一种基于气体传感器与深度学习的气味识别方法技术

本发明专利技术公开了一种基于气体传感器与深度学习的气味识别方法，通过气体传感器阵列获取待测气味的响应曲线簇，并将该原始数据直接作为气味识别深度神经网络的输入样本，对其进行数据预处理与数据扩增，利用深度学习自动提取时间序列响应数据层次化特征，同时进行全局特征提取和长程动态特征提取，并通过分类器输出气味标签，实现高灵敏、特异性气味识别。本发明专利技术方法具有高灵敏度、高可靠性，可广泛应用于工业生产、医疗、环境和安全等领域。

【技术实现步骤摘要】
一种基于气体传感器与深度学习的气味识别方法
本专利技术属于人工嗅觉
，更具体地，涉及一种基于气体传感器与深度学习的气味识别方法。
技术介绍
基于气体传感器构建的电子鼻是一种典型的便携式人工嗅觉系统，通过传感器阵列与气氛的反应产生信号，结合模式识别技术能够识别简单和复杂的气味，与常见实验室气体成分分析方法(如电化学法、光学法、色谱分离法等)相比，具有使用便捷、价格低廉和易于普及的特点，适于各类气体/气味的现场快速检测和分布式在线监测，已在食品工业、农业生产、环境监测等领域取得实际应用。例如，利用电子鼻检测食物变质过程中产生的气氛来鉴定食物的新鲜程度，识别酿酒过程中产生的气味不同控制酿造过程，根据烟叶气味的不同鉴定烟叶等级，检测人体呼出气体中疾病标志物来预测有关疾病等，进一步提高现场环境适应性和识别准确率是人工嗅觉技术发展趋势。随着各类“生物启发式”传感器和人工智能算法技术的显著突破，人工视觉、听觉和触觉系统的性能已达到甚至超越了人类。与人类嗅觉系统中成千上万个气味感受器相比，由于气体传感器体积和功耗的限制，当前电子鼻人工嗅觉系统气体传感器数量十分有限，而且模式识别技术主要依赖对气体传感器数据特征的人工提取，仅提取灵敏度、响应时间等片面特征作为神经网络的输入数据，缺乏专门针对气味传感器阵列原始信号的有效特征提取手段，无法为深度学习算法提供系统、全面的大数据以挖掘高层次、抽象的气味特征。因此，与基于光学、声学等物理量传感的图像、语音智能识别相比，基于气体传感器与深度学习的人工嗅觉系统发展严重滞后。中国专利技术专利《一种便携式智能电子鼻系统及气味识别方法》(公布号：CN106841308A，公布日：2017年6月13日)采用差分法从响应曲线中提取特征，再采用主元成分分析(PCA)等降维算法对提取出来的特征进行降维。一方面，这种方法在对原始数据进行预处理、特征提取和降维过程中，信息压缩率很高，往往会丢失很多可区分性特征，限制了后续的分类器性能；同时，这种方法虽然可将复杂的母问题分解为简单、可控且结构清晰的若干子问题，但只能在各个子问题上寻求最优解，而无法得到母问题的全局最优解，从而导致其泛化性能和解决复杂问题的能力有限。2019年第1期《Sensors》发表的论文“DevelopmentofaLeNet-5GasIdentificationCNNStructureforElectronicNoses”和2019年第7期《IEEEAccess》发表的论文“AFastandRobustGasRecognitionAlgorithmBasedonHybridConvolutionalandRecurrentNeuralNetwork”中都采用二维卷积神经网络对原始信号进行特征提取。这种处理方式有两个弊端：第一，气体传感器阵列的响应曲线是多维时间序列信号，与二维图像不同，来自不同传感器单元的一维时间序列信号之间并没有空间相关性，不适合采用二维卷积进行特征提取；第二，二维卷积相较一维卷积具有更高的时间复杂度和空间复杂度，会带来计算和存储成本的增加。2020年第2期《NatureMachineIntelligence》发表的论文“RapidOnlineLearningandRobustRecallinaNeuromorphicOlfactoryCircuit”中报道一种用神经形态芯片来模拟生物嗅觉行为的方法。该方法基于网络公开的气体传感器数据库，从多个金属氧化物气体传感器的响应时序信号原始数据中截选出30-180s的响应数据(间隔时间为5s)，经过简单的数据量化处理降低信号复杂度，通过英特尔公司开发的Loihi神经形态芯片模拟生物嗅觉器官嗅小球处理量化后的信号并输出气味识别结果。该方法对传感器阵列响应信号的原始数据采集和量化进行了简化处理，以满足Loihi芯片的处理和计算能力，因此对于复杂气氛与差异较小的气氛的识别上准确度较低。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于气体传感器与深度学习的气味识别方法，其目的在于处理时间序列信号多通道间的空间无关性问题，以及解决现有基于二维卷积核的人工嗅觉系统气味识别网络无法建模单通道时间序列信号的长程联系问题，此外，还解决传感器基线漂移和环境因素变化对识别准确率的影响问题。为实现上述目的，采用气体传感器阵列、信号采集模块构建人工嗅觉系统硬件基础，并将该原始数据直接作为气味识别深度神经网络的输入样本。基于气体传感器与深度学习的气味识别方法的步骤具体包括：(1)通过气体传感器阵列获取待测气味的响应曲线簇；(2)对所述响应曲线簇进行数据预处理和数据扩增得到传感信号；(3)对所述传感信号进行骨干网络多维时间序列信号特征提取，同时进行全局特征提取和长程动态特征提取；(4)进行多模态特征融合和分类，完成待测气味的识别。优选地，在数据预处理和数据扩增中，为了有效提取多维时间序列信号特征方面，本专利技术采用一维残差网络并结合通道和时间注意力机制，使骨干网络自动提取适用于气味分类任务的特征。在复杂测量条件下获得鲁棒的气味识别性能方面，本专利技术主要数据预处理和扩增方法具体为：(21)基于滑动窗口的数据裁剪。原始数据集包含N个原始数据样本和对应的标签，其中每个原始样本包含K个气体传感器单元；每个原始样本Ti中包含多个窗口切片，窗口切片定义为其中i为窗口切片起始时刻的时间标签，j为结束时刻的时间标签。采用长度为s的窗口在长度为n的原始样本上滑动，得到m+1个时序切片：Slicing(T,s)＝{S1：s,S1+p：s+p,…,S1+p*m：s+p*m}，其中所有窗口切片的标签均与原始样本相同，p为窗口滑动步长，0≤(n-s-p*m)＜p；原始数据集的样本数量扩增至N×(m+1)；(22)数据归一化。对数据扩增后的原始数据集进行归一化，(23)像素级倒数变换。对归一化后的原始数据集中的部分通道进行倒数变换：其中k为需要进行倒数变换的传感器单元编号；(24)通道级随机尺度变换。将前述处理后的原始数据集划分为训练集和测试集，对训练集中的每个样本进行随机尺度变换，将训练集在样本数量上扩增M倍，M为随机尺度变换的次数；(25)像素级幂函数变换。对训练集和测试集中每个样本进行像素级幂函数变换：将每个样本的通道数从K扩增为K×(q+1)，其中K为气体传感器阵列气敏单元个数，q为幂函数的个数。优选地，所采用的多维时间序列信号特征提取骨干网络为多阶段一维残差块，每个一维残差块包含多个残差瓶颈结构，每个瓶颈结构采用3个串联的一维卷积层对多维时间序列信号进行特征提取，其卷积核依次为1×1、3×1、1×1，每个一维卷积层后跟随批量归一化层和ReLU激活层。优选地，在每个残差瓶颈结构的顶部加入了通道和时间注意力模块；通道注意力模块和时间注意力模块采用串联或并联方式进行排列，当采用并联方式排列时，改善后的特征图采用像素级加法运算进行融合；通道注意力模块的输入为前一层的特征图F，输出为其中本文档来自技高网...

