Машинное обоняние

Моделирование обоняния

Машинное обоняние — это автоматизированное моделирование обоняния . Новое применение в современной инженерии, оно включает использование роботов или других автоматизированных систем для анализа химических веществ в воздухе. Такой аппарат часто называют электронным носом или e-носом. Разработка машинного обоняния осложняется тем фактом, что устройства e-носа на сегодняшний день реагируют на ограниченное количество химических веществ, тогда как запахи производятся уникальными наборами (потенциально многочисленными) пахучих соединений. Технология, хотя и находится на ранних стадиях разработки, обещает множество применений, таких как: ^[1] контроль качества в пищевой промышленности , обнаружение и диагностика в медицине, ^[2] обнаружение наркотиков , взрывчатых веществ и других опасных или незаконных веществ , ^[3] ликвидация последствий стихийных бедствий и мониторинг окружающей среды .

Один из типов предлагаемой технологии машинного обоняния — это приборы с массивом газовых датчиков , способные обнаруживать, идентифицировать и измерять летучие соединения. Однако критическим элементом в разработке этих приборов является анализ образов , и успешная разработка системы анализа образов для машинного обоняния требует тщательного рассмотрения различных вопросов, связанных с обработкой многомерных данных: предварительная обработка сигнала, извлечение признаков , выбор признаков , классификация , регрессия, кластеризация и проверка. ^[4] Еще одной проблемой в текущих исследованиях машинного обоняния является необходимость прогнозирования или оценки реакции датчика на смеси ароматов. ^[5] Некоторые проблемы распознавания образов в машинном обонянии, такие как классификация запахов и локализация запахов, могут быть решены с помощью методов ядра временных рядов. ^[6]

Обнаружение

Существует три основных метода обнаружения с использованием датчиков запаха на основе проводящего полимера (полипиррола), датчиков газа на основе оксида олова и датчиков микровесов на основе кварцевого кристалла. ^{[ необходима ссылка ]} Они обычно включают в себя (1) массив датчиков определенного типа, (2) электронику для опроса этих датчиков и создания цифровых сигналов и (3) программное обеспечение для обработки данных и пользовательского интерфейса.

Вся система представляет собой средство преобразования сложных сенсорных реакций в качественный профиль летучих веществ (или сложной смеси химических летучих веществ), составляющих запах, в форме выходного сигнала.

Обычные электронные носы не являются аналитическими инструментами в классическом смысле, и очень немногие утверждают, что могут количественно определить запах. Эти инструменты сначала «обучаются» целевому запаху, а затем используются для «распознавания» запахов, чтобы будущие образцы можно было идентифицировать как «хорошие» или «плохие».

Исследование альтернативных методов распознавания образов для массивов химических датчиков предложило решения для различения искусственного и биологического обоняния, связанного с размерностью. Этот биологически вдохновленный подход включает создание уникальных алгоритмов для обработки информации. ^[7]

Электронные носы способны различать запахи и летучие вещества из широкого спектра источников. В списке ниже приведены лишь некоторые типичные приложения для технологии электронного носа — многие из них подкреплены научными исследованиями и опубликованными техническими статьями.

Локализация запаха

Локализация запаха представляет собой комбинацию количественного химического анализа запаха и алгоритмов поиска пути, а условия окружающей среды играют важную роль в качестве локализации. Различные методы исследуются для различных целей и в различных реальных условиях.

Мотивация

Локализация запаха — это метод и процесс обнаружения летучего химического источника в среде, содержащей один или несколько запахов. Это жизненно важно для всех живых существ как для нахождения пропитания, так и для избежания опасности. В отличие от других основных человеческих чувств , обоняние полностью основано на химии. Однако, по сравнению с другими измерениями восприятия, обнаружение запаха сталкивается с дополнительными проблемами из-за сложных динамических уравнений запаха и непредсказуемых внешних возмущений, таких как ветер.

