Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
(1. INTRODUCCIÓN
En los últimos años, el rápido avance de las tecnologías de sensores ha expandido significativamente las fronteras de la percepción humana. Estos desarrollos han permitido la creación de los denominados sentidos artificiales; sistemas tecnológicos meticulosamente diseñados para emular e incluso potenciar las capacidades sensoriales humanas. Los sentidos artificiales se han posicionado como un foco central de investigación y desarrollo. Este artículo se centra en el olfato artificial, o tecnologías de nariz electrónica, que busca no solo imitar, sino superar las limitaciones que presenta el sentido del olfato humano.
Las narices electrónicas ofrecen varias ventajas significativas sobre las capacidades olfativas humanas (Tabla 1), lo que las convierte en herramientas valiosas para una amplia gama de aplicaciones, como la biomedicina (Farraia et al., 2019), la agricultura (Ordoñez & Barat, 2017), la ingeniería ambiental (Capelli et al., 2014), la industria (Chen et al., 2022) y el comercio (Rabehi et al., 2024). El presente trabajo se centra en explorar su campo de aplicación en el monitoreo ambiental, área donde su uso ha experimentado un crecimiento considerable:
1. Monitoreo de la calidad del aire: Las narices electrónicas se emplean para medir la calidad del aire y detectar contaminantes potencialmente peligrosos como compuestos orgánicos volátiles (VOC, por sus siglas en inglés), monóxido de carbono, dióxido de azufre, entre otros. Los datos obtenidos son de gran utilidad para la gestión de la calidad del aire urbano (Rai & Hasan, 2023).
2. Evaluación de la calidad del agua: Las narices electrónicas pueden identificar olores asociados con contaminantes químicos y orgánicos en cuerpos de agua, esto facilita la detección de sustancias nocivas (Wang et al., 2023).
3. Control de emisiones industriales: Las narices electrónicas ayudan a detectar emisiones y fugas principalmente en entornos industriales, lo que contribuye al cumplimiento de normativas ambientales (Vesenmaier et al., 2018).
4. Monitoreo de vertederos: Los vertederos emiten olores que pueden ser contaminantes y representar un riesgo para la salud. Las narices electrónicas facilitan el monitoreo y control de estas emisiones y asegurar así que se mantengan dentro de rangos seguros (Lotesoriere et al., 2024).
5. Respuesta ante desastres: En situaciones críticas donde ocurren derrames químicos o desastres naturales, las narices electrónicas ofrecen un diagnóstico rápido de la calidad del aire y del agua, y facilitan así una respuesta más eficaz por parte de los equipos de emergencia (Anyfantis, et al, 2021).
En este contexto, este trabajo presenta el diseño e implementación de una novedosa tecnología de nariz electrónica enfocada al monitoreo de la calidad del aire, el cual ofrece ciertas características atractivas como portabilidad y bajo costo. El prototipo es capaz de detectar gases que pudieran representar una amenaza para la salud humana, tales como el humo, el gas combustible, el monóxido de carbono, el alcohol, el hidrógeno, el metano, entre otros gases orgánicos. Además, nuestro trabajo explora el Método de Filtrado y Diagonalización (Filter Diagonalization Method, FDM), una técnica avanzada de estimación espectral que permite obtener patrones confiables a partir de las señales obtenidas por los sensores junto con Bosques Aleatorios (Random Forest, RF), un algoritmo robusto de aprendizaje automático que garantiza una alta precisión en la clasificación de patrones.
El resto del artículo está organizado de la siguiente manera: la Sección 2 presenta la metodología e incluye el prototipo desarrollado y los métodos utilizados (FDM y RF). En la Sección 3, se presenta el protocolo experimental y se analizan los resultados obtenidos. Finalmente, la Sección 4 concluye el trabajo resumiendo sus principales contribuciones y perspectivas de trabajo futuro.
2. METODOLOGÍA
Prototipo
La Figura 1(a) provee una descripción general de la arquitectura del sistema. El prototipo incorpora siete tipos de sensores (S1-S7) basados en semiconductores de óxido metálico (metal oxide semiconductor, MOS), un microcontrolador de 32 bits a cargo de la adquisición de las señales provenientes de los sensores y de la transmisión de datos a través de protocolo USB y una computadora, responsable del procesamiento de señales, clasificación y visualización de datos (Macias-Quijas et al., 2019).
En la Figura 1(b), se muestra el prototipo desarrollado. Este consiste en una carcasa plástica impresa en 3D que alberga el conjunto de sensores, el módulo electrónico y las conexiones eléctricas. El dispositivo es ligero (masa: 500 g.), compacto (dimensiones: 6.5 x 5 x 7 cm.) y de bajo costo (150 USD.).
