文章目录
-
- [1. 数据的基本形式](#1. 数据的基本形式)
- [2. 典型数据结构示例](#2. 典型数据结构示例)
- [3. 特征提取后的数据结构](#3. 特征提取后的数据结构)
- [4. 元数据（Metadata）](#4. 元数据（Metadata）)
- [5. 总结](#5. 总结)
1. 数据的基本形式
电子鼻本质上是多通道时间序列数据。
- 多通道 → 每个通道对应一个气体传感器
- 时间序列 → 每个传感器在整个采样周期持续输出响应值
因此，原始电子鼻数据通常是一个二维矩阵：
D a t a = [ s 1 ( t 1 ) s 2 ( t 1 ) ... s n ( t 1 ) s 1 ( t 2 ) s 2 ( t 2 ) ... s n ( t 2 ) ⋮ ⋮ ⋱ ⋮ s 1 ( t m ) s 2 ( t m ) ... s n ( t m ) ] Data = \begin{bmatrix} s_{1}(t_1) & s_{2}(t_1) & \dots & s_{n}(t_1) \\ s_{1}(t_2) & s_{2}(t_2) & \dots & s_{n}(t_2) \\ \vdots & \vdots & \ddots & \vdots \\ s_{1}(t_m) & s_{2}(t_m) & \dots & s_{n}(t_m) \\ \end{bmatrix} Data= s1(t1)s1(t2)⋮s1(tm)s2(t1)s2(t2)⋮s2(tm)......⋱...sn(t1)sn(t2)⋮sn(tm)
- n = 传感器数量（例如 8、10、32）
- m = 时间点数量（由采样频率和采样时长决定）
- si(tj) = 第 i 个传感器在时间 tj 的响应值
电子鼻产生的数据属于时序数据，针对这类数据的处理，常见的算法模型包括 循环神经网络（Recurrent Neural Network, RNN）、长短期记忆网络（Long-Short Term Memory, LSTM）、卷积神经网络（Convolutional Neural Network, CNN）、 Transformer等。
2. 典型数据结构示例
以一个 10 传感器的电子鼻为例，如果每秒采样 1 次，总共采集 60 秒，原始数据就像这样：
| Time (s) | Sensor1 | Sensor2 | ... | Sensor10 |
|---|---|---|---|---|
| 0 | 0.01 | 0.02 | ... | 0.05 |
| 1 | 0.10 | 0.15 | ... | 0.30 |
| 2 | 0.25 | 0.35 | ... | 0.65 |
| ... | ... | ... | ... | ... |
| 60 | 0.02 | 0.03 | ... | 0.04 |
| 📌 注意：很多仪器还会包含基线（Background）或参比气体数据，用于做差或归一化。 |
3. 特征提取后的数据结构
在后续建模前，通常不会直接用完整时间序列，而是从每个传感器响应曲线中提取特征，常见方法包括：
- 峰值响应值（最大值）
- 稳态响应值（达到平衡时的值）
- 响应时间（达到某一比例的时间）
- 恢复时间（恢复到基线所需的时间）
- 积分面积（曲线下的面积，反映总吸附量）
特征提取后，数据会变成一个样本 × 特征的矩阵：
| Sample | S1_max | S1_area | S2_max | S2_area | ... | S10_area |
|---|---|---|---|---|---|---|
| 样本1 | 0.82 | 15.2 | 0.45 | 9.3 | ... | 10.1 |
| 样本2 | 0.71 | 13.8 | 0.52 | 10.2 | ... | 11.0 |
| ... | ... | ... | ... | ... | ... | ... |
这种矩阵形式非常适合后续用 PCA、PLS-DA、SVM、RF、神经网络等建模。
4. 元数据（Metadata）
除了传感器响应值，还会有实验附加信息：
- 样品编号、气味类别（标签）
- 浓度、温度、湿度
- 采样时间、流量、气体切换时间点
这些元数据非常重要，用于后续监督建模或控制混杂因素。
5. 总结
电子鼻测得的数据结构本质上是：
- 原始数据：多传感器 × 时间序列矩阵
- 处理后数据：样本 × 特征矩阵 + 标签
- 附加信息：实验条件、样品类别、环境参数
