地，本发明的混合气体方法可包含K最邻近法(K Nearest Neighbors,KNN)、线性回归法(Linear Least Squares Regression)及以中位数作为临界值的K最邻近法(Median-Threshold KNN Classification, MTKNN)。K最邻近法可用于气体信号的初步分类，其根据待测气体的反应信号与训练数据中的气体数据间的相似程度来辨识待测气体的种类。若是待测气体与训练数据中所有的气体数据之差值都大于一个临界点，则系统会将此未知气体分类为一种新的气体并加以储存。K最邻近法可将待测气体归类到最相似的训练气体，以了解不同成份的混合气体的相似性，然后以混合气体所在的位置，找出与其距离较近的纯气体，藉以判断此混合气体的成份。线性回归法则可用于估测混合气体中各个成份的浓度。如图2所示，为本发明气体辨识芯片的以中位数作为临界值的K最邻近法的示意图。为了能够更有效地对未知气体做分类，气体辨识芯片必须要有一个有效地排除机制以避免误判，本发明提出创新的以中位数作为临界值的K最邻近法来判定待测气体是否为未知气体。以中位数作为临界值的K最邻近法是先求出训练数据中的每个类别的各笔训练数据两两之间的距离，然后找出这些距离的中位数做为临界值。当执行气体辨识时，则使用K最邻近法找出最接近此待测气体的K的邻居，求出待测气体与这K个邻居的中位数，此中位数必须小于临界值，若大于此临界值则视为未知气体。图2中所示的是K = 3，class = 2的分类步骤，首先需计算待测数据与所有训练数据的距离，由于K = 3，故需先找出离此待测数据最近的三个邻居，由于待测数据的三个邻居有二个为白色类别，因此，此待测数据被判定为白色类别，且此待测数据与3个邻居的距离的中位数(虚线箭头)必须小于白色类别的临界值。因此，本发明混合气体辨识方法集成以中位数作为临界值的K最邻近法不但能够准确地检测出混合气体中已知气体的成份,更能够判断出混合气体中未知气体的成份,并加以分类。因此，本发明的混合气体方法具强健性及适应性。如图3A并结合图3B及图3C所示，分别为本发明气体辨识芯片的导电聚合物传感器接口的一实施例的电路图、操作方式示意图，及悬浮栅组件图。本发明的传感器阵列可包含导电聚合物传感器。如图3A所示，本发明提出以单程多晶硅悬浮栅(Floating Gate)组件来取代储存电荷使用的电容与电阻，因此可以形成一个仅由二个晶体管、一个放大器和一个悬浮栅组件的导电聚合物传感器的接口电路，可达到低功率的功耗及解决模拟方式所产生的严重漏电现象，其电路动作则如图3B所示。图3C则图例了悬浮栅组件的一种实施例的示意图，此组件的控制栅是以场效晶体管电容Ccg来实现，将PMOS的源极、漏极及基极端相连，以此端点来耦合悬浮栅与通道上的电荷。并使用0D2光罩来增加氧化硅厚度(约7nm)，以增加组件的数据保久度(DataRetention)。优选的，可使用PMOS作为操作晶体管，如此即可在较小的操作电流下，完成写入的动作，以减少功率的消耗，并且能够得到最佳的组件稳定度。晶体管Ctun可用来抹除悬浮栅上的电子，以较小的尺寸制作能达到较小的耦合比(Coupling Ratio)，以增加其抹除效率。图中Metal-1为金属层，P-MP为P型离子布植，0D2为厚氧化层，Poly为多晶硅。如图4A并结合图4B所示，图4A为本发明气体辨识芯片的表面声波传感器接口电路的可调式震荡电路的一个实施例的电路图；图4B为本发明气体辨识芯片的表面声波传感器接口电路的一个实施例的模块图。本发明的传感器阵列可包含表面声波(surfaceacoustic wave, SAW)传感器。由于一般的表面声波传感器的震荡电路均设计在特定的频率之下，因此其使用上有很大的限制。因此，本发明提出一可调式震荡电路，可根据不同表面声波传感器来调整震荡频率，因此能增加使用上的弹性，图4A中则例举了一个正反馈震荡方式的可调式高频震荡电路。