CN112529089A - 基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 - Google Patents
基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112529089A CN112529089A CN202011503743.2A CN202011503743A CN112529089A CN 112529089 A CN112529089 A CN 112529089A CN 202011503743 A CN202011503743 A CN 202011503743A CN 112529089 A CN112529089 A CN 112529089A
- Authority
- CN
- China
- Prior art keywords
- bionic
- cell
- perisphere
- pulse
- pulse time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 56
- 239000007789 gas Substances 0.000 claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 210000004027 cell Anatomy 0.000 claims description 86
- 210000000956 olfactory bulb Anatomy 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 210000000225 synapse Anatomy 0.000 claims description 19
- 210000003668 pericyte Anatomy 0.000 claims description 17
- 102000012547 Olfactory receptors Human genes 0.000 claims description 16
- 108050002069 Olfactory receptors Proteins 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000002964 excitative effect Effects 0.000 claims description 9
- 230000002401 inhibitory effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 210000003050 axon Anatomy 0.000 claims description 3
- 230000003592 biomimetic effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 210000001331 nose Anatomy 0.000 description 38
- 235000019645 odor Nutrition 0.000 description 36
- 210000002569 neuron Anatomy 0.000 description 30
- 239000012528 membrane Substances 0.000 description 9
- 230000035943 smell Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008054 signal transmission Effects 0.000 description 6
- 241000743774 Brachypodium Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012421 spiking Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 210000003061 neural cell Anatomy 0.000 description 4
- 241001122767 Theaceae Species 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 235000013616 tea Nutrition 0.000 description 3
- 235000019224 Camellia sinensis var Qingmao Nutrition 0.000 description 2
- 230000036982 action potential Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 235000020339 pu-erh tea Nutrition 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 239000002341 toxic gas Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000196 olfactory nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000003518 presynaptic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 102000027509 sensory receptors Human genes 0.000 description 1
