CN111954812B - 基于电子鼻的气味剂分析的利用 - Google Patents

基于电子鼻的气味剂分析的利用 Download PDF

Info

Publication number
CN111954812B
CN111954812B CN201880088963.8A CN201880088963A CN111954812B CN 111954812 B CN111954812 B CN 111954812B CN 201880088963 A CN201880088963 A CN 201880088963A CN 111954812 B CN111954812 B CN 111954812B
Authority
CN
China
Prior art keywords
scent
mixture
space
location
sample
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.)
Active
Application number
CN201880088963.8A
Other languages
English (en)
Other versions
CN111954812A (zh
Inventor
N·索贝尔
S·阿格隆
K·斯尼茨
E·利夫尼
O·派尔
K·威斯勒
A·拉威亚
D·R·赫尼格斯坦
M·芬克尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yeda Research and Development Co Ltd
Original Assignee
Yeda Research and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yeda Research and Development Co Ltd filed Critical Yeda Research and Development Co Ltd
Publication of CN111954812A publication Critical patent/CN111954812A/zh
Application granted granted Critical
Publication of CN111954812B publication Critical patent/CN111954812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N33/0004—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
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0047—Organic compounds

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种评估气味的方法，包括提供从气味提取测量的电子鼻，从所述测量提取至少n个化学描述符，其中n大于一，并且通常大约为18。电子鼻应用于气味，并且提取气味信息。将信息绘制到n维样本空间上的第一位置，每个维度与n个化学描述符中的相应一个相关，或者否则针对特定的enose及其进行的测量进行优化；并且基于所绘制的位置而提供对气味的评估。评估可以是基于气味描述术语的描述，或者可以是根据可以合成气味的化学品的化学描述，并且然后可以基于化学描述而合成气味。

