Sistema sensor para el monitoreo ambiental basado en redes Neuronales

Resumen

En las tareas de monitoreo ambiental resulta de gran importancia contar con sistemas compactos y portátiles capaces de identificar contaminantes ambientales que faciliten las tareas relacionadas con el manejo de los residuos y la restauración ambiental. En este trabajo se describe el desarrollo de un sistema sensor prototipo creado para identificar contaminantes en el ambiente. Este prototipo está conformado con un arreglo de sensores de gas de óxido de estaño SnO₂ utilizados para identificar vapores químicos, una etapa de adquisición de datos implementada con una plataforma ARM (Advanced RISC Machine) de bajo costo (Arduino) y una red neuronal capaz de identificar contaminantes ambientales automáticamente. La red neuronal se utiliza para identificar la composición del contaminante censado. En el sistema de cómputo, la carga computacional intensa se presenta únicamente en el proceso de entrenamiento, una vez que la red neuronal es entrenada, la operación consiste en propagar los datos a través de la red con una carga computacional mucho más ligera, la cual consiste principalmente en una multiplicación vector-matriz y una búsqueda en tablas que lleva a cabo la función de activación para identificar rápidamente muestras desconocidas.

Abstract

In the tasks of environmental monitoring is of great importance to have compact and portable systems able to identify environmental contaminants that facilitate tasks related to waste management and environmental restoration. In this paper, a prototype sensor is described to identify contaminants in the environment. This prototype is made with an array of tin oxide SnO2 gas sensors used to identify chemical vapors, a step of data acquisition implemented with ARM (Advanced RISC Machine) low-cost platform (Arduino) and a neural network able to identify environmental contaminants automatically. The neural network is used to identify the composition of contaminant census. In the computer system, the heavy computational load is presented only in the training process, once the neural network has been trained, the operation is to spread the data across the network with a much lighter computational load, which consists mainly of a vector-matrix multiplication and a search table that holds the activation function to quickly identify unknown samples.

Introducción

Las grandes cantidades de desperdicios y desechos que se generan todos los días en las ciudades producen desequilibrios ambientales que afectan la salud de sus habitantes. La generación más alta de residuos proviene de los hogares, se estima que estos generan 47% del total de los desperdicios, 29% los comercios y el resto se genera de otras actividades. Muchos de los desperdicios que se generan en cada casa habitación podrían no ser basura y convertirse en residuos aprovechables (Herrera, 2004).

Uno de los problemas que se generan con los residuos es la contaminación tanto de la tierra como del aire y el agua. La contaminación del aire se lleva a cabo por la descomposición de la materia orgánica, incendios y por los residuos y bacterias que se dispersan por el viento, el agua superficial se contamina por la basura que se arroja en ríos y cañadas, sin embargo, en los lugares donde se concentra la basura se filtran líquidos conocidos como lixiviados, que contaminan el agua del subsuelo y los mantos acuíferos. En el campo, la basura cambia la composición química del suelo y obstruye la germinación y el crecimiento de la vegetación (Tsai, 2008).

Durante el proceso de descomposición de los residuos orgánicos se desarrollan numerosos mohos y otros microorganismos que generan la emisión de esporas que representan un peligro potencial para el medio ambiente. La intensidad de la contaminación del aire a través de las emisiones de esporas de hongos de moho se correlaciona estrechamente con las condiciones climáticas, como las variaciones de temperatura ambiental, humedad relativa y radiación solar, entre otras afectaciones (Weinrich et al., 1999).

Las tareas de monitoreo ambiental abarcan una amplia gama de actividades, ya que la contaminación del medio ambiente ocurre no solo por la descarga de desperdicios en el agua, la tierra y el aire, sino también por la generación de ruidos en el audio y en el rango de las frecuencias de telecomunicaciones. En los últimos años, se han desarrollado diversos sistemas sensores que cubren todas estas aplicaciones (Pearce et al., 2003).