Приложение

Технология локализации запаха показывает многообещающие результаты во многих областях применения, включая: ^{[8] [1]}

• контроль качества в процессе переработки пищевых продуктов (например, наличие примесей, бактериальная порча )
• обнаружение источника опасных веществ (например, взрывчатых веществ и боевых отравляющих веществ )
• обнаружение подземных ресурсов или опасностей
• обнаружение запрещенных материалов (например: обнаружение наркотиков )
• поиск выживших после стихийных бедствий
• мониторинг окружающей среды на предмет загрязняющих веществ
• ранняя диагностика заболеваний (например, хронической обструктивной болезни легких ) ^[2]

История и постановка проблемы

Самым ранним инструментом для обнаружения специфического запаха был механический нос, разработанный в 1961 году Робертом Уайтоном Монкриффом. Первый электронный нос был создан У. Ф. Уилкенсом и Дж. Д. Хартманом в 1964 году. ^[9] Ларком и Хэлсолл обсуждали использование роботов для обнаружения запахов в ядерной промышленности в начале 1980-х годов, ^[10] а исследования по локализации запахов были начаты в начале 1990-х годов. Локализация запахов в настоящее время является быстрорастущей областью. Были разработаны различные датчики и предложены различные алгоритмы для различных сред и условий.

Механическая локализация запаха может быть выполнена с помощью следующих трех шагов: (1) поиск наличия летучего химического вещества, (2) поиск местоположения источника с помощью массива датчиков запаха и определенных алгоритмов, и (3) идентификация отслеживаемого источника запаха (распознавание запаха).

Методы локализации

Методы локализации запаха часто классифицируются в соответствии с режимами распространения запаха в диапазоне условий окружающей среды. Эти режимы обычно можно разделить на две категории: поток жидкости с преобладанием диффузии и поток жидкости с преобладанием турбулентности. Они имеют различные алгоритмы локализации запаха, обсуждаемые ниже.

Диффузионно-доминирующий поток жидкости

Методы отслеживания и локализации для потока жидкости с преобладанием диффузии, который в основном используется при подземной локализации запаха, должны быть разработаны таким образом, чтобы обонятельная машина могла работать в средах, в которых движение жидкости определяется вязкостью. Это означает, что диффузия приводит к рассеиванию потока запаха, а концентрация запаха уменьшается от источника как распределение Гаусса . ^[11]

Диффузия химических паров через почву без внешнего градиента давления часто моделируется вторым законом Фика :

${\displaystyle {\frac {\partial C}{\partial t}}=D{\frac {\partial ^{2}C}{\partial d^{2}}}}$

где D — константа диффузии, d — расстояние в направлении диффузии, C — химическая концентрация, t — время.

Предполагая, что поток химического запаха распространяется только в одном направлении с равномерным профилем поперечного сечения, соотношение концентрации запаха на определенном расстоянии и в определенный момент времени между концентрациями источников запаха моделируется как

${\displaystyle {\frac {C}{C_{s}}}=\operatorname {erfc} {\frac {d}{\sqrt {4Dt}}}}$

где — концентрация источника запаха. Это простейшее динамическое уравнение в моделировании обнаружения запаха, игнорирующее внешний ветер или другие помехи. В рамках модели распространения с доминированием диффузии были разработаны различные алгоритмы, просто отслеживающие градиенты концентрации химических веществ для определения источника запаха. ${\displaystyle C_{s}}$

кишечная палочкаалгоритм

Простым методом отслеживания является алгоритм E. coli . ^[12] В этом процессе датчик запаха просто сравнивает информацию о концентрации из разных мест. Робот движется по повторяющимся прямым линиям в случайных направлениях. Когда текущая информация о запахе улучшается по сравнению с предыдущим показанием, робот продолжит движение по текущему пути. Однако, когда текущее состояние хуже предыдущего, робот вернется назад, а затем двинется в другом случайном направлении. Этот метод прост и эффективен, однако длина пути сильно варьируется, а ошибки увеличиваются с приближением к источнику. ^{[ необходимо дополнительное объяснение ]}

Алгоритм шестигранного пути и алгоритм додекаэдра

Другой метод, основанный на модели диффузии, — это алгоритм шестигранного пути, разработанный Р. Эндрю Расселом ^[12] для подземной локализации химического запаха с помощью закопанного зонда, управляемого роботом-манипулятором. ^{[12] [13]} Зонд движется на определенной глубине вдоль краев плотно упакованной шестиугольной сетки. В каждом соединении состояний n есть два пути (левый и правый) для выбора, и робот выберет путь, который ведет к более высокой концентрации запаха на основе информации о концентрации запаха в предыдущих двух состояниях соединений n −1 , n −2 . В трехмерной версии алгоритма шестигранного пути , алгоритме додекаэдра, зонд движется по пути, который соответствует плотно упакованным додекаэдрам , так что в каждой точке состояния есть три возможных выбора пути.