Description

基于电子鼻的气味剂分析的利用
技术领域
本发明在其一些实施例中涉及基于电子鼻的气味剂分析的利用，并且更特别地，但不排他地，涉及直接传送气味剂分析或者出于间接传送或其它目的而合成气味剂的方式。
背景技术
在1968年，Dravnieks设想了人工或电子鼻作为仪器，所述仪器将检查有气味的空气的样本，并且在没有人类鼻的干预的情况下报告气味的强度和质量。尽管自那时以来已经开发了eNose（电子鼻），但是它们主要用于气味检测和鉴别的任务，而不是用于报告气味质量。
eNose的主要组件是非特定化学传感器的阵列。气味分析物刺激阵列中的许多传感器，并且引起特性响应模式。eNose内部的传感器可以由各种技术组成，但是在所有情况下，都会测量某个物理属性并且生成信号集。识别过程的阶段类似于生物嗅觉的阶段，其中传感器响应于多于一种气味剂，并且一种气味剂激活大于一个传感器。激活的传感器集及其信号一起表征气味，有时被称为气味指纹。因此，eNose和分析物检测器（诸如气相色谱仪）之间的重要差异在于，后者目的在于识别导致气味的组分，而eNose可以用于作为整体识别一起形成气味的组分的混合物。尽管承诺可以代替嗅觉的人工系统，但是在超出检测和鉴别的任务中做出了非常少的努力使用eNose。值得注意的例外是开发用于医疗诊断的eNose的努力。在这样的努力中，eNose被用于作为整体识别疾病，而不是与其相关的特定分析物。在先前的提议中，本发明人将eNose测量链接到嗅觉受体神经元中的嗅觉活动，暗示eNose可能捕获与生物受体相关的气味性质。随后，美国专利8,880,448“预测气味愉悦性”（“Predicting Odor Pleasantness”）着手询问，eNose测量是否可以以任何方式链接到嗅觉感知。该努力可能比将eNose输出链接到受体响应更复杂，因为感知不仅由刺激结构支配，而且由诸如经验和学习之类的较高级机制支配。
类似地，Burl等人在2001年试图使用eNose报告感知质量。使用导电聚合物复合检测器的阵列，通过使用“遗漏一个（leave one out）”方案和一连串预测算法，他们预测了20个气味剂中的每一个的17个气味质量。尽管针对气味质量的一部分获得了显著的预测率，但是结果没有推广到新的气味剂。Burl等人（Burl等人，2001年）假定该结果可能已经反映他们所使用的少量气味剂。
Burl等人（Burl等人. 2001年）将他们的努力聚焦在预测谨慎的感知特性上，例如薄荷味和花香。在上面所提到的美国专利8,880,448中，解决方案被应用于气味的电子鼻测量，所述解决方案涉及使用电子鼻提取气味信息，并且将所提取的气味信息绘制在气味愉悦性的轴上的位置上，其中所述轴使用神经网络形成。神经网络是根据其中人类测试者评估特定气味的实验形成的。
上述问题在于，一维轴上的数字或文字描述不是传达关于气味的信息的非常有意义的方式，并且当然不提供足够信息以允许给定气味被复制。一维轴可以允许根据所述愉悦性对气味进行评级，但是对于气味来说存在比愉悦性更多得多。
发明内容
现有技术中的问题通过使用多维样本空间表示如由电子鼻所测量的气味来解决。多维采样空间可以基于由电子鼻所测量的特征或者针对由电子鼻所测量的特征进行优化。
然后，可以通过基于样本空间中的测量的位置，或者特别地样本空间中的测量与已知样本的接近度而选择自然语言模板来提供描述。
同样，气味的合成可以通过使用化学品的混合物来获得，其中所述混合物由多维样本空间中的测量的位置来指示。
多维采样空间和/或描述可以用于将嗅觉带入刚好可注意到的差异（JND）的问题中。感觉系统可以检测的最小微扰是其JND。JND对于感觉神经生物学是重要的，因为它们暗示了对神经传感器和电路的最低要求。JND对于技术也是重要的，因为它们确定数字化的分辨率。JND已经针对视觉和听觉质量被识别，而没有针对气味质量被识别。为了定义气味质量JND，可以使用味道的可再现的物理化学度量，并且本实施例可以提供候选。
根据本发明的一些实施例的方面，提供了评估气味的方法，包括：
提供从气味提取测量的电子鼻，从所述测量可提取至少n个化学描述符，其中n大于一；
将电子鼻应用于气味；
使用电子鼻提取气味的气味信息；
将所提取的气味信息绘制到n维样本空间上的第一位置，每个维度与n个化学描述符中的相应一个相关；以及
基于第一位置输出评估。
实施例可以涉及从电子鼻可用的m个化学描述符中选择n个化学描述符，其中m大于n。
实施例可以涉及选择构建样本空间的n个化学描述符，在所述样本空间上，被识别为类似的测试气味相对接近地聚集在一起，并且被识别为不同的测试气味相对远离。
在实施例中，样本空间可以具有绘制在其上的多个测试样本，每个样本与至少一个气味描述术语相关联。该方法可以找到最接近第一位置的预确定数量的测试样本，或者可以找到第一位置的预确定半径内的所有测试样本，并且输出评估可以包括输出与因此找到的测试样本相关联的气味描述术语。
替代地，样本空间可以具有多个区域，并且该方法可以涉及将样本空间的相应区域与对应气味描述术语相关联。输出评估可以涉及输出与第一位置相关联的气味描述术语。
在实施例中，区域是测试气味的样本空间中的位置，并且项是与测试气味相关联的项。
实施例可以包括选择预确定数量的最通常发生的气味描述术语。
预确定数量可以例如是5。
实施例可以包括提供用于气味相关的话语的模板，并且将与第一位置相关联的气味描述术语插入模板中的一个中。
样本空间可以具有多个区域，该方法包括：
将样本空间的相应区域与对应的携带气味的化学品相关联，并且输出评估包括输出具有在第一位置上或接近第一位置的区域的一个或多个携带气味的化学品的细节。
该方法可以使用在细节中定义的携带气味的化学品来合成气味。
在实施例中，n是18。
实施例包括找到感知空间上的气味之间的刚好可注意到的距离，所述刚好可注意到的距离是一组用户的最小可辨别距离的平均值。
实施例包括基于刚好可注意到的距离而数字化感知空间。
实施例包括使用数字化来提供输入气味的测量。
实施例包括使用数字化来提供不同气味之间的比较。
根据本发明的第二方面，提供了一种数字电子鼻，包括：
n维数字化感知空间，所述空间根据刚好可注意到的距离进行数字化，所述刚好可注意到的距离是一组用户的最小可辨别距离的平均值；
输入，其用于要测量的气味；
映射单元，其连接到输入和n维数字化感知空间，以用于将输入气味映射到数字化n维感知空间上的第一位置，所述第一位置是根据刚好可注意到的距离可数字表达的；
输出，其用于基于根据刚好可注意到的距离表达的第一位置而输出输入气味的数字化度量。
在实施例中，n维感知空间是电子存储的。
在实施例中，n维感知空间包括应用于沿着n个味道轴的分子的物理化学描述符，其中n是复数整数。
在实施例中，相应刚好可注意到的距离是n维感知空间上的角度。
在实施例中，n维数字化感知空间上两个气味之间的角度是
Figure 314282DEST_PATH_IMAGE001
其中
Figure 979225DEST_PATH_IMAGE002
是分别表示两个气味的向量之间的点积，并且/>
Figure 306432DEST_PATH_IMAGE003
和/>
Figure 842587DEST_PATH_IMAGE004
是其欧几里得范数。
在实施例中，根据以下对感知空间中的分子加权：
Figure 188117DEST_PATH_IMAGE005
其中x是标准化强度。
根据本发明的第三方面，提供了一种评估气味的方法，包括：
提供从气味提取化学表征的电子鼻；
将电子鼻应用于第一和第二气味；
使用电子鼻分别提取第一和第二气味的化学气味表征；
测量第一和第二气味的相应化学气味表征之间的距离；以及
输出所述距离作为第一和第二气味之间类似性的度量。
实施例可以包括根据刚好可注意到的差异对距离进行数字化。
除非另外定义，否则本文中所使用的所有技术和/或科学术语具有与本发明所属技术领域普通技术人员通常所理解的相同意义。尽管与本文中所描述的那些类似或等同的方法和材料可以用于本发明的实施例的实践或测试中，但是下面描述了示例性方法和/或材料。在冲突的情况下，专利说明书（包括定义）将会控制。此外，材料、方法和示例是仅说明性的，并且不意图一定是限制性的。
本发明的实施例的方法和/或系统的实施方式可以涉及手动、自动或其组合地施行或完成所选择的任务。此外，根据本发明的方法和/或系统的实施例的实际仪器和装备，可以使用操作系统通过硬件、通过软件或通过固件或通过其组合来实现若干所选择的任务。
例如，根据本发明的实施例的用于施行所选择的任务的硬件可以被实现为芯片或电路。作为软件，根据本发明的实施例的所选择的任务可以被实现为由计算机使用任何适合的操作系统执行的多个软件指令。在本发明的示例性实施例中，根据如本文中所描述的方法和/或系统的示例性实施例的一个或多个任务由数据处理器来施行，所述数据处理器诸如用于执行多个指令的计算平台。可选地，数据处理器包括用于存储指令和/或数据的易失性存储器，和/或用于存储指令和/或数据的非易失性存储装置，例如，磁性硬盘和/或可移除介质。可选地，还提供了网络连接。还可选地提供了显示器和/或用户输入设备，诸如键盘或鼠标。
附图说明
在本文中参考附图仅作为示例描述了本发明的一些实施例。现在详细特定参考附图，强调的是，所示出的细节是作为示例，并且出于说明性讨论本发明的实施例的目的。在这方面，结合附图的描述使得对于本领域技术人员来说如何可以实践本发明的实施例是清楚的。
在附图中：
图1是根据本发明的实施例的示出气味的检测及其作为提供描述的方式在n维样本空间上的绘制的简化流程图；
图2是示出用于执行图1的方法的装置的简化图；
图3是示出根据本发明的实施例的用于提供气味的文本描述的方法的简化流程图；
图4是示出使用本实施例施加的描述符与使用人类测试器施加的描述符相比较的图表；
图5是示出根据本实施例的合成气味的过程的简化图；
图6是示出根据本实施例的化学样本空间上的类似混合物的建模的简化图；
图7是示出所建模的结果和化学数据之间的角度距离的简化图；
图8A-8F是示出根据本实施例测量的味道的类似性如何预测真实世界气味剂混合物的类似性的简化图表；
图9A-9D是示出根据本实施例的味道的度量如何预测玫瑰、紫罗兰和阿魏的感知类似性的简化图表；
图10A-10C是示出根据本实施例的味道的度量如何预测嗅觉鉴别任务中的性能的一系列图表。
图11A-11D是图示如何可以得出根据本实施例的气味质量JND的图的一系列图表；
图12A和12B是图示与本实施例有关的实验中所使用的气味的两个图表，其中所使用的气味被投影到感知空间中；
图13A到13D是图示根据本实施例测量的气味之间的角度距离如何转换为感知类似性的四个图表；
图14是示出根据本发明的实施例的数字enose的框图；以及
图15是示出根据本发明的实施例的可以用于产生数字或模拟输出的另外的enose的框图。
具体实施方式
本发明在其一些实施例中涉及利用可以从电子鼻获得的气味的测量的方式。
一种评估气味的方法包括提供从气味提取测量的电子鼻，从所述测量可提取至少n个化学描述符，其中n大于一；将电子鼻应用于气味；使用电子鼻提取气味的气味信息；将所提取的气味信息绘制到n维样本空间上的第一位置，每个维度与n个化学描述符中的相应一个相关，或者否则针对特定enose及其进行的测量进行优化；以及基于所绘制的位置输出评估。评估可以是基于气味描述术语的描述，或者可以是根据可以合成气味的化学品的化学描述，并且气味然后可以基于化学描述而合成。
此外，本实施例可以延伸到优化（例如以弧度表达的）度量，所述度量仅仅基于任何两个气味剂的结构而准确地反映它们之间的感知类似性或差异。在试验中，166个参与者进行38,744次试验，所述试验对沿着度量在其距离上系统地变化的气味剂混合物进行评级。在试验中观察到，人类可以检测的气味质量的最小差异（即嗅觉JND）是气味剂之间的0.0125弧度。除了对神经生物学和技术的影响之外，该框架为定义味道铺平道路，并且因此维护权利，诸如特定味道的版权。
在详细解释本发明的至少一个实施例之前，将理解，本发明在其应用上不一定限于以下描述中阐述的和/或附图和/或示例中所图示的组件和/或方法的构造和布置的细节。本发明能够具有其它实施例或者以各种方式实践或执行。
现在参考附图，图1图示了评估气味的方法，所述方法提供了电子鼻10。术语“电子鼻”指的是被设计用于测量空气或其它气体的样本的气态化学含量的任何设备，并且包括识别气味的特定组分以及分析其化学组成以识别它的设备。电子鼻可以由用于化学检测的机制（诸如电子传感器的阵列）和用于模式识别的机制（诸如神经网络）组成。然后，可以从传感器本身或从模式识别提取气味的描述符。
根据本实施例的电子鼻检测气味12并且提取测量，从所述测量获得描述符14。在本实施例中，测量用于提供可以被提取的至少n个化学描述符，其中n是大于一的整数。可以使用的描述符的典型数量是18。一般而言，使用较少的描述符使得结果较少有意义，并且使用较多的描述符使得过程较慢，而不会添加非常多有用的意义。基于从特定鼻获得的测量，发现数量18是最优的。然而，取决于所使用的鼻，其它数量的描述符可以是最优的，并且次最优解决方案可以由技术人员基于其它考虑来选择。
一旦描述符可用，气味就被绘制16在n维样本空间上的第一位置处，其中每个维度与n个化学描述符中的特定一个相关。然后，基于样本空间中的位置而输出评估18。
电子鼻一般提取大量的测量，但是一些与人类较少感知的气味成分相关，并且一些与人类更强烈感知的气味成分相关。另外，一些描述符可以非常类似于其它描述符，使得它们可能被忽略而具有非常小的总体效果。无论哪种方式，都不需要所有可能的描述符，并且本实施例可以涉及从电子鼻可用的m个化学描述符的较大组选择n个化学描述符。如将在下面更详细讨论的，可以初始使用预定义的气味集和一组人类测试者来构造样本空间。人类测试者决定哪些气味是类似的以及哪些不是，并且然后测试n个描述符的各种组合来看哪个组合最好地使得类似气味聚集在一起，而不同气味彼此远离。选取与测试者的评估最好地一致的n个描述符的集合作为n维样本空间的基础。
一旦定义了样本空间，就在其上定义了测试样本，并且每个测试样本具有与其相关联的一些描述性术语。新样本被绘制在空间中，并且找到最近的测试样本。最近的测试样本可以是最近的k个样本，或者它们可以是给定半径内的任何样本。与已经被找到的测试样本相关联的术语可以用于描述当前气味。
替代地，样本空间可以被划分成区域。区域可以是任意的，或者可以基于（比如从测试）已经知道的聚集。然后，不同的区域被提供有气味描述术语，比如测试者已经找到所述气味描述术语描述特定区域中气味聚集。强调的是，给定区域可以具有与其相关联的若干术语，并且同样，单个术语可以与若干区域相关联。随后测量的任何气味的评估输出可以然后基于与其中在样本空间中绘制气味的区域相关联的术语。
如将在下面更详细描述的，可以提供气味相关话语的模板。这些模板包括在关于气味的讨论中使用的句子，并且对于实际气味描述术语具有空格。然后，评估可以涉及将所提取的（一个或多个）术语插入到适当的模板中。这样，评估给出由人类产生的印象。
如下面所讨论的，替代的是将区域与携带气味的化学品相关联。如上述，单个区域可以与大于一个化学品相关联，并且给定化学品可以与大于一个区域相关联。输入气味被绘制在样本空间上，并且然后可以根据与绘制位置相关联的化学品或在紧邻周围环境中的那些化学品来描述。然后，可以通过使用描述中的化学品来合成输入气味。
参考图2，电子鼻20测量样本，并且产生测量22。测量22产生描述符1..n 24，其然后被映射到n维样本空间26上，并且然后基于样本空间中的气味基于n个描述符绘制的位置而提供评估输出28。
现在更详细地描述实施例。首先讨论了其中提供口头描述的实施例，并且目的是要通过鼻的图灵测试，在于人类将不能够辨别气味的描述实际上来自机器。
实施例的目的是呈现具有未知样本的电子鼻（enose）。机器分析样本，并且以自由文本产生样本的气味的描述，就像其是由人给出的一样。由机器所产生的描述可能意图与由测试对象所提供的那些无法区分。对结果的确认将相当于机器通过嗅觉版本的图灵测试，即所谓的模仿游戏。
现在对图3进行参考，所述图3是图示用于提供描述的三步骤过程的简化图。首先，给定新样本，我们分析enose 30中的样本，提取相关enose特征，并且计算样本与已知样本库32的感知类似性。第二，基于与已知样本库的类似性，我们组合我们知道的样本库的感知质量，并且计算新样本的最适当的感知质量34。过程的第三部分是转换针对我们的样本找到的感知描述符的列表，并且以自然语言36来表达它们。
在产生本实施例的工作中，AirSense PEN3电子鼻连接到自动采样器，以从玻璃瓶采样气味剂。
用于设立样本空间的初始数据集是从77个单分子样本的集合提供的，所述77个单分子样本取自的气味Dravnieks图集字符简档中使用的集，并且在本文中被称为数据集A。[参见分子列表的补充材料]该混合物集以350ml/min的流速率通过电子鼻在enose中采样，并且样本被自动采样器加热到30摄氏度。enose的10个传感器采样79秒，使得针对每个样本所收集的数据由10个79秒时间序列组成。针对每个样本，我们提取了10个特征，所述10个特征是在最后时间步骤处的传感器读数。原因是在该时间点处信号已经稳定，并且在该点处的样本应该提供最鲁棒的特征。所有的enose样本在丙二醇中稀释，并且在由硅酮膜密封的专用玻璃瓶内部准备。
由于数据集A由来自Dravnieks图集的样本组成，因此我们针对每个样本具有146个感知描述以及如在Dravnieks实验中评级的它们的适用性水平的列表。
数据集A中分子的化学属性是从称为Dragon v6的商业软件程序获得的。
项目的自然语言部分利用气味剂样本的数百个自由文本描述符的集合。文本描述由本发明人中的一个收集，以用于气味剂描述符的语义上的工作，其中测试对象被提供有气味剂，并且被邀请使用自然语言来描述它们。这些文本被用作用于生成气味剂的自然语言描述的本过程的模板。文本描述集被标记为数据集B。
产生自然语言描述的过程涉及上面关于图3所讨论的步骤，所述图3示出了产生嗅觉样本的自然语言描述的过程。
该过程的第一阶段包括对测试样本到已知气味样本库的感知距离的建模。数据集A充当已知气味的库，并且也是测试样本的源，其中每个样本使用库的其余部分（遗漏一个过程）进行建模。
