機械嗅覚

Simulation of the sense of smell

機械嗅覚は、嗅覚の自動化されたシミュレーションである。現代工学における新たな応用例として、空気中の化学物質を分析するためにロボットやその他の自動化システムを使用する。このような装置は、しばしば電子鼻またはe-鼻と呼ばれる。機械嗅覚の開発は、これまでのe-鼻デバイスが限られた数の化学物質に反応するのに対し、匂いは（潜在的に無数の）独特な匂い化合物のセットによって生成されるという事実によって複雑になっている。この技術はまだ開発の初期段階にあるが、^[1]食品加工における品質管理、医療における検出と診断、^[2]薬物、爆発物、その他の危険物または違法物質の検出、^[3]災害対応、環境モニタリングなど、多くの用途が期待されている。

提案されている機械嗅覚技術の一つは、揮発性化合物を検出、識別、測定できるガスセンサーアレイ機器を介した技術である。しかし、これらの機器の開発において重要な要素はパターン分析であり、機械嗅覚用のパターン分析システムをうまく設計するには、多変量データの処理に関わる様々な問題（信号前処理、特徴抽出、特徴選択、分類、回帰、クラスタリング、検証）を慎重に検討する必要がある。^[4]機械嗅覚に関する現在の研究におけるもう一つの課題は、香りの混合物に対するセンサーの応答を予測または推定する必要性である。^[5]機械嗅覚における匂いの分類や匂いの定位などのパターン認識問題の一部は、時系列カーネル法を用いることで解決できる。 ^[6]

検出

基本的な検出技術には、導電性ポリマー臭気センサー（ポリピロール）、酸化スズガスセンサー、水晶振動子マイクロバランスセンサーの3つがあります。^{[引用が必要]}これらは通常、（1）何らかのタイプのセンサーのアレイ、（2）それらのセンサーを調べてデジタル信号を生成する電子機器、（3）データ処理およびユーザーインターフェイスソフトウェアで構成されます。

システム全体は、複雑なセンサー応答を、匂いを構成する揮発性物質（または化学揮発性物質の複雑な混合物）の定性プロファイルに変換して出力するための手段です。

従来の電子嗅覚機器は、古典的な意味での分析機器ではなく、匂いを定量化できると主張する機器はほとんどありません。これらの機器は、まず対象の匂いで「学習」し、その後匂いを「認識」することで、将来のサンプルを「良い」か「悪い」か識別できるようにします。

化学センサーアレイの代替パターン認識手法に関する研究では、次元性に関連して人工嗅覚と生物学的嗅覚を区別するための解決策が提案されています。この生物学に着想を得たアプローチでは、情報処理のための独自のアルゴリズムが作成されます。^[7]

電子鼻は、様々な発生源や品質の臭気や揮発性物質を識別できます。^[8]以下のリストは、電子鼻技術の典型的な応用例の一部を示しています。その多くは、研究調査や発表された技術論文によって裏付けられています。

臭気の局在

臭気の定位は、定量的な化学臭気分析と経路探索アルゴリズムを組み合わせたものであり、環境条件は定位の質に重要な役割を果たします。様々な目的や実環境条件下で、様々な手法が研究されています。

モチベーション

臭気の局在とは、一つまたは複数の臭気が存在する環境において、揮発性化学物質の発生源を特定する技術およびプロセスです。これは、すべての生物にとって、食料の確保と危険の回避の両方において極めて重要です。人間の他の基本的な感覚とは異なり、嗅覚は完全に化学的な感覚に基づいています。しかし、他の知覚次元と比較して、臭気の検知は、臭気の複雑な力学方程式や風などの予測不可能な外乱のために、さらなる問題に直面します。

応用

臭気の局在化技術は、次のような多くの用途で有望である。^{[9] [1]}

• 食品加工における品質管理（例：汚染、細菌による腐敗）
• 危険物質（例：爆発物や化学兵器）の発生源の特定
• 地下資源や危険物の発見
• 禁止物質の検出（例：麻薬検出）
• 自然災害の生存者の捜索
• 汚染物質の環境モニタリング
• 疾患の早期診断（例：慢性閉塞性肺疾患）^[2]

