CN108981800B - 一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法 - Google Patents

Abstract

本发明公开了一种利用神经动力学系统模型进行机器嗅‑味联觉效应可视化的方法，包括如下步骤：S1、利用SA‑402B型电子舌和PEN3型电子鼻进行啤酒机器味觉和机器嗅觉信息获取；S2、基于变量投影重要性评价指标及多模式识别技术(支持向量机、随机森林和极限学习机)提取影响啤酒风味信息特征；S3、基于KIII非线性神经动力学系统模型对影响啤酒风味信息特征进行时间维度输入，将嗅味信息的作用规律可视化动态呈现。本发明基于神经传导机制的非线性动力学神经系统处理外界刺激的作用模式，将机器嗅觉与机器味觉的感知过程相关联，体现非线性动力学系统内部的嗅‑味信息作用规律，实现机器嗅‑味联觉的感知研究具有重要意义。

Description

一种利用神经动力学系统模型进行机器嗅-味联觉效应可视 化的方法

技术领域

本发明涉及机器感知智能鉴评技术领域，具体涉及一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法。

背景技术

机器感知技术是基于人工智能驱动的自动化领域的重要研究方向，其中机器嗅觉感知(电子鼻)和机器味觉感知(电子舌)是通过模拟生物嗅觉与味觉的工作原理实现感官信息的智能获取。但基于电子鼻/舌多传感器感官信息的直接融合，并未考虑到神经动力学系统内部处理嗅觉和味觉信息的联觉感知现象，更没有体现嗅觉和味觉在感官体验中的时间维度上的不同步。

人类对风味物质的感受主要源自于嗅觉和味觉的协同作用，产生感官混合现象。因为游离态呈味物质与可溶性挥发物质之间具有较强的相关性，所以一些挥发性物质的感觉通常会被误认为是“味觉”。嗅-味响应时间不同步可以分为“前鼻效应”和“后鼻效应”。“前鼻效应”是指品尝食物时先闻到气味信息，“后鼻效应”是指吞咽食物之后回味信息明显，这些都会对感官评定品质产生相关性影响。

基于人工智能的模式识别方法，多从数学层面构建模型框架结构，应用统计学原理及数值分析方法得出分类结果，如K均值聚类、支持向量机、极限学习机等，它们不具备传感信息的时间维度输入模式，来自于电子舌和电子鼻的多传感特征信息均为并行输入，得到一个综合的信息输出结果。这样的并行输入机制势必不能体现实际感官品评过程中的感官联觉现象。

发明内容

为解决上述问题，本发明提供了一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法，基于神经传导机制的非线性动力学神经系统处理外界刺激的作用模式，将机器嗅觉与机器味觉的感知过程相关联，体现非线性动力学系统内部的嗅-味信息作用规律，实现机器嗅-味联觉的感知研究具有重要意义。

为实现上述目的，本发明采取的技术方案为：

一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法，包括如下步骤：

S1、利用SA-402B型电子舌和PEN3型电子鼻进行啤酒机器味觉和机器嗅觉信息获取；

S2、基于变量投影重要性评价指标(VIP)及多模式识别技术(支持向量机、随机森林和极限学习机)提取影响啤酒风味信息特征；

S3、基于KIII非线性神经动力学系统模型对影响啤酒风味信息特征进行时间维度输入，将嗅味信息的作用规律可视化动态呈现。

其中，所述步骤S1中机器味觉和机器嗅觉传感检测共获得20维联觉数据，其中，机器味觉信息以传感器第30s的电压值作为特征值，5个基本味觉传感器共获得10维特征数据，机器嗅觉信息以传感器第60s的电导率值值作为特征值，10个传感器共获得10维特征数据。