77个样本中的每一个由enose采样，并且其enose特征用于计算其与库中每个样本（在该情况下为剩余的76个样本）的感知距离。存在其中可以施行距离计算的不同方式，然而，以下步骤不精确地取决于哪个方法被用于执行该计算。我们当前的方法是首先将enose特征映射到所选择的Dragon化学描述符的化学空间。然后，使用测试样本和库样本的化学空间表示，我们计算样本和库样本的感知类似性。如下文中更详细讨论的，该过程使用特别优化的化学空间，其中基于enose特征而选取维度。选择使类似的气味最好地聚集以及使不类似气味保持远离的n个描述符的集合。
该过程的第二部分包括使用与给定气味样本库的所计算的类似性，并且从所述类似性提取测试样本的最适当的感知描述符。为此，我们采用最接近新样本的15个库样本。我们通过到测试样本的距离来对15个库气味样本中的每一个进行加权，使得越接近的样本权重越高。我们将15个库样本乘以它们的计算权重，并且将它们加在一起。所得到的和是反映权重和15个库样本成分的感知属性的向量。在该所得到的向量中，某个属性处的系数的大小反映其与样本的相关性。为了产生测试样本的紧凑感知描述，我们选择其中计算的感知向量的系数最大的5个属性。最终结果是与测试样本相关联的5个最适当的感知属性的列表。
为了测试我们的程序的性能，我们将我们在测试样本中对前5个最相关的感知属性的选择与由测试对象给出的实际评级（在Dravniek的实验中）进行比较。对于测试样本中的每一个，我们检查前5个预测感知属性的实际排名次序。在图4中描绘结果，其绘图了对77个分子的146个口头描述符中的前五个进行预测的结果，并且示出了数据集A中气味样本的前5个预测感知描述符的排名次序位置。
如在图4中可以看到的，所预测的前5个描述符排名接近描述符的实际排名次序的次序的顶部。找到的是，针对77个分子中的62个，我们预测前5个描述符中的至少一个。偶然获得这样的结果的概率是p<e-50。此外，针对77个分子中的47个，我们预测前5个描述符中的大于一个，并且对于77个分子中的30个，我们命中顶部描述符。一般而言，跨77个分子，我们预测的5个描述符的平均排名（可能146个中的）为11。这些结果中的每一个的概率是p<e-30。
我们的过程中的第三步骤是使用计算的前5个描述符来生成气味剂的自然语言描述。由于我们需要生成的文本全部关于相同的主题，因此完成该过程的最简单的方式是使用由测试对象给出的实际描述的模板。这样的模板是从下文的数据集B生成的。
本实施例的困难部分是预测在enose中采样的气味剂之间的感知距离。然而，如所示出的，对可用数据的描述符选择是高度准确的。由于描述符预测接近实际评级，因此高度不可能的是，人将能够辨别我们从真实描述符计算的前5个描述符。在该意义上，我们可以预期用当前算法通过抽象版本的图灵测试。一旦顶部预测器被插入模板中（参见补充材料），所得到的描述就可能甚至更难以与实际人类描述区分。
补充信息
1）包括在数据集A中的分子的CID的列表。
263
307
326
342
460
957
1049
1127
1140
1146
2758
3314
4133
5144
6054
6054
6184
6501
6544
6654
7059
7410
7519
7600
7685
7710
7714
7731
7749
7762
7770
7888
7921
7966
7991
8030
8103
8118
8129
8130
8148
8797
8892
8918
9609
10722
10821
10890
11002
11552
12178
14286
18827
19310
22201
22311
24915
26331
31252
31266
31276
31277
61016
61138
61199
62336
62433
62444
67285
91497
93009
439570
637563
638011
1550884
5281515
5283349
2）自然语言模板的样本。空格被编码为针对形容词的__和针对名词的____。
I don’t like this smell because it is too __（我不喜欢该味道，因为它太__）
To me, it smells like __（对于我来说，它嗅起来像__）
This reminds me of __（这让我想起了__）
This is very __（这非常__）
This reminds me of my childhood（这让我想起了我的童年）
This is very __ it is like a ___（这非常__它像___）
It is something __（它是__某物）
It smells a bit __ sort of like a ___ or a ___（它嗅起来有点__有点像___或___）
It is one of these __ __ smells（它是这些__ __味道中的一个）
it’s like a combination of ___ and ___（它像___和___的组合）
My dad used to have a ___ and it smelled like ___（我爸爸过去常常具有___并且它嗅起来像__ _）
When I close my eyes I see ___（当我闭上我的眼睛，我看到___）
This brings me back to my grandmother’s house where she had ___ thatsmelled like this（这将我带回我祖母的房子，其中它具有嗅起来像这个的___）
I know what it is, it is ___（我知道它是什么，它是___）
This has the aroma of a ___（这具有___的芳香）
A little __ like a ___（有点__像___）
I can’t put my finger on it it might be a ___（我不能把我的手指放在其上，它可能是___）
It reminds me of a ___ but more __（它让我想起___但是更__）
It reminds me of a ___ I don’t know why.（它让我想起___我不知道为什么。）
Call me crazy but I bet this is a ___（说我疯了，但是我打赌这是___）
It is exactly like a ___ that you buy in the store（它精确地像你在商店中买的___）
It’s a ___ my mom used to bring me those（它是___，我妈妈过去常常带给我那些）
my older human brother once showed me a ___ that smelled like this（我的人类哥哥曾经向我示出了嗅起来像这个的___）
this is like a ___ but more synthetic（这像___但是更合成）
this is like a good version of a ___（这像好版本的___）
a bit __. smell of __ ___ but __.（有点__。嗅起来__ __但是__）
this smells like ___, I like it.（这嗅起来像___，我喜欢它。）
this is like strong ___（这像强壮的___）
this is like weak ___（这像虚弱的___）
this is very faint, a little __（这非常微弱，有点__）
a smell which is __ __ __（__ __ __的味道）
I don’t recognize this, maybe a ___（我不认识这个，可能是___）
it is something that I like, maybe ___（它是我喜欢的某物，可能是___）
reminds me of ___（让我想起___）
maybe ___（可能是___）
it’s like a delicate version of a ___ really __（它像精致版本的___真的__）
hard to say, maybe like a ___（很难说，可能像___）
it took me a while to recognize it, I am pretty sure it is like ___（我花费了一段时间认识它，我相当确定它像___）
not exactly a ___ more like a __ ___（不精确地是__更像__ ___）
almost like a ___（差不多像___）
to me it smells really __ and __（对于我来说，它嗅起来真的__和__）
I know I should recognize this, maybe ___（我知道我应该认识这个，可能是___）
this is like something you smell in winter（这像你在冬天嗅到的某物）
It is on the tip of my tongue（它在我的舌头尖上）
It’s like a mixture of ___ and ___（它像___和___的混合物）
I know this but can' place it（我知道这个，但是不能放置它）
I used to have it around my workplace（我过去常常在我的工作场所周围具有它）
it is a bit __ yet __（它有点__又__）
it’s like a ___ but more __（它像___但是更__）
it’s like a ___ but less __（它像___但是更不__）
it’s the smell of ___ __ __ __ like a ___（它是___ __ __ __的味道，像___）
it’s a __ odor __ reminds me of ___（它是__气味，让我想起__）
I have a body cream which smells like this（我具有嗅起来像这个的身体霜）
it’s a ___ but not so __ relatively __（它是___但是相对__不是那么__）
maybe ___（可能是___）
is this a ___
Figure 620367DEST_PATH_IMAGE007
（这是___吗/>
Figure 152979DEST_PATH_IMAGE009
）
really __（真的__）
this smells exactly like a ___（这嗅起来精确地像___）
a weird version of a ___（古怪版本的___）
a bit __ and __（有点__和__）
I smell this on the number 17 bus（我在17路公共汽车上嗅到这个）
it's like a ___ mixed with a __ ___（它像混合有__ ___的___）
it is rot of like a ___ but not exactly（它腐烂得像___，但是不精确）
I know I smelled it before（我知道我以前嗅到过它）
personally, I hate it（个人地，我讨厌它）
I know some people might hate it but I like it（我知道一些人可能讨厌它，但是我喜欢它）
I would not want to wear this as perfume（我将不希望将这个作为香水用）
too __ to be a ___（太__而不能是___）
I smelled this and immediately thought of ___（我嗅到这个并且立刻想到___）。
本发明的第二实施例涉及合成检测到的气味。我们已经开发了用于合成气味剂混合物的方法，所述气味剂混合物意图不可与由电子鼻分析的给定气味剂混合物区分。本过程开始于我们用电子鼻采样的未知的气味剂混合物。第二，如下文所讨论的，我们在所选择的化学空间中对样本的化学表示进行建模。最后，我们在我们的化学空间中使用已知分子及其表示的大数据库。我们搜索该数据库，并且找到可以组合以产生具有足够接近所采样的混合物以至于不可区分的化学表示的混合物的分子的选择。
如在先前的实施例中一样，我们使用连接到自动采样器的AirSense PEN3电子鼻以从玻璃瓶采样气味剂。涉及两个样本集。第一集是86个单分子和小混合物样本的集合，所述86个单分子和小混合物样本取自气味的Dravnieks图集字符简档中使用的集，在本文中被称为数据集B。[参见分子列表的补充材料]该混合物集以350ml/min的流速率通过电子鼻在enose中采样，并且样本被自动采样器加热到30摄氏度。enose的10个传感器采样79秒，使得针对每个样本所收集的数据由10个79秒时间序列组成。针对每个样本，我们提取了10个特征，所述10个特征是在最后时间步骤处的传感器读数。原因是在该点处信号已经稳定，并且在该点处的样本应该提供最鲁棒的特征。所有的enose样本在丙二醇中稀释，并且在由硅酮膜密封的专用玻璃瓶内部准备。
第二样本集由4-10个分子的14个混合物组成[参见分子列表的补充材料]。这些混合物由对其感知类似性进行评级的测试对象直接测试，并且被标记为数据集C。
在该项目中使用的第三数据集被标记为数据集D。它在设计上与数据集C类似，除了它由分子的不同选取组成，并且不同于数据集C中的混合物，这些混合物中的组分具有不相等的强度。补充材料中列出了数据集C中混合物的组分的CID。
我们使用的分子的化学属性是从称为Dragon v6的商业软件程序获得的。
计算合成混合物的过程涉及图5中所图示的若干步骤。图5是图示计算合成混合物的过程的简化流程图。在较早的工作中，我们使用化学空间来表示气味剂，并且从化学数据对感知距离进行建模。在该工作中，我们希望使用类似的步骤，但是我们也希望通过enose特征对那些化学坐标进行建模。为了使之可能，我们找到专用的化学空间。该化学空间包括从enose特征很好建模的那些化学属性。
我们的出发点是由Dragon产生的所有4870个化学属性的大列表（排除针对所有我们的样本恒定的那些）。因此，针对数据集A中的我们的样本中的每一个，我们具有4870个化学属性的列表。然后，我们使用简单的线性最小平方来试图从enose特征对每个化学属性进行建模。针对建模的第二部分，仅保留在低于（p=0.01）的阈值显著建模的化学特征的那些。化学属性的该初始筛查得到648个化学属性的集合，所述化学属性中的每一个可以从enose特征很好地单独建模。
在建模的第二阶段中，我们找到将预测气味剂混合物的感知类似性的描述符的集合。建模受限于由enose特征很好地建模的那些化学属性。我们使用数据集C来训练和测试该阶段。首先，我们将数据集中混合物之间的比较的集合划分为测试和训练集。测试集由48个比较组成，并且训练集由47个比较组成。我们针对它们作为化学空间的性能，测试了18个化学描述符的2000000个随机选择。也就是说，针对这些2000000个选择中的每一个，我们用它们作为坐标创建了化学空间，并且计算了训练集中比较之间的角度距离。表现最好的选择是产生角度距离和实际对象评级的混合物类似性的最好相关性的一个。结果是18个描述符的集合，其然后在比较的单独测试集上测试。测试集上角度距离的性能是（r=-0.62, p=1.79 e-6）的相关性。为了使描述符的该选择进行更难的测试，我们使用数据库D中的混合物，所述数据库D与其上选择描述符的数据库C不具有共同的混合物。数据集D上的测试也更困难，因为不同于数据集C，混合物组分不是全部相等的强度，所以测试是在不同的条件集上执行的。然而，18个化学描述符的选择在预测数据集D中气味剂混合物的感知类似性上表现得非常好。
在图6中描绘结果。图6示出使用18个化学属性建模的数据集D中14个复杂混合物之间的所有比较的感知类似性r=0.72（p<10-16），所述18个化学属性也由enose特征很好地建模。
已经找到18个表现很好的化学描述符的集合，我们将那些固定为我们的化学空间中的参数（参见描述符的列表的补充材料）。
我们努力的下一个步骤是看我们所选择的化学空间中的我们的混合物的表示可以从它们的enose特征建模得多好。在图7中描绘结果。图7是示出数据库B中86个enose样本的我们的优化化学空间中的建模和实际化学表示之间的角度距离的简化图。
当观察图2时，我们可以推断气味剂类似性的刚好可注意到的差异对应于低于0.033的角度距离。我们能够预测与0.033相比更接近于原始化学表示的类似性的数量是86个分子中的63个，即73%。附加的7个分子正好处于刚好可注意到的差异的水平，使得总计81%处于或低于可检测的差异。
我们可以从我们手上具有的数据推论的是两个事情。首先，我们能够在enose中对新样本进行采样，从其提取相关特征，并且使用这些特征在我们的化学空间中对样本的表示进行建模。第二，我们可以使用该化学空间对如由测试对象评级的样本的感知类似性进行建模。这些结果二者高度重要，并且应该为进一步测试提供坚固的基础。
计算的剩余部分是计算合成混合物以近似建模的样本。如在图5中所图示的，给定未知的样本，我们可以在我们的化学空间中对其进行建模。接下来，我们使用Dragon在我们的18维化学空间中产生已知组分及其表示的库。该部分不需要另外的工作，除了选择要包括在我们的库中的分子。使用该库，我们使用线性代数来找到库向量的组合，所述向量将组合以产生近似我们的样本的化学表示的向量。实际上，近似的准确性可以如我们想要的一样高，这取决于我们想要在合成混合物中包括多少组分。另外，人们可以在搜索上添加更多的偏好和限制，以获得具有所期望的属性的合成混合物。例如，人们可以将搜索仅限制到具有LD50或低于某个阈值的价格的化学品。
补充材料
