Classification of daily life odours with an electronic nose

Abstract

With the potential development of a portable device capable and robust enough to detect different odours in mind and to help those who are not able to smell, this thesis focused on the development of a small electronic nose comprised of and array of four different sensors with dissimilar targets and sensitivities.A broad collection of daily life odours was selected to expose the technology to a quite complex set of odours as well as challenge the discriminative capabilities of the electronic nose developed and to expose the technology to the complex.Two different data scaling techniques were applied to the collected data: 0 to 1 normalization and logarithmic normalization. Dimensionality reduction was enabled by both PCA(Principal Component Analysis) and LDA(Linear Discriminant Analysis). From the sixteen samples from each odour collected, twelve were picked randomly to serve as the training set and four as the testing set.PCA cumulative variance of the first five components is 96.8% for raw data, 89.3% for data scaled from 0 to 1 and 93.2% for logarithmic normalized data. Due to intrinsics of the algorithm, LDA first five discriminants amount to 98.3% of the dataset information.Backpropagation Neural Network(BPNN) and Support Vector Machines(SVM) are the classifiers applied in this thesis.From the SVM results, an accuracy of 93.75% was obtained with raw data and 96.88% with data scaled 0 to 1. From PCA components, 50% accuracy on data scaled 0 to 1 was the best result. LDA discriminants from raw data achieved 37.5%. Logarithmic scaled data accomplished an accuracy of 12.5\% for all three data extraction methods.Regarding BPNN accuracy results, classification with raw data achieved 53.12% and 59.37% after being reduced by PCA.This technique components from raw data had an accuracy of 59.37%, 50% from data scaled 0 to 1 and 34.38% from logarithmic scaled data. Discriminants from LDA reached 15.63% from both raw and 0 to 1 scaled data.

Com o potencial desenvolvimento de um dispositivo portátil capaz e robusto o suficiente para detetar odores variados em mente e para ajudar aqueles que não são capazes de cheirar, esta tese focou-se no desenvolvimento the um pequeno nariz eletrónico composto por um conjunto de quatro sensores diferentes com alvos e sensibilidades heterogéneas.Uma alargada coleção de odores do dia-a-dia foram selecionados para expor esta tecnologia a um complexo conjunto de odores bem como para desafiar as capacidades discriminativas do nariz eletrónico desenvolvido.Duas técnicas diferentes de escalamento de dados foram aplicadas à informação recolhida: normalização de 0 a 1 e normalização logarítmica. Redução de dimensionalidade foi aplicada pela PCA(Análise de Componentes Principais) e LDA(Análise de Discriminantes Lineares).Das dezasseis amostras para cada odor adquiridas, doze foram escolhidas aleatoriamente para servirem como grupo de treino e quatro como grupo de teste. A variância cumulativa das cinco primeiras componentes do PCA é 96.8% para dados não processados, 89.3% para dados escalados de 0 a 1 e 93.2% para dados normalizados logaritmicamente. Devido a processos internos do algoritmo, os primeiros cinco discriminantes do LDA atingem 98.3% da informação do grupo de dados. Rede Neuronal de Retropropagaçao(BPNN e Máquina de suporte de vetores(SVM) são os classificadores utilizados nesta tese.)Dos resultados do SVM, foi obtida uma precisão de 93.75% com dados não processados e 96.88% com dados escalados de 0 a 1. Dos components do PCA, uma precisão de 50% nos dados escalados de 0 a 1 foi o melhor resultado. Os discriminantes LDA dos dados não processados alcançou 37.5%. Dados escalados logaritmicamente conseguiram uma precisão de 12.5% para os três métodos de extração de dados.Considerando agora os resultados de precisão da BPNN, classificação com dados não processados obteve 53.12% e 59.37% depois de ser reduzida pelo PCA. Os componentes desta técnica provenientes dos dados não processados conseguiram uma precisão de 59.37%, 50% de dados escalados de 0 a 1 e 34.38% de dados escalados logaritmicamente. Discriminantes da LDA conseguiram 15.63% tanto para os dados não processados como para os escalados de 0 a 1.