一种基于嗅辨仪(Olfactometry)数据辅以人工智能(AI)方法的电子鼻(E-nose)设计新方法

《Sensors》：A Novel Artificial Intelligence-Enabled Method for Electronic Nose Design Based on Olfactometry Data Gizem Teker, Taner Yonar and Enes Yi?it

　　

摘要：电子鼻(E-nose)系统是通过模拟人类嗅觉机制的传感器阵列及复杂数据处理算法对气味进行客观评估的先进技术手段，可实现食品安检、环境监测、医学诊断及工业质控等领域化学成分快速、可重复、标准化的测量。本研究依据TS EN 13725标准，以正丁醇(n-butanol)为参考物质，将电子鼻传感器测量结果与人机嗅辨仪(olfactometry)小组评估数据进行比对，并应用偏最小二乘回归(Partial Least Squares, PLS)、支持向量回归(Support Vector Regression, SVR)及高斯过程回归(Gaussian Process Regression, GPR)等机器学习算法对传感器数据建模并评估预测精度。结果表明，该电子鼻系统具备可靠性与适用性，PLS、SVR和GPR的训练集平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)分别为6.53%、10.89%和0.15%。本研究提出了一种以标准化参考气味系统评估电子鼻性能的创新方法，并凸显了所建模型的有效性。

论文解读：一种基于嗅辨仪(Olfactometry)数据辅以人工智能(AI)方法的电子鼻(E-nose)设计新方法

研究背景与意义：

在环境工程与空气质量监测领域，气味（odor）测量长期依赖动态嗅辨法（Dynamic Olfactometry，依据TS EN 13725标准），即由训练有素的人类嗅辨员小组（Expert Noses/Panelists）主观判定气味阈值并计算气味浓度（单位为OU/m3，即Odor Unit per cubic meter）。该方法虽具法律效力，但存在成本高、耗时长、实验室间重现性差及受人为因素干扰大等局限，且在有毒有害环境中暴露嗅辨员存在职业健康风险。现有电子鼻（Electronic Nose, E-nose）多采用金属氧化物半导体（Metal Oxide Semiconductor, MOS 或 Metal Oxide sensor, MOX）阵列模拟生物嗅觉，已在食品、医疗定性分类中广泛应用，但大多未依据TS EN 13725标准使用标准参考物质（如n-butanol）校准，难以直接输出符合法规的标准化气味单位（OU/m3）以替代人类嗅辨小组。因此，研究人员开展本研究旨在开发一套符合TS EN 13725标准的AI赋能电子鼻系统，通过MOS传感器阵列采集正丁醇（n-butanol，标准指定参考物质）响应并结合嗅辨仪数据训练回归模型，实现从原始传感器电压到标准OU/m3的直接映射，提供客观、低成本、可重复的定量替代方案。该论文发表于《Sensors》。

主要关键技术方法：

研究人员构建含8个Figaro TGS系列MOX传感器（4种型号各2个冗余）的传感腔体，直接采集分压电路输出电压（不计算R_s/R₀）作为特征输入；依据TS EN 13725使用Scentroid正丁醇灵敏度 kit制备梯度稀释n-butanol气体，同步由认证嗅辨小组测定组检测阈值（Z_ITE平均值）得出各浓度对应标准OU/m3；以n-butanol不同浓度下的8通道电压矩阵及对应OU/m3值构建训练集，分别建立偏最小二乘回归（PLS）、支持向量回归（SVR，RBF核）及高斯过程回归（GPR）模型；随后引入独立复杂基质样本——洋葱提取物（稀释至1/2048、1/8192）作为测试集验证模型泛化能力；采用决定系数（R2）、均方根误差（RMSE）及平均绝对百分比误差（MAPE）评价性能。

研究结果：

3.1. Machine Learning Model Performance

研究人员对比三种模型在n-butanol训练集与洋葱测试集上的指标。训练集PLS R2=0.997（MAPE 6.53%）、SVR R2=0.974（MAPE 10.89%）、GPR R2≈1.000（MAPE 0.15%）。测试集（洋葱）SVR表现最优（Test R2=0.987，Test MAPE=11.09%，Test RMSE=0.056），PLS次之（Test R2=0.957，Test MAPE=19.82%），GPR虽训练集过拟合但在测试集仍保持Test R2=0.935（Test MAPE=17.56%）。

3.2. Performance Analysis

研究人员指出PLS因线性假设在训练集拟合好但测试集存残差；SVR凭借核函数处理非线性关系展现最强泛化能力；GPR极好拟合训练数据但因过拟合导致独立测试集误差增大。SVR在回归预测标准化气味浓度上优于另两者，证实其适合传感器-气味单位映射。

3.3. Concentration-Dependent Prediction

3.3.1. Low Concentration

在低浓度（≈0.33 OU/m3，1/8192稀释）下，三模型均有轻微低估。PLS预测约0.21 OU/m3，SVR约0.25 OU/m3，GPR约0.28 OU/m3（最接近真值但仍偏低）。研究人员认为近检测限微弱信号致系统性偏差，GPR因概率建模灵活性稍优。

3.3.2. High Concentration

在中高浓度（≈1.31 OU/m3，1/2048稀释），SVR预测值与真实值几乎完美吻合；PLS稳定但略低估；GPR明显过估（约1.48 OU/m3），显示其对较高幅值信号泛化较差。SVR在此区间具明显优势。

讨论与结论翻译：

本研究成功建立了一种基于TS EN 13725标准n-butanol校准、结合AI回归模型的电子鼻定量框架，证实MOX传感器阵列响应可与嗅辨小组判定的OU/m3强相关。SVR模型在以复杂基质（洋葱提取物）为独立测试集时取得最高Test R2（0.987）与最低Test MAPE（11.098%），证明其为该框架中最可靠算法。与经典分类型电子鼻研究不同，本研究解决的是更具挑战性的回归问题——直接预测法定标准气味单位数值。相比传统动态嗅辨法，该系统消除人为主观性与操作冗长性；相比高端仪器（如HS-SPME-GC-MS）或商用电子鼻（多无标准OU/m3输出），本系统以低成本宽谱MOX阵列加SVR建模即可直接输出标准化OU/m3，硬件需求低、无需复杂前处理。研究人员得出结论：所提AI赋能电子鼻经TS EN 13725验证，可作为环境异味监测、食品质控及工业过程核查中传统嗅辨法的客观、低成本、高精度替代方案，未来需在更多混合气及实地长期稳定性方面拓展验证。