CN114894980B

CN114894980B - 一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法

Info

Publication number: CN114894980B
Application number: CN202210574810.2A
Authority: CN
Inventors: 汤修映; 熊黎剑; 何萌; 侯宁鑫; 韩少云; 胡灿
Original assignee: China Agricultural University
Current assignee: China Agricultural University
Priority date: 2022-05-25
Filing date: 2022-05-25
Publication date: 2023-06-20
Anticipated expiration: 2042-05-25
Also published as: CN114894980A

Abstract

本发明公开了一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，包括以下步骤：步骤1.从电子鼻采集获得多通道的传感器响应数据；步骤2.构建挥发性化合物和传感器之间的关系网络；步骤3.一级判断；步骤4.二级判断；步骤5.挖掘出最终的有效信息。

Description

一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法

技术领域

本发明涉及气味检测领域，尤其涉及一种气敏传感器检测及信号分析领域。

背景技术

随着社会的发展，气体检测也开始应用于各行各业，如粮食安全领域、工业安全生产领域等等。此类技术具有实时、快速、无损检测等优点，然而目前基于气敏传感器的检测方法，往往需要大量的数据，进行有标签的监督学习，然后才能具体地应用在某个场景。如果能从未知气体的响应信号中进行数据挖掘，直接提取出有效信息，将能大大拓展气体检测技术的应用的边界，为此发明了一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法。此外，在气味检测领域，典型的动态进样方式通常可分为待测气体进样阶段和洁净气体清洗阶段，这样的做法简单易行，但所包含的信息不是特别丰富。生物分辨气味时，会有一些急促的短嗅和较长时间的持续长嗅行为，短嗅过程可以获得瞬间的嗅觉刺激，长嗅过程会获得较持续和稳定的嗅觉刺激，结合二者可以从瞬态和稳态两个角度获得丰富的嗅觉感官信息。本发明受生物呼吸启发，开发了包含短嗅和长嗅的共七个阶段的进样模式，这样可以获得较为丰富的响应信号和其所包含的更多潜在有价值信息。

发明内容

为实现本发明之目的，采用以下技术方案予以实现：

一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，包括以下步骤：步骤1.从电子鼻采集获得多通道的传感器响应数据；步骤2.构建挥发性化合物和传感器之间的关系网络；步骤3.一级判断；步骤4.二级判断；步骤5.挖掘出最终的有效信息。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤2包括：利用传感器交叉敏感特性，构建挥发性化合物和传感器之间的关系网络W_Vocs-Snrs，其包括传感器-敏感挥发性化合物S-V集合和交叉敏感挥发性化合物-传感器V-S集合。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中，步骤1包括电子鼻模拟了人类对气味的急促短嗅和较持续的长嗅过程，采集获得多通道的传感器响应数据，具体来说包括七个阶段：集气瓶中收集未知待测气体，密封放置于恒温台上，50摄氏度恒温10分钟，开启电子鼻装置，试运行5分钟，使得仪器稳定，以1Hz的频率同时采集数据c秒；其中，采集洁净载气

秒，作为清洗准备阶段的数据；随后，连接集气瓶，继续采集样品气体/>

秒，作为短嗅阶段的数据；接着，暂停集气瓶进气，采集气室内残留气体/>

秒，作为暂停阶段的数据；随后，连接集气瓶，继续采集样品气体/>

秒，作为二次短嗅阶段的数据；再接着，暂停集气瓶进气，采集气室内残留气体/>

秒，作为二次暂停阶段的数据；然后，连接集气瓶，继续采集样品气体/>

秒，作为长嗅阶段的数据；最后，通入洁净载气，采集/>

秒，作为清洗恢复阶段的数据；由此获得D_n＝[d₁，d₂，...d_c]的n*c维原始数据，其中n表示传感器个数(也即通道数)，c表示每个通道的采集时长。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤2包括：

(1)建立传感器集合，公式如下：

Snrs＝[S₁，S₂...S_n]，其中n为传感器个数(也即通道数)

