Olfato de máquina

Simulación del sentido del olfato

La olfacción mecánica es la simulación automatizada del sentido del olfato . Es una aplicación emergente en la ingeniería moderna que implica el uso de robots u otros sistemas automatizados para analizar sustancias químicas transportadas por el aire. Este tipo de aparatos se denominan a menudo nariz electrónica o e-nose. El desarrollo de la olfacción mecánica se complica por el hecho de que los dispositivos de nariz electrónica hasta la fecha han respondido a un número limitado de sustancias químicas, mientras que los olores son producidos por conjuntos únicos de compuestos odorantes (potencialmente numerosos). La tecnología, aunque todavía se encuentra en las primeras etapas de desarrollo, promete muchas aplicaciones, como: ^[1] control de calidad en el procesamiento de alimentos , detección y diagnóstico en medicina, ^[2] detección de drogas , explosivos y otras sustancias peligrosas o ilegales , ^[3] respuesta a desastres y monitoreo ambiental .

Un tipo de tecnología de olfato de máquina propuesta es a través de instrumentos de matriz de sensores de gas capaces de detectar, identificar y medir compuestos volátiles. Sin embargo, un elemento crítico en el desarrollo de estos instrumentos es el análisis de patrones , y el diseño exitoso de un sistema de análisis de patrones para olfato de máquina requiere una consideración cuidadosa de los diversos problemas involucrados en el procesamiento de datos multivariados: preprocesamiento de señales, extracción de características , selección de características , clasificación , regresión, agrupamiento y validación. ^[4] Otro desafío en la investigación actual sobre olfato de máquina es la necesidad de predecir o estimar la respuesta del sensor a las mezclas de aromas. ^[5] Algunos problemas de reconocimiento de patrones en olfato de máquina, como la clasificación de olores y la localización de olores, se pueden resolver utilizando métodos de kernel de series de tiempo. ^[6]

Detección

Existen tres técnicas básicas de detección que utilizan sensores de olores de polímero conductor (polipirrol), sensores de gas de óxido de estaño y sensores de microbalanza de cristal de cuarzo. ^{[ cita requerida ]} Generalmente comprenden (1) una serie de sensores de algún tipo, (2) la electrónica para interrogar a esos sensores y producir señales digitales, y (3) software de procesamiento de datos e interfaz de usuario.

Todo el sistema es un medio para convertir respuestas complejas de sensores en un perfil cualitativo de los volátiles (o mezcla compleja de volátiles químicos) que componen un olor, en forma de resultado.

Las narices electrónicas convencionales no son instrumentos analíticos en el sentido clásico y muy pocos afirman ser capaces de cuantificar un olor. Estos instrumentos se "entrenan" primero con el olor objetivo y luego se utilizan para "reconocer" olores de modo que las muestras futuras puedan identificarse como "buenas" o "malas".

La investigación sobre métodos alternativos de reconocimiento de patrones para conjuntos de sensores químicos ha propuesto soluciones para diferenciar entre el olfato artificial y el biológico en relación con la dimensionalidad. Este enfoque de inspiración biológica implica la creación de algoritmos únicos para el procesamiento de la información. ^[7]

Las narices electrónicas pueden distinguir entre olores y sustancias volátiles de una amplia variedad de fuentes. La lista que aparece a continuación muestra solo algunas de las aplicaciones típicas de la tecnología de narices electrónicas; muchas de ellas están respaldadas por estudios de investigación y artículos técnicos publicados.

Localización de olores

La localización de olores es una combinación de análisis cuantitativo de olores químicos y algoritmos de búsqueda de trayectorias, y las condiciones ambientales desempeñan un papel fundamental en la calidad de la localización. Se están investigando diferentes métodos para diversos fines y en diferentes condiciones del mundo real.

Motivación

La localización de olores es la técnica y el proceso de localizar una fuente química volátil en un entorno que contiene uno o varios olores. Es de vital importancia para todos los seres vivos, tanto para encontrar sustento como para evitar peligros. A diferencia de los demás sentidos humanos básicos , el olfato se basa completamente en sustancias químicas. Sin embargo, en comparación con las otras dimensiones de la percepción, la detección de olores se enfrenta a problemas adicionales debido a las complejas ecuaciones dinámicas del olor y a perturbaciones externas impredecibles como el viento.

