CN114168587A - 产生气味数据的系统和方法及其数据库 - Google Patents
产生气味数据的系统和方法及其数据库 Download PDFInfo
- Publication number
- CN114168587A CN114168587A CN202110975235.2A CN202110975235A CN114168587A CN 114168587 A CN114168587 A CN 114168587A CN 202110975235 A CN202110975235 A CN 202110975235A CN 114168587 A CN114168587 A CN 114168587A
- Authority
- CN
- China
- Prior art keywords
- data
- mos
- scent
- database
- sensor
- 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 description 144
- 230000004044 response Effects 0.000 claims abstract description 181
- 239000011149 active material Substances 0.000 claims abstract description 150
- 239000012491 analyte Substances 0.000 claims abstract description 140
- 229910044991 metal oxide Inorganic materials 0.000 claims abstract description 10
- 150000004706 metal oxides Chemical class 0.000 claims abstract description 10
- 239000004065 semiconductor Substances 0.000 claims abstract description 9
- 235000019645 odor Nutrition 0.000 claims description 126
- 239000000463 material Substances 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 53
- 239000012855 volatile organic compound Substances 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 31
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical compound O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 claims description 30
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 claims description 18
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 claims description 18
- GNTDGMZSJNCJKK-UHFFFAOYSA-N divanadium pentaoxide Chemical compound O=[V](=O)O[V](=O)=O GNTDGMZSJNCJKK-UHFFFAOYSA-N 0.000 claims description 18
- ZKATWMILCYLAPD-UHFFFAOYSA-N niobium pentoxide Chemical compound O=[Nb](=O)O[Nb](=O)=O ZKATWMILCYLAPD-UHFFFAOYSA-N 0.000 claims description 18
- PJXISJQVUVHSOJ-UHFFFAOYSA-N indium(III) oxide Inorganic materials [O-2].[O-2].[O-2].[In+3].[In+3] PJXISJQVUVHSOJ-UHFFFAOYSA-N 0.000 claims description 12
- 238000012067 mathematical method Methods 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 229910015427 Mo2O3 Inorganic materials 0.000 claims description 9
- 229910003069 TeO2 Inorganic materials 0.000 claims description 9
- 229910021541 Vanadium(III) oxide Inorganic materials 0.000 claims description 9
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 9
- CETPSERCERDGAM-UHFFFAOYSA-N ceric oxide Chemical compound O=[Ce]=O CETPSERCERDGAM-UHFFFAOYSA-N 0.000 claims description 9
- 229910000422 cerium(IV) oxide Inorganic materials 0.000 claims description 9
- 229910052593 corundum Inorganic materials 0.000 claims description 9
- YBMRDBCBODYGJE-UHFFFAOYSA-N germanium oxide Inorganic materials O=[Ge]=O YBMRDBCBODYGJE-UHFFFAOYSA-N 0.000 claims description 9
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 9
- MRELNEQAGSRDBK-UHFFFAOYSA-N lanthanum oxide Inorganic materials [O-2].[O-2].[O-2].[La+3].[La+3] MRELNEQAGSRDBK-UHFFFAOYSA-N 0.000 claims description 9
- PLDDOISOJJCEMH-UHFFFAOYSA-N neodymium oxide Inorganic materials [O-2].[O-2].[O-2].[Nd+3].[Nd+3] PLDDOISOJJCEMH-UHFFFAOYSA-N 0.000 claims description 9
- KTUFCUMIWABKDW-UHFFFAOYSA-N oxo(oxolanthaniooxy)lanthanum Chemical compound O=[La]O[La]=O KTUFCUMIWABKDW-UHFFFAOYSA-N 0.000 claims description 9
- LAJZODKXOMJMPK-UHFFFAOYSA-N tellurium dioxide Chemical compound O=[Te]=O LAJZODKXOMJMPK-UHFFFAOYSA-N 0.000 claims description 9
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 9
- PBCFLUZVCVVTBY-UHFFFAOYSA-N tantalum pentoxide Inorganic materials O=[Ta](=O)O[Ta](=O)=O PBCFLUZVCVVTBY-UHFFFAOYSA-N 0.000 claims description 8
- 230000035943 smell Effects 0.000 description 90
- 238000010438 heat treatment Methods 0.000 description 67
- 230000000875 corresponding effect Effects 0.000 description 63
- 239000007789 gas Substances 0.000 description 59
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 24
- 238000010586 diagram Methods 0.000 description 24
- 239000000203 mixture Substances 0.000 description 23
- 238000012545 processing Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 14
- ZNOKGRXACCSDPY-UHFFFAOYSA-N tungsten(VI) oxide Inorganic materials O=[W](=O)=O ZNOKGRXACCSDPY-UHFFFAOYSA-N 0.000 description 13
- 239000011787 zinc oxide Substances 0.000 description 13
- 238000003909 pattern recognition Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 12
- 238000003491 array Methods 0.000 description 11
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 description 10
- QPLDLSVMHZLSFG-UHFFFAOYSA-N Copper oxide Chemical compound [Cu]=O QPLDLSVMHZLSFG-UHFFFAOYSA-N 0.000 description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 9
- 239000000758 substrate Substances 0.000 description 9
- 241000220225 Malus Species 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000002019 doping agent Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000001953 sensory effect Effects 0.000 description 7
- 208000025721 COVID-19 Diseases 0.000 description 6
- 239000003570 air Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Substances [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 229910002468 Cr2-xTixO3 Inorganic materials 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 235000013351 cheese Nutrition 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 239000003599 detergent Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 229910052763 palladium Inorganic materials 0.000 description 3
- 239000002304 perfume Substances 0.000 description 3
- 229910052697 platinum Inorganic materials 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- WAKHBSLAUKOVSZ-UHFFFAOYSA-N 1,3,5,7-tetrakis(4-ethynylphenyl)adamantane Chemical compound C1=CC(C#C)=CC=C1C1(CC(C2)(C3)C=4C=CC(=CC=4)C#C)CC2(C=2C=CC(=CC=2)C#C)CC3(C=2C=CC(=CC=2)C#C)C1 WAKHBSLAUKOVSZ-UHFFFAOYSA-N 0.000 description 2
- HNAGHMKIPMKKBB-UHFFFAOYSA-N 1-benzylpyrrolidine-3-carboxamide Chemical compound C1C(C(=O)N)CCN1CC1=CC=CC=C1 HNAGHMKIPMKKBB-UHFFFAOYSA-N 0.000 description 2
- JGUCYLISNORQFW-UHFFFAOYSA-N 1-ethynyl-4-[tris(4-ethynylphenyl)methyl]benzene Chemical compound C1=CC(C#C)=CC=C1C(C=1C=CC(=CC=1)C#C)(C=1C=CC(=CC=1)C#C)C1=CC=C(C#C)C=C1 JGUCYLISNORQFW-UHFFFAOYSA-N 0.000 description 2
- ZTQSAGDEMFDKMZ-UHFFFAOYSA-N Butyraldehyde Chemical compound CCCC=O ZTQSAGDEMFDKMZ-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- OVHDZBAFUMEXCX-UHFFFAOYSA-N benzyl 4-methylbenzenesulfonate Chemical compound C1=CC(C)=CC=C1S(=O)(=O)OCC1=CC=CC=C1 OVHDZBAFUMEXCX-UHFFFAOYSA-N 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- OBNCKNCVKJNDBV-UHFFFAOYSA-N butanoic acid ethyl ester Natural products CCCC(=O)OCC OBNCKNCVKJNDBV-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012937 correction Methods 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
- 238000013079 data visualisation Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 230000002209 hydrophobic effect Effects 0.000 description 2
- 238000004643 material aging Methods 0.000 description 2
- 239000002086 nanomaterial Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- -1 structures Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- SBWXPELEFUNJFA-UHFFFAOYSA-N 1,3,5,7-tetrakis(4-bromophenyl)adamantane Chemical compound C1=CC(Br)=CC=C1C1(CC(C2)(C3)C=4C=CC(Br)=CC=4)CC2(C=2C=CC(Br)=CC=2)CC3(C=2C=CC(Br)=CC=2)C1 SBWXPELEFUNJFA-UHFFFAOYSA-N 0.000 description 1
- 206010006326 Breath odour Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 102100029290 Transthyretin Human genes 0.000 description 1
- 108050000089 Transthyretin Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002041 carbon nanotube Substances 0.000 description 1
- 229910021393 carbon nanotube Inorganic materials 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 229910052982 molybdenum disulfide Inorganic materials 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000002121 nanofiber Substances 0.000 description 1
- 229910000510 noble metal Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011540 sensing material Substances 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
- 230000000930 thermomechanical effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- STCOOQWBFONSKY-UHFFFAOYSA-N tributyl phosphate Chemical compound CCCCOP(=O)(OCCCC)OCCCC STCOOQWBFONSKY-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- HGBOYTHUEUWSSQ-UHFFFAOYSA-N valeric aldehyde Natural products CCCCC=O HGBOYTHUEUWSSQ-UHFFFAOYSA-N 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
公开了一种包括气味的数字化特征的数据库，该数字化特征包括气味数据，该气味数据包括响应信号，该响应信号是对应于产生响应信号的发生器的第一数据和对应于用于生成响应信号的预定刺激的第二数据的函数，其中数字化特征包括二进制数据，其中响应信号是发生器对预定刺激的可测量响应，预定刺激是发生器中电阻或阻抗的电特性变化的函数。其中产生气味相关响应信号的发生器是在具有多个金属氧化物半导体(MOS)传感器像素的传感器阵列中包含MOS活性材料的传感器像素，该MOS传感器像素具有可暴露于气相环境中的分析物的MOS活性材料，并且预定刺激是一系列预定温度。
Description
技术领域
本发明总体上涉及使用金属氧化物半导体(Metal Oxide Semiconductor或MOS)传感器阵列并通过对MOS传感器阵列中的每种金属氧化物活性材料进行温度扫描生成关于在气相环境中的分析物的多维气味信息，更具体地说，它涉及用于从传感器阵列响应信号生成数据库的系统和方法。即，针对数据库结构，生成多维气味信息以进一步用于气味相关应用。
