Atash
11-23-2012, 17:45
بيني الكترونيكي
بينيهاي الكترونيكي از سه جزء اصلي تشكيل شدهاند: سيستم دريافت نمونه، سيستم رديابي، و سيستم پردازش. ساخت دستگاهي كه بتواند عملكرد مشابه بيني داشته باشدبا دو مسئله عمده روبرو است: رديابي تك تك اجزاي شيميايي و تشخيص اين كه تركيب خاصي از اجزاي داده شده در يك نسبت معين چه رايحهاي را تداعي ميكند. سيستم دريافت نمونه ميتواند تركيبات فرار يك ماده را دريافت کند و آنها را براي آناليزهاي جزئيتر در اختيار سيستم رديابي قرار دهد. سيستمرديابي، شامل مجموعهاي از سنسورها است كهبخش واكنشپذير دستگاه هستند. اين سنسورها در تماس باتركيبات فرار، واكنش شيميايي ايجاد ميكنند كه به تغييردر خواص الكتريكي ميانجامد. سيستم پردازش، پاسخهاي دريافتي از تماميسنسورها را با يكديگر تركيب كرده و داده ورودي را ايجاد ميكند. اين داده پس از طيمراحل آناليز مقايسهاي، نتايج قابل تفسيري را توليد ميكند.
نحوه عملكرد بيني الكترونيكي
هنگامي كه بيني الكترونيكي رايحهاي را بوميكشد، تغييراتي در وضعيت سنسور ايجاد ميشود كه در اثر آن، مقاومت الكتريكي سنسور تغيير مي كند. تغييرات مقاومت الكتريكي براي آناليزهاي دقيقتر به يكالگوريتم شناسايي الگو فرستاده ميشود. از آنجا كه هر يك از سنسورهاي واقع در يكآرايه واكنشي مخصوص به خود دارد، سنسور نوعي «اثر انگشت شيميايي» براي هر بو ايجادميكند. الگوريتمهاي شناسايي الگو از اين اطلاعات براي انجام عملياتشناسايي و دستهبندي استفاده ميكنند. تكنيكهاي شناسايي الگو (PARCs) اطلاعات دريافت شده از سنسور را آناليز كرده و تغييرات مقاومتي آرايه را به مجموعههاي پرقدرتي از اطلاعات تبديل ميكنند كه قابل استفاده در رديابي مواد سمي، تشخيص بيماريها،كنترل كيفيت مواد غذايي و ارزيابيهاي زيست محيطي هستند. باانتخاب روش صحيح آناليز الگو، بينيهاي الكترونيكي ميتوانند براي شناساييتركيبات رايحههاي گوناگون، انجام آناليزهاي ادراكي اوليه و حتي دستهبندي رايحههاي ناشناخته به كار آيند.
الگوريتمهاي متعددي براي حل مشكلات بيني الكترونيكي به كارميروند. از آن جمله ميتوان به تكنيكهاي آناليز آماري نظير آناليز اجزاي اصلي (PSA) و آناليزهاي غير پارامتري و شبكههاي عصبي اشاره كرد. اكثر الگوريتمها بايد يك فاز يادگيري را پشت سر بگذارند. در اين فاز، نمونههايي با گروهها و دسته بنديهاي معلوم براي آموزش الگوريتم به كار ميروند. نوع الگوريتم تعيين كننده سطح نظارت انسان و ميزان اطلاعات لازم براي انجام اين آموزش است. هنگامي كه الگوريتمتحت آموزش قرار گرفت، قادر خواهد بود كه رايحهاي نامعلوم را به عنوان يك عضو ياتركيبي از اعضاي دسته بنديهايي كه با آنها تحت آموزش بوده است، شناسايي كند. يك الگوريتم مناسب بايد صحيح و سريع بوده، يادگيري آن ساده باشد و حافظه چنداني رااشغال نكند. به سبب اين ويژگيهاي پيچيده، الگوريتم ايدهآلي براي آناليزهاي بويايي وجود ندارد. هيچكدام از آناليزهاي باليني و مدلهاي برگرفته از خواص بيولوژيك نميتوانند تمامي نيازها را مرتفع كنند.