其中，所述步骤S3中的时间维度输入包括“前鼻效应”、“嗅-味共存”、“后鼻效应”这三个阶段；在模型中先后在三个不同的时间段内输入联觉数据。

其中，所述多模式识别技术包括。

本发明具有以下有益效果：

将嗅觉和味觉信息的作用规律可视化动态呈现，探求基于神经传导机制的非线性动力学神经系统处理外界刺激的作用模式。

附图说明

图1为本发明实施例中的技术流程图。

图2为20维各特征变量VIP得分柱形图。

图3为GA-SVM参数寻优曲线图。

图4为决策树颗数对RF分类性能的影响图。

图5为隐含层神经元个数对ELM分类性能的影响图。

图6为啤酒嗅-味信息12通道时间维度输入联觉信息可视化图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

实验材料：5种不同品牌的啤酒，啤酒的品牌、酒精度、原汁麦浓度以及原料等参数如表1所示。每种品牌的啤酒均选择10个重复样品，为了保证检测过程中物质的同一性，每种啤酒的电子鼻实验和电子舌实验均同步进行。

表1 5种不同品牌的啤酒

仿生味觉检测平台采用日本Insent公司开发的SA-402B型电子舌系统，该实验的传感器阵列由2个参比电极和5个基本味觉传感器构成。基本味觉传感器能够实现待测样本包括酸、鲜、咸、苦、涩5种基本味以及回味的感官信息检测。电子鼻系统采用德国Airsense公司开发研制的PEN3型电子鼻，气体传感器阵列包括10个金属氧化物传感器，可以实现气味交叉敏感信息的检测。

1、数据采集实验流程

电子舌实验：

(1)放啤酒样本、参比溶液和正负极清洗溶液。

(2)测试开始前，正负极传感器阵列在清洗溶液中清洗90s，结束后在参比溶液中清洗120s，在另一参比溶液中继续清洗120s，最后放入参比溶液使传感器平衡归零30s，以保证输出信号稳定。

(3)传感器响应输出达到平衡后，开始进行啤酒味觉信息获取，每种啤酒的检测时间为30s，测量结束在参比溶液中进行2次快速清洗，回到参比溶液中检测基本味觉信息的回味值，则一次测量结束，重复步骤(2)，进行传感器的清洗及校准。

(4)不同品牌的啤酒准备3个平行样本，通过设置系统参数，每组样本重复检测6次，即每种品牌啤酒智能获取18组味觉信息数据，实验结束后共获得90组味觉数据。

电子舌实验条件为室温20±0.5℃，相对湿度为65±2％RH。取传感器响应曲线第30s的电压值作为特征值用于数据分析。

电子鼻实验：

(1)取5mL的啤酒放入50mL的样品瓶中拧紧瓶盖静止10分钟，以保证密封瓶顶部的气体达到饱和状态。

(2)在检测气体开始之前，对传感器气室进行清洗标定，在气室中通入经过活性炭处理的流速为300mL/min的洁净空气60s。

(3)标定结束后开始检测，每组样本检测80s，使传感器的响应信息达到稳定值。传感器的响应值定义为G/G0(G0/G)，其中G为被测气体进入气室时传感器的电导，G0为纯净的空气进入气室时传感器的电导。

(4)每种啤酒准备18组平行样品，5种啤酒共获得90组数据。

电子鼻实验条件为室温20±0.5℃，相对湿度为65±2％RH。取传感器响应曲线第60s的电导率值作为特征值用于数据分析。

2、联觉数据特征挖掘

将电子舌和电子鼻检测数据各包含的90组数据随机分成两组，一组包含72组数据作为训练集用于建立分类模型，另一组包含18组数据作为测试集用于检验模型的分类性能。为加快训练模型的收敛速度，同时将多量纲数据转换成统一的无量纲形式，需将电子舌/鼻检测数据进行归一化处理，归一化区间为(-1，1)。

根据变量投影重要性评价指标(VIP分值)得出20维原始嗅-味联觉感官信息的重要性排序，20维特征变量的VIP分值排序如图2所示。然后VIP得分依次叠加形成20个变量子集，并结合支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)的多模式识别技术进行特征变量的筛选。

