Utente:Beatrice Lotesoriere/Sandbox

Da Wikipedia, l'enciclopedia libera.
Vai alla navigazione Vai alla ricerca
Niente fonti!
Questa voce o sezione sugli argomenti terminologia informatica e ingegneria non cita le fonti necessarie o quelle presenti sono insufficienti.
Puoi migliorare questa voce aggiungendo citazioni da fonti attendibili secondo le linee guida sull'uso delle fonti. Segui i suggerimenti del progetto di riferimento.
Il naso elettronico (o eNose) per la verifica degli odori.

Il senso dell'olfatto è uno dei principali sensi che permette all'uomo di percepire gli stimoli odorosi per mezzo dei recettori presenti nell'epitelio olfattivo. I recettori olfattivi sono in grado di percepire stimoli odorigeni nell'ordine dei ppm e sono caratterizzati da una bassa specificità[1], in quanto il naso riconosce non una sostanza specifica, ma un'impronta olfattiva. Proprio queste caratteristiche peculiari del sistema olfattivo umano permettono di percepire l'odore in quanto miscela complessa di centinaia di composti chimici.

La necessità di caratterizzare l'odore nella sua globalità e non come ricerca di una singola sostanza o della composizione chimica della miscela di odore, come per esempio nel caso delle analisi chimiche, ha stimolato il mondo della ricerca nel tentativo di creare uno strumento che fosse in grado di mimare il sistema olfattivo umano fornendo risposte affidabili e in breve tempo. Il naso elettronico è una tecnologia che inserendosi in questo tentativo cerca, attraverso una specifica elettronica e l'applicazione di specifici algoritmi per l'elaborazione dei dati, di fornire delle informazioni qualitative e quantitative sull'odore.

Confronto fra naso umano e naso elettronico

In particolare, il naso elettronico è un sistema biomimetico, progettato cioè per imitare il funzionamento dei sistemi olfattivi che ritroviamo in natura come quello dei mammiferi o più specificatamente quello umano. Tipicamente un naso elettronico raccoglie ed elabora le informazioni provenienti da una serie di sensori (array) di gas per lo più realizzati con tecnologia a stato solido, di tipo specifico o aspecifico. Tali informazioni sono inizialmente codificate come grandezze elettriche, ma vengono immediatamente acquisite e digitalizzate al fine di essere elaborate numericamente da un sistema di elaborazione. In pratica, un odorante viene descritto dal naso elettronico, sulla base delle risposte dei singoli sensori, come un punto o una regione di uno spazio pluridimensionale. Grazie ad algoritmi mutuati dalla disciplina chiamata riconoscimento di pattern (pattern recognition), un sistema naso elettronico è in grado di costruire una mappa olfattiva che permetta di effettuare un' analisi di tipo qualitativo e, se necessario, quantitativo, discriminando, ad esempio, la provenienza geografica di un determinato prodotto alimentare solo dal suo odore. Buona parte di questi algoritmi opera confrontando la descrizione di un nuovo odorante con quella di opportuni campioni di esempio precedentemente valutati e richiedono, quindi, un periodo di addestramento (fase di apprendimento) da effettuarsi precedentemente alla fase operativa[2]. Al termine della fase di addestramento il naso risulta essere in grado di classificare con un certo grado di affidabilità i campioni di classe sconosciuta che gli vengono sottoposti. L'obiettivo, dunque, è quello di produrre una sorta di "impronta olfattiva", costruita sulla base delle informazioni di diverso tipo fornite dalle diverse tipologie di sensori, che può essere classificata sulla base di un database di riferimento acquisito dallo strumento in una fase preliminare di addestramento.

Il naso elettronico ha generato notevole interesse nella ricerca sugli odor tipici di prodotti industriali, quali anche prodotti dell'industria alimentare, fluidi biologici o anche emissioni ambientali. Infatti, grazie alla sua estrema versatilità che lo rende adatto a risolvere problemi in ambiti molto diversi fra loro, questo strumento è stato impiegato con risultati incoraggianti per il controllo delle emissioni degli impianti nel campo dell'inquinamento ambientale, per il monitoraggio della qualità dell'aria anche presso ricettori sensibili che lamentano problemi di molestia olfattiva, per il controllo di processo nell' industria chimica anche con l'obiettivo di definire delle soglie di allarme per identificare potenziali malfunzionamenti, per il controllo della qualità dei prodotti nell'industria alimentare e per la possibilità di diagnosticare precocemente alcune malattie, specialmente quelle tumorali.

Storia[modifica | modifica wikitesto]

Nel 1961 è stato sviluppato il primo strumento per l'analisi dell'odore con un funzionamento prettamente meccanico[3] (naso meccanico). I primi nasi elettronici sono stati sviluppati nel 1964 da Wilkens e Hatman[4] il cui strumento era basato sulle reazioni redox degli odoranti su uno specifico elettrodo, e nel 1965 da Buck[5] e, Dravieks e Trotter[6], considerando, rispettivamente, uno strumento basato sulla modulazione della conduttività e del potenziale di contatto da parte degli odoranti. Nonostante ciò, l'idea di naso elettronico sviluppato come una serie (array) di sensori è stata sviluppata nel 1982 da Persaud e Dodd presso l'Università di Warwick nel Regno Unito[7] e negli anni 1985 e 1987 da Kaneyasu e Ikegami[8]. Alla luce dei risultati ottenuti in questi anni, il termine "naso elettronico" è stato usato per la prima volta nel 1987 in una conferenza tenuta da J.W. Gardner dal titolo "Pattern recognition in the Warwick Research Organisation", ma la prima conferenza completamente dedicata allo sviluppo dei nasi elettronici è stata tenuta solo nel 1990. Secondo una definizione proposta da Gardner e Bartlett nel 1994, con il termine naso elettronico si intende “Uno strumento che comprende un insieme (array) di sensori elettrochimici parzialmente specifici e un appropriato sistema di riconoscimento dell’impronta olfattiva (pattern recognition system), capace di riconoscere odori semplici o complessi”[9].

Architettura del naso elettronico[modifica | modifica wikitesto]

L'architettura di un naso elettronico è significativamente dipendente dall'applicazione di riferimento per il quale viene progettato, soprattutto nel metodo di campionamento dell'aria, nella scelta dei sensori da implementare e nella necessità di implementare dei sistemi di compensazione di alcuni parametri, come ad esempio l'umidità, nel caso di installazioni all'aperto (outdoor).

Da un punto di vista generale, comunque, la struttura del sistema può essere suddivisa in tre componenti fondamentali, che cercano di emulare il funzionamento dei differenti organi del sistema olfattivo dei mammiferi:

  • sistema di rilevazione dei gas basato su un certo numero di sensori specifici e aspecifici in grado di rispondere ad una vasta gamma di odoranti, cercando di simulare il riconoscimento dell'impronta olfattiva da parte dei recettori nasali;
  • sistema di elaborazione dei segnali provenienti dai sensori ottenuti nella fase di addestramento dello strumento, che ha come obiettivo quello di comprimere e immagazzinare tutte le informazioni ricevute dai sensori e di individuare quelle utili per la corretta caratterizzazione dell'odore, simulando l'azione del bulbo olfattivo;
  • sistema di identificazione e di classificazione degli odori che consiste in un sistema di elaborazione sofisticato il cui scopo finale è quello di confrontare i nuovi dati acquisiti dai segnali dei sensori con quelli precedentemente immagazzinati nella fase di addestramento, per permettere la corretta identificazione dei campioni odorigeni incogniti, simulando infine l'azione del cervello.

