Ausgabe 33
		Druckseite
Kategorie		Titel		Autor
Gastbeitrag		Elektronische Nasen		Rolf Daniels

Die Entwicklung der elektronischen Nasen lehnt sich dicht an die Physiologie des menschlichen Geruchssinns an, da dieser, wie auch andere biologische Geruchsapparate, viele Fähigkeiten, die grundsätzlich von einer elektronischen Nase erwartet werden, umfasst.

1. Vorgänge beim Riechen mit der menschlichen Nase

Riechen ist das Resultat einer Summe verschiedener physiologischer Vorgänge, die vom ersten Kontakt eines Duftstoffmoleküls mit der Nasenschleimhaut bis zur Geruchswahrnehmung und möglicherweise Wiedererkennung des Geruchsmusters im Gehirn ablaufen.

Zunächst gelangen Duftstoffmoleküle mit der Atemluft in die Nase und treffen dort auf die Nasenschleimhaut. Diese ist vom Trigeminus, dem fünften Hirnnerv, innerviert; 70% aller Riechstoffe schreibt man eine Trigeminuswirkung zu. Die Trigeminusreizung hat jedoch bezüglich der Geruchswahrnehmung einen recht hohen Schwellenwert. Die Nachweisgrenze liegt bei den im folgenden beschriebenen Vorgängen wesentlich niedriger.

Im oberen Nasenabschnitt befindet sich das etwa 2,5 cm² große Riechepithel (Abbildung 1), auf das das Geruchsmolekül im Gemisch mit der Atemluft trifft. Das Riechepithel ist, um den Kontakt mit einem Duftstoff in einen elektrischen Reiz umzuwandeln, besonders ausgestattet. Es verfügt über drei Zellarten: die Stützzellen, die Basalzellen und die Riechzellen (Abbildung 2). Die Stützzellen produzieren die Schleimschicht, die das Riechepithel überzieht. Die Basalzellen sind Stammzellen. Sie sind teilungsfähig und produzieren die Riechzellen, die dritte und wichtigste Zellart. Die Riechzellen sind Nervenzellen. Sie sind in die Stützzellen eingebettet und haben an der einen Seite Härchen, sog. Cilien, die in die Schleimschicht hineinragen. An der gegenüberliegenden Seite führen Axone zum Gehirn. Der Mensch verfügt über etwa 50 Millionen dieser Nervenzellen und jede davon über 5 - 10 Cilien. Hunde, deren Geruchssinn ausgeprägter ist als der menschliche, haben dagegen etwa 100 Cilien pro Nervenzelle.

Abbildung 1: Funktionelle Anatomie und Struktur des menschlichen Riechapparates

Vergrößerte Version

Der Geruchsrezeptor ist in der Cilien-Membran lokalisiert. Er besteht aus sieben transmembranären Proteinschleifen und ist G-Protein gekoppelt. Um zum Rezeptor zu gelangen, muss ein Duftmolekül die umgebende Schleimschicht passieren können; das ist nur in gelöstem Zustand möglich. Der Durchtritt durch die Schleimschicht ist von den chemischen und physikalischen Eigenschaften des Duftstoffs abhängig. Eine erleichterte Diffusion nach Bindung an Duftstoffbindeproteinen ist ebenfalls möglich.

Abbildung 2: Aufbau des Riechepithels

Vergrößerte Version

Nachdem das Duftmolekül den Rezeptor und dieser daraufhin das G-Protein erregt hat, läuft eine Kaskade biochemischer Reaktionen ab, in deren Verlauf unter anderem aus ATP cyclisches AMP (sog. cAMP, second messenger) produziert wird (Abbildung 3). Dies dient der Signalverstärkung und erklärt die niedrigen Schwellenwerte der Geruchswahrnehmung mit der menschlichen Nase. cAMP schließlich führt zur Öffnung von Natrium-Kanälen und ermöglicht so die erleichterte Diffusion von Na+ in die Zelle, wodurch das Membranpotential absinkt. Erreicht die Depolarisation der Nervenzelle einen Schwellenwert, so wird ein Aktionspotential ausgelöst, welches entlang des Riechnervs zum Gehirn fortgeleitet wird. Damit ist die olfaktorische Transduktion, d.h. die Umwandlung eines ehemals chemischen in einen elektrischen Reiz vollzogen.

Abbildung 3: Signaltransduktion. In den Cilien der Riechzellen erfolgt durch die Abfolge mehrerer enzymatischer Reaktionen die Umsetzung des Kontaktes eines Geruchsstoffs mit dem Rezeptor in ein elektrisches Signal.

Vergrößerte Version

Im Gehirn erfolgt die weitere Verarbeitung des Geruchseindrucks. Dabei ist es in der Lage, das Geruchsmuster mit anderen Sinneseindrücken, wie z.B. Geschmack und Aussehen, zu assoziieren und diesen Eindruck zu bewahren, um ihn dann zu gegebener Zeit wieder abzurufen.

