KR101110535B1 - 복수 개의 냄새 인식 방법 - Google Patents

복수 개의 냄새 인식 방법 Download PDF

Info

Publication number
KR101110535B1
KR101110535B1 KR1020100087311A KR20100087311A KR101110535B1 KR 101110535 B1 KR101110535 B1 KR 101110535B1 KR 1020100087311 A KR1020100087311 A KR 1020100087311A KR 20100087311 A KR20100087311 A KR 20100087311A KR 101110535 B1 KR101110535 B1 KR 101110535B1
Authority
KR
South Korea
Prior art keywords
odor
recognition
pattern
smell
data
Prior art date
Application number
KR1020100087311A
Other languages
English (en)
Inventor
홍광석
노용완
김동규
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020100087311A priority Critical patent/KR101110535B1/ko
Application granted granted Critical
Publication of KR101110535B1 publication Critical patent/KR101110535B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

복수 개의 냄새 인식 방법이 제공된다. 상기 복수 개의 냄새 인식 방법은, 복수 개의 냄새를 냄새 데이터로 변환하는 단계, 상기 냄새 데이터로부터 냄새 패턴을 검출하는 단계, 상기 냄새 패턴의 특징 벡터를 추출하는 단계, 및 상기 특징 벡터를 이용하여 입력 냄새를 인식하는 단계를 포함한다. 상기 냄새 인식 단계는, 트리 서치를 이용하여 인식대상의 패턴 수를 줄여 인식 후보를 선정하는 단계를 포함할 수 있다.