Solicitud

La tecnología de localización de olores se muestra prometedora en muchas aplicaciones, entre ellas: ^{[8] [1]}

• Control de calidad en el procesamiento de alimentos (por ejemplo, contaminación, deterioro bacteriano )
• Localización de la fuente de sustancias peligrosas (por ejemplo: explosivos y agentes de guerra química ).
• Descubrimiento de recursos o peligros subterráneos
• detección de materiales prohibidos (por ejemplo: detección de drogas )
• En busca de supervivientes de desastres naturales
• Vigilancia ambiental de contaminantes
• Diagnóstico precoz de enfermedades (por ejemplo, en la enfermedad pulmonar obstructiva crónica ) ^[2]

Historia y planteamiento del problema

El primer instrumento para la detección de olores específicos fue una nariz mecánica desarrollada en 1961 por Robert Wighton Moncrieff. La primera nariz electrónica fue creada por WF Wilkens y JD Hartman en 1964. ^[9] Larcome y Halsall analizaron el uso de robots para la detección de olores en la industria nuclear a principios de los años 1980, ^[10] y la investigación sobre la localización de olores comenzó a principios de los años 1990. La localización de olores es ahora un campo en rápido crecimiento. Se han desarrollado varios sensores y se han propuesto diversos algoritmos para diversos entornos y condiciones.

La localización mecánica de olores se puede ejecutar a través de los tres pasos siguientes: (1) búsqueda de la presencia de una sustancia química volátil, (2) búsqueda de la posición de la fuente con una serie de sensores de olores y ciertos algoritmos, y (3) identificación de la fuente de olor rastreada (reconocimiento de olores).

Métodos de localización

Los métodos de localización de olores suelen clasificarse según los modos de dispersión de olores en una variedad de condiciones ambientales. Estos modos se pueden dividir en dos categorías: flujo de fluido dominado por la difusión y flujo de fluido dominado por la turbulencia. Estos tienen diferentes algoritmos para la localización de olores, que se analizan a continuación.

Flujo de fluido dominado por difusión

Los métodos de seguimiento y localización del flujo de fluidos dominado por la difusión (que se utilizan principalmente en la localización de olores subterráneos) deben diseñarse de modo que la maquinaria olfativa pueda funcionar en entornos en los que el movimiento del fluido está dominado por la viscosidad. Esto significa que la difusión conduce a la dispersión del flujo de olor y la concentración de olor disminuye desde la fuente como una distribución gaussiana . ^[11]

La difusión de vapor químico a través del suelo sin gradiente de presión externa a menudo se modela mediante la segunda ley de Fick :

${\displaystyle {\frac {\partial C}{\partial t}}=D{\frac {\partial ^{2}C}{\partial d^{2}}}}$

donde D es la constante de difusión, d es la distancia en la dirección de difusión, C es la concentración química y t es el tiempo.

Suponiendo que el flujo de olor químico solo se dispersa en una dirección con un perfil de sección transversal uniforme, la relación de la concentración de olor a una cierta distancia y un cierto punto de tiempo entre las concentraciones de la fuente de olor se modela como

${\displaystyle {\frac {C}{C_{s}}}=\operatorname {erfc} {\frac {d}{\sqrt {4Dt}}}}$

donde es la concentración de la fuente de olor. Esta es la ecuación dinámica más simple en el modelado de detección de olores, ignorando el viento externo u otras interrupciones. Bajo el modelo de propagación dominado por la difusión, se desarrollaron diferentes algoritmos simplemente rastreando gradientes de concentración química para localizar una fuente de olor. ${\displaystyle C_{s}}$

E. colialgoritmo

Un método de seguimiento sencillo es el algoritmo de E. coli . ^[12] En este proceso, el sensor de olores simplemente compara la información de concentración de diferentes ubicaciones. El robot se mueve a lo largo de líneas rectas repetidas en direcciones aleatorias. Cuando la información del estado actual del olor mejora en comparación con la lectura anterior, el robot continuará en el camino actual. Sin embargo, cuando la condición del estado actual es peor que la anterior, el robot retrocederá y luego se moverá en otra dirección aleatoria. Este método es simple y eficiente, sin embargo, la longitud del camino es muy variable y los errores aumentan con la proximidad a la fuente. ^{[ se necesita más explicación ]}

Algoritmo de trayectoria hexagonal y algoritmo del dodecaedro

Otro método basado en el modelo de difusión es el algoritmo hex-path, desarrollado por R. Andrew Russel ^[12] para la localización subterránea de olores químicos con una sonda enterrada controlada por un manipulador robótico. ^{[12] [13]} La sonda se mueve a una cierta profundidad a lo largo de los bordes de una cuadrícula hexagonal muy compacta. En cada unión de estado n , hay dos caminos (izquierdo y derecho) para elegir, y el robot tomará el camino que conduce a una mayor concentración del olor basándose en la información de concentración de olor de los dos estados de unión anteriores n −1 , n −2 . En la versión 3D del algoritmo hex-path , el algoritmo del dodecaedro, la sonda se mueve en un camino que corresponde a un dodecaedro muy compacto , de modo que en cada punto de estado hay tres posibles opciones de camino.