Sistema di rilevazione[modifica | modifica wikitesto]

Il sistema di rilevazione è costituito da un sistema di campionamento e da una camera realizzata con un materiale chimicamente inerte in cui è collocata la matrice di sensori coinvolti nella misura che rappresentano la parte fondamentale del sistema di rilevazione. Nella camera dei sensori fluisce in continuo un gas di riferimento allo scopo di stabilire una linea di base per la risposta dei sensori. Nel momento in cui viene effettuata la misura vera e propria il sistema di campionamento inietta in condizioni controllate l'odorante nella camera di misura, i composti volatili vengono adsorbiti sulla superficie dei sensori provocando una variazione delle proprietà chimico-fisiche dei sensori e, di conseguenza, un transitorio nella risposta dei sensori fino al raggiungimento della condizione di regime (plateau del segnale) dopo pochi secondi o alcuni minuti, a seconda della tipologia dei sensori, delle condizioni operative e del campione odorigeno analizzato. Una volta raggiunta la condizione di regime viene iniettata nuovamente nella camera l'aria di riferimento, provocando il desorbimento delle molecole dalla superficie dei sensori e riportando la loro risposta alla linea di base.

Il fulcro del sistema di rilevazione dei gas è composto dalla matrice di sensori, il cui numero varia sulla base dell'applicazione, generalmente da 4 a 12. In particolare, i sensori presenti nella matrice devono avere caratteristiche diverse tra loro e devono essere parzialmente selettivi, ossia è necessario che i sensori non siano sensibili ad una singola sostanza, come ad esempio nel caso di sensori specifici per l'ammoniaca, ma che siano in grado di rilevare una vasta gamma di composti chimici, al fine di ricreare una sorta di "impronta" caratteristica della miscela chimica.

Sensori[modifica | modifica wikitesto]

I sensori possono essere considerati degli strumenti di misura, costituiti da uno strato di materiale attivo con cui le molecole volatili interagiscono modificando le proprie proprietà chimico-fisiche, a seconda della tipologia del sensore considerato. La variazione della grandezza fisica che caratterizza l'elemento sensibile (in molti casi costituito dal materiale attivo) viene poi trasdotta, cioè trasformata, in un segnale elettrico che viene elaborato in seguito.

In generale, la maggior parte dei sensori implementati nel naso elettronico sono caratterizzati da parziale specificità, elevata sensibilità e da risposte rapide, riproducibili e reversibili[10]. La specificità parziale dei sensori, come detto precedentemente, è fondamentale in quanto permette di analizzare anche sostanze sconosciute o comunque con composizione chimica non nota. La sensibilità è fondamentale in quanto una maggiore sensibilità permette di rilevare la presenza di molecole odorigene anche a livelli dell'ordine dei ppm o dei ppb. Inoltre, le risposte dei sensori devono essere rapide per rendere lo strumento adatto ad analizzare l'aria in continuo, reversibili per il ripristino delle condizioni di riferimento del sensore dopo l'analisi di un campione odorigeno e riproducibili in modo che i segnali forniti dai sensori non subiscano eccessive variazioni quando i sensori vengono sottoposti ripetutamente alla stessa tipologia di odore.

Infine, è necessario che i sensori siano riproducibili in modo che sia possibile sostituirlo, in caso di guasto o avvelenamento, senza ricalibrare il sistema[11], e che le risposte siano stabili nel tempo per evitare il fenomeno del drift[12] secondo cui la risposta del sensore nel tempo si discosta sempre più dalla linea di base richiedendo delle ricalibrazioni molto frequenti[13].

Considerando tutte le caratteristiche elencate, nella ricerca di sensori che possano essere utilizzati nell'array di un naso elettronico è necessario considerare tutti i parametri descritti, trovando un compromesso tra la performance stessa del sensore e il suo costo, considerando sia l'investimento iniziale (costo del sensore) sia il costo di esercizio, legato alla qualità della risposta dei sensori e alla frequenza delle calibrazioni necessarie per mantenere la performance dello strumento elevata[14].

I sensori più comunemente utilizzati nei sistemi olfattivi elettronici si possono distinguere in quelli a variazione di conducibilità, quelli piezoelettrici sensibili alla massa, i MOSFET, quelli elettrochimici e quelli ottici[15].

Altri sensori che possono essere implementati per l'analisi dell'odore sono i sensori colorimetrici, sensori PID (rilevatore a fotoionizzazione) e sensori FID (rilevatore a ionizzazione di fiamma).

Sensori a variazione di conducibilità[modifica | modifica wikitesto]
Esempio di sensore MOS: 1. Substrato ceramico; 2. Resistenza riscaldante; 3. Materiale attivo; 4.Wire bonding; 5. Supporto metallico (Socket)

In genere questi sensori sono costituiti da uno strato di materiale attivo composto da ossidi metallici o polimeri conduttivi, da elettrodi di platino, alluminio o oro, un substrato di silicio, vetro o plastica e una resistenza riscaldante, implementata solo nel caso degli ossidi metallici, costituita normalmente da una traccia o un filo di platino metallico. Nei sensori a variazione di conducibilità l'interazione delle molecole odorigene con lo strato di materiale attivo del sensore provoca una variazione della conducibilità del materiale attivo stesso rispetto al valore di conducibilità assunto in condizioni di riferimento[16].

  • Sensori MOS[17] (Metal Oxide Sensors): questi sensori sono costituiti da film di ossidi metallici semiconduttori (e.g. SnO2, In2O3, WO3, ZnO) supportati su un supporto ceramico (e.g. allumina). Inoltre, questi sensori hanno bisogno di una resistenza riscaldante in quanto per poter funzionare necessitano di essere riscaldati ad alte temperature, fra i 200 ed i 500 °C. Nei sensori a ossidi di semiconduttori la risposta del sensore a contatto con l'aria odorigena è dovuta ad un'interazione gas-solido con lo strato attivo di ossido metallico che provoca una variazione della resistività elettrica del sensore, generando un cambiamento di pendenza della curva di resistenza del sensore rispetto alla curva di riferimento. Infatti, nel momento in cui l'aria di riferimento è insufflata sul sensore, quest'ultimo adsorbe l'ossigeno formando una barriera di potenziale sui bordi dei grani di ossido dello strato attivo che si oppone alla conduzione, aumentando così la resistività del sensore. Al contrario, quando il sensore entra in contatto con l'aria odorigena l'ossigeno viene desorbito per reazione con i gas riducenti in essa presenti aumentando, di conseguenza, la conducibilità del sensore stesso. Questi sensori sono generalmente aspecifici, sensibili all'umidità e sono affetti dal fenomeno del drift, ossia la loro risposta tende a variare nel tempo. Per questo è necessario implementare degli algoritmi di correzione della deriva della risposta nella fase di elaborazione dei dati[18].
  • Sensori a polimeri conduttori[19] (CP): il materiale attivo di questi sensori è costituito da polimeri aromatici o eteroaromatici (e.g. politiofeni, polianiline, polipirroli), mentre gli elettrodi sono generalmente di oro. Come nel caso dei sensori MOS, la variazione di conducibilità del sensore è dovuta all'interazione delle molecole volatili con la superficie dello strato attivo, cioè in questo caso del polimero. La peculiarità di tali sensori è che essi possono lavorare a temperatura ambiente e non hanno bisogno di un elemento riscaldante. Questi sensori sono particolarmente sensibili all'umidità, in quanto le molecole di acqua tendono ad interferire sull'adsorbimento delle molecole volatili che diminuisce drasticamente, inficiando negativamente la performance del sensore stesso. Come per i MOS, anche in questo caso le risposte dei sensori subiscono una deriva nel tempo dovuta all'invecchiamento del materiale attivo polimerico. Questi sensori risultano essere scarsamente riproducibili.
  • Sensori a polimeri conduttori intrinseci[20] (ICP): questi sensori si basano sull'adsorbimento dei composti organici volatili sullo strato di materiale attivo che, in questo caso, è composto da un polimero, costituito da molecole con legami coniugati, che viene "drogato" addizionandolo con sostanze elettron-accettrici con l'obiettivo di creare un movimento di cariche responsabile dell'elevata conducibilità elettrica del materiale. In questo modo questi sensori si comportano da semiconduttori.
Sensori piezoelettrici[modifica | modifica wikitesto]

I sensori piezoelettrici basano il loro funzionamento su un cambiamento di massa sulla superficie del materiale attivo. Infatti, l'interazione con le specie chimiche volatili presenti in aria provoca una variazione della massa sulla superficie del materiale attivo causando una variazione della frequenza di risonanza del materiale stesso.