Description

복수 개의 냄새 인식 방법{METHOD FOR RECOGNIZING PLURAL SMELLS}
본 발명은 냄새 인식 방법에 관한 것으로, 더욱 상세하게는 복수 개의 냄새를 검출하고 인식할 수 있는 방법에 관한 것이다.
냄새란 코 안에 전달된 냄새 물질이 화학감각 수용기를 자극할 때 느끼는 후각정보이다. 오감 중에 후각은 시각 및 청각에 비해 자주 사용되지는 않지만, 매우 강력한 기억과 연상 메커니즘을 제공한다. 또, 후각은 다른 감각의 증강효과를 제공하기 때문에 냄새(향기)를 활용한 제품 및 마케팅으로 소비자의 마음(감성)을 자극할 수 있다. 따라서 후각은 미래 감성산업에 매우 중요하며, 냄새를 이용한 미래 감성산업의 발전을 이루기 위해서는 먼저 냄새 인식 기술의 발전이 선행되어야 한다. 그러나, 종래의 냄새 인식 기술은 한 냄새에 대한 냄새 인식 기술이고, 복수 개의 냄새에 대한 냄새 인식 기술은 아직 이루어지지 않고 있다.
복수 개의 냄새는 두 가지 이상의 냄새가 동시에 발생할 수도 있고, 첫 번째 냄새가 발생한 후 두 번째 냄새가 발생할 수도 있다. 또한, 두 가지 이상의 냄새가 동시에 제거될 수도 있지만, 첫 번째 냄새와 두 번째 냄새가 시차를 두고 제거될 수도 있다. 즉, 한 냄새는 해당 자극이 인위적 환경에서 단순히 발생하고 제거되는 단순한 패턴구조를 가지는 반면, 복수 개의 냄새는 복잡한 패턴구조를 갖는다. 따라서, 복수 개의 냄새를 인식하는 것은 매우 어렵다.
상기와 같은 문제점을 해결하기 위하여, 본 발명은 복수 개의 냄새를 검출하고 인식할 수 있는 냄새 인식 방법을 제공한다.
본 발명의 실시예들에 따른 냄새 인식 방법은, 복수 개의 냄새를 냄새 데이터로 변환하는 단계; 상기 냄새 데이터로부터 냄새 패턴을 검출하는 단계; 상기 냄새 패턴의 특징 벡터를 추출하는 단계; 및 상기 특징 벡터를 이용하여 입력 냄새를 인식하는 단계를 포함한다. 상기 냄새 인식 단계는, 트리 서치를 이용하여 인식대상의 패턴 수를 줄여 인식 후보를 선정하는 단계를 포함할 수 있다.
상기 인식 후보 선정 단계는, 현재의 냄새 패턴으로부터 냄새 입력 및 냄새 제거를 판단하고, 이전의 냄새 패턴 상태로부터 현재의 냄새 패턴의 변화 상태를 판단할 수 있다. 상기 냄새 입력 및 냄새 제거는, 시작점 앰플리튜드 정보와 끝점 앰플리튜드 정보를 이용하여 판단될 수 있다.
상기 냄새 인식 단계는, NN 분류기를 이용하여 수행될 수 있다.
상기 특징 벡터 추출 단계는, 주성분 분석 방법(PCA)을 이용하여 수행될 수 있다.
상기 냄새 패턴 검출 단계는, 상기 냄새 데이터로부터 냄새 감지 센서에 대한 프레임 단위의 엔트로피를 계산하고, 상기 엔트로피가 미리 정한 임계값 이상인 상태로 일정 프레임 동안 지속되는 구간을 변곡점으로 검출할 수 있다. 상기 변곡점은 냄새 입력 시점 및 냄새 제거 시점을 나타낼 수 있다.
본 발명의 실시예들에 따르면, 복수 개의 냄새를 검출하고 인식할 수 있다. 따라서, 다양한 냄새의 인식이 가능하며, 다양한 어플리케이션에 적용 및 응용이 가능하다.
도 1은 본 발명의 실시예에 따른 냄새 인식 방법을 개략적으로 보여준다.
도 2는 본 발명의 실시예에 따른 냄새 인식 시스템을 개략적으로 보여준다.
도 3은 본 발명의 실시예에 따른 냄새 패턴 검출을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 트리 서치 방법을 설명하기 위한 도면이다.
도 5는 복수 개의 냄새 상태의 변화를 개략적으로 보여주는 도면이다.
이하 첨부한 도면들을 참조하여 본 발명의 실시예들에 대해 설명한다. 본 발명의 목적, 특징, 장점은 첨부된 도면과 관련된 이하의 실시예들을 통해 쉽게 이해될 것이다. 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
도 1은 본 발명의 실시예에 따른 냄새 인식 방법을 개략적으로 보여주고, 도 2는 본 발명의 실시예에 따른 냄새 인식 시스템(100)을 개략적으로 보여준다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 냄새 인식 방법은 냄새 데이터를 취득하는 단계(S1), 냄새 패턴을 검출하는 단계(S2), 냄새 패턴의 특징을 추출하는 단계(S3), 냄새를 인식하는 단계(S4), 및 인식결과를 출력하는 단계(S5)를 포함할 수 있다. 본 발명의 실시예에 따른 냄새 인식 시스템(100)은 센서부(110), 처리부(120), 그리고 출력 및 전송부(130)를 포함할 수 있다.
센서부(110)는 복수 개의 센서들(112)로 구성된 센서 어레이(111)를 포함할 수 있다. 센서 어레이(111)의 각 센서들(112)은 냄새 물질이 가지고 있는 고유한 화학적 특성을 아날로그 값의 전기 신호로 변환할 수 있다. 즉, 센서부(110)는 복수 개의 냄새를 감지하여 이를 아날로그 신호로 변환할 수 있다. 본 실시예에서 센서 어레이(111)는 16개의 센서들(112)을 포함하나, 이에 한정되지 않으며 다양한 개수의 센서들을 포함할 수 있다.