Flujo de fluidos dominado por turbulencia

Figura 1. Modelado de la pluma

En el flujo de fluidos dominado por la turbulencia, los métodos de localización están diseñados para tratar el flujo de fluido de fondo (viento o agua) como interrupción de la turbulencia. La mayoría de los algoritmos de esta categoría se basan en el modelado de columnas (Figura 1). ^[14]

La dinámica de las columnas se basa en modelos gaussianos, que a su vez se basan en ecuaciones de Navier-Stokes . La condición de contorno simplificada del modelo basado en Gauss es:

${\displaystyle {\frac {\partial C}{\partial t}}=D_{x}{\frac {\partial ^{2}C}{\partial x^{2}}}+D_{y}{\frac {\partial ^{2}C}{\partial y^{2}}}+\alpha {\frac {\partial C}{\partial x}}+\beta {\frac {\partial C}{\partial x}}}$

donde D _x y D _y son constantes de difusión; es la velocidad lineal del viento en la dirección x , es la velocidad lineal del viento en la dirección y . Además, suponiendo que el entorno es uniforme y la fuente de la columna es constante, la ecuación para la detección de olores en cada sensor del robot en cada punto de tiempo de detección t − th es ${\displaystyle \alpha }$ ${\displaystyle \beta }$

${\displaystyle R_{i}=\gamma _{i}\sum _{k=1}^{K}{\frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha }}}+\omega _{i}}$

donde es la t − ésima muestra del i − ésimo sensor, es el factor de ganancia, es la k − ésima intensidad de la fuente, es la ubicación de la k − ésima fuente, es el parámetro de atenuación de la columna, es el ruido de fondo que satisface . En el modelado de columnas, se pueden utilizar diferentes algoritmos para localizar la fuente del olor. ${\displaystyle R_{i}}$ ${\displaystyle \gamma _{i}}$ ${\displaystyle C_{k}}$ ${\displaystyle \rho _{k}}$ ${\displaystyle \alpha }$ ${\displaystyle \omega _{i}}$ ${\displaystyle N(\mu ,\sigma ^{2})}$

Figura 2. Método de triangulación

Algoritmo de triangulación

Un algoritmo simple que se puede utilizar para la estimación de la ubicación es el método de triangulación (Figura 2). Considere la ecuación de detección de olores anterior; la posición de la fuente del olor se puede estimar organizando las distancias de los sensores en un lado de la ecuación e ignorando el ruido. La posición de la fuente se puede estimar utilizando las siguientes ecuaciones:

${\displaystyle (x_{1}-x_{s})^{2}+(y_{1}-y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\displaystyle (x_{2}-x_{s})^{2}+(y_{2}-y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\displaystyle (x_{3}-x_{s})^{2}+(y_{3}-y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

Método de mínimos cuadrados (LSM)

El método de mínimos cuadrados (MSM) es un algoritmo ligeramente complicado para la localización de olores. La versión MSM del modelo de seguimiento de olores viene dada por:

${\displaystyle R_{i},_{t}=\gamma _{i}{\frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^{2}}}+\omega _{i}}$

¿Dónde está la distancia euclidiana entre el nodo del sensor y la fuente de la columna, dada por: ${\displaystyle d_{i}}$

${\displaystyle d_{i}={\sqrt {(x_{i}-x-s)^{2}+(y_{i}+y_{s})^{2}}}}$

La principal diferencia entre el algoritmo LSM y el método de triangulación directa es el ruido. En el LSM, se tiene en cuenta el ruido y se estima la ubicación de la fuente del olor minimizando el error cuadrático. El problema de mínimos cuadrados no lineal se da por:

${\displaystyle J=\sum _{i=1}^{N}({{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^{2}}}}-{\overline {z_{l}}})}}$

donde es la ubicación estimada de la fuente y es el promedio de múltiples mediciones en los sensores, dado por: ${\displaystyle ({\widehat {x_{s}}},{\widehat {y_{s}}})}$ ${\displaystyle {\overline {z_{l}}}}$