歴史と問題提起

特定の臭気を検知するための最も初期の機器は、1961年にロバート・ワイトン・モンクリフによって開発された機械式嗅覚器でした。最初の電子嗅覚器は、1964年にWFウィルケンスとJDハートマンによって開発されました。 ^[10]ラーカムとハルソールは1980年代初頭に原子力産業における臭気検知へのロボットの活用について議論し、^[11]臭気の局在に関する研究は1990年代初頭に開始されました。臭気の局在は現在、急速に成長している分野です。様々なセンサーが開発され、多様な環境や条件に対応する多様なアルゴリズムが提案されています。

機械的な臭気の位置特定は、(1)揮発性化学物質の存在を検索する、(2)一連の臭気センサーと特定のアルゴリズムを使用して発生源の位置を検索する、(3)追跡された臭気源を特定する（臭気認識）という3つのステップで実行できます。

ローカリゼーション方法

臭気の局在化手法は、様々な環境条件における臭気の拡散モードに基づいて分類されることが多く、これらのモードは一般的に拡散支配型流体流と乱流支配型流体流の2つのカテゴリーに分けられます。これらにはそれぞれ異なる臭気局在化アルゴリズムがあり、以下で説明します。

拡散支配の流体の流れ

拡散支配型の流体流の追跡および位置特定法（主に地下の臭気源特定に用いられる）は、流体の運動が粘性に支配される環境において嗅覚器官が機能するように設計されなければならない。これは、拡散によって臭気流が拡散し、臭気濃度が発生源からガウス分布に従って減少することを意味する。^[12]

外部圧力勾配のない土壌を通じた化学蒸気の拡散は、多くの場合、フィックの第二法則によってモデル化されます。

${\displaystyle {\frac {\partial C}{\partial t}}=D{\frac {\partial ^{2}C}{\partial d^{2}}}}$

ここで、 Dは拡散定数、dは拡散方向の距離、Cは化学濃度、tは時間です。

化学臭気流が均一な断面プロファイルで一方向にのみ拡散すると仮定すると、臭気源濃度間の特定の距離と特定の時点における臭気濃度の関係は次のようにモデル化されます。

${\displaystyle {\frac {C}{C_{s}}}=\operatorname {erfc} {\frac {d}{\sqrt {4Dt}}}}$

ここで、臭気源の濃度です。これは、外部の風やその他の妨害を無視した、臭気検知モデルにおける最も単純な力学方程式です。拡散支配伝播モデルでは、化学物質の濃度勾配を追跡するだけで臭気源を特定できる様々なアルゴリズムが開発されました。 ${\displaystyle C_{s}}$

大腸菌アルゴリズム

シンプルな追跡方法としては、大腸菌アルゴリズムがあります。^[13]このプロセスでは、匂いセンサーは異なる場所からの濃度情報を単純に比較します。ロボットはランダムな方向に直線を繰り返しながら移動します。現在の状態の匂い情報が前回の読み取り値と比較して改善されている場合、ロボットは現在の経路を継続します。しかし、現在の状態が前回よりも悪化している場合、ロボットは後戻りして別のランダムな方向に移動します。この方法はシンプルで効率的ですが、経路の長さは非常に変動しやすく、発生源に近づくほどミスステップが増加します。^{[詳細な説明が必要]}

六角パスアルゴリズムと十二面体アルゴリズム

拡散モデルに基づく別の方法は、ロボットマニピュレータで制御される埋設プローブを用いた地中の化学臭気の位置特定のためにR. Andrew Russel ^{[13]が開発したヘキサパスアルゴリズムである。 [13] [14]}プローブは、密集した六角形グリッドのエッジに沿って一定の深さで移動する。各状態の接合部nには、選択するための 2 つのパス (左と右) があり、ロボットは、前の 2 つの接合状態の臭気濃度情報n −1、n −2に基づいて、臭気の濃度が高くなるパスを選択する。ヘキサパスアルゴリズムの 3D バージョンである十二面体アルゴリズムでは、プローブは密集した十二面体に対応するパス内を移動するため、各状態ポイントでは 3 つのパスの選択肢がある。

