System GC-NN

Z Wikipedii, wolnej encyklopedii
Skocz do: nawigacja, szukaj

System GC-NN – nazwa koncepcji specyficznego dla olfaktometrii wykorzystania chromatografii gazowej (GC) i sztucznych sieci neuronowych (NN) do określania cech zapachu próbki (np. intensywności wrażenia). Zasada systemu GC-NN jest wzorowana na koncepcji elektronicznego nosa. Chromatogramy nie są wykorzystywane do identyfikacji poszczególnych eluatów (jak w analizie jakościowej) i określenia ich stężenia w próbce (jak w analizie ilościowej), lecz ich interpretacja polega na określaniu stopnia podobieństwa chromatogramów próbek i wzorców o określonym zapachu. Porównywany jest kształt linii na wykresie, wyrażany przez sekwencję liczb – sygnałów detektora GC. Stopień podobieństwa określa się z użyciem sieci neuronowych lub innych metod analizy statystycznej (np. PCA).

Zasada systemu GC-NN[edytuj]

Porównanie założeń e-nosa
i systemu GC-NN
Schemat ideowy elektronicznego nosa
Schemat ideowy systemu GC-NN

Chromatografia gazowa umożliwia uzyskanie informacji o składzie badanej próbki. Takie dane, wraz z informacjami o zapachowych cechach poszczególnych odorantów, umożliwiałyby określanie zapachu próbki, gdyby były znane odpowiednie modele psychofizyczne, wiążące zapach ze składem. Takie modele dotychczas nie istnieją[1].

Koncepcja GC-NN jest analogiczna do koncepcji „elektronicznego nosa” (e-nos), opracowanej w latach 80. XX w. E-nosy są już stosowane w wielu dziedzinach życia (np. diagnostyka medyczna, monitoring powietrza atmosferycznego).

W przypadku systemu GC-NN, analogicznie jak w e-nosach, nie jest określany skład próbki, lecz fizykochemiczne właściwości całej mieszaniny, decydujące o reakcji węchu. W elektronicznych nosach mieszanina w charakterystyczny sposób pobudza zestaw różnorodnych czujników („pole czujników”, „pole sensorów”, model nabłonka węchowego). Rozkład tych pobudzeń porównuje się z pobudzeniami wywołanymi przez wzorce zapachu[2][3][4][5]. W systemie GC-NN dane uzyskiwane z „pola czujników” są zastępowane przez informacje zawarte w chromatogramach mieszanin – zbiorach sygnałów, które są rejestrowane w czasie wymywania badanej próbki z jednej lub z kilku różnych kolumn chromatograficznych, do jednego lub do kilku różnych detektorów GC. Przygotowanie systemu GC-NN do wykorzystania w praktyce polega na przeprowadzaniu treningu sieci neuronowej (NN). W czasie treningu do odpowiedniego programu (np. Statistica NN) są wprowadzane informacje o chromatogramach i zapachu próbek, reprezentatywnych dla całego zbioru, który ma być oceniany przez GC-NN[6][7].

Zasada chromatografii gazowej[edytuj]

Zasada chromatografii HPLC
Anality przepływają przez kolumnę tym wolniej, im silniej zatrzymuje je faza stacjonarna
Przykładowy chromatogram mieszaniny kilku związków chemicznych
 Osobny artykuł: Chromatografia gazowa.

Chromatografia gazowa jest metodą analizy mieszanin związków chemicznych, które są gazami w temperaturze pracy kolumny. Analizowaną próbkę wprowadza się, w jak najkrótszym czasie, do kolumny chromatograficznej, która zawiera fazę stacjonarną – sorbent stały lub trudnolotną ciecz, w postaci filmu pokrywającego ziarna nośnika lub ścianki kolumn kapilarnych. Składniki analizowanych mieszanin przenosi przez kolumnę strumień fazy ruchomej – gazu nośnego, np. helu, argonu lub wodoru (w przypadku chromatografii cieczowej, np. HPLC, fazą ruchomą jest rozpuszczalnik). Czas wymywania z kolumny (czas retencji) poszczególnych związków (analitów) zależy od sił wiązania z fazą stacjonarną (np. rozpuszczalności w cieczy) i temperatury wrzenia.

Prawidłowa analityczna interpretacja chromatogramów wymaga, aby eluaty kolejno wpływały do detektora, umieszczonego na wylocie z kolumny. Umożliwia to ich identyfikację na podstawie czasu retencji i określenie zawartości w próbce na podstawie powierzchni piku chromatograficznego. Wiarygodność identyfikacji składników mieszanin na podstawie czasu retencji zwiększa się wykonując analizy z użyciem dwóch lub większej liczby różnych kolumn (różnych faz stacjonarnych) i stosując dwa lub więcej detektorów (np. selektywnie reagujących na różne rodzaje analitów)[8][9]. Chromatogramy rejestrowane w celu wykorzystania w systemie GC-NN mogą zawierać piki nierozdzielone.