Es ist bisher nicht endgültig geklärt, ob es bei der Vielfalt der Gerüche wenige Rezeptortypen mit einem breiten Spektrum oder eine Vielzahl von Rezeptoren mit hoher Spezifität gibt. In den sechziger Jahren wurde von J.E. Amoore die Theorie der fünf Primärgerüche (etherisch, campherartig, moschusartig, blumig, minzig) mit jeweils dazugehörenden Rezeptoren aufgestellt. Angesichts jüngster Erkenntnisse zur Physiologie des Riechens erscheint diese Vorstellung jedoch überholt. Es erscheint gesichert, dass der Geruchserkennung eine kombinatorische Strategie zugrunde liegt. Die meisten Riechstoffe werden von mehr als einem Rezeptor erkannt, und die meisten Rezeptoren sprechen auf mehrere Moleküle an, wobei wahrscheinlich deren chemischen Eigenschaften eine entscheidende Rolle spielen. Typische Eigenschaften von Riechstoffen sind in Tabelle 1aufgeführt.

Tabelle 1: Wichtige physikalische und chemische Eigenschaften eines Duftstoffmoleküls

ausreichend hoher Dampfdruck

geringe Polarität

Oberflächenaktivitä

gewisse Wasser- und Öllöslichkeit

Molmasse < 300 (bisher ist kein Geruchsstoff mit einer Molmasse über 294 bekannt)

2. Elektronische Nasen

Obwohl sich die menschliche Nase durch eine enorme Empfindlichkeit auszeichnet, war die Subjektivität und die schlechte Reproduzierbarkeit der damit erzielten Ergebnisse schon immer Triebfeder für die Suche nach verschiedenen Alternativen im Bereich der Analytik von flüchtigen Substanzen.

Einige dieser Alternativen nutzen immer noch den menschlichen Geruchssinn zur Detektion. Ein Beispiel hierfür ist die Olfaktometrie, bei der ein Olfaktometer und ein menschliches Panel eingesetzt werden.

Im Olfaktometer werden die zu untersuchenden Geruchsproben mit einem Neutralgas (definierte Bedingungen bezüglich Temperatur, Luftfeuchte und Reinheit der Luft) verdünnt und dem Probandenkollektiv präsentiert. Die Verdünnung, bei der die Geruchsprobe erstmals detektiert wird, wird als Geruchsschwellenwert bezeichnet. Diese wird dann herangezogen, um die Geruchsintensität (Konzentration) zu bestimmen, die dann in Riechwerten angegeben wird.

Eine andere Alternative stellt die Kombination aus Gaschromatographie und Olfaktometrie (GC-O) dar. Hier übernimmt die menschliche Nase die Rolle des Detektors. Diese Technik wird auch als Sniffing-GC bezeichnet. Ein Duftstoffgemisch wird zunächst gaschromatographisch getrennt und danach zu einem so genannten "Sniffing-Port" geleitet. Dort registriert eine entsprechend geschulte Person kontinuierlich die jeweiligen Geruchseindrücke. GC-O eröffnet interessante Möglichkeiten bei der Analytik von Duftstoffen und Aromen sowie jeglicher Art von Produkten, bei denen der Geruch ein Qualitätskriterium darstellt.

Dennoch bleibt die Geruchsmessung mit der menschlichen Nase arbeitsintensiv und zeitraubend. Ebenso tauchen Probleme auf, wenn Messungen vor Ort durchgeführt werden sollen, und es sind ausreichend große Probandenkollektive erforderlich, um statistisch abgesicherte Ergebnisse zu erzielen. Daher existiert ohne Frage der Bedarf an einer instrumentellen Methode, die die Fähigkeiten der menschlichen Nase nachahmt und zu reproduzierbaren Ergebnissen führt.

In diesem Kontext waren Dodd und Persaud die Ersten, die Anfang der 80er in England ein Array-Konzept zur Geruchsdetektion vorstellten; die erste experimentelle elektronische Nase, die in der Literatur erwähnt wird.

2.1 Definition

Unter einer elektronischen Nase versteht man ein Instrument, das einzelne oder zu einem Array zusammengefasste elektro-chemische Sensoren mit überlappender Spezifität und ein geeignetes Muster-Erkennungs-System enthält und imstande ist, einfache und komplexe Gerüche wiederzuerkennen. Das bedeutet, eine elektronische Nase muss prinzipiell über zwei Einheiten verfügen: ein Nasenäquivalent zur Geruchswahrnehmung und ein Gehirnäquivalent zum "Merken und Wiedererkennen" der Geruchsmuster. Ein einzelner Sensor, zum Beispiel ein Kohlenmonoxid-Sensor, der zum Nachweis einer spezifischen Substanz dient, ist demnach noch keine elektronische Nase.

Die Detektionseinheit kann von einem Array verschiedener Chemosensoren mit begrenzter Selektivität gebildet werden. Neben elektronischen Chemosensoren werden auch optische und vielfältige andere Sensortypen beschrieben.

Bei der Anzahl der eingesetzten Sensoren muss ein Kompromiss geschlossen werden zwischen

• der Auswertbarkeit der Daten und
• der Sensitivitätsbreite des Arrays

Bei kommerziell verfügbaren Geräten variiert die Sensoranzahl zwischen 6 und 48.

Die Bezeichnungen künstliche Nase, mechanische Nase, E-Nose und Odour-Sensing-System werden synonym verwendet.

2.2 Unterschiede zur menschlichen Nase

Tabelle 2: Schematischer Vergleich der menschlichen Nase mit einer elektronischen Nase

Obwohl elektronische Nasen und die menschlichen Nase sich im Grundsatz sehr ähneln und beide die Aufgabe haben, unterschiedliche Gasgemische zu charakterisieren, bestehen im Detail doch sehr deutliche Unterschiede:

Es gibt Substanzen, auf die die menschliche Nase empfindlicher reagiert als Sensoren. Andererseits gibt es Stoffe, die für uns praktisch geruchlos sind, auf die manche Sensoren jedoch stark reagieren.

