外源褪黑素对大豆食心虫（鳞翅目：卷蛾科）生活史特征及耐寒性的影响

《Biology》：Effects of Exogenous Melatonin on Life History Traits and Cold Tolerance of Leguminivora glycinivorella (Lepidoptera: Tortricidae) Shiyu Zhu, Yichang Xing, Yuxin Zhou, Shusen Shi and Yu Gao

　　

摘要：快速、准确的气体识别与浓度预测对于工业安全、医疗诊断和环境监测至关重要。然而，复杂环境中的信号失真以及数据处理过程中的特征丢失，常常导致预测准确性与响应速度的下降。为应对这些挑战，本研究提出了一种用于电子鼻系统的双模型框架。一个气体分类模型，采用复合格拉姆角场（Gramian Angular Field, GAF）表示法将时间序列传感器数据转化为二维特征图，并使用卷积神经网络（Convolutional Neural Network, CNN）进行端到端分类。一个气体浓度预测模型，集成了多头注意力（Multi-head Attention）机制、CNN和双向门控循环单元（Bidirectional Gated Recurrent Unit, Bi-GRU），以捕捉时空依赖性。进一步开发了一种级联识别-预测方案，以减轻数据分布异质性并增强模型鲁棒性。该方法同时支持单标签和多标签分类任务，并在复杂条件下（包括低浓度、不同湿度和混合气体）展现出强大的适应性。在公开数据集和实验室自采集数据集上的验证表明，仅使用初始响应阶段数据，分类模型即可实现100%的识别准确率，而预测模型对多数目标气体浓度预测的决定系数（R2）>0.99。这些结果证实，所提出的框架为电子鼻系统中快速定性识别和定量预测提供了一个高效且稳健的解决方案。

一、 研究背景与问题

气体分析在环境监测、工业安全、疾病诊断和食品质量控制等领域的重要性日益凸显。传统的气体检测技术，如气相色谱-质谱联用（Gas Chromatography–Mass Spectrometry, GC-MS），虽然准确，但存在检测周期长、操作复杂、成本高等局限，难以满足实时、便携场景的应用需求。相比之下，基于金属氧化物半导体（Metal Oxide Semiconductor, MOS）气体传感器阵列的电子鼻（Electronic Nose, E-nose）系统，因其低成本、简单传感机制和易于集成而受到广泛关注。电子鼻系统的核心性能很大程度上取决于其模式识别算法。然而，当前气体识别与浓度预测研究仍面临诸多挑战。首先，早期基于统计分析（如主成分分析PCA、线性判别分析LDA）和传统机器学习（如支持向量机SVM、k近邻KNN）的方法依赖于人工提取特征，难以充分捕获传感器响应中复杂的非线性与时间动态特性。其次，尽管深度学习（如卷积神经网络CNN、循环神经网络RNN）显著提升了气体传感性能，但现有方法通常需要完整的传感器响应序列，计算成本高且识别速度慢。此外，大多数研究要么专注于单组分气体识别，要么限于对多组分混合物的定性分析，对高精度浓度预测，尤其是在多组分气体和复杂环境（如低浓度、湿度干扰、设备间差异）下的定量预测，探索仍显不足。同时，针对单气体场景，不同气体数据分布的异质性会损害模型的泛化能力。为了克服上述限制，本文旨在构建一个统一的深度学习框架，以实现快速、稳健的气体识别与浓度预测。

二、 研究内容与方法概述

研究人员针对电子鼻系统的气体分析任务，提出并验证了一种创新的深度学习框架。该框架主要由气体分类器、气体浓度预测器和一个针对单气体场景设计的级联识别-预测系统构成。研究的核心在于通过改进数据表征和模型架构，实现在仅使用传感器初始响应阶段数据（从气体暴露开始到响应趋于稳定）的情况下，同时完成高效、准确的气体定性与定量分析。这项研究验证了该方法在复杂和恶劣条件下的鲁棒性与泛化能力，为实时、高性能电子鼻系统的开发提供了重要参考。论文已发表于《Sensors》期刊。

为开展研究，研究人员综合利用了四个数据集进行模型验证，包括三个公开数据集（Dataset I-III）和一个在其实验室自行构建的电子鼻系统收集的数据集（Dataset IV）。这些数据集涵盖了多组分混合气体、低浓度高湿度干扰、跨设备变异性以及实验室实测场景，确保了评估的全面性。在数据处理方面，研究人员对传感器原始时序信号进行了预处理，包括提取关键响应上升阶段的数据段、应用指数加权移动平均法（Exponentially Weighted Moving Average, EWMA）进行平滑去噪、下采样以及通过滑动窗口进行数据增强。在模型技术方法上，气体分类器采用复合格拉姆角场（GAF，包含求和场GASF和差分场GADF）变换将一维时序信号转换为二维图像，再利用卷积神经网络（CNN）和全连接网络（MLP）进行分类。气体浓度预测器则构建了一个编码器-解码器（Encoder-Decoder）架构，编码器采用了包含位置编码、单头自注意力、多头自注意力（Multi-Head Attention, MHA）和线性注意力在内的多模态注意力融合（Multi-modal Attention Fusion, MAF）模块，解码器则由卷积神经网络（CNN）、双向门控循环单元（Bi-GRU）和全连接网络（MLP）串联而成，旨在捕捉传感器响应的时空依赖关系。此外，针对单一气体场景，研究人员设计了一个级联系统，即先由分类器识别气体类型，再将数据路由到针对该气体的专用回归子网络中进行浓度预测，以解决不同气体数据分布异质性问题。

