一种基于虚拟传感器增强型嵌入式智能的新型电子鼻架构，用于实时车内一氧化碳浓度估计系统 作者：Dharmendra Kumar, Anup Kumar Rabha, Ashutosh Mishra, Rakesh Shrestha, Navin Singh Rajput

《Electronics》：A Novel E-Nose Architecture Based on Virtual Sensor-Augmented Embedded Intelligence for a Real-Time In-Vehicle Carbon Monoxide Concentration Estimation System Dharmendra Kumar, Anup Kumar Rabha, Ashutosh Mishra, Rakesh Shrestha and Navin Singh Rajput

　　摘要：随着封闭空间（如乘客车辆）内空气污染风险的增加，迫切需要智能且实时的空气质量监测解决方案。一氧化碳（CO）等气体是无色无味的，由排气系统、空调和燃烧源产生，这些气体在高浓度下对健康极为危险，可能导致呼吸窘迫和中毒。传统的车内CO监测系统使用单点传感器和固定阈值，但在车辆大小、通风率、乘客数量和交通流量等动态驾驶舱环境中这种方案显得不足。为了解决这些问题，本文提出了一种新的E-Nose系统，该系统结合了虚拟传感器和嵌入式智能技术，能够实时估算车内CO浓度。该系统利用廉价的气体传感器数据，并通过经过训练的虚拟传感器机器学习模型实时预测或增强传感器响应。嵌入式智能技术部署在边缘硬件上，支持低延迟处理、动态校准和噪声过滤，以适应不断变化的环境条件。与传统基于阈值的方法相比，这种架构能够更准确、更稳健地估算CO浓度，并具备更强的环境感知能力。实验验证表明，在各种车辆驾驶场景下，该系统具有更高的精度和响应性，即使在复杂的扩散模式下也能提供及时警告。分类器梯度提升（Classifier Gradient Boosting）技术通过顺序组合弱学习器，其训练准确率达到99.94%，模型准确率为98.59%，证明了其强大的预测能力。该系统设计成本低廉、可扩展性强，并易于集成到现代汽车平台中。这项研究还为智能生态记录领域做出了贡献，展示了虚拟传感器增强型嵌入式系统作为提升乘客安全性的有效手段的作用。

1. 引言
根据美国汽车协会（AAA）的数据，每六起致命交通事故中就有一起是由于驾驶员疲劳造成的，每八起导致住院的碰撞事故中也有一起是由疲劳驾驶引起的。B.C. Tefft等人估计了1999年至2008年间美国发生的47,597起涉及被拖离现场的乘用车的事故样本，并计算了其中由疲劳驾驶引发的事故比例[1]。车辆内部空气会显著影响乘客的认知能力，但不会引起足以引起他们警觉的不适。马来西亚皇家警方指出，疲劳和分心的驾驶者是交通事故的主要原因[2]。减少有害气体的一个简单方法是关闭所有窗户和车门，防止外部污染物进入。此外，车辆内部空间可以被视为类似其他室内环境，例如装有暖通空调（HVAC）系统的车厢。通过暖通空调系统的循环模式（RC），可以减少颗粒物和车辆排气系统排放的危险气体进入[3,4]。本文介绍了一种先进的E-Nose架构，用于实时估算车内一氧化碳（CO）浓度，旨在改善车辆空气质量[5]。该架构利用虚拟传感器和嵌入式智能技术准确估算CO浓度，从而提高乘客的安全性和舒适度[6]。所提出的E-Nose架构通过捕捉和分析多个气体传感器的响应，全面了解CO浓度，从而保护乘客免受潜在健康危害[7]。德里的一项研究表明，在非商业车辆中使用压缩天然气（CNG）可能并不像之前认为的那么有益，尤其是在夏季。该研究建议进行全生命周期分析，以考虑增加的电力成本，并为CNG转换发动机设定最低效率标准，从而减少二氧化碳（CO2）排放并促进城市地区的可持续发展。政策制定者应考虑替代燃料的整个生命周期，并设定最低效率标准，以减少排放并推动城市环境监管[7,8,9]。该系统的实时监测能力和与车辆控制系统的潜在集成将提高乘客安全性，降低健康风险，并改善车辆空气质量[10,11]。所提出的算法遵循严格的数学公式，采用非基于云的、无监督的TinyML方法去除数据流中的异常值，提高了软传感器的准确性，无需依赖于云服务器。在Freematics ONE+板上的实现证明了其可行性，其排放量测量单位为gCO2/km[12]。Shivnath等人[13]获得了有效的虚拟传感器响应（VSRs），他们提出的三输入三输出（TITO）策略比已发表的同行评审方法表现更好。我们的方法相比后者提高了四倍的VSRs。基于物联网（IoT）的车辆空气质量系统（AQS）使用五种传感器：CO、CO2、PM、温度和湿度，来测量车内这些污染物的浓度[14]。图1展示了E-Nose系统的流程，说明了他如何执行此类任务。它还展示了数据收集和预测的架构。逐步架构包括：（1）MQ传感器检测CO（模拟信号）；（2）MCP3008转换为数字信号；（3）Raspberry Pi采集数据；（4）数据存储为CSV格式；（5）数据标准化和机器学习分类；（6）通过pickle部署模型；（7）预测有害CO浓度。本文介绍了一种基于虚拟传感器增强型嵌入式智能的E-Nose框架，该框架集成虚拟传感器和嵌入式智能，以收集和处理多个MQ选择性气体传感器的数据。该系统采用先进的机器学习（ML）算法分析评估传感器数据，能够准确且实时地计算一氧化碳（CO）浓度。这项技术打破了传统方法的使用限制，这些方法依赖单点传感器或基于阈值的警报，并考虑了车辆大小、通风和交通条件等因素对CO浓度变化的影响。本文在实时车内CO估算方面的创新之处在于：虚拟传感器和嵌入式系统的集成、高度发展的数据处理算法、对乘客安全和舒适的关注，以及促进可持续城市环境的理念。本文阐述了实时环境下的实验设计、数据收集程序、数据分析程序以及关于车内CO浓度监测和虚拟传感器的宝贵结论。除了构建CO传感器的问题外，这项研究还提供了关于解决方案在现实应用中的可行性的宝贵信息。它详细描述了实验策略、数据管理、数据分析方法、结果和结论、未来研究建议及发展方向。

