機械嗅覚

機械嗅覚は、嗅覚の自動シミュレーションです。現代工学における新たな応用例として、ロボットやその他の自動システムを使用して空気中の化学物質を分析するものがあります。このような装置は、電子鼻またはe-鼻と呼ばれることがよくあります。機械嗅覚の開発は、e-鼻デバイスがこれまで限られた数の化学物質にしか反応しないのに対し、匂いは（潜在的に無数の）独特な匂い化合物のセットによって生成されるという事実によって複雑になっています。この技術はまだ開発の初期段階ではありますが、^[1] 食品加工における品質管理、医療における検出と診断、^[2]薬物、爆発物、その他の危険物質または違法物質の検出、^[3]災害対応、環境モニタリングなど、多くの用途が期待されています。

提案されている機械嗅覚技術の1つは、揮発性化合物を検出、識別、測定できるガスセンサーアレイ機器を介した技術です。しかし、これらの機器の開発において重要な要素はパターン分析であり、機械嗅覚のパターン分析システムをうまく設計するには、多変量データの処理に関わるさまざまな問題（信号前処理、特徴抽出、特徴選択、分類、回帰、クラスタリング、検証）を慎重に検討する必要があります。^[4]機械嗅覚に関する現在の研究におけるもう1つの課題は、香りの混合物に対するセンサーの応答を予測または推定する必要があることです。^[5]匂いの分類や匂いの位置特定など、機械嗅覚における一部のパターン認識問題は、時系列カーネル法を使用して解決できます。^[6]

基本的な検出技術には、導電性ポリマー臭気センサー（ポリピロール）、酸化スズガスセンサー、水晶振動子マイクロバランスセンサーの 3 つがあります。^[要出典]これらは通常、(1) 何らかのタイプのセンサーの配列、(2) これらのセンサーを調べてデジタル信号を生成する電子機器、(3) データ処理およびユーザー インターフェイス ソフトウェアで構成されます。

システム全体は、複雑なセンサー応答を、匂いを構成する揮発性物質（または化学揮発性物質の複雑な混合物）の定性プロファイルに変換して出力するための手段です。

従来の電子鼻は古典的な意味での分析機器ではなく、匂いを定量化できると主張するものはほとんどありません。これらの機器は、まず対象の匂いで「トレーニング」され、その後匂いを「認識」して、将来のサンプルが「良い」か「悪い」かを特定できるようにします。

化学センサーアレイの代替パターン認識方法の研究では、次元に関連して人工嗅覚と生物学的嗅覚を区別するための解決策が提案されています。この生物学にヒントを得たアプローチには、情報処理のための独自のアルゴリズムの作成が含まれます。^[7]

電子鼻は、さまざまな発生源からの匂いや揮発性物質を区別することができます。以下のリストは、電子鼻技術の一般的な用途の一部を示しています。その多くは、研究調査や公開された技術論文によって裏付けられています。

臭気の定位は定量的な化学臭気分析と経路探索アルゴリズムの組み合わせであり、定位の品質には環境条件が重要な役割を果たします。さまざまな目的とさまざまな現実世界の条件に合わせて、さまざまな方法が研究されています。

臭気の局在とは、1 つまたは複数の臭気を含む環境内で揮発性化学物質の発生源を特定する技術およびプロセスです。これは、すべての生物にとって、食料の確保と危険の回避の両方において極めて重要です。人間の他の基本的な感覚とは異なり、嗅覚は完全に化学に基づいています。ただし、他の知覚次元と比較すると、臭気の検出は、臭気の複雑な動的方程式と風などの予測できない外部障害のために、追加の問題に直面します。

匂いの局在化技術は、次のような多くの用途で有望である：^{[8] [1]}

• 食品加工における品質管理（例：汚染、細菌による腐敗）
• 危険物質の発生源を特定する（例：爆発物や化学兵器）
• 地下資源や危険物の発見
• 禁止物質の検出（例：麻薬検出）
• 自然災害の生存者の捜索
• 汚染物質の環境モニタリング
• 疾患の早期診断（例：慢性閉塞性肺疾患）^[2]

特定の匂いを検知する最も古い機器は、1961年にロバート・ワイトン・モンクリフが開発した機械式鼻でした。最初の電子鼻は、1964年にWFウィルケンスとJDハートマンによって作成されました。^[9]ラーカムとハルソールは、1980年代初頭に原子力産業における匂い検知のためのロボットの使用について議論し、^[10]匂いの位置特定に関する研究は1990年代初頭に開始されました。匂いの位置特定は現在、急速に成長している分野です。さまざまなセンサーが開発され、さまざまな環境や条件に合わせてさまざまなアルゴリズムが提案されています。

機械的な臭気の位置特定は、(1)揮発性化学物質の存在の検索、(2)一連の臭気センサーと特定のアルゴリズムによる発生源の位置の検索、(3)追跡した臭気源の特定（臭気認識）という3つのステップで実行できます。

