بررسي عملكرد سامانه بيني الكترونيكي بر پايه حسگرهاي نيمه‌هادي اكسيد فلزي(MOS) به منظور تشخيص خلوص اسانس نعناع فلفلي

Evaluation of Electronic Nose System Based on Metal Oxide Semiconductor (MOS) Sensors to Detect the Purity of Peppermint Ssential Oil

اسانس گياهان دارويي براساس ميزان ماده موثره موجود در آن­ها در صنايع داروسازي و غذايي ارزش­ گذاري و استفاده مي­ شود. يكي از روش ­هاي كارآمد براي شناسايي و ارزيابي اسانس­ ها بيني الكترونيك مي­ باشد كه نسبت به روش­ هاي متداول نقاط ضعف كمتري دارد. در اين مطالعه يك سامانه بيني الكترونيك متشكل از 8 حسگر نيمه ­هادي اكسيد فلزي(MOS) براي تعيين درجه خلوص اسانس نعناع فلفلي طراحي و ساخته شد. روش PCA براي كاهش ابعاد داده­ ها و شناسايي حسگرهاي موثر به ­كار گرفته شد و روش شبكه عصبي مصنوعي براي طبقه ­بندي داده­ ها استفاده گرديد. بر اساس نتايج، روش تحليل مولفه ­هاي اصلي با دو مولفه اصلي PC1 و PC2 توانست 82 درصد از واريانس داده­ ها را پوشش دهد. همچنين حسگرهايي كه تاثير بيشتري در تفكيك كلاس­ هاي خلوص اسانس داشتند شناسايي شدند. در ادامه دقت طبقه ­بندي داده ­ها در مرحله آموزش و آزمون در روش شبكه عصبي مصنوعي به ترتيب 81 درصد و 70 درصد بدست آمد. بنابراين سامانه بيني الكترونيكي پيشنهادي بر پايه الگوريتم مذكور نشان داد كه مي ­تواند تا حدودي ابزار قابل اعتماد و كم­ هزينه ه­اي جهت درجه­ بندي كيفي نمونه­ هاي مختلف خلوص اسانس نعناع فلفلي از يكديگر باشد.

The essential oils of medicinal plants are evaluated and used in the pharmaceutical and food industry based on the amount of active ingredients in them. One of the effective methods for identifying and evaluating essential oils is the electronic nose, which has fewer weaknesses than conventional methods. In this study, an electronic nose system consisting of 8 metal oxide semiconductor sensors was designed to determine the purity of peppermint essential oil. The PCA method was used to reduce the size of the data and identify effective sensors, and the artificial neural network method was used to calculate the accuracy of data classification. Based on the results, the principal component analysis method with two main components PC1 and PC2 was able to explain 82% of the variance of the data. Sensors that had a greater impact on the separation of essential oil purity classes were also identified. The accuracy of data classification in the training and testing stages in the artificial neural network method was 81% and 70%, respectively. Therefore, the proposed electronic nose system based on the mentioned algorithm is a reliable and low-cost tool for qualitative grading of different samples of purity of peppermint essential oil from each other.