2. 文献综述
A Mishra等人提出，车内监控系统（IMS）对于解决自主驾驶问题至关重要[15]。所建议的IMS将结合高质量监控摄像头和带有人工智能（AI）的OBD系统，构建强大的E-Nose框架。其目标是优化虚拟传感器算法、实时估算CO浓度，并验证实际条件下的性能。它还讨论了与车辆控制系统的集成，以实现自动响应CO浓度变化。如果这种系统在各类车辆中得到广泛应用，未优化的气体传感器阵列的性能可作为优化的参考基准[16]。为了比较优化前后气体传感器阵列的性能，本文将未优化的传感器阵列的性能作为基准[17]。许多文献强调了Raspberry Pi 4板在实时空气质量监测、便携式医疗诊断和通用E-Nose应用中的能力[18,20,21]。Sun等人（2022）强调了传感器阵列优化以降低计算开销的必要性[18]，而Zhu等人（2022）提出了高效的传感器选择策略[19]。Wijaya等人（2021）提出了一种基于信息论的集成特征选择方法，通过多阶段聚合优化E-Nose传感器阵列，确保气体传感器组合的鲁棒泛化能力[20]。Liu等人（2023）还全面回顾了E-Nose设计和开发中使用的技术和算法[18]。Sharma等人（2022）报告了利用Raspberry Pi 4板检测植物水分胁迫的应用[21]。Zhai等人（2022）使用Raspberry Pi 4板作为主要数据采集控制器，实验表明该E-Nose系统可以长期识别冰箱中的不同类型食物，确保系统的可靠性和准确性[22]。此外，还有许多论文报道了Raspberry Pi 4板的应用[23,24,25]。Mathe等人（2024）回顾了Raspberry Pi 4板在远程和恶劣环境、能源管理及医疗保健等领域的应用和能力，并研究了其在监测空气质量、土壤湿度和湿度以控制灌溉方面的应用[24,25]。Misbah等人（2018）开发了一个用于监测空气污染的原型模型[25]。Samourkasidis等人（2016）为室内空气污染数据采集场景提供了附加服务[26]。Wicaksono等人（2024）开发了一种利用IoT方法监测服务器房间参数（如湿度、空气质量和温度）的系统[27]。该平台集成了基于Python的机器学习库，实现无需云基础设施的轻量级边缘级推理，便于在车辆条件下实时分析传感器响应，同时考虑了传感器延迟、瞬态和稳态行为以及采样率限制等因素[7]。我们的实验进一步评估了标准化差异传感器响应变换（NDSRT）和零均值单位方差（ZMUV）技术在生成稳健虚拟传感器响应方面的作用，提高了CO浓度水平的区分能力[28]。所开发的系统提高了灵敏度、动态适应性和跨不同车辆平台的可扩展性。此外，这项研究支持更广泛的可持续性目标，推广了低成本、节能且符合环境安全标准的智能车内空气质量系统。研究结果证明了使用虚拟传感器增强型嵌入式架构进行实时车内CO监测的可行性和可靠性，以及其潜在的集成潜力，可实现自动干预[8]。

