tesi jordi gallardo

Llengües electròniques basades en sensors potenciomètrics

LLENGÜES ELECTRÒNIQUES BASADES EN SENSORS

POTENCIOMÈTRICS

Memòria presentada per Jordi Gallardo Oña

per optar al grau de doctor en Ciències Químiques

Bellaterra, novembre de 2005

Aquesta tesi, que porta per títol “Llengües electròniques basades en sensors potenciomètrics”, ha estat realitzada en els laboratoris del Grup de Sensors i Biosensors del Departament de Química de la Universitat Autònoma de Barcelona sota la direcció del Dr. Manuel del Valle Zafra, professor titular. Bellaterra, novembre de 2005 Manuel del Valle Zafra

Grup de Sensors i Biosensors Departament de Química

Universitat Autònoma de Barcelona Edifici Cn. 08193 Bellaterra

Tel.: + 34 93 581 18 36 Fax: + 34 93 581 23 79 [email protected]

[email protected]

als meus pares

a tu, Nere

Abreviatures i símbols

α velocitat d’aprenentatge xa activitat del ió X β moment BPA adipat de bis(1-butilpentil) BR o RB regularització bayesiana δ gradient DBS sebacat de dibutil DGM Descens de Gradient amb Moment DOS sebacat de dioctil e vector d’errors de la XNA EAA espectofotometria d'absorció atòmica Ecel potencial de la cel·la galvànica Emem potencial de membrana Eo potencial estàndard Ep funció error de la XNA Eref potencial de l’elèctrode de referència ESI elèctrode selectiu d'ions Eul potencial d'unió líquida Ew suma dels quadrats dels pesos de la xarxa xγ coeficient d’activitat de l’ió x Genèric I ESI de resposta genèrica amb dibenzo(18-corona-6) com

a ionòfor Genèric II ESI de resposta genèrica amb lasalocida com a ionòfor I força iònica J matriu Jacobiana LD límit de detecció LIRL-LSRL límit inferior de resposta lineal-límit superior de resposta

lineal LM Levenberg-Marquardt MOS sensors de metall-òxid-semiconductor NPOE èter d’ o-nitrofenil octil Opj sortida esperada de la XNA RMSE arrel de l’error quadràtic mig RSD desviació estàndard relativa S sensibilitat de l'elèctrode SAW ona acústica superficial Tpj sortida trobada de la XNA wij valor del pes d’una connexió en la XNA XNA xarxa neuronal artificial Zx càrrega de l’ió X

ÍÍNNDDEEXX 1. INTRODUCCIÓ.....................................................................................................3

1.1. Sensors químics............................................................................................5

1.1.1. Sensors potenciomètrics .............................................................................7 1.1.2. Activitat i coeficient d’activitat ......................................................................8 1.1.3. Elèctrodes selectius d’ions ..........................................................................9 1.1.4. Elèctrodes de membrana polimèrica ......................................................... 13 1.1.5. ESIs en sistemes automatitzats................................................................. 15

1.2. Matrius de sensors........................................................................................... 22

1.3 Processament multicomponent de les dades generades .................................. 25

1.3.1. Operacions prèvies. Correccions del senyal.............................................. 26 1.3.2. Processament multicomponent ................................................................. 27 1.3.3. Xarxes Neuronals Artificials....................................................................... 28

1.3.3.1. Antecedents ........................................................................................ 28 1.3.4. Anàlisi en components principals (PCA).................................................... 36

1.4. La llengua electrònica ...................................................................................... 39

ÍNDEX

ii

1.4.1. La e-llengua com a eina d’analisi qualitatiu ............................................... 41 1.4.2. La e-llengua com a eina d’analisi quantitatiu ............................................. 43 1.4.3. La e-llengua com a eina per proporcionar nova informació ....................... 44

1.5. Sistemes analítics distribuïts ............................................................................ 45

1.5.1. Parts del sistema de mesura ..................................................................... 45 1.5.2. Configuracions de sistemes distribuïts ...................................................... 46 1.5.3. La mesura remota ..................................................................................... 47

2. OBJECTIUS ....................................................................................................... 57 3. RESUM I DISCUSSIÓ GLOBAL DELS RESULTATS ........................................ 59

3.1. Elèctrodes Selectius d’Ions.......................................................................... 59

3.2. Preparació dels Dispositius ......................................................................... 61

3.2.1. ESI en configuració convencional ........................................................ 61 3.2.2. ESI en configuració tubular.................................................................. 62

3.3. Avaluació de les Característiques de Resposta dels ESI............................. 65

3.4. Configuracions dels Sistemes de Mesura.................................................... 68

3.4.1. Mesura discontínua o “BATCH” ........................................................... 68 3.4.2. Sistemes FIA ....................................................................................... 69

3.5. Generació i Avaluació dels Conjunts de Partida .......................................... 71

3.5.1. Primer Conjunt d’entrenament ............................................................. 72 3.5.2. Segon Conjunt d’Entrenament ............................................................. 76

3.6. Transferència de Calibratges entre Diferents Matrius.................................. 83

3.7. Llengua Electrònica com a Eina d’Anàlisi Qualitativa................................... 86

3.8. El Sistema de Sensors Distribuït ................................................................. 89

4. CONCLUSIONS.................................................................................................. 95 5. ANNEXOS .......................................................................................................... 99

3.1. ARTICLE 1 ................................................................................................ 103

ÍNDEX

iii

3.2. ARTICLE 2 ................................................................................................ 121

3.3. ARTICLE 3 ................................................................................................ 133

3.4. ARTICLE 4 ................................................................................................ 143

3.5. ARTICLE 5 ................................................................................................ 155

3

11.. IINNTTRROODDUUCCCCIIÓÓ L’objectiu principal de la química analítica moderna és el de poder extreure informació útil de la matèria, en paràmetres d’interès del món que ens envolta. Aquestes anàlisis de la matèria poden ser de multitud de paràmetres mediambientals, industrials o clínics. Tradicionalment, el desenvolupament i millora d’instruments o tècniques analítiques va lligat a l’obtenció de millors prestacions o propietats analítiques, essent l’objectiu en molts casos l’obtenció de la màxima selectivitat envers a un determinat analit. Aquests esforços han generat multitud de principis i instruments, on una tendència és l’obtenció de sistemes ràpids d’anàlisi per aplicacions de monitoreig, majoritàriament constituïts per sensors. Dintre aquest entorn existeixen diversos dispositius electroquímics, sistemes que en el camp dels sensors potenciomètrics són coneguts com a elèctrodes selectius d’ions (ESIs), d’àmplia aplicació en monitorització ambiental, en la indústria alimentaria o simplement, en altres camps d’aplicació on calen dispositius que permetin una ràpida i eficaç generació d’informació sobre la composició d’una determinada mostra i, fins i tot, de la matriu que la conté[1]. Malgrat això, aquests dispositius solen permetre una aplicació amb mesura directa, sinó que moltes vegades requereixen d’etapes d’emmascarament o separació d’espècies interferents, degut a que solen presentar un cert component de resposta a altres ions[2]. Noves aproximacions estan abordant el problema de la manca de resposta unívoca dels dispositius selectius, amb estratègies que parteixen de l’ús de matrius de sensors que presentin selectivitat creuada. Aquest nou plantejament, és direccionalment

LLENGÜES ELECTRÒNIQUES BASADES EN SENSORS POTENCIOMÈTRICS

4

oposat al clàssic, ja que aquest necessita de dispositius que no siguin massa selectius, podent obtenir així resposta a un ampli ventall d’espècies. El problema aquí és que s’obtenen respostes on la propietat mesurada ja no depèn solament d’una espècie sinó que, pot dependre d’un ampli ventall d’analits i caldran doncs aquí, eines de calibració multivariable que permetin elucidar la resposta de tipus no lineal generada per la matriu. Aquesta, mitjançant la utilització dels sensors adequats, permetrà l’obtenció d’un dispositiu de propòsit general, que podrem entrenar per a la aplicació que nosaltres necessitem. Per al resultat final es necessita un procés de calibració multivariable, presentant a la matriu de sensors una sèrie de patrons que continguin diferents nivells de concentració de les diferents espècies a determinar, podent arribar així a quantificar els analits d’interès corregint la presència d’espècies interferents sense la necessitat d’eliminar-les. Aquestes noves estratègies són biològicament inspirades, ja que es basen en el mecanisme sensorial animal de reconeixement i processament d’estímuls externs, van ser implementades per primera vegada en sistemes per l’anàlisi de mostres gasoses on se’ls va donar el nom de nassos electrònics perquè al basar-se en el mecanisme de reconeixement de les olors per part dels animals [3]. Quan aquesta aproximació es va aplicar al camp de les mostres líquides va rebre el nom de llengua electrònica degut a la seva semblança amb el mecanisme de reconeixement dels sabors, ja que els animals posseeixen un determinat nombre de receptors genèrics (es reconeixen dolç, amarg, àcid i salat)1 i qui s’encarrega de fer el reconeixement de les diferents variants és el processament dut a terme en el cervell. Aquesta aproximació biomimètica, en el camp dels sensors potenciomètrics es basa en l’ús de matrius d’ESIs i d’eines de processament multivariable de les dades complexes generades. El model obtingut a través d’aquesta calibració entre les dades obtingudes amb la matriu i les concentracions de les espècies a mesurar, es comporta com una caixa negra o model tancat que, fins i tot no sabent que succeeix en aquesta modelització, es realitza una transformació dels punts experimentals i s’obtenen els resultats. Però no solament és una tècnica aplicable a la quantificació d’analits, sinó que pot ser utilitzada per a la classificació d’espècies, mecanisme anàleg al reconeixement de sabors en el sentit del gust. En l’estratègia quantitativa, les eines generalment emprades com a calibració multivariable són les xarxes neuronals artificials (XNAs) basades en el propi processament del cervell humà [4]. A la vegada, s’acostuma a utilitzar una eina de classificació pertanyent a les tècniques de reducció de variables; la tècnica habitual pot ser l’anàlisi en components principals (PCA) on el que s’obtenen són mapes o agrupacions de les mostres en funció de la seva natura[5]. La llengua electrònica ens proporciona doncs, un gran ventall de possibilitats ja que es configura com una caixa d’eines per als químics analítics, d’utilitat en camps 1 Civilitzacions asiàtiques distingeixen un cinquè sabor bàsic, anomenat “umami”, relacionat amb el bon gust que deixa un aliment en ser tastat.

1. INTRODUCCIÓ

5

mediambiental, alimentari o clínic, i per la seva versatilitat es perfila com una de les tendències amb interès creixent en la recerca de noves tecnologies aplicades a l’anàlisi[6]. En el present treball es presenta el disseny, construcció i avaluació de llengües electròniques formades per una matriu de sensors potenciomètrics de PVC basats en portador mòbil neutre i tractament de dades multivariable amb XNAs per a la determinació simultània d’ions amoni, potassi i sodi, en mostres sintètiques i reals d’aigua de riu i de fertilitzants. Posteriorment, es presenta el disseny, construcció i avaluació d’una llengua electrònica per a la classificació de mostres alimentaries mitjançant una matriu d’ESIs del mateix tipus que el cas anterior i eines de reducció de dades en components principals per a la classificació de les diferents mostres. Finalment, es mostrarà la implementació de la llengua electrònica en un sistema portàtil per a la monitorització remota i en camp. El sistema portàtil realitza les medicions gràcies a un programari implementat en un microcontrolador i posseeix la possibilitat de comunicació mitjançant un port sèrie a un ordinador central que, a la vegada pot connectar-se a la xarxa a través d’internet. En el nostre cas però, l’estratègia realitzada és la d’un sistema de monitorització amb estació base amb comunicació per sèrie i amb implementació del model de calibració en l’ordinador central i receptor.

1.1. Sensors químics Una possible definició de sensor químic és la d’un dispositiu que respon de forma selectiva a un particular analit, en fase líquida o gasosa[7], de forma que la informació química que es genera en aquest procés és convertida a un senyal físic quantificable[8]. Aquest instrument, a més, sol presentar de forma habitual dimensions reduïdes i portàtils[9]. Els sensors químics són dispositius emprats en la mesura d’un analit de forma qualitativa i/o quantitativa. El seu desenvolupament es troba especialment lligat a la necessitat de monitorització. Aquesta requereix de dispositius simples i que puguin fer mesures en temps real de paràmetres mediambientals, clínics, alimentaris o industrials, factors que incideixen cada cop més en la nostra qualitat de vida com són els contaminants, bacteris o analits, els quals necessiten simplement ser controlats. De forma esquemàtica, el procés que succeeix en posar en contacte un sensor amb un analit es pot resumir en un reconeixement d’aquest analit, i en aquest procés es genera un senyal de tipus primari. Aquest resultat directe del reconeixement es pot traduir en un senyal secundari de tipus elèctric mitjançant un transductor. La magnitud d’aquest podrà ser relacionada posteriorment amb la concentració aparent o activitat de l’espècie reconeguda en l’etapa primària. Un esquema del procés que té lloc des del reconeixement fins a la generació del senyal d’interès analític, es mostra a la figura 1.1.


6

SENYAL D'INTERÈS

MOSTRA

senyal 1ari senyal 2ari

Figura 1.1. Procés que té lloc en el reconeixement de la mostra, que porta a generar el senyal d’interès analític.

En funció de la natura del senyal primari, els sensors químics es classifiquen en diferents tipus, segons mostra la taula 1.1.

Taula 1.1. Classificació dels sensors químics segons la natura del senyal primari.

Tradicionalment, un sensor químic ha de complir les següents característiques bàsiques:

• Han de proporcionar un senyal mesurable proporcional la concentració de l’analit. Ha d’existir un model matemàtic que el pugui relacionar amb la concentració d’aquest. Aquesta modelització no ha de ser necessàriament lineal i pot ser tractada adequadament per sistemes electrònics o per eines quimiomètriques. És convenient que el rang de resposta del sensor sigui prou ampli (dècades de concentració).

L’absorbància. La reflectància. La luminiscència. L’índex de refracció. L’efecte optotèrmic.

Òptics Basats en el mesurament de:

La dispersió de la llum. Sensors potenciomètrics. (p.ex. elèctrodes selectius d’ions) Sensors voltamperomètrics. (p.ex. elèctrodes inerts químicament) CHEMFETs (sensors basats en transistors d’efecte de camp sensibilitzats

químicament)

Electroquímics

Sensors potenciomètrics d’electròlit sòlid per a gasos. Sensors de metall-òxid-semiconductor. (MOS) Sensors de semiconductor orgànic. Sensors de conductivitat electrolítica.

Elèctrics

Sensors de permitivitat elèctrica. Dispositius piezoelèctrics. Bulk acoustic wave (BAW). Sensibles a

la massa. Dispositius d’ona acústica superficial. Surface acoustic wave (SAW). Tèrmics Sensors catalítics. Magnètics Altres Sensors radiomètrics.

1. INTRODUCCIÓ

7

• Selectivitat. Sense una adequada selectivitat, el dispositiu per ell mateix no pot

assegurar una resposta depenent de l’analit. Tradicionalment, un sensor ha de manifestar una alta selectivitat cap a l’espècie d’interès i un baix nivell d’interferència a la matriu de la mostra. En les noves estratègies d’anàlisi que utilitzen matrius de sensors de selectivitat creuada i eines de calibració multivariable, per a poder desfer aquestes respostes a interferents. Aquesta característica no és imprescindible.

• Sensibilitat. Determina la capacitat del dispositiu per discriminar entre petites

diferències de concentració de l’espècie d’interès. • Baix límit de detecció. Proporciona la possibilitat de realitzar la determinació

de substàncies en molt baixa concentració. Ve determinat per un adequat valor de la relació senyal/soroll (S/N)2. Aquest valor pot resultar més favorable en mesuraments en flux i pot ser millorat mitjançant la utilització de filtres. Aquest paràmetre determina la viabilitat de certes aplicacions, per exemple, l’anàlisi mediambiental.

• Resposta ràpida i reversible. Proporciona la possibilitat de monitoritzar

determinats processos en continu que necessiten de la obtenció de resultats en temps real.

• Absència d’histèresi. Després de respondre a un determinat analit i,

posteriorment, en absència d’aquest cal que la senyal del sensor retorni al seu valor inicial. Aquest paràmetre assegura la fiabilitat en el dispositiu.

• Baix cost. Pensant en la possibilitat de posar a l’abast d’un gran segment de la

població determinats sensors químics, fins i tot en la idea de que aquests puguin ser d’un sol ús, és fonamental aconseguir baixos costos de fabricació.

• Robust, portàtil i fàcil d’utilitzar. La majoria de les aplicacions estan

dissenyades per a anàlisis de camp, moltes vegades dutes a terme per personal de formació química limitada.

• Fàcil de ser construït. Per a poder dur a terme una ràpida optimització dels

sistemes sensors cal la utilització de tecnologies senzilles i robustes. • Biocompatible. En sistemes invasius cal una compatibilitat biològica dels

materials emprats en la construcció dels dispositius.

2 S/N de l’anglès signal/noise. Aquesta simbologia és àmpliament utilitzada.


8

1.1.1. Sensors potenciomètrics Els sensors potenciomètrics s’aprofiten del potencial elèctric generat a la superfície d’un sòlid quan està en contacte amb una dissolució que conté ions, que poden interaccionar bescanviant-se amb els ions de la superfície. La magnitud del potencial és relacionada amb la quantitat d’ions presents a la solució. Però de fet, el potencial no depèn de la concentració d’ions a la solució, sinó de l’activitat d’aquests, que és la concentració efectiva. El potencial mesurat és la diferència entre dos elèctrodes d’una cel·la galvànica (un indicador i un de referència) sota condicions de corrent zero a causa de l’alta impedància de l’element de mesura[10]. refindcel EEE −= (1.1)

On Ecel, és el potencial de cel·la, Eind és el potencial de l’elèctrode indicador, Eref el de l’elèctrode de referència.

xx

0celcel a·ln

FzRTEE += (1.2)

El potencial de l’elèctrode indicador es veu afectat per espècies presents en solució, mentre que l’elèctrode de referència manté un potencial constant. L’equació de Nernst (1.2) és l’equació bàsica en potenciometria i és, per tant, la que descriu aquest procés i ens permet relacionar el potencial mesurat amb la quantitat d’ió present en solució. Ecel i Ecel

0 són el potencial de la cel·la i el potencial estàndard de la cel·la respectivament, R és la constant de gasos, T la temperatura absoluta i F la constant de Faraday i zx la transferència de càrrega implicada i ax l’activitat de l’espècie que intervé en el procés. La relació RT/zxF, quan la càrrega de l’espècie x és unitària, pren el valor de 59,16 mV (valor que inclou la conversió de logaritme neperià a decimal). Mitjançant un mètode gràfic, es pot obtenir aquest valor com el pendent de variació de potencial provocat per la variació d’un ordre de magnitud de l’activitat de l’ió mesurat. Aquest pendent es veu afectat per la temperatura aproximadament en 0,2 mV/ºC. Cal destacar que la sensibilitat de les espècies divalents es veu reduïda a la meitat respecte a les monovalents, limitació inherent al propi model. La sensibilitat doncs, és un paràmetre que pren especial importància en la caracterització i posterior utilització dels sensors.

1.1.2. Activitat i coeficient d’activitat Com hem comentat abans, aquest tipus de sensors responen a l’activitat dels ions i no a la seva concentració. L’activitat és la concentració efectiva de l’espècie que mesurem en la dissolució, veient-la des d’un punt de vista macroscòpic, i existeix una

1. INTRODUCCIÓ

9

forma de calcular-la a partir de la concentració total d’ions en la solució. L’activitat d’un ió es relaciona amb la concentració Cx d’aquest a través del coeficient d’activitat xγ (expressió 1.3), que al mateix temps depèn de la força iònica (I) del medi, com podem observar en l’expressió de Debye-Hückel (1.4). xx γa = C x (1.3)

C'·IB·I1

I|·zz|Alogγ 1/2

1/2

−+

=− −+± (1.4)

i per a 1 ió en concret[11], fent que per ions monovalents xγ = ±γ :

±+

−− = logγ

ZZlogγ (1.5)

x

i

1x

2x ·CZ

21I ∑

=

= (1.6)

on A )T( 3/2−∝ és una constant que per a l’aigua a 25ºC val -0,5108. B i C’ es troben tabulats para a cada espècie iònica per poder ajustar el model teòric[12].

1.1.3. Elèctrodes selectius d’ions Els elèctrodes selectius d’ions (ESIs) són sensors químics amb una transducció de tipus potenciomètrica[13], i que presenten resposta selectiva a una família d’ions amb propietats similars. El reconeixement de les espècies es fa possible a través d’una reacció d’equilibri a la superfície del sensor. Aquesta superfície ha de contenir una substància que pugui reaccionar de forma idealment reversible i específica amb l’analit. En els últims anys, la tendència és que aquesta substància estigui continguda en membranes selectives d’ions. Quan aquesta membrana que conté l’element de reconeixement es posa en contacte amb una solució que conté ions susceptibles d’ésser bescanviats es produeix una separació de càrregues al llarg de la interfície membrana-solució, que fa que es creï un potencial interficial anomenat potencial de membrana en el qual s’estableix un equilibri entre l’ió i l’element de reconeixement[14]. La quantitat d’ions presents en el si de la dissolució determinen la posició d’aquest equilibri i per tant, la magnitud del potencial de membrana. Aquest potencial és descrit per l’equació 1.7. Emem és el potencial de membrana, i ax i aintern són les activitats de l’ió a cada cantó de la interfície.

⎥⎦

⎤⎢⎣

⎡=

intern

x

xmem a

a·lnFz

RTE (1.7)


10

Així doncs en un ESI, tenint en compte el potencial de membrana, el potencial de la cel·la queda de la següent forma: ulrefmemcel EEEE +−= (1.8)

on a més, s’ha tingut en compte el potencial d’unió líquida, Eul. Assumint que aintern, Eref i Eul són constants, es pot veure com el potencial mesurat sols depèn de ax (l’activitat de l’ió en el si de la dissolució):

xx

cel a·ln Fz

RTKE += (1.9)

L’expressió (1.9) que es constitueix com l’equació bàsica de treball amb ESIs, rep en nom d’equació de Nernst. El comportament teòric dels ESIs en presència de altres espècies interferents s’ajusta d’acord amb la relació de Nikolskii-Eisenmann (o de Nernst ampliada) (1.10); té en compte que els ESIs responen a un ió principal (ax), però també a altres ions (interferents) (aj), que contribueixen al potencial obtingut.

)aK·ln(aFz

RTKE jx /ZZj

xj

potjx,x

xcel ∑

≠

++= (1.10)

on Ecel és el potencial de l’ESI llegit versus un elèctrode de referència i K és una constant, i zx són respectivament l’activitat i la càrrega de l’ió principal, aj i zj l’activitat i càrrega de l’interferent i pot

jx,K coeficient de selectivitat potenciomètrica de j (ió

interferent) sobre x (ió principal)[15]. Finalment citar que, la contradicció que per calcular la força iònica sembli necessària conèixer la concentració que de fet es busca, es resol treballant en un medi amb excés de sals inerts de fons, que són les que asseguren el control de la força iònica. 1.1.4.1. Característiques bàsiques Tot dispositiu és caracteritzable amb una sèrie de paràmetres de control que poden definir el seu rang de funcionament. Els límits d’operacionalitat ens són útils en el treball experimental per tenir criteris per a l’elecció del dispositiu adient o per a decidir de quan el nostre dispositiu deixa de presentar un comportament òptim. Aquests paràmetres són:

• Sensibilitat. És la capacitat de discriminar entre petites diferències de concentració de l’espècie d’interès. En els ESIs, aquest concepte es tradueix en el pendent de l’equació de Nernst que ha de ser teòricament 59,16 mV/dec (mV per dècada de concentració) per a un catió monovalent, o per exemple -29,58 mV/dec per a un anió divalent. Aquest paràmetre es veu afectat per un

1. INTRODUCCIÓ

11

ús continuat del dispositiu. Arbitràriament, considerem que l’ESI ha perdut unes bones característiques de sensibilitat quan aquest valor disminueix per sota del 80% del valor inicial.

• Límit de detecció (LD). O dit d’altra manera l’activitat en el límit de detecció,

és aquella activitat en la qual el potencial llegit prengui un valor clarament diferenciable de la lectura del soroll. Cal conèixer aquest valor per a poder decidir l’aplicabilitat del dispositiu a un determinat anàlisi3.

• Temps de vida. Per a cada tipus d’ESI al cap d’un determinat temps les

característiques d’operativitat es veuen afectades[16]. Això es degut a que degut a un ús perllongat d’un determinat dispositiu, o per unes indegudes condicions de conservació, els components electroactius presents al dispositiu es veuen alterats4.

• Temps de resposta. És el temps que tarda la lectura del dispositiu a

aconseguir un potencial d’equilibri. Generalment però, aquest temps és inassolible o passa a temps molt grans, per això es busquen mètodes alternatius que simplifiquin aquest procés. La IUPAC recomana la utilització com a temps de resposta el 95% del temps que tarda a assolir-se el potencial d’equilibri[15,17]5.

1.1.4.2. Tipus d’ESIs La natura de la membrana selectiva permet la classificació dels sensors selectius en tres tipus bàsics: de membrana cristal·lina, d’enzim immobilitzat i de membrana líquida[18]: Elèctrodes de membrana cristal·lina La característica bàsica d’aquests elèctrodes es que posseeixen ions mòbils i contraions fixos. A la vegada, segons la estructura de la membrana a nivell físic podem diferenciar entre dos altres grans grups:

• Homogènia. La membrana és formada per un sol component o varis, però aquests conformen el total del conjunt estructural de la membrana. Intrínsecament, podem diferenciar dos grans grups d’elèctrodes de membrana cristal·lina homogènia:

3 La legislació vigent marca valors llindars en nombrosos paràmetres en control ambiental, toxicològic, etc. Cal tenir-los presents per decidir si el nostre dispositiu és un bon candidat per a realitzar les mesures. 4 Les alteracions dels dispositius poden ser moltes i de molts tipus, però generalment són degudes en elèctrodes de membrana plàstica a la dissolució de la substància electroactiva o a la exsudació del plastificant. 5 Moltes vegades i degut a les pròpies limitacions de la instrumentació s’accepta com a temps de resposta aquell en el que s’assoleix la variació de potencial dins d’1mV.


12

-de monocristall, la membrana és formada per un únic component. Com a exemple tenim la membrana de monocristall de LaF3, per a determinació de ions fluorur en dissolucions aquoses gràcies a que el fluorur de lantà és un conductor iònic a temperatura ambient i dins ell l’ió fluorur manté una certa mobilitat.

-de sal inorgànica sinteritzada, on a partir de pólvores premsades d’algunes sals s’obtenen uns discs d’alta resistivitat mecànica. Per exemple tenim les mescles de Ag2S i AgCl selectives a ions Cl- i a Ag+.

• Heterogènia. Són similars als de sal inorgànica sinteritzada, però en comptes

d’obtenir membranes basades en un disc premsat, es preparen mesclant els components electroactius amb un polímer o una resina epoxi que s’estableix com a ciment.

Elèctrodes no cristal·lins En aquests la membrana sensora presenten una estructura amorfa. Podem diferenciar entre elèctrodes no cristal·lins de:

• Membrana de vidre. Són els elèctrodes de membrana més àmpliament emprats, ja que majoritàriament, conformen els elèctrodes de pH, formats bàsicament per silicat de sodi, que s’obté bàsicament fusionant una mescla de Na2O i SiO2. Addicionalment un tercer òxid s’incorpora (Al2O3) modificant les propietats de selectivitat de la membrana, fent incrementar la resposta cap a altres ions monovalents, sense deixar de respondre a als protons. En el procés de condicionament de la membrana, els ions Na+ de la superfície del silicat (R-SiO-Na+) són bescanviats per protons (R-SiO-H+), i quan la membrana de vidre és introduïda en solució hi ha un procés de separació de càrrega a la interfície vidre/aigua que estableix una diferència de potencial. La mobilitat dels ions sodis dins l’estructura del silicat, fa que malgrat l’elevada resistència elèctrica d’aquest tipus de membranes, existeixi la conductivitat elèctrica necessària per a dur a terme les mesures amb aquests dispositius.

• Elèctrodes de membrana líquida. Parteixen de la idea de separar els

components electroactius que reconeixen l’analit de la solució aquosa retenint-los en una fase orgànica fixada en una membrana porosa hidrofòbica, actuant la membrana com a bescanviadora dels ions a analitzar. Però degut a la seva baixa estabilitat mecànica, per culpa d’una fàcil pèrdua de la pròpia membrana líquida, la seva utilització és escassa. En la seva variant més moderna coneguda com elèctrodes de membrana polimèrica, amb els components químicament actius retinguts junt amb un polímer inert, si que han tingut una àmplia acceptació.

Elèctrodes d’enzim immobilitzat L’espècie electroactiva es fixa en un gel d’agarosa o poliacrilamida, o també se’l pot lligar covalentment a la superfície de l’elèctrode. Aquest segon mètode tot i ser més

1. INTRODUCCIÓ

13

eficaç respecte la conservació de l’enzim pot portar a terme la pèrdua de la seva activitat. Com un clàssic exemple tenim sensor potenciomètric d’urea, que empra com a enzim la ureasa continguda en una capa de gel de poliacrilamida. Aquesta capa està situada sobre la superfície sensora a l’ió amoni i fixada a ella mitjançant una xarxa de niló. Quan el sensor és introduït en una solució que conté urea, aquesta difon al gel on té lloc la reacció catalitzada:

CO(NH2)2 + 2 H2O CO32- + 2 NH4

+ L’ió amoni format és detectat per la membrana sensible a ió amoni. La resposta mesurada es relaciona amb la concentració de la urea en la mostra. Aquests sensors, però, presenten, en general, un temps de resposta lent degut al temps necessari per difondre l’analit.

1.1.4. Elèctrodes de membrana polimèrica Degut als problemes d’estabilitat mecànica dels elèctrodes de membrana líquida abans descrits, es va dissenyar una evolució d’aquests[19], resolent els problemes d’estabilitat mitjançant la immobilització de la fase orgànica en una mescla d’espècie electroactiva o ionòfor, PVC i un plastificant que li conferís propietats plàstiques, prevenint la ràpida pèrdua de components de la membrana[20]. Aquestes tenen una alta impedància, però són capaces de conduir càrrega, permetent realitzar la mesura del potencial[21]. Aquesta membrana és dipositada sobre una superfície mecanitzable i conductora. Generalment, són utilitzats compòsits d’epoxi-grafit, aprofitant les bones característiques de resistència mecànica de la resina epoxi i la capacitat conductora del grafit[22,23].

• Ionòfor

És l’espècie que s’encarrega del reconeixement selectiu de l’analit i en funció de la càrrega d’aquest podem diferenciar-ne dos tipus, els neutres (portadors mòbils neutres) i els carregats (bescanviadors iònics). Portador mòbil neutre Les espècies que efectuen el reconeixement dels analits són molècules sense càrrega, C, que estan dissoltes en la fase lipídica. En posar en contacte la membrana en solució es provoca una separació de càrrega a la interfície membrana/solució. L’espècie complexada resultant (MCn+ amb el catió analit) té càrrega elèctrica. L’equilibri interficial es veu il·lustrat en la figura 1.2.


14

membrana de PVC

solució

MCn+ Mn+ + C

Mn+

ΔE

Figura 1.2. Establiment del potencial de membrana (ΔE) en membranes polimèriques amb portador mòbil neutre (C) en el reconeixement d’un catió (Mn+).

El ionòfor s’ordena en l’espai generant una cavitat polar en el seu si, amb àtoms electrodonadors o grups polars que interaccionen amb l’ió . L’estabilitat del complex, dintre de la membrana determina l’afinitat per un analit en concret. Ions grans es veuen impedits a accedir-hi i ions petits no enllaçaran amb la força adient als llocs de coordinació. Espècies molt utilitzades com a portadors mòbils neutres són derivats d’èters corona, calixarens o antibiòtics ionofòrics com la valinomicina o la nonactina. Aquests darrers són antibiòtics naturals que posseeixen una habilitat especial per al transport cel·lular de cations i amb unes característiques destacades de selectivitat envers ions alcalins[24]. Degut a que el complex ió-lligand resultant té càrrega neta, a vegades cal afegir un ió lipofílic amb càrrega de signe contrari per a facilitar el transport de l’ió de la fase aquosa a la fase membrana. Són additius que s’incorporen en la formulació de la membrana. Per cations un exemple d’additiu emprat és el tetrakis(p-clorofenil)borat de potassi. De forma genèrica, per obtenir una resposta adient front de cations, aquests ionòfors mostren unes característiques comunes: tenen grups polars i apolars a la vegada; els grups polars formen un complex estable amb l’analit; els grups lipofílics són solubles dins la membrana polimèrica; l’esfera de coordinació té entre 5 i 8 llocs de coordinació, i el ionòfor és el suficientment petit per conferir-li mobilitat dins el medi lipofílic però suficientment gran per que no prefereixi un medi aquós[25]. Bescanviadors iònics Aquí, les espècies que efectuen el reconeixement de l’analit tenen càrrega i el complex resultant ió-lligand no té càrrega neta. És convenient que el complex sigui làbil per a un àgil procés de bescanvi. El mecanisme que té lloc durant el procés de transport és el mostrat en la figura 1.3.

membrana de PVC

solució

MCn Mn+ + nC-

Mn+

ΔE

Figura 1.3. Mecanisme d’establiment del potencial de membrana (ΔE) en membranes polimèriques amb bescanviadors iònics (C-) en el reconeixement d’un catió (Mn+).

1. INTRODUCCIÓ

15

En els dos tipus de ionòfors el mecanisme de resposta depèn del procés de separació de càrrega a la interfície membrana solució[26]. S’assumeix que el que transporta la càrrega és el complex ionofòric movent-se entre els canals líquids a la membrana. Aquestes membranes polimèriques poden ser considerades com membranes líquides amb una alta viscositat, propietat mecànica modulada amb mescles de polímer i plastificant.