- 108091008691 sensory receptors Proteins 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Nonlinear Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供一种基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质，该方法包括获取气体传感器阵列输出的信号，形成样本数据集；并且，样本数据集的数据被输入至仿生球周回路模型用于计算脉冲时间序列；将脉冲时间序列输入至脉冲神经网络，脉冲神经网络对脉冲时间序列进行特征学习及分类，并输出多类气体的识别准确率。本发明还提供实现上述方法的计算机装置及计算机可读存储介质。本发明能够简化电子鼻的算法处理流程，还能够提高电子鼻的广泛适用性。
Description
技术领域
本发明涉及智能气味识别的技术领域，具体地，是一种基于仿生球周回路的气味识别方法以及实现这种方法的计算机装置、计算机可读存储介质。
背景技术
电子鼻是一种模拟生物嗅觉的检测仪器，通常用于检测气体的种类。电子鼻内设置有传感器阵列，传感器阵列包括多个气体传感器，这些气体传感器是具有部分选择性的电化学传感器，通过传感器阵列检测气体并对气体进行识别，能够识别简单与复杂气味。目前，电子鼻提供了仿生嗅觉的物理载体，但在信息处理方面却与生物系统相差甚远，在识别性能上也有着明显差距。
传统的电子鼻所使用的气味识别方法较为繁琐，每个环节可供选择的方法较多，例如需要针对气体传感器响应的特点进行人工选择，一旦气体传感器的数量和类型发生改变，必须根据应用场景进行重新调整。为了获取理想的气味识别效果，往往要通过反复测试进行优化，导致大量时间和人力的消耗，降低了电子鼻的实用性。
公开号为CN105913079A的中国发明专利申请提出一种基于目标域迁移极限学习的电子鼻识别方法，该方法利用漂移前后采集的有标签的和无标签的数据矩阵构建源域数据集、目标域数据集和待测域数据集作为极限学习机的输入，完成分类器的学习任务。该方法具备一定的泛化性和迁移性能，但其应用范围有限，需要大量的数据集训练分类器，无法完成自动学习。
公开号为CN105005790A的中国发明专利申请提出一种基于半监督学习的电子鼻室内毒气识别方法，该方法利用毒气样本数据训练分类器，并在每次循环中将基本分类器依次作为主分类器实现对未知标签样本的分类，其他分类器用于预测，通过增加分类器数目来优化识别正确率。该方法能够从未知样本中获取气味信息，但需要人为构建大量的分类器，增加了算法的复杂度和运算量，难以实现气味的快速识别。
郭淼在文章《基于电子鼻与非线性特征提取建模的猪肉鲜度快速分析方法》(中国食品学报，2016，16(6)：218-224)提出了一种基于主成分分析和非线性特征提取的猪肉鲜度电子鼻分析方法，该方法在主成分分析的基础上引入随机共振信噪比谱提高检测性能，使用线性拟合回归构建猪肉鲜度预测模型，实现对肉品鲜度的有效检测。但该方法的预处理步骤较多，流程较为复杂，难以满足快速检测的需要。
罗美玲在文章《电子鼻技术对普洱熟茶香气判别的研究》(西南大学学报(自然科学版)，2018，40(8)：22-30)提出一种基于主成分分析、线性判别分析和传感器区分贡献率分析的普洱茶电子鼻识别方法，该方法对干茶、茶汤和叶底香气的贡献率进行了分析，能够有效区分不同年份的普洱茶香气。但该方法缺少特征学习的过程，没有充分利用气味的特性信息，需要人为选择数据分析方法。
现有的一些电子鼻所使用的气味识别方法框架固化，如图1所示，现有气味识别方法是接收气体传感器11传送的信号，并且将模拟信号转换成数字信号后形成原始数据，然后对数据进行预处理12的操作，接着对预处理后的数据依次执行特征生成13、特征选择14、特征降维 15以及分类识别16等操作，最后执行分类输出17的操作。这种方法在设计电子鼻时需要针对具体应用尝试各种方法的组合来优化数据分析方法，才能达到很好的效果，阻碍了电子鼻技术的普及应用。此外，这种方法的各个环节需要根据信号特性人工选取，难以实现数据的自动分析，缺乏广泛适用性。
发明内容
本发明的第一目的是提供一种气味识别计算简单、广泛适用性好的基于仿生球周回路的气味识别方法。
本发明的第二目的是提供一种实现上述基于仿生球周回路的气味识别方法的计算机装置。
本发明的第三目的是提供一种实现上述基于仿生球周回路的气味识别方法的计算机可读存储介质。
为实现本发明的第一目的，本发明提供的基于仿生球周回路的气味识别方法包括获取气体传感器阵列输出的信号，形成样本数据集；并且，样本数据集的数据被输入至仿生球周回路模型用于计算脉冲时间序列；将脉冲时间序列输入至脉冲神经网络，脉冲神经网络对脉冲时间序列进行特征学习及分类，并输出多类气体的识别准确率。
由上述方案可见，上述方法通过构建仿生球周回路模型将复杂的气体传感器阵列所输出的数据转化为简单的脉冲时间序列来减少气味识别的整体运算量，再经由脉冲神经网络学习获得气体分类的识别准确率，无需预处理、特征降维等步骤，简化了电子鼻的数据分析过程。