(2)对所有传感器对应敏感的挥发性物质集合求取并集，公式如下：

Vocs＝(V₁₁，V₁₂...)∪(V₂₁，V₂₂...)∪...(V_n1，V_n2...)，其中，V₁₁代表第一个传感器所对应敏感的第一个化合物，V_n1代表第n个传感器所对应敏感的第一个化合物。

(3)建立挥发性化合物集合：

Vocs＝[V₁，V₂...V_m]，其中m为不重复的挥发性物质种类数。

(4)建立挥发性化合物和传感器之间的的双向关系映射网络W_Vocs-Snrs，具体包含传感器-敏感挥发性化合物集合

S-V＝{S₁：{V₁，V₂，...}，S₂：{V₁，V₂，...}，...S_n：{V₁，V₂，...}}其含义为每一种传感器对应敏感的挥发性化合物集合组成的总的集合；交叉敏感挥发性化合物-传感器集合V-S＝{V₁：{S₁，S₂，...}，V₂：{S₁，S₂，...}，...V_m：{S₁，S₂，...}}，其含义为同时对某一种挥发性化合物敏感的传感器集合组成的总的集合。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤3包括：对每个传感器通道的短嗅、二次短嗅、长嗅、清洗准备和清洗恢复这五个阶段的数据求取平均值，并按如下公式计算一级判断指标P：

其中，p_i为第i个通道即传感器的一级判断指标，d_avg1是该通道的清洗准备阶段的平均值，d_avg2是该通道的清洗恢复阶段的平均值，d_avg3是该通道的短嗅阶段的平均值，d_avg4是该通道的二次短嗅阶段的平均值，d_avg5是该通道的长嗅阶段的平均值；

进一步地，一级判断规则如下：

其中，S_i为原始传感器集合Snrs集合中的第i个传感器，S_one为一级判断完成集合，S_two为二级判断备选集合，若一级判断指标小于或等于0.1，则将该通道的传感器放入一级判断完成集合，否则，放入二级判断备选集合S_two，此时，根据S_one并结合s-v集合，可得到一级结论：

Inform₁＝{未知气体中，不含有S_one集合中传感器所对应敏感的挥发性化合物}

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤4包括：

针对二级判断备选集合S_two中的数据，按如下公式去基线：

R_i＝d_i-d_baseline

其中，R_i是去除基线后的第i秒的响应值，d_i是传感器第i秒的原始响应值，d_baseline是基线值(其大小等于d_avg1)，每个通道共采集了c秒数据，故i∈[1，c]。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤4还包括：

从时间变换域和频率变换域两个角度提取二级判断备选集合S_two中的时域特征和频域特征，包括最大稳定差分值F_max、稳态均值F_stbavg、响应能量值F_integ、平均微分值F_ndf和方差值F_varnc；经傅里叶变换后的直流分量幅值F_fft0、一阶谐波分量幅值F_fft1和经小波变换后的低频分量能量值F_wdh、高频分量能量值F_wdl，相关特征具体公式如下：

(1)最大稳定差分值F_max由以下公式定义：

其中，R_avg1是该通道的清洗准备阶段去基线后的平均值，R_avg2是该通道的清洗恢复阶段去基线后的平均值，R_avg2是该通道的短嗅阶段去基线后的平均值，R_avg4是该通道的二次短嗅阶段去基线后的平均值，R_avg5是该通道的长嗅阶段去基线后的平均值；Max[]是求最大值函数,此特征，相比于通常所见的最大值特征或极差值特征，更能稳定地表现气敏传感器响应的剧烈情况；

(2)稳态均值F_stbavg由以下公式定义：

其中，R_j、R_k和R_l是气敏传感器在第j、k和l秒开始达到稳态时的响应，c为采样总时间，j∈(0.1c，0.2c)，k∈(0.3c，0.4c)，l∈(0.5c，0.8c)；

其中参数j、k和l的确定有两种方法，一是求取测试阶段的导数值，对应阶段内，若某一时刻导数值小于0.1(对应正切角小于5°)，此时意为响应波动较小，状态平稳，则将该时刻设置为j、k或l；若不满足第一种方法的条件，则j＝0.175c、k＝0.375c、l＝0.725c(意为从短嗅、二次短嗅和长嗅这三种阶段的后1/4部分开始取值)。此特征，能更好地表达气敏传感器在测试时的稳定响应情况；

