Интенсификация обработки данных и получение новой информации по многомерным сигналам "электронного носа"

Автор: Копаев А.Ю., Мураховский И.А., Кучменко Т.А.

Журнал: Вестник Воронежского государственного университета инженерных технологий @vestnik-vsuet

Рубрика: Химическая технология

Статья в выпуске: 1 (83), 2020 года.

Бесплатный доступ

В работе описаны подходы по оптимизации стадии обработки многомерных данных имитационных систем с интегральным аналитическим сигналом типа электронный нос. Представлены модели программирования в таблицах Exel для расчета дополнительных параметров качественного состава смеси газов и паров. Программирование электронных таблиц существенно упрощает обработку первичных данных набора сенсоров и позволяет быстро получить новые параметры для характеристики состава запаха проб. Представлены формулы для расчета 4х дополнительных характеристик: идентификационные параметры сорбции, кинетический параметр, сорбционный параметр для 3х сенсоров, массовая доля компонентов, преимущественно сорбирующихся на каждом сенсоре в массиве электронного носа, и параметра подобия Пирсона для наборов этих характеристик с целью сравнения многокомпонентного состава запаха анализируемых проб. На примере анализа запаха кожи человека показана возможность разработки программного обеспечения для личных девайсов...

Еще

Многомерные данные, аналитические системы, электронный нос, алгоритмы, программирование

Короткий адрес: https://sciup.org/140248309

IDR: 140248309   |   УДК: 543.5:51-33:51-37   |   DOI: 10.20914/2310-1202-2020-1-247-251

Текст научной статьи Интенсификация обработки данных и получение новой информации по многомерным сигналам "электронного носа"

Современные методы аналитической химии основаны на измерении и обработке от двух – до многомерных сигналов. К многомерным аналитическим сигналам относятся отклики мультисенсорных систем типа искусственных “носа, глаза, языка”. Для таких систем

не характерны, но возможны традиционные качественный (идентификация отдельных компонентов сложных смесей) и количественный (определение содержания каждого компонента) анализ [1–5]. Для сравнения двух и более проб, для установления причин возможных различий их состояния применяют метод хемометрики – метод обработки сразу всех матриц выходных For citation

This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License данных. Для этого применяют различные методы: от кластерного анализа, регрессионного до нейронных сетей и методов главных компонент. В действительности все эти методы предусматривают применение специальных программ. В тоже время сама матрица данных содержит много связанных и несвязанных друг с другом данных, на основании которых можно получить дополнительную информацию о химическом составе образца [6–10]. При этом алгоритмы таких дополнительных расчетов часто простые или основаны на известных математических формулах. Достоинством таких подходов является расширение аналитической информации о составе проб. Главное ограничение – время расчетов по данным большой матрицы выходных данных. Так для восьмисенсорного анализатора газов “МАГ-8” только за 80 с измерения матрица выходных данных единичного измерения представлена от 640 до 645 чисел. При более сложных анализах, например, биопроб, время измерения достигает 200 с. Это приводит к расширению матрицы первичных данных массива сенсоров до 1600 чисел. Обработка такой матрицы данных при статистической обработке или при сравнении множества проб становится время затратным процессом, что в свою очередь снижает эффективность эксперимента. Так, даже для поиска общих закономерностей и изменений при анализе биопроб необходима минимальная выборка от 50 проб. Несложно представить, что только на расчеты по самым простым единичным откликам сенсоров при измерении (максимальным изменениям частот колебаний сенсоров за время измерения), например, параметров эффективности сорбции смесей газов Аi/j необходимо найти частное не менее 28 раз, а при расчетах по методу нормировки для набора восьми максимальных сигналов – еще не менее 30 расчетов. И это только для одной пробы. При этом часто и эти результаты являются промежуточными. Поэтому актуально применение программирования для упрощения стадии обработки данных. Программное обеспечение “электронного носа” не подразумевает частого обновления и ограничено регистрацией, сохранением и сравнением измерений из базы данных. Все дополнительные или новые расчетные данные получают вне этого программного обеспечения.

Цель работы – применить доступные средства расчета и обработки цифровой информации многомерных сигналов анализатора газов пьезоэлектронный нос для повышения эффективности измерений и снижения времени обработки данных, разработки программного обеспечения для мобильных гаджетов.