In Tabelle 2 sind einige typische Eigenschaften der menschlichen Nase denen von elektronischen Nasen gegenübergestellt.

2.3 Messprinzipien

Der Sensor einer elektronischen Nase hat wie die Nervenzelle im Riechepithel die Aufgabe, den Kontakt eines Geruchsmoleküls mit der Sensoroberfläche in ein detektierbares Signal umzuwandeln. Hierzu ist eine ganze Reihe von Technologien verfügbar, die in Gegenwart bestimmter chemischer Substanzen ein elektrisch oder optisch messbares Signal liefern. Tabelle 3 fasst die wichtigsten Sensor-Prinzipien zusammen, die in elektronischen Nasen zu finden sind.

Tabelle 3: Beispiele möglicher Technologien für Gassensoren

Typ	Sensitives Material	Meßsignal
Halbleitende Metalloxide (M.O.S., Taguchi)	Dotierte halbleitende Metalloxide (SnO2, GaO)	Widerstands- änderung
Schwingquarze (QMB); Oberflächenwellenleiter (SAW)	organische oder anorganische Beschichtungen (Gaschromatographie)	Frequenzänderung aufgrund einer Massenänderung
Leitfähige Polymere	Modifizierte leitfähige Polymere	Widerstands- änderung
Katalytischer Feld-Effekt Sensor (MOSFET)	Katalytische Metalle	Änderung der Arbeitskurve
Pellistor	Katalysator	Temperaturänderung aufgrund einer chemischen Reaktion
Fluoreszenz-Sensor	Organische Farbstoffe	Änderung der Lichtintensität
elektrochemische Zelle	Feste oder flüssige Elektrolyte	Strom- oder Spannungsänderung
Infrarot-Sensor	-	IR Absorption

In einer elektronischen Nase finden sich entweder mehrere Einzelsensoren, die hintereinander angeordnet sind oder integrierte Sensorarrays. Werden in einem System mehrere Transducer-Prinzipien eingesetzt, so spricht man von Hybrid-Systemen.

In kommerziell erhältlichen Chemosensorsystemen zur Gas- und Geruchstofferkennung werden hauptsächlich folgende Sensortechnologien eingesetzt (Abbildung 4):

• Sensorarrays auf der Basis von Metalloxid-Halbleitersensoren
• Sensorarrays auf der Basis leitender Polymere
• Sensorarrays auf der Basis massensensitiver piezoelektrischer Sensoren
• Sensoren auf der Basis von Massenspektrometern

Abbildung 4: Aufnahmen verschiedener Chemo-Sensoren. (A) Metalloxid-Sensor. (B) Oberflächenwellenleiter (SAW)-Sensor. (C) Schwingquarz-Sensor. (D) Array mit leitfähigen Polymer-Sensoren.

Vergrößerte Version

2.3.1. Schwingquarzsensoren (Quarz Crystal Microbalances; QCM)

Schwingquarzsensoren bestehen aus einem Quarzkristall, der mit einem chemisch selektiven Film beschichtet ist. Der Kristall ist in einen Schwingkreis eingebaut und hat typischerweise eine Eigenfrequenz von 10 MHz. Bei der Wechselwirkung einer Gasphase mit der Sensorbeschichtung kommt es teilweise zur Absorption, wodurch die Masse des Film ansteigt. Infolge davon sinkt die Resonanzfrequenz, die dann als Sensorantwort gemessen wird. Die Vorteile der Schwingquarzsensoren liegt in ihrer hohen Selektivität und Sensitivität, ihrer guten Temperaturstabilität, der geringen Feuchteempfindlichkeit sowie der hohen Reproduzierbarkeit.

Die Beschichtungsmaterialien stammen häufig aus der Gaschromatographie, wo sie als stationäre Phasen eingesetzt werden. Durch die große Fülle der Beschichtungsmaterialien sind die Sensoren außerordentlich wandelbar und lassen sich an die meisten Messprobleme anpassen.

3.3.1.2. Oberflächenwellenleiter (Surface Acoustic Wave (SAW)-Sensoren)

Ein Surface Acoustic Wave Sensor ähnelt dem QCM-Sensor dahingehend, dass die Massenänderung an einem piezoelektrischen Kristall genutzt wird, um die Anwesenheit und Konzentration eines Geruchsstoffes anzuzeigen. Allerdings arbeiten SAW-Sensoren mit einer höheren Oszillationsfrequenz. Ein SAW-Sensor besteht aus einem Eingangs-Transducer, einem adsorbtiven Film und einem Ausgangs-Transducer, die sich auf einem piezoelektrischen Quarzsubstrat befinden. Der Eingangs-Transducer erzeugt eine akustische Oberflächenwelle, die durch die Filmbeschichtung zum Ausgangs-Transducer geleitet wird. SAW-Sensoren werden mit einer Resonanzfrequenz von 250 MHz bis zu 1 GHz betrieben. Werden Gasmoleküle von der Filmbeschichtung absorbier, so verändert sich diese Resonanzfrequenz aufgrund der Massenzunahme und der Veränderung der visko-elastischen Eigenschaften des Films. SAW-Sensoren bieten die selben Vorteile wie QCM-Sensoren, zeichnen sich aber durch eine höhere Empfindlichkeit aus. Ein Nachteil ist in der verhältnismäßig aufwändigen Schaltungstechnik zu sehen.