• Plastificant L’ús de diferents plastificants modifica certes característiques de les membranes sensores, podent arribar a modular tant les propietats mecàniques o la selectivitat d’aquesta. Un plastificant modifica les propietats mecàniques d’una membrana rebaixant el valor de transició vítria (Tg) de la mateixa. La temperatura de transició en un polímer, és anàloga a la temperatura de fusió dels sòlids, esdevenint el polímer dur i fràgil per sota d’aquesta i, experimentalment, es pot comprovar que una membrana selectiva d’ions tant sols és operativa per sobre d’aquesta Tg[17]. Com hem dit, els plastificants poden alterar la selectivitat de la membrana variant la lipofilicitat de la mateixa. Per exemple, els plastificants hidrofílics augmenten l’activitat de l’ió dins la membrana, però el ionòfor es solubilitza amb major facilitat en presència de la fase aquosa reduint el temps de vida de la membrana. En general, afavoreixen la selectivitat per a ions divalents sobre monovalents a causa de l’increment en la polaritat que s’aporta. A la vegada, la selectivitat d’una membrana envers un analit en concret es veu modificada en funció del plastificant que aquesta contingui.

• Polímer La funció bàsica del polímer és anàloga a la de la membrana porosa hidrofòbica de les membranes líquides, o sigui, la de conferir una matriu que exerceixi de suport sòlid als components electroactius que resideixen en el seu si. El polímer més àmpliament emprat per a membranes polimèriques és el PVC, per la seva assequibilitat a nivell econòmic i ja que gràcies a la seva Tg de 81ºC, considerablement inferior a la del polimetacrilat (105ºC) o la del poliestirè (100ºC), permet preparar membranes amb unes característiques mecàniques òptimes.

1.1.5. ESIs en sistemes automatitzats. La necessitat de processar un gran volum de mostres en diferents àmbits del dia a dia, provoca el desenvolupament de tècniques per a la monitorització de paràmetres d’interès, per a poder fer una adient gestió de recursos econòmics en multitud de


16

processos que abarquen camps mediambiental, clínic o industrial. L’automatització esdevé una eina ràpida i de baix cost quan el volum de mostres a processar és considerable, podent arribar a aconseguir informació analítica en temps real. En el camp industrial, la monitorització cobreix el control de processos de matèria prima, productes intermedis i productes finals, ajudant a optimitzar els costos implicats en la producció. En el camp clínic la determinació de diferents paràmetres en fluids corporals, com sang o orina, fan dels sistemes automatitzats d’anàlisi eines imprescindibles. L’ús en el camp mediambiental d’aquestes tècniques va en augment degut a la preocupació creixent perquè el desenvolupament del planeta sigui sostenible. El creixement econòmic i social ha de ser harmonitzat amb l’entorn i cal tenir dades en temps real dels efectes que produeix l’home sobre el planeta per poder controlar focus de contaminació, o simplement tenir indicadors de la qualitat d’aigua, aire o dels sòls. La introducció dels mètodes automatitzats d’anàlisi comporta la substitució de l’operació manual per part de l’analista per processos que al integrar el procés analític en un sol dispositiu milloren la fiabilitat dels resultats, n’abarateixen els costos i n’augmenten la rapidesa, sempre i quan la pròpia determinació de l’analit permetin aquesta automatització. La dificultat en aquest punt rau en la pròpia complexitat de la matriu de la mostra, on processos d’emmascarament o eliminació d’interferències són un clar inconvenient a l’aplicabilitat de la tècnica. Els mètodes automatitzats poden classificar-se en tres grans tipus: robotitzats, discontinus i continus. A. Robotitzats. Es basen en l’ús d’un mini-robot, controlat per computadora i que

realitza les mateixes maniobres que faria un tècnic en el desenvolupament del procés analític. Són de clara utilitat en àrees que, per la pròpia perillositat que comporta la mesura, la presència d’un operari durant el procés analític genera un risc contra el propi individu, com poden ser tasques en manipulació de material radioactiu o explosiu. Tot i la clara aplicació en aquestes àrees, la seva introducció en altres camps és limitada.

B. Discontinus. Mètodes que presenten certa semblança als procediments manuals.

La mostra es manté en un recipient separat del detector, i en aquest recipient separat és on tenen lloc les diferents etapes analítiques mitjançant processos mecànics. La mostra és portada al detector obtenint-se així un registre discret de resultats.

C. Continus. Són els processos on la determinació de l’analit es realitza sense

interrupció del flux de líquid o gas portador. La mostra és introduïda per uns canals, es barreja amb el reactiu, té lloc la reacció i el producte d’aquesta és conduït al detector, que origina un senyal funció del temps o transitori, l’alçada màxima del qual és proporcional a la concentració d’analit. Podem diferenciar dos grans grups de mètodes continus: els segmentats i els no segmentats.

1. INTRODUCCIÓ

17

- Els mètodes continus segmentats, les mostres són aspirades

seqüencialment separant les diferents mostres entre bombolles de gas (nitrogen o simplement aire) que segmenten el flux, però que malgrat el seu interès inicial presenten una sèrie de limitacions importants com són:

- La necessitat d’un dispositiu que elimini les bombolles abans d’arribar al

procés de detecció. - L’aïllament elèctric originat per les bombolles dificulta la utilització de

detectors potenciomètrics. - La formació d’irregularitats en el flux, a causa de la compressió

produïda per les bombolles de gas que el segmenten. - La necessitat de realitzar les mesures quan la reacció química ha

assolit l’estat estacionari.

- Els mètodes continus no segmentats, són cronològicament posteriors als primers i reben genèricament el nom d’Anàlisi per Injecció en Flux (FIA), i en aquesta modalitat de mètode automatitzat d’anàlisi el flux no és segmentat per bombolles, la mostra és injectada en comptes d’aspirada i en el moment de la detecció no té perquè assolir-se ni l’equilibri físic, per part de la homogeneització del flux, ni l’equilibri químic, per assolir l’estat estacionari de la reacció química implicada en el procés analític.

1.1.5.1. Anàlisi per injecció en flux (FIA) En FIA les mostres s’insereixen en un flux continu de solució portadora i són conduïdes per tot el sistema on és realitzarà el procés analític desitjat6. Finalment, quan l’analit arriba al detector apareix un senyal transitori relacionable amb la concentració d’aquest en la mostra[27]. Malgrat la diversitat de muntatges FIA existents podem desglossar-los en els seus components bàsics. Aquests són un sistema d’injecció, que s’encarrega de la presa de mostra; una unitat de propulsió, responsable del transport; les conduccions necessàries on hi ha el processament de la fluïdica implicada com dilució, preconcentració, extracció, bescanvi iònic, reacció, etc.; finalment el sistema de detecció, encarregat del procés de quantificació. Aquesta seqüència és mostrada a la figura 1.4.

6 Les mostres poden ser conduïdes directament al detector, però entre la inserció i la detecció solen existir etapes de separació, emmascarament, etc., en funció del procés analític implicat.


18

detectorSolució portadora/ Reactiu

Mostra

Sistema d’injecció

desguàs

Bom

ba

serpentí


Mostra


desguàs

Bom

ba


Mostra


desguàs

Bom

ba


Mostra


desguàs

Bom

ba

serpentí

Figura 1.4. Diagrama d’un sistema FIA simple La mostra és per tant dispersada en una solució portadora, i aquesta dispersió (entesa com a dilució) és controlada per les variables específiques del sistema físic com són longitud dels tubs, cabal, volum d’injecció de mostra, diàmetre de tub, etc. o del sistema químic com pot ser el grau de reacció assolit per mostra i reactiu. Per tant, esdevé una dispersió reproduïble, punt clau dels sistemes FIA, obtenint en el moment de la detecció una senyal transitòria totalment controlable en funció del temps. L’evolució transitòria del senyal es pot apreciar a la figura 1.5. on es mostra el perfil del registre obtingut en funció de l’evolució del bolus de mostra en arribar al detector.

temps 0

Mostra

PortadorPortadorPortador

Mostra

evolució del flux

Figura 1.5. Evolució del senyal en un sistema FIA.

La forma típica d’un registre en FIA7 és la vista en l’anterior representació, on s’aprecia que la part més concentrada del bolus de mostra es troba en el front d’aquesta, i es produeix una progressiva disminució del senyal deguda a la dispersió d’aquesta en la solució portadora. El perfil que aquesta dispersió fa adquirir a la mostra en el tub del sistema FIA és degut a la convecció produïda pel propi flux. Addicionalment la mostra pateix un fenomen de dilució, pel simple fet de l’establiment d’un gradient de concentracions entre el si de la mostra i la solució portadora[28]. Si nosaltres augmentem el volum de mostra injectada, podem arribar al cas límit on la dispersió de la mostra en el centre del bolus d’aquesta sigui menyspreable, i el nivell màxim de

7 Aquest registre en FIA rep el nom àmpliament acceptat de pic FIA, on l’àrea, o de forma més simple, l’alçada del qual són proporcionals a la concentració d’analit (o al seu logaritme si la detecció és potenciomètrica)

1. INTRODUCCIÓ

19

senyal registrat en el detector sigui el mateix que el de la mostra pura en un sistema en discontinu. En aquest punt podem dir que la dispersió de la mostra, entesa com la relació entre la concentració del solut en la solució que circula per el sistema respecte la concentració de solut sense diluir, pren valor unitari[29]. Aquest procés es mostrat a la figura 1.6.

t

max dispersió=1

Figura 1.6. Esquema de l’evolució del senyal vs. temps, en funció de la dispersió patida per la mostra.

En funció dels elements instrumentals escollits, apareixen en FIA multitud de possibilitats d’aplicació. Aquestes opcions instrumentals depenen dels components emprats en les etapes de transport, propulsió, injecció i detecció.

- Sistema de transport El seu objectiu primordial és el de traslladar el corrent de solució fins al detector esdevenint a la vegada, un nexe d’unió entre les diferents parts que composen el conjunt. El sistema de transport són tubs de diàmetre reduït per a facilitar temps d’anàlisi curts i baix consum de reactius. Les seves característiques bàsiques són una baixa inèrcia química, i que alhora són inalterables en un ampli rang de temperatures. Entre els materials més comunment emprats trobem PVC, tefló (PTFE), polietilè i polipropilè. La connexió entre les diverses parts dels sistema es realitza a través de connectors que han d’evitar la pèrdua de dissolució, impedir entrades d’aire o l’aparició de volums morts.

- Sistema de propulsió S’encarrega de la impulsió de líquids i ha de complir uns requisits bàsics com són que el cabal que proporcioni ha de ser completament constant i reproduïble, per assegurar que les característiques del sistema FIA també ho siguin. Ha de ser capaç de subministrar cabals petits i alhora lliures de polsos.


20

Existeixen diversos sistemes de propulsió comercialment disponibles com són la bomba de flux sinusoïdal o l’ús de gas a pressió, però els sistemes amb una major acceptació són les bombes peristàltiques per el seu menor cost i una elevada versatilitat. La bomba peristàltica consta d’un conjunt de cilindres que pressionen, en girar, un tub flexible per a produir un flux constant que tot i ser pulsatiu degut als impulsos que produeix la pròpia opressió del tub, aquest fenomen es veu minimitzat si la distància entre cilindres es petita o el nombre d’aquests és gran. El cabal que proporcionen és controlat via regulació de la velocitat de gir de la bomba (major velocitat radial, major cabal) o bé, a través de la modificació del diàmetre de tub emprat en la bomba (major diàmetre de tub de bomba, major cabal).

- Sistema d’injecció La inserció de volum de mostra en el sistema ha de ser controlada i reproduïble. D’entre els nombrosos sistemes existents els més representatius són la xeringa, que permeten la inserció d’un volum prefixat; la injecció hidrodinàmica, que mitjançant l’aturada i encesa selectiva de bombes que controlen la circulació de mostra i reactius permeten la inserció de la mostra; i finalment la vàlvula d’injecció, que permet la inserció d’un volum delimitat per un llaç de mostra. Per la seva alta reproductibilitat, les vàlvules d’injecció són altament acceptades. Les més emprades són les de 6 vies interconectades (per un bypass), que basen el seu funcionament en la rotació del bypass generant dues possibles posicions per part de la bomba, la posició de càrrega del llaç de mostra i la posició de descàrrega o injecció de mostra en el sistema. En la fase de càrrega la mostra omple constantment el llaç d’injecció i la solució sobrant pren camí direcció al desguàs. En la fase de descàrrega la solució portadora impulsa el volum emmagatzemat de mostra al llaç d’injecció cap a la resta de sistema FIA. El mecanisme es pot veure esquematitzat a la figura 1.7.

T

bucle injecció

portador

reactiu

mostra

desguàs T

mostra

reactiu

bucle injecció

desguàs

portador

A B

Figura 1.7. Procés de càrrega (A) i descàrrega (B) en una vàlvula rotatòria de 6 vies. En aquest esquema la unió de la sortida de la vàlvula i el sistema es realitzen per una junció en forma de T.

1. INTRODUCCIÓ

21

- Sistema de detecció

Els detectors integrables en FIA han de permetre volums morts petits, han de presentar baixos nivells de soroll, senyal independent del cabal, elevada sensibilitat, ràpida resposta i un ampli interval de treball en relació a la concentració d’analit. Totes aquestes condicions són bàsiques per a aconseguir una integració favorable amb el sistema. Moltes de les reaccions implicades en sistemes FIA són acolorides, fet que provoca que un dels detectors més emprats sigui el fotomètric mitjançant, normalment, l’ús de cel·les de flux de camí òptic perfectament definit, per a poder integrar espectrofotòmetres convencionals. Tot i l’ampli ús dels detectors basats en fenòmens òptics, és també notable l’ús creixent de detectors basats en fenòmens electroquímics, especialment els potenciomètrics, per la seva idoneïtat en l’adaptació a les condicions de flux en termes de conductivitat, geometria, materials de construcció i aplicacions. Aquesta modalitat de treball és coneguda com a potenciometria per injecció de flux (FIP)8 i, entre d’altres, presenta les següents avantatges[30,31]:

- Fàcil correcció de la deriva, si ho comparem amb la potenciometria convencional, ja que el pas de solució portadora ens permet automàticament la mesura del senyal de referència i una automàtica correcció de la possible tendència del senyal.

- Millor reproductibilitat, respecte la potenciometria directa, per la pròpia reproductibilitat inherent a la tècnica FIA gràcies a les seves condicions hidrodinàmiques.

- Major selectivitat, respecte altres sistemes de detecció en FIA, permetent la discriminació cinètica, pel fet de tenir la possibilitat de modular el grau de selectivitat en el reconeixement en funció dels components electroactius presents a la membrana.

- Major temps de vida dels sensors, al poder fer un rentat d’aquests amb la solució portadora, evitant majors temps de contacte del dispositiu amb la matriu de la mostra que podria alterar la composició de membrana.

- Presenten amplis rangs de resposta lineal. - Les mesures no resulten alterades per la presència de color o de terbolesa

que puguin arribar a contenir. - No és una tècnica destructiva, pel fet de que no hi ha reacció química en el

mecanisme de reconeixement, per tant es poden implementar varis detectors en sèrie en el mateix sistema FIA, o també una matriu de sensors potenciomètrics, com a detector en un sistema en flux continu.

La incorporació dels sensors potenciomètrics al sistema FIA es pot dur a terme a través de vàries configuracions dels elèctrodes respecte del flux. Un dels dispositius 8 De l’anglès, Flow Injection Potentiometry.


22

més emprats són els tubulars, on el flux passa a través del sensor, sense modificar les condicions hidrodinàmiques del flux. L’ús d’aquest dispositiu té com a impediment, la necessitat de reoptimització dels dispositius de configuració convencional que s’aplicaven en batch (discontinu). Per això, en aquest treball, no s’abandona l’ús dels dispositius en configuració convencional, en sistemes de flux continu, malgrat no presentar unes òptimes condicions hidrodinàmiques com els primers i a la dificultat física afegida de la incorporació dels elèctrodes en el flux.

1.2. Matrius de sensors Hem vist fins ara la caracterització i l’ús d’ESIs com a unitats independents d’anàlisi, amb les seves propietats i limitacions, com són les de presentar una certa resposta a interferents (§1.1.3, equació 1.10). L’estratègia clàssica davant de presència d’interferents és la de plantejar etapes d’emmascarament o eliminació per a poder quantificar correctament l’analit. Això sol requerir d’etapes més o menys laborioses o l’ús de sistemes que permetin la separació. Aquests sistemes tenen un elevat cost de fabricació, requereixen d’un freqüent manteniment, ocupen un gran volum físic i impliquen gran esforç de desenvolupament, que creix gairebé en progressió geomètrica, quan aquest equip es dissenya per a la determinació de varis analits. Els sistemes analítics integrats (SAIs)9 busquen el desenvolupament de nous dispositius que aportin una dimensionalitat addicional a les dades obtingudes en el procediment analític. És fàcil veure com és possible la integració d’un cert nombre de sensors en una única plataforma, usant mateixa o diferent tecnologia, formant el que és coneix com a matrius de sensors, o quan fem servir diferent tipus de tecnologia en la fabricació dels dispositius, podem parlar de matrius de sensors híbrides[32]. És indispensable, en l’elecció dels sensors que formaran la matriu, que aquests presentin un mecanisme de detecció no destructiu, per que la composició de la mostra resti inalterada, i la solució que mesurin els sensors sigui per a tots la mateixa. Es el cas dels ESIs degut a que la tècnica potenciomètrica no involucra pas de corrent, ni, per tant, reacció química. Segons les unitats que formen la matriu de sensors podem diferenciar entre matrius redundants, matrius d’elèctrodes selectius d’ions, matrius d’elèctrodes de selectivitat creuada i finalment, matrius combinades.

- Matrius de sensors redundants Aquests sistemes integren un grup de sensors per a un mateix analit amb idèntiques característiques de resposta[33,34]. El principi es basa en que aquestes matrius

9 Entenem per integració en química analítica, tota operació capaç d’englobar diferents etapes del procés analític en una de sola, entenent per procés analític els passos que van des del mostreig fins a la obtenció d’informació d’interès analític sobre la composició de la matèria.

1. INTRODUCCIÓ

23

subministren una senyal promitjada amb una major precisió i estabilitat del senyal mesurat, que no la pròpia proporcionada per un sol dispositiu funcionant autònomament. El valor afegit d’aquests sistemes és la capacitat d’autodiagnosi, ja que un mal funcionament per part d’un sol dispositiu (com pot ser una mala connexió elèctrica, una degradació de la membrana, etc.) pot ser detectat, i la resposta obtinguda d’aquest, pot ser automàticament anul·lada mitjançant una simple subrutina amb capacitat d’actuació. Addicionalment, existeixen matrius de sensors bidimensionals formades per idèntics tipus de sensors estratègicament ubicats. Aquest disseny permet la obtenció de una imatge química en dos dimensions, analitzant la distribució espacial de l’analit. A la vegada, seria possible l’obtenció d’una imatge 3D de la distribució de l’analit en la mostra a través de la microfabricació de sensors regularment espaiats en una superfície que formaria la matriu de sensors, possibilitant aplicacions curioses o d’alta importància com la de control de teixits en òrgans trasplantats.

- Matrius de sensors selectius d’ions La possibilitat de determinar simultàniament varies espècies en solució és una estratègia atractiva, per l’estalvi de recursos que pot suposar. Aquí s’utilitzen matrius de sensors formades per un dispositiu, per a l’espècie que vulguem determinar i gràcies a la utilització d’instrumentació que permeti l’adquisició multicanal de dades mesurades, presenten clars avantatges respecte a la realització d’anàlisis individuals tants cops com dispositius (o analits): les avantatges rauen en l’estalvi de mostra, reactius, així com d’espai reduint costos d’anàlisi. En aquest cas, es pot treballar sense tenir en compte les respostes dels dispositius a espècies interferents, no realitzant-se etapes de calibració multivariable, així com també és possible l’ús de matrius d’ESIs juntament amb calibració multivariable de forma que es puguin determinar la presència d’interferents, ja que s’han incorporat dispositius que els poden detectar.

- Matrius de sensors amb selectivitat creuada Aquí l’estratègia és utilitzar un conjunt de sensors que presentin una baixa selectivitat mostrant resposta creuada a un bon conjunt d’espècies. Aquesta revolucionària aproximació apareix com una contradicció en l’objectiu usualment buscat en el camp dels sensors químics. Aquí pren interès obtenir una resposta global del conjunt de la mostra per a poder mesurar paràmetres que van més enllà que de la determinació d’un sol analit. Aquí l’objectiu és l’avaluació de paràmetres més complexes com poden ser la qualitat, l’olor o el gust d’una determinada mostra, estratègies a nivell qualitatiu, així com pot la quantificació d’alguns analits d’interès. La modelització d’aquests sistemes de selectivitat creuada, per treballar tant a nivell qualitatiu, com a nivell quantitatiu, és realitza mitjançant eines de calibratge multivariable. Aquesta situació és similar a la del sentit del gust o l’olfacte, que són


24

sentits que no són específics als estímuls sinó que presenten respostes creuades i qui s’encarrega de fer-ne el reconeixement final és el cervell amb una resposta complexa per a cada olor o gust. Aquest principi està altament implementat per a matrius de sensors de gasos que apliquen un posterior tractament quimiomètric de dades. Hi ha casos molt ben estudiats en aquest sentit majoritàriament basats en sensors d’òxid de metall o quimiresistors basats en un polímer conductor que juntament amb eines de calibratge multivariable són capaços de fer multideterminacions en matrius gasoses tant a nivell qualitatiu com quantitatiu[35]. Aquest procés anàleg al sentit de l’olfacte humà es coneix com a nas electrònic [36,37]. En aquest camp existeixen equips comercials compactes, i en alguns casos, fins i tot portàtils[38]. Algunes aplicacions descrites són en controls de qualitat d’olis d’oliva, o també existeixen aplicacions per monitorització d’aigües residuals i de consum. Algunes aproximacions dutes a terme en aquest sentit són descrites a la taula 1.2. De la mateixa manera l’ús de matrius de sensors per a líquids i posterior calibratge multicomponent rep el nom de llengua electrònica [39]. Nombroses aproximacions s’han fet en aquest sentit per a la classificació de vins, cerveses, aigües o la monitorització de la qualitat d’aigua potable. Aquests sistemes sensors són coneguts també com a sistemes biomimètics, ja que imiten un mecanisme natural dels animals que basen el reconeixement d’espècies en uns quants receptors de baixa selectivitat. Si el tractament multivariable de la senyal es realitza mitjançant XNAs, diem també que és biomimètic degut a que la natura del processament és inspirat en el processament cerebral (§1.3.3). Altres aproximacions proposen l’ús de sistemes híbrids combinant nassos i llengües electròniques.

Taula 1.2. Esquema d’alguns treballs realitzats amb nassos electrònics. Matriu utilitzada

Eina de processament Anàlisis Objectiu Any

publicació Referència

Elèctrodes comercials basats en Sensors Taguchi

XNA qualitatiu

Classificació d'olors de productes com menjars, begudes o perfums

1991 [40]

Elèctrodes thin-film

XNA, PCA, ILS, PLS

qualitatiu i quantitatiu

Classificació de compostos orgànics volàtils. Estimació de les seves concentracions

1997 [41]

Elèctrodes piezoelèctrics

XNA qualitatiu Identificació de compostos orgànics

1997 [42]

Semiconductors basats en òxid de zinc

XNA qualitatiu Classificació d’espècies aromàtiques

1997 [43]

1. INTRODUCCIÓ

25

Elèctrodes polimèrics

PCA qualitatiu Classificació de vins 2000 [44]

Elèctrodes de polímer conductor

PCA, XNA qualitatiu Reconèixer la corrupció i fermentació de la llet

2001 [45]

- Matrius combinades

En la resolució d’un determinat problema pot ésser més que interessant la combinació dels diferents tipus de matrius vistes anteriorment. Una matriu de sensors, a vegades, si ha de subministrar la màxima informació, pot ser necessari que contingui com a mínim tants ESIs com número d’ions a determinar i que contingui alhora sensors amb una resposta de tipus creuada, o genèrica a un gran nombre d’espècies. D’aquesta manera s’aconsegueix que la informació continguda en aquestes dades multicomponents sigui molt més rica[46]. Altres estratègies han intentat combinar l’ús de matrius de sensors per a líquids i per a gasos, permetent treballar amb nassos i llengües electròniques simultàniament [4,47,48]. Molts d’aquests treballs utilitzen matrius de sensors potenciomètrics, però també hi ha altres aproximacions que utilitzen matrius de sensors impedimètrics [49], voltamperomètrics[50], respiromètrics[51], biosensors amperomètrics[52] i, fins i tot, òptics com és el cas dels treballs de Narayanaswamy[53]. A la vegada poden ser matrius combinades amb dispositius redundants per avaluar possibles mal funcionaments de dispositius, atorgant una major credibilitat als resultats obtinguts per aquests sistemes.

1.3 Processament multicomponent de les dades generades Fins l’aparició de la microinformàtica, els anàlisis multicomponent per als químics analítics no eren un recurs fàcil. Altrament, la connexió entre la informàtica i la instrumentació als laboratoris permeten la fàcil obtenció de dades analítiques, de qualitat i generalment, a una gran velocitat. Aquesta nova facilitat en l’adquisició de resultats permet generar gran volum d’informació. Aquest fet va impulsar la recerca d’eines de processament que possibilitessin l’extracció de la informació realment rellevant de les dades obtingudes, recorrent-se a les matemàtiques i a l’estadística, fet que portarà a la introducció del camp de la quimiometria. Aquesta nova disciplina de la química cerca dos objectius com són disseny de mètodes i experiments; i proporcionar el màxim d’informació analítica al tractar les dades químiques[54]. Aquest segon objectiu centra el nostre interès per ser-nos d’especial utilitat en el processament de les dades obtingudes en matrius de sensors[55].


26

Malgrat aquestes eines tinguin un complex rerafons matemàtic, el seu ús s’ha simplificat darrerament mitjançant alguns paquets informàtics comercials. Però aquesta simplificació en l’ús, és sovint un dels seus principals inconvenients, ja que el desconeixement dels principis en què es basa el funcionament d’aquests mètodes, fa que s’apliquin moltes vegades de forma massa directa sense aprofundir en el mecanisme de processament ni optimitzant refinaments de càlcul, fet que maximitzaria la capacitat de destriar la informació rellevant de les dades analítiques[56].

1.3.1. Operacions prèvies. Correccions del senyal. La qualitat de les dades de partida és un factor a cuidar en l’anàlisi multivariable. Aquestes poden contenir soroll, error instrumental fruït de la pròpia tècnica o del dispositiu de mesura i fins i tot, error humà, que si no són corregits a temps ens poden conduir a conclusions errònies. Experimentalment, es comprova que es poden aconseguir diferents modelitzacions, partint de diferents correccions del senyal inicialment registrat. Caldrà optimitzar en cada cas per obtenir el model que millor representi els nostres valors experimentals. Aquestes correccions poden ser a nivell individual quan s’apliquen a cadascun dels nostres registres de forma independent. Són procediments que miren d’eliminar efectes aleatoris no desitjats, com és el cas del soroll. Un filtre individual és el promig de les senyals replicades, on s’elimina l’efecte del soroll, que presenta una component aleatòria, augmentant la relació senyal/soroll (S/N). És suficientment efectiu quan el nombre de valors a promitjar és elevat. Altres correccions individuals són la derivació del senyal eliminant efectes constants i de pendent, però amb el risc de potencial d’emfatitzar el soroll. Quan el que ens interessa és fixar la importància relativa de cadascuna de les variables s’utilitzen correccions de l’escalat. Existeixen varies estratègies per aconseguir aquest fet:

- Centrat de les dades, aconseguint canviar l’origen espacial de les variables referint-les totes al mateix centre. Per N objectes i j variables, la nova dada corregida es calcula:

N

xxx

N

1iij

ij*ij

∑=−= (1.11)

- L’estandardització, s’aplica quan les variables presenten una certa dispersió

entre elles, fent que per a totes la desviació estàndard sigui 1. El càlcul es realitza mitjançant la següent expressió:

1. INTRODUCCIÓ

27

i

ij*ij s

xx = (1.12)

- L’autoescalat, combina les correccions del centrat i l’escalat, modificant

l’origen fe coordenades i homogeneïtzant la variança. Es especialment útil per variables que s’expressen en diferents unitats. Es calcula:

i

iij*ij s

xxx

−= (1.13)

1.3.2. Processament multicomponent La senyal multicomponent obtinguda per la matriu de sensors no és d’utilitat per al químic analític sense el processament corresponent, que permeti l’extracció de la informació rellevant. La matriu de sensors genera senyals complexes, o patrons, que contenen una informació idealment global de la composició de la mostra, entenent per això, la composició de la matriu, la concentració d’alguns analits, o fins i tot, paràmetres de qualitat d’aquesta. De manera que aquesta informació global obtinguda, s’ha de processar en bloc mitjançant una eina de càlcul que permeti extreure un model que representi la variabilitat continguda en la mostra. Nombroses eines de processament multicomponent són disponibles en la majoria de programaris comercials de paquets estadístics, no essent aquests d’aplicació indiscriminada en qualsevol problema que se’ns presenti. Cal estudiar a fons les propietats de cadascun d’ells i avaluar si són compatibles amb la natura del senyal mesurat. Alguns dels treballs realitzats amb matrius de sensors i processament multicomponent es troben descrits a la següent taula (Taula 1.3)

Taula 1.3. Exemples d’aproximacions realitzades amb matrius de sensors i eines de processament multivariable.

Matriu utilitzada

Eina de processament

Anàlisis Objectiu Any publicació

Referència

Models de calibratge

XNA quantitatiu Calibració multivariable d'una matriu de sensors amb XNA

1993 [57]

ESI Ajust Nikolskii-Eisenmann

quantitatiu Detecció d'amoni utilitzant una matriu d'ESIs en FIA

1994 [58]

ESI ------ quantitatiu Detector de ions sodi, amoni, potassi, magnesi i calci en cromatografia de bescanvi

1998 [59]

Elèctrodes d'or modificats

XNA quantitatiu

Descriure un mètode per normalitzar les respostes de patrons obtingudes a fi de produir patrons independents de concentració

1999 [60]


28

Elèctrodes selectius a halurs

XNA quantitatiu

Demostrar que l’ús de XNA permet la obtenció de models millors als obtinguts mitjançant mètodes de calibració lineal

2000 [61]

Sensors de gasos

XNA quantitatiu Mecanisme de control on-line d'un mal comportament d'un sensor

2000 [62]

ESI PLS quantitatiu Determinació d'ió calci i de duresa total

2002 [63]

En les matrius de sensors potenciomètrics, degut a la selectivitat creuada que aquests dispositius mostren envers la presència d’espècies interferents, la senyal generada és de tipus altament no lineal, per la pròpia natura del model físic adjacent. És suficientment reportat a la literatura, les habilitats per modelar sistemes no lineals amb anàlisis en components principals (PCAs) o amb xarxes neuronals artificials (XNAs), especialment amb aquestes últimes gràcies al propi mecanisme de modelatge no lineal que posseeixen[64,65].

1.3.3. Xarxes Neuronals Artificials Les xarxes neuronals són eines d’intel·ligència artificial per a la classificació i la modelització, que s’han mostrat especialment útils per al calibratge quan la relació entre el mesurand i la mesura és de tipus no lineal. Podríem definir-les com algorismes basats en una simplificació del model cerebral; no intenten copiar exactament com treballa el cervell però si de reproduir les seves operacions lògiques ajudant-se d’unes entitats, les neurones o perceptrons, que processen els senyals inspirant-se en com ho fan les neurones dels animals[66] i això es coneix com l’aproximació biomimètica. Alguns autors proposen per al processament de dades obtingudes d’una matriu d’ESIs l’ús de xarxes neuronals artificials (XNA)[61,67]. Els resultats preliminars han estat molt satisfactoris permetent l’aplicació en anàlisis qualitatius i també quantitatius. Per tant, la utilització de XNAs per a modelitzar les respostes entrecreuades dels ESIs a causa de l’elevada no linealitat del model subjacent, es preveu una opció factible.

1.3.3.1. Antecedents Una neurona és la unitat mínima de processament en un cervell. Un cervell humà posseeix al voltant de 1010 neurones i cada una és troba interconnectada amb unes altres 104 a través de les dendrites, encarregades d’entregar els missatges a la neurona. A la vegada, posseeix un canal de sortida anomenat axó. Els canals dendrítics són una prima extensió cel·lular en forma d’arbre que recull la informació d’altres neurones i la subministra al cos cel·lular de la neurona en forma de senyal elèctric. En aquest cos es combinen i integren de manera que si el potencial resultant supera un valor llindar, la neurona s’activa i produeix un senyal de sortida, conduïda a través de l’axó. Aquesta és una fibra nerviosa, que es va ramificant cap a altres

1. INTRODUCCIÓ

29

neurones, per a poder transmetre la informació. Un esquema d’una neurona humana es pot apreciar a la figura 1.8.

Figura 1.8. Esquema de les parts que composen una neurona humana.

La xarxa entre neurones és sempre activa i els missatges viatgen de neurona en neurona, responent a estímuls externs ambientals com són els sentits (gust, tacte, olfacte, ...). Aquesta incessant activitat és bàsica en l’aprenentatge i el pensament. Les connexions entre neurones per un estímul que es va repetint són reforçades amb el temps. Aquest reforçament es produeix quan, per exemple, dominem un nou camp d’habilitat i sembla ser la base de l’aprenentatge. Aquest és el mecanisme que s’intenta reproduir en una XNA i el que sembla més atractiu és que no s’ha d’ensenyar com aprendre sinó que s’aprèn a base de l’experiència o aportació d’informació al sistema. El que sembla clar és que es tracta d’explicar a una XNA com resoldre un problema i que una XNA pot resoldre moltes tipologies diferents de problemes amb l’entrenament adequat. 1.3.3.2. El perceptró El perceptró, definit com a eina de processament i agrupació de classes per un límit de decisió lineal, va ser dissenyat inspirant-se en les funcions bàsiques d’una neurona animal, recordant que aquesta posseeix moltes entrades, el senyal de les quals pot ser sumat; si la suma de les entrades és inferior a un determinat valor llindar, el perceptró és en repòs i dóna senyal nul; si supera el llindar el perceptró s’activa i allibera un senyal i per últim el perceptró torna a l’estat de repòs passat un curt període de temps. el perceptró posseeix un conjunt d’entrades i una sola sortida. El perceptró suma cada una de les entrades (o estímuls) (pi) que tenen una diferent ponderació o pes (wi), multiplica pi·wi i suma tots els valors, veure figura 1.9. La neurona afegeix al resultant un terme de tendència o biaix (b) que permet que la resposta no hagi de passar per força per l’origen i se li aplica la funció de transferència llindar, que s’esquematitza a la figura 1.10. Si supera el llindar, el perceptró dóna resposta, sinó el supera roman inalterat davant l’estímul. Aquesta operació es pot veure esquematitzada a les expressions següents:

DENDRITES

SOMA

AXÓ


30

i

R

1ii1, ·pwEntrada ∑

=

= (1.14)

Sortida = 1 si w·p+b ≥ 1; o bé, si w·p+b<1 (1.15) on wT= [p1, p2, .....,pR] i pT= [w1,1, w1,2, .....,w1,R]

Figura 1.9. El Perceptró. Figura 1.10. Funció de transferència Llindar.

