CN117828334A - 电阻式阵列传感器数据特征提取方法、装置、设备及介质 - Google Patents
电阻式阵列传感器数据特征提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117828334A CN117828334A CN202410030411.9A CN202410030411A CN117828334A CN 117828334 A CN117828334 A CN 117828334A CN 202410030411 A CN202410030411 A CN 202410030411A CN 117828334 A CN117828334 A CN 117828334A
- Authority
- CN
- China
- Prior art keywords
- sensor
- signal
- gas
- target
- data
- 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 40
- 230000004044 response Effects 0.000 claims abstract description 115
- 230000009467 reduction Effects 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000011084 recovery Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000003039 volatile agent Substances 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本申请公开了电阻式阵列传感器数据特征提取方法、装置、设备及介质,包括:采集待提取样本气体在预设循环次数下的原始气体响应数据,基于原始气体响应数据构建相应的传感器信号曲线;基于传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、预设循环次数计算传感器信号曲线的信噪比,将信噪比最大值对应的传感器作为目标传感器;从目标传感器信号中确定目标基点时序,基于目标基点时序应用于电子鼻系统中的各传感器信号曲线,分别确定各传感器的传感器基线;利用原始气体响应数据、传感器基线获取待提取样本气体的气体数据特征。自动计算确定各传感器的信噪比确定基线,提取更加准确的气体数据特征。
Description
技术领域
本发明涉及传感器测量技术领域,特别涉及电阻式阵列传感器数据特征提取方法、装置、设备及介质。
背景技术
由于不同应用场景的多样性以及受到外部环境和气体传感器质量的影响,传感器信号的测量结果可能呈现出不同程度的复杂性。这种复杂性表现在多个方面:首先,由于各种不同的环境条件,传感器信号可能不够明显,这对基点的寻找形成了一些挑战。其次,在从背景气体到样气的换气过程中,由于测量系统可能存在一些问题,可能会出现与响应信号的相反的换气峰,这也增加了基点寻找的挑战。如果基点和基线不准确,会导致系统对气味的识别出现误差,从而影响系统的准确性。并且电子鼻系统需要对同一种气味进行多次测量,以确定气味的浓度和特征。如果基点和基线不准确,会导致不同次测量的结果不一致,从而影响系统的重复性。电子鼻系统可以通过传感器的响应来确定气味的浓度,如果基点和基线不准确,会导致系统无法准确地确定气味的浓度,从而无法进行定量分析。此前的电子鼻测量系统,并未考虑到这些异常情况。
综上,如何准确自动寻找基准点基准线,进而能够提取符合实际数据场景要求的数据特征,从而实现更准确的数据分析是本领域有待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供电阻式阵列传感器数据特征提取方法、装置、设备及介质,能够准确自动寻找基准点基准线,进而能够提取符合实际数据场景要求的数据特征,从而实现更准确的数据分析。其具体方案如下:
第一方面,本申请公开了一种电阻式阵列传感器数据特征提取方法,应用于电子鼻系统,包括:
通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;
基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;
从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;
利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
可选的,所述通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,包括:
设置所述电子鼻系统的气体通入时间、气体恢复时间、预设循环次数;
在所述气体通入时间内通入背景气体,以控制所述电子鼻系统的各传感器处于基线状态;
执行待提取样本气体通入所述电子鼻系统,以便通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据,当结束单循环后,在所述气体恢复时间内通入所述背景气体,以获取单循环原始气体响应数据;
