相位感知特征提取与基于置信度的伪标签生成技术，在多传感器系统中实现跨设备气体识别

《Expert Systems with Applications》：Phase-Aware Feature Extraction and Confidence-Guided Pseudo-Labeling for Cross-Device Gas Recognition in Multi-Sensor Systems

针对多传感器气体识别系统中存在的跨设备部署难题，本研究提出了一种端到端框架，结合相位感知特征提取和置信引导伪标签域适应模块，有效解决了信号多相位动态建模和跨设备分布偏移问题，实验表明其平均跨设备适应准确率达74.86%，显著优于传统基线方法。

　　

张勇|卢卓月|景涛|侯慧然|孟庆浩

中国天津商业大学

摘要

多传感器气体识别系统在环境监测、工业安全和智能制造中得到广泛应用，但实现可靠的跨设备部署仍然具有挑战性。这一挑战主要源于两个因素：(i) 传感器响应表现出多阶段时间动态特性，使得判别性特征学习变得复杂；(ii) 即使在具有相同设计和传感器配置的设备之间，也常常观察到分布偏移，从而降低了跨设备泛化能力。为了解决这些挑战，我们提出了一个端到端的跨设备气体识别框架，该框架引入了两个新颖模块：相位感知特征提取（PAFE）和基于置信度的伪标签域适应（CPDA）。PAFE通过定位相位边界并使用软相位掩码对时间步进行加权，然后通过核长度预测进行相位条件下的多核卷积，以实现相位感知的多尺度特征融合。CPDA通过多维置信度（聚类、预测、时间一致性）来评估伪标签的可靠性，自适应选择高置信度样本，并执行加权类别感知对齐，以减少确认偏差。我们在三种评估协议下进行了全面实验：设备内分类、跨设备适应以及与最先进的无监督域适应（UDA）方法的比较。所提出的框架平均跨设备适应准确率为74.86%，优于传统基线和代表性UDA模型，在某些任务中的准确率甚至达到了99.18%，从而证明了其在不同设备间的强大有效性和鲁棒性。该方法为实际多传感器部署中的鲁棒跨设备气体识别提供了一种实用的、无需注释的解决方案。

引言

多传感器信息融合已成为智能感知系统的基本范式，使得在复杂和动态环境中能够做出稳健的决策（Du, Ren, Wang, Cao, & Sun (2025); Ping et al. (2025)）。通过整合来自不同传感器的互补信息，这些系统提高了基于传感的识别任务的准确性和可靠性（Orchi, Diallo, Elbiaze, Sabir, & Sadik (2025)）。在这一范式中，气体传感识别系统——通常称为电子鼻（E-nose）——是一类实际相关的嗅觉启发式多传感器平台。电子鼻通常由集成在单个设备中的紧密耦合的化学传感器阵列组成，其对挥发性化合物的响应被捕获并通过信息融合和模式识别技术进行分析（Song, Hou, Chen, Ding, & Meng (2025a)）。由于电子鼻具有便携性、低成本和快速响应的特点，它们已被广泛用于工业安全检查（Sun et al. (2025)）、实验室气体分析（Bouricha, Souissi, & El Mir (2024)）和便携式环境监测（Wang, Li, Yang, Feng, & Cao (2025)）等应用中。

尽管具有这些优势，实际的基于电子鼻的气体识别系统仍然面临两个根本性挑战。首先，化学传感器的时间响应通常表现出复杂的多阶段动态行为，这使得有效的时间特征表示变得复杂（Moshayedi, Skandari, Hu, Razi, & Bassir (2025)）。其次，即使传感器配置相同，制造公差、设备老化和校准漂移也可能导致设备间的分布偏移，从而在域适应设置下降低跨设备泛化性能（Zhang, Lu, Hou, & Meng (2026)）。

第一个关键挑战在于有效表示原始传感器响应信号，这从根本上决定了识别性能。电子鼻信号通常表现出高维度、非平稳和多阶段动态特性——包括快速响应、稳态平台期和缓慢恢复期——当直接将原始时间序列信号输入模型时，这使得稳健识别变得具有挑战性（Zhou et al. (2024a)）。因此，有效的特征提取对于去除冗余信息、抑制噪声并获得具有判别性和鲁棒性的气体特征至关重要（Mei et al. (2024)）。早期的方法主要依赖于手动设计的特征，包括统计量和积分指标（Tan et al. (2025)）。尽管这些方法在计算上简单且部分可解释，但它们难以捕捉信号中的相位变化。时频域特征，如快速傅里叶变换（FFT）（Fu, You, Li, Li, & Fan (2023)）和离散小波变换（DWT）（Lv et al. (2025)），提供了额外的动态信息，但仍存在局限性，包括时间定位不佳和依赖于预定义的基函数。最近，深度学习方法已被广泛应用于传感器信号特征提取，能够从原始信号中自动学习判别性表示，并显著提高性能（Chowdhury & Oehlschlaeger (2025)）。然而，大多数深度模型直接处理整个信号，忽略了气体响应的固有相位结构，这可能导致相位信息混叠和可解释性降低。因此，开发能够自适应建模多阶段信号动态的同时确保物理可解释性的特征提取方法仍然是一个关键挑战。

