基于传感器响应的多气体分类技术：采用低成本MQ传感器和轻量级神经网络

《Results in Engineering》：Sensor-Response-Based Multi-Gas Classification Using Low-Cost MQ Sensors and a Lightweight Neural Network

　　

低成本的MQ系列气体传感器（MQ-series gas sensors）广泛应用于环境监测；然而，其性能受到交叉灵敏度（cross-sensitivity）、非线性响应特性（nonlinear response characteristics）以及温度和湿度变化的影响。本文提出了一种概念验证的传感器融合框架（sensor-fusion framework），该框架结合了MQ7、MQ135、DS18B20和DHT11的测量结果与一个紧凑的多任务神经网络（multi-task neural network），用于气体响应分类（gas-response classification）和浓度估计（concentration estimation）。研究人员将15个原始和工程化特征（engineered features）输入到一个15–10–6的双输出神经网络（dual-output neural network）中，该网络包含282个可训练参数（trainable parameters）。该模型对CO、NH₃、NO_x和苯（benzene）中的主导响应进行分类，并同时生成基于传感器响应的浓度估计。评估使用从四个户外地点收集的500个测量值，历时五天。在75个样本的保留测试集（held-out test set）上，所提出的模型实现了97.33%的分类准确率（classification accuracy）和97.15%的宏F1分数（macro F1-score）。平均均方根误差（RMSE）从单传感器基线的4.47 PPM降低到所提出框架的2.03 PPM，对应约54.6%的改进，而平均决定系数（coefficient of determination）从0.2652增加到0.8912。配对检验（paired testing）表明在0.05水平上存在统计显著差异；所提出的方法降低了NH₃、NO_x和苯的预测误差，而仅使用MQ7的基线对CO仍略优。由于浓度目标来源于制造商校准曲线（manufacturer calibration curves）而非认证参考仪器，所报告的回归结果表示与基于传感器响应目标的一致性。紧凑的架构展示了所提出框架在未来边缘导向环境监测中的潜力，但嵌入式部署和参考级验证（reference-grade validation）仍是必要的。

**论文解读：基于低成本MQ传感器与轻量级神经网络的传感器响应多气体分类**

**研究背景与问题**

空气污染已成为严重的环境和公共卫生挑战，尤其在受车辆排放、工业活动和人口增长影响的城镇区域。有害气体如一氧化碳（CO）、氨气（NH₃）、氮氧化物（NO_x）和苯对人类健康和环境安全构成威胁。低成本的MQ系列气体传感器因其成本低、易获取和集成简单而被广泛用于环境监测，但存在交叉灵敏度、非线性响应特性以及温度和湿度变化导致的漂移等问题。现有物联网（IoT）基气体监测系统多侧重于数据采集、传输和可视化，对低成本的MQ传感器固有局限的补偿不足。许多研究虽利用模式识别、传感器阵列和机器学习模型提升气体选择性和可靠性，但往往聚焦于非环境应用、需额外硬件、采用复杂深度学习架构，或仅分类而不估计浓度。因此，研究者提出一种边缘导向的传感器融合框架，结合MQ7、MQ135、DS18B20和DHT11传感器与轻量级神经网络，旨在同时实现四种环境气体（CO、NH₃、NO_x和苯）的响应分类与基于传感器响应的浓度估计，以降低交叉敏感性和环境漂移的影响，同时保持适用于低成本智能环境监测的紧凑结构。该论文发表在《Results in Engineering》。

**主要技术方法**

研究者使用MQ7和MQ135气体传感器、DS18B20温度传感器和DHT11湿度传感器，通过Arduino Uno和ESP8266采集数据并无线传输至云端。从四个户外地点（高交通路口、居民区、工业区、市中心交通区）在五天内收集500个测量值，每类气体（CO、NH₃、NO_x、苯）约125个样本。浓度目标依据制造商校准曲线从归一化传感器电阻比推导。特征工程从原始测量（MQ7电压、MQ135电压、温度、湿度）衍生出11个额外特征，共15维输入向量。采用15–10–6双输出前馈神经网络，隐藏层使用双曲正切激活函数，分类头有4个softmax神经元，回归头有4个线性神经元，共282个可训练参数。训练采用缩放共轭梯度反向传播，70/15/15分层划分数据集，使用均方根误差（RMSE）和决定系数（R2）评估回归性能，准确率、宏F1等评估分类性能。