重复执行所述通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据的步骤,以得到在预设循环次数下的原始气体响应数据。
可选的,所述基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器,包括:
通过计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;其中,p为信号峰的突起度,h为波峰的宽度,y为传感器原始信号,yafter noise为传感器降噪信号;n为波峰的数量;x为预设循环次数。
可选的,所述基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比之前,还包括:
基于预设波峰判定条件并通过预设寻峰算法从所述传感器信号曲线中确定出所有波峰;所述预设波峰判定条件为满足预设峰值高度阈值、预设峰值宽度阈值以及预设峰值距离阈值的曲线为波峰;
对传感器原始信号进行降噪处理,以得到传感器降噪信号。
可选的,所述对传感器原始信号进行降噪处理,以得到传感器降噪信号,包括:
基于预设平滑度参数并利用三次样条差值算法对传感器原始信号进行拟合,以得到传感器降噪信号。
可选的,所述从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线,包括:
从所述预设循环次数下的目标传感器信号中的各气体通入时刻、各气体恢复时刻以及所述气体通入时刻与所述气体恢复时刻之间的测试时间中确定背景气体切换为待提取样本气体的时间点范围,以得到转折点范围;
利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序,以基于所述目标基点时序生成所述目标传感器的目标传感器基线。
可选的,所述利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序之后,还包括:
将所述目标基点时序分别应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线中,然后分别确定各所述传感器的传感器基点,连接所述传感器基点,以得到传感器基线。
可选的,所述利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征,包括:
基于所述传感器基线对所述原始气体响应数据进行基线扣除处理,并归一化扣除后的原始气体响应数据,以得到待提取气体响应曲线;
提取所述待提取气体响应曲线的气体数据特征。
第二方面,本申请公开了一种电阻式阵列传感器数据特征提取装置,应用于电子鼻系统,包括:
数据采集模块,用于通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;
传感器确定模块,用于基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;
基点确定模块,用于从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;
特征提取模块,用于利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的电阻式阵列传感器数据特征提取方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的电阻式阵列传感器数据特征提取方法的步骤。
可见,本申请公开了一种电阻式阵列传感器数据特征提取方法,应用于电子鼻系统,包括:通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。由此可见,通过多传感器同时采集实际场景的样本气体数据的方式,能够避免在样本气体浓度较低、传感器老化或外部环境因素影响下导致的单个传感器采集的响应信号不明显的情况下确定基点困难的问题,进而通过识别具备最高信噪比的目标传感器的响应信号来确定所有传感器的传感器基线,并且创新的构建了基于传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、预设循环次数的信噪比计算公式,能够自动计算确定各传感器的信噪比,最终能够基于传感器基线、原始气体响应数据提取更加准确的气体数据特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种电阻式阵列传感器数据特征提取方法流程图;
图2为本申请公开的一种电子鼻系统数据特征提取方法流程图;
图3为本申请公开的一种具体的电阻式阵列传感器数据特征提取方法流程图;
图4为本申请公开的一种传感器原始信号曲线图;
图5为本申请公开的一种传感器转折点确定中间过程曲线图;
图6为本申请公开的一种传感器基点确定结果曲线图;
图7为本申请公开的一种多传感器原始数据的信噪比;
图8为本申请公开的一种目标传感器S1的基点、基线示意图;
图9为本申请公开的一种传感器S6的响应值曲线图;
图10为本申请公开的一种电阻式阵列传感器数据特征提取装置结构示意图;