La Tabla 2 resume los principales gases que se pueden detectar por cada uno de los siete sensores de la nariz electrónica. Observe que cada sensor no solo reacciona a un gas primario si no también es sensible a otros gases de manera secundaria.
La señal de cada sensor i se convierte a una sinusoide g(t) de frecuencia variable proporcional a la concentración del gas en un tiempo t, de acuerdo con la Ecuación (1):
donde f 0 es la frecuencia de la señal portadora (f0=1 Hz) y ∆ i (t)=0.1R es un término variable en R, siendo R una constante de proporcionalidad resistiva que describe la concentración del gas medida por el sensor i en el tiempo t.
Como ejemplo, la Figura 2 muestra las respuestas g i (t) de los siete sensores a gas butano. De acuerdo con la Ecuación (1), la respuesta será una sinusoide de 1 Hz de amplitud 1 que incrementa su frecuencia según la sensibilidad del sensor al gas. Observe que el sensor S1 es prácticamente insensible al butano mientras S3 es el sensor que exhibe la mayor sensibilidad a este gas.
Método de Filtrado y Diagonalización (FDM)
Nuestro trabajo explora el uso de FDM para transformar las señales obtenidas de los sensores al dominio de la frecuencia. Previamente hemos demostrado que FDM supera a los algoritmos basados en las técnicas de Fourier obteniendo espectros más precisos especialmente cuando se utilizan conjuntos de datos con un número limitado de muestras (Macias-Quijas et al., 2022). La aplicación de FDM en una nariz electrónica representa una contribución novedosa, ya que este método ha sido tradicionalmente utilizado en mecánica cuántica (Wall & Neuhauser, 1995), máquinas de resonancia magnética (Dai & Eads, 2010) y detección de fugas en tuberías (Lay-Ekuakille et al., 2009).
Para abordar el método, consideremos una señal compleja unidimensional cn=c(nτ) donde nτ son valores equidistantes en el tiempo con n = 0, 1,…, N-1. FDM representa la señal cn como una suma de sinusoides ponderadas y amortiguadas, como se muestra en la Ecuación (2):
donde d
k
son las amplitudes y
son las frecuencias complejas de la señal con el factor de amortiguación Y
k
. Para resolver la Ecuación (2), FDM utiliza una función de correlación descrita por el operador Hamiltoniano 𝛺 que contiene los eigenvalores complejos Wk, dando como resultado la Ecuación (3):
El problema se puede simplificar con la diagonalización del operador Hamiltoniano 𝛺 o, como se argumenta en Mandelshtam (2021), al operador de evolución
Brevemente, se considera un operador de producto interno simétrico definido por (a|b)=(b|a) sin su complejo conjugado, con un estado inicial 𝛷 0 . En la medida en que se utiliza un conjunto de eigenvectores ortonormales 𝑌 𝑘 para realizar la diagonalización de 𝑈 , como se muestra en la Ecuación (4):
Al sustituir la Ecuación (4) en la (3), se obtiene la Ecuación (5):
Los eigenvalores resultantes determinan la posición y el ancho de los armónicos mientras que los eigenvectores definen sus amplitudes y fases. Al considerar un conjunto creado a partir de los vectores de Krilov, generados por el operador de evolución
y de acuerdo con la Ecuación (5), se obtiene la Ecuación (6):
Como el conjunto no es ortonormal, la matriz de superposición se puede calcular a partir de la Ecuación (7):
Introducimos entonces la notación U0, que representa la matriz de superposición de dimensiones M+1(M+1. De manera similar, U1 puede ser utilizada para representar 𝑈 . Para reformular la Ecuación (2), es necesario resolver el problema generalizado de eigenvalores como se denota en la Ecuación (8):
donde
tiene las líneas del espectro y sus anchos correspondientes. Los eigenvectores 𝐵 𝑘 contienen tanto amplitudes como fases.
Para analizar los datos de los sensores con FDM, consideremos las lecturas de los sensores de gas como las señales c n. . La Figura 3 muestra el diagrama de flujo del algoritmo.
Después de la adquisición, las señales c n se analizan. N es el número de muestras y f s es la frecuencia de muestreo. Finalmente, se selecciona el intervalo de frecuencia [fmin fmax] en el cual se llevará a cabo el análisis.
Se construye un eje de frecuencia angular con valores equidistantes en el intervalo 2πfmin < φj < 2πfmax con j=0, 1, 2,…, Kwin y Kwin = N (fmax - fmin) / 2.
Se determinan tres matrices complejas simétricas U(p) de dimensiones Kwin x Kwin, con p=0, 1, 2. Para obtener los valores localizados en la diagonal, se utiliza la Ecuación (9a) mientras que para aquellos fuera de la diagonal se utiliza la Ecuación (9b):
El problema generalizado de los eigenvalores se resuelve con la Ecuación (8) y el algoritmo QZ (Evans & Yousif, 1994).