背景技术
本发明上下文中的术语，气味，不同于人类嗅觉闻到的气味。在本发明中，气味是指任何气化或汽化化合物或挥发物，它是那些可以在空气中扩散并可以被生物体或人造传感器感测到的气相分子。这意味着化学分子可以进入气相，然后传感器感测到该化学物的气味，这一现象在本发明中也称嗅感(相应于人类嗅觉)。传感器不一定与气味源直接接触。即使产生气味的源头不与传感器接触，传感器也可以感测到其所产生的分子或气化或汽化物，然后通过跟踪气味梯度(即通过检查信号强度)来定位气味源。通常，气味源越近，信号越强。这种策略被昆虫或动物所使用，因为它们通过气味梯度能找到气味的来源。人工嗅觉系统，有时也称为电子鼻，利用一系列气体传感器来检测物体或组合物发出的气体种类及其浓度。物品的气味(aroma，scent，smell，odor)通常是该物品独有的，并且可用作识别该物品的气味指纹。物品的气味可以包括以独特组合方式混合在一起的各种气体。通过将物品的气味暴露给传感器阵列，则可产生气味数据。如将此类气味数据处理成气味信息后(或称气息)，可用于气味识别、监测、跟踪、发现、映射等各个领域。可以出于多种原因对各种气体、挥发性有机化合物(VOC)和其它可在空气传播的物质进行测试。一个例子是通过对人的呼吸气体分析以进行个性化的健康监测。另一个例子是污染筛查和/或监测。其它示例包括环境普查和/或监测、工业过程监测等。多种传感器可在不同程度上用于此类测试。此类传感器的尺寸、设计、材料和操作可能会有所不同
工业上广泛使用商业人工嗅觉系统来为芳香类产品提供可量化的质量控制参数。例如，工业上可使用人工嗅觉系统来识别一批香水的气味是否与以之前的批次相同，或者奶酪是否老化到适当的程度。对于香水、葡萄酒和奶酪等具有强烈香气的物品，人的鼻子通常不够敏感，无法每天检测到香气中的细微异常。然而，通过使用人工嗅觉系统，可以对这些物品的香气进行量化和科学分析。因此，可以检测到轻微异常并保持更高程度的质量控制。通过人工嗅觉系统识别物品可以有许多应用，然而，这些应用可能需要在几秒钟而不是几分钟的时间范围内完成气味识别，这排除了使用传统的缓慢人工嗅觉系统的可能性。例如，在杂货店，顾客可能会带着苹果来到收银台。苹果没有单独贴上标签，因此收银员很难确定购买的是什么类型的苹果。由于不同种类的苹果价格不同，收银员必须先确定苹果的种类，然后顾客才能为苹果付款。如果可以使用人工嗅觉系统，则可以通过气味来识别苹果。然而，这种人工嗅觉系统必须快速工作并在几秒钟内提供识别。具有快速响应时间的人工嗅觉系统的另一个应用是机场行李检查站。在此类检查站，可以通过气味检查行李件，从而提供检测非法毒品、爆炸物或其它违禁品的手段。在这样的应用中，每件行李的嗅感检查必须在几秒钟内完成。
对于诸如识别、监控等的高效气味应用系统，有两件事很重要。一是具有丰富或精细的气味信息指纹，二是有效的数据组织或结构，以便使用人工智能(AI)技术作为简单和更好的比较方法。
参考专利，美国专利第10,422,771B2号，美国专利第5,675,070A号,美国专利第10,152,116B2号，美国专利第6,895,338B2号，和美国专利第8,726,719B2号,公开了一种用于识别气味或嗅感的系统，然而，其所产生的气味数据并非基于温度扫描。根据上述专利产生的数据不如MOS传感器阵列经温度扫描产生的数据丰富。美国专利US 6,494,077B2公开了关于传感器类型的温度扫描数据。然而，它没有公开任何气味数据库或气味数据模式公式或任何已知气味的标准化数据库，以便将人工智能(AI)或数学方法或模式识别方法用于快速气味识别应用。美国专利US 10,330,624B2公开了关于传感器类型的温度扫描。然而，它没有公开用于各种气味相关应用的气味数据的任何多维气味信息。
用于检测流体，例如烟雾、气体和液体，中的多种分析物的技术和装置是众所周知的。这类装置通常包括传感器阵列，在分析物存在的情况下，这些传感器产生独特的输出特征。使用模式识别算法，可以将输出特征(例如电响应)与特定分析物或物质混合物的已知输出特征相关联并进行比较。通过将未知特征与存储或已知特征进行比较，可以检测、识别和量化分析物。此类检测装置的示例可在如下美国专利中找到：如美国专利第5,571,401号，美国专利第5,675,070号，美国专利第5,697,326号，美国专利第5,788,833号，美国专利第5,807,701号，和美国专利第5,891,398号，但是它们是基于来自每个传感器的气味数据的个别图谱或特征。它们都没有公开用于有效地使用模式识别或机器学习或图像处理或人工智能(AI)或数学方法的数据库的任何结构。
通常，大多数技术依赖于用预定模式识别算法来分析数据以便将已知个体特征与未知个体特征进行比较从而检测和识别未知分析物。然而，这些技术通常很麻烦且耗时，尤其是当数据库对应于大数据时。许多方法还需要高度手动的数据处理技术。此外，每个算法必须经常需要手动输入才能与已知特征一起使用。此外，还有许多必须经常使用的不同类型算法。这些不同的算法通常彼此不兼容，并且不能以无缝且具有高成本效益的方式使用。为了有效地实施嗅感应用，例如气味的识别、监测、发现、跟踪或映射，必须认识到来自每个传感器像素的个体响应信号必须以有效的方式进行组织或格式化以生成气味数据的数据库，从而快速地处理所输入气味数据与存储在中央数据库中的标准气味信息进行比较或找出关联性。
结构化数据是高度组织的并且易于被机器语言理解。它以某种方式组织，因此可以在关系型数据库中轻松搜索。非结构化数据没有预定义的格式或组织，这使得收集、处理和分析变得更加困难。使用结构化数据库，可以相对快速地执行结构化数据的输入、搜索和操作。这是结构化数据最吸引人的特性。结构化数据的常见示例是Excel文件或结构化查询语言(SQL)数据库。SQL，一种结构化查询语言，是一种用于编程的领域特定语言，旨在管理关系型数据库管理系统(RDBMS)中保存的数据，或用于关系型数据流管理系统(RDSMS)中的数据流处理。它在处理结构化数据时特别有用，即包含实体和变量之间关系的数据。与读写应用程序间期(API)(例如索引顺序访问方法(ISAM)或虚拟存储访问方法(VSAM))相比，SQL提供了三个主要优势。首先，它引入了用一个命令访问多个记录的概念。其次，它消除了指定如何到达记录的需要，例如有或没有索引。最后，SQL使用人类可读的语法，使用户无需长期的技术培训即可快速提高工作效率。
金属氧化物半导体(MOS)传感器具温度依赖性。温度扫描是美国专利No.10,330,624B2中最独特的技术部分。做温度扫描的优点是创造了其它传感器系统不存在的另一个维度的信息。MOS传感器阵列通过温度扫描从一个特定像素或MOS创建大量数据。由于在一个传感器阵列中存在有多个MOS像素，因此当传感器使用一次时会产生多个响应信号。使用MOS的其它传感器或其它方法将无法在没有温度扫描、特别是没有精细步进扫描的情况下创建如此丰富的数据。有了来自此类MOS传感器阵列的大量数据，只要有效地构建和组织数据，就可以传感器产生丰富信息。
因此，有需要通过对MOS传感器阵列的每个传感器材料进行温度扫描来产生气味数据从而生成多维气味信息的系统和方法。
发明内容
本公开要解决的一个技术问题是提供一种产生气味数据的系统和方法及其数据库。
根据本公开的第一个方面，提供了一种包括气味数字化特征的数据库，该数字化特征包括气味数据(或气味的感测数据)，该气味数据包括响应信号，该响应信号是对应于产生响应信号的发生器的第一数据和对应于用于产生响应信号的预定刺激的第二数据；其中，数字化特征包括二进制数据；其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
根据本公开的第二个方面，提供了一种数据库，包括气味数据的数字化特征，其中气味数据包括响应信号，该响应信号是对应于产生响应信号的材料类型(发生器)的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生响应信号的条件；和气味数据的索引；其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
根据本公开的第三个方面，提供了一种包括传感器和数据库的系统，该数据库包括气味的数字化特征，该数字化特征包括气味数据，其中该气味数据包括作为对应于产生响应信号的材料(发生器)类型的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件；和气味数据的索引；其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
根据本公开的第四个方面，提供了一种方法，包括创建和使用数据库，该数据库包括气味的数字化特征，该数字化特征包括气味数据，其中气味数据包括响应信号，该响应信号是对应于材料类型(生成器)的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件；和气味数据的索引；其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；并且其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
附图说明
在本公开文本中，附图作为参考材料构成本公开文本的一部分。在附图中，除非上下文另有说明，否则相似的符号通常标志相似的组件。在详细说明、附图中描述的各种实施例是说明性的，而并不是限制性的。在不脱离本文提出的主题精神或范围的情况下，可以使用其它实施例，并且可以做出其它改变。应当理解，如本文一般描述的和附图所示的诸多方面可以以多种不同的配置型式进行布置、替换、组合、分离和设计，所有这些都在本文中被考虑。
图1是根据本发明实施例的MOS传感器像素的示意图。
图2是根据本发明实施例的MOS传感器像素的示意图。
图3是根据本发明实施例的MOS传感器阵列的示意图。
图4是根据本发明实施例的分析物检测系统或传感器单元的示意图。
图5是根据本发明实施例的用于确定气相环境中分析物组成的图式描绘。
图6是根据本发明实施例的用于构建识别气相环境中分析物组成的数据库的图式描绘。
图7是根据本发明实施例的用于识别气相环境中的分析物的方法的描述。
图8是根据本发明实施例的使用多维感测收集气味信息的示例。
图9是根据本发明实施例，将气味信息转换为标准化格式的数字数据的示例。
图10是根据本发明实施例的数据归一化方法。
图11a是包括描述气味数据库中相关术语的图示。
图11b是根据本发明实施例，归一化数据和热图可视化的描绘。
图12是根据本发明实施例，用于构建规范化数据库的示意流程图。
图13是根据本发明实施例，数字化气味的潜在应用示例。
图14是根据本发明实施例，用于识别匹配数据集的示意流程图。
图15是根据本发明实施例，用于识别特定目标气味变化的示意流程图。
图16是根据本发明实施例，用于观察一组未知气味特征变化的示意流程图。
图17是根据本发明实施例，用于识别随着时间的推移或群体之间的共同气味特征的示意流程图。
图18是根据本发明实施例，用于在地理上识别目标气体变化的示意流程图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本申请中提及的所有专利、专利申请出版物和非专利文献均通过引用整体并入。
尽管为了说明的目的，以下详细描述包含许多细节，但本领域普通技术人员将理解，可以对以下细节进行许多变化和改变并且这些变化和改变被认为包括在本文中。
因此，在不丧失对所提出的任何权利要求的一般性且不对其施加限制的情况下阐述以下实施例。还应理解，本文中使用的术语仅用于描述特定实施例的目的，并不旨在进行限制。除非另有定义，本文使用的所有技术和科学术语与本公开文本所属领域的普通技术人员通常理解的含义相同。
如在该书面描述中使用的，除非上下文另有明确规定，所指对象包括单数形式和复数形式。因此，例如，提及“一个传感器”可包括多个这样的传感器。
在本公开文本中，“包含”、“含有”和“具有”等可以有专利法中赋予它们的含义并且可以表示“包括”等，并且通常被解释为开放式术语。术语“由……组成”是封闭术语，仅包括与这些术语一起具体列出的组件、结构、步骤等，以及符合专利法的相关内容。“基本上由……组成”具有专利法通常赋予的含义。特别是，此类术语通常是封闭术语，但允许包含不会对相关物品的基本和新颖特性或功能产生实质性影响的额外物品、材料、组件、步骤或元素。例如，当用“基本上由...组成”的语言时，存在于组合物中但不影响组合物性质或特征的微量元素也是允许的，即使其未在遵循此类术语的物品列表中明确列出。当在本书面说明中使用开放式术语时，如“包括”或“包含”，应理解还应直接支持“基本上由……组成”语言以及“由……组成”语言，就好像明确说明一样，反之亦然。
术语“第一”、“第二”、“第三”、“第四”等，如果有的话，用于区分相似的要素，不一定用于描述特定的顺序或时间顺序。应当理解，如此使用的术语在适当的情况下是可互换的，使得这里描述的实施例，例如，能够以不同于这里所示出或以其它方式描述的那些的顺序运行。类似地，如果一种方法在本文中被描述为包括一系列步骤，如本文呈现的这些步骤的顺序不一定是可以执行这些步骤的唯一顺序，并且某些所述步骤可能被省略和/或某些其它未被描述的步骤可能会被添加到所使用的方法中。
术语“左”、“右”、“前”、“后”、“顶”、“底”、“上”、“下”等，如果有的话,用于描述的目的，不一定用于描述永久的相对位置。应当理解，如此使用的术语在适当的情况下是可互换的，使得这里描述的实施例，例如，能够在不同于这里所示出或以其它方式描述的那些取向的其它取向上运行。短语“在一个实施例中”或“在一个方面”在本文中的出现不一定都指相同的实施例或方面。
如本文所用，术语“分析物(analyte)”是指寻求检测的任何分子、化合物、物质、试剂、材料等。一方面，“分析物”可能能够被MOS传感器检测。在另一方面，“分析物”能够与MOS活性材料反应，从而在MOS活性材料中产生可检测的变化。在某些情况下，“分析物”可能存在于气相环境中。非限制性实例可包括气体、空气中的无机分子、空气中的有机分子、挥发性有机化合物、空气中的颗粒物质、烟雾、气化或汽化的固体或液体等，也包括它们的组合。
如本文所用，“增强的”、“改进的”、“性能增强的”、“升级的”等，当与设备或过程的描述结合使用时，是指与先前已知的设备或过程相比该设备或过程的特性提供可测量的更好形式或功能。这既适用于设备或过程中各个组件的形式和功能，也适用于此类设备或过程的整体。
如本文所用，“耦合”是指一个物品与另一物品之间的电或物理连接或附接的关系，并且包括直接或间接连接或附接的关系。耦合可以适合于任意种类和数量的物品，例如材料、组件、结构、层、装置、物体等。
如本文所用，“直接耦合”是指一个物品与另一物品之间的电或物理连接或附接的关系，其中这些物品具有至少一个直接物理接触或以其它方式彼此接触的点。例如，当一层材料沉积在另一层材料上或靠着另一层材料时，可以说这些层是直接耦合的。
本文中描述为彼此“相邻”的对象或结构可以彼此物理接触、彼此非常接近、或在彼此相同的一个区域或范围中，视情况而定使用哪个术语。
如本文所用，术语“基本上”是指动作、特征、性质、状态、结构、物品或结果的完整或接近完整的程度或进程。例如，“基本上”封闭的对象意味着该对象是完全封闭的或几乎完全封闭的。在某些情况下，与绝对完整性的确切允许偏差程度可能取决于特定上下文。然而，一般而言，接近完成将具有与获得绝对和完全完成相同的总体结果。“基本上”的使用同样适用于在否定含义中，指完全或几乎完全没有动作、特征、属性、状态、结构、物品或结果。例如，“基本上不含”粒子的组合物要么完全没有粒子，要么几乎完全没有粒子，以至于效果与完全没有粒子的效果相同。换句话说，“基本上不含”一种成分或元素的组合物实际上可能仍然包含这样的物品，只要其没有可测量的效果。
如本文所用，术语“约”用于通过设定给定值可以“略高于”或“略低于”端点来为数值范围端点提供灵活性。然而，应当理解，即使在本说明书中结合特定数值使用术语“约”时，也提供对除了“约”术语之外所列举的确切数值的支持。
如本文所使用的，为了方便起见，多个物品、结构元素、组成元素和/或材料可以呈现在通用列表中。然而，这些列表应该被解释为好像列表中的每个成员都被单独标识为单独的和唯一的成员。因此，此类名单中的任何单独成员均不应仅基于它们在共同群体中的出现，且没有相反的迹象，被解释为事实上等同于同一名单中的任何其它成员。
浓度、量和其它数值数据可以在本文中以范围格式表达或呈现。应当理解，这样的范围格式只是为了方便和简洁而使用，因此应该灵活地解释为其不仅包括明确列举为范围限制的数值，而且还包括所有单独的数值或包含在该范围内的子范围，就好像每个数值和子范围都被明确地叙述了一样。作为说明，“约1至约5”的数值范围应被解释为不仅包括明确列举的约1至约5的值，而且还包括所指示范围内的个别值和子范围。因此，该数值范围内包括单个值(例如2、3和4)和子范围(例如1-3、2-4和3-5等，以及单独的1、2、3、4和5。
该相同原理适用于仅列举一个数值作为最小值或最大值的范围。此外，这种解释应适用于所描述的范围或特征的广度。
在整个说明书中对“示例”或“实施例”的引用意味着结合示例描述的特定特征、结构或特性被包括在至少一个实施例中。因此，在本说明书的各个地方出现的短语“在一个实施例子中”不一定都指的是相同的实施例。
如本文所用，“传感器”是一通用术语，它可以是不同类型的传感器并且具有不同的结构。通常，传感器是包括感测单元(例如传感器阵列)和控制电路或电子处理单元(处理器)的装置。传感器阵列是指在单个基板或单个器件中具有不同传感元件或像素的传感单元。传感器像素是指传感器或传感器阵列的元件。由于传感器像素是传感器的基本要素，因此术语“传感器”和“传感器像素”可以互换，其确切含义取决于上下文。
如本文所使用的，“维度”或“向量”是由单独的、不重叠的数据元素组成的数据变量或集合。例如，多维气味数据包括作为一个维度的MOS传感器像素的类型，作为另一个维度的温度，作为另一个维度的MOS传感器像素的响应，作为另一个维度的气味来源，作为另一个维度的气味产生的日期和时间等额外数据元素。“维度”和“向量”二术语在本文可以互换使用。
如本文所用，“多维”或“多向量”不是指几何空间尺度，而是一种虚拟特性，其中使用在物理或化学上不相关的两种或更多种手段进行材料表征。例如，用不同的MOS材料测得的VOC信息被认为是一个维度的；MOS材料在不同温度设置下测得的相同VOC的信息被认为是在另一个维度上。因此，当使用不同的MOS材料以及在不同的温度下获得信息时，相同VOC的信息被认为是二维的。多维气味数据在组织或结构化时形成多维气味信息。
如本文所用，“响应信号”是传感器中的感测元件或MOS像素的可测量响应，包括电特性(电阻或阻抗)的变化。它是一种模拟信号，可以转换和记录为数字形式。响应信号的单位通常是电阻(R)比值。例如，Rg/Ra，其中“R”是MOS活性材料在给定温度下的电阻；“Rg”表示传感器像素暴露于目标气体(如VOC)时的电阻；“Ra”是传感器像素暴露在空气中时的电阻(作为基线信息)。根据MOS材料类型(N型或P型)，也可以使用Ra/Rg。
如本文所用，“发生器”是传感器阵列的传感器像素或暴露于气相环境中的分析物的MOS活性材料，并且其能够产生响应信号。产生响应信号的发生器可以是在具有多个MOS传感器像素的传感器阵列中包含金属氧化物半导体(MOS)活性材料的传感器像素。
如本文所使用的，“预定刺激”是提供给传感器以测量其对应于预设的刺激作出响应时的输入刺激，它可以是一系列的预定温度值。
如本文所用，术语“气味”，“气体”，“气味数据”，“气味信息(气息)”及“嗅感”可有相互重叠的含义，因此它们在适当场合可互换使用。“气味数据”是包括多个MOS传感器像素在多个预定温度下的响应信号的数据阵列(数集)，其中代表多个类型MOS像素的的数值是一个向量而多个预定温度的数值是另一个向量，其中向量被定义为用于在一个维度上存储数值的的数组。
如本文所用，气味的数字化特征包括在传感器阵列中MOS传感器像素在多个预定温度下的不同响应，其可用作“指纹”或数字指纹或数字化特征或图案的类型以选择性地区分出哪些用单个MOS传感器像素的响应特性无法区分或难以区分的分析物。
如本文所用，气味数据库包括多种气味数字化特征并且是关系型数据库。可以在气味数据库上执行各种数据库操作，用户和应用程序通过这些操作可以访问关系型数据库中的数据。