图11为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于不同应用场景的多样性以及受到外部环境和气体传感器质量的影响,传感器信号的测量结果可能呈现出不同程度的复杂性。这种复杂性表现在多个方面:首先,由于各种不同的环境条件,传感器信号可能不够明显,这对基点的寻找形成了一些挑战。其次,在从背景气体到样气的换气过程中,由于测量系统可能存在一些问题,可能会出现与响应信号的相反的换气峰,这也增加了基点寻找的挑战。如果基点和基线不准确,会导致系统对气味的识别出现误差,从而影响系统的准确性。并且电子鼻系统需要对同一种气味进行多次测量,以确定气味的浓度和特征。如果基点和基线不准确,会导致不同次测量的结果不一致,从而影响系统的重复性。电子鼻系统可以通过传感器的响应来确定气味的浓度,如果基点和基线不准确,会导致系统无法准确地确定气味的浓度,从而无法进行定量分析。此前的电子鼻测量系统,并未考虑到这些异常情况。
为此,本发明提供了一种电阻式阵列传感器数据特征提取方案,能够准确自动寻找基准点基准线,进而能够提取符合实际数据场景要求的数据特征,从而实现更准确的数据分析。
参照图1所示,本发明实施例公开了一种电阻式阵列传感器数据特征提取方法,应用于电子鼻系统,包括:
步骤S11:通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线。
本实施例中,现代电子鼻系统通常具有包含数十个气体传感器的传感器阵列,在一次气体样本采集中会获得相当庞大的样本数据,并且因为电子鼻中传感器阵列的交叉敏感性,不同传感器对相同的气体都会做出响应,直接将它们输入模式识别算法得到的结果非常不理想。因此,在电子鼻系统中各传感器在进行样本气体采集的过程中在非稳态进行测试,具体的,设置所述电子鼻系统的气体通入时间、气体恢复时间、预设循环次数;在所述气体通入时间内通入背景气体,以控制所述电子鼻系统的各传感器处于基线状态;执行待提取样本气体通入所述电子鼻系统,以便通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据,当结束单循环后,在所述气体恢复时间内通入所述背景气体,以获取单循环原始气体响应数据;重复执行所述通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据的步骤,以得到在预设循环次数下的原始气体响应数据。可以理解的是,设置固定的气体通入时间(这部分称为响应阶段)与固定的气体恢复时间(这部分称为恢复阶段)得到一段曲线,用这段曲线作为传感器与测试气体的响应曲线。此外,还要设置循环次数,一般为三次,用于在气体通入时间时进行待提取样本气体的循环通入测试,样本气体信号采集过程如下:以一个包含八通道电阻式气体传感器阵列的电子鼻系统为例,也即内置有八个不同的传感器。测试时,待提取样本气体同时通过八个传感器并发生响应。如,一次测试包括基线阶段60s,平行测试三个循环,一个循环里面包括60s的响应阶段或者恢复阶段。基线阶段(Baseline Collection):在采集的初始阶段,将背景气体引入电子鼻系统,以确保传感器处于稳定的基线状态。本实施例中,这个过程设置60秒。响应阶段(Response Phase):在响应阶段,电子鼻系统中的传感器阵列开始检测目标气味或挥发性化合物。每个响应阶段持续60秒,有三个循环,通过在每个循环中测量相同的气体,可以验证传感器的稳定性和一致性。这有助于确保传感器在不同时间点和条件下产生的数据具有一致性和可重复性。恢复阶段(Recovery Phase):在每个响应阶段之后,系统会进入恢复阶段,这时候通入背景气体以将传感器恢复到其原始基线状态,准备下一个循环的响应。每个恢复阶段设置时间180秒。然后得到于原始气体响应数据,并根据采集的原始气体响应数据构建相应的传感器信号曲线。
步骤S12:基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器。
本实施例中,气体传感器的测量结果会受到多种因素的影响,包括环境条件和传感器老化等,导致传感器响应的变化。有时,在背景气体测量中,测量结果(或基线)会随着时间缓慢漂移,这被称为漂移问题。因此考虑到漂移现象,需要扣除基线以消去基线偏移造成的影响,即通过计算测量结果与基线的相对差值来表示气体传感器的响应值。考虑到基线漂移一般随时间线性增加,基线用每一个阶段起始点和最后一个阶段末尾点之间的连线表示,这些点称为基点。因此从传感器信号曲线中确定基点,而电子鼻系统存在多个传感器,相应的需要寻找多传感器中需要识别响应最为明显的传感器的相应信号作为共同基准点,也即基点,而确定响应最为明显的传感器则需要通过计算其信噪比,用来评估传感器响应信号的质量,通过计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;其中,p为信号峰的突起度,h为波峰的宽度,y为传感器原始信号,yafter noise为传感器降噪信号;n为波峰的数量;x为预设循环次数。具体的,基于上述公式分别计算各传感器的信噪比,计算其信噪比的公式如下:
其中,p为信号峰的突起度,h为波峰的宽度,y为传感器原始信号,yafter noise为利用csaps得到的降噪曲线,也即传感器降噪信号;n为寻峰算法找到的波峰的数量;x为平行测试的循环次数。这样一来,通过上述的信噪比计算公式,旨在更好地评估传感器信号的质量。这一计算公式结合了波峰的突起度与宽度的乘积,以反映响应信号的大小,以及降噪前后信号的差值的绝对值,以度量噪音信号的大小。通过计算信噪比,能够更全面地了解传感器信号的有效信息与噪音成分之间的平衡情况。当信噪比较大时,这意味着噪音占比相对较低,有效信息相对较多,这将使后续的基点寻找任务更为容易。为了更准确地处理那些由几个循环数据组成的峰的信号,本发明还引入了指数项2-n-x。这一创新使信噪比计算公式更加智能化,能够更有效地处理由多个周期数据构成的传感器信号。这一引入的指数项解决了实际上循环数与寻找到峰的数量不匹配的问题,让信号处理更为全面,使系统能够更好地适应各种信号类型和复杂性。当计算出所有传感器的信噪比后,能够从信噪比计算结果中找到信噪比最大值,并将信噪比最大值对应的传感器作为目标传感器。
本实施例中,所述基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比之前,还包括:基于预设波峰判定条件并通过预设寻峰算法从所述传感器信号曲线中确定出所有波峰;所述预设波峰判定条件为满足预设峰值高度阈值、预设峰值宽度阈值以及预设峰值距离阈值的曲线为波峰;对传感器原始信号进行降噪处理,以得到传感器降噪信号。具体的,对传感器原始信号进行降噪处理,以得到传感器降噪信号,包括:基于预设平滑度参数并利用三次样条差值算法对传感器原始信号进行拟合,以得到传感器降噪信号。可以理解的是,因为待提取样本气体通过传感器时信号缓慢变化,而通过待提取样本气体时因为气体发生变化,信号值恢复,这样就形成一个个的峰,为预设寻峰算法设置相应的波峰判定条件,也即阈值条件,包括:峰值高度阈值、峰值宽度阈值、峰值距离阈值等,进而通过该预设寻峰算法找到波峰,这些峰就表示一个个循环的信号。所述预设寻峰算法具体可以为scipy.signal.find_peaks函数等。为了减少噪音对后续数据处理的影响,可采用csaps平滑样条拟合(Cubic Spline Approximation)的函数实现来降噪,然后在降噪后的信号进行后续处理。
分子部分即信号大小表示用波峰相关的概念表示,也就是ph。其中p表示信号峰的突起度(Prominence),表示波峰的高度或强度,通常是波峰与周围区域的差异。响应值可以用来量化波峰的相对大小或幅度,而h表示波峰的宽度(Width)。这里求和表示对一条传感器信号进行寻峰算法得到的n个不同峰结果的求和。
分母部分表示噪音的大小,y表示原始信号,而表示利用csaps得到的降噪曲线,它们差值的绝对值大小可以起到表示噪音大小。
2-n-x表示希望找到峰的数量为x个,本实施例中x=3,因为是三个循环,所以给找到三个峰的传感器信号更大的权重。峰寻找时通过控制峰之间的距离和突起度大小来筛选一些不必要的小峰。
最后计算八个传感器信号信噪比的最大值,值最大的那个传感器信号认为最显著的信号。
csaps是一种平滑样条拟合算法,用于拟合一组数据点,以获得平滑的逼近曲线。该算法的主要原理是使用三次样条插值来逼近数据,通过调整平滑度参数来控制曲线的平滑度,以便更好地适应数据,最后起到降噪作用。
以下是csaps算法对传感器原始信号进行降噪获取传感器降噪信号的一般原理和步骤:
1.数据输入:需要提供一组数据点,包括x坐标和对应的y值。这些数据点将用于拟合平滑曲线。
2.平滑度参数:设置一个平滑度参数(通常称为"smoothing parameter"或"smoothing factor"),该参数控制了拟合曲线的平滑度。较大的平滑度参数将导致更平滑的曲线,而较小的参数将允许曲线更好地适应数据点。
样条拟合:csaps使用三次样条插值方法来拟合数据点。三次样条是一种连续可微的曲线,它通过数据点进行插值,以使曲线在数据点之间光滑连接。平滑度参数影响曲线的曲率,从而影响曲线的平滑度。
3.返回拟合曲线:csaps返回一个平滑的曲线,该曲线经过了数据点。曲线的平滑度由平滑度参数决定。
csaps算法的优势在于它允许用户在拟合过程中控制平滑度,从而平衡了拟合曲线的光滑性和数据点的拟合精度。这对于处理具有噪声或变化的数据时非常有用,因为它可以减小数据中的高频噪声,同时保持曲线与数据点的一致性。这种方法在数据平滑、曲线拟合和曲线逼近等许多应用中都非常有用。
步骤S13:从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线。
本实施例中,从目标传感器对应的目标传感器信号中确定出目标基点时序,然后基于该目标基点时序分别确定出目标传感器以及电子鼻系统中其他传感器的基线,其中,确定基线需要先从目标传感器信号中确定出目标基点时序,按照曲线的时间走向依次连接目标传感器信号所有目标基点,获取目标传感器基线,由于目标基点对应的目标基点时序是电子鼻系统中各传感器的基点时序,进而得到每个传感器的基点,然后基于每个传感器各自的基点确定各自的传感器基线。也即基于该目标传感器的目标基点时序应用于电子鼻系统中各传感器的信号曲线,进而确定出各传感器对应的传感器基线。
步骤S14:利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