本文介绍了一种先进的E-Nose架构，用于实时估算车内一氧化碳（CO）浓度，旨在改善车辆空气质量。该架构利用虚拟传感器和嵌入式智能技术准确估算CO浓度，从而提高乘客的安全性和舒适度。所提出的E-Nose架构通过捕捉和分析多个气体传感器的响应，全面了解CO浓度，保护乘客免受潜在健康危害。Raspberry Pi 4是一种低功耗、低成本的计算资源，非常适合在边缘设备上部署机器学习模型。在我们的研究中，我们使用合适的模型展示了良好的性能。Raspberry Pi 4板展示了运行完整的Debian基于Linux操作系统（支持Python 3及其相关机器学习库，如Scikit-learn、Tensor Flow、PyTorch、Keras等）以及多种分类和提升算法的能力[29]。汽车制造商逐步增加了传感器的数量和车辆控制系统的功能，以提高性能并保障驾驶员和乘客的安全[30]。OBD-II（车载诊断）系统能够自我诊断并提醒驾驶员车辆子系统（如电子组件和污染物排放状态）可能存在的问题。自1996年以来，美国制造的所有车辆都必须支持OBD-II标准，其他国家也纷纷效仿这一趋势[31]。自从OBD-II系统在全球主要市场推出后，人们提出了多种策略来利用该系统产生的数据，并为驾驶员提供有用的信息[32]。这种智能一氧化碳（CO）检测系统使用基于Arduino的设备来检测一氧化碳气体，并将其显示在LCD屏幕上[33]。鉴于一氧化碳对健康和安全的重大影响（因为它是一种无色无味的气体），开发和改进一氧化碳检测与估计算法至关重要。一氧化碳是一种高度危险的气体，可能导致失去知觉，甚至引发致命后果或其他多种严重疾病，如头痛、恶心和眩晕。随着人们对空气污染及其健康危害的担忧日益增加，特别是在车辆等封闭空间内，人们开发出了稳定高效的系统来监测一氧化碳——这种气体常被称为“无声杀手”，因为它既无色又无味[34]。婴儿、老年人以及有基础健康问题的人群更容易受到一氧化碳的影响。为了获得准确的读数并及时发出警报，检测设备必须定期校准和维护[35]。综上所述，一氧化碳的检测与估算是保护人们健康以及提高住宅区、商业区和工业区安全的关键[35]。Mishra等人[15]提出了一种通过提供有效的车内监测系统（IMS）来解决这些问题的方法。该系统基于创新的监控摄像头与车载设备（OBD）之间的强大关联，并由人工智能（AI）驱动。本文将重点讨论E-Nose架构的设计与构建、虚拟传感器算法的进步、在一氧化碳浓度估计算法中引入智能技术，以及在真实环境中测试这一解决方案。此外，还将探讨E-Nose架构与车辆控制系统之间的联系，以便根据一氧化碳水平自动采取相应措施。预计将会开发出一个完善且可靠的车内一氧化碳浓度估计算法，可在各种类型的车辆上应用[16]。最近在系统级气体传感器集成方面的进展集中在传感硬件和嵌入式智能的共同设计上，以实现紧凑、适应性强且实时响应的气体检测系统[36]。

3. 材料与方法论
在本研究中，我们实现并评估了几种实时操作分类器。我们还评估了决策树（Decision Tree）、随机森林（Random Forest）、K最近邻（K-Nearest Neighbor）和梯度提升（Gradient Boost）算法在Raspberry Pi 4板上的性能。实验中使用了金属氧化物半导体化学电阻式传感器，这类传感器具有先瞬态响应后稳态响应的特性。这些气体传感器元件能够连续工作，适应不同浓度的一氧化碳气体。这种变化是渐进的，只要数字采样率快于几毫秒，就不应成为主要问题。在已发表的文献和当前实验中，采样率范围在每秒1000到60,000个样本之间，而像Raspberry Pi 4板这样的流行处理器在1.5吉赫兹（GHz）频率下可提供高达每秒10^12个样本的采样率。图1展示了E-Nose系统的流程，说明了一种用于此类任务的实时系统。它还展示了数据收集和预测的过程。数据采集的采样率为每秒10^12个样本，总共收集了2484个样本。每个样本包含一个8维的传感器响应向量，通过虚拟传感器转换进一步增强。图1展示了所采用的系统架构，以及用于气体检测和分析的实时E-Nose系统。所提出的架构将气体检测模块与基于机器学习的预测系统结合起来，使用Raspberry Pi 4板来实现。首先，MQ气体传感器检测目标气体（一氧化碳）的存在并生成模拟信号（步骤1）。该模拟输出被送入MCP3008模数转换器（ADC），转换为数字信号（步骤2）。随后，Raspberry Pi获取数字化的数据（步骤3）并将其存储在CSV文件中（步骤4）。之后，存储的数据经过归一化处理并传递给预先训练好的机器学习分类器（步骤5）。借助分类器的帮助进行实时气体检测和分类，分类器通过序列打包的pickle文件部署（步骤6）。由训练好的模型进行的气体预测（步骤7）包括检测一氧化碳等危险气体浓度。这一框架促进了数据采集，并在嵌入式实时环境中实现智能气体浓度预测。一方面，传感器阵列和特征识别对智能传感系统具有显著优势。传感器阵列由多个具有不同灵敏度的气体传感器组成，可以同时检测多种气体，从而提高准确性和选择性。这种结构可以补偿交叉灵敏度问题、实现冗余和容错，即使在个别传感器出现故障时也能保持可靠性能。所得数据是多维的，为复杂的特征提取提供了丰富的数据。利用机器学习和特征识别方法，可以识别特定气体的信号模式。这些方法最大限度地减少了噪声，允许实时自适应学习，并促进实时决策。结合使用时，传感器阵列和特征识别能够在复杂系统中实现强大且成本效益高的应用，包括空气质量监测系统、工业安全和智能检测器，使用价格便宜、高度专用的传感器，同时具有高分类准确性和响应速度。

