CN110794090A - 情感电子鼻实现方法 - Google Patents
情感电子鼻实现方法 Download PDFInfo
- Publication number
- CN110794090A CN110794090A CN201911006190.7A CN201911006190A CN110794090A CN 110794090 A CN110794090 A CN 110794090A CN 201911006190 A CN201911006190 A CN 201911006190A CN 110794090 A CN110794090 A CN 110794090A
- Authority
- CN
- China
- Prior art keywords
- odor
- emotion
- fuzzy
- electronic nose
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 23
- 235000019645 odor Nutrition 0.000 claims abstract description 117
- 230000002996 emotional effect Effects 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000007436 olfactory function Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 210000001331 nose Anatomy 0.000 description 49
- 230000035943 smell Effects 0.000 description 20
- 239000007789 gas Substances 0.000 description 12
- 241000282414 Homo sapiens Species 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 240000007154 Coffea arabica Species 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 1
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 1
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 244000131522 Citrus pyriformis Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000208152 Geranium Species 0.000 description 1
- 235000010254 Jasminum officinale Nutrition 0.000 description 1
- 240000005385 Jasminum sambac Species 0.000 description 1
- 244000178870 Lavandula angustifolia Species 0.000 description 1
- 235000010663 Lavandula angustifolia Nutrition 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 244000230712 Narcissus tazetta Species 0.000 description 1
- 102000012547 Olfactory receptors Human genes 0.000 description 1
- 108050002069 Olfactory receptors Proteins 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- 244000178231 Rosmarinus officinalis Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 244000290333 Vanilla fragrans Species 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 235000012544 Viola sororia Nutrition 0.000 description 1
- 241001106476 Violaceae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000001102 lavandula vera Substances 0.000 description 1
