The team led by Li Mingjie at Guangdong University of Technology published in ACS Sensors the results on gas identification using a MEMS dual-sensor array and multi-task deep learning
English text is being prepared.
The team led by Li Mingjie at Guangdong University of Technology published a study in ACS Sensors, integrating PdO-modified SnO2/ZnO and MoS2/ZIF-67 onto MEMS microheaters to construct a dual-sensor array, combined with a multi-task model of a one-dimensional convolutional neural network and a bidirectional long short-term memory network, simultaneously achieving identification and concentration prediction of acetone, isopropanol, and mixed gases with simulated clinical ratios. On data collected at 5–25 ppm gases and separately at 7 and 10 ppm, the model used a 15-second time window, achieving an overall classification accuracy of 95.4% and a mean absolute error of 0.625 ppm for concentration prediction, with results updated every 15 seconds.
Body
近日，我院教师李明杰指导本科生在《ACS Sensors》（中科院一区，影响因子10.9）发表题为“Overcoming Cross-Sensitivity for the Accurate Identification of Acetone, Isopropanol, and Clinical Mixtures Using a MEMS Dual-Sensor Array and Multi-task Deep Learning”的研究论文。2023级本科生尹思涵、李佳生、陈冠曦分别为该论文第一、第二、第三作者，李明杰与湖南大学张明教授共同担任通讯作者，其中李明杰为末位通讯作者，广东工业大学为该论文第一署名单位。
针对半导体气体传感器的交叉敏感问题，研究团队将PdO修饰的SnO2/ZnO与MoS2/ZIF-67集成于微机电系统（MEMS）微加热器，构建双传感器阵列，并结合一维卷积神经网络与双向长短期记忆网络建立多任务模型，利用互补的动态响应信息，同时实现丙酮、异丙醇及其模拟临床配比混合气体的识别与浓度预测。
图 | MEMS双传感器阵列与多任务深度学习相结合的电子鼻系统示意图
实验覆盖5–25 ppm的丙酮、异丙醇及三种预设配比混合气体。在同一阵列另行采集的7和10 ppm数据上，模型采用15秒时间窗口，实现95.4%的总体分类准确率（包含空气类别）和0.625 ppm的浓度预测平均绝对误差，预测结果每15秒更新，减少对完整稳态响应的依赖。
图 | 多任务深度学习模型及性能评价
该研究通过敏感材料、MEMS器件与多任务深度学习的协同设计，仅利用两个传感器即可同步完成气体识别与浓度预测，有效提升了对单一及混合气体的辨识能力，为克服交叉敏感、发展小型化智能电子鼻提供了新的技术路径，在便携式呼气分析领域展现出应用潜力。研究获得国家自然科学基金（U25A20491）、国家重点研发计划（2024YFB3614200）等项目支持。
图 | 项目团队合照