三、 研究结果

4.1. Dataset I（混合气体数据集）

在气体分类任务中，模型在训练中快速收敛，测试损失与训练损失紧密贴合，无过拟合迹象。混淆矩阵显示，模型对三种气体（CO、CH₄、C₂H₄）实现了100%的准确分类。在浓度预测任务中，对C₂H₄、CO和CH₄三种气体的预测结果决定系数R²均高于0.997，均方根误差（RMSE）和平均绝对误差（MAE）也处于低水平。模型不仅能精确预测浓度，还能通过判断预测值是否大于零实现有效的气体存在性识别。

4.2. Dataset II（低浓度单一气体数据集）

在低浓度（0-20 ppm）且湿度随机变化（15-75% RH）的条件下，对CO的浓度预测模型同样表现出快速稳定的收敛。最终预测R²达到0.986，RMSE为0.779，MAE为0.460。结果表明，模型在低浓度、高干扰环境下依然保持了稳健的深度特征提取能力和定量预测精度，这归功于其多分支注意力机制能抑制湿度干扰，并增强微弱气体响应特征。

4.3. Dataset III（多设备单气体数据集）

研究人员采用了级联识别-预测架构。分类器在训练中快速达到100%准确率，对CO、C₂H₅OH、C₂H₄和CH₄四种气体实现了完美的区分，混淆矩阵无任何错误。在此分类基础上，专用回归子网络对所有气体的浓度预测均表现优异，R²值在0.996至0.998之间。这验证了该级联架构能有效缓解因气体数据分布不一致对统一回归模型造成的负面影响。

4.4. Dataset IV（实验室自建数据集）

在实验室自建的传感器阵列数据集上，模型针对NO₂、SO₂和C₆H₆三种气体，同样实现了快速、稳定的训练收敛和100%的分类准确率。浓度预测方面，R²值分别为0.998、0.973和0.996。尽管SO₂的预测区间相对较宽（可能源于传感单元的交叉敏感性），C₆H₆的误差略大（可能与其浓度范围更宽有关），但模型总体表现出色。这进一步证实了所提识别-预测框架在独立硬件平台上的有效性和可迁移性。

5. 讨论与结论

比较实验：在Dataset I上，研究人员将所提模型与12种经典机器学习（如SVM、KNN）和先进深度学习方法（如2L-ARNN、PMH-TCN、DWCNN-LSTM等）进行比较。实验采用5折交叉验证。结果表明，在浓度预测任务中，所提模型取得了最优的综合性能，其整体R²为0.9897，RMSE和MAE也最低。虽然某些纯卷积模型（如3D-CNN）推理时间更短（0.017 ms），但所提模型2.8885 ms的推理时间仍远低于传感器物理响应时间（数十至数百秒），表明其计算延迟在实际应用中可忽略不计，能够显著缩短测量周期。

消融实验：在分类模型上，对比了原始CNN、GADF-CNN、GASF-CNN以及融合模型（GASF+GADF-CNN）。结果显示，融合GAF表示的模型收敛最快、最稳定，验证了复合GAF表征的有效性。在预测模型上，通过对注意力模块（A）、卷积模块（CNN）和循环模块（GRU）进行组合消融，发现A-CNN-GRU组合模型在低浓度数据集上取得了最佳整体性能（R²0.9860， RMSE 0.7794），证明了所提各模块的互补性与集成优势。

数据长度影响：通过探究输入序列长度对模型性能的影响发现，使用完整响应上升段数据是保证模型在复杂混合气体场景下成功完成识别和预测任务的有效长度。随着输入数据长度缩短，无论是分类器的收敛稳定性还是预测器的准确度（RMSE、R²）均会显著下降。例如，仅使用1/4上升段数据时，分类器甚至无法收敛。这揭示了保证足够的数据长度以捕获完整响应动态特征的重要性。

结论翻译：

本研究提出了一种用于电子鼻系统快速气体识别与浓度估计的双模型框架。引入了融合GASF和GADF的复合格拉姆角场（GAF）表示法，将时间序列传感器数据转换为具有区分性的二维特征图，通过基于卷积神经网络（CNN）的分类器实现端到端气体分类。针对浓度预测，开发了一种注意力增强的CNN-Bi-GRU架构，以捕获多尺度空间特征和双向时间依赖性。此外，提出了一种级联识别-预测方案，以减轻单气体场景中因数据分布异质性导致的跨类别预测偏差。该框架的一个关键优势在于无需完整的传感器响应周期，通过利用从初始暴露到早期稳态的上升阶段，即可实现快速、准确的识别与定量。在三个公开数据集和一个实验室自采集数据集上验证了所提方法的有效性。实验结果表明，分类模型在所有评估场景中均达到了100%的准确率，而浓度预测器在不同气体和浓度范围内均表现出优异的定量可靠性。