当前位置：首页 > news >正文

论文导读 - 基于大规模测量与多任务深度学习的电子鼻系统实现目标识别、浓度预测与状态判断

news 来源：原创 2025/6/8 14:24:53

基于大规模测量与多任务深度学习的电子鼻系统实现目标识别、浓度预测与状态判断

原论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0925400521014830

引用此论文（GB/T 7714-2015）：

WANG T, ZHANG H, WU Y, et al. Target discrimination, concentration prediction, and status judgment of electronic nose system based on large-scale measurement and multi-task deep learning[J]. Sensors and Actuators B: Chemical, 2022, 351: 130915. DOI:10.1016/j.snb.2021.130915.

论文作者学术主页：https://www.researchgate.net/profile/Tao-Wang-261

1. 研究背景与意义

电子鼻（Electronic Nose, E-nose）系统作为一种仿生检测技术，模拟生物嗅觉原理，通过多传感器阵列和模式识别算法，实现对复杂气味的识别与分析，广泛应用于生物医学诊断、工业排放监测与食品质量评估等领域。传统电子鼻模式识别依赖人工特征提取与独立模型训练，存在特征信息丢失、训练流程复杂且泛化能力弱等问题。针对以上瓶颈，本文提出结合大规模自动化测量与多任务卷积神经网络（MTL-CNN）的方法，旨在实现电子鼻系统的目标气体识别、浓度预测与状态判断三任务同步完成，简化训练与应用流程，提升系统性能与适应性。

2. 系统设计与实验方法

2.1 电子鼻硬件构建

本研究中，传感器阵列与数据采集电路分离设计（如图1所示）。阵列板采用圆盘结构，搭载八种商用MOS气敏传感器（MQ系列），通过线束连接至采集板。采集板采用八路惠斯通电桥与高精度放大器（AD620），输出至16位ADC（ADS1115），并由32位微控制器（MCU）进行数据采集与433 MHz无线传输。

在这里插入图片描述

图1 电子鼻传感器阵列（a）与数据采集板（b）实物图，及气体测量系统内部结构示意图（c）。

2.2 自动化测量系统开发

为实现大规模、长时程、无人干预的气体测试，本文开发了基于Alwhales Auto Script（AAS）脚本语言的自动化控制系统，结合内外双层密封腔体、温控加热板、微量注射泵、自动门控及环境监测模块，实现全过程编程控制。
在这里插入图片描述

图2 基于AAS脚本的自动化气体测量系统架构示意。

2.3 气体响应实验

选取十二种典型挥发性有机化合物（VOCs）作为测试目标（包括甲醇、乙醇、乙二醇等），通过控制注射量和加热温度设定气体浓度区间（10-100 ppm），分别进行十轮独立响应测试，累计采集逾千万级数据点，涵盖各浓度与状态。

2.4 数据处理与标签构建

所有传感器响应数据经基线跟踪算法（BTA）实时校正。依据固定时间窗对响应曲线分段，分别标注气体类型、浓度值与工作状态（Idle/Response/Recovery），形成多标签训练集。
在这里插入图片描述

图4 乙醇响应实验中传感器阵列数据及其三任务标签示意。

3. 多任务卷积神经网络（MTL-CNN）模型设计

3.1 基础CNN结构

典型CNN包含卷积层、池化层与全连接层，用于特征提取、降维与分类（如图3a所示）。

3.2 双区块共享MTL-CNN架构

本文设计的MTL-CNN模型具有独特的双区块知识共享结构（如图3b所示）：初始卷积池化块共享至三任务，随后分支进行任务特定优化。目标气体识别与浓度预测任务之间设有额外共享区块，以强化相关任务的信息交互，提升模型性能与稳定性。
在这里插入图片描述

图3 （a）典型CNN结构图；（b）本研究中MTL-CNN双区块共享结构示意。

4. 训练过程与参数优化

4.1 批次大小（Batch Size）影响分析

通过调整Batch Size（10-5000）进行训练优化，发现当Batch Size为700时，三任务收敛速度最快、交叉验证准确率最高。
在这里插入图片描述

图5 不同Batch Size下三任务准确率与标准误对比。

4.2 输入数据长度（Data Length）优化

研究不同输入长度对模型表现的影响，确定以4秒（8数据点）为最佳输入单元，兼顾响应过程有效性与实时性。
在这里插入图片描述

图6 不同数据长度下三任务准确率与标准误对比。

4.3 样本规模（Sample Volume）对性能的影响

通过控制训练样本比例（0.001-0.9），验证大样本量（>0.5）显著提升泛化能力与输出稳定性。
在这里插入图片描述

图7 训练与交叉验证准确率随样本量变化趋势。

在这里插入图片描述

图8 样本量对三任务准确率与标准差的影响统计。

5. 最终模型性能评估与对比分析

5.1 MTL-CNN综合性能

最终模型在5折交叉验证中取得气体类型识别95.2%、浓度预测92.1%、状态判断97.3%的平均准确率。

图9 （a）模型训练损失下降曲线；（b）迭代次数与交叉验证准确率关系；（c）气体分类混淆矩阵；（d）浓度预测混淆矩阵。

5.2 与传统算法对比

将MTL-CNN与8种主流模式识别算法（如SVM、KNN、RF等）进行性能与训练时间对比，结果表明，MTL-CNN在准确率、实时性与多任务集成方面均优于传统方法。
在这里插入图片描述

图10 传统模式识别流程（a）与MTL-CNN流程（b）对比。

在这里插入图片描述

图11 （a）不同算法在三任务上的性能对比；（b）不同算法训练与验证所耗时间对比。

6. 结论

本文提出基于大规模自动化测量与多任务卷积神经网络（MTL-CNN）融合的电子鼻系统模式识别新策略，首次实现了仅用4秒原始数据同时完成气体类型识别、浓度预测与工作状态判断，且准确率稳定在95%左右，验证了大数据驱动与深度学习结合在气体传感领域的巨大潜力。该研究为智能电子鼻系统的快速响应、多功能集成与实际应用奠定了坚实基础。

基于大规模测量与多任务深度学习的电子鼻系统实现目标识别、浓度预测与状态判断

1. 研究背景与意义

2. 系统设计与实验方法

2.1 电子鼻硬件构建

2.2 自动化测量系统开发

2.3 气体响应实验

2.4 数据处理与标签构建

3. 多任务卷积神经网络（MTL-CNN）模型设计

3.1 基础CNN结构

3.2 双区块共享MTL-CNN架构

4. 训练过程与参数优化

4.1 批次大小（Batch Size）影响分析

4.2 输入数据长度（Data Length）优化

4.3 样本规模（Sample Volume）对性能的影响

5. 最终模型性能评估与对比分析

5.1 MTL-CNN综合性能

5.2 与传统算法对比

6. 结论

相关文章：