${\displaystyle {\overline {z_{l}}}={\frac {1}{M}}\sum _{i=1}^{M}{z_{i}}}$

Estimación de máxima verosimilitud (EMV)

Otro método basado en el modelado de la columna es la estimación de máxima verosimilitud (MLE). En este método de localización de olores se definen varias matrices, como se indica a continuación:

${\displaystyle Z=[{\frac {R_{1}-\mu _{1}}{\sigma _{1}}},{\frac {R_{2}-\mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\displaystyle G=diag[{\frac {\gamma _{1}}{\sigma _{1}}},{\frac {\gamma _{2}}{\sigma _{2}}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\displaystyle D=[{\frac {1}{d_{1}^{2}}},{\frac {1}{d_{2}^{2}}},...{\frac {1}{d_{N}^{2}}}]}$

${\displaystyle \zeta =[\zeta _{1},\zeta _{2},...\zeta _{N}]}$

${\displaystyle \zeta _{i}=(\omega _{i}-\mu _{i})/\sigma _{i}\sim N(0,1)}$

${\displaystyle {\frac {R_{i}-\mu _{i}}{\sigma _{i}}}\sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

Con estas matrices, el modelo de detección de olores basado en plumas se puede expresar con la siguiente ecuación:

${\displaystyle Z=GDC+\zeta }$

Luego, el MLE se puede aplicar al modelado y formar la función de densidad de probabilidad.

${\displaystyle f(Z,\theta )=2\pi ^{-(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

donde es la posición estimada de la fuente de olor y la función de verosimilitud logarítmica es ${\displaystyle \theta }$

${\displaystyle L(\theta )\sim {\frac {1}{2}}\sum _{i=1}^{N}{\|Z_{i}-\gamma _{i}{\frac {c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

La estimación del parámetro de máxima verosimilitud de se puede calcular minimizando ${\displaystyle \theta }$

${\displaystyle I(\theta )=\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

y la posición precisa de la fuente de olor se puede estimar resolviendo:

${\displaystyle {\frac {\partial {I(\theta )}}{\partial (x)}}=0,{\frac {\partial {I(\theta )}}{\partial (y)}}=0}$

Infotaxis

En 2007, se propuso una estrategia denominada infotaxis, en la que se crea un modelo mental utilizando información recopilada previamente sobre dónde es probable que se encuentre la fuente de un olor. El robot se mueve en una dirección que maximiza la información. ^[15] Infotaxis está diseñado para realizar seguimiento en entornos turbulentos. Se ha implementado como un proceso de decisión de Markov parcialmente observable ^[16] con un objetivo estacionario en una cuadrícula bidimensional. ^[17]

Véase también

• Matriz de sensores químicos  – Disposición de sensores químicos
• Quimiorresistor  : Material con resistencia eléctrica cambiante según su entorno.
• Tecnología de olfato digital  : el estudio de oler cosas a través de una computadora.
• Detector de explosivos Fido
• Comunicación molecular  : uso de la presencia o ausencia de moléculas para codificar mensajes digitalmente
• Olfatómetro  – Instrumento utilizado para detectar y medir la dilución de olores.