乱流支配の流体の流れ

図1.プルームモデリング

乱流支配の流体流れにおいて、局所化手法は背景流体（風や水）の流れを乱流の中断として扱うように設計されています。このカテゴリに属する​​アルゴリズムのほとんどは、プルームモデリングに基づいています（図1）。^[15]

プルームの力学は、ナビエ・ストークス方程式に基づくガウスモデルに基づいています。ガウスモデルに基づく簡略化された境界条件は以下のとおりです。

${\displaystyle {\frac {\partial C}{\partial t}}=D_{x}{\frac {\partial ^{2}C}{\partial x^{2}}}+D_{y}{\frac {\partial ^{2}C}{\partial y^{2}}}+\alpha {\frac {\partial C}{\partial x}}+\beta {\frac {\partial C}{\partial y}}}$

ここで、D _xとD _yは拡散定数、 はx方向の線風速、 はy方向の線風速である。さらに、環境が均一で煙源が一定であると仮定すると、各ロボットセンサーにおける各検知時点t − thにおける臭気検知の式は次のようになる 。 ${\displaystyle \alpha }$ ${\displaystyle \beta }$

${\displaystyle R_{i}=\gamma _{i}\sum _{k=1}^{K}{\frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha }}}+\omega _{i}}$

ここで、 はi番目のセンサーのt番目のサンプル、はゲイン係数、はk番目の音源強度、はk番目の音源の位置、 はプルーム減衰パラメータ、を満たす背景ノイズです。プルームモデリングでは、様々なアルゴリズムを用いて臭気源を特定することができます。 ${\displaystyle R_{i}}$ ${\displaystyle \gamma _{i}}$ ${\displaystyle C_{k}}$ ${\displaystyle \rho _{k}}$ ${\displaystyle \alpha }$ ${\displaystyle \omega _{i}}$ ${\displaystyle N(\mu ,\sigma ^{2})}$

図2. 三角測量法

三角測量アルゴリズム

位置推定に使用できるシンプルなアルゴリズムとして、三角測量法があります（図2）。上記の匂い検出式を考えてみましょう。匂い源の位置は、式の片側にセンサー距離を並べ、ノイズを無視することで推定できます。匂い源の位置は、以下の式で推定できます。

${\displaystyle (x_{1}-x_{s})^{2}+(y_{1}-y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\displaystyle (x_{2}-x_{s})^{2}+(y_{2}-y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\displaystyle (x_{3}-x_{s})^{2}+(y_{3}-y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

最小二乗法（LSM）

最小二乗法（LSM）は、匂いの定位のためのやや複雑なアルゴリズムです。LSM版の匂い追跡モデルは次のように表されます。

${\displaystyle R_{i},_{t}=\gamma _{i}{\frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^{2}}}+\omega _{i}}$

ここで 、センサーノードとプルームソース間のユークリッド距離は次のように表されます。 ${\displaystyle d_{i}}$

${\displaystyle d_{i}={\sqrt {(x_{i}-x-s)^{2}+(y_{i}+y_{s})^{2}}}}$

LSMアルゴリズムと直接三角測量法の主な違いはノイズです。LSMではノイズを考慮し、二乗誤差を最小化することで匂い源の位置を推定します。非線形最小二乗問題は次のように表されます。

${\displaystyle J=\sum _{i=1}^{N}({{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^{2}}}}-{\overline {z_{l}}})}}$

ここで、 は推定された発生源の位置であり、はセンサーでの複数の測定値の平均であり、次のように与えられます。 ${\displaystyle ({\widehat {x_{s}}},{\widehat {y_{s}}})}$ ${\displaystyle {\overline {z_{l}}}}$

${\displaystyle {\overline {z_{l}}}={\frac {1}{M}}\sum _{i=1}^{M}{z_{i}}}$

最大尤度推定（MLE）

プルームモデリングに基づくもう一つの手法は、最尤推定（MLE）です。この臭気定位法では、以下のように複数の行列が定義されます。

${\displaystyle Z=[{\frac {R_{1}-\mu _{1}}{\sigma _{1}}},{\frac {R_{2}-\mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\displaystyle G=diag[{\frac {\gamma _{1}}{\sigma _{1}}},{\frac {\gamma _{2}}{\sigma _{2}}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\displaystyle D=[{\frac {1}{d_{1}^{2}}},{\frac {1}{d_{2}^{2}}},...{\frac {1}{d_{N}^{2}}}]}$

