Una estrategia de selección de sensores interpretable para la optimización de la matriz y la mejora del rendimiento | JoVE Visualize

Área de la Ciencia:

Tecnología de sensores
Inteligencia artificial
Ciencia de los datos

Sus antecedentes:

El aumento de la integración de sensores en los sistemas de nariz electrónica (E-nose) mejora la detección de gases, pero presenta desafíos como la sensibilidad cruzada y la redundancia.
La optimización de la matriz es crítica para mejorar el rendimiento del sistema multisensorial y superar estas limitaciones.

Objetivo del estudio:

Proponer una estrategia de selección de sensores interpretable, SHMI-Select, para la optimización de las matrices multisensores.
Para reducir los costos de hardware, la complejidad computacional y la redundancia de información en los sistemas E-nose.
Asegurar la adaptabilidad y estabilidad del sistema para diversas tareas de detección de gases.

Principales métodos:

Desarrolló SHMI-Select, un método que combina los valores de Shapley y la información mutua para la selección de sensores.
Implementó una selección de sensores primarios interpretables basada en el análisis de la interpretabilidad.
Utilizó información mutua para la identificación de sensores secundarios y un enfoque incremental para una combinación óptima.
Validación del método en el aliento humano, la calidad del vino y los conjuntos de datos de gases ambientales.

Principales resultados:

SHMI-Select redujo significativamente la redundancia del sensor en todos los conjuntos de datos.
Se obtuvieron ganancias sustanciales de rendimiento: 62,5% menos sensores con un aumento del 10% en la precisión de los datos de aliento.
Se ha demostrado una reducción del 83,3% de los sensores con una mejora del 18% de la precisión para la clasificación del vino.
Mostró una reducción del 62,5% de los sensores con un aumento del 2% de R2 para la detección de gases ambientales.

Conclusiones:

El método SHMI-Select optimiza efectivamente las matrices de sensores E-nose, reduciendo la complejidad y el costo.
Ofrece mejoras significativas en la precisión y el rendimiento en comparación con los algoritmos existentes.
Presenta un gran valor de aplicación y beneficios económicos para la industrialización de los sistemas E-nose.