Este trabajo se centra en el uso de la tecnología de narices electrónicas para monitorear los compuestos orgánicos volátiles presentes en el aire que se liberan cuando los residuos se vierten en el agua, la tierra o el aire. Como contribución principal de este trabajo se construyó un prototipo de nariz electrónica a bajo costo que permite detectar y clasificar los gases contaminantes en el aire. Las pruebas se llevaron a cabo utilizando 5 elementos presentes en el hogar, lo que demuestra una solución de rápida respuesta que puede desarrollarse como una solución portable.

Como parte de esta misión, se pretende explorar tecnologías que contribuyan a la restauración ambiental y al manejo de los residuos a costos aceptables y reducidos. Estos esfuerzos incluyen el desarrollo de sistemas portátiles y económicos capaces de identificar contaminantes en tiempo real. El objetivo de esta investigación es demostrar las posibles capacidades de procesamiento de información del paradigma de redes neuronales en el análisis de sensores. Como parte inicial de esta propuesta se involucra el desarrollo de un prototipo, el cual combina un arreglo de sensores con una red neuronal.

Este trabajo se organiza en cuatro secciones: la sección 1 discute el problema del análisis de datos multivariable para la clasificación de olores, la sección 2 analiza el uso de redes neuronales para la clasificación de olores, la sección 3 describe el desarrollo experimental realizado con el prototipo construido y el censado de olores, la sección 4 presenta los resultados obtenidos y su comparación con otros resultados presentados en otros proyectos similares, finalmente se presentan nuestras conclusiones y trabajos futuros.

Análisis de datos multivariable para la clasificación de datos

En el análisis de datos así como en la máquina de aprendizaje y la quimiometría se han empleado diversas técnicas de reconocimiento de patrones, sin embargo, para seleccionar el algoritmo apropiado para aplicaciones con narices electrónicas, es importante entender la naturaleza fundamental de los datos que se analizarán (Pearce et al., 2003). Para analizar los datos de una nariz electrónica se requiere comprender la relación entre el conjunto de variables independientes (las salidas del arreglo de n sensores) con el conjunto de variables dependientes (clases de olores o concentraciones de componentes) utilizando el análisis multivariable (Agatonovic y Beresford, 2000).

El problema del análisis de datos multivariable en la clasificación de olores es un análisis cualitativo en cuanto a los patrones de los olores producidos por este tipo de instrumentos y se considera cuantitativo cuando se requiere calcular la concentración de los componentes individuales. Por ello, los algoritmos de reconocimiento de patrones y procesamiento de datos son un componente crítico en la exitosa implementación y desarrollo de narices electrónicas (Pearce et al., 2003).

Los algoritmos de reconocimiento de patrones comúnmente se clasifican en términos de ser paramétricos o no paramétricos y supervisados o no supervisados (Hines et al., 2003):

• •

  Paramétricos. Las técnicas paramétricas son aproximaciones estadísticas basadas en la suposición de que el espectro de los datos censados puede describirse por una función de densidad probabilística. En la mayoría de los casos, la suposición se basa en considerar que el flujo de datos constituye una distribución normal con una media y una varianza constantes. Estas técnicas intentan encontrar una relación, matemáticamente formulada, entre las entradas y las salidas.

• •

  No paramétricos. Los métodos no paramétricos no realizan una suposición sobre una función de densidad probabilística y, por lo tanto, se aplican de forma general, ya que este tipo de técnicas multivariables para el análisis de datos se encuentran en los campos de las redes neuronales artificiales y los sistemas expertos.

• •

  Supervisados. En un método de reconocimiento de patrones con aprendizaje supervisado, un conjunto de olores conocidos se introduce en la nariz electrónica de manera sistemática, donde los clasifica de acuerdo con descriptores o clases conocidas, agregándose a la base de conocimiento, posteriormente un olor desconocido se prueba contra la base de conocimiento para predecir la clase. El olor desconocido se analiza utilizando la relación creada en el entrenamiento dentro de un conjunto de olores conocidos.