És fàcil de veure que aquesta neurona serveix per a classificar els patrons en regions a través d’un hiperplà; en 2 dimensions es tracta d’una recta. A la figura 1.11 es pot apreciar el mecanisme de classificació del perceptró, separant 2 classes en 2 regions delimitades per una recta.

Figura. 1.11. Exemple del mecanisme de classificació d’un perceptró. El punt negre pertany a la classe 1, els grisos a la classe 2.

1.3.3.3. XNA multicapa o perceptró multicapa La incapacitat del perceptró de resoldre alguns senzills problemes linealment inseparables, com la funció lògica XOR, va fer pensar en modificacions al model. S’ha comprovat que afegint capes successives es pot resoldre els problemes linealment inseparables[68]. En quant a complexitat, el cervell humà no és simplement format per una única neurona, per tant, es va pensar en la introducció de més perceptrons. En aquest sentit hi ha 2 estratègies possibles: afegir perceptrons veïns, o bé afegir més capes de perceptrons, agafant com entrades de les segones capes les sortides de les primeres.

1. INTRODUCCIÓ

31

En aquest cas l’estructura resultant és la que es pot apreciar a la figura 1.12 i és formada per una primera estructura de neurones anomenada capa d’entrada, que s’encarrega de distribuir els senyals, o estímuls d’entrada, cap a les següents capes. Aquesta capa d’entrada no filtra ni aplica cap funció de transferència a les dades sinó que simplement introdueix la informació. A la segona capa, o capa oculta, que si que és formada per perceptrons, aquests s’encarreguen de rebre, processar i enviar els senyals filtrats cap endavant. L’última capa, o capa de sortida, també formada per perceptrons, és el lligam entre la XNA i l’exterior, subministrant la informació processada.

P

P

P

S

S

1

2

3

1

2

Capa d'entrada Capa oculta Capa de sortida

Figura 1.12. Esquema de xarxa neuronal multicapa. Ara el perceptró pot realitzar tasques molt útils però cal que cada neurona pugui buscar la millor connexió mitjançant els pesos i que realment es produeixi aprenentatge. Això ho podem aconseguir agafant una altra idea del model cerebral. La neurona no és una unitat binària que respon si i no, o uns i zeros. Ella pot respondre amb un senyal de sortida gradual en magnitud en funció del tamany de les entrades. Això ho aconseguim modificant la funció llindar del perceptró, i en comptes d’una resposta binària, s’obtenen a la sortida respostes graduals en funció de les entrades. Qualsevol funció és vàlida sempre que compleixi les condicions matemàtiques de ser monòtona creixent dins l’interval d’aplicació (vol dir que és continua en l’interval i que és acotada) i tenir la derivada continua en l’interval, condicions que són bàsiques per poder aplicar la regla d’aprenentatge[69]. Les funcions de transferència més comunament emprades es poden apreciar a la figura 1.13.

1

3 4

2

( ) xexf −+

=1

1( ) xxf =

( ) x

x

eexf −

−

+−=

11 ( )

1x; 1

1x1;x 1x ; 1

xf

⎪⎩

⎪⎨

⎧

>≤<−

−≤−=

1

3 4

21

3 4

2

( ) xexf −+

=1

1( ) xxf =

( ) x

x

eexf −

−

+−=

11 ( )

1x; 1

1x1;x 1x ; 1

xf

⎪⎩

⎪⎨

⎧

>≤<−

−≤−=

Figura 1.13. Funcions de transferència: 1. Logsig 2. Purelin 3. Tansig 4. Satlins.


32

La configuració més freqüent i recomanada és utilitzar funcions de transferència de tipus logística (o logsig), per a les capes ocultes i, lineals (o purelin) per a les de sortida. La funció satlins, és semblant a la llindar, l’únic que entre -1 i 1 l’esglaó no és de pendent infinit sinó 1. La logística és una funció molt apropiada ja que té el particular avantatge que té un control propi de guany. Senyals molt petits o molt grans aproximen la funció a la llindar, subministrant 0 o 1 respectivament. Senyals moderadament petits o grans passen per una zona no lineal on es regula el seu valor. Senyals de sortida intermitges, es veuen regulats a través del que s’assimila a una recta. La funció tansig té un comportament semblant a logística però fora de la zona entre -1 i 1, on té un pendent unitari, la funció evoluciona ràpidament cap als seus límits sent molt similar al comportament de la satlins . 1.3.3.4. Xarxes neuronals amb retropropagació Un perceptró, té un aprenentatge senzill i les regles d’aprenentatge són inequívoques. En una xarxa neuronal, això és més complicat i s’ha d’establir com els canvis entre els pesos d’una capa fan que variïn els de la següent capa, per fer que la XNA aprengui. La solució al problema més estesa és usar les xarxes neuronals unidireccionals[70] (feedforward) amb aprenentatge per retropropagació (backpropagation). Per aprenentatge cal entendre aquí l’optimització dels pesos per tal de modelitzar correctament la informació de partida, o sigui, obtenir resultats correctes a partir d’un conjunt de mesures. Un esquema il·lustratiu del procés que realitza en l’aprenentatge la xarxa neuronal amb retropropagació és el que es pot apreciar a la figura 1.14.

Figura 1.14. Esquema del mecanisme de retropropagació. Les xarxes tenen la capacitat d’aprendre a partir d’un recull de mostres representatives del problema que es vol modelar. Aquestes mostres són les que formen el conjunt d’entrenament de la xarxa: els senyals formen les entrades, una per cada senyal; les propietats de les mostres conformen les sortides de la xarxa, una per cada propietat. En aquestes xarxes, es calcula l’error entre la sortida esperada (Opj) i la trobada (Tpj) per cada neurona j i per a cada patró p, (Tpj - Opj), a la sortida de la xarxa. Una part de l’error es transmet a les connexions entre neurones ajustant els valors dels pesos de manera que l’error disminueixi[71]. En les XNAs amb retropropagació estàndards,

1. INTRODUCCIÓ

33

els valors dels pesos són ajustats quan tots els valors del conjunt d’entrenament passen per la xarxa una vegada, el que es coneix com a època, però existeixen altres mecanismes d’actualització dels pesos[72]. En alguns casos l’error s’ajusta cada cop que un element del conjunt d’entrenament es presenta a la xarxa, que és el que es coneix com a iteració. En altres, aquesta operació es realitza cada cert nombre d’iteracions. L’objectiu de la XNA amb retropropagació és minimitzar la funció error, Ep (eq. 1.16) definit per conveni com la semisuma dels quadrats dels errors per a tot el conjunt d’entrenament. Una forma habitual de minimitzar l’error és a través del procediment de l’algorisme del gradient descendent, un procediment iteratiu que ajusta els valors dels pesos i per tal que disminueixi més ràpidament l’error, es segueix la direcció on el gradient és més pronunciat.

2pj

n

jpjp )O(T

21E −= ∑ (1.16)

El valor d’un pes d’una connexió, wij, en un estat (t + 1) de l’entrenament es relaciona amb el valor del pes en l’instant t a través de l’expressió (1.17). ( ) ( ) pjpjijij Oδ*αtw*β1tw +=+ (1.17)

on α , és la velocitat d’aprenentatge (learning rate), que va entre 0 i 1, i β el terme moment (momentum), que també va entre 0 i 1, afegits per a regular l’aprenentatge de la xarxa. La funció de α és d’accelerar o frenar el descens cap al mínim global del sistema. Valors petits poden conduir a entrenaments massa lents o la caiguda en mínims locals; valors massa grans poden provocar que l’entrenament es torni massa inestable. La β actua com un filtre passa-baixos, fa que s’ignorin les petites irregularitats de la superfície de l’error, intentant evitar caure en mínims locals. El càlcul del paràmetre δ s’acostuma a fer mitjançant l’algorisme del gradient descendent. És possible derivar aquestes expressions obtenint el tamany dels canvis a fer als pesos per disminuir l’error durant l’entrenament, on per trobar el valor de k cal haver derivat i minimitzat la funció de l’error respecte dels pesos. ( )( )pjpjpjpjpj OTO1kOδ −−= per a la capa de sortida (1.18)

( ) jk

n

kpkpjpjpj wδO1kOδ ∑−= per a una capa oculta (1.19)

Aquestes expressions, (1.12) i (1.13), es coneixen com la regla delta generalitzada, o regla d’aprenentatge de la XNA amb retropropagació, i mostren com l’ajust de l’error depèn de les subseqüents capes. D’aquesta manera, s’ajusta l’error a la capa de


34

sortida i es propaga després l’error a les capes prèvies. Cadascuna rep una quantitat d’error, en proporció al què ella aporta a la capa de sortida, ajustant amb aquest mecanisme els pesos entre capes. L’entrenament amb un conjunt de partida d’una xarxa neuronal amb retropropagació i algorisme de gradient descendent, és un ajust de primer ordre, on es busca minimitzar l’error en la direcció del gradient. Sol ser molt fiable però amb algunes limitacions com són que no és un algorisme ràpid i que, no resulta robust davant situacions de convergència prematura en mínims locals. La solució passa per utilitzar altres algorismes d’entrenament. Existeixen algorismes que poden convergir de deu a cent vegades més ràpid que l’algorisme vist prèviament. Un altre algorisme aquí utilitzat es pren de l’optimització numèrica avançada. És l’algorisme Levenberg-Marquardt (LM) que calcula, i actualitza en les diferents èpoques d’entrenament una aproximació d’un Hessià (matriu de les segones derivades de càlcul complex), a partir d’una matriu Jacobiana, que conté les primeres derivades de l’error de la xarxa respecte els pesos i els biaixos, presentant la forma que es pot apreciar a l’expressió (1.20).

( ) ( ) [ ] eJμIJJtw1tw T1Tijij

−+−=+ (1.20)

on J és la matriu Jacobiana, e un vector dels errors de la xarxa, I la matriu identitat iμ

un escalar, que quan és 0 implica utilitzar només el Jacobià, i per tant, és semblant al gradient descendent, que és més ràpid quan l’error és gran i més acurat quan l’error es fa petit, disminuint el valor de μ cada època el que proporciona un algorisme especialment eficient[68]. Aquesta aproximació permet assolir les prestacions dels algorismes de segon ordre sense necessitat de calcular explícitament un Hessià. 1.3.3.5. La generalització Un dels problemes que sorgeix durant l’entrenament és el que es coneix com a sobreentrenament o sobreajust. Es dóna amb la situació en que el conjunt amb el que nosaltres hem entrenat les dades l’error és molt petit, però quan un nou conjunt de dades que no ha participat en l’entrenament de la xarxa, essent de la mateixa natura als que si ho han fet, passa a ser processat per aquesta, el nou conjunt es veu classificat amb un error massa gran. Aquesta situació és semblant a la d’ajustar polinomis, que en forçar un ordre alt es distorsiona molt la representació real de les dades. Aquest problema s’il·lustra a la figura 1.15.

1. INTRODUCCIÓ

35

Figura 1.15. A la figura de l’esquerra veiem un model sobreajustat i a la dreta un de ben representat. Les estrelles són els punts experimentals, la funció puntejada és la ideal, la sòlida l’ajustada per la XNA. A l’esquerra es veu sobreajust. A la dreta un bon ajust del model.

De manera anàloga als polinomis, una alternativa podria ser dissenyar una xarxa molt simple (poques neurones a la capa oculta) que no tingui prou capacitat per al sobreajust. El criteri de selecció de la mínima estructura que millor representi el model no es troba, però, clarament definit. Aquesta problemàtica s’ha de resoldre mitjançant el que es coneix com a generalització. Existeixen dos mètodes per implementar la generalització en les xarxes neuronals, l’aturada a temps de l’entrenament (early stopping) i la regularització bayesiana.

• ATURADA A TEMPS El mètode més utilitzat en xarxes neuronals amb retropropagació per tal d’evitar el sobreentrenament en el model, és el que es coneix com aturada a temps de l’entrenament. Com el seu nom indica es tracta de detectar la situació de sobreajust en el model i d’aturar l’entrenament. Per aconseguir aquest fet es divideixen les dades disponibles en tres subconjunts de forma que la variabilitat quedi repartida entre els tres[73]. El primer grup se l’anomena el conjunt d’entrenament i és utilitzat per avaluar l’error i ajustar els valors dels pesos de la XNA. El segon grup, és el conjunt de validació o validació interna; l’error de la validació normalment decau al principi de l’entrenament a la vegada que ho fa el conjunt d’entrenament, i quan la xarxa comença a sobreentrenar les dades (i l’error en el conjunt d’entrenament segueix disminuint) l’error en el conjunt de validació comença a augmentar, com a senyal que el model ja no és vàlid per a tots els punts. Quan això succeeix durant un cert nombre d’iteracions seguides, fixades per nosaltres, l’entrenament s’atura i els valors dels pesos i biaixos en el mínim de l’error de la validació, que havien estat guardats temporalment, es retornen a la xarxa. El tercer grup o conjunt de test o de validació externa, no intervé en l’aprenentatge, però s’utilitza per comparar els diferents models, de forma visual i numèrica, i s’utilitza com a indicació que el model prediu bé punts que no havien participat de cap manera en l’entrenament[73].


36

• REGULARITZACIÓ BAYESIANA Una altra solució per a prevenir el sobreajust és la regularització bayesiana (BR). Aquesta tècnica tracta de buscar el model de xarxa més simple que millor s’ajusti a la funció que volem aproximar, arribant a predir més eficientment punts que no han participat en l’entrenament[70]. L'expressió (1.16) és la funció objectiu, F, que s'estableix en una XNA amb algorisme de gradient descendent i en la qual es mostren els paràmetres que s’han d’ajustar per a minimitzar l'error Ep. En el mètode de regularització Bayesiana no solament es considera l'error global de la XNA, com el de l'equació (1.16), sinó que també es té en compte el valor en particular de cadascun dels pesos de la xarxa[74]. Per la qual cosa, en aquest mètode la funció objectiu es modifica agregant la participació específica dels pesos de la xarxa, com es mostra en l'expressió (1.21): wp E*γE*γ)(1F +−= (1.21)

Quan es minimitzen els valors actuals dels pesos de la xarxa, la complexitat de la xarxa disminueix i la resposta d’aquesta es suavitza i s’evita el sobreajust[75]. Com s'observa en l'expressió (1.21) els errors Ep i la suma dels quadrats dels pesos Ew es ponderen amb el paràmetre γ . Per a l'estimació d'aquest paràmetre, la regularització Bayesiana considera que els pesos de la xarxa són variables aleatòries amb funció de densitat, M)γ,D,wP( , on D representa les dades, w el vector de pesos

i M és el model de la XNA utilitzada. Per a una descripció més detallada de l'estimació de γ es recomana consultar a la literatura[76].

1.3.4. Anàlisi en components principals (PCA) Aquesta tècnica de reducció de variables molt comuna en quimiometria, té com objectiu la representació del conjunt de senyals obtingudes, en sistemes de dimensionalitat més petita, conservant la informació rellevant en unes noves variables anomenades components principals (PC). La majoria de vegades, amb dos o tres components principals podem explicar bona part del problema estudiat, amb la facilitat de poder interpretar millor els resultats, al treballar en sistemes de dimensionalitat inferior[26]. Els seus fonaments rauen en buscar les direccions, ortogonals entre si, que continguin la màxima variabilitat. El PCA actua com un canvi de sistema de coordenades entre les variables inicials i les noves variables latents[77], que són inferior en nombre a les primeres. La feina del químic aquí, és interpretar el significat d’aquests nous components resultants de l’anàlisi de reducció de variables, podent-los traduir en quelcom tangible i útil[78]. Un esquema del mecanisme que té lloc en l’anàlisi dels components principals pot se vist a la figura 1.16.

1. INTRODUCCIÓ

37

variable 1

variable 2

variable 3PC1

Figura 1.16. Representació esquemàtica on s’obté el primer component principal.

PC2

PC1

I II

III IV

Figura 1.17. Esquema de com un PCA pot agrupar les mostres segons les seves característiques.

El que trobem aquí, en un cas favorable, és una agrupació dels resultats experimentals en funció de la seva natura, característiques o origen, permetent-nos dur a terme una classificació d’aquests. Aquesta propietat dels PCAs que serà d’especial utilitat en la classificació dels patrons generats per matrius de sensors (§1.4.1). Una visió esquemàtica de la classificació de mostres en funció de les seves propietats pot ser vista a la figura 1.17.

Estrictament, l’anàlisi en components principals es basa en la descomposició de la matriu de covariança o correlació de les dades en uns vectors propis10. Si la matriu de dades experimentals X és formada per i files i per j columnes, i considerem les files les lectures discretes dels experiments11, podem descriure aquesta matriu de covariança com:

1IXXcov(X)

T

−= (1.22)

Matemàticament l’anàlisi de components principals es basa en fer una projecció de la matriu X en un subespai de dimensió d, a través de la matriu de projecció PT ETPX T += (1.23) tenint en compte que les files de la matriu P són els vectors propis o vectors de loadings, formats per els cosinus directors dels nous eixos respecte el sistema d’eixos inicial. La matriu T són els vectors anomenat scores i són les coordenades ortogonals

10De l’alemany eigenvectors, que és també un terme usualment emprat. 11Entenent, cada conjunt de dades generades per la matriu de sensors en una lectura com a experiment discret


38

entre si dels diferents espectres al nou espai. En reconstruir les dades de la matriu X amb aquestes dues anteriors matrius apareix una matriu E formada per els residuals. El càlcul de loadings i scores es pot dur a terme de diferents formes, buscant sempre obtenir noves direccions que permetin reduir la matriu inicial X eliminant informació no rellevant. Cal anar calculant vectors propis i valors propis d’una matriu. Es comprova que si les variables de X han estat centrades, en un tractament previ de les dades, els vectors de loadings pi, sent i=1,2,...,N nombres de components principals, són els vectors propis de la matriu XTX, i que els vectors del scores ti són valors propis de la matriu XXT. Un esquema dels scores i loadings en el nou component principal pot ser vist a la figura 1.18.

var. 2 var. 2

var. 1var. 1

θ2

θ1

p1=cos θ1

p2=cos θ2

1

2

4

3

5

6

t1

t2

A BPC1 PC1

Figura 1.18. Loading i scores del primer component principal.

Existeixen nombrosos algorismes de càlcul, però un dels més aplicats per la seva simplicitat rep el nom de NIPALS (Nonlinear Iterative Partial Least Squares) ja que ens permet la obtenció dels primers components principals, que són els que contenen la major variabilitat i expliquen millor el nostre problema, sense haver de calcular-los tots. Aquest es basa en una de les propietats del PCA i és que la matriu de loadings P es pot calcular mitjançant un ajust de mínims quadrats de X en la matriu d’scores T, i que d’igual forma T es pot trobar per un ajust de mínims quadrats de X en P. Mitjançant aquest algorisme primer es troben la direcció de màxima variabilitat, després la següent en importància, i així successivament. Per això es pren qualsevol vector dins d’un espai N dimensional i es fa girar a través de l’origen de coordenades fins trobar la posició que s’ajusta millor amb la direcció principal de dades. Els cosinus dels angles respecte cadascun dels eixos originals son els loadings, i les projeccions ortogonals dels punts originals respecte el component principal son els scores. En un segon pas es pot calcular un segon component principal, prenent un segon vector en l’espai N dimensional inicial però complint la condició de ser ortogonal al primer, evitant possibles problemes de correlació entre els dos components, que si podien tenir les dades originals. Finalment es calculen vectors propis i valors propis per aquest nou component principal.

1. INTRODUCCIÓ

39

Per a una reproducció perfecta de X es necessiten N vectors de loadings i scores, però és possible representar la matriu X amb un nombre i<N vectors. Contenint els primers components principals la informació rellevant, i els últims el soroll: ETP Ept...ptptX TT

iiT22

T11 +=++++= (1.24)

Veient, com a resum, que si tenim M experiments, i components principals i N dimensions, la matriu T te dimensions (Mxi) i es la matriu dels scores. La matriu PT és la matriu de loadings de X i té dimensions (ixN). E es la matriu de residuals i existeix si i<N. 1.3.4.1. Anàlisi quantitatiu amb PCAs Es fonamenta en l’establiment d’un model fent servir els nous components calculats amb capacitat predictiva generalitzadora, ja que el model s’aplica als primers components trobats, que presenten l’avantatge de no contenir soroll. No sols es tracta d’aconseguir que els mapes d’organització de punts experimentals, siguin capaços de classificar un nou punt en un d’aquests, sinó arribar a estimar-ne la seva concentració[79]. Aquests mètodes de modelatge necessiten també, igual que en XNAs, d’etapes de calibració, de validació i per últim de validació externa. El mètode més emprat en aquest camp, és la Regressió Parcial per Mínims Quadrats (PLS)12, introduït com una variació de l’algorisme NIPALS, on s’aconsegueix trobar el màxim poder predictiu en els primers components principals i que per tant és on existeix la màxima variabilitat. L’algorisme de càlcul es pot trobar detallat el treball de Geladi i Kowalski[80]. En el cas del PLS, els loadings no coincideixen exactament amb la direcció de màxima variació com en el cas del PCA, degut a que estan corregits per a poder obtenir la màxima capacitat predictiva per la matriu Y. Aquest mètode de calibració és especialment útil per a resoldre problemes o situacions on disposem de gran nombre de variables i relativament poques mostres.

1.4. La llengua electrònica Com s’ha tractat en el punt 1.1, a causa de l’alta no-linealitat del model de resposta subjacent als elèctrodes selectius d’ions, apareix una certa resposta a espècies interferents. Cal aplicar doncs, un tractament de dades de tipus quimiomètric a les respostes que obtenim d’aquests dispositius, per així poder discriminar i quantificar els diferents analits que conté una determinada mostra.

12 PLS, de l’anglès, Partial Least Squares.


40

La llengua electrònica és una novedosa tècnica en el camp de la química analítica que utilitza sensors no específics per a la mesura en líquids i posterior calibratge multivariable mitjançant XNAs, PCAs o PLS en funció de l’aplicació final que li vulguem donar. Aquesta pot emprar matrius formades solament per elèctrodes de resposta creuada, de resposta genèrica a un ampli ventall d’analits selectius, o pot usar combinacions d’elèctrodes genèrics i elèctrodes selectius amb cert caràcter de resposta a espècies interferents. El propi nom d’aquesta tècnica analítica prové del seu mecanisme biomimètic, ja que a l’igual que les llengües dels humans, aquí l’aproximació calen uns sensors amb una resposta genèrica a les diferents espècies: una llengua humana conté receptors a espècies dolces, salades, amargues i àcides. No es posseeixen sensors específics a cap espècie en concret, qui fa el reconeixement és el cervell humà, que a través de l’aprenentatge, és capaç de reconèixer una substància per la resposta combinada del que s’està saborejant. A més, una persona amb el sentit del gust ben educat, és clar, que encara que no hagi tastat mai un producte, serà capaç de classificar o dir a quina combinació li recorda aquell gust. Aquestes idees de partida han fet dibuixar un nou camí en el camp de l’anàlisi seguint una línia de recerca oposada a la que busca nous sensors cada cop més selectius. La nova estratègia utilitza matrius de sensors amb respostes entrecreuades entre ells i un posterior tractament de dades amb calibratge multivariable, intentant suplir la complexitat resultant de les lectures obtingudes mitjançant eines d’intel·ligència artificial. El primer treball que ens trobem en la literatura que proposa utilitzar xarxes neuronals per a modelitzar la senyal no lineal generada per matrius de sensors potenciomètrics va ser dut a terme per W.E. Van der Linden et al. i es remunta a l’any 1990[67]. La filosofia de l’aproximació rau, en què per a cada aplicació que vulguem donar sols haurem de seleccionar la matriu de sensors adient, que pugui recollir la màxima informació dels analits i de les interferències que hi ha a la mostra, preparar un conjunt de patrons que representin tota la variabilitat de les espècies a determinar en les mostres, realitzar-ne les mesures i preparar un model, que sigui un sistema intel·ligent, capaç de predir mostres que no han estat processades inicialment en la generació d’aquest model i poder-les classificar a posteriori, de la mateixa forma que ho fem els humans. Així doncs, l’aproximació ens proporciona una caixa d’eines capaç de ser aplicada a multitud de situacions degut al seu caràcter de resposta genèrica, que amb l’entrenament adient, amb la presentació de les mostres suficients i amb la informació adequada, el nostre dispositiu pot ser capaç de resoldre noves situacions. Quan la llengua electrònica de la que disposem no pot modelar un determinada situació experimentalment, cal refer el problema. Aquí, un punt important és la idea de modularitat-flexibilitat: es pot tenir una col·lecció de sensors, que s’utilitzen

1. INTRODUCCIÓ

41

simultàniament per realitzar la mesura, i a finalment, si cal, s’eliminen els que no aportin informació rellevant[81]. Aquesta estratègia té una complicació instrumental associada, ja que si es vol fer un sistema amb dispositius duplicats o triplicats per intentar corregir problemes de soroll, el nombre de canals necessaris per fer l’adquisició de dades pot ser inassolible pels elevats costos instrumentals que comporta[82]. Les potencials àrees d’aplicació de la llengua electrònica, són bàsicament l’anàlisi d’aliments i en particular de begudes, com pot ser la classificació entre diferents marques, tipus, orígens, etc., o bé la determinació quantitativa de la composició de determinats compostos. Però les seves aplicacions potencials no es queden sols en el camp alimentari, sinó també són útils en camps clínic i mediambiental, podent classificar mostres i alhora determinar nivells d’espècies d’interès. Les aplicacions de les llengües electròniques possibiliten aplicacions de tipus qualitatiu, quantitatiu i fins i tot l’obtenció d’una “nova informació” sobre la matriu de la mostra.

1.4.1. La e-llengua com a eina d’anàlisi qualitatiu Classificació i el reconeixement de diferents mostres líquides és probablement l’àrea de major aplicació de les llengües electròniques. L’estratègia aquí es basa en la mesura d’un cert nombre de mostres, i amb un posterior tractament de reducció de variables es poden generar mapes, on idealment s’agrupen les diferents mostres segons composició, natura, origen, etc. Com a eina matemàtica de classificació són generalment utilitzats els PCA, que ens permeten reduir la multitud de variables d’entrada (els propis dispositius que formen la matriu de sensors) en unes poques que podrem representar i interpretar amb una major facilitat. Un esquema de l’aproximació duta aquí a terme, pot ser vista a la figura 1.19.

variable 1

variable 2

variable 3PC1

PC2

III

IVIII

Figura 1.19. Esquema del procés d’agrupació de punts experimentals mitjançant una llengua electrònica, en classificar mitjançant PCA els patrons mesurats amb la matriu de sensors.


42

Addicionalment, és possible el reconeixement d’una nova mostra que no participa en la generació del model de resposta, classificant-la dins aquest, en algun grup prèviament delimitat. Per aquesta tasca s’empren PLS com a eina de reducció de dades i posterior modelatge i predicció. També es troben descrites alternatives de classificació de patrons a través de XNAs, també molt útils en sistemes no lineals[83]. Entre les comptades aportacions a la literatura, destaquen els treballs de Toko que fan servir llengües electròniques com a eina d’anàlisi qualitativa, com poden ser: per classificar diferents tipus de cervesa o determinar la qualitat de l’aigua[84], o les aportacions de Vlasov en la monitorització en una planta embotelladora d’aigua[85], l’anàlisi d’aigües minerals[86], la classificació de mostres clíniques i alimentàries[47] i de diferents tipus de begudes[87], o fins i tot, la monitorització de la qualitat de l’aigua en naus espacials i de hàbitats planetaris[85,88]. Un recull bibliogràfic dels treballs més destacats publicats en el camp de les llengües electròniques per a classificar diferents tipus de mostres es mostra a la taula 1.4.

Taula 1.4. Resum cronològic de treballs publicats en el camp de les llengües electròniques dedicades a la classificació de mostres.

Matriu utilitzada Eina de processament Objectiu Any


ESI i no selectius amb respostes creuades

PCA Per a la classificació de diferents begudes com te, cafè, cervesa, refrescos i sucs 1997 [3,89]

Llengua: basada en voltamperometria de polsos/ Nas: 10 MOSFETs

PCA Demostrar que un ús conjunt de llengua electrònica i nas electrònic classifiquen millor que usats per separat

1999 [48]


PCA Per a la classificació de diferents begudes com te, cafè, cervesa, refrescos i sucs 2000 [90]

Llengua: ESIs basats en metal·loporfirines/ Nas: Microbalança de quars basats en metal·loporfirines

PCA Ús conjunt de llengua electrònica i nas electrònic per classificar mostres làcties i clíniques

2000 [47]

ESI no selectius PCA Classificació de diferents tipus d'aigües minerals 2000 [91]

Combinació de potenciometria, voltamperometria i conductimetria

PCA Llengua electrònica híbrida per a la classificació de sis tipus diferents de llet fermentada

2000 [50]

Membrana líquida PCA Classificació de diferents tipus de salsa de soja 2000 [92]

Membrana líquida/polimèrica PCA

Una escala objectiva per als gustos de substàncies com cervesa, sake, cafè, aigua mineral, llet i vegetals

2000 [93]

Membrana de vidre sinteritzat i membranes polimèriques

PCA, PLS, XNA Monitoritzar la qualitat de l'aigua potable en planta embotelladora 2001 [85]

1. INTRODUCCIÓ

43

Elèctrodes amperomètrics

PCA, transformada wavelet

Classificació de diferents tipus de fruites 2001 [94]

Elèctrodes all-solid-state de membrana polimèrica PVC amb selectivitat creuada

PCA, PLS, PCR Anàlisis de begudes com aigües potables, refrescos i cerveses 2002 [95]

Elèctrodes electroquímics

CBR(Raonament basat en casos) Avaluació de la qualitat de l’aigua 2002 [55]

Elèctrodes de pel·lícula ultra-prima

XNA Classificació de vins 2004 [96]

Aquestes primeres aproximacions proposen la llengua electrònica com a una tècnica d’anàlisi per a líquids i presenten algunes avantatges sobre la classificació que es realitza mitjançant panells de tast d’aliments i begudes, per l’objectivitat que presenta la llengua electrònica i la impossibilitat de veure’s afectada pel cansament, fent palesa la viabilitat de ser aplicada.

1.4.2. La e-llengua com a eina d’anàlisi quantitatiu Però de la mateixa manera que podem dir si és més o menys salat es pot utilitzar una llengua electrònica com a eina d’anàlisi quantitativa[57]. L’aproximació parteix aquí del principi de que els dispositius que formen la matriu de sensors permeten la determinació d’analits, però mostrant resposta creuada a interferents, generant un model altament no-lineal. Per a dissenyar una llengua electrònica amb fins d’anàlisi quantitatiu, haurem de preparar una sèrie de dissolucions, que formaran el nostre conjunt de partida i que haurà de contenir tota la variabilitat a modelitzar. Un cop el conjunt de partida sigui generat, caldrà una eina d’anàlisis multivariable que ens permeti desfer les respostes creuades que presenten els elèctrodes de la matriu[97]. Per les seves propietats l’eina que preveu millors models per a sistemes no lineals és la XNA, i és per tant la més utilitzada en aquest sentit. L’esquema de l’aproximació es mostra a la figura 1.20.

[i] [j] [k] [l] Figura 1.20. Esquema del procés de determinació i quantificació d’analits mitjançant una llengua electrònica, en modelitzar a través de XNA els patrons mesurats amb la matriu de sensors.


44

Una altra estratègia com a eina de estrictament predictiva de sistemes no lineals és l’ús de PLS per a la quantificació de mostres problemes. Pocs treballs apareixen a la bibliografia respecte l’ús de la llengua electrònica com a eina d’anàlisi quantitativa mitjançant XNAs i menys encara que facin servir PLS. Els més destacats es troben descrits a la següent taula 1.5 detallant en cada cas el problema abordat i l’eina de càlcul utilitzada.

Taula 1.5. Resum cronològic de treballs publicats en el camp de les llengües electròniques dedicades determinació quantitativa d’espècies.

Matriu utilitzada

Eina de processament Objectiu Any


Membrana de vidre sinteritzat

MLR, PLS, XNA, NLLS

Determinació simultània de Cu, Cd, Zn, Cr, Fe, Cl, SO4, H 1997 [4]

Membrana de vidre i cristal·lina de sensibilitat creuada

No detalla Determinació de metalls pesats 1997 [98]

Membranes polimèriques PCA

Una escala objectiva per als gustos de substàncies com cervesa, sake, cafè, aigua mineral, llet i vegetals

1998 [84]

Membrana de vidre sinteritzat i membranes polimèriques

PCA, XNA Determinació quantitativa d'alguns components en aigua mineral i vi 1999 [99]

Vidre sinteritzat PLS, XNA Ús de llengua electrònica en comparació als

ESIs per separat 1999 [100]

Elèctrodes selectius a halurs

XNA Demostrar que l’ús de XNA permet la obtenció de models millors als obtinguts mitjançant mètodes de calibració lineal

2000 [61]


XNA Determinació de contaminants en aigües freàtiques 2000 [90]

Un únic sensor XNA Extreure del soroll d'un únic sensor informació

de la composició de la mostra 2000 [101]

ESI no selectius XNA Determinació del contingut en alcohol de vins

i de la qualitat en sucs de fruites 2000 [91]

Elèctrodes all-solid-state de membrana polimèrica PVC amb selectivitat creuada

PCA, PLS, PCR

Anàlisis de begudes com aigües potables, refrescos i cerveses 2002 [95]

ESI selectius a cations i un Biosensor de lisina

PCR, PLS Determinació de lisina en mostres alimentàries 2002 [102]

1. INTRODUCCIÓ

45

1.4.3. La e-llengua com a eina per proporcionar nova informació A part d’aplicacions de tipus qualitatiu i quantitatiu, les llengües electròniques possibiliten l’obtenció d’una “nova informació” sobre la matriu de la mostra que permetria recollir paràmetres d’interès que fins aquí no era possible obtenir-los de manera trivial, com podria ser la determinació del contingut d’una mostra en percentatge de suc natural o l’aplicació en indústria farmacèutica per a detectar un mal gust en medicaments[103], o l’edat d’envelliment d’un suc de fruites[89].