2.3.2. Metalloxid-Sensoren (MOS)

Ein Metalloxid-Sensor ist ein Widerstandselement, das aus einem Metalloxidfilm, wie z.B. Zinnoxid, gebildet wird. Geruchsmoleküle werden an der Metalloxid-Oberfläche reduziert, wodurch sich der elektrische Widerstand des Sensors ändert. Um die sorbierten Moleküle wieder entfernen zu können, müssen diese oxidiert werden. Dies wird durch Heizelemente im Sensor unterstützt.

Die Selektivität dieser Sensoren lässt sich beeinflussen durch Dotierung mit anderen Metalloxiden (z.B. mit Pd oder Pt), Änderung der Betriebstemperatur oder Veränderung der Sensorgeometrie. Der Vorteil vom MOS umfasst niedrige Kosten, geringe Feuchteempfindlichkeit und einfache Schaltungstechnik. Dem stehen Nachteile wie hohe Betriebstemperaturen, beschränkte Selektivität, hoher Energieverbrauch und mittelmäßige Empfindlichkeit (5 - 500 ppm) gegenüber.

2.3.3. Leitfähige Polymer Sensoren

Leitfähige Polymer Sensoren gehören ebenfalls zur Gruppe der konduktometrischen Sensoren. Sie bestehen aus einem halbleitenden Polymerfilm, der eine Beschichtung trägt, die Moleküle bestimmter chemischer Klassen sorbiert. Moleküle, die aus der Gasphase absorbiert werden, führen zu einer Quellung des Polymerfilms. Hierdurch ändert sich dessen elektrischer Widerstand, der als Sensorantwort gemessen und aufgezeichnet werden kann. Der Quellungsgrad hängt von der Konzentration der aus der Gasphase adsorbierenden Moleküle ab und ist reversibel. Die Desorption erfolgt allerdings zeitlich verzögert, wenn der Sensor hohen Konzentrationen ausgesetzt war.

Geeignete leitfähige Polymerfilme lassen sich durch Abscheidung im Spalt zwischen zwei Kontaktelektroden herstellen. Die Selektivität wird häufig dadurch beeinflusst, indem man Doppelschichten aus Polypyrrol und Polyanilin oder Poly(3-methylthiohen) herstellt. Außerdem lässt sich die Selektivität durch den Elektrodenabstand variieren.

Die Vorteile von leitfähigen Polymersensoren sind ihre breite Selektivität, die hohe Empfindlichkeit (0,1 - 100 ppm), Stabilität und der Betrieb bei Umgebungstemperatur. Ihr größter Nachteil ist die hohe Empfindlichkeit gegenüber Wasserdampf, der eine sorgfältige Konditionierung der Trägerluft notwendig macht.

Kommt es zu einer irreversiblen Bindung von Gasmolekülen an die Polymermatrix, so spricht man von Vergiftung des Sensors. Diese äußert sich in einem Anstieg des Basiswiderstands des betroffenen Sensors.

2.3.5 Massenselektive Sensoren

Massenselektive Sensoren basieren auf der bewährten Technologie der Massenspektrometer. Das Prinzip der Detektion von chemischen Substanzen in der Gasphase durch Massenspektrometrie ist hinreichend bekannt: Gasproben werden ionisiert und dabei geladene Molekülfragmente erzeugt. Diese Fragmente werden in einem Massenfilter entsprechend dem Verhältnis von Molmasse zu Ladung klassiert. Bei der Detektion der Ionen wird mit Hilfe eines Elektronenvervielfachers oder einer Faraday-Platte ein entsprechendes elektrisches Signal erzeugt. Massenselektive Sensoren nehmen den Totalionenstrom einer Gasprobe für einen bestimmten Zeitraum auf, ohne das Gasgemisch vorher zu trennen. Kommerziell erhältliche Geräte basieren auf einem Quadrupol-Massenspektrometer. Der Messbereich umfasst typischerweise 1 bis 200 amu.

Massenselektive Sensoren erweisen sich insbesondere als vorteilhaft, wenn Proben mit dominierender Matrix, wie z.B. Alkohol oder Wasser, untersucht werden müssen. In diesem Fall lassen sich die entsprechenden Massenpeaks ausblenden und dadurch die Signifikanz der verbleibenden Peaks erhöhen. Der Einsatz massenselektiver Sensoren erscheint ebenfalls günstig, wenn bestimmte Substanzen, Verunreinigungen oder chemisch definierte Fehlgerüche, quantifiziert werden sollen.

2.4 Probennahme

Neben den instrumentellen Voraussetzungen sind reproduzierbare Messergebnisse maßgeblich von einer repräsentativen Probennahme abhängig. Die Konzentration an flüchtigen Stoffen im Dampfraum über der zu untersuchenden Probe (Headspace) ist von vielen Faktoren abhängig. Diese müssen konstant gehalten werden, um reproduzierbare Partialdampfdrücke und damit reproduzierbare Messungen zu erhalten. Unter anderem sind hier folgende, von der Headspace-Gaschromatographie bekannten, Einflussfaktoren zu nennen:

• Probenmenge
• Volumen des Dampfraums über der Probe
• Temperatur
• Equilibrierungszei
• Art des Trägergases, dessen Qualität und relative Feuchte
• Druck des Trägergases
  

Prinzipiell gibt es die Möglichkeit, die Sensoren in den Headspace der Probe zu tauchen oder die Probe in ein Gefäß geeigneten Volumens zu füllen, um dann einen Teil des Headspace über das Sensorarray zu leiten. Auch hierbei sind zwei Varianten denkbar: Entweder wird der Probenheadspace während der gesamten Probennahme-Phase hindurch über die Sensoren gepumpt oder ein Teil des Headspace steht während der Sample-Phase statisch über den Sensoren. Die Empfindlichkeit der Analyse lässt sich durch verschiedene Verfahrenstechniken, z.B. Purge-und-Trap-Technik, die aus der Gaschromatographie bekannt sind, erhöhen.