آناليزهاي آماري معمولا سريعبوده و به فاز آموزشي نياز ندارند. نتايج حاصل از آنها در ارتباط تنگاتنگ بادادههاي ورودي بوده و به طبيعت مواد شيميايي مورد آزمايش واكنش نشان ميدهند. بهاين ترتيب، اين نوع آناليزها از خطرات ناشي از آموزش مبري هستند. با اين وجود،دادههاي دريافتي از سنسور در اكثر موارد خطي فرض ميشود. ولي با اينكه دادهها دراكثر موارد رفتاري خطي دارند، درغلظتهاي بالا برخلاف پيش بينيها عمل كرده و سبب ايجاد خطا در الگوريتمهاي خطي ميشوند.
روش ديگر دسته بندي دادهها، استفاده از شبكههاي است كه بر اساسسيستمهاي بيولوژيك طراحي شدهاند. برخلاف آناليزهاي آماري، شبكههاي عصبي نيازي بهخطي بودن و يا تبعيت از يك مدل رياضي به خصوص ندارند. شبكههاي عصبي ميتوانند براي آناليزهاي فازي نيز استفاده شوند. در تحليلهاي فازي، رايحهها به دستهبنديهايمبهمي تقسيم ميشوند كه حواس بويايي انسان را تقليد ميكنند. آناليز فازي نتايجي رابه دست ميدهد كه از طريق تكنيكهاي آماري، شامل ارزيابي كيفيترايحهها، چندان سهل الوصول نيست. اما شبكههاي عصبي نيز عاري از خطا نيستند. اين شبكهها بايد براي ايجاد گروههاي دسته بندي، برنامهريزي شوند. اين امر بدين معناست كه شبكههاي عصبي، الگوريتمهايي هستند كه بايد تحت آموزش قرار گيرند و آموزش آنها براي شناسايي رايحههاي جديد كار دشواري است. همچنين ممكن است با استفاده از نمونههاي آموزشي بسيار زياد، شبكههاي عصبي تحت آموزش بيش از حد قرار بگيرند كه به از بين رفتن كارآيي سيستم منجر خواهدشد.
كاربردها
دامنههاي كاربرد اين نوع سنسور بيشتر در كنترل كيفيت و شناسايي يا تشخيص گازها و محلولهاي فرار در محيطهاي مختلف است. از آنجا كه اين سنسورها علاوه بر محيطهاي گازي، درمحيطهاي حاوي مايعات نيز قابل استفاده هستند، كاربردهاي متنوعي در بيوشيمي و تشخيص پزشكي دارند. برخي از اين كاربردهاي ديگر سنسورهاي پايهاي عبارتند از: حس كردنگازها، كاربرد در صنعت خودروسازي،كنترل كيفيت (غذا، مواد شيميايي،هوا)، صنعت توليدعطر، كاربردهاي پزشكي، تحقيقات مرتبط با پزشكي قانوني، جستجوي مولكولهاي آلوده در فضاهاي محبوس نظيرسفينههاي فضايي (علت اصلي توجه NASA به مبحث بويايي مصنوعي)
مزايا
در تكنولوژي سنسورهاي پايهاي،به تجهيزات حجيم و گران قيمت نيازي نيست. اين سيستمهاميتوانند جايگزين بسياري از سيستمهاي گران قيمتي شوند كه در حال حاضر براي رديابي تعداد محدودي از مواد (از طريق حس بويايي) به كار ميروند.