1.5. Sistemes analítics distribuïts Una nova idea que està prenent molta força és el concepte d’integració del procés analític. El volum d’informació pren aquí una major dimensionalitat. La idea d’un sistema distribuït parteix de que en un sistema analític existeixen un determinat nombre de subsistemes, cada un d’ells amb una funció específica, que es troben interrelacionats. Quan trobem que entre aquests subsistemes existeix una separació física, parlem llavors de sistemes analítics distribuïts, que poden estar relacionats mitjançant diferents tipus de connexió. Quan aquests tipus de connexió es fa mitjançant senyal de tipus digital, apareix la possibilitat de compartir la informació a majors distàncies[104]. Res impedeix per tant, pensant en un futur no molt llunyà, en l’existència de “xarxes globals” d’informació química. Un sistema analític distribuït ha de complir les següents condicions[105]:

1. Ha de presentar alguna característica que millori en un ordre de magnitud el model previ.

2. La combinació en el sistema ha de ser totalment novedosa i no ha d’existir cap aparell comercial que realitzi les mateixes funcions.

3. Ha de presentar un comportament millor als sistemes coneguts existents (millorar un límit de detecció,...)

1.5.1. Parts del sistema de mesura L’objectiu de l’instrument de mesura és aconseguir una major informació sobre la mostra. Independentment de la propietat mesurada, els sistemes de mesura posseeixen unes parts o etapes, que són equivalents entre ells amb unes funcions ben delimitades en cada un d’ells:

- Detecció, consistent en el reconeixement i extracció d’informació del sistema químic. Aquest procés genera un senyal primari.

- Condicionament, o transducció del senyal primari, fruït de la detecció en un de secundari generalment del domini elèctric que facilitarà la posterior adquisició d’aquest.

- Transmissió, que s’encarrega de la inter-connexió de les diferents parts permetent el flux d’informació entre elles.


46

- Adquisició, que permet que la senyal secundaria del domini elèctric sigui codificada en una de digital, que permetrà un emmagatzematge i manipulació d’aquest.

- Processament, on es recupera la informació digital codificada - Emmagatzematge, la informació obtinguda es pot utilitzar en temps real, o bé,

pot ser guardada i utilitzada a part. - Visionat, permetent una lectura intel·ligible de la mesura. - Distribució, amb capacitat de prendre decisions sobre la informació obtinguda,

permetent decisions de control, que seran executades per el subsistema d’actuació.

- Actuació, que executa decisions a través de mecanismes que poden afectar al sistema analític o a la interacció externa amb ell.

La intel·ligència en un sistema de mesura és relacionada amb la capacitat de processar la informació adquirida, permetent en primer lloc la distribució d’aquesta, gràcies a la incorporació de blocs de processament de senyal, memòries, microprocessadors, elements de comunicació, etc., i permetent en segon lloc, la generació de decisions de control. Aquests sistemes intel·ligents són controlats per unitats centrals, però a la vegada presenten cert grau d’autonomia. En l’actualitat i gràcies a l’aparició de l’internet com a eina de comunicació global, les dimensions dels sistemes distribuïts excedeixen l’àmbit del laboratori.

1.5.2. Configuracions de sistemes distribuïts Aquests sistemes distribuïts, són formats per llocs o nodes, constituïts per unitats amb diferent grau d’intel·ligència. Quan la generació de la informació és físicament separada del node de processament, diem que la instrumentació es troba en configuració remota. En funció de la configuració dels diferents nodes que formen el sistema podem diferenciar entre:

• Sistemes distribuïts de mesura primaris És l’estructura distribuïda més bàsica i és formada per unitats de producció, processament i actuació. La producció d’informació és gràcies a uns sensors que presenten resposta a certs paràmetres de la mostra. Quan el nombre de sensors és elevat un sistema multiplexat del senyal és necessari per a fer l’adquisició de les dades. El multiplexor ens permet l’ús compartit de recursos de hardware en l’etapa d’adquisició, estalviant-nos instrumentació repetida i per tant que els costos augmentin. Entre les etapes de producció i adquisició, on la senyal és analògica, la connexió es pot dur a terme separada per una distància curta quan existeix una unió física o es pot fer a distàncies majors si la connexió és via ràdio.

1. INTRODUCCIÓ

47

L’etapa de processament és a través de l’ordinador personal, i que gràcies a software i hardware específic ens permeten l’adquisició del senyal mitjançant una tarja connectada al PC, el seu processament digital mitjançant software específic i la seva distribució en el format apropiat capaç d’activar un actuador (com una bomba, vàlvula, xeringa, etc.), de ser guardada o la seva publicació[106]. Amb aquest esquema, tant sols el procés de detecció, condicionament del senyal i les etapes d’actuació poden ser distribuïdes. Les etapes d’adquisició o processament són comunes a les altres sent el hardware distribuïble, però no el software, lligat a l’ordinador que fa el processament centralitzat i que per tant és el que aporta el grau de sistema intel·ligent, que per tant, no és distribuït.

• Sistemes distribuïts intel·ligents en mode local En aquest cas ens trobem davant d’equips analítics amb possibilitats de mesura autònoma. Un exemple d’aquests poden ser cromatògrafs, espectrofotòmetres, etc. Addicionalment aquest equips presenten connectivitat a través d’un port estàndard de comunicació digital, el RS-232. Aquí l’ordinador segueix actuant d’element central de tot el sistema, però la intel·ligència és distribuïda, ja que part es troba al sistema de mesura

• Sistemes amb instrumentació distribuïda intel·ligent en mode remot Aquests sistemes són com els anteriors però permetent ara l’accés remot a l’ordinador central a través d’internet, per obtenir-hi lectures o per actuar en el procés.

• Sistemes amb equips intel·ligents distribuïts en mode remot En aquesta configuració, l’equip de mesura envia la informació a un mòdul amb accés a internet. El processament de les dades és dut a terme en mode remot, en un ordinador central que no és al mateix lloc on es fan les mesures. Al final les unitats d’actuació adquireixen novament les dades a través d’internet per produir respostes actives, per a mostrar-les o guardar-les.

• Sistema completament distribuït És el sistema més complex de tots, on l’equip de mesura remot, no solament inclou totes les funcions de mesura, sinó que a més conté unitats de processament, com per exemple DSP (processadors de senyal digital), que fins ara es trobaven reservades per als ordinadors personals. A més, tots els dispositius es troben interconnectats entre ells a través d’internet, i l’ordinador central s’encarrega en aquesta organització d’equipament, de tasques de supervisió. Aquests sistemes són inspirats en el comportament de formigues o abelles, on cada component de la comunitat col·labora en la realització d’un projecte en comú. Per això aquests sistemes també se’ls coneix amb el nom de Sistemes Eixam[107].


48

1.5.3. La mesura remota Generalment, com s’ha comentat abans, el reconeixement i transducció del senyal primari fruït del reconeixement, són processos que es poden produir a distància. El reconeixement genera un senyal primari que cal condicionar a través de circuits electrònics, per a que adquireixi uns nivells de voltatge i amplificació que facilitin el procés d’adquisició d’aquest senyal. Addicionalment, es poden afegir etapes de filtrat, amb l’objectiu d’eliminar soroll sistemàtic.

El procés d’adquisició transforma la senyal analògica en una de digital sense que hi hagi pèrdua d’informació, i és duta a terme per un convertidor A/D (analògic a digital). El mecanisme de conversió té lloc en dues etapes, una primera de quantificació on s’assigna un nombre finit a la senyal d’entrada analògica i una segona etapa de codificació d’aquest nombre en un de digital. En sistemes distribuïts és habitual trobar aquestes etapes de conversió A/D en el lloc de la mesura remota, i la transmissió d’informació amb l’ordinador central és duta a terme mitjançant comunicació digital, a través de ports RS-232 o mitjançant l’ús d’internet. Segons la capacitat de procés incorporat en el dispositiu de mesura remota podem parlar de diferents tipus sistemes de sensors intel·ligents, que segons les seves capacitats de reconeixement, d’autocalibratge (compensació del zero, de derives,...), d’autodiagnosi, de comunicació i de presa de decisions, els podem classificar en els següents grups:

• Tipus I: És el tipus més senzill de sensor intel·ligent i inclou el sistema de reconeixement i l’etapa de transducció del senyal. És un sistema capaç de processament analògic: amplificació, filtrat, multiplexat, etc. El filtrat en hardware, és un dels passos més senzills a realitzar, com es mostra en l’exemple de filtre passa-baixos, basant-se en el principi de que el soroll és d’alta freqüència i que es pot eliminar, aplicant una freqüència de tall que és funció del valor de la resistència i del condensador utilitzats de la figura 1.21.

Figura 1.21. Exemple de filtre passa-baixos aplicat en el filtrat de senyals analògiques

• Tipus II: Com a evolució del cas anterior, aquest sistema incorpora l’etapa de

conversió A/D, que permet la connexió externa del dispositiu, però amb

1. INTRODUCCIÓ

49

l’avantatge de la transmissió digital, que impedeix la pèrdua de qualitat de la informació en el seu transport.

• Tipus III: Incorpora les etapes del tipus II i addicionalment incorpora una unitat de processament, capaç de realitzar funcions de calibratge, autotest o de processament digital, capaç d’incorporar software dissenyat específicament per aquest dispositiu.

• Tipus IV: És el nivell més complet de sensor intel·ligent que incorporen a part de les funcions del cas anterior inclouen autotest, unitats de processament digital, que simplifiquen el cas d’aplicació en sistemes distribuïts.

Un esquema dels diferents tipus de sensors intel·ligents pot ser apreciat a la següent figura 1.22.

+detecció transducció ampl. A/D DSP XARXA

TIPUS ITIPUS II

TIPUS IIITIPUS IV

Figura 1.22. Nivells de jerarquització d’un sensor intel·ligent. Ampl. (amplificació), DSP (processament digital del senyal), XARXA (publicació per internet).

Les estratègies recents mostren l’ús favorable de sensors intel·ligents connectats a una xarxa via ethernet o d’una xarxa wireless. D’aquesta manera, en un futur proper, és possible preveure l’existència de xarxes d’informació química, sobretot per fins de control ambiental, on els sistemes d’anàlisi descrits seran idonis per la simplicitat d’operació, baix manteniment, ús continu,... Aquesta evolució, començada dècades enrera, i que ja va simplificar l’evolució de química analítica humida cap a química analítica seca amb l’ús de sensors, ara pot presentar una nova progressió, en aquest cas cap a la química analítica intel·ligent.


50

Referències

1. Alegret, S.; Bartroli, J. Membranes selectives d'ions per a dispositius potenciomètrics de control de processos químics, Butll. Soc. Cat. Cièn., vol. IX, 1, 1989.

2. Alegret, S.; Gómez Moliné, M. R. Educación Química 1997, 8, 191-96.

3. Di Natale, C.; Macagnano, A.; D'Amico, A.; Davide, F. Measurement Science & Technology 1997, 8, 1236-43.

4. Di Natale, C.; Macagnano, A.; Davide, F.; D'Amico, A.; Legin, A.; Vlasov, Y.; Rudnitskaya, A.; Selezenev, B. Sensors and Actuators, B: Chemical 1997, B44, 423-28.

5. Rudnitskaya, A.; Legin, A.; Salles, C.; Mielle, P. Proceedings - Electrochemical Society 2001, 2001-15, 181-86.

6. Toko, K., A taste sensor, dins de "Integrated Analytical Systems", Alegret, S., Ed.; Elsevier, Amsterdam: 2003; 487-511.

7. Bratov, A.; Peral, J.; Alegret, S. Química Analítica 1995, 14, 3-16.

8. Janata, J. Principles of Chemical Sensors, Plenum Press: New York, 1990.

9. Janata, J.; Bezegh, A. Analytical Chemistry 1988, 60, 62R-74R.

10. Cattrall, R. W. Chemical Sensors, Oxford University Press, Oxford, 1997.

11. Barquero Càceres, E. J. Disseny, construcció i avaluació d'analitzadors per a la monitorització mediambiental. Tesi Doctoral 2001.

12. Meier, P. C. Analytica Chimica Acta 1982, 136, 363-68.

13. Simon, W.; Spichiger, U. E. International Laboratory 1991, 21, 35-43.

14. Koryta, J. Analytica Chimica Acta 1990, 233, 1-30.

15. Umezawa, A, Y.; Umezawa, K.; Sato, H. Pure and Applied Chemistry 1995, 67, 507-18.

16. Rundle, C. C. Definition of terms used in ISE measurements. www.nico2000.net/datasheets/glossary.html . Consulta realitzada: Abril 2004.

17. Sanchez, Joan, Sensors potenciomètrics selectius a tensioactius aniònics. Tesi Doctoral 2002.

18. Solsky, R. L. Analytical Chemistry 1990, 62, 21R-33R.

19. Moody, G. J.; Oke, R. B.; Thomas, J. D. R. Analyst 1970, 95, 910-18.

20. Davies, O. G.; Moody, G. J.; Thomas, J. D. R. Analyst 1988, 113, 497-500.

21. Bakker, E.; Buehlmann, P.; Pretsch, E. Chemical Reviews 1997, 97, 3083-132.

1. INTRODUCCIÓ

51

22. Céspedes, F.; Martinez-Fabregas, E.; Alegret, S. Trends in Analytical Chemistry 1996, 15, 296-304.

23. Magalhaes, J. M. C. S.; Cespedes, F.; Alegret, S.; Machado, A. A. S. C. Analytica Chimica Acta 1997, 355, 241-47.

24. Riddell, F. G. Chemistry in Britain 1992, 28, 533-&.

25. Diamond, D. Principles of Chemical and Biological Sensors., Willey, New York: 1998.

26. Brodnjak-Voncina, D.; Dobcnik, D.; Novic, M.; Zupan, J. Analytica Chimica Acta 2002, 462, 87-100.

27. Alegret, S.; Alonso, J.; Bartroli, J.; Martinez-Fabregas, E., Analyst 1989, 114, 1443-47.

28. Luque de Castro, M. D.; Luque-Garcia, J. L., Continuous-flow analytical systems, dins de "Integrated Analytical Systems", Alegret, S., Ed.; Elsevier, Amsterdam: 2003; pp.161-243.

29. Skoog, D. A.; Holler, F. J.; Nieman, T. A. Principios de Análisis Instrumental, 5ª ed.; McGraw-Hill/Interamericana de España, S.A.U.: Madrid, 2000.

30. Martinez-Barrachina, S.; del Valle, M.; Matia, L.; Prats, R.; Alonso, J. Analytica Chimica Acta 2002, 454, 217-27.

31. Shen, H.; Cardwell, T. J.; Cattrall, R. W. Analytica Chimica Acta 1998, 367, 193-99.

32. Alegret, S., Integration, a new paradigm in analytical chemistry", dins de "Integrated Analytical Systems", Alegret, S., Ed.; Elsevier, Amsterdam: 2003; 1-36.

33. Sirkar, K.; Revzin, A.; Pishko, M. V. Analytical Chemistry 2000, 72, 2930-36.

34. Meyer, H.; Drewer, H.; Krause, J.; Cammann, K.; Kakerow, R.; Manoli, Y.; Mokwa, W.; Rospert, M. Sensors and Actuators, B: Chemical 1994, 18, 229-34.

35. Mielle, P.; Marquis, F.; Latrasse, C. Sensors and Actuators, B: Chemical 2000, B69, 287-94.

36. Gardner, J. W.; Bartlett, P. N. Electronic Noses. Principles and Applications, Oxford Univ. Press: Oxford, 1999.

37. Persaud, K. C. Trends in Analytical Chemistry 1992, 11, 61-67.

38. Tsu Tan, T.; Schmitt, V. O.; Lucas, Q.; Isz, S. Labplus international 2001, 16-19.

39. Toko, K. Biomimetic Sensor Technology, Cambridge Univ. Press: Cambridge, 2000.

40. Newman, A. R. Analytical Chemistry 1990 63, 585A-8A.


52

41. Getino, J.; Horrillo, M. C.; Gutierrez, J.; Ares, L.; Robla, J. I.; Garcia, C.; Sayago, I. Sensors and Actuators, B: Chemical 1997, B43, 200-05.

42. Barko, G.; Hlavay, J. Talanta 1997, 44, 2237-45.

43. Brezmes, J.; Ferreras, B.; Llobet, E.; Vilanova, X.; Correig, X. Analytica Chimica Acta 1997, 348, 503-09.

44. Guadarrama, A.; Fernandez, J. A.; Iniguez, M.; Souto, J.; de Saja, J. A. Analytica Chimica Acta 2000, 411, 193-200.

45. Magan, N.; Pavlou, A.; Chrysanthakis, I. Sensors and Actuators, B: Chemical 2001, B72, 28-34.

46. D'Amico, A.; Di Natale, C.; Paolesse, R. Sensors and Actuators, B: Chemical 2000, B68, 324-30.

47. Di Natale, C.; Paolesse, R.; Macagnano, A.; Mantini, A.; D'Amico, A.; Legin, A.; Lvova, L.; Rudnitskaya, A.; Vlasov, Y. Sensors and Actuators, B: Chemical 2000, B64, 15-21.

48. Winquist, F.; Lundstrom, I.; Wide, P. Sensors and Actuators, B: Chemical 1999, B58, 512-17.

49. Riul, J. A.; Malmegrim, R. R.; Fonseca, F. J.; Mattoso, L. H. C. Biosensors & Bioelectronics 2003, 18, 1365-69.

50. Winquist, F.; Holmin, S.; Krantz-Rulcker, C.; Wide, P.; Lundstrom, I. Analytica Chimica Acta 2000, 406, 147-57.

51. Ohtsuki, T.; Kawazoe, T.; Masui, T. Water Science and Technology 1998, 37, 77-85.

52. Gutes, A.; Ibanez, A. B.; Cespedes, F.; Alegret, S.; Valle, M. Analytical and Bioanalytical Chemistry 2005, 382, 471-76.

53. Raimundo, I. M. Jr.; Narayanaswamy, R. Sensors and Actuators, B: Chemical 2003, 90, 189-97.

54. Massart, D. L.; Vandengiste, B. G. M.; Deming, S. N.; Michotte, Y. Chemometrics: a textbook, Elsevier: Amsterdam, 1988.

55. Colilla, M.; Fernandez, C. J.; Ruiz-Hitzky, E. Analyst 2002, 127, 1580-82.

56. Bratchell, N. Chemometrics and Intelligent Laboratory Systems 1989, 6, 105-25.

57. Bos, M.; Bos, A.; Van der Linden, W. E. Analyst (Cambridge, United Kingdom) 1993, 118, 323-28.

58. Saez de Viteri, F. J.; Diamond, D. Electroanalysis 1994, 6, 9-16.

59. Shen, H.; Cardwell, T. J.; Cattrall, R. W. Analyst (Cambridge, United Kingdom) 1998, 123, 2181-84.

1. INTRODUCCIÓ

53

60. Hsueh, C. C.; Liu, Y.; Henry, M.; Freund, M. S. Analytica Chimica Acta 1999, 397, 135-44.

61. Baret, M.; Massart, D. L.; Fabry, P.; Conesa, F.; Eichner, C.; Menardo, C. Talanta 2000, 51, 863-77.

62. Pardo, M.; Faglia, G.; Sberveglieri, G.; Corte, M.; Masulli, F.; Riani, M. Sensors and Actuators, B: Chemical 2000, B67, 128-33.

63. Saurina, J.; Lopez-Aviles, E.; Le Moal, A.; Hernandez-Cassou, S. Analytica Chimica Acta 2002, 464, 89-98.

64. Zhang, L.; Jiang, J. H.; Liu, P.; Liang, Y. Z.; Yu, R. Q. Analytica Chimica Acta 1997, 344, 29-39.

65. Artificial neural networks. Non-linear black box modelling techniques. http://www.ncl.ac.uk/cpact/neural_networks.html . Consulta realitzada: Maig 2004.

66. Cartwright, H. M. Applications of Artificial Intelligence in Chemistry, Oxford Science Publications, Oxford, 1994.

67. Bos, M.; Bos, A.; Van der Linden, W. E. Analytica Chimica Acta 1990, 233, 31-39.

68. Demuth, H.; Beale, M. Neural Network Toolbox Users Guide, Version 4, Mathworks: Natick, MA, USA, 2000.

69. Smith, S. W., Neural Networks (and more!), dins de "The Scientist and Engineer's Guide to Digital Signal Processing", 2 ed.; California Technical Publishing: San Diego, CA, USA, 1997; Cap. 17, 451-80.

70. Fundación Cotec Redes Neuronales, Cotec: Madrid, 1998.

71. Montoliu, I. Aplicació i desenvolupament de tècniques quimiomètriques a l'anàlisi agroalimentària, Tesi doctoral, 2001, Universitat Autònoma de Barcelona.

72. Freeman, J. A.; Skapura, D. M., Propagación hacia atrás (backpropagation), dins de "Redes Neuronales. Algoritmos, aplicaciones y técnicas de programación", Addison-Wesley/Diaz de Santos: 1993; pp.93-132.

73. Despagne, F.; Massart, D. L. Analyst, 1998,123, 157R-78R.

74. Poppi, R. J.; Massart, D. L. Analytica Chimica Acta 1998, 375, 187-95.

75. Forese, F. D. and Hagan, Martin T. Gauss-Newton aproximation to bayesian learning. 1997. Houston, TX, USA. Proceedings of the 1997 International Joint Conference on Neural Networks.

76. Mackay, J. C. Probable networks and plausible predictions a review of practical Bayesian methods for supervised neural networks. 1995. Cambridge, UK, Cavendish Laboratory.

77. Soderstrom, C.; Boren, H.; Winquist, F.; Krantz-Rulcker, C. International journal of food microbiology ANY, 83, 253-61.


54

78. Pravdova, V.; Pravda, M.; Guilbault, G. G. Analytical Letters 2002, 35, 2389-419.

79. Dane, A. D.; Rea, G. J.; Walmsley, A. D.; Haswell, S. J. Analytica Chimica Acta 2001, 429, 185-94.

80. Geladi, P.; Kowalski, B. R. Analytica Chimica Acta 1986, 185, 1-17.

81. Chaudry, A. N.; Hawkins, T. M.; Travers, P. J. Sensors and Actuators, B: Chemical 2000, B69, 236-42.

82. Artursson, T.; Spangeus, P.; Holmberg, M. Analytica Chimica Acta 2002, 452, 255-64.

83. Shaffer, R. E.; Rose-Pehrsson, S. L.; McGill, R. A. Analytica Chimica Acta 1999, 384, 305-17.

84. Toko, K. Biosensors & Bioelectronics 1998, 13, 701-09.

85. Krantz-Rulcker, C.; Stenberg, M.; Winquist, F.; Lundstrom, I. Analytica Chimica Acta 2001, 426, 217-26.

86. Bratov, A., Moreno, L., Abramova, N., Jiménez, C., and Domínguez, C. Mineral water analysis with an "electronic tongue" based on ISFET sensors. 171. 6-11-2002. Lima, PERU. Ibersensor 2002: III congreso iberoamericano de sensores y biosensores. 6-11-2002.

87. Di Natale, C.; Macagnano, A.; Davide, F.; D'Amico, A.; Legin, A.; Vlasov, Y.; Rudnitskaya, A.; Selezenev, B. Sensors and Actuators, B: Chemical 1997, B44, 423-28.

88. The Ion Sensor Array (ISA): An "Electronic Tongue" for Monitoring Water Quality on Spacecraft and Planetary Habitats. http://electrochem.tufts.edu/heds-01.html . Consulta realitzada: Desembre 2004.

89. Legin, A.; Rudnitskaya, A.; Vlasov, Y.; Di Natale, C.; Davide, F.; D'Amico, A. Sensors and Actuators, B: Chemical 1997, B44, 291-96.

90. Vlasov, Y. G.; Legin, A. V.; Rudnitskaya, A. M.; D'Amico, A.; Di Natale, C. Sensors and Actuators, B: Chemical 2000, B65, 235-36.

91. Legin, A.; Rudnitskaya, A.; Vlasov, Y.; Di Natale, C.; Mazzone, E.; D'Amico, A. Sensors and Actuators, B: Chemical 2000, B65, 232-34.

92. Iiyama, S.; Yahiro, M.; Toko, K. Sensors and Actuators, B: Chemical 2000, B66, 205-06.

93. Toko, K. Sensors and Actuators, B: Chemical 2000, B64, 205-15.

94. Holmin, S.; Spangeus, P.; Krantz-Rulcker, C.; Winquist, F. Sensors and Actuators, B: Chemical 2001, B76, 455-64.

95. Lvova, L.; Kim, S. S.; Legin, A.; Vlasov, Y.; Yang, J. S.; Cha, G. S.; Nam, H. Analytica Chimica Acta 2002, 468, 303-14.

1. INTRODUCCIÓ

55

96. Riul, A.; de Sousa, H. C.; Malmegrim, R. R.; dos Santos, D. S.; Carvalho, A. C. P. L.; Fonseca, F. J.; Oliveira, O. N.; Mattoso, L. H. C. Sensors and Actuators, B: Chemical 2004, B98, 77-82.

97. Legin, A.; Rudnitskaya, A.; Vlasov, Y., Electronic tongues: new analytical perspective for chemical sensors, dins de "Integrated Analytical Sistems", Alegret, S., Ed.; Elsevier, Amsterdam: 2003; 427-86.

98. Vlasov, Y.; Legin, A.; Rudnitskaya, A. Sensors and Actuators, B: Chemical 1997, B44, 532-37.

99. Legin, A.; Rudnitskaya, A.; Vlasov, Y.; Di Natale, C.; Mazzone, E.; D'Amico, A. Electroanalysis 1999, 11, 814-19.

100. Legin, A. V.; Rudnitskaya, A. M.; Vlasov, Y.; Di Natale, C.; D'Amico, A. Sensors and Actuators, B: Chemical 1999, B58, 464-68.

101. Kish, L. B.; Vajtai, R.; Granqvist, C. G. Sensors and Actuators, B: Chemical 2000, B71, 55-59.

102. García-Villar, N.; Saurina, J.; Hernández-Cassou, S. Fresenius' Journal of Analytical Chemistry 2001, 371, 1001-08.

103. Legin, A.; Rudnitskaya, A.; Clapham, D.; Selezenev, B.; Lord, K.; Vlasov, Y. Analytical and Bioanalytical Chemistry 2004, 380, 36-45.

104. Ramirez, D.; Navarro, A. E.; Casans, S., Distributed analytical instrumentation systems, dins de "Integrated Analytical Sistems", Alegret, S., Ed.; Elsevier, Amsterdam: 2003; 245-85.

105. The new generation of analytical instruments. BCC, http://www.bccresearch.com/instrum/G181.html, Consulta realitzada: Octubre 2004.

106. Toran, F.; Ramirez, D.; Navarro, A. E.; Casans, S.; Pelegri, J.; Espi, J. M. Sensors and Actuators, B: Chemical 2001, B76, 281-85.

107. A Macroscopic Analytical Model of Collaboration in Distributed Robotic Systems. Caltech, http://www.coro.caltech.edu/People/alcherio/papers/Alife0174.pdf, Consulta realitzada: Gener 2005.

57

22.. OOBBJJEECCTTIIUUSS Anem a avaluar aquest nou concepte en química analítica, les llengües electròniques, que proposa l’ús de matrius de sensors i la d’eines d’intel·ligència artificial, per a trobar estratègies de treball que ens permetin presentar aplicacions tant d’anàlisi quantitatiu com qualitatiu. El casos d’estudi seleccionats han estat: • El dels ions alcalins, a causa que aquests no poden ser mesurats directament amb un ESI degut a la contribució d’interferents en la mesura d’aquests. És per exemple, el cas de l’NH4

+ ja que els elèctrodes selectius d’NH4+ detecten la presència

d’ions com el Na+ o el K+. El seu ús habitual en el laboratori comporta, doncs, procediments més o menys complexes que eliminin les interferències. La determinació d’alcalins sense la necessitat d’eliminar les interferències presenta la possibilitat de dissenyar aplicacions mediambientals, clíniques, alimentàries, etc. Amb mesura directa o molt simple que si es combinen amb la portabilització dels equips de mesura, farien d’aquest sistemes eines potents i versàtils. La complexitat del sistema analític passa llavors a l’etapa de processament del senyal • El de l’ió nitrat, és un cas conegut que també presenta interferències a altres espècies com l’ió clorur, i que requereix doncs, d’etapes de separació en la seva determinació. L’ús aquí d’eines d’intel·ligència artificial per a corregir l’efecte d’interferents, combinat amb l’ús de la tècnica FIA, que possibilita l’automatització del


58

procés, farien d’aquest sistema una eina interessant, tant per la problemàtica mediambiental de l’ió nitrat, com per l’aplicabilitat en el camp alimentari. • L’aplicació de llengües electròniques com a eines de classificació en el camp alimentari, on es presenten com una nova estratègia de resolució de problemes en el control de qualitat d’aliments, possibilitant la detecció d’anomalies mitjançant una resposta global d’un sistema un cop entrenat, o que simplement, permeti la classificació de diferents mostres en funció dels paràmetres que la defineixen. Sota aquestes premisses i amb l’experiència acumulada al GSB en el disseny d’ESIs, els objectius en aquest treball són:

1. Construcció i avaluació d’una llengua electrònica per a la determinació quantitativa de cations alcalins emprant matrius de sensors potenciomètrics:

• Determinació d’ió amoni sense eliminar interferències de potassi i sodi. • Determinació simultània d’ions amoni i potassi. • Determinació simultània d’ions amoni, potassi i sodi, sense eliminar

interferències. • Portabilització en un sistema sensor distribuït basat en una llengua

electrònica.

2. Construcció i avaluació d’una llengua electrònica per a la determinació quantitativa d’ió nitrat, aportant l’automatizació mitjançant la tècnica FIA.

3. Construcció i avaluació d’una llengua electrònica per a la classificació de

diverses mostres alimentàries. Aportació de vessants d’automatizació.

59

33.. RREESSUUMM II DDIISSCCUUSSSSIIÓÓ GGLLOOBBAALL DDEELLSS RREESSUULLTTAATTSS L’estratègia bàsica en aquest treball es fonamenta en recollir una sèrie de dispositius, sensors que poden ser diferents per a cada aplicació, que es combinarà amb la generació d’un conjunt de patrons de partida, informació bàsica que permetrà la posterior modelització dels diferents casos estudiats. Els dispositius sensors emprats són elèctrodes selectius d’ions (ESIs) amb membrana polimèrica de PVC incorporant un portador mòbil neutre, que es troba fixada sobre una resina epoxi conductora. Aquests dispositius han estat seleccionats segons l’objectiu a assolir, tenint en compte que si són conegudes les interferències d’un sistema s’hauran d’incloure dispositius que les puguin tenir en compte, així com dispositius genèrics que facilitin la modelització global de la resposta. L’optimització de la composició de les membranes selectives no ha estat l’objectiu fonamental d’aquest treball. L’experiència del Grup de Sensors i Biosensors (GSB) en la fabricació de dispositius selectius d’ions, ha permès l’elecció dels necessaris d’entre la col·lecció d’ESIs desenvolupats al llarg de l’extensa recerca del Grup en aquest camp. La resta de dispositius emprats en el present treball que no han estat fruït de la recerca del grup, han estat aconseguits a través de cerca bibliogràfica.

3.1. Elèctrodes Selectius d’Ions Les diferents membranes selectives d’ions són formulades a partir de la relació bàsica d’una tercera part de PVC, base estructural de la membrana, i dues terceres parts de


60

plastificant, que li confereix les propietats desitjades de forma que l’assimilin, en propietats, a una membrana líquida. El ionòfor, sol anar en composició d’entre l’1 i el 3% del total de la membrana; aquesta composició model de membranes polimèriques basades en PVC pot ser apreciada en la figura 3.1. La mescla dels diferents components és preparada dissolent-los en THF seguint la regla de 0,05 ml de THF per mg de PVC. La mescla que és agitada per aconseguir la seva completa homogeneització, rep el nom de còctel o còctel sensor. A les taules 3.1 i 3.2 s’observen les composicions de les membranes sensores per a cadascun dels ESIs. A l’hora de preparar-les ens hem d’ajustar al màxim a les composicions teòriques, ja que una composició d’ionòfor una mica diferent a la desitjada pot conduir a resultats no esperats[1].

Figura 3.1. Composició típica d’una membrana polimèrica de PVC.

Taula 3.1. Composició dels còctels sensors emprats per a cations

Composició de les membranes sensores Elèctrode selectiu d’:

PVC (%) Plastificant Ionòfor Ref.

Amoni 33 BPA (66 %) Nonactina (1%) [2]

Potassi 30 DOS (67%) Valinomicina (3%) [3]

Sodi(I) 27 DBS (70%) Monensina (3%) [4-6]

Sodi(II) 29,1 TEHP (67,9%) DD16C5(3%), (10% molar de tetrakis p-clorofenil borat de potassi (KTpClPB))

[7]

Liti 27,7 oNPOE (69,8) 2,9-Di-n-butil-1,10-fenantrolina(1,4%) (10% molar KTpClPB )

[8]

Protó 33 DOS (66%) Tridodecilamina 1% (10% molar KTpClPB)

Calci 30,3 Dioctilfenilfosfat (DOPP) (65,4%)

Fenilfosfat de calci (4,3%)

Genèric (I) 29 DOS (67%) Dibenzo(18-corona-6) (4%) [1]

Genèric (II) 27 DBS (70%) Lasalocida (3%) [6]

3. RESUM I DISCUSSIÓ GLOBAL DELS RESULTATS

61

Taula 3.2. Composició dels còctels sensors emprats per a anions

3.2. Preparació dels Dispositius En base a la multitud d’aplicacions dissenyades en batch, o discontinu, per a cations en el conjunt del treball, es proposa l’ús d’elèctrodes en configuració convencional. En el cas estudiat dels anions, l’aplicació dissenyada és en FIA i els elèctrodes utilitzats són en configuració tubular.