처리부(120)는 예를 들어, MCU(Micro Controller Unit)일 수 있으며, 냄새 데이터 취득부(121)와 냄새 검출 및 인식부(122)를 포함할 수 있다. 냄새 데이터 취득부(121)는 아날로그 신호를 디지털 신호로 변환하는 아날로그-디지털 컨버터일 수 있다. 냄새 데이터 취득부(121)는 센서부(110)로부터 전송된 아날로그 신호를 디지털 신호로 변환하여 냄새 데이터를 취득할 수 있다(S1). 냄새 검출 및 인식부(122)는 취득된 냄새 데이터로부터 엔트로피를 이용하여 냄새의 입력 및 제거 시점을 나타내는 냄새 패턴을 검출하고(S2), 주성분 분석(PCA: Principal Component Analysis) 등을 이용하여 검출된 냄새 패턴의 특징 벡터를 추출하며(S3), 트리 서치와 분류알고리즘을 이용하여 냄새를 인식할 수 있다(S4). 냄새 검출 및 인식은 냄새 검출 및 인식부(122)에서 처리될 수도 있고, 별도의 서버에서 처리될 수도 있다.
출력 및 전송부(130)는 출력부(131)와 전송부(132)를 포함할 수 있다. 출력부(131)는 예를 들어, LCD, 스피커일 수 있으며, 냄새의 인식결과를 출력할 수 있다(S5). 전송부(132)는 예를 들어, 블루투쓰(bluetooth)일 수 있으며, 냄새의 인식결과를 별도의 단말 장치(휴대폰, 컴퓨터 등)로 전송할 수 있다. 냄새 검출 및 인식이 별도의 서버에서 처리되는 경우, 전송부(132)는 상기 냄새 데이터를 상기 서버로 전송할 수 있다.
이하에서는 본 발명의 실시예에 따른 냄새 인식 방법이 단계별로 구체적으로 설명된다.
냄새 데이터 취득
다시 도 2를 참조하면, 센서부(110)는 복수 개의 냄새를 감지하여 이를 아날로그 신호로 변환하고 처리부(120)로 전송한다. 처리부(120)의 냄새 데이터 취득부(121)는 센서부(110)로부터 전송된 아날로그 신호를 디지털 신호로 변환하여 냄새 데이터를 취득한다.
냄새 패턴 검출
도 3은 본 발명의 실시예에 따른 냄새 패턴 검출을 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 실시예에 따른 냄새 패턴 검출은 엔트로피를 이용하여 냄새 입력 및 냄새 제거 시점을 나타내는 변곡점을 판단하고 검출한다. 변곡점은 냄새 입력 및 냄새 제거 시 각각의 센서에서 발생하는 정보량의 변화, 즉 앰플리튜드(amplitude)의 변화를 관측함으로써 검출될 수 있다.
도 3의 (a)는 냄새 데이터 취득부(도 2의 121)로부터 취득한 냄새 데이터를 나타낸다. 32 샘플로 1 프레임(frame)을 구성하고, 연속하는 두 프레임 사이에 16 샘플이 중첩되도록 한다. 앰플리튜드가 급격히 증가하는 지점은 냄새의 입력 시점을 나타내는 변곡점을 나타내고, 앰플리튜드가 급격히 감소하는 지점은 냄새의 제거 시점을 나타내는 변곡점을 나타낸다.
도 3의 (b)는 상기 (a)의 냄새 데이터로부터 계산된 엔트로피 값을 나타낸다. 본 실시예에서, 입력되는 냄새에 대한 센서의 응답을 C. Shannon에 의한 정보 엔트로피의 정의를 적용함으로써, 입력되는 냄새에 대한 센서 측정값의 변화 시점을 판단하였으며, 개별 센서에 대한 프레임 단위의 엔트로피는 하기 수학식 1과 같다.
[수학식 1]
Figure 112010057999217-pat00001
상기 수학식 1에서, E(n)은 n번째 프레임의 엔트로피를 나타내고, p(l)은 특정 범위 l이 한 프레임 내에서 발생할 확률을 나타내며, 하기 수학식 2와 같이, 한 프레임 내에서 l범위 발생 빈도 c(l)을 한 프레임의 샘플 개수 S로 나누어 계산한다.
[수학식 2]
Figure 112010057999217-pat00002
상기 수학식 1 및 2에서, l은 센서의 응답 범위를 L개의 세부 범위로 나눈 것을 의미하며, 0≤l≤L-1로 나타낼 수 있다.
예를 들어, 전체 반응치 범위가 0~100이고, 전체 반응치 범위를 10으로 나눈 경우, 0~10의 반응치가 발생할 확률은 p(0), 11~20의 반응치가 발생할 확률은 p(1), 21~30의 반응치가 발생할 확률은 p(2), …, 91~100의 반응치가 발생할 확률은 p(9)로 정의된다.
도 3의 (c)는 상기 (b)에서 계산된 엔트로피 값이 임계값보다 큰 센서(반응 센서)의 개수를 나타낸다. 엔트로피 값이 상기 임계값보다 크면, 센서 반응의 변화 구간으로 판단될 수 있다. 본 실시예에서, 상기 임계값은 1이나, 이에 한정되지 않으며, 적절한 값이 선택될 수 있다.
도 3의 (d)는 상기 (c)의 반응 센서의 개수가 소정값보다 큰 프레임을 나타낸다. 즉, 상기 (c)에서 엔트로피 값이 임계값보다 큰 반응 센서의 개수가 상기 소정값 이상인 프레임이 선택된다. 본 실시예에서, 상기 소정값은 7이나, 이에 한정되지 않으며, 센서 어레이에 포함되는 센서의 개수를 고려하여 적절한 값이 선택될 수 있다.
도 3의 (e)는 상기 (d)에서 선택된 프레임이 4 프레임 이상 지속되는 결과 프레임을 나타낸다. 이와 같이 프레임의 지속 조건을 추가하는 것에 의해 실제 변곡점과 변곡점 사이의 노이즈에 의한 급격한 엔트로피 값의 상승을 배제하여 오검출을 방지할 수 있다.