  • Microbilance al quarzo[21] (QCM): questi sensori sono costituiti da un disco risonante di pochi millimetri di diametro di materiale piezoelettrico monocristallino rivestito da materiale polimerico. Applicando un campo elettrico al disco si ottiene un'oscillazione meccanica dovuta alle proprietà piezoelettriche del cristallo. Nel momento in cui le molecole vengono adsorbite sulla superficie del disco, esse provocano un aumento della massa del sensore portando ad una diminuzione della frequenza di risonanza. Come per i sensori a polimeri conduttori, anche questi sono estremamente sensibili all'umidità, presentano uno scarso potenziale di riproducibilità e la loro risponsa è variabile nel tempo a causa dell'invecchiamento del materiale attivo. Inoltre, questi sensori necessitano un'elettronica di controllo e di lettura del sensore complessa in modo che siano in grado di leggere le variazioni di frequenza subite dal sensore.
  • Sensori ad onde acustiche superficiali[22] (SAW): questi sensori sono costituiti da un sottile parallelepipedo di materiale piezoelettrico (e.g. quarzo, niobato di litio, tantalato di litio, ossido di zinco e ossido di bismuto germanio) rivestito di materiale attivo alle cui estremità sono attaccati due transduttori, uno in ingresso e uno in uscita. Il materiale più usato per il substrato di materiale piezoelettrico è il quarzo in quanto risulta essere il più stabile alla variazione di temperatura. Applicando un segnale elettrico al trasduttore in ingresso viene generata un'onda acustica che si propaga in direzione del transduttore in uscita posto all'estremità opposta. Nel momento in cui l'onda acustica raggiunge il trasduttore in uscita viene generato un segnale elettrico confrontato poi con il segnale elettrico di partenza. Risulta possibile quindi rilevare la variazione di massa dovuta all'adsorbimento delle specie chimiche gassose osservando le differenze di frequenza o di fase tra il segnale generato in ingresso e quello generato in uscita dal secondo trasduttore.
Sensori MOSFET[modifica | modifica wikitesto]

I sensori MOSFET[23] sono dei sensori aspecifici che si basano sul cambiamento di potenziale elettrostatico, in quanto operano come un transistor a cui viene applicato un potenziale che influisce sulla sua conduttività. Essi sono costituiti da tre strati: il gate metallico, un sottile strato di materiale catalizzatore (e.g. metalli nobili come il platino o il palladio) e l'isolante. Nel momento in cui l'aria odorigena fluisce sulla superficie del sensore, le molecole gassose reagiscono attraverso una reazione catalitica con il metallo nobile su cui viene sviluppato dell'idrogeno. Quest'ultimo diffonde attraverso la superficie del catalizzatore, modificando il campo elettrico e, di conseguenza, anche la corrente che fluisce attraverso il sensore. La variazione di tensione che viene registrata, necessaria per riportare la corrente al valore iniziale, rappresenta la risposta del sensore. Questi sensori sono stabili, anche alle alte temperature, e hanno una buona riproducibilità.

Sensori elettrochimici[modifica | modifica wikitesto]

I sensori elettrochimici[24] sono una classe di sensori generalmente specifici che possono essere implementati nell'array di sensori del naso elettronico a seconda dell'applicazione, nel caso in cui ad esempio si conoscano alcune sostanze gassose specifiche (e.g. NH3, H2S, CH2O, NOx, CO2, O2, H2) presenti nell'aria da analizzare[25]. Essi sono costituiti da un elettrodo di lavoro, un contro elettrodo e, normalmente, da un elettrodo di riferimento, tutti a contatto con un elettrolita liquido o solido. L'elettrodo di lavoro è posto nella parte iniziale di una membrana di Teflon porosa al gas, ma impermeabile all'elettrolita. Le molecole gassose diffondono nel sensore e attraverso la membrana all'elettrodo di lavoro provocando una reazione elettrochimica che può essere sia di ossidazione sia di riduzione). In entrambi i casi si ha un flusso di elettroni attraverso il circuito esterno, ma nel caso di una reazione di ossidazione gli elettroni fluiscono dall'elettrodo di lavoro al contro elettrodo, mentre nel caso di una reazione di riduzione gli elettroni fluiscono dal contro elettrodo all'elettrodo di lavoro. Il flusso di elettroni generato corrisponde ad una corrente proporzionale alla concentrazione del gas. In questo caso, infatti, i sensori restituiscono un valore di concentrazione del gas generalmente in ppm.

Sensori ottici[modifica | modifica wikitesto]

I sensori ottici convertono dei raggi luminosi in un segnale elettronico. In generale essi sono costituiti da una sorgente luminosa che genera delle radiazioni sottoforma di onde, una piattaforma di rilevamento su cui le onde interagiscono e un rilevatore di luce che, sulla base dell'intensità, della fase, della lunghezza d'onda o della distribuzione spettrale identifica e quantifica le specie gassose[26]. Tra i sensori ottici che possono essere implementati nella serie di sensori all'interno del naso elettronico ci sono, ad esempio, fotometri a infrarossi e fotometri a UV. Il fotometro a infrarossi misura l'assorbimento della radiazione infrarossa dovuta alla rotazione o alla vibrazione dei legami atomici per mezzo di rillevatori termici, piroelettrici o fotoacustici al fine di identificare e quantificare le sostanze, mentre il fotometro a UV misura l'assorbimento delle specie gassose per mezzo di un fotodiodo al fine di identificare il numero di molecole presenti nel flusso di molecole in assenza di interferenze chimiche.

Sistema di elaborazione dei segnali[modifica | modifica wikitesto]

Curve di resistenza dei segnali dopo la fase di pre-processing dei segnali
Schema della fasi di elaborazione dei dati del naso elettronico

Il sistema di elaborazione prevede una prima fase di trattamento e preparazione dei segnali forniti dai sensori (signal preprocessing)[27] e successivamente una fase di riconoscimento di un modello[28][29]. In particolare, l'elaborazione dei segnali può essere suddivisa in quattro stadi: pretrattamento delle risposte dinamiche per la correzione della deriva delle risposte dei sensori e l'eliminazione degli stati di transitorio nella risposta per l'analisi dei dati, estrazione delle caratteristiche (features extraction)[30], classificazione e riconoscimento dell'impronta olfattiva (pattern recognition) dei camponi odorigeni analizzati[31]. A questo scopo è necessario trovare una correlazione fra le risposte dei sensori e la classe e/o la concentrazione dell'odore in esame.