1）数据集B中由单个Dravnikes分子和小混合物组成的86个样本的CID的列表。
混合物 1 91497
混合物 2 12178
混合物 3 263
混合物 4 6184
混合物 5 8118
混合物 6 62336
混合物 7 8103
混合物 8 67285
混合物 9 6054
混合物 10 8129
混合物 11 61016
混合物 12 26331
混合物 13 20859
混合物 14 7770
混合物 15 8103 91497
混合物 16 5144 6184
混合物 17 7888 7770
混合物 18 1127 7888
混合物 19 7762 3314
混合物 20 6054 7770
混合物 21 19310 8797
混合物 22 7762 62336 3314
混合物 23 61016 4133 1049
混合物 24 67285 8635 263
混合物 25 62336 6054 460
混合物 26 61016 62444 460
混合物 27 8118 62444 7059
混合物 28 263 1049 61016
混合物 29 3314 67285 20859 8797
混合物 30 7762 8797 62336 3314
混合物 31 1550884 62336 8797 4133
混合物 32 20859 8130 3314 61016
混合物 33 7762 8797 8635 26331
混合物 34 1049 67285 62444 19310
混合物 35 26331 7762 8103 240
混合物 36 20859 7770 1550884 240 62433
混合物 37 8118 1127 19310 6184 7059
混合物 38 26331 7770 7519 19310 1550884
混合物 39 3314 1049 61016 7059 1550884
混合物 40 61016 8129 7762 3314 8635
混合物 41 61016 19310 1550884 8129 3314
混合物 42 8129 22201 7685 7888 8635
混合物 43 61199
混合物 44 7410
混合物 45 14286
混合物 46 98403
混合物 47 6501
混合物 48 7710
混合物 49 31266
混合物 50 31276
混合物 51 10890
混合物 52 7600
混合物 53 62433
混合物 54 637563
混合物 55 7519
混合物 56 240
混合物 57 93009
混合物 58 263
混合物 59 11002
混合物 60 439570
混合物 61 5281515
混合物 62 307
混合物 63 638011
混合物 64 342
混合物 65 8797
混合物 66 7685
混合物 67 7731
混合物 68 326
混合物 69 7966
混合物 70 8148
混合物 71 9609
混合物 72 24915
混合物 73 22201
混合物 74 31252
混合物 75 12265
混合物 76 19310
混合物 77 7762
混合物 78 7749
混合物 79 26331
混合物 80 2758
混合物 81 3314
混合物 82 460
混合物 83 8130
混合物 84 8129
混合物 85 6184
混合物 86 8892
2）数据集C中用于14个混合物中的分子的CID的列表。
混合物 1: 326 26331 1140 6544
混合物 2: 7410 240 93009 8635
混合物 3: 7710 62433 7519 7685 3314
混合物 4: 31276 8148 7762 18827 7714
混合物 5: 7519 8148 31252 8103 5281168 6544
混合物 6: 7410 326 2758 62444 7770 1140
混合物 7: 240 307 7731 2758 12178 62336 8635
混合物 8: 31276 62433 8129 12178 7519 18827 10722
混合物 9: 7710 93009 8130 8103 5281168 7059 8918 7714
混合物 10: 7410 11002 8797 7519 8129 5281168 6654 8030
混合物 11: 62433 8797 2758 3314 8635 61138 6544 6054 10722
混合物 12: 11002 307 7685 12178 4133 7991 6054 7770 7714
混合物 13: 8797 7731 7966 3314 62336 7059 7991 61138 60546544
混合物 14: 240 2758 8130 8129 5281168 7059 4133 8918 9576654
3）数据集C中用于14个混合物中的分子的CID的列表。
混合物 1: 520296 9012 24834 8180
混合物 2: 62351 5367698 6050 7765
混合物 3: 5365049 14104 170833 1550470 31219
混合物 4: 11086 17121 8180 61670 7194
混合物 5: 170833 17121 2214 6560 10925 23642
混合物 6: 126 520296 5273467 6997 7657 24834
混合物 7: 9012 556940 61670 5273467 61331 7601 7765
混合物 8: 11086 14104 807 61331 170833 18554 31219
混合物 9: 5365049 6050 11980 6560 10925 325 8077 7194
混合物 10: 62351 5364231 7593 444972 807 10925 565690 126
混合物 11: 14104 7593 2214 6998 7765 89440 23642 637776 31219
混合物 12: 5364231 556940 1550470 61771 778574 61293 637776 76577194
混合物 13: 7593 61670 61771 6998 7601 325 61293 89440 63777623642
混合物 14: 5367698 5273467 11980 807 6997 325 778574 8077444972 565690
3）用于定义我们当前化学空间的18个化学描述符的列表。
'P_VSA_e_5'：在桑德森（Sanderson）电负性上类P_VSA，箱（bin）5
'Eig05_EA(ed)'：由边缘度加权的来自边缘毗邻矩阵的特征值n.5
'Mor15e'：信号15/由桑德森电负性加权
'MATS7i'：由电离势加权的滞后（lag）7莫兰（Moran）自相关
'L3u'：第3组分大小的定向WHIM索引/未加权
'Eig02_EA(ed)'：由边缘度加权的来自边缘毗邻矩阵的特征值n.2
'Ho_G'：来自几何矩阵的类Hosoya索引（对数函数）
'SpAbs_B(p)'：由极化率加权的来自伯登矩阵的图形能量
'SpAD_EA(bo)'：由结合次序加权的来自边缘毗邻矩阵的光谱绝对偏差
'VR1_B(m)'：由质量加权的来自伯登矩阵的类Randic基于特征向量的索引
'WiA_RG'：来自倒数平方几何矩阵的平均类维纳（Wiener）索引
'CID'：RandicID号
'Mor24m'：信号24/由质量加权
'H0e'：滞后0的H自相关/由桑德森电负性加权
'SP01'：形状简档1号
'Eta_betaS'：埃塔西格玛（eta sigma）VEM计数
'Mor01s'：信号01/由I-状态加权
'R2v'：滞后2的R自相关/由范德华体积加权。
根据上述，基于测量，提供了表征和区分不同味道的方法。在以下实施例中，味道的度量被用于定义嗅觉的刚好可注意到的差异（JND）。基于JND，可以提供用于味道的可再现测量的数字系统。
刚好可注意到的差异（JND）告知我们对感觉系统中的传感器和电路的最低要求，并且因此塑造探索视觉和听觉的感觉神经生物学的实验。例如，这些JND对于诸如电视和电话之类的数字化设备的设计至关重要。颜色和色调JND是通过测试刺激的可鉴别性来识别的，所述刺激分别沿着波长和频率的物理度量系统地变化，但是针对气味质量，我们可以变化什么物理度量
Figure DEST_PATH_IMAGE011A
这样的度量的缺乏已经造成嗅觉科学的主要障碍，如由正是亚历山大·格雷厄姆·贝尔（Alexander Graham Bell）在100年前所提出的挑战中适宜地捕获的：
“你可以测量一种味道和另一种味道之间的差异吗
Figure DEST_PATH_IMAGE011AA
非常明显的是，我们具有非常多不同种类的味道，从紫罗兰和玫瑰一直到阿魏的气味。但是直到你可以测量它们的相似性和差异为止，你不可能具有气味的科学”。
与该陈述一致，为了定义嗅觉质量JND，必要的是，我们手中具有通过其变化气味刺激的味道的度量。人们可以使这样的测量基于在过去十年已经提出的嗅觉感知质量空间的若干很大程度上收敛的模型中的任何一个，上文描述了其示例。最基本的模型通常依赖于找到将气味剂结构链接到气味感知的数学规则。气味剂结构通常从应用于分子的大量物理化学描述符导出。这些物理化学描述符几乎总是使用Dragon软件获得的，并且气味感知通常是从应用于气味剂的大量口头描述符导出的。更简单的模型成功地仅仅使用气味剂结构来预测味道的主要感知轴，以预测诸如嗅觉白之类的感知现象，以预测单独气味剂描述符，并且实际上提供了将气味剂感知类似性链接到气味剂结构的度量。尽管该模型已经使我们更接近于迎接贝尔的挑战，但是迄今为止其是受限的，因为其仅应用于其分子组分已经等同于感知强度的实验室气味剂。真实世界的气味剂，诸如贝尔的玫瑰、紫罗兰和阿魏，与实验室气味剂非常不同，因为它们是由具有极大不同强度的许多组分组成的。如果人们希望发现嗅觉JND，其必须首先克服该限制。为此，我们首先着手生成可应用于具有变化强度组分的真实世界气味剂的类似性算法。一旦我们实现了这一点，我们就使用该新度量来识别人类可以检测的气味质量的最小差异，或者气味质量JND。
味道的度量仅仅从气味剂结构预测真实世界的气味剂感知类似性。
我们选择了如补充数据1中详述的44个单分子。这些分子提供了物理化学(图8A)和感知(图12A、B)嗅觉空间的有效跨度。在实验1中，我们邀请23个参与者(16个女性，年龄27.7
Figure 958737DEST_PATH_IMAGE012
3.3岁)仅仅对每个单分子的感知强度进行评级。在观察到我们手中具有感知强度上范围广泛的单分子之后(图8B)，然后，我们使用这些分子来生成组分数量范围在4和10之间的14个变化强度的复杂混合物。在实验1b中，我们然后邀请参与者对所有14个混合物之间的所有成对感知类似性(即，混合物#1到混合物#2的类似性、混合物#1到混合物#3的类似性等，包括将每个气味剂混合物与其自身进行比较的四个实例)进行评级，最终得出95个成对混合物类似性评级(在补充数据2中详述该手稿中的所有类似性评级)。
现在参考图8A，跨实验使用的148个分子覆盖在物理化学空间的第一和第二主要组分内的4046个分子上。图8B是由22个参与者为实验1中使用的44个气味剂提供的强度评级的直方图。图8C到图8F是散点图，其中每个点是两个气味剂的成对比较，在Y轴上给出了如由参与者评级的它们的实际类似性(n = 22，每个重复两次)，并且在X轴上根据正在被测试的模型示出了它们的距离。图8C示出了应用于首先等同于感知强度的气味剂的原始类似性模型。图8D示出了应用于具有变化强度的气味剂的实验1结果的原始类似性模型。图8E示出了预测的和实际的感知类似性之间的相关性的变化，作为
Figure 502982DEST_PATH_IMAGE013
和/>
Figure 558663DEST_PATH_IMAGE014
的变化的函数。最优性能的点由黑色十字表示。图8F示出了应用于实验1的新类似性模型，其得到变化强度的气味剂。通过数据的红色线是线性拟合。
我们如先前完成的计算混合物之间的差异：简而言之，表示混合物u的向量和表示混合物v的向量之间的距离函数被计算为21个物理化学描述符空间中它们之间的角度（补充表1）。角度由以下给出
Figure 391620DEST_PATH_IMAGE015
其中
Figure 659791DEST_PATH_IMAGE016
是向量之间的点积，并且/>
Figure 448755DEST_PATH_IMAGE017
和/>
Figure 298506DEST_PATH_IMAGE018
是其欧几里得范数。
当使用相同的混合物时，在首先将其组分中的每一个单独稀释到相等的感知强度(即，实验室混合物)之后，先前的类似性模型提供了实验室混合物的从结构预测的和实际的感知类似性之间的相关性
Figure 868028DEST_PATH_IMAGE019
(图8C，红色线)。然而，当我们将该先前的模型应用于对包含相同组分但是强度变化的当前混合物(即，真实世界的混合物)所做的估计时，相关性从/>
Figure 690621DEST_PATH_IMAGE020
下降到/>
Figure 475038DEST_PATH_IMAGE021
(图8D，红色线)。值得注意的是，存在两种方式来计算和绘制预测的和实际的气味剂类似性之间这样的总体相关性：具有或不具有相同混合物之间的比较(针对每个方法存在论据，参见方法)。上述具有这样的比较，但是如果我们移除它们，则相关性从使用等同强度实验室混合物的/>
Figure 606942DEST_PATH_IMAGE022
(图8C，黑色线)移位到使用变化强度的真实世界混合物的/>
Figure 148913DEST_PATH_IMAGE023
(图8D，黑色线)。换句话说，强度对模型性能的影响可能甚至更大。
为了恢复模型性能以便应用于真实世界的混合物，我们开发并应用了通用强度因子。该因子调整混合物中每个组分的权重来以指数方式反映其感知强度(参见方法)。简而言之：为了描述混合物中向量的加权的非线性性质，拟合了sigmoidal函数模型。我们着手识别混合物模型中最好拟合任何单分子的感知强度到其向量长度的通用参数。或者换句话说，我们寻找优化针对实验1结果的实际类似性评级和加权角度距离之间相关性的参数。我们系统地变化了以下方程中的
Figure 493306DEST_PATH_IMAGE024
和/>
Figure 256863DEST_PATH_IMAGE025
Figure 838630DEST_PATH_IMAGE026
/>
以便在向量长度中合并组分强度。然后，我们针对每个参数集（
Figure 54847DEST_PATH_IMAGE024
和/>
Figure 202932DEST_PATH_IMAGE025
）重新计算了加权角度距离和感知类似性之间的相关性。我们选择了得到最好相关性(最大负值)的参数对。我们找到这些通用参数是/>
Figure 820995DEST_PATH_IMAGE027
(图8E)，这得到以下
Figure 294702DEST_PATH_IMAGE028
其中x表示标准化强度。
在模型中使用该加权使其性能在预测的(从结构)和实际的真实世界混合物感知类似性(图8F，红色线)之间从
Figure 263795DEST_PATH_IMAGE029
恢复到/>
Figure 700723DEST_PATH_IMAGE030
Figure 438872DEST_PATH_IMAGE031
，当应用于强度等同混合物(Z(双尾)= 0.20，p = 0.84)时，将其性能水平带到等于先前模型的性能水平。这反映了当使用变化强度的真实世界混合物时，与旧模型相比，新模型的相关性的23%的改进，或者解释方差(R2统计)的51 %的增加。再次注意，如果我们忽视相同混合物的成对比较，则由新模型提供的改进甚至更大，从/>
Figure 817901DEST_PATH_IMAGE032
(图8D，黑色线)到/>
Figure 274290DEST_PATH_IMAGE033
(图8F，黑色线)，或者预测的36%的改进，以及解释方差的86%的增加。
因为我们使用开发模型使用的相同数据对模型进行了测试，我们接下来着手验证该新模型对新数据的一般化。在实验2中，我们复制了实验1的过程，然而使用来自我们以前从未使用过的44个新的单分子的集合的14个新的混合物(图8A，图12A、B)。此处，原始的实验室气味类似性模型被提供以用于预测来自仅仅
Figure 29757DEST_PATH_IMAGE034
（图9B，红色线）处的结构的感知类似性，然而新的加权真实世界类似性模型提供了从结构预测的和实际的感知类似性之间的甚至更强并且突出的相关性/>
Figure 356833DEST_PATH_IMAGE035
（图9C，红色线）。这是显著的改进(Z(双尾)= 2.26，p = 0.024)，其反映了相关性的31%的改进，或者解释方差的70%的改进。此外，再次，当去除从使用旧模型的/>
Figure 657495DEST_PATH_IMAGE036
（图9B，黑色线）到使用新模型的
Figure 601180DEST_PATH_IMAGE037
（图9C，黑色线）的相同混合物的比较时，由新模型所提供的改进甚至更大。这反映了相关性的压倒性的82%的改进，以及由新模型的解释方差的330%的增加。