并且，气体传感器输出的数据经过仿生球周回路模型处理后，脉冲神经网络能够自动对脉冲时间序列进行学习，挖掘其中蕴含的气味特征信息，无需人为选择特征，也不需要测试不同的分类器，提升了电子鼻的识别效率。此外，上述方法对气体传感器的类型并没有限定，因此该方法不受传感器使用类型的限制，增强了电子鼻的广泛适用性，满足了不同平台的分析需求，能够应用在具有不同类型的气体传感器的电子鼻上。
一个优选的方案是，仿生球周回路模型内形成有多个模拟的嗅小球，气体传感器阵列包括有多个气体传感器，每一气体传感器向一个嗅小球输出信号。
由此可见，使用一个模拟的嗅小球对一个气体传感器输出的信号进行处理，可以模拟人体每一个嗅小球的工作原理，提高气味识别的准确性。
进一步的方案是，每一个嗅小球内设置有模拟的嗅感受器、僧帽细胞、球周细胞、外部丛状细胞和短轴突细胞；嗅感受器接收气体传感器输出的信号，并向僧帽细胞、球周细胞与外部丛状细胞传输信号，外部丛状细胞通过短轴突细胞向另一嗅小球的外部丛状细胞、球周细胞传输信号。
可见，根据人体嗅小球内各神经细胞对气味传送的原理，仿生球周回路模型模拟了这些神经细胞的信号传输方式，得以通过接近于人体真实嗅觉的方式进行信号处理，使得仿生球周回路模型输出的信号更加接近于人体嗅觉神经信号的传递关系。
更进一步的方案是，脉冲时间序列为僧帽细胞输出的脉冲时间序列。
由此可见，在人体的嗅觉系统中，僧帽细胞负责将气味信息传至大脑皮层实现气味识别，因此，将仿生球周回路模型中僧帽细胞输出的脉冲时间序列作为整个仿生球周回路模型输出的脉冲时间序列，能够准确反映出人体嗅觉系统的信号输出关系，提高气味识别的精度。
更进一步的方案是，僧帽细胞对球周细胞通过激励性突触连接，球周细胞对僧帽细胞通过抑制性突触连接；球周细胞对外部丛状细胞通过激励性突触连接，外部丛状细胞对球周细胞通过抑制性突触连接。
可见，通过构建与人体嗅觉系统相同的神经细胞信号传输关系，仿生球周回路模型更加接近于人体的真实嗅觉系统。
更进一步的方案是，获取气体传感器阵列输出的信号包括：获取每一气体传感器预设数量的脉冲信号，形成样本数据集。
可见，通过获取每一个气体传感器一定数量的脉冲信号，例如获取采样时间段内前面一定时间点的数据，可以提高数据采样的准确性，从而提高气味识别的精度。
更进一步的方案是，脉冲神经网络对脉冲时间序列进行特征自学习并输出实际脉冲时间，并通过预设的学习误差函数确定气体种类，输出多类气体的识别准确率。
由此可见，通过脉冲神经网络的自学习功能，并通过学习误差函数来计算多种气体的识别准确率，能够使电子鼻获得较高的气体识别准确率。
更进一步的方案是，脉冲神经网络应用输出层输出的气体种类识别结果计算各类气体的识别准确率。
可见，脉冲神经网络的输入层接收到脉冲时间序列后，通过隐含层的神经细胞进一步处理后传输到输出层，由输出层计算输出实际脉冲时间，从而计算各类气体的识别准确率，这样可以充分利用脉冲神经网络的自学习能力，并且可以对气味分类进行智能化的计算，从而提高气味识别的准确性。
为实现上述的第二目的，本发明提供的计算机装置包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述基于仿生球周回路的气味识别方法的各个步骤。
为实现上述的第三目的，本发明提供计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述基于仿生球周回路的气味识别方法的各个步骤。
附图说明
图1是现有气味识别方法所应用的算法框架图。
图2是本发明基于仿生球周回路的气味识别方法实施例的流程图。
图3是应用于本发明基于仿生球周回路的气味识别方法实施例的仿生球周回路模型与脉冲神经网络的示意图。
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
本发明所提供的基于仿生球周回路的气味识别方法应用于电子鼻上，电子鼻具有多个气体传感器，并且设置有处理器以及存储器，存储器上存储有计算机程序，处理器通过执行该计算机程序实现基于仿生球周回路的气味识别方法。
基于仿生球周回路的气味识别方法实施例：
本实施例应用在电子鼻上，电子鼻的硬件电路包括多个气体传感器，用于采集气体的信号。电子鼻还通过预先设定的算法来对气体传感器所采集的信号进行处理，从而识别待测气体所属种类，并计算出识别准确率。电子鼻输出的结果是识别待测气体的准确率，例如电子鼻对5类30个待测气体样本进行识别，通过电子鼻的算法处理后得到每种气体所属的种类，假设其中的27个样本分类结果正确，则识别准确率为90％。
参见图2，首先执行步骤S1，获取气体传感器阵列输出的信号。本实施例中，电子鼻设置有气体传感器阵列，气体传感器阵列由多个气体传感器组成，例如，气体传感器的数量为nsr。每一个气体传感器均可以采集气体并输出信号，对某种气体多个气体传感器所采集的信号共同构成样本数据集。本实施例中，假设待测样本的数量为nT，气体传感器阵列中包含的传感器数量为nsr，每一个气体传感器的采样时间相同，例如采样时间为tsr。
然后，执行步骤S2，将气体传感器阵列所采集的样本数据集输出至仿生球周回路模型。本实施例构建了模拟人体嗅觉系统的仿生球周回路模型，利用这一模型对气体信号进行分析，从而识别待测气体的种类。
人体的嗅觉系统中包括多个嗅小球，每一个嗅小球内有多种神经细胞，例如嗅感受器、僧帽细胞、球周细胞、外部丛状细胞和短轴突细胞，神经细胞之间的信号传递引起了周边神经细胞的放电现象，最后由僧帽细胞将气味信息传至大脑皮层实现气味辨识。因此，本实施例所构建的仿生球周回路模型模拟了人体嗅觉系统中相应部分的结构与功能，并以电信号方式实现信号的传递。