(3)响应能量值F_integ由以下公式定义：

其中，R_i是气敏传感器在第i秒去除基线后的响应，F_integ为积分值特征，i取值从0.1c到0.8c-1。此特征，代表了气敏传感器在测试时的总体响应程度；

(4)平均微分值，其物理意义反映响应信号整体的动态过程，公式如下：

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，F_ndf为平均微分值特征；

(5)方差值，其物理意义反映响应信号的离散情况，公式如下：

F_varnc＝(R_i-Avg(R₁、R₂...R_c))²/c

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，Avg是取集合中元素平均值的函数，F_varnc是方差值特征；

(6)直流分量，公式如下：

F_fft0＝FFTO(R₁、R₂...R_c)

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，FFT0(·)是使用快速傅里叶变换提取直流分量的函数；

(7)一阶谐波分量，公式如下：

F_fft1＝FFT1(R₁、R₂...R_c)

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，FFT1(·)是使用快速傅里叶变换提取一阶谐波分量的函数；

(8)高频分量，公式如下：

F_wdh＝WDH(R₁、R₂...R_c)

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，WDH(·)是使用正交小波Haar作一层分解提取高频分量的函数；

(9)低频分量，公式如下：

F_wdl＝WDL(R₁、R₂...R_c)

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，WDL(·)是使用正交小波Haar作一层分解提取低频分量的函数；

对每一个传感器的去基线后的响应数据做特征提取，最终得到时频特征集F_i＝[F_{i_max}，F_{i_stbavg}，F_{i_integ}，F_{i_ndf}，F_{i_varnc}，F_{i_fft0}，F_{i_fft1}，F_{i_wdh}，F_{i_wdl}]，其中i为传感器的编号；

对时频特征集进行比例归一化处理，公式如下：

其中，F_i是第i个传感器的某项特征值，z为二级判断备选集合D_two中的传感器个数，i∈(1，z)；

得到归一化时频特征矩阵

其中，i是传感器编号，i∈(1，z)；j是特征种类编号，j∈(1，9)；

计算二级判断指标Q_i，公式如下：

二级判断规则如下：

其中，S_{two_i}是二级判断备选集合中第i个传感器，z为二级判断备选集合S_two中的传感器个数，S_unsure是不确定集合。该规则含义为将二级判断指标大于

的传感器放入S_two，否则放入S_unsure。

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤4还包括：启发式的数据挖掘方法，具体分为以下几个步骤：①计算进入交叉敏感集合S_cross中的传感器个数，记为N；②若N等于0，直接进入第五步，若N大于0，进入第三步；③将S_cross与V-S＝{V₁：{S₁，S₂，...}，V₂：{S₁，S₂，...}，...V_m：{S₁，S₂，...}集合中的各个子集求交集，交集中的传感器个数设为M；④计算置信度C＝M/N，根据V-S集合找到对应挥发性化合物；⑤结束流程；汇总以上分析结果，得到二级结论：

Inform₂＝{未知气体中，含有S_cross集合与V-S集合共有的传感器所对应敏感的挥发性化合物(置信度M/N)}

所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中步骤5包括：

经过数据采集、预处理、特征提取、两级级联判断和启发式数据挖掘，从未知待测气体中得到有价值信息，总的结论：

Inform_all＝Inform₁+Inform₂

＝{未知气体中，不含有S_one集合中传感器所对应敏感的挥发性化合物；含有S_cross集合与V-S集合共有的传感器所对应敏感的挥发性化合物(置信度M/N)}。

附图说明

图1是数据挖掘方法示意图；

图2是电子鼻检测硬件系统整体示意图；

图3是硬件连线图；

图4是反映传感器交叉敏感特性图；

图5是挥发性物质和传感器之间的关系网络图；

图6是典型的电子鼻响应数据曲线；

图7是提取的时域特征；

图8是提取的频域特征；

图9是启发式数据挖掘方法。

具体实施方式

下面结合附图1-9对本发明的具体实施方式进行详细说明。应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明的未知气体响应信号特征提取及数据挖掘方法包括：首先以受生物呼吸启发的包含短嗅和长嗅等七个阶段的采样方式，采集获得多通道的传感器响应数据；利用传感器交叉敏感特性，构建挥发性化合物和传感器之间的关系网络W_Vocs-Snrs，其包括传感器-敏感挥发性化合物S-V集合和交叉敏感挥发性化合物-传感器V-S集合；利用5个阶段的平均值定义一级判断指标P，若其小于或等于0.1，结合S-V集合，提取未知气体中不含有的挥发性化合物种类信息Inform₁，否则，进入第二级判断；利用比例归一化后的特征值定义二级判断指标Q，若其大于或等于