도 3의 (f)는 상기 (e)의 결과 프레임에 의해 검출된 변곡점을 나타낸다. 상기 변곡점은 냄새의 발생 및 제거 시점을 나타내며, 상기 변곡점에 의해 복수 개의 냄새 패턴이 검출될 수 있다.
특징 추출
특징 추출은 주어진 냄새 정보에 대하여 주성분 분석(PCA: Principal Component Analysis) 등과 같은 알고리즘을 사용하여 수행될 수 있다. 상기 주성분 분석은, 서로 관련 있는 변수들의 데이터 집합이 관측되었을 때, 변수들이 가지고 있는 원래 정보들을 최대한 반영할 수 있는 보다 적은 수의 새로운 변수들을 생성하는 방법이다. 상기 주성분 분석은, 원래의 변수들이 가지고 있는 정보의 양을 가장 많이 확보하는 순서대로 변수들의 선형 결합을 이용하여 새로운 변수를 만들고, 고차원 데이터를 저차원의 데이터로 변환한다. 즉, 상기 주성분 분석은 입력 데이터의 평균과 분산에 의한 직교 기저함수로 데이터를 표현하기 때문에 데이터에 함유된 고유의 특징을 잃지 않으면서 선형 변환하거나 낮은 차원으로 변환시키는데 있어서 최적의 변환방식을 제공한다. 이와 같이, 상기 주성분 분석은 다차원 특징 벡터로 이루어진 데이터에 대하여 고차원의 정보를 유지하면서 저차원으로 차원을 축소하는 다변량 데이터 처리 방법 중의 하나이다.
일반적으로 주성분 분석을 이용한 특징 추출 방법은 고차원의 입력 데이터를 저차원의 주성분이 되는 특징 축을 찾고, 이 축을 기준으로 투영하여 특징을 뽑는다. 한 개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫 번째 좌표축으로 하고 두 번째로 커지는 축을 두 번째 좌표축으로 하는 방법으로 새로운 좌표계로 데이터를 선형 변환한다. 이와 같이 각각의 축에 데이터의 가장 중요한 성분을 위치시킴으로써 입력 데이터의 특징을 추출한다.
아래에 상기 주성분 분석을 이용한 특징 추출 방법의 일 예를 설명한다.
냄새 패턴의 특징 추출은 변곡점을 기준으로 검출된 냄새의 발생 시점과 제거 시점의 앞선 32 샘플로부터 시작점 이후 224 샘플까지를 포함하는 전체 256개의 샘플을 특징 추출을 위한 영역으로 선정한다. 16개의 센서를 사용할 경우, 각 냄새 패턴의 크기는 4096(16센서*256샘플)으로 구성된다.
1) 데이터 집합을 열 벡터로 변환한다.
데이터 집합은, 두 가지의 냄새가 동시에 입력된 복수개의 냄새(Sf)의 집합 <Sf1, Sf2, …, Sff>와, 한 냄새에서 다른 한 냄새가 입력된 복수개의 냄새(Sg)의 집합 <Sg1, Sg2, …, Sgg>와, 한 냄새가 입력된 한 냄새(Sh)의 집합 <Sh1, Sh2, …, Shh>와, 두 가지의 냄새에서 한 냄새가 제거된 한 냄새(Si)의 집합 <Si1, Si2, …, Sii>와, 복수개의 냄새에서 복수개의 냄새 제거된 무냄새(Sj)의 집합 <Sj1, Sj2, …, Sjj>와, 한 냄새에서 한 냄새가 제거된 무냄새(Sk)의 집합 <Sk1, Sk2, …, Sk6>로 구성될 수 있다.
M개의 데이터를 각각 열 벡터(Γn)로 변환한다. 16개의 센서를 사용할 경우, 각 냄새 패턴의 크기는 4096(16센서*256샘플)이므로, 각 냄새 패턴을 4096 열 벡터(Γn)로 변환한다. 열 벡터 집합(S)을 하기 수학식 3과 같이 구성한다.
[수학식 3]
S = {Γ1, Γ2, …, ΓM}
2) 열 벡터(Γn)의 평균 벡터(Ψ)를 구한다.
하기 수학식 4와 같이 열 벡터(Γn)의 평균 벡터(Ψ)를 구한다.
[수학식 4]
Figure 112010057999217-pat00003
3) 각 열 벡터(Γn)와 평균 벡(Ψ)터의 차 벡터(Φn)를 구한다.
각 열 벡터(Γn)와 평균 벡터(Ψ)의 차 벡터(Φn)를 하기 수학식 5와 같이 구한다.
[수학식 5]
Φn = Γn - Ψ
4) 차 벡터의 공분산 행렬을 이용하여 고유값과 고유 벡터를 구한다.
차 벡터의 공분산 행렬(C)은 수학식 6과 같다.
[수학식 6]
Figure 112010057999217-pat00004
이 단계의 결과,
Figure 112010057999217-pat00005
는 4096*M 행렬이 된다.
공분산 행렬(C)에서 M*4096개의 고유값(λi)를 구한다. 그리고 고유값(λi)에 대응하는 고유 벡터(ui)를 구한다. l번째 고유 벡터(ul)에 해당하는 고유값(λl)은 하기 수학식 7과 같다.
[수학식 7]
Figure 112010057999217-pat00006
여기서 고유값은 평균 냄새에 대한 분산의 정도를 나타내며, 고유값에서 얻은 고유 벡터를 16센서*256샘플로 재배열하면 고유 냄새가 된다. 고유 냄새는 M개가 된다.
5) 데이터의 열 벡터를 고유 벡터(주성분 축)에 투영하여 특징 벡터를 추출한다.
고유 벡터(주성분 축)의 선택은 고유 냄새 M개의 고유 벡터(ui)에서 가장 큰 고유값을 갖는 M'개의 고유 벡터(uk)를 선택한다.
데이터의 특징 성분(ｗk)을 하기 수학식 8과 같이 추출한다.
[수학식 8]
Figure 112010057999217-pat00007
데이터의 특징 벡터(Ω)는 하기 수학식 9와 같다.
[수학식 9]
Figure 112010057999217-pat00008

