基于深度神经网络的气味存在检测
机器学习
2025-08-14 v1 人工智能
摘要
气味检测是食品安全、环境监测、医疗诊断等众多领域的基础。目前为气味检测开发的人工传感器在处理复杂混合物时存在困难，而非侵入性记录缺乏可靠的单次试验保真度。为了开发一个通用的气味检测系统，在这项初步研究中，我们旨在测试两个假设： 局部场电位（LFP）的频谱特征足以实现稳健的单次试验气味检测； 仅来自嗅球的信号就足够了。为了测试这两个假设，我们提出了一种互补的一维卷积网络集成模型（ResCNN和AttentionCNN），用于从多通道嗅球LFP中解码气味的存在。在来自七只清醒小鼠的2,349次试验上进行测试，我们最终的集成模型支持了这两个假设，实现了86.6%的平均准确率、81.0%的F1分数和0.9247的AUC，大幅超越了以往的基准。此外，t-SNE可视化证实我们的框架捕获了具有生物学意义的特征。这些发现确立了从细胞外LFP进行稳健的单次试验气味存在检测的可行性，并展示了深度学习模型在深入理解嗅觉表示方面的潜力。
引用
@article{arxiv.2508.09264,
title = {Detection of Odor Presence via Deep Neural Networks},
author = {Matin Hassanloo and Ali Zareh and Mehmet Kemal Özdemir},
journal= {arXiv preprint arXiv:2508.09264},
year = {2025}
}