(z是进入二级判断的传感器个数)，结合V-S集合，并利用启发式数据挖掘和置信度估算方法，提取未知气体中可能含有的挥发性化合物种类及相关置信度信息Inform₂，否则，结束；最后汇总Inform₁和Inform₂，挖掘出最终的有效信息Inform_all。

电子鼻检测硬件系统整体示意如图2所示，包括恒温装置、电子鼻装置和计算机装置，上述三个装置从左到右依次排列。其中恒温装置包括样品集气瓶和加热恒温台；电子鼻装置包括传感器阵列气室、气泵、数据采集卡、电源及各种相关元器件；计算机模块通过数据线与电子鼻模块相连，实现信号采集与分析。具体的硬件连线方式如图3所示。在本实施案例中，使用的传感器型号及对应敏感挥发性化合物如下表所示：

根据实际使用的传感器情况，建立传感器集合，公式如下：

Snrs＝[S₁(TGS2602)，S₂(TGS2603)，S₃(TGS2612-D00)，S₄(TGS2615-E00)，S₅(NE2-CH2O)]。

建立挥发性化合物集合，公式如下：

Vocs＝(V₁₁，V₁₂...)∪(V₂₁，V₂₂...)∪...(V_n1，V_n2...)

其中，V₁₁代表第一个传感器所对应敏感的第一个化合物，V_n1代表第n个传感器所对应敏感的第一个化合物，在此实施案例中，n＝5。此公式含义为首先找出每个传感器对应敏感的所有挥发性物质，构成子集；再将所有子集求并集，即可得到挥发性物质集合Vocs。

根据本实施案例的实际情况，一号传感器对应有5种化合物、二号传感器对应有5种化合物、三号传感器对应有5种化合物、四号传感器对应有1种化合物、五号传感器对应有1种化合物，对五个化合物集合，去除重复，求取最大并集，共得到11种化合物，最终建立挥发性化合物集合：

Vocs

＝[V₁(甲苯)，V₂(硫化氢)，V₃(乙醇)，V₄(氨气)，V₅(氢气)，V₆(三甲胺)，V₇(甲硫醇)，V₈(丙烷)，V₉(异丁烷)，V₁₀(氯气)，V₁₁(甲醛)]。

如图4所示，传感器存在交叉敏感特性，即一个传感器对多个挥发性化合物敏感，而一种挥发性化合物也有可能被多个传感器检测到。构建如图5所示的挥发性物质和传感器之间的关系网络

该网络包含交叉敏感挥发性化合物-传感器集合V-S＝{V₁：{S₁}，V₂：{S₁，S₂}，V₃：{S₁，S₂，S₃}，V₄：{S₁}，V₅：{S₁，S₂，S₃}，V₆：{S₂}，V₇：{S₁}，V₈：{S₃}，V₉：{S₃}，V₁₀：{S₄}，V₁₁：{S₅}}和传感器-敏感挥发性化合物集合S-V＝{S₁：{V₁，V₂，V₃，V₄，V₅}，S₂：{V₂，V₃，V₅，V₆，V₇}，S₃：{V₃，V₅，V₈，V₉，V₁₀}，S₄：{V₁₀}，S₅：{V₁₁}}