参见图3，在仿生球周回路模型20中设置有多个模拟的嗅小球，例如包括嗅小球21、22、23，每一个模拟的嗅小球内设置有5种神经细胞，包括模拟的嗅感受器、僧帽细胞、球周细胞、外部丛状细胞和短轴突细胞，例如，嗅小球21内设置有嗅感受器31、僧帽细胞32、球周细胞33、外部丛状细胞34和短轴突细胞，嗅小球23内设置有嗅感受器41、僧帽细胞42、球周细胞43、外部丛状细胞44和短轴突细胞45。每一个模拟的嗅小球接收一个气体传感器所传送的信号，具体的，嗅小球21内的嗅感受器31接收一个气体传感器所传输的信号，嗅小球23内的嗅感受器41接收另一个气体传感器所传输的信号。
每一个气体传感器在多个采样时间点采集气体信号，并将所采集的气体信息输入到仿生球周回路模型20的一个嗅小球中，每个传感器的各个采样时间点所作为该时刻神经细胞的入射电流值输入到相应的嗅感受器中，嗅感受器在受到外部电流刺激后产生放电现象，其膜电位输出以电流的形式被激励性突触传送至同一嗅小球中的僧帽细胞、球周细胞与外部丛状细胞，使这三类细胞同样产生耦合放电。
以嗅小球23为例，气体传感器输出的信号输入至嗅小球23，嗅感受器41气体传感器输出的信号的刺激下放电，并激励性突触传送至僧帽细胞42、球周细胞43与外部丛状细胞44，图3中以“+”表示激励性突触，以“-”表示抑制性突触。僧帽细胞42接收到嗅感受器41输出的电流后，对球周细胞43通过激励性突触连接，并且对球周细胞 43有兴奋作用，而球周细胞43对僧帽细胞42通过抑制性突触进行连接，抑制僧帽细胞42的兴奋，由此构成了负反馈通路。类似的负反馈通路还存在于球周细胞43与外部丛状细胞44之间，即球周细胞43对外部丛状细胞44通过激励性突触连接，并且对外部丛状细胞44有兴奋作用，而外部丛状细胞44对球周细胞43通过抑制性突触进行连接，抑制球周细胞43的兴奋，这种耦合关系对气味信息的时空响应模式有增强作用。
另外，为了进行不同嗅小球之间的信号传输，44外部丛状细胞以激励性突触连接短轴突细胞45，短轴突细胞45再与另一嗅小球21中的球周细胞33连接，此外，短轴突细胞45再与另一嗅小球21中的外部丛状细胞34连接，从而构成仿生球周回路模型中信号的传递网络。实际上，每一个嗅小球均通过短轴突细胞向另一个嗅小球的球周细胞、外部丛状细胞输出电流。
本实施例中，每一个嗅小球内的五种神经细胞均采用Leaky integrate-and-fire模型描述，该模型是一个已知的用于描述神经细胞接收到外部电信号后响应情况的模型。具体的，采用公式1表示每一个神经细胞接收到外部的电信号的响应情况：
其中，τm为神经细胞的膜电位时间常数，Vm为神经细胞的膜电位， Vr为神经神经细胞的静息电位，Rm为膜电阻，Iin为入射电流，Ins为噪声电流，Isyn为突触电流。并且，各神经细胞之间的激励或抑制连接由化学突触模型表示，即采用公式2进行描述。
Isyn＝GsynH[Vpre(t-τ)-Vth] (式2)
其中，Gsyn为耦合强度，H为Heaviside阶跃函数，Vpre为突触前神经细胞的膜电位，t为时间变量，Vth为预先设定的阈值，τ为神经元信息传递的时滞。
在人体的嗅觉系统中，僧帽细胞负责将气味信息传至大脑皮层实现气味识别，受此启发，本实施例所设置的仿生球周回路模型中，使用僧帽细胞的脉冲放电时间作为仿生球周回路模型的输出，即每一个嗅小球的僧帽细胞将脉冲时间序列作为嗅小球的输出数据。因此，本实施例通过仿生球周回路模型，将多个气体传感器所接收到的信号转化为简单的脉冲时间序列。
具体的，嗅小球中每一个神经细胞的电流作为信息载体经突触刺激不同神经细胞的动作电位发生改变，例如当神经细胞j的膜电位Vm上升至预先设定的阈值Vt时，引起动作电位变化产生脉冲信号。传感器在每个采样时间点都以外加电流值的形式输入到对应的嗅小球的嗅感受器中，嗅感受器会产生一个脉冲信号，并且向僧帽细胞、球周细胞以及外部丛状细胞输出激励性电流信号。类似地，僧帽细胞、球周细胞以及外部丛状细胞也会形成脉冲信号。在嗅小球中，不同神经细胞的阈值Vt参数如下表1所示。
表1球周回路中神经元参数值(单位：毫伏)
| 参数 | 嗅感受器 | 僧帽细胞 | 球周细胞 | 外部丛状细胞 | 短轴突细胞 |
| 静息电位V<sub>r</sub> | -55 | -55 | -53.1 | -55 | -67 |
| 阈值V<sub>t</sub> | -50 | -50 | -20 | -50 | -30 |
针对每一种神经细胞，记录其脉冲放电对应的时间点，将前nsp个时间点(nsp＝[tsr/30])提取组成脉冲时间序列
由于本实施例的仿生球周回路模型以僧帽细胞的脉冲时间序列作为输出，因此，需要记录僧帽细胞接收电流后产生脉冲放电的时间，在一段时间段内形成的脉冲时间记为
并且提取每一个嗅小球的僧帽细胞在预设个数时间点下所形成的脉冲时间序列，例如
该脉冲时间序列将作为仿生球周回路模型的输出，并输出至脉冲神经网络。
至此，步骤S3执行完毕，执行步骤S4，脉冲神经网络对所接收到的脉冲时间序列进行特征学习并分类。本实施例需要使用预先构建的脉冲神经网络进行气味的自学习和分类，例如预先构建SpikeProp 神经网络，该脉冲神经网络包含输入层51、隐含层52与输出层53。其中，输入层51的神经细胞个数为nsr×nsp，隐含层52负责气味信息的传递与处理，输出层53根据输出神经细胞的脉冲时间获取识别结果。脉冲网络内部神经细胞采用多重延时突触连接模式，神经细胞为脉冲响应模型可以采用公式3进行描述：