现在参考图9A - 9D，其是示出了味道的度量如何预测玫瑰、紫罗兰和阿魏的感知类似性的一系列图表。更特别地，图9A是实验2中所使用的由30个参与者针对43个气味剂（每个重复三次）提供的强度评级的直方图。图9B-C是散点图，其中每个点是两个气味剂的成对比较，在Y轴上示出了如由参与者评级的它们的实际类似性（n = 31，每个重复2次），并且在X轴上示出了根据被测试的模型的它们的距离，图9B是应用于具有变化强度的气味剂的实验2结果的原始类似性模型，以及图9C是应用于具有变化强度的气味剂的实验2结果的新的类似性模型。图9D图示了解决贝尔的挑战：实验3中玫瑰、紫罗兰和阿魏的预测的（浅蓝色）相对于实际的（深蓝色）成对类似性（n = 30，每个重复2次）。换句话说，在实验1中识别的参数可一般化到新的数据，所述新的数据不是构建集的一部分，其中它们现在提供改进的预测。这是愉悦的惊喜，假定当使用新的数据时，预测模型通常表现更差，而不是更好。我们推测，由跨实验的强度因子提供的增益性能中的差异反映了分子特定的浓度与感知强度曲线。如果混合物由具有陡浓度与强度曲线的组分组成，则该因子的影响将很大。如果混合物由具有浅浓度与强度曲线的组分组成，则该因子的影响将较小。
我们现在手中具有模型，其允许我们预测真实世界气味剂混合物的感知类似性，所述真实世界气味剂混合物包含其感知强度范围中的组分，并且这仅仅来自它们的分子结构和组分强度评级。具有这个，我们着手询问我们是否可以最终迎接贝尔的挑战。高级调香师为我们提供了玫瑰、紫罗兰和阿魏的详细配方，每个包含10-11个组分（补充表2）。在实验3中，我们首先使参与者对每个组分的感知强度进行评级。然后我们使用我们的模型仅仅基于它们的结构和组分强度预测这些混合物的感知类似性（在贝尔的语言中为“相似性和差异性”)。最后，31个不同的参与者嗅到了混合物的味道，并且对它们实际的感知类似性进行评级。我们观察到预测的和实际的类似性之间突出的配合。根据实验1和2的结果，我们将角度距离转换为范围从0到1的尺度上的标准化预测类似性（参见补充图2）：
紫罗兰/玫瑰预测值= 0.72±0.06，观察值= 0.79±0.18，t =-0.41，p = 0.68，
玫瑰/阿魏预测值= 0.10±0.13，观察值= 0.21±0.17，t =-0.59，p = 0.56，
紫罗兰/阿魏预测值= 0.12±0.13，观察值= 0.24±0.20，t =-0.58，p = 0.57）（图9D），或者换句话说，我们认为我们已经迎接了贝尔的104岁的挑战。根据本实施例提供了基于网络的原型，其允许用户容易地实现这些算法并且计算任何两个气味剂混合物之间的感知类似性或差异。用户可以在测试预先构建的混合物（例如，玫瑰、紫罗兰和阿魏），或使用来自~4000个分子的构建集的任何数量的分子的组合来构建他们自己的混合物之间进行选择。
味道的度量预测气味剂鉴别的性能
因为彼此更类似的气味更难鉴别，所以预测类似性的度量也应该预测鉴别任务中的性能。标准的鉴别任务是三角测试，其中参与者被提供有三个气味剂样本，它们中的两个相同，并且一个不同。他们的任务是识别奇怪的气味。我们将我们的度量应用于布什迪（Bushdid）数据集，这是在26个参与者中进行的大三角形实验集，所述参与者对组分数量的范围从10到30的混合物施行了260次三角决策。我们观察到根据我们的度量的混合物的预测类似性和参与者的鉴别它们的能力之间的相关性r = 0.56 (p < 5E-23)。此外，我们观察到混合物中的组分越多，我们的度量表现得越好，针对30个组分的混合物，在r = 0.68(p = 3E-12)处达到顶点（图9A）。因为30个组分的混合物比10个组分的混合物更类似于真实世界的气味，所以我们认为后一个值是性能的更真实的反映。
现在参考图10A - 10C，其示出了味道的度量如何预测嗅觉鉴别任务中的性能。图10A和10B是散点图，其中每个点是由26个参与者施行的三角测试。根据我们的模型，Y轴上是准确率百分比，并且X轴上是气味剂之间的距离。图10A示出了使用30个组分的混合物的作为角度距离的函数的三角任务中的性能。红色线是线性拟合；黑色线是移动平均值。图10B示出了使用所有数据的作为角度距离的函数的三角任务中的性能。粗黑色线是移动平均值，细深蓝色线表现最好，并且细浅蓝色线表现最差。红色虚线指示41.8%的准确率，或
Figure 894758DEST_PATH_IMAGE038
。
图10C示出了由单独参与者显示的性能，而不是由按性能排序的气味剂比较显示的性能。Z轴和颜色二者编码主题性能的准确性。41.8%的准确率或
Figure 341920DEST_PATH_IMAGE038
以白色颜色编码，红色是/>
Figure 797172DEST_PATH_IMAGE039
，蓝色是/>
Figure 130284DEST_PATH_IMAGE040
。
味道的度量揭示了气味质量中的刚好可注意到的差异（JND）
假定我们的度量与可辨别性清楚地相关联（图9A），我们现在可以询问，我们的度量中与任务中的临界点相关联的值是多少，也就是说，其中人们首先可靠地在它们之间鉴别的气味之间的最小距离。该值事实上是嗅觉质量中的刚好可注意到的差异（JND）。在嗅觉方面，气味强度中存在JND，但是在气味质量中没有JND的框架。因此，我们着手在布什迪数据中识别JND，集中在更真实的30个组分的混合物上。我们还使用所有混合物而不是仅30个组分的混合物复制了所有的分析，并且这不会生成结果的主要移位。
JND通常归因于d-质数(d’)分数“1”。在三角测试中，
Figure 758711DEST_PATH_IMAGE038
处于41.8%的准确率。我们观察到，在布什迪数据中，在气味剂之间的角度距离为0.051弧度处获得41.8%的准确率（图9B）。换句话说，布什迪三角数据暗示嗅觉质量空间中的JND是0.051弧度。为了了解该值的可能变化，我们查看了表现前5%和表现后5%的，其在该数据中反映了表现非常好和非常差的。我们观察到，表现最好的具有0.02弧度的JND（图10B），并且表现最差的具有0.14弧度的JND（图10B）。这事实上是第二差的，因为最差的是嗅觉缺失。在这两个极端之间，我们可以观察到跨参与者的相对稳定的JND（图10C）。因此，我们得出结论，该三角数据的JND范围在最小值0.02和最大值0.14之间，并且其平均值为0.051弧度。
为了降低该JND估计中的可变性，我们试图增加我们的分辨率。布什迪数据的优势是它跨越的可能的JND的范围。其随之而来的弱点是它在给定JND处缺乏相对能力。考虑到这一点，我们着手测试附加个体，在每个给定的角度距离处具有更大量的对象。对于实验4，我们设计并且生成了100个新的气味混合物，所述100个新的气味混合物被选择以提供50个成对比较，在以下角度距离中的每一个处是10个：
0.0125、0.025、0.05、0.2以及0.4弧度。
选择这些距离是因为它们在我们对人类嗅觉JND的初始估计的附近。然后，我们在每个比较上对~27个参与者（
Figure 201325DEST_PATH_IMAGE041
）进行了两次测试，提供了总共2,720个三角决策。补充数据3中详述了该手稿中的所有鉴别结果。我们观察到对数角度距离和三角性能之间的清楚的心理度量关系，其中41.8%的准确率下降到刚好0.025弧度以下（图10C）。
换句话说，当根据作为混合物之间的角度距离的函数在性能方面进行比较时，我们的三角结果与布什迪三角结果高度类似。在这些实验中，我们移位到以对数尺度的报告和绘制，因为刺激是沿着角度距离的对数尺度设计的。
现在参考图11A和11B，我们看到散点图，其中每个点是由一组参与者施行的三角测试。根据我们的模型，Y轴上是准确率百分比，并且X轴上是气味剂之间的距离。图11A示出了实验4中测试的每个混合物~27个参与者的性能。小圆圈反映特定的混合物组合；大圆圈反映给定角度距离处的平均值。蓝色实线与移动平均值拟合，红色虚线为41.8％的准确率，或
Figure 395456DEST_PATH_IMAGE042
。图11B示出了在三角任务处来自组合的两个研究（布什迪和实验4）的所有参与者作为角度距离的函数的性能。蓝色实线与移动平均值拟合，红色虚线是41.8％的准确率，或
Figure 657942DEST_PATH_IMAGE042
。图11C示出了实验5（相同-不同任务）中的性能，其被绘制为角度距离的函数。小圆圈反映特定的混合物组合；大圆圈反映给定角度距离处的平均值。蓝色实线与移动平均值拟合，红色虚线是/>
Figure 293322DEST_PATH_IMAGE042
。图11D示出了实验5中的性能，其由单独的参与者显示，而不是由按性能排序的气味剂比较显示。颜色代码指示对象性能准确率。/>
Figure 403492DEST_PATH_IMAGE042
以白色颜色编码，红色是
Figure 997284DEST_PATH_IMAGE039
，蓝色是/>
Figure 137279DEST_PATH_IMAGE043
。/>
为了生成决定性的值，我们组合了跨两个研究(我们的和布什迪的)的所有数据，并且观察到0.026弧度的JND(图11B)。然而，该结论具有一些限制。首先，我们的实验(但不是布什迪的)是在每个混合物一个浓度下进行的。这可能允许强度提示或三叉神经来帮助和影响鉴别分数。第二，并且更重要的是，三角实验不是用于确定JND的选择的方法，因为它们具有也可能影响结果的固有存储器组件。实际上，在颜色鉴别任务中，如果颜色是连续而不是同时地呈现，则性能下降到惊人的低水平，然而在嗅觉中，不同的气味剂不能同时呈现。为了解决这些问题，我们着手施行实验5，其中30个参与者进行了两个替代的相同-不同任务的总共12,000次试验。该任务设计对于对象来说更容易施行，并且允许以更大的统计能力导出JND，并且其中的一个原因是，与在三角任务中不同，我们现在具有表示为“正确拒绝”的试验，与三角任务中的其推导相比，允许d’的更传统的推导。我们使用了50对气味剂混合物，相差0.0125、0.025、0.05、0.1、0.2弧度，针对每个值有10个不同的对。此外，每个气味剂以两个不同的浓度使用，以便防止强度提示。在每个实验上，每个参与者进行了400次试验(跨8天分布)，其平均包含一半“相同”和一半“不同”的混合物对。我们再次观察到d’随着角度距离的增加而增加（F(4,29) = 17.07，p < 0.0001）（图11C），从而再次在又另一新的数据集中验证了我们的度量和新模型的有效性。此外，尽管跨参与者有可变性（图11D），但是我们观察到，在新的相同-不同任务中，大于0.0125弧度的所有角度距离具有显著大于“l”的d’（所有均值> 1.38、所有t> 2.5、所有p <0.02），然而对于角度距离= 0.0125，d’低于“1”，但是与“1”没有显著不同（均值= 0.97、t = 0.29、p = 0.77）（图11C）。综合起来，这些大规模的数据集组合以暗示在气味剂物理化学空间中0.0125弧度的角度距离处的人类气味质量JND（图11C）。
因此，本实施例包括两个步骤：首先，我们开发可应用于真实世界气味剂混合物的味道的物理化学度量，仅仅从它们的结构预测它们的感知类似性。第二，我们使用该度量来揭示气味质量JND。这两个步骤的组合可能在神经生物学、技术以及社会中具有显著影响。
对于神经生物学来说，该度量提供了探测嗅觉系统的系统框架。迄今为止，这样的探测受到两个因素的限制：刺激是如何构造的，以及它们是如何排序的。首先，关于刺激是如何构造的，大多数领域研究大脑对单分子的响应。单分子在自然界中不存在，或者换句话说，我们一直在表征大脑对大脑没有进化以解码的刺激的响应。大脑进化以解码气味剂混合物，并且此处我们提供了用于系统地生成这样的混合物的框架。第二，关于刺激是如何排序的，科学家们经常使用标准的化学分组（无论是碳链长度、功能组等）来对他们的刺激进行排序。然而，如由已故的拉里·卡茨（Larry Katz）在演讲中所述的，“嗅觉系统没有进化以解码西格玛-奥尔德里奇（Sigma-Aldrich）的目录”，或者换句话说，也在刺激排序的情况下，我们一直在表征大脑对大脑没有进化以解码的次序的响应。当前的框架通过反映感知类似性的物理化学度量来对气味剂混合物进行排序，并且在该情况下提供了刺激的生物学地（而非化学地）似乎有道理的排序。因此，我们提供了刺激的感知启发框架，其是真实构造的（混合物）以及（通过类似性）真实排序的。然而上述反映了度量的神经生物学含意，对JND本身也存在含意。JND确定了嗅觉受体和电路必须具有的最小灵敏度。这将影响嗅觉的实验和神经建模二者。最后，我们和已经构建嗅觉模型的其他人已经经历的令人沮丧的限制是，甚至当人们生成将气味剂结构的方面链接到气味剂感知的方面的可再现的规则时(这个的示例是将气味剂结构链接到气味剂愉悦性的许多收敛模型)，这些规则也无法在生成它们的小社区之外获得牵引力。这主要是因为实现这些模型通常需要一定程度的计算复杂性，这可能阻止潜在用户。
除了神经生物学之外，当前的努力可能对技术具有显著含意，并且特别是对数字化味道的高度寻找的奖励。我们揭示的JND（0.0125弧度）在人类中提供了敏锐的嗅觉的又附加的证据（13，27-30）。尽管这可以被感知为一种形式的好消息，但是事实上对于气味数字化努力来说却是坏消息。这样的数字化取决于气味记录器(诸如本实施例的电子鼻或eNose)、数字代码以及气味发射器（当前通常称为嗅觉计）的组合。我们的结果暗示，记录器和发射器二者将需要至少0.0125弧度的灵敏度，以便实现嗅觉场景的如实再创建。尽管该分辨率可能是当前的感测技术所能达到的，但是我们知道没有气味发射器可以更接近。因此，JND暗示，味道的如实数字化（至少在与所记录的气味不可鉴别的所发射的气味的意义上）可能是不可能的。继而，不可鉴别性对于第一位置中的数字化来说可能是过高的次序。在该假设下，味道的当前度量事实上可能有助于数字化，因为它允许估计再创建的气味剂和其目标气味之间的感知距离，或者换句话说，可以提供用于气味剂压缩的框架。
最后，嗅觉JND可能具有有意义的社会含意。众所周知秘密的是，香水行业是数十亿美元的机构。
成功的香水配方作为商业秘密被紧密保护，通常是情感法律斗争的材料。然而，对秘密性的该依赖受到了现代分析方法（特别是气相色谱质谱法（GCMS））的出现的挑战。后者允许任何香味配方的相对容易的逆向工程。随着秘密性的丧失，香水行业正在转向对商标、专利和版权的法律保护。尽管商标相对简单，但是香味的专利和版权二者具有主要的限制：人们可以潜在地为配方（特定比例的成分列表）申请专利或版权，但是人们可以如何为其所得到的味道申请专利呢
Figure DEST_PATH_IMAGE011AAA
实际上，如果人们要为配方申请专利或版权，则其将被迫使其公开。这将允许其他人采用该配方，用不同的类似味道的成分替换成分，从而在不侵犯专利或版权的情况下获得相同的最终味道。这实际上已经防止了大多数香水公司走专利/版权之路。当前的度量和JND潜在地改变这一切。现在，人们可以根据新的气味组合物在嗅觉空间中的位置来潜在地要求其权利，并且该位置的质量JND内的任何点可以说是违反了专利或版权，而不管其分子含量如何。作为强调问题当前状态的案例研究，以及JND可以如何改变这种情况，我们可以使用历史上最畅销的香水香奈儿5号（/>
Figure 465098DEST_PATH_IMAGE044
）的标志性气味。它的配方当然从未公布过，但是我们可以使用已经公布的许多起飞（takeoff）中的一个。我们使用的配方具有12个组分，并且我们将称之为仿香奈儿5号（/>
Figure 741359DEST_PATH_IMAGE045
）。我们现在可以使用我们的度量和JND来用不同的组分替换每个组分，并且平衡这些替换，使得我们将称为拉维亚5号（Ravia No.5）的最终混合物在仿香奈儿5号的0.0119弧度内。因此，拉 维亚5号是计算机生成的香水，其具有与仿香奈儿5号零%的化学重叠（没有共同的分子），并且其因此在当前法律下不侵犯任何知识产权，然而它嗅起来与仿香奈儿5号精确相同。相对地，我们可以再次使用我们的度量以仅移位仿香奈儿5号中仅一个组分的相对比例/强度，并且对其进行平衡，使得我们将称之为LV No.5的最终混合物是0.2弧度的仿香奈儿5号。因此，LV No.5是与仿香奈儿5号具有100%的化学重叠（所有分子共同）的计算机生成的香水，并且其因此在当前法律下可能侵犯知识产权，然而它嗅起来一点也不像仿香奈儿5号。我们应该注意到，在我们的数据中已经存在该示例的非香水等同物，例如，补充数据3中的气味剂对#86对#96，或#88对#98，混合物的情况具有零%的化学重叠，但是在0.0125弧度内，并且实际上味道相同(不可鉴别的)。该演示描绘了与气味相关的知识产权的当前问题状态，以及气味质量JND可以如何改变该状态二者。因此，我们得出结论，除了对嗅觉神经生物学和气味技术的明显影响之外，嗅觉JND还可能获得对社会有意义的影响。
JND的实验细节
方法
参与者：年龄在19-42岁的总共166个参与者（105个女性）参与了此处进行的5个实验。一些人参与了多于一种类型的实验，因为本文中实验的数据收集持续了大约四年。参与者总体健康状况良好，没有报告的神经或精神病史，并且既没有嗅觉缺陷，也没有涉及呼吸道的慢性或急性疾病。所有参与者向由魏兹南（Weizmann）研究所IRB委员会批准的程序提供了书面知情同意书，并且所有参与者针对参与被付费。
地点：所有实验在魏兹南研究所嗅觉实验室中专门为人类嗅觉实验构造的房间中进行。这些房间涂有不锈钢涂层，以便防止气味随着时间的推移而黏附，并且通过用湿度和温度控制以及HEPA和碳过滤进行快速空气交换来促进。所有这一切保证最小化交叉试验污染。
气味剂：所有的鉴别任务使用气味剂混合物进行。除了三个之外，所有混合物使用148个单分子组分（参见补充数据1）特别针对这些实验而准备。所有混合物配方在补充数据2中。准备三个混合物来模仿玫瑰、紫罗兰和阿魏的气味。单分子是从西格玛-奥尔德里奇购买的。所有气味剂用1,2-丙二醇或十四酸异丙酯（1PM）稀释。
任务：在所有任务中，参与者独自在实验房间中，从毗邻的控制房间被监视。所有的交互是计算机控制的：要闻的罐子的选择由计算机推荐，并且评级由计算机鼠标输入，所述鼠标用于标记视觉模拟量表（VAS）或选择正确的答案。强度和类似性实验在以Dropal编码的内部网站上运行。鉴别实验（三角任务和相同-不同任务）使用心理物理学工具箱扩展（35-37）在MATLAB中编码和运行。所有的实验会话被限制到最多一个小时，并且持续几天。
强度评级：在每次试验中，参与者接收任意标记的嗅罐。参与者被指导嗅罐一次，并且然后在VAS上输入他们的感知强度评级。中间试验间隔（ITI）为30秒。气味次序是随机化的。