3.2.1. ESI en configuració convencional La fabricació d’aquests elèctrodes es pot separar en dues fases: la construcció dels cossos d’elèctrode, que compleixen amb la funció de suportar la membrana, i la de deposició de la membrana. Aquesta última fa el reconeixement de l’analit generant un senyal primari de tipus químic, i alhora, la transducció d’aquest en un senyal secundari de tipus elèctric. La construcció dels elèctrodes, esquematitzat a la figura 3.2, parteix d’un tub de PVC blanc de 10 cm de llarg, 8 mm de diàmetre extern i 1mm de gruix de paret. Per un dels extrems s’introdueix un petit tub de PVC del mateix diàmetre interior fins a una distància de l’extrem del cos de 0,4 cm. Per aquest mateix extrem s’introdueix un cable al que se li ha soldat una placa de coure perpendicularment, i és aquesta placa en contacte amb el segon tub de PVC els qui fixen el cable per un extrem del tub. Per l’altre extrem es tensa el cable amb un altre tub de PVC. L’espai buit entre la placa de coure i l’obertura exterior s’omple amb pasta conductora epoxi-grafit (1:1 en pes), evitant deixar bombolles en el seu si. Com a epoxi s’utilitza una mescla Araldit M- enduridor HR (5:2 en pes). Aquesta pasta s’ha de deixar curar a l’estufa a 60ºC un mínim de 6 hores i es procedeix a polir la pasta i a rebaixar-la fins a una profunditat de 0,3 mm. El dispositiu així fabricat és un elèctrode de referència interna sòlida (tot-en-

Composició de les membranes sensores

Elèctrode selectiu d’: PVC (%) Plastificant Ionòfor Ref.

Clorur 33 Adipat de bis(1-butilpentil) (BBPA) (65,5%)

Clorur de tetraoctiltin (TOTC) (1,5%) [9]

Nitrat (I) 30 Ftalat de dibutil (DBP) (67%)

Nitrat de tetraoctilamoni (TOAN) (3%) [10]

Nitrat (II) 32 oNPOE (64%) Nitrat de tridodecilmetilamoni (TDMAN) (4%)

[11]

Nitrat (III) 33 oNPOE (66%) Nitrat de tris(4,7-difenil-1,10-fenantrolina) i níquel(II) (TDPNN) (2%)

[12]


62

estat-sòlid) en el qual es substitueix la típica solució interna líquida dels elèctrodes de membrana líquida per un contacte intern sòlid epoxy-grafit. S’assumeix que el potencial intern de referència és format pel parell O2/H2O, facilitat per la permeabilitat del PVC a l’aigua i l’oxigen[13].

cos de l'elèctrode

placa de coure

cable soldaduraresinaepoxy-grafit

deposició de la membrana

tub de PVC

polit

Figura. 3.2. Construcció dels cossos d’elèctrode en configuració convencional. La deposició de la membrana sobre la superfície conductora d’epoxi-grafit es realitza gota a gota, permetent l’evaporació del dissolvent entre addicions successives. Aquest procediment permet la formació de la membrana a través del creixement de la pel·lícula dipositada.

3.2.2. ESI en configuració tubular La utilització de detectors potenciomètrics dins un sistema de flux requereix d'un disseny particular, per a poder conservar les característiques hidrodinàmiques del flux al llarg del sistema, al mateix temps que permetin una fàcil integració en metodologies de treball per a FIA (figura 3.3). En el nostre Grup hi ha una certa experiència en la construcció i muntatge d'aquests dispositius. La construcció dels elèctrodes en configuració tubular requereix de les següents etapes:


63

A B C D E Figura 3.3. Vista esquemàtica de la construcció dels dispositius tubulars. A, mecanitzat del tub; B, aplicació de la pasta conductora i del connector; C, mecanitzat de les peces; D, deposició de la membrana; i E, vista lateral del dispositiu.

Mecanitzat del tub Es parteix de tub de metacrilat de 12 mm de diàmetre intern. Aquest es talla en porcions d'uns 8 mm, que constituiran el futur cos de l'elèctrode. Posteriorment, es realitza per la part externa del tub, un petit orifici de 2.5 mm que servirà per adaptar el connector que ha de facilitar el contacte elèctric entre l'elèctrode i el potenciòmetre. És per aquest punt per on poden aparèixer problemes si no s'assegura un perfecte contacte elèctric i, al mateix temps, una bona unió. Per aquest motiu, és recomanable l'ús d'una cola adhesiva tipus cianoacrilat per subjectar el connector. Aplicació de la pasta conductora Les peces anteriors s'omplen d'una barreja de epoxi i grafit, d'igual composició a l'emprada en la construcció dels elèctrodes anteriorment descrits de tipus discontinu, formada per 1 part de grafit i 1 part de la barreja epoxi, intentant que no restin espais buits en el si de la massa aplicada. La pasta s’ha de deixar curar a l’estufa a 60ºC un mínim de 6 hores i per tal d'assegurar l'assecat de la mateixa. Segellat de les cares de l'elèctrode Durant el funcionament de l'elèctrode cal assegurar que la solució que ha de circular al seu través només contacti amb la membrana dipositada. Si simultàniament es donés un altre tipus de contacte elèctric amb la pasta conductora d'epoxi/grafit (que omple el cos de l'elèctrode), introduiria soroll elèctric a la mesura. Aquest possible problema es resol fàcilment dipositant, sobre les cares externes de l'elèctrode on hi ha la pasta conductora, una capa prima de resina epoxi, de les mateixes característiques a l'emprada anteriorment, però sense contenir grafit, que actuarà d'aïllant entre la solució conductora i el cos del dispositiu.


64

Mecanitzat de les peces Un cop perfectament aplicada i assecada la barreja epoxi/grafit, es poleixen exteriorment les peces, es fixen i es procedeix a practicar axialment un forat de 1.25-1.50 mm de diàmetre. Deposició de les membranes La part més delicada del procés ve a continuació, degut a que aquesta pot portar a diferent comportament dels dispositius construïts. Buscant la màxima reproductibilitat, es tracta d'aplicar, de la forma més homogènia possible, el còctel sobre el forat intern practicat. El procediment no deixa de ser manual (gairebé artesanal) i, per tant, de difícil repetitivitat fins que no s'assoleix una certa experiència. Amb l'ajut d'una micropipeta es diposita una gota de còctel i s’afavoreix el seu assecat mitjançant l’aplicació d’un suau corrent d’aire. D’aquesta mateixa forma es dipositen tres gotes més. Es deixa assecar completament les peces, durant unes tres hores. Finalment es repeteix idènticament el procés durant 3 vegades, fins que una observació final determini que el gruix i la homogeneïtat de la capa dipositada han estat els correctes. Caldrà un total de 12 hores ara per assegurar una total evaporació del dissolvent. Condicionament dels elèctrodes Per tal d'assegurar una millor reproductibilitat en la resposta del dispositiu, cal preveure el manteniment d'una concentració semblant de portador mòbil dins la membrana durant el decurs del treball experimental. Aquest procés, anomenat condicionament, es realitza deixant en contacte, durant el temps necessari, les unitats construïdes amb una solució de l'ió principal. En el cas dels elèctrodes genèrics aquests van ser condicionats arbitràriament amb ió amoni. Generalment els dispositius són condicionats amb solucions 0,001M durant 24hores, que són unes condicions poc agressives amb la membrana. En cas de no presentar unes característiques de resposta com les desitjades, es procedeix al seu condicionament amb solucions més concentrades, però aplicant-les un temps inferior. Condicionats en perfectes condicions, els elèctrodes poden mantenir-se en sec durant un llarg temps a l’espera que se'ls faci servir.


65

3.3. Avaluació de les Característiques de Resposta dels ESI

La caracterització individual d’un sensor consisteix en avaluar la resposta d’aquest, enfront d’un determinat analit per a un determinat ESI, o bé la resposta en presència de diferents espècies químiques en el cas dels elèctrodes genèrics, amb l’objectiu de poder determinar els paràmetres característics de la membrana de l’elèctrode com són: sensibilitat, límit de detecció (LD), límit inferior de resposta lineal i límit superior de resposta lineal (LIRL-LSRL) i també el seu temps de vida. En funció d’aquests paràmetres s’implementa l’elèctrode en el nostre sistema. En cada calibratge s’utilitzen 3 replicats dels sensors construïts tots ells amb la mateixa composició de la membrana i metodologia. El procediment consisteix en fer addicions successives de petits volums de concentracions conegudes sobre un cert volum conegut de dissolvent (mètode de les addicions conegudes). Aquest fons, pot ser iònic, o no iònic (usant aleshores aigua bidestil·lada). Per a tots els casos estudiats el volum de fons de calibratge és de 25,0 ml de solució tamponada (TRIS 0,010M a pH=8,0 i Imidazole 0,010M a pH=6,60). Les dissolucions estàndard emprades per als calibratges són de NH4Cl, de KCl i de NaCl de concentracions 10-4M, 10-3M, 10-2M, 10-

1M i 1M, preparada per pesada directa la més concentrada i dilució seqüencial a partir d’aquesta. Aquest tipus de sensors responen a l’activitat dels ions i no a la seva concentració. L’activitat és la concentració efectiva de l’espècie que mesurem en la dissolució, veient-la des d’un punt de vista macroscòpic, i existeix una forma de calcular-la a partir de la concentració total d’ions en la solució (§ 1.1.2, eq. 1.3 i 1.4). Els calibratges realitzats consten normalment de 28 punts (potencials mesurats a cadascuna de les addicions dels patrons i del medi de fons). Representant el potencial llegit enfront el logaritme de l’activitat de l’espècie estudiada, obtenim de forma gràfica el comportament del nostre sensor, que s’esquematitza a la figura 3.4. En aquesta representació s’hi observen tres zones clarament diferenciades, una zona de resposta lineal, una de no lineal i per últim un rang d’activitats en les que el sensor no es veu afectat per la presència d’analit. A partir de l’ajust a la zona lineal de la llei de Nernst: EESI = A + S*(log xa )

obtenim la sensibilitat, o pendent, del nostre sensor, S (mV/dec). Aquest paràmetre resulta de valor positiu per a cations, i per tant serà negatiu per espècies aniòniques. Per intersecció entre aquesta recta i la recta corresponent a la zona sense resposta del sensor, s’obté el LD, dit d’altra manera l’activitat en el LD, que és aquella activitat en la qual el potencial llegit sigui un punt en el què estem segurs que la lectura produïda no es fruit del soroll[14].


66

Figura 3. 4. Potencial d’un ESI enfront del logaritme de la seva activitat.

En els sensors selectius a cations monovalents es busquen pendents propers a 59 mV/dec. En els elèctrodes de resposta creuada caldrà que es presenti resposta a cada una de les espècies. Per ambdós casos interessa uns LD el més baixos possibles. Com a mínim cada dispositiu va ser fabricat per triplicat. Els valors mitjos obtinguts en cada cas per a un mateix dispositiu, en els diferents estudis realitzats, es mostren a la següent taula. En cada cas es va seleccionar el que mostrava unes millors característiques de resposta, tenint en compte simultàniament els valors de sensibilitat i límit de detecció. A la vegada s’optimitza per a cations inicialment el medi que ofereixi millors característiques de resposta dels dispositius en la detecció d’ió amoni. Aquest va ser el medi Imidazole a pH 6,60. Els resultats es mostren a la següent taula.

Taula 3.3. Paràmetres obtinguts via calibratges dels diferents dispositius en diferents medis.

ESI Medi calibratge A S (mV/dec) Log LD Nombre de patrons (r>0,99)

H2O 222(±6) 59,4(±0,2) -4,9(±0,3) 18 TRIS 220(±4) 57,4(±0,4) -5,0(±0,2) 19 NH4

+ IMIDAZOLE 217(±9) 57(±2) -5,1(±0,2) 20 H2O 217(±2) 54,7(±0,5) -5,0(±0,2) 19 TRIS 255(±5) 55,7(±0,2) -5,0(±0,2) 20 K+ IMIDAZOLE 220(±17) 56,4(±0,3) -4,8(±0,2) 18 TRIS -20(±6) 40(±2) -2,8(±0,3) 5

Na+ (I) IMIDAZOLE 10(±2) 42(±2) -2,6(±0,6) 5

Na+ (II) IMIDAZOLE 140(±12) 55(±3) -4,5(±0,2) 12 Li+ IMIDAZOLE 220(±15) 70(±3) -2,8(±0,2) 5 Ca2+ IMIDAZOLE 123(±12) 30,6(±0,5) -5,5(±0,2) 22 H+ H2O 609(±6) 72,57(±0,03) -9,8(±0,2) 12


67

Per protó es va realitzar una representació de la variació del potencial de l’elèctrode de membrana respecte del potencial de l’elèctrode de vidre. Es va fer un escombrat al llarg d’uns 500mV de variació del potencial de l’elèctrode de vidre. Es va obtenir un l’ajust y=1,23(±0,02)x +101(±6) una r=0,9996 mitjançant l’ajust amb 12 patrons. L’equivalència trobada de l’ESI de protó és calculada suposant un comportament ideal de l’elèctrode de vidre (g=59 mV/dèc; i quan E=0, pH=7). Com s’ha comentat anteriorment la decisió d’implementació dels dispositius genèrics requeria la presència de resposta a les diferents espècies considerades. L’aplicació va ser inicialment dissenyada per a ions alcalins, o de comportament alcalí (cas de l’ió amoni), presents en la natura en abundància relativa. Per això no es va tenir en compte en la seva elecció la seva resposta a ió liti, o a altres alcalins.

Taula 3.4. Paràmetres dels dispositius genèrics calibrats en medi imidazole.

Genèric Calibrat respecte A S (mV/dec) Log LD Nombre de patrons (r>0,99)

NH4+ -40(±6) 35(±4) -3,4(±0,3) 10

K+ 30(±14) 45(±3) -4,8(±0,2) 14 I Na+ 17(±9) 43(±2) -3,5(±0,5) 11 NH4

+ 7(±19) 38,7(±0,5) -3,8(±0,2) 12 K+ 135(±18) 55(±2) -5,8(±0,2) 21 II Na+ 50(±20) 50(±3) -4,9(±0,2) 18

En l’aplicació dissenyada per a anions, els elèctrodes utilitzats van ser realitzats en un sistema FIA i la senyal analítica mesurada va ser obtinguda mitjançant l’enregistrament de l’alçada de pic, senyal produïda per l’arribada transitòria de mostra al detector. D’aquesta forma es van obtenir sensibilitats positives per anions (veure taula 3.5), que són linealitzables mitjançant l’expressió: Alçada de pic = a+slogx.

Taula 3.5. Paràmetres dels ESIs d’anions. ESI A S (mV/dec) Log LD Nombre de patrons (r>0,99) Cl- -71,4(±8,2) 58,9(±3,5) -3,2(±0,2) 10 NO3

- (I) 44,65(±0,47) 54,03(±0,56) -5,4(±0,2) 14 NO3

- (II) 41,79(±0,88) 56,09(±0,93) -5,3(±0,5) 11 NO3

- (III) 35,20(±6,0) 55,83(±7,1) -4,9(±0,2) 12


68

3.4. Configuracions dels Sistemes de Mesura

3.4.1. Mesura discontínua o “BATCH” Per als mesuraments realitzats en discontinu, en les diferents estratègies utilitzades de calibratge o en les diferents aplicacions realitzades, l’utillatge de laboratori i la instrumentació emprada en tots els casos van ser els mateixos. Els calibratges i les diferents mesures es van realitzar mitjançant un pot de presa de mostra de 100 ml, per a facilitar la immersió en la solució de calibratge o mesura, de la matriu de sensors pel gran volum ocupat per aquests. En les diferents lectures s’utilitzava com a elèctrode de referència un elèctrode Ag/AgCl de doble unió líquida Orion Model: 90-02-00, que utilitza com a referència interna una solució subministrada per el mateix fabricant, i com a referència externa, que actua de pont salí, el mateix fons iònic utilitzat de referència en la mesura. En els diferents casos on s’utilitzava aigua com a fons de calibratge o quan es realitzava la mesura directa de la mostra sense fons, aleshores s’utilitzava com a solució externa de referència d’imidazole 0,01M a pH=6,60. La majoria de les mesures realitzades en discontinu, cal referenciar-les a la lectura d’un blanc, fons de calibratge o mesura de solució de referència, degut a les possibles derives de potencial que presenten els sensors potenciomètrics. Aquest fet condicionarà les diferents estratègies seguides durant l’experimental dut a terme en el present treball. Les lectures van ser realitzades inicialment mitjançant un sistema de 8 canals de fabricació casolana, multiplexats i aïllats del soroll, realitzats amb amplificadors operacionals TL071 de Texas Instruments. Les mesures aquí són unipolars amb l’elèctrode de referència connectat al terra. La sortida de cada amplificador és filtrada amb un filtre passiu de passa-baixos amb una freqüència de tall de 2Hz. Aquesta sortida es connecta amb una tarja de conversió A/D PC-Lab 813 de la firma Advantech connectada a un ordinador personal treballant a 66 MHz. Les lectures són adquirides per a posterior tractament de dades mitjançant un programari dissenyat sota QuickBASIC v.4.5. Degut a la impossibilitat de dur a terme mesures amb matrius formades per més de 8 dispositius, va ser fabricat un sistema que permetés la lectura de fins a 32 canals multiplexats. Aquest sistema, de tipus diferencial, requeria la connexió d’una presa de terra amb la solució a mesurar per minimitzar el soroll elèctric. Les mesures van ser adquirides mitjançant la mateixa tarja de conversió A/D connectada al mateix PC. Es va adaptar de nou el software per a fer l’adquisició i emmagatzematge de lectures en la nova configuració.


69

3.4.2. Sistemes FIA SISTEMA MONOCANAL Aquesta configuració va ser utilitzada per a simplificar el treball amb nombres elevats de mostres, quan s’havia de fer cada vegada la lectura del potencial de referència, abans de fer la lectura d’una mostra, a la vegada que es facilitava el rentat dels elèctrodes. El seu disseny es basava en l’aprofitament d’una matriu de sensors en configuració convencional per a la tècnica FIA. Per això es va construir una cel·la de mesura que pogués adaptar la configuració dels elèctrodes a les condicions de flux. En aquest sentit, es va mecanitzar una peça de metacrilat per a poder subjectar 8 elèctrodes en vertical, de forma que quedessin situats en posició perpendiculars respecte del flux i les membranes d’aquests, en posició tangencial. Es van realitzar 8 perforacions de diàmetre intern equivalent al diàmetre extern dels cossos dels elèctrodes i per sobre del forat, s’hi va perforar una rosca femella amb la funció d’expandir una junta tòrica al roscar-hi un mascle de PVC (premsaestopa), conferint la estanqueïtat a la peça. La cel·la de flux es composa d’aquesta peça de metacrilat que subjecta els elèctrodes, que juntament amb dues peces de llautó, fixades gràcies a 6 cargols proporciona a la cel·la una configuració de sandvitx. La peça de llautó de sota realitza tres funcions, la d’encabir la peça de metacrilat (proporcionant aquest fet certa estanqueïtat), la d’entrada i sortida de líquids, i finalment la presa de terra, aprofitant que la pròpia peça metàl·lica és en contacte amb la fluïdica. Degut als problemes d’estanqueïtat apareguts amb aquesta configuració, es va introduir al sistema una pel·lícula de silicona entre la peça de metacrilat i la de llautó de sota, amb la que a la vegada es van aconseguir dues funcions: la de conferir una major estanqueïtat, i la de dibuixar un camí a seguir pels fluids, seguint cada una de les membranes dels elèctrodes, i permetent volums morts més petits. Una vista esquemàtica de la cel·la de flux és mostrada a la figura 3.5.

Figura 3.5. Vista esquemàtica de la cel·la de flux construïda i de la làmina de silicona utilitzat per aconseguir l’estanqueïtat de la cel·la i que el recorregut dels fluids passés per cadascun dels diferents dispositius.


70

El sistema FIA requereix a la vegada d’un sistema d’injecció de la mostra. L’emprat es va construir a partir de dues vàlvules de solenoide (NResearch USA) NT definint-se el volum injectat pel temps de connexió i pel cabal utilitzat. L’electrònica de control d’aquesta vàlvula permet la selecció manual d’injecció de mostra, o bé una injecció multirrepetida, de freqüència regulable en temps. Addicionalment, s’ha contemplat el control del dispositiu a través d’ordinador personal. La impulsió de líquids es realitza amb una bomba Gilson Minipuls 3.

La instrumentació del sistema es complementa amb el sistema de lectura de 32 canals descrit abans, conjuntament amb la tarja de conversió A/D PC-Lab 813 connectada a un ordinador personal treballant a 66 MHz. Les lectures finalment són adquirides per a posterior tractament de dades mitjançant un programari dissenyat sota QuickBASIC v.4.5. SISTEMA BICANAL En aquest sistema les mostres són injectades en un canal d’aigua destil·lada i són mesclades posteriorment en un tub de mescla de 50 cm amb un canal de solució condicionadora formada per K2SO4 0,01M amb un pH de 2,50 (ajustat amb H2SO4 concentrat), per a poder eliminar la interferència de l’ió hidrogencarbonat dels elèctrodes de clorur i de nitrat; la mescla resultant és conduïda al sistema de detecció format pels elèctrodes tubulars de clorur i nitrat (la composició dels quals és a la taula 3.5), i que es troben connectats en sèrie a un elèctrode de referència de doble unió líquida 9002 (Orion). Els elèctrodes construïts en configuració tubular s'insereixen en suports de metacrilat i es fixen amb cargols a fi d’aconseguir una perfecta integració en el sistema de flux; al mateix temps que es protegeixen els elèctrodes, es fa més robust el sistema detector i es permet el muntatge en sèrie de diferents dispositius. Entre el cos del suport i l'element sensor s'hi col·loquen discs de silicona semiflexibles, del diàmetre adequat, per assegurar l’estanqueïtat. Una mostra d’elèctrode i del sistema integrador en flux es mostren a la figura 3.6.

Figura 3.6. Vista d’un dispositiu en configuració convencional, així com del sistema que li permet la seva perfecta introducció en un sistema en flux.

El volum injectat de mostra en cada cas és de 250µl mitjançant una vàlvula d’injecció motoritzada Hamilton HVLX6-6, amb un cabal de 2,5 ml min-1 per a cada canal. La fluïdica en el sistema ve impulsada per una bomba peristàltica de 4 canals Gilson Minipuls 3. Els tubs del sistema són de PTFE de 0,8mm de diàmetre intern. La mesura potenciomètrica es duta a terme amb un potenciòmetre de fabricació en el nostre grup de recerca, connectat a un panell de multiplexat de la firma Advantech


71

(PCLD-770) que posseeix 3 relés controlats per el PC que actuen sobre la vàlvula i la bomba. L’adquisició de les lectures es fa mitjançant un ordinador que conté una tarja d’adquisició de dades PC-Lab 812PG, que realitza la conversió A/D. El sistema és controlat via programari dissenyat sota entorn QuickBASIC v.4.5.

3.5. Generació i Avaluació dels Conjunts de Partida La filosofia de treball amb llengües electròniques parteix de la idea de buscar segons les nostres necessitats, un conjunt de sensors que permetin recollir la màxima informació sobre la composició de la mostra. De la mateixa manera, per a cada aplicació, cal preparar un conjunt de dissolucions amb concentracions conegudes de les espècies que volem detectar, per a poder generar les mostres de d’entrenament o de calibratge que és la informació de partida que cal aportar al nostre sistema i que cal modelar. L’elecció d’aquest conjunt de partida és especialment crítica, ja que hem de tenir la precaució de que defineixi perfectament l’interval de concentracions en els que s’utilitzarà la xarxa. Si volem treballar a amplis rangs de concentracions, i amb vàries espècies simultàniament, ens apareix una complicació a nivell experimental. Si volem dissenyar un conjunt de partida que pugui representar el problema a resoldre, ens trobem amb que hi ha tot un espai tridimensional format per n vectors (tants com espècies a determinar) corresponents a les concentracions de cadascun dels ions, similar a l’exemple de la figura 3.7 on cada punt representa una mostra de calibratge. També cal destacar que el requeriment experimental necessari creix de forma exponencial, per exemple avaluar 5 nivells de concentració de cada espècie suposa 5n patrons de calibratge, preparat en aforat un per un. I si simplement, volem estudiar tres ions ens trobem amb la necessitat de preparar 53=125 patrons, amb tota la complicació experimental afegida, que es tradueix en hores de treball, requeriments espacials, de material, de conservació, etc.

Figura 3.7. Espai tridimensional teòric format pels punts d’entrenament de la xarxa en un disseny complert.


72

3.5.1. Primer Conjunt d’entrenament La finalitat del conjunt total dels elèctrodes escollits és la de formar part de la matriu de sensors de la llengua electrònica. Veient-nos limitats inicialment pel nombre de canals disponibles en el nostre sistema d’adquisició de dades, s’opta per l’elecció de 8 sensors, que puguin recollir el màxim d’informació de les variables que defineixen la mostra. Inicialment s’utilitzen dos ESIs d’ió amoni, dos d’ió potassi, dos d’ió sodi de tipus I i un de cada tipus dels genèrics. Finalment, per millorar les característiques de resposta i la capacitat de modelització el dispositiu de sodi tipus I amb valors de pendent de l’ordre de 40 mV/dec. es veu reemplaçat per el de sodi tipus II, aquests últims amb valors de l’ordre de 50-55 mV/dec. En un primer intent d’abordar el problema estudiat, es va dissenyar un conjunt de partida utilitzant valors de calibratges i addicions una mica aleatòries amb addicions de 3 analits a partir d’una dissolució base, intentant representar gran part de l’espai de treball desitjat. Per aconseguir-ho es van realitzar seqüències d’addicions conegudes a partir sempre d’electrolit inert en direccions quasi aleatòriament improvisades, d’aquesta manera es va aconseguir dissenyar un conjunt de partida format per 150 punts, que serviria per construir els subconjunts d’entrenament, validació i test, formats cadascun d’ells per 50 punts escollits aleatòriament. El conjunt de dades preparat pot ser visualitzat en la figura 3.8.

Figura 3.8. Representació dels punts pertanyents al primer conjunt d’entrenament, els eixos mostren les concentracions de les diverses espècies.

Com que en els casos estudiats les espècies a determinar són NH4

+, K+ i Na+, aquestes mostres d’entrenament s’han de preparar amb diferents continguts en aquests ions de forma que cada mostra d’entrenament contingui un, dos o tres ions simultàniament, que a la vegada han de cobrir un ampli rang de concentracions en aquestes espècies.


73

MODELITZACIÓ: En el procés d’afinament i selecció del model basat en XNA caldrà estudiar i/o definir:

• la topologia que escollim per a la nostra xarxa neuronal: quantes capes ocultes i quantes neurones caldran en la/es capa/es interna/es. Un excés de neurones pot portar a models sobreaujstats i una manca d’aquestes pot conduir a un fals òptim.

• els valors de velocitat d’aprenentatge/moment òptims. Els efectes d’escollir valors òptims o no, solen tenir a veure amb assoliment de mínims locals o l’assoliment del mínim global, que porta al model òptim.

• els pretractaments realitzats a les dades de partida: aquestes poden estar escalades, i les concentracions poden estar en forma logarítmica o sense pretractar. Caldrà provar en cada cas el que faciliti l’assoliment del model.

• Les funcions de transferència que apliquem a cada capa, que poden ser iguals, o diferents per a cada capa, i poden marcar els valors obtinguts a la sortida de la xarxa.

• l’algorisme d’entrenament escollit. Combinant totes aquestes variants es pot contemplar una dificultat en treballar amb xarxes neuronals: l’optimització de la seva configuració comporta avaluar un nombre de factors immens. La manera d’abordar el problema ha estat completament diferent entre l’inici i el final del nostre treball, bàsicament fonamentada pel programari escollit per al càlcul de les XNA. En un primer estadi es va utilitzar un programa de tipus shareware anomenat EasyNN (http://www.easynn.com) d’una elevada simplicitat per al disseny i control d’estructures neuronals, però a la vegada amb una elevada opacitat en les operacions que aquest realitzava, ja que les funcions de transferència i l’algorisme d’entrenament emprats eren únics i no modificables. Més tard es va emprar un entorn més avançat, MATLAB. Amb el primer programari, es van realitzar alguns estudis previs per a determinar els valors de velocitat d’aprenentatge (α) i moments (β) òptims, partint d’una xarxa neuronal amb 10 neurones a la capa oculta (estructura proposada pel propi programari). En tot moment es van avaluar resultats buscant en cada cas els valors obtinguts de RMSE més baixos pel conjunt de test.

Taula 3.6. Valors de velocitat d’aprenentatge i moment.

Optimització d’ α i β . Valors de RMSE, conjunt Test

α

β 0,2 0,4 0,6

0,2 0,0993 0,1067 0,1473 0,4 0,0978 0,0991 0,1123 0,6 0,1023 0,1353 0,2345


74

Una vegada optimitzats valors de α i de β, aquests van ser fixats per a la resta d’experiments realitzats amb aquest conjunt de partida. Arribats a aquest punt es va realitzar un estudi simultani de l’efecte de pretractaments com són l’escalat d’aquestes i correccions logarítmiques. També es van analitzar les dades sense pretractar. Es va calcular per a cada manera de presentar les dades calculant des de 4 fins a 16 neurones amb una capa oculta. També es fan proves amb 2 capes ocultes de neurones sense obtenir resultats que representin millores apreciables, complicant la possible posterior implementació en maquinari d’aquestes. Aquests resultats es veuen reafirmats per d’altres que es troben a la literatura[15]. Aquests es mostren a la figura 3.9 en la que es pot veure el cas més favorable que utilitza 14 neurones a la capa oculta i escalat de les dades de partida.

# Neurones capa oculta

2 4 6 8 10 12 14 16 18

RM

SE

0.06

0.07

0.08

0.09

0.10

0.11

0.12

0.13

Sense PretactamentEscalatCorrecció logarítmica

Figura 3.9. Resultats obtinguts (en RMSE) en les diferents modelitzazions realitzades.

Per a aquest cas més favorable amb 14 neurones sense pretractaments, la correspondència obtinguda entre els valors predits per la xarxa i els valors de referència per a l’amoni, es veuen en la regressió feta mitjançant 50 punts corresponents al conjunt de test, és a dir, que no han estat emprats prèviament ni per l’aprenentatge ni per la validació interna d’aquest, amb una correlació de r=0,983, un pendent de 1,03 ( ± 0,06) i l’ordenada a l’origen de 0,1·10-3 ( ± 1·10-3), que són uns resultats totalment satisfactoris que mostren la viabilitat de l’aplicació del mètode per a determinar les espècies iòniques en qüestió, i l’ió amoni en concret. Per als ions K+ i Na+, tot i presentar resultats acceptables, caldran refinaments que permetin una millora en la predicció resultats. Els diferent resultats obtinguts són mostrats a la figura 3.10.


75

Figura 3.10. Representació de l’ajust entre els valors esperats i trobats de les diferents espècies iòniques. Conjunt de test (a) amoni (b) potassi (c) sodi.

AMvs.

Amoni esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030 0,035

0,00

0,01

0,02

0,03

0,04

Sodi esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030

0,000

0,005

0,010

0,015

0,020

0,025

POvs

Potassi esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030

0,000

0,005

0,010

0,015

0,020

0,025

0,030

0,035

y=1,03(±0,06)x+0,1·10-3(±1,0·10-3); r=0,983

(a)

y=0,99(±0,09)x+0,2·10-3(±4·10-3=); r=0,95

(b)

y=0,9(±0,2)x+0,0(±2·10-3); r=0,88

(c)

AMvs.

Amoni esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030 0,035

0,00

0,01

0,02

0,03

0,04

Sodi esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030

0,000

0,005

0,010

0,015

0,020

0,025

POvs

Potassi esperat (M)

0,000 0,005 0,010 0,015 0,020 0,025 0,030

0,000

0,005

0,010

0,015

0,020

0,025

0,030

0,035

y=1,03(±0,06)x+0,1·10-3(±1,0·10-3); r=0,983y=1,03(±0,06)x+0,1·10-3(±1,0·10-3); r=0,983

(a)

y=0,99(±0,09)x+0,2·10-3(±4·10-3=); r=0,95y=0,99(±0,09)x+0,2·10-3(±4·10-3=); r=0,95

(b)

y=0,9(±0,2)x+0,0(±2·10-3); r=0,88y=0,9(±0,2)x+0,0(±2·10-3); r=0,88

(c)


76

3.5.2. Segon Conjunt d’Entrenament Atesos els resultats obtinguts en la primera aproximació anteriorment vista, es va poder comprovar la viabilitat de la proposta. Però davant la problemàtica de la manca de precisió en la mesura de patrons d’ions potassi i sodi es busquen possibles millores. Una possible explicació per aquest problema pot recaure en la mateixa forma de generar el conjunt inicial de patrons. Davant d’això, es va proposar una solució de compromís que permetés una generació d’aquests patrons de forma pràctica, i que a la vegada servís per cobrir al màxim l’espai a entrenar. De forma molt més estricta i menys aleatòria que en el primer cas, es proposa que aquests punts siguin fruit de microaddicions successives de patrons sobre un fons salí, ara cobrint les diferents direccions perpendiclars i diagonals de l’espai de concentracions. D’aquesta manera s’aconsegueixen unes direccions privilegiades en les que el contingut en l’espècie o les diferents espècies augmenta, veure figura 3.11.

a

ai

j

Figura 3.11. Esquema qualitatiu en 2D de com es van fent les addicions. En discontinu les direccions no assolibles.

Aquest mètode presenta una sèrie d’inconvenients a causa de la simplificació realitzada: com a primer inconvenient es veu que hi ha un seguit de direccions que són prohibides, aquelles en què la concentració hauria de disminuir per a poder obtenir-les, i com a segon s’observa que hi ha zones que no hauran estat cobertes per les mostres d’entrenament. No obstant, aquest fet es pressuposa que serà corregit per una XNA, gràcies a la seva capacitat de generalització per a poder predir punts que no han participat dins el rang de l’entrenament. En aquest cas, es va utilitzar un conjunt molt més extens com a informació de partida, un total de 627 punts, obtinguts al llarg de múltiples experiències acumulades i realitzades al llarg d’uns dos mesos. Es van prendre precaucions experimentals específiques per tal de representar millor l’espai de les concentracions. De forma esquemàtica el treball realitzat es pot visualitzar en generar com a informació de partida, un cub tridimensional format per les diferents concentracions de cadascuna de


77

les espècies estudiades. El resultat d’aquesta operació és el que es pot apreciar a la figura 3.12.

Figura 3.12. Representació dels diferents patrons preparats en el segon conjunt d’entrenament.