Come discusso nel paragrafo precedente, ogni sensore fornisce una risposta legata alla variazione di una grandezza fisica che caratterizza il sensore stesso, come ad esempio la variazione di conducibilità, la frequenza di risonanza o la massa. Da ogni misura (curva di risposta dei sensori) possono essere estratte delle caratteristiche, cioè dei parametri (e.g. pendenza del segnale, area sottesa alla curva, valore di resistenza,ecc..) descrittivi dell'output di risposta della misura. L'estrazione delle caratteristiche ha lo scopo non solo di individuare le informazioni rilevanti ai fini della classificazione, tendenzialmente contenute in maniera ridondante nell'insieme di dati, ma anche di ridurre la dimensionalià del dataset su cui basare l'elaborazione. A questo scopo vengono applicate delle tecniche di analisi statistica multivariata[32] per la riduzione dello spazio dimensionale delle caratteristiche estratte. Sulla base delle carattistiche estratte è possibile rappresentare ogni misura come un punto in uno spazio n-dimensionale, dove n è il numero di sensori della matrice (array). La tecnica più comunemente impiegata per la riduzione dello spazio dimensionale è la PCA (Analisi delle componenti principali)[33] che proietta i punti corrispondenti ad ogni misura in uno spazio m-dimensionale, in cui m corrisponde al numero degli assi delle componenti principali. Le componenti principali sono le proiezioni delle risposte dei sensori lungo le direzioni di massima variazione delle stesse mantenendo il maggior numero di informazioni contenute nell'insieme di dati. La proiezione dei dati lungo i nuovi assi produce un grafico rispettivamente bi- o tridimensionale, a seconda che vengano considerate due o tre componenti principali, che consente di visualizzare le informazioni contenute nelle risposte dei sensori dimostrando la presenza o meno di una corretta discriminazione delle diverse classi di odore considerate raggruppate in clusters (clustering). I punti corrispondenti ad una stessa classe di odore si raggrupperanno in una regione limitata dello spazio m-dimensionale delle misure, lontano dai punti di misura corrispondenti ad una classe odorigena differente.

Modello di classificazione[modifica | modifica wikitesto]

Una volta selezionate le caratteristiche che contengono le informazioni necessarie e principali relative alle classi di odore analizzate, i campioni incogniti vengono classificate sulla base del dataset creato nella fase di addestramento attraverso l'impiego di sofisticate tecniche di riconoscimento. Gli algoritmi più utilizzati per la fase di pattern recognition sono:

  • K-NN[34] (k-Nearest Neighbour): questo algoritmo calcola la distanza tra un punto di classe ignota proiettato nello spazio definito dalle componenti principali e i punti di cui è nota la classe già presenti nello spazio stesso. Il punto di classe ignota viene così classificato sulla base della classe dei k punti più vicini ad esso.
  • DFA[35] (Discriminant Function Analysis): questo algoritmo classifica un punto di classe ignota sulla base del valore assunto dalla funzione discriminante calcolata rispetto al valore di riferimento che cerca di massimizzare la distinzione tra i punti appartenenti alle diverse classi di odore. In questo modo il punto di classe ignota viene classificato in base al valore minimo della funzione discriminante rispetto ad un determinato cluster di punti con classe nota.
  • PLS-DA[36] (Partial Least Square Discriminant Analysis): questo algoritmo classifica un punto di classe ignota sulla base di un modello di regressione costruito sui dati osservati per quantificare la relazione tra due gruppi di variabili.
  • RF[37] (Random Forest): questo algoritmo si basa sulla creazione e combinazione di diversi alberi decisionali in un unico modello. L'output di tale modello di classificazione risulta essere l'attribuzione alla classe restituita dal maggior numero di alberi.
  • SVM[34] (Support Vector Machine): questo algoritmo costruisce un modello individuando un iperpiano in grado di dividere il set di dati in diverse classi. Il confine tra le diverse classi è definito confine decisionale. I punti di classe ignota più lontani dall'iperpiano hanno maggiore probabilità di essere classificati correttamente dall'algoritmo.
  • ANN[38] (Articificial Neural Networks): questi algoritmi sono organizzati in strati, ognuno dei quali costituiti da un certo numero di nodi che in uscita forniscono un segnale ottenuto secondo una specifica funzione di attivazione che correla l'input e l'output. L'output di classificazione finale è dato dalla somma dei pesi che vengono attribuiti agli output di classificazione di ogni nodo.

Applicazioni[modifica | modifica wikitesto]

Attualmente i nasi elettronici vengono applicati principalmente in tre ambiti: nell'industria alimentare, in ambito biomedicale e in ambito ambientale.

Ambito ambientale[modifica | modifica wikitesto]

Naso elettronico durante il monitoraggio in continuo al ricettore

Dal punto di vista ambientale, l'inquinamento odorigeno rappresenta uno dei principali problemi che diverse tipologie di impianti industriali si trovano ad affrontare con l'obiettivo di monitorare la qualità dell'aria. In generale, il problema delle molestie olfattive riguarda principalmente impianti per lo smaltimento o il trattamento di rifiuti solidi domestici e industriali (discariche, impianti di comppostaggio, termovalorizzatori), depuratori civili e/o industriali per lo smaltimento o il trattamento di rifiuti liquidi, industrie chimiche di ogni tipo, raffinerie, industrie alimentari, allevamenti, concerie e impianti di rendering. Nonostante spesso le sostanze odorigene non siano tossiche o dannose per la salute umana, e la loro concentrazione risulti essere inferiore al valore limite di soglia, conosciuto come threshold limit value (TLV), la popolazione, residente in aree altamente industrializzate o in aree urbane in prossimità di una di queste tipologie di impianto, sta diventando sempre più sensibile e poco tollerante nei confronti della molestia olfattiva, legata non solo alla salubrità, ma anche alla qualità dell'aria. La crescente richiesta di controllare l'inquinamento odorigeno dell'aria e la possibilità di analizzare gli odori in continuo rende il naso elettronico un ottimo candidato per il monitoraggio degli odori in continuo alle emissioni, al confine di impianto o al ricettore per la determinazione diretta dell'impatto olfattivo.

Nonostante ancora l'approccio più utilizzato ai fini della valutazione di impatto olfattivo preveda l'applicazione di un modello per la simulazione della dispersione delle emissioni odorigene in atmosfera, esistono dei casi in cui la portata di odore associata alle emissioni è difficilmente valutabile o in cui tale portata risulta essere altamente variabile nel tempo, per cui è difficile associare una portata di odore per ogni ora del dominio di tempo[39].

Per valutare l'impatto olfattivo mediante naso elettronico, lo strumento deve essere in grado rilevare la presenza o l'assenza di odori in continuo[40] e, in tempo reale, riconoscerne la provenienza, ossia identificarne la classe odorigena di appartenenza[41]. Proprio per questo è fondamentale una fase di addestramento in cui il naso elettronico viene istruito nel discriminare fra loro le diverse classi di odore prese in considerazione a diversi livelli di concentrazione, in modo da stabilire non solo la soglia di riconoscimento dell'odore, ma anche la soglia di classificazione per ogni classe di odore di interesse.

In questo modo il naso elettronico può essere impiegato non solo per quantificare l'impatto olfattivo di un particolare impianto all'emissione[42], a confine di impianto[43] o al ricettore sensibile[44], ma anche per monitorare il processo di funzionamento di un impianto, ottimizzando le spese e identificando delle soglie di allarme[45] sulla base delle quali intervenire repentinamente per risolvere il malfunzionamento[46][47]. Il crescente impiego di questa tecnologia in campo ambientale sta facendo emergere la necessità di una standardizzazione della procedura per l'utilizzo del naso elettronico per i monitoraggi alle emissioni e della qualità dell'aria.

Ambito biomedicale[modifica | modifica wikitesto]

Campionamento spazio di testa dell'urina per analisi con naso elettronico
Campionamento spazio di testa dell'urina per analisi con naso elettronico

La crescente necessità di migliorare la performance e l'efficienza dei protocolli medici e della strumentazione biomedicale, cercando di abbatterne i costi, ha portato a numerosi sforzi per sviluppare uno strumento diagnostico performante, ma accessibile, facilmente reperibile e poco invasivo. Inoltre, numerosi ricercatori hanno dimostrato che le molecole odorigene presenti in numerosi fluidi biologici possono essere rappresentativi di patologie specifiche, come urina[48][49], sangue[50], esalato[51][52], sudore[53], feci[54][55] e saliva[56][57].