匂いの特定方法は、さまざまな環境条件における匂いの拡散モードに応じて分類されることがよくあります。これらのモードは、一般的に、拡散が支配的な流体の流れと乱流が支配的な流体の流れの 2 つのカテゴリに分けられます。これらには、匂いの特定のための異なるアルゴリズムがあり、以下で説明します。

地下の臭気の局在化に最も多く使用される拡散支配の流体の流れの追跡と位置特定方法は、流体の動きが粘性によって支配される環境で嗅覚機構が動作できるように設計されなければならない。これは、拡散が臭気の流れを分散させ、臭気の濃度がガウス分布として発生源から減少することを意味する。^[11]

外部圧力勾配のない土壌を通る化学蒸気の拡散は、多くの場合、フィックの第二法則によってモデル化されます。

${\displaystyle {\frac {\partial C}{\partial t}}=D{\frac {\partial ^{2}C}{\partial d^{2}}}}$

ここで、Dは拡散定数、dは拡散方向の距離、Cは化学濃度、tは時間です。

化学臭気流が均一な断面プロファイルで一方向にのみ拡散すると仮定すると、臭気源濃度間の特定の距離と特定の時点における臭気濃度の関係は次のようにモデル化されます。

${\displaystyle {\frac {C}{C_{s}}}=\operatorname {erfc} {\frac {d}{\sqrt {4Dt}}}}$

ここで、は臭気源の濃度です。これは、外部の風やその他の妨害を無視した、臭気検出モデリングにおける最も単純な動的方程式です。拡散支配の伝播モデルでは、単に化学濃度勾配を追跡して臭気源を特定するさまざまなアルゴリズムが開発されました。 ${\displaystyle C_{s}}$

シンプルな追跡方法は、大腸菌アルゴリズムです。^[12]このプロセスでは、匂いセンサーは、異なる場所からの濃度情報を単純に比較します。ロボットは、ランダムな方向に繰り返し直線に沿って移動します。現在の状態の匂い情報が前回の読み取り値と比較して改善されている場合、ロボットは現在のパスを継続します。ただし、現在の状態条件が前回よりも悪い場合、ロボットは後戻りして別のランダムな方向に移動します。この方法はシンプルで効率的ですが、パスの長さは非常に変動しやすく、ソースに近づくにつれてミスステップが増加します。^{[さらに説明が必要]}

拡散モデルに基づく別の方法は、R. Andrew Russel ^[12]がロボットマニピュレーターで制御される埋設プローブを使用して地中の化学臭気の位置を特定するために開発したヘキサパスアルゴリズムです。^{[12] [13]}プローブは、密集した六角形グリッドのエッジに沿って一定の深さで移動します。各状態ジャンクションnでは、選択するための 2 つのパス (左と右) があり、ロボットは、前の 2 つのジャンクション状態臭気濃度情報n −1、n −2に基づいて、臭気の濃度が高くなるパスを選択します。ヘキサパスアルゴリズムの 3D バージョンである十二面体アルゴリズムでは、プローブは密集した十二面体に対応するパスを移動するため、各状態ポイントでは 3 つのパスの選択肢があります。

乱流支配の流体の流れでは、局所化法は背景流体（風や水）の流れを乱流の中断として扱うように設計されています。このカテゴリのアルゴリズムのほとんどは、プルームモデリングに基づいています（図1）。^[14]

プルームダイナミクスは、ナビエ・ストークス方程式に基づくガウスモデルに基づいています。ガウスベースモデルの簡略化された境界条件は次のとおりです。

${\displaystyle {\frac {\partial C}{\partial t}}=D_{x}{\frac {\partial ^{2}C}{\partial x^{2}}}+D_{y}{\frac {\partial ^{2}C}{\partial y^{2}}}+\alpha {\frac {\partial C}{\partial x}}+\beta {\frac {\partial C}{\partial x}}}$

ここで、D _xとD _yは拡散定数、 はx方向の線風速、 はy方向の線風速です。さらに、環境が均一で煙源が一定であると仮定すると、各ロボットセンサーの各検出時点t − thにおける臭気検出の式は次のようになります 。${\displaystyle \alpha}$${\displaystyle \beta}$

${\displaystyle R_{i}=\gamma _{i}\sum _{k=1}^{K}{\frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha }}}+\omega _{i}}$

ここで、はi −番目のセンサーのt −番目のサンプル、はゲイン係数、はk −番目の音源強度、はk −番目の音源の位置、 はプルーム減衰パラメータ、を満たすバックグラウンドノイズです。プルームモデリングでは、さまざまなアルゴリズムを使用して臭気源を特定できます。 ${\displaystyle R_{i}}$${\displaystyle \gamma_{i}}$${\displaystyle C_{k}}$${\displaystyle \rho_{k}}$${\displaystyle \alpha}$${\displaystyle \omega_{i}}$${\displaystyle N(\mu ,\sigma ^{2})}$

位置推定に使用できる簡単なアルゴリズムは、三角測量法です (図 2)。上記の匂い検出方程式を考えると、方程式の片側にセンサー距離を配置し、ノイズを無視することで、匂い源の位置を推定できます。匂い源の位置は、次の方程式を使用して推定できます。