本文介绍了基于虚拟传感器增强型嵌入式智能的E-Nose设计和架构，它结合了虚拟传感器和嵌入式智能来收集和解释来自不同MQ选择性气体传感器的信息。该系统依赖于最佳的机器学习（ML）算法，通过对传感器数据的评估和解释来提供精确的一氧化碳浓度计算。这项技术改进了基于单点传感器或阈值警报的传统方法的局限性，并考虑了车辆大小、通风和交通条件等因素对一氧化碳浓度变化的影响。本文关于基于虚拟传感器增强型嵌入式智能的实时车内一氧化碳估计算法的创新之处在于以下几个方面：虚拟传感器与嵌入式系统的结合、高级的数据处理算法、对一氧化碳变化的动态验证、对乘客安全和福祉的着重考虑，以及可持续城市环境的发展。本文的研究重点在于实时环境中的实验设置、数据采集技术、数据分析技术、嵌入式人工智能（EAI）以及车内一氧化碳浓度监测器和虚拟传感器的相关发现。除了讨论被认为“无声杀手”的一氧化碳气体监测外，本文还提供了关于该传感器实际应用价值的宝贵信息。实验策略、数据管理、分析方法、研究成果和结论都得到了详细解释，并提出了一些进一步研究和扩展应用的建议。

4. 实验设置：硬件与实时场景
4.1. 数据采集的硬件配置
所提出的系统电路板连接了八个气体传感器、一个MCP3008模数转换器以及一个Raspberry Pi。气体传感器的模拟输出连接到MCP3008的模拟输入端，而MCP3008的数字输出端连接到Raspberry Pi的GIO引脚。该电路确保了从气体传感器正确读取数据，并允许在Raspberry Pi上进行处理。要使其正常工作，还需要适当的电源和去耦电容器来应对电源干扰。总体而言，电路图展示了气体传感器系统所需的连接和部件；图2展示了数据采集的硬件设计和原理图布局。表1列出了所提出的E-Nose系统中使用的气体传感器元件及其目标分析对象。
4.2. 使用的MQ传感器的工作环境条件
所提出的E-Nose系统中使用的MQ系列气体传感器具有表2、表3和表4中概述的技术特性。这些表格列出了关键的操作参数，包括检测范围、灵敏度、响应/恢复时间、加热器要求、漂移行为和灵敏度特性。可以看出，这些传感器能够检测的目标气体种类非常丰富，包括可燃气体（MQ-2、MQ-5、MQ-6）、酒精蒸气（MQ-3）、甲烷（MQ-4）、一氧化碳（MQ-7）和空气污染物（MQ-135），从而使我们能够实现一个全面的气体检测系统。尽管个别传感器存在中度到高度的漂移和交叉灵敏度问题，但它们在多传感器阵列结构中的使用产生了独特的响应模式，适用于基于模式识别的分类。漂移行为和灵敏度的考量增强了传感系统在实际操作条件下的鲁棒性和可靠性。
4.3. 数据采集
流程图的目的是说明从连接到MCP3008模数转换器的气体传感器获取数据，然后使用Raspberry Pi将数据保存到CSV文件中的过程。流程图包含几个步骤，每个步骤代表数据采集过程中的特定任务或动作。图1清晰直观地展示了从气体传感器获取数据、使用MCP3008与Raspberry Pi接口以及将数据保存到CSV文件的所有步骤，便于理解和实施数据采集过程。传统上，人工智能和机器学习的应用仅限于高端计算机器；然而，物联网和边缘计算的使用迅速增加。尽管这些设备的计算能力有限，但它们也能够执行非常高级的处理任务。此外，如果我们转向计算能力更强的设备，例如Raspberry Pi，其消耗成本和在多个地点部署的成本将非常高。使用云计算进行分类活动可以降低用户的成本和复杂性，简化硬件部署，并确保所有收集的数据都来自Raspberry Pi。然后我们将算法应用于这些数据。在图3a中，总共记录了六次一氧化碳（CO）浓度的测量值，记录间隔是固定的。这种采样方法为气体传感器提供了足够的时间来稳定并提供准确的读数。图3b仅展示了数据采集的系统架构。需要注意的是，这六个CO浓度水平代表的是参考暴露条件，而不是单个样本。对于每个浓度水平，从所有八个MQ传感器中连续采集了长时间的序列数据，捕捉了瞬态和稳态响应。图3：(a) 6升的CO容器；(b) 向容器中注入CO。

4.4. 数据集描述
实验数据集是使用所提出的嵌入式E-Nose系统收集的，该系统包括八个MQ系列气体传感器（MQ2、MQ3、MQ4、MQ5、MQ6、MQ7、MQ8、MQ135）。数据集捕获了对应于不同控制CO浓度水平的传感器响应。总共有2484个样本和8个传感器读数。目标变量是CO浓度类别（分类+数值编码）；使用的传感器有MQ2、MQ3、MQ4、MQ5、MQ6、MQ7、MQ8和MQ135。每个样本都与在严格控制的暴露条件下在采样室内捕获的稳态传感器响应相关联。数据集的摘要在表5中概述。表5显示了收集到的E-Nose数据集的摘要，包括样本数量、特征组成、传感器类型、分类目标和采样特性。数据集包含了在受控CO暴露条件下MQ系列MOS传感器的多传感器响应。