Negli ultimi anni è stata dimostrata anche la capacità dei cani di discriminare l'odore dei soggetti affetti da alcune malattie da quello dei soggetti sani[58] attraverso, ad esempio, l'odore emanato dall'urina per la diagnosi del tumore prostatico[59][60], del tumore al seno[61], del tumore della cervice[62], o dal respiro per la diagnosi del tumore al polmone[63], o dalla pelle per la diagnosi di malattie come il melanoma[64], o dal sudore per malattie virali come quella da SARS-CoV-19[65]. Pirrone et al.[66] hanno riportato i risultati ottenuti dall'olfatto canino di diagnosticare diverse tipologie di malattie sottolineandone le incredibili potenzialità. Il più grande svantaggio di questa procedura diagnostica è la difficile standardizzazione del metodo, legato anche ad una lunga ed impegnativa fase di addestramento dei cani stessi.

Considerando le evidenze riportate in letteratura, nel campo medico numerosi gruppi di ricerca hanno iniziato a studiare la possibilità di impiegare il naso elettronico, che cerca di imitare l'olfatto dei mammiferi, come strumento diagnostico attraverso l'analisi delle molecole odrigene contenute nei diversi fluidi biologici[67] al fine di riprodurre i risultati eccezionali dimostrati dagli studi che hanno impiegato l'olfatto canino per la diagnosi di diverse malattie[68]. Anche nel caso dell'impiego del naso elettronico come strumento diagnostico sono stati ottenuti ottimi risultati[69] a tal punto da poter utilizzare tale tecnologia come possibile alternativa ai protocolli classici di diagnosi e stadiazione del tumore, molto spesso invasivi e caratterizzati da bassa accuratezza e specificità.

Ambito alimentare[modifica | modifica wikitesto]

L'industria alimentare è stato uno dei primi ambiti in cui è stata applicata la tecnologia del naso elettronico. Infatti, già nel 1992 Gardner et al. avevano dimostrato la capacità di questo strumento di discriminare diverse tipologie di caffè con un'accuratezza di circa il 95%[70].

In generale, il parametro di qualità è fondamentale in questo ambito e in generale negli impianti legati agli alimenti avviene un continuo monitoraggio della qualità dei prodotti attraverso il reparto qualità costituito da persone che valutano attraverso i loro sensi i parametri di qualità dei prodotti. In questa ottica si è cercato di sviluppare una tecnologia che provasse a standardizzare la procedura di monitoraggio della qualità. Il naso elettronico è stato, dunque, impiegato anche nell'industria alimentare non solo per il monitoraggio della qualità dei prodotti[71], ma anche per l'identificazione di difetti dei prodotti[72] o il riconoscimento della freschezza dei prodotti, come ad esempio la carne[73] e la frutta[74]. Inoltre, è stato ampiamente impiegato anche nella rilevazione di contaminanti e nel riconoscimento della freschezza dei prodotti dell'industria ittica[75]. Infine, è stato impiegato per distinguere diverse tipologie di alimenti, come per il miele[76] e il vino[77], o anche monitorare l'aroma e l'invecchiamento di alcuni liquori[78][79].

Note[modifica | modifica wikitesto]