Las amplitudes complejas d k se calculan con la Ecuación (10):
Finalmente, los valores resultantes ω k y d k se utilizan para estimar el espectro C(F) de acuerdo con la Ecuación (11):
2.3 Bosques Aleatorios (RF)
El algoritmo RF es un modelo de aprendizaje supervisado que combina múltiples árboles de decisión en un solo modelo mejorando así la precisión y estabilidad de las predicciones (Breiman, 2001). Se eligió este algoritmo debido a que es comúnmente utilizado en tareas de clasificación y regresión, además es especialmente útil para conjuntos de datos grandes y complejos (Albán et al., 2022, Álvarez-Pato et al., 2020), tales como los producidos por el conjunto de sensores de la nariz electrónica.
El proceso de construcción del modelo RF para la clasificación de gases es el siguiente:
1. Se selecciona aleatoriamente un subconjunto de características del conjunto de datos original del espectro FDM.
2. Estos atributos se utilizan para construir un árbol de decisión.
3. Los pasos 1 y 2 se repiten varias veces para construir un conjunto de árboles de decisión (un bosque).
4. Cada árbol en el bosque predice una salida individual (es decir, una clase). La salida del modelo RF es la clase votada por la mayoría de los árboles.
La Figura 4 muestra la estructura simplificada del modelo RF utilizado para la clasificación de los espectros FDM.
3. RESULTADOS Y DISCUSIÓN
3.1 Protocolo Experimental
Para evaluar el desempeño de la metodología FDM-RF y de la nariz electrónica en general, se realizó un conjunto de 224 ensayos de forma aleatoria bajo los siguientes escenarios:
1. Presencia de acetona
2. Presencia de alcohol
3. Presencia de butano
4. Ningún gas (aire limpio)
Para asegurar una distribución correcta del gas alrededor de los sensores, se colocó la nariz electrónica dentro de una caja de acrílico. Por fuera, una bomba de aire se utilizó para introducir las muestras de gas a la caja de acrílico por medio de una manguera.
El experimento inicia con la caja de acrílico perfectamente sellada y aislando la nariz electrónica del exterior. Durante los primeros 20 segundos, cada uno de los siete sensores está en contacto con el aire presente en la caja (aire limpio). La bomba de aire se enciende y comienza a suministrar la muestra de gas. Por los siguientes 30 segundos la bomba permanece encendida asegurando que la caja se llene con la muestra de gas. En seguida, la bomba se apaga y por los siguientes 130 segundos, el gas permanece en la caja y permite que los sensores reaccionen. El experimento termina con la apertura de la caja de acrílico, lo cual permite que la muestra se disipe en el ambiente. Los datos recopilados de los sensores se envían a la computadora para realizar el análisis y la clasificación.
Este protocolo experimental se utilizó para entrenar el modelo RF. Una vez entrenado, es posible clasificar nuevas muestras. Adicionalmente, cada nueva muestra analizada y clasificada se incorpora al modelo, lo que posibilita el incremento de su robustez de forma gradual.
3.2 Presentación de datos e interpretación
De acuerdo con el protocolo experimental descrito en la sección 3.1, analicemos, por ejemplo, los resultados obtenidos para la acetona.
La Figura 5 muestra las respuestas temporales de los diferentes sensores cuando son expuestos a este gas. Como se describe en la Ecuación (1), el sensor más sensible será aquel que presente la sinusoide de más alta frecuencia una vez que la muestra de acetona haya llenado completamente la caja de acrílico, lo cual ocurre para tiempos mayores a 50 segundos (t> 50 s). Para este caso particular, los sensores S4 y S7 demuestran esta característica, indicando su alta sensibilidad a la presencia de acetona.
Las señales se procesan con el algoritmo descrito en la Figura 3. Analicemos, por ejemplo, los espectros FDM para los sensores S2 (totalmente insensible al gas) y S4 y S7 (altamente sensibles al gas).
La Figura 6 presenta estos tres espectros: la fila superior muestra los espectros en el plano tridimensional C(F)-F-k (amplitud del espectro FDM, frecuencia en Hz y tiempo en segundos), mientras que la fila inferior muestra la vista superior de estas gráficas, en la que se visualiza únicamente el plano F-k.
Las características relevantes para discutir son:
En los espectros tridimensionales C(F)-F-k, la línea verde punteada representa el armónico de la señal portadora de 1 Hz, que se visualiza como un círculo verde en el origen de las gráficas del plano F-k.
Como la amplitud de la sinusoide es 1, el valor máximo para C(F) es 0.5.
