Ottimizzazione delle modalità operative degli IOMS

L’ottimizzazione dei risultati delle modalità operative di addestramento, validazione, misura e gestione di un sistema IOMS non può prescindere da un’accurata analisi dei suoi parametri di performance, da una corretta gestione delle variabili operative e da un’oculata scelta delle tecniche statistiche di analisi ed elaborazione dei dati in input (\citealp{Oliva_2021}).
I parametri di performance di un sistema IOMS sono indicativi della sua capacità di realizzare efficaci e significativi modelli predittivi, la cui bontà viene verificata attraverso un confronto tra la classe di odore ed il valore di concentrazione attribuiti ai campioni dal dispositivo ed i corrispondenti elementi già noti in fase di acquisizione dei campioni da parte dello strumento. Tali parametri di performance sono forniti dallo IOMS in termini di accuratezza nell’attribuzione della classe odorigena e della concentrazione ai relativi campioni, errore, indici di precisione e di richiamo (\citealp{Sokolova_2009}) e possono essere stimati sfruttando le differenti modalità di preprocessamento e le varie tecniche di elaborazione statistica dei dati implementate dai sistemi IOMS. Su queste stesse variabili si può ulteriormente intervenire o per poterne migliorare l’accuratezza o, qualora i risultati in output dallo strumento non siano ritenuti soddisfacenti, andando a controllare e a stabilizzare i parametri operativi del dispositivo, fra cui sono degni di nota certamente la temperatura di acquisizione dello IOMS e i valori della portata in ingresso nella camera di misura dello strumento. Infatti, oscillazioni troppo elevate dei suddetti parametri operativi possono condizionare notevolmente i valori di resistenza acquisiti dai sensori e, di conseguenza, i risultati delle attività di monitoraggio. Generalmente, la legge che lega la temperatura di acquisizione dello IOMS ed i valori di resistenza dei sensori è correlata ad una relazione di inversa proporzionalità, variabile in funzione della tipologia di sensore, della modalità operativa con cui si sta lavorando ed anche dalla tipologia di campioni acquisiti dallo strumento e con cui si intendono costruire i modelli predittivi.
A tal proposito, per la loro realizzazione, è indispensabile scegliere la corretta tecnica di elaborazione statistica dei dati, la quale consente, servendosi a sua volta di una serie di algoritmi, di selezionare le informazioni provenienti dai diversi sensori, di assimilare le differenti risposte ed istruire il naso elettronico. I metodi di analisi dei dati si classificano generalmente in metodi non supervisionati e metodi supervisionati (\citealp{Majchrzak_2018}). La loro appropriatezza alle problematiche oggetto di studio dipende dalla loro complessità, dal numero di oggetti e dalle loro variabili e dalla capacità di calcolo del software. I metodi non supervisionati vengono solitamente impiegati per ottenere informazioni preliminari, per il riconoscimento iniziale delle dipendenze fra le uscite dei sensori (variabili indipendenti) e la classe di odore e/o la concentrazione (variabili dipendenti) oppure per definire eventuali valori anomali. Il loro vantaggio consiste nel fatto, che a causa della mancanza di una vera e propria fase di addestramento dello IOMS, basta una quantità irrisoria di dati in input per ottenere informazioni significative. Allo stesso tempo, i metodi non supervisionati come l’Analisi delle Componenti Principali (PCA) o l’Analisi dei Cluster (CA) non possono essere impiegati negli algoritmi di classificazione automatica, tranne che nelle operazioni di preelaborazione.
Al contrario, nei metodi supervisionati vengono forniti sia l’input che i risultati da ottenere per costruire il modello; dopo la fase di addestramento del sistema IOMS, gli input sono assegnati alle classi. Queste tecniche sono utilizzate di solito per la classificazione e la discriminazione tra campioni quando è presente un campione di riferimento con caratteristiche desiderabili, che è poi confrontato con gli altri campioni. I metodi supervisionati più comuni sono l’Analisi Lineare Discriminante (LDA), le Macchine a Vettori di Supporto (SVM) e le Reti Neurali Artificiali (ANN), a cui sono associate altre tecniche utilizzate meno frequentemente.
La corretta implementazione e le operazioni di gestione di questa serie di variabili consentono di ottimizzare al meglio tutte le modalità operative implementate dai sistemi IOMS e di sfruttarne al meglio le loro enormi potenzialità.