如本文所用，“热图”是一种数据可视化技术，其将事件的大小在几何空间显示为二维颜色，即将决定于两个轴变量的主要变量的值描绘为彩色方块的网格。轴变量被划分为类似在条形图或直方图中的范围，每个单元格的颜色表示在相应单元格范围内主要变量的值。颜色的变化可能因色调或强度而异。热图给出了关于事件如何聚集或随空间变化的明显视觉线索。
本说明书中描述的实施方式和所有功能操作可以在数字电子电路中或在计算机软件、固件或硬件中实施，包括本说明书中公开的结构及其结构等效物，或以一项或多项的组合来得以实现。实施方式可以体现为一个或多个计算机程序产品，即，一个或多个编码在计算机可读介质上的计算机程序指令模块，并使其用于由数据处理装置执行或控制数据处理装置的运行。计算机可读介质可以是机器可读存储设备、机器可读存储基板、存储器设备、影响机器可读传播信号的物质组合物，或者它们中的一个或多个的组合。术语“计算系统”涵盖用于处理数据的所有装置、设备和机器，例如包括可编程处理器、计算机或多个处理器或多个计算机。除了硬件之外，该装置还可以包括为所讨论的计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、或所述之中一个或多个组合的代码。传播信号是人工生成的信号，例如机器生成的电、光或电磁信号，其被生成的目的是对信息进行编码以便传输到合适的接收器。
实际专用控制硬件或软件代码对实施这些系统和/或方法没有限制性。因此，此描述的系统和/或方法的操作和行为没有参考特定软件代码；应当理解，可以设计软件和硬件来实施基于本文描述的系统和/或方法。
“计算机程序”(也称为“程序”、“软件”、“软件应用程序”、“脚本”或“代码”)可以以任何适当形式的编程语言编写，包括编译或解释语言，并且它可以以任何适当形式部署，包括作为独立程序或作为模块、组件、子程序或其它适用于计算环境的单元。一个计算机程序不一定对应于文件系统中的某一文件。程序可以存储在包含其它程序或数据的文件的一部分之中(例如，存储在标记语言文档中的一个或多个脚本)、在专用于相关程序的单个文件之中或多个协调文件之中(例如、存储一个或多个模块、子程序或部分代码的文件)。计算机程序可以在一台计算机或位于一个站点或分布在多个站点并通过通信网络互连的多台计算机上安装并执行。
本说明书中描述的过程和逻辑流程可由一个或多个可编程处理器执行，该处理器执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行其功能。过程和逻辑流程也可以由专用逻辑电路来执行，并且装置也可以实施为专用逻辑电路，非限制性专用逻辑电路示例有，例如，PLC(可编程逻辑控制器)、FPGA(现场可编程门阵列)、ASIC(应用特定集成电路)、特定程序标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
适合于执行计算机程序的处理器包括，例如，通用和专用微处理器，以及任何适当种类的数字计算机的任何一个或多个处理器。通常，处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的元件可以包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括或可操作地耦合以便从一个或多个用于存储数据的大容量存储设备(例如，磁光盘、磁光盘或光盘)接收数据或将数据传输到这些设备或这两者。然而，计算机不一定需要有这样的设备。此外，计算机可以嵌入到另一设备中，例如移动电话、个人数字助理(PDA)、移动音频播放器、全球定位系统(GPS)接收器，仅举几例。适用于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储设备，例如包括半导体存储设备，例如EPROM、EEPROM和闪存设备；磁盘，例如内置硬盘或可移动磁盘；磁光盘；和CD ROM和DVD-ROM磁盘。处理器和存储器可以由专用逻辑电路补充或合并到专用逻辑电路中。
与用户的交互可以在计算机上实施，其具有用于向用户显示信息的显示设备，例如CRT(阴极射线管)或LCD(液晶显示器)监视器，和键盘以及指向设备，例如鼠标或轨迹球，用户可以通过它向计算机提供输入。也可以使用其它类型的设备来提供与用户的交互；例如，提供给用户的反馈可以是任何适当形式的感官反馈，例如视觉反馈、听觉反馈或触觉反馈；来自用户的输入可以以任何适当的形式得到接收，包括声音的、语音的或触觉的输入。
实施方案可以在计算系统中实现，该计算系统包括后端组件，例如，作为数据服务器，或者包括中间件组件，例如，应用服务器，或者包括前端组件，例如，客户端具有图形用户界面或Web浏览器的计算机，用户可通过该界面与实施方案，或一个或多个此类后端、中间组件或前端组件的任何适当组合进行互动。系统的组件可以通过任何适当形式或数字化信息通信的介质(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)，例如互联网。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离并且通常通过通信网络进行交互。客户端和服务器的关系是由在各自的计算机上运行的计算机程序而产生，并且彼此之间具有客户端-服务器关系。
本发明的实施例可以包括或利用包括计算机硬件的专用或通用计算机。本发明范围内的实施例还包括用于承载或存储计算机可执行指令和/或数据结构的物理的及其它的计算机可读介质。这种计算机可读介质可以是可由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是物理存储介质。传送计算机可执行指令的计算机可读介质是传输介质。因此，作为非限制性示例，本发明的实施例可以包括至少两种截然不同的计算机可读介质：计算机可读物理存储介质和传输计算机可读介质。
计算机可读物理存储介质包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储(例如CD、DVD等)、磁盘存储或其它磁存储设备，或任何其它可用于以计算机可执行指令或数据结构的形式存储所需的程序代码装置，并且可由通用或专用计算机访问。
“网络”被定义为一个或多个数据链路，其能够在计算机系统和/或模块和/或其它电子设备之间传输电子数据。当信息通过网络(例如5G网络)或其它通信连接(硬连线、无线、或硬连线与无线的组合)传输或提供到计算机时，计算机会正确地将连接视为传输介质。传输介质可包括网络和/或数据链路，其可用于以计算机可执行指令或数据结构的形式承载数据或所需的程序代码工具，并且其可由通用或专用计算机进行访问。以上的组合也包括在计算机可读介质的范围之内。
此外，在到达各种计算机系统组件时，计算机可执行指令或数据结构形式的程序代码可以从传输计算机可读介质自动转移到计算机可读物理存储介质(或反之亦然)。例如，通过网络或数据链路接收的计算机可执行指令或数据结构可以缓存在网络接口模块(例如，“NIC”)内的RAM中，然后最终传输到计算机系统RAM和/或低易失性计算机系统中的计算机可读物理存储介质。因此，计算机可读物理存储介质可以包括在也(或什至主要是)利用传输介质的计算机系统组件中。
计算机可执行指令包括，例如，使通用计算机、专用计算机或专用处理设备执行特定功能或功能组的指令和数据。计算机可执行指令，例如，可以是二进制、中间格式指令，例如汇编语言，甚至源代码。尽管已经以特定于结构特征和/或方法行为的语言描述了该主题，但是应当理解，所附权利要求中定义的主题不一定限于上述特征或上述行为。相反，所描述的特征和行为被公开为实施权利要求的示例形式。
虽然本说明书包含许多细节，但这些不应该被解释为对本公开文本的范围或可能要求保护的范围的限制，而是对特定实施方式特有的特征的描述。在本说明书中所描述的关于多个单独实施方案所中的某些特征也可以以组合方式在单一实施方案中实现。相反，与单一实施方案相关的各种特征也可以单独地或以任何合适的子组合在多个实施方案中实现。此外，尽管某些特征可能在本文中被描述为在某些组合中起作用并且甚至最初如此要求保护，但在某些情况下，要求保护的组合中的一个或多个特征可以从该组合中去除，并且要求保护的组合可以是子组合或子组合的变体。
类似地，虽然在附图中以特定顺序描绘了操作，但这不应理解为要求以所示出的特定顺序或按某种顺序执行此类操作，或者执行所有所示出的操作，以实现期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。此外，上述实施方式中各个系统组件的分离不应理解为在所有实施方式中都需要这样的分离，应当理解，所描述的程序组件和系统一般可以集成在一个软件产品中或打包成多种软件产品。
尽管在权利要求中叙述和/或在说明书中公开了特征的特定组合，但这些组合并不旨在限制可能的实施方式。其它实施方式在以下权利要求的范围内。例如，权利要求中记载的动作可以以不同的顺序执行并且仍然可达到期望的结果。事实上，许多这些特征可以以权利要求中未具体记载和/或说明书中未公开的方式组合。尽管下面列出的每个从属权利要求可能直接仅依赖于一个权利要求，但可能的实施方式包括每个从属权利要求与权利要求组中所有其它权利要求的组合。
此外，这些方法可以由包括一个或多个处理器的计算机和计算机可读介质诸如计算机存储器的计算机系统来实施。特别地，计算机存储器可以存储计算机可执行指令，当由一个或多个处理器执行时，该指令导致执行各种功能，例如实施例中列举的动作。
下面提供技术实施例的初步概述，然后更详细地描述具体的技术实施例。该初步概述旨在帮助读者更快地理解该技术，但并不旨在确定关键或基本技术特征，也不旨在限制要求保护的主题的范围。
在附图中示出并在以下描述中详述的非限制性实施例更全面地解释本文的实施例及其各种特征和优势细节。
本发明涉及，通过对每种传感器材料进行温度扫描，从金属氧化物半导体(MOS)传感器阵列产生的气味数据生成具计算机可读格式的多维结构化或非结构化气味信息的系统和方法。在本公开文本中，“温度扫描”，“温度的扫描”和“扫描温度”可互换使用，其指在预定的温度范围内把感应器设置在一系列的预定温度值上并分别保持一个预定的时间，以收集相应的反应信号。
了解感测气味或异味的MOS传感器结构及其排列至关重要。MOS传感器阵列包括被称为“像素”的多个感测组件，并且这些像素在二维几何空间上排列为传感器阵列或MOS传感器阵列。MOS传感器阵列可通过添加或删除像素进行展缩。当传感器暴露于挥发性有机化合物(VOC)时，通过温度扫描可从MOS传感器阵列的每个像素的响应中获得在二维几何空间之上另一个维度的数据。生成所有气味数据后，下一个关键问题是如何组织这些生成的数据并利用它们来创建气味信息。数据是包含原始值的多个数字的集合，这些原始值不一定具有任何特定含义。数据是需要处理的无组织的原始事件，如果不经处理，它对人们来说似乎是随机的和无用的。信息依赖于数据，其是一组共同承载着逻辑意义的数据。信息是在给定上下文中呈现的经过处理的、有组织的、对人们有用的数据。数据本身不一定有用，但从数据中创建的信息是有用的。信息是特定于期望和要求的，因为它组织良好，并且在转换过程中删除了所有不相关和不必要的事件。
以下段落解释了MOS传感器阵列的配置和构造以及通过温度扫描产生数据。
气体传感器，包括VOC传感器，可基于多种不同的原理。例如，气体传感器可以采用电化学、光吸收、光电离、酶促反应、金属氧化物电阻变化和其它技术。这些传感器通常难以小型化。例如，电化学传感器采用双层电容，其在小尺度上将占主导地位而产生高背景杂音因而阻碍灵敏度。此外，光学传感器可能需要庞大的组件并且可能具有高功耗要求。独立的小型化MOS气体传感器可能存在一些限制此类体传感器使用的问题。作为一个例子，由于分析物的交叉敏感性，分析物的定量分析(例如，测量浓度)是困难的。虽然对MOS传感器设计的各种修改(例如掺杂)可以减少这些问题，但分析物交叉敏感性和随之而来的选择性缺乏仍然存在。作为另一个例子，改变MOS传感器的工作温度可以为特定分析物提供相对于不同特定分析物的增强的部分选择性。此外，环境条件会影响大多数MOS材料的灵敏度，并可能由于缺乏适当的校准而导致读数错误。这种环境条件的一个非限制性例子是湿度。
本发明方面涉及具有低功耗、高灵敏度的MOS传感器像素阵列的装置和系统，其可以同时且选择性地检测在MOS活性材料传感器像素处的涉及一种或多种分析物和反应物(例如吸附的氧分子)的化学反应。这种反应会导致MOS活性材料的电阻发生变化，从而提供一种或多种分析物的准确浓度。一方面，MOS传感器像素阵列是便携式的并且可用作现场仪器。在另一方面，MOS传感器阵列可用于实验室环境。MOS传感器阵列可以由用于感测的多个组件组成，其中每个组件可以被称为像素或传感器像素。像素或传感器像素可以由同一阵列内的不同MOS活性材料组成。这些各种不同的MOS活性材料可以对特定气体、VOC或一组气体和VOC敏感和/或有选择性。
更具体地，在一个方面，描述了基于MOS的传感器像素的阵列，其是选择性的并且可以对单一或多种分析物有选择性，且还包括在一些方面针对单一和/或多种分析物的浓度测量。在一个方面，MOS像素通过加热元件被加热到一系列不同的预定温度。不同的预定温度可以代表MOS像素在一段时间内被加热到的一个温度范围，并且包括在该时间段内的特定温度值(例如，达到在该范围内的每个特定温度点并使其保持一定的时间)。在某些方面，这可以被描述为精细温度扫描。然后通过电极检测响应信号。可以在每个预定温度点或温度范围内的其它确定的温度增量处检测到不同的响应信号，然后将响应信号组合成样本数据。例如，一个数据集可以包括超过5个数据点或超过10个数据点。在一个示例中，数据集可以包括2到400个数据点。在一方面，样本数据集可以通过以具有至少一个峰形的图形方式呈现或潜在地(虚拟地)呈现。这可以称为图形频谱(图谱)。在一个实施例中，数据点可以作为温度的函数绘制在图谱中，通过将数据点从温度范围的一端连接到另一端形成图谱或曲线。应当理解，样本数据不限于图谱或具有峰形线谱，并且可以是用于提取特征用于机器学习和识别分析物的数据集。然后将样品数据与标准数据库中的标准数据进行比较以识别分析物。比较可以包括图形比较、数学解卷积、统计分析等。
样本数据也可以从来自多个相同的传感器像素的数据组装而成，每个传感器像素可在不同的温度范围下运行，其中不同的温度范围可以彼此连续。例如，第一温度范围可以是200℃-300℃，其用于MOS传感器的第一MOS传感器像素运行，并且其中第二温度范围是300℃-400℃，其中来自同一MOS传感器的第二个MOS传感器像素与第一个MOS传感器像素同时工作。由在不同温度范围内同时运行的第一和第二传感器像素生成的此类样本数据的收集方法可以缩短检测时间。样品数据也可用于确定分析物的浓度。一方面，图谱中的峰形用于识别分析物。例如，每个独特的分析物在数据图谱中可能具有不同的峰形。
尽管精细步进温度扫描(Fine-Step-Temperature-Sweeping or FSTS)可以潜在地生成有助于区别VOC成分的信息，但它需要较长的响应时间，这对于移动式应用来说是不理想的。为了在保留VOC识别能力的同时减少响应时间，可以通过冗余传感器像素进行子范围精细步进温度扫描(FSTS)后实现温度依赖电阻谱(Temperature-Dependent ResistanceSpectrum or TDRS)重建的概念。
像素校准：在用于TDRS重建之前，冗余像素将被检查并校准其基线。理想情况下，每个冗余像素都用于全范围FSTS，并比较它们的TDRS。如果它们为给定的VOC生成相同的TDRS，则可以在调整其基线后使用这些像素。那些给出不同特征的冗余像素应该被视为异常像素而不被使用。
子范围FSTS测试：传感器阵列中相同MOS的多个像素将用于执行子范围FSTS。例如，当使用4个相同像素时，每个像素覆盖50℃的范围，只需要大约25秒就可以收集到与1个像素用100秒所收集的信息一样多的信息。当使用8个像素时，扫描时间可以减少到12.5秒。当使用超过10个像素时，响应时间可能会减少到<10秒。
TDRS重建验证：预计重建的TDRS与来自全范围FSTS的TDRS相当。但是，如果需要对MOS像素进行预处理并且其响应取决于温度，则无法进行重建。例如，如果像素所经历的较低温度会影响同一像素在较高温度下的性能，反之亦然(温度调节效应)，则无法可靠地重建TDRS。消除温度调节效应的可能性对于基于MOS技术的移动VOC传感至关重要。这些步骤旨在降低在分析VOC和缩短响应时间方面可能带来的风险。
此外，不同的MOS活性材料可以对不同的分析物有不同的敏感性，以及对相同的分析物具有不同的敏感性，因此可以用于产生特定的分析物选择性。因此，通过利用单独的MOS传感器像素加热方式、不同的MOS活性材料和/或用于调谐单独的MOS传感器像素的其它技术，可以设计和取得对一种或多种分析物具有高选择性的传感器阵列。一方面，相对于同一阵列内的其它像素，不同的像素或像素的不同部分可以同时被加热到不同的温度或者不同的温度范围。或者，可将阵列中的所有像素同时加热至相同温度或相同温度范围。不同的像素可以由相同的MOS活性材料组成，但同时加热到不同的温度，以便以更有效的方式检测来自分析物的响应信号。在一方面，响应信号是基于MOS活性材料(即，感测层)与分析物相互作用而产生的电阻变化。一旦与分析物接触，MOS膜的电阻变化就可以被检测到。
在本发明中已经考虑到在实施本发明的各种实施例时可利用各种MOS传感器设计，并且此类传感器设计可根据各种因素而变化，包括设计者或给定感测装置的用户的偏好。因此，本公开文本的范围不限于任何特定的MOS传感器设计。
通常，MOS传感器阵列可以包括MOS活性材料或感测材料和加热元件以将MOS活性材料加热到执行分析物检测的温度或温度范围。各种额外组件也可以包括在MOS传感器中，例如温度传感器、环境传感器、电极、读出电路等。在给定的传感器阵列中所有MOS传感器像素可以具有相同的设计并具有相同的传感器组件，或者在传感器阵列中可以具有不同的MOS传感器设计和/或不同的组件。
图1示出了MOS传感器像素的一个非限制性示例。传感器像素可以包括MOS活性材料102，其可被暴露于待测试的气体样本中。注意，MOS活性材料102在图1和图2中被示为透明层，以允许更清楚地显示底层结构。加热元件104热耦合到MOS活性材料102，并且使其处于可以促进MOS活性材料加热的位置。在一些实施例中，加热元件可以被具体地配置为适当的几何形状以降低或减小功率消耗、降低或减小热耗散、或提供均匀加热。在一些实施例中，可以用加热元件的单一几何形状或构造去获得不止一个这样的优点。该装置还可包括一个或多个电极106以提供进一步的功能。例如，一方面，电极106可以接收和传输在MOS活性材料中产生的信号。在某些情况下，MOS活性材料和分析物之间的反应会导致电阻变化，该变化可以通过电极而被检测到。除了与分析物相关的信号(包括指示不存在分析物的信号)之外，电极还可以接收和传输与分析物浓度、分析物浓度随时间的波动以及来自与装置的其它组件或模块有关的信号。在一些实施例中，可以专门选择电极的几何形状或配置，以取得对MOS电阻变化灵敏度的增加或最大化，和/或切合与读出电路兼容的电阻范围。
一方面，MOS传感器的活性区，包括传感器像素、MOS材料、电极等，设计在悬浮膜上，悬浮膜用于减少散热和功耗。这对于实现MOS传感器的便携式或可穿戴应用特别有用。一方面，悬浮膜设计得尽可能薄。一方面，MOS传感器的功耗降低到低于一瓦(W)。一方面，MOS传感器的功耗降低到低于1μW。
图2示出了MOS传感器像素的另一个非限制性示例，其包括可以暴露于待测试样品中的MOS活性材料202和热耦合到MOS活性材料202并可促进MOS活性材料加热的加热元件204。该装置包括一个或多个电极206，以及热耦合到MOS活性材料202的温度传感器208。温度传感器因此可以检测和/或监测MOS活性材料的温度。在某些情况下，温度传感器可以检测并报告由加热元件产生的加热条件，以便可以针对给定应用控制、调整或以其它方式优化MOS的加热。例如，如果局部温度因热疲劳或非均匀耗散机制(存在对流和/或辐射)而漂移，则MOS活性材料的均匀加热将受到影响，从而破坏精确和可重复的温度。通过读取MOS活性材料的温度并能够对其进行精确控制，可以更准确地确定传感器的检测灵敏度，特别是对于对特定分析物或分析物组具有温度依赖型选择性的传感器。温度传感器可以通过一个或多个专用电通道或通过共享电通道(例如选择性电极或其它电学上有用的连接)向传感器传输信号和从传感器接收信号。