Поток жидкости с преобладанием турбулентности

Рисунок 1. Моделирование шлейфа

В потоке жидкости с преобладанием турбулентности методы локализации разработаны для работы с фоновым потоком жидкости (ветер или вода) как прерыванием турбулентности. Большинство алгоритмов в этой категории основаны на моделировании струи (рисунок 1). ^[14]

Динамика плюма основана на гауссовых моделях, которые основаны на уравнениях Навье-Стокса . Упрощенное граничное условие гауссовой модели:

${\displaystyle {\frac {\partial C}{\partial t}}=D_{x}{\frac {\partial ^{2}C}{\partial x^{2}}}+D_{y}{\frac {\partial ^{2}C}{\partial y^{2}}}+\alpha {\frac {\partial C}{\partial x}}+\beta {\frac {\partial C}{\partial x}}}$

где D _x и D _y — константы диффузии; — линейная скорость ветра в направлении x , — линейная скорость ветра в направлении y . Кроме того, предполагая, что окружающая среда однородна, а источник шлейфа постоянен, уравнение для обнаружения запаха в каждом датчике робота в каждой точке времени обнаружения t − th имеет вид ${\displaystyle \alpha }$ ${\displaystyle \beta }$

${\displaystyle R_{i}=\gamma _{i}\sum _{k=1}^{K}{\frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha }}}+\omega _{i}}$

где — t − й образец i − го датчика, — коэффициент усиления, — k − й источник интенсивности, — местоположение k − го источника, — параметр затухания шлейфа, — фоновый шум, удовлетворяющий . При моделировании шлейфа для локализации источника запаха могут использоваться различные алгоритмы. ${\displaystyle R_{i}}$ ${\displaystyle \gamma _{i}}$ ${\displaystyle C_{k}}$ ${\displaystyle \rho _{k}}$ ${\displaystyle \alpha }$ ${\displaystyle \omega _{i}}$ ${\displaystyle N(\mu ,\sigma ^{2})}$

Рисунок 2. Метод триангуляции

Алгоритм триангуляции

Простым алгоритмом, который можно использовать для оценки местоположения, является метод триангуляции (рисунок 2). Рассмотрим уравнение обнаружения запаха выше, положение источника запаха можно оценить, организовав расстояния датчиков на одной стороне уравнения и игнорируя шум. Положение источника можно оценить с помощью следующих уравнений:

${\displaystyle (x_{1}-x_{s})^{2}+(y_{1}-y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\displaystyle (x_{2}-x_{s})^{2}+(y_{2}-y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\displaystyle (x_{3}-x_{s})^{2}+(y_{3}-y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

Метод наименьших квадратов (МНК)

Метод наименьших квадратов (МНК) — это немного сложный алгоритм для локализации запаха. Версия МНК модели отслеживания запаха имеет вид:

${\displaystyle R_{i},_{t}=\gamma _{i}{\frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^{2}}}+\omega _{i}}$

где — евклидово расстояние между узлом датчика и источником шлейфа, определяемое по формуле: ${\displaystyle d_{i}}$

${\displaystyle d_{i}={\sqrt {(x_{i}-x-s)^{2}+(y_{i}+y_{s})^{2}}}}$

Главное отличие алгоритма LSM от метода прямой триангуляции — шум. В LSM шум учитывается, а местоположение источника запаха оценивается путем минимизации квадратичной ошибки. Нелинейная задача наименьших квадратов задается как:

${\displaystyle J=\sum _{i=1}^{N}({{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^{2}}}}-{\overline {z_{l}}})}}$

где — предполагаемое местоположение источника, а — среднее значение нескольких измерений на датчиках, определяемое по формуле: ${\displaystyle ({\widehat {x_{s}}},{\widehat {y_{s}}})}$ ${\displaystyle {\overline {z_{l}}}}$

${\displaystyle {\overline {z_{l}}}={\frac {1}{M}}\sum _{i=1}^{M}{z_{i}}}$

Оценка максимального правдоподобия (MLE)