La detección del gas objetivo se manifiesta en la aceleración de la señal sinusoide y la aparición temprana de armónicos en el espectro. Aunque este efecto es difícil de apreciar en el plano C(F)-F-k, se observa claramente en el plano bidimensional F-k. Específicamente, los armónicos emergen más pronto para los sensores S4 y S7 (t ≤ 80 s) en comparación con el sensor S2 (t ≤ 160 s).
Una alta concentración o agrupamiento de armónicos indica una elevada sensibilidad del sensor al gas objetivo. Esto es evidente en las gráficas del plano F-k, donde los armónicos se encuentran más cercanos entre sí para S4 y S7 que para S2.
La combinación de los siete espectros permite establecer un patrón único, distintivo y confiable para la acetona. La Figura 7 muestra este patrón, en el que se agrupan los armónicos generados por cada sensor. Note la correspondencia con la frecuencia de las señales de la Figura 6. Este patrón distintivo servirá como una “huella digital” para la identificación precisa de este gas en futuras mediciones.
Posteriormente, el conjunto de datos FDM se analiza mediante el modelo de clasificación RF.
Figura 6 Los espectros obtenidos a partir de la técnica FDM para las señales adquiridas por los sensores S2, S4 y S7. Fila superior: plano C(F)-F-k, fila inferior: plano F-k
Figura 7 Huella digital para la acetona basada en la combinación de los espectros FDM de los siete sensores. Visualización en el plano F-k
La Figura 8 presenta la matriz de confusión, en la cual se detalla el número de predicciones correctas e incorrectas realizadas por el modelo RF. Las filas representan la clase real (true class) mientras que las columnas representan la clase prevista (predicted class).
Los valores en la diagonal representan: (arriba) el número de veces que el gas fue presentado a la nariz electrónica y (abajo) la tasa de reconocimiento. Por ejemplo, la acetona fue presentada 51 veces y en todos los casos fue reconocida (tasa de reconocimiento: 100 %). El alcohol fue presentado 49 veces de las cuáles en 47 fue reconocido correctamente (tasa de reconocimiento: 95.9 %). La tasa general de reconocimiento sobre los 224 ensayos fue de 96.4 % lo que sugiere que el modelo RF es adecuado para clasificar los patrones de FDM de los gases.
La Tabla 3 compara el desempeño de nuestra propuesta con otros resultados previamente reportados en la literatura.
Entre los métodos de detección más utilizados se encuentran el Análisis de Componentes Principales (PCA) y el Análisis Discriminante Lineal (LDA). En cuanto a las técnicas de clasificación, se han explorado las Redes Neuronales de Retropropagación (BPNN), las Máquinas de Soporte Vectorial (SVM) y las Redes Neuronales Convolucionales (CNN). Note que la combinación FDM-RF logra una discriminación superior, lo que la posiciona como una estrategia eficaz para la detección y clasificación de gases en narices electrónicas.
4. CONCLUSIONES
En este trabajo, se presentó una tecnología de nariz electrónica de bajo costo y alta portabilidad diseñada para detectar gases ambientales específicos tales como el humo, gas combustible y monóxido de carbono, los cuales pueden representar riesgos potenciales para la salud humana. El sistema consta de siete sensores MOS, un módulo electrónico y un software para el procesamiento de señales y su clasificación.
La etapa de procesamiento de señales está basada en el método de filtrado y diagonalización (FDM), un novedoso algoritmo que provee espectros que contienen las características más relevantes de las señales temporales. Mediante el cálculo de los espectros FDM de cada una de las siete señales adquiridas por los sensores, es posible establecer patrones confiables para los gases objetivos.
La etapa de clasificación emplea un modelo de bosques aleatorios (RF) para identificar el gas presente en los alrededores de la nariz electrónica. Los resultados experimentales muestran que el modelo RF logra un 96.4 % de precisión en la clasificación. La metodología FDM-RF es una contribución novedosa en la detección y clasificación de gases y es una solución adecuada para ser explorada en el desarrollo de narices electrónicas.
Como trabajo futuro se buscará aplicar el prototipo en el área de alimentos. El sensor S7 es sensible a gases orgánicos y puede ser particularmente útil en la evaluación de perfiles aromáticos de alimentos. El maíz es uno de los pilares alimenticios de Latinoamérica. Su preparación en arepas, tortillas, tamales, sopas, entre otros es de gran interés para la industria de alimentos. La cocción del maíz libera algunos gases orgánicos que intensifican su aroma y pueden hacer la experiencia sensorial del consumidor más agradable (Martínez-Velasco et al., 2022). El prototipo de nariz electrónica presentado en este trabajo se propone como una herramienta tecnológica de interés para este propósito.