- 235000018219 lavender Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 230000037152 sensory function Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 239000000341 volatile oil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种情感电子鼻实现方法及电子设备，包含如下步骤：收集不同的气味，构建气味材料库。选取嗅觉功能正常的健康人分别嗅闻气味材料库中的每种气味,并根据该气味所诱发的情绪情况，对每种基础情绪进行打分。针对每种气味，根据所有受试者对该气味的打分值，计算该气味的每种基础情绪平均分，并进行归一化得到该种气味所能诱发的情绪分布向量，将其作为其情感标签。通过电子鼻系统中的传感器阵列分别对气味材料库中的每种气味进行采样,得到与之对应的传感器阵列响应曲线。构建具有情感标签的气味特征数据库。将模糊聚类法与自适应神经模糊推理系统相结合，构建能够预测情绪分布向量的气味情感模型。
Description
技术领域
本发明属于仪器测量与情感计算的交叉领域，涉及一种具有情感功能的电子鼻实现方法。
背景技术
嗅觉是由化学分子刺激嗅觉感受器所引起的感觉，是生物进化史上最古老的感官功能。受生物嗅觉原理的启发，研究人员在二十世纪八十年代提出了在结构和功能上模仿哺乳动物嗅觉系统的气体检测装置的概念，称为电子鼻(Gardner J W.Patternrecognition in the Warwick electronic nose,University of Warwick,UK,1988.)。它主要由气体传感器阵列、信息预处理模块及模式识别系统三部分组成，可以实现对简单或复杂气味的检测和识别。电子鼻因其具有便携、检测速度快、响应时间短等优点，已在环保、石油/化工、食品/饮料、香水、医疗等行业得到了广泛研究和应用。例如，华东理工大学高大启教授团队(高大启,张小勤,赵黎明,宋佳敏,王泽建,金志超.一种恶臭电子鼻仪器和恶臭气体多点集中式在线监测方法，专利号CN108709955A,2018)研发了一种恶臭电子鼻仪器，可以在线监测恶臭气体。浙江大学的王俊教授团队(王俊,徐克明.用于农产品现场快速检测的可拆装便携电子鼻,专利号CN107045005A,2017)研发了一种用于农产品现场快速检测的可拆装便携电子鼻系统。广东工业大学的骆德汉教授团队(范丹君,骆德汉,于昊.一种基于电子鼻的辛味中药材的分类鉴别方法研究.广东工业大学学报,2015,32(03):91-96)使用PEN3电子鼻对辛味中药材进行气味的分类，实现了不同种类辛味中药材的挥发性气味信息的模式分类。天津大学的孟庆浩教授团队(孟庆浩,李志华,亓培锋,曾明,赵为.一种用于在线白酒识别的手持电子鼻.专利号CN107422669A.2017)针对酒类检测应用的便携式需要，从传感器阵列、气路/气室、硬件电路、采样方法、系统体积等角度不断进行优化改进，先后研制了桌面分体式、便携式、手持式和Mini式共四代电子鼻系统，并实现了对白酒种类的识别。
目前的电子鼻系统一般主要用于气味的检测和识别，无法像人类那样通过嗅闻不同气味诱发不同情绪。科学研究表明嗅觉天然是情绪性的，气味刺激能够诱发不同的情绪状态，如水仙花和紫罗兰的香味可使人感到温馨、愉悦，天竺葵香味能够缓解人的紧张情绪，发霉的气味使人感到厌恶、不安等(周雯,冯果.嗅知觉及其与情绪系统的交互.心理科学进展,2012,20(1):2-9.)。然而，与人类鼻子不同，现有的电子鼻系统大多不具备像人一样的情感能力，没有从真正意义上实现对生物嗅觉系统的模仿。
以色列魏兹曼研究所神经生物学系的Rafi Haddad博士(Rafi Haddad,AbebeMedhanie,Yehudah Roth,et al.Predicting Odor Pleasantness with an ElectronicNose.PLoS Computational Biology,2010,6(4):e1000740)最早提出不再训练电子鼻去识别特定的气味，而是从气味愉悦性角度训练电子鼻，估计气味的愉悦度。Rafi Haddad博士所在团队率先研发了一款能够像人类一样预测陌生气味愉悦性的电子鼻系统，即该电子鼻可以预测待测气味闻起来是愉悦的还是令人不快的，抑或处于这两个端点之间的任何一点。目前，国内尚无将电子鼻与气味诱发情绪相结合，使电子鼻具备像人一样情感能力的电子鼻系统研究报道。
发明内容
本发明的目的是提出一种使电子鼻像人一样具有情感能力的实现方法，使得电子鼻不仅能够预测出待测气味可诱发哪些情绪，识别出主要情绪，更加逼近生物的嗅觉系统。技术方案如下：
一种情感电子鼻实现方法，包含如下步骤：
1)收集不同的气味，构建气味材料库。
2)选取嗅觉功能正常的健康人分别嗅闻气味材料库中的每种气味,并根据该气味所诱发的情绪情况，对每种基础情绪进行打分。
3)针对每种气味，根据所有受试者对该气味的打分值，计算该气味的每种基础情绪平均分，并进行归一化得到该种气味所能诱发的情绪分布向量，将其作为其情感标签。
4)通过电子鼻系统中的传感器阵列分别对气味材料库中的每种气味进行采样,得到与之对应的传感器阵列响应曲线。
5)对步骤4)中采集到的气味样本原始数据进行预处理操作，然后从预处理后每种气味传感器响应曲线提取多个特征值，作为该气味的特征向量，基于提取的特征和步骤3)中所对应的情感标签，构建具有情感标签的气味特征数据库。
6)将模糊聚类法与自适应神经模糊推理系统相结合，构建能够预测情绪分布向量的气味情感模型。
