我的新闻

什么是"电子鼻"？

仿照生物嗅觉系统，科学家们设计出了"电子鼻"（Electronic Nose）——它由多个气体传感器组成的阵列构成，每个传感器对不同气体的反应各有侧重，就像鼻子里不同的嗅觉细胞。

在本研究中，研究团队使用了德国 AIRSENSE 公司的 PEN 3 电子鼻，内含 10 个具有不同响应特性的金属氧化物半导体（MOS）传感器。实验对象包括乙醇、甲醇、异丙醇、正戊烷、正己烷、呋喃、乙酸乙酯、乙醛等 8 种纯 VOC（挥发性有机物），以及多种二元混合物。

 �� VOC 是什么？ VOC（挥发性有机化合物）在常温下极易挥发，广泛存在于化工、食品、医药等行业。部分 VOC 有毒有害，准确检测对工业安全至关重要。 

��️ 核心创新：把气体信号"变成"图像

传统方法只提取传感器的稳态响应值（即反应结束后的数据），会丢失大量过程信息。

该研究的突破在于：将 10 个传感器在整个采样过程（600秒）的动态响应矩阵，转化为一张二维"响应图"——横轴是传感器编号，纵轴是时间，颜色深浅代表响应强度。

就像每个人的指纹独一无二，不同气体的响应图也具有特定的"图像指纹"，即使在不同浓度下，同一气体的响应图也呈现出相似的图案规律。这为深度学习的介入提供了绝佳切入点。

�� 深度学习如何"看图识气"？

研究团队构建并对比了多种模型：

• SVM（支持向量机）+ ECOC 编码

  ：传统机器学习方法，使用单传感器时准确率仅 29%~42%，使用传感器阵列后提升至 81%~87%

• HOG 特征 + SVM

  ：对响应图提取梯度方向直方图特征，准确率约 86%

• 简单 CNN（深度学习模型）

  ：15 层卷积神经网络，直接"读懂"响应图，准确率提升至 92%

• 迁移学习 VGG-19

  ：借助在 ImageNet 上预训练的大型模型，泛化性更强，准确率达 90%

深度学习CNN气体识别流程

更精彩的是，研究还发现了一个"归一化技巧"：将每个时刻所有 10 个传感器的响应同时归一化（而非对单传感器整段时间归一化），可以让响应图中不同传感器之间的差异更突出，就像调高了图像对比度。这一操作使简单 CNN 的准确率进一步跃升至 96%，VGG-19 也达到 94%。

�� 主要实验结果一览

分类准确率对比（10 种 VOC 气体）：

• 单传感器单点：29%
• 单传感器全程：42%
• 传感器阵列单点：81%
• 传感器阵列全程：87%
• 响应图 + HOG + SVM：86%
• 响应图 + 简单 CNN：92%（归一化后 96%）
• 响应图 + 迁移 VGG-19：90%（归一化后 94%）

此外，团队还测试了模型对气体浓度预测的能力。结果显示，基于传感器阵列响应图的 SVM 和深度学习模型，其浓度预测误差（RMSE）均显著低于单传感器方法。

 以乙醇为例，单传感器单点的 RMSE 高达 142.87 ppm ，而深度学习模型使用阵列响应图后降低至 63.79 ppm ，误差缩小了 55%！ 

�� 研究意义与应用前景

这项研究的价值在于：

• 充分利用动态信息

  ：不再只用稳态数据，传感器"反应过程"本身也成为了识别依据

• 图像化+深度学习

  ：将工程信号转化为图像问题，借助成熟的计算机视觉技术大幅提升准确率

• 仅需一个传感器模块

  ：一台电子鼻设备就能实现高精度多气体识别，便携性强、成本低

• 同类化合物可区分

  ：连乙醇 vs. 甲醇、正戊烷 vs. 正己烷这样的"近亲"气体也能准确分辨

未来，这项技术有望应用于化工厂气体泄漏预警、食品质量检测、医疗呼吸诊断、环境空气污染监测等众多场景，让"机器鼻子"真正走进我们的生产生活。

�� 论文信息

标题：Gas recognition method based on the deep learning model of sensor array response map
作者：马登龙、高建民、张早校、赵宏（西安交通大学）
期刊：Sensors & Actuators: B. Chemical 330 (2021) 129349
DOI：https://doi.org/10.1016/j.snb.2020.129349