ResumenEn las tareas de monitoreo ambiental resulta de gran importancia contar con sistemas compactos y portátiles capaces de identificar contaminantes ambientales que faciliten las tareas relacionadas con el manejo de los residuos y la restauración ambiental. En este trabajo se describe el desarrollo de un sistema sensor prototipo creado para identificar contaminantes en el ambiente. Este prototipo está conformado con un arreglo de sensores de gas de óxido de estaño SnO2 utilizados para identificar vapores químicos, una etapa de adquisición de datos implementada con una plataforma ARM (Advanced RISC Machine) de bajo costo (Arduino) y una red neuronal capaz de identificar contaminantes ambientales automáticamente. La red neuronal se utiliza para identificar la composición del contaminante censado. En el sistema de cómputo, la carga computacional intensa se presenta únicamente en el proceso de entrenamiento, una vez que la red neuronal es entrenada, la operación consiste en propagar los datos a través de la red con una carga computacional mucho más ligera, la cual consiste principalmente en una multiplicación vector-matriz y una búsqueda en tablas que lleva a cabo la función de activación para identificar rápidamente muestras desconocidas.AbstractIn the tasks of environmental monitoring is of great importance to have compact and portable systems able to identify environmental contaminants that facilitate tasks related to waste management and environmental restoration. In this paper, a prototype sensor is described to identify contaminants in the environment. This prototype is made with an array of tin oxide SnO2 gas sensors used to identify chemical vapors, a step of data acquisition implemented with ARM (Advanced RISC Machine) low-cost platform (Arduino) and a neural network able to identify environmental contaminants automatically. The neural network is used to identify the composition of contaminant census. In the computer system, the heavy computational load is presented only in the training process, once the neural network has been trained, the operation is to spread the data across the network with a much lighter computational load, which consists mainly of a vector-matrix multiplication and a search table that holds the activation function to quickly identify unknown samples

Odor identification is an important area in a wide range of industries like cosmetics, food, beverages and medical diagnosis among others. Odor detection could be done through an array of gas sensors conformed as an electronic nose where a data acquisition module converts sensor signals to a standard output to be analyzed. To facilitate odors detection a system is required for the identification. This paper presents the results of an automated odor identification process implemented by a fuzzy system and an electronic nose. First, an electronic nose prototype is manufactured to detect organic compounds vapor using an array of five tin dioxide gas sensors, an arduino uno board is used as a data acquisition section. Second, an intelligent module with a fuzzy system is considered for the identification of the signals received by the electronic nose. This solution proposes a system to identify odors by using a personal computer. Results show an acceptable precision.

This paper presents the results of an automated volatile organic compound (VOC) classification process implemented by embedding a machine learning algorithm into an Arduino Uno board. An electronic nose prototype is constructed to detect VOCs from three different fruits. The electronic nose is constructed using an array of five tin dioxide (SnO₂) gas sensors, an Arduino Uno board used as a data acquisition section, as well as an intelligent classification module by embedding an approach function which receives data signals from the electronic nose. For the intelligent classification module, a training algorithm is also implemented to create the base of a portable, automated, fast-response, and economical electronic nose device. This solution proposes a portable system to identify and classify VOCs without using a personal computer (PC). Results show an acceptable precision for the embedded approach in comparison with the performance of a toolbox used in a PC. This constitutes an embedded solution able to recognize VOCs in a reliable way to create application products for a wide variety of industries, which are able to classify data acquired by an electronic nose, as VOCs. With this proposed and implemented algorithm, a precision of 99% for classification was achieved into the embedded solution.

El documento propone el diseño, implementación, programación y uso de una Nariz Electrónica (E-NOSE) para la identificación de patrones en los gases respiratorios exhalados en personas con problemas respiratorios y personas sanas, con el objetivo de identificar de forma rápida la patología conocida como enfermedad pulmonar obstructiva crónica (EPOC). La Nariz Electrónica (E-NOSE) está conformada por un arreglo de sensores MQ de bajo costo, un microcontrolador Arduino, algoritmos de Redes Neuronales y una cámara de concentración de gases. La adquisición de datos se realizó en el hospital general de Ecatepec “Dr. José María Rodríguez” con el consentimiento del comité de Bioética de dicho hospital, pacientes sanos y pacientes diagnosticados con EPOC. Almacenamos los datos para su posterior procesamiento, lo que nos permitió entrenar, validar y probar una red neuronal para poder clasificar a pacientes sanos de enfermos de EPOC. El modelo se entrenó con datos sin preprocesamiento. Los resultados obtenidos nos dieron una matriz de confusión del 92% lo cual indica la posible viabilidad del prototipo. El prototipo deberá mejorar sustantivamente la cámara de concentración de gases empleando la manufactura aditiva y buscando mejorar la calidad de los datos mediante un preprocesamiento.

En el presente artículo se muestra el uso de una técnica de inteligencia artificial denominada machine learning, para detectar los estados de somnolencia y de vigilia en los conductores vehiculares. La somnolencia se genera cuando el individuo está con un alto nivel de estrés o cansancio, lo cual puede provocar un accidente; cuando está en alerta, se le denomina estado de vigilia. Para su medición, se toman en cuenta dos variables: el pulso cardíaco y la temperatura corporal. El pulso cardíaco se midió con un sensor, a través del método de fotopletismografía (ppg). La temperatura corporal se tomó mediante un sensor infrarrojo, sin contacto. Los datos obtenidos a través de la lectura sirvieron para crear una colección de datos y realizar el entrenamiento de una red neuronal con aprendizaje supervisado. Posteriormente, la información fue clasificada mediante este sistema de adquisición de datos.