• •

  No supervisados. Los métodos con aprendizaje no supervisado aprenden separando las diferentes clases de manera rutinaria, discriminando entre los olores desconocidos. Este método utiliza un esquema de asociaciones intuitivas sin conocimiento previo, lo que los hace más cercanos al sistema olfativo humano.

Uso de las redes neuronales para la clasificación de olores

Las redes neuronales artificiales se utilizan en una gran variedad de aplicaciones de procesamiento de datos, donde se requiere la extracción de información y el análisis de los datos en tiempo real. Una de las principales ventajas de las redes neuronales es que la mayor carga computacional se requiere únicamente en la etapa de entrenamiento. Una vez que la red neuronal se entrena para una tarea en particular, su operación es relativamente rápida y con ello se pueden identificar rápidamente muestras desconocidas (Ludermir y Yamazaki, 2003).

Censado de olores mediante sistema prototipo

Análisis de los datos censados

Los sensores recolectan la información del medio ambiente devolviendo valores que representan el compuesto químico censado y un valor relacionado con la concentración presente de dicho compuesto.

La figura 1 muestra el esquema de un sistema de monitoreo ambiental genérico, que se construye con la combinación de un arreglo de sensores y una red neuronal.

Figura 1.

Sistema de censado combinado con una red neuronal.

Fuente: Keller et al. (1994)

La cantidad y complejidad de los datos recolectados por los sensores representan una dificultad para el análisis convencional de los datos, pero con las redes neuronales utilizadas para el análisis complejo de los mismos y el reconocimiento de patrones, este análisis se facilita convirtiéndose en una alternativa ideal para el análisis de datos de sensores. El módulo de censado se construye con un arreglo de sensores, donde cada sensor en el arreglo se configura para responder a un componente específico. De esta forma, el número de sensores tendría que ser igual o mayor al número de compuestos que se pretende monitorear. Cuando se combina con una red neuronal, el número de compuestos detectables es mayor al número de sensores (Berna, 2010).

El arreglo de sensores se conforma de varios elementos sensores, donde cada elemento mide una propiedad diferente de la muestra censada. Cada químico en estado gaseoso presente en el arreglo de sensores produce una marca o patrón característico del gas en cuestión. Al presentar varios compuestos químicos en el arreglo de sensores, se construye una base de datos de los patrones o marcas generados con el arreglo de sensores. Esta base de datos con las marcas etiquetadas se utiliza para entrenar al sistema de reconocimiento de patrones. El objetivo de este proceso de entrenamiento es configurar el sistema de reconocimiento para producir una clasificación única para cada químico y con ello implementar el sistema de identificación automatizado (Keller, 1995).

El conjunto de datos de entrenamiento se utiliza para configurar la red neuronal, con el objetivo de aprender una asociación existente entre los patrones del arreglo de sensores y las etiquetas que representan los datos. Esta combinación entre sistemas sensores de gas y redes neuronales para identificar vapores, olores y aromas se conoce como nariz electrónica o nariz artificial (Kubiak, 2003).

Diversos autores han desarrollado narices electrónicas que se incorporan con redes neuronales para aplicaciones que involucran el monitoreo de olores en alimentos y bebidas, el control automatizado de sabores, el análisis de mezclas de combustibles, así como cuantificar componentes individuales en gases (Schaller et al., 1998).

En aplicaciones de narices electrónicas se han incorporado diversas configuraciones de redes neuronales entre las cuales se incluyen el entrenamiento de propagación hacia atrás, redes de alimentación hacia adelante, redes auto organizadas de Kohonen, redes Hamming, máquinas Boltzman y redes Hopfield principalmente (Enedettia et al., 2004).

Etapa de censado de vapores químicos

El prototipo propuesto en este estudio se muestra en las figuras 2, 3 y 4, el prototipo tiene el objetivo de identificar y cuantificar vapores químicos. El prototipo emplea un arreglo de 5 sensores de óxido de estaño, un sensor de humedad y un sensor de temperatura para examinar el ambiente.

Figura 2.

Etapa de censado de vapores químicos

Figura 3.

Diagrama electrónico del arreglo de sensores químicos

Figura 4.

