Machine Translated by Google

Capteurs et actionneurs B 166­167 (2012) 320­329

Listes de contenus disponibles sur SciVerse ScienceDirect

Capteurs et actionneurs B : Chimique

page d'accueil du journal : www.elsevier.com/locate/snb

Compensation de la dérive du capteur de gaz chimique à l'aide d'ensembles de classificateurs

Alexander Vergaraa, ,1, Shankar Vembua,1, Tuba Ayhanb,2, Margaret A. Ryanc, Margie L. Homer c,
Ramón Huertaa
a BioCircuits Institute, Université de Californie, San Diego, La Jolla, CA 92093, États­Unis
b
Département d'ingénierie électronique et de communication, Université technique d'Istanbul, Maslak, TR­34469 Istanbul, Turquie
c
Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Drive, Pasadena, CA 91109, États­Unis

informations sur l'article abstrait

Historique des articles : La dérive des capteurs reste le problème le plus difficile en matière de détection chimique. Pour résoudre ce problème, nous
Reçu le 27 septembre 2011
avons collecté un vaste ensemble de données sur six composés organiques volatils différents sur une période de trois ans
Reçu sous forme révisée
dans des conditions de fonctionnement étroitement contrôlées à l'aide d'un réseau de 16 capteurs de gaz à oxyde métallique.
26 novembre 2011
Les enregistrements ont été réalisés à l’aide du même réseau de capteurs et d’un système de distribution de gaz robuste. Au
Accepté le 17 janvier 2012
Disponible en ligne le 1er mars 2012 meilleur de nos connaissances, il s'agit de l'un des ensembles de données les plus complets disponibles pour la conception
et le développement de méthodes de compensation de dérive, librement accessible en ligne. Nous avons introduit une
approche d'apprentissage automatique, à savoir un ensemble de classificateurs, pour résoudre un problème de discrimination
Mots clés:
Dérive du capteur de gaz sur des périodes prolongées avec des taux de précision élevés. Les expériences indiquent clairement la présence
Capteurs d'oxyde métallique d'une dérive dans les capteurs pendant une période de trois ans et que cela dégrade les performances des classificateurs.
Classification des séries chronologiques Notre méthode d'ensemble proposée basée sur des machines à vecteurs de support utilise une combinaison pondérée de
Méthodes d'ensemble classificateurs formés à différents moments. Comme l'illustrent nos résultats expérimentaux, l'ensemble de classificateurs est
Machines vectorielles de support capable de bien gérer la dérive du capteur et fonctionne mieux que les méthodes concurrentes de base.
© 2012 Elsevier BV Tous droits réservés.

1. Introduction La dérive tourmente la communauté de recherche sur les capteurs depuis

Dans l'histoire du développement des capteurs, les nez électroniques, ou
simplement les nez électroniques, constituent un ajout relativement nouveau
au monde des capteurs et peuvent être définis comme un ensemble de capteurs
à large réaction croisée connectés à l'électronique et à une reconnaissance
de formes efficace. Le système est utilisé pour détecter, classer et, si nécessaire,
quantifier une variété d'analytes chimiques ou d'odeurs préoccupantes dans
une certaine zone [1,2]. Idéalement, ces systèmes bénéficieraient grandement
de capteurs chimiques qui afficheraient toujours une réponse identique lorsqu'ils
sont exposés au même analyte ou à un mélange chimique et reviendraient à
leur niveau de base immédiatement après que le gaz évalué ne soit plus présent
à la surface du capteur. Cependant, dans les applications réelles, où les
capteurs fonctionnent sur une longue période, une telle situation idéale est
encore largement irréalisable aujourd’hui [3]. La variation progressive et
imprévisible des réponses des signaux chimio­sensoriels lorsqu'ils sont exposés
au même analyte dans des conditions identiques, également appelée dérive du
capteur, est depuis longtemps reconnue comme l'une des déficiences les plus
graves rencontrées par les capteurs chimiques [4­7] .
Auteur correspondant. Tél. : +1 8585346758 ; télécopie : +1 8585347664.
Adresse e­mail : vergara@ucsd.edu (A. Vergara).
1
Premiers auteurs conjoints.
2 Tuba Ayhan a réalisé l’essentiel de son travail sur cet article lors d’une visite au Bio­
Institut des circuits de l'UCSD.
de nombreuses années, détériorant les performances des classificateurs utilisés
pour la reconnaissance des gaz et augmentant les coûts de maintenance des
systèmes chimio­sensoriels, ou nez électroniques artificiels, lors des opérations
en temps réel. En général, la dérive du capteur peut être attribuée à deux
sources prédominantes [8,9]. Premièrement, la « dérive réelle » (appelée dérive
de premier ordre) due aux processus d'interaction chimique et physique des
analytes chimiques, en phase gazeuse, se produisant au niveau de la
microstructure du film de détection, comme le vieillissement (par exemple la
réorganisation de la surface du capteur sur de longues périodes) et
l'empoisonnement (par exemple, liaison irréversible due à une contamination
externe). Et deuxièmement, la « dérive de second ordre » (ou dérive du système
de mesure, parmi bien d'autres noms), produite par les altérations externes et
incontrôlables du système d'exploitation expérimental, y compris, mais sans s'y
limiter, les changements dans l'environnement (par exemple, la température et
variations d'humidité) ; bruit du système de délivrance des mesures (par
exemple, condensation des tubes, conditionnement des échantillons, etc.) ; et
les effets thermiques et de mémoire (par exemple, l'hystérésis ou les restes de
gaz précédents). En général, un certain nombre d'approches sous la notion de
lutte contre la dérive des capteurs ont été mises en œuvre dans la littérature,
mais l'un des travaux pionniers, et peut­être l'analyse la plus systématique de
la dérive des capteurs, a été réalisé par Romain et ses collègues [10,11] , qui a
utilisé un ensemble de données très complet, collecté sur de longues périodes
dans des conditions de fonctionnement réelles, pour fournir un aperçu
approfondi du problème de dérive des capteurs, tant pour la dérive réelle que pour la dérive d
Parmi les nombreuses conclusions intéressantes tirées de ces travaux,