**研究结果**

**5.1 气体分类性能**
在75个保留测试样本上，模型正确分类73个，准确率97.33%。混淆矩阵显示CO和NH₃全部正确，NO_x有一个误分为NH₃，苯有一个误分为CO。宏精确率97.39%，宏召回率97.08%，宏F1分数97.15%，表明四类气体响应分类均衡。

**5.2 浓度估计性能**
与仅MQ7的基线A及无温湿度补偿的MQ7+MQ135基线B相比，所提出方法的平均RMSE从4.47 PPM降至2.03 PPM（改进54.6%），平均R2从0.2652增至0.8912。对NH₃、NO_x和苯，所提方法RMSE更低；但对CO，基线A略优（2.02 vs 2.18 PPM），因MQ7对CO敏感。回归图显示预测值与传感器响应目标基本一致，CO的R2最高（0.9883），NH₃分散较大。

**5.3 特征消融与传感器贡献分析**
移除MQ7或MQ135导致RMSE分别增至5.983和4.836 PPM，说明两者互补。移除湿度使RMSE从1.759增至2.203 PPM（+25.2%），移除温度增至1.909 PPM（+8.5%），表明环境补偿重要。仅用MQ7+MQ135时RMSE为2.134 PPM。

**5.4 五折交叉验证与架构选择**
[10,6]架构平均RMSE为1.976 PPM，标准差0.375 PPM，优于[8,4]架构（2.409 PPM），且比更大架构更稳定，因此被选为最终模型。

**5.5 统计显著性分析**
配对t检验（α=0.05）显示，所提方法与基线A在四种气体上均存在显著差异：对NH₃、NO_x和苯，所提方法预测误差显著更低；对CO，基线A略优。

**5.6 环境补偿效果**
消融结果证实温度和湿度测量有助于改善浓度估计，移除任一变量均增加RMSE，与MQ系列传感器对环境的敏感性一致。

**5.7 与近期相关研究比较**
所提框架与现有研究（如仅校准、气味分类、单气体漂移补偿等）相比，独特之处在于结合常用低成本MQ传感器、温湿度补偿、特征工程、多气体分类和浓度估计于一个紧凑系统。

**5.8 与标准机器学习基线比较**
在相同特征和测试集上，所提神经网络（准确率97.33%，宏F1 97.15%，RMSE 2.03 PPM）优于随机森林（91.20%）、SVM（89.30%）、XGBoost（93.50%）和1D-CNN（94.20%），且训练时间（28.4 s）比1D-CNN（45.2 s）更短。

**结论讨论与总结**

讨论部分指出，所提出的方法在总体多气体性能上优于单传感器和环境未补偿的基线，但并非对每种气体均最优（如CO）。温度与湿度补偿提升了估计一致性。与现有研究相比，本研究的主要贡献在于将广泛可用的低成本MQ传感器、环境补偿、特征工程、多气体分类与浓度估计整合于一个紧凑系统中，并连接至ThingSpeak云平台实现远程监测。研究结论总结如下：本文提出了一种低成本的概念验证传感器融合框架，用于同时进行多气体响应分类和基于传感器响应的浓度估计。所提模型在75个保留测试样本上实现了97.33%的分类准确率、97.15%的宏F1分数和2.03 PPM的平均RMSE，相比仅MQ7的基线，平均RMSE降低约54.6%，平均R2从0.2652提升至0.8912。五折交叉验证证实[10,6]架构在预测性能、稳定性和模型复杂度之间取得良好平衡。在同一评估条件下，所提模型在分类准确率、宏F1和平均RMSE方面优于随机森林、SVM、XGBoost和1D-CNN。本研究与以往侧重于校准、气味分类、单气体漂移补偿或复杂传感平台的研究不同，其贡献在于将多种功能集成于一个低成本框架中。然而，浓度目标来自制造商校准曲线而非认证参考仪器，数据集较小，且未进行受控混合气体测试、长期漂移和老化评估。未来工作将聚焦于认证气体混合物和参考仪器验证、扩大数据集及长期评估。