  1. ^ C Sarafoleanu, C Mella e M Georgescu, The importance of the olfactory sense in the human behavior and evolution, in Journal of Medicine and Life, vol. 2, n. 2, 15 aprile 2009, pp. 196–198. URL consultato il 15 giugno 2021.
  2. ^ (EN) Laura Capelli, Selena Sironi e Paolo Cèntola, Electronic noses for the continuous monitoring of odours from a wastewater treatment plant at specific receptors: Focus on training methods, in Sensors and Actuators B: Chemical, vol. 131, n. 1, 14 aprile 2008, pp. 53–62, DOI:10.1016/j.snb.2007.12.004. URL consultato il 16 giugno 2021.
  3. ^ R. W. Moncrieff, An instrument for measuring and classifying odors, in Journal of Applied Physiology, vol. 16, n. 4, 1º luglio 1961, pp. 742–749, DOI:10.1152/jappl.1961.16.4.742. URL consultato il 16 giugno 2021.
  4. ^ W. F. Wilkens e J. D. Hartman, AN ELECTRONIC ANALOG FOR THE OLFACTORY PROCESSES, in Annals of the New York Academy of Sciences, vol. 116, 30 luglio 1964, pp. 608–612, DOI:10.1111/j.1749-6632.1964.tb45092.x. URL consultato il 16 giugno 2021.
  5. ^ Buck, T. M., Detection of chemical species by surface effects on metals and semiconductors, Bell Telephone Laboratories, 1965, OCLC 838083237. URL consultato il 16 giugno 2021.
  6. ^ (EN) A Dravnieks e P J Trotter, Polar vapour detector based on thermal modulation of contact potential, in Journal of Scientific Instruments, vol. 42, n. 8, 1965-08, pp. 624–627, DOI:10.1088/0950-7671/42/8/335. URL consultato il 16 giugno 2021.
  7. ^ (EN) Krishna Persaud e George Dodd, Analysis of discrimination mechanisms in the mammalian olfactory system using a model nose, in Nature, vol. 299, n. 5881, 1982-09, pp. 352–355, DOI:10.1038/299352a0. URL consultato il 16 giugno 2021.
  8. ^ M. Kaneyasu, A. Ikegami e H. Arima, Smell Identification Using a Thick-Film Hybrid Gas Sensor, in IEEE Transactions on Components, Hybrids, and Manufacturing Technology, vol. 10, n. 2, 1987-06, pp. 267–273, DOI:10.1109/TCHMT.1987.1134730. URL consultato il 16 giugno 2021.
  9. ^ (EN) J. W. Gardner, A brief history of electronic noses, in Sensors and Actuators B: Chemical, vol. 18, n. 1-3, 1º marzo 1994, pp. 210–211, DOI:10.1016/0925-4005(94)87085-3. URL consultato il 16 giugno 2021.
  10. ^ (EN) P. N. Bartlett e J. W. Gardner, Sensors and Sensory Systems for an Electronic Nose, collana NATO ASI Series, Springer Netherlands, 1992, pp. 31–51, DOI:10.1007/978-94-015-7985-8_4, ISBN 978-94-015-7985-8. URL consultato il 16 giugno 2021.
  11. ^ (EN) Lei Zhang, Fengchun Tian e Chaibou Kadri, On-line sensor calibration transfer among electronic nose instruments for monitoring volatile organic chemicals in indoor air quality, in Sensors and Actuators B: Chemical, vol. 160, n. 1, 15 dicembre 2011, pp. 899–909, DOI:10.1016/j.snb.2011.08.079. URL consultato il 16 giugno 2021.
  12. ^ (EN) Martin Holmberg, Fredrik Winquist e Ingemar Lundstrom, Drift counteraction for an electronic nose, in Sensors and Actuators B: Chemical, vol. 36, n. 1-3, 1º ottobre 1996, pp. 528–535, DOI:10.1016/S0925-4005(97)80124-4. URL consultato il 16 giugno 2021.
  13. ^ (EN) A.C. Romain e J. Nicolas, Long term stability of metal oxide-based gas sensors for e-nose environmental applications: An overview, in Sensors and Actuators B: Chemical, vol. 146, n. 2, 29 aprile 2010, pp. 502–506, DOI:10.1016/j.snb.2009.12.027. URL consultato il 16 giugno 2021.
  14. ^ T. C. Pearce, Computational parallels between the biological olfactory pathway and its analogue 'the electronic nose': Part II. Sensor-based machine olfaction, in Bio Systems, vol. 41, n. 2, 1997, pp. 69–90, DOI:10.1016/s0303-2647(96)01660-7. URL consultato il 16 giugno 2021.
  15. ^ K. Arshak, E. Moore e G. Lyons, A review of gas sensors employed in electronic nose applications, 2004, DOI:10.1108/02602280410525977. URL consultato il 16 giugno 2021.
  16. ^ J W Gardner and P N Bartlett, Electronic Noses. Principles and Applications, in Measurement Science and Technology, vol. 11, n. 7, 7 luglio 2000, pp. 1087–1087, DOI:10.1088/0957-0233/11/7/702. URL consultato il 17 giugno 2021.
  17. ^ (EN) Chengxiang Wang, Longwei Yin e Luyuan Zhang, Metal Oxide Gas Sensors: Sensitivity and Influencing Factors, in Sensors, vol. 10, n. 3, 2010/3, pp. 2088–2106, DOI:10.3390/s100302088. URL consultato il 17 giugno 2021.
  18. ^ Hang Liu, Renzhi Chu e Jian Ran, Long-term drift compensation algorithms based on the kernel-orthogonal signal correction in electronic nose systems, in 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2015-08, pp. 1583–1587, DOI:10.1109/FSKD.2015.7382181. URL consultato il 17 giugno 2021.
  19. ^ (EN) Elisa Stussi, Rita Stella e Danilo De Rossi, Chemoresistive conducting polymer-based odour sensors: influence of thickness changes on their sensing properties, in Sensors and Actuators B: Chemical, vol. 43, n. 1-3, 1º settembre 1997, pp. 180–185, DOI:10.1016/S0925-4005(97)00147-0. URL consultato il 17 giugno 2021.
  20. ^ (EN) A.C Partridge, M.L Jansen e W.M Arnold, Conducting polymer-based sensors, in Materials Science and Engineering: C, vol. 12, n. 1-2, 18 agosto 2000, pp. 37–42, DOI:10.1016/S0928-4931(00)00155-7. URL consultato il 17 giugno 2021.
  21. ^ (EN) Luyu Wang, Junkuo Gao e Jiaqiang Xu, QCM formaldehyde sensing materials: Design and sensing mechanism, in Sensors and Actuators B: Chemical, vol. 293, 15 agosto 2019, pp. 71–82, DOI:10.1016/j.snb.2019.04.050. URL consultato il 17 giugno 2021.
  22. ^ (EN) Jagannath Devkota, Paul R. Ohodnicki e David W. Greve, SAW Sensors for Chemical Vapors and Gases, in Sensors, vol. 17, n. 4, 2017/4, pp. 801, DOI:10.3390/s17040801. URL consultato il 17 giugno 2021.
  23. ^ (EN) Hans Sundgren, Ingemar Lundstrom e Fredrik Winquist, Evaluation of a multiple gas mixture with a simple MOSFET gas sensor array and pattern recognition, in Sensors and Actuators B: Chemical, vol. 2, n. 2, 1º maggio 1990, pp. 115–123, DOI:10.1016/0925-4005(90)80020-Z. URL consultato il 17 giugno 2021.
  24. ^ (EN) Jacek Gebicki, Application of electrochemical sensors and sensor matrixes for measurement of odorous chemical compounds, in TrAC Trends in Analytical Chemistry, vol. 77, 1º marzo 2016, pp. 1–13, DOI:10.1016/j.trac.2015.10.005. URL consultato il 17 giugno 2021.
  25. ^ (EN) Syeda Erfana Zohora, A. M. Khan e Nisar Hundewale, Chemical Sensors Employed in Electronic Noses: A Review, in Advances in Computing and Information Technology, Springer, 2013, pp. 177–184, DOI:10.1007/978-3-642-31600-5_18. URL consultato il 17 giugno 2021.
  26. ^ H.T. Nagle, R. Gutierrez-Osuna e S.S. Schiffman, The how and why of electronic noses, in IEEE Spectrum, vol. 35, n. 9, 1998-09, pp. 22–31, DOI:10.1109/6.715180. URL consultato il 17 giugno 2021.
  27. ^ (EN) E. L. Hines, E. Llobet e J. W. Gardner, Electronic noses: a review of signal processing techniques, in IEE Proceedings - Circuits, Devices and Systems, vol. 146, n. 6, 1º dicembre 1999, pp. 297–310, DOI:10.1049/ip-cds:19990670. URL consultato il 17 giugno 2021.
  28. ^ (EN) Julian W. Gardner e Philip N. Bartlett, Performance definition and standardization of electronic noses, in Sensors and Actuators B: Chemical, vol. 33, n. 1-3, 1º luglio 1996, pp. 60–67, DOI:10.1016/0925-4005(96)01819-9. URL consultato il 17 giugno 2021.
  29. ^ (EN) Simon Scott, David James e Zulfiqur Ali, Data analysis for electronic nose systems, in Microchimica Acta, vol. 156, n. 3-4, 1º dicembre 2006, pp. 183–207, DOI:10.1007/s00604-006-0623-9. URL consultato il 17 giugno 2021.
