电子鼻是一种利用气敏传感器阵列识别气味的设备，呼气分析是电子鼻的重要应用之一。通过检测呼出气体中与特定疾病相关的标志物，电子鼻可以辅助完成疾病筛查和监控，该方法具有无创、易操作等优点。本书侧重研究电子鼻系统的信号分析算法，在搭建电子鼻系统的基础上，针对电子鼻数据的特点研究信号分析过程中的关键算法，旨在提高电子鼻的准确性和实用性。本书内容包括三个方面：基于电子鼻的呼气分析系统设计，针对相关特征的迭代特征删除算法，针对设备差异和时变漂移的补偿算法。本书可以作为电子鼻、生物医学工程和机器学习领域研究者的参考书籍。

第1章 引言
1.1 研究背景
1.2 电子鼻工作原理简介
1.3 研究方向与意义
1.4 研究内容
1.4.1 基于电子鼻的呼气分析系统设计
1.4.2 针对相关特征的迭代特征删除
1.4.3 设备差异和时变漂移补偿
1.5 结构安排
第2章 基于电子鼻的呼气分析系统
2.1 相关工作
2.1.1 疾病与呼气标志物
2.1.2 基于电子鼻的呼气分析
2.2 系统设计与优化
2.2.1 气敏传感器阵列
2.2.2 电子鼻结构设计
2.2.3 采样流程
2.2.4 信号分析与特征增强
2.3 糖尿病呼气数据集
2.4 实验结果和讨论
2.4.1 丙酮浓度预测实验
2.4.2 糖尿病筛查
2.4.3 血糖预测
2.4.4 分析：个体训练样本数与血糖预测误差的关系
2.5 本章小结
第3章 针对相关特征的迭代特征删除
3.1 相关工作
3.1.1 特征选择概述
3.1.2 SVM-RFE
3.2 改进SVM-RFE：相关偏差缩减
3.2.1 相关偏差
3.2.2 相关偏差缩减
3.2.3 特征选择的稳定性和集成策略
3.3 候选特征集
3.4 实验结果和讨论
3.4.1 人工合成数据集
3.4.2 糖尿病呼气数据集
3.4.3 分析：稳定性和集成策略
3.4.4 分析：特征选择结果
3.5 本章小结
第4章 基于加权正则化和多任务学习的漂移补偿
4.1 相关工作
4.1.1 设备差异补偿
4.1.2 时变漂移补偿
4.1.3 标定样本选择
4.2 算法总结与面临的挑战
4.3 漂移数据集
4.4 基于加权正则化的漂移补偿
4.5 基于多任务学习的漂移补偿
4.5.1 双任务学习
4.5.2 多任务学习
4.5.3 动态模型策略
4.6 实验结果和讨论
4.6.1 阵列漂移数据集
4.6.2 Corn数据集
4.6.3 呼气分析数据集
4.7 本章小结
第5章 漂移补偿自编码器
5.1 相关工作
5.1.1 自编码器
5.1.2 基于自编码器的迁移学习
5.2 背景特征
5.3 漂移补偿自编码器
5.3.1 网络结构与目标函数
5.3.2 处理复杂时变漂移
5.3.3 训练流程
5.4 实验结果和讨论
5.4.1 阵列漂移数据集
5.4.2 Corn数据集
5.4.3 呼气分析数据集
5.4.4 分析：欠迁移与过迁移
5.4.5 分析：训练流程
5.5 本章小结
第6章 最大独立领域适配算法
6.1 相关工作
6.1.1 无监督领域适配算法
6.1.2 Hilbert—Schmidt独立性准则
6.2 最大独立领域适配算法
6.2.1 无监督情况
6.2.2 半监督情况
6.2.3 与其他算法的联系
6.3 特征增强
6.4 实验结果和讨论
6.4.1 人工合成数据集
6.4.2 阵列漂移数据集
6.4.3 Corn数据集
6.4.4 呼气分析数据集
6.5 本章小结
第7章 总结和展望
7.1 总结
7.2 创新点
7.3 展望
参考文献
索引
在学期间发表的学术论文
致谢