منابع
1. Christina Brandt, Cornell University, "The Identification of Chemicals using Clustering and Extrapolation from an External Database for Electronic Nose Sensors"
2. "Nanomechanical Olfactory Sensors", accessed on Page Moved
3. "MIT Paves Way To Artificial Nose", accessed on Science Daily: News & Articles in Science, Health, Environment & Technology
4. "Electronic Nose", accessed on Wikipedia.org
5. | ماهنامه مهندسی پزشکی
بينيهاي الكترونيكي از سه جزء اصلي تشكيل شدهاند: سيستم دريافت نمونه، سيستم رديابي، و سيستم پردازش. ساخت دستگاهي كه بتواند عملكرد مشابه بيني داشته باشدبا دو مسئله عمده روبرو است: رديابي تك تك اجزاي شيميايي و تشخيص اين كه تركيب خاصي از اجزاي داده شده در يك نسبت معين چه رايحهاي را تداعي ميكند. سيستم دريافت نمونه ميتواند تركيبات فرار يك ماده را دريافت کند و آنها را براي آناليزهاي جزئيتر در اختيار سيستم رديابي قرار دهد. سيستمرديابي، شامل مجموعهاي از سنسورها است كهبخش واكنشپذير دستگاه هستند. اين سنسورها در تماس باتركيبات فرار، واكنش شيميايي ايجاد ميكنند كه به تغييردر خواص الكتريكي ميانجامد. سيستم پردازش، پاسخهاي دريافتي از تماميسنسورها را با يكديگر تركيب كرده و داده ورودي را ايجاد ميكند. اين داده پس از طيمراحل آناليز مقايسهاي، نتايج قابل تفسيري را توليد ميكند.
نحوه عملكرد بيني الكترونيكي
هنگامي كه بيني الكترونيكي رايحهاي را بوميكشد، تغييراتي در وضعيت سنسور ايجاد ميشود كه در اثر آن، مقاومت الكتريكي سنسور تغيير مي كند. تغييرات مقاومت الكتريكي براي آناليزهاي دقيقتر به يكالگوريتم شناسايي الگو فرستاده ميشود. از آنجا كه هر يك از سنسورهاي واقع در يكآرايه واكنشي مخصوص به خود دارد، سنسور نوعي «اثر انگشت شيميايي» براي هر بو ايجادميكند. الگوريتمهاي شناسايي الگو از اين اطلاعات براي انجام عملياتشناسايي و دستهبندي استفاده ميكنند. تكنيكهاي شناسايي الگو (PARCs) اطلاعات دريافت شده از سنسور را آناليز كرده و تغييرات مقاومتي آرايه را به مجموعههاي پرقدرتي از اطلاعات تبديل ميكنند كه قابل استفاده در رديابي مواد سمي، تشخيص بيماريها،كنترل كيفيت مواد غذايي و ارزيابيهاي زيست محيطي هستند. باانتخاب روش صحيح آناليز الگو، بينيهاي الكترونيكي ميتوانند براي شناساييتركيبات رايحههاي گوناگون، انجام آناليزهاي ادراكي اوليه و حتي دستهبندي رايحههاي ناشناخته به كار آيند.
الگوريتمهاي متعددي براي حل مشكلات بيني الكترونيكي به كارميروند. از آن جمله ميتوان به تكنيكهاي آناليز آماري نظير آناليز اجزاي اصلي (PSA) و آناليزهاي غير پارامتري و شبكههاي عصبي اشاره كرد. اكثر الگوريتمها بايد يك فاز يادگيري را پشت سر بگذارند. در اين فاز، نمونههايي با گروهها و دسته بنديهاي معلوم براي آموزش الگوريتم به كار ميروند. نوع الگوريتم تعيين كننده سطح نظارت انسان و ميزان اطلاعات لازم براي انجام اين آموزش است. هنگامي كه الگوريتمتحت آموزش قرار گرفت، قادر خواهد بود كه رايحهاي نامعلوم را به عنوان يك عضو ياتركيبي از اعضاي دسته بنديهايي كه با آنها تحت آموزش بوده است، شناسايي كند. يك الگوريتم مناسب بايد صحيح و سريع بوده، يادگيري آن ساده باشد و حافظه چنداني رااشغال نكند. به سبب اين ويژگيهاي پيچيده، الگوريتم ايدهآلي براي آناليزهاي بويايي وجود ندارد. هيچكدام از آناليزهاي باليني و مدلهاي برگرفته از خواص بيولوژيك نميتوانند تمامي نيازها را مرتفع كنند.