类似性评级：在每次试验中，参与者接收两个任意标记的嗅罐。参与者被指导按预确定次序（跨参与者平衡计数器）嗅出它们，并且然后在VAS上输入他们的感知类似性评级。ITI是40秒。
三角任务：在每次试验中，参与者接收三个任意标记的嗅罐，两个包含相同的气味剂混合物，并且一个包含不同的气味剂混合物。参与者仅被准许对每个气味剂进行一次采样，并且被指导选择奇怪的气味剂。中间刺激间隔是自定步调的，并且ITI > 30秒（增加的可变性反映了试验时间）。
相同-不同的任务：在每次试验中，参与者接收两个任意标记的嗅罐，其包含相同或不同的气味剂混合物。参与者被准许不受限制地对每个气味剂进行采样，并且被指导确定该对“相同”还是“不同”。中间刺激间隔是自定步调的，并且ITI > 30秒。
获得化学描述符：对于每个气味剂，使用DRAGON软件计算4,885个物理化学描述符。从这些描述符中，提取21个描述符（参见补充表1），所述描述符先前被示出对混合物建模有效。因为描述符在不同的尺度上测量属性，所以21个描述符中的每一个然后被标准化为0-1的连续尺度。这是如以下进行的：针对每个描述符提取值vd的列表。每个描述符的最小值和最大值是在被描述为具有味道的4,064个分子的列表中找到的。对于每个气味，该描述符上的标准化值计算如下：
Figure 974894DEST_PATH_IMAGE046
。
那么该描述符上的气味的最大值精确为1，并且最小值精确为0，并且其它气味具有值在之间。长度为21的向量，每个值在0和1之间，然后表示每个气味。
建模混合物：每个混合物被建模为其组分的加权向量和，形成每个混合物的新的21维表示。每个单分子的权重是根据它们的感知强度来确定的。将感知强度转换为向量权重的函数被假设为以下形式的心理度量
Figure 336605DEST_PATH_IMAGE047
。
其参数使用实验1的数据拟合。
气味之间的距离：表示混合物的向量
Figure 313789DEST_PATH_IMAGE048
和表示混合物的向量/>
Figure 444556DEST_PATH_IMAGE049
之间的距离函数被计算为它们之间在21维空间中的角度。它是由以下给出的：
Figure 130883DEST_PATH_IMAGE050
其中
Figure 245470DEST_PATH_IMAGE051
是向量之间的点积，并且/>
Figure 760765DEST_PATH_IMAGE052
和/>
Figure 11617DEST_PATH_IMAGE053
是它们的欧几里得范数。
统计分析
所有的统计分析是在美国马萨诸塞州纳蒂克的MathWorks公司（MathWorks,Inc., Natick, Massachusetts, United States）的MATLAB第2017b版中进行的。
密度估计：用于图形目的的所有密度估计是使用内核方法（Epanechnikov内核）施行的。
皮尔逊（Pearson）的相关性系数：本手稿中提到的所有相关性是皮尔逊的相关性系数。针对相关性等于零的H0假说，对从它们导出的p值进行测试。
计算具有或不具有相同混合物的比较的相关性：在从角度距离估计感知类似性的预测中，我们可以计算具有（图中的红色线）或不具有（图中的黑色线）相同混合物之间的比较的相关性。针对任何一个路径存在论据：在从气味剂结构生成感知类似性的预测中，我们正在试图捕获两个变化源：人之间的差异以及分子之间的差异。有人可能争辩，在相同混合物之间的比较中，我们已经否定了与分子相关联的变化，并且因此我们不应该考虑该相关性。如果人们一致地将相同混合物的感知类似性评级为100%，或者至少总是将相同混合物的感知类似性评级为相同，则这将是无可争辩的。然而，这两种结果都没有发生。因此，有人可能争辩，将这些比较包括在内对于捕获嗅觉感知空间的表示是有信息量的。在任何情况下，在本实施例中，我们呈现两种结果，并且值得注意的是，提出了事实上削弱了我们新算法的影响的方法。换句话说，我们强调了低回报结果。
三角任务中的性能估计：为了作为角度距离的函数估计三角测试的性能，我们根据所计算的角度距离对数据进行排序，并且使用移动平均值方法来估计每个点处的性能。然后施行立方插值，以便生成连续函数。因为三角测试需要相对大量的试验以便实现令人满意的统计能力，所以我们每个点估计使用47次试验。
d-质数的推导：为了分析强制选择实验，我们使用了来自信号检测理论的方法。d-质数（d'）是两个不同刺激的可鉴别性的标准量度。使用d'的一个优点是它在不同的范例之间是一致的，并且允许比较不同的鉴别任务。
数据可用性
所有原始行为数据发布为补充材料。所有使用的气味剂在数据文件#1中，所有行为类似性结果在数据文件#2中，所有行为鉴别结果在数据文件#3中。
现在参考图12A和12B，其示出了投影到感知空间中的所使用的气味剂。图12A涉及覆盖在物理化学空间的第一和第二主要组分内的4046个分子上的跨实验使用的148个分子。图12B示出了感知空间的第一和第二主要组分内的分子。所示出的是仅470个分子作为背景的感知空间数据，并且这些感知空间数据包含我们使用的148个分子中的115个。本组合暗示我们用于我们的混合物的气味剂分子提供了物理化学和感知空间二者的有效跨度。
现在参考图13A - 13D，其图示了角度距离和感知类似性之间的相关性。
图13A-C是散点图，其中每个点是两个气味剂的成对比较，在Y轴上是如由参与者评级的它们的实际类似性，并且在X轴上是根据模型的它们的距离。图13A示出了来自包含玫瑰、紫罗兰、阿魏以及11个附加气味剂混合物的实验的数据。包含玫瑰的所有比较以红色示出，包含紫罗兰的所有比较以紫色指示，并且包含阿魏的所有比较以芥末色示出（n =30）。
图13B示出了在该实验中玫瑰、紫罗兰和阿魏之间的评级类似性相对于角度距离的比较。图13C示出了用于模型构建的来自实验1和2的数据。图13D示出了玫瑰、紫罗兰和阿魏的预测相对于实际类似性的最终结果。
在上面的实验中，角度距离与感知类似性直接相关，但是该链接的精确变换不能被确定性地公式化，因为参与者对它的报告完全上下文依赖。通过类比，考虑光的颜色的感知类似性和波长之间的链接。假设我们希望估计两个刺激的感知类似性：575nm相对于595nm。我们为参与者提供有光的成对比较。在实验1中，我们使用以下6对刺激（全部以nm为单位)：519-520；575-577；580-581；575-595；600-601；610-612。该实验中的参与者可能将575-595对的感知类似性评级为非常低，因为这是他们将在实验中遇到的最不类似的对。相对地，在其中刺激对是：519-620；475-577；480-581；575-595；500-601；510-612的实验中，参与者将可能将575-595对的感知类似性评级为非常高，因为这是他们将在实验中遇到的最类似的对。换句话说，一对气味剂的报告类似性之间的链接一方面是由它们的角度距离确定的，但是这是由实验中的其它气味剂对来量度的。
因此，为了从角度距离（图13B）变换到感知的评级类似性（图13D），我们通过它们被组合在一起的特定气味剂集（图13A）。此处这个是三步骤计算：
（1）我们首先计算实验3的3个成对混合物比较的角度距离。
（2）然后，基于实验1和2二者的结果，我们使用线性模型来预测每个角度距离的感知强度（图13C）。置信间隔也从线性模型估计导出。
（3）我们将该模型应用于图13A中获得的3个成对角度距离上。最后，为了将这些评级与实验3中使用的评级的尺度相关，数据在贯穿实验所获得的最小和最大类似性值之间进行标准化，以用于比较，其涉及实验3中所使用的三个气味（玫瑰、紫罗兰和阿魏）（图13A）。这得到0-1之间的预测类似性值（图13D）。所有这一切的底线是，我们的模型将总是预测玫瑰和紫罗兰之间的成对差异是0.27弧度，玫瑰和阿魏是0.85弧度，并且紫罗兰和阿魏是0.83弧度。这是确定性的。但是从这个到范围从0到1的报告的类似性分数变换是实验中其它气味剂的函数。
补充表1：来自参考文献（10）的用于优化角度模型的描述符
序号 4885个描述符中的索引 缩写 描述符
1 45 nCIR 电路的数量（构成描述符）
2 76 ZM1 第一萨格勒布索引M1（拓补描述符）
3 97 GNar Narumi几何拓补索引（拓补描述符）
4 122 S1K 1-路径Kier
Figure 852534DEST_PATH_IMAGE024
修改的形状索引（拓补描述符）
5 187 piPC08 次序08的分子多路径计数（行走和路径计数）
6 936 MATS1v 莫兰自相关-滞后1/由原子范德华体积加权（2D自相关）
7 942 MATS7v 莫兰自相关-滞后7/由原子范德华体积加权（2D自相关）
8 984 GATS1v 吉尔里自相关-滞后1/由原子范德华体积加权（2D自相关）
9 1492 Eig05_AEA(bo) 按结合次序加权的来自增强边缘毗邻矩阵的特征值n.5
10 1356 SM02_AEA(bo) 按结合次序加权的增强边缘毗邻矩阵的次序2的谱矩
11 1371 SM03_AEA(dm) 按偶极次序加权的增强边缘毗邻矩阵的次序3的谱矩
12 1378 SM10_AEA(dm) 按偶极次序加权的增强边缘毗邻矩阵的次序10的谱矩
13 1381 SM13_AEA(dm) 按偶极次序加权的增强边缘毗邻矩阵的次序13的谱矩
14 1103 SpMin3_Bh(v) 由范德华体积加权伯登矩阵的最小特征值n.3 伯登特征值
15 1806 RDF035v 径向分布函数-035/由范德华体积加权
16 2191 G1m 第一组分对称定向WHIM索引/由质量加权
17 2202 G1v 第一组分对称定向WHIM索引/由范德华体积加权
18 2213 G1e 第一组分对称定向WHIM索引/由桑德森电负性加权
19 2248 G3s 第三组分对称定向WHIM索引/由1-状态加权
20 2452 R8u+ 滞后8的R最大自相关/未加权
21 2646 nRCOSR 硫酯的数量（脂肪族）
补充表2：由来自DreamAir公司的Christophe Laudamiel提供的玫瑰、紫罗兰和阿魏的配方
成分 W 强度 浓度 CID CAS 香味
香茅醇左旋 22 53 1 8842 106-22-9 玫瑰
大马酮 0.2 75 1 5366074 23696-85-7 玫瑰
香叶醇普珥 2 50 1 637566 106-24-1 玫瑰
芳樟醇 25 60 1 6549 78-70-6 玫瑰
纯苯乙胺（Phen Eth Alc） 30 40 1 6054 60-12-8 玫瑰
玫瑰氧化物左旋 0.1 70 1 1712087 3033-23-6 玫瑰
女贞醛 0.5 80 1 93375 68039-49-6 玫瑰
顺式-3-己烯基异丁酸酯 0.6 70 1 5352539 41519-23-7 玫瑰
乙酸香茅酯 8 45 1 9017 150-84-5 玫瑰
柠檬醛 0.5 75 1 638011 5392-40-5 玫瑰
甲基异丁香酚 2 40 1 7128 93-16-3 玫瑰
甲基紫罗兰酮
Figure 188838DEST_PATH_IMAGE025
 10 50 1 5375218 127-43-5 紫罗兰
顺式-3-乙酸己烯酯@10% IPM 0.2 60 0.1 5363388 3681-71-8 紫罗兰
异丁酸苯乙酯 2 45 1 7655 103-48-0 紫罗兰
芳樟醇 7 60 1 6549 78-70-6 紫罗兰
Figure 524135DEST_PATH_IMAGE024
紫罗兰酮		 20 55 1 5282108 127-41-3 紫罗兰
Geonol@0.01% 0.5 35 1.00E-05 1213 23333-91-7 紫罗兰
紫罗兰酮
Figure 629495DEST_PATH_IMAGE025
 10 50 1 638014 14901-07-6 紫罗兰
顺-3-己烯醇 0.5 65 1 5281167 928-96-1 紫罗兰
壬二烯醇@1% IPM 0.2 60 0.01 34134 7786-44-9 紫罗兰
甘露醇 5 35 1 111418 68901-32-6 紫罗兰
己二酮高顺式 20 35 1 102861 24851-98-7 紫罗兰
甲基硫代丙酸甲酯 2 70 1 61641 13532-18-8 阿魏
吡唑甲氧基@1%CITR 0.1 1 0.01 520098 24168-70-5 阿魏
甲基戊酸 1 45 1 18458 3142-72-1 阿魏
硫磺@1% DIPG 0.2 65 0.01 61982 38462-22-5 阿魏
异戊二烯 30 15 1 11127402 1135-66-6 阿魏
IPM 30 2 1 8042 110-27-0 阿魏
二甲基硫醚@1% 0.1 70 0.01 1068 75-18-3 阿魏
格蓬烯（Galbanolene Super）@10% IPM 0.1 53 0.1 5367412 16356-11-9 阿魏
异戊酸@10% IPM 0.2 50 0.1 10430 503-74-2 阿魏
苯乙酸 1 57.5 1 999 103-82-2 阿魏
苯甲酸苯甲基酯 2345 8.3 0.7 LV #5
苯甲酸2-羟基苯甲基酯 8363 8.3 0.7 LV #5
(2E)-3-苯基-2-丙烯-1-醇 5315892 8.3 0.7 LV #5
2,6-辛二烯醛3,7-二甲基-(2E)- 638011 8.3 0.7 LV #5
6-辛烯-1-醇3,7-二甲基- 8842 8.3 0.7 LV #5
2H-1-苯并吡喃-2-酮 323 8.3 0.7 LV #5
4-烯丙基-2-甲氧基苯酚 3314 8.3 0.7 LV #5
2,6,10-十二碳三烯-1-醇3,7,11-三甲基- 3327 8.3 0.7 LV #5
2,6-辛二烯-1-醇3,7-二甲基- 637566 8.3 0.7 LV #5
现在参考图14，其图示了根据本实施例的数字电子鼻40。数字电子鼻40包括n维数字化感知空间42，所述数字化感知空间42事实上可以是存储味道的感知的任何模型，典型地基于针对气味剂感知的气味剂结构。上文中所讨论的模型是适合的示例。这样的模型通常是使用多个气味剂化学品和n个味道轴构建的。然后，所得到的感知空间根据刚好可注意到的距离而被数字化，并且刚好可注意到的距离是一组用户上最小可辨别距离的平均值。
鼻具有包括化学传感器的输入41，以便感测要测量的气味。映射单元44连接到输入以及到n维数字化感知空间，并且使用化学传感器的输出将输入气味映射到数字化n维感知空间上的位置。该位置根据刚好可注意到的距离而数字地表达。
然后，输出46基于根据刚好可注意到的距离表达的位置而输出输入气味的数字化测量。输出可以到另一机器，在该情况下，可以直接利用数字表征，或者输出可以到人类，在该情况下，可以可选地使用气味的自然语言表示。
n维感知空间可以电子地存储在鼻内。例如，它可以是硬连线的，比如ROM，或者它可以以易失性方式存储在RAM中，或者它可以以闪速存储器或以任何其它适合的形式保持。
n维感知空间可以包括应用于沿着n个味道轴的分子的物理化学描述符，其中n是复数整数，比如18或22。
相应的刚好可注意到的距离是n维感知空间上的角度。对于本文中所使用的特定感知空间，取决于人类对象，刚好可注意到的距离范围在0.02弧度和0.14弧度之间，其中本文所采用的值是0.051弧度的平均值。
n维数字化感知空间上两个气味之间的角度可以定义为
Figure 375734DEST_PATH_IMAGE054
其中
Figure 199333DEST_PATH_IMAGE055
是分别表示所述两个气味的向量之间的点积，并且/>
Figure DEST_PATH_IMAGE056
和/>
Figure DEST_PATH_IMAGE057
是它们的欧几里得范数。
感知空间中的分子可以根据以下进行加权
Figure DEST_PATH_IMAGE058
其中x是标准化强度。
现在参考图15，其示出了其中没有使用感知空间或样本空间的enose的实施例50。代替地，在输入52处由enose化学输入传感器来检测样本，并且当两个气味已经被采样时，可以在测量单元54处使用直接enose类似性计算来测量它们之间的距离，这意味着类似性直接基于enose输入采样。该实施例可以如第一实施例中一样用于产生模拟测量，或者度量可以根据数字实施例被数字化。如上面所讨论的，输出可以提供为测量或使用描述符来提供。
预期的是，在从本申请到期的专利的有效期期间，许多相关的电子鼻和其它气味采样技术将被开发，并且术语电子鼻和enose的范围意图先验地包括所有这样的新技术。
术语“包含（comprise）”、“包含（comprising）”、“包括（include）”、“包括（including）”、“具有”及其缀合物意味着“包括但是不限于”。
术语“由……组成”意味着“包括并且限于”。
如本文中所使用的，单数形式“一”、“一个”以及“该”包括复数引用，除非上下文另外清楚规定。
应当理解，为了清楚起见，在单独实施例的上下文中所描述的本发明的某些特征也可以在单个实施例中组合提供。相反，为了简洁起见，在单个实施例的上下文中所描述的本发明的各种特征也可以单独提供，或者以任何适合的子组合提供，或者适合于本发明的任何其它描述的实施例。在各种实施例的上下文中描述的某些特征将不被认为是那些实施例的基本特征，除非在没有那些元件的情况下该实施例是不可操作的。
尽管已经结合本发明的特定实施例描述了本发明，但是明显的是，许多替代、修改和变型对于本领域技术人员来说将是显而易见的。因此，其意图包括落入所附权利要求的精神和广泛范围内的所有这样的替代、修改和变型。
本说明书中所提到的所有出版物、专利和专利申请在本文中通过引用以其整体合并到本说明书中，在相同的程度上好像每个单独的出版物、专利或专利申请均被特别并且单独地指示为通过引用合并到本文中一样。此外，本申请中任何参考文献的引述或标识不应该被解释为承认这样的参考文献可作为本发明的现有技术获得。在使用章节标题的程度上，它们不应该被解释为一定是限制性的。