在另一方面，多个MOS传感器或传感器像素被包括在传感器阵列中以提供对一个或多个分析物或分析物组的选择性。此外，这样的阵列可以提供对由相关或不相关分析物组成的混合物的复杂样品的有效识别和量化。对于具有三个或更多像素的阵列，MOS传感器像素排列可以是线性或几何二维阵列格式。给定阵列可包括至少两个MOS传感器像素，其中与阵列中的其它MOS传感器像素相比，这些MOS传感器像素具有相同、相似或不同的分析物选择性。一方面，MOS传感器像素阵列可以选择性地检测至少两种分析物。在某些情况下，阵列中的每个MOS传感器像素可以对相同或不同的分析物具有选择性。在其它情况下，阵列中的一个或多个MOS传感器像素可以对单个给定分析物或多种分析物具有选择性。作为一个示例，阵列中一半的MOS传感器像素可以对一种分析物具有选择性，而另一半MOS传感器像素可以对另一种分析物具有选择性。在另一个示例中，多组MOS传感器像素可以包括在阵列中，其中每组对不同的分析物或分析物组具有选择性。
此外，在某些情况下，MOS传感器阵列的单个像素可能对特定的一种或多种分析物没有选择性，并且阵列的分析物选择性是由阵列整体产生的部分或累积响应模式的结果。换言之，多个MOS传感器像素可用作一个集合体以产生对分析物的选择性。在一些实施例中，阵列中的单个MOS传感器像素没有足够的选择性来单独区分多种分析物。在另外的实施例中，MOS传感器像素可以对样品中的分析物具有不同的响应特性。阵列中MOS传感器像素的不同响应可用作一种“指纹”或数字指纹或数字化特征或图案，以选择性地区分通过单个MOS传感器像素独自使用时产生的响应特性所无法区分或难以区分的分析物。一旦建立了分析物或分析物混合物的模式(例如数据峰模式)，可以将阵列对样品的响应与该模式进行比较以确定是否存在分析物或分析物混合物。这种模式识别过程可用于选择性区分样品中的单个分析物、少数分析物以及分析物的复杂混合物。虽然一种或多种分析物的检测可能取决于将已知响应模式或峰形与阵列的响应进行匹配比较，但在某些情况下，可以采用统计或其它模式识别技术来选择性地检测响应模式所针对的一种或多种没有已知响应匹配的分析物。例如，样品中分析物的混合物的特性可以从阵列对其它分析物或分析物混合物的已知响应模式外推而得。
使用气味指纹、峰形或图案来选择性区分分析物的技术可依赖于一个或多个离散的温度测量。在一方面，在温度范围内的多个离散温度测量可以产生具有图谱特征的响应信号。例如，使用MOS传感器像素对分析物进行精细温度扫描可以提供这样的响应信号和相关数据。可以在预定温度下执行这种温度扫描。例如，在预定的扫描温度范围内，其中给定的MOS传感器像素被加热元件加热到第一温度一段时间，然后被加热到第二温度一段时间。第一和第二温度之间的差异可以称为温度间隔、间距、增量或分辨率。示例性温度间隔可以是0.5℃、1℃、5℃、10℃或20℃或任何其它间隔。随着温度间隔距离更近，结果数据变得更加精准(不一定更敏感，但更具信息性或选择性)。在一个实施例中，MOS传感器像素可以一个温度间隔扫描整个温度范围并采样数据。扫描通过的温度范围可以是任何温度范围并且可以取决于传感器设计所针对的分析物的类型。在一个实施例中，多个相同的MOS传感器像素可以分别扫描多个温度范围以取得采样数据，这种扫描方式可以共同地扫描整个温度范围，从而由所得类似图谱的特征一起组合成采样数据。这是为了减少检测时间。在一个实施例中，传感器阵列可以经编程以改变要扫描的温度范围并且还可以改变在每个温度点的采样时间，并且还可以改变温度间隔或分辨率。一方面，MOS传感器阵列可以扫描200℃至400℃的温度范围。一方面，温度范围可能不超过大多数将VOC变成CO2的上限温度。例如，MOS传感器可能无法扫描高于500℃或600℃的温度。一方面，在MOS传感器已识别一种分析物后并且已确定对此类分析物的采样完成后，MOS传感器像素可经历清洁循环以清洁MOS传感器像素，从而使其准备好暴露于不同的分析物。例如，清洁周期可以是将MOS传感器像素加热到高温，例如超过400℃或500℃的温度。
一方面，加热元件将MOS活性材料加热到一系列预定温度。预定温度的序列可以是在由相等或变化的温度间隔分开的温度范围内的一系列温度。例如，温度范围可以是200℃-400℃，间隔为5℃，这样预定的温度序列是200℃、205℃、210℃、215℃、220℃一直到400℃。在一方面，加热元件仅需要几毫秒才能将MOS传感器像素加热到预定温度。然而，MOS传感器在预定温度下可能需要几秒钟来产生响应信号。因此，加热元件可以将MOS传感器像素加热到预定温度并维持一个预定的时间段，例如2-5秒。该预定时间段可以允许分析物与MOS活性材料相互作用。
此外，可以在具有分析物选择性MOS传感器像素的阵列中利用模式识别过程。在一些情况下，例如，阵列的一部分可以包括分析物选择性MOS传感器，而另一部分可以包括利用模式识别进行分析物检测的分析物非选择性MOS传感器像素。
另外，在一些情况下，模式识别过程可应用于分析物选择性MOS传感器像素的响应模式以检测未知分析物、分析物混合物或分析物混合物的浓度。
MOS传感器像素阵列的一个非限制性示例在图3中示出。在图3中，16个MOS传感器像素302在支撑基板304上排列成四乘四的网格。要注意，图中没有示出到和来自MOS传感器像素的连接。虽然对阵列中包括的MOS传感器像素的数量没有限制，但在一些方面，阵列可以包括至少四个MOS传感器像素。在其它方面，阵列可以包括至少16个MOS传感器像素。在其它方面，阵列可以包括至少24个MOS传感器像素。在进一步的方面，该阵列可以包括至少64个MOS传感器像素。在又一些方面，该阵列可以包括至少256个MOS传感器像素。然而，该阵列可以是包括任意数量的奇数或偶数像素的任意格式。一方面，阵列中的传感器像素彼此一起制造。应当理解，阵列内传感器的像素可以各自由相同的MOS活性材料或不同的材料构成。例如，传感器像素的一部分可以由第一MOS活性材料构成并且传感器像素的不同部分可以由第二MOS活性材料构成。
阵列中的每个MOS传感器像素可以包括MOS活性材料和加热元件，加热元件在位置和取向上热耦合到MOS活性材料以促进MOS活性材料的加热。阵列中可以另外包括一个或多个温度传感器。如上所述，可以将温度传感器集成到每个MOS传感器像素中，或者可以在阵列层次并入温度传感器，以感测和监控多个MOS传感器像素区域的温度。阵列中的MOS传感器像素可以间隔足够远，使得给定的MOS传感器像素不会交叉加热不同的MOS传感器像素。一方面，传感器像素阵列中的每个MOS传感器像素被单独控制并加热到预定温度。
如已经描述的，阵列可以包括分析物选择性MOS传感器像素、分析物非特异性MOS传感器像素或其组合，其中包括对相同或不同分析物具有选择性的特定分析物选择性MOS传感器像素的组合。在分析物选择性MOS传感器像素的情况下，可以利用各种潜在机制来在传感器中产生这种选择性。应注意，任何能够调整MOS传感器以增加其对给定分析物或多个分析物的响应选择性的机制、特征或特性都被认为在本发明范围内。另外要注意的是，单个MOS传感器像素的选择性可以包括对分析物存在的明确测定，以及有统计显著性的确定。此外，还可以基于装置的预期用途来定义选择性。例如，MOS传感器像素可以归类至并选择性地调谐到一个分析物，即使可能存在对另一种分析物的交叉选择性，该分析物不太可能存在于样品中或已知存在于样品中。例如，对感兴趣的分析物和氮气具有交叉选择性的MOS传感器像素可以归类为对该分析物具有选择性，条件是在测试空气样本时对可检测的分析物的响应高于对氮气的响应。
分析物选择性可以通过多种机制来实现。一方面，通过使用MOS传感器像素间隔地扫描温度范围来实现分析物选择性。此外，施加到MOS活性材料的涂层可以充当过滤器以改变传感器的选择性，例如多孔聚合物涂层。另外，在一些实施例中，过滤器不必是MOS活性材料上的涂层，而可以是仅以允许执行其期望功能并具有期望效果的方式或以其它方式与MOS活性材料相耦合或相关联的过滤器。例如，可以通过改变不同分析物到达MOS活性材料的时间来进行过滤。为此有多种方法：1、过滤：疏水性多孔材料，允许疏水性或非极性气体分子通过。另一方面，这种材料可以防止水分子(极性)到达活性材料。2、多孔材料在常温下可以吸附气体分子，是一种浓缩气体分子的手段，在温度升高时，气体分子被解吸并到达传感器的MOS活性材料，从而实现选择性和更灵敏的检测。3、不同气体的时间延迟或时间分辨可以通过使用长通结构来实现，该结构由可以与气体分子相互作用但不发生反应的材料组成。当不同气体分子的混合物通过该通道结构时，可以将不同类型的气体分子分离并随后选择性地检测。在一些实例中，多孔聚合物可包括但不限于具有四面体的单体的多孔聚合物网络，例如四(4-乙炔基苯基)甲烷(TEPM)、四(4-乙炔基苯基)金刚烷(TEPA)和四(4-溴苯基)金刚烷TBPA。在一些实施例中也可以使用聚四氟乙烯(PTFE)。另外的例子包括基于纳米纤维的过滤介质，例如具有约10nm至约1000nm直径的纤维的集合。只要不妨碍传感器装置的预期功能，几乎可以使用任何其它膜、树脂或过滤器结构或材料。在另一实施例中，与MOS活性材料相关联或在MOS活性材料内的一种或多种催化剂可用于改变分析物选择性。
除了改变活性材料本身之外，还可以通过调节施加到活性材料的加热程度来调整MOS传感器像素以对分析物具有选择性。这种差异加热(即多路加热)可以是设计到每个MOS传感器像素中的特性，也可以是阵列级别的温度调节机制。阵列中的所有像素都可以单独电子寻址。经调谐以将活性材料加热到分析物特定的温度范围的MOS传感器像素可以包括能够实现这种调谐的任何设计元素。非限制性示例可包括改变加热元件材料、限制加热元件的电流、改变加热元件和MOS活性材料之间的材料层厚度、位于加热元件和MOS活性材料之间的额外材料、等等，包括它们的组合。
MOS活性材料通常可以包括能够用于传感器中以检测分析物的任何MOS材料。此类材料的非限制性示例可包括SnO2、V2O5、WO3、Cr2-xTixO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、GeO2O3、ITO等，包括它们的组合和它们的各种化学计量比。如上所述，MOS活性材料的厚度可以根据MOS传感器设计和传感器的调谐而变化。通常，MOS活性材料的厚度应该在MOS功函数(work-function)变化的深度范围内，但也可以更厚。
另外，可以掺杂MOS活性材料，以影响分析物选择性或用于传感器的其它功能。任何在MOS传感器的构造或使用中有用的掺杂剂都可以用来掺杂活性材料。非限制性实例可包括Pt、Pd、W、Au、In、Ru、B等，包括它们的组合。在一些情况下，掺杂剂可以包括任何有用的催化剂。在其它情况下，掺杂剂可包括贵金属。注意到，除了增加选择性之外，可以掺杂MOS活性材料以降低对一种或多种分析物的选择性。在本发明中，MOS活性材料可以是掺杂的MOS或未掺杂的MOS。
MOS传感器的加热元件可以包括能够选择性地向MOS活性材料提供热量的任何类型的发热部件或结构。在一方面，加热元件可以是电阻加热元件，其包括任何类型的导线或可以通过施加电压使局部加热的其它结构。加热元件由此可以将MOS活性材料加热到执行分析物检测的期望温度。取决于所使用的MOS材料和被检测的分析物，非限制性工作温度范围通常可以是从大约20℃到大约600℃。加热元件的厚度、材料和/或结构配置可以变化，这取决于传感器的设计和要实现的所需分析物选择性。在一些方面，热元件材料可包括掺杂剂以影响材料的加热特性。
温度传感器可以包括允许感测和/或监测温度的任何材料或结构配置。在一个特定方面，例如，温度传感器可以是电阻随温度变化而变化的导线，从而允许精确的温度监测。在一些方面，加热元件和温度传感器可以通过绝缘层与MOS活性区隔离。绝缘层的厚度可以变化以进一步影响MOS活性材料的加热。
另外，在一些情况下，反馈元件可以耦合到加热元件和温度传感器以调节加热元件的加热。反馈元件可以是能够将加热元件的温度调节到设定点或设定范围的电子元件或电路。目前，通过测量铂(Pt)加热元件的电阻变化来检查温度，换句话说，它既是加热器又是热敏电阻。铂金非常稳定，其电阻随温度升高而变化。因此，它可以用作加热器和热敏电阻，这两种功能可以组合在单个元件或装置中。可以通过在不同的占空比下向加热器施加不同的电压或相同的电压来实现不同的温度。可以通过检查其电阻来监控其温度。所有这些都可以通过电子线路板来实现。
电极材料可以包括能够检测MOS活性材料处的电阻变化或其它反应并且从MOS传感器像素传输指示电阻变化的信号的任何材料。电极可以直接或间接地连接到MOS活性材料，并且可以包括用于检测和传输信号的相同或不同的材料。在一个非限制性示例中，电极可以呈叉指布置，与图1和图2中所示的相同或相似。
根据本公开文本的多方面描述，传感器像素阵列的灵敏度可以受到多种因素的影响。除了温度传感器之外，MOS传感器像素阵列还可以包括各种传感器以监控和/或观察这些因素。此类因素的非限制性示例可包括由于温度、湿度、老化、非特异性吸附、流速变化、热机械降解、中毒等引起的传感器效应，这些因素中的每一个都可导致分析物的错误检测。监测这些因素中的一个或多个的传感器可用于为MOS传感器阵列提供校准、指示设备所需的服务、指示分析物测试的不适当环境等。此类传感器可以集成在MOS传感器级别或阵列级别，具体取决于MOS传感器装置的设计。此外，此类传感器可以是集成在印刷电路板(PCB)级别或其它系统级别的外部组件。
另外，一个或多个环境传感器可以并入MOS传感器阵列或与阵列接口的MOS传感器装置中。环境传感器因此可以检测至少一种环境条件。尽管考虑了任何有用的环境条件，但在一方面，环境传感器可以是湿度传感器。湿度会影响阵列的传感器读数，因此，可以利用湿度传感器将阵列校准到给定的湿度水平。因此，可以调整具有可影响分析物检测和/或分析物浓度的环境中湿度水平的读数以进行补偿，从而与未调整的读数相比提供更准确的分析物分析。环境传感器可以集成在MOS传感器级别或阵列级别，具体取决于MOS传感器装置的设计或阵列外部结构。
图4示出可运行的以检测多种分析物的分析物检测系统。这样的系统可以包括专用集成电路(ASIC)402、功能上耦合到ASIC 402的MOS传感器阵列404、以及功能上耦合到ASIC和传感器阵列的I/O模块406，其作用是至少提供它们之间的控制和数据通信。一方面，ASIC和MOS传感器像素阵列可以单片集成。另一方面，ASIC和MOS传感器像素阵列可以分开形成并耦合在一起。I/O模块可以是任何通信网络、通信组件、通路或连接，包括但不限于I/O总线或其它电路。该系统可以由彼此分离的部件组成，或者可以是其中所有部件都容纳在相同外壳或壳状结构中的装置。
给定的分析物检测系统可以另外包括加热控制模块408，其可以在功能上耦合到I/O模块406，并且可以运行以控制MOS传感器像素阵列404中的多个加热元件的加热。加热控制模块可以被称为温度控制器并且能够控制加热元件以将相同阵列内的不同MOS传感器像素同时加热到不同温度。另外，加热控制模块可以与温度传感器功能性地耦合，并且可以基于温度传感器读数来监测和/或控制加热元件的输出。
另外，可以包括各种模块以寻址和读出来自阵列的信号。例如，读出模块410可以在功能上耦合到I/O模块406，并且可以运行以从MOS传感器像素阵列404中的多个MOS传感器像素读出数据。一方面，读出模块410是显示分析物的特性和浓度的显示器。地址模块412可以在功能上耦合到I/O模块406，并且可以运行以与MOS传感器阵列通信。给定阵列的设计以及寻址和读出模块的设计和/或功能可以不同。例如，ASIC 402可以是CMOS ASIC，因此寻址和读出模块可以基于CMOS流程。在其它示例中，读出的方式可以是类似于电荷耦合器件(CCD)读出、PCB级读出或任何数量的其它ASIC或非ASIC读出和寻址方案。
MOS传感器像素阵列系统还可以包括各种数据处理和存储器模块。例如，该系统可以包括一个或多个数据或信号处理模块414，其在功能上耦合到I/O模块406。这样的处理模块可以包括处理器并且可以运行以完成各种任务，包括但不限于温度扫描、比较有至少一个峰形的图谱样品数据、模式识别、模式外推、浓度或其它定量分析、定性分析，例如对分析物检测和/或分析物混合物检测、环境分析、系统状态分析，以及类似操作。需要注意的是，各种功能可以合并到专用模块中，例如环境分析模块。数据处理模块可以额外地对从读出模块接收的数据执行信号处理功能，例如信号放大和/或滤波。可以使用通用或专用电路和/或处理器来实现给定的处理模块功能。例如，可以使用具有浓度分析的通用电路来完成模式识别，或者这两个过程可以使用不同的电路。可以另外包括一个或多个非易失性存储器模块416以存储各种数据，包括库、标准数据库、可用于补偿环境因素、材料老化等的校准信息、模式识别数据以及类似操作。对系统控制、数据处理和/或数据分析有用的各种算法也可以驻留在存储器模块中。非限制性示例可包括矩阵变换、遗传算法、成分校正和主分量分析、基于正交信号校正的方法等。
MOS传感器像素阵列系统还可以包括一个或多个在功能上耦合到I/O模块406的控制模块418。控制模块可以运行以控制诸如加热模块、读出模块等的系统级操作。控制模块还可以运行以控制阵列或MOS传感器级别的功能，例如监控温度传感器和控制加热元件。在这种情况下，加热控制模块包含在控制模块的功能中。此外，控制模块418可以接受输入和/或编程，从而允许用户与系统交互。
因此，在一个示例中，用MOS传感器像素阵列检测并用ASIC或其它读出平台读出信号，然后识别生成信号的各种分析物的身份，每种分析物的浓度由系统在传感器阵列的使用寿命期间以高可靠性确定，而不受环境条件和材料老化或退化的影响。本系统还可包括电源(未示出)。
本公开文本的MOS器件和传感器阵列可以根据任何技术或方法制造。例如，可以使用诸如微机械加工、微机电系统(MEMS)和微电子技术、印刷技术、化学合成等技术，包括这些技术中的一些或全部的组合来制造这样的阵列。此外，在使用ASIC的情况下，要么通过直接在ASIC基板上对阵列进行单片后处理，要么通过单独制造阵列并使用引线键合或硅通孔(TSV)以混合方式进行。在某些情况下，ASIC可以提供多路加热和感测(MOS电阻变化和局部温度)、信号放大、模数转换和带有基于地址的数据的数字输出。它还可以包括用于信号处理、模式识别和校准数据的可编程和存储模块，用于温度和环境影响补偿。
至于具体细节，MOS传感器阵列的微制造可以根据任何数量的众所周知的制造技术来执行，并且本领域的普通技术人员一旦拥有了这些技术，他们就能够容易地制造这样的阵列。
图5描绘了暴露于不同MOS活性材料的几种不同类型的分析物的样本数据(图500)。图500描绘了四种不同的MOS活性材料，包括氧化铟(III)(In2O3),二氧化锡(SnO2),氧化锌(ZnO),和氧化钨(VI)(WO3)。四种MOS活性材料中的每一种都包含在MOS传感器中并暴露于七种分析物。然后控制每种MOS活性材料使其在200℃-400℃之间的范围内进行温度扫描以生成响应信号。然后将响应信号组合成图500中显示的样本数据。图500的x轴代表温度，y轴代表响应强度，即测量读数(像素中传感元件的电阻)与它的基线的比率。响应信号的单位是电阻(R)比。请注意，响应强度可以以不同方式呈现。可以看出，七种不同的分析物各自与四种不同的MOS活性材料发生不同的反应。例如，与ZnO MOS活性材料的反应并不剧烈，并且所得的七种不同分析物的样品数据图彼此并没有太大差异。相反，分析物与SnO2MOS活性材料的反应产生了一张样品数据图，其中不同分析物的显示图形截然不同。因此，可以推断，与ZnO相比，对于这些分析物，SnO2是更好的MOS活性材料。SnO2材料的七种不同分析物的样品数据图已被标记以识别每种分析物。例如，SnO2材料的样本数据包括咖啡502、茶504、香蕉506、橙子508、梨510、苹果512和水514。这些样本数据图中的每一个都显示了类似图谱的行为，其中每个分析物的样本数据在整个温度范围内具有至少一个峰形和/或整体曲线。每个独特的分析物的峰形或曲线都是独一无二的。因此，可以建立数据库或标准数据库来识别分析物。标准数据库可以存储在与MOS传感器相关联的存储器中，或者远程存储器中，例如在云端中，并由与MOS传感器相关联的组件访问。在实践中，MOS传感器像素可暴露于分析物中，然后MOS传感器像素扫描一系列预定温度以生成响应信号。然后将响应信号组合成样品数据，例如图500中所描绘的。然后将样品数据与标准数据库进行比较以确定分析物的身份和浓度。
在一些实施例中，可以结合在相同或不同温度范围内由一种或多种其它MOS活性材料生的峰形或曲线来考虑每个特定MOS活性材料的峰形或曲线。这种组合可以生成总体特征或曲线，其可以与标准数据库中的相同组合进行比较的。在一些实施例中，这样的处理可以提供更高的分析准确度、灵敏度或复杂度。