Prototipo del arreglo de sensores desarrollado para la detección de gases químicos

Cada sensor se diseñó para un químico en específico y cada uno responde a una variedad amplia de vapores químicos. En forma colectiva, los sensores responden con una marca única (patrón) a diferentes químicos. Durante el proceso de entrenamiento, se exponen varios químicos al arreglo de sensores y con ello se obtienen una serie de valores en un lapso de tiempo. Se utilizó el algoritmo de propagación hacia atrás para entrenar a la red neuronal y con ello proporcionar el análisis correcto para el químico presente.

Se utilizaron sensores de gas de la marca Figaro, que son productos comerciales (Sensor 1 MQ-2, Sensor 2 MQ-135, Sensor 3 MQ 3, Sensor 4 TGS 2610 y Sensor 5 TGS 2611). El sensor de humedad y temperatura (HMZ433A1) se utilizó para monitorear las condiciones del experimento y también se envió a la red neuronal.

Etapa de identificación y clasificación

Como se mencionó anteriormente, el problema de reconocimiento de patrones en los datos de las narices electrónicas está estrechamente ligado al análisis de datos multivariables, la figura 5 resume las principales técnicas de procesamiento multivariable que se han utilizado en aplicaciones de narices electrónicas.

Figura 5.

Esquema de técnicas de procesamiento multivariable utilizadas en conjuntos de datos proporcionados por narices electrónicas (Pearce et al., 2003)

El esquema de clasificación se lleva a cabo en tres niveles, primero se hace una distinción entre aproximaciones estadísticas y biológicas, después entre el análisis de patrones cualitativos y cuantitativos, para finalmente hacer una distinción entre técnicas supervisadas y no supervisadas (Bucak y Karlık, 2009).

La función de análisis discriminante (DFA) es un clasificador paramétrico de aprendizaje supervisado, que puede utilizarse para el análisis tanto cuantitativo como cualitativo. El análisis de componente principal (PCA), es un método de proyección no paramétrico comúnmente utilizado para implementar un clasificador supervisado lineal, en conjunto con el análisis discriminante (Hines et al., 2003).

Asimismo, muchos de los procedimientos aceptados que se utilizan en el reconocimiento de patrones tradicional, no siempre son pertinentes o relevantes cuando se aplican al reconocimiento de patrones en narices electrónicas. En muchos casos, se espera que las narices electrónicas operen en diferentes ambientes y situaciones y el esquema de reconocimiento sea viable con estas situaciones, como en los casos donde se requiere realizar las mediciones en campo, teniendo retos adicionales a los que se tienen en laboratorio o en ambientes controlados, en campo se espera que los sistemas detecten e identifiquen los elementos que se analicen aún cuando existan componentes desconocidos que interfieran. Por lo que existen algunos criterios o cualidades ideales que se espera cumplan los algoritmos de reconocimiento de patrones tales como, precisión velocidad o habilidad para hacer frente a la incertidumbre (Hines et al., 2003).

Para muchos investigadores que trabajan en los campos de los sistemas de narices electrónicas las dos principales técnicas de reconocimiento de patrones son PCA (análisis de componente principal) para desplegar olores conocidos, explorar el agrupamiento de los datos en el espacio multisensor y evaluar su separabilidad lineal, así como las redes neuronales con algoritmo de entrenamiento de propagación hacia atrás, con el fin de proporcionar una clasificación predictiva de olores desconocidos. Sin embargo PCA solo puede utilizarse para proporcionar una representación lineal de las clases y no para propósitos de clasificación, por lo que las redes neuronales son las más exitosas en muchas aplicaciones que se enfocan en la discriminación de olores disimilares simples o complejos o el estancamiento de olores complejos específicos (Pearce et al., 2003).