4.5. 所提系统的原理图
所建议的原理图电路板旨在以小型化和降低噪声的形式结合八个MQ系列气体传感器和一个MCP3008 ADC以及连接电路板，如图2所示。传感器阵列分布在PCB的一侧，以确保均匀的气体暴露，每个传感器的模拟输出线通过短而独立的路径单独连接到MCP3008的输入通道，以减少串扰和噪声干扰。MCP3008位于中间位置，以使布线最小化，并使传感器之间的线长度相等。SPI（MISO、MOSI、SCLK、CS）通信线从ADC引出到一个特殊的接头，将Raspberry Pi连接到GPIO接口。传感器信号在一个单独的模拟地平面上接地，不与数字地连接，以提高ADC的精度。电源调节（5 V给传感器，3.3 V给MCP3008）通过板载电压调节电路完成，并在每个传感器和ADC附近放置了去耦电容器，以确保稳定运行。这种PCB架构提高了信号完整性和可扩展性，非常适合实时嵌入式气体传感应用。

4.6. 热图和直方图
相关性热图显示了MQ系列传感器与目标CO浓度之间的成对正相关关系，其中MQ7、MQ4和MQ5传感器具有强烈的正相关性，这可以通过MOS传感器的交叉敏感性来解释。相关性热图如图4a所示。有趣的是，MQ2和MQ5等传感器与目标变量之间的正相关性更高，这意味着它们在预测CO浓度方面比MQ3更有效，后者与多个传感器和目标变量之间存在负相关关系。这表明MQ3可能具有反向响应行为，因此可能有助于提高模型的区分能力。总体而言，存在强相关性和中等相关性的事实表明传感器阵列中存在冗余和互补信息，这证明了数据集具有复杂和非线性的相互依赖性，并支持使用机器学习方法以最有效的方式提取特征和分类数据。图4b显示了数据集中不同CO浓度水平下MQ传感器响应的分布和变化值。

5. 数据收集与分析
数据收集方法包括在向密封盒子中注入2毫升CO气体后对其进行监测。在预定的时间间隔内进行了六次CO浓度测量。采样技术也给出了CO传感器稳定并提供正确读数的时间。收集到的CO浓度测量结果通过多种方式进行了分析，从而可以对数据进行全面分析。统计分析方法用于获得平均值、标准差和范围。这些统计值用于了解CO浓度数据的中心趋势和变异性。此外，还使用了图表和直方图等可视化方法来发现CO浓度测量中的任何可能趋势、模式或异常。在PCA下，可能相关或不相关的原始变量被转换为一组新的不相关变量，称为主成分。这些主成分只是原始变量的线性组合，但根据它们在数据中捕获的方差（分布）进行了排序。这是通过PCA实现的，如图5a所示。该系统依赖于一个先前在NewFresh样本上训练的高精度机器学习模型，该模型存储在一个名为NewFresh.pkl的文件中，通过joblib或pickle的Python库加载。这使得新的传感器数据预测变得高效，无需重新训练，并且可以扩展到资源受限的平台，包括Raspberry Pi 4。真实传感器数据和虚拟传感器数据都在Raspberry Pi 4上处理。使用八个MQ气体传感器（MCP3008 ADC的通道0至7）来获取传感器数据，并通过数学组合物理传感器读数创建虚拟特征，如方程（1）所示。虚拟传感器（VS）= (传感器1 - 传感器2) + (传感器1 + 传感器2)（1）。

5.1. 传感器趋势图和特征箱形图
MQ系列传感器在不同CO浓度水平下的响应随时间的变化在传感器趋势图中表示，每个传感器展示了如振荡、漂移和瞬时峰值等动态特性。一些传感器（如MQ4和MQ6）的响应相对固定，而其他传感器（如MQ2、MQ3和MQ5）则更加变化，意味着它们对气体浓度的变化非常敏感。传感器阵列能够有效地捕捉随时间变化的气体暴露，这一点在与不同CO浓度水平相关的目标变量步骤中可以看到。这些时间趋势表明需要使用机器学习方法来提供准确的分类，因为传感器行为具有复杂和非线性的特点。图4b中的箱形图有助于显示传感器阵列在灵敏度和稳定性方面的差异，因为它表示了MQ系列传感器响应的分布、离散度和变异性。虽然MQ4和MQ6等传感器表现出相对狭窄的分布，显示出稳定的基线行为，但MQ2和MQ3等传感器显示出较大的四分位数范围和增加的方差，这意味着它们对CO浓度的实验效应非常敏感。与其说是测量中的噪声，不如说是多传感器中出现的异常值可以看作是动态响应特性的迹象，以及短暂的气体暴露。传感器在分布和中值上的变异性通常显示了传感器阵列的异质性，这在机器学习模型中的多维特征提取方面是有益的。

为了规范化数据，使用了公式（3）中的零均值单位方差标准化（Z分数标准化）。这是一种预处理过程，对于提高机器学习模型的稳定性和性能是必要的。此外，规范化方法可以用来最小化内存占用并减少计算需求，而对准确性没有重大影响。图6中的流程图描述了部署流程，包括模型转换、压缩和推理，其中建模是过程的初始步骤，随后的步骤是压缩和推理，它们将特征空间分解为更小且分离良好的簇，从而提高分类器的泛化能力。如图5a中的PCA可视化所示，这种改进的特征表示在特征空间中产生了更紧凑和分离良好的簇，增强了分类器的泛化能力。