图6描绘了暴露于不同MOS活性材料、具有不同浓度的两种已知VOC的样本数据(图600)。图600描绘了使用MOS传感器、传感器像素和本发明描述的方法收集已知VOC样本数据，并构建数据库或标准数据库，然后使用该数据库或标准数据库识别已知或未知样本中的相应分析物。图600的上部四幅图描绘了使用四种不同MOS活性材料收集的VOC乙醛的样品数据，而底部四幅图描绘了VOC乙醇的样品数据。用于测试乙醛和乙醇的四种MOS活性材料是In2O3,SnO2,ZnO,和WO3。这四种MOS活性材料中的每一种都被结合到MOS传感器中，然后暴露在不同浓度的乙醛和乙醇中。例如，左上角的图显示了样本数据的六个类似图谱的测量结果。六个类似图谱中的每一个分别代表暴露于In2O3 MOS活性材料的不同浓度的乙醛。因为这些数据用于构建库，所以VOC的身份是已知的，并且在实验之前每个浓度都是已知的。具有MOS活性材料的传感器像素均暴露于几种不同浓度的相同的已知VOC。对于每次曝露，传感器以5℃的间隔扫描200℃-400℃的温度范围，每次2秒。然后将测量的响应信号组合成图600中显示的样本数据。响应信号的单位是电阻(R)比。在八幅图中的每幅图中，右下角的箭头表示浓度增加及其测量值。这些浓度测量值也被添加到标准数据库中，以在测试未知样品时确定未知分析物的浓度。可以看出，八幅图中的每幅图中的样本数据都显示出类似图谱曲线，其中每种VOC的样本数据至少有一个峰形和/或总体曲线。在每个温度范围内，相对每种活性MOS材料每个独特VOC的峰形曲线都是独一无二的。
对于给定的一对MOS和气体或VOC，响应也是特定于温度的。可以根据图500中的峰值和给定所用MOS的一组气体或VOC的分子结构来构建库或数据库。此外，在多种气体或VOC的情况下，当前用于信号处理和色谱分析的数学模型可用于对测量样品的数据进行解卷积，而气体或VOC种类的身份以及它们各自的浓度可以根据数据库确定。这种解卷积将用于逆转来自多种气体或VOC的记录数据f的卷积效应。通常，这可以通过找到卷积方程(如方程1)的解来实现：
(f×g)+e＝h
其中e是从所记录的信号发出的噪声。解卷积通常通过计算记录信号h的傅立叶变换和传递函数g来实现。
如图7所示，本公开文本另外提供用于识别气相环境中的分析物的示例性方法700。如框702所示,这种方法可以包括将具有MOS活性材料的MOS传感器像素暴露于气相环境中的分析物。如框704所示，该方法还包括通过加热元件将MOS传感器像素加热到一系列不同的预定温度，其中在每一个不同的预定温度中停留一段时间。如框706所示，该方法进一步包括通过电极检测由MOS传感器像素在不同的预定温度下产生的响应信号。如框708所示，该方法进一步包括，将响应信号组装成具有用于机器学习的数字化特征的样本数据。如框710所示，该方法进一步包括将样本数据与标准数据库中的数据进行比较。如框712所示，该方法进一步包括基于数字化特征识别分析物的组成。
有了上面生成的气味数据，下一问题是如何从原始数据创建气味信息，如何创建有组织和结构化或非结构化的数据库，以及确定必须包括哪些数据和以什么格式来创建有用的气味信息。
MOS传感器，就如任何传感器，其本身直接创建数据，而信息必须通过人工干预来创建，即以有目的明确方式构造和组织数据和引入其它附属信息并使其与原始数据相关联。为了创建全面且有意义的气味信息，考虑两件事至关重要。首先，由气味数据组织为数据库的结构，其次，如何在数据库中包含所有必要的关联数据，即嗅感条件数据，例如地理位置、时间、气味来源，最好是在同一时刻同时收集这些数据以创建更全面的气味信息。真正的关键要素是如何从与特定气体相关的数据库中的所有数据和不同数据类型形成有用的信息。
数据类型是数据的最基本和最常见的分类。正是通过这种方式，编译器才能了解将在整个代码中使用的信息的形式或类型。数据类型是数据的一个属性，它告诉编译器(或解释器)程序员打算如何使用数据。因此，数据类型是程序员和编译器之间传输的一种信息类型，程序员通知编译器要存储什么类型的数据，并告诉编译器需要多少内存空间。
数据类型是一组可表示的值。每个可表示的值至少属于一种数据类型，有些值属于几种数据类型。构化查询语言SQL支持三种数据类型：预定义数据类型、构造类型和用户定义类型。预定义的数据类型有时被称为“内置数据类型”，但不在国际标准中。每个预定义的数据类型都是其自身的子类型，而不是其它数据类型。因此，每个预定义的数据类型都是其自身的超类型，而不是其它数据类型。用户定义的数据类型可以由标准、实施方法或应用程序定义。构造类型是使用SQL的数据类型构造函数ARRAY、REF和ROW之一指定的。类型是数组类型、引用类型或行类型，相应决定于是否用ARRAY、REF或ROW进行指定。数组类型是一般称为集合类型的构造类型的唯一示例。
通过温度扫描用MOS气体传感器收集特定气味数据和处理具有嗅感条件的原始数据，即与特定气味数据相关联的环境条件以创建更全面的气味信息，是本发明独有的。本发明的主要概念是如何处理和组织原始数据或核心气味数据，其次是如何将其它或相关数据包括在核心数据中以创建用于有意义的气味信息生成的结构化或非结构化数据库。通过上述方式创建的气味信息具有更大的价值。为了实施本发明，它不仅涉及核心气味数据，还涉及其组织和与嗅感条件数据(例如湿度、地理位置、外部(地理位置)温度等)的耦合。核心气味数据将与其它相关联的嗅感条件数据融合，然后存储在数据库中以创建气味信息模板。此气味信息模板是AI或机器学习或任何要实施的数学方法的基准。
一旦来自MOS传感器的原始气味数据可用，则下一步是构建核心气味数据，然后标准化气味数据。包括经温度扫描把来自传感器阵列的每个MOS像素的气味数据形成气味信息的核心部分。随后，将嗅感的相关条件包括到核心气味数据中形成结构化或非结构化数据库。一旦这种结构化或非结构化数据库被创建并存储在本地计算机或云端中，就可以开发许多应用程序来使用来自结构化或非结构化数据库的信息。随后，可以应用人工智能(AI)、机器视觉(MV)或任何其它数学方法来分析来自此类结构化或非结构化数据库的信息。根据实施例的气味信息在附图中示出并且在以下描述中有详细描述。
图8是根据本发明的实施例的图示，其示出了通过温度扫描从MOS传感器阵列的各个传感器像素所创建的数据的视觉表示。左侧是MOS传感器的图像，其中单个像素排列在行A到D和列1到4中。在右侧，三个不同的图形曲线描绘了单个化学物质(例如丙酮)的单个像素的响应。三个图形曲线对应三个不同的传感器像素，例如A1是A行和1列中的第一个像素，B1是B行和1列中的第一个像素，C1是C行和1列中的第一个像素。为清楚起见，只有显示了三个像素的响应。
图9是根据本发明实施例的视觉表示，其显示了通过温度扫描从传感器阵列的传感器像素创建的核心气味数据所形成的热图或核心气味信息。它体现了数据库在二维空间中的视觉外观。图9左侧显示了通过温度扫描为两种不同化学品(例如乙醛和丙酮)收集的实际气味数据。图中不同的明喑(或颜色)线条描述了用于数据收集的不同化学品气体浓度，显示了三种不同类型的MOS的响应(In2O3,SnO2,WO3)。图中的高度或峰值代表信号强度。在右侧是一示意热图，纵轴(y轴)代表MOS类型，而横轴(x轴)是每个扫描步骤的温度。通常，温度范围为100℃到500℃，扫描间隔为1℃。一旦收集了左侧显示的化学品的数据，在数据标准化后为该特定化学品创建右侧的图。所生成的图类似于热图。每种颜色(或明喑)线条代表不同的信号强度。核心气味信息包括以二维空间或二维数组表示的三维数据。第一维是不同类型的MOS，第二维是扫描步骤的温度，第三维是对数据进行归一化后特定温度下MOS的信号强度数据。从视觉上看，这是在二维空间上呈现为热图或二维数组的三维信息。
图10示出根据实施例的结构化信息模板。模板包括传感器像素材料代码，对应于MOS传感器中像素的MOS材料，每个传感器像素在温度扫描的响应数据。数据以特定格式记录，其中对应于传感器像素材料的第一向量和对应于扫描温度的第二向量。这些数据构成了核心气味数据。除了上述数据，湿度、位置或地理位置(经度、纬度和高度)、位置(环境)温度也与核心气味数据一起记录。上述所有数据将在收集气味数据并在气味信息表或气味信息数据库中构建为气味信息的同一时刻记录下来。除上述数据外，还规定了记录任何其它相关数据，例如收集气味数据的时间，这些数据可以纳入并形成气味信息。如果已知气味的来源，则可以手动输入来源。许多自然事物都有其独特的形状、颜色和气味，例如花、果实、植物叶子、动物。对于人造产品也是如此，例如红酒、香烟、香水等。当传感器从物体获取气味信息时，其关联的相机也可以同时获取其图像。来源的名称可以通过两种方式输入：通过来自数据库的图像信息识别对象来源信息或手动输入来源信息(如果已知)。来源的图像或照片信息也可以帮助识别产生气味的物体，因此在采集气味数据时也可以拍摄图像。如果气味的来源未知，传感器可以记录数据并直接生成结构化的气味信息，来源信息为空白。这种带有关联数据的结构化气味信息生成是信息的关键部分。该结构化数据库被编入索引以识别或作为气味记录的识别并且促进气味信息的快速检索以取得记录信息。可以建立气味信息库或气味标准数据库，通过记录已知气味的数据及其相关信息来识别分析物。这可以存储在当地计算机上，也可以集中存储在云端上，并可以形成一个集中的结构化或非结构化气味信息数据库。然后将在上述模板中收集的原始数据归一化，如图10所示。表格或模板包括第一向量和第二向量，其分别代表MOS传感器像素和扫描步骤处的温度。上表是原始数据，下表是归一化后的数据。通常，将使用标准化数值格式进行归一化处理。如每行数据中的每个数据点除以该行的最高值以生成相应的比率。比率会有小数，计算机处理小数不是很容易。因此，比率乘以一个数字，例如一千，以创建介于0和该数字(例如1000)之间的范围，以将3位数值作为标准。一旦数据被归一化，它就会被带到一个特定的范围内，可以从底部的表格中看出。归一化的目标是将数据的值更改为在一个共同的尺度内，而不会扭曲其在值范围内的差异。当特征值处在不同的范围时，机器学习算法需要把其归一化后才能有效地工作。在此特定应用中，把来自MOS传感器的数据标准化是新颖的，因为它使各种气味相关应用的气味比较变得容易。例如，医院的房间每天都要打扫。有时他们使用大量非常高浓度的清洁剂，但有时用非常低的清洁剂或有时没有清洁剂，这将产生非常低的气味数据值。每天或每隔几天，相同的化学物质可能会出现在同一位置，但值会发生变化。在这种情况下分析信息，规范化是唯一的方法。一旦数据被标准化，就很容易识别房间是否已经打扫过，或者已经打扫了多少天，或者多久没有打扫。由上述系统识别传感器暴露在什么环境中是相对容易的。归一化数据有利于识别气体种类。然而，它失去了特征和绝对浓度。因此，一种策略是使用标准化数据进行识别，使用非标准化数据进行量化。
一旦数据被规范化，就可创建称为结构化数据的信息表。结构化数据的优点是，无论何时查询或访问一条信息，它都有固定的格式。对于结构化数据，目标是创建固定格式的数据。当以相同格式从多个输入传感器源创建数据时，人工智能的实施将变得容易。由于结构化数据，所有已知的人工智能技术都可以应用。生成结构化信息或结构化数据库后，下一部分是如何分析或利用该信息。创建这样的结构化数据库是本发明的关键部分。数据结构没有行业标准，本发明的独特之处是创建用于嗅感应用程序的标准格式或数据库或表格。
图11a是一个包括多种气味数据的数据库示例，其涉及气味数据库中的术语。如图11a所示，响应信号是传感器中的感测元件或MOS像素的可测量响应，包括电特性(电阻或阻抗)的变化。它是一种模拟信号，可以以数字形式转换和记录。发生器是暴露于气相环境中的分析物的传感器或传感器阵列或MOS活性材料的传感器像素并且能够产生响应信号。预定刺激是提供给传感器以测量其对应于预定刺激的响应的输入刺激，它是一系列预定的温度值。气味数据是包括多个MOS传感器像素在多个预定温度下产生的响应信号的数集，其中多个MOS传感器像素是在一个向量而多个预定温度是在另一个向量，其中向量被定义为用于存储值的一维数组。气味的数字化特征包括在阵列中在多个预定温度下跨MOS传感器像素的不同响应，其可作为一种“指纹”或数字指纹或数字化特征或图案，以选择性地区分哪些用单个MOS传感器像素响应特性无法区分或很难区分的分析物。气味数据库包括多种气味的数字化特征，是一个关系型数据库。可以在气味数据库上执行各种数据库操作，通过这些操作，用户和应用程序可以访问关系数型据库中的数据。图11b是根据本发明实施例使用归一化数据生成的热图的图示。图11b中显示了三种不同MOS传感器像素(即A1、B1、C1)的图形和阵列形式的气味数字化特征。热图的生成通常包括转换图11b底部表格中的归一化值的步骤。根据一个实施例，最高值以红色(或较深的色调)表示，而最低的值以蓝色(较浅的色调)表示，以及具有不同映射颜色(或色调)的高和低之间的范围。热图是一种数据可视化技术，它将事件的大小显示为二维颜色，如将决定于两个轴变量的主要感兴趣变量的值描绘为彩色方块网格。轴变量像条形图或直方图一样划分为范围，每个单元格的颜色表示相应单元格范围内主要变量的值。颜色的变化可能因色调或强度而异，其给出了关于事件如何聚集或随空间变化的明显视觉线索。有多种方法可以从数值创建图形或图示。这种特殊格式是有利的，因为可以使用标准工具来分析以这种特殊热图格式提供的信息。数据的数字或值和基于颜色强度的图的这两种技术对于进一步分析同样可接受。有很多AI工具或数据分析工具可以将上述数据或图形作为进一步分析的输入。热图可以像照片一样工作，任何图像分析工具或图像识别工具都可以轻松实施信息分析。总之，单独用于数据分析的数字数据点，或者从数字数据创建的热图或图像都是可接受的格式，但热图是根据本发明实施例的优选格式。
图12是根据本发明实施例，用于构建规范化数据库的示意流程图。它包括使用多维传感方法收集气味数据，以计算机可读阵列格式(如图10所示)记录源信息，对数据进行归一化处理并将归一化的数据记录到数据库中。从这个归一化数据中，人们可以做多种选择，例如执行和记录高阶多项式拟合信息、执行主成分分析和/或记录信息和/或生成热图信息。根据分析的用例或场景，这些技术中的每一种都有其独特的优势。
随着计算机和计算机技术的出现，图像和声音已经被数字化。它们现在是我们生活的一部分。本发明想法是数字化气味或嗅感。其将对包括嗅觉科学研究和香精香料行业在内的许多产业会产生影响。目前，没有描述气味的标准化方法。气味数字化将使我们能够精确地描述一种气味，这将使我们能够以电子方式存储和传输气味信息。一个主要目标是对气味信息进行编码以实现气味的数字化。
图13是根据本发明实施例的气味信息应用场景或用例的图示。
图14至18示出了根据本发明实施例的应用例示意流程图。如图14示出识别应用(识别未知气味)，图15示出监控应用(查看给定位置随时间变化的气味)，图16示出跟踪应用(查看随时间和位置变化的气味)，图17示出发现应用(找到与给定条件相关的独特气味特征)，以及图18示出映射应用(气味的地理位置分布)。这些应用都使用根据本发明实施例的结构化或非结构化气味信息数据库。每个流程图都针对不同的用例场景。左边的流程是用户端，右边的流程是数据库端。每个应用案例都有不同的流程图，并且有不同的流程来创建信息和使用信息。
为识别分析物而构建的数据库或标准数据库可用于构建中心化的结构化或非结构化气味信息数据库。图14对应于识别匹配数据集或简单地识别用户输入的样本气味信息的示意流程图。左侧显示来自用户端的新气味数据，将其归一化并拟合一个高阶多项式，通常大于二阶，以获得新气味信息。然后搜索包含规范化数据的中央数据库，该过程是通过在数据库多项式拟合中识别归一化数据的子集，并且还通过考虑新气味的归一化数据与来自数据库子集的归一化数据的比率。然后拟合一个低阶多项式，并使用R^2数据确定最佳拟合。R平方是数据与拟合回归线的接近程度的统计量度。它也称为决定系数，或多元回归的多重决定系数。对应于最高R^2的气味信息是与用户提供的新气味最接近的已识别气味。从数据库中识别出的气味信息被呈现给用户。
图15对应于识别特定目标气味的变化或跟踪目标气味随时间的变化的示意流程图。左侧显示本地用户提供样本气味数据或目标气味名称。分析此新传感数据中气味信息的主成分并提取相关成分。样本气味数据或目标气味名称用于检索与目标样本对应的特征。这些特征被用作标准值来比较气味随时间的变化。
图16对应于观察(监测)一组未知特征的气味变化的示意流程图。左侧显示本地用户提供样本气味数据或新的感测数据。分析此新传感气味数据中的主成分，并提取相关的常数和变化成分。样本气味数据的这些变化和恒定的成分用于从中央数据库检索相关成分的标识。归一化数据库首先对中心数据库气味信息进行主成分分析，然后检索相关成分的标识。
图17对应于随着时间的推移或在数据库中识别特征的示意流程图，即用于发现未知气味特征。左侧显示本地用户提供受控传感数据集和条件传感数据集的样本气味数据。分析此新传感数据在样本气味数据中的主成分，并提取相关的常数和变化成分。样本气味数据的这些变化的和恒定的成分用于从中央数据库检索相关成分的标识。归一化数据库首先对中心数据库气味信息进行主成分分析，然后检索相关成分的标识。提供来自样品气味的主要成分与中央数据库检索到的气味信息的主要成分之间的相关性，以发现样品气味信息如何对应于存储在数据库中的气味信息。
图18对应于从地理上识别目标气味变化的示意流程图，即映射气味。左侧显示当地用户提供样本气味数据或目标气味名称。这种新的传感数据用于生成样品气味的热图。在对应于规范化数据库的中央数据库中搜索该新气味数据或目标气味名称。从中央数据库中检索目标气味标准的热图。当样本气味的热图与中央数据库中目标气味的热图匹配时，向用户提供气味信息的地理分布，即气味信息在地理上进行映射。
例子
以下实施例涉及进一步的实施方案。
人们可以开发许多应用程序，以使用来自云端或当地计算机中的结构化或非结构化数据库的信息。一个这样的应用示例是可以发出警戒或一些警戒消息的警报系统。例如，在一栋多层建筑中，不同的房间或不同楼层可以安装传感器系统。当安装的传感器系统中的一部分传感器检测到一些严重的异味时，分析后的信息可以作为安全警戒发送给管理部门或建筑安全部门。这个想法是连接到数据库的传感器系统可以根据从一些或所有传感器收集的信息提供警戒。警报系统可以由最终用户根据他们的要求使用简单的应用程序和/或使用人工智能和数学方法进行编程。假设，在同一个多层建筑中，如果安装在建筑物中的所有传感器中只有一个或很少几个提供一些气味信息，那么该消息会提醒一些需要注意的异常活动。如果数据表明全系统范围内的气味信息发生变化，则可能表明通风系统存在问题。这里的想法是，一旦数据库已经存在于当地计算机或云端中，作为计算机上的可执行程序代码的应用层开发，可以根据应用程序的需要建立在信息层上。以上是气味识别示例，作为警报系统的应用，将来自现有数据库的气味信息与从安装的传感器生成的气味数据进行比较。
使用来自数据库的信息的另一种方式是检索气味信息，前提是用户可以提供一些与气味相关的关键词。例如，用户可以查询“我需要与酒精相关的气味信息”，然后系统应向用户提供甲醇、乙醇和异丙醇等的相关气味信息。假设，如果所有医院都收集气味数据，并且所有气味数据都将转到政府机构或卫生部门的云端或计算机上，并且他们想对COVID-19进行相关研究，或者医院或卫生部门想了解病人附近发生了什么。在这种情况下，医生可以检查来自不同医院的气味差异，或检查与患者附近有关的特定气味，或者他们可以请求提供类似COVID护理的所有不同设施之间的气味信息，以了解它们的差异。研究表明从COVID-19病人的呼吸气体中潜在挥发性有机化合物(VOC)的生物标志物。在COVID-19患者呼出气中检测到的丁酸乙酯的含量高于健康对照/卫生保健工作者、肺癌(LC)患者和背景。丁酸乙酯、丁醛和异丙醇的监测可帮助快速筛查COVID-19和提醒特定环境中COVID-19患者的存在。(参考文献：COVID-19的呼吸传播VOC生物标志物，medRxiv，Cold Spring HarborLaboratory Press,Chen,Haoxuan；Qi,Xiao；Ma,Jianxin；Zhang,Chunyang；Feng,Huasong；Yao,Maosheng；2020，http://medrxiv.org/content/early/2020/06/24/2020.06.21.20136523)。因此，呼吸VOC数据库可用于疾病监测、疾病诊断和生物标志物的发现。疾病可以是影响身体正常代谢或生理状况的癌症、感染或遗传疾病。
