综述：金属氧化物半导体气体传感器阵列漂移补偿算法研究进展

《Chemosensors》：A Comprehensive Review of Algorithms for Drift Compensation in Metal Oxide Semiconductor Gas Sensor Arrays

　　

金属氧化物半导体（Metal Oxide Semiconductor, MOS）气体传感器凭借高灵敏度、低成本及与微系统集成兼容性，成为电子鼻技术的核心组件，但其长期连续监测中的传感器漂移问题严重制约了实际应用可靠性。随时间推移的响应特性变化会导致初始训练的模式识别模型精度显著下降。本综述系统梳理了近五年传感器漂移补偿的新兴方法，重点关注迁移学习与深度学习领域的技术演进，阐明该领域从传统重新校准与组分校正向深度域自适应、对比表征学习及注意力机制模型的范式转变。研究不仅系统归纳各类方法的优势与局限，还针对标注数据稀缺、漂移模式难以预测及边缘节点计算资源受限等典型应用场景进行了深入剖析。

本文围绕金属氧化物半导体（MOS）气体传感器阵列的漂移补偿问题展开系统性综述，全文结构如下：

1. 1.
   引言
   MOS气体传感器因成本低、对挥发性化合物灵敏度高及工业环境耐受性强，被广泛应用于环境监测与安全预警等领域，是构建电子鼻系统的理想基础器件。然而其固有漂移问题导致分类精度随时间显著衰减，例如研究显示16传感器MOS阵列在36个月无调整部署后，分类准确率可从95%降至60%以下。传统周期性重新校准方案会中断连续监测流程，限制了现场部署可行性。近五年，受计算机视觉与自然语言处理领域突破的启发，对抗域自适应、对比自监督学习及Transformer架构等方法逐渐应用于传感器数据处理。但计算密集型深度模型与资源受限的微控制器平台之间存在矛盾。漂移补偿的核心目标并非单纯校正响应偏差，而是维持下游感知任务在长期部署中的可靠性，包括气体分类、浓度估计、混合物分析及异常检测等。本文按学习范式演进将研究分为传统方法、机器学习方法及深度学习方法三个阶段，聚焦MOS传感器的特有漂移机制，避免不同传感技术间的差异混淆。
2. 2.
   MOS气体传感器漂移的基础与起源
   2.1 MOS传感机制
   MOS气体传感器以SnO₂、ZnO、WO₃、TiO₂、In₂O₃等n型半导体或CuO、NiO、Cr₂O₃等p型半导体材料为核心，在200°C至500°C工作温度下，表面吸附氧形成耗尽层，当还原性气体接触时发生反应释放电子导致电阻降低，氧化性气体则产生相反效应。电子鼻通常由4至16个工作温度或材料组成不同的MOS传感器构成阵列，通过多元响应模式形成化学指纹以实现气体区分。当前商用平台如SGP41与ENS16x已集成嵌入式数字补偿算法，标志着漂移补偿从学术研究走向工业应用。

2.2 MOS传感器漂移的起源

漂移源于多重物理化学机制的耦合作用：微观结构演化表现为高温下的晶粒生长（奥斯特瓦尔德熟化），导致比表面积减小与晶界密度改变，引发基线电阻的长期单调漂移；结构与相变包括氧化物非晶向结晶转变、电极材料互扩散及催化掺杂纳米颗粒烧结，造成表面化学反应性不可预测的演变；表面中毒由硫化合物、硅蒸气及重金属气溶胶的不可逆吸附引起，是工业场景中长期灵敏度损失的主因；湿度干扰通过与水分子竞争吸附位点及改变表面羟基分布，叠加于材料老化趋势之上，形成复杂的多时间尺度漂移模式；温度波动则通过改变反应动力学与电荷传输过程引入额外漂移分量。这些机制的非线性交互导致漂移轨迹既非简单加性偏移也非乘性缩放，而是整个响应特性的复杂时变随机变换，且阵列内不同传感器的漂移速率与方向存在差异，进一步扭曲分类模型依赖的多元模式。

2.3 基准数据集

加州大学欧文分校（UCI）气体传感器阵列漂移数据集是研究的主流基准，包含36个月内采集的13910条测量数据，涵盖氨气、乙醛、丙酮、乙烯、乙醇及甲苯6种气体在5至1000 ppm浓度范围内的响应，每条记录为16传感器提取的128维特征。该数据集虽实现了方法间的横向比较，但存在实验室环境单一、缺乏跨设备迁移验证及浓度控制过于理想化等局限。扩展版本增加了明确浓度标签，支持回归任务的漂移补偿研究。动态气体混合物数据集提供12小时连续采集的二元混合气体响应，适用于评估快速变化环境下的时序建模方法。湍流气体混合物数据集在风洞中模拟真实开放采样条件，结合16个月的采集周期，同时包含环境变异性与传感器老化效应。2025年发布的电子鼻长期漂移行为数据集采用62传感器商业平台，采集700条时间序列记录，覆盖二乙酰、2-苯乙醇及乙醇等更贴近饮料质量监测应用的场景，提供了更高维特征空间与原始时序数据。此外，针对特定应用的私有数据集虽能反映更复杂现实条件，但可复现性受限。当前基准体系存在过度依赖单一数据集、缺乏标准化评估协议、回归标准缺失及多因素复合漂移场景不足等问题。