  30. ^ Chatchawal Wongchoosuk, Anurat Wisitsoraat e Adisorn Tuantranont, Mobile electronic nose based on carbon nanotube-SnO2 gas sensors: Feature extraction techniques and its application, in 2009 6th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, vol. 01, 2009-05, pp. 474–477, DOI:10.1109/ECTICON.2009.5137051. URL consultato il 17 giugno 2021.
  31. ^ (EN) Jun Fu, Guang Li e Yuqi Qin, A pattern recognition method for electronic noses based on an olfactory neural network, in Sensors and Actuators B: Chemical, vol. 125, n. 2, 8 agosto 2007, pp. 489–497, DOI:10.1016/j.snb.2007.02.058. URL consultato il 17 giugno 2021.
  32. ^ (EN) S. Bedoui, H. Charfeddine Samet e A. Kachouri, Electronic Nose System and Principal Component Analysis Technique for Gases Identification, De Gruyter Oldenbourg, 23 luglio 2018, DOI:10.1515/9783110448375-011/html, ISBN 978-3-11-044837-5. URL consultato il 17 giugno 2021.
  33. ^ (EN) S. Capone, M. Epifani e F. Quaranta, Monitoring of rancidity of milk by means of an electronic nose and a dynamic PCA analysis, in Sensors and Actuators B: Chemical, vol. 78, n. 1-3, 30 agosto 2001, pp. 174–179, DOI:10.1016/S0925-4005(01)00809-7. URL consultato il 17 giugno 2021.
  34. ^ a b (EN) Selda Guney e Ayten Atasoy, Multiclass classification of n-butanol concentrations with k-nearest neighbor algorithm and support vector machine in an electronic nose, in Sensors and Actuators B: Chemical, vol. 166-167, 20 maggio 2012, pp. 721–725, DOI:10.1016/j.snb.2012.03.047. URL consultato il 17 giugno 2021.
  35. ^ (EN) Olinda Canhoto, Flavia Pinzari e Corrado Fanelli, Application of electronic nose technology for the detection of fungal contamination in library paper, in International Biodeterioration & Biodegradation, vol. 54, n. 4, 1º dicembre 2004, pp. 303–309, DOI:10.1016/j.ibiod.2004.04.001. URL consultato il 17 giugno 2021.
  36. ^ (EN) M. Bernabei, G. Pennazza e M. Santonico, A preliminary study on the possibility to diagnose urinary tract cancers by an electronic nose, in Sensors and Actuators B: Chemical, vol. 131, n. 1, 14 aprile 2008, pp. 1–4, DOI:10.1016/j.snb.2007.12.030. URL consultato il 17 giugno 2021.
  37. ^ (EN) Huixiang Liu, Qing Li e Bin Yan, Bionic Electronic Nose Based on MOS Sensors Array and Machine Learning Algorithms Used for Wine Properties Detection, in Sensors, vol. 19, n. 1, 2019/1, pp. 45, DOI:10.3390/s19010045. URL consultato il 17 giugno 2021.
  38. ^ (EN) Dehna Luo, H. Gholam Hosseini e John R. Stewart, Application of ANN with extracted parameters from an electronic nose in cigarette brand identification, in Sensors and Actuators B: Chemical, vol. 99, n. 2-3, 1º maggio 2004, pp. 253–257, DOI:10.1016/j.snb.2003.11.022. URL consultato il 17 giugno 2021.
  39. ^ Maurizio Onofrio, Roberta Spataro e Serena Botta, A review on the use of air dispersion models for odour assessment, in International Journal of Environment and Pollution, vol. 67, n. 1, 1º gennaio 2020, pp. 1–21, DOI:10.1504/IJEP.2020.108358. URL consultato il 17 giugno 2021.
  40. ^ Grzegorz Jasinski, Lukasz Wozniak e Pawel Kalinowski, Evaluation of the Electronic Nose Used for Monitoring Environmental Pollution, in 2018 XV International Scientific Conference on Optoelectronic and Electronic Sensors (COE), 2018-06, pp. 1–4, DOI:10.1109/COE.2018.8435146. URL consultato il 17 giugno 2021.
  41. ^ (EN) J. Nicolas e A. Romain, Using the classification model of an electronic nose to assign unknown malodours to environmental sources and to monitor them continuously, in Sensors and Actuators B: Chemical, vol. 69, n. 3, 25 ottobre 2000, pp. 366–371, DOI:10.1016/S0925-4005(00)00487-1. URL consultato il 17 giugno 2021.
  42. ^ (EN) Sharvari Deshmuck e Rajib Bandyopadhyay, Application of electronic nose for industrial odors and gaseous emissions measurement and monitoring – An overview, in Talanta, vol. 144, 1º novembre 2015, pp. 329–340, DOI:10.1016/j.talanta.2015.06.050. URL consultato il 17 giugno 2021.
  43. ^ (EN) Carmen Bax, Beatrice J. Lotesoriere e Laura Capelli, Real-time Monitoring of Odour Concentration at a Landfill Fenceline: Performance Verification in the Field, in Chemical Engineering Transactions, vol. 85, 15 maggio 2021, pp. 19–24, DOI:10.3303/CET2185004. URL consultato il 17 giugno 2021.
  44. ^ (EN) Bartosz Szulczyński, Tomasz Wasilewski e Wojciech Wojnowski, Different Ways to Apply a Measurement Instrument of E-Nose Type to Evaluate Ambient Air Quality with Respect to Odour Nuisance in a Vicinity of Municipal Processing Plants, in Sensors, vol. 17, n. 11, 2017/11, pp. 2671, DOI:10.3390/s17112671. URL consultato il 17 giugno 2021.
  45. ^ (EN) Jacques Nicolas, Anne-Claude Romain e Catherine Ledent, The electronic nose as a warning device of the odour emergence in a compost hall, in Sensors and Actuators B: Chemical, vol. 116, n. 1-2, 28 luglio 2006, pp. 95–99, DOI:10.1016/j.snb.2005.11.085. URL consultato il 17 giugno 2021.
  46. ^ (EN) Alphus Dan Wilson, Review of Electronic-nose Technologies and Algorithms to Detect Hazardous Chemicals in the Environment, in Procedia Technology, vol. 1, 1º gennaio 2012, pp. 453–463, DOI:10.1016/j.protcy.2012.02.101. URL consultato il 17 giugno 2021.
  47. ^ (EN) Alphus D. Wilson, Diverse Applications of Electronic-Nose Technologies in Agriculture and Forestry, in Sensors, vol. 13, n. 2, 2013/2, pp. 2295–2348, DOI:10.3390/s130202295. URL consultato il 17 giugno 2021.
  48. ^ Qin Gao e Wen-Yee Lee, Urinary metabolites for urological cancer detection: a review on the application of volatile organic compounds for cancers, in American Journal of Clinical and Experimental Urology, vol. 7, n. 4, 25 agosto 2019, pp. 232–248. URL consultato il 17 giugno 2021.
  49. ^ (EN) Qing Wen, Piers Boshier e Antonis Myridakis, Urinary Volatile Organic Compound Analysis for the Diagnosis of Cancer: A Systematic Literature Review and Quality Assessment, in Metabolites, vol. 11, n. 1, 2021/1, pp. 17, DOI:10.3390/metabo11010017. URL consultato il 17 giugno 2021.
  50. ^ (EN) Roman Selyanchyn, Takuma Nozoe e Hidetaka Matsui, TD-GC-MS Investigation of the VOCs Released from Blood Plasma of Dogs with Cancer, in Diagnostics, vol. 3, n. 1, 2013/3, pp. 68–83, DOI:10.3390/diagnostics3010068. URL consultato il 17 giugno 2021.
  51. ^ (EN) Jiemin Zhou e Zi-Ao Huang, Review of recent developments in determining volatile organic compounds in exhaled breath as biomarkers for lung cancer diagnosis, in Analytica Chimica Acta, vol. 996, 15 dicembre 2017, pp. 1–9, DOI:10.1016/j.aca.2017.09.021. URL consultato il 17 giugno 2021.
  52. ^ (EN) Ingrid Oakley-Girvan e Sharon Watkins Davis, Breath based volatile organic compounds in the detection of breast, lung, and colorectal cancers: A systematic review, in Cancer Biomarkers, vol. 21, n. 1, 1º gennaio 2018, pp. 29–39, DOI:10.3233/CBM-170177. URL consultato il 17 giugno 2021.
  53. ^ (EN) Fernanda Monedeiro, Rodolfo Borges dos Reis e Fernanda Maris Peria, ShieldSquare Captcha, in Investigation of sweat VOC profiles in assessment of cancer biomarkers using HS-GC-MS, vol. 14, n. 2, DOI:10.1088/1752-7163/ab5b3c/meta. URL consultato il 17 giugno 2021.
  54. ^ (EN) Sofie Bosch, Daniel J. Berkhout e Ilhame Ben Larbi, Fecal volatile organic compounds for early detection of colorectal cancer: where are we now?, in Journal of Cancer Research and Clinical Oncology, vol. 145, n. 1, 1º gennaio 2019, pp. 223–234, DOI:10.1007/s00432-018-2821-3. URL consultato il 17 giugno 2021.