Другой метод, основанный на моделировании шлейфа, — это оценка максимального правдоподобия (MLE). В этом методе локализации запаха несколько матриц определяются следующим образом:

${\displaystyle Z=[{\frac {R_{1}-\mu _{1}}{\sigma _{1}}},{\frac {R_{2}-\mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\displaystyle G=diag[{\frac {\gamma _{1}}{\sigma _{1}}},{\frac {\gamma _{2}}{\sigma _{2}}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\displaystyle D=[{\frac {1}{d_{1}^{2}}},{\frac {1}{d_{2}^{2}}},...{\frac {1}{d_{N}^{2}}}]}$

${\displaystyle \zeta =[\zeta _{1},\zeta _{2},...\zeta _{N}]}$

${\displaystyle \zeta _{i}=(\omega _{i}-\mu _{i})/\sigma _{i}\sim N(0,1)}$

${\displaystyle {\frac {R_{i}-\mu _{i}}{\sigma _{i}}}\sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

С помощью этих матриц модель обнаружения запаха на основе шлейфа можно выразить следующим уравнением:

${\displaystyle Z=GDC+\zeta }$

Затем MLE можно применить к моделированию и сформировать функцию плотности вероятности.

${\displaystyle f(Z,\theta )=2\pi ^{-(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

где — предполагаемое положение источника запаха, а логарифмическая функция правдоподобия — ${\displaystyle \theta }$

${\displaystyle L(\theta )\sim {\frac {1}{2}}\sum _{i=1}^{N}{\|Z_{i}-\gamma _{i}{\frac {c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

Максимальную оценку параметра правдоподобия можно рассчитать путем минимизации ${\displaystyle \theta }$

${\displaystyle I(\theta )=\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

и точное местоположение источника запаха можно оценить, решив:

${\displaystyle {\frac {\partial {I(\theta )}}{\partial (x)}}=0,{\frac {\partial {I(\theta )}}{\partial (y)}}=0}$

Инфотакси

В 2007 году была предложена стратегия, называемая инфотаксис, в которой ментальная модель создается с использованием ранее собранной информации о том, где, скорее всего, находится источник запаха. Робот движется в направлении, которое максимизирует информацию. ^[15] Инфотаксис разработан для отслеживания в турбулентных средах. Он был реализован как частично наблюдаемый процесс принятия решений Маркова ^[16] со стационарной целью в двумерной сетке. ^[17]

Смотрите также

• Массив химических датчиков  – Расположение химических датчиков
• Хеморезистор  – материал с изменяющимся электрическим сопротивлением в зависимости от окружающей среды.
• Цифровая технология обоняния  – изучение обоняния вещей с помощью компьютера
• Детектор взрывчатых веществ Fido
• Молекулярная коммуникация  – использование присутствия или отсутствия молекул для цифрового кодирования сообщений.
• Ольфактометр  – прибор, используемый для обнаружения и измерения разбавления запаха.