냄새 인식
<트리 서치에 의한 인식 후보 선정>
트리 서치에 의한 인식 후보 선정은 검출된 냄새 패턴의 시작점 앰플리튜드(Amplitude) 정보와 끝점 앰플리튜드(Amplitude) 정보, 그리고 이전 냄새 패턴의 상태(이전 인식 결과) 정보를 이용하여 현재의 냄새 패턴이 어떤 상태로 변했는지를 판단한다. 즉, 무 냄새에서 한 냄새로 바뀌거나 복수 개의 냄새로 바뀌는 상태, 한 냄새에서 무 냄새로 바뀌거나 복수 개의 냄새로 바뀌는 상태, 복수 개의 냄새에서 무 냄새로 바뀌거나 한 냄새로 바뀌는 상태를 서치한다. 트리 서치를 활용한 인식 후보 선정은 결과적으로 인식대상의 패턴수, 즉 인식 후보를 줄이는 과정이다.
한 냄새를 판단하는 조건은 무 냄새 상태에서 한 냄새가 입력된 경우와 복수 개의 냄새 상태에서 한 냄새가 제거된 경우이다. 복수 개의 냄새를 판단하는 조건은 무 냄새 상태에서 복수 개의 냄새가 입력된 경우와 한 냄새에서 또 다른 한 냄새가 입력된 경우이다. 무 냄새를 판단하는 조건은 최초 무 냄새 상태, 한 냄새 상태에서 한 냄새가 제거된 경우와 복수 개의 냄새 상태에서 복수 개의 냄새가 제거된 경우이다.
트리 서치 방법은 현재의 냄새 패턴으로부터 "냄새 입력", "냄새 제거" 상태를 판단한다. 현재의 냄새 패턴에서 시작점의 앰플리튜드 정보와 끝점의 앰플리튜드 정보를 이용한다. 시작점의 앰플리튜드가 끝점의 앰플리튜드보다 작으면 "냄새 입력"으로 판단하고, 시작점 앰플리튜드가 끝점 앰플리튜드보다 크면 "냄새 제거"로 판단한다. 그리고 이전의 냄새 패턴의 상태에서 현재의 냄새 패턴 상태로 변화된 결과에 따라 복수 개의 냄새, 한 냄새, 무 냄새로 판단한다. 도 4에 도시된 복수 개의 냄새 트리구조와 같이, 냄새 입력과 냄새 제거에 따라 트리 서치를 할 수 있다.
상기 트리구조에 의한 트리 서치 방법은 냄새가 입력되거나 제거되는 상태 정보를 활용한다. 도 5를 참조하면, 냄새 상태는 무 냄새 상태, 한 냄새 상태, 두 개의 냄새 상태일 수 있다. 무 냄새 상태는 한 냄새 입력에 의해 한 냄새 상태로 변화될 수 있고, 두 개의 냄새 입력에 의해 두 개의 냄새 상태로 변화될 수 있다. 한 냄새 상태는 한 냄새 제거에 의해 무 냄새 상태로 변화될 수 있고, 한 냄새 입력에 의해 두 개의 냄새 상태로 변화될 수 있다. 두 개의 냄새 상태는 두 개의 냄새 제거에 의해 무 냄새 상태로 변화될 수 있고, 한 냄새 제거에 의해 한 냄새 상태로 변화될 수 있다.
<분류알고리즘에 의한 냄새 인식>
냄새인식 단계에서 트리서치를 활용한 인식후보 선정으로 분류 대상(인식 대상)이 좁혀진 결과로부터 NN(Nearest Neighbor)분류 방법으로 인식 결과를 도출한다. 즉, 인식 대상이 좁혀진 특징벡터와 인식하고자 하는 입력 냄새의 특징 벡터의 유클리디안 거리가 최소가 되는 냄새를 인식 결과로 판단한다.
NN분류 방법은 다음과 같다. 두 표본 벡터 xi와 xj사이의 유클리디안 거리(Euclidean distance)를 계산하는 방법은 하기 수학식 10과 같이 나타낼 수 있다.
[수학식 10]
Figure 112010057999217-pat00009
상기 수학식 10에서 유클리디안 거리 d(xi,xj)=0이면 xi=xj이고, 그렇지 않으면 xi≠xj이다.
하기 수학식 11과 같이 입력 냄새의 특징 벡터(v)가 들어왔을 때 인식 후보의 특징 벡터(xn) M개와 각각 대응되는 유클리디안 거리가 가장 가까운 특징 벡터(xR)를 찾아 인식결과로 판단한다.
[수학식 11]
Figure 112010057999217-pat00010