  55. ^ (EN) Naama Karu, Lu Deng e Mordechai Slae, A review on human fecal metabolomics: Methods, applications and the human fecal metabolome database, in Analytica Chimica Acta, vol. 1030, 7 novembre 2018, pp. 1–24, DOI:10.1016/j.aca.2018.05.031. URL consultato il 17 giugno 2021.
  56. ^ (EN) Jorge A. M. Pereira, Priscilla Porto-Figueira e Ravindra Taware, Unravelling the Potential of Salivary Volatile Metabolites in Oral Diseases. A Review, in Molecules, vol. 25, n. 13, 2020/1, pp. 3098, DOI:10.3390/molecules25133098. URL consultato il 17 giugno 2021.
  57. ^ (EN) Helena A. Soini, Iveta Klouckova e Donald Wiesler, Analysis of Volatile Organic Compounds in Human Saliva by a Static Sorptive Extraction Method and Gas Chromatography-Mass Spectrometry, in Journal of Chemical Ecology, vol. 36, n. 9, 1º settembre 2010, pp. 1035–1042, DOI:10.1007/s10886-010-9846-7. URL consultato il 17 giugno 2021.
  58. ^ Robert T. Gordon, Carole Beck Schatz e Lawrence J. Myers, The Use of Canines in the Detection of Human Cancers, in The Journal of Alternative and Complementary Medicine, vol. 14, n. 1, 1º gennaio 2008, pp. 61–67, DOI:10.1089/acm.2006.6408. URL consultato il 17 giugno 2021.
  59. ^ Taverna Gianluigi, Tidu Lorenzo e Grizzi Fabio, Olfactory System of Highly Trained Dogs Detects Prostate Cancer in Urine Samples, in Journal of Urology, vol. 193, n. 4, 1º aprile 2015, pp. 1382–1387, DOI:10.1016/j.juro.2014.09.099. URL consultato il 17 giugno 2021.
  60. ^ (EN) Jean-Nicolas Cornu, Gèraldine Cancel-Tassin e Valèrie Ondet, Olfactory Detection of Prostate Cancer by Dogs Sniffing Urine: A Step Forward in Early Diagnosis, in European Urology, vol. 59, n. 2, 1º febbraio 2011, pp. 197–201, DOI:10.1016/j.eururo.2010.10.006. URL consultato il 17 giugno 2021.
  61. ^ (EN) Shoko Kure, Shinya Iida e Marina Yamada, Breast Cancer Detection from a Urine Sample by Dog Sniffing: A Preliminary Study for the Development of a New Screening Device, and a Literature Review, in Biology, vol. 10, n. 6, 2021/6, pp. 517, DOI:10.3390/biology10060517. URL consultato il 17 giugno 2021.
  62. ^ (EN) Akihito Yamamoto, Seiryu Kamoi e Keisuke Kurose, The Trained Sniffer Dog Could Accurately Detect the Urine Samples from the Patients with Cervical Cancer, and Even Cervical Intraepithelial Neoplasia Grade 3: A Pilot Study, in Cancers, vol. 12, n. 11, 2020/11, pp. 3291, DOI:10.3390/cancers12113291. URL consultato il 17 giugno 2021.
  63. ^ (EN) Cristina Davis e Jonathan Beauchamp, Volatile Biomarkers: Non-Invasive Diagnosis in Physiology and Medicine, Newnes, 27 marzo 2013, ISBN 978-0-444-62620-2. URL consultato il 17 giugno 2021.
  64. ^ (EN) Duane Pickel, Glenda P. Manucy e Dianne B. Walker, Evidence for canine olfactory detection of melanoma, in Applied Animal Behaviour Science, vol. 89, n. 1-2, 1º novembre 2004, pp. 107–116, DOI:10.1016/j.applanim.2004.04.008. URL consultato il 17 giugno 2021.
  65. ^ (EN) Dominique Grandjean, Riad Sarkis e Jean-Pierre Tourtier, Detection dogs as a help in the detection of COVID-19 Can the dog alert on COVID-19 positive persons by sniffing axillary sweat samples ? Proof-of-concept study, in bioRxiv, 5 giugno 2020, pp. 2020.06.03.132134, DOI:10.1101/2020.06.03.132134. URL consultato il 17 giugno 2021.
  66. ^ (EN) Federica Pirrone e Mariangela Albertini, Olfactory detection of cancer by trained sniffer dogs: A systematic review of the literature, in Journal of Veterinary Behavior, vol. 19, 1º maggio 2017, pp. 105–117, DOI:10.1016/j.jveb.2017.03.004. URL consultato il 17 giugno 2021.
  67. ^ (EN) Alphus D. Wilson e Manuela Baietto, Advances in Electronic-Nose Technologies Developed for Biomedical Applications, in Sensors, vol. 11, n. 1, 2011/1, pp. 1105–1176, DOI:10.3390/s110101105. URL consultato il 17 giugno 2021.
  68. ^ Spencer W. Brooks, Daniel R. Moore e Evan B. Marzouk, Canine Olfaction and Electronic Nose Detection of Volatile Organic Compounds in the Detection of Cancer: A Review, in Cancer Investigation, vol. 33, n. 9, 21 ottobre 2015, pp. 411–419, DOI:10.3109/07357907.2015.1047510. URL consultato il 17 giugno 2021.
  69. ^ (EN) Chiara Baldini, Lucia Billeci e Francesco Sansone, Electronic Nose as a Novel Method for Diagnosing Cancer: A Systematic Review, in Biosensors, vol. 10, n. 8, 2020/8, pp. 84, DOI:10.3390/bios10080084. URL consultato il 17 giugno 2021.
  70. ^ (EN) J.W. Gardner, H.V. Shurmer e T.T. Tan, Application of an electronic nose to the discrimination of coffees, in Sensors and Actuators B: Chemical, vol. 6, n. 1-3, 1º gennaio 1992, pp. 71–75, DOI:10.1016/0925-4005(92)80033-T. URL consultato il 17 giugno 2021.
  71. ^ (EN) M. Falasconi, I. Concina, E. Gobbi, V. Sberveglieri, A. Pulvirenti, G. Sberveglieri, Electronic Nose for Microbiological Quality Control of Food Products, su International Journal of Electrochemistry, 28 febbraio 2012. URL consultato il 17 giugno 2021.
  72. ^ (EN) Alireza Sanaeifar e Hassan ZakiDizaji, Early detection of contamination and defect in foodstuffs by electronic nose: A review, in TrAC Trends in Analytical Chemistry, vol. 97, 1º dicembre 2017, pp. 257–271, DOI:10.1016/j.trac.2017.09.014. URL consultato il 17 giugno 2021.
  73. ^ (EN) V.Yu. Musatov, V.V. Sysoev e M. Sommer, Assessment of meat freshness with metal oxide sensor microarray electronic nose: A practical approach, in Sensors and Actuators B: Chemical, vol. 144, n. 1, 29 gennaio 2010, pp. 99–103, DOI:10.1016/j.snb.2009.10.040. URL consultato il 17 giugno 2021.
  74. ^ (EN) Manuela Baietto e Alphus D. Wilson, Electronic-Nose Applications for Fruit Identification, Ripeness and Quality Grading, in Sensors, vol. 15, n. 1, 2015/1, pp. 899–931, DOI:10.3390/s150100899. URL consultato il 17 giugno 2021.
  75. ^ (EN) Guõrún Ólafsdóttir e Kristberg Kristbergsson, Electronic-Nose Technology: Application for Quality Evaluation in the Fish Industry, in Odors in the Food Industry, Springer US, 2006, pp. 57–74, DOI:10.1007/978-0-387-34124-8_5. URL consultato il 17 giugno 2021.
  76. ^ Simona Benedetti, Saverio Mannino e Anna Sabatini, Electronic nose and neural network use for the classification of honey, in Apidologie, vol. 35, n. 4, 2004, pp. 397–402, DOI:10.1051/apido:2004025. URL consultato il 17 giugno 2021.
  77. ^ (EN) M. Garcìa, M. Aleixandre e J. Gutiérrez, Electronic nose for wine discrimination, in Sensors and Actuators B: Chemical, vol. 113, n. 2, 27 febbraio 2006, pp. 911–916, DOI:10.1016/j.snb.2005.03.078. URL consultato il 17 giugno 2021.
  78. ^ (EN) J. Lozano, T. Arroyo e J.P. Santos, Electronic nose for wine ageing detection, in Sensors and Actuators B: Chemical, vol. 133, n. 1, 28 luglio 2008, pp. 180–186, DOI:10.1016/j.snb.2008.02.011. URL consultato il 17 giugno 2021.
  79. ^ (EN) Yang Yang, Yu Zhao e Shuming Zhang, Qualitative Analysis of Age and Brand of Unblended Brandy by Electronic Nose, in Computer and Computing Technologies in Agriculture V, Springer, 2012, pp. 619–628, DOI:10.1007/978-3-642-27278-3_64. URL consultato il 17 giugno 2021.

Bibliografia[modifica | modifica wikitesto]

  • (EN) H.K. Patel, The electronic nose: Artificial olfaction technology, 2014.
  • (EN) L. Zhang, F. Tian, D. Zhang, Electronic nose: Algorithmic Challenges, 2018.
  • (EN) C. Steinem, A. Janshoff, Piezoelectric sensors, 2007.

Collegamenti esterni[modifica | modifica wikitesto]

Altri progetti[modifica | modifica wikitesto]

  Portale Ingegneria: accedi alle voci di Wikipedia che trattano di ingegneria
Estratto da "https://it.wikipedia.org/w/index.php?title=Utente:Beatrice_Lotesoriere/Sandbox&oldid=121379340"