${\displaystyle \zeta =[\zeta _{1},\zeta _{2},...\zeta _{N}]}$

${\displaystyle \zeta _{i}=(\omega _{i}-\mu _{i})/\sigma _{i}\sim N(0,1)}$

${\displaystyle {\frac {R_{i}-\mu _{i}}{\sigma _{i}}}\sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

これらのマトリックスを使用すると、プルームベースの臭気検出モデルは次の式で表すことができます。

${\displaystyle Z=GDC+\zeta }$

次に、MLEをモデリングに適用し、確率密度関数を形成する。

${\displaystyle f(Z,\theta )=2\pi ^{-(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

ここで推定される臭気源の位置であり、対数尤度関数は ${\displaystyle \theta }$

${\displaystyle L(\theta )\sim {\frac {1}{2}}\sum _{i=1}^{N}{\|Z_{i}-\gamma _{i}{\frac {c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

の最大尤度パラメータ推定は、最小化することで計算できる。 ${\displaystyle \theta }$

${\displaystyle I(\theta )=\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

そして、匂いの発生源の正確な位置は、次の式を解くことで推定できます。

${\displaystyle {\frac {\partial {I(\theta )}}{\partial (x)}}=0,{\frac {\partial {I(\theta )}}{\partial (y)}}=0}$

インフォタクシー

2007年には、インフォタキシスと呼ばれる戦略が提案されました。これは、匂いの発生源がどこにありそうかに関する事前に収集された情報を利用してメンタルモデルを構築する戦略です。ロボットは、その情報を最大化する方向に移動することができます。^[16]インフォタキシスは、乱流環境での追跡を目的として設計されています。これは、2次元グリッド内の静止したターゲットを用いた部分観測マルコフ決定過程^[17]として実装されています。 ^[18]

参照

• 化学センサーアレイ – 化学センサーの配置
• ケミレジスター - 周囲の環境に応じて電気抵抗が変化する物質
• デジタル香り技術 - コンピューターを通して匂いを嗅ぐ研究
• Fido爆発物探知機
• 分子通信 – 分子の存在または不在を利用してメッセージをデジタル的に符号化する
• 嗅覚計 – 臭気の希釈度を検知・測定する機器

