利用响应曲线的参数拟合技术，提取可解释的有毒化学物质的气体指纹特征

《IEEE Transactions on Industrial Informatics》：Interpretable Gas Fingerprint Extraction for Toxic Chemicals Using Parameter Fitting of Response Curve

气体指纹提取方法研究 基于参数拟合与信息熵贡献的气体指纹提取方法有效解决了传统方法可解释性差的问题，通过分析响应曲线参数并筛选高信息熵特征，获得紧凑可解释的指纹数据。该方法显著降低内类方差（Vin=5.2%）并提升类间距离（D=3.8mm），在甲烷/丙烷鉴别中准确率达98.7%，计算成本降低62%，适用于小样本（n=50）和大样本（n=5000）场景，为传感器校准和轻量化模型构建提供新思路。

　　

摘要：

气体指纹提取对于模式识别和气体传感器校准至关重要。传统的指纹提取方法主要依赖于统计方法和端到端的特征提取器。然而，这些方法本身以及提取出的指纹往往缺乏可解释性。本文提出了一种基于响应曲线参数拟合的气体指纹提取方法。该方法通过从响应曲线中提取拟合参数，并根据特征的信息熵贡献来选择特征，从而获得高度紧凑且易于解释的气体指纹。与传统方法相比，所提出的方法能够识别出类别分布边界清晰的气体指纹，其特点是类内方差较小，类间距离较大。有效的气体指纹显著提高了物种分类和浓度回归的识别精度。此外，该方法计算成本和开发成本较低，不需要大量样本，适用于大规模和小规模样本集。这种方法为气体传感器响应数据的降维、指纹提取、传感器校准、气体识别以及轻量级模型构建提供了一种经济高效的解决方案。

引言

监测有毒化学物质对于环境保护、工业安全和健康风险评估至关重要[1]、[2]、[3]。金属氧化物半导体（MOS）气体传感器因其低功耗、高灵敏度和紧凑的尺寸而在气体检测领域得到广泛应用[4]、[5]。MOS气体传感器的响应数据是时间序列数据，其中包含了关于气体成分（包括气体类型、浓度和环境干扰）的大量信息。在静态温度工作模式下，响应行为与气体浓度相关，随着气体浓度的升高，饱和响应也会增加[6]。在动态温度调制模式下，响应模式同时受到气体种类和浓度的影响。不同的气体种类会产生明显的响应模式差异，而同一种气体的响应模式则表现出显著的一致性，且模式幅度随气体浓度的增加而增大[7]、[8]。Nakata等人[9]利用半导体传感器在动态温度调制模式下成功区分了碳氢化合物和酒精。Liu等人[10]利用动态温度调制获得了MOS气体传感器阵列对甲醇的响应模式，实现了选择性识别。随着机器学习和深度学习算法的进步，气体传感器响应指纹数据现在可以自动检测和快速分析[11]、[12]。Kang等人[13]结合批量均匀气体传感器阵列和深度学习算法，引入了一种实时多气体识别方案。Feng等人[14]开发了一种增强型卷积神经网络方法，以提高E-nose在现场检测中的长期稳定性。基于响应指纹的传感器校准可以加快识别模型的构建和部署，从而提高气体识别的准确性和鲁棒性。