Материалы и методы

Для представления и обработки многомерных данных применяли электронные таблицы. Электронная таблица (ЭТ) – программа, предоставляющая возможность проводить расчет данных в виде двумерных массивов. Присутствующая в базовой операционной системе или загруженная из внешних источников, ЭТ являет удобным инструментом для автоматизации вычислений. Программы для взаимодействия с электронными таблицами довольно разнообразные (“Gnumeric”, “КSрrеаd”, “Google документы”, “LibreOfficeCalc”, “Microsoft Excel”).

Для математического моделирования при помощи электронной таблицы откликов быстрого расчета параметров газового анализатора газов типа электронный нос “МАГ-8” применили стандартное приложение MicrosoftExcel.

Обсуждение

В моделирование данных для получения новой информации о качественном и количественном составе газовых смесей по сигналам n-сенсорного электронного носа входит расчет таких параметров как:

toi, % - оценивает долю максимальных за время измерений сигналов каждого сенсора в общей матрице измерений. Математическая формула (1) моделируется в электронной таблице (= СУММ() / СУММ() ×100)

to t

= ^■*100 % l^f

tom, % - долю сигналов сенсоров в массиве за выбранный промежуток времени к сумме сигналов за все время измерения. Математическая формула (2) моделируется в электронной таблице (= СУММ() / СУММ()×100)

LF(At) to m =      * 100 %.

Lf (tz)

Параметр to является наиболее грубым для оценки доли тех соединений в смеси, сродство к которым проявляет модификатор определённого сенсора. Чем выше селективность сенсора в массиве, тем больше определённость о количественном составе смеси и изменении концентрации отдельных соединение или классов (кислоты, амины, спирты и т. д.). Но максимальные отклики сенсоров – дискретные значения (^Fmax, Fi), а процесс накопления наибольшей массы во времени протекает различно для разных аналитов, поэтому ^Fmax зависит не только от концентрации, но и природы компонентов. Предложен новый параметр tomi %, который более точно отражает изменение состава смеси, чем to, так как учитывает особенности накоплений максимальной массы сорбата от момента напуска паров аналитов. Этот параметр ранее не рассматривался в практике пьезоэлектрических микровесов из-за трудоемкости обработки данных. Диалоговое окно таблицы программирования его расчета представлена на рисунке 1.

Рисунок 1. Диалоговое окно таблицы для расчета w mi

Figure 1. Dialog calculation window w mi

Специфические параметры сорбции, учитывающие особенности временного изменения аналитического отклика сенсоров важны и содержат информацию о природе аналитов. Таким параметром является, например, кинетический параметр γ – он учитывает особенности сорбционно-десорбционных процессов, протекающих на разных покрытиях сенсоров для смесей газов и паров. Математическая формула (3) моделируется в таблице следующим образом (=(d1-d2) / (d3-d4)) (рисунок 2):

Y =

4d1-4d2

MrM4‘

Рисунок 2. Диалоговое окно для расчета кинетического параметра γ

Figure 2. Dialog calculation window for the kinetic parameter γ

Важен не только единичный кинетический параметр, но и их набор для всех измерительных элементов в массиве. Параметр позволяет хорошо ранжировать пробы сложного, меняющегося состава. Не менее информативен параметр minj – это параметр интегрального аналитического сигнала массива сенсоров (фигуры «визуальных отпечатков» максимальных откликов), характеризующий соотношение проекций сигналов сенсоров с пленками i и n на сигнал сенсора с пленкой j [1].