0925­4005/$ – voir la préface © 2012 Elsevier BV Tous droits réservés. est ce que je:10.1016/
j.snb.2012.01.074
Machine Translated by Google
A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329
les trois aspects suivants ont été soulignés : (i) de tous les
technologies de détection disponibles, capteurs de gaz à base d'oxyde métallique [12]
restent la meilleure option pour les applications à long terme en continu
systèmes de surveillance; (ii) un gaz d'étalonnage est recommandé pour
estimer la compensation de dérive du capteur, et (iii), le remplacement du capteur
est inévitable sur de longues périodes.
Dans les applications pratiques, il est difficile de différencier empiriquement
entre la dérive réelle et la dérive du second ordre, si possible. En conséquence, il est
difficile de développer des méthodes pour corriger différentes sources.
de dérive car son origine ne peut être déterminée. Utiliser un
Un système de distribution efficace permet aux capteurs chimiques de contourner le
effet de dérive du second ordre, permettant de se concentrer exclusivement sur les capteurs
chimiques pour compenser la dérive réelle. Dans notre
système de livraison de gaz particulier, nous pouvons contrôler le second ordre
la dérive également, afin que nous puissions nous attaquer exclusivement au véritable problème de dérive. Ainsi,
dans la suite de ce document, nous utilisons le terme dérive pour désigner
véritable dérive. Concernant la réduction réelle de la dérive, de nombreux efforts ont été
consacré à la recherche de matériaux de capteurs capables d'interagir de manière réversible
avec le gaz afin que les molécules détectées se détachent du matériau du capteur dès que
le gaz a été purgé de la surface du capteur
[13­15]. D'autres solutions basées sur une modification périodique de la température de
fonctionnement du capteur [16, 17] ont également été mises en œuvre dans
un effort pour minimiser les effets d'irréversibilité dans les capteurs
réactions dues à un empoisonnement. Sans aucun doute, une réversibilité accrue
dans la réponse du capteur est nécessaire pour contrecarrer efficacement la dérive.
Toutefois, ce traitement général ne constitue qu'une facette de
le problème ­ ce qu'on appelle la dérive à court terme ­ une étude approfondie de
la variabilité du capteur sur des périodes plus longues est également nécessaire.
Les solutions les plus couramment utilisées pour faire face à la dérive des capteurs
Au sein de la communauté de détection chimique, il existe des méthodes univariées et
multivariées, dans lesquelles la compensation de la dérive est effectuée soit sur
chaque capteur individuellement ou sur l'ensemble du réseau de capteurs [9,18]. Parmi
les méthodes de compensation de dérive multivariées, les techniques de correction de
composants non supervisées sont les plus populaires [4,19,20]. Ces
les techniques reposent sur la recherche de transformations linéaires qui normalisent
les réponses du capteur dans le temps afin qu'un classificateur puisse être directement
appliqué aux données stationnaires résultantes. Par exemple, la méthode de correction
˚
des composants présentée par Artusson et al. [4] s'applique
la transformation suivante vers la matrice de mesure/données
X←X − (X · c)c, où c est le ou les vecteurs composants principaux du
mesures calculées à l'aide d'un gaz de référence qui peut approximer la direction de dérive.
Le principal inconvénient de ces techniques
est qu'ils supposent que la direction de la dérive est linéaire dans l'entité
l'espace et, par conséquent, une transformation linéaire des données suffit
pour le corriger. Bien qu'il soit tout à fait plausible que les versions kernelisées
L'analyse des composantes, telle que l'analyse des composantes principales du noyau [21],
peut être appliquée pour tenir compte des non­linéarités dans la dérive.
direction, ces techniques n’ont pas été beaucoup étudiées dans le
communauté de détection chimique. Aussi, à l'exception de la Réf. [20],
ces techniques nécessitent un gaz de référence utilisé pour se rapprocher
la direction de dérive en supposant que le gaz de référence fournit la
direction de dérive dans tous les autres gaz.
Dans cet article, nous adoptons une approche complètement différente pour résoudre
le problème mentionné, dans lequel nous ne faisons aucune des hypothèses mentionnées
ci­dessus. Au lieu de cela, nous utilisons une machine supervisée
méthode d'apprentissage, à savoir un ensemble de classificateurs pour faire face à
dérive du capteur. Au meilleur de nos connaissances, un tel apprentissage automatique
approche, qui détecte et gère automatiquement la dérive du capteur,
n'a jamais été appliqué dans la communauté de détection chimique auparavant,
bien qu'il ait été démontré qu'il donne des résultats prometteurs sur les problèmes liés aux
concepts dérivés dans l'apprentissage automatique et l'exploration de données
[22­25]. Utiliser un ensemble de données complet d'un multi­composant
problème de classification des gaz enregistré à partir de capteurs de gaz à oxyde métallique
sur une période de 36 mois, nous étudions la faisabilité
de notre méthodologie d’ensemble de classificateurs pour atténuer la dérive
effet dans les capteurs de gaz chimiques. Il est important de noter que le
321
La méthode d’ensemble utilisée dans cet article complète, plutôt que
est en concurrence avec les méthodes de correction des composants existantes
mentionné ci­dessus; puisque les méthodes de correction des composants sont
essentiellement une technique de pré­traitement, on peut en effet utiliser l'ensemble
méthode sur les données prétraitées également. Dans le reste de ceci
article, nous décrivons d’abord la configuration expérimentale, l’ensemble de données et
les méthodes d'extraction de caractéristiques considérées dans ce travail (Section
2). Nous décrivons ensuite l’algorithme de compensation de dérive (Section
3), suivie d'une description détaillée de nos résultats expérimentaux (Section 4). Et enfin,
nous présentons les commentaires concluants
tirés des résultats présentés dans cet article (Section 5).
2. Collecte de données
Nous appliquons notre méthode de compensation de dérive à une vaste gamme
ensemble de données3 enregistré par un réseau de capteurs de gaz à oxyde métallique. Dans ce
section, nous décrivons la configuration expérimentale, le protocole d'enregistrement et les
algorithmes de traitement du signal utilisés pour la fonctionnalité
extraction.
2.1. Le montage expérimental
Nous avons utilisé seize sérigraphies disponibles dans le commerce
réseau de capteurs de gaz à semi­conducteurs à oxyde métallique, fabriqué et
commercialisé par Figaro Inc. [12], pour nos expériences. Le
la conception personnalisée utilisée dans la technologie de détection comprend une ligne
de chauffage électrique RuO2 (oxyde de ruthénium) à contrôle indépendant
et un film semi­conducteur à oxyde métallique en tant que matériau de capteur imprimé
sur les électrodes de mesure (métal noble). Le capteur obtenu
l'élément est monté sur un substrat d'alumine puis connecté
par des fils conducteurs jusqu'aux broches du boîtier du capteur. Le tableau résultant,
rempli de capteurs (4 de chaque) étiquetés par le fabricant
comme TGS2600, TGS2602, TGS2610, TGS2620 est placé dans une chambre de test
d'un volume de 60 ml, où les substances odorantes d'intérêt, sous forme gazeuse
forme, doivent être injectés pour des essais. Pour générer l'ensemble de données requis,
nous connectons ladite chambre d'essai à un système à flux continu contrôlé par ordinateur,
qui offre une polyvalence pour le transport du
composés chimiques d'intérêt aux concentrations souhaitées pour
la chambre de détection avec une grande précision et de manière hautement reproductible
tout en maintenant le débit total constant. En particulier,
notre système utilise trois débits massiques numériques supervisés par ordinateur
contrôleurs (MFC) (fournis par Bronkhorst High­Tech BV [26]),
chacun d'eux avec des niveaux de débit maximum différents (200, 100 et
20 ml/min, ±1 % de précision). De tels dispositifs se connectent à différentes bouteilles de
gaz sous pression, qui contiennent, diluées dans de l'air sec, soit le
gaz vecteur ou les analytes chimiques à mesurer. Maintenir
le niveau d'humidité est constant à 10 % HR (mesuré à 25 ± 1 ◦C) pendant tout le processus
de mesure, nous utilisons de l'air synthétique sec
comme base pour toutes les mesures, fourni par Airgas Inc. [27].
Ensuite, les analytes analysés (c'est­à­dire l'ammoniac, l'acétaldéhyde, l'acétone, l'éthylène,
l'éthanol et le toluène) sont ajoutés à ce fond.
dans un ordre aléatoire. Le débit total à travers la chambre de détection est
réglé à 200 ml/min et maintenu constant pendant toute la mesure
processus. La réponse du réseau de capteurs de gaz a été mesurée lorsque
la température de fonctionnement des capteurs a été fixée à 400 ◦C, ce qui,
selon la table de recherche déterministe un­à­un fournie
par le fabricant [12], est obtenu via un chauffage intégré qui est
piloté par une source de tension continue externe réglée à 5 V. Enfin, pour assurer
Afin que des modèles de réponse reproductibles soient acquis lors de chaque mesure, les
capteurs ont été préchauffés pendant plusieurs jours avant la mesure.
le processus d’expérimentation démarre.
3 L'ensemble de données sera mis à disposition sur le référentiel UCI après acceptation du
papier.
Machine Translated by Google

322 A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329

Fig. 1. Configuration expérimentale utilisée pour l'acquisition de données. Les réponses du capteur sont enregistrées en présence de l'analyte sous forme gazeuse diluée à différentes concentrations
dans l'air sec. Le système de mesure fonctionne dans un environnement entièrement informatisé avec une intervention humaine minimale, ce qui offre une polyvalence dans le transport des odeurs
d'intérêt (aux concentrations souhaitées) vers la chambre de détection avec une grande précision, tout en maintenant constant le débit total. Par conséquent, aucun changement dans le débit ou la
dynamique du débit n'est reflété dans la réponse du capteur (c'est­à­dire que seule la présence d'une substance odorante sera reflétée dans la réponse du capteur). De plus, étant donné que le système
fournit en permanence du gaz à la chambre de détection (soit de l'air propre et sec, soit un composant chimique), la quantité de molécules de gaz dans la chambre de détection est répartie de manière homogène.