本实施例中,利用原始气体响应数据,减去对应的传感器基线中的数值,以获取待提取样本气体的气体数据特征。数据特征提取的流程参照图2所示,首先获取通过电子鼻系统中各传感器采集得到的原始数据;对不同传感器寻找相同的响应起始/终止点,也即目标基点。需要注意的是,因为气体同时到达各个传感器或敏感位点,所以不同传感器的响应初始时间点一致,通过基线扣除或其他换算方法,将原始数据曲线转换成响应曲线;将响应曲线按照时间等距离下采样得到特征值。
可见,本申请公开了一种电阻式阵列传感器数据特征提取方法,应用于电子鼻系统,包括:通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。由此可见,通过多传感器同时采集实际场景的样本气体数据的方式,能够避免在样本气体浓度较低、传感器老化或外部环境因素影响下导致的单个传感器采集的响应信号不明显的情况下确定基点困难的问题,进而通过识别具备最高信噪比的目标传感器的响应信号来确定所有传感器的传感器基线,并且创新的构建了基于传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、预设循环次数的信噪比计算公式,能够自动计算确定各传感器的信噪比,最终能够基于传感器基线、原始气体响应数据提取更加准确的气体数据特征。
参照图3所示,本发明实施例公开了一种具体的电阻式阵列传感器数据特征提取方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
步骤S21:通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线。
步骤S22:基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器。
其中,步骤S21、S22中更加详细的处理过程请参照前述公开的实施例内容,在此不再进行赘述。
步骤S23:从所述预设循环次数下的所述目标传感器的目标传感器信号中的各气体通入时刻、各气体恢复时刻以及所述气体通入时刻与所述气体恢复时刻之间的测试时间中确定背景气体切换为待提取样本气体的时间点范围,以得到转折点范围。
本实施例中,测试流程是按照固定的流程进行的,首先是60s基线阶段,然后是60s响应阶段(样气测试阶段),最后是180s响应恢复阶段,所以基点一般存在于60s,300s,540s与最后一个点。在最佳传感信号上,分别在上述时间点附近一段时间作为转折点范围。
步骤S24:利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序,以基于所述目标基点时序生成所述目标传感器的目标传感器基线。
本实施例中,利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序;对与目标传感器所对应的目标传感器信号所有目标基点逐个进行连接,以得到目标传感器基线,从转折点范围寻找目标基点,比如:20s内寻找转折点,这个转折点就是背景气体切换到样气的信号发生变化的转折点,以及响应恢复完成点切换到新一轮样气是信号发生变化的转折点,也就是基点。需要注意的是,最后一个循环可能测量不够完整,所以直接用最后一个点作为基点。其中,基点的寻找步骤具体如下:
1、对目标传感器信号曲线的首尾两点分别设置为A点和B点;连接曲线首尾两点A、B;
2、依次计算曲线上所有点到A、B两点所在曲线的距离;
3、计算最大距离D,如果D小于阈值threshold,则去掉曲线上出A、B外的所有点;如果D大于阈值threshold,则把曲线以最大距离分割成两段;4、对所有曲线分段重复步骤1至3,直到所有D均小于阈值。得到剩下的几个点就是转折点,也即基点。具体的,如图4所示,假设在平面坐标系上有一条由N个坐标点组成的曲线,已设定一个阈值epsilon。首先,操作(1):将起始点与结束点用直线连接,再找出到该直线的距离最大,同时又大于阈值epsilon的点并记录下该点的位置(这里暂且称其为最大阈值点)。然后执行操作(2):以该点为分界点,将整条曲线分割成两段(这里暂且称之为左曲线和右曲线),将这两段曲线想象成独立的曲线然后重复执行操作(1)步骤,找出两段曲线中的最大阈值点,如图5所示。最后重复操作(2)、操作(1)直至再也找不到最大阈值点为止,然后将所有最大阈值点按顺序连接起来便可以得到一条更简化的,更平滑的,与原曲线十分近似的曲线,这些点作为曲线的重要转折点,也即基点,如图6所示。最后连接所有基点,以得到基线。
步骤S25:将所述目标基点时序分别应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线中,然后分别确定各所述传感器的传感器基点,连接所述传感器基点,以得到传感器基线。
本实施例中,根据曲线简化算法在转折点范围中搜索出现信号变化的目标时刻,以得到目标基点时序,然后由于该基点对应的目标基点时序是电子鼻系统中各传感器的基点时序,进而得到每个传感器的基点;由基点确定每个传感器的基线,也即电子鼻系统中每个位点的传感器都有的各自的响应曲线中的传感器基线。
步骤S26:基于目标传感器基线和所述传感器基线对所述原始气体响应数据进行基线扣除处理,并归一化扣除后的原始气体响应数据,以得到待提取气体响应曲线;提取所述待提取气体响应曲线的气体数据特征。
