Investigation of temperature modulation of digital MOX sensors as a tool to improve e-nose discrimination capability

The primary objective of this work is to define and validate a methodological approach for the use of temperature modulated metal oxide semiconductor (MOX) gas sensor, ZMOD4410, produced by Renesas. The study focuses on the extraction of three sets of informative features: two extracted from the raw sensor responses, and from EMA-smoothed responses in a steady state condition in which every temperature operated is considered as a different sensor; the third extracted from the thermal transient state of the responses, considered as a time-series. After having extracted all the features, these underwent a Principal Component Analysis to reduce the dimensionality while retaining critical information, relevant to the classification task. Several supervised classification models as Support Vector Machines (SVM), Random Forests (RF), Neural Networks (NN), and k-Nearest Neighbours (k-NN) were trained and validated on the selected features to assess the performance and generalization capability of the methodology. Then, a feature selection pre-process was introduced into the analysis to investigate its benefits on the final results. Once the filtered features were selected, all the procedure, starting from the PCA analysis was applied again. The results show that the preliminary and combined feature selection not only significantly improved classification accuracy but also enhanced model robustness by removing noisy or redundant features. Challenges remain in differentiating specific gas classes, particularly those with fewer samples or overlapping sensor points, indicating areas for further refinement. Overall, the methodology demonstrates strong potential for advancing the use of temperature-modulated digital MOX sensors in electronic nose applications, providing a systematic framework for sensor data analysis and model optimization. Future developments include expanding the dataset, exploring additional sensor configurations, and applying advanced machine learning techniques to improve detection accuracy and reliability in complex environments.

L’obiettivo principale di questo lavoro è definire e validare un approccio metodologico per l’utilizzo del sensore a semiconduttore di ossido di metallo (MOX) a temperatura modulata ZMOD4410, prodotto da Renesas. Lo studio si concentra sull’estrazione di tre insiemi di feature informative: due ottenuti sia dalla risposta grezza del sensore, che dalla risposta filtrata tramite media mobile esponenziale (EMA), in condizioni stazionarie, considerando ogni temperatura operativa come un sensore distinto; il terzo insieme è invece estratto dal transitorio termico della risposta, considerata come una serie temporale. Una volta estratte tutte le feature, è stata applicata un’analisi delle componenti principali (PCA) con l’obiettivo di ridurre la dimensionalità del dataset, mantenendo le informazioni più rilevanti ai fini della classificazione. Sulle feature selezionate sono stati poi addestrati e validati diversi modelli di classificazione supervisionata, tra cui Support Vector Machines (SVM), Random Forests (RF), Reti Neurali (NN) e k-Nearest Neighbours (k-NN), per valutarne le prestazioni e la capacità di generalizzazione. Successivamente, è stato introdotto un pre-processing di selezione delle feature per analizzarne l’impatto sui risultati finali. Una volta selezionate le feature filtrate, l’intera procedura, a partire dall’analisi PCA, è stata ripetuta. I risultati mostrano che la selezione preliminare delle feature non solo ha migliorato significativamente l’accuratezza di classificazione, ma ha anche aumentato la robustezza dei modelli, riducendo l’influenza di feature ridondanti. Rimangono tuttavia delle criticità nella discriminazione di alcune classi gassose, in particolare quelle con un numero limitato di campioni o caratterizzate da risposte sensoriali sovrapposte. Nel complesso, la metodologia proposta mostra un elevato potenziale nell’ambito dell’impiego di sensori MOX digitali a temperatura modulata per applicazioni legate all’utilizzo di nasi elettronici, fornendo un quadro sistematico per l’analisi dei dati sensoriali e l’ottimizzazione dei modelli. Gli sviluppi futuri prevedono l’ampliamento del dataset, l’esplorazione di ulteriori configurazioni sensoriali e l’applicazione di tecniche avanzate di machine learning, al fine di migliorare l’accuratezza di rilevamento e l’affidabilità in ambienti complessi.