Aquesta segona aproximació al problema estudiat es dissenya incorporant diferents concentracions de NH4+, K+ i Na+, que cobreixen un rang aproximat entre 1 μ M i 50 mM. Aquest espai es divideix en tres subconjunts: el d’entrenament, el de validació interna i el de validació externa, que no tenen perquè contenir el mateix nombre de punts i amb la única precaució de reservar els valors extrems per al conjunt d’entrenament, per què no s’hagi d’extrapolar cap punt de la validació en el model obtingut. En el nostre cas el subconjunt d’entrenament és format per 300 punts, el de validació per 158 i el de validació externa per 169, elegits de forma aleatòria un cop fixats els extrems. La XNA a entrenar és formada per 9 neurones a la capa d’entrada, una per cada sensor i una darrera pel factor dia. Aquest valor és un nombre sencer, amb el qual s’intenten corregir els efectes d’història que presenten els elèctrodes en forma de deriva de potencial. Aquest fenomen ens afecta les lectures per la impossibilitat de generar tal volum de lectures en un sol dia. Aprofitant aquest impediment, es van realitzar les mesures dels patrons del conjunt de partida al llarg de 74 dies per intentar poder arribar a modelitzar el nostre sistema en presència de derives de potencials. La capa de sortida d’aquesta mateixa XNA ha de tenir 3 neurones, una per cada espècie a quantificar. Ara ens cal determinar quina o quines topologies són les adients per al sistema estudiat, o per a les aplicacions posteriors que se li vulguin donar. Degut a la impossibilitat de controlar alguns paràmetres interns de refinaments de càlcul mitjançant l’EasyNN, s’introdueix l’entrenament de les dades generades


78

mitjançant un altre programari: el NEURAL NETWORK TOOLBOX v4.0 que forma part de MATLAB 6®. Amb la voluntat de comparar els resultats obtinguts per cada un d’ells, els càlculs d’aquestes estructures s’han realitzat mitjançant els dos programaris considerats. L’EasyNN utilitza un sol algorisme d’aprenentatge per la XNA anomenat descens de gradient amb moment (DGM). El segon software en pot utilitzar varis, entre els que es troben el DGM, el Levenberg-Marquardt (LM) i una modificació de l’algorisme de la XNA amb retropropagació anomenada regularització Bayesiana (BR). Per tant l’estratègia seguida en aquest punt va ser comparar-los, limitant-nos en l’algorisme DGM, per a poder decidir el que millor s’adaptava a la nostra situació. En la comparativa fixem els paràmetres d’α a 0,4 i de β a 0,4, optimitzats prèviament en el primer conjunt d’entrenament. Les funcions de transferència, per EasyNN venen fixades pel propi programari. Per a MATLAB® caldrà definir-les. Després d’unes proves inicials, de tipus qualitatiu amb funcions logsig, purelin, tansig i satlins, s’ha vist que era favorable utilitzar després de la capa oculta una funció logsig, i després de la capa de sortida una purelin. Es preveu que la versatilitat en el disseny de la topologia en Matlab® condueixi a millors resultats. A la figura 3.13. presentada a continuació, es mostren els ajustos obtinguts en algunes de les estructures neuronals assajades més representatives, del total dels casos estudiats i les dades més representatives d’aquests, ja que presentar tots els resultats de forma més exhaustiva podria portar a confusions pel gran volum d’informació elaborada. El RMSE promig com a criteri de bondat, és calculat sumant l’obtingut per a cada espècie i dividint-ho entre 3.

0,005

0,025

0,045

0,065

0,085

0,105

0,125

2 4 6 8 10 12 14 16

NEURONES

RM

SE

EASYNNMATLAB

Figura 3.13. Ajustos obtinguts amb 2 programaris diferents amb l’algorisme DGM. Conjunt de test.

Es comprova una millora apreciable en el càlcul de models mitjançant MATLAB 6® especialment en el grau d’ajust, tot i que el primer programari es veu com una molt bona aproximació al problema desitjat, donada la facilitat en la posada en marxa d’aquest.


79

Utilitzant doncs MATLAB com a programari de modelització mitjançant XNAs, es van calcular diferents ajustos amb el segon conjunt de partida format per 627 punts. Les diferents estratègies proposades i els resultats obtinguts van permetre la publicació de l’article: Determination of ammonium ion employing an electronic tongue based on potentiometric sensors[16]. En ell s’hi presenten ajustos per ió amoni que no presenten diferències significatives entre valors esperats i trobats, malgrat no ser suficientment acceptables pels ions potassi i sodi. Es fan aproximacions de reduccions de neurones d’entrada. Ens serveixen per veure que el factor dia no afecta massa als ajustos. Experimentalment es comprova que al disminuir aquestes tres entrades, per l’ió amoni, que és qui presenta un millor ajust, les regressions entre valors esperats i trobats passen tan sols d’obtenir un ajust de y=0,96+0,0000 (r=0,991) a un ajust amb 6 neurones a la capa d’entrada de y=1,07+0,0005 (r=0,991) (representant el logaritme de concentració esperada enfront del logaritme de la concentració obtinguda). De totes formes el comportament dels ajustos pels ions potassi i sodi no es mostren com nosaltres desitjàvem. Per això s’han de fer refinaments de càlcul. El que es proposa aquí es intentar millorar els resultats de l’ió potassi via sacrifici de l’ió sodi, ja que els resultats que obteníem per aquest ió no eren els esperats, cosa que ens va fer pensar que potser la presència d’ió sodi era qui distorsionava l’ajust del model. En aquest punt deixem de treballar amb tot el conjunt de partida i seleccionem sols els valors en els que la concentració de sodi sigui zero. I com ja s’havia pogut comprovar abans que la informació del factor dia no aportava millores a l’ajust, s’elimina aquesta entrada. Per tant partim d’una xarxa que tindrà 8 neurones a la capa d’entrada i dues a la de sortida (una per ió amoni i una per ió potassi). Seguint aquesta nova aproximació es fa un estudi exhaustiu amb entrenaments amb algorismes tipus LM i BR amb diferents nombres de neurones a la capa oculta a la vegada s’utilitzaven funcions de transferència en aquestes capes de tipus satlins i tansig, ambdues de tipus sigmoïdal. Es demostra aquí una satisfactòria capacitat de predicció per part del model utilitzant una capa oculta formada per 20 neurones i un algorisme d’entrenament de tipus BR, confirmant l’alta capacitat de generalització per l’algorisme de la Regularització Bayesiana. S’obtenen ajustos que no presenten errors absoluts relatius (RAE) superiors al 1.5% en els dos ions estudiats. Els resultats es mostren detallats a la taula 3.7.

Taula 3.7. Rang del % de RAE obtingut en les diferents repeticions. NH4

+ K+ 0.6355 - 1.3473 0.4946 - 0.8709


80

Els resultats aquí obtinguts es troben recollits en l’article: An electronic tongue using potentiometric all-solid-state PVC-membrane sensors for the simultaneous quantification of ammonium and potassium ions in water[17]. A banda d’aquestes experiències, comparant els resultats obtinguts per a l’ió sodi, en el segon conjunt d’entrenament, amb els obtinguts per als altres dos ions es veu una dificultat a l’hora de predir els resultats enfront els valors esperats per aquesta espècie. Aquesta problemàtica pot venir provocada a l’haver tardat 74 dies per generar els punts d’entrenament en aquest conjunt, cosa que no va passar en el primer que va ser preparat de manera molt més ràpida. En aquest estudi comprovem com les dades de partida es veuen afectades per la deriva dels sensors, i veiem que el factor dia no és capaç de corregir aquest efecte com inicialment es pensava, fet que ens fa proposar una nova correcció a les dades, per a poder corregir les possibles distorsions. La solució al problema proposada per corregir aquestes derives es basa en la lectura diferencial dels potencials respecte el valor del medi de treball. En un intent d’aprofitar les dades dels patrons ja mesurats, generats en el segon conjunt, es recalculen els valors de potencial per aquelles espècies les quals posseïm valor de lectura de solució de fons. Aquesta correcció planteja també la viabilitat de reduir el nombre de punts amb els quals es pot generar el model comprovant posteriorment l’aplicabilitat d’aquesta disminució. Es proposa una reducció de les dades de partida a 286 punts, que s’hauran de dividir a la vegada en els conjunts d’entrenament més validació interna (excepte per al cas d’entrenar amb la regularització Bayesiana) i de validació externa. Un cop replantejada la informació de partida, s’estudien diferents algorismes per a l’aprenentatge de les XNA amb el programari MATLAB®. L’algorisme d’entrenament abans estudiat, el DGM, és en comparació més lent a l’hora de convergir que algorismes tipus LM o BR. És sabut que el primer necessita de moltes més èpoques de càlcul que el segon, per arribar a convergir, de l’ordre d’unes 2000-5000. A més, en primeres aproximacions fetes es veu la necessitat de treballar amb un nombre inferior de neurones a la capa oculta, ja que s’aprecia sobreentrenament si s’utilitza un nombre més elevat de neurones. Per últim és millor treballar amb velocitats d’aprenentatge inferiors a les emprades en el cas del DGM. D’aquesta forma es fixen unes noves condicions de treball que es faran servir en cada un dels aprenentatges realitzats amb els algorismes BR i LM. Aquestes són:

• eliminar la presència del factor dia com a entrada de la xarxa.

• α =0,1; β =0,4. Uns estudis previs per aquestes noves condicions marquen la millor adaptació a un aprenentatge que porta a una disminució de l’error de forma gradual. Aquestes condicions són ideals per assolir el mínim global del


81

sistema. Si la disminució de l’error és massa sobtada o oscil·lant (entrenaments sorollosos), pot produir l’aturada de l’entrenament en mínims locals, que porten a models que no s’ajusten al nostre problema.

• entre 100 i 200 èpoques. La impressió general és que si poden ser menys el

model generalitza millor amb menys entrenament.

• entre 3 i 7 neurones per a BR i LM, ja que inicialment es comprova que un nombre elevat de neurones porta a sobreentrenament, potser degut a entrenaments sorollosos. Entre 4 i 12 neurones per a algorismes amb DGM.

• conjunt aprenentatge 210 punts amb BR (170 entrenament i 40 validació

interna quan s’utilitza LM o DGM) i 76 punts de validació externa.

Els resultats obtinguts per aquesta comparativa és mostrada a la figura 3.14. S’hi aprecia una millor tendència global per ajustos mitjançant BR com inicialment s’esperava degut a la seva capacitat de generalització.

0

0,002

0,004

0,006

0,008

0,01

0,012

0,014

2 4 6 8 10 12NEURONES

RM

SE

LMBRGDM

Figura 3.14. Comparativa dels ajustos obtinguts en el conjunt de test mitjançant 3 algorismes diferents: LM (Levenberg-Marquardt), BR (Regularització Bayesiana) i DGM (Descens de Gradient amb moment).

Els resultats obtinguts en el conjunt de validació externa, a través d’aquests tres algorismes, mostren com el model és capaç de predir de forma satisfactòria les concentracions de cadascuna de les tres espècies considerades. A la taula 3.8 es mostren els ajustos obtinguts en el conjunt de predicció (test).


82

Taula 3.8. Ajustos obtinguts per a l’amoni, potassi i sodi, respectivament, en el conjunt de validació externa.

Ió Correlació (r) Pendent Ordenada NH4

+ 0,995 1,07±0,07 0,0005±0,0005 K+ 0,992 0,98±0,03 0,0003±0,0005 Na+ 0,97 1,01±0,05 0,000±0,009

La correcta adaptació de l’aproximació proposada en la determinació de mostres preparades al laboratori, va portar a l’aplicació del mètode en mostres reals. D’aquesta manera 6 mostres d’aigües de riu i plantes col·lectores d’aigües residuals així com 6 mostres de fertilitzants comercials líquids i 2 de sòlids, van ser analitzades utilitzant els model de predicció prèviament calculats per als ions estudiats.

Els diferents resultats aquí obtinguts ens van permetre la publicació de l’article: Use of an Electronic Tongue Based an All-solid-state Potentiometric Sensors for the Quantitation of Alkaline Ions[18].

L’aproximació duta a terme fins aquest punt per a cations, es va adaptar per a la determinació d’anions en solució aquosa, però ara emprant la tècnica FIA. Es proposa l’aproximació per a la modelització d’un problema conegut en la determinació de l’ió nitrat amb sensors potenciomètrics, determinació que es veu clarament afectada per la presència de clorur com a ió interferent. L’esquema del sistema FIA emprat és mostrat a la figura 3.15.

MOSTRA

H2O

SOLUCIÓ CONDICIONADORA

PANELL DE

TRANSMSIÓ

ORDINADOR

TUB DE MESCLA TERRA

E1 E3E2 E4

SENSORSPOTENCIOMÈTRICS

REF

SISTEMA D'ADQUISICIÓDE DADES

DESGUÀS

ELÈCTRODE DE REFERÈNCIA

Figura 3.15. Esquema FIA de l’aproximació utilitzada.

Per a la construcció del model de calibratge es preparen individualment 36 solucions amb variabilitat controlada d’ió nitrat i clorur que es processen amb un sistema FIA bicanal. Aquestes mostres es divideixen en dos subconjunts: el primer format per 24 solucions que serveixen com a conjunt d’aprenentatge i les 12 solucions restants que serveixen com a punts d’avaluació externa dels diferents models obtinguts. El conjunt d’aprenentatge s’utilitza en bloc mitjançant una modelització amb regularització Bayesiana, utilitzant diferents neurones a la capa oculta, aconseguint finalment un model òptim utilitzant 5 neurones a la capa oculta.


83

Els resultats obtinguts mostren la possibilitat de determinació d’ió nitrat sense la necessitat d’eliminar la presència d’ió clorur, mostrant una clara millora en la predicció de valors pel model calculat que els obtinguts pel model Nernstià, com es pot veure en la taula 3.9.

Taula 3.9. Comparativa dels diferents resultats obtinguts mitjançant les dues estratègies de càlcul plantejades.

Model Nernstià log CppmNO3- obtingut=0,4(±0,1) +0,6(±0,1) log CppmNO3- esperat r=0,86

Model Calculat XNAs

log CppmNO3- obtingut=0,08(±0,09) +0,9(±0,1) log CppmNO3- esperat r=0,96

Els resultats aquí presentats es troben recollits en l’article: A Flow-injection Electronic Tongue Based on Potentiometric Sensors for the Determination of Nitrate in the Presence of Chloride[19].

3.6. Transferència de Calibratges entre Diferents Matrius Després de les diferents estratègies amb llengües electròniques presentades, capaces de quantificar espècies iòniques sense haver d’eliminar interferències, es va veure que un dels problemes principals de cara a una posterior aplicació, seria que físicament per a cada matriu de sensors calia preparar un conjunt de calibratge específic per a cada una d’elles, tot un esforç des del punt de vista experimental que dificulta clarament, la seva possibilitat d’implementació com a proposta de producte comercial. És en aquest punt on es planteja la possibilitat de transferència de models de calibratge entre diferents matrius de sensors. El que cal, doncs, és comprovar la capacitat de predicció de concentracions d’una llengua electrònica, que el model de la qual ha estat preparat i obtingut mitjançant l’entrenament d’una altra matriu de sensors. Metodològicament, l’estratègia consisteix en la construcció de dues matrius de sensors idèntiques en el tipus de dispositius utilitzats, dispositius que idealment han de posseir idèntiques característiques de resposta. Aquesta és una condició que a priori pot ser difícil d’aconseguir, per què cada ESI pot tenir una sensibilitat (S) i una constant d’elèctrode (E0) particulars, i d’un dispositiu a un altre poden existir diferències producte del propi procés de fabricació. Per a solventar aquesta limitació es realitza una construcció de varis dispositius del mateix tipus simultàniament, fent que al dipositar una membrana sensora preparada amb idèntiques condicions, les característiques d’aquests s’assimilin molt més. Però novament s’ha de proposar una correcció de la lectura respecte d’un valor de referència per a poder fer nul l’efecte de la constant de l’elèctrode.


84

Per tant, sols cal preparar una bateria dispositius, per a cada tipus a utilitzar, i comprovar que els dispositius equivalents en cada matriu presentin valors de pendent equivalents. El cas que volem modelitzar per a comprovar la capacitat de transferència de models, és un de ben conegut per nosaltres, on es modelitzen els ions amoni, potassi i sodi i on cada matriu és formada per 8 dispositius: dos ESIs d’ió amoni, dos d’ió potassi, dos d’ió sodi del tipus II i finalment un de cada tipus dels dos sensors genèrics. Els resultats dels diferents pendents obtinguts per calibració directa dels diferents dispositius amb els seus respectius ions, així com els genèrics mesurats respecte ió amoni, són presentats a la taula 3.10.

Taula 3.10. Pendents de cada un dels dispositius integrants de les diferents matrius.

Dispositiu MATRIU 1 MATRIU 2 Pendents (mV/dec) Pendents (mV/dec) ESI NH4

+ (1) 56,5(±0,9) 57,3(±1,4) ESI NH4

+ (2) 59,1(±0,5) 59,0(±0,7) ESI K+ (1) 58,3(±0,4) 58,5(±0,6) ESI K+ (2) 58,8(±0,6) 58,9(±0,3) ESI Na+ (1) 53,2(±0,5) 53,2(±0,8) ESI Na+ (2) 51,1(±0,9) 50,8(±0,7) Genèric(I)(èter corona)(*) 35,1(±1,6) 35,9(±0,9) Genèric(II)(Lasalocida)(*) 38(±2) 39(±3)

(*)calibrats respecte ió amoni Finalment, es procedeix a la generació del conjunt de partida, però per donar doble valor a la prova fem que el conjunt d’entrenament d’una matriu sigui el model de l’altre i viceversa, i que siguin totalment reproduïbles els patrons utilitzats per mesurar una i altre matriu de sensors, les dues matrius, formant un total de 16 dispositius són submergides simultàniament en el mateix vas de precipitats en cada mesura realitzada. Es realitzen mesures, a través del mètode de les addicions conegudes, contenint individualment un ió o mescles de dos o tres ions simultàniament, en un rang de concentracions que van de 10-5 a 10-2M, permetent obtenir 147 punts de calibratge, tots referenciats respecte la mesura de la solució de referència imidazole a pH 6,60. Els punts experimentals generats, poden ser observats en la figura 3.16.


85

-6

-5

-4

-3

-2

-6

-5

-4

-3

-2

-5-4

-3-2

log

[Na+ ],

(M)

log [NH 4

+ ], (M)

log [K +], (M) Figura 3.16. Punts experimentals preparats per realitzar l’entrenament de les dues matrius.

Es procedeix a calcular el model matemàtic de predicció per a cada una de les dues matrius mitjançant XNAs utilitzant els punts generats per la matriu complementària com a conjunt d’aprenentatge i els propis punts mesurats per la matriu avaluada com a conjunt de test extern. Provant diferents estructures s’arriba a una millor capacitat de predicció en ambdós casos, utilitzant algorisme d’aprenentatge de Regularització Bayesiana i 6 neurones a la capa oculta. Els resultats obtinguts no presenten diferències significatives entre valors trobats i valors esperats pels tres ions estudiats com pot ser apreciat a les figures 3.17 i 3.18, permetent afirmar que és possible la transferència de calibratges entre diferents matrius de sensors fabricades sota equivalents condicions.

y=1,03(±0,06)x -0,1(±0,2), r=0,97

log [NH4+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,03(±0,03)x -0,09(±0,11), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=0,96(±0,05)x -0,16(±0,18), r=0,98

log [Na+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

(A) (B)

(C)

y=1,03(±0,06)x -0,1(±0,2), r=0,97


-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,03(±0,03)x -0,09(±0,11), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=0,96(±0,05)x -0,16(±0,18), r=0,98

log [Na+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,03(±0,06)x -0,1(±0,2), r=0,97


-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,03(±0,03)x -0,09(±0,11), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=0,96(±0,05)x -0,16(±0,18), r=0,98

log [Na+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

(A) (B)

(C)

Figura 3.17. Representació dels ajustos obtinguts en el conjunt de test de la matriu 2 entrenada amb els patrons de la matriu 1: (A) ió amoni, (B) ió potassi i (C) ió sodi. La línia puntejada mostra la idealitat.


86

y=0,98(±0,08)x -0,3(±0,3), r=0,96


-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5y=1,00(±0,03)x -0,05(±0,12), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,07(±0,08)x +0,02(±0,02), r=0,98

log [Na+], Esperat

-5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

at

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

(A) (B)

(C)

y=0,98(±0,08)x -0,3(±0,3), r=0,96


-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5y=1,00(±0,03)x -0,05(±0,12), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,07(±0,08)x +0,02(±0,02), r=0,98

log [Na+], Esperat

-5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

at

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=0,98(±0,08)x -0,3(±0,3), r=0,96


-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[NH

4+ ], Tr

obad

a

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5y=1,00(±0,03)x -0,05(±0,12), r=0,990

log [K+], Esperada

-5,5 -5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[K+ ],

Trob

ada

-5,5

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

y=1,07(±0,08)x +0,02(±0,02), r=0,98

log [Na+], Esperat

-5,0 -4,5 -4,0 -3,5 -3,0 -2,5 -2,0 -1,5

log

[Na+ ],

Trob

at

-5,0

-4,5

-4,0

-3,5

-3,0

-2,5

-2,0

-1,5

(A) (B)

(C)

Figura 3.18. Representació dels ajustos obtinguts en el conjunt de test de la matriu 1 entrenada amb els patrons de la matriu 2: (A) ió amoni, (B) ió potassi i (C) ió sodi. La línia puntejada mostra la idealitat.

3.7. Llengua Electrònica com a Eina d’Anàlisi Qualitativa Les diferents estratègies vistes fins al moment van dirigides a la modelització de situacions amb la finalitat de realitzar anàlisi de tipus quantitatiu. Però el camp d’aplicació de les llengües electròniques no queda tant sols limitat a aquest àmbit sinó que és pot aplicar com a eina de classificació i control de mostres de diferent natura, gràcies a la utilització d’eines de reducció de variables que permeten traduir la informació analítica en informació menys complexa que permet organitzar i representar les mostres en mapes, en funció d’algun tret diferencial d’aquestes. La matriu de sensors utilitzada per a cada tipus d’anàlisi podria ser diferent i especialment dissenyada en funció de la natura de la mostra, però el que aquí es proposa és diferent. L’estratègia rau en una matriu de sensors, que serà la mateixa per a cada aplicació proposada, i que mitjançant el programari que ens permeti dur a terme PCA, es detectin els dispositius correlacionats, o sigui que no aportin nova informació al sistema estudiat, per a que puguin ser menyspreats de cara la posterior classificació de les mostres. En aquest sentit es parteix, en els casos en batch, d’una matriu formada per 9 ESIs de cations un ESI d’ió amoni, un d’ió potassi, un d’ió sodi tipus II, un d’ió liti, un d’ió calci, un de cada tipus dels dos dispositius genèrics, i finalment, dos de protó, intentant


87

cobrir la resposta a ions alcalins i a un ió alcalinoterri. En el cas on es treballa en FIA, degut a les pròpies condicions del sistema de mesura, la matriu és formada per 8 dispositius, no utilitzant aquí dispositiu duplicat en l’ESI de protó. Intentant comprovar la capacitat de modelització i classificació per part de la nostra llengua electrònica, 38 mostres sintètiques van ser preparades introduint-hi diferents nivells de variabilitat de forma controlada. Aquestes mostres preparades a 3 nivells diferents de pH (7,5, 8 i 8.5) contenien ions amoni, potassi i calci individualment o en mescles binàries o ternàries, en 3 nivells diferents de concentracions, de manera que tant sols un dels ions es trobés a nivell alt de concentració, amb la finalitat de poder etiquetar la mostra en funció d’aquest en una posterior classificació de les mostres. Addicionalment, a sis mostres escollides a l’atzar se’ls va afegir certa quantitat d’ions sodi i liti. Es van mesurar les mostres individualment per potenciometria directa de forma aleatòria, i les dades van ser tractades mitjançant PCA com a eina de reducció de variables mitjançant el programari SPSS. Els resultats obtinguts van permetre concluir que podíem classificar les mostres en funció del seu diferent nivell de pH, de si contenien alts nivells d’ió amoni o potassi o, fins i tot, del total de presència d’alcalins. Aquests resultats de classificació favorables en funció de la variabilitat inicialment introduïda, van permetre de proposar l’aplicació per a la classificació de diferents mostres reals. Un dels camps de mostres reals que més s’adapta a les possibilitats del nostre sistema són les mostres alimentàries, per això es proposa la classificació en tres estudis independents, de mostres d’aigües comercials embotellades, de sucs i refrescos de taronja i finalment, de diferents infusions.

Figura 3.19. Vista de les diferents mostres d’aigües minerals analitzades. La classificació d’aigües minerals comercials, es va fer partint de la mesura en batch de 23 tipus diferents de mostres (veure figura 3.19) de forma triplicada i aleatòria, per potenciometria directa, referenciant les lectures a la mesura d’un fons salí, per a poder corregir possibles derives potenciomètriques. Els resultats obtinguts una vegada


88

realitzat el PCA, van ser totalment satisfactòries al poder classificar les mostres en quatre grups: aigua mineral natural, aigua mineral amb gas natural, aigua mineral amb gas afegit i gasosa. L’anàlisi de 36 mostres de begudes i refrescos de taronja, es va fer seguint l’esquema descrit per l’anàlisi d’aigües minerals. Els resultats obtinguts una vegada fet l’anàlisi de reducció de variables va permetre fer una classificació en funció del contingut real en % de suc de taronja, permetent establir el següent model de calibratge: log %suc obtingut=0,93(±0,09) +0,10(±0,14) log %suc esperat, r=0,97 La complicació experimental de realitzar tantes mesures de diferents mostres, per triplicats, en potenciometria directa, planteja el disseny d’un sistema FIA que permeti la mesura en continu de les diferents mostres i que automàticament permeti la mesura d’un fons de referència per a corregir les derives en la mesura. La darrera aproximació a la classificació de mostres reals alimentàries, formades per 30 diferents infusions (figura 3.20), es realitza mitjançant un sistema FIA (veure figura 3.21) fent possible la mesura alternativa de la mostra i d’una solució de referència que permet la relativització de les lectures. Aquestes, van ser analitzades mitjançant PCA permetent la discriminació entre tes i tiles, de camamilles i mentes poliol.

Figura 3.20. Vista de les diferents mostres d’aigües minerals analitzades.


89

Figura 3.21. Vista de la instrumentació utilitzada en la configuració en FIA. En blau podem observar el PC; en vermell, el sistema multiplexat que juntament amb el PC permeten l’adquisició de dades; en verd, el sistema de propulsió; en rosa, la vàlvula d’injecció; i finalment en negre, la cel·la de mesura i l’elèctrode de referència.

Els resultats aquí presentats són publicats de l’article: Application of a potentiometric electronic tongue as a classification tool in food analysis[20].

3.8. El Sistema de Sensors Distribuït Una de les últimes finalitats de tot sistema analític és la seva aplicació cara a la societat; en el nostre cas, això implicaria la seva implementació en un hardware que permeti la seva portabilitat, i per tant, la seva utilització per a mesures de camp. El nostre sistema sensor és un sistema sensor intel·ligent del tipus III (§1.5.3) que integra el procés analític des de la detecció fins a la representació de les dades d’interès analític per a una fàcil interpretació. El nostre sistema remot, és constituït per un ordinador portàtil i un sistema d’adquisició de dades connectat per un port RS-232. El sistema portàtil és autoalimentat i és constituït de 8 canals per connectar ESIs i un per l’elèctrode de referència connectat a terra i la resta a mode comú. En aquest sistema d’adquisició de dades s’acoblen les impedàncies dels elèctrodes a les del circuit, i el senyal passa a un filtre actiu de segon ordre, amb una freqüència de tall de 2Hz. Posteriorment, aquest senyal se sotmet a una etapa d’amplificació amb un guany de 4 i un offset de 2,5 V, obtenint conversió del rang de treball, fent que passi de -500 mV a 500 mV a un rang de 0 a 5 V (quedant doncs el zero situat a 2,5 V), ja que el conversor A/D utilitzat treballa en aquest últim rang citat.


90

El senyal és enviat a un microcontrolador PIC que és el responsable de la conversió A/D amb una rutina que permet un retard de 20 segons per a estabilitzar les lectures. I comença a llegir els ports E/S fins que la lectura és estable a valors inferiors a un bit, que en potencials es tradueix a valors per sota de 0,004 V. Si no s’assoleix el valor estable, s’envia una etiqueta informant de que el canal no s’ha estabilitzat i les demés dades s’envien a l’ordinador sense emmascarar. El sistema d’adquisició de dades en versió protoboard pot ser observat a la figura 3.22. El programari MATLAB® llegeix el port sèrie en temps real i la dada s’emmascara fent-la passar de 10 a 9 bits per corregir problemes de soroll.

Figura 3.22. Vista de la placa del sistema d’adquisició de dades en versió protoboard.

Finalment mitjançant una GUI (interfície gràfica d’usuari, veure figura 3.23) desenvolupada especialment, es pot treballar visualment amb les diferents opcions que permet un programari dissenyat per a l’aplicació estudiada. Inicialment s’ha d’activar la connexió del ordinador portàtil i el sistema d’adquisició de dades portàtil (1). En aquest punt MATLAB ® identifica de quin tipus de llengua es tracta, per un senyal identificador enviat pel pic, que envia primer una senyal numèrica (llengua 1,2,3,.....) seguit de les lectures dels canals. La dada numèrica es reconverteix a mV, restant-ne l’offset i dividint pel valor del guany (3). El segon pas que cal definir és el mode de treball, que pot ser de lectura contínua, on es van recollint els diferents potencials absoluts, o bé, més útil per a la nostra aplicació, en mode referència basal (2), permetent restar la lectura d’un valor de potencial llegit d’una solució de referència, corregint-se aquí possibles derives de potencial. A la vegada en aquest punt cal triar si enregistrar o no els valors de potencial llegits. Paral·lelament cal definir la velocitat de mostreig de dades, que per defecte se situa a una freqüència de 1 segon (5).


91

1

2

3

45

6

789

Figura 3.23. Captura de pantalla de la interfície gràfica d’usuari del programa de control.

El senyal, corregit o no, entra en aquest punt on es transforma a concentracions en temps real, mitjançant el model emmagatzemat en forma de pesos d’una xarxa neuronal calculada per a aquest tipus de matriu de sensors utilitzada, en el moment que s’activa la xarxa neuronal en el programari (7). Finalment, es pot treballar en dos modes (4), el primer el mode calibració, on primer una finestra ens atura un temps d’estabilització i ens demana que afegim patró de calibració, i al final ens representa el logaritme de la concentració obtinguda enfront de la concentració esperada. El segon mode és el de mostra real, on s’emmagatzemen les lectures en una llista, i permet representar l’evolució del potencial enfront de nombre de mostra, on si la freqüència de mostreig és de 1 segon, representem doncs, evolució del potencial enfront del temps. Com a representació del seu mode d’operació, es van fer addicions individuals de diferents ions, i es va fer el seguiment en mode mostra real, mostrant l’evolució temporal del potencial llegit per cadascun dels dispositius connectats al sistema. Els resultats poden ser visualitzats individualment en la figura 3.24 mostrada a continuació.


92

(A) (B)

(C)

(A) (B)

(C)

Figura 3.24. Representació de l’evolució temporal del potencial en tres experiments diferents: (A) ió amoni, (B) ió potassi i (C) ió sodi.

Finalment, una vista del sistema remot realitzant mesures en camp de forma semiautònoma poden ser visualitzades a la figura 3.25.

Figura 3.25. Vista del sistema remot. En blau, es mostra l’ordinador portàtil; en negre l’adquisició de dades autoalimentat; i finalment en vermell la matriu de sensors en submergida en un vas de precipitats.


93

L’aplicació final en formes de proves de camp és la base del projecte d’investigació bàsica “Sistema de monitoreo en tiempo real de la calidad del agua, basado en lenguas electrónicas, aplicado a un modelo de planta potabilizadora” CONACYT Nº43553 (Gobierno de México), actualment en curs, en el qual és copartícep el Grup de Sensors i Biosensors de la UAB.

Referències

1. Umezawa, K. Handbook of Ion-Selective Electrodes Selectivity Coefficients, Boca Raton, 1990.

2. Davies, O. G.; Moody, G. J.; Thomas, J. D. R. Analyst (Cambridge, United Kingdom) 1988, 113, 497-500.

3. Shen, H.; Cardwell, T. J.; Cattrall, R. W. Analyst 1998, 123, 2181-84.

4. Suzuki, K.; Tohda, K.; Aruga, H.; Matsuzoe, M.; Inoue, H.; Shirai, T. Analytical Chemistry 1988, 60, 1714-21.

5. Fujiwara, M. Clinical Chemistry 1991, 37, 1375-78.

6. Tohda, K.; Suzuki, K.; Kosuge, N.; Watanabe, K.; Nagashima, H.; Inoue, H.; Shirai, T. Analytical Chemistry 1990, 62, 936-42.

7. Suzuki, K.; Sato, K.; Hisamoto, H.; Siswanta, D.; Hayashi, K.; Kasahara, N.; Watanabe, K.; Yamamoto, N.; Sasakura, H. Analytical Chemistry 1996, 68, 208-15.

8. Sugihara, H.; Okada, T.; Hiratani, K. Analytical Sciences 1993, 9, 593-97.

9. Hauser, P. C. Analytica Chimica Acta 1993, 227-32.

10. Perez-Olmos, R.; Rios, A.; Fernandez, J. R.; Lapa, R. A. S.; Lima, J. L. F. C. Talanta 2001, 53, 741-48.

11. Knoll, M.; Cammann, K.; Dumschat, C.; Eschold, J.; Sundermeier, C. Sensors and Actuators, B: Chemical 1994, 21, 71-76.

12. Andreakis, G. E.; Moschou, E. A.; Matthaiou, K.; Froudakis, G. E.; Chaniotakis, N. A. Analytica Chimica Acta 2001, 273-80.

13. Lima, J. L. F. C.; Machado, A. A. S. C.; Florido, A.; Alegret, S.; Paulis, J. M. Quimica Analitica (Barcelona, Spain) 1985, 4, 145-58.

14. Rundle, C. C. Definition of terms used in ISE measurements. www.nico2000.net/datasheets/glossary.html . Consulta realitzada: octubre 2004

15. Bos, M.; Bos, A.; Van der Linden, W. E. Analytica Chimica Acta 1990, 233, 31-39.


94

16. Gallardo, J.; Alegret, S.; de Roman, M. A.; Munoz, R.; Hernandez, P. R.; Leija, L.; del Valle, M. Analytical Letters 2003, 36, 2893-908.

17. Gallardo, J.; Alegret, S.; Munoz, R.; De Roman, M.; Leija, L.; Hernandez, P. R.; del Valle, M. Analytical and Bioanalytical Chemistry 2003, 377, 248-56.