3. Datenanalyse

Die von einem Chemosensor-Array erzeugten Rohsignale sind typischerweise zeitabhängige Kurven der entsprechenden elektrischen Messgrößen (Abbildung 5). Diese Ausgangssignale müssen mit mehr oder weniger Aufwand weiterverarbeitet werden, um eine Geruchserkennung zu ermöglichen.

Abbildung 5: Typische Sensorantwort eines Arrays von leitfähigen Polymer-Sensoren nach Kontakt mit einem Geruchsstoff

Vergrößerte Version

Eine einfache Methode, um Datensätze zu begutachten, ist die Darstellung aller Variablen bzw. einer Teilmenge in Form eines Balkendiagramms (Abbildung 6). Ein anderes ebenso einfaches Ausgabeformat ist der skalierte Radar-Plot (Abbildung 7). Beide Arten der Darstellung erhält man nach Integration oder Mittelung der Rohdaten innerhalb eines festgelegten Zeitintervalls. Jeder Vektor des Radar-Plot repräsentiert das Ausgangssignal eines Sensors. Wird ein Sensorarray mit unterschiedlichen Gasproben beaufschlagt, so werden sich die jeweiligen Sensorantworten im Verhältnis zueinander verändern. Dies spiegelt sich in der Form und dem Erscheinungsbild des zugehörigen Radarplots wieder.

Abbildung 6: Balkendiagramm-Darstellung der Rohdaten aus Abbildung 5. A: Mittelwert des Signals im Zeitfenster von 15 bis 75 Sekunden. B: Mittelwert des Signals im Zeitfenster von 55 bis 75 Sekunden.

Vergrößerte Version

Abbildung 7: Radar-Plot der Rohdaten aus Abbildung 5. A: Mittelwert des Signals im Zeitfenster von 15 bis 75 Sekunden. B: Mittelwert des Signals im Zeitfenster von 55 bis 75 Sekunden.

Vergrößerte Version

Um nun den Unterschied bzw. die Ähnlichkeit zwischen zwei Proben quantifizieren zu können, erscheint es vielfach sinnvoll, den Abstand der zugehörigen Datensätze numerisch beschreiben zu können.

Da Chemosensorsysteme Datensätze mit mehreren Variablen liefern, ist es sinnvoller ein multivariates als ein univariates Abstandsmaßes zu verwenden. Solch ein multivariates Abstandsmaß lässt sich im originären oder im reduzierten Datenraum berechnen. Hierfür stehen im wesentlichen zwei Berechnungsmethoden zur Verfügung. Der euklidische Abstand (ED) gibt die Länge des Vektors an, der zwei Punkte im Datenraum verbindet. Der ED lässt sich wie folgt ermitteln:

ED =

Dabei sind xa die Antwort eines Sensors auf die Probe A und xb die Antwort desselben Sensors auf die Probe B.

Allerdings berücksichtigt der ED nicht die Variation innerhalb einer Gruppe von Datenpunkten. Daher ist zur Beschreibung des Abstandes von Datenwolken (Klassen) ein statischer Abstand (sog. Mahalanobis-Abstand) im Grunde besser geeignet. Der statistische Abstand wird berechnet aus dem Verhältnis des euklidischen Abstands und der Varianz der Klasse in Richtung des Vektor zwischen den Mittelpunkten der Klassen. Richtungen mit starker Streuung innerhalb der Klasse ergeben deshalb kleine statistische Abstände.

3.2 Klassifikation und Reduktion der Dimensionalität

Klassifikation nennt man den Vorgang, der ein Modell befähigt, gemachte Beobachtungen verschiedenen Klassen zuzuordnen. Eine Klassifikation wird oftmals verknüpft mit einer Reduktion der Dimensionalität des Merkmalsraums. Ein Multisensor-Array liefert Datensätze mit hoher Dimensionalität, d.h. ein bestimmtes Merkmal, z.B. der Geruch, wird durch eine große Anzahl unabhängiger Variablen beschrieben. Allerdings ist es äußerst schwierig, mehr als drei Dimensionen gleichzeitig darzustellen. Daher kommt den Methoden, die es erlauben, die Dimensionalität multivariater Datensätze zu reduzieren, eine bedeutende Rolle zu. Nahezu alle Methoden der Datenverarbeitung gehen hierbei vom Konzept des sog. Merkmalsraums aus. Im Merkmalsraum geht man davon aus, dass alle Variablen senkrecht zueinander stehen und damit unabhängig voneinander sind. Ein einzelner Messwert wird durch einen Punkt im Merkmalsraum beschrieben, und ein gesamter Datensatz kann als Punktwolke im Raum betrachtet werden. Eine Möglichkeit, die Dimensionalität zu reduzieren besteht darin, neue Richtungen im Merkmalsraum zu suchen, wobei nur die Richtungen als neue Variablen berücksichtigt werden, die die größte Aussagekraft haben. Dabei werden die Bezugsebenen verändert und gleichzeitig die Dimensionalität erniedrigt. Bei der Hauptkomponenten-Analyse (Principal Component Analysis; PCA) transformiert (projeziert) man den Merkmalsraum (Abbildung 8). Es werden hierbei Richtungen gefunden, die die Streuung im Datensatz bestmöglich beschreiben. Diese neuen Richtungen, Hauptkomponenten genannt, werden danach als neue Variablen verwendet. Behält man lediglich die Hauptkomponenten mit großer Varianz bei, so erreicht man eine Reduktion der ursprünglichen Anzahl an Dimensionen. Neben der PCA gibt es auch noch andere Methoden mit deren Hilfe dies erreicht werden kann. Allen Methoden zeichnen sich dadurch aus, dass nach bestimmten Kriterien einige wenige aussagekräftige Richtungen - meist 2 oder 3 - im Merkmalsraum gesucht und nur diese für die Darstellung und Klassifikation herangezogen werden.