Claims (17)

1.一种评估气味的方法，包括：
提供从气味提取测量的电子鼻，从所述测量可提取至少n个化学描述符，其中n大于一；
将所述电子鼻应用于气味；
使用所述电子鼻提取所述气味的气味信息；
将所述提取的气味信息绘制到n维样本空间上的第一位置，每个维度与所述n个化学描述符中的相应一个相关，所述样本空间具有绘制在其上的多个测试样本，每个样本与至少一个气味描述术语相关联，所述方法包括找到与所述第一位置最接近的预确定数量的测试样本或者找到在所述第一位置的预确定半径内的所有测试样本；
提供用于气味相关话语的模板；
将与所述第一位置相关联的所述气味描述术语插入到所述模板中的一个中；以及
基于所述第一位置而输出评估，所述输出评估包括输出与因此找到的所述测试样本相关联的气味描述术语，
其中所述n个化学描述符是从可从所述电子鼻获得的m个化学描述符中选择的，其中m大于n。
2.根据权利要求1所述的方法，包括选择构建样本空间的所述n个化学描述符，在所述样本空间上，被识别为类似的测试气味相对接近地聚集在一起，并且被识别为不同的测试气味相对远离。
3.一种评估气味的方法，包括：
提供从气味提取测量的电子鼻，从所述测量可提取至少n个化学描述符，其中n大于一；
将所述电子鼻应用于气味；
使用所述电子鼻提取所述气味的气味信息；
将所述提取的气味信息绘制到n维样本空间上的第一位置，每个维度与所述n个化学描述符中的相应一个相关，所述样本空间具有绘制在其上的多个测试样本，每个样本与至少一个气味描述术语相关联，所述方法包括找到与所述第一位置最接近的预确定数量的测试样本或者找到在所述第一位置的预确定半径内的所有测试样本；
提供用于气味相关话语的模板；
将与所述第一位置相关联的所述气味描述术语插入到所述模板中的一个中；以及
基于所述第一位置而输出评估，所述输出评估包括输出与因此找到的所述测试样本相关联的气味描述术语，所述样本空间具有多个区域，所述方法包括将所述样本空间的相应区域与对应的气味描述术语相关联，并且所述输出评估包括输出与所述第一位置相关联的气味描述术语。
4.根据权利要求3所述的方法，其中所述区域是测试气味的所述样本空间中的位置，并且其中所述术语是与所述测试气味相关联的术语。
5.根据权利要求1所述的方法，包括选择预确定数量的最通常发生的气味描述术语。
6.根据权利要求5所述的方法，其中所述预确定数量是5。
7.一种评估气味的方法，包括：
提供从气味提取测量的电子鼻，从所述测量可提取至少n个化学描述符，其中n是18；
将所述电子鼻应用于气味；
使用所述电子鼻提取所述气味的气味信息；
将所述提取的气味信息绘制到n维样本空间上的第一位置，每个维度与所述n个化学描述符中的相应一个相关，所述样本空间具有多个区域，所述方法还包括：
将所述样本空间的相应区域与对应的携带气味的化学品相关联，并且
输出评估，所述输出包括输出具有在所述第一位置上或接近所述第一位置的区域的一个或多个携带气味的化学品的数据。
8.根据权利要求7所述的方法，包括使用所述数据中定义的所述携带气味的化学品合成所述气味。
9.根据前述权利要求中任一项所述的方法，包括构建n维感知空间。
10.根据权利要求9所述的方法，包括找到所述感知空间上气味之间的刚好可注意到的距离，所述刚好可注意到的距离是对一组用户的最小可辨别距离的平均值。
11.根据权利要求10所述的方法，包括基于所述刚好可注意到的距离而数字化所述感知空间。
12.根据权利要求11所述的方法，包括使用所述数字化来提供输入气味的测量。
13.根据权利要求11所述的方法，包括使用所述数字化来提供不同气味之间的比较。
14.一种数字电子鼻，包括：
n维数字化感知空间，所述空间根据刚好可注意到的距离进行数字化，所述刚好可注意到的距离是对一组用户的最小可辨别距离的平均值；
用于要测量的气味的输入；
映射单元，其连接到所述输入和到所述n维数字化感知空间，以用于将所述输入气味映射到所述数字化n维感知空间上的第一位置上，所述第一位置可根据所述刚好可注意到的距离进行数字表达；
输出，其用于基于所述第一位置输出所述输入气味的数字化度量，所述第一位置根据所述可注意到的距离表达，其中所述n维感知空间包括应用于沿着n个味道轴的分子的物理化学描述符，其中n是大于一的整数，并且其中所述感知空间中的所述分子根据以下进行加权
Figure DEST_PATH_IMAGE001
其中x是标准化强度。
15.根据权利要求14所述的数字电子鼻，其中所述n维感知空间被电子存储。
16.根据权利要求14所述的数字电子鼻，其中相应的刚好可注意到的距离是所述n维感知空间上的角度。
17.根据权利要求16所述的数字电子鼻，其中所述n维数字化感知空间上两个气味之间的角度为
Figure DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
是分别表示所述两个气味的向量之间的点积，并且/>
Figure DEST_PATH_IMAGE004
和/>
Figure DEST_PATH_IMAGE005
是其欧几里得范数。/>
CN201880088963.8A 2017-12-08 2018-12-09 基于电子鼻的气味剂分析的利用 Active CN111954812B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762596140P 2017-12-08 2017-12-08
US62/596140 2017-12-08
PCT/IL2018/051341 WO2019111262A1 (en) 2017-12-08 2018-12-09 Utilization of electronic nose-based analysis of odorants