2.4 数据集特征与传感器性能指标的关系

漂移补偿算法通常作用于基线电阻、响应幅值、归一化响应、响应恢复率、瞬态斜率、主成分及学习隐表示等特征，这些特征直接关联MOS传感器的三大核心指标：灵敏度体现为响应幅值相关特征对浓度变化的反映能力；选择性通过多元特征分布的类间分离度表征；稳定性则直接受漂移引起的特征分布时变影响。从机器学习视角看，漂移补偿旨在保留与灵敏度和选择性相关的判别信息，同时最小化降低稳定性的时变因素，因此现代方法多致力于学习漂移不变表示，在抑制老化、环境及器件相关变异的同时维持类别相关信息。

1. 3.
   早期传统漂移补偿方法
   早期研究将漂移视为可通过信号处理或统计建模缓解的干扰，聚焦于原始响应预处理、多元统计校正及投影策略，旨在不修改后续识别模型的前提下减轻漂移对分类任务的影响，未将漂移明确定义为源域与目标域的分布偏移。经典信号预处理方法将漂移视为基线偏移、噪声或慢变分量，通过基线校正、归一化、滤波及小波处理等简单数学操作予以抑制，计算开销低但仅适用于轻微漂移。化学计量学与多元统计分析将漂移建模为数据中可分离的变异方向或隐统计分量，正交信号校正（OSC）、主成分分析（PCA）、独立成分分析（ICA）及公共主成分分析（CPCA）等方法通过统计分解与投影技术实现漂移与解析信息的分离。后期传统方法开始体现基于投影的表示学习雏形，通过映射数据至更优特征空间以降低漂移相关维度，为后续子空间学习、迁移学习及域自适应方法奠定概念基础。基准测试表明，传统方法在处理严重时间漂移与复杂环境变化时鲁棒性不足，其线性或简化统计假设无法捕捉长期复杂场景下的非线性、多因子动态漂移特性，且缺乏对分布失配的显式处理能力与持续更新机制，促使研究向数据驱动的机器学习方法演进。
2. 4.
   基于机器学习的漂移补偿方法
   随着机器学习发展，研究重心从信号预处理转向数据驱动模型构建，通过分类模型、增量更新及低标注学习流程维持漂移下的判别能力，实现了从被动信号校正到主动模型适应的范式转变。
   4.1 基于监督学习的方法
   监督学习是最早广泛应用的数据驱动方法，利用支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）、极限学习机（ELM）及集成分类器等模型，通过标注样本学习传感器响应属性到气体类别的映射。增强分类器的非线性建模能力与决策边界鲁棒性是早期提升漂移适应性的主要策略，例如集成方法通过组合多个弱分类器提高噪声容忍度，ANN与ELM通过隐藏层映射学习复杂特征表示。但监督学习严重依赖大量标注数据，当目标域数据分布发生显著偏移时，即使高性能分类器也难以直接适配，而频繁重新采集标注样本的成本在实际部署中难以承受。
   4.2 基于半监督学习的方法
   为降低标注依赖，半监督学习通过少量标注样本与大量未标注样本联合训练，适应目标域分布变化。研究人员提出应将漂移视为分布随时间的演化过程，而非需消除的干扰，通过利用未标注样本实现与漂移演化的同步学习。半监督漂移补偿常采用自训练、伪标注、协同训练或有限参考样本集策略，通过迭代利用高置信度伪标签更新模型，减少手动标注成本。但该方法高度依赖伪标签质量，初始模型在目标域的预测偏差可能导致错误伪标签累积，且在剧烈漂移或复杂类分布场景下适应能力有限。
   4.3 在线学习与自适应更新方法
   针对长期连续运行需求，在线学习与自适应更新策略使模型能随新数据流入持续调整参数与决策边界。关键技术包括增量学习、样本选择、主动标注与递归更新，例如主动学习自适应置信规则（AL-ACR）、主动学习动态聚类（AL-DC）及双规则采样（DRS）等方法，通过智能选择代表性样本进行手动标注，平衡校准数据集并降低更新成本。分类器状态采样（CSS）关注在线环境下校准样本集的构建，概率漂移补偿框架则实现无需额外标注样本的实时补偿。此外，高斯混合模型误标注概率估计（MPEGMM）等技术提升了在线更新的标签可靠性。在线学习将漂移补偿从静态分类问题转变为包含样本选择、标签质量校验与持续模型更新的系统工程，但仍面临样本选择策略、更新时机与伪标签质量的敏感性挑战，且流式数据处理对系统性能提出更高要求。
3. 5.
   深度学习方法