采集传感器数据：集气瓶中收集未知待测气体，密封放置于恒温台上，50摄氏度恒温10分钟。开启电子鼻装置，试运行5分钟，使得仪器稳定，以1Hz的频率采集洁净载气10秒，作为清洗准备阶段的数据；随后，连接集气瓶，继续采集样品气体10秒，作为短嗅阶段的数据；接着，暂停集气瓶进气，采集气室内残留气体10秒，作为暂停阶段的数据；随后，连接集气瓶，继续采集样品气体10秒，作为二次短嗅阶段的数据；再接着，暂停集气瓶进气，采集气室内残留气体10秒，作为二次暂停阶段的数据；然后，连接集气瓶，继续采集样品气体30秒，作为长嗅阶段的数据；最后，通入洁净载气，采集20秒，作为清洗恢复阶段的数据；最终得到的响应曲线如图6所示。由此获得D₁＝[d₁，d₂，...d₁₀₀]、D₂＝[d₁,d₂,...d₁₀₀]、D₃＝[d₁，d₂...d₁₀₀]、D₄＝[d₁，d₂，...d₁₀₀]和D₅＝[d₁，d₂，...，d₁₀₀]共5*100维的原始数据，其中d表示每秒采集到的数据，7个阶段共100个数据。

一级判断：对每个传感器通道的5个阶段数据求取平均值，并按如下公式计算一级判断指标P:

其中，p_i为第i个通道(传感器)的一级判断指标，d_avg1是该通道的清洗准备阶段的平均值，d_avg2是该通道的清洗恢复阶段的平均值，d_avg3是该通道的短嗅阶段的平均值，d_avg4是该通道的二次短嗅阶段的平均值，d_avg5是该通道的长嗅阶段的平均值。

得到的各传感器的一级判断指标如下表：

指标/通道	S1	S2	S3	S4	S5
						一级判断指标P	1.538	1.186	1.04	0.418	0.05

进一步地，一级判断规则如下：

其中，S_i为原始传感器集合Snrs集合中的第i个传感器，S_one为一级判断完成集合，S_two为二级判断备选集合，若一级判断指标P小于或等于0.1，则将该通道的传感器放入一级判断完成集合，否则，放入二级判断备选集合S_two。

例如，由于p₅小于0.1，将S5的数据放入一级判断完成集合S_one，并根据传感器-敏感挥发性化合物集合S-V,传感器S5对应敏感化合物是V11(甲醛)，就此，可以得出一级结论Inform₁＝{待测气体中，不含有甲醛}。其余p₁、p₂、p₃和p₄均大于0.1，将S1、S2、S3和S4的数据均放入二级判断备选集合S_two。

针对二级判断备选集合S_two中的4*100维数据，按如下公式去基线：

R_i＝d_i-d_baseline

其中，R_i是去除基线后的第i秒的响应值，d_i是传感器第i秒的原始响应值，d_baseline是基线值(其大小等于d_avg1)，i∈[1，100]。

为了避免数据维数过多，而造成的“维数灾难”，需要对原始数据进行降维处理。同时，为了保持原数据更多有效信息，本发明从时间变换域和频率变换域两个角度提取数据的时域特征和频域特征。时域特征如图7所示，包括最大稳定差分值F_max、稳态均值F_stbavg、响应能量值F_integ、平均微分值F_ndf和方差值F_varnc。频域特征如图8所示，包括经傅里叶变换后的直流分量幅值F_fft0和一阶谐波分量幅值F_fft1，经小波变换后的低频分量能量值F_wdl及高频分量能量值F_wdh。

(1)最大稳定差分值F_max由以下公式定义：

(2)稳态均值F_stbavg由以下公式定义：

其中，R_j、R_k和R_l是气敏传感器在第j、k和l秒开始达到稳态时的响应，c为采样总时间，j∈(0.1c，0.2c)，k∈(0.3c，0.4c)，l∈(0.5c，0.8c)；其中参数j、k和l的确定有两种方法，一是求取测试阶段的导数值，对应阶段内，若某一时刻导数值小于0.1(对应正切角小于5°)，此时意为响应波动较小，状态平稳，则将该时刻设置为j、k或l；若不满足第一种方法的条件，则j＝0.175c、k＝0.375c、l＝0.725c(意为从短嗅、二次短嗅和长嗅这三种阶段的后1/4部分开始取值)。此特征，能更好地表达气敏传感器在测试时的稳定响应情况；