Las distintas configuraciones de redes neuronales se han convertido en los clasificadores más precisos que pueden hacer frente a grupos, clases o clusters que se observa se sobreponen con técnicas lineales, razón por la cual las narices electrónicas comerciales hoy en día ofrecen un clasificado basado en redes neuronales con algoritmo de entrenamiento de propagación hacia atrás. De acuerdo con Pearce et al. (2003), la mejor estrategia para el reconocimiento de patrones en narices electrónicas es utilizar algoritmos, salvo algunas excepciones, que puedan afrontar un cierto grado de borrosidad como en el caso del sistema olfativo humano. En este sentido, una combinación entre redes neuronales y lógica difusa se presenta como una alternativa atractiva que podría ejecutar un aprendizaje incremental y un potencial auto organizado y auto estabilizado. Por lo que este tipo de soluciones serán más utilizadas en un futuro para producir clasificaciones basadas en un conjunto de reglas entendibles (Pearce et al., 2003).

Analizando los datos presentados por los sensores para los 5 compuestos analizados, se observa que existen una frontera de decisión no lineal y que además se tienen espacios sobrepuestos entre los diferentes compuestos, por lo que no es factible utilizar algunos de los métodos estadísticos, ya que el problema es la clasificación de 5 tipos de olores, más que la determinación de la concentración de cada uno de ellos, el análisis discriminante o el análisis de cluster no facilitarían la clasificación de los compuestos analizados, la figura 6 muestra una gráfica de dispersión para los datos tanto de gas líquido para encendedores como para el alcohol, donde se observa que los espacios se interponen con los diferentes sensores.

Figura 6.

Gráfica de dispersión para los valores censados del gas líquido (GLP) y el alcohol

En este sentido, se decidió utilizar en una primera solución, redes neuronales como el sistema de reconocimiento de patrones aplicado al prototipo de nariz electrónica construido para el proyecto de investigación. Con ello se podrán establecer los argumentos para desarrollar sistemas más complejos basados en la lógica difusa como siguiente aproximación. Para ello se decidió establecer la mejor configuración de una red neuronal de tres capas comparando dos configuraciones en las que la diferencia principal radica en la cantidad de neuronas de la capa oculta para con ello determinar la complejidad de la red necesaria para la clasificación de los olores de cinco compuestos.

El prototipo de la red neuronal se creó utilizando toolbox de Matlab, así como para la elaboración de pruebas comparando los resultados de dos tipos de redes neuronales multicapa de alimentación hacia delante, donde fueron entrenadas con el algoritmo de propagación hacia atrás utilizando un conjunto de entrenamiento tomado con las lecturas de 4 compuestos.

Los parámetros utilizados para entrenar a las dos redes neuronales se muestran en la tabla 1, donde se describe que el algoritmo de entrenamiento es de propagación hacia atrás (backpropagation), 7 neuronas en la capa de entrada, una para cada uno de los 5 sensores de gas, una para el sensor de temperatura y una más para el sensor de humedad. La primera red neuronal tiene 3 neuronas en la capa oculta y la segunda tiene 10 neuronas en dicha capa, finalmente en la etapa de salida ambas redes se conformaron con 5 neuronas en la capa de salida.

Tabla 1.

Parámetros de entrenamiento de las redes neuronales

Características	Red 1	Red 2
Tipo	Propagación hacia atrás	Propagación hacia atrás
Arquitectura	7 – 3 – 5 Feedforward	7 – 10 – 5 Feedforward
Función de activación	Log-Sigmoid	Log-Sigmoid
Taza de aprendizaje	0.01	0.01
Momentum	0.9	0.9
Núm. de Epochs	1000	1000

El prototipo se entrenó inicialmente para identificar químicos comunes en el hogar: acetona, limpiador de pisos, alcohol isopropano y gas líquido para encendedores. Se agregó una categoría más (ninguno) para denotar la ausencia de todos ellos, excepto aquellos normalmente presentes en el aire. Esto conformó una salida de la red neuronal de 5 categorías, generando una salida de 5 neuronas en la capa final. En cada neurona de la capa oculta y la salida, la función de activación y transferencia es la función log-sigmoid para ambas redes neuronales.

