英语原文共 28 页，剩余内容已隐藏，支付完成后下载完整资料
虚拟嗅觉界面：电子鼻和嗅觉显示
Fabrizio DAVIDE, Martin HOLMBERG, Ingemar LUNDSTROuml;M
摘要：目前，由于在用户周围存在不受控制的气味，在通信技术和虚拟现实技术中嗅觉方面的研究一直未能引起研究者的重视。尽管如此，嗅觉信息的控制技术能够为各个应用领域带来好处。因此，本文论述了两个能够控制嗅觉的技术，电子鼻和嗅觉现实。同时，本文也讨论了这两种技术的使用情景和相关的心理生理问题，包括虚拟嗅觉从一端到另一端系统的多方面的定量表征：气味质量和浓度，动态特性，空间定位个信息数据。作者的最近关于气味保真度的研究已经被报道。
目录
12.1电子鼻原理
与耳朵和眼睛相比，在关于负责对外部刺激的主要反应的机制方面，人类鼻子要复杂得多。因此，模仿听觉和视觉感觉要简单得多。在嗅觉中涉及数百种不同类型的生物受体，而在视觉中发现三原色可以很简单合成各种视觉效果。
固态摄像机可以真正捕捉到与眼睛看到的非常相似的图像。在人工嗅觉中，情况完全不同。虽然已经就所谓的电子鼻已经有了一定的发展，但它们的表现远非我们的嗅觉。它们对许多有气味的化合物不如我们的鼻子敏感。尽管存在这种差异，化学传感器阵列与模式识别相结合在与信息技术发展相关的许多实际应用中非常有用。因此，电子鼻（EN）作为新仪器出现，可用于测量产品或过程的质量。在这方面，他们与人的鼻子有很大的相似之处。它们的工作方式与鼻子类似。
人类嗅觉系统非常复杂，尚未完全理解。 然而，已经研究了一些方面[1-3]。嗅觉系统如何工作的简单方案见图12.1。
图12.1人体嗅觉系统方案。 大量嗅觉受体细胞（gt; 1000万），但选择性等级有限（~10-100）。 气味通过二尖瓣细胞产生嗅觉皮层的信号模式（~10 000）。 大脑将信号模式解释为特定的气味。
鼻子中有大约一千万个感觉受体细胞，每个细胞对大量化合物敏感。受体的反应是由于细胞膜和细胞膜中的离子通道中的生化过程的激活。响应时间，即受体在暴露于新气味时给出显着响应所花费的时间，大约为几秒。邻近受体具有相似的选择性特征，即对几乎相同的分子敏感。由于受体的数量如此之大，因此选择性的总变化足以使我们体验到来自不同气味的完全不同的感觉。比较一下你对氨气味和新鲜面包的反应。
为了利用受体信号中的信息，必须以合适的方式处理。电信号通过轴突和树突从受体转移到嗅球。然后信号到达称为神经元的简单信号处理单元。神经元（通常）具有许多输入但只有一个输出，其可以是激发的或不激发的。如果输入上有足够的激励，则输出上会有一个信号，不同的输入会附加不同的重要性（重量）。这些重量可以在学习过程中改变，使我们能够学会更好地识别我们经常暴露的气味。在嗅球中有许多神经元以及气味鼻室嗅觉受体细胞上皮二尖瓣细胞嗅球脑感知神经元嗅皮质195形成一个完整的网络。该网络处理信息，然后将处理后的数据传输到嗅觉皮层。这是由另一个神经元网络进行最终处理的地方，也是与大脑其他部分进行通信的地方。然后，大脑可以将这些新信息与存储的知识一起使用，并告诉我们。例如，远离或接近气味源。
表12.1人和电子鼻之间的示意图比较
|
人体 |
电子鼻 |
|
~10万个受体，自我产生 |
手动更换5-100个化学传感器 |
|
10-100个选择性等级 |
5~100选择性模式 |
|
信号数量的逐渐减少（~1000到1） |
“智能”传感器阵列可以模仿这个吗？ |
|
自适应 |
可能自适应 |
|
多样 |
单一 |
|
信号处理实时 |
模式识别硬件可以做到这一点 |
|
识别大量气味 |
必须为每个应用程序进行训练 |
|
无法检测到一些简单的分子 |