${\displaystyle (x_{1}-x_{s})^{2}+(y_{1}-y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\displaystyle (x_{2}-x_{s})^{2}+(y_{2}-y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\displaystyle (x_{3}-x_{s})^{2}+(y_{3}-y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

最小二乗法 (LSM) は、匂いの位置を特定するためのやや複雑なアルゴリズムです。匂い追跡モデルの LSM バージョンは次のように表されます。

${\displaystyle R_{i},_{t}=\gamma _{i}{\frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^{2}}}+\omega _{i}}$

ここで、 センサーノードとプルームソース間のユークリッド距離は次のように表されます。 ${\displaystyle d_{i}}$

${\displaystyle d_{i}={\sqrt {(x_{i}-xs)^{2}+(y_{i}+y_{s})^{2}}}}$

LSM アルゴリズムと直接三角測量法の主な違いはノイズです。LSM ではノイズが考慮され、二乗誤差を最小化することで匂い源の位置が推定されます。非線形最小二乗問題は次のように表されます。

${\displaystyle J=\sum _{i=1}^{N}({{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^{2}}}}-{\overline {z_{l}}})}}$

ここで、は推定されたソースの位置であり、はセンサーでの複数の測定値の平均であり、次のように表されます。 ${\displaystyle ({\widehat {x_{s}}},{\widehat {y_{s}}})}$${\displaystyle {\overline {z_{l}}}}$

${\displaystyle {\overline {z_{l}}}={\frac {1}{M}}\sum _{i=1}^{M}{z_{i}}}$

プルームモデリングに基づくもう 1 つの方法は、最大尤度推定(MLE) です。この臭気位置特定方法では、次のようにいくつかの行列が定義されます。

${\displaystyle Z=[{\frac {R_{1}-\mu _{1}}{\sigma _{1}}},{\frac {R_{2}-\mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\displaystyle G=diag[{\frac {\gamma _{1}}{\sigma _{1}}},{\frac {\gamma _{2}}{\sigma _{2}}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\displaystyle D=[{\frac {1}{d_{1}^{2}}},{\frac {1}{d_{2}^{2}}},...{\frac {1}{d_{N}^{2}}}]}$

${\displaystyle \zeta =[\zeta _{1},\zeta _{2},...\zeta _{N}]}$

${\displaystyle \zeta _{i}=(\omega _{i}-\mu _{i})/\sigma _{i}\sim N(0,1)}$

${\displaystyle {\frac {R_{i}-\mu _{i}}{\sigma _{i}}}\sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

これらのマトリックスを使用すると、プルームベースの臭気検出モデルは次の式で表すことができます。

${\displaystyle Z=GDC+\zeta }$

次に、MLEをモデリングに適用して確率密度関数を形成できる。

${\displaystyle f(Z,\theta )=2\pi ^{-(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

ここで、推定された臭気源の位置であり、対数尤度関数は ${\displaystyle \theta }$

${\displaystyle L(\theta )\sim {\frac {1}{2}}\sum _{i=1}^{N}{\|Z_{i}-\gamma _{i}{\frac {c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

の最大尤度パラメータ推定は、最小化することで計算できる。 ${\displaystyle \theta }$

${\displaystyle I(\theta )=\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

匂い源の正確な位置は、次の式を解くことで推定できます。

${\displaystyle {\frac {\partial {I(\theta )}}{\partial (x)}}=0,{\frac {\partial {I(\theta )}}{\partial (y)}}=0}$

2007年に、インフォタキシスと呼ばれる戦略が提案されました。これは、匂いの発生源がどこにある可能性があるかについて以前に収集された情報を利用してメンタルモデルを作成するものです。ロボットは情報を最大化する方向に動きます。^[15] インフォタキシスは乱流環境での追跡用に設計されています。これは、 2次元グリッド内の静止したターゲットを使用した部分的に観測可能なマルコフ決定プロセス^[16]として実装されています。^[17]

• 化学センサーアレイ – 化学センサーの配置
• ケミレジスター - 周囲の環境に応じて電気抵抗が変化する材料
• デジタル香り技術 – コンピューターを通じて匂いを嗅ぐ研究
• フィド爆発物探知機
• 分子通信 – 分子の存在または不在を利用してメッセージをデジタル的にエンコードする
• 嗅覚計 – 臭気の希釈度を検出し測定するために使用される機器

• 英国のScensive Technologies Ltdの電子鼻技術
• TC Pearce、SS Schiffman、HT Nagle、JW Gardner（編）、機械嗅覚ハンドブック：電子鼻技術、Wiley-VCH、Weinheim、2002年。PDFはこちら：[1]
• 人工嗅覚センシングネットワーク（NOSE）アーカイブ
• ルンドストローム、インゲマール (2000)。 「匂いをイメージする」。自然。406 (6797)。スプリンガー: 682–683。Bibcode :2000Natur.406..682L。土井：10.1038/35021156。PMID  10963577。S2CID 16957778  。