【技术保护点】
1.一种基于气体传感器与深度学习的气味识别方法，其特征在于，包括以下步骤：/n(1)通过气体传感器阵列获取待测气味的响应曲线簇；/n(2)对所述响应曲线簇进行数据预处理和数据扩增得到传感信号；/n(3)对所述传感信号进行骨干网络多维时间序列信号特征提取，同时进行全局特征提取和长程动态特征提取；/n(4)进行多模态特征融合和分类输出气味标签，完成待测气味的识别。/n

【技术特征摘要】
1.一种基于气体传感器与深度学习的气味识别方法，其特征在于，包括以下步骤：
(1)通过气体传感器阵列获取待测气味的响应曲线簇；
(2)对所述响应曲线簇进行数据预处理和数据扩增得到传感信号；
(3)对所述传感信号进行骨干网络多维时间序列信号特征提取，同时进行全局特征提取和长程动态特征提取；
(4)进行多模态特征融合和分类输出气味标签，完成待测气味的识别。


2.如权利要求1所述的一种基于气体传感器与深度学习的气味识别方法，其特征在于，采用气体传感器阵列、信号采集模块构建人工嗅觉系统硬件基础，通过气体传感器阵列获得对不同气味的响应曲线簇，并将该原始数据直接作为气味识别深度神经网络的输入样本，不进行数据降维或人工提取特征。


3.如权利要求1所述的一种基于气体传感器与深度学习的气味识别方法，其特征在于，所述数据预处理和数据扩增具体包括：
(21)原始数据集包含N个原始数据样本和对应的标签，其中每个原始样本包含K个气体传感器单元；每个原始样本Ti中包含多个窗口切片，窗口切片定义为其中i为窗口切片起始时刻的时间标签，j为结束时刻的时间标签。
采用长度为s的窗口在长度为n的原始样本上滑动，得到m+1个时序切片：Slicing(T,s)＝{S1：s,S1+p：s+p,…,S1+p*m：s+p*m}，其中所有窗口切片的标签均与原始样本相同，p为窗口滑动步长，0≤(n-s-p*m)＜p；原始数据集的样本数量扩增至N×(m+1)；
(22)对数据扩增后的原始数据集进行归一化，
(23)对归一化后的原始数据集中的部分通道进行倒数变换：其中k为需要进行倒数变换的传感器单元编号；
(24)将前述处理后的原始数据集划分为训练集和测试集，对训练集中的每个样本进行随机尺度变换，将训练集在样本数量上扩增M倍，M为随机尺度变换的次数；
(25)对训练集和测试集中每个样本进行像素级幂函数变换：将每个样本的通道数从K扩增为K×(q+1)，其中K为气体传感器阵列气敏单元个数，q为幂函数的个数。


4.如权利要求1所述的一...

【专利技术属性】
技术研发人员：刘欢，方聪，李华曜，白翔，李龙，唐江，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42