7)将步骤5)中得到的气味特征数据一部分作为训练集输入到步骤6)构建的气味情感模型中，训练气味情感模型，其余特征数据作为测试集，测试训练过的气味情感模型并计算正确率。重复步骤7)多次，计算所构建的气味情感模型的平均识别正确率。
8)利用训练好的气味情感模型对待测气味进行情绪识别，电子鼻的输出结果是待测气味所能诱发出的情绪分布向量，分量值最高的为主要情绪。
优选地，提取的特征值包括稳态响应值，峰值，均值，恢复时间，稳态响应时间，差值、一阶微分最大值、一阶微分最大值对应的值、一阶微分最小值、二阶微分最大值；将得到100维特征值作为该气味的特征向量；
自适应神经模糊推理系统采用基于数据驱动的一阶Takagi-Sugeno-Kang(TSK)模糊系统。
气味情感模型的构建步骤如下：(a)首先确定模糊规则条数和特征所用的隶属度函数类型；(b)利用模糊子空间算法对每条规则的输入特征进行选择，并确定每条规则下所用每个特征的隶属度函数参数；(c)将筛选后的特征向量模糊化,并输入到自适应神经模糊推理系统；(d)自适应模糊推理系统根据建立的模糊规则和输入的模糊集合进行模糊推理，得到推理结果；(e)对推理结果进行反模糊化和归一化，得到预测的情绪分布向量。
本发明的有益效果如下：
1)在功能上，本发明所提的使电子鼻具有像人一样情感能力的实现方法，即电子鼻不仅能够预测待测气味可诱发哪些情绪，还可给出每种情绪的占比，识别出主要情绪，是对现有电子鼻系统功能的补充，使其更加逼近生物的嗅觉系统。
2)在算法设计上，考虑到情绪的模糊复杂性，本专利基于模糊聚类算法和自适应神经模糊推理系统构建气味情感模型。特别地，利用模糊聚类算法对每条规则的输入特征进行选择，不仅可去除对建模有不利影响的噪音特征，降低输入特征的维度，还可使每条规则从不同的视角进行推理，增强模糊系统的解释性。此外，所用的模糊聚类算法还可用于确定输入特征的隶属度函数参数；采用基于数据驱动型的自适应神经模糊推理系统，可从数据中获取知识来构建模糊推理规则。
综上所述，本发明所提的电子鼻系统具有重要的潜在应用价值，如1)在智能机器人研究方面，将具有情感功能的电子鼻搭载于机器人系统，可使机器人拥有与人类相似的嗅觉情感功能，有助于推动机器人智能化的发展；2)为香料工业中的快速气味筛选及环境监测提供一种新的方法。
附图说明
图1为本发明所采用的电子鼻结构框图。
图2为本发明提出的情感电子鼻实现方法流程图。
图3为本发明所述的气味情感模型图。
具体实施方式
目前的电子鼻系统一般主要用于气味的检测和识别，不具有像人类那样通过嗅闻不同气味产生不同情绪的功能，没有从真正意义上实现对生物嗅觉系统的模仿。为了完善现有电子鼻系统功能，本专利提出了一种使电子鼻具有情感能力的实现方法。特别地，考虑到情绪的模糊复杂特性，本专利构建基于模糊聚类和自适应神经模糊推理系统的气味情感模型，将该模型算法编入电子鼻，不仅可使电子鼻预测待测气味可诱发哪些情绪，而且还可给出每种情绪的占比，识别出主要情绪，更加逼近生物的嗅觉系统。本专利提出的使电子鼻具有情感功能的实现方法主要包含以下步骤：1)收集多种不同气味的气体，建立气味材料库；2)选取嗅觉功能正常的健康人对每种气味所能诱发的基础情绪进行打分，计算该种气味下每种基础情绪的平均分，将其归一化得到气味情绪分布向量，并作为该气味的情感标签；3)利用电子鼻系统对气味材料库中的气味进行信号采集，并对其滤波、降噪、归一化预处理；4)从预处理后的气味数据中提取特征，结合步骤2)中的气味情感标签，构建具有气味情感标签的气味特征数据库；5)构建基于模糊聚类和自适应神经模糊推理系统的气味情感模型；6)将4)中的一部分数据作为训练集训练步骤5)构建的气味情感模型，剩余的作为测试集用于测试模型的准确率；7)将待测气味输入到训练好的气味情感模型中，预测该气味的情感标签，标签中最大值对应的情绪为主情绪。
下面结合实施例及其附图详细叙述本发明。实施例是以本发明所述技术方案为前提进行的具体实施，给出了详细的实施方式和过程。但本申请的权利要求保护范围不受限于下述实施例的描述。
本发明所采用的电子鼻系统结构如图1所示。该电子鼻系统主要包采样装置，传感器气室反应装置，以及控制和数据采集预处理系统三大部分。电子鼻的工作流程：首先，利用动态顶空采样法，可调速微型真空气泵通过过滤后的洁净空气将采样瓶的待测顶空气体沿采样气路带入传感器气室，待测样本气体同传感器气室中的传感器阵列反应，传感器阵列采集气味信息，将气味信号转换为电信号，采样结束后AD芯片将阵列输出电压信号保存并上传，再由ARM处理器对采样数据进行预处理和模式识别最终分析得出识别结果。LCD触摸屏用于显示信息和接受命令，在开机进行屏幕校准后，就可以根据所编写的人机交互界面来响应用户的操作、显示电子鼻状态信息以及进行在线绘图和在线识别，结果显示等。
本发明的工作流程图如图2所示。下面将详细阐述使电子鼻具有情感功能的实现方法，主要包括以下步骤：
1)建立气味材料库。选取13种气味，其中5种是T&T嗅素液(玫瑰味、炒咖啡味、汗臭味、桃子味和粪臭味)，其余8种分别是薄荷，茶，咖啡，迷迭香，茉莉，柠檬，香草和薰衣草精油。
2)获取气味情感标签。选择100名(男女各半)嗅觉功能正常的健康在校大学生分别嗅闻气味材料库中的每种气味，并根据每种气味所诱发的情绪情况，在一个从0到1的渐进量表上对每种基本情绪(开心、生气、惊讶、恶心、害怕、悲伤)进行打分。其中0分表示相关程度最低，1分代表相关程度最高。收集每种气味的打分信息，求取平均值并归一化处理，得到该种气味对应的情绪分布向量，将其作为该气味的情感标签。