表2显示了基于VIP得分顺序依次叠加形成的20个变量子集在SVM、RF、ELM分类模型下的预测准确率。随着变量个数的增加，分类准确率呈现逐步上升的趋势。其中，SVM和ELM在第7个变量子集以及RF在第9个变量子集的识别准确率已经分别和原始融合数据集的识别准确率相等，这表明就啤酒风味信息辨识而言，原始融合数据包含了大量的冗余信息。在继续叠加变量，SVM在第12个变量子集下出现了最高的识别准确率为96.67％，RF在第11个变量子集下出现了最高的识别准确率为94.44％，ELM在第12个变量子集下出现了最高的识别准确率为98.33％。变量个数在继续增加，各模型下的识别准确率均未超过此最大值。因此，通过变量之间的作用行为，结合多模式识别方法，动态表征得出最佳变量组合为第12个变量子集。其中，第3、4、5、6、7、10和12为嗅觉信息，1、2、8和11为味觉基本信息，9为味觉回味信息。

图3为第12个变量子集五倍交叉验证法下GA-SVM的参数寻优曲线。图4为第11个变量子集决策树可数对RF分类性能影响的变化曲线。图5为第12个变量子集隐含层神经元个数对ELM分类性能影响的变化曲线。

表2基于多模式识别技术的各变量子集预测准确率

3、嗅味信息的作用规律可视化动态呈现

建立12通道的KIII神经动力学感知模型，运行时长700ms，运行步长1ms。在“前鼻效应”的第一阶段，规定第51-200ms间输入嗅觉信息，即3、4、5、6、7、10和12通道输入嗅觉信息，在“嗅-味共存”的第二阶段，规定201-400ms间输入除味觉回味以外的嗅-味共存信息，即1、2、3、4、5、6、7、8、10、11和12通道输入嗅-味共存信息，在“后鼻效应”的第三阶段，规定第401ms-550ms间输入嗅觉及味觉回味信息，即3、4、5、6、7、9、10和12通道输入嗅觉及味觉回味信息。

图6为啤酒嗅-味感官联觉信息时间维度输出图。由时间维度输出图可以看出，基于非线性动力学神经系统的混沌特性，在“前鼻效应”的第一阶段，虽仅在7个通道输入嗅觉信息，但在1、2、8、9通道均有明显的波动，说明嗅觉信息的输入会对其他通道造成影响。同时，基于非线性动力学的神经系统也体现了多通道联觉感知的动态输出模式。

分别计算出三个阶段各自的感知结果。感知模型在“嗅-味共存”的第二阶段感知准确率为86.11％，在“后鼻效应”的第三阶段的感知准确率为79.45％高于“前鼻效应”的第一阶段72.78％，说明味觉的回味信息对于能否正确感知啤酒的风味信息具有重要作用。

由此可以看出，利用神经动力学系统模型可以体现嗅觉和味觉信息的作用规律，将作用结果可视化动态呈现。可以得出“前鼻效应”、“嗅-味共存”以及“后鼻效应”的联觉感知结果，实现真正意义上的仿生感官体验信息的获取，研究结果会推动电子鼻、电子舌仪器在感官评价中替代评定人员，实现高度仿生应用。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法，其特征在于：包括如下步骤：

S1、利用SA-402B型电子舌和PEN3型电子鼻进行啤酒机器味觉和机器嗅觉信息获取；

S2、基于变量投影重要性评价指标(VIP)及多模式识别技术提取影响啤酒风味信息特征；

S3、基于KIII非线性神经动力学系统模型对影响啤酒风味信息特征进行时间维度输入，将嗅味信息的作用规律可视化动态呈现；

所述步骤S3中的时间维度输入包括“前鼻效应”、“嗅-味共存”、“后鼻效应”这三个阶段；在模型中先后在三个不同的时间段内输入联觉数据，基于神经动力学系统模型，将嗅-味信息作用规律可视化动态呈现。