(3)响应能量值F_integ由以下公式定义：

F_varnc＝(R_i-Avg(R₁、R₂...R_c))²/c

(6)直流分量，公式如下：

F_fft0＝FFTO(R₁、R₂...R_c)

(7)一阶谐波分量，公式如下：

F_fft1＝FFT1(R₁、R₂...R_c)

(8)高频分量，公式如下：

F_wdh＝WDH(R₁、R₂...R_c)

(9)低频分量，公式如下：

F_wdl＝WDL(R₁、R₂...R_c)

其中，R_i是气敏传感器在第i秒去除基线后的响应，c为采样总时间，WDL(·)是使用正交小波Haar作一层分解提取低频分量的函数。

对每一个传感器的去基线后的响应数据做特征提取，最终得到时频特征集F_i＝[F_{i_max}，F_{i_stbavg}，F_{i_integ}，F_{i_ndf}，F_{i_varnc}，F_{i_fft0}，F_{i_fft1}，F_{i_wdh}，F_{i_wdl}]，其中i取值为1、2、3和4。

对四个特征集都进行比例归一化处理，公式如下：

其中，F_i是第i个传感器的某项特征值，z为二级判断备选集合D_two中的传感器个数，在本实施案例中，此时z＝4，故i取值为1、2、3和4。

得到归一化时频特征矩阵

其中，i是传感器编号，i∈(1，4)；j是特征种类编号，j∈(1，9)

计算二级判断指标Q，公式如下：

其中，Q_i为第i个通道的二级判断指标。具体数据见下表：

指标/通道	S1	S2	S3	S4
					NF_{i_max}	0.39	0.25	0.27	0.09
NF_{i_ndf}	0.38	0.27	0.26	0.08
					NF_{i_integ}	0.41	0.30	0.21	0.08
NF_{i_vrnc}	0.37	0.28	0.32	0.03
					N_{Fi_stbavg}	0.40	0.29	0.25	0.06
NF_{i_fft0}	0.36	0.27	0.29	0.08
					NF_{i_fft1}	0.35	0.29	0.31	0.05
NF_{i_wdh}	0.39	0.25	0.27	0.09
					NF_{i_wdl}	0.38	0.27	0.26	0.08
二级判断指标Q	0.38	0.27	0.28	0.07

二级判断规则如下：

其中，S_{two_i}是二级判断备选集合中第i个传感器，z为二级判断备选集合S_two中的传感器个数，S_unsure是不确定集合。该公式含义为：归一化特征值大于平均归一化特征值的传感器，可以认为其响应情况较强且相似。

在本实施案例中，此时z＝4，则

为0.25，若二级判断指标Q大于等于0.25，则将该通道对应的传感器放入交叉敏感集合S_cross，否则，放入不确定集合S_unsure(不做进一步分析)。Q₁、Q₂和Q₃的值均大于0.25，故将S1、S2和S3均放入交叉敏感集合S_cross＝{S₁，S₂，S₃}：Q₄小于0.25，将S4放入不确定集合S_unsure，并且不做进一步分析。使用如图9所示的启发式数据挖掘方法进一步提取信息。在这里，本发明提出了一种置信度的估算方式，以交叉敏感集合S_cross中包含的传感器个数作为分母N，与交叉敏感挥发性化合物-传感器集合V-S＝{V₁：{S₁}，V₂：{S₁，S₂}，V₃：{S₁，S₂，S₃}，V₄：{S₁}，V₅：{S₁，S₂，S₃}，V₆：{S₂}，V₇：{S₁}，V₈：{S₃}，V₉：{S₃}，V₁₀：{S₄}，V₁₁：{S₅}}中的各个子集分别求交集，设某交集中的元素个数为M，如果M＝N，则说明所有对某类挥发性化合物都敏感的传感器被全部筛选出，那这类物质就有100％的可能性存在；如果M＝N/2，则说明所有对某类挥发性化合物都敏感的传感器只有一半被筛选出，那这类物质就有50％的可能性存在，依此类推。例如，本实施案例中S_cross中的传感器个数为3，交叉敏感集合为{S1，S2，S3}，与V-S集合中的子集进行相交操作，第一个子集是V1：{S1}，与交叉敏感集合{S1，S2，S3}相交的结果是S1，对应化合物V1(甲苯)，置信度33.3％(1/3)；第二个子集是V2：{S1，S2}，与交叉敏感集合{S1，S2，S3}相交的结果是S1和S2，对应化合物V2(硫化氢)，置信度66.6％(2/3)；以此类推，第三个结果是S1、S2和S3，对应化合物V3(乙醇)，置信度100％(3/3)；第四个结果是S1，对应化合物V4(氨气)，置信度33.3％(1/3)；第五个结果是S1、S2和S3，对应化合物V5(氢气)，置信度100％(3/3)；第六个结果是S2，对应化合物V6(三甲胺)，置信度33.3％(1/3)；第七个结果是S1，对应化合物V7(甲硫醇)，置信度33.3％(1/3)；第八个结果是S3，对应化合物V8(丙烷)，置信度33.3％(1/3)；第九个结果是S3，对应化合物V9(异丁烷)，置信度33.3％(1/3)。汇总以上分析结果，得到二级结论：