3)气味信号采集。本发明所采用电子鼻系统的传感器阵列由10个金属氧化物半导体气体传感器构成，对气味库中的13种气味进行采样，每种气味重复测试50次，13种气味共得到650个样本数据。
4)构建具有情感标签的气味特征数据库。首先，对步骤3)中获取的650个气味样本数据分别进行降噪、滤波、归一化预处理操作；其次，针对每种气味，分别从传感器阵列中的10个预处理后传感器响应曲线提取以下10个特征：稳态响应值，峰值，均值，恢复时间，稳态响应时间，差值、一阶微分最大值、一阶微分最大值对应的值、一阶微分最小值、二阶微分最大值；将得到100维特征值作为该气味的特征向量；最后，基于提取的特征和步骤2)中所对应的情感标签，构建具有情感标签的气味特征数据库。
5)构建基于模糊聚类和自适应神经模糊推理系统的气味情感模型。模糊聚类算法采用能将高维数据空间转化到相关子空间的模糊子空间聚类法；自适应神经模糊推理系统采用基于数据驱动的一阶Takagi-Sugeno-Kang(TSK)模糊系统。一阶TSK模糊系统的IF-THEN模糊规则，第K条模糊规则表示如下：
其中，IF表示规则前件，THEN表示规则后件，K为模糊规则条数，x＝[x1,x2,x3,…,xd]是输入的d维特征向量，
表示与xi对应的第k条规则中的模糊子集，∧是合取算子，fk(x)是第k条规则的输出值，是规则后件的参数。气味情感模型如图3所示，包含以下两个主要部分：(a)利用模糊子空间聚类算法进行规则前件的学习。首先，根据基本情绪设置聚类的类别数为6，模糊规则数为6，选择隶属度函数为高斯隶属度函数。其次，针对每条规则，用模糊子空间聚类法从输入特征向量中选择重要的特征。例如经过筛选后，第k条规则对应输入的特征向量变为
根据聚类结果确定每个规则下所用特征的高斯隶属度函数参数。(b)用Levenberg-Marquart(LM)算法进行规则后件学习，优化规则后件参数。
6)随机从步骤4)气味特征数据库中选取80％的样本作为训练集，训练步骤5)所建立的气味情感模型，其余的20％作为测试集输入到训练好的模型中，并计算识别准确率。重复该过程10次，取10次结果的平均值作为该气味模型的识别准确率。
7)给定一个待测气味数据，提取以下10个特征：稳态响应值，峰值，均值，恢复时间，稳态响应时间，差值、一阶微分最大值、一阶微分最大值对应的值、一阶微分最小值、二阶微分最大值；将得到100维特征值作为该气味的特征向量输入到步骤6)训练好的模型中，结果通过LCD显示出来。
本发明中所采用的电子鼻系统装置部件包括气泵、采样瓶、传感器气室、传感器阵列、电磁阀、信号预处理模块，嵌入式处理模块和LCD触摸屏。其特征在于，所述的气泵通过过滤后的洁净空气将采样瓶的顶空气体沿采样气路带入传感器气室；所述的传感器气室用于对气室中的气体进行采集，把气体信号转化为相应电信号；所述的传感器阵列对气味材料库的气味都有较高的响应幅值，该传感器阵列包含有多个传感器，如具有交叉敏感特性的金属氧化物传感器、温湿度传感器等，用于对不同挥发性气体进行采集；所述的信号预处理模块用于对传感器阵列所产生的电信号进行滤波、降噪以及模数转换；所述的嵌入式处理模块用于对信号预处理模块的输出信号进行特征提取、模式分类和存储，嵌入式处理模块搭载有气味情感模型。所述的LCD触摸屏提供了人机交互界面，用于接受命令和显示信息。
本专利与Rafi Haddad博士的研究主要区别在于：1)人的情绪具有丰富性和复杂性，如喜忧参半，百感交集等。Rafi Haddad博士仅从气味愉悦性的角度训练电子鼻，所研发的电子鼻系统虽然能够对待测气味的愉悦性进行归类和评分，但与实现电子鼻具备像人一样情感能力的目标存在一定的距离。在情感理论中，1975年心理学家Ekman(Ekman P,Friesen WV.Unmasking the face:a guide to recognizing emotions from facialclues,1975,Prentice-Hall,Oxford)提出了基本情感论。Ekman指出人类有六种基本情绪(开心，生气，悲伤，厌恶，害怕，惊讶)，其他情绪都是由这六种基本情绪的两种及其以上混合而成。自此，在情感研究领域，众多学者基于Ekman的基本情感论展开研究。与RafiHaddad博士从气味愉悦性角度研究不同，本专利基于Ekman提出的人的基本情感论，使电子鼻尽可能地具有像人一样的情感功能。2)考虑到人的情绪具有模糊复杂性，本专利基于模糊理论构建气味情感模型，使得电子鼻不仅能够预测待测气味可诱发出哪些情绪，还可给出每种情绪的占比，并识别出主要情绪。
Claims (5)
1.一种情感电子鼻实现方法，包含如下步骤：
1)收集不同的气味，构建气味材料库。
2)选取嗅觉功能正常的健康人分别嗅闻气味材料库中的每种气味,并根据该气味所诱发的情绪情况，对每种基础情绪进行打分；
3)针对每种气味，根据所有受试者对该气味的打分值，计算该气味的每种基础情绪平均分，并进行归一化得到该种气味所能诱发的情绪分布向量，将其作为其情感标签；
4)通过电子鼻系统中的传感器阵列分别对气味材料库中的每种气味进行采样,得到与之对应的传感器阵列响应曲线；
5)对步骤4)中采集到的气味样本原始数据进行预处理操作，然后从预处理后每种气味传感器响应曲线提取多个特征值，作为该气味的特征向量，基于提取的特征和步骤3)中所对应的情感标签，构建具有情感标签的气味特征数据库；
