В работе описаны подходы по оптимизации стадии обработки многомерных данных имитационных систем с интегральным аналитическим сигналом типа электронный нос. Представлены модели программирования в таблицах Exel для расчета дополнительных параметров качественного состава смеси газов и паров. Программирование электронных таблиц существенно упрощает обработку первичных данных набора сенсоров и позволяет быстро получить новые параметры для характеристики состава запаха проб. Представлены формулы для расчета 4х дополнительных характеристик: идентификационные параметры сорбции, кинетический параметр, сорбционный параметр для 3х сенсоров, массовая доля компонентов, преимущественно сорбирующихся на каждом сенсоре в массиве электронного носа, и параметра подобия Пирсона для наборов этих характеристик с целью сравнения многокомпонентного состава запаха анализируемых проб. На примере анализа запаха кожи человека показана возможность разработки программного обеспечения для личных девайсов. Программное обеспечение включает расчет характеристик по предложенным моделям и визуализацию их наборов для удобного восприятия необученными пользователями. Программное обеспечение позволяет быстро обработать данные от прибора, представить возможные причины отклонения состояния от среднестатистической нормы. Для набора идентификационных параметров сорбции определены границы численных значений, которые характеризуют нормальное функционирование организма в целом, отдельных органов и систем. При попадании расчетного параметра в эти границы на диаграмме состояния он закрашивается в зеленый цвет. Определены численные границы параметров и для аномальных состояний. При попадании значений расчетных параметров в эти интервалы, на сфере состояния зоны соответствующих параметров окрашиваются в желтый или красный цвета. Необученные пользователи легко воспринимают информацию без сложной обработки многомерных данных.

многомерные данные, аналитические системы, электронный нос, алгоритмы, программирование

1. Kuchmenko T.A., Shuba A.A., Drozdova E.V. Substation of the Operating life of Gas piezosensors in detection of vapors of organic compounds // Russian Journal of Applied Chemistry. 2015. V. 88. № 12. P. 1997–2008.

2. Кучменко Т.А., Шуба А.А. Информативность выходных сигналов «электронного носа» на пьезосенсорах // Аналитика и контроль. 2017. Т. 21. № 2. С. 72–84.

3. de Lacy Costello B., Amann A., Al-Kateb H., Flynn C. et. al. A review of the volatiles from the healthy human body. J Breath Res. 2014. V. 8. Р. 29. doi: 10.1088/1752-7155/8/1/014001

4. Lucas A.R. et. al. Development of an eHealth System to Capture and Analyze Patient Sensor and Self-Report Data: Mixed-Methods Assessment of Potential Applications to Improve Cancer Care Delivery // Jmir Medical Informatics. 2018. V. 6. P. 138–150. doi: 10.2196/medinform.9525

5. Liu J.J., Geng Z.X., Fan Z.Y., Liu J. et al. Point-of-care testing based on smartphone: The current state-of-the-art (2017-2018) // Biosensors & Bioelectronics. 2019. V. 132. P. 17–37. doi: 10.1016/j.bios.2019.01.068

6. Jia W., Liang G., Tian H., Sun J. et al. Electronic nose-based technique for rapid detection and recognition of moldy apples // Sensors. 2019. V. 19. № 7. P. 1526.

7. Ghosh S., Tudu B., Bhattacharyya N., Bandyopadhyay R. A recurrent Elman network in conjunction with an electronic nose for fast prediction of optimum fermentation time of black tea // Neural Computing and Applications. 2019. V. 31. № 2. P. 1165–1171.

8. Sayago I., Aleixandre M., Santos J.P. Development of tin oxide-based nanosensors for electronic nose environmental applications // Biosensors. 2019. V. 9. № 1. P. 21.

9. Brinkman P., Wagener A.H., Hekking P.P., Bansal A.T. et al. Identification and prospective stability of electronic nose (eNose)–derived inflammatory phenotypes in patients with severe asthma // Journal of Allergy and Clinical Immunology. 2019. V. 143. № 5. P. 1811–1820.

10. Staerz A., Roeck F., Weimar U., Barsan N. Electronic Nose: Current Status and Future Trends1 // Surface and Interface Science. 2020. V. 9–10.