آناليزهاي آماري معمولا سريعبوده و به فاز آموزشي نياز ندارند. نتايج حاصل از آنها در ارتباط تنگاتنگ بادادههاي ورودي بوده و به طبيعت مواد شيميايي مورد آزمايش واكنش نشان ميدهند. بهاين ترتيب، اين نوع آناليزها از خطرات ناشي از آموزش مبري هستند. با اين وجود،دادههاي دريافتي از سنسور در اكثر موارد خطي فرض ميشود. ولي با اينكه دادهها دراكثر موارد رفتاري خطي دارند، درغلظتهاي بالا برخلاف پيش بينيها عمل كرده و سبب ايجاد خطا در الگوريتمهاي خطي ميشوند.
روش ديگر دسته بندي دادهها، استفاده از شبكههاي است كه بر اساسسيستمهاي بيولوژيك طراحي شدهاند. برخلاف آناليزهاي آماري، شبكههاي عصبي نيازي بهخطي بودن و يا تبعيت از يك مدل رياضي به خصوص ندارند. شبكههاي عصبي ميتوانند براي آناليزهاي فازي نيز استفاده شوند. در تحليلهاي فازي، رايحهها به دستهبنديهايمبهمي تقسيم ميشوند كه حواس بويايي انسان را تقليد ميكنند. آناليز فازي نتايجي رابه دست ميدهد كه از طريق تكنيكهاي آماري، شامل ارزيابي كيفيترايحهها، چندان سهل الوصول نيست. اما شبكههاي عصبي نيز عاري از خطا نيستند. اين شبكهها بايد براي ايجاد گروههاي دسته بندي، برنامهريزي شوند. اين امر بدين معناست كه شبكههاي عصبي، الگوريتمهايي هستند كه بايد تحت آموزش قرار گيرند و آموزش آنها براي شناسايي رايحههاي جديد كار دشواري است. همچنين ممكن است با استفاده از نمونههاي آموزشي بسيار زياد، شبكههاي عصبي تحت آموزش بيش از حد قرار بگيرند كه به از بين رفتن كارآيي سيستم منجر خواهدشد.
كاربردها
دامنههاي كاربرد اين نوع سنسور بيشتر در كنترل كيفيت و شناسايي يا تشخيص گازها و محلولهاي فرار در محيطهاي مختلف است. از آنجا كه اين سنسورها علاوه بر محيطهاي گازي، درمحيطهاي حاوي مايعات نيز قابل استفاده هستند، كاربردهاي متنوعي در بيوشيمي و تشخيص پزشكي دارند. برخي از اين كاربردهاي ديگر سنسورهاي پايهاي عبارتند از: حس كردنگازها، كاربرد در صنعت خودروسازي،كنترل كيفيت (غذا، مواد شيميايي،هوا)، صنعت توليدعطر، كاربردهاي پزشكي، تحقيقات مرتبط با پزشكي قانوني، جستجوي مولكولهاي آلوده در فضاهاي محبوس نظيرسفينههاي فضايي (علت اصلي توجه NASA به مبحث بويايي مصنوعي)
مزايا
در تكنولوژي سنسورهاي پايهاي،به تجهيزات حجيم و گران قيمت نيازي نيست. اين سيستمهاميتوانند جايگزين بسياري از سيستمهاي گران قيمتي شوند كه در حال حاضر براي رديابي تعداد محدودي از مواد (از طريق حس بويايي) به كار ميروند.
منابع
1. Christina Brandt, Cornell University, "The Identification of Chemicals using Clustering and Extrapolation from an External Database for Electronic Nose Sensors"
2. "Nanomechanical Olfactory Sensors", accessed on Page Moved
3. "MIT Paves Way To Artificial Nose", accessed on Science Daily: News & Articles in Science, Health, Environment & Technology
4. "Electronic Nose", accessed on Wikipedia.org
5. | ماهنامه مهندسی پزشکی
