气体传感器阵列分类的可复制基准:从FE-ELM到ROCKET和TS2I-CNNs

科学领域:

• 机器学习 机器学习
• 传感器技术 传感器技术
• 数据科学数据科学数据科学

背景情况:

• 低度气体传感器阵列 (GSA) 数据的分类,由于信号噪声比 (SNR) 低,传感器异质性,漂移和有限的样本大小,因此存在重大挑战.
• 现有的方法在这些不利条件下往往难以实现稳健的性能,需要新的方法和全面的基准测试.

研究的目的:

• 对各种时间序列分类方法进行比较,包括时间序列对图像 (TS2I) 卷积神经网络 (CNN),与低度GSA数据的既定基线进行比较.
• 提供不同分类策略的可复制和公平比较,以指导电子鼻子 (e-nose) 应用中的模型选择.

主要方法:

• 重现了一个强大的FE-ELM基线,并将其与矢量基线,传统时间序列分类器 (TCN,MiniROCKET) 和TS2I-CNNs进行比较.
• 使用GSA-LC和GSA-FM数据集进行严格的20x5重复分层交叉验证 (n=100) 以进行可靠的评估.
• 使用准确度和宏F1分数评估性能,使用对联t测试与霍尔姆-邦费罗尼统计显著性校正.

主要成果:

• 在GSA-FM (0.9721 ± 0.0480) 和GSA-LC (0.9578 ± 0.0433) 两种数据集上,ROCKET时间序列分类器实现了最高的准确性,明显超过了TCN和MiniROCKET (p < 0.05).
• 在基于图像的模型中,CNN-RP显示出最强大的稳定性,而CNN-GASF显示出局限性,特别是在GSA-LC数据集上.
• 与ResNet-18的RGB融合策略和转移学习没有提供一致的优势,表明数据集依赖性和有限的概括性.

结论:

• ROCKET是对低度GSA数据进行分类的最高性能模型,提供卓越的准确性和可靠性.
• 对于这些具有挑战性的条件,CNN-RP是最可行的TS2I替代方案,提供了强大的基于图像的方法.
• 该研究建立了一个可重复的基准,为电子鼻子系统的模型选择提供了实际指导,并澄清了TS2I方法的功能.