本发明是将气味数据转换成气味信息并使其更有价值。收集越来越多的信息并将所有信息传递到数据库，然后一起重复此数据收集和传递循环非常有用，并且会增加数据库中信息的价值。就如汽车/车辆使用的导航地图(如
地图)，它在收集城市公路交通信息时也提供所有关于位置的信息，所有这些具有位置相关信息的交通信息是非常有价值的。同样，气味信息也是如此。传感器可用于生成气味信息以及与气味源相关的信息，这使其更有价值。
作为数据库的气味信息可被保存在云端或当地计算机的存储器中。可以开发额外软件来提取信息，然后提供给最终用户。用户可以订阅信息，然后根据他们的情况使用不同的软件从该数据库中提取信息。例如，出于了解环境空气质量目的，可以开发软件来提取与环境相关的信息。类似地，对于与健康相关的案例，可以开发软件来提取与健康相关的信息。因此，不同的软件可以提取不同的信息集。
信息的使用有两种方式，一种是通过人工智能，可以自动提取信息，然后主动向用户发出通知或警戒。另一种是用户可以输入某些请求，如网络搜索，信息将与分析一起输出。
在一个实施例中，本发明具有两层。第一层有原始信息数据库。这通常是受控的并且可能不对用户公开。第二层有规范化的信息数据库。根据用户的业务，他们可以订阅规范化信息数据库和/或原始信息。典型的订阅者可以是公司、政府机构、个人用户等。例如，政府机构可以订阅与环境相关的信息，公共卫生研究机构可以订阅与健康相关的气味信息，或者手机用户可以订阅与环境相关的信息。传感器可嵌入手机或移动装置中或嵌入家用设备中或计算机中。作为个人，可以订阅数据库的一部分或某些应用程序。在工业中使用的另一个例子可以是制药或发酵工厂或制造奶酪或乙烯基的工厂，或者就此而言，任何企业，其使用化学品或会产生某种气味数据以了解或跟踪通常与不同或独特的气味有关的生产过程的不同状态。用户订阅信息数据库，可以收集信息、上传信息以及将新信息与旧信息进行比较等。
有多种使用气味信息的方式，一种用于跟踪以了解何时发生变化、识别以了解所呈现的气味是什么、发现以了解气味数据库中有什么。一个例子是，气味传感器可以安装在家里洗手间的马桶附近。它每天都会收集气味数据。如果住在房子里的人的健康状况恶化，那么医生或相关人员可以返回查看数据库以了解与气味相关的所有内容，并确定可能与健康相关的问题，例如癌症或个人的饮食习惯。在气味数据收集过程中，人们可以知道哪些气味与健康状态相关联，如果该人突然病得很重，那么那几天的气味信息可能与该疾病有关。
另一个例子是使用气味信息以发现异常的原因。例如可以每天对病人进行一次呼吸气味分析，并将气味数据保存到数据库中。随着时间的推移，如果一个人突然感到不舒服并且开始知道他或她患有肺癌，那么医护人员可以返回到数据库并分析相关数据，即查看相关的数字化特征如何随时间变化，以识别数据库中的哪些特征信号与肺癌相关联。因此从数据库特征信号中可以识别出与肺癌相关的气味信息。也就是说，已知特征信号与某些化合物相关，基于这些特征信号，人们可以发现这些化合物是否可以作为癌症的生物标志物。基于标准化或结构化或非结构化数据库，使用这种类型的传感器去发现生物标志物的这一方面是新颖的。
在一个实施例中，标准或结构化或非结构化数据库取决于传感器的类型和MOS传感器阵列的配置以及像素的MOS组成。该数据库专为特定传感器类型和传感器收集数据的方式而设计。有许多类型气体传感器，例如电化学传感器。本发明想法是用户将使用气体传感器创建数据，从而生成气味信息，并从中央数据库接收与气体传感器相关的气味信息。
在其它传感器系统中，可以通过材料选择(不同的电解质或不同的纳米材料)和表面改性或掺杂来实现传感选择性或特异性。这两种方法也可用于MOS传感器。此外，已知MOS传感器与温度有关。温度扫描是本技术最独特的部分，进行温度扫描的优点是创建在其它传感器系统中不存在的另一个维度的信息，例如它们是基于电解质的电化学传感器、纳米材料或基于碳纳米管的场效应传感器。温度扫描是一种独特的方法，用于从一种特定的MOS创建更多气味特征。一种MOS可以创建多种数据产物。通常，从200℃到500℃的扫描是通过选择1℃到10℃之间的间隔来执行。对于1℃扫描间隔，一次扫描可以生成几百个数据点，而对于10℃扫描间隔，可以生成较少的数据点。这个发明想法是从一个特定的像素或MOS活性材料中创建大量数据。由于在一个传感器阵列中存在多个MOS像素，因此可以创建数据阵列。因为没有精细的步进温度扫描，其它使用MOS的传感器或方法无法创建如此丰富的数据。有了丰富的数据量，就可以创建更多来自传感器的信息。
在一个示例中，提供了一种用具有多个MOS传感器像素的MOS传感器阵列为气相环境中分析物生成具多维气味信息的数据库的方法，包括，将具有MOS活性材料的多个MOS传感器像素暴露于气相环境中的分析物，通过加热元件将多个MOS传感器像素加热到一系列不同的预定温度，其中在每个不同的预定温度维持一段时间，通过电极检测多个MOS传感器像素在每个不同的预定温度下产生的响应信号，将多个MOS传感器像素产生的响应信号组合成数字气味特征其包括二维数组中的气味数据和相关的嗅感条件数据，其中气味数据包括，在一个维度上的不同预定温度及在另一维度上的多个MOS传感器像素，和由多个MOS传感器像素产生的经归一化后的响应信号生成的二维数组的元素。并且其中相关联的嗅感条件数据包括气味数据的来源以及环境和地理位置座标。
在方法的一个示例中，采用MOS传感器像素阵列来检测响应信号。
在方法的一个示例中，将MOS传感器像素阵列中的每个MOS传感器像素同时加热到不同的预定温度以用于检测响应信号。
在方法的一个示例中，MOS传感器像素阵列包括具有不同MOS活性材料的多个单独的MOS传感器像素。
在方法的一个示例中，MOS传感器像素阵列包括具有不同MOS活性材料的至少两个单独的MOS传感器像素。
在方法的一个示例中，MOS传感器像素阵列包括具有不同MOS活性材料的二至十个单独的MOS传感器像素。
在方法的一个示例中，每个单独的MOS传感器像素具有不同的MOS活性材料。
在方法的一个示例中，MOS传感器像素阵列包括具有不同MOS活性材料的四个单独的MOS传感器像素。
在方法的一个示例中，MOS活性材料是选自有下列成员的MOS活性材料组：SnO2,V2O5,WO3,Cr2-xTixO3,ZnO,TeO2,TiO2,CuO,CeO2,Al2O3,ZrO2,V2O3,Fe2O3,Mo2O3,Nd2O3,La2O3,Nb2O5,Ta2O5,In2O3,GeO2,ITO,或它们的组合。
在方法的一个示例中，MOS活性材料是选自由以下成员组成的活性材料组：In2O3,SnO2,ZnO,WO3或它们的组合。
在方法的一个示例中，基于样品数据与标准数据库中的数据的比较，识别分析物及识别分析物的浓度。
在方法的一个示例中，不同温度的序列落在100℃至500℃之间的温度范围内。
在方法的一个示例中，在多个相同的MOS传感器像素之间划分具不同预定温度的温度序列。
在方法的一个示例中，样本数据是从多个相同的MOS传感器像素产生的数据组装而成。
在方法的一个示例中，不同预定温度的序列以5℃或更小的增量分开。
在方法的一个示例中，不同预定温度的序列以20℃或更小的增量分开。
在方法的一个示例中，保持预定温度的时间长度是0.2至20秒之间、或1至10秒之间、或2至5秒之间的时间范围。
在方法的一个实例中，分析物是挥发性有机化合物(VOC)、烟雾、气化或汽化的固体或液体。
在方法的一个实例中，分析物包括多种分析物并且鉴定是识别多种分析物中的至少一种。
在方法的一个示例中，标准数据库包括通过在已知条件下将已知分析物暴露于特定类型的MOS传感器像素而生成的信号数据。
在方法的一个示例中，数据库被存储到接近MOS传感器像素的当地存储器。
在方法的一个示例中，数据库被存储到相对MOS传感器像素为远程的存储器。
在方法的一个示例中，用额外信息更新数据库。
在方法的一个示例中，在检测到响应信号之后将MOS传感器像素加热到预定温度以从MOS传感器像素清除任何剩余的分析物。
在一种方法的一个例子中，样品数据形成具有至少一个峰形的图谱，并且该至少一个峰形用于鉴定一种以上的分析物。
在方法的一个示例中，样品数据形成多个峰形并且使用多个峰形来鉴定多于一种分析物。
在方法的一个示例中，MOS传感器像素掺杂有掺杂剂以增加灵敏度和选择性，其中掺杂剂选自：Pt、Pd、Si、Ti或其组合。
在方法的一个示例中，MOS传感器像素的功耗小于一瓦。
在一个示例中，提供了一种可操作以检测分析物的传感器阵列，其包括支撑衬底，耦合到衬底的多个MOS传感器像素，每个MOS传感器像素进一步包括被配置为暴露于分析物的活性MOS材料，热耦合到多个MOS传感器像素的MOS活性材料的多个加热元件，所述加热元件在位置和取向上有助于将MOS活性材料加热到多个不同预定温度，以及功能性耦合到MOS活性材料的电极，所述电极可检测来自MOS活性材料在多个预定不同温度中的每一个的响应信号，以及温度控制器，该温度控制器具有带有逻辑功能，该逻辑功能被配置为将多个加热元件加热到一系列预定的不同温度并在每一个预定的温度上保持一段预定的时间。
在传感器阵列的一个示例中，具有多个MOS传感器像素的传感器阵列包括由不同氧化物构成的不同MOS传感器。
在传感器阵列的一个例子中，分析物是挥发性有机化合物(VOC)、烟雾、气化或汽化的固体或液体。
在传感器阵列的一个示例中，分析物包括多种分析物并且识别是指区分多种分析物中的至少一种。
在传感器阵列的一个示例中，标准数据库包括通过在已知条件下将已知分析物暴露于特定类型的MOS传感器像素而生成的信号数据。
在传感器阵列的一个示例中，相对处理器而言数据库被本地存储。
在传感器阵列的一个示例中，相对处理器而言数据库被远程存储。
在传感器阵列的一个示例中，用额外信息更新数据库。
在传感器阵列的一个示例中，样本数据形成多个峰形并且多个峰形用于识别多于一种分析物。
在传感器阵列的一个示例中，温度控制器有助于将每个MOS活性材料同时加热到不同的预定温度。
在传感器阵列的一个示例中，多个MOS传感器像素包括具有不同MOS活性材料的至少两个单独的MOS传感器像素。
在传感器阵列的一个示例中，多个MOS传感器像素包括具有不同MOS活性材料的二至十个单独的MOS传感器像素。
在传感器阵列的一个示例中，每个单独的MOS传感器像素具有与其它不同的MOS活性材料。
在传感器阵列的一个示例中，多个MOS传感器像素包括具有不同MOS活性材料的四个单独的MOS传感器。
在传感器阵列的一个示例中，MOS活性材料是选自具有下列成员的MOS活性材料组：SnO2,V2O5,WO3,Cr2-xTixO3,ZnO,TeO2,TiO2,CuO,CeO2,Al2O3,ZrO2,V2O3,Fe2O3,Mo2O3,Nd2O3,La2O3,Nb2O5,Ta2O5,In2O3,GeO2,ITO或它们的组合。
在传感器阵列的一个示例中，MOS活性材料是选自具有下列成员的MOS活性材料组：In2O3,SnO2,ZnO,WO3或它们的组合。
在传感器阵列的一个示例中，MOS传感器像素可被掺杂剂掺杂以增加灵敏度和选择性，其中掺杂剂选自：Pt、Pd、Si、Ti或它们的组合。
在传感器阵列的一个示例中，MOS传感器像素的功耗小于一瓦。
在传感器阵列的一个示例中，支撑衬底包括一个悬浮膜以减少散热和功耗。
一个示例，提供了一种可操作以识别分析物的装置，其包括外壳，传感器阵列，耦合到传感器阵列的多个MOS传感器像素的支撑基板，具有逻辑功能的温度控制器，所述温度控制器被配置为控制多个加热元件以将多个MOS传感器像素加热到多个预定温度，其中多个MOS传感器像素被加热到每一个预定温度并使其保持一段时间或使多个MOS传感器像素同时加热到不同的预定温度并使其保持一段时间，具有逻辑功能的处理器，所述处理器被配置为可将响应信号组合成用于机器学习的具有数字化特征的样本数据，可将样本数据与标准数据库中的数据进行比较，可基于数字化特征比较识别分析物的组成，和通信组件，其被配置为可将分析物的身份传达给显示器。
在一个示例中，提供了一种可操作以识别分析物的系统，包括本文所述的传感器阵列，耦合到传感器阵列的多个MOS传感器像素的支撑衬底，具有逻辑功能的温度控制器，所述温度控制器被配置为控制多个加热元件以将多个MOS传感器加热到多个预定温度，其中将多个MOS传感器像素加热到每一个预定温度并使其保持一段时间或使多个MOS传感器像素同时加热到不同的预定温度并使其保持一段时间，具有逻辑功能的处理器，所述处理器被配置为，将响应信号组合成用于机器学习的具有数字化特征的样本数据，将样本数据与标准数据库中的数据进行比较，识别基于数字化特征的分析物组成，和通信组件，其被配置为将分析物的身份传送到显示器。
一种用于为气相环境中的分析物生成多维气味信息的数据库的系统，包括具有MOS活性材料的多个MOS传感器像素的MOS传感器阵列，具有逻辑功能的温度控制器，所述温度控制器被配置为控制多个加热元件以将多个MOS传感器像素加热至多个预定的温度，其中将多个MOS传感器像素加热到每一个预定温度并使其保持一段时间或使多个MOS传感器像素同时加热到不同的预定温度并使其保持一段时间，具有逻辑功能的处理器，所述处理器被配置为将由多个MOS传感器像素产生的响应信号组合成气味的数字化特征，所述数字化特征包括二维阵列中的气味数据以及相关联的嗅感条件数据，其中气味数据包括沿一个维度的不同预定温度值和沿另一维度的多个MOS传感器像素信息，而二维阵列中元素是来自于由多个MOS传感器像素产生的经进行归一化之后的响应信号，其中相关联的嗅感条件数据包括气味数据的来源以及环境和地理位置数据，以及通信组件，其被配置为将气味信息传送到当地和/或云端存储器和/或显示器。
在一个实施例中，它是存储在计算机可读存储介质中的数据库，该数据库包括气味数据的气味数字化特征，该气味数字化特征包括存储在计算机可读存储介质上的数据结构中的气味数据，其中计算机可读存储介质包括其上存储有计算机可执行程序代码的存储器，气味数据包括以二维表格形式排列的响应信号，其中二维表格包括对应于材料类型的第一向量、对应于一系列预定刺激的第二向量，以及在第一向量和第二向量的交叉点处的多个数据单元，附加到气味数据的嗅感条件数据，其中相关联的嗅感条件数据包括产生气味数据的条件，以及气味数据的索引，其中，在查询中计算机可执行程序代码以分析气味。
在一个实施例中，用于代表气味数字化特征的数据库结构，其包括来自具有多个像素的MOS传感器阵列的核心气味数据，所述像素包括MOS活性材料类型，其中核心气味数据包括由每个MOS活性材料类型在以二维表格形式排列的一系列预定温度下产生的响应信号，其第一向量对应于MOS活性材料类型，第二向量对应于一系列预定温度，以及通过将第一向量和第二向量相交而形成的多个数据单元，这些数据单元代表在对应于第二向量的一系列预定温度下由第一向量的MOS活性材料产生的响应信号，以及附加到核心气味数据的相关嗅感条件数据，其中相关嗅感条件数据包括核心气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及核心气味数据生成的日期和时间，其中数据库包括由MOS传感器阵列在感测气相环境中的分析物之后产生的气味数据。
在一个实施例中，一种用于生成多维气味信息的方法，包括将MOS传感器阵列中具有MOS活性材料的多个MOS传感器像素暴露于气相环境中的分析物，通过加热元件将多个MOS传感器像素加热到一系列不同的预定温度，其中在每个不同的预定温度下保持一段时间，通过像素电极检测由多个MOS传感器像素在每个不同的预定温度下生成的响应信号，将由多个MOS传感器像素生成的响应信号作为气味的数字化特征组装到数据库中，包括由每个MOS活性材料在一系列预定温度下形成的响应信号以二维表格形式排列的核心气味数据，其中第一向量对应于多个MOS活性材料类型，第二向量对应于一系列预定的温度，以及通过将第一向量和第二向量相交而形成的多个数据单元，所述数据单元代表在与行(第二向量)对应的一系列预定温度下与列(第一向量)对应的MOS活性材料产生的响应信号，和附加到核心气味数据的相关嗅感条件数据，其中相关嗅感条件数据包括核心气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据和产生核心气味数据的日期和时间，其中数据库包括MOS传感器阵列感测气相环境中的分析物后产生的气味信息。
在一个实施例中，它是一种系统，其包括，具有MOS活性材料的多个MOS传感器像素的MOS传感器阵列，具逻辑功能的温度控制器，所述温度控制器被配置为控制多个加热元件以将多个MOS传感器像素加热到一系列预定温度，其中将多个MOS传感器像素加热到每一个预定温度并使其保持一段时间，或者将多个MOS传感器像素同时加热到不同的预定温度并使其保持一段时间，具有逻辑功能的处理器，所述处理器被配置为将由多个MOS传感器像素生成的响应信号组装到体现气味数字化特征的数据库中，该数据库包括由每个MOS活性材料类型在一系列预定温度下生成的以二维表格形式排列的响应信号所形成的核心气味数据，其中第一向量对应于多个MOS活性材料类型，第二向量对应于一系列预定温度，以及通过将第一向量和第二向量相交而形成的多个数据单元，所述数据单元具有对应于列(第一向量)的MOS活性材料类型在对应于行(第二向量)的一系列预定温度下生成的响应信号，和附加到核心气味数据的相关嗅感条件数据，其中相关嗅感条件数据包括核心气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及产生核心气味数据的日期和时间，其中所述数据库包括由MOS传感器阵列感测气相环境中的分析物后产生的气味信息。
在一个实施例中，一种气味分析系统，包括具有MOS活性材料的多个传感器像素的传感器阵列；一个气味数据库,其包括数字化气味特征，即由每个MOS活性材料类型在一系列预定温度下产生的响应信号形成的核心气味数据，所述核心气味数据以二维表格形式排列，其中第一向量对应于MOS活性材料类型，第二向量对应于一系列预定温度，以及通过将第一向量与第二向量相交而形成的多个数据单元，该多个数据单元代表与列(第一向量)对应的MOS活性材料类型在对应于行(第二向量)的一系列预定温度下的响应信号，和附加到核心气味信息的相关嗅感条件信息，其中相关的嗅感条件信息包括核心气味数据的来源、环境湿度、地理位置座标、地理位置的温度数据以及核心气味数据产生的日期和时间，其中数据库包括由MOS传感器阵列感测气体环境中的分析物之后产生的气味信息；用于接收与气味相关的对数据库查询的查询接口；至少一个处理器和与至少一个处理器通信的存储器，其中所述至少一个处理器被编程为执行用于与气味数据库耦合的气味比较的操作。所述气味分析系统还具有多个回归模型和一个或多个人工神经网络，并使用多个回归模型中的一个或多个和一个或多个人工神经网络以从气味数据库中分析MOS传感器对气味的响应模式。
在一个实施例中，气味的数字化特征包括二进制数据并且用于通过计算机和基于计算机的装置将气味数字化。
在一个示例中，数据库包括多个气味数字化特征，该数字化特征包括多种气味的感测数据，并且可以使用来自额外分析物的气味对数据库进行更新。
虽然这里已经公开了各个方面和实施例，但其它方面和实施例对于本领域技术人员来说将是显而易见的。本文公开的各个方面和实施例是为了说明的目的而不是限制性的，真实范围和精神由以下各项技术方案指示。
根据本公开文本，公开了以下各项技术方案：
1.一种数据库，包括气味的数字化特征，该数字化特征包括气味数据，该气味数据包括响应信号，该响应信号是对应于产生响应信号的发生器的第一数据和对应于产生响应信号的预定刺激的第二数据的函数。其中，数字化特征包括二进制数据；其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
2.根据本公开上述第1项技术方案所述的数据库，其中所述气味由包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体的分析物产生。
3.根据本公开上述第1项技术方案所述的数据库，其中产生响应信号的发生器是传感器阵列中的MOS传感器像素，该传感器阵列具有多个MOS传感器像素，该MOS传感器像素具有暴露于气相环境中的分析物的MOS活性材料。
4.根据本公开上述第1项技术方案所述的数据库，其中所述响应信号是传感器阵列中MOS传感器像素的可测响应，所述传感器阵列具有多个MOS传感器像素，所述MOS传感器像素具有暴露于所述气相环境中的分析物的MOS活性材料。
5.根据本公开上述第1项技术方案所述的数据库，其中所述气味的数字化特征由气味数据确定，所述气味数据包括基于由分析物与MOS活性材料相互作用而引起的MOS活性材料的电阻变化的响应信号。