Podstawowe informacje o sieciach neuronowych[edytuj]

Neuron biologiczny i jego model (sztuczny neuron)

Sztuczne sieci neuronowe oznacza się symbolami NN lub ANN (z ang. neural network lub artificial neural network). Są wykorzystywane do analizy danych, których rozkład jest nieprzewidywalny (brakuje odpowiednich modeli matematycznych, umożliwiających zaprogramowanie klasycznego komputera). Sztuczne neurony były początkowo prostymi urządzeniami elektronicznymi (elementami „neurokomputerów”). Obecnie pojęcie „sieć neuronowa” oznacza zwykle program instalowany w dowolnym komputerze.

Sztuczny neuron, to element programu, w którym są wykonywane bardzo proste obliczenia – przekształcenia pewnej liczby danych wejściowych (Sx) w jeden sygnał wyjściowy (Sy). Wielkość sygnału wyjściowego jest zależna od sygnałów wejściowych, ich wag (w) oraz od funkcji „wejścia–wyjścia” (funkcja aktywacji), w najprostszym przypadku – funkcji liniowej:

Sy = a + b · Sx

Trening sieci zbudowanej z takich neuronów umożliwia stworzenie neuronowych modeli złożonych obiektów i zjawisk, czyli ich prawidłowe rozpoznawanie na podstawie zbiorów różnorodnych cech (o różnej istotności, często nieprzewidywalnej). W czasie treningu do arkusza danych programu NN wprowadza się duży zbór informacji o wzorcach, dobrze reprezentujących obiekty, które ma rozpoznawać przygotowywana sieć, np.:

  • zmienne objaśniające – zbiór mierzalnych cech wzorców, którymi dysponujemy (np. wyniki badań próbek krwi i moczu pacjentów, cechy odcisków palców z bazy danych policji)
  • zmienne objaśniane – nazwy obiektów wzorcowych (np. nazwy chorób, nazwiska osób z policyjnej bazy danych)

Sieć jest generowana metodą iteracyjną (prób i błędów). Po każdej z wielokrotnych prezentacji treningowego zbioru danych objaśniających i objaśnianych jest dokonywana korekta wag (w) i parametrów funkcji aktywacji neuronów (np. stałych a i b w równaniu prostej). Obliczenia są wykonywane dla sieci o różnej liczbie neuronów, połączonych w różny sposób, w poszukiwaniu sieci, która popełnia najmniej błędów i jest zdolna do generalizacji (poprawnie klasyfikuje próbki, których nie było w zbiorze uczącym)[10][11][12]

Sztuczne sieci neuronowe w olfaktometrii[edytuj]

Z punktu widzenia olfaktometrii szczególnie ważna jest możliwość zastosowania ANN:

Procedura przygotowania systemu GC-NN do monitorowania emisji zapachowej[18]
  • do interpretacji kształtu chromatogramów lub sekwencji liczb – sygnałów detektora GC (system GC-NN)[7]

Przygotowanie systemu GC-NN[edytuj]

Do arkusza danych programu NN wprowadza się:

  • zmienne objaśniające – sygnały detektora chromatografu gazowego, np. kolejno rejestrowane co 1 s w czasie analizy poszczególnych próbek (lub sygnały odpowiednio „przesiane”)
  • zmienne objaśniane – informacje o zapachu każdej z próbek zbioru treningowego, gromadzone z udziałem zespołu olfaktometrycznego (np. wyniki pomiarów stężenia zapachowego, wykonywanych zgodnie z PN-EN 13725, albo oceny intensywności zapachu, jego jakości hedonicznej lub obu tych cech równocześnie).

Poprawnie wygenerowane sieci są zdolne do określania cech zapachu próbek nie należących do zbioru treningowego, na podstawie „kształtów” ich chromatogramów. Stwierdzono, że istnieje możliwość zastosowana GC-NN np. do monitorowania emisji lub imisji zapachowej lub do ciągłej kontroli skuteczności urządzeń dezodoryzujących[6].