La figura 7 muestra las arquitecturas de las redes neuronales, para la red neuronal 1 Z = 3 y para la red neuronal 2, Z = 10, utilizadas para identificar los compuestos químicos.

Figura 7.

Arquitectura de las redes neuronales utilizadas para identificar químicos presentes en el hogar. Para la Red 1 Z=3, 3 neuronas en la capa oculta y para la red 2 Z = 10, con 10 neuronas en la capa oculta

En la figura 8 se muestran las redes neuronales creadas con toolbox.

Figura 8.

Estructura de las redes neuronales 1 y 2 creadas en toolbox para identificar químicos presentes en el hogar, para la red 1 Z=3 y para la red 2 Z = 10

Durante la operación, el arreglo de sensores detecta olores, las señales de los sensores se digitalizan, se envían a la computadora y la red neuronal implementada con toolbox identifica los químicos. El tiempo de identificación está limitado únicamente por el tiempo de respuesta de los sensores químicos, pero el proceso completo se lleva a cabo en unos cuantos segundos.

Determinar cuál de las dos redes neuronales presenta el mejor resultado para la identificación de los compuestos químicos, está en función del porcentaje de aciertos y errores presentados en cada una de las pruebas.

Resultados

Las figuras 9 y 10 muestran la respuesta de los sensores y la clasificación que se llevó a cabo por cada una de las redes neuronales en pruebas realizadas con los químicos presentes en el prototipo.

Figura 9.

Respuestas de los sensores a las muestras y clasificación de la red neuronal 1. Los números en el eje x corresponden a los sensores en las gráficas del lado izquierdo y a las salidas de la red neuronal en las gráficas del lado derecho

Figura 10.

Respuestas de los sensores a las muestras y clasificación de la red neuronal 2. Los números en el eje x corresponden a los sensores en las gráficas del lado izquierdo y a las salidas de la red neuronal en las gráficas del lado derecho

Las figuras también muestran dos gráficas para cada compuesto químico censado, la gráfica del lado izquierdo muestra los valores de respuesta de cada sensor de gas para el compuesto químico correspondiente, donde los valores del eje x corresponden a los sensores de la siguiente forma: 1 = MQ-2, 2 = MQ-135, 3 = MQ-3, 4 = TGS2610, 5 = TGS2611, 6 = Sensor de humedad y 7 = Sensor de temperatura. Los valores del eje y son los valores de respuesta de cada sensor en respuesta al censado del compuesto químico.

Las gráficas del lado derecho, en las mismas figuras, representan la salida de la red neuronal correspondiente para cada uno de los compuestos censados, donde el valor 1 indica la presencia del compuesto. Los valores en el eje x representan cada una de las salidas que se corresponde con el compuesto químico correspondiente, de la siguiente forma:

1 = S1 (Ningún compuesto presente), 2 = S2 (Acetona), 3 = S3 (Limpiador de pisos), 4 = S4 (Alcohol isopropano) y 5 = S5 (Gas líquido para encendedores).

De esta forma, cuando en el sistema se tiene la presencia de Acetona, los valores en las 5 salidas de la red neuronal deberán ser: 0,1,0,0,0.

En las gráficas se observa que algunos valores en las salidas que representan compuestos químicos no presentes en ambas redes neuronales son mayores a 0, lo que muestra falsos positivos en la respuesta de las redes neuronales. La configuración más adecuada para la solución es la que presenta la menor tasa de falsos positivos.

Los sistemas de detección de olores aplican en diversas ejecuciones industriales, incluyendo el monitoreo de la calidad del aire en hogares (Keller et al., 1994; Ras et al., 2010), el cuidado de la salud, la seguridad (Casalinuovo et al., 2006), el monitoreo ambiental, la calidad de los productos alimenticios (Berna, 2010), (Dębska y Guzowska, 2011), (Di Natale et al., 2000), (Kubiak, 2003), diagnósticos médicos (Keller, 1995; Wilson y Baietto, 2011), identificación de personas (Wongchoosuk et al., 2009; Porras y Salinas, 2011; Stitzel et al., 2011), así como en aplicaciones farmacéuticas y militares para la detección de gases peligrosos, por mencionar algunas (Wilson y Baietto, 2011; Wilson, 2013).