5.2. 标准化差异传感器响应转换（NDSRT）
准确分类气体和气味一直是一个长期挑战。为了提高分类性能，通常使用气体传感器阵列，因为它们为每种气体或气味样本产生独特的特征模式。除了仅依赖于这些原始特征外，在转换后的超空间中分析它们可以进一步提高分类准确性。然而，现有的转换和规范化技术往往会产生非球形和重叠的簇，从而导致分类结果的模糊性。NDSRT [37] 为考虑到的气体样本生成虚拟传感器响应。对于输入的气体样本，它产生模拟的传感器响应。如果数据集包含来自考虑气体的分离良好的簇，并且簇内的距离较短，则数据可以很好地被分类。经过建议的转换后，获得的虚拟多传感器响应为相关气体的整个类别展示了独特的特征模式，无论样本浓度如何。相比之下，这些清晰定义的簇在未处理的气体传感器响应或其他众所周知的转换领域（如主成分分析（PCA）和其他规范化方法 [7] 中并不存在。虚拟传感器响应被用来增加操作向量的维度。真实传感器响应的主要元素被用来创建这些虚拟响应。因此，两组数据被提升到一个维度，如[38]中所讨论的。在这个领域，这些虚拟多传感器响应被称为虚拟传感器响应。在这项工作中，提出了标准化差异传感器响应转换（NDSRT）分析方法。本研究中介绍的NDSRT方法是在NCC实验室由我们的研究小组开发的，并在参考文献 [39] 中相应引用。创建基于NDSRT的虚拟多传感器响应的步骤如下：考虑一个包含n个元素的气体传感器阵列，它为检测到的每个样本产生一个称为X的特征响应。第i个和第j个传感器元素的响应分别为????和????，因此?? =??1,??2,??3,…,????,…,????,…,????。可以使用公式（2）计算NDSRT响应 ??????????????=?????????????+???????
5.3.零均值单位方差（ZMUV）归一化是一种改进的、有用的预处理方法[39]，可用于对传感器数据进行归一化。它消除了规模和单位差异，有助于进行公平比较，并提高了数据分析任务的性能。ZMUV可以使用公式（3）进行计算。ZMUV归一化非常重要，因为它将传感器数据转换为零均值和单位方差，从而提高了后续数据分析和建模程序的准确性和可靠性。这种归一化方法将被用来确保每个传感器的数据都具有零均值和单位方差，这意味着数据可以直接进行比较。经过归一化的数据通过提供一致和标准化的表示，增强了数据分析和管理任务（如聚类、分类和回归）的性能。

$$
\begin{align}
ZMUV &= \frac{SensorData - MeanValue\ of\ Sensor}{StandardDeviation\ of\ Sensor} \\
MeanValue\ of\ Sensor &= \frac{\sum_{n=1}^{N} Sensor_{n}}{N}
\end{align}
$$
其中，$MeanValue\ of\ Sensor$表示传感器的平均值（如公式（4）所示），$Sensor_{n}$表示第$n$个传感器的读数，$N$是传感器的总数。标准差$SD$表示传感器数据的标准差，如公式（5）所示。

包含八个传感器数据的CSV文件使用NDSRT转换为八个真实传感器和八个虚拟传感器的数据。然后进一步处理这些转换后的数据，以实现零均值单位方差。最后，使用处理后的数据生成所需的输出。

5.4. 数据分析

转换之后，数据会经过零均值单位方差归一化处理。这一步确保数据以零均值为中心，并且标准差为一。以这种方式归一化数据有助于标准化尺度，并便于进行准确的比较和分析。现在已转换为零均值单位方差形式的处理数据随后被用来生成所需的输出。该输出可以是分类结果、回归预测或基于具体任务的其他相关结果。数据处理流程涉及使用NDSRT将初始CSV文件中的八个传感器数据点转换为真实传感器和虚拟传感器数据。然后进一步处理这些转换后的数据，以实现零均值单位方差。这些处理后的数据被用于生成所需的输出，可用于分类、回归或进一步分析等多种用途。我们进行了四次分类，在其中我们将训练最好的模型部署到了硬件上。因此，从图7可以看出，数据已经经过预处理并实时输出。

图7. 数据从第一阶段到最终阶段的转换。本研究中观察到的高分类准确率受到表6中所示的受控实验条件的影响，这些条件确保了传感器响应的稳定性和低噪声。虽然这有利于验证所提出的方法，但可能导致与实际部署场景相比的乐观性能估计。

表6. 使用的分类器的准确率。

5.5. 一毫升（mL）的一氧化碳（CO）浓度转换为百万分之一（PPM）

PPM（百万分之一）是一个测量单位，在科学、工程和环境监测等多个领域都很重要。在我们的案例中，我们用PPM来表达CO浓度。要将特定体积（1 mL）转换到更大容器（例如6 L）中的PPM，涉及的基本公式和原理如公式（6）所示：

$$
ppm = \frac{Volume\ of\ Substance\ (mL)}{Total\ Volume\ (L)} \times 1,000,000
$$
其中，“Volume\ of\ Substance\ (mL)”是我们希望用PPM表示的物质的体积（本例中为1 mL），“Total\ Volume\ (L)”是混合物或容器的总体积（本例中为6 L），乘以1,000,000是为了将比例转换为PPM。通过使用5 mL的注射器将CO注入6 mL的容器中，达到了适当的浓度。初始容器只含有新鲜空气；然后，我们又注入了2 mL，依此类推。我们重复了这个过程6次，以达到容器中的目标CO浓度。最终，我们测量到容器中的CO浓度为1322++ PPM。