Przypisy

  1. [3.4.1: Prawa psychofizyczne]. W: J. Kośmider, B. Mazur-Chrzanowska, B. Wyszyński: Odory. Wyd. 1. Warszawa: Wydawnictwo Naukowe PWN, 2002, s. 28–37. ISBN 978-83-01-14525-5. (pol.)
  2. a b M. Pecul. Elektroniczne nosy. „Wiedza i Życie”, 1998 (pol.). [dostęp 2011–02–19]. 
  3. a b J. Kośmider, B. Wyszyński. Artificial olfaction. „Chemia Analityczna”. 45, s. 483–500, 2000 (ang.). 
  4. P. Turek, J. Chmielewski (Akademia Ekonomiczna w Poznaniu). Nos elektroniczny jako nowoczesne narzędzie w ocenie jakości wyrobów. „Zeszyty Naukowe Akademii Ekonomicznej w Krakowie”, s. 147–160, 2006 (pol.). 
  5. Miniaturized Electronic Nose System. „ETRI Journal”. 27 (5), 2005-10 (ang.). [dostęp 2011–02–19]. 
  6. a b Publikacje zespołu Pracowni Zapachowej Jakości Powietrza (ZUT w Szczecinie), nt. systemu GC-NN:
    • J. Kośmider, M. Zamelczyk-Pajewska. Trening sieci neuronowej określającej intensywność zapachu. „Inżynieria Chemiczna i Procesowa”. 22, s. 645–660, 2001 (pol.). 
    • Odour assessments using GC-ANN method. „W materiałach: The Sixth Sense, 6th Sensometrics Meeting”, s. 59–61, 2002. University of Dortmund. University of Dortmund. 
    • J. Kośmider, M. Zamelczyk-Pajewska. Neural networks in odour measurements. „W materiałach: 15th Intern. Congress of Chemical and Process Engineering CHISA'2002, Praga”, s. 192–193, 2002 (ang.). 
    • M. Zamelczyk-Pajewska: Sieci neuronowe w odorymetrii. 2003. (pol.) Praca doktorska.
    • J. Kośmider, M. Zamelczyk-Pajewska, B. Krajewska. Intensywność zapachu gazów przemysłowych. Możliwość pomiarów instrumentalnych. „Ochrona Powietrza i Problemy Odpadów”, s. 54–61, 2004 (pol.). 
    • J. Kośmider, B. Krajewska. Odour Chromatography. GC Detector Treated as Sensors Field. „Proceedings of the 11th International Symposium on Olfaction and Electronic Nose – ISOEN, Barcelona”, s. 374–376, 2005-04-13–15 (ang.). 
    • J. Kośmider, B. Krajewska. GC-NN system evaluating odour quality. „Archiwum Ochrony Środowiska”. 31 (1), s. 3–12, 2005 (pol.). 
    • J. Kośmider, B. Merecka. Pomiary zapachu stan aktualny i perspektywy (Odour measurements – present status and prospects). „Ochrona Powietrza i Problemy Odpadów”, s. 86–92, 2007 (pol.). 
    • J. Kośmider, M. Bojarska: Sekwencja sygnałów FID zamiast mapy pobudzeń e-nosa (pol.). W: III Konferencja: Ochrona i Inżynieria Środowiska – Zrównoważony Rozwój, Krynica–Zdrój (poster) [on-line]. ZUT w Szczecinie, 2008. [dostęp 2011-02-20].
  7. a b J. Kośmider: Wykład A6: System GC–NN. W: (materiały dydaktyczne) [on-line]. ZUT w Szczecinie, 2011. [dostęp 2011-02-20].
  8. Uniwersytet Gdański, Wydział Chemii, Katedra Analizy Środowiska: Chromatografia gazowa (pol.). 2007. [dostęp 2016-07-07]. [zarchiwizowane z tego adresu (2011-04-09)].
  9. Orion Edwin Schupp III (tłum. Jerzy Kuryłowicz): Chromatografia gazowa. Warszawa: Państwowe Wydawnictwo Naukowe, 1972, s. 72–113.
  10. R. Tadeusiewicz: Sieci neuronowe. Kraków: winntbg.bg.agh.edu.pl/skrypty/0001. [dostęp 2011-02-21].
  11. W. Duch: Przegląd www nt. ANN. W: (materiały dydaktyczne) [on-line]. www.phys.uni.torun.pl, 2011. [dostęp 2011-02-20].
  12. J. Kośmider: Wykład A4: ABC sieci neuronowych. W: (materiały dydaktyczne) [on-line]. ZUT w Szczecinie, 2011. [dostęp 2011-02-20].
  13. J. Kośmider, M. Zamelczyk-Pajewska. Sieć neuronowa oceniająca zapach cykloheksanu i heksanu. „Inżynieria Chemiczna i Procesowa”. 23 (2), s. 207–218, 2002 (pol.). 
  14. J. Kośmider, M. Zamelczyk-Pajewska, B. Wyszyński. Odour of mixtures of cyclohexane and cyclohexanone. „Archiwum Ochrony Środowiska”. 28 (2), s. 29–43, 2002 (ang.). 
  15. M. Wagner, H. Sudhoff, M. Zamelczyk-Pajewska, J. Kośmider i inni. A computer-based approach to assess the perception of composite odour intensity: a step towards automated olfactometry calibration. „Physiological Measurement”. 27 (1), s. 1–12, 2006 (ang.). 
  16. R. Linder, M. Zamelczyk-Pajewska, S. J. Pöppl, J. Kośmider. An artificial neural network is capable of predicting odour intensity. „Polish Journal of Environmental Studies”. 14 (4), s. 477–481, 2005 (ang.). 
  17. J. Kośmider, M. Sosialuk. Zależność intensywności zapachu od stężenia odorantów. „Archiwum Ochrony Środowiska”. 30 (2), s. 3–16, 2004 (pol.). 
  18. M. Zamelczyk-Pajewska: Sieci neuronowe w odorymetrii (pol.). W: praca doktorska, prezentacja Power Point [on-line]. ZUT w Szczecinie, 2003. [dostęp 2011-02-20].