18. Gallardo, J.; Alegret, S.; Muñoz, R.; Leija, L.; Hernandez, P. R.; del Valle, M. Electroanalysis, 2004, 17, 348-55.

19. Gallardo, J.; Alegret, S.; del Valle, M. Sensors and Actuators, B: Chemical 2004, 101, 72-80.

20. Gallardo, J.; Alegret, S.; del Valle, M. Talanta 2005, 66, 1303-09.

95

44.. CCOONNCCLLUUSSIIOONNSS

1. S’ha desenvolupat un sistema per mesurar concentracions d’ió

amoni, basat en una llengua electrònica que empra una matriu de sensors potenciomètrics.

2. S’ha aplicat a estudis mediambientals que sota els requeriments

experimentals estandarditzats requeririen d’etapes de separació. Aquí la mesura es pot realitzar mitjançant elèctrodes modificats tipus Severinghaus o sistemes automatitzats basats en la tècnica FIA que empren difusió gasosa. La complexitat d’aquest processos ve marcada per la presència d’ions potassi i amoni, molt sovint presents en els medis, i que són molt difícils d’eliminar.

3. L’estratègia proposada no implica una simple mesura directa, però si

que permet la determinació molt simple d’ió amoni així com una estimació dels nivells d’espècies interferents.

4. Aquesta experiència és una interessant aproximació de les llengües

electròniques per a la quantificació de diferents espècies químiques.

5. Aquesta novedosa aproximació és el primer desenvolupament als nostres laboratoris de llengües electròniques basades en matrius de sensors potenciomètrics

6. S’ha desenvolupat una llengua electrònica per a la determinació

simultània d’ions amoni i potassi, mitjançant la mesura directe


96

d’aquestes espècies mitjançant una matriu d’ESIs i tècniques de processament avançat com són les xarxes neuronals artificials.

7. S’ha comprovat una millor adaptabilitat dels entrenaments quan es

realitzaven mitjançant l’algoritme de la Regularització Bayesiana enfront l’algoritme Levenberg-Marquardt. Com a doble criteri de selecció es busca un model que obtingui baixos errors en l’entrenament de la xarxa així com una bona capacitat de generalització de les dades del conjunt de test d’avaluació externa.

8. La topologia de la configuració final és formada per una sola capa oculta

de 20 neurones, facilitant una possible posterior implementació en maquinari per un analitzador portàtil.

9. Amb la configuració final els resultats per ambdós ions es presenten

excel·lents, amb errors promig RAE inferiors a l’1% tant en conjunt de validació com de test extern.

10. Com a validació addicional un conjunt de mostres sintètiques són

analitzades presentant individualment cadascuna d’elles RAE inferiors a 1% en el rang de concentracions de treball.

11. La possibilitat d’ampliar el nombre d’espècies iòniques a determinar és

patent, tant sols ampliant el nombre de dispositius que formen la matriu de sensors. La dificultat que aquí apareix és el substancial creixement d’informació de partida que caldrà subministrar per a possibilitar-ne l’entrenament.

12. Per a una correcta aplicació de la tècnica a mostres reals, es recomana

la utilització d’una solució tampó-acondicionadora per a poder realitzar mesures relatives respecte una mateixa solució de referència.

13. Els resultats presenten una bona estratègia per a la multideterminació

simultània de diferents espècies mitjançant una llengua electrònica. 14. S’ha desenvolupat i optimitzat una llengua electrònica per a la

determinació simultània d’ions amoni, potassi i sodi en varis tipus de mostres.

15. La matriu, formada per sensors potenciomètrics, ha estat capaç de

predir la concentració dels tres ions desitjats sense la necessitat d’eliminar interferències tant en mostres sintètiques com en mostres reals d’aigua de riu i aigües residuals, si la informació d’entrada és presentada en forma relativa. En les mostres de fertilitzants analitzades, degut segurament a la complexitat de la matriu d’aquestes no ha estat possible quantificar els ions sodi i potassi, però si ha estat possible la determinació d’ió amoni, sense eliminar interferències. Encara que aquests ions no es determinen correctament, si que es corregeix la seva presència.

4. CONCLUSIONS

97

16. L’implementació de més dispositius sensors a altres analits, amb unes mínimes complicacions instrumentals, facilitaria l’anàlisi de les mostres amb menys pretractament i corregiria alguns efectes de matriu.

17. Aquesta aproximació proporciona una novedosa estratègia per a la

multideterminació d’espècies iòniques en solució sense la necessitat d’eliminar-ne prèviament les interferències; d’altra banda, les limitacions experimentals venen regides per el nombre d’ions a determinar simultàniament, degut a l’esforç experimental necessari per generar la informació requerida per a un correcte entrenament de la xarxa neuronal.

18. S’ha desenvolupat un sistema de sensors distribuït, per a les

mesures de camp.

19. Aquest sistema és format per un sistema intel·ligent que integra el procés analític des de la detecció de l’analit fins a la representació de les dades d’interès per nosaltres per a una fàcil interpretació.

20. El sistema remot autoalimentat és constituït per un ordinador portàtil i un

sistema d’adquisició de dades per a una matriu de vuit sensors potenciomètrics, i és connectat a l’ordinador. Una interfície gràfica controla el procés des de l’ordinador, i permet treballar amb un sistema de forma semiautònoma. La base realitza les mesures transmetent-les a una estació central, on es realitza el càlcul mitjançant una XNA.

21. S’ha desenvolupat una llengua electrònica automatitzada, utilitzant

la tècnica FIA i xarxes neuronals artificials.

22. Aquest sistema sensor, una vegada configurat i optimitzat, ha estat capaç de realitzar la determinació directa d’ió nitrat en mostres complexes, presentant concentracions variables d’ió clorur i corregint i quantificant aquesta interferència.

23. L’aproximació proposada, clarament millora la determinació directa d’ió

nitrat mitjançant el seu ESI adient, sense cap etapa de separació d’espècies interferents.

24. Els resultats presentats, mostren una nova i interessant via per a

sistemes automatitzats de monitorització que necessitin d’un baix manteniment.

25. Un dels punts claus per a poder utilitzar-los llargs períodes de temps, és

la seva estabilitat, que és gràcies a la robustesa dels sensors utilitzats, i a la pròpia natura inherent a la mesura utilitzada, característica de la tècnica FIA.

26. En la modelització de la XNA, l’algorisme d’entrenament utilitzat ha estat

la regularització Bayesiana, degut a la seva bona capacitat generalitzadora.


98

27. La XNA utilitzada finalment és formada per tant sols cinc neurones i una

sola capa oculta, facilitant una posterior implementació en maquinari, i possibilitant la construcció d’un sistema compacte portàtil, per a mesures en el camp, amb aplicacions potencialment molt interessants, com la mesura d’aquest ions en aqüífers subterranis contaminats.

28. S’ha desenvolupat una llengua electrònica capaç de classificar

diferents tipus de mostres tant en flux, com en discontinu, i aplicada a la classificació en el camp alimentari.

29. Comprovada, la capacitat de classificació en mostres sintètiques de

variabilitat controlada, es van construir models de classificació per aigües minerals, begudes amb diferents continguts en taronja natural, i diferents tipus d’infusions.

30. Aquesta nova aproximació, que utilitza dispositius no específics que

presenten respostes creuades a diferents tipus d’espècies, així com tècniques de reducció de dades mitjançant anàlisi multicomponent, possibilita un nou camí en química analítica; aquesta aproximació permet la obtenció de “fotografies” de les característiques d’una mostra i finalment, donar-nos una informació global sobre la seva natura o composició, després d’un entrenament adient dels casos estudiats.

31. Una millora dels resultats aquí presentats podria ser pensada

augmentant el nombre de ESIs que composen les matrius, estenent la capacitat de modelització incorporant dades més elaborades per a una futura extracció d’informació d’aquestes.

99

55.. AANNNNEEXXOOSS


100

GEN

ERA

CIÓ

CO

NJU

NTS

DE

PATR

ON

S D

E PA

RTI

DA

Det

erm

inac

ió q

uant

itativ

a d’

ió a

mon

i sen

se n

eces

sita

t d’

elim

inar

inte

rfer

ènci

es (a

)

Mul

tidet

erm

inac

iód’

ions

am

oni i

pot

assi

(b)

Mul

tidet

erm

inac

ióN

H4+ ,

K+ ,

Na+

Mos

tres R

eals

.

A

nàlis

i qua

ntita

tiu e

n m

ostre

s d’a

igua

de

riu i

de

ferti

lizan

ts(c

)

Det

erm

inac

ió

quan

titat

iva

d’ió

nitr

at

sens

e ne

cess

itat

d’el

imin

ar

inte

rfer

ènci

es (d

)R

efin

amen

ts

de c

àlcu

l

Ref

inam

ents

Apl

icac

ió

I II III

IVC

lass

ifica

ció

de m

ostre

s si

ntèt

ique

s

Cla

ssifi

caci

ó en

bat

ch

d’

aigü

es m

iner

als i

sucs

Qua

ntifi

caci

óen

% d

e su

c (e

)

Apl

icac

ió

Apl

icac

ió

V

Tran

sfer

ènci

a d’

entre

nam

ents

ent

re

dife

rent

s mat

rius d

e se

nsor

s

Impl

emen

taci

ó de

la

XN

A e

n ha

rdw

are

ESTA

CIÓ

DE

MO

NIT

OR

EIG

Inst

rum

enta

ció

Sist

ema

dist

ribu

ït

5. ANNEXOS

101

(I-a) ARTICLE 1: Determination of ammonium ion employing an electronic tongue based on potentiometric sensors, Gallardo, J.; Alegret, S.; de Roman, M. A.; Munoz, R.; Hernandez, P. R.; Leija, L.; del Valle, M. Analytical Letters 2003, 36, 2893-908.

(II-b) ARTICLE 2: An electronic tongue using potentiometric all-solid-state PVC-membrane sensors for the simultaneous quantification of ammonium and potassium ions in water, Gallardo, J.; Alegret, S.; Munoz, R.; De Roman, M.; Leija, L.; Hernandez, P. R.; del Valle, M. Analytical and Bioanalytical Chemistry 2003, 377, 248-56.

(III-c) ARTICLE 3: Use of an Electronic Tongue Based an All-solid-state Potentiometric Sensors for the Quantitation of Alkaline Ions, Gallardo, J.; Alegret, S.; Muñoz, R.; Leija, L.; Hernandez, P. R.; del Valle, M. Electroanalysis, 2004, 17, 348-55.

(IV-d) ARTICLE 4: A Flow-injection Electronic Tongue Based on Potentiometric Sensors for the Determination of Nitrate in the Presence of Chloride, Gallardo, J.; Alegret, S.; del Valle, M. Sensors and Actuators, B: Chemical 2004, 101, 72-80.

(V-e) ARTICLE 5: Application of a potentiometric electronic tongue as a classification tool in food analysis, Gallardo, J.; Alegret, S.; del Valle, M. Talanta 2005, 66, 1303-09.

5. ANNEXOS

103

3.1. ARTICLE 1

©2003 Marcel Dekker, Inc. All rights reserved. This material may not be used or reproduced in any form without the express written permission of Marcel Dekker, Inc.

MARCEL DEKKER, INC. • 270 MADISON AVENUE • NEW YORK, NY 10016

ANALYTICAL LETTERS

Vol. 36, No. 14, pp. 2893–2908, 2003

SENSORS AND BIOSENSORS

Determination of Ammonium Ion Employing

an Electronic Tongue Based on

Potentiometric Sensors

Jordi Gallardo,1Salvador Alegret,

1

Marco Antonio de Roman,2 Roberto Munoz,2

Pablo Rogelio Hernandez,2 Lorenzo Leija,2

and Manuel del Valle1,*

1Sensors and Biosensors Group, Chemistry Department,

Autonomous University of Barcelona, Catalonia, Spain2Bioelectronics Section, CINVESTAV,

Mexico City, Mexico

ABSTRACT

A method for determining ammonium ion concentration from

complex aqueous samples is presented in this work. It does not need

to eliminate chemical interferences, mainly sodium and potassium,

because an array of potentiometric sensors with intrinsic responses

is used. The measurements taken from the array are processed with

a multicomponent data treatment. This approach is already known as

*Correspondence: Dr. Manuel del Valle, Sensors and Biosensors Group,

Department de Quımica, Edifici Cn, 08193 Bellaterra, Spain; Fax: þ34 93

5812379; E-mail: [email protected].

2893

DOI: 10.1081/AL-120026410 0003-2719 (Print); 1532-236X (Online)

Copyright & 2003 by Marcel Dekker, Inc. www.dekker.com



electronic tongue. Multivariable calibration was implemented with an

artificial neural network, trained under the rules of the Bayesian

regularization. The developed system has been applied to water

samples from rivers and wastewaters with ammonium content in

the range 1 104–5 102mol L1. Results are similar to those

obtained with other reference methods.

Key Words: Electronic tongue; Sensor array; Bayesian regulariza-

tion; Neural networks; Ion selective electrode array.

INTRODUCTION

The classical approximation for analytical techniques has been thesearch of selective methods, where a signal can be directly related tothe concentration of chemical species. The field of chemical sensors hasfollowed this premise and more selective sensors have been proposedduring decades looking forward to a higher reliability in estimation ofchemical compositions. Very recently, new strategies with a differentpoint of view have been proposed. Instead of discarding chemical sensorson their poor selective response, they can be used now to developa multidimensional approach. Therefore, a sensor array formed bynonspecific devices could be very practical to assay the concentrationof multiple analytes. Indeed, the proposal is not new because it is thefunctioning basis of the senses for taste[1] and smell in animals,[2] whichare the inspiration of the biomimetic approach.

Information obtained from chemical sensor arrays of complexgaseous samples has allowed their classification and their quantitativedetermination. Those arrays are widely known in the field of chemicalsensors, being known as electronic noses.[3] Likewise, some protocolshave been described for liquids and the devices generated are calledelectronic tongues. These are suited with similar properties to classifyand quantify chemical species. Antecedents can be taken from differentsources. Firstly, it can be mentioned the works of Toko in Japan,[4,5]

which are aimed to equip the computational systems with a sense oftaste using a potentiometric multidevice with global selectivity. Asecond proposal has emerged from Vlasov in Russia,[6,7] who also startedthis line using potentiometric sensors arrays with vitreous membranes.More recently, the concept of electronic tongue has been extended toother groups of electrochemical sensors, the voltammetric class, withdifferent applications developed in the alimentary and environmentalfields.[8,9]

2894 Gallardo et al.



In this work, an ammonium ion determination in complex sampleswithout interference suppression and employing an electronic tongueis described. This technique allows the simultaneous estimation ofconcentrations of the different species present. In this way, the signalsfrom the array of potentiometric sensors are processed using a multi-variable calibration approach.[10] Artificial intelligence has been proposedas a tool for extracting mixed information produced by several andsimultaneous responses originated at the sensor array.[11–13]

The main goal of this work is the use of backpropagation artificialneural networks (ANN) with a modified learning algorithm of Bayesianregularization to accomplish the extraction of the complex responseinformation from the elements of the array. The lack of specificity ofused sensors constraints the possibility of a single-measurement deter-mination of species from a complex sample without performing anyseparation step. As a single sensor in its direct measurement mode doesnot provide adequate information for the determination of ammoniumion in complex samples, potassium (Kþ) and sodium (Naþ) sensorsare incorporated for compensating representative interferences, alkaliions in this case. Additionally, two further sensors with generic responsesto the different ions involved will aid in the ANN processing for theinterpretation of the mixed information.

EXPERIMENTAL

Reagents and Materials

The chemical sensors used in the system are ion-selective electrodes(ISEs), of solid-state type with electrical solid-contact[14] (a conductivecomposite of epoxy-graphite). The general formulation is 33% PVC,66% plasticizer, and 1% ion carrier.[15] Different ionophoric antibioticsare used as ion carriers. In Table 1 the formulations of the different usedmembranes are presented. For the casting of the sensing membranes, asensor cocktail is prepared in tetrahydrofuran (THF) which is droppedover the solid contact of epoxy-graphite composite. This produces aplastic membrane once THF is evaporated (Fig. 1).

Measurements were made using as ionic background a 0.01Mimidazole solution with its pH adjusted to 6.50, to improve the responsefor detecting ammonium with low concentrations. A double junctionAg/AgCl electrode (Orion 90-02-00) was used as reference electrode,filling the outer chamber with the imidazole solution. In order to describecompletely the training space for the three considered ions, a special

Determination of Ammonium Ion 2895



strategy was used. First, some standard solutions 0.01mol L1 wereprepared in imidazole medium for the ions NHþ

4 , Kþ, Naþ, alone or in

combination, by appropriate weighting of the corresponding chloridesalts. Then, series of solutions were prepared by the multiple standardaddition method. Therefore, a total number of 628 solutions withvariable concentrations of the three considered ions were generated. Allthe measurements were performed under constant stirring.

Apparatus

The data acquisition system includes eight channels allowingeight-sensor measurement. Each input has an impedance coupling circuit

Copper DiscConductive

Resin

Formation of the ISEmembrane

Figure 1. Fabrication process of a potentiometric sensor with electrical solid

contact based on epoxy-graphite composite.

Table 1. Formulation of the sensing PVC membranes employed in this study.

Ionophore Plasticizer

NHþ4 Nonactin bis(1-Butyl-pentyl)adipate

Kþ Valinomycin Dioctylsebacate (DOS)

Naþ Monensin o-Nitrophenyloctyl ether

Generic 1 Dibenzo(18-crown-6) DOS

Generic 2 Lasalocide DOS




(TL071, Texas Instruments) for each sensor. Reference electrode wasconnected to ground. Each coupling circuit output was connected to a2Hz-RC-lowpass filter, and they all were connected to an A/Dconversion card (Advantech PC-Lab 818 Advantech) inserted to a PC.Measurements were performed using custom software.

Theoretical Background

Although the described approach is not model-based, it should beknown that the performance of the used potentiometric sensors isdescribed by the well-known Nikolskii-Eisenmann equation:

EISE ¼ E0ISE þ

RT

zxF ln ax þ

XNj 6¼x

Kpotxj a

Zx=Zj

j

!ð1Þ

where EISE is the potential of the ISE in the sample vs. a referenceelectrode and E0

ISE represents the standard potential vs. the samereference. R is the gas constant, T the absolute temperature, F isFaraday constant, ax and zx are the activity and the charge of the ionbeing monitored respectively and finally aj and zj are the activity andcharge of interferences, and finally, Kpot

xj is the potentiometric selectivitycoefficient of j (interferent ion) over x (principal ion).

This group of sensors detects chemical activity instead of concen-tration. The activity is considered an effective concentration and it isdetermined from the total concentration of ions in solution, employinggeneral calculation procedures in electrochemistry.[16] It can be observedthat from three ions and over, the underlying physicochemical model ishighly nonlinear and it constitutes a challenge for modelling in real time.

Data Processing

An ANN processing system performs a ‘‘black-box’’-type approach.This system allows obtaining similar results without describing thephysical model, Eq. (1) for each considered ion.

A backpropagation ANN was utilized in the system. Each inputwas assigned to each sensor, adding as additional input a day factorbecause the impossibility of obtaining the complete data set during asingle experiment. Under these conditions, the system permits driftcompensations produced by possible degeneration and passivation ofthe polymeric membrane. In the case of the ammonium, sodium and




potassium sensors, two units were used simultaneously. The number ofsensors used was eight, distinguishing five classes: ammonium, sodium,potassium (these three kinds used in duplication), and the two generics,with a single unit. Therefore, once the time factor was added, ninemeasurements constitute the input of the ANN. The output includesthree neurons defining the concentrations of three chemical species. Fortraining and testing of the ANN, the data set was separated into twoasymmetrical subsets as demanded by the training algorithm used. Theformer, with 458 points, was used for training and the latter, with 170points for validating and testing the generalization of the network. Thisseparation was randomly done but assuring that no extrapolation wasrequired for testing. Other algorithms, such as the Gradient descent orLevenberg Marquardt recommended the use of three subsets, an extragroup for internal validation of the training process.[12]

The training points were generated adding different micro volumes ofstandards containing simultaneously 1, 2, or 3 ions. Figure 2 shows thespatial distribution of the experimentally generated points. For the dataprocessing, MATLAB 6.0 (Math Works, Inc.) with its Neural NetworkToolbox was used. An ANN performs a vector transformation, it includesa set of n-dimensional vectors from the input layer for transforming themin a new set of m-dimensional vectors to the output layer. In this applica-tion, a set of input vectors with n¼ 9 dimensions (one dimension per ISEplus one day factor) is presented. A transformation must be carried outover the nine dimensions to a tridimensional space corresponding to theion concentrations under study. Following a supervised training for anANN backpropagation type was elected with a set of inputs and targetsaccording to the form p1, p2, p3, p4, p5, p6, p7, p8, p9, t1, t2, t3. Each p1–p8value represents data obtained from each ISE, associated with a concen-tration triad of NHþ

4 , Kþ, andNaþwith known values. Value p9 represents

the day factor. This strategy is schematically depicted in Fig. 3.A network that performs one at a time transformation is not indeed

useful for this application. The need is of a system able to predictconcentrations values not explicitly included in training. Hence, atraining method that could guarantee a correct generalization waslooked for. This is shortly explained: low error values are claimed to anANNwhen the set of data is applied for training.Moreover, the network isintended to present low error values when test data are applied. If thenetwork produces low error values with both training set and test data,it is said that a correct generalization has been obtained. Extensive studieshave been done in order to obtain an acceptable generalization. Themain problem is to avoid the overfitting. Fortunately, one of the trainingmethods that solve the problem is the Bayesian regularization.[17] This




method is already implemented in the Neural Networks Toolbox fromMatlab. Generally, the Bayesian method for interpolation allows lookingfor the network model with better approximation to the system beingmodelled without causing overfitting. Based on this rule and with thetraining set of data, the training process can be understood like a searchand inference of the network parameters with major probability of beingused to construct the best network model.[18]

The first training step tries to minimize the following sum of squareerrors:

ED ¼XNi¼1

ðti aiÞ2

ð2Þ

Figure 2. Visualization of the generated points for the training of the electronic

tongue.




where ti are the targets, ai is the network output, and N is the number oftraining vectors. The regularization method adds a second term toproduce the following objective function (F ):

F ¼ ED þ EW ð3Þ

where EW is the sum of squares of the network weights. The last functiondetermines the training performance. If indicates that the networkmodel produces low errors. Contrarily, if the model must bemodified reducing the number of weights to avoid overfitting and toproduce a smooth output.[17] As can be seen, the Bayesian method appliesdifferent models of network and modifies its characteristics until findingthe required response. To obtain the best model, two levels of inferencemust be performed. The first one assumes that any proposal of networkmodel could be fitted to the desired function with good results.Consequently, the first model is used for approximation and fordetermining and coefficients. From this first inference, if a badmodel results, then weights are modified by the method of pruning. Itmeans the model is changed by forcing some chosen parameters to zero.Each parameter of the network is candidate to participate in the pruningprocess. Therefore, every new model is optimized evaluating whichparameter could accept the pruning. This decision is based on theprobabilistic evidence calculated by the Bayesian method.[19] The

00.01

0.020.03

0.040.05

0

0.010.02

0.030.04

0.050

0.01

0.02

0.03

0.04

0.05

Figure 3. Schematic presentation of the electronic tongue approach: neuronal

network, training spaces, and targets.




second level of inference compares the new model and optimizes itsparameters every iteration.

RESULTS AND DISCUSSION

First of all, some techniques were proved to determine the moreuseful one for the application presented here. Neural networks resulteda good option. Different training algorithms and data preprocessingstrategies were also evaluated and the results are shown in Table 2.Preliminary studies suggest a concentration normalization preprocessingof the data for better modelling.

In order to determine the convenient structure of the ANN to beused, some cases were tested changing the number of hidden layers andneurons per hidden layer. Best results were achieved with only one hiddenlayer network and four neurons in this layer. Under these conditions,network inputs were scaled to 1 avoiding to overweight any variable. Thecorrelation between expected values and those obtained in the test-set ofammonium ion, resulted a 0.991 value. Distribution of the expectedvalues is shown in Fig. 4. The curve demonstrates good comparisonresults.

Some trials were made to improve the network including pruning anda reduction of the number of inputs maintaining the test with data notsubmitted to the training. Results are summarized on Table 3. An impor-tant reduction of the number of neurons was therefore attained that mayrepresent an easier implementation and consequently a reduction in theprocessing time which is useful for a real time application. Furthermore,the system eliminated the dependence of the day of measurement and theuse of generic sensors. The degree of fit with this simpler model is shown

Table 2. Selection of preprocessing schemes for the data.

Simple networks were first evaluated and the selection was

based on root mean square errors (RMSE) from the external

data test-set.

Data preprocessing RMSE

No pretreatment 0.09

Average potential of the duplicated electrode 0.09

Logarithmic transformations of concentrations 0.4

Normalized concentrations 0.07




in Fig. 5. In any case, it is considered interesting to maintain such inputsuntil an evaluation of the system performance during longer time iscompleted. The configuration and parameters for the final network arepresented in Table 4.

Figure 4. Results obtained for the test for ammonium ion with the nine-input

network. Dashed line shows the theoretical comparison and the solid one the

experimental.

Table 3. Evolution of the degree of fit for different reductions in input layers.

Deleted inputs Name of input

Neuron number in

hidden layer

Correlation

coefficient (r)

1 (9) Day column 3 0.93

4 0.978

5 0.968

1 (5) Naþ input 4 0.984

2 (5,6) Naþ inputs 4 0.971

3 (7,8,9) 2 Generics and day 4 0.984




The goodness of the model was evaluated by training it with fiverandom starting weighting values and correlating expected and obtainedvalues in the test data. Correlation coefficients for ammonium ion rangedfrom 0.972 to 0.984 with the different trials.

Figure 5. Results obtained for the test-set for ammonium ion using the six-input

network. Dashed line shows the theoretical comparison and the solid one the

experimental.

Table 4. Training parameters of the final

neural network.

Backpropagation

Architecture 6-4-3

Activation Logistic sigmoidal

0.1

0.4

Number of epochs 100




Some standard statistical criteria were subsequently applied. Nosignificant differences were observed between expected and obtainedresponses, given the Student’s t test values for paired samples did notexceed the tabulated ones. Values are shown in Table 5. The table alsoincludes the goodness of the fit, which model is estimated by the rootmean square error (RMSE) for each ion calculated as:

RMSE ¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiPNi¼1 ð yi yyiÞ

2

N

sð4Þ

In the equation, N represents the number of samples, yi the obtainedresult, and yyi the expected value.

Application

In contrast to the clinical and alimentary field applications, theenvironmental subject shows the major number of applications ofelectronic tongues.[20,21] Within this context, our optimized network hasbeen applied to measure NHþ

4 concentrations of samples from river watersand the wastewater treatment plants on the Llobregat river basin (Spain),without any interference removal. The followedmethod consisted on thesesteps. The residual water samples were filtered; a 5mL 0.05M imidazolebuffer solution was added to a 20mL sample to regulate the ionic strengthand to resemble the aqueous solution utilized for neural network training.After measurement with the array, results were obtained by processingwith the adequately trained, simpler ANN model. The obtained resultsare shown in Fig. 6 where values obtained with the proposed strategy werecompared with reference values obtained from methods commonly usedfor contrast analysis and currently available in our laboratory. Forammonium determination, the method is based on flow injectionanalysis with tubular ammonium ISE detection.[22] As an added value,the approximation used in this application permits quantifying the

Table 5. Statistical parameters obtained in the paired sample comparison for the

three considered ions at the 95% confidence level.

NHþ4 Kþ Naþ

RMSE 0.01818 0.02184 0.24057

Student’s t test (obtained values) 1.89 0.73 0.99

Tabulated t statistic 2.02 2.02 2.02




concentration of sodium and potassium which are interferents in thiscase but which can also be modeled.

Comparison of results for sodium and potassium ions is in Table 6.In these two cases, reference values were determined by reference analysisprocedures based on Atomic Emission Spectroscopy. Here, comparison isnot as favorable as for ammonium, but a good approximation can still beobserved. Because the system was optimized for ammonium ion, any trialto improve secondary ions produces deterioration in ammonium ionestimation. If distorted values were observed for sodium ions, it issuggested the use of a better sodium sensor. Even the final results forsodium ion are not the best, the adequate correction for its presence isaccounted in the final result of the ammonium ion.

CONCLUSIONS

A system for measuring ammonium concentration based on electronictongue has been developed. It was applied to environment studies understandard requirements of a sensors laboratory. In normal use, thismeasurement is not performed directly because it depends on separationstages which can be performed by gaseous diffusion of ammonia gas.The measurements can be made with Severinghaus modified electrodes[23]

or automated systems, e.g., based on Flow Injection Analysis (FIA)

0

0.0005

0.001

0.0015

0.002

0.0025

0.003

0.0035

0.004

0.0045

0 0.001 0.002 0.003 0.004

Reference values (M)

Ob

tain

ed v

alu

es (

M)

Figure 6. Comparison of the results of ammonium ion with the proposed meth-

odology and a comparison method. y¼ ð1:19 0:23Þ xþ ð0:00021 0:00046Þ,correlation coef. 0.991 (n¼ 6). Dashed line represents the theoretical comparison

and the solid line indicates the linear regression of the experimental points.




technique.[22,24] The complexity in this process is caused by the interferenceof sodium and potassium ions, commonly present in the environment andvery difficult to eliminate. With the proposed strategy, not only a simpleand direct measurement is obtained but also the estimation of theinterfering ions. The experience presented in this work is an interestingapplication of electronic tongues for the quantitative determination ofchemical species.

ACKNOWLEDGMENT

This work is supported by Spanish Ministry of Science andTechnology, MCyT (Madrid), (Project PPQ2001–1950) and by theDepartment of Universities, Research and Society of Information(DURSI) from Generalitat de Catalunya. Mobility of researchers wasprovided by an AIRE(DURSI) grant.

REFERENCES

1. Toko, K. Biomimetic Sensor Technology; Cambridge Univ. Press:Cambridge, 2000.

2. Persaud, K.C. Electronic gas and odour detecors that mimicchemoreception in animals. Trends Anal. Chem. 1992, 11, 61–67.

3. Gardner, J.W.; Bartlett, P.N. Electronic Noses. Principles andApplications; Oxford Univ. Press: Oxford, 1999.

4. Toko, K. Taste sensor with global selectivity. Materials Science &Engineering 1996, C4, 69–82.

Table 6. Comparison results for the two interfering ions.

Kþ Naþ

Reference

values (mgL-1)

Obtained

values (mgL-1)

Reference

values (mgL-1)

Obtained

values (mgL-1)

23.7 14.64 219.2 116.28

25.5 37.98 328.3 4.1

51.2 35.30 332.3 15.24

33.8 23.27 281.8 55.69

31.2 28.57 483.8 21.25

40.3 26.76 205.0 43.06




5. Toko, K. Electronic tongue. Biosensors & Bioelectronics 1998, 13,701–709.

6. Vlasov, Y.; Legin, A. Non-selective chemical sensors in analyticalchemistry: from electronic nose to electronic tongue. Fresenius’J. Anal. Chem. 1998, 361, 255–260.

7. Vlasov, Y.; Legin, A.; Rudnitskaya, A.; D’Amico, A.; Di Natale, C.Electronic tongue. New analytical tool for liquid analysis on thebasis of non-specific sensors and methods of pattern recognition.Sensors & Actuators 2000, B65, 235–236.

8. Winquist, F.; Wide, P.; Lundstrom, I. An electronic tongue basedon voltammetry. Anal. Chim. Acta 1997, 357, 21–31.

9. Ivarsson, P.; Holmin, S.; Hojer, N.; Krantz-Rulcker, C.; Winquist, F.Discrimination of tea by means of a voltammetric electronic tongueand different applied waveforms. Sensors & Actuators 2001, B76,449–454.

10. Di Natale, C.; Macagnano, A.; Davide, F.; D’Amico, A.; Legin, A.;Vlasov, Y.; Rudnitskaya, A.; Selezenev, B. Multicomponentanalysis on polluted waters by means of an electronic tongue.Sensors & Actuators 1997, B44 (1–3), 423–428.

11. Bos, M.; Bos, A.; van der Linden, W.E. Data processing by neuralnetworks in quantitative chemical analysis. Analyst 1993, 118,323–328.

12. Bos, M.; Bos, A.; van der Linden, W.E. Processing of signals froman ion-selective electrode array by a neural network. Anal. Chim.Acta 1990, 233, 31–39.

13. Pravdova, V.; Pravda, M.; Guilbault, G.G. Role of chemometricsfor electrochemical sensors. Analytical Letters 2002, 35 (15),2389–2419.

14. Baro-Roma, J.; Sanchez, J.; del Valle, M.; Alonso, J.; Bartrolı, J.Construction and development of ion-selective electrodes responsiveto anionic surfactants. Sensors & Actuators 1993, B15–16, 179–183.

15. Diamond, D., Ed. Principles of Chemical and Biological Sensors;Wiley: New York, 1998.

16. Meier, P.C.; Amman, D.; Osswald, H.F.; Simon, W. Review: ion-selective electrodes in clinical chemistry. Med. Progr. Technol. 1977,5, 1–12.

17. Forese, F.D.; Hagan, M.T. Gauss–Newton Aproximation toBayesian Learning, Proceedings of the 1997 International JointConference on Neural Networks, Houston, TX, USA, 1997.

18. MacKay, J.C. Probable Networks and Plausible Predictions a Reviewof Practical Bayesian Methods for Supervised Neural Networks,Technical Report; Cavendish Laboratory: Cambridge, UK, 1995.




19. MacKay, J.C. Bayesian interpolation. Neural Computation 1992, 4,415–447.

20. Stefan, R.I.; van Staden, J.F.; Aboul-Enein, H.Y. Electrochemicalsensor arrays. Crit. Rev. Anal. Chem. 1999, 29, 133–153.

21. Krantz-Rulcker, C.; Stenberg, M.; Winquist, F.; Lundstrom, F.Electronic tongues for environmental monitoring based on sensorarrays and pattern recognition: a review. Anal. Chim. Acta 2001,426, 217–226.

22. Alegret, S.; Alonso, J.; Bartrolı, J.; Martınez-Fabregas, E. Flowinjection system for on-line potentiometric monitoring of ammoniain freshwater streams. Analyst 1989, 114, 1443–1447.

23. Severinghaus, J.W.; Bradley, A.F. Electrodes for blood pO2 andpCO2 determination. J. Appl. Physiol. 1958, 13, 515–520.

24. Alegret, S.; Alonso, J.; Bartrolı, J.; del Valle,M.; Jaffrezic-Renault, N.;Duvault-Herrrera, Y. Flow-through pH-ISFET as detector in thedetermination of ammonia. Anal. Chim. Acta 1990, 231, 53–58.

