@PHDTHESIS{ 2020:476218483,
 	title = {Rapid detection approach for electronic nose systems using deep learning models},
 	year = {2020},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8754",
 	abstract = "O presente trabalho de tese teve como objetivo propor um método para acelerar a identificação das amostras em sistemas de nariz eletrônicos. Como a abordagem convencional de processamento de dados usada em E-Nose é baseada em um estágio inicial de pré-processamento de sinal, são aplicadas técnicas para executar a extração de recursos (características dinâmicas e estáticas) para obter a impressão digital do odor. Além disso, em alguns casos, é necessário implementar um método de seleção de recurso para escolher os
 melhores atributos antes das tarefas de classificação usando métodos de reconhecimento de padrões. Por exemplo, uma SVM (Support Vector Machine) é um dos métodos de processamento mais comuns para reconhecimento de odores pelos sistemas olfativos eletrônicos. Portanto, o uso da abordagem tradicional faz uso de toda a medição para obter para obter os principais parâmetros de odorantes que envolvem técnicas de pré-processamento, o que representa um desafio para o reconhecimento de odores em tempo real. Assim, neste trabalho é apresentada uma abordagem para processamento de dados de sistemas olfativos eletrônicos
 focada no tratamento de dados brutos com base em um protocolo de janela ascendente para encontrar uma porção inicial dos sinais do sensor com o melhor desempenho de reconhecimento. Comparamos a abordagem proposta com um método tradicional (usando todas as curvas de resposta, aplicando técnicas de pré-processamento para extrair os recursos e posteriormente processando-os usando um algoritmo SVM) em um problema real com as medidas adquiridas com nosso sistema desenvolvido. Além disso, para validar o uso da abordagem proposta em diferentes configurações de sistemas olfativos eletrônicos, realizamos mais testes com vários conjuntos de dados e usando técnicas de aprendizado profundo como a rede neural convolucional CNN. Os resultados mostraram uma precisão de desempenho superior à da abordagem tradicional, com a vantagem de usar uma parte inicial das respostas dos sensores, reduzindo o tempo necessário para fazer previsões.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Biometria e Estatística Aplicada},
 	note = {Departamento de Estatística e Informática}
}