本实施例中,执行基线扣除处理,具体的,降噪后的信号记为S,寻找到的基点用直线连接起来作为基线,记为S0,S表示信号类型(R电阻,I电流,U电压),根据测量信号类型不同采用不同的公式用于基线扣除,并计算响应曲线。本实施例以电阻为例,以响应信号变化率作为其响应曲线时,其公式为
其中,z为响应值,R为电阻,R0为基线电阻。
R-R0的差值表示相对于基线信号的绝对大小,除以R表示相对大小,目的是将基线扣除并且对信号进行归一化,进而得到响应曲线。尤其是在信号的幅度相对较小的情况下,这有助于突出信号的特征。获取的z就是响应曲线,然后可以对响应曲线进行特征提取,如最大值、最小值、斜率、峰面积等特征类型。考虑到整体特征有传感器对气体的全部信息,因为采样率不一定相同,对特征曲线进行降采样。考虑到随着测量进行气体采集系统采样率不一定稳定,这里按照时间等间隔对原始曲线降采样处理,每个传感器信号最终得到100个特征点,一共得到8×100个特征。目前来说数据分类效果和最大值面积等特征值对比来说没有太大差距,而降采样特征随着数据量增加未来可以用深度学习来提取更多信息。
以一组有六个传感器的电子鼻系统为例,电子鼻系统中包含传感器S1、传感器S2、传感器S3、传感器S4、传感器S5、传感器S6、传感器信号有三个循环。第一个循环开始时间为60s左右,每个循环长度为160s,理论上基点所在的时间为[60,220,380]。按照信噪比计算公式计算六个通道的信噪比值,其中,y表示传感器原始信号的原始曲线,参照图7所示;yafter_noise是csaps算法设置参数值0.1的数据,表示降噪数据。设置峰突起度大于曲线最大最小值差的1/10,相邻峰距离大于曲线长度的1/10,计算得到信号峰,p为波峰的突起度,而h为波峰的宽度,计算得到[0.0101,0.0007,0.0003,0.0014,0.0003,0.0046],看出传感器S1的通道信噪比最大,则将传感器S1作为目标传感器,那么将传感器S1的通道设为标准通道,并从标准通道的原始信号的原始曲线中寻找目标基点、目标传感器基线。具体的,寻找传感器S1中原始信号的转折点为基点,设置区间宽度为10S,表示在某个点左右10s区间内寻找到的转折点。经过寻找得到所在时间为[59.4,216.4807,378.84]s,最后一个点时间为533.28s,所以最后基点为[59.4,216.4807,378.84,533.28]s,根据这组基点作为目标基点,依次连接所有目标基点,形成目标传感器基线,目标基点和目标基线如图8所示,电子鼻系统中其他传感器数据也采用这个目标基点,当信号类型是电阻,采用转换得到响应值,下图9为该电子鼻系统中传感器S6的响应值。
由此可见,通过曲线中的数值的实际分布来判断电子鼻系统中不同传感器的响应显著性:根据每个响应峰的突出度和宽度的乘积(ph)来表示响应显著性,并做整条曲线的响应显著性分析,评判得到响应最显著通道,再进行后续分析;且本发明的电子鼻数据特征提取方案迁移性强,很容易在应用于不同的电子鼻应用场景,应用于测量系统采样率不稳定,响应不太明显,采样率不稳定的场景,用于有效数据的前处理。
参照图10所示,本发明还相应公开了一种电阻式阵列传感器数据特征提取装置,应用于电子鼻系统,包括:
数据采集模块11,用于通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;
传感器确定模块12,用于基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;
基点确定模块13,用于从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;
特征提取模块14,用于利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
可见,本申请公开了一种电阻式阵列传感器数据特征提取方法,应用于电子鼻系统,包括:通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。由此可见,通过多传感器同时采集实际场景的样本气体数据的方式,能够避免在样本气体浓度较低、传感器老化或外部环境因素影响下导致的单个传感器采集的响应信号不明显的情况下确定基点困难的问题,进而通过识别具备最高信噪比的目标传感器的响应信号来确定所有传感器的传感器基线,并且创新的构建了基于传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、预设循环次数的信噪比计算公式,能够自动计算确定各传感器的信噪比,最终能够基于传感器基线、原始气体响应数据提取更加准确的气体数据特征。