第二个挑战是鲁棒的跨设备泛化，这对于电子鼻系统的实际部署至关重要。即使传感器阵列配置相同，硬件差异、传感器老化和环境波动也可能导致系统偏差（Zhang et al. (2026)）。因此，在一个设备（源域）上训练的模型在应用于另一个设备（目标域）时，通常表现出有限的泛化能力和显著降低的识别性能（Li et al. (2025)）。传统方法主要依赖于校准转移技术，旨在通过学习源设备和目标设备之间的显式映射来对齐特征表示。这些方法可以在一定程度上缓解设备差异。然而，它们通常依赖于目标域的标记样本，从而导致大量的注释和校准成本。此外，它们模拟复杂非线性关系的能力仍然有限。最近，无监督域适应（UDA）被引入用于跨设备识别，旨在学习域不变特征，以实现知识向未标记目标域的转移（Huang, Huang, Hu, Liu, & Huo (2025b)）。对抗性域对齐方法，如域对抗神经网络（DANN），已经展示了强大的性能（Chen et al. (2025)），但大多数方法仅关注全局分布对齐，忽略了目标域中的潜在类别结构。伪标记技术可以结合语义信息，但噪声伪标签可能会引入确认偏差，从而削弱泛化能力（Xi, Li, & Mao (2025)）。因此，在无监督条件下实现具有可靠伪标签的判别性域对齐仍然是跨设备识别的一个主要挑战。

总之，电子鼻气体识别的主要瓶颈有两个方面。首先，传感器信号的多阶段动态特性尚未得到充分建模，这限制了提取特征的判别能力和可解释性。其次，即使硬件配置相同，设备间的系统偏差也会削弱跨设备泛化性能。为了解决这些挑战，本研究提出了一个端到端的深度学习框架，用于无监督的跨设备气体识别，该框架通过相位感知特征建模增强信号表示，并通过伪标签引导的域适应提高跨设备传输的鲁棒性。

主要贡献总结如下：

(1)

相位感知特征提取（PAFE）

为了解决电子鼻信号的高维度、非平稳和多阶段动态特性，提出了一个相位感知的自适应特征提取框架。该框架首先使用基于非最大值抑制的改进变化点检测方法实现稳定的相位边界定位，然后通过软相位掩码构建平滑的相位表示。接着，它采用相位感知的多核卷积模块，通过核长度预测和逐相位池化自适应捕获多尺度动态特征。这种对相位结构的显式建模有助于在不同时间阶段之间实现更具判别性和鲁棒性的特征融合。

(2)

基于置信度的伪标签域适应（CPDA）

为了减轻由跨设备数据分布差异引起的域偏移，开发了一种基于置信度的伪标签域适应策略。该方法结合了多置信度融合、动态阈值选择和质量过滤来生成高度可靠的伪标签，并在DANN框架内实现类别感知对齐。通过使用周期性伪标签微调和时间一致性约束，该方法有效减少了伪标签噪声和确认偏差，从而提高了跨域特征对齐的稳定性和泛化性能。

本文的其余部分组织如下。第2节回顾了电子鼻气体识别系统中特征提取和无监督域适应的相关工作。第3节介绍了所提出的端到端框架，包括PAFE和CPDA。第4节描述了实验设置，包括数据集、实现细节、实验协议和基线模型，随后是对结果的全面分析和讨论。最后，第5节总结了本文并概述了未来研究的方向。

部分摘录

电子鼻信号的特征提取方法

高效的特征提取是电子鼻系统中准确和鲁棒气体识别的基本前提。然而，电子鼻收集的原始传感器响应通常是高维的、非平稳的，并表现出明显的多阶段动态特性，包括快速吸附、准稳态反应和缓慢解吸阶段（Sharma et al. (2024)）。这些固有特性对于直接学习稳定和具有判别性的表示提出了重大挑战。

方法论

所提出的框架针对跨设备气体识别中的两个主要挑战：(i) 有效表示原始传感器响应的多阶段动态特性；(ii) 在设备差异较大且目标域注释不可用时实现鲁棒的UDA。如图1所示，该框架采用了一个由两个互补模块组成的端到端深度学习架构。第一个模块PAFE明确捕获了气体响应的多阶段动态特性。

实验与讨论

为了系统地评估所提出框架的有效性和鲁棒性，使用多传感器电子鼻时间数据对火灾助燃剂检测任务进行了广泛的实验。实验评估旨在从多个互补的角度全面评估所提出的方法，包括表示学习能力、跨设备泛化、计算效率和对外部设计选择的鲁棒性。

具体来说，评估

结论

本文提出了一个多传感器气体识别系统的统一框架，集成了相位感知特征提取（PAFE）和基于置信度的伪标签域适应（CPDA）。该框架旨在同时解决多传感器气体识别系统中的两个基本挑战：动态特征建模和跨设备泛化。具体而言，PAFE明确捕获了复杂非平稳响应的逐相位动态特性，以增强特征

CRediT作者贡献声明

张勇：资金获取、监督、撰写——审阅与编辑。卢卓月：方法论、软件、验证、撰写——初稿、审阅与编辑。景涛：资金获取、撰写——审阅与编辑、监督。侯慧然：资金获取、撰写——审阅与编辑、监督。孟庆浩：资金获取、撰写——审阅与编辑、监督、项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。