La réponse du capteur est lue sous la forme de la résistance à travers la
couche active de chaque capteur ; par conséquent, chaque mesure produit une
séquence de séries temporelles de 16 canaux. La carte d'acquisition de données
collecte les données des capteurs de gaz et contrôle le signal de tension
analogique vers chaque capteur chauffant. Cette tension est utilisée pour
contrôler et faire varier la température de fonctionnement du capteur chauffant à
l'aide d'un programme d'environnement LabVIEW [28] fait maison fonctionnant
sur une plate­forme PC. La configuration expérimentale est illustrée dans le
schéma présenté sur la figure 1.
2.2. L'ensemble de données
Notre ensemble de données consiste en un problème de classification de
six gaz/analytes dosés à différentes concentrations, dans lequel le but est de
discriminer les six analytes différents quelle que soit leur concentration. L'identité
de l'odeur et les valeurs de concentration en parties par million par volume
(ppmv) sont répertoriées dans le tableau 1.
Chacune des paires possibles de types de gaz et de concentrations a été
échantillonnée sans ordre particulier. L'ensemble de données résultant comprend
13 910 enregistrements (séquences de séries chronologiques) collectés sur une
période de 36 mois. La répartition exacte du nombre de mesures par mois est
indiquée dans le tableau 2. Notez que certains mois indiqués dans le tableau ne
contiennent aucune des mesures pour un ou plusieurs gaz ; d'autres analytes
gazeux et/ou mélanges complexes qui ne sont pas pris en compte dans cette
étude ont été collectés au cours de cette période spécifique en utilisant le même
réseau de capteurs et d'appareils expérimentaux, ce qui a augmenté la
complexité du problème en raison des interférences de ces analytes externes
qui peuvent
Machine Translated by Google

A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329 323

Tableau 1
Analytes et concentrations dans l’ensemble de données.

Analytes Concentrations en ppmv

Ammoniac 50, 60, 70, 75, 80, 90, 100, 110, 120, 125, 130, 140, 150, 160, 170, 175, 180, 190, 200, 210, 220, 225, 230, 240, 250, 260, 270, 275, 280, 290, 300, 350,
400, 450, 500, 600, 700, 750, 800, 900, 950, 1000
Acétaldéhyde 5, 10, 13, 20, 25, 30, 35, 40, 45, 50, 60, 70, 75, 80, 90, 100, 120, 125, 130, 140, 150, 160, 170, 175, 180 , 190, 200, 210, 220, 225, 230, 240, 250, 275, 300,
500
Acétone 12, 25, 38, 50, 60, 62, 70, 75, 80, 88, 90, 100, 110, 120, 125, 130, 140, 150, 170, 175, 180, 190, 200, 210, 220, 225, 230, 240, 250, 260, 270, 275, 280, 290,
300, 350, 400, 450, 500, 1000
Éthylène 10, 20, 25, 30, 35, 40, 50, 60, 70, 75, 90, 100, 110, 120, 125, 130, 140, 150, 160, 170, 175, 180, 190, 200, 210, 220, 225, 230, 240, 250, 275, 300
Éthanol 10, 20, 25, 30, 40, 50, 60, 70, 75, 80, 90, 100, 110, 120, 125, 130, 140, 150, 160, 170, 175, 180, 190, 200, 210, 220, 225, 230, 240, 250, 275, 500, 600
Toluène 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95, 100

Tableau 2
Détails de l'ensemble de données. Chaque ligne correspond aux échantillons collectés sur une période d'un mois pour six gaz.

Identifiant du mois Nombre d'exemples

Ammoniac Acétaldéhyde Acétone Éthylène Éthanol Toluène Total

mois1 76 0 0 88 84 0 248
mois2 7 30 70 10 6 74 197
mois3 0 0 7 140 70 0 217
mois4 0 4 0 170 82 5 261
mois8 0 0 0 20 0 0 20
mois9 0 0 0 4 11 0 15
mois10 100 105 525 0 1 0 731
mois11 0 0 0 146 360 0 506
mois12 192 334 0 0 526
mois13 0 48 0 10 0 554
mois14 18 43 5 0 113
mois15 216 0 12 12 275 0 12 0 52 12 0 48
mois16 20 46 63 40 28 0 197
mois17 0 0 0 20 0 0 20
mois18 0 0 0 3 0 0 3
mois19 110 29 140 100 264 652
mois20 466 451 250 9 1625
mois21 0 0 630 662 649 458 3613
mois22 360 25 744 15 123 0 0 568 0 163
mois23 15 18 20 30 30 18 131
mois24 0 25 28 0 0 1 54
mois30 100 50 50 55 61 100 416
mois36 600 600 600 600 600 600 3600

potentiellement affecter la durée de vie du capteur. De plus, comme observé dans complète, divisée en 100 s pour la phase d'injection de gaz et au moins
Tableau 2, le dernier lot d'enregistrements, qui contient 3 600 mesures des mêmes 200 s pour la phase de récupération (nettoyage). À des fins de traitement,
analytes, a été volontairement collecté cinq nous avons considéré la réponse entière du capteur après avoir soustrait le
mois après la mise hors tension des capteurs. Cet écart de 5 mois référence de chaque enregistrement. La fréquence d'échantillonnage a été fixée à 100 Hz.
est extrêmement important pour cette étude, non seulement parce qu'il permet Enfin, le processus de mesure décrit ici a été reproduit
nous de valider notre méthode proposée sur l'ensemble annoté de mesures collectées pour les mesures ultérieures.
cinq mois plus tard, mais aussi parce que c'est pendant
cette période de temps pendant laquelle les capteurs ont été soumis à une grave
2.3. Traitement des données et extraction de fonctionnalités
contamination, car des interférences externes pouvaient facilement et de manière irréversible
s'attacher à la couche de détection en raison du manque de fonctionnement
Les capteurs de gaz à oxyde métallique Figaro sont connus pour avoir un lent
température.
réponse à un analyte chimique. Cette réponse, dans des conditions de fonctionnement
Pour générer l'ensemble de données, nous avons suivi une procédure de mesure
étroitement contrôlées (c'est­à­dire débit d'air constant et
composé des étapes suivantes. Premièrement, un flux constant de produits de qualité zéro
température de fonctionnement), implique généralement un changement doux et saturant
de l'air sec circulait à travers la chambre de détection tandis que le gaz
de manière monotone de la conductance/résistance tout au long de sa détection
le réseau de capteurs a été maintenu à une température de fonctionnement stable (400 ◦C).4
couche due aux réactions d’adsorption/désorption du produit chimique
Cette étape a été effectuée pour mesurer le capteur de référence en régime permanent
analyte présent à la surface microporeuse du capteur. Le
réponse (c'est­à­dire la réponse du capteur en présence d'aucun produit chimique)
la quantité et la vitesse de ces réactions dépendent de (i) l'identité de l'analyte, (ii) la
analytes). Ensuite, la concentration souhaitée de l'odorant a été
concentration de l'analyte, (iii) la couche active (c'est­à­dire le capteur
injecté par le système à flux continu dans la chambre de détection.
type), et (iv) la température de surface (c'est­à­dire, le fonctionnement des capteurs
Enfin, lors de la troisième étape (phase de nettoyage), la vapeur a été aspirée
température). Puisque les deux derniers facteurs sont fixes tout au long de la
loin du réseau de capteurs et la chambre de test a été nettoyée
toute la procédure de mesure de cette analyse, le capteur­analyte
à l'air sec avant la phase de concentration d'une nouvelle mesure.
le processus d’interaction identité/concentration devient le seul facteur
Le temps d'acquisition de ces mesures a pris au moins 300 s pour
qui, en tant que paire, façonne le profil de réponse et, ainsi, définit le
identité de l’analyte chimique d’intérêt [29]. En conséquence, les caractéristiques reflétant
l'ensemble de la dynamique de détection à la surface du capteur
sont d’un intérêt particulier dans notre analyse de compensation de dérive.
4 Nous n'avons pas accès à la température réelle de la surface de détection en raison de l'emballage,
L'extraction de caractéristiques joue un rôle important dans chaque application chimio­
mais une table de consultation la reliant à la tension du chauffage peut être trouvée sur demande.
dans la Réf. [12]. sensorielle [30] ; il est défini comme une cartographie de transformation
Machine Translated by Google