6.根据本公开上述第1项技术方案所述的数据库，其中，所述多个MOS传感器像素中的不同像素可以由相同的MOS活性材料构成，但是同时被加热到不同的温度，以便以更有效的方式检测来自所述分析物的响应信号。
7.根据本公开上述第1项技术方案所述的数据库，其中，所述材料类型是选自由以下组成的MOS活性材料组的成员:SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO或其组合。
8.根据本公开上述第1项技术方案所述的数据库，其中所述预定刺激是一系列预定温度，所述预定温度落在100℃到500℃之间的温度范围内，增量为20℃或更小，而所述温度范围由两个或更多个传感器像素来实现。
9.根据本公开上述第1项技术方案所述的数据库，其中，所述气味数据以包括数据结构的计算机可读阵列格式排列，其中对应于材料类型(发生器)的第一数据排列在第一向量中，而对应于预定刺激的第二数据被安排在第二向量，响应信号值在第一向量和第二向量的交集中。
10.根据本公开上述第1项技术方案所述的数据库，还包括与气味数据相关联的嗅感条件数据。
11.根据本公开上述第10项技术方案所述的数据库，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及核心气味数据生成的日期和时间。
12.根据本公开上述第11项技术方案所述的数据库，其中，所述地理位置座标对应于经度、纬度和高度。
13.根据本公开上述第1项技术方案所述的数据库，其特征在于，气味的数字化特征被存储在置于计算机可读存储介质上的数据结构中，所述存储介质与计算机可执行程序代码相关联。
14.根据本公开上述第1项技术方案所述的数据库，其特征在于，所述气味数据被标准化。
15.根据本公开上述第1项技术方案所述的数据库，其特征在于，所述气味数据被归一化并且生成热图。
16.根据本公开上述第1项技术方案所述的数据库，其特征在于，包括二进制数据的数字化特征是通过计算机和基于计算机的装置对气味数据进行数字化。
17.根据本公开上述第1项技术方案所述的数据库，其特征在于，所述数据库是当地存储和/或远程存储到云端。
18.根据本公开上述第13项技术方案所述的数据库，其中所述计算机可执行程序代码使用数学方法和/或图像处理软件或图像识别软件来分析存储或记录的气味数据或已知或未知气味的输入气味数据。
19.根据本公开上述第1项技术方案所述的数据库，其中MOS传感器与数据库形成用于生成气味数据库的系统。
20.根据本公开上述第1项技术方案所述的数据库，其中所述数据库是气味信息的数据库，包括多种气味的气味数据，并且可以针对来自其它分析物的气味进行更新。
21.一种数据库，包括：
气味的数字化特征，包括气味数据，其中气味数据包括响应信号，该响应信号是对应于产生响应信号的材料类型的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；
与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生响应信号的条件；和
气味数据的索引；
其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；
其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；和
其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
22.根据本公开上述第21项技术方案所述的数据库，其中所述气味数据由包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体的分析物产生。
23.根据本公开上述第21项技术方案所述的数据库，其中，所述气味数据是具有多个MOS传感器像素的MOS传感器阵列的响应，所述MOS传感器像素具有暴露于所述气相环境中的分析物的MOS活性材料。
24.根据本公开上述第21项技术方案所述的数据库，其中，所述材料类型是MOS活性材料并且是从由以下各项组成的材料组中选择的成员：SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO或其组合。
25.根据本公开上述第21项技术方案所述的数据库，其中所述预定刺激是一系列预定温度，其落在100℃到500℃之间的温度范围内，增量为20℃或更小，而所述温度范围由两个或更多个传感器像素来实现。
26.根据本公开上述第21项技术方案所述的数据库，其中对应于材料类型的第一数据是MOS活性材料类型。
27.根据本公开上述第21项技术方案所述的数据库，其中对应于预定刺激的第二数据是预定温度序列。
28.根据本公开上述第21项技术方案所述的数据库，其中所述气味数据以包括数据结构的计算机可读阵列格式排列，其中对应于材料类型(发生器)的第一数据排列在第一向量中，而对应于预定刺激的第二数据被安排在第二向量，响应信号值在第一向量和第二向量的交集中。
29.根据本公开上述第21项技术方案所述的数据库，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及产生核心气味数据的日期和时间。
30.根据本公开上述第29项技术方案所述的数据库，其中，所述地理位置座标对应于经度、纬度和高度。
31.根据本公开上述第21项技术方案所述的数据库，其中，所述数据库存储于当地和/或远程存储到云端。
32.根据本公开上述第21项技术方案所述的数据库，其特征在于，所述数据库包括多种气味的感测数据并且可以针对来自其它分析物的气味进行更新。
33.根据本公开上述第21项技术方案所述的数据库，其中所述气味数据被标准化。
34.根据本公开上述第21项技术方案所述的数据库，其特征在于，所述气味数据被归一化并生成热图。
35.根据本公开上述第21项技术方案所述的数据库，其特征在于，所述计算机可执行程序代码被配置为由处理器执行以分析气味。
36.根据本公开上述第21项技术方案所述的数据库，其特征在于，所述计算机可执行程序代码使用数学方法来查询所述气味信息并使用所述气味数据的归一化值。
37.根据本公开上述第21项技术方案所述的数据库，其特征在于，所述计算机可执行程序代码使用图像处理软件或图像识别软件来查询气味信息并使用气味数据的热图。
38.根据本公开上述第21项技术方案所述的数据库，其特征在于，气味数据的索引有助于从数据库中快速检索以取得记录信息。
39.一种包括传感器和数据库的系统，该数据库包括：
气味的数字化特征，包括气味数据，其中气味数据包括响应信号，该响应信号是对应于产生响应信号的材料(发生器)类型的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数。
与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件；和
气味数据的索引；
其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；
其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；和
其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
40.根据本公开上述第39项技术方案所述的系统，其特征在于，所述传感器是MOS传感器阵列，其具有多个具有MOS活性材料的MOS传感器像素。
41.根据本公开上述第39项技术方案所述的系统，其中所述预定刺激是一系列预定温度，并且具有逻辑功能的温度控制器被配置为控制多个加热元件以将所述多个MOS传感器像素加热到一系列预定温度，其中将多个MOS传感器像素加热到一每预定温度并持续一段时间或者同时将多个MOS传感器像素中的每一个加热到不同的预定温度。
42.根据本公开上述第39项技术方案所述的系统，其中所述预定刺激是一系列预定温度，所述预定温度落在100℃到500℃之间的温度范围内，增量为20℃或更小，而所述温度范围由两个或更多个传感器像素来实现。
43.根据本公开上述第39项技术方案所述的系统，其特征在于，所述传感器具有带有逻辑功能的处理器，其被配置为将气味数据组装到数据库中。
44.根据本公开上述第39项技术方案所述的系统，其中所述材料类型是MOS活性材料并且是从由以下各项组成的材料组中选择的成员：SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO或其组合。
45.根据本公开上述第39项技术方案所述的系统，其中对应于材料类型的第一数据是MOS活性材料类型。
46.根据本公开上述第39项技术方案所述的系统，其中对应于所述预定刺激的所述第二数据是一系列预定温度。
47.根据本公开上述第39项技术方案所述的系统，其中，所述气味数据以包括数据结构的计算机可读阵列格式排列，其中对应于材料类型(发生器)的第一数据排列在第一向量中，而对应于预定刺激的第二数据被安排在第二向量，响应信号值在第一向量和第二向量的交集中。
48.根据本公开上述第39项技术方案所述的系统，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及核心气味数据的生成日期和时间。
49.根据本公开上述第39项技术方案所述的系统，其中，所述地理位置座标对应于经度、纬度和高度。
50.根据本公开上述第39项技术方案所述的系统，其特征在于，所述数据库存储于当地和/或远程存储到云端。
51.根据本公开上述第39项技术方案所述的系统，其特征在于，所述数据库包括多种气味的感测数据并且可以针对来自其它分析物的气味进行更新。
52.根据本公开上述第39项技术方案所述的系统，其中所述气味数据被标准化。
53.根据本公开上述第39项技术方案所述的系统，其特征在于，所述气味数据被归一化并且生成热图。
54.根据本公开上述第39项技术方案所述的系统，其特征在于，所述计算机可执行程序代码被配置为由处理器执行以分析气味。
55.根据本公开上述第39项技术方案所述的系统，其特征在于，所述计算机可执行程序代码使用数学方法来查询所述气味信息并使用所述气味数据的归一化值。
56.根据本公开上述第39项技术方案所述的系统，其特征在于，所述计算机可执行程序代码使用图像处理软件或图像识别软件来查询气味信息并使用气味数据的热图。
57.根据本公开上述第39项技术方案所述的系统，其中气味数据的索引有助于从数据库中快速检索以取得记录信息。
58.一种包括创建和使用数据库的方法，该数据库包括：
气味的数字化特征，包括气味数据，其中气味数据包括响应信号，该响应信号是对应于产生响应信号的材料类型的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；
与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件；和
气味数据的索引；
其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；和
其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；和
其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
59.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法包括用于接收对气味数据库进行气味相关查询的查询接口。
60.根据发明上述第58项技术方案所述的方法，其中所述方法包括至少一个处理器和与所述至少一个处理器通信的存储器，其中所述至少一个处理器被编程为执行与所述气味数据库耦合的气味分析或比较的操作，并且具有多个回归模型和一个或多个人工神经网络，以使用多个回归模型中的一个或多个和一个或多个人工神经网络分析MOS传感器对来自气味数据库的气味的响应模式。
61.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法被配置用于识别未知气味。
62.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法被配置用于监测给定位置中气味随时间的变化。
63.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法被配置用于跟踪随着时间和位置变化的气味信息。
64.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法被配置用于发现与给定嗅感条件相关联的独特气味特征。
65.根据本公开上述第58项技术方案所述的方法，其特征在于，所述方法被配置为使用气味数据库映射气味的位置分布。
66.根据本公开上述第58项技术方案所述的方法，其中所述气味数据由包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体的分析物产生。
67.根据本公开上述第58项技术方案所述的方法，其中所述响应信号是传感器阵列中MOS传感器像素的响应，所述传感器像素由暴露于气相环境中的分析物的MOS活性材料所构成。
68.根据本公开上述第58项技术方案所述的方法，其中所述材料类型是MOS活性材料并且是从由以下各项组成的材料组中选择的成员：SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO或其组合。
69.根据本公开上述第58项技术方案所述的方法，其中所述预定刺激是一系列预定温度，所述预定温度落在100℃至500℃之间的温度范围内，增量为20℃或更小，而所述温度范围由两个或更多个传感器像素来实现。
70.根据本公开上述第58项技术方案所述的方法，其中对应于材料类型的第一数据是MOS活性材料类型。
71.根据本公开上述第58项技术方案所述的方法，其中对应于所述预定刺激的所述第二数据是一系列预定温度。
72.根据本公开上述第58项技术方案所述的方法，其特征在于，所述气味数据以包括数据结构的计算机可读阵列格式排列，其中对应于材料类型(发生器)的第一数据排列在第一向量中，而对应于预定刺激的第二数据被安排在第二向量，响应信号值在第一向量和第二向量的交集中。
73.根据本公开上述第58项技术方案所述的方法，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、该地理位置的温度数据以及生成核心气味数据的日期和时间。
74.根据本公开上述第58项技术方案所述的方法，其中，所述地理位置座标对应于经度、纬度和高度。
75.根据本公开上述第58项技术方案所述的方法，其特征在于，所述数据库存储于当地和/或远程存储到云端。
76.根据本公开上述第58项技术方案所述的方法，其特征在于，所述数据库包括多种气味的感测数据并且可以针对来自其它分析物的气味进行更新。
77.根据本公开上述第58项技术方案所述的方法，其特征在于，所述气味数据被标准化。
78.根据本公开上述第58项技术方案所述的方法，其特征在于，所述气味数据被归一化并且生成热图。
79.根据本公开上述第58项技术方案所述的方法，其特征在于，所述计算机可执行程序代码被配置为由处理器执行以分析气味。
80.根据本公开上述第58项技术方案所述的方法，其特征在于，所述计算机可执行程序代码使用数学方法来查询所述气味信息并使用所述气味数据的归一化值。
81.根据本公开上述第58项技术方案所述的方法，其特征在于，所述计算机可执行程序代码使用图像处理软件或图像识别软件来查询气味信息并使用气味数据的热图。
82.根据本公开上述第58项技术方案所述的方法，其中气味数据的索引有助于从数据库中快速检索以取得记录信息。
83.一种数据库，包括气味的数字化特征，该数字化特征包括气味数据，气味数据包括响应信号，该响应信号是对应于产生响应信号的发生器的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；其中，数字化特征包括二进制数据；并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
84.根据本公开上述第83项技术方案所述的数据库，其中产生响应信号的发生器是在具有多个MOS传感器像素的传感器阵列中包含金属氧化物半导体(MOS)活性材料的传感器像素，每个MOS传感器像素具有MOS活性材料，其选自：SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO或它们的组合。
85.根据本公开上述第83项技术方案所述的数据库，其中具有多个MOS传感器像素的MOS传感器阵列，其中所述多个MOS传感器像素中的一个或多个可以由相同的MOS活性材料构成并且可以同时被加热到不同的温度，以便有效地检测对分析物的响应信号，其中分析物包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体。
86.根据本公开上述第83项技术方案所述的数据库，其中所述预定刺激是落在100℃到500℃之间的温度范围内的一系列预定温度，增量为20℃或更少，并且温度范围由来自多个MOS传感器像素的一个或多个单独的MOS传感器像素来实现。
87.根据本公开上述第83项技术方案所述的数据库，其中所述气味数据以包括数据结构的计算机可读阵列格式排列，其中对应于产生所述响应信号的所述发生器的所述第一数据是排列在第一向量中的MOS活性材料数据，对应于预定刺激的第二数据是排列在第二向量中的数据，且响应信号的对应值位于第一向量与第二向量的交点处。
88.根据本公开上述第83项技术方案所述的数据库，还包括与气味数据相关联的嗅感条件数据。
89.根据本公开上述第88项技术方案所述的数据库，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、地理位置的温度数据以及产生气味数据的日期和时间。
90.根据本公开上述第89项技术方案所述的数据库，其中地理位置座标对应于经度、纬度和高度。
91.根据本公开上述第83项技术方案所述的数据库，其中气味的数字化特征存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中。
92.根据本公开上述第83项技术方案所述的数据库，其中将所述气味数据归一化并生成热图。
93.根据本公开上述第83项技术方案所述的数据库，其中所述数据库是气味信息的数据库，其包括多种气味的感测数据，并且可针对多种分析物产生的气味数据进行更新，其中所述分析物包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体。
94.一种系统，包括传感器和数据库，该数据库包括：
气味的数字化特征，包括气味数据，其中气味数据包括响应信号，该响应信号是对应于产生响应信号的材料类型(发生器)的第一数据和对应于预定刺激的第二数据，该第二数据可用于产生响应信号；与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件；和气味数据的索引；其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
95.根据本公开上述第94项技术方案所述的系统，其中所述传感器是MOS传感器阵列，其具有多个具有MOS活性材料的MOS传感器像素。
96.根据本公开上述第94项技术方案所述的系统，其中所述传感器具有处理器，所述处理器具有被配置为将所述气味数据组装到所述数据库中的逻辑功能。
97.根据本公开上述第94项技术方案所述的系统，其中对应于材料类型的第一数据是MOS活性材料类型。
98.根据本公开上述第94项技术方案所述的系统，其中对应于所述预定刺激的所述第二数据是一系列预定温度。
99.根据本公开上述第94项技术方案所述的系统，其中所述计算机可执行程序代码被配置为由处理器执行以分析未知气味。
100.根据本公开上述第94项技术方案所述的系统，其中所述计算机可执行程序代码使用数学方法来查询气味信息并使用所述气味数据的归一化值。
101.根据本公开上述第94项技术方案所述的系统，其中所述计算机可执行程序代码使用图像处理软件或图像识别软件来查询气味信息并使用所述气味数据的热图。
102.根据本公开上述第94项技术方案所述的系统，其中气味数据的索引有助于从数据库中快速检索以取得记录信息。