Abbildung 8: Schematische Ablauf einer Hauptkomponenten-Analyse (Principal Component Analysis; PCA) eines multivariaten Datensatzes. Die erste Hauptkomponente (PC 1) entspricht der Raumrichtung im Datensatz, der die größte Varianz aufweist. Die Projektion der Daten mit niedrigerer Dimensionalität stellt eine einfache, aber gute Näherung des ursprünglichen Datensatzes dar.

Vergrößerte Version

3.3 Neuronale Netze

Ein neuronales Netz (Artificial Neural Network; ANN) ist ein Ansatz zur Informationsverarbeitung, bei dem die Natur, z.B. in der Art wie unser Gehirn funktioniert, Pate stand. Schlüsselelement hierbei ist die neuartige Struktur, die der Datenverarbeitung zu Grunde liegt. Wesentliches Merkmal ist eine große Anzahl hochgradig vernetzter Einheiten (Neuronen), die gemeinsam dazu beitragen, eine bestimmte Fragestellung zu lösen (Abbildung 9). ANN lernen, wie auch Menschen, durch Trainings-Einheiten. Ein ANN wird in einer Trainings-Epoche für eine bestimmte Anwendung, z.B. Erkennen eines Gasgemisches, konfiguriert. Wie auch in biologischen Systemen bedeutet lernen in diesem Fall, dass synaptische Verbindungen zwischen Neuronen angepasst werden. Im Falle einer elektronischen Nase lernt das neuronale Netz verschiedene Sensorantworten den zugehörigen Gerüchen (Gasgemischen) zuzuordnen, um diese anschließend wiedererkennen zu können.

Abbildung 9: Prinzipieller Aufbau eines dreischichtigen neuronalen Netzes. Die rechnenden Neuronen (verborgene und Ausgabe-Schicht) arbeiten mit einer nicht-linearen Transferfunktion. Die Berechnungsparameter der Neuronen werden in einer Trainingsphase so gewählt, dass bei einem bekannten Datensatz der Ausgabefehler minimal wird.

Vergrößerte Version

Die Grundbausteine eines neuronalen Netzes sind die Neuronen. Jedes Neuron erhält eine Reihe von Eingangssignalen. Diese werden gewichtet, dann summiert und schließlich mit einer Transferfunktion weiterverarbeitet, die linear oder auch sigmoid verlaufen kann. In einem ANN sind Neuronen mehrerer Ebenen vernetzt. Die Eingabeschicht besitzt jeweils ein Neuron für jeden Sensor und die Ausgabeschicht hat jeweils ein Neuron für jede Eigenschaft der Probe, die unterschieden werden soll. Zwischen Ein- und Ausgabeschicht befindet sich üblicherweise eine verborgene Schicht mit einer variablen Anzahl an Neuronen. Die Berechnungsparameter der Neuronen (Gewichtung und Transferfunktion) werden in einer Trainingsphase so angepasst, dass der berechnete Ausgabewert bei einem bekannten Datensatz dem wahren Wert (Eigenschaft) möglichst nahe kommt. Aufgrund der nicht-linearen Modellbildung ist das Vorhersagemodell wesentlich komplexer als beim Zugrundelegen eines einfachen linearen Modells. Die Modellanpassung erfolgt häufig durch einen sog. Back-Propagation Algorithmus. Wesentliches Merkmal ist eine graduelle Optimierungsmethode, d.h. jede Gewichtung wird im Verhältnis zum verursachten Fehler verändert.

4. Anwendungsmöglichkeiten

Maßnahmen zur Qualitätskontrolle und -sicherung gewinnen in vielen industriellen Bereich zunehmend an Bedeutung, um einen gewissen Standard bei Rohstoffen und Fertigprodukten sicherstellen zu können. Elektronische Nasen kommen seit vielen Jahren kommen kommerziell zum Einsatz, wenn es darum geht, Gerüche oder allgemein flüchtige Substanzen zu charakterisieren.

Die häufigsten Anwendungsbereiche sind:

• Qualitätskontrolle in der Lebensmittelindustrie
• Qualitätskontrolle im Packmittelbereich
• Medizinische Diagnostik
• Umweltanalytik
• Geruchstoff- und Aromenindustrie
• Kontrolle von Getränken, z.B. Wein und Bier
• Tabakindustrie
• Kaffeeindustrie
• Bewertung von Fahrzeuginnenräumen

Im folgenden soll anhand einiger Beispiele gezeigt werden, wo im Bereich der Pharmazie und Kosmetik mögliche Einsatzgebiete zu finden sind.