Referencias

1. "Número especial sobre olfacción de máquinas". IEEE Sensors Journal . 11 (12): 3486. 2011. Bibcode :2011ISenJ..11.3486.. doi :10.1109/JSEN.2011.2167171.
2. Geffen, Wouter H. van; Bruins, Marcel; Kerstjens, Huib AM (1 de enero de 2016). "Diagnóstico de infecciones respiratorias virales y bacterianas en exacerbaciones agudas de EPOC mediante una nariz electrónica: un estudio piloto". Journal of Breath Research . 10 (3): 036001. Bibcode :2016JBR....10c6001V. doi : 10.1088/1752-7155/10/3/036001 . ISSN  1752-7163. PMID  27310311.
3. Stassen, yo; Bueken, B.; Reinsch, H.; Oudenhoven, JFM; Wouters, D.; Hajek, J.; Van Speybroeck, V.; Valores, N.; Vereecken, PM; Van Schaijk, R.; De Vos, D.; Ameloot, R. (2016). "Hacia sensores químicos de efecto de campo basados ​​en estructuras metal-orgánicas: UiO-66-NH2 para la detección de agentes nerviosos". Química. Ciencia . 7 (9): 5827–5832. doi :10.1039/C6SC00987E. hdl :1854/LU-8157872. PMC 6024240 . PMID  30034722. 
4. Gutierrez-Osuna, R. (2002). "Análisis de patrones para olfacción de máquinas: una revisión". IEEE Sensors Journal . 2 (3): 189–202. Bibcode :2002ISenJ...2..189G. doi :10.1109/jsen.2002.800688.
5. Phaisangittisagul, Ekachai; Nagle, H. Troy (2011). "Predicción de las respuestas de la mezcla de olores en sensores de olfato de máquinas". Sensores y actuadores B: Química . 155 (2): 473–482. Bibcode :2011SeAcB.155..473P. doi :10.1016/j.snb.2010.12.049.
6. Vembu, Shankar; Vergara, Alexander; Muezzinoglu, Mehmet K.; Huerta, Ramón (2012). "Sobre las características de las series temporales y los núcleos para la olfacción de máquinas". Sensores y actuadores B: Química . 174 : 535–546. Bibcode :2012SeAcB.174..535V. doi :10.1016/j.snb.2012.06.070.
7. Raman, Baranidharan (diciembre de 2005). Olfato mecánico basado en sensores con modelos neuromórficos del sistema olfativo (PhD). Universidad Texas A&M. hdl :1969.1/4984.
8. Moshayedi, Ata Jahangir. "Revisión sobre: ​​Aspectos y obstáculos del robot de localización de olores". www.academia.edu . Consultado el 12 de noviembre de 2015 .
9. Gardner, Julian W.; Bartlett, Philip N. (1994-03-01). "Una breve historia de las narices electrónicas". Sensors and Actuators B: Chemical . 18 (1–3): 210–211. Bibcode :1994SeAcB..18..210G. doi :10.1016/0925-4005(94)87085-3.(se requiere suscripción)
10. Larcombe, MHE (1984). Robótica en ingeniería nuclear: teleoperación asistida por computadora en entornos peligrosos con especial referencia a los campos de radiación.
11. Kowadlo, Gideon; Russell, R. Andrew (1 de agosto de 2008). "Localización de olores de robots: una taxonomía y un estudio". Revista internacional de investigación en robótica . 27 (8): 869–894. doi :10.1177/0278364908095118. ISSN  0278-3649. S2CID  348058.
12. Russell, R. Andrew (1 de enero de 2004). "Localización robótica de fuentes químicas subterráneas". Robotica . 22 (1): 109–115. doi :10.1017/S026357470300540X. ISSN  1469-8668. S2CID  40463021.
13. "Localización de fuentes químicas y el proyecto RoboMole" (PDF) .
14. "Encuesta: Localización de fuentes de olores" (PDF) .
15. Mackenzie, Dana (6 de marzo de 2023). «Cómo los animales siguen su nariz». Revista Knowable . Reseñas anuales. doi : 10.1146/knowable-030623-4 . Consultado el 13 de marzo de 2023 .
16. Reddy, Gautam; Murthy, Venkatesh N.; Vergassola, Massimo (10 de marzo de 2022). "Detección olfativa y navegación en entornos turbulentos". Revisión anual de física de la materia condensada . 13 (1): 191–213. Código Bibliográfico :2022ARCMP..13..191R. doi :10.1146/annurev-conmatphys-031720-032754. ISSN  1947-5454.
17. Loisy, Aurore; Eloy, Christophe (junio de 2022). "Búsqueda de una fuente sin gradientes: qué tan buena es la infotaxis y cómo superarla". Actas de la Royal Society A: Ciencias matemáticas, físicas e ingeniería . 478 (2262): 20220118. arXiv : 2112.10861 . Código Bibliográfico : 2022RSPSA.47820118L. doi : 10.1098/rspa.2022.0118. ISSN  1364-5021.

Enlaces externos

• Tecnologías de nariz electrónica de Scensive Technologies Ltd, Reino Unido
• TC Pearce, SS Schiffman, HT Nagle, JW Gardner (editores), Handbook of Machine Olfaction: Electronic Nose Technology, Wiley-VCH, Weinheim, 2002. En formato PDF en: [1]
• Archivo de la Red de Detección Olfativa Artificial (NOSE)
• Lundström, Ingemar (2000). "Imagínate el olor". Naturaleza . 406 (6797). Saltador: 682–683. Código Bib :2000Natur.406..682L. doi :10.1038/35021156. PMID  10963577. S2CID  16957778.