6)将模糊聚类法与自适应神经模糊推理系统相结合，构建能够预测情绪分布向量的气味情感模型；
7)利用步骤5)中得到的气味特征数据训练气味情感模型；
8)利用训练好的气味情感模型对待测气味进行情绪识别，电子鼻的输出结果是待测气味所能诱发出的情绪分布向量，分量值最高的为主要情绪。
2.根据权利要求1所述的方法，其特征在于，提取的特征值包括稳态响应值，峰值，均值，恢复时间，稳态响应时间，差值、一阶微分最大值、一阶微分最大值对应的值、一阶微分最小值、二阶微分最大值。
3.根据权利要求1所述的方法，其特征在于，自适应神经模糊推理系统采用基于数据驱动的一阶Takagi-Sugeno-Kang(TSK)模糊系统。
4.根据权利要求1所述的方法，其特征在于，气味情感模型的构建步骤如下：(a)首先确定模糊规则条数和特征所用的隶属度函数类型；(b)利用模糊子空间算法对每条规则的输入特征进行选择，并确定每条规则下所用每个特征的隶属度函数参数；(c)将筛选后的特征向量模糊化,并输入到自适应神经模糊推理系统；(d)自适应模糊推理系统根据建立的模糊规则和输入的模糊集合进行模糊推理，得到推理结果；(e)对推理结果进行反模糊化和归一化，得到预测的情绪分布向量。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006190.7A CN110794090A (zh) | 2019-10-22 | 2019-10-22 | 情感电子鼻实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006190.7A CN110794090A (zh) | 2019-10-22 | 2019-10-22 | 情感电子鼻实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110794090A true CN110794090A (zh) | 2020-02-14 |
Family
ID=69440544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911006190.7A Pending CN110794090A (zh) | 2019-10-22 | 2019-10-22 | 情感电子鼻实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110794090A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426801A (zh) * | 2020-05-09 | 2020-07-17 | 上海宁和环境科技发展有限公司 | 电子鼻学习驯化方法及其设备 |
| CN112036482A (zh) * | 2020-08-31 | 2020-12-04 | 重庆大学 | 一种基于电子鼻传感器数据的中药材分类方法 |
| CN113420443A (zh) * | 2021-06-23 | 2021-09-21 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种耦合峰值均值因子的恶臭精准模拟方法 |
| CN114527198A (zh) * | 2020-10-30 | 2022-05-24 | 中国石油化工股份有限公司 | 聚合物产品气味检测方法、设备和电子鼻系统 |
| CN115643087A (zh) * | 2022-10-24 | 2023-01-24 | 天津大学 | 一种基于编码特征与统计行为特征融合的dns隧道检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011021046A1 (en) * | 2009-08-19 | 2011-02-24 | University Of Leicester | Fuzzy inference methods and apparatus, systems and apparatuses using such inference apparatus |
| CN103630698A (zh) * | 2013-12-03 | 2014-03-12 | 杭州协正信息技术有限公司 | 一种模仿动物嗅觉器官结构的立体电子鼻 |
| CN106596860A (zh) * | 2016-12-19 | 2017-04-26 | 深圳市北测检测技术有限公司 | 一种汽车气味的检测方法和检测系统 |
| US20170343521A1 (en) * | 2016-05-26 | 2017-11-30 | Electronics And Telecommunications Research Institute | Apparatus and method for generating olfactory information |
| CN110333319A (zh) * | 2019-06-28 | 2019-10-15 | 天津大学 | 基于手持式电子鼻的车内ppb级低浓度气味等级评价方法 |
| CN112927763A (zh) * | 2021-03-05 | 2021-06-08 | 广东工业大学 | 一种基于电子鼻的气味描述符评级的预测方法 |
-
2019
