Environment-Compensated Gas Sensor Time-Series Analysis for Tracking Food Spoilage
Notice bibliographique
Résumé
Food safety and kitchen use independence are key concerns for older adults aging in place and their care partners. With aging, there is a decline in sense of smell that appears worsened in individuals with neuro-cognitive decline; this can increase the risk of missing the signs that food is beginning to spoil. Automated detection of spoiled food by sensors in a supportive smart home could help keep older adults safe from food that is spoiling, and tracking spoilage events may help identify changes in food preparation capacity. Inexpensive metal-oxide (MOX) gas sensors can identify the volatile gases associated with food spoilage microbes; however, they are affected by sensor variation, aging, and environmental conditions. This work focuses on identifying change points in the gas sensor time-series that indicate shifts in volatile gas concentration or composition associated with microbial growth. To adjust for sensor variability and variations in ambient temperature and humidity, we develop a compensation method based on a power-law model of the sensor's response to water vapor, with field calibration of the model parameters. This compensation is shown to reduce the impact of environmental fluctuations that can mask changes in the signals of interest. Using milk and tofu as representative foods, we show that our proposed processing can characterize the spoilage process, and may be able to identify early signs of microbial growth before spoilage is evident.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».