如图4B所示了一个表面声波传感器接口电路的一实施例的模块图。优选的，每一个表面声波组件单位可由二个表面声波组件所构成，这是基于电路上差动的原理，能有效地消除环境对表面声波传感器的影响，例如压力、温度及湿度等等。如图中所示，每一个表面声波传感单元由二个表面声波组件所组成，一个为传感组件(Sensing Element),由指拨开关选择；另一个为参考组件(Reference Element),每一个表面声波组件都有其相应的震荡电路。上述二组件经过混频器(Mixer)，产生频率不同的信号^+4及&_4。经过低通滤波器(LPF)后，输出信号只剩下fMf-fin，也就是频率改变的部份。此信号经由一比较器(Comparator)产生方波,通过触发频率读取模块(Frequency Read Out)中的数字逻辑栅，而将频率改变的信号输出，以进行进一步的处理。如此可以达到低的功率及优选的频率分辨率。如图5所示，为本发明气体辨识芯片的随机类神经网络芯片的示意图。如图所示，本发明将随 机类神经网络芯片集成在呼吸器的气体辨识装置中，随机类神经网络芯片能够将传感器的气体图案信号做维度的降低，并放大不同种类气体间的差异性，最后再执行混合气体辨识方法，使气体辨识装置能够对病房中成份复杂的混合气体做稳健的辨识。优选的，随机类神经网络芯片可以集成连续值局限型波兹曼模型(ContinuousRestricted Boltzmann Machine, CRBM),其已实现成模块化的模拟芯片系统,并有数篇相关的文献可以参考，如陈新所提出的Lu, C.C.and Chen,H.,“A Scalable and ProgrammableProbabilistic Generative Model in VLSI，，，submitted to IEEE Trans, on NeuralNetworks,2010.及 Lu,C.C.and Chen, H.,^Current-mode Computation with Noise in aScalable and Programmable Probabilistic Neural VLSI System” 等等。因此本发明提出以连续值局限型波兹曼模型为基础的随机类神经网络芯片，并集成到应用于呼吸器的气体辨识芯片中，使气体辨识芯片能够处理多噪声且变异量大的生医信号。以连续值局限型波兹曼模型对气体信号做前处理，能够使稳健的放大不同类信号的差异，并学习信号分布的主要特征，以得到比原始信号维度低的输出，有效降低后端处理器的运算量。另外，连续值局限型波兹曼模型具备学习能力，能够对不同传感器与气体组成或长间使用后传感器的漂移，来适时调适模型参数以保持稳健的辨识能力。如图6A并结合图6B及图6C所示，为本发明可早期侦测及辨识肺炎种类的呼吸器的一实施例的实际应用示意图。在图6A中，加护病房中的病人使用本发明可早期侦测及辨识肺炎种类的呼吸器6来进行侦测。在图6B中，医师发现病人已感染肺炎，并利用集成在呼吸器中的气体辨识装置62来分析病人呼出的气体，以判断病人所感染的肺炎种类并立即进行治疗，如图中所示，气体辨识装置62可直接设置于吐气端管路内部，亦可连接于病人体外的吐气端管路，以采集病人呼出的气体以进行辨识。本发明是以系统单芯片的方式来实现气体辨识系统，因此亦可以达到低电压、低功耗及具辨识功能的可携式电子装置，如图6C所示。在另一方面，本发明更将气体辨识系统集成到呼吸器中，以帮助医师对感染肺炎的病人做最实 时的诊断，因此本发明确实具有进步性的专利条件。优选的，气体辨识装置62直接连接于病人体外的吐气端管路，并直接采集病人呼出的气体以进行辨识。更进一步的是，本发明气体辨识芯片更执行各种不同的气体检测工作。例如，用于检测海鲜等食品的新鲜度，或检测买到的酒是否为假酒；更可应用于检测衣物及桌椅等用品是否包含有害的化学物质，或是公共空间中是否含有害的气体等；甚至可以应用于寻找天灾后之罹难者的尸体，因此，本发明确实具有产业利用性的专利条件。