실험예
본 발명의 실시예에 따른 냄새 인식 시스템의 성능 평가를 위해 총 4 종의 꽃 냄새 오일(1번 냄새 = LAVENDER, 2번 냄새 = HYSSOP, 3번 냄새 = GERANIUM, 4번 냄새 = ROSEMARY)을 사용하여 실험하였다. 먼저, 1번 냄새와 2번 냄새, 1번 냄새와 3번 냄새, 1번 냄새와 4번 냄새, 2번 냄새와 3번 냄새, 2번 냄새와 4번 냄새, 3번 냄새와 4번 냄새로 각각 교차시켜 냄새 데이터를 수집하였다. 냄새 데이터의 수집은 일반 연구실 환경에서 실험 시작 직전 30분부터 창문을 열어 환기가 잘 되도록 한 상태에서 복수 개의 냄새에 대하여 총 132개의 데이터를 수집하였다. 수집된 복수 개의 냄새 데이터를 이용하여 냄새 검출과 냄새 인식 실험을 수행하였다. 냄새 검출 실험에서 검출 대상의 변곡점 개수는 408개이며, 냄새 검출 결과의 변곡점 검출 개수는 391개로서 약 95.83%의 검출률을 보였다. 그리고 냄새 인식 실험을 수행하여 약 88.97%의 인식률을 도출하였다. 인식률은 검출단계에서 오검출된 결과를 제외하고 얻어진 결과이다. 아래 표 1은 본 발명의 실시예에 따른, PCA-트리 서치-NN의 냄새 인식 결과를 나타낸다.
항목 세부 항목 인식 대상 개수 인식 개수 인식률(%)
복수개의 냄새 1번 냄새와 2번 냄새 18 16 88.89
1번 냄새와 3번 냄새 18 17 94.44
1번 냄새와 4번 냄새 18 18 100
2번 냄새와 3번 냄새 18 15 83.33
2번 냄새와 4번 냄새 18 15 83.33
3번 냄새와 4번 냄새 18 16 88.89
한 냄새 1번 냄새 42 37 88.10
2번 냄새 42 28 66.67
3번 냄새 42 37 88.10
4번 냄새 42 34 80.95
무 냄새 무 냄새 132 130 98.48
총계 408 363 88.97
이제까지 본 발명에 대한 구체적인 실시예들을 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100 : 냄새 인식 시스템 110 : 센서부
111 : 센서 어레이 112 : 센서
120 : 처리부 121 : 냄새 데이터 취득부
122 : 냄새 검출 및 인식부 130 : 출력 및 전송부
131 : 출력부 132 : 전송부