进一步的,本申请实施例还公开了一种电子设备,图11是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图11为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的电阻式阵列传感器数据特征提取方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的电阻式阵列传感器数据特征提取方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的电阻式阵列传感器数据特征提取方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器RAM(Random Access Memory)、内存、只读存储器ROM(Read Only Memory)、电可编程EPROM(Electrically Programmable Read Only Memory)、电可擦除可编程EEPROM(ElectricErasable Programmable Read Only Memory)、寄存器、硬盘、可移动磁盘、CD-ROM(CompactDisc-Read Only Memory,紧凑型光盘只读储存器)、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的电阻式阵列传感器数据特征提取方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种电阻式阵列传感器数据特征提取方法,其特征在于,应用于电子鼻系统,包括:
通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;
基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;
从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;
利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
2.根据权利要求1所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,包括:
设置所述电子鼻系统的气体通入时间、气体恢复时间、预设循环次数;
在所述气体通入时间内通入背景气体,以控制所述电子鼻系统的各传感器处于基线状态;
执行待提取样本气体通入所述电子鼻系统,以便通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据,当结束单循环后,在所述气体恢复时间内通入所述背景气体,以获取单循环原始气体响应数据;
重复执行所述通过所述电子鼻系统采集所述待提取样本气体在单循环下产生的气体响应数据的步骤,以得到在预设循环次数下的原始气体响应数据。
3.根据权利要求1所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器,包括:
通过计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;其中,p为信号峰的突起度,h为波峰的宽度,y为传感器原始信号,yafternoise为传感器降噪信号;n为波峰的数量;x为预设循环次数。
4.根据权利要求1所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比之前,还包括:
基于预设波峰判定条件并通过预设寻峰算法从所述传感器信号曲线中确定出所有波峰;所述预设波峰判定条件为满足预设峰值高度阈值、预设峰值宽度阈值以及预设峰值距离阈值的曲线为波峰;
对传感器原始信号进行降噪处理,以得到传感器降噪信号。
5.根据权利要求4所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述对传感器原始信号进行降噪处理,以得到传感器降噪信号,包括:
基于预设平滑度参数并利用三次样条差值算法对传感器原始信号进行拟合,以得到传感器降噪信号。
6.根据权利要求1所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线,包括:
从所述预设循环次数下的目标传感器信号中的各气体通入时刻、各气体恢复时刻以及所述气体通入时刻与所述气体恢复时刻之间的测试时间中确定背景气体切换为待提取样本气体的时间点范围,以得到转折点范围;
利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序,以基于所述目标基点时序生成所述目标传感器的目标传感器基线。
7.根据权利要求6所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述利用曲线简化算法在所述转折点范围中搜索在预设时间间隔内出现信号变化的目标时刻,以得到目标基点时序之后,还包括:
将所述目标基点时序分别应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线中,然后分别确定各所述传感器的传感器基点,连接所述传感器基点,以得到传感器基线。
8.根据权利要求1至7任一项所述的电阻式阵列传感器数据特征提取方法,其特征在于,所述利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征,包括:
基于所述传感器基线对所述原始气体响应数据进行基线扣除处理,并归一化扣除后的原始气体响应数据,以得到待提取气体响应曲线;
提取所述待提取气体响应曲线的气体数据特征。
9.一种电阻式阵列传感器数据特征提取装置,其特征在于,应用于电子鼻系统,包括:
数据采集模块,用于通过多个传感器构建的所述电子鼻系统采集待提取样本气体在预设循环次数下的原始气体响应数据,并基于所述原始气体响应数据构建相应的传感器信号曲线;