尽管上述在说明本发明可早期侦测及辨识肺炎种类的呼吸器及其气体辨识芯片的过程中，亦已同时说明本发明可早期侦测及辨识肺炎种类的呼吸器的气体辨识方法的概念，但为求清楚起见，以下仍另附流程图详细说明。如图7所示，为本发明可早期侦测及辨识肺炎种类的呼吸器的气体辨识方法的流程图。在步骤S71中，利用传感器阵列的传感薄膜吸附若干种待测气体，使传感器阵列的各个传感器产生对应于各个待测气体的气味信号。在步骤S72中，通过传感器接口电路读取并分析各个待测气体的气味信号，以产生对应于各个待测气体的气体图案信号。在步骤S73中，透过随机类神经网络芯片放大各个气体图案信号之间的差异，并降低各个气体图案信号的维度，以产生分析结果。在步骤S74中，由内存储存训练数据。
在步骤S75中，经由微控制器接收分析结果，并根据分析结果执行混合气体辨识方法来辨识待测气体的种类，且将不存在于训练数据的未知气体分类，再根据训练数据产生辨识结果。本发明可早期侦测及辨识肺炎种类的呼吸器的气体辨识方法的详细说明以及实施方式已于前面叙述本发明可早期侦测及辨识肺炎种类的呼吸器及其气体辨识芯片时描述过，在此为了简略说明便不再重复叙述。综上所述，本发明使用随机类神经网络芯片做前处理，因此可大幅降低系统的运算量及功耗，并提高气体辨识的正确度。另外，本发明利用具有强健性及适应性的混合气体辨识方法，因此不但能够准确的辨识已知气体，更能够分类未知气体，使本发明的系统能够有自我学习的能力。再者，本发明利用系统单芯片的方式来实现气体辨识系统，大幅地减少气体辨识系统所需要的体积，因此可以集成在呼吸器中，不但能够帮助医师诊断病人所感染的肺炎种类，更可以集成在可携式电子装置中执行各种不同的用途。可见本发明在突破现有技术下，确实已达到所欲增进的功效，且也非熟悉该项技术者所易于思及，其所具有的创造性、实用性，显然已符合专利的申请要件，于是依法提出专利申请，恳请贵局核准本件发明专利申请案，以励创作，至感德便。尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易 见的。因此，本发明的保护范围应由所附的权利要求来限定。
权利要求
1.一种气体辨识芯片，其特征在于，该芯片包含: 一传感器阵列，其包含若干个传感器及一传感薄膜，所述传感薄膜吸附若干种待测气体，使各个所述传感器产生对应于各个所述待测气体的一气味信号； 一传感器接口电路，其读取并分析各个所述待测气体的所述气味信号，以产生对应于各个所述待测气体的一气体图案信号； 一随机类神经网络芯片，其放大各个所述气体图案信号之间的差异，并降低各个所述气体图案信号的维度，以产生一分析结果； 一内存，其储存一气体训练数据； 一微控制器，其接收所述分析结果，并根据所述分析结果执行一混合气体辨识方法来辨识所述待测气体的种类，且将不存在于所述气体训练数据的一未知气体分类，再根据所述气体训练数据产生一辨识结果。
2.如权利要求1所述的气体辨识芯片，其特征在于，所述传感薄膜是以一纳米孔洞碳材所构成，并将具气体吸附能力的高分子成长于所述纳米孔洞碳材的孔洞中。
3.如权利要求1所述的气体辨识芯片，其特征在于，当所述微控制器侦测到所述未知气体时，所述微控制器则将所述未知气体的数据传送至所述随机类神经网络芯片及所述内存，使所述气体辨识芯片能够有自我学习的能力。
4.如权利要求3所述的气体辨识芯片，其特征在于，所述混合气体辨识方法包含K最邻近法、线性回归法及以中位数作为临界值的K最邻近法，其中，以中位数作为临界值的K最邻近法是先求出所述气体训练数据中各笔数据两两之间的距离，再找出这些距离的一中位数，并利用所述中位数来判定所述待测气体是否为所述未知气体。
5.如权利要求1或4所述 的气体辨识芯片，其特征在于，所述传感器阵列是由导电聚合物传感器所构成。
