近日，光电学院蒋亚东教授团队太惠玲、吴援明老师指导的本科生在ACS Sensors期刊上面发表了题为“Linear model for concentration measurement of mixed gases”的学术论文，2022级本科生吴佩文为第一作者，太惠玲教授、吴援明教授为共同通讯作者，电子科技大学光电科学与工程学院为第一署名单位。

ACS Sensors 是一本美国化学学会的传感器期刊，致力于传播传感器科学各个方面的新知识和原创知识，涵盖生物、化学传感器或阵列等，影响因子为9.1，属于中国中科院一区TOP期刊。

传感器在许多领域都有广泛的应用，近年来各种单元式气体传感器蓬勃发展。然而，用于混合气体组分检测的气体传感器阵列仍然面临许多挑战。带有气体传感器阵列的电子鼻采用机器学习或深度学习来开发识别气体成分及其浓度的模型。这些机器学习技术和深度学习技术包括支持向量机（Support Vector Machine, SVM）、K-均值聚类（K-means clustering, K-means）、反向传播神经网络（Back Propagation Neural Network, BPNN）等。在使用这些技术之前，一些电子鼻使用了主成分分析（Principal Component Analysis, PCA）、独立成分分析（Independent Component Analysis, ICA）、线性动力学系统（Linear Dynamical System, LDS）、自动编码器（Autoencoder, AE）等变换技术来提取数据的特征，在气体成分识别和浓度水平判别方面取得了更好的结果。然而，这些基于机器学习或深度学习的算法仅使用传感器响应的稳态输出数据，并没有使用传感器的动态响应特征。此外，气体传感器的选择性差会导致混合气体的交叉影响。因此，电子鼻无法准确测量混合气体中每种气体成分的浓度。

针对这一问题，该论文构建了一个由电阻器和电容器组成的等效电路模型。在等效电路模型中，每个传感器都使用两个电阻器和两个电容器进行建模，不同传感器之间的交叉影响效应由不同传感器电路之间的电容器和电阻器建模。该论文尝试根据实验数据确定产生交叉影响的状态变量数量，从等效电路模型建立状态空间模型，并通过参数关联迭代算法和卡尔曼滤波获取模型参数，据此建立了混合气体的传感器响应模型和浓度测量模型。仿真和实验结果表明，这两种模型在预测传感器响应和测量混合气体对传感器的交叉影响下具有很高的精度。

图1 论文的图文摘要

图2 传感器阵列的等效电路模型

 (a)CH4传感器 (b)NH传感器 (c)NO2传感器 (d)CO2传感器 (e)混合气体对4个传感器的交叉影响

图3 仿真实验流程图 (a)CH4传感器响应模型 (b)CH4 浓度测量模型

吴佩文，2022级光电信息科学与工程专业本科生，光电菁英班成员，学院优秀共产党员、第五党支部委员。2023年暑期进入电子薄膜与集成器件全国重点实验室进行科研训练，申报吴援明老师发布的大创项目“基于测试数据的混合气体对传感器交叉影响机理研究”，在ACS Sensors发表论文1篇、申请国家发明专利1项。参加IEEE International Instrumentation and Measurement Technology Conference（2025年第42届国际仪器与测量技术会议），收录论文1篇，获Student Travel Grant Certificate of Achievement奖。