此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。
或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种数据库，包括气味的数字化特征，该数字化特征包括气味数据，该气味数据包括响应信号，该响应信号是对应于产生响应信号的发生器的第一数据和对应于用于产生响应信号的预定刺激的第二数据的函数；其中，数字化特征包括二进制数据；并且其中响应信号是发生器对预定刺激的可测量响应，所述刺激是发生器的电阻或阻抗的电特性变化的函数。
2.如权利要求1所述的数据库，其中产生响应信号的发生器是在具有多个MOS传感器像素的传感器阵列中包含金属氧化物半导体(MOS)活性材料的传感器像素，所述MOS活性材料选自具有下列成员的MOS活性材料组：SnO2、V2O5、WO3、ZnO、TeO2、TiO2、CuO、CeO2、Al2O3、ZrO2、V2O3、Fe2O3、Mo2O3、Nd2O3、La2O3、Nb2O5、Ta2O5、In2O3、GeO2、ITO、或它们的组合。
3.根据权利要求1所述的数据库，其中具有多个MOS传感器像素的MOS传感器阵列中的一个或多个MOS传感器像素可以由相同的MOS活性材料构成并且可以同时被加热到不同的温度以便以更有效的方式检测来自分析物的响应信号，其中分析物包括挥发性有机化合物(VOC)、烟雾或气化或汽化的固体。
4.根据权利要求1所述的数据库，其中，所述预定刺激是一系列预定温度，其落在100℃到500℃之间的温度范围内，增量为20℃或更小，并且所述温度范围由具多个MOS传感器像素的传感器阵列中的一个或多个单独的MOS传感器像素所实现。
5.如权利要求1所述的数据库，其中所述气味数据以计算机可读阵列格式排列并包括数据结构，其中置于第一向量的第一数据是对应于产生响应信号的具MOS活性材料的发生器和置于第二向量的第二数据是对应于预定刺激，并且响应信号的对应值位于第一向量与第二向量的交点处。
6.如权利要求1所述的数据库，还包括与气味数据相关联的嗅感条件数据。
7.如权利要求6所述的数据库，其中与气味数据相关联的嗅感条件数据包括气味数据的来源、环境湿度、地理位置座标、地理位置的温度数据以及产生气味数据的日期和时间。
8.如权利要求7所述的数据库，其中，所述地理位置座标对应于经度、纬度和高度。
9.权利要求1的数据库，其中气味的数字化特征存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中。
10.权利要求1的数据库，其中对气味数据进行归一化并生成热图。
11.根据权利要求1所述的数据库，其中所述数据库是气味信息的数据库并且包括多种气味的感测数据，并且可以针对由分析物产生的多种气味对其进行更新，其中所述分析物包括挥发性有机化合物(VOC)、烟雾或气化或汽化固体。
12.一种包括传感器和数据库的系统，所述数据库包括：
包括气味数据的气味的数字化特征，其中所述气味数据包括响应信号，所述响应信号是对应于产生响应信号的材料类型(发生器)的第一数据和对应于用以产生响应信号的预定刺激的第二数据的函数；
与气味数据相关联的嗅感条件数据，其中嗅感条件数据包括产生气味数据的条件和气味数据的索引；
其中，气味数据存储在与计算机可执行程序代码相关联的计算机可读存储介质上的数据结构中；
其中数据结构包括以计算机可读阵列或热图格式排列的气味数据；
并且其中响应信号是发生器对预定刺激的可测量响应，其是发生器中电阻或阻抗的电特性变化的函数。
13.如权利要求12所述的系统，其特征在于，所述传感器是金属氧化物半导体(MOS)传感器阵列，其具有多个具有MOS活性材料的MOS传感器像素。
14.如权利要求12所述的系统，其特征在于，所述传感器具有带有逻辑功能的处理器，其被配置为将气味数据组装到数据库中。
15.如权利要求12所述的系统，其中对应于材料类型的第一数据是MOS活性材料类型数据。
16.如权利要求12所述的系统，其中对应于所述预定刺激的第二数据是一系列预定温度值。
17.如权利要求12所述的系统，其中所述计算机可执行程序代码被配置为可由处理器对未知气味进行分析。
18.如权利要求12所述的系统，其特征在于，所述计算机可执行程序代码使用数学方法来查询气味信息并可使用所述气味数据的归一化值。
19.如权利要求12所述的系统，其中所述计算机可执行程序代码使用图像处理软件或图像识别软件来查询气味信息并可使用所述气味数据的热图。
20.如权利要求12所述的系统，其中气味数据的索引有助于从数据库中快速检索以取得记录信息。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/007,292 US11409797B2 (en) | 2020-08-31 | 2020-08-31 | Systems and methods for generating smell data and a database thereof |
| US17/007,292 | 2020-08-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114168587A true CN114168587A (zh) | 2022-03-11 |
Family
ID=80356694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110975235.2A Pending CN114168587A (zh) | 2020-08-31 | 2021-08-24 | 产生气味数据的系统和方法及其数据库 |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US11409797B2 (zh) |
| CN (1) | CN114168587A (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220221435A1 (en) * | 2019-05-27 | 2022-07-14 | Nanoscent Ltd. | Method and device for identifying volatile compounds |
| US11694770B2 (en) * | 2020-10-26 | 2023-07-04 | International Business Machines Corporation | Volatile organic compound detection and classification |
| US20230160848A1 (en) * | 2021-11-19 | 2023-05-25 | 7-Eleven, Inc. | System and method for determining an ambient concentration of compositions for bathroom cleaning |
| US12117463B2 (en) * | 2021-12-13 | 2024-10-15 | Google Llc | Enabling an automated assistant to leverage odor sensor(s) of client device(s) |
| US12001193B2 (en) * | 2022-03-11 | 2024-06-04 | Applied Materials, Inc. | Apparatus for environmental control of dies and substrates for hybrid bonding |
| CN117272124B (zh) * | 2023-11-23 | 2024-03-12 | 湖南苏科智能科技有限公司 | 一种基于能级的化学品分类方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470121A (zh) * | 2007-12-29 | 2009-07-01 | 广东工业大学 | 一种嵌入式仿生嗅觉气味识别方法及装置 |
| US20160051815A1 (en) * | 2013-04-10 | 2016-02-25 | Virginia Commonwealth University | Olfactory implant system |
| US20180003660A1 (en) * | 2016-07-02 | 2018-01-04 | Intel Corporation | Metal oxide gas sensor array devices, systems, and associated methods |
| CN110869754A (zh) * | 2017-05-05 | 2020-03-06 | 墨尔本皇家理工大学 | 多气体感测系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999053287A2 (en) * | 1998-04-09 | 1999-10-21 | California Institute Of Technology | Electronic techniques for analyte detection |
| US6631333B1 (en) * | 1999-05-10 | 2003-10-07 | California Institute Of Technology | Methods for remote characterization of an odor |
| SE0003864D0 (sv) * | 2000-10-25 | 2000-10-25 | Abb Ab | Monitoring system |
| KR20110043605A (ko) * | 2008-06-23 | 2011-04-27 | 아토나프 가부시키가이샤 | 화학 물질에 관련한 정보를 취급하기 위한 시스템 |
| US10152116B2 (en) * | 2011-04-26 | 2018-12-11 | The Regents Of The University Of California | Systems and devices for recording and reproducing senses |
| EP2639582B1 (en) * | 2012-03-15 | 2015-07-01 | Sensirion AG | Odour and/or gas identification system |
| US10839440B2 (en) * | 2012-05-07 | 2020-11-17 | Hannah Elizabeth Amin | Mobile communications device with electronic nose |
| EP2999963A1 (en) * | 2013-05-21 | 2016-03-30 | Gafsou, Alon Daniel | System and method for scent perception measurements and for construction of a scent database |
| WO2019218395A1 (zh) * | 2018-05-17 | 2019-11-21 | 华东理工大学 | 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法 |
-
2020
- 2020-08-31 US US17/007,292 patent/US11409797B2/en active Active
-
2021
- 2021-08-24 CN CN202110975235.2A patent/CN114168587A/zh active Pending
-
2022
- 2022-07-01 US US17/856,271 patent/US11886504B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470121A (zh) * | 2007-12-29 | 2009-07-01 | 广东工业大学 | 一种嵌入式仿生嗅觉气味识别方法及装置 |
| US20160051815A1 (en) * | 2013-04-10 | 2016-02-25 | Virginia Commonwealth University | Olfactory implant system |
| US20180003660A1 (en) * | 2016-07-02 | 2018-01-04 | Intel Corporation | Metal oxide gas sensor array devices, systems, and associated methods |
| CN110869754A (zh) * | 2017-05-05 | 2020-03-06 | 墨尔本皇家理工大学 | 多气体感测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11409797B2 (en) | 2022-08-09 |
| US11886504B2 (en) | 2024-01-30 |
| US20220067093A1 (en) | 2022-03-03 |
| US20220405326A1 (en) | 2022-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11886504B2 (en) | Systems and methods for generating smell data and a database thereof | |
| Kang et al. | Performance evaluation of low-cost air quality sensors: A review | |
| US10330624B2 (en) | Metal oxide gas sensor array devices, systems, and associated methods | |
| Dentoni et al. | Development of an electronic nose for environmental odour monitoring | |
| Stitzel et al. | Artificial noses | |
| Munoz et al. | Conductive polymer‐carbon black composites‐based sensor arrays for use in an electronic nose | |
| Esfahani et al. | Development of a tuneable NDIR optical electronic nose | |
| Qian et al. | Development of a portable electronic nose based on a hybrid filter-wrapper method for identifying the Chinese dry-cured ham of different grades | |
| Bieganowski et al. | Evaluating soil moisture status using an e-nose | |
| CN101470121A (zh) | 一种嵌入式仿生嗅觉气味识别方法及装置 | |
| US20230160861A1 (en) | Portable fluid sensory device with learning capabilities | |
| CN101788517A (zh) | 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 | |
| Xu et al. | Integrated sensor array optimization with statistical evaluation | |
| Huang et al. | Robust and rapid detection of mixed volatile organic compounds in flow through air by a low cost electronic nose | |
| Zarra et al. | Instrumental odour monitoring system classification performance optimization by analysis of different pattern-recognition and feature extraction techniques | |
| JP7201184B2 (ja) | 匂い識別装置、情報処理装置、携帯デバイス、ウエアラブルデバイス、空調機器、及び医療機器 | |
| Putri et al. | Rapid analysis of meat floss origin using a supervised machine learning-based electronic nose towards food authentication | |
| Raman et al. | Bioinspired methodology for artificial olfaction | |
| Fuchs et al. | Evaluation of unpleasant odor with a portable electronic nose | |
| Haj Ammar et al. | A Temporal Filter to Extract Doped Conducting Polymer Information Features from an Electronic Nose | |
| Eklöv et al. | Distributed sensor system for quantification of individual components in a multiple gas mixture | |
| Korotcenkov | Chemical Sensors: Comprehensive Sensor Technologies Volume 6: Chemical Sensors Applications | |
| Sharmilana et al. | Classification and identification of volatile organic solvents based on functional groups using electronic nose | |
| Szczurek et al. | Gas sensor array with broad applicability | |
| Carrillo et al. | Assessment of E-Senses Performance through Machine Learning Models for Colombian Herbal Teas Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220307 Address after: Room 812-1, building 1, No. 371, Xingxing Road, Xiaoshan District, Hangzhou, Zhejiang Applicant after: Qisi semiconductor (Hangzhou) Co.,Ltd. Address before: 516 San Benito Avenue, Menlo Park, CA 94025 Applicant before: Su Xing Applicant before: Wu Kaiyuan |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220311 |