其中，ui(t)表示脉冲神经网络中神经细胞i的膜电位，
表示神经细胞i无刺激状态下的膜电位，
表示神经细胞i上一次脉冲的发射时间，ε(t)表示脉冲响应函数，该函数是预先设定的函数，wij表示突触权重，
表示神经细胞接收到的脉冲时间序列中的脉冲时间，即仿生球周回路模型输出至脉冲神经网络的脉冲时间序列中的数值。
输入层51的神经细胞接收到仿生球周回路模型输出的脉冲时间
后，使膜电位ui(t)变化产生放电现象，得到输入神经细胞的脉冲时间与电位变化。这些变化量被隐含层52的神经细胞接收进行进一步处理后传输到输出层53并输出实际脉冲时间
随后，脉冲神经网络通过使预先设定的学习误差函数最小来确定N的值，N的值是通过计算使得预先设定的学习误差函数的结果E最小来确定的。例如，学习误差函数如公式4所示：
其中，N表示待测气体的种类数量，1≤N≤nt，
表示输出层53 神经细胞的期望脉冲时间，且满足
的要求，其中，期望脉冲时间是脉冲神经网络的自学习参数。
通常，只需要给定脉冲神经网络的输入，根据结果调整脉冲神经网络参数即可。由于脉冲神经网络具有自学习的功能，隐含层52层数等参数可以根据结果不断对参数调整得到，并不是确定值。由于脉冲神经网络是公知的神经网络，在此不对脉冲神经网络的工作原理展开详细的描述。
最后，执行步骤S5，输出多类气体的识别准确率，脉冲神经网络最终输出的结果是通过对待测气体样本进行分类得到的识别准确率，这也是电子鼻的输出结果。
本发明提出了基于仿生球周回路模型的气味识别方法，克服现有电子鼻对气味识别方法的不足，结合电子鼻响应的特点，本方法的算法流程简单、广泛适用性强，并且具有以下的优点：
首先，本方法能够降低气味识别的运算量，流程简便。本方法通过构建仿生球周回路模型将复杂的传感器数据转化为简单的脉冲时间序列来减少整体的运算量，再经由脉冲神经网络进行自学习处理，无需预处理、特征降维等步骤，简化了电子鼻的数据分析过程。
其次，实现了自学习功能。本方法中，对于经过仿生球周回路模型处理后的数据，脉冲神经网络能够自动对脉冲时间序列进行学习，挖掘其中蕴含的气味特征信息，无需人为选择特征，也不需要测试不同的分类器，提升了电子鼻的识别效率。
最后，能够满足不同平台的分析需求。由于不同电子鼻的信号形式与气体传感器类型都存在差异，因此需要针对其特性设计识别方法，而本发明所采用的方法与气体传感器的类型无关，不管电子鼻采用什么类型的气体传感器，本发明的方法都能够对气体传感器输出的信号进行处理，因此本发明的方法不受平台的限制，增强了电子鼻的广泛适用性。
计算机装置实施例：
本实施例的计算机装置是电子鼻，例如，电子鼻内设置有处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于仿生球周回路的气味识别方法的各个步骤。
例如，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明的各个模块。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在服务器中的执行过程。
本发明所称处理器可以是中央处理单元(Central Processing Unit， CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit， ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现服务器的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
计算机可读存储介质实施例：
上述计算机装置所存储的计算机程序如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述基于仿生球周回路的气味识别方法的各个步骤。
其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后需要强调的是，本发明不限于上述实施方式，例如气体传感器数量以及样本采集时间的变化，或者脉冲神经网络中隐含层数量的变化等，这些改变也应该包括在本发明权利要求的保护范围内。
Claims (10)
1.一种基于仿生球周回路的气味识别方法，包括：
获取气体传感器阵列输出的信号，形成样本数据集；
其特征在于：
所述样本数据集的数据被输入至仿生球周回路模型用于计算脉冲时间序列；
将所述脉冲时间序列输入至脉冲神经网络，所述脉冲神经网络对所述脉冲时间序列进行特征学习及分类，并输出多类气体的识别准确率。
2.根据权利要求1所述的基于仿生球周回路的气味识别方法，其特征在于：
所述仿生球周回路模型内形成有多个模拟的嗅小球；
所述气体传感器阵列包括有多个气体传感器，每一所述气体传感器向一个所述嗅小球输出信号。
3.根据权利要求2所述的基于仿生球周回路的气味识别方法，其特征在于：
每一个所述嗅小球内设置有模拟的嗅感受器、僧帽细胞、球周细胞、外部丛状细胞和短轴突细胞；
所述嗅感受器接收所述气体传感器输出的信号，并向所述僧帽细胞、所述球周细胞与所述外部丛状细胞传输信号，所述外部丛状细胞通过所述短轴突细胞向另一所述嗅小球的所述外部丛状细胞、所述球周细胞传输信号。
4.根据权利要求3所述的基于仿生球周回路的气味识别方法，其特征在于：
所述脉冲时间序列为所述僧帽细胞输出的脉冲时间序列。
5.根据权利要求3所述的基于仿生球周回路的气味识别方法，其特征在于：
所述僧帽细胞对所述球周细胞通过激励性突触连接，所述球周细胞对所述僧帽细胞通过抑制性突触连接；