Ссылки

1. "Специальный выпуск по машинному обонянию". Журнал датчиков IEEE . 11 (12): 3486. 2011. Bibcode : 2011ISenJ..11.3486.. doi : 10.1109/JSEN.2011.2167171.
2. Geffen, Wouter H. van; Bruins, Marcel; Kerstjens, Huib AM (2016-01-01). «Диагностика вирусных и бактериальных респираторных инфекций при острых обострениях ХОБЛ с помощью электронного носа: пилотное исследование». Journal of Breath Research . 10 (3): 036001. Bibcode : 2016JBR....10c6001V. doi : 10.1088/1752-7155/10/3/036001 . ISSN  1752-7163. PMID  27310311.
3. Стассен, И.; Букен, Б.; Рейнш, Х.; Оуденховен, JFM; Воутерс, Д.; Хаек, Дж.; Ван Спейбрук, В.; Сток, Н.; Верикекен, премьер-министр; Ван Шайк, Р.; Де Вос, Д.; Амелут, Р. (2016). «К химическим полевым сенсорам на основе металлоорганического каркаса: UiO-66-NH2 для обнаружения нервно-паралитических веществ». хим. Наука . 7 (9): 5827–5832. дои : 10.1039/C6SC00987E. hdl : 1854/LU-8157872. ПМК 6024240 . ПМИД  30034722. 
4. Гутьеррес-Осуна, Р. (2002). «Анализ паттернов для машинного обоняния: обзор». Журнал датчиков IEEE . 2 (3): 189–202. Bibcode : 2002ISenJ...2..189G. doi : 10.1109/jsen.2002.800688.
5. Phaisangittisagul, Ekachai; Nagle, H. Troy (2011). «Прогнозирование реакций смеси запахов на датчиках обоняния машины». Датчики и приводы B: Химические . 155 (2): 473–482. Bibcode : 2011SeAcB.155..473P. doi : 10.1016/j.snb.2010.12.049.
6. Vembu, Shankar; Vergara, Alexander; Muezzinoglu, Mehmet K.; Huerta, Ramón (2012). «О характеристиках временных рядов и ядрах для машинного обоняния». Датчики и приводы B: Химические . 174 : 535–546. Bibcode : 2012SeAcB.174..535V. doi : 10.1016/j.snb.2012.06.070.
7. Раман, Баранидхаран (декабрь 2005 г.). Сенсорное машинное обоняние с нейроморфными моделями обонятельной системы (PhD). Техасский университет A&M. hdl :1969.1/4984.
8. Мошаеди, Ата Джахангир. «Обзор: Роботы, локализующие запах, аспекты и препятствия». www.academia.edu . Получено 12 ноября 2015 г.
9. Гарднер, Джулиан В.; Бартлетт, Филип Н. (1994-03-01). «Краткая история электронных носов». Датчики и приводы B: Химия . 18 (1–3): 210–211. Bibcode : 1994SeAcB..18..210G. doi : 10.1016/0925-4005(94)87085-3.(требуется подписка)
10. Ларкомб, М. Х. Э. (1984). Робототехника в ядерной технике: телеуправление с помощью компьютера в опасных средах с особым упором на поля радиации.
11. Ковадло, Гидеон; Рассел, Р. Эндрю (2008-08-01). «Локализация запаха робота: таксономия и обзор». Международный журнал исследований робототехники . 27 (8): 869–894. doi :10.1177/0278364908095118. ISSN  0278-3649. S2CID  348058.
12. Рассел, Р. Эндрю (2004-01-01). «Роботизированное определение местоположения подземных химических источников». Robotica . 22 (1): 109–115. doi :10.1017/S026357470300540X. ISSN  1469-8668. S2CID  40463021.
13. «Расположение химического источника и проект RoboMole» (PDF) .
14. «Обследование: локализация источника запаха» (PDF) .
15. Маккензи, Дана (6 марта 2023 г.). «Как животные следуют своему носу». Knowable Magazine . Annual Reviews. doi : 10.1146/knowable-030623-4 . Получено 13 марта 2023 г.
16. Редди, Гаутам; Мурти, Венкатеш Н.; Вергассола, Массимо (10 марта 2022 г.). «Обонятельное восприятие и навигация в турбулентных средах». Annual Review of Condensed Matter Physics . 13 (1): 191–213. Bibcode : 2022ARCMP..13..191R. doi : 10.1146/annurev-conmatphys-031720-032754. ISSN  1947-5454.
17. Луази, Аврора; Элой, Кристоф (июнь 2022 г.). «Поиск источника без градиентов: насколько хорош инфотаксис и как его победить». Труды Королевского общества A: Математические, физические и инженерные науки . 478 (2262): 20220118. arXiv : 2112.10861 . Bibcode : 2022RSPSA.47820118L. doi : 10.1098/rspa.2022.0118. ISSN  1364-5021.

Внешние ссылки

• Технологии электронного носа от Scensive Technologies Ltd, Великобритания
• TC Pearce, SS Schiffman, HT Nagle, JW Gardner (редакторы), Справочник по машинному обонянию: технология электронного носа, Wiley-VCH, Weinheim, 2002. В формате PDF по адресу: [1]
• Архив Сети искусственного обоняния (НОС)
• Лундстрем, Ингемар (2000). «Представь запах». Природа . 406 (6797). Спрингер: 682–683. Бибкод : 2000Natur.406..682L. дои : 10.1038/35021156. PMID  10963577. S2CID  16957778.