也能检测出简单的分子（H2、H20，CO2。。。。。） |
|
检测一些特定的分子 |
通常在非常低的浓度下是不可能的 |
|
与声音，视觉，经验等相关联 |
多传感器系统成为可能 |
|
可以得到“感染” |
可能会中毒 |
电子鼻是一种像人的鼻子的电子系统，图表征不同的气体混合物[2,4,5]。它目前使用许多单个传感器（通常为5-100个），其对不同分子的选择性重叠。由于传感器的数量很少并且传感器种类是有选择性的，因此重叠通常比人鼻中的受体小得多。来自化学传感器的响应通常被测量为一些物理参数的变化，例如，电导率或电流。这些设备的响应时间从几秒到几分钟不等。这是这些设备的重大缺点，因此该领域的主要研究课题之一是减少响应时间。电子鼻工作原理的简单流程图如图12.2所示。图12.3和12.4总结了电子鼻背后的原理，为简单起见，我们假设我们只有三个不同传感器的阵列，其选择性如图12.3所示。
如果传感器阵列暴露于气体混合物 “气味”，包含设备敏感的分子，将产生不同的响应模式，如图12.4所示。
图12.2电子鼻的示意图。有限量的化学传感器（10-100）具有部分重叠的选择性曲线。计算机用于从传感器信号中提取特征并识别属于给定气味或气体混合物的图案。
响应
氢 硫化氢巯基 氨;胺类 碳氢化合物 醇类
图12.3针对三传感器电子鼻的不同类别分子的不同选择性模式的示例
响应
图12.4三传感器电子鼻对不同气体混合物（气味）的响应模式示例
我们通过训练计算机（或硬件）识别这些模式来训练了电子鼻。它现在应该能够对属于它所训练的不同类别的气体混合物的气体混合物进行分类。识别不同气体混合物程度的困难，具体取决于电子鼻的任务，如气体或气味（甲醇或乙醇）的识别，气体样品的分类（良好，差，平均），或气体混合物的定量（10ppm，乙醇2ppm甲醇，7ppm二醇）。
一个简单的数学例子显示了问题，或者更确切地说是电子鼻的可能性。 如果我们有n个传感器并且仅使用阈值检测（即低电平为“0”，高信号为“1”），我们可以获得最大值：
N2=2n-1(12.1)
如果传感器之间没有冗余，则采用不同的模式。 对于三级检测，我们获得：N3=3n-1(12.2)
如果我们有一个n=12个充分不同的选择性模式的传感器阵列，我们得到N2=4095和N3=531440.甚至上面的原始检测方案也因此可以提供大量不同的响应模式。因此，电子鼻的一个非常重要的部分是用于模式识别的有效技术。使用了几种方法，一些统计数据确定代表不同类别气味的数据集群，一些统计数据基于不同形式的人工神经网络（ANN）用于气体混合物的分类和量化。因此，有效模式识别算法的发展是电子鼻领域的重要问题之一。
一种常见的模式识别线性方法是主成分分析（PCA）[6]。 我们可以将此方法视为减少数据集维数的一种方法。 如果我们使用20个传感器（一个测量因此可以表示为20维空间中的点）用于我们的测量，其中一些可能以类似（但不相同）的方式响应。 这意味着可以减少数据集中的维数，而不会丢失任何信息。 如果我们看一个只有三个传感器的例子，那么传感器之间的这种协方差可以在三维图中看到（每个轴上有一个传感器），因为数据沿着一条线展开，如图12.5所示。
图12.5如何制作主成分（PCA）得分图的示意图。第一个主成分是数据集中大部分方差的方向。 数据的低维投影可以用作数据集的简单但良好的近似。
如果我们把所有的数据都投射到图中所画的直线上，我们只会损失很少的信息，因此三维问题可以简化为二维问题。该投影对应PCA中的第一个主分量，该主分量被定义为数据方差最大的方向。第二主分量指向与第一主分量正交的方向，第一主分量具有大部分剩余方差。在我们有多个传感器的情况下，可以重复使用最多等于传感器数量的主组件总数。传感器信号的大部分变化将出现在前几个主要组件中，因此我们只能使用这些组件来可视化数据。如果我们将第一个主成分绘制成第二个主成分的函数，我们将能够研究数据集中的大多数变化。这种类型的图通常称为主成分分析计分图（PCA计分图），如果需要，也可以使用其他主成分。PCA的加载图显示不同传感器的程度为主要组成部分作出贡献。在该图中，具有类似贡献（即包含类似信息的传感器）的传感器将紧密结合在一起。接近原点的传感器具有相对较小的方差，因此可能包含很少的信息。
处理电子鼻数据最常用的监控方法之一是人工神经网络（ann）[7]，它与人脑的功能有一定的相似性。原则上，人工神经网络是由许多（按50-100的顺序）人工神经元组成的。人工神经元被组织成不同的层（见图12.6），通常是三层，形成一个网络。人工神经元是一种简单的处理元件，与生物神经元相似，它使用来自多个输入的信号来产生一个输出。
图12.6人工神经网络示意图。它由多层（通常是三层）相互连接的神经元层组成。计算神经元（隐藏层和输出层）具有非线性（通常为乙状）传递函数。神经元的参数是通过最小化给定的输出误差来选择的。（已知）训练集。
对所有输入进行线性组合，得到一个单一值。然后在传递函数中使用该值，该函数可以具有任意形状。一个例子是阶跃函数，它和生物神经元一样，当线性组合的计算值高于某个阈值时，给出一个非零值，否则为零。然而，更常见的是使用平滑功能，例如乙状结肠。神经网络的学习是通过改变线性组合中的参数来完成的，也可能是改变乙状结肠的形状。通过将已知气味的数据输入网络，可以调整参数以识别来自这些气味的传感器信号。为了适应参数，必须多次使用训练数据。这与人类气味识别训练非常相似。只接触过一次气味后，我们很少能很好地记住它，而我们年轻时经常经历的气味在很长一段时间后就能被识别出来。重要的是要注意，人工神经网络，就像人的鼻子，不能识别它从未经历过的气味。当面对来自新气味的传感器信号时，人工神经网络只能说出已知气味中的哪一种信号与之最相似，或者（甚至更好）是它无法识别气味。一个人如果认为一种未知的气味令人愉快或不愉快，就很容易说出来，而一个电子鼻却不能对这种气味作出任何主观判断。
与表12.1中的电子鼻相比，人类嗅觉系统的原理图已经显示出嗅觉受体细胞比任何化学传感器装置都要复杂得多。他们专门研究不同种类的气味分子。生化机器产生电信号，电信号在高度互联的神经网络中进一步传播。嗅觉细胞的数量也存在很大的冗余。在嗅觉系统的第一级神经节点二尖瓣细胞中，大约1000万个嗅觉受体细胞发出的信号数量减少到大约10000个二尖瓣细胞发出的信号。在嗅觉系统中，大脑其他部位的信号也存在，使嗅觉与其他外部刺激相关联。给定的气味在嗅觉皮层产生时空信号模式。与基于少量不同色素分子类别的视觉感知相比，嗅觉受体没有这样简单的规则。尽管有几种不同的受体类别，但对于一个特定的分子没有特定的受体。嗅觉受体对几种不同的气味分子有广泛的选择性反应，正是这种反应模式决定了气味的感觉。此外，分子的一些一般性质影响气味，如水和脂肪的溶解性、形状，以及特殊性质，如芳香性和官能团的位置。很久以前有人认为至少有七种主要气味：樟脑味、麝香味、花香味、薄荷味、轻灵味、辛辣味和腐败味。从那以后，基本气味的数量增加了，确切的数字还不清楚。特定类别的分子具有共同的分子结构。然而，这种分类有许多例外，即具有相似结构的分子并不总是发出相似的气味。有些化合物的浓度非常低，像一些天然气味（软木塞、黄油、草莓、意大利辣香肠、葡萄柚汁）中的分子。然而，这些分子没有明显的结构相似性，人类嗅觉系统对这种气味极度敏感的原因尚不清楚。
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