所述球周细胞对所述外部丛状细胞通过激励性突触连接，所述外部丛状细胞对所述球周细胞通过抑制性突触连接。
6.根据权利要求1至5任一项所述的基于仿生球周回路的气味识别方法，其特征在于：
获取气体传感器阵列输出的信号包括：获取每一所述气体传感器预设数量的脉冲信号，形成所述样本数据集。
7.根据权利要求1至5任一项所述的基于仿生球周回路的气味识别方法，其特征在于：
所述脉冲神经网络对所述脉冲时间序列进行特征自学习并输出实际脉冲时间，并通过预设的学习误差函数确定气体种类，输出多类气体的识别准确率。
8.根据权利要求7所述的基于仿生球周回路的气味识别方法，其特征在于：
所述脉冲神经网络应用输出层输出的气体种类识别结果计算各类气体的识别准确率。
9.计算机装置，其特征在于，包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于仿生球周回路的气味识别方法的各个步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于仿生球周回路的气味识别方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503743.2A CN112529089A (zh) | 2020-12-18 | 2020-12-18 | 基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503743.2A CN112529089A (zh) | 2020-12-18 | 2020-12-18 | 基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529089A true CN112529089A (zh) | 2021-03-19 |
Family
ID=75001516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503743.2A Pending CN112529089A (zh) | 2020-12-18 | 2020-12-18 | 基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529089A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| WO2024103639A1 (zh) * | 2022-11-14 | 2024-05-23 | 清华大学 | 支持在线学习的气体识别方法、装置、设备、介质和产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558104A (zh) * | 2013-11-13 | 2014-02-05 | 长江师范学院 | 基于耦合仿生的食品脆性测试仪及测试方法 |
| CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
| CN111091815A (zh) * | 2019-12-12 | 2020-05-01 | 电子科技大学 | 基于膜电压驱动的聚合标签学习模型的语音识别方法 |
| CN111209833A (zh) * | 2019-12-31 | 2020-05-29 | 广东科学技术职业学院 | 一种疲劳驾驶检测方法及无人驾驶设备 |
| CN111753774A (zh) * | 2020-06-29 | 2020-10-09 | 之江实验室 | 一种脉冲双向联想记忆的认知方法及系统 |
-
2020
- 2020-12-18 CN CN202011503743.2A patent/CN112529089A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558104A (zh) * | 2013-11-13 | 2014-02-05 | 长江师范学院 | 基于耦合仿生的食品脆性测试仪及测试方法 |
| CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
| CN111091815A (zh) * | 2019-12-12 | 2020-05-01 | 电子科技大学 | 基于膜电压驱动的聚合标签学习模型的语音识别方法 |
| CN111209833A (zh) * | 2019-12-31 | 2020-05-29 | 广东科学技术职业学院 | 一种疲劳驾驶检测方法及无人驾驶设备 |
| CN111753774A (zh) * | 2020-06-29 | 2020-10-09 | 之江实验室 | 一种脉冲双向联想记忆的认知方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| YING-JIE LIU: "Electronic nose using a bio-inspired neural network modeled on mammalian olfactory system for Chinese liquor classification", 《RESEARCH ARTICLE》, vol. 90, no. 02, pages 1 - 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| WO2024103639A1 (zh) * | 2022-11-14 | 2024-05-23 | 清华大学 | 支持在线学习的气体识别方法、装置、设备、介质和产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gharari et al. | An approach to identify time consistent model parameters: sub-period calibration | |
