Introduzione
Negli ultimi anni, la tecnologia IOMS ha preso piede nell’ambito dello studio della qualità dell’aria e in particolare nel monitoraggio delle emissioni odorigene, in aumento a causa delle attività industriali in continua crescita \cite{naddeo2021}. Il sistema IOMS (Instrumental Odour Monitoring System) è anche noto come “naso elettronico” e la sua peculiarità consta nella combinazione della sensibilità della percezione olfattiva umana e di una parte analitica di acquisizione, misurazione e lavorazione dei dati \cite{zhang2015}.
Uno dei maggiori benefici della tecnologia IOMS risiede nella possibilità di ottenere misurazioni continue con ricezione di dati sugli odori in tempo reale, scenario ideale per il loro monitoraggio: i vantaggi del suo impiego superano ormai quelli dei metodi sensoriali (es. olfattometria dinamica, riconosciuta dalla normativa EN13725/2003 a livello europeo) e analitici (es. GasCromatografia-Spettrometria di Massa (GC-MS)). Tuttavia, questa tecnologia richiede ancora alcuni miglioramenti nelle applicazioni in situ, per le quali è infatti oggetto di studio \cite{naddeo2021}. Sono numerosi i gruppi di ricerca che focalizzano la loro attenzione sui possibili modi di migliorare la tecnologia del naso elettronico. Si parla principalmente di tre modi per ottimizzare questo strumento: migliorare i sensori in quanto a numero o posizione oppure focalizzarsi sulle tecniche di feature-extraction e sui metodi di pattern-recognition \cite{zhang2015}. A livello nazionale, è con il D.Lgs. n. 102/2020 che si introduce finalmente nel precedente D.Lgs. n. 152/2006 la nozione di “emissioni odorigene”, definite come “emissioni convogliate o diffuse aventi effetti di natura odorigena”; è dunque chiaro come l’interesse generale per questo argomento aumenti proporzionalmente negli anni con l’aumentare delle attività industriali.
Gli IOMS, sono generalmente costituiti da un sistema di campionamento e da una unità di rilevamento nella quale sono allocati l’array di sensori e un sistema di elaborazione del segnale. L’output sarà costituito da un modello di monitoraggio degli odori (OMM, Odour Monitoring System) e per ottenerlo sono previsti tre passaggi principali: acquisizione dei dati, elaborazione dei segnali e riduzione dei dati acquisiti e applicazione delle tecniche di pattern-recognition. A causa del grande numero di valori di input, l’output prevederà una quantità di dati sensibilmente ridotta in modo da mantenere soltanto quelli fondamentali, riducendo i tempi necessari alla computazione e migliorando la velocità e l’accuratezza del sistema. Questo è il compito delle tecniche di feature-extraction dei dati: quella di cui si vuole trattare nel presente articolo è soprattutto la curva di risposta originale dei sensori abbinata alle tecniche di pattern-recognition quali la Rete Neurale Artificiale (ANN, Artificial Neural Network) e l’Analisi Discriminante Lineare (LDA, Linear Discriminant Analysis). Queste ultime, sono invece dei modelli matematici che sono usati per stabilire una relazione tra le variabili di input (indipendenti) e le variabili di output (dipendenti) presenti nel dataset \cite{naddeo2021}. La tecnica ANN è un metodo biologico progettato per simulare il modo in cui il cervello umano elabora le informazioni: una ANN è formata da moltissimi neuroni artificiali connessi tra loro a formare una rete \cite{naddeo2019}. La tecnica LDA, invece, è un metodo statistico tradizionale che adotta combinazioni lineari di variabili \cite{naddeo2021}. È particolarmente importante, pertanto, la trattazione matematica della correlazione tra questa “metrica degli odori” e la percezione umana degli stessi. Il presente articolo vuole descrivere la tecnologia IOMS e l’importanza dell’applicazione di diverse tecniche combinate tra loro per ottenere i migliori risultati possibili, specificamente la combinazione tra i dati della curva di risposta originale dei sensori e le tecniche di ANN e LDA.