Publications (2)

Publication Number Publication Date
CN111954812A CN111954812A (zh) 2020-11-17
CN111954812B true CN111954812B (zh) 2023-03-28

Family

ID=64959387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880088963.8A Active CN111954812B (zh) 2017-12-08 2018-12-09 基于电子鼻的气味剂分析的利用

Country Status (6)

Country Link
US (1) US11674938B2 (zh)
EP (1) EP3721223A1 (zh)
JP (2) JP7365339B2 (zh)
CN (1) CN111954812B (zh)
IL (1) IL275232A (zh)
WO (1) WO2019111262A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7365339B2 (ja) 2017-12-08 2023-10-19 イェダ リサーチ アンド ディベロップメント カンパニー リミテッド 電子ノーズに基づく臭気物質の分析の利用
CN115349089A (zh) 2020-03-23 2022-11-15 国立研究开发法人物质材料研究机构 基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置
CN111812257A (zh) * 2020-07-18 2020-10-23 江西师范大学 一种鉴定不同口味小龙虾滋味和风味的方法
CN111855757B (zh) * 2020-07-21 2023-11-14 广西壮族自治区亚热带作物研究所（广西亚热带农产品加工研究所） 一种基于电子鼻的六堡茶陈香香味识别方法
US11636870B2 (en) 2020-08-20 2023-04-25 Denso International America, Inc. Smoking cessation systems and methods
US11932080B2 (en) 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods
US11760170B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Olfaction sensor preservation systems and methods
US11813926B2 (en) 2020-08-20 2023-11-14 Denso International America, Inc. Binding agent and olfaction sensor
US11881093B2 (en) 2020-08-20 2024-01-23 Denso International America, Inc. Systems and methods for identifying smoking in vehicles
US11760169B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Particulate control systems and methods for olfaction sensors
US11828210B2 (en) 2020-08-20 2023-11-28 Denso International America, Inc. Diagnostic systems and methods of vehicles using olfaction
CN112927763B (zh) * 2021-03-05 2023-04-07 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
CN113189145B (zh) * 2021-04-09 2023-06-02 金陵科技学院 一种基于电子鼻技术的鲜花花香成分芳樟醇含量预测方法
CN114264770A (zh) * 2021-08-23 2022-04-01 中汽研汽车检验中心（天津）有限公司 一种基于图谱匹配的气味评价方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2125810A1 (en) * 1993-07-01 1995-01-02 Jarrell D. Wenger Apparatus and method for determining the indoor air quality within an enclosed space
WO2001007093A1 (en) * 1999-07-23 2001-02-01 Libra Digital, Llc Electronic recording, analysis, editing, and playback of scents
US7593863B1 (en) * 2000-03-10 2009-09-22 Smiths Detection Inc. System for measuring and testing a product using artificial olfactometry and analytical data
JP4111312B2 (ja) 2002-03-25 2008-07-02 国立大学法人東京工業大学 匂いレシピ決定方法
EP1566633B1 (en) 2004-02-23 2008-06-04 Alpha M.O.S. Measuring the intensity of odours
JP4780771B2 (ja) 2006-05-17 2011-09-28 凸版印刷株式会社 匂いセンシングシステム
US20080021763A1 (en) * 2006-07-06 2008-01-24 Michael Merchant Method for incentivized collective perception assessment
CN100594514C (zh) * 2006-10-16 2010-03-17 北京大学 一种自适应的扩展变换抖动调制水印方法
JP4935668B2 (ja) 2007-12-27 2012-05-23 株式会社島津製作所 臭気測定装置
JP5142326B2 (ja) 2008-06-11 2013-02-13 国立大学法人東京工業大学 嗅覚ディスプレイ用の要素臭決定方法及び要素臭決定装置
US8443647B1 (en) * 2008-10-09 2013-05-21 Southern Illinois University Analyte multi-sensor for the detection and identification of analyte and a method of using the same
US8880448B2 (en) 2009-07-23 2014-11-04 Yeda Research And Development Co. Ltd. Predicting odor pleasantness with an electronic nose
CN101788517A (zh) * 2010-02-23 2010-07-28 广东工业大学 基于仿生嗅觉的辛味中药材气味指纹图谱构建系统及方法
US20130236417A1 (en) * 2010-04-16 2013-09-12 Anandasankar Ray Ligands for odor receptors and olfactory neurons
US20160216244A1 (en) 2013-09-12 2016-07-28 Yeda Research And Development Co. Ltd. Method and electronic nose for comparing odors
US10416138B2 (en) * 2016-09-29 2019-09-17 International Business Machines Corporation Sensing and adjusting the olfactory characteristics of a sample
JP7365339B2 (ja) 2017-12-08 2023-10-19 イェダ リサーチ アンド ディベロップメント カンパニー リミテッド 電子ノーズに基づく臭気物質の分析の利用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Just Noticeable Differences in Component Concentrations Modify the Odor Quality of a Blending Mixture;E. Le Berre et al.;《Chem. Senses》;20080227(第33期);第389-395页 *

Also Published As

Publication number Publication date
WO2019111262A1 (en) 2019-06-13
CN111954812A (zh) 2020-11-17
JP2023175964A (ja) 2023-12-12
IL275232A (en) 2020-07-30
JP2021508035A (ja) 2021-02-25
JP7365339B2 (ja) 2023-10-19
US20200300829A1 (en) 2020-09-24
EP3721223A1 (en) 2020-10-14
US11674938B2 (en) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111954812B (zh) 基于电子鼻的气味剂分析的利用
Dupré et al. A performance comparison of eight commercially available automatic classifiers for facial affect recognition
US9176104B2 (en) Predicting odor pleasantness with an electronic nose
US11579765B2 (en) Device and method for sharing olfactory data between real world and online world
Nambu et al. Visual-olfactory display using olfactory sensory map
Clavel et al. Missing data estimation in morphometrics: how much is too much?
Harel et al. Towards an odor communication system
Ranjgar et al. A novel method for emotion extraction from paintings based on Luscher’s psychological color test: case study Iranian-Islamic paintings
Hao et al. Synthetic Data in AI: Challenges, Applications, and Ethical Implications
JP2019060870A (ja) 匂い表現予測システム、及び匂い表現予測カテゴライズ方法
Gilroy et al. An affective model of user experience for interactive art
CN113378885B (zh) 一种基于优选图像对的新用户审美偏好标定和分类方法
Verhoef et al. Towards affective computing that works for everyone
CN117501280A (zh) 用于训练集成神经网络设备以评估预测不确定性的系统
TWI485635B (zh) 年齡評估系統與方法
CN106649511B (zh) 一种香水推荐方法及系统
Prasetyawan et al. Odor Reproduction Technology Using a Small Set of Odor Components
Loizides et al. Measuring facial emotional expressions using genetic programming
Vinciarelli Social perception in machines: The case of personality and the Big-Five traits
KR101514291B1 (ko) 컴퓨터 실행 가능한 감성 에너지 측정 방법
Magnussen et al. Continuous feature networks: A novel method to process irregularly and inconsistently sampled data with position-dependent features
JP2015219698A (ja) パーツの影響度に基づいて感情を推定する装置、プログラム及び方法
JP7438132B2 (ja) 情報処理装置、化粧料生成装置、プログラム、シミュレーション方法、及び、情報処理システム
Haines Decoding facial expressions that produce emotion valence ratings with human-like accuracy
Loutfi et al. Social agent: Expressions driven by an electronic nose

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
GR01 Patent grant
GR01 Patent grant