Machine learning analysis of e-nose signal in early detection of mold contamination in buildings

• Autorzy: Majerek D. , Garbacz M. , Duda S. , Nabrdalik M.

Identyfikatory

DOI

10.2429/proc.2017.11(2)040

Warianty tytułu

PL

Zastosowanie uczenia maszynowego do analizy sygnału e-nosa we wczesnym wykrywaniu porażenia budynków

• Konferencja: ECOpole’17 Conference (4-7.10.2017 ; Polanica Zdrój, Poland)
• Języki publikacji: EN

Abstrakty

EN

Mould that develops on moistened building barriers is a major cause of the Sick Building Syndrome (SBS). Fungi emit Volatile Organic Compounds (VOC) that can be detected in the indoor air using several techniques of detection e.g. chromatography but also using gas sensors arrays. All array sensors generate particular electric signals that ought to be analysed using properly selected statistical methods of interpretation. This work is focused on the attempt to apply unsupervised and supervised statistical classifying models in the evaluation of signals from gas sensors matrix to analyse the air sampled from the headspace of various types of the building materials at the different level of contamination but also clean reference materials.

PL

Grzyb rozwijający się na ścianach budynków jest głównym powodem zjawiska, które nazwano Syndromem Chorego Budynku. Wolne związki organiczne emitowane przez grzyby mogą być wykryte różnymi metodami, m.in. na podstawie chromatografii, ale także za pomocą matryc czujników gazowych. Wszystkie tego typu narzędzia generują sygnały elektryczne, które można analizować za pomocą odpowiednich technik statystycznych. Praca skupia się na zastosowaniu nadzorowanych i nienadzorowanych technik uczenia maszynowego w ocenie sygnału pochodzącego z elektronicznego nosa.

Słowa kluczowe

EN

electronic nose; mould contamination; classification; confusion matrix; multidimensional scaling

PL

elektroniczny nos; porażenie grzybem; klasyfikacja; macierz błędnych klasyfikacji; skalowanie wielowymiarowe

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Proceedings of ECOpole
• Rocznik: 2017
• Tom: Vol. 11, No. 2
• Strony: 395--401
• Opis fizyczny: Bibliogr. 23 poz., rys., wykr., tab.

Twórcy

autor

Majerek D.

• Department of Applied Mathematics, Fundamentals of Technology Faculty, Lublin University of Technology, ul. Nadbystrzycka 38, 20-618 Lublin, Poland, phone [phone]

autor

Garbacz M.

• Environmental Engineering Faculty, Lublin University of Technology, ul. Nadbystrzycka 40B, 20-618 Lublin, Poland

autor

Duda S.

• Environmental Engineering Faculty, Lublin University of Technology, ul. Nadbystrzycka 40B, 20-618 Lublin, Poland

autor

Nabrdalik M.

• Chair of Biotechnology and Molecular Biology, University of Opole, ul. kard. B. Kominka 6, 45-032 Opole, Poland

Bibliografia

• [1] Łagód G, Suchorab Z, Guz Ł, Sobczuk H. Classification of buildings mold threat using electronic nose. AIP Conf Proc. 2017;1866:030002. DOI: 10.1063/1.4994478.
• [2] Haleem Khan AA, Mohan Karuppayil S, Manoharachary C, Kunwar IK, Waghray S. Aerobiologia. 2009;25:119-123. DOI: 10.1007/s10453-009-9114-x.
• [3] Gutarowska B. Grzyby strzępkowe zasiedlające materiały budowlane: wzrost oraz produkcja mikotoksyn i alergenów. Łódź: Wyd Politechniki Łódzkiej; 2010.
• [4] Ryan TJ, Beaucham C. Chemosphere. 2013;90(3):977-985. DOI: 10.1016/j.chemosphere.2012.06.066.
• [5] Benammar L, Menasria T, Chergui A, Benfiala s, Ayachi A. Int Biodeter Biodegr. 2017;117:115-122. DOI: 10.1016/j.ibiod.2016.12.004.
• [6] Andersen B, Dosen I, Lewinska AM, Nielsen KF. Indoor Air. 2017;27:6-12. DOI: 10.1111/ina.12298.
• [7] Sahlberg B, Gunnbjörnsdottir M, Soon A, Jogi R, Gislason T, Wieslander G, et al. Sci Total Environ. 2013;444:433-440. DOI: 10.1016/j.scitotenv.2012.10.114.
• [8] Engvall K, Norrby C, Norbäck D. Int Arch Occup Environ Health. 2001;74(4):270-278. https://www.ncbi.nlm.nih.gov/pubmed/11401019.
• [9] Cesuroglu O, Colakoglu GT. J Yeast Fungal Res. 2017;8(1):1-10. DOI: 10.5897/JYFR2017.0176.
• [10] Kukec A, Dovjak M. Int J Sanit Eng Res. 2014:8(1):16-40. https://journal.institut-isi.si/prevention-and-control-of-sick-building-syndrome-sbs-part-1-identification-of-risk-factors/.
• [11] Moularat S, Robine E, Ramalho O, Oturan MA. Sci Total Environ. 2008;407(1):139-146. DOI: 10.1016/j.scitotenv.2008.08.023.
• [12] Moularat S, Robine E, Ramalho O, Oturan MA. Chemosphere. 2008;72(2):224-232. DOI: 10.1016/j.chemosphere.2008.01.057.
• [13] Schleibinger H, Keller R, Ruden H. The Handbook of Environmental Chemistry. 2004;4:149-177. DOI: 10.1007/b94834.
• [14] Jeleń HH. J Agric Food Chem. 2002;50(22):6569-6574. DOI: 10.1021/jf020311o.
• [15] Guz Ł, Łagód G, Jaromin-Gleń K, Suchorab Z, Sobczuk H, Bieganowski A. Application of gas sensor arrays in assessment of wastewater purification effects. Sensors. 2015;15:1-21. DOI: 10.3390/s150100001.
• [16] Bieganowski A, Jaromin-Glen K, Guz Ł, Łagód G, Jozefaciuk G, Franus W, et al. Evaluating soil moisture status using an e-nose. Sensors. 2016;16(6):886; DOI: 10.3390/s16060886.
• [17] Suchorab ZH, Sobczuk Ł, Guz LM, Łagód G. Gas sensors array as a device to classify mold threat of the buildings. In: Pawłowska M, Pawłowski L, editors. Environmental Engineering. London: Taylor & Francis Group; 2017.
• [18] Kohonen T. Neurocomputing. 1998;21(1-3):1-6. DOI: 10.1016/S0925-2312(98)00030-7
• [19] Kaufman L, Rousseeuw PJ. Finding Groups in Data: An Introduction to Cluster Analysis. Hoboken: John Wiley Sons; 2009. ISBN: 9780471878766.
• [20] Brereton RG, Lloyd GR. J Chemometr. 2014;28(4):213-225. DOI: 10.1002/cem.2609.
• [21] Friedman JH, Hastie T, Tibshirani R. J Stat Softw. 2010;33(1):1-22. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2929880/.
• [22] R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. 2017. https://www.R-project.org/.
• [23] Khun M, Johnson K. Applied Predictive Modeling. New York: Springer; 2013.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).