ارائه روشي براي انتخاب مناسب‌ترين حسگرهاي گازي به منظور توسعه يك سامانه بيني الكترونيك براي كيفيت‌سنجي غير مخرب گياهان دارويي

Discriminability Assessment of MOS Sensors to Develop a Portable Electronic Nose System for Non-Destructive Quality Assessment of Medicinal Plants

در اين پژوهش، قدرت پاسخ حسگرهاي گازي نيمه هادي اكسيد فلزي (MOS) به منظور ساخت يك سامانه بيني الكترونيك قابل حمل براي كيفيت‌سنجي بويايي غير مخرب انواع مختلف گياهان دارويي بر اساس تركيبات آلي فرار آنها مورد ارزيابي قرار گرفت. در اين مطالعه زعفران (Crocus sativus L.) به عنوان يكي از مهم‌ترين گياهان دارويي توليد كشور استفاده شد. يك سامانه بيني الكترونيك متشكل از ده حسگر گازي اكسيد فلزي (MOS)، مدارات الكترونيكي واسط، كامپيوتر و نرم‌افزار پردازشگر توسعه داده شد. داده‌هاي بويايي يازده نمونه مختلف زعفران توسط آرايه حسگرها در زمان‌هاي 350 تا 360 ثانيه دريافت و با استفاده از تحليل مولفه‌هاي اصلي (PCA) و خوشه‌بند سلسله مراتبي (HCA) به منظور ارزيابي قدرت تمايز حسگرها تحليل شدند. كيفيت‌سنجي و طبقه‌بندي نمونه‌هاي زعفران با روش طيف‌سنجي محلول استاندارد نمونه‌هاي زعفران (روش مخرب آزمايشگاهي با شماره استاندارد ISO3632) نيز به منظور مقايسه با روش غير مخرب بيني الكترونيك انجام شد. نتايج تحليل PCA و HCA داده‌هاي حسگرها در پاسخ به مواد فرار نمونه‌هاي زعفران نشان داد نمونه‌ها در سه گروه متفاوت قرار گرفتند. همچنين بررسي قدرت تمايز حسگرها نشان داد 2 عدد از حسگرهاي استفاده شده زائد و در نتيجه امكان حذف اين حسگرها وجود دارد. نتايج تحليل آزمايشگاهي نيز منطبق بر نتايج طبقه‌بندي بوسيله بيني الكترونيك حاصل شد. با استفاده از روش ارائه شده در اين پژوهش، كمترين و موثرترين تعداد حسگرهاي گازي MOS به منظور كاهش هزينه‌هاي ساخت سامانه بيني الكترونيك و همچنين افزايش دقت طبقه‌بندي آن در نتيجه كاهش حجم داده-هاي پردازشگر در ارزيابي كيفيت بويايي زعفران انتخاب شدند.

In this study, the discriminatory power of Metal Oxide Semiconductor (MOS) gas sensors was evaluated to develop a portable electronic nose (e-nose) system for clustering different types of saffron samples based on their Volatile Organic Components (VOCs). The system was comprised of ten MOS gas sensors, direct headspace sampling, microcontroller devices, and a laptop computer coupled with multivariate computational tools. Eleven saffron samples were procured from different geographical origins for the experiments. Principal Component Analysis (PCA) and Hiricultural Cluster Analysis (HCA) models were applied for sample clustering and for demonstrating the discriminatory power of the gas sensors as well. The quality assessment of the samples was also performed by the standard laboratory method (ISO3632). The gas sensors data were acquired at 350-360 seconds after the samples were exposed to the sensors. Results of the PCA and HCA analysis of the sensors data indicated that the saffron samples were divided into three main clusters. Also, it was found that the discrimination power of the sensors was different and the possibility of removing sensors with low discriminatory power (2 sensors) was provided. Results of laboratory analysis (destructive method) were obtained in accordance with the classification results of the e-nose data analysis. Using the proposed method to find the most effective MOS sensors and eliminating the redundant sensors can help to reduce the development costs of the electronic nose systems and the processor input data. It also increases the classification accuracy of the e-nose system in the quality control of medicinal plants.