Received June 16, 2003Accepted July 27, 2003


121

3.2. ARTICLE 2

Abstract The simultaneous determination of NH4+ and

K+ in solution has been attempted using a potentiometricsensor array and multivariate calibration. The sensors usedare rather non-specific and of all-solid-state type, employ-ing polymeric (PVC) membranes. The subsequent dataprocessing is based on the use of a multilayer artificialneural network (ANN). This approach is given the name“electronic tongue” because it mimics the sense of taste inanimals. The sensors incorporate, as recognition elements,neutral carriers belonging to the family of the ionophoricantibiotics. In this work the ANN type is optimized by study-ing its topology, the training algorithm, and the transferfunctions. Also, different pretreatments of the startingdata are evaluated. The chosen ANN is formed by 8 inputneurons, 20 neurons in the hidden layer and 2 neurons inthe output layer. The transfer function selected for the hid-den layer was sigmoidal and linear for the output layer. Itis also recommended to scale the starting data beforetraining. A correct fit for the test data set is obtained whenit is trained with the Bayesian regularization algorithm. Theviability for the determination of ammonium and potas-sium ions in synthetic samples was evaluated; cumulativeprediction errors of approximately 1% (relative values) wereobtained. These results were comparable with those ob-tained with a generalized regression ANN as a referencealgorithm. In a final application, results close to the ex-pected values were obtained for the two considered ions,with concentrations between 0 and 40 mmol L–1.

Keywords Sensor array · PVC membrane · Ion-selective electrode · Artificial neural networks · Ammonium · Potassium

Introduction

There is a recent trend, derived from the search for spe-cific, single analyte sensors, to use sensor systems. This isdue to the existence of few almost perfect sensors whichdo not suffer from interferences, calibration drifts, noiseeffects or irreproducibilities. A first strategy was the useof automated analytical systems to adapt or solve some ofthese non-idealities. Certain introduced stages, such assample conditioning, frequent recalibration, sample cleanup or preconcentration, enhanced analytical performancebut with higher cost and complexity. The more novel schemeis the use of multielement sensor arrays, which can usesensing devices with less restrictive characteristics. Withthis approach, the solution of situations or problems hardto cope with more classical alternatives, such as the clas-sification of foods and beverages, can be attempted.

The use of a set of sensors instead of a single, perfectlyselective sensor brings added advantages. Instead of ob-taining only a single data point, sensor arrays provide mul-tiple data points per sample, following the trend of obtain-ing information with higher dimensionality. This richer con-tent can provide additional chemical information, which inturn is used to differentiate multiple analytes and to dis-criminate interfering species. Information content can some-times be further enhanced using modulation schemes, ob-taining the so-called higher order sensor systems.

The transducing approaches for sensor arrays cover al-most all the different sensing principles. Among others,there have been described arrays of mass sensors, chemo-resistors, optodes, voltammetric or potentiometric sen-sors. When the array is used to detect gaseous species, itis given the name “electronic nose” [1]. When it is usedfor liquid samples, the term “electronic tongue” starts tobe used [2]. Both terms have been proposed in referenceto animal senses. This is because these strategies share thegeneral principle of having only few classes of differenti-ated receptors but, with cross term responses and overlap-ping selectivities, they discriminate against a multitude ofspecies [3].

J. Gallardo · S. Alegret · R. Muñoz · M. De-Román ·L. Leija · P. R. Hernández · M. del Valle

An electronic tongue using potentiometric all-solid-state PVC-membrane sensors for the simultaneous quantification of ammonium and potassium ions in water

Anal Bioanal Chem (2003) 377 : 248–256DOI 10.1007/s00216-003-2042-7

Received: 22 January 2003 / Revised: 14 March 2003 / Accepted: 7 May 2003 / Published online: 19 July 2003

SPECIAL ISSUE PAPER

J. Gallardo · S. Alegret · M. del Valle ()Sensors and Biosensors Group, Department of Chemistry, Autonomous University of Barcelona, Edifici Cn, 08193 Bellaterra, Catalonia, Spaine-mail: [email protected]

R. Muñoz · M. De-Román · L. Leija · P. R. HernándezBioelectronics Section, Department of Electrical Engineering,CINVESTAV, México DF, Mexico

© Springer-Verlag 2003

In this higher dimension, overlapping measurements haveto be processed with adequate tools in order to extract theinformation required. The advantages of a simpler sensingsystem, almost without any accessory equipment or main-tenance, counterbalances more complex mathematical mod-elling of the responses, and the increased processing powerrequired to run recognition algorithms on suitable plat-forms. Hopefully, combination of the multiple responsesof a sensor array with advanced signal processing tech-niques has been addressed as one of the better ways of im-proving sensor performance, better than miniaturizationof hardware [4]. This coupling can provide, together withthe goal information (i.e. the analyte concentration), ac-cessory information (presence of interferences) or diag-nostic data such as sensor malfunction or process disrup-tion.

Considering potentiometric sensors, the aforementionedapproach has been historically addressed by application ofdifferent chemometric tools. The first attempt was pro-vided by Otto and Thomas [5], who employed an eight-sensor array and their Nicolsky–Eisenmann response modelfitted by multiple linear regression. Beebe and Kowalskirepeated this approach, in this case employing a five-sen-sor array with non-linear regression methods (Simplex)[6] or projection pursuit regression [7], a multivariatechemometrics technique. A further approach was that ofForster et al. who employed a four-electrode array andagain Simplex non-linear regression [8].

A convenient approach is the use of artificial neuralnetworks (ANNs), as demonstrated by Bos and Van derLinden in their seminal work [9]. There they were first todemonstrate the use of ion-selective electrodes (ISEs)modelled with ANNs. These algorithms, which generate“black-box” models, have shown special abilities to de-scribe non-linear responses obtained with sensors of dif-ferent families. First, these tools create models from a largeamount of departing information, the training set, whichmust be carefully obtained [10]. This extra information isbecause of the absence of a thermodynamic or physicalmodel, in this case, the Nicolsky–Eisenmann equation.

Besides, two further considerations are mandatory inorder to obtain the appropriate model. These are the net-work topology, the parameters defining its structure, andthe training strategy, or the way used by the network tolearn from the initial information. The correct topologydefines an optimum number of hidden layers, the numberof neurons in each layer and the transference function.Usually, networks with three layers of neurons are used:an input layer, an unique hidden layer, and the outputlayer. The number of neurons in the input layer equals thenumber of sensors in the array, and the number of neuronsin the output layers equals the number of informationchannels needed, normally the number of chemical spe-cies determined. To optimise the network, the adjustedfactor is then the number of neurons in the intermediatelayer, normally selected by trial and error.

Together with the topology of the ANN, another pointis the selection of the training strategy to yield convergencewith a proper modelling ability and a demanded level of

accuracy and precision for a given data set. In fact, two in-dependent data set are used at least, a training set and an(external) test set [11]. Each set contains two kinds of in-terrelated information. The former includes the responsesof the sensor array (patterns), and the latter corresponds tothe sought information (targets), in our case the concen-tration values of the analytes. This training set must belarge enough and contain sufficient variability to yield aproper modelling of the response. In order to ensure thequality of the final results, some external check is used.For this purpose, the second set of data, the test set, isneeded. This external check consists in verification of thesuccess in representing the values of the test set. Occa-sionally, some configurations of ANN present overfitting,which is detected by a high degree of fit for the trainingset, but with the test set showing excessive deviation fromexpected values [12, 13]. This condition can be checkedalong the training process using a third data set, the vali-dation set, which ends the learning process. In the presentwork one of our goals has been to explore ANN configu-rations with adequate topologies and training strategy forcorrect modelling of the responses of the sensor arraywith minimum overfit.

The coupling of ISE arrays with ANNs is a relativelynew trend with few antecedents, specially when restrictedto the quantification of species. Apart from the first pro-posal [9], only few groups, like that of Vlasov [14] or thecollaborations of Massart and Fabry [15] have made sig-nificant contributions to this emerging topic. All thesecontributions employ feedforward networks furnishedwith back-propagation training algorithm.

Sensor arrays have shown a flexible design approach fordevelopment of measuring systems that can be adapted todifferent applications. Instead of pursuing perfectly ideal,specific sensors or costly sensor systems, the alternativecan be the use of sets of several simpler, less-ideal sensorsbut supporting them with the use of artificial intelligence[16]. Among the cases described are special applicationswith arrays of potentiometric sensors and chemometric toolsdifferent from ANNs. As an example, there is the work ofToko, with an electronic tongue, employing PCA, adaptedto qualification and classification of different beverages,for example beer, or the determination of water quality[17]. There are also the contributions of Vlasov, like themonitoring of a plant of bottled mineral water [18], or theclassification of clinical or food samples [19]. Few appli-cations have shown the quantification ability of the pro-posed approach. Some of these are the simultaneous de-termination of species in mineral water or wine [20], softdrinks and beers [21].

In this contribution, a sensor array of potentiometricsensors, or electronic tongue, is devised for determinationof ammonium and potassium ions by direct measurement,with minimal sample pretreatment. In a classical approachthis determination can be stated as non-practical, due tothe known interference of common alkaline ions with theresponse of the ammonium sensors. With the electronictongue approach an electrode array of eight potentiomet-ric sensors, including an ammonium sensor, different ele-

249

ments sensitive to alkaline ions and non-selective or genericelements, is trained using ANNs for the determination ofammonium and potassium in water. Different mathemati-cal pretreatment strategies and neural network procedureshave been tested, and a better performance algorithm hasbeen proposed for the final model.

Experimental

Chemicals

The ion-selective poly(vinyl chloride) (PVC) membranes wereprepared with high molecular weight PVC (Fluka). Plasticizers usedwere bis(1-butylpentyl) adipate (BPA), dioctyl sebacate (DOS),and dibutyl sebacate (DBS), all obtained from Fluka. Ionophoresemployed in the formulation of the potentiometric membraneswere from the same family of ionophoric antibiotics, nonactin(ammonium ionophore I, from Fluka), valinomycin (potassiumionophore III, from Fluka), monensin (sodium salt, from Acros),and lasalocide (Fluka). A classical crown ether, dibenzo[18]crown-6 was also used as neutral carrier.

Materials used for the preparation of the inner solid contactwere the epoxy resin components Araldite M and HR hardener(both from Ciba-Geigy) and graphite powder (100 µm, BDH) asthe conducting filler.

Imidazole (Fluka), and the salts NH4Cl and KCl (both reagentgrade, from Merck) were used as background electrolyte and cali-bration species, respectively. All solutions were prepared with de-

ionized and highly purified water (16–18 MΩ resistivity, Milli-Q,Millipore).

Apparatus

Potentiometric measurements were performed with the aid of alaboratory-constructed data-acquisition system. It consisted of eightinput channels implemented with following circuits employing op-erational amplifiers (TL071, Texas Instruments) which adapt theimpedances for each sensor. Measurements were unipolar, with thereference electrode connected to ground. Each channel was noise-shielded with its signal guard. The outputs of each amplifier were fil-tered using a passive low-pass filter (centred at 2 Hz frequency) andconnected to an A/D conversion card (Advantech PC-Lab 813, Tai-wan) installed into a 486 Personal computer running at 66 MHz.The readings were done employing custom designed software pro-grammed with QuickBASIC 4.5 (Microsoft).

Sensor array

The sensors used in our system were PVC-membrane all-solid-stateion-selective electrodes (ISEs), which employ an internal ohmiccontact made from a conductive composite. Figure 1 depicts schemat-ically the construction procedure of one of these sensors. These arethe habitual configuration used in our laboratories [22, 23]. Thesensor was formed by filling a plastic cylinder (8 mm i.d.) having anelectrical contact with an homogeneous mixture of 35.7% AralditeM, 14.3% HR hardener, and 50% graphite powder, and cured for 6 h at 50 °C. Next, a 0.5 mm depth cavity is formed on the top ofthe constructed body. Finally, this is filled with a PVC potentio-metric membrane cocktail and let dry. As outlined in Fig. 1, mem-branes are formed by solvent casting of a mixture further dilutedwith tetrahydrofuran (1 mL per each 20 mg PVC). Once formed,membranes were conditioned in a 0.1 mol L–1 solution of its pri-mary ion for 24 h. Table 1 summarises the formulation of the dif-ferent membranes, using ionophoric antibiotics or the lipophyliccrown-ether [24, 25, 26, 27, 28, 29] as the electroactive compo-nents. The sensor array comprised duplicated sensors for ammo-nium, potassium, and sodium, plus two generic membrane formu-lations for alkali ions, one employing the crown ether and the otherthe antibiotic lasalocide.

No particular studies of limits of detection (LD) of the sensorarray were performed. This was due to the complexity of the casewhere different ions can be simultaneously present. From individ-ual calibrations and the observation of raw data measurements inmixed solutions estimated values for NH4

+ and K+ ions were 0.002and 0.001 mmol L–1 respectively, determined according to IUPAC[30].

Calibration and measurement procedure

Measurements were done with solutions with a defined back-ground and pH, 0.010 mol L–1 imidazole buffer of pH 6.60, aimedat improving the characteristics of response for a low level detec-tion of ammonium ion. Preliminary studies with this sensor arrayand the considered ions, performed with 0.01 mol L–1 imidazole,0.01 mol L–1 TRIS, and water as background media showed the first

250

Fig. 1 Schematic diagram of the fabrication process of the PVC-membrane all-solid-state potentiometric sensors, based on thegraphite-epoxy composite

Table 1 Formulation of theion selective membranes em-ployed in the construction ofthe potentiometric sensor array

Sensor PVC Plasticizer, (%) Ionophore, (%) Ref.(%)

NH4+ 33 Bis(1-butylpentyl) adipate (BPA) (66) Nonactin (1) [24]

K+ 30 Dioctyl sebacate (DOS) (66) Valinomycin (3) [25]Na+ 27 Dibutyl sebacate (DBS) (70) Monensin (3) [26–28]Generic 1 29 DOS (67) Dibenzo[18]crown-6 (4) [29]Generic 2 27 DBS (70) Lasalocide (3) [24]

to be the best choice, specially because of the slightly improved re-sponse to ammonium at low concentration levels. As referenceelectrode, a double junction Ag/AgCl electrode (Orion 90-02-00)with the imidazole background solution in its outer chamber wasused.

In order to generate the primary information for the modellingof the system, different mixtures were sequentially prepared by ac-cumulated additions of several standard solutions of increasingconcentration of the different considered ions. These microvolumeadditions were performed with the aid of variable-volume micro-pipettes (Finnpipette, Labsystems). Each of these points, with a def-inite value for the concentration of ammonium and potassium wasacquired and entered in to the neural network. The standard solu-tions employed were NH4Cl and KCl, alone or combined, with con-centration values, of one ion or both, of 10–4 mol L–1, 10–3 mol L–1,10–2 mol L–1, 10–1 mol L–1 and 1 mol L–1. The most concentrated so-lution was prepared by direct weighting of the salt, and the restwere prepared by sequential dilution. The total number of pointsgenerated as primary information was 174, obtained during 2 workdays in the laboratory, and having variable concentrations of thetwo considered ions between 0.001 and 50 mmol L–1. The mea-surements were performed once the potential values stabilised, c.a.30 s after addition of the solutions.

Software

The training and evaluation of the different ANNs tested in thiswork was done using the software package Matlab 6.0 (MathWorks)

For the modelling of the response of the sensor array, three dif-ferent types of ANN were used, aimed at universal description ofnon-linear systems with reduced overfitting.

Feedforward backpropagation ANN with Levenberg–Marquardttraining algorithm (LM)

This type of ANN is widely used with sensor arrays. It is derivedfrom the algorithm of gradient descent [31], from which it is aclear improvement [32].

Feedforward backpropagation ANN with Bayesian regularizationtraining algorithm (BR)

This variant applies statistical methods to detect neurons causingoverfitting, thus being subsequently pruned [33]. With this strat-egy, the training procedure can be assimilated to the search and in-ference of the components of the network with a greater probabil-ity to form the best model [34].

Generalized regression ANN (GR)

This ANN implements the so-called Nadaraya–Watson kernel re-gression, as initially proposed by Specht [35]. It presents a networkmodel that achieves an interpolated output function based on a fi-nite number of inputs, applying a smoothing parameter, α, to eachinput/output pair from the training set. It has the drawback that itemploys a large number of neurons in the hidden layer, as many asthe number of patterns in the training set. This ANN-GR will behardly usable for the electronic tongue model, because it is notcompatible with the external test assessment. Nevertheless, thisnetwork was used as a reference point to compare the performanceof the LM and BR networks. As mentioned above, in the learningstage of this ANN-GR, the complete set of experimental points(training+test) was used.

Results and discussion

Topology

A significant problem arises in the selection of the ANNtopology, since it is not possible to predict a correct con-figuration in advance. A trial and error process is neededwhere the training strategies, the dimension of the hiddenlayer and the transference functions used in the hiddenand output layers are varied in order to find the propercombination. In our case, one of the factors, the transfer-ence function at the input layer was fixed to a linear type,as normally recommended in feedforward ANNs [13].

For the selected application, we initially fixed as con-stant the following parameters for the remaining experi-ments:

– eight neurons for the input layer, one for each potentio-metric sensor;

– two neurons for the output layer, one for each concen-tration value, NH4

+ and K+; and– considering a highly non-linear behaviour for our re-

sponse model, a fixed non-linear sigma-shaped trans-ference function was used for the hidden layer, specifi-cally, the tansig function [31].

In order to obtain an initial estimate for the number of neu-rons in the hidden layer, ten neurons were arbitrarily used,and a light training process was started for five iterations(epochs) only. This pseudo-training process was performedwith the purpose of determining the trend shown by theglobal error of the model, whether it was systematicallyimproved or not.

The global modelling error was calculated in this workas the sum of squared errors, SSE, defined as:

where N is the number of samples, and xi and ai the ex-pected and obtained concentration values, respectively,from the modelling of the ANN. Next, the number of neu-rons in the hidden layer was incremented by five, lighttraining was again performed, and this sequence was iter-ated until we did not obtain any clear improvement in theSSE. Thus, the former number of neurons in the hiddenlayer was fixed as the base dimension for the followingoptimisations. From this preliminary base dimension, twofurther dimensions were examined, explicitly ±50% of thenumber of neurons in the hidden layer. With respect to thetransference function in the output layer, two variantswere evaluated in order to check their effect: first, a non-linear function, tansig, and next, a linear function, thesatlins type [31].

During the few days employed in the generation of in-put data, neither appreciable drift for the electrode con-stant nor for the sensitivity was detected. To check thispoint, preliminary tests were performed with an extra in-put related to a time index. This was used to take into ac-

( )2

1

N

i ii

SSE x a=

= −∑

251

count possible drift issues. First studied ANNs showed usthat this information was the least significant for the mod-elling, so it was discarded in the rest of the study.

Training

From the set of generated experimental data, 174 values,approximately 50%, were selected randomly for the train-ing of the ANN; the rest were reserved for its externaltesting. First, the data set was normalized to a range of[–1,+1], both the input patterns (measured emf) and theoutput patterns (concentration values). This detail ensuresproper operation of the selected transfer functions, whichare also normalized.

To initiate training the neural network model formed bythe numeric values of the weights interconnecting the neu-rons in the hidden and output layers was iterated changingthese values towards the minimization of the predictionerrors, SSE. This numeric procedure was started from arandom arrangement of weights, generated using the pre-programmed tools provided in the Matlab environment.The training procedure was stopped when one of two con-ditions was achieved:

– a maximum number of iterations (500 epochs) isreached, or

– the modelling error, SSE, is lower than an arbitrarilypreset value of 0.001. This value was chosen as a com-promise observed in initial evaluations of the data. First,a greater value would not permit a correct training withthe ANNs of the BR type, while a smaller value wouldhave caused overfitting with the ANNs employing theLM algorithm, and so, with a defective generalizationas outcome.

As mentioned previously, two types of training algorithmwere considered, ANN-LM and ANN-BR, and each typewas checked with different topologies. For every trainingconfiguration five runs were launched, with fresh randominitialisation of weights each. This precaution is recom-mended to estimate precision and to give confidence tothe final calibration model. Moreover, it permitted us to

check the effect of the initial conditions on the ANN per-formance.

Testing

The modelling ability of each proposed ANN configura-tion was assessed with the remaining 50% of the data notused for training. This performance was numerically quan-tified by checking individual values, as the sum of relativeabsolute error, RAE(%), calculated according to:

where the outputs refer to concentration values for the twoions considered. The choice of this relative weighted ex-pression is caused by the relatively wide range of concen-trations spanned, close to five orders of magnitude.

Optimisation of the ANN configuration

A light training procedure enabled fixing of a base num-ber of neurons in the hidden layer for each type of ANNtraining algorithm. These were 20 and 50 neurons for theBR and LM types respectively.

Once the base dimensions of the topologies were set,these were studied with a greater detail at three selectedvalues (base plus base±50%), but also considering the restof factors defining the ANN configuration. Apart from thetopology and training algorithm considered, these includedthe two types of transference function assayed. The totalamount of 12 configurations were outlined as Table 2shows. The table also adds the SSE obtained at conver-gence, or at the arbitrary ending (500 epochs) in the caseof ill convergence.

Each of the 12 ANNs was trained five times, randomlyinitialising each time the values of the weights of the neu-rons with the purpose of obtaining a precision estimate forthe model. Each network, trained with the presented crite-ria, was evaluated or tested afterwards with the data set

(%) 100Actual ANN output Desired ANN output

RAEDesired ANN output

−= ×

252

Table 2 The 12 ANN configu-rations evaluated: two trainingalgorithms, Bayesian regula-tion (BR) and Levenberg–Mar-quardt (LM), different topolo-gies and two transfer functions.The general performances ob-tained in their training are alsogiven

ANN Training Number of Transference SSE Epochsconfiguration algorithm neurons in the function at the

hidden layer output layer

BR-T-10 BR 10 Non-linear 0.0013 500BR-T-20 BR 20 Non-linear 0.00098 489BR-T-30 BR 30 Non-linear 0.00093 480BR-S-10 BR 10 Linear 0.00067 475BR-S-20 BR 20 Linear 0.00093 118BR-S-30 BR 30 Linear 0.0019 500LM-T-25 LM 25 Non-linear 0.00097 32LM-T-50 LM 50 Non-linear 0.00099 31LM-T-75 LM 75 Non-linear 0.00089 27LM-S-25 LM 25 Linear 0.00055 13LM-S-50 LM 50 Linear 0.00045 9LM-S-75 LM 75 Linear 0.00036 7

not participating in training. The predicted values ob-tained were used to calculate an RAE (%) error (relativevalue). Table 3 presents information related to this feature,the range of observed dispersion of errors for the differenttraining variants and for the two considered ions, NH4

+

and K+. For some of the cases evaluated, particularly theLM-T-50 and LM-T-75 configurations, extreme disper-sion values could be detected. For the rest of the ANNstested, the mean error did not reach 8%.

For the rest of the study two ANN configurations wereselected if lower RAE (%) values for the external test setwere to be obtained. These are visualized in Fig. 2, whichshows the error quantifier for each considered ion. Fromthis figure, and from the performance data in Table 3, itcan be deducted that the LM ANN configurations, whichare those employing the Levenberg–Marquardt training

algorithm, require fewer iterations for convergence thanthose employing Bayesian regularization (BR) strategies.Indeed, some of these (BR-T-10 and BR-T-30) did notreach convergence.

However, in the external test, the ANNs of the BR typewere shown to be a better calibration model for the sensorarray than the LM type, as observed in Table 3. From thevalues in Fig. 2 it can be stated that the average RAE (%)for the different BR networks employing the linear trans-ference function at the output layer were, in all cases, be-low 1%, a remarkable result. This goal, was never achievedby any of the LM configurations. The reduced number ofneurons used in the hidden layer of the BR type networksis an advantage which should simplify its implementationin a portable electronic system for an in-situ, out of labo-ratory, use. This advantage becomes clearer, when com-pared with the LM-S-75 configuration (the LM networkwith the best performance), which employs a greater num-ber of neurons.

Additionally, the results obtained during the test stageshow that the LM networks tend to present overfitting whencompared with the BR type. The generalization ability ofthe BR networks is better than the LM, as seen in the ex-ternal test stage. Nevertheless, the latter present goodlearning potential, as demonstrated with their lower train-ing errors, SSE.

A further consideration is the effect of the transferencefunction in the output layer. With both types of networkthe modelling was better when the function was of thesatlins type, the linear one. A reflection can be placed here,recalling the fact that the models built employing ANNshave a high empirical foundation. These are the intuitiveinterpretations that the hidden layer is performing a clas-sification of the data (not linearly separable), and the out-put layer is performing their fine quantification.

253

Table 3 Ranges of relative absolute error, RAE (%), values, ex-pressed as percentage, obtained in the test stage of the differentevaluated ANNs, corresponding to five consecutive trainings em-ploying random initial weights

ANN RAE range (%)

NH4+ ion K+ ion

BR-T-10 2.5673–3.2198 3.8273–4.001BR-T-20 1.9983–2.6823 2.12–2.3474BR-T-30 1.2645–1.6382 0.9975–1.327BR-S-10 0.7272–0.9875 0.7024–1.4653BR-S-20 0.6355–1.3473 0.4946–0.8709BR-S-30 0.6851–1.1048 0.4209–0.8556LM-T-25 4.1802–4.576 1.6772–2.3724LM-T-50 3.7589–65.4812 1.9683–4.3193LM-T-75 4.1581–101.216 1.5132–4.8752LM-S-25 4.5154–7.4776 2.5252–3.1082LM-S-50 0.806–4.2318 2.3865–5.7255LM-S-75 2.1038–4.1246 1.9365–2.7513

Fig. 2 Relative absolute error,RAE, values, expressed as per-centages, obtained for the ex-ternal test set not participatingin the training process for thedifferent ANN configurationsevaluated. Minimum, average,and maximum RAE values areindicated. The observed rangescorrespond to five randomlyinitialised training processes

Validation of the model

According to the results obtained, the network that bestmodelled our potentiometric sensor array, or electronictongue, was the BR-S-20 type. This is, a neural networkwith 20 neurons in its hidden layer, using a linear satlinstransference function in the output layer, and employingBayesian regularization as the learning strategy. Figure 3summarises the global behaviour in modelling the system,both in training and external test stages for the two ionsconsidered: NH4

+ and K+. Satisfactory prediction ability isfound for ammonium alone, potassium alone and the mix-

ture. Figures 4 and 5 present the correlations between ob-tained (y) and expected (x) values for each point used inthe external test set, individualised for ammonium andpotassium ions. The accuracy in the response demon-strated by the sensor array for the external test set is sim-ilar for the NH4

+ ion y=1.000x +0.0272 (mmol L–1) andthe K+ ion y=0.993x–0.0325 (mmol L–1). For the trainingset the corresponding values are comparable, althoughthis is already expected and less objective, consideringthese make up the information used in the learning pro-cess. In the case of training, the comparison line for theNH4

+ ion is y=1.000x–0.00209 (mmol L–1); for the K+ ionit is y=1.000x–0.00324 (mmol L–1).

As a kind of further validation, the performance of the se-lected network, the BR-S-20 configuration, was comparedwith two GR networks. From these, one was for NH4

+ ionand the other for K+ ion, and both were trained with the fulldata set. Each of these networks, of probabilistic nature,used 174 neurons in its hidden layer, and it is known to at-tain a very good modelling ability. The average RAE (%)values obtained with these networks were 0.593% and0.552% for NH4

+ and K+ ions, respectively. The correspond-ing values for the selected network, BR-S-20, were 0.6916%and 0.5366% for the test set – of comparable magnitude.

In order to show a typical application in the laboratory,seven synthetic samples were prepared by appropriate di-lution of standards in an imidazole background, and pro-cessed as proposed above. Employing the network modelBR-S-20 and the learning process performed before, quiteclose results to the expected values were obtained in allcases for both ions considered. These results are sum-marised in Table 4.

Finally, to illustrate the effort involved in the describedapproach, the different time intervals needed for eachstage can be established from the studied case. These are:

– obtaining the initial departure information, which is es-timated as around 2 days (this figure can be extrapo-lated to any case involving two ions);

254

Fig. 3 Simultaneous visualization of the goodness of fit finallyachieved with the best configuration of ANN tested (BR–S–20) forthe two ions considered. The represented pairs are the completedata set (targets): open circles, true concentration values; crosses,values obtained for the training set; filled circles, values obtainedfor the test set

Fig. 4 Correlation between expected and obtained concentrationvalues for the ammonium ion. The dotted line represents the theo-retical comparison line y=x. The ANN used was the BR–S–20; R isthe correlation coefficient

Fig. 5 Correlation between expected and obtained concentrationvalues for the potassium ion. The dotted line represents the theo-retical comparison line y=x. The ANN used was the BR–S–20; R isthe correlation coefficient

– optimisation of the ANN, which normally takes around3 days of computer analysis, but can be reduced withdirections similar to those explained in this work, andfinally

– once the network is trained, the final readout for a newset of samples, that can be immediate.

In the conditions employed here, and using modern Pen-tium-processor computers (processing frequency larger than1 GHz), a single training process is completed in less than30 s.

Conclusions

An electronic tongue for simultaneous determination ofammonium and potassium has been developed and opti-mised. This is achieved by a direct measurement processemploying an ISE array and advanced processing tools,artificial neural networks. The best variant among theseinvolved training employing a Bayesian regularization al-gorithm. A double criterion for the optimisation was taken.First, networks with a good training ability are needed, i.e.with a correct description of the underlying model and withreduced final errors. And, secondly, a good generalizationpotential is also sought, to yield comparable performancefor training and test data. With the final configuration, theperformance in the prediction of the concentration valuesof both ions is outstanding, with average relative errors(RAE %) around 1% for the different training and valida-tion subsets considered. Extra validation using a few sep-arate synthetic samples also shows comparable results,with almost all errors below 1% of the considered con-centration range. The learning strategy used, Bayesianregularization demonstrates clearly better performance thanthe more established Levenberg–Marquardt algorithm.Besides, the final optimal topology is of reduced com-plexity (only one hidden layer formed by 20 neurons), fa-cilitating future hardware implementation for a portableanalyser for in-situ use or for a base station with radio orSMS mobile phone link. The possibility of creating ahigher-order system capable of assaying a greater numberof ions is clearly apparent – just by increasing the numberand variety of sensors used in the array. The chief diffi-culty can be foreseen as the exponential growth of amountof information needed for a proper modelling of the sys-

tem, where a training set can reach several hundreds ofstandard solutions. Besides, for correct application of theproposed methodology with real samples a referencebuffer is recommended for conditioning and pre-treatment,together with the use of relative measurements in compar-ison with the same reference solution. As a whole, thepresented results summarize an interesting advanced strat-egy for the simultaneous quantification of different spe-cies in solution able of an easy automation, in what is al-ready called the electronic tongue.

Acknowledgements Financial support for this work is providedby MCyT (Madrid, Spain) through projects PPQ2001-1950 andBIO2000-0681, and by the Department d’Universitats, Recerca, iSocietat de la Informació, DURSI (Generalitat de Catalunya). Mo-bility of researchers was possible through an AIRE2000 grant, alsofrom DURSI.

References

1. Gardner JW, Bartlett PN (1999) Electronic noses. Principlesand applications. Oxford University Press, Oxford

2. Vlasov Y, Legin A (1998) Fresenius J Anal Chem 361:255–260

3. Toko K (2000) Biomimetic sensor technology. Cambridge Uni-versity Press, Cambridge, pp 29–39

4. Lavine BK, Workman J (2002) Anal Chem 74:2763–27705. Otto M, Thomas JDR (1985) Anal Chem 57:2647–26516. Beebe K, Uerz D, Sandifer J, Kowalski B (1988) Anal Chem

60:66–717. Beebe K, Kowalski B (1988) Anal Chem 60:2273–22788. Forster RJ, Regan F, Diamond D (1991) Anal Chem 63:

876–8829. Bos M, Bos A, Van der Linden WE (1990) Anal Chim Acta

233:31–3910. Bos M, Bos A, Van der Linden WE (1993) Analyst 118:323–

32811. Despagne F, Massart DL (1998) Analyst 123:157R–178R12. Chan WH, Lee A, Kwong D, Liang Y, Wang K (1997) Analyst

122:657–66113. Evans P, Persaud K, McNeish A, Sneath R, Hobson N, Magan

N (2000) Sens Actuators B 69:348–35814. Legin A, Rudnitskaya A, Vlasov Y, Di Natale C, Mazzone E,

D’Amico A (2000) Sens Actuators B 65:232–23515. Baret M, Massart DL, Fabry P, Conesa F, Eichner C, Menardo

C (2000) Talanta 51:863–87716. Alegret S (2003) (ed) Integrated analytical systems. Elsevier,

Amsterdam17. Toko K (2000) Sens Actuators B 64:205–20618. Krantz-Rülcker C, Stenberg M, Winquist F, Lundström I (2001)

Anal Chim Acta 425:217–226

255

Table 4 Results obtained inthe determination of ammo-nium and potassium ions insynthetic samples employingthe proposed electronic tonguewith the final network BR-S-20.Mean and dispersion valuescalculated from seven inde-pendent training processes, of 500 epochs each. MeanSSE of the seven trainingstages=0.00353

Sample [NH4+] (mmol L–1) [K+] (mmol L–1)

Expected Obtained, Standard Expected Obtained, Standard mean deviation mean deviation

A 0.0 0.0 0.0 1.08 0.98 0.25B 0.01 0.0 0.0 7.38 7.33 0.22C 3.74 3.65 0.08 0.0 0.0 0.00D 35.5 35.5 0.15 3.75 3.73 0.09E 0.04 0.0 0.0 0.0 0.0 0.0F 40.0 39.8 0.14 0.0 0.0 0.0G 13.7 13.4 0.10 1.56 1.53 0.11

256

19. Di Natale C, Paolesse R, Macagnano A, Mantini A, D’AmicoA, Legin A, Lvova A, Rudnitskaya A, Vlasov Y (2000) SensActuators B 64:15–21

20. Legin A, Rudnitskaya A, Vlasov Y, Di Natale C, Davide F,D’Amico A (1997) Sens Actuators B 44:291–296

21. Lvova L, Kim SS, Legin A, Vlasov Y, Yang JS, Cha GS, NamH (2002) Anal Chim Acta 468:303–314

22. Alegret A, Martínez-Fábregas E, (1989) Biosensors 4:287–29723. Alegret S, Florido A