324 A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329

(un)
6000

4000 Caractéristique en régime

Désorption des analytes chimiques
(Phase de nettoyage)
Adsorption d'analytes chimiques permanent ΔR = R−R0
éR(
esnop)Ω
(Phase d'injection de gaz)
2000

100 200 300 400 500 600 700 800 900 1 000 1 100
Caractéristiques prises en compte dans la partie Caractéristiques prises en compte dans la partie
croissante de la réponse du capteur décroissante de la réponse du capteur
(b) (e)
1 Valeurs maximales de l'ema
1
Valeurs minimales de l'ema
100,0=

mumixam

0 0
emaα max =0,001

100,0=nimαame
αame

min emaα=0,001

−1 −1
100 200 300 400 500 600 700 800 900 1 000 1 100
(c) 2 f) 2

1
mumixam

emaα max =0,01

0
0

10,0=nimαame
10
α 0=
a,m e

min emaα=0,01

−1 −2
100 200 300 400 500 600 700 800 900 1 000 1 100
(d) 2 (g) 2
emaα max =0,1
1,0=

mumixam

0 0
αame

1,0=nimαame

min emaα=0,1

−2 −2
400 500 600 700 800 900 1 000 1 100 100 200 300
Temps (s)

Fig. 2. Panneau (a), réponse typique d'un capteur chimique à base d'oxyde métallique à 30 ppmv d'acétaldéhyde. La courbe montre les trois phases d'une mesure : mesure de base (effectuée avec de l'air
pur), mesure du gaz test (lorsque l'analyte chimique est injecté, sous forme gazeuse, dans la chambre de test) et phase de récupération (pendant laquelle le capteur est à nouveau exposé à l'air pur ; le
temps de récupération est généralement beaucoup plus long que la phase d'injection de gaz). Panneaux (b) – (d), moyenne mobile exponentielle de la partie croissante de la réponse du capteur (injection
de gaz) pour ˛= 0,1, ˛= 0,01 et ˛= 0,001. Les valeurs maximales des graphiques (c'est­à­dire max ema˛r[k]), représentent les caractéristiques extraites du
k
capteur chimique en réponse à l'analyte. Panneaux (e) – (g), moyenne mobile exponentielle de la partie décroissante de la réponse du capteur (phase de nettoyage) pour ˛= 0,1, ˛= 0,01 et ˛= 0,001. Les
valeurs minimales des graphiques (c'est­à­dire min ema˛r[k]) sont les caractéristiques que nous avons extraites pour représenter le signal du capteur pendant sa phase de nettoyage. Les fonctionnalités sont
k
marqué de cercles rouges dans l'intrigue. (Pour l'interprétation des références à la couleur dans la légende de cette figure, le lecteur est renvoyé à la version Web de l'article.)

la réponse du capteur à un espace de dimension inférieure préservant la
partie la plus significative des informations contenues dans le signal du
capteur d'origine. Dans ce travail, nous considérons deux types distincts de
caractéristiques qui exploitent l'ensemble des processus dynamiques se
produisant à la surface du capteur, y compris ceux qui reflètent son
adsorption, sa désorption et les réponses à l'état stationnaire (ou final) de l'élément l'économétrie
D’une part, nous utilisons la caractéristique à l’état d’équilibre, qui est la «
référence » pour l’extraction de caractéristiques chimio­sensorielles [31]. Il
est défini comme la différence entre le changement de résistance maximal et
la ligne de base,
r[k],
R = maxk r[k] − mink
D'autre part, nous extrayons également un ensemble de caractéristiques
reflétant la dynamique du capteur de la partie transitoire croissante/
décroissante de la réponse du capteur pendant toute la procédure de mesure
dans des conditions contrôlées. En particulier, nous utilisons la moyenne
mobile exponentielle (ema˛), une transformation empruntée au domaine de
du capteur. initialement introduite dans la communauté des capteurs
chimiques dans [32] qui convertit les séries temporelles discrètes croissantes/
décroissantes et saturantes r[·] collectée à partir du capteur chimique dans
un scalaire réel f˛{r[·]}, en estimant la valeur maximale (ou minimale pour la
partie décroissante de la réponse du capteur) de sa transformée moyenne
mobile exponentielle (ema˛), calculée par ,
(1)
y[k] = (1 − ˛)y[k − 1] + ˛(r[k] − r[k − 1]), (3)

et sa version normalisée exprimée par le rapport de la résistance maximale où k = 1, 2, . . ., T, y[0], sa condition initiale, mise à zéro (y[0] = 0), et le
et des valeurs de base, scalaire ˛ (˛ {0, 1}) étant un paramètre de lissage de l'opérateur qui définit à
la fois la qualité de la caractéristique f˛{r[·]} et le moment de son apparition le
maxkr[k] − minkr[k] long de la série temporelle.5 Dans ce travail, nous avons défini trois valeurs
||R|| = , (2)
vison[k] différentes pour ˛ (˛= 0,1, ˛= 0,01 et ˛= 0,001)

où r[k] est le profil temporel de la résistance du capteur, k est le temps discret

indexant l'intervalle d'enregistrement [0, T] lorsque la vapeur chimique est 5 Les lecteurs sont renvoyés à la Réf. [32] pour une analyse et une discussion plus détaillées
présente dans la chambre d'essai. sur cette fonctionnalité.
Machine Translated by Google

A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329 325

Tableau 3
respectivement. Soit L le nombre de classes. On peut estimer un ensemble
Caractéristiques extraites des données de séries chronologiques. L
de poids {ˇc 1,. . .,ˇc t} pour chaque classe c {1,. . ., 2
} ou c {1,
Caractéristiques à l'état stable Caractéristiques transitoires
. . ., L − 1} en résolvant (4). Alternativement, si nous voulons attribuer des poids
Portion montante Partie en décomposition
selon les performances de prédiction des classificateurs sur le plus
R. maximum min lot récent, nous pouvons simplement estimer un seul ensemble de poids {ˇ1, . . .,
ema˛=0,001(r[k]) ema˛=0,001(r[k])
k k
||R|| maximum min ˇt} en utilisant les précisions de prédiction du classificateur multi­classes sur chaque
ema˛=0,01(r[k]) ema˛=0,01(r[k])
k k lot. Dans ce cas, les prédictions sont faites selon un coefficient pondéré
maximum min
ema˛=0.1(r[k]) ema˛=0.1(r[k])
k k vote majoritaire, c'est­à­dire

ht+1(x) = argmax ˇt. (5)

comme déjà utilisé dans nos travaux précédents [32] pour obtenir trois valeurs de
caractéristiques différentes à partir de la partie ascendante préenregistrée de
la réponse du capteur et trois fonctionnalités supplémentaires avec le même
˛ valeurs pour la partie décroissante de la réponse du capteur, couvrant ainsi la totalité de
la réponse du capteur. La figure 2 montre le type
réponse du signal d'un capteur chimique en présence de 30 ppmv
de l'acétaldéhyde et sa représentation ema˛ pour les trois différents
valeurs. Enfin, comme l'illustre cette figure, en appliquant la transformée mentionnée ci­
dessus à chacun des 16 canaux (capteurs) du
série temporelle préenregistrée, nous mappons la réponse du réseau de capteurs en
un vecteur de caractéristiques à 128 dimensions, résultant d'une combinaison des 8
caractéristiques décrites ci­dessus × 16 capteurs (voir tableau 3).
Pour une discussion plus détaillée sur ces fonctionnalités, les lecteurs sont
référé à la Réf. [32].
3. Méthode de compensation de dérive
Nous utilisons un ensemble de classificateurs [22,24,25] pour détecter et gérer
avec dérive du capteur. Considérons un problème de classification binaire avec un ensemble
de caractéristiques x en entrées et d'une étiquette de classe (un gaz/analyte dans notre
problème) y en sortie. À chaque pas de temps, nous recevons un lot d'exemples
St = {(x1, y1),. . .,(xmt, ymt)} de taille mt. Nous formons un classificateur ft(x),
par exemple une machine à vecteurs de support (SVM) [33], en utilisant le lot d'exemples
actuel. Le classificateur final ht+1(x) au pas de temps (t + 1)
t
est une combinaison pondérée de classificateurs, c'est­à­dire ht+1(x) = i=1ˇifi(x),
où {ˇ1,. . .,ˇt} est l’ensemble des poids du classificateur. En supposant que la distribution
des exemples dans le lot actuel St n'a pas
beaucoup changé par rapport à ceux du lot précédent St−1, nous utilisons le
exemples dans le lot St pour estimer les poids {ˇ1, . . ., ˇt}. Il y a
plusieurs façons d’estimer ces poids. Une manière simple et intuitive
consiste à attribuer des poids aux classificateurs en fonction de leurs performances de
prédiction sur le lot St. Alternativement, nous pourrions résoudre une optimisation
problème tel que
2
mont
y {1,...,L}
t:pi(x)=y
Nous avons utilisé cette stratégie dans toutes nos expériences en raison de sa simplicité
et de sa facilité de mise en œuvre. Plus important encore, nous pouvons directement
utiliser les résultats de logiciels existants, par exemple le logiciel largement utilisé
LibSVM [35] — pour estimer les poids sans avoir besoin de résoudre un
problème d'optimisation supplémentaire.
4. Résultats expérimentaux
Dans toutes nos expériences, nous avons formé des SVM multi­classes (stratégie un
contre un) avec le noyau RBF en utilisant LibSVM accessible au public.
logiciel [35]. Les fonctionnalités des ensembles de données de formation et de test étaient
mis à l’échelle de manière appropriée pour se situer entre −1 et +1. Le paramètre de bande
passante du noyau et le paramètre SVM C ont été choisis en utilisant
Validation croisée 10 fois en effectuant une recherche de grille dans la gamme
[2−10, 2−9, . . ., 24, 25] et [2−5, 2−4, . . ., 29, 210], respectivement.
Nous avons d'abord établi le fait que les capteurs dérivent et que
la dérive dégrade les performances des classificateurs. Nous avons formé un
classificateur multiclasse sur les données collectées au cours des deux premiers mois
et l'a testé sur les données des mois restants. Détails sur le
nombre de mesures collectées chaque mois pendant une période donnée
de trois ans est donnée dans le tableau 2.
Les performances du classificateur mesurées en termes de prédiction
la précision est illustrée à la Fig. 3. Nous voyons que les performances progressivement
se dégrade avec le temps, ce qui à son tour constitue un indicateur clair de
la dérive du capteur et la façon dont elle a affecté la précision du classificateur.
Notez également qu'au mois 18 (ID : mois 18, dans le tableau 2), nous avons
seulement 3 mesures de classe 4 (éthylène) et donc le
les performances s'élèvent soudainement à 100 %. Nous considérons que cette question est
une exception.
Nous avons ensuite considéré quatre paramètres décrits ci­dessous :

Argmin ˇjfj(xi) − yi . (4)

ˇ1,...,ˇt je = 1
tj=1

Il est également possible de minimiser une fonction de perte différente de celle

perte au carré utilisée ci­dessus. Par exemple, si les classificateurs de base sont
SVM, nous pouvons minimiser la perte de charnière L(f(x), y) = max (0, 1 − yf(x)).
Minimiser la perte au carré comme indiqué ci­dessus présente l'avantage de
calculer la solution {ˇ1, . . ., ˇt} sous forme fermée. L'algorithme
sous sa forme la plus générale est donnée ci­dessous.

Algorithme 1. Algorithme pour faire face à la dérive conceptuelle

pour t = 1,. . ., Je fais

1:2: Recevoir St = {(x1, y1),. . .,(xmt, ymt)}
3: Former un classificateur (SVM) sur St
4: Estimer les poids {ˇ1,. . .,ˇt} en utilisant l'une des techniques
décrit dans le texte
fin pour
5:6: Classificateur final de sortie : {ˇ1,. . .,ˇT } et {f1,. . .,fT }

Pour plusieurs classes, nous pouvons utiliser une stratégie un contre un ou un contre
Fig. 3. Performances des classificateurs lorsqu'ils sont formés les mois 1 et 2 et testés sur
tous [34] pour former un classificateur pour chaque paire de classes ou pour chaque classe.
mois 3 à 36.
Machine Translated by Google

326 A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329

Tableau 4
Détails de l'ensemble de données. Chaque ligne correspond aux mois qui ont été combinés pour former un
lot.

ID de lot ID de mois

lot1 mois1, mois2

lot2 mois3, mois4, mois8, mois9, mois10
lot3 mois11, mois12, mois13
lot4 lot5 mois14, mois15
lot6 mois16
lot7 lot8 mois17, mois18, mois19, mois20
lot9 mois21
lot10 mois22, mois23
mois24, mois30
mois36

Paramètre 1 Pour chaque mois, nous avons formé un classificateur multi­classes avec
données du mois précédent uniquement et je les ai testées sur le
mois en cours.
Cadre 2 Pour chaque mois, nous avons formé un ensemble de multi­classes
classificateurs en utilisant la méthode de l’algorithme 1. Fig. 4. Performances des classificateurs entraînés sur les lots 1 à 5 et testés sur des lots successifs.
Paramètre 3 Identique au paramètre 2 mais avec des poids uniformes sur les classificateurs lots. (Pour l'interprétation des références à la couleur dans cette légende de figure, le lecteur
individuels (de base). fait référence à la version Web de l'article.)
Paramètre 4 Identique au paramètre 1 mais avec les ensembles de tests modifiés à l'aide de
la méthode de correction des composants (PCA) [4].

Le SVM formé dans le cadre 1 constitue une base de référence solide car il voit
le lot d'exemples le plus récent qui n'est pas corrompu par des dérives
données du passé. Si nous devions former un SVM en utilisant l'intégralité des données
jusqu'à un instant t, les performances se dégraderaient encore davantage. Notez que
l'ensemble des classificateurs formés dans le cadre 3 avec
les poids uniformes utilisent essentiellement toutes les données du passé. Nous
voudrais souligner que notre configuration expérimentale est robuste dans
le sentiment que les méthodes de base sont solides. Une configuration expérimentale
similaire a été utilisée dans la réf.[36] qui fut l'une des premières méthodes pour
aborder la dérive des concepts dans la communauté de l’apprentissage automatique. Paramètre
4 est similaire à la configuration expérimentale décrite dans les réf. [19,20].
Afin de pouvoir former des classificateurs dans ces paramètres, nous
besoin d’un nombre suffisant d’exemples dans chaque classe et chaque mois.6 Nous
donc combiné les mesures de 36 mois pour former 10
lots de telle manière que le nombre de mesures soit aussi
uniformément répartie que possible. Des détails sur le nombre de mesures dans chaque
lot sont donnés dans le tableau 4. La figure 4 montre le
Fig. 5. Performances des classificateurs formés dans le cadre du paramètre 1 (•), du paramètre 2 (),
performances d'un SVM (ligne noire) entraîné sur le lot 1 et testé
Réglage 3 () et réglage 4 (+) décrits dans le texte. La ligne noire continue correspond au
sur les lots 2 à 10. Notez que cette courbe est estimée avec le même
paramètre dans lequel un classificateur a été formé avec le lot 1 et testé sur
Modèle SVM utilisé dans la figure 3 mais testé à la place sur les données des lots lots successifs. Le paramètre 2 correspond à notre méthode proposée (Algorithme 1).
de mois. (Pour l'interprétation des références à la couleur dans la légende de cette figure, le lecteur est
Encore une fois, nous voyons que les performances du classificateur sont fait référence à la version Web de l'article.)

se dégradant avec le temps à cause de la dérive. Nous avons constaté des comportements similaires lorsque
nous avons formé plusieurs SVM sur les lots 2 à 5 et les avons testés sur des lots
une enquête en cours, nous avons l'intention de déterminer quelle concentration
successifs. Ces résultats sont à nouveau présentés sur la figure 4. L'ensemble
Les niveaux doivent être utilisés pour calibrer le réseau de capteurs de gaz. Fait intéressant,
ensemble de résultats, c'est­à­dire la précision des classificateurs formés sur des lots
les classificateurs formés dans le cadre du paramètre 1 ont été capables de faire face à la dérive
1 à 9 et testé sur des lots successifs, est donné dans le tableau 5. Le premier
dans une certaine mesure et, comme mentionné ci­dessus, nous pensons qu'ils constituent
cinq lignes de ce tableau correspondent aux résultats tracés sur la figure 4.
une base de référence naturelle et solide pour tout apprentissage automatique corrigeant la dérive.
Ces classificateurs ont finalement été utilisés dans notre méthode d'ensemble
algorithme à comparer.
avec des poids appropriés. La figure 5 montre les performances des classificateurs avec
Comme le montre la figure 5, les ensembles de classificateurs ont pu mieux fonctionner
les paramètres 1, 2, 3 et 4 décrits ci­dessus. Comme prévu,
que ces classificateurs de base lorsqu'ils ont été testés sur la plupart des
classificateurs formés selon le paramètre 1, c'est­à­dire en utilisant le lot le plus récent
des lots avec des améliorations significatives de la précision sur plusieurs lots. A partir de
d'exemples, fonctionnent mieux que le classificateur formé avec des données
la figure indiquée, nous pouvons faire ce qui suit
à partir du lot 1 uniquement. Nous pensons à une baisse de précision lors des tests sur les
déclarations:
lots 5 et 6 en utilisant les classificateurs formés sur les lots 4.
et 5, respectivement, est un artefact sur l'ensemble de données. Nous soupçonnons que le
la concentration des gaz utilisés pour l’entraînement a un impact important sur • L'ensemble de classificateurs fonctionne mieux que le SVM formé dans
les performances des classificateurs au fil du temps. En conséquence, dans le cadre de Réglage 1 aux lots/points temporels t = 4, 5, 6, 9 et 10. La performance est comparable
aux instants t = 3 et t = 8. Notez qu'à
t = 2, nous n’avons pas d’ensemble et donc chaque paramètre est
6 Notez que cette exigence n'est pas nécessaire si nous formons les classificateurs de manière purement essentiellement le même. Le SVM du paramètre 1 fonctionne mieux que
mode en ligne [24,25], mais dans cet article, nous nous concentrons uniquement sur la formation par lots à l'aide de SVM. .
notre approche uniquement à t = 7 Comme mentionné ci­dessus, ce SVM formé
Machine Translated by Google

A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329 327

Tableau 5
Performances des classificateurs formés sur les lots 1 à 9 et testés sur les lots successifs.

ID de lot Précision de la classification (en %) sur les lots 2 à 10

2 3 4 5 6 7 8 9 dix

lot1 lot2 74.36 61.03 50,93 18.27 28.26 28.81 20.07 34.26 34.48
lot3 lot4 87,83 90,68 72.08 44.52 42.46 29.93 59.57 39,69
lot5 lot6 90.06 94,92 70,96 73,73 62,59 65,74 38,89
lot7 lot8 56,35 27,52 35,40 19,73 17,02 17h56
lot9 42,52 41,32 13,95 21,49 20.11
83,53 88,44 65,74 49,97
91,84 69,15 54.28
62,98 37,69
22.64

détecter et gérer automatiquement la dérive du capteur. La figure 6 montre comment

les poids du classificateur utilisés dans l'ensemble changent avec le temps.
• Enfin, bien que la méthode de correction des composants (Paramètre 4)
a contribué à améliorer légèrement les performances des SVM formés en
Réglage 1, ses résultats sont moins bons que toutes les autres méthodes sur la plupart
des lots. Notez que nous avons appliqué la correction des composants
méthode six fois en traitant chacun de nos six gaz comme gaz de référence. Sur la figure
5, nous traçons uniquement les résultats obtenus à partir du
meilleur gaz de référence, c'est­à­dire qu'à chaque lot/point temporel, nous appliquons le
méthode de correction des composants six fois et rapporte la meilleure performance en
termes de précision du classificateur. La figure 7 montre les résultats
pour tous les gaz de référence.

En guise de remarque finale, nous aimerions mentionner que notre proposition

Fig. 6. Poids classificateurs utilisés dans les ensembles (modèle 1 à modèle 9). À
chaque point sur l'axe des x (temps/lot), les points correspondants sur l'axe des y sont
les poids des classificateurs individuels utilisés dans l’ensemble. Notez que ces
les poids totalisent 1 à chaque instant/lot (axe des x) et que la contribution
d'un classificateur individuel à l'ensemble diminue progressivement avec le temps.
dans le cadre 1 est une base de référence très solide et, par conséquent, plus performante
que ou aussi bien que ce réglage est un résultat positif.
• L'ensemble du classificateur est plus performant que le classificateur formé
dans le paramètre 3 à tous les instants, c'est­à­dire de t = 3 à t = 10. Ce résultat
démontre clairement l’efficacité des méthodes d’ensemble pour
La méthode de compensation de dérive du capteur est un algorithme d'apprentissage
supervisé. Si nous avons formé un ensemble de classificateurs jusqu'à un certain point
dans le temps, disons T, et que nous aimerions l'utiliser pour des moments futurs, alors nous
devons ajouter à plusieurs reprises des classificateurs à l'ensemble et mettre à jour leurs
poids afin qu'il puisse suivre la direction de la dérive. Pour ce faire, nous avons besoin
étiquettes pour les données puisque les classificateurs sont formés de manière supervisée
manière. Dans un scénario plus réaliste comme le déploiement en temps réel
où nous n'aurons peut­être pas d'étiquettes pour les données à des moments futurs, alors
nous devons mettre à jour l'ensemble des classificateurs de manière semi­supervisée
[37]. Par exemple, au temps T + 1, on peut utiliser l’ensemble classificateur
formé jusqu'à l'instant T pour fournir des étiquettes pour le nouveau lot de données, et
puis nous ajoutons un autre classificateur à l'ensemble en utilisant ces nouveaux
Étiquettes. Sous l’hypothèse que les données au temps T + 1 n’ont pas
s'écarte beaucoup des données à l'instant T, c'est une stratégie raisonnable
pour remplir les étiquettes manquantes. Nous quittons la conception et l'investigation de
de tels algorithmes d'apprentissage semi­supervisé [37] pour des travaux futurs.

5. Conclusions

Fig. 7. Performances du classificateur entraîné dans le cadre 4 avec correction des composants. Les
parcelles individuelles correspondent aux performances du classificateur formé
avec le lot 1 et testé sur des lots à des moments ultérieurs après application du
méthode de correction des composants pour chacun des six gaz de référence.
Sur une période de 3 ans, nous avons rassemblé une étude complète
ensemble de données utilisant un réseau de 16 capteurs de gaz à oxyde métallique pour analyser le
problème de dérive du capteur. Les données ont été collectées dans des conditions
étroitement contrôlées pour 6 gaz différents à plusieurs concentrations.
allant de 10 à 1000 ppmv. Au meilleur de nos connaissances, ceci
est l'un des ensembles de données les plus complets disponibles pour la conception
et le développement de méthodes de compensation de dérive, qui seront
disponible en ligne en complément de cet article, contribuant, espérons­le, aux améliorations
algorithmiques à l'avenir. Nous avons
ont signalé des avantages significatifs grâce aux techniques d'apprentissage automatique
basé sur des ensembles de classificateurs comme méthode de correction de dérive pour
applications chimio­sensorielles. Comme nous l'avons démontré, la méthode proposée
parvient non seulement à bien atténuer l'effet de la dérive
dans les capteurs chimiques, mais surpasse également les méthodes concurrentes. Un
Une observation importante de notre analyse de dérive du capteur est que le
les compensations effectuées par la méthode proposée restent valables longtemps
périodes. L'écart de 6 mois entre les enregistrements du
les 30 premiers mois et le dernier mois enregistré n'ont pas invalidé le
compensation de dérive sur la même tâche, malgré le fait que le
Machine Translated by Google
328 A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329
les capteurs ont été exposés à un empoisonnement, car ils ont été éteints
pendant cette période.
Enfin, le niveau de généralité atteint par la méthode proposée de lutte
contre la dérive est élevé du point de vue suivant. De par sa conception, la
méthode de lutte contre la dérive utilisant des ensembles de classificateurs
fonctionne sur des échantillons collectés à la volée et en ligne, ce qui est
important pour les opérations en temps réel. La technique ne fait aucune
hypothèse sur la nature de la dérive et elle est également indépendante du
classificateur de base utilisé dans la tâche d'identification des gaz. En
conséquence, cette solution a le potentiel d'être utile dans de nombreuses autres
applications où les données sont collectées sur une période de temps prolongée
avec des distributions sous­jacentes dérivantes et, plus important encore, elle
peut être facilement transposée dans des applications de détection de gaz plus
réalistes. ­tions, y compris, mais sans s'y limiter, l'identification et la localisation
d'analytes chimiques dans des environnements complexes (par exemple, dans
une soufflerie), la cartographie de la distribution des gaz et le suivi des panaches
de gaz à l'aide de plates­formes robotiques. Nous avons considéré cette question
comme une position défendable ici que nous aborderons dans des études ultérieures.
Remerciements
Ce travail a été soutenu par l'Office of Naval Research (ONR) des États­Unis
sous le numéro de contrat N00014­07­1­0741, par Jet Propulsion Laboratory
sous le numéro de contrat 2010­1396686, ainsi que par le Commandement
médical et matériel de l'armée américaine et par le Institut de recherche de
l'armée américaine en médecine environnementale (USARIEM), sous le numéro
de contrat W81XWH­10­C­0040 en collaboration avec Elintrix. Les auteurs
remercient également Joey Reeds et Travis Wong, d'Elintrix, pour les discussions
utiles et fructueuses lors de l'élaboration de ce travail ainsi que Joanna Zytkowicz
pour la relecture et la révision du manuscrit.
Les références
[1] JW Gardner, PN Bartlett, Nez électroniques : principes et applications,
Presse universitaire d'Oxford, New York, 1999.
[2] KC Persaud, G. Dodd, Analyse des mécanismes de discrimination dans le système olfactif des
mammifères à l'aide d'un nez modèle, Nature 299 (1982) 352­355.
[3] M. Holmberg, F. Winquist, I. Lundstrom, F. Davide, C. DiNatale, A. D'Amico, Drift counteraction for an
electronic nose, Sensors and Actuators B: Chemical 36 (1–3) (1996 ) 528­535.
˚
[4] T. Artusson, T. Eklöv, I. Lundström, P. Mårtensson, M. Sjöström, M. Holmberg, Correction de dérive pour
les capteurs de gaz utilisant des méthodes multivariées, Journal of Chemo­metrics 14 (5–6) (2000)
711­723.
[5] W. Göpel, K.­D. Schierbaum, Définitions et exemple typique, dans : Chemical and Biochemical Sensors,
Part I, VCH, Weinheim, 1992, pp.
[6] F. Davide, CD Natale, M. Holmberg, F. Winquist, Analyse fréquentielle de la dérive dans les capteurs
chimiques, dans : dans : Actes de la 1ère Conférence italienne sur les capteurs et les microsystèmes,
1996, pp.
[7] M. Zuppa, C. Distante, P. Siciliano, KC Persaud, Drift counteraction with mul­tiple self­organising maps
for an electronic nose, Sensors and Actuators B: Chemical 98 (2–3) (2004) 305– 317.
[8] M. Holmberg, T. Artusson, Compensation de dérive, normes et méthodes d'étalonnage, Manuel des
machines d'olfaction artificielle, WILEY­VCH Weinheim, Allemagne, 2003, pp.
[9] A. Hierlemann, R. Gutierrez­Osuna, Détection chimique d'ordre supérieur, ACS Chem­ical Reviews 108
(2008) 563­613.
[10] A.­C. Romain, J. Nicolas, Stabilité à long terme des capteurs de gaz à base d'oxyde métallique pour les
applications environnementales du nez électronique : un aperçu, Sensors and Actuators B : Chemical
146 (2) (2010) 502–506.
[11] A.­C. Romain, P. André, J. Nicolas, Trois ans d'expérimentation avec les mêmes réseaux de capteurs
d'oxyde d'étain pour l'identification de sources malodorantes dans l'environnement, Sensors and
Actuators B: Chemical 84 (2–3) (2002) 271–277 .
[12] Figaro USA, Inc., http://www.figarosensor.com/.
[13] W. Göpel, Nouveaux matériaux et transducteurs pour capteurs chimiques, Capteurs et
Actionneurs B : produit chimique 18 (1–3) (1994) 1–21.
[14] N. Yamazoe, Nouvelles approches pour améliorer les capteurs de gaz à semi­conducteurs, Sen­
sors et actionneurs B : produit chimique 5 (1–4) (1991) 7–19.
[15] K. Dobos, R. Strotman, G. Zimmer, Performance des mosfets à grille Pd sensibles aux gaz avec des
isolateurs de grille SiO2 et Si3N4 , Sensors and Actuators 4 (1983) 593­598.
[16] M. Roth, R. Hartinger, R. Faul, HE Endres, Réduction de la dérive des capteurs de gaz à revêtement
organique par modulation de température, Sensors and Actuators B : Chemical 36 (1–3) (1996) 358–
362.
[17] A. Vergara, E. Llobet, J. Brezmes, P. Ivanov, C. Cane, I. Gracia, X. Vilanova, X. Correig, Analyse
quantitative de mélanges gazeux par modulation de température
capteurs de gaz à micro­plaque chauffante : sélection et validation des fréquences de modulation
optimales, Sensors and Actuators B : Chemical 123 (2007) 1002–1016.
[18] J.­E. Haugen, O. Tomic, K. Kvaal, Une méthode d'étalonnage pour gérer la dérive temporelle des capteurs
de gaz à l'état solide, Analytica Chimica Acta 407 (1­2) (2000) 23­39.
[19] R. Gutierrez­Osuna, Réduction de la dérive pour les réseaux de capteurs à oxyde métallique utilisant la
régression de corrélation canonique et les moindres carrés partiels, dans : Actes du 7e Symposium
international sur l'olfaction et le nez électronique, 2000.
[20] A. Ziyatdinov, S. Marco, A. Chaudry, K. Persaud, P. Caminal, A. Perera, Compensation de dérive des
données du réseau de capteurs de gaz par analyse en composantes principales communes, Capteurs
et actionneurs B : Chimique 146 ( 2) (2010) 460­465.
[21] B. Schölkopf, AJ Smola, K.­R. Müller, Analyse des composants non linéaires en tant que problème de
valeurs propres du noyau, Neural Computation 10 (5) (1998) 1299­1319.
[22] H. Wang, W. Fan, PS Yu, J. Han, Mining concept­drifting data streams using ensemble classifiers, dans :
Actes de la neuvième conférence internationale ACM SIGKDD sur la découverte des connaissances et
l'exploration de données, 2003.
[23] JZ Kolter, MA Maloof, Majorité pondérée dynamique : Une nouvelle méthode d'ensemble pour suivre la
dérive des concepts, dans : Actes de la Conférence internationale de l'IEEE sur l'exploration de données,
2003.
[24] JZ Kolter, MA Maloof, Utiliser des ensembles d'experts additifs pour faire face à la dérive conceptuelle,
dans : Actes de la vingt­deuxième Conférence internationale sur l'apprentissage automatique, 2005.
[25] JZ Kolter, MA Maloof, Majorité pondérée dynamique : Une méthode d'ensemble pour les concepts
dérivants, Journal of Machine Learning Research 8 (décembre) (2007) 2755­2790.
[26] Bronkhorst High­Tech BV, http://www.bronkhorst.com/.
[27] Airgas, Inc., http://www.airgas.com/.
[28] L'environnement LabVIEW, http://www.ni.com/labview/.
[29] A. Vergara, MK Muezzinoglu, N. Rulkov, R. Huerta, Optimisation de la théorie de l'information des
capteurs chimiques, Capteurs et actionneurs B : Chimique 148 (1) (2010)
298­306.
[30] A. Pardo, S. Marco, J. Samitier, Modèles dynamiques inverses non linéaires de systèmes de détection de
gaz basés sur des réseaux de capteurs chimiques pour des mesures quantitatives, IEEE Transactions
on Instrumentation and Measurement 47 (3) (1998) 644­651. .
[31] E. Llobet, J. Brezmes, X. Vilanova, JE Sueiras, X. Correig, Analyse qualitative et quantitative de composés
organiques volatils utilisant les réponses transitoires et stationnaires d'un réseau de capteurs de gaz
d'oxyde d'étain à couche épaisse, Capteurs et actionneurs B : produit chimique 41 (1–3) (1997) 13–21.
[32] MK Muezzinoglu, A. Vergara, R. Huerta, N. Rulkov, MI Rabinovich, A. Selver­ston, HD Abarbanel,
Accélération du traitement de l'information chimio­sensorielle à l'aide de caractéristiques transitoires,
capteurs et actionneurs B : produit chimique 137 (2 ) (2009) 507­512.
[33] C. Cortes, V. Vapnik, Réseaux à vecteurs de support, Machine Learning 20 (3) (1995)
273­297.
[34] R. Rifkin, A. Klautau, Pour la défense de la classification un contre tous, Journal of Machine Learning
Research 5 (2004) 101­141.
[35] C.­C. Chang, C.­J. Lin, LIBSVM : une bibliothèque pour les machines à vecteurs de support et les logiciels.
Disponible sur http://www.csie.ntu.edu.tw/cjlin/libsvm, 2001.
[36] R. Klinkenberg, T. Joachims, Détecter la dérive des concepts avec des machines à vecteurs de support,
dans : Actes de la Conférence internationale sur l'apprentissage automatique, 2000.
[37] O. Chapelle, B. Schölkopf, A. Zien (Eds.), Semi­Supervised Learning, MIT Press, Cambridge, MA, 2006.
Biographies
Alexander Vergara (Ph.D., 2006 – Universitat Rovira i Virgili) est chercheur postdoctoral au BioCircuits Institute
de l'UC San Diego. Ses travaux se concentrent principalement sur l'utilisation de méthodes dynamiques pour
l'optimisation de systèmes micro­sensoriels de gaz et sur la construction de véhicules autonomes capables de
localiser les sources d'odeurs grâce à un processus ressemblant au traitement olfactif biologique. Ses domaines
d'intérêt comprennent également le traitement du signal, la reconnaissance de formes, l'extraction de
caractéristiques, les réseaux de capteurs chimiques et l'olfaction mécanique.
Shankar Vembu (Ph.D., 2010 – Université de Bonn) est chercheur postdoctoral au BioCircuits Institute de l’UC
San Diego. Ses intérêts de recherche portent sur les algorithmes d’apprentissage automatique et leurs
applications.
Tuba Ayhan (MS, 2010 – Université technique d'Istanbul) est titulaire d'un doctorat. étudiant au Département
d'ingénierie électronique et des communications, Université technique d'Istanbul. Ses intérêts de recherche
portent sur les systèmes embarqués, les FPGA, les nez électroniques et l'olfaction des machines. Tuba a
réalisé l'essentiel de son travail sur cet article lors d'une visite au BioCircuits Institute de l'UCSD.
Margaret A. Ryan (Ph.D., 1987 – Université du Massachusetts à Amherst) est chercheuse scientifique associée
au Jet Propulsion Laboratory du California Institute of Technology. Avant de rejoindre le JPL en 1989, elle
était chercheuse au Centre National de la Recherche Scientifique de Bellevue, en France, et au Solar Energy
Research Institute (maintenant National Renewable Energy Lab) à Golden, Colorado. Son travail dans les deux
endroits comprenait la modification d'électrodes d'oxyde métallique et de semi­conducteurs pour la conversion
d'énergie photoélectrochimique, le traitement photoélectrochimique des solides et la photochimie. Elle est
arrivée au JPL en 1989 et a travaillé principalement dans les domaines de la détection chimique et de la
conversion de l'énergie thermique en énergie électrique. Elle est chercheuse principale dans le cadre du projet
de développement de la technologie du nez électronique de la NASA. Son travail au JPL s'est concentré sur
deux principaux domaines de recherche : (a) le développement de capteurs chimiques
Machine Translated by Google
A. Vergara et coll. / Capteurs et actionneurs B 166­167 (2012) 320­329
et des dispositifs de surveillance de la qualité de l'air, notamment le JPL ENose, du carbure de silicium
capteurs d'hydrocarbures et capteurs colorimétriques pour l'ozone et d'autres oxydants, et (b)
études sur les métaux et les alliages métalliques destinés à être utilisés dans les dispositifs de conversion
d'énergie à haute température, y compris le convertisseur thermique­électrique de métal alcalin (AMTEC)
et les appareils thermoélectriques. Amy travaille maintenant au Département américain de
Énergie.
Margie L. Homer (Ph.D., 1993 – Université de Californie à Los Angeles) est associée
Chercheur scientifique au Jet Propulsion Laboratory, California Institute of Technology. La physico­chimiste
Margie Homer est la co­chercheuse du nez électronique
projet au JPL. Ses intérêts de recherche portent sur les capteurs chimiques.
329
Ramón Huerta (Ph.D., 1994 – Universidad Autónoma de Madrid) est associé
Chercheur scientifique au BioCircuits Institute, UC San Diego. Ses domaines d'expertise comprennent les
systèmes dynamiques, l'intelligence artificielle et les neurosciences. Son travail
traite du développement d'algorithmes pour la discrimination et la quantification de séries temporelles
multidimensionnelles complexes, de la construction de modèles pour comprendre les
traitement de l'information dans le cerveau, détection chimique et olfaction mécanique
applications basées sur des technologies bio­inspirées. Ramón est co­auteur de plus de 80 articles dans des
revues à comité de lecture à l'intersection de l'informatique, de la physique et
la biologie.
Machine Translated by Google