4.1 Klassifikation von Hilfsstoffen

Abbildung 10 zeigt den PCA-Plot verschiedener Hilfsstoffe, die häufig in Topika vorkommen. Im Diagramm ist eine deutliche Unterscheidung zwischen den Substanzen Polyethylenglykol und Propylenglykol zu erkennen während die beiden weniger flüchtigen Substanzen (Caprylic/Capric Triglycerides und Octyldodecanol) in dem selben Cluster zu finden sind. Offensichtlich ist eine Unterscheidung dieser beiden Substanzen unter den gewählten Messbedingungen nicht möglich.

Abbildung 10: PCA-Plot einer qualitativen Analyse verschiedener Hilfsstoffe

Vergrößerte Version

4.2 Bewertung ätherischer Öle

Die Qualitätskontrolle in der Riechstoff- und Aromenindustrie ist häufig zeitaufwändig und kostenintensiv. Im Bereich der Routineanalytik können elektronische Nasen hier gute Dienste leisten.

In Abbildung 11 sind die Ergebnisse von Untersuchungen an drei natürlichen Pfefferminzölen, die von unterschiedlichen Anbaugebieten stammen, und einem synthetischen Pfefferminzöl dargestellt. In der zweidimensionalen Projektion der Ergebnisse kann ein signifikanter Unterschied zwischen den natürlichen und dem künstlichen Pfefferminzöl eindeutig erkannt werden. Obwohl der Unterschied zwischen den drei natürlichen Ölen eher klein erscheint, ist es mit Hilfe eines neuronalen Netzes problemlos möglich, ihren Ursprung wiederzuerkennen.

Abbildung 11: PCA-Plot von drei natürlichen und einem künstlichen Pfefferminzöl

Vergrößerte Version

Der PCA-Plot verschiedener Herstellchargen künstlicher Pfefferminzaromen ist in Abbildung 12 wiedergegeben. Aroma 1 und Aroma 2 erweisen sich als sehr ähnlich, während Aroma 3 klar abgegrenzt wird. Eine sensorische Überprüfung ergab bei diesem Aroma einen Anis-artigen Unterton.

Vergrößerte Version

4.4 Quantifizierung flüchtiger Bestandteile

Der Qualitätskontrolle ihrer Produkte ist ein wichtige Aufgabe im Bereich der kosmetischen und pharmazeutischen Industrie. Muss auf flüchtige Inhaltsstoffe geprüft werden, so lässt sich diese Aufgabe mit einer elektronischen Nase erledigen. Abbildung 13 stellt die Hauptkomponenten-Analyse zweier Konzentrationsreihen des flüchtigen Insektenrepellents DEET (N,N-Diethyl-3-methyl-benzamid) dar. Der DEET-Gehalt kann sowohl in einer Matrix aus Polyethylenglykol 300 wie auch Caprylic/Capric Triglyceride direkt aus dem Headspace der Proben ermittelt werden. Sogar Proben, die nur 1 % der Wirksubstanz enthalten, lassen sich eindeutig von den reinen Hilfsstoffe unterscheiden.

Abbildung 13: PCA-Plot zweier Konzentrationsreihen mit dem Insektenrepellent DEET. Alle drei Reinsubstanzen (N,N-Diethyl-3-methyl-benzamide (DEET); Polyethylene Glylcole 300 (PEG); Caprylic/Capric Triglyceride (MCT)) sowie die jeweiligen binären Mischungen können eindeutig voneinander getrennt werden.

Vergrößerte Version

4.5 Screening der physikalischen Stabilität von Cremes

Die Lagerstabilität von Cremes ist häufig begrenzt aufgrund physikalischer Instabilitäten, wie z.B. Aufrahmen, Koaleszens oder Veränderungen des kolloiden Aufbaus. Da all diese Prozesse auch das Verteilungsgleichgewicht flüchtiger Substanzen in der Formulierung verändern, werden diese physikalischen Instabilitäten den "Geruch" der Creme beeinflussen. Daher ist es möglich, die physikalische Stabilität einer Creme mit Hilfe einer elektronischen Nase zu überwachen.

Abbildung 14 zeigt den PCA-Plot von Lagerproben einer mäßig stabilen Creme, die zum einen bei konstant 40° C und zum anderen im Schaukeltest (-5/40° C) gelagert wurden. Bei allen Proben ist während der 14-tägigen Lagerung eindeutig eine Veränderung zu erkennen. Der Effekt tritt stärker zu Tage, wenn die Proben einem Schaukeltest unterzogen werden. Eine stabile Zubereitung zeigt hingegen keine Veränderung des Geruchsmusters während der Lagerung.


Abbildung 14: PCA-Plot einer mittelmäßig stabilen Creme-Zubereitung. Die Proben wurden zu Beginn sowie nach ein- und zweiwöchiger Lagerung bei 40 °C bzw. im Schaukeltest (-5/40 °C) untersucht. Die isotherme Lagerung bei 40 °C verursacht eine geringere Veränderung als der Schaukeltest.

Vergrößerte Version

5. Fazit

Elektronische Nasen ahmen das Verhalten der menschlichen Nase nach und nutzen viele Ansätze, die aus dem Reich der Natur bekannt sind, wie z.B. die Chemosensorik oder den Prozess der Geruchserkennung. Obwohl die menschliche Nase oftmals empfindlicher auf Gerüche reagiert als dies elektronische Nasen tun, birgt diese neue Technologie eine Reihe von Vorteilen. Insbesondere die Möglichkeit, Gerüche objektiv und unermüdlich beurteilen zu können, ist ein großer Fortschritt. Es ist daher damit zu rechnen, dass sich dieser Analysentechnik ständig weitere Anwendungsfelder in allen Bereichen der Industrie erschließen werden.