图3a显示了6升的CO容器，图3b显示了向这个6升容器中添加CO的过程。容器中CO的PPM浓度如公式（7）所示：

$$
PPM\ Concentration\,CO = \frac{1mL}{6L} = \frac{1mL}{6L} \times 10^{-3} \times 10^{-3} \times 10^{-3} = 166.66\ ppm
$$
我们描述的情景涉及向6升容器中每次添加2 mL的一氧化碳（CO），每次添加都会使浓度翻倍。以下是浓度的变化过程：初始浓度为166.67 ppm；然后添加2 mL的CO，浓度翻倍至2 × 166.67 ppm = 333.33 ppm；再添加2 mL，浓度再次翻倍至2 × 333.33 ppm = 666.67 ppm，依此类推。只要我们继续每次添加2 mL的CO，浓度就会翻倍。

5.6. 与现有最先进系统的比较分析

所提出的E-Nose系统与最近的最先进方法进行了比较，如表7所示。现有系统的准确率达到94–96%，但依赖于云处理或优化硬件。相比之下，所提出的方法结合了MQ传感器阵列、基于NDSRT的虚拟传感器和集成学习，实现了98.59%的准确率。其在Raspberry Pi上的边缘部署确保了低延迟、成本效益以及在车辆环境中更好的实时适用性。表6突出了所使用分类器的准确率。

表7. 所提出的E-Nose系统与最新车载空气质量监测系统的性能比较分析。

5.7. 统计验证

统计分析表明，传感器响应存在显著差异，MQ2、MQ8和MQ3的标准差较大，表明这些传感器对CO浓度的变化非常敏感。另一方面，MQ4和MQ6等传感器的基线较低。许多传感器的偏度和较大的峰度证实了数据不是高斯分布的，并且由于它们代表了在不同气体暴露条件下的真实世界传感器，因此数据是动态的。此外，零读数与传感器初始化阶段相关，并被保留以确保数据的真实性。表8概述了MQ系列传感器的统计总结，包括平均值、标准差、最小值和最大值。

6. 结果与讨论

从这个实验中获得的结果证明了基于虚拟传感器增强型嵌入式智能的高级E-Nose架构在实时准确估计一氧化碳（CO）浓度方面的有效性。最初，当新鲜空气引入容器时，系统正确检测到没有CO的存在，表明环境没有CO污染。接着，向容器中注入了2 mL的受控量的CO。系统迅速检测到CO的存在，并显示浓度为333 ppm，准确反映了引入的CO量。随后，再向容器中添加2 mL的CO，导致浓度增加到666 ppm。随着继续添加2 mL的CO，浓度呈递增趋势，每次添加都会使浓度翻倍。因此，后续读数显示的浓度分别为999 ppm、1332 ppm等。然而，需要注意的是，一旦浓度超过1332 ppm，即使在进一步添加CO时，传感器也显示恒定的1332 ppm+。这表明我们的测量范围上限是1332 ppm+。这些发现反映了系统在实时监测和估计CO水平方面的有效性，以获取控制有限区域内空气质量的有用信息。随着CO的逐渐增加，浓度的逐渐增长证明了系统对CO浓度变化的敏感性和响应能力。

在当前实验中，我们确认了基于虚拟传感器增强型嵌入式智能的E-Nose系统在提供无偏且及时的CO浓度测量方面的有效性。这些结果对于创建有效的车载CO系统非常有用，有助于确保乘客的安全，并允许人们采取必要的积极措施来降低高CO水平带来的风险。决策树、梯度提升、KNN和随机森林分类器的混淆矩阵表明，它们在CO浓度方面的分类率较高，误分类率较低。

图8. （a）决策树，（b）梯度提升，（c）K最近邻居，（d）随机森林的混淆矩阵。首先，可以通过优化虚拟传感器算法来提高CO浓度的估计准确性和可靠性。可以通过添加额外的机器学习技术（如深度学习算法）来增强传感器数据，以提取更多有用信息，并使虚拟传感器在预测方面更加胜任。其次，系统可以配备更多的气体传感器，从而能够监测更多有害气体，如二氧化氮（NO2）或挥发性有机化合物（VOCs）。这将使其成为一个更全面的车载空气质量监测系统。第三，平台应该具有实时警报和通知功能，以便在CO水平过高时向车辆乘员和相关部门发出即时警报。这将有助于及时采取行动，应对风险并保障乘客的安全。另一种改进系统的方法是将E-Nose架构集成到车辆控制系统中。系统可以自动感知高CO水平，并启动通风系统或打开车窗以增加房间内的空气流通，减少CO暴露。还可以整合数据处理和日志记录功能，以记录随时间变化的CO浓度。这些数据可以用来识别模式、趋势和CO排放的潜在来源，从而实现预防性维护、排放控制和车载空气质量管理的优化。