Inform₂

＝{待测气体中，含有乙醇(置信度100％)、氢气(置信度100％、硫化氢(置信度66.6％)、甲苯(置信度33.3％)、氨气(置信度33.3％)、三甲胺(置信度33.3％)、甲硫醇(置信度33.3％)、丙烷(置信度33.3％)、异丁烷(置信度33.3％)}

最终，经过数据采集、预处理、特征提取、两级级联判断和启发式数据挖掘，从未知待测气体中得到有价值信息，总的结论：

Inform_all

＝{未知气体中，不含有甲醛，含有乙醇(置信度100％)、氢气(置信度100％)、硫信氢(置信度66.6％)、甲苯(置信度33.3％)、氨气(置信度33.3％)、三甲胺(置信度33.3％)、甲硫醇(置信度33.3％)、丙烷(置信度33.3％)、异丁烷(置信度33.3％)}

上述发明先以包含短嗅和长嗅等七个阶段的进样方式，进行气敏传感器响应信号的采集，然后针对原始数据，从时域和频域两个角度分别提取了5个和4个特征，利用原始数据和时频特征数据，开展两级的级联判断，挖掘出有效信息。该方法通过对未知组分气体的预分析，预判断和数据挖掘，为后续进一步的分析提供了重要基础，也将大大拓展气体检测技术的应用的边界。

Claims

1.一种基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其特征在于包括以下步骤：步骤1.从电子鼻采集获得多通道的传感器响应数据；步骤2.构建挥发性化合物和传感器之间的关系网络；步骤3.一级判断；步骤4.二级判断；步骤5.挖掘出最终的有效信息；所述的基于气敏传感器阵列的未知气体响应信号特征提取及数据挖掘方法，其中，步骤1包括电子鼻模拟了人类对气味的急促短嗅和较持续的长嗅过程，采集获得多通道的传感器响应数据，具体来说包括七个阶段：集气瓶中收集未知待测气体，密封放置于恒温台上，50摄氏度恒温10分钟，开启电子鼻装置，试运行5分钟，使得仪器稳定，以1Hz的频率同时采集数据c秒；其中，采集洁净载气

秒，作为长嗅阶段的数据；最后，通入洁净载气，采集/>

秒，作为清洗恢复阶段的数据；由此获得D_n＝[d₁,d₂,…d_c]的n*c维原始数据，其中n表示传感器个数，也即通道数，c表示每个通道的采集时长；

其中步骤2包括：

(1)建立传感器集合，公式如下:

Snrs＝[S₁,S₂…S_n]，其中n为传感器个数，也即通道数；

Vocs＝(V₁₁,V₁₂…)∪(V₂₁,V₂₂…)∪…(V_n1,V_n2…)，其中，V₁₁代表第一个传感器所对应敏感的第一个化合物，V_n1代表第n个传感器所对应敏感的第一个化合物；