   面对长期在线检测、跨设备部署及开放真实场景的需求，传统方法与通用机器学习技术难以应对复杂非线性漂移、跨设备数据迁移及少标注样本问题，域自适应技术与深度学习成为主流解决方案，将漂移定义为源域与目标域的数据分布差异，通过跨域知识共享与动态模型构建提升严重漂移下的泛化性能。
   5.1 子空间投影与对齐方法
   此类方法从早期单纯依赖共享子空间进行分布匹配，逐步发展为融合判别增强、局部结构保持、特征约束优化与跨域知识迁移的综合建模框架。域正则化成分分析（DRCA）通过学习共享子空间最小化均值分布差异，但未考虑类别信息导致类间重叠；判别性域正则化成分分析（D-DRCA）引入源域标签信息增强子空间判别性；局部判别子空间投影（LDSP）与局部流形嵌入跨域子空间学习（LME-CDSL）进一步融入局部几何结构保持，适应多模态漂移数据；最大化标签特征依赖与最小化特征冗余（DMDMR）优化特征相关性并削减冗余；域自适应子空间迁移（DAST）通过稀疏重构规则强化跨域知识转移；标签解缠子空间学习（LDSL）通过解耦特征与标签关联获取更本质的跨域特征。此外，直接标准化（DS）与基于偏最小二乘的直接标准化（PLS-DS）等特征空间标准化方法在跨设备校准迁移中展现了实用价值。
   5.2 对抗迁移与域不变表示学习方法
   此类方法克服传统子空间方法对非线性数据变化的建模局限，利用深度神经网络自动提取高层可迁移表示，通过对抗学习、分布对齐与伪标签优化策略减少域差异。标准对抗域自适应框架由特征提取器、任务分类器与域判别器构成，通过对抗优化学习域不变表示。研究进一步扩展至开放集场景，解决未知类别样本被误匹配为已知类别导致的负迁移问题；融合时序卷积网络（TCN）、多头自注意力长短期记忆网络及注意力机制的混合架构提升了空间漂移与跨位置气体识别性能；半监督对抗域自适应卷积神经网络（SAD-CNN）与基于扩散特征的伪标签半监督对抗域适应（DP-SAD）等技术增强了未标注目标域样本的利用可靠性。除对抗范式外，混合注意力Transformer网络与域对抗学习（HATN-DA）、特征熵域适应（FEDA）及基于原型的无监督域适应（PUDA）等方法通过引入语义约束与结构优化，形成了分布匹配、语义约束与结构优化相结合的集成表示学习框架。但对抗训练对网络架构、超参数与伪标签质量高度敏感，且计算资源需求高，在资源受限设备上部署难度大。
   5.3 深度特征增强与动态建模方法
   此类方法不依赖显式域判别模块或域匹配损失函数，而是通过多尺度卷积、特征权重调整、双数据融合、时序建模与注意力设计等网络结构调整，强化气体类型相关稳定特征并补偿信号漂移与噪声的负面影响。深度信念网络、增强卷积神经网络（ACNN）、多尺度卷积神经网络与注意力（MCNA）及集成双通道特征融合（IDCF）等架构，通过轻量化设计适配时序响应数据与传感器关联分析；门控循环单元（GRU）与注意力机制结合的动态建模框架捕捉传感器响应过程中的吸附、反应与恢复阶段的时序依赖；多分支LSTM-注意力集成分类网络、上下文感知时序学习及低秩适应与时序卷积网络（LoRA-TCN）等技术进一步提升了复杂漂移场景下的判别性能。此外，对比域泛化卷积神经网络（CDCNN）将对比学习与域泛化结合，通过漂移增强与特征构造提升模型对未知漂移场景的适应能力。此类方法虽能有效提取多层次信息与时序依赖，但直接处理跨域数据关联的能力有限，且训练成本高、对数据完整性与样本量要求严格。
4. 6.
   总结与未来展望
   尽管MOS气体传感器漂移补偿已取得显著进展，但在实际长期部署、跨设备应用与开放环境中仍面临多重挑战。未来研究需突破同质实验条件下的性能验证局限，提升模型在器件差异、环境波动与采样变异下的跨域泛化能力；降低对目标域数据、伪标签及手动标注的依赖，设计更可靠的低标注甚至无目标域数据依赖的补偿策略；超越静态批次间分布差异建模，深入刻画漂移的多尺度动态演化规律与机制可解释性；平衡深度学习模型性能与嵌入式边缘平台的延迟、内存及能耗限制，发展轻量化可部署架构；突破闭集假设约束，增强开放环境下未知气体与意外干扰的识别鲁棒性。只有实现从算法有效性到系统级可靠性的跨越，电子鼻技术才能在食品安全、医疗健康、环境监测与工业检测等领域获得广泛成功应用。