Claims (7)

  1. 복수 개의 냄새를 냄새 데이터로 변환하는 단계;
    상기 냄새 데이터로부터 냄새 패턴을 검출하는 단계;
    상기 냄새 패턴의 특징 벡터를 추출하는 단계; 및
    상기 특징 벡터를 이용하여 입력 냄새를 인식하는 단계를 포함하며,
    상기 냄새 인식 단계는,
    트리 서치를 이용하여 인식대상의 패턴 수를 줄여 인식 후보를 선정하는 단계를 포함하고,
    상기 특징 벡터 추출 단계는, 주성분 분석 방법(PCA)을 이용하여 수행되는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
  2. 제 1 항에 있어서,
    상기 인식 후보 선정 단계는,
    현재의 냄새 패턴으로부터 냄새 입력 및 냄새 제거를 판단하고,
    이전의 냄새 패턴 상태로부터 현재의 냄새 패턴의 변화 상태를 판단하는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
  3. 제 2 항에 있어서,
    상기 냄새 입력 및 냄새 제거는, 시작점 앰플리튜드 정보와 끝점 앰플리튜드 정보를 이용하여 판단되는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
  4. 제 1 항에 있어서,
    상기 냄새 인식 단계는, NN 분류기를 이용하여 수행되는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 냄새 패턴 검출 단계는,
    상기 냄새 데이터로부터 냄새 감지 센서에 대한 프레임 단위의 엔트로피를 계산하고,
    상기 엔트로피가 미리 정한 임계값 이상인 상태로 일정 프레임 동안 지속되는 구간을 변곡점으로 검출하는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
  7. 제 6 항에 있어서,
    상기 변곡점은 냄새 입력 시점 및 냄새 제거 시점을 나타내는 것을 특징으로 하는 복수 개의 냄새 인식 방법.
KR1020100087311A 2010-09-07 2010-09-07 복수 개의 냄새 인식 방법 KR101110535B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100087311A KR101110535B1 (ko) 2010-09-07 2010-09-07 복수 개의 냄새 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100087311A KR101110535B1 (ko) 2010-09-07 2010-09-07 복수 개의 냄새 인식 방법

Publications (1)

Publication Number Publication Date
KR101110535B1 true KR101110535B1 (ko) 2012-01-31

Family

ID=45614772

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100087311A KR101110535B1 (ko) 2010-09-07 2010-09-07 복수 개의 냄새 인식 방법

Country Status (1)