- 2019-10-22 CN CN201911006190.7A patent/CN110794090A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011021046A1 (en) * | 2009-08-19 | 2011-02-24 | University Of Leicester | Fuzzy inference methods and apparatus, systems and apparatuses using such inference apparatus |
| CN103630698A (zh) * | 2013-12-03 | 2014-03-12 | 杭州协正信息技术有限公司 | 一种模仿动物嗅觉器官结构的立体电子鼻 |
| US20170343521A1 (en) * | 2016-05-26 | 2017-11-30 | Electronics And Telecommunications Research Institute | Apparatus and method for generating olfactory information |
| CN106596860A (zh) * | 2016-12-19 | 2017-04-26 | 深圳市北测检测技术有限公司 | 一种汽车气味的检测方法和检测系统 |
| CN110333319A (zh) * | 2019-06-28 | 2019-10-15 | 天津大学 | 基于手持式电子鼻的车内ppb级低浓度气味等级评价方法 |
| CN112927763A (zh) * | 2021-03-05 | 2021-06-08 | 广东工业大学 | 一种基于电子鼻的气味描述符评级的预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| RAFI HADDAD等: "Predicting Odor Pleasantness with an Electronic Nose", 《PLOS COMPUTATIONAL BIOLOGY》 * |
| 刘士荣和俞金寿: "基于最优模糊聚类的模糊推理系统及其基于最优模糊聚类的模糊推理系统及其基于最优模糊聚类的模糊推理系统及其在产品质量估计中的应用", 《信息与控制》 * |
| 曹勤: "神经网络在人工嗅觉信息处理技术中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
| 爱德华·E.史密斯，斯蒂芬·M.科斯林: "《认知心理学 心智与脑》", 31 July 2017 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426801A (zh) * | 2020-05-09 | 2020-07-17 | 上海宁和环境科技发展有限公司 | 电子鼻学习驯化方法及其设备 |
| CN111426801B (zh) * | 2020-05-09 | 2022-08-02 | 上海宁和环境科技发展有限公司 | 电子鼻学习驯化方法及其设备 |
| CN112036482A (zh) * | 2020-08-31 | 2020-12-04 | 重庆大学 | 一种基于电子鼻传感器数据的中药材分类方法 |
| CN112036482B (zh) * | 2020-08-31 | 2023-10-24 | 重庆大学 | 一种基于电子鼻传感器数据的中药材分类方法 |
| CN114527198A (zh) * | 2020-10-30 | 2022-05-24 | 中国石油化工股份有限公司 | 聚合物产品气味检测方法、设备和电子鼻系统 |
| CN113420443A (zh) * | 2021-06-23 | 2021-09-21 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种耦合峰值均值因子的恶臭精准模拟方法 |
| CN113420443B (zh) * | 2021-06-23 | 2022-03-01 | 天津市生态环境科学研究院(天津市环境规划院、天津市低碳发展研究中心) | 一种耦合峰值均值因子的恶臭精准模拟方法 |
| CN115643087A (zh) * | 2022-10-24 | 2023-01-24 | 天津大学 | 一种基于编码特征与统计行为特征融合的dns隧道检测方法 |
| CN115643087B (zh) * | 2022-10-24 | 2024-04-30 | 天津大学 | 一种基于编码特征与统计行为特征融合的dns隧道检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110794090A (zh) | 情感电子鼻实现方法 | |
| Chen et al. | Gas recognition in E-nose system: A review | |
| Wu et al. | POP-CNN: Predicting odor pleasantness with convolutional neural network | |
| Saha et al. | EEG analysis for olfactory perceptual-ability measurement using a recurrent neural classifier | |