La investigación en los métodos alternativos para la detección de olores logró avances importantes desde sus inicios en 1982 (Persaud y Dodd, 1982). Durante los últimos años existió una gran variedad de desarrollos para construir instrumentos que funcionen como narices electrónicas (Wilson y Baietto, 2009). Existen algunos productos comerciales, pero en su mayoría son equipos voluminosos y de precios altos, que hacen complicada una adopción generalizada de los mismos. Muy pocos productos son portátiles, pero aun así requiere de equipos especializados y muchos de ellos están enfocados a tareas particulares de áreas específicas dados los tipos de sensores utilizados en cada aplicación (Tang et al., 2010), razón por la cual muchos de esos sistemas no son factibles de comercializar como productos portables, sino más bien se utilizan como equipos de laboratorio.

Por otro lado, en Gómez et al. (2007; 2006) los autores utilizan una nariz electrónica para monitorear la madurez del tomate durante su vida en estantería. Para ellos la tecnología de la nariz electrónica ofrece una alternativa no destructiva y eficaz para medir el aroma y así obtener la información para acceder al estado de maduración de frutas y legumbres durante su vida en estantería. Su objetivo fue evaluar la capacidad de la nariz electrónica para monitorear los cambios en la producción de compuestos volátiles del tomate durante dos tratamientos de almacenamientos diferentes. Los autores utilizaron el análisis de componente principal PCA y el análisis del discriminante lineal LDA para distinguir los tomates con diferentes tiempos de almacenamiento.

Los resultados prueban que la nariz electrónica utilizada puede diferenciar satisfactoriamente los estados de maduración del tomate a través de su tiempo de almacenamiento. Los análisis PCA y LDA clasificaron 97.77 y 95.55%, respectivamente, del total de muestras (90 muestras) en sus respectivos grupos (5 grupos). La nariz electrónica empleada tiene un arreglo de 10 sensores MOS.

Con una cantidad menor de sensores utilizando redes neuronales en lugar de métodos estadísticos, los resultados obtenidos con el prototipo construido obtuvieron 100% de eficiencia en la clasificación de los olores.

Conclusiones y trabajos futuros

El prototipo desarrollado combina un arreglo de sensores de gas de óxido de estaño con una red neuronal utilizada para identificar químicos comunes presentes en el hogar. Los resultados iniciales demuestran la capacidad para el reconocimiento de patrones del paradigma de las redes neuronales en el análisis de sensores. Al mismo tiempo, el prototipo es un desarrollo compacto y portable que facilita el análisis en tiempo real, así como la automatización del proceso de censado, análisis y reconocimiento.

En cuanto a las dos redes neuronales creadas, la primera presenta una tasa de falsos positivos menor a la siguiente, aunque en ambas, dicha tasa de falsos positivos es pequeña y aceptable para el desarrollo de soluciones, sin embargo la primera, que únicamente contiene 3 neuronas en la capa oculta, presenta una tasa de falsos positivos menor y al mismo tiempo una carga de procesamiento mucho menor que la red con 10 neuronas en la capa oculta. Con este hecho resulta aceptable incorporar algoritmos de redes neuronales en sistemas portables.

Para trabajos futuros se propone comparar las redes neuronales para el análisis de sensores con las técnicas convencionales, explorar otro tipo de paradigmas de redes neuronales e involucrar los prototipos con los sistemas de campo.

Al mismo tiempo se concluye que el monitoreo ambiental es un área prometedora para aplicaciones de la tecnología de narices electrónicas.

Agradecimientos

Los autores agradecen a los editores y los revisores sus comentarios acertados y valiosos que ayudaron a mejorar el presente trabajo. También se agradece a la Secretaría de Investigación y Posgrado y a la Comisión de Operación y Fomento de Actividades Académicas del IPN y el Consejo Nacional de Ciencia y Tecnología por su apoyo en el desarrollo de esta investigación.