Country Link
KR (1) KR101110535B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101852074B1 (ko) * 2016-11-29 2018-04-25 단국대학교 산학협력단 가스 분류를 위한 전자코 시스템 및 방법
CN111044683A (zh) * 2019-12-25 2020-04-21 华中科技大学 一种可先天识别和后天训练的电子鼻技术及其应用
WO2021085738A1 (ko) * 2019-10-31 2021-05-06 주식회사 태성환경연구소 실시간 악취 추적 통합 모니터링 시스템
WO2021085739A1 (ko) * 2019-10-31 2021-05-06 주식회사 태성환경연구소 실시간 차량용 악취 측정 장치를 이용한 악취 추적 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080017179A (ko) * 2006-08-21 2008-02-26 가부시키가이샤 후타바 에레쿠토로니크스 냄새 측정장치와 냄새 측정방법 및 냄새측정용 프로그램을기록한 기록매체
KR101201061B1 (ko) * 2005-02-28 2012-11-14 마이크로소프트 코포레이션 공통 데이터 플랫폼에 대한 스토리지 ａｐｉ

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101201061B1 (ko) * 2005-02-28 2012-11-14 마이크로소프트 코포레이션 공통 데이터 플랫폼에 대한 스토리지 ａｐｉ
KR20080017179A (ko) * 2006-08-21 2008-02-26 가부시키가이샤 후타바 에레쿠토로니크스 냄새 측정장치와 냄새 측정방법 및 냄새측정용 프로그램을기록한 기록매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"트리서치를 이용한 동적 냄새 인식 기술에 관한 연구", 김동규 외 4명, 한국 신호처리 시스템 학회 2010 하계 학술대회 논문집 11권 1호, 2010년 6월 11일.

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101852074B1 (ko) * 2016-11-29 2018-04-25 단국대학교 산학협력단 가스 분류를 위한 전자코 시스템 및 방법
WO2021085738A1 (ko) * 2019-10-31 2021-05-06 주식회사 태성환경연구소 실시간 악취 추적 통합 모니터링 시스템
WO2021085739A1 (ko) * 2019-10-31 2021-05-06 주식회사 태성환경연구소 실시간 차량용 악취 측정 장치를 이용한 악취 추적 시스템
CN111044683A (zh) * 2019-12-25 2020-04-21 华中科技大学 一种可先天识别和后天训练的电子鼻技术及其应用

Similar Documents

Publication Publication Date Title
Han et al. Acoustic classification of Australian anurans based on hybrid spectral-entropy approach
JP2017151872A (ja) 分類装置、分類方法、プログラム、及びパラメータ生成装置
Hammer et al. A seismic‐event spotting system for volcano fast‐response systems
CN115791640A (zh) 基于分光光谱的肿瘤细胞检测设备及其方法
Madhu Note on measures for spectral flatness
KR101110535B1 (ko) 복수 개의 냄새 인식 방법
CN115409844B (zh) 循环肿瘤细胞检测设备及其方法
JP4960416B2 (ja) 話者クラスタリング装置および話者クラスタリング方法
Pfister et al. Robustifying independent component analysis by adjusting for group-wise stationary noise
WO2019159318A1 (en) Information processing apparatus, method, and program
Anil Kumar et al. Performance analysis of blind source separation using canonical correlation
McNabb et al. Overview of the BlockNormal event trigger generator
CN110808061B (zh) 语音分离方法、装置、移动终端及计算机可读存储介质
CN109446910B (zh) 一种通信辐射源信号分类识别方法
Hidayat et al. Wavelet based feature extraction for the vowel sound
JP6299172B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN112782365B (zh) 一种基于多级分类器的混合气体识别方法
Deville et al. Blind identification and separation methods for linear-quadratic mixtures and/or linearly independent non-stationary signals
CN110491408B (zh) 一种基于稀疏元分析的音乐信号欠定混叠盲分离方法
Du et al. Spectral analysis of microarray gene expression time series data of Plasmodium falciparum
Mur et al. Unsupervised event detection and classification of multichannel signals
CN106878618B (zh) 一种基于fpga的图像处理系统及方法
WO2023162588A1 (ja) 信号圧縮装置、信号復元装置及び信号処理システム
CN115795377B (zh) 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置
Scholz et al. Independent components analysis of starch deficient pgm mutants

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150115

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160113

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee