51. Rapid detection approach for electronic nose systems using deep learning models
- Author
-
GAMBOA, Juan Carlos Rodriguez, OLIVEIRA JÚNIOR, Wilson Rosa de, SILVA, Adenilton José da, MELLO, Rafael Ferreira Leite de, SILVA, Antonio Samuel Alves da, PAULA NETO, Fernando Maciano de, and LUDERMIR, Teresa Bernarda
- Subjects
Detecção ,Processamento de dados ,Odor ,Nariz artificial ,PROBABILIDADE E ESTATISTICA [CIENCIAS EXATAS E DA TERRA] - Abstract
Submitted by (lucia.rodrigues@ufrpe.br) on 2022-12-07T22:54:38Z No. of bitstreams: 1 Juan Carlos Rodriguez Gamboa.pdf: 7480079 bytes, checksum: 85e846ccf394e590f0f30f4de7252045 (MD5) Made available in DSpace on 2022-12-07T22:54:38Z (GMT). No. of bitstreams: 1 Juan Carlos Rodriguez Gamboa.pdf: 7480079 bytes, checksum: 85e846ccf394e590f0f30f4de7252045 (MD5) Previous issue date: 2020-02-18 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq The present thesis work focused on proposing a method to accelerate the identification of the specimens in electronic nose systems. Since the conventional data processing approach used in E-Nose is based on an initial stage of signal preprocessing applying techniques to perform the feature extraction (dynamic and static characteristics) for obtaining the odor fingerprint. Besides, in some cases, it is required to implement a feature selection method to choose the best attributes before the classification tasks using pattern recognition methods. For example, a Support Vector Machine (SVM) is one of the most common processing methods for odor recognition by the electronic olfactory systems. Therefore, the use of the traditional approach needs the whole measurement to obtain the main odorant parameters involving preprocessing techniques, which represents a challenge when aiming to perform real-time odors recognition. Thus, in this work is presented an approach for electronic olfactory systems data processing focused on the treatment of raw data based on a rising-window protocol to find an early portion of the sensor signals with the best recognition performance. We compared the proposed approach against a traditional method (using the entire response curves, applying preprocessing techniques to extract the features and later processing them using an SVM algorithm) in a real application with measures acquired with our developed system. Further, to validate the use of the proposed approach at different settings of electronic olfactory systems, we conducted more tests with several datasets and using deep learning techniques like convolutional neural network CNN. The results showed outperformance accuracy compared with the traditional approach with the advantage of using an early portion of the responses of the sensors, reducing the necessary time to make forecasts. O presente trabalho de tese teve como objetivo propor um método para acelerar a identificação das amostras em sistemas de nariz eletrônicos. Como a abordagem convencional de processamento de dados usada em E-Nose é baseada em um estágio inicial de pré-processamento de sinal, são aplicadas técnicas para executar a extração de recursos (características dinâmicas e estáticas) para obter a impressão digital do odor. Além disso, em alguns casos, é necessário implementar um método de seleção de recurso para escolher os melhores atributos antes das tarefas de classificação usando métodos de reconhecimento de padrões. Por exemplo, uma SVM (Support Vector Machine) é um dos métodos de processamento mais comuns para reconhecimento de odores pelos sistemas olfativos eletrônicos. Portanto, o uso da abordagem tradicional faz uso de toda a medição para obter para obter os principais parâmetros de odorantes que envolvem técnicas de pré-processamento, o que representa um desafio para o reconhecimento de odores em tempo real. Assim, neste trabalho é apresentada uma abordagem para processamento de dados de sistemas olfativos eletrônicos focada no tratamento de dados brutos com base em um protocolo de janela ascendente para encontrar uma porção inicial dos sinais do sensor com o melhor desempenho de reconhecimento. Comparamos a abordagem proposta com um método tradicional (usando todas as curvas de resposta, aplicando técnicas de pré-processamento para extrair os recursos e posteriormente processando-os usando um algoritmo SVM) em um problema real com as medidas adquiridas com nosso sistema desenvolvido. Além disso, para validar o uso da abordagem proposta em diferentes configurações de sistemas olfativos eletrônicos, realizamos mais testes com vários conjuntos de dados e usando técnicas de aprendizado profundo como a rede neural convolucional CNN. Os resultados mostraram uma precisão de desempenho superior à da abordagem tradicional, com a vantagem de usar uma parte inicial das respostas dos sensores, reduzindo o tempo necessário para fazer previsões.
- Published
- 2020