(3)建立挥发性化合物集合：

Vocs＝[V₁,V₂…V_m]，其中m为不重复的挥发性物质种类数；

(4)建立挥发性化合物和传感器之间的双向关系映射网络W_Vocs-Snrs，具体包含传感器-敏感挥发性化合物集合S-V＝{S₁：{V₁，V₂，...}，S₂：{V₁，V₂，...}，...S_n：{V₁，V₂，...}}，其含义为每一种传感器对应敏感的挥发性化合物集合组成的总的集合；交叉敏感挥发性化合物-传感器集合V-S＝{V₁：{S₁，S₂，...}，V₂：{S₁，S₂，...}，...V_m：{S₁，S₂，...}}，其含义为同时对某一种挥发性化合物敏感的传感器集合组成的总的集合；

其中步骤3包括：对每个传感器通道的短嗅、二次短嗅、长嗅、清洗准备和清洗恢复这五个阶段的数据求取平均值，并按如下公式计算一级判断指标P：

进一步地，一级判断规则如下：

Inform₁＝{未知气体中，不含有Sone集合中传感器所对应敏感的挥发性化合物}

针对二级判断备选集合S_two中的数据，按如下公式去基线：

R_i＝d_i-d_baseline

其中，R_i是去除基线后的第i秒的响应值，d_i是传感器第i秒的原始响应值，d_baseline是基线值(其大小等于d_avg1)，每个通道共采集了c秒数据，故i∈[1,c]；

(1)最大稳定差分值F_max由以下公式定义：

(2)稳态均值F_stbavg由以下公式定义：

其中参数j、k和l的确定有两种方法，一是求取测试阶段的导数值，对应阶段内，若某一时刻导数值小于0.1，此时意为响应波动较小，状态平稳，则将该时刻设置为j、k或l；若不满足第一种方法的条件，则j＝0.175c、k＝0.375c、l＝0.725c；此特征，能更好地表达气敏传感器在测试时的稳定响应情况；

(3)响应能量值F_integ由以下公式定义：

其中，R_i是气敏传感器在第i秒去除基线后的响应，F_integ为积分值特征，i取值从0.1c到0.8c-1；

F_varnc＝(R_i-Avg(R₁、R₂...R_c))²/c

(6)直流分量，公式如下：

F_fft0＝FFT0(R₁、R₂...R_c)

(7)一阶谐波分量，公式如下：

F_fft1＝FFT1(R₁、R₂...R_c)

(8)高频分量，公式如下：

F_wdh＝WDH(R₁、R₂...R_c)

(9)低频分量，公式如下：

F_wdl＝WDL(R₁、R₂...R_c)

对每一个传感器的去基线后的响应数据做特征提取，最终得到时频特征集F_i＝[F_{i_max},F_{i_stbavg},F_{i_integ},F_{i_ndf},F_{i_varnc},F_{i_fft0},F_{i_fft1},F_{i_wdh},F_{i_wdl}],其中i为传感器的编号；

对时频特征集进行比例归一化处理，公式如下：

其中，F_i是第i个传感器的某项特征值，z为二级判断备选集合S_two中的传感器个数,i∈(1,z)；

得到归一化时频特征矩阵

其中，i是传感器编号，i∈(1,z)；j是特征种类编号，j∈(1,9)；

计算二级判断指标Q_i，公式如下：

二级判断规则如下：

其中，S_{two_i}是二级判断备选集合中第i个传感器，z为二级判断备选集合S_two中的传感器个数，S_unsure是不确定集合；该规则含义为将二级判断指标大于

的传感器放入Scross，否则放入S_unsure；

其中步骤4还包括：启发式的数据挖掘方法，具体分为以下几个步骤：①计算进入交叉敏感集合S_cross中的传感器个数，记为N；②若N等于0，直接进入第五步，若N大于0，进入第三步；③将S_cross与V-S＝{V₁：{S₁，S₂，...}，V₂：{S₁，S₂，...}，...V_m：{S₁，S₂，...}集合中的各个子集求交集，交集中的传感器个数设为M；④计算置信度C＝M/N，根据V-S集合找到对应挥发性化合物；⑤结束流程；汇总以上分析结果，得到二级结论：

其中步骤5包括：

Inform_all＝Inform₁+Inform₂＝{未知气体中，不含有S_one

集合中传感器所对应敏感的挥发性化合物；含有S_cross集合与V-S集合共有的传感器所对应敏感的挥发性化合物(置信度M/N)}。