6. Weiterführende Literatur

Amoore, J.E.: Molecular basis of odor; Ed. C.C. Thomas Publisher, Springfield, USA, 1970
Amoore, J.E.: Stereochemical theory of olfaction; Nature 198, 1963, 271-272
Aromascan: Dem Erfolg auf der Spur: Digitale Aromatechnologie; Euro Cosmetics 7-8/1995, 27-32
Boeckh, J.: Die Wahrnehmung des unsichtbaren Riechens und Schmeckens: Moleküle als Sinnesreize; Tagungsbeitrag EBC-Kongreß 1993
Buchbauer, G., Selos, S.: Neue Erkenntnisse über die molekularen Mechanismen des Riechens; Euro Cosmetics, 12/1995, 12-23
Buchbauer, G., Selos, S.: Neue Erkenntnisse über die molekularen Mechanismen des Riechens II; Euro Cosmetics, 1/1996, 22-37
Brunke, E.-J., Ritter, F., Schnaus, G.: Neue Ergebnisse zu sensorisch relevanten Spurenkomponenten in Blütendüften; Dragoco Report 1/1996, 5-21
Davide, F., Holmberg, M., Lundström, I.: Virtual olfactory interfaces: electronic noses and olfactory displays. In: Communications Through Virtual Technology: Identity Community and Technology in the Internet Age (G. Riva and F. Davide(Eds.)), IOS Press: Amsterdam, 2001, 193-220.
Firestein ,S.: How the olfactory system makes sense of scents. Natur 413, 2001, 211-218
Freeman, W.F.: Physiologie und Simulation der Geruchswahrnehmung; Spektrum der Wissenschaft, 4/1991, 60-69
Gardner, J.W., Bartlett, Ph.N.: A brief history of electronic noses; Sensors and actuators B, 18-19, 1994, 211-220
Göpel, W.: Chemical imaging: I. Concepts and visions for electronic and bioelectronic noses; Sensors and Actuators B 52, 1998, 125-142
Göpel, W.: Entwicklungstrends der Chemo- und Biosensorik; GIT 4/1996, 330-335
Hatfield, J.V., Neaves, P., Persaud, K., Travers, P.: Towards an integrated electronic nose using conducting polymer sensors; Sensors and actuators B, 18-19, 1994, 221-228
Hoefer, U., Felske, A., Schulz, G., Steiner, K.: SnO2-Multisensorsysteme für die Analyse von Gas- und Geruchsstoffgemischen; Tagungsbeitrag GMA-Fachtagung Feb. 1996, Düsseldorf
Horner, G.: Einsatz von Sensor-Arrays in der Olfaktometrie. Sensor 93, Vol. 2, Nürnberg 1993, 179-185
Horner, G., Vonach, B.: Ein intelligentes Sensorsystem erkennt Gerüche; Laborpraxis 4/1995, 28-30
Linder, M.E., Gilman, A.G.: G-Proteine; Spektrum der Wissenschaft, 9/1992, 54-62
Madsen, M.G., Grypa, R.D.: Spices, Flavor Systems and the Electronic Nose. Food Technology 54, 2000, 44-46.
Moy, L., Tan, T., Gardner, J.W.: Monitoring the stability of perfume and body odors with an electronic nose; Perfumer & Flavorist 19, July/August 1994, 11-16
Moy, L., Collins, M.: Elektronische Nasen und neuronale Netzwerke; Laborpraxis 5/1996, 14-18
Ohloff, G.: Scent and Fragrances, Springer-Verlag, Berlin Heidelberg, 1994
Pearce, T.C., Gardner, J.W., Friel, S., Bartlett, Ph.B., Blair, N.: Electronic nose for monitoring the flavour of beers; Analyst, 18, April/1993, 371-377
Persaud, K., Dodd, G.: Analysis of discrimination mechanisms in the mammalian olfactory system using a model nose; Nature Vol.299, 23, 1982, 352-355
Persaud, K.C., Pelosi, P.: An approach to an artificial nose; Trans. Am. Soc. Artif. Intern. Organs, Vol.31, 1985, 297-300
Persaud, K.C., Travers, P.J.: Arrays of broad specifity films for sensing volatile chemicals; Department of Instrumentation and Analytical Science, University of Manchester, Institute of Science and Technology
Rapp, M., Reibel, J.: Gasanalytik mit Sensorsystemen: Ein Weg zur elektronischen Nase?; Nachr. Chem. Tech. Lab., 44, 11/1996, 1088-1092
Restrepo, D., Brand, J.B.: Molekulare Mechanismen des Riechens; Dragoco Report 39, 1992, 122-127
Schepper K.: Optimierung und Charakterisierung von topischen Formulierungen mit Insektenrepellents. Dissertation Technische Universität Braunschweig 1999.
Weimar, U., Göpel, W.: Chemical imaging: II. Trends in practical multiparameter sensor systems; Sensors and Actuators B 52, 1998, 143-161.

Dieser Artikel wurde veröffentlicht bereits veröffentlicht: Rolf Daniels, Electronic Noses, Eurocosmetics 10 (2002/9) 20-29.

Autor