| CN106104577B (zh) | 照片管理 | |
| Veenadhari et al. | Soybean productivity modelling using decision tree algorithms | |
| CN108760829B (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
| CN109165688A (zh) | 一种安卓恶意软件家族分类器构建方法及其分类方法 | |
| CN112529089A (zh) | 基于仿生球周回路的气味识别方法、计算机装置及计算机可读存储介质 | |
| CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
| Guallar et al. | Artificial neural network approach to population dynamics of harmful algal blooms in Alfacs Bay (NW Mediterranean): Case studies of Karlodinium and Pseudo-nitzschia | |
| Katz et al. | Comparison of model selection technique performance in predicting the spread of newly invasive species: a case study with Batrachochytrium salamandrivorans | |
| Bhatt et al. | An analysis of the performance of Artificial Neural Network technique for apple classification | |
| CN106568907A (zh) | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 | |
| Khan et al. | Ensemble of ANN and ANFIS for water quality prediction and analysis-a data driven approach | |
| CN108287184A (zh) | 基于电子鼻的石蜡嗅味等级评定方法 | |
| CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
| JP2016538633A (ja) | 多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 | |
| Rodriguez et al. | Time dependence of the aroma pattern emitted by an encapsulated essence studied by means of electronic noses and chemometric analysis | |
| CN111401444B (zh) | 红酒原产地的预测方法、装置、计算机设备及存储介质 | |
| CN105824806A (zh) | 一种公众账号的质量评价方法和装置 | |
| Balasubramaniam et al. | Software defect prediction via optimal trained convolutional neural network | |
| CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
| Clark et al. | The effect of soundscape composition on bird vocalization classification in a citizen science biodiversity monitoring project | |
| CN116668198A (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
| CN113343225B (zh) | 一种基于神经通路的深度学习的中毒防御方法及装置 | |
| CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及系统 | |
| CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 |
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 |
Application publication date: 20210319 |