ポータブル機械学習ベースの電子鼻の設計と検証

揮発性有機化合物（VOC）は、食品、細菌、植物など、さまざまなグループから放出される化学物質です。このようなVOCに大幅に関連する特定の経路と生物学的特徴がありますが、これらの検出は、主にヒト臭気検査またはガスクロマトグラフィーマス分析などのハイエンド方法によって達成され、ガス成分を分析できます。ただし、臭気の特性評価は、十分な濃度の一部のサンプルの迅速な分類において非常に役立ちます。低コストの金属酸化ガスセンサーには、必要なトレーニングが少なく、同じタイプの検出を可能にする可能性があります。ここでは、複数の金属酸化ガスセンサーと機械学習アルゴリズムを利用してVOCを検出および分類するポータブルでバッテリー駆動の電子ノーズシステムを報告します。内部回路は、10個の金属酸化センサーと電圧分裂剤を備えた設計されています。STM32マイクロコントローラーは、12ビットのアナログからデジタルへの変換を伴うデータ取得に使用されました。ターゲットサンプルの分類のために、測定結果に基づいてVOCを分類するために、サポートベクターマシン（SVM）などの教師付き機械学習アルゴリズムを適用しました。10センサーのうち8センサーのうち8個の変動係数（標準偏差を平均で割った）は10％未満であり、これらのセンサーの優れた再現性を示しています。概念実証として、4種類のワインサンプルと3つの異なるオイルサンプルが分類され、トレーニングモデルはそれぞれ混乱マトリックス分析に基づいて100％および98％の精度を報告しました。訓練されたモデルが新しいデータセットに対して挑戦されたとき、98.5％と98.6％の感度と特異性が、SVM分類器を使用したときに、それぞれオイルテストで96.3％と93.3％を達成しました。これらの結果は、金属酸化物センサーが食品認証アプリケーションでの使用に適していることを示唆しています。

Volatile organic compounds (VOCs) are chemicals emitted by various groups, such as foods, bacteria, and plants. While there are specific pathways and biological features significantly related to such VOCs, detection of these is achieved mostly by human odor testing or high-end methods such as gas chromatography-mass spectrometry that can analyze the gaseous component. However, odor characterization can be quite helpful in the rapid classification of some samples in sufficient concentrations. Lower-cost metal-oxide gas sensors have the potential to allow the same type of detection with less training required. Here, we report a portable, battery-powered electronic nose system that utilizes multiple metal-oxide gas sensors and machine learning algorithms to detect and classify VOCs. An in-house circuit was designed with ten metal-oxide sensors and voltage dividers; an STM32 microcontroller was used for data acquisition with 12-bit analog-to-digital conversion. For classification of target samples, a supervised machine learning algorithm such as support vector machine (SVM) was applied to classify the VOCs based on the measurement results. The coefficient of variation (standard deviation divided by mean) of 8 of the 10 sensors stayed below 10%, indicating the excellent repeatability of these sensors. As a proof of concept, four different types of wine samples and three different oil samples were classified, and the training model reported 100% and 98% accuracy based on the confusion matrix analysis, respectively. When the trained model was challenged against new sets of data, sensitivity and specificity of 98.5% and 98.6% were achieved for the wine test and 96.3% and 93.3% for the oil test, respectively, when the SVM classifier was used. These results suggest that the metal-oxide sensors are suitable for usage in food authentication applications.