Смоделируем его в таблице как (= КОРЕНЬ((i)^2 + (j)^2-(i)×(j)* КОРЕНЬ(2)) / КОРЕНЬ((j)^2 + (n)^2-(j)×(n)×КОРЕНЬ(2))) (рисунок 3):

+∆ F 2 -∆ F  ⋅∆ F   ⋅ 2

max, j         max, i       max, j

m -inj

F 2 max, j

+∆ F 2 max, n

∆F    ⋅ ∆F   ⋅ max, jmax,

=KOPEHb($E4A2^$F4A2-$E4*$F4*KOPEHb{2))/KOPEHb($F4A2+G4A2-$F4*G4*KOPEHb(2))

E F G H           I            JК L M

Отклики сенсоров AR

ДЕ_____ДЕ_____,ДЕ_____ ДЕ ДЕ ДЕ ДЕ ДЕ Г ,[

7 581 68 _____781     85         91       95      99     100 |(2))/

Рисунок 3. Диалоговое окно Excel для расчета m inj Figure 3. Excel dialog window for calculating the m inj

Точность расчета параметров mimj – 1 x 10-2. Для каждого измерения на 8-ми сенсорном массиве таких параметров не менее 7. Однако, не все эти параметры информативны, но минимаксные их значения в наборе также важны для аутентичности проб при сравнении большого набора близких по составу объектов.

Одним из доступных параметров, с помощью которого можно сравнить многомерные регистрируемые, расчетные характеристики и отклики “электронного носа” являются параметры сопоставления наборов, оценки тесноты связи и подобия.

Для расчета степени подобия качественных характеристик искусственного обоняния (наборы Аij [2] γ, m) применен параметр δ. Для сопоставления двух наборов данных также можно применять моделирование ЭТ.

5 = Vm- Aij12k = 1         (5)

Параметр подобия Пирсона δ применяется для сравнения наборов данных для нескольких измерений. В электронной таблице формула для расчета δ (5) выглядит следующим образом:

(=КОРЕНЬ(-((СУММПРОИЗВ(ст) –

СУММПРОИЗВ(из)^2) / (СУММПРОИЗВ(ст)^2)))).

Диалоговое окно (рисунок 4) позволяет выводить информацию при сравнении со стандартным набором неограниченного числа наборов данных.

Рисунок 4. Диалоговое окно Excel для расчета параметра подобия δ

Figure 4. Excel dialog window for calculating the similarity parameter δ

Расчет в программируемых таблицах позволяет за малое время по выгружаемым из базы прибора данным рассчитать все важные качественные и количественные характеристики и при необходимости представить их графически. Эти электронные таблицы можно запрограммировать в ПО для прибора “МАГ-8”.

Для примера рассмотрим алгоритм действий при исследовании и подготовки данных после измерений на электроном носе “МАГ-8”.

  • 1.    Отбор и подготовка пробы к анализу.

  • 2.    Измерение по выбранному алгоритму (методика).

  • 3.    Вывод данных из программного обеспечения электронного носа в электронные таблицы (сохранить в Ехсеl).

  • 4.    Моделирование формул в электронной таблице (лист 1 или на отдельных листах).

  • 5.    Перенос данных в смоделированные электронные таблицы.

  • 6.    Электронные таблицы статистически выявляют значения, которые скооперированы с описанием состояния человека и причины отклонения от нормального состояния. Наиболее информативные выделены в группу из 21 показателя.

  • 7.    Для лучшего восприятия информации представлены визуализированные сферы состояния. Для каждого параметра А установлены границы значений соответствия нормы критическому и аномальному состоянию с указанием причин этого состояния. Если какой-либо параметр применим из указанных, то сектор закрашивается в зелёный, красный или жёлтый цвета. Пример сфер состояния приведен на рисунке 5.

  • 2.5 =0,26

ЛЕВАЯ        ПРАВАЯ СРЕДНЕЕ

Алкоголь, похмелье, почкй(?)

Кетоны, сахар выше нормы, нарушение работы эндокринной системы

4_6 =5,1

Сильное воспаление,истощение, стресс, кетоны

1_2=2,2

Резкий стресс во время измерения/

Рисунок 5. Диалоговое окно со сферой состояния

  • Figure 5. Dialog window with a Status Sphere

Применение программирования позволило значительно сократить время на обработку данных электронного носа; получить новую аналитическую диагностическую информацию. Это в свою очередь позволило надёжно оценить состояние объекта исследования и создать условия для дружественной интеграции и разработки ПО для персональных девайсов.

Разработаны алгоритм и программное обеспечение для электронного носа на основе 8-ми пьезосенсоров для личных девайсов на платформе Android. Алгоритм программы предназначен для трансформации результатов проведенных измерений в последовательность диаграмм разных типов.

Прибор передает данные по Bluetooth, которые принимаются мобильным устройством, обрабатываются, и в программном обеспечении на экране выводятся результаты, понятные обычным пользователям. Программа имеет два алгоритма обработки данных. Первый алгоритм основан на выводе результатов после ручного ввода максимальных откликов сенсоров. По полученным данным рассчитываются параметры и строится диаграмма состояния. Состояние определяется на основании расчетных параметров, для которых экспериментальным путем установлены числовые границы (рисунок 5). Данный режим позволяет пользователям проводить измерения в течение 2–3 мин и получать частичную, но важную информацию о своем состоянии.

Второй алгоритм предназначен для проведения лабораторного анализа. При регистрации сигналов сенсоров над кожей руки в течение 80 с и последующей регистрации десорбции в течение 120 с формируется полная матрица откликов, а при их обработке – наиболее информативный набор данных о состоянии организма и отдельных органов / систем. Строятся визуальные отпечатки набора откликов сенсоров (рисунок 6), рассчитывается площадь каждого и некоторые качественные характеристики. На основе рассчитанных параметров можно получить более детальный анализ причин в случае желтой и красной зон на сфере состояния. Данный алгоритм предназначен для проведения клинических измерений и диагностики состояние экспертом.

Рисунок 6. Различные виды визуальных отпечатков сигналов сенсоров в массиве

Figure 6. Different types of visual imprints of sensor signals in an array

Заключение

Разработанное программное обеспечение для мобильных устройств позволяет получить результат моментально после проведения измерения и привести их в более удобную для регистрации и интерпретации форму, позволит сделать домашнюю диагностику более доступной, автоматизирует процесс обработки данных.

Список литературы Интенсификация обработки данных и получение новой информации по многомерным сигналам "электронного носа"

  • Kuchmenko T.A., Shuba A.A., Drozdova E.V. Substation of the Operating life of Gas piezosensors in detection of vapors of organic compounds // Russian Journal of Applied Chemistry. 2015. V. 88. № 12. P. 1997-2008.
  • Кучменко Т.А., Шуба А.А. Информативность выходных сигналов "электронного носа" на пьезосенсорах // Аналитика и контроль. 2017. Т. 21. № 2. С. 72-84.
  • de Lacy Costello B., Amann A., Al-Kateb H., Flynn C. et. al. A review of the volatiles from the healthy human body. J Breath Res. 2014. V. 8. Р. 29. DOI: 10.1088/1752-7155/8/1/014001
  • Lucas A.R. et. al. Development of an eHealth System to Capture and Analyze Patient Sensor and Self-Report Data: Mixed-Methods Assessment of Potential Applications to Improve Cancer Care Delivery // Jmir Medical Informatics. 2018. V. 6. P. 138-150. DOI: 10.2196/medinform.9525
  • Liu J.J., Geng Z.X., Fan Z.Y., Liu J. et al. Point-of-care testing based on smartphone: The current state-of-the-art (2017-2018) // Biosensors & Bioelectronics. 2019. V. 132. P. 17-37. DOI: 10.1016/j.bios.2019.01.068
  • Jia W., Liang G., Tian H., Sun J. et al. Electronic nose-based technique for rapid detection and recognition of moldy apples // Sensors. 2019. V. 19. № 7. P. 1526.
  • Ghosh S., Tudu B., Bhattacharyya N., Bandyopadhyay R. A recurrent Elman network in conjunction with an electronic nose for fast prediction of optimum fermentation time of black tea // Neural Computing and Applications. 2019. V. 31. № 2. P. 1165-1171.
  • Sayago I., Aleixandre M., Santos J.P. Development of tin oxide-based nanosensors for electronic nose environmental applications // Biosensors. 2019. V. 9. № 1. P. 21.
  • Brinkman P., Wagener A.H., Hekking P.P., Bansal A.T. et al. Identification and prospective stability of electronic nose (eNose)-derived inflammatory phenotypes in patients with severe asthma // Journal of Allergy and Clinical Immunology. 2019. V. 143. № 5. P. 1811-1820.
  • Staerz A., Roeck F., Weimar U., Barsan N. Electronic Nose: Current Status and Future Trends1 // Surface and Interface Science. 2020. V. 9-10.
Еще