参考文献

1. 「機械嗅覚特集号」. IEEE Sensors Journal . 11 (12): 3486. 2011. Bibcode :2011ISenJ..11.3486.. doi :10.1109/JSEN.2011.2167171.
2. Geffen, Wouter H. van; Bruins, Marcel; Kerstjens, Huib AM (2016-01-01). 「電子鼻による急性COPD増悪におけるウイルス性および細菌性呼吸器感染症の診断：パイロットスタディ」Journal of Breath Research . 10 (3) 036001. Bibcode :2016JBR....10c6001V. doi : 10.1088/1752-7155/10/3/036001 . ISSN  1752-7163. PMID  27310311.
3. スタッセン、I.ブエケン、B.ラインシュ、H.オーデンホーフェン、JFM。ウーターズ、D.ハジェク、J.ヴァン・スペーブルック、V.ストック、N.ヴェリーケン首相。ヴァン・シャイク、R.デ・ヴォス、D.アメルート、R. (2016)。 「金属有機フレームワークベースの電界効果化学センサーに向けて: 神経剤検出用の UiO-66-NH2」。化学。科学。7 (9): 5827–32 .土井:10.1039/C6SC00987E。hdl :1854/LU-8157872。PMC 6024240。PMID  30034722。 
4. Gutierrez-Osuna, R. (2002). 「機械嗅覚のためのパターン分析：レビュー」. IEEE Sensors Journal . 2 (3): 189– 202. Bibcode :2002ISenJ...2..189G. doi :10.1109/jsen.2002.800688.
5. Phaisangittisagul, Ekachai; Nagle, H. Troy (2011). 「機械嗅覚センサーにおける匂い混合物の反応予測」. Sensors and Actuators B: Chemical . 155 (2): 473– 482. Bibcode :2011SeAcB.155..473P. doi :10.1016/j.snb.2010.12.049.
6. Vembu, Shankar; Vergara, Alexander; Muezzinoglu, Mehmet K.; Huerta, Ramón (2012). 「機械嗅覚のための時系列特徴とカーネルについて」. Sensors and Actuators B: Chemical . 174 : 535–546 . Bibcode :2012SeAcB.174..535V. doi :10.1016/j.snb.2012.06.070.
7. Raman, Baranidharan (2005年12月).嗅覚系のニューロモルフィックモデルを用いたセンサーベースの機械嗅覚​​(PhD). テキサスA&M大学. hdl :1969.1/4984.
8. Steenhuis EG、Asmara OD、Kort S、Papenhuijzen MH、Veeger NJ、Van den Heuvel MM、Van Geffen WH (2025 年 5 月)。 「肺がん診断における電子鼻：体系的レビューとメタ分析」。ERJ オープン解像度11 (3) 00723-2024。土井：10.1183/23120541.00723-2024。PMC 12086828。PMID  40391063。 
9. Moshayedi, Ata Jahangir. 「レビュー：臭気局在ロボットの側面と障害」www.academia.edu . 2015年11月12日閲覧。
10. Gardner, Julian W.; Bartlett, Philip N. (1994-03-01). 「電子鼻の簡潔な歴史」. Sensors and Actuators B: Chemical . 18 ( 1–3 ): 210–1 . Bibcode :1994SeAcB..18..210G. doi :10.1016/0925-4005(94)87085-3.（サブスクリプションが必要です）
11. Larcombe, MHE (1984). 原子力工学におけるロボット工学：放射線場に特に注意を払った危険な環境におけるコンピュータ支援遠隔操作。
12. Kowadlo, Gideon; Russell, R. Andrew (2008-08-01). 「ロボットの臭気の定位：分類と調査」.国際ロボティクス研究ジャーナル. 27 (8): 869– 894. doi :10.1177/0278364908095118. ISSN  0278-3649. S2CID  348058.
13. Russell, R. Andrew (2004-01-01). 「ロボットによる地下化学物質源の探知」. Robotica . 22 (1): 109– 115. doi :10.1017/S026357470300540X. ISSN  1469-8668. S2CID  40463021.
14. 「化学物質の発生源の特定とRoboMoleプロジェクト」(PDF)。
15. 「調査：臭気源の特定」（PDF） .
16. Mackenzie, Dana (2023年3月6日). 「動物は鼻を頼りに行動する」 . Knowable Magazine . Annual Reviews. doi : 10.1146/knowable-030623-4 . 2023年3月13日閲覧。
17. Reddy, Gautam; Murthy, Venkatesh N.; Vergassola, Massimo (2022年3月10日). 「乱流環境における嗅覚センシングとナビゲーション」 . Annual Review of Condensed Matter Physics . 13 (1): 191– 213. Bibcode :2022ARCMP..13..191R. doi :10.1146/annurev-conmatphys-031720-032754. ISSN  1947-5454.
18. Loisy, Aurore; Eloy, Christophe (2022年6月). 「勾配のない情報源の探索：インフォタキシスの有効性とその克服法」Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences . 478 (2262) 20220118. arXiv : 2112.10861 . Bibcode :2022RSPSA.47820118L. doi :10.1098/rspa.2022.0118. ISSN  1364-5021.

外部リンク

• 英国Scensive Technologies Ltdの電子鼻技術
• ピアース, TC; シフマン, SS; ネーグル, HT; ガードナー, JW 編 (2003). 『機械嗅覚ハンドブック：電子嗅覚技術』 ワインハイム: Wiley-VCH. doi :10.1002/3527601597. ISBN 978-3-527-30358-8OCLC 76943353.  2002年11月4日時点のオリジナルよりアーカイブ。
• 人工嗅覚センシングネットワーク（NOSE）アーカイブ
• ルンドストローム、インゲマール (2000)。 「匂いをイメージする」。自然。406 (6797)。スプリンガー: 682– 3. Bibcode :2000Natur.406..682L。土井：10.1038/35021156。PMID  10963577。S2CID 16957778  。

Retrieved from "https://en.wikipedia.org/w/index.php?title=Machine_olfaction&oldid=1322716631"