6.如权利要求1或4所述的气体辨识芯片，其特征在于，所述传感器阵列是由表面声波传感器所构成。
7.如权利要求5所述的气体辨识芯片，其特征在于，所述传感器接口电路是利用一单程多晶硅悬浮栅组件来储存电荷，以减少漏电及降低电路功率。
8.如权利要求6所述的气体辨识芯片，其特征在于，所述传感器接口电路包含一可调式震荡电路，其可根据不同表面声波传感器来调整震荡频率，增加使用上的弹性。
9.一种气体辨识方法，其特征在于，该方法包含以下步骤: 利用一传感器阵列的一传感薄膜吸附若干种待测气体，使所述传感器阵列的各个所述传感器产生对应于各个所述待测气体的一气味信号； 通过一传感器接口电路读取并分析各个所述待测气体的所述气味信号，以产生对应于各个所述待测气体的一气体图案信号； 透过一随机类神经网络芯片放大各个所述气体图案信号之间的差异，并降低各个所述气体图案信号的维度，以产生一分析结果； 由一内存储存一气体训练数据；以及， 经由一微控制器接收所述分析结果，并根据所述分析结果执行一混合气体辨识方法来辨识所述待测气体的种类，且将不存在于所述气体训练数据的一未知气体分类，再根据所述气体训练数据产生一辨识结果。
10.如权利要求9所述的气体辨识方法，其特征在于，所述传感薄膜是以一纳米孔洞碳材所构成，并将具气体吸附能力的高分子成长于所述纳米孔洞碳材的孔洞中。
11.如权利要求9所述的气体辨识方法，其特征在于，该方法还包含以下步骤: 利用所述微控制器在侦测到所述未知气体时，传送所述未知气体的数据至所述随机类神经网络芯片及所述内存，使所述气体辨识芯片能够有自我学习的能力。
12.如权利要求11所述的气体辨识方法，其特征在于，所述混合气体辨识方法包含K最邻近法、线性回归法及以中位数作为临界值的K最邻近法，其中，以中位数作为临界值的K最邻近法是先求出所述气体训练数据中各笔数据两两之间的距离，再找出这些距离的一中位数，并利用所述中位数来判定所述待测气体是否为所述未知气体。
13.如权利要求9或12所述的气体辨识方法，其特征在于，所述传感器阵列是由导电聚合物传感器所构成。
14.如权利要求9或12所述的气体辨识方法，其特征在于，所述传感器阵列是由表面声波传感器所构成 。
15.如权利要求13所述的气体辨识方法，其特征在于，所述传感器接口电路是利用一单程多晶硅悬浮栅组 件来储存电荷，以减少漏电及降低电路功率。
16.如权利要求14所述的气体辨识方法，其特征在于，所述传感器接口电路包含一可调式震荡电路，其可根据不同表面声波传感器来调整震荡频率，增加使用上的弹性。
17.一种运用如权利要求1至8任意一项所述的气体辨识芯片的可早期侦测及辨识肺炎种类的呼吸器，其特征在于，所述呼吸器包含一吐气端管路及一气体辨识装置，所述气体辨识装置是利用所述气体辨识芯片来分析病人由所述吐气端管路中呼出的气体以辨识肺炎的种类。
18.如权利要求17所述的可早期侦测及辨识肺炎种类的呼吸器，其特征在于，所述气体辨识装置是直接连接于病人体外的所述吐气端管路，并采集病人呼出的气体以进行辨识。
全文摘要
本发明公开一种可辨识肺炎种类的呼吸器及其辨识芯片及其辨识方法。此呼吸器的气体辨识芯片包含传感器阵列、传感器接口电路、随机类神经网络芯片、内存及微控制器。传感器阵列接收若干种待测气体以产生对应于各个待测气体的气味信号。传感器接口电路分析各个气味信号，以产生对应各待测气体的气体图案信号。随机类神经网络芯片，是放大气体图案信号之间的差异，并降低气体图案信号的维度，以协助产生分析结果。内存储存训练数据。微控制器执行混合气体辨识方法，并根据气体训练数据来辨识肺炎种类。
文档编号G06K9/62GK103245778SQ20121006719
公开日2013年8月14日 申请日期2012年3月5日 优先权日2012年2月1日
发明者郑桂忠, 施崇鸿, 王立群, 陈新, 刘奕汶, 徐爵民, 杨家铭, 饶达仁 申请人:郑桂忠