| Qian et al. | A novel multisensor detection system design for low concentrations of volatile organic compounds | |
| Jia et al. | A new method combining KECA-LDA with ELM for classification of Chinese liquors using electronic nose | |
| CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
| CN119001031A (zh) | 一种基于电子鼻拓扑指纹的水中嗅味特征识别方法及系统 | |
| Liu et al. | A multiscale wavelet kernel regularization-based feature extraction method for electronic nose | |
| Ardani et al. | Electronic Nose Signals for Analysing Similarity of Male and Female Axillary Odour to Food Material Aroma. | |
| Ye et al. | Measuring human and ai values based on generative psychometrics with large language models | |
| Yu et al. | A dual branch network for emotional reaction intensity estimation | |
| Kusumoputro et al. | Fuzzy-neuro LVQ and its comparison with fuzzy algorithm LVQ in artificial odor discrimination system | |
| CN115251928A (zh) | 一种基于深度学习的大学生心理健康评估系统 | |
| Chueh et al. | Statistical prediction of emotional states by physiological signals with manova and machine learning | |
| Choi et al. | Data reconstruction using subspace analysis for gas classification | |
| Aulia et al. | Identification of chronic obstructive pulmonary disease using graph convolutional network in electronic nose | |
| Jahidin et al. | IQ Classification via Brainwave Features: Review on Artificial Intelligence Techniques. | |
| Ma et al. | The Quality Detection and Recognition for Food Seasoning Based on an Artificial Olfactory System | |
| Luo et al. | A novel approach for classification of Chinese herbal medicines using diffusion maps | |
| Lin et al. | Review of researches on the emotion recognition and affective computing based on HCI | |
| Xu et al. | Food odor recognition via multi-step classification | |
| Rouabeh et al. | The design and validation of a fast and low-cost multi-purpose electronic nose for rapid gas identification | |
| Kulkarni et al. | Depression prediction system using different methods | |
| Rad et al. | Automated comparative predictive analysis of deception detection in convicted offenders using polygraph with random forest, support vector machine, and artificial neural network models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |