The validation ofthis approach by s

The validation ofthis approach by simulation oftheoretical SAW sensor arrays,thoughsubjected to some idealizationof real application conditions, is still relevant as it brings in focus the capability of the selected polymers in separating different chemical analytes in feature space. The SAWsensors coated with the selected set of polymers target sensing of the volatile organic analytes in headspace. In the present simulation, data were generated by assuming exposure to pure analytes whereas in real situations the headspace is always a complex mixture of several food specific volatiles along with interferents like moisture, carbon dioxide, processing and packaging related volatiles. It is easy to specify the sensitivity and detection limit for pure analytes by using the sensor response model described by Eq.(5) and specifying a value for frequency fluctuation. The sensitivity is the change in sensor oscillator frequency for unit change in vapor concentration, and the detection limitis the noise equivalent analyte concentration. However, in real situations for milk and fish products several food volatiles and interferents come in contact with sensors simultaneously. The measurable sensitivity and detection limit are likely to differ significantly due to cross correlation in responses and masking by non-target components. The simulation results for validation of polymer selection do not necessarily represent the actual cases of milk and fish freshness/spoilage detection. Nevertheless, the results point that the present selection procedure if adapted and improvised properly with the availability of more accurate information about headspace composition and interferents may accrue huge benefits to SAW nose developers by reducing experimental burden of sensor selection through fabrication, evaluation and elimination. Theheadspace volatiles listed inTables 1 and 2 were prepared by skimming through a vast literature on the milk and fish headspace analysis by other techniques such as gas chromatography and tin-oxide gas sensors based electronic noses. The literature consulted in this regard pertains to a variety of conditions on milk and fish: raw of varied origins, processed by different procedures, stored under different conditions, varied time lengths of storage, bacterial load, packaging methods, exposure to light and environment etc. In a particular application, however, the analyte composition may contain only a limited number of volatiles; hence,the selection analysis may be simpler and more accurate. For example, to determine only the accept and reject conditions of a particular food item it is not required to differentiate all odor constituents of the freshness and spoilage indicator categories; monitoring well separated smaller
groups from each category as a two-class pattern recognition problem may be sufficient, see Figs. 1–3. The separation between xylene compounds (milk freshness indicators) and acetaldehyde and ethyl acetate (milk spoilage indicators) in Fig. 1, and between pentanol, hexanol and octanol compounds (fish freshness indicators) and TMA (fish spoilage indicator) in Fig. 3 is noticeable. It may also be noted that the freshness indicator data points in both milk and fish samples appear more scattered and mixed up than the spoilage indicator data points. The latter group as compact clusters. The reason for this lies in the small concentration values assumed for the freshness indicator volatiles as shown in Tables 1 and 2, and the random frequency noise added over [−30, +30] Hz while generating the sensors responses. As explained in Section 5.1, this was done to generate synthetic data closer to real situations. The added noise level represents 0.1 ppm level SAW oscillator stability which is typical for SAW sensors. The samples of all the milk freshness markers, except indole (IN) whose partition coefficient in orders of magnitude higher than the others (Table 4B, column 3), generate sensor output less than 64 Hz at 100 ppb. The indole response is 376 kHz for the same concentration level. That means for most of the milk freshness marker samples the sensor responses are much below the random noise level, hence do not make compact clusters. In contrast, the indole response appears as a well formed cluster, Figs. 1 and 2. Similar argument holds for the fish volatiles also having concentrations in the ppb range, Table 2, Fig. 3. This was seen by simulating the sensor array responses at different levels of noise starting from noise free condition. As expected, for zero noise condition all the samples of a vapor analyte occupy the same point in feature space. As the noise level is increased the samples get scattered andmixed up. Looking atthe complexity offreshness volatiles composition and their ppb–subppb level concentration it appears extremely difficult to make reliable SAW sensor array for detection of milk freshness. However, instead of targeting detection of several freshness volatiles it may be prudent to select a few major volatiles producing responses distinctly above the sensors noise level. In this regard the indole seems to be an appropriate choice for the milk freshness marker. Similarly, the list of milk spoilage markers can be pruned. However, this should be done keeping in
view the application scenario because the spoilage markers come from diverse origins.

ผลลัพธ์ (ไทย) 1:

วิธี ofthis การตรวจสอบ โดยการจำลอง oftheoretical เห็นเซนเซอร์อาร์เรย์ thoughsubjected บาง idealizationof แอพลิเคชันจริงเงื่อนไข เป็นเกี่ยวข้องยังเป็นนำในความสามารถของโพลิเมอร์เลือกในแยก analytes เคมีแตกต่างกันในลักษณะพื้นที่ SAWsensors ที่เคลือบ ด้วยโพลิเมอร์เป้าหมายไร้สายของ analytes อินทรีย์ระเหยใน headspace ชุดที่เลือก ในปัจจุบันการจำลอง ข้อมูลถูกสร้างขึ้น โดยสมมติว่าสัมผัสกับ analytes บริสุทธิ์ในขณะที่ในสถานการณ์จริง headspace เป็น ส่วนผสมที่ซับซ้อนของ volatiles เฉพาะอาหารหลายกับ interferents เช่นความชื้น คาร์บอนไดออกไซด์ แปรรูป และบรรจุภัณฑ์ที่เกี่ยวข้อง volatiles ง่ายต่อการระบุขีดจำกัดความไวและการตรวจพบ analytes บริสุทธิ์ โดยใช้รุ่นตอบสนองเซ็นเซอร์ที่อธิบายไว้ โดย Eq.(5) และระบุค่าความผันผวนความถี่ ความไวที่มีการเปลี่ยนแปลงในความถี่ oscillator เซ็นเซอร์สำหรับการเปลี่ยนหน่วยความเข้มข้นของไอน้ำ และ limitis การตรวจหาความเข้มข้นของ analyte เท่าเสียง อย่างไรก็ตาม ในสถานการณ์จริงสำหรับผลิตภัณฑ์นมและปลา หลาย volatiles อาหารและ interferents มากับเซ็นเซอร์พร้อมกัน ความไวการวัดและตรวจสอบวงเงินมักจะแตกต่างกันอย่างมีนัยสำคัญเนื่องระหว่างความสัมพันธ์ในการตอบสนองและกระดาษกาว โดยคอมโพเนนต์ไม่ใช่เป้าหมาย ผลการทดลองสำหรับการตรวจสอบการเลือกพอลิเมอร์ไม่จำเป็นต้องแสดงกรณีจริงของนมและปลาสด/เน่าเสียตรวจ อย่างไรก็ตาม ผลชี้ว่า กระบวนการเลือกปัจจุบันหากถูกยิงอย่างถูกต้องกับความถูกต้องเพิ่มเติมข้อมูลเกี่ยวกับองค์ประกอบ headspace และ interferents และดัดแปลงอาจรับรู้ผลประโยชน์ขนาดใหญ่ให้นักพัฒนาเห็นจมูก โดยลดภาระงานทดลองเลือกเซ็นเซอร์ผ่านการผลิต การประเมิน และการตัดออก Volatiles Theheadspace inTables รายการ 1 และ 2 ถูกเตรียม โดย skimming ผ่านวรรณกรรมมากมายในการวิเคราะห์ headspace นมและปลาด้วยเทคนิคอื่น ๆ เช่น chromatography ก๊าซและดีบุกออกไซด์ก๊าซเซ็นเซอร์ noses อิเล็กทรอนิกส์ขึ้น เอกสารประกอบการขอคำปรึกษาในเรื่องนี้เกี่ยวข้องกับความหลากหลายของเงื่อนไขในนมและปลา: ดิบต้นกำเนิดแตกต่างกัน การประมวลผล โดยวิธีอื่น เก็บไว้ภายใต้เงื่อนไขที่แตกต่างกัน ความยาวเวลาแตกต่างกันของการจัดเก็บ แบคทีเรียผลิต บรรจุภัณฑ์วิธี แสงไฟ และสภาพแวดล้อมเป็นต้น ในโปรแกรมประยุกต์เฉพาะ อย่างไรก็ตาม ส่วนประกอบการ analyte อาจประกอบด้วยเพียงจำนวนจำกัดของ volatiles ดังนั้น การวิเคราะห์ตัวเลือกอาจจะง่ายกว่า และแม่นยำมากขึ้น ตัวอย่าง กำหนดเท่านั้นยอมรับ และปฏิเสธเงื่อนไขของสินค้าอาหารโดยเฉพาะ มันจะไม่ต้องแตกทั้งหมด constituents กลิ่นสดและเน่าเสียบ่งชี้ประเภท ตรวจสอบดีแยกขนาดเล็กกลุ่มแต่ละประเภทเป็น 2 ชั้นรูปแบบการรับรู้ปัญหาอาจเพียงพอ ดู Figs. 1 – 3 แยก ระหว่างสารประกอบไซ (นมสดตัวบ่งชี้) และ acetaldehyde และเอทิล acetate (นมเน่าเสียตัวบ่งชี้) ใน Fig. 1 และ pentanol, hexanol และสารประกอบ octanol (ปลาสดตัวบ่งชี้) และ TMA (ปลาเน่าเสียตัวบ่งชี้) ใน Fig. 3 ได้ชัด มันอาจยังบันทึกจุดข้อมูลตัวบ่งชี้ความสดในตัวอย่างนมและปลาปรากฏขึ้นกระจาย และผสมค่ากว่าจุดข้อมูลตัวบ่งชี้ที่เน่าเสีย กลุ่มหลังเป็นคลัสเตอร์ขนาดกะทัดรัด เหตุผลอยู่ในค่าความเข้มข้นขนาดเล็กสันนิษฐานดังแสดงในตาราง 1 และ 2, volatiles ตัวบ่งชี้ความสด และความถี่สุ่มเสียงเพิ่มมากกว่า [−30, +30] Hz ในขณะที่สร้างการตอบสนองของเซนเซอร์ ตามที่อธิบายไว้ในส่วน 5.1 นี้ได้ทำการสร้างข้อมูลที่สังเคราะห์ใกล้กับสถานการณ์จริง ระดับเสียงรบกวนเพิ่มถึงระดับ 0.1 ppm เสถียรภาพ oscillator เลื่อยซึ่งเป็นปกติสำหรับเซ็นเซอร์เห็น ตัวอย่างของนมสดเครื่องหมาย ยกเว้นอินโดล (ใน) สัมประสิทธิ์ที่มีพาร์ติชันในใบสั่งของขนาดสูงกว่าอื่น (4B ตาราง คอลัมน์ 3), สร้างเซ็นเซอร์แสดงผลน้อยกว่า 64 Hz ที่ 100 ppb การตอบสนองของอินโดลเป็น 376 kHz สำหรับระดับความเข้มข้นเดียวกัน หมายถึงที่สำหรับส่วนมากของนมสดเครื่องหมายตัวอย่างการเซ็นเซอร์ตอบสนองมีมากอยู่ต่ำกว่าระดับเสียงแบบสุ่ม ดังนั้นอย่าทำคลัสเตอร์ขนาดเล็ก ในทางตรงกันข้าม การตอบสนองของอินโดลปรากฏคลัสเตอร์ทั้งรูปแบบ Figs. 1 และ 2 มีอาร์กิวเมนต์ที่คล้ายกันสำหรับ volatiles ปลาที่ยัง มีความเข้มข้นใน ppb ช่วง ตารางที่ 2, Fig. 3 นี้ถูกเห็น โดยเลียนแบบการตอบสนองของเรย์เซ็นเซอร์ในระดับต่าง ๆ ของเสียงตั้งแต่เสียงฟรีเงื่อนไข ตามที่คาดไว้ สำหรับศูนย์สภาพเสียง ตัวอย่างทั้งหมดของ analyte ไอครอบครองจุดเดียวกันในพื้นที่คุณลักษณะ เป็นเพิ่มระดับเสียง ตัวอย่างได้กระจาย andmixed ค่า ดูที่องค์ประกอบซับซ้อน offreshness volatiles และของ ppb – subppb ระดับความเข้มข้นเหมือนยากมากที่จะทำให้ความน่าเชื่อถือเห็นเรย์เซนเซอร์สำหรับตรวจจับนมสด อย่างไรก็ตาม แทนที่จะกำหนดเป้าหมายของ volatiles สดหลาย อาจระมัดระวังเลือกกี่ volatiles ที่สำคัญผลิตตอบสนองอย่างเห็นได้ชัดเหนือระดับเสียงเซนเซอร์ด้วย ในการนี้อินโดลน่าจะ เป็นทางเลือกที่เหมาะสมสำหรับเครื่องสดนม ในทำนองเดียวกัน รายการเครื่องหมายนมเน่าเสียสามารถสามารถล้าง อย่างไรก็ตาม นี้ควรทำการรักษาในดูสถานการณ์สมมติของโปรแกรมประยุกต์ได้เนื่องจากเครื่องหมายของเน่าเสียมาจากต้นกำเนิดที่หลากหลาย

ผลลัพธ์ (ไทย) 2:

การตรวจสอบโดยวิธีการ ofthis จำลอง oftheoretical อาร์เรย์เซ็นเซอร์ SAW, thoughsubjected บางส่วน idealizationof เงื่อนไขการใช้งานจริงยังคงเป็นที่เกี่ยวข้องที่จะนำในการมุ่งเน้นความสามารถของโพลิเมอร์ที่เลือกในการแยกวิเคราะห์ทางเคมีที่แตกต่างกันในพื้นที่คุณลักษณะ SAWsensors เคลือบด้วยชุดที่เลือกของโพลีเมอกำหนดเป้าหมายการตรวจจับของวิเคราะห์อินทรีย์ระเหยในช่องว่างเหนือของเหลว ในการจำลองปัจจุบันข้อมูลที่ถูกสร้างขึ้นโดยการสมมติสัมผัสกับวิเคราะห์บริสุทธิ์ในขณะที่ในสถานการณ์จริง Headspace อยู่เสมอเป็นส่วนผสมที่ซับซ้อนของสารระเหยที่เฉพาะเจาะจงอาหารหลายอย่างพร้อมทั้ง interferents เช่นความชื้นก๊าซคาร์บอนไดออกไซด์ในการประมวลผลและการบรรจุภัณฑ์สารระเหยที่เกี่ยวข้อง มันง่ายที่จะระบุความไวและการตรวจสอบขีด จำกัด สำหรับวิเคราะห์บริสุทธิ์โดยใช้รูปแบบการตอบสนองเซ็นเซอร์อธิบายโดยสม. (5) และระบุค่าสำหรับความผันผวนของความถี่ ไวคือการเปลี่ยนแปลงในความถี่ oscillator เซ็นเซอร์สำหรับการเปลี่ยนแปลงในหน่วยความเข้มข้นไอและการตรวจสอบความเข้มข้น limitis วิเคราะห์เทียบเท่าเสียงรบกวน อย่างไรก็ตามในสถานการณ์จริงสำหรับผลิตภัณฑ์นมและปลาระเหยอาหารหลายแห่งและ interferents มาติดต่อกับเซ็นเซอร์พร้อมกัน ไววัดและขีด จำกัด ของการตรวจสอบการมีแนวโน้มที่จะแตกต่างกันอย่างมีนัยสำคัญเนื่องจากความสัมพันธ์ข้ามในการตอบสนองและกำบังโดยส่วนประกอบไม่ใช่เป้าหมาย ผลการจำลองสำหรับการตรวจสอบของการเลือกลิเมอร์ไม่จำเป็นต้องเป็นตัวแทนของกรณีที่เกิดขึ้นจริงของนมและปลาสด / การตรวจสอบการเน่าเสีย อย่างไรก็ตามผลการชี้ว่าขั้นตอนการเลือกในปัจจุบันถ้าดัดแปลงและชั่วคราวอย่างถูกต้องกับความพร้อมของข้อมูลที่ถูกต้องมากขึ้นเกี่ยวกับองค์ประกอบและช่องว่างเหนือของเหลว interferents อาจรับผลประโยชน์อย่างมากในการพัฒนา SAW จมูกโดยการลดภาระการทดลองของการเลือกเซ็นเซอร์ผ่านการผลิต, การประเมินผลและการกำจัด สารระเหย Theheadspace จดทะเบียน inTables ที่ 1 และ 2 ได้รับการจัดทำขึ้นโดย skimming ผ่านวรรณกรรมมากมายในนมและปลาการวิเคราะห์ช่องว่างเหนือของเหลวโดยใช้เทคนิคอื่น ๆ เช่นแก๊สโครมาและเซ็นเซอร์ก๊าซดีบุกออกไซด์ตามจมูกอิเล็กทรอนิกส์ วรรณกรรมได้รับการพิจารณาในเรื่องนี้เกี่ยวข้องกับความหลากหลายของเงื่อนไขในนมและปลาดิบของต้นกำเนิดที่แตกต่างกัน, การประมวลผลโดยวิธีการที่แตกต่างกัน, ที่เก็บไว้ภายใต้เงื่อนไขที่แตกต่างกันความยาวเวลาที่แตกต่างกันของการจัดเก็บ, โหลดแบคทีเรียวิธีการบรรจุภัณฑ์การสัมผัสกับแสงและสภาพแวดล้อมอื่น ๆ . ในการประยุกต์ใช้โดยเฉพาะอย่างยิ่ง แต่องค์ประกอบวิเคราะห์อาจมีเพียงจำนวน จำกัด ของสารระเหย; ด้วยเหตุนี้การวิเคราะห์ตัวเลือกที่อาจจะง่ายและถูกต้องมากขึ้น ตัวอย่างเช่นในการตรวจสอบเพียงยอมรับและปฏิเสธเงื่อนไขของรายการอาหารโดยเฉพาะอย่างยิ่งมันไม่จำเป็นต้องแยกความแตกต่างทั้งหมดเป็นคนละกลิ่นของความสดและประเภทตัวบ่งชี้การเน่าเสีย; การตรวจสอบแยกออกจากกันได้ดีขนาดเล็ก
กลุ่มจากแต่ละประเภทเป็นรูปแบบสองระดับการรับรู้ปัญหาที่เกิดขึ้นอาจจะเพียงพอให้ดูมะเดื่อ 1-3 แยกระหว่างสารไซลีน (ตัวชี้วัดความสดนม) และ acetaldehyde และเอทิลอะซิเต (ตัวชี้วัดการเน่าเสียนม) ในรูป 1 และระหว่าง pentanol, เฮกซานอลและสารประกอบ (ตัวชี้วัดความสดปลา) และ TMA (ปลาเน่าเสียตัวบ่งชี้) ในรูป 3 เป็นที่เห็นได้ชัด นอกจากนี้ยังอาจจะมีการตั้งข้อสังเกตว่าจุดข้อมูลตัวบ่งชี้ความสดใหม่ทั้งในตัวอย่างน้ำนมและปลาปรากฏกระจัดกระจายและผสมขึ้นกว่าตัวบ่งชี้การเน่าเสียจุดข้อมูล กลุ่มหลังเป็นกลุ่มที่มีขนาดกะทัดรัด เหตุผลของเรื่องนี้อยู่ในค่าความเข้มข้นขนาดเล็กสันนิษฐานว่าสำหรับสารระเหยตัวบ่งชี้ความสดใหม่ดังแสดงในตารางที่ 1 และ 2 และเสียงความถี่สุ่มเพิ่มมากกว่า [-30, 30] เฮิร์ตซ์ในขณะที่สร้างการตอบสนองเซ็นเซอร์ ตามที่อธิบายไว้ในมาตรา 5.1 นี้ได้ทำในการสร้างข้อมูลสังเคราะห์ใกล้ชิดกับสถานการณ์จริง ระดับเสียงที่แสดงถึงความมั่นคงเพิ่ม oscillator SAW ระดับ 0.1 พีพีเอ็มซึ่งเป็นเรื่องปกติสำหรับเซ็นเซอร์เลื่อย ตัวอย่างของทุกตัวบ่งชี้ความสดนมยกเว้นอินโดล (IN) ที่มีค่าสัมประสิทธิ์ในการสั่งซื้อของขนาดสูงกว่าคนอื่น ๆ (ตารางที่ 4B คอลัมน์ 3), การสร้างการส่งออกเซ็นเซอร์น้อยกว่า 64 เฮิร์ตซ์ที่ 100 ppb การตอบสนองของอินโดลเป็น 376 เฮิร์ทซ์สำหรับระดับความเข้มข้นเดียวกัน นั่นหมายความว่าส่วนใหญ่ของกลุ่มตัวอย่างเครื่องหมายความสดนมตอบสนองเซ็นเซอร์มีมากต่ำกว่าระดับสุ่มเสียงจึงไม่ได้ทำให้กลุ่มที่มีขนาดกะทัดรัด ในทางตรงกันข้ามการตอบสนอง indole ปรากฏเป็นคลัสเตอร์ที่ดีขึ้น, มะเดื่อ 1 และ 2 อาร์กิวเมนต์ที่คล้ายกันถือสำหรับสารระเหยปลานอกจากนี้ยังมีความเข้มข้นอยู่ในช่วง ppb, ตารางที่ 2 รูป 3 นี้ถูกมองโดยการจำลองการตอบสนองอาร์เรย์เซ็นเซอร์ในระดับที่แตกต่างกันของเสียงที่เริ่มต้นจากเสียงสภาพฟรี เป็นที่คาดหวังสำหรับศูนย์สภาพเสียงทุกตัวอย่างของสารไอครอบครองจุดเดียวกันในพื้นที่คุณลักษณะ ในฐานะที่เป็นระดับเสียงที่เพิ่มขึ้นตัวอย่างได้รับการกระจาย andmixed ขึ้น กำลังมอง atthe ซับซ้อน offreshness องค์ประกอบสารระเหยและความเข้มข้นของระดับ ppb-subppb ของพวกเขาก็จะปรากฏขึ้นยากมากที่จะทำให้อาร์เรย์เซ็นเซอร์ SAW ที่เชื่อถือได้สำหรับการตรวจสอบของความสดนม อย่างไรก็ตามแทนที่จะกำหนดเป้าหมายการตรวจสอบของความสดหลายระเหยมันอาจจะระมัดระวังในการเลือกสารระเหยที่สำคัญบางอย่างผลิตการตอบสนองอย่างเห็นได้ชัดเหนือระดับเสียงเซ็นเซอร์ ในเรื่องนี้อินโดน่าจะเป็นทางเลือกที่เหมาะสมสำหรับเครื่องหมายความสดนม ในทำนองเดียวกันรายการของเครื่องหมายการเน่าเสียของนมที่สามารถตัดแต่ง แต่นี้ควรจะทำการรักษาใน
มุมมองสถานการณ์การประยุกต์ใช้เพราะเครื่องหมายการเน่าเสียมาจากต้นกำเนิดที่มีความหลากหลาย

ผลลัพธ์ (ไทย) 3:

การตรวจสอบโดยวิธีการจำลองใน oftheoretical เห็นเซ็นเซอร์อาร์เรย์ , thoughsubjected บาง idealizationof จริงการประยุกต์ใช้เงื่อนไขยังคงเป็นที่เกี่ยวข้องที่ทำให้โฟกัสความสามารถของพอลิเมอร์ในการแยกสารเคมีที่แตกต่างกันในลักษณะพื้นที่การ sawsensors เคลือบด้วยพอลิเมอร์การเลือกชุดของเป้าหมายของสารระเหยอินทรีย์ในเฮดสเปซ . ในการคำนวณปัจจุบันข้อมูลถูกสร้างขึ้นโดยสมมติว่าสัมผัสกับสารบริสุทธิ์ในขณะที่ในสถานการณ์จริงที่เฮดสเปซเสมอส่วนผสมที่ซับซ้อนของหลายอาหารโดยเฉพาะสารระเหยพร้อมกับศึกษาเช่นความชื้น , คาร์บอนไดออกไซด์แปรรูปและบรรจุภัณฑ์ที่เกี่ยวข้องกับสารระเหย . มันเป็นเรื่องง่ายที่จะระบุความไวและ จำกัด การตรวจหาสารบริสุทธิ์ โดยการใช้เซ็นเซอร์แบบที่อธิบายโดยอีคิว ( 5 ) และระบุค่าของความถี่ ความไวคือ เปลี่ยนเซนเซอร์ Oscillator ความถี่สำหรับหน่วยการเปลี่ยนแปลงความเข้มข้นของไอ และการตรวจหา limitis เสียงเทียบเท่าครูสมาธิอย่างไรก็ตาม ในสถานการณ์จริง สำหรับ นม และผลิตภัณฑ์จากปลา สารระเหยอาหารหลายและศึกษามาติดต่อกับเซ็นเซอร์พร้อมกัน ความไวของวัด และจำกัดการค้นหามีแนวโน้มที่จะแตกต่างจากค่าสหสัมพันธ์ข้ามในการตอบสนองและกาว โดยส่วนประกอบของเป้าหมายไม่การจำลองผลสำหรับการตรวจสอบของการเลือก โพลีเมอร์ ไม่จําเป็นต้องเป็นตัวแทนของคดีที่เกิดขึ้นจริงของนมและปลาสดชื่น / การตรวจสอบ อย่างไรก็ตามการเลือกจุดที่ปัจจุบันค่ะ ถ้าปรับแต่งอย่างถูกต้องกับความพร้อมของข้อมูลที่ถูกต้องมากขึ้นเกี่ยวกับองค์ประกอบและพอกพูนผลประโยชน์ขนาดใหญ่เฮดสเปซศึกษาอาจเห็นจมูกโดยการลดภาระของนักทดลองการเซนเซอร์ผ่านการประเมินและการคัดออกtheheadspace สารระเหยอยู่ intables 1 และ 2 ถูกเตรียมโดย skimming ผ่านวรรณกรรมมากมายในการวิเคราะห์โดยเทคนิคเฮดสเปซ นม และปลาอื่นๆ เช่น แก๊สโครมาโตกราฟีก๊าซเซนเซอร์และดีบุกออกไซด์โดยใช้จมูกอิเล็กทรอนิกส์ วรรณกรรมปรึกษาในเรื่องนี้เกี่ยวข้องกับความหลากหลายของเงื่อนไขในนมและปลา ดิบของต้นกำเนิดที่แตกต่างกัน ประมวลผล ด้วยวิธีการที่แตกต่างกันเก็บไว้ภายใต้เงื่อนไขที่แตกต่างกัน หลากหลาย เวลา ความยาวของกระเป๋า , โหลด , แบคทีเรีย วิธีการบรรจุ การเปิดรับแสง และสภาพแวดล้อม เป็นต้น ในการใช้โดยเฉพาะ อย่างไรก็ตาม ครูประพันธ์อาจประกอบด้วยเพียงจำนวน จำกัด ของสารระเหย ดังนั้น การวิเคราะห์ การเลือกอาจจะง่ายขึ้นและถูกต้องมากขึ้น ตัวอย่างเช่นเพื่อตรวจสอบเพียงยอมรับและปฏิเสธเงื่อนไขของสินค้าอาหารโดยเฉพาะ ไม่จําเป็นต้องแยกองค์ประกอบทั้งหมด กลิ่นของความสดชื่นและของเสียประเภทตัวบ่งชี้ ; การตรวจสอบก็แยกกลุ่มเล็ก
จากแต่ละประเภทเป็น 2 ห้อง รูปแบบการรับรู้ปัญหา อาจจะเพียงพอ ดูมะเดื่อ . 1 – 3การแยกระหว่างสารไซลีน ( ตัวชี้วัดความสดของนม ) และอะเซทัลดีไฮด์ และเอทิลอะซิเตท ( ตัวชี้วัดการเน่าเสียของนม ) ในรูปที่ 1 และระหว่างเพนทานอลและสาร hexanol , โพ ( ตัวชี้วัดความสดของปลา ) และ TMA ( ตัวชี้วัดการเน่าเสีย ปลา ) ในรูปที่ 3 จะเห็นได้ชัดมันอาจจะสังเกตเห็นว่าดัชนีวัดความสดข้อมูลจุดทั้งนม และตัวอย่างปลาปรากฏกระจัดกระจายและผสมขึ้นกว่าตัวชี้วัดการเน่าเสียของข้อมูลจุด กลุ่มหลังเป็นขนาดกลุ่ม เหตุผลนี้อยู่ในค่าความเข้มข้นขนาดเล็กซึ่งบ่งชี้ความสดสารระเหยดังแสดงในตารางที่ 1 และ 2 และความถี่สุ่มเสียงเพิ่มมากกว่า− [ 30 ,30 ] Hz ในขณะที่สร้างเซ็นเซอร์การตอบสนอง ตามที่อธิบายไว้ในส่วน 5.1 , นี้ได้สร้างสังเคราะห์ข้อมูลใกล้ชิดกับสถานการณ์จริง เพิ่มระดับเสียง แสดงถึงระดับ 0.1 มิลลิกรัมเห็น Oscillator เสถียรภาพซึ่งเป็นปกติสำหรับเห็นเซ็นเซอร์ ตัวอย่างของนมสดเครื่องหมายยกเว้นอินโดล ( ใน ) ที่มีค่าสัมประสิทธิ์การแบ่งในคำสั่งของขนาดสูงกว่าผู้อื่น ( โต๊ะ 4B , คอลัมน์ 3 ) สร้างเซ็นเซอร์ออกน้อยกว่า 64 Hz ที่ 100 ไมโครกรัม การตอบสนองที่ kHz อินโดลที่ระดับความเข้มข้นเดียวกัน นั่นหมายความว่าส่วนใหญ่ของน้ำนมสดเครื่องหมายตัวอย่างเซ็นเซอร์คำตอบมากกว่าระดับสัญญาณรบกวนแบบสุ่ม จึงไม่ทำให้กะทัดรัดกลุ่ม ในทางตรงกันข้ามการตอบสนองที่ปรากฏเป็น indole เกิดดีพวงมะเดื่อ . ที่ 1 และ 2 ข้อโต้แย้งที่คล้ายกันถือสำหรับปลา สารระเหย มีความเข้มข้นในช่วง ppb โต๊ะ 2 , รูปที่ 3 นี่ก็เห็นใช้เซนเซอร์การตอบสนองในระดับที่แตกต่างกันเสียงตั้งแต่เสียงภาพฟรี อย่างที่คาดไว้