讨论：系统级集成视角

近期在气体传感研究方面的发展更倾向于系统级集成，其中传感、信号处理和智能在共同平台上共同构建。例如ACS Sensors [36] 的研究正朝着将小型传感器阵列集成到紧凑型、集成式传感系统中方向发展，这些系统具有片上处理、自适应校准和实时推理功能。与基于硬件的集成模型（如基于MEMS的微型传感器和系统级芯片（SoC）架构不同，所提出的E-Nose框架将采用软件定义的传感方式进行系统级集成。特别是，结合边缘部署的机器学习模型、跨敏感的MQ传感器阵列以及归一化差异传感器响应转换（NDSRT）算法，可以在不依赖昂贵专用硬件的情况下稳健且适应性地估计气体。这种架构是一种混合集成范式，因为它结合了物理传感、虚拟传感和嵌入式智能。虚拟传感器能够有效提升特征维度并对抗交叉灵敏度和漂移，而实时推理与嵌入式机器学习的结合可以在资源受限的环境中应用。所提出的解决方案在财务和空间限制方面是当前集成气体传感系统的可扩展、低成本且灵活的替代方案。因此，这项工作在智能气体传感领域具有相关性，因为它展示了基于算法增强和集成智能的系统级集成可以提供与更复杂的硬件集成系统相当的性能。此外，我们还整合并验证了近期在集成气体传感系统方面的发展。这些考虑还说明了所提出的系统如何从受控实验设置过渡到一个可扩展的、嵌入式的、智能的车载传感平台。

所建议的多传感器E-Nose系统在实际车载环境中具有很高的应用潜力。在评估时，条件是受控的，但该架构可扩展，适用于嵌入式平台和边缘智能作为实时处理方法。在驾驶舱内，气流、温度、湿度和通风的动态条件会导致传感器响应发生变化，因此需要采取强有力的措施，如多传感器融合、自适应校准和漂移补偿。集成气体传感的新技术专注于紧凑、智能的设计，并在设备端进行数据推断，这些技术可以集成到所提出的框架中以提高可靠性。此外，它们还可以集成到电子控制单元（ECUs）、无线模块和基于物联网（IoT）的系统中，实现实时监控和决策，可用于与安全相关的任务，例如驾驶舱内空气质量评估和一氧化碳（CO）暴露检测。

**7. 局限性与未来工作**
尽管所提出的虚拟传感器增强型电子鼻（E-Nose）结构前景广阔，但仍需注意一些局限性。首先，实验数据是在一个封闭的6升腔室中获得的，一氧化碳的浓度离散值有限，这限制了数据的多样性和建模机器学习方法的统计稳健性，从而影响了其普遍适用性。其次，该系统无法完全重现车内实际条件，因为气流、温度、湿度和通风等动态因素对气体扩散和传感器输出具有重要影响。第三，MQ系列金属氧化物传感器最常见的特点是交叉敏感性和漂移现象，这些问题可能会影响MQ系列传感器在现实世界中的长期稳定性和可用性。此外，目前的评估基于训练数据和测试数据的分割，但未能明确界定研究的局限性和时间以及来源方面的信息，可能会导致对性能的过度乐观估计。虽然虚拟传感器模型构建得很好，但它需要成对的转换，且可能存在更高阶的非线性传感器交互效应。未来的研究将收集在各种驾驶和环境条件下的大规模真实车内数据集；将采用更强大的深度学习和领域适应技术来提高泛化能力，并纳入其他类型的环境传感器（例如温度和湿度传感器）进行上下文敏感的校准。此外，还将采用有效的验证方案（如留出一辆车的交叉验证），以及漂移补偿和在线学习方法。通过进一步发展，该系统在多气体监测、实时自适应控制集成（例如暖通空调系统）以及连接车辆生态系统中的适用性和可扩展性将得到提升。未来的研究将在实际汽车环境中测试该系统，这些环境中的气流、温度和湿度可能会发生变化。同时，还将探讨嵌入式AI模型、自适应校准方法和基于物联网的通信技术，以实现实时大规模部署。

**8. 结论**
虚拟传感器和嵌入式智能被应用于虚拟传感器增强型嵌入式智能电子鼻架构中，该架构从多个气体传感器收集和处理数据，以全面了解车辆内一氧化碳的含量。嵌入式智能采用复杂的算法处理传感器数据，从而能够实时准确估计空气中的一氧化碳浓度。鉴于报告汽车内一氧化碳浓度的紧迫性，这种基于虚拟传感器增强型嵌入式智能的先进电子鼻架构是一种创新解决方案。本文探讨了其与车辆控制系统的潜在集成方式，并优化了虚拟传感器技术以及所提出架构的开发和验证过程。预测的结果将确保乘客的安全和舒适度，并在车辆空气质量监测方面取得进展。这项技术优于旧技术，旧技术使用单点传感器或基于阈值的警报系统，这些系统可能由于车辆大小、通风和交通等因素而无法准确反映实际的一氧化碳浓度。这种架构在未来实现实时车内一氧化碳浓度监测方面具有广阔前景，其融入智慧城市基础设施后，有望构建一个连接车辆和环境监测设备的网络，帮助收集和共享实时数据，从而支持更优的城市规划、交通控制和政策决策。此外，该系统还显示出在系统层面集成到实际车辆场景中的良好潜力，未来的研究将集中在嵌入式层面的系统实施上，包括环境补偿和实时功能。所提出的架构符合未来趋势，即在国家系统层面集成气体传感器、虚拟特征增强技术和嵌入式智能。尽管这些发现令人鼓舞，但当前基于控制腔室的实验无法完全反映实际车内气流环境的真实动态变化以及温度、湿度和通风效果的变化。下一步工作应致力于在真实车辆条件下验证该系统的稳定性和泛化能力。