Analyse de données pour un capteur olfactif biomimétique

par Pierre Maho

Projet de thèse en Signal image parole telecoms

Sous la direction de Pierre Comon et de Simon Barthelme.

Thèses en préparation à Grenoble Alpes , dans le cadre de Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS) , en partenariat avec Grenoble Images Parole Signal Automatique (laboratoire) et de Images et Signal : VISION AND BRAIN SIGNAL PROCESSING (VIBS) (equipe de recherche) depuis le 03-04-2017 .


  • Résumé

    La détection et l'identification de gaz au sein d'un mélange complexe repose généralement sur des instruments analytiques lourds et coûteux comme le chromatographe à phase gazeuse couplé au spectromètre de masse. Une technologie alternative peu coûteuse, portable et facile d'utilisation tend à se développer en s'inspirant du fonctionnement de notre système olfactif : le nez électronique. Il se présente sous la forme d'un ensemble de capteurs chimiques non-spécifiques. Chacun de ces capteurs intéragit différemment avec une molécule odorante afin qu'ensemble, ils permettent d'en générer une signature olfactive unique. Une série d'expérimentations permet d'acquérir une base de données de ces signatures qui sert ensuite de base d'apprentissage pour du machine learning afin d'identifier différentes odeurs. Le nez électronique développé par la start-up Aryballe Technologies est le premier à se servir de l'imagerie par résonance plasmonique de surface. Cette avancée lui permet de mesurer les interactions entre le produit analysé et les capteurs biochimiques avec une simple caméra. Le nombre de capteurs pouvant être utilisé peut alors atteindre plusieurs dizaines voire quelques centaines, bien loin devant la plupart des nez électroniques déjà conçus. L'objectif de cette thèse est d'évaluer les performances de ce nouveau nez électronique et d'optimiser le traitement des signaux générés par les capteurs chimiques. Dans des conditions de laboratoire, les odeurs d'intérêt peuvent être isolées et à concentration controlée mais cela n'est plus vrai en conditions terrain, conditions dans lesquelles l'appareil est destiné à être utilisé. Il s'agira donc de développer des outils de machine learning et de séparation de source afin de reconnaître des mélanges complexes d'odeurs en temps réel.

  • Titre traduit

    Data analysis for an olfactive biomimetic sensor


  • Résumé

    Gas detection and identification inside a complex mixture is usually performed by heavy and expensive analytical instruments such as a gas chromatograph coupled to a mass spectrometer. An affordable, portable and easy to use alternative technology is developping by drawing inspiration from our olfactive system : the electronic nose (e-Nose). An e-Nose is composed of a set of non-specific chemical sensors. Each one of these sensors interacts differently with an odorous molecule in order to give together a unique olfactive signature of it. Then, several experiments enable to build a data base of these signatures which is used as a learning set for machine learning to recognize odours. The e-Nose developed by Aryballe Technologies is the first such sensor to be based on Surface Plasmon Resonance imaging (SPRi). In SPRi, interactions between a chemical compound and biochemical sensors can be observed directly via a simple camera. The number of sensors which can be used can thus reach several dozens even few hundreds, far ahead of the most of already designed e-Noses. The objectives of this thesis are to assess the performance of this new e-Nose and to optimize the processing of signals which are produced by the chemical sensors. In laboratory conditions, odorants can be presented alone and at controlled concentrations, but this won't be true in the field, where the device is meant to be used. Therefore, the main challenge is to develop machine learning and source-separation tools that can recognise complex mixtures of odorants in real time.