基于大規模測量與多任務深度學習的電子鼻系統實現目標識別、濃度預測與狀態判斷

原論文地址：https://www.sciencedirect.com/science/article/abs/pii/S0925400521014830

引用此論文（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.

論文作者學術主頁：https://www.researchgate.net/profile/Tao-Wang-261

1. 研究背景與意義

電子鼻（Electronic Nose, E-nose）系統作為一種仿生檢測技術，模擬生物嗅覺原理，通過多傳感器陣列和模式識別算法，實現對復雜氣味的識別與分析，廣泛應用于生物醫學診斷、工業排放監測與食品質量評估等領域。傳統電子鼻模式識別依賴人工特征提取與獨立模型訓練，存在特征信息丟失、訓練流程復雜且泛化能力弱等問題。針對以上瓶頸，本文提出結合大規模自動化測量與多任務卷積神經網絡（MTL-CNN）的方法，旨在實現電子鼻系統的目標氣體識別、濃度預測與狀態判斷三任務同步完成，簡化訓練與應用流程，提升系統性能與適應性。

2. 系統設計與實驗方法

2.1 電子鼻硬件構建

本研究中，傳感器陣列與數據采集電路分離設計（如圖1所示）。陣列板采用圓盤結構，搭載八種商用MOS氣敏傳感器（MQ系列），通過線束連接至采集板。采集板采用八路惠斯通電橋與高精度放大器（AD620），輸出至16位ADC（ADS1115），并由32位微控制器（MCU）進行數據采集與433 MHz無線傳輸。

圖1 電子鼻傳感器陣列（a）與數據采集板（b）實物圖，及氣體測量系統內部結構示意圖（c）。

2.2 自動化測量系統開發

為實現大規模、長時程、無人干預的氣體測試，本文開發了基于Alwhales Auto Script（AAS）腳本語言的自動化控制系統，結合內外雙層密封腔體、溫控加熱板、微量注射泵、自動門控及環境監測模塊，實現全過程編程控制。

圖2 基于AAS腳本的自動化氣體測量系統架構示意。

2.3 氣體響應實驗

選取十二種典型揮發性有機化合物（VOCs）作為測試目標（包括甲醇、乙醇、乙二醇等），通過控制注射量和加熱溫度設定氣體濃度區間（10-100 ppm），分別進行十輪獨立響應測試，累計采集逾千萬級數據點，涵蓋各濃度與狀態。

2.4 數據處理與標簽構建

所有傳感器響應數據經基線跟蹤算法（BTA）實時校正。依據固定時間窗對響應曲線分段，分別標注氣體類型、濃度值與工作狀態（Idle/Response/Recovery），形成多標簽訓練集。

圖4 乙醇響應實驗中傳感器陣列數據及其三任務標簽示意。

3. 多任務卷積神經網絡（MTL-CNN）模型設計

3.1 基礎CNN結構

典型CNN包含卷積層、池化層與全連接層，用于特征提取、降維與分類（如圖3a所示）。

3.2 雙區塊共享MTL-CNN架構

本文設計的MTL-CNN模型具有獨特的雙區塊知識共享結構（如圖3b所示）：初始卷積池化塊共享至三任務，隨后分支進行任務特定優化。目標氣體識別與濃度預測任務之間設有額外共享區塊，以強化相關任務的信息交互，提升模型性能與穩定性。

圖3 （a）典型CNN結構圖；（b）本研究中MTL-CNN雙區塊共享結構示意。

4. 訓練過程與參數優化

4.1 批次大小（Batch Size）影響分析

通過調整Batch Size（10-5000）進行訓練優化，發現當Batch Size為700時，三任務收斂速度最快、交叉驗證準確率最高。

圖5 不同Batch Size下三任務準確率與標準誤對比。

4.2 輸入數據長度（Data Length）優化

研究不同輸入長度對模型表現的影響，確定以4秒（8數據點）為最佳輸入單元，兼顧響應過程有效性與實時性。

圖6 不同數據長度下三任務準確率與標準誤對比。

4.3 樣本規模（Sample Volume）對性能的影響

通過控制訓練樣本比例（0.001-0.9），驗證大樣本量（>0.5）顯著提升泛化能力與輸出穩定性。

圖7 訓練與交叉驗證準確率隨樣本量變化趨勢。

圖8 樣本量對三任務準確率與標準差的影響統計。

5. 最終模型性能評估與對比分析

5.1 MTL-CNN綜合性能

最終模型在5折交叉驗證中取得氣體類型識別95.2%、濃度預測92.1%、狀態判斷97.3%的平均準確率。

圖9 （a）模型訓練損失下降曲線；（b）迭代次數與交叉驗證準確率關系；（c）氣體分類混淆矩陣；（d）濃度預測混淆矩陣。

5.2 與傳統算法對比

將MTL-CNN與8種主流模式識別算法（如SVM、KNN、RF等）進行性能與訓練時間對比，結果表明，MTL-CNN在準確率、實時性與多任務集成方面均優于傳統方法。

圖10 傳統模式識別流程（a）與MTL-CNN流程（b）對比。

圖11 （a）不同算法在三任務上的性能對比；（b）不同算法訓練與驗證所耗時間對比。

6. 結論

本文提出基于大規模自動化測量與多任務卷積神經網絡（MTL-CNN）融合的電子鼻系統模式識別新策略，首次實現了僅用4秒原始數據同時完成氣體類型識別、濃度預測與工作狀態判斷，且準確率穩定在95%左右，驗證了大數據驅動與深度學習結合在氣體傳感領域的巨大潛力。該研究為智能電子鼻系統的快速響應、多功能集成與實際應用奠定了堅實基礎。