传感器确定模块,用于基于所述传感器信号曲线中波峰的突起度、波峰的宽度、传感器原始信号、传感器降噪信号、波峰的数量、所述预设循环次数计算所述传感器信号曲线的信噪比,并将信噪比最大值对应的传感器作为目标传感器;
基点确定模块,用于从所述目标传感器的目标传感器信号中确定目标基点时序,并基于所述目标基点时序应用于所述电子鼻系统中的各所述传感器的所述传感器信号曲线,以分别确定各所述传感器的传感器基线;
特征提取模块,用于利用所述原始气体响应数据、所述传感器基线获取所述待提取样本气体的气体数据特征。
10.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至8任一项所述的电阻式阵列传感器数据特征提取方法的步骤。
11.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的电阻式阵列传感器数据特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030411.9A CN117828334A (zh) | 2024-01-08 | 2024-01-08 | 电阻式阵列传感器数据特征提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030411.9A CN117828334A (zh) | 2024-01-08 | 2024-01-08 | 电阻式阵列传感器数据特征提取方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828334A true CN117828334A (zh) | 2024-04-05 |
Family
ID=90513331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410030411.9A Pending CN117828334A (zh) | 2024-01-08 | 2024-01-08 | 电阻式阵列传感器数据特征提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828334A (zh) |
-
2024
- 2024-01-08 CN CN202410030411.9A patent/CN117828334A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN109182462B (zh) | 一种检测指标阴阳性的判定方法及装置 | |
CN111337606A (zh) | 一种应用于色谱分析的重叠峰处理办法及装置 | |
KR20040077722A (ko) | 전기 화학 신호를 프로세싱하기 위한 방법 및 장치 | |
CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
CN112105923A (zh) | 利用人工智能深度学习的生物测量对象浓度测量方法 | |
CN116929438B (zh) | 传感器的性能测试方法及装置 | |
CN117033918B (zh) | 一种波形数据分段处理方法及装置 | |
CN117168337B (zh) | Ofdr应变边缘优化方法及测量方法 | |
CN117387884A (zh) | 一种基于多传感器数据融合的桥梁挠度测量方法 | |
CN117828334A (zh) | 电阻式阵列传感器数据特征提取方法、装置、设备及介质 | |
CN116466058A (zh) | 水质检测数据处理方法、水质评估系统、设备及介质 | |
CN109374686B (zh) | 一种气体传感器 | |
US20230280317A1 (en) | Data generation method and device, and discriminator generation method and device | |
CN108627788B (zh) | 一种霍尔电流传感器磁滞检测的方法及系统 | |
CN115683319A (zh) | 一种电力变压器绕组状态评估方法 | |
CN114664392A (zh) | 电化学参数预测方法、装置、电子设备及可读存储介质 | |
CN112782233B (zh) | 一种基于阵列气体传感器的气体识别方法 | |
CN112685901A (zh) | 一种量热计算方法 | |
CN112255994A (zh) | 一种控制系统实时响应测试方法和装置 | |
CN111273101A (zh) | 一种故障电弧检测方法、装置及存储介质 | |
CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
CN115398226B (zh) | 波形信息估计方法及装置以及峰波形处理方法及装置 | |
CN109444071A (zh) | 基于分波段的沥青红外光谱质量检测方法和装置 | |
CN114397510A (zh) | 一种阻抗测压设备的阻抗值的确定方法、装置以及介质 |
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 |