基于邊緣計算、集成學習與傳感器集群的便攜式電子鼻系統
原論文地址：https://www.sciencedirect.com/science/article/abs/pii/S0925400522015684
引用此論文（GB/T 7714-2015）：
- WANG T, WU Y, ZHANG Y, et al. Portable electronic nose system with elastic architecture and fault tolerance based on edge computing, ensemble learning, and sensor swarm[J]. Sensors and Actuators B: Chemical, 2023, 375: 132925. DOI:10.1016/j.snb.2022.132925.
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）作為模擬哺乳動物嗅覺系統的檢測工具，廣泛應用于食品安全、疾病診斷及環境監測等領域。然而，傳統便攜式電子鼻系統因微控制器（MCU）計算能力受限，只能采用簡單的模式識別算法，且傳感器間高度耦合，系統抗故障能力差。為此，本文提出一種基于邊緣計算、集成學習與傳感器集群的新型便攜式電子鼻系統架構，旨在提升系統的識別準確性、容錯能力與應用靈活性。
2. 系統設計與實驗方法
2.1 硬件設計
便攜式電子鼻系統包括五大模塊：傳感器陣列、前端模擬電路、MCU子系統、通信子系統與電源管理模塊（如圖1(a)所示）。傳感器陣列由8種MEMS氣體傳感器組成，具體型號與敏感氣體信息列于表1。系統采用ARM Cortex-M3 MCU實現數據采集與邊緣計算，支持USB和藍牙通信。
圖1 (a) 便攜式電子鼻系統功能框圖；(b) 不同配置電子鼻設備實物圖；? 實驗裝置簡化結構示意。
2.2 自動化測試平臺
利用自制的無人工測量系統（Workflow腳本控制），對15種VOCs氣體進行氣敏測試，濃度范圍10–100 ppm，步長10 ppm，每種氣體獨立重復測試10次。
2.3 數據處理流程
數據處理流程包括：基線跟蹤（BTA）、響應計算、相空間映射與特征提取（如圖3(a)(b)所示）。響應值定義為空氣電阻（Ra）與目標氣氛電阻（Rg）之比，進一步提取五個關鍵特征：最大響應速率、初始響應值、最大響應值、最小恢復速率及對應響應值。
圖2 (a) 八個傳感器原始電阻信號；(b) 經基線跟蹤后的響應曲線；? 相空間轉換后的特征軌跡。
圖3 (a) 響應數據向相空間映射示意；(b) 相空間中定義的五個特征點。
3. 邊緣計算與模型設計
3.1 ANN模型結構
分別設計分類與回歸人工神經網絡（ANN）模型（如圖4(a)所示），均為三層結構，分類模型輸出15類氣體概率，回歸模型直接預測氣體濃度。
圖4 (a) 分類與回歸模型節點連接結構；(b) 單個神經元結構示意；? 簡化版tanh激活函數曲線。
3.2 分類與回歸性能
所有模型均在MCU上本地訓練完成，訓練100次迭代后性能收斂穩定。分類準確率介于30%–60%，濃度預測的R2得分最高可達0.98。
圖5 分類模型訓練過程中的損失曲線與準確率曲線，以及MCU與PC訓練模型準確率對比。
圖6 回歸模型訓練過程中的損失曲線與R2得分曲線，以及MCU與PC訓練模型性能對比。
4. 集成學習與性能提升
4.1 集成分類器
采用軟投票（Soft Voting）集成8個獨立分類器，最終準確率從最佳單一傳感器的58.0%提升至81.1%。
圖7 (a)(b) 集成前后分類準確率與F1分數對比；?(d) 單一傳感器與集成分類器的混淆矩陣對比。
4.2 集成回歸器
采用加權平均方法集成7個回歸器（剔除性能差的Sen-6），濃度預測的R2得分由最高57.7%提升至84.1%。
圖8 (a) 不同組合的回歸器R2得分對比；(b) RMSE誤差對比；? 不同氣體濃度下誤差曲線。
4.3 集成學習的局限性分析
分析表明，低性能傳感器參與過多會影響集成效果，合理篩選參與模型至關重要。
5. 傳感器集群與彈性架構設計
本文提出基于獨立ANN模型與集成策略的**傳感器集群（Sensor Swarm）**概念，實現每個傳感器獨立感知、獨立決策，系統整體具備高容錯性與靈活擴展性。
圖9 (a) 傳感器集群內部實現機制；(b) 彈性架構及容錯機制示意。
與傳統陣列模式相比，傳感器集群架構在單點故障時準確率下降幅度減少約10倍，回歸精度下降幅度減少約18倍。
圖10 (a)(b) 分類任務中不同故障條件下準確率與F1分數變化；?(d) 回歸任務中不同故障條件下R2得分與RMSE變化。
6. 結論
本文開發了一種結合邊緣計算、獨立ANN模型、集成學習與傳感器集群的便攜式電子鼻系統。該系統在保證高準確率與濃度預測能力的同時，大幅度提升了系統的容錯能力與彈性擴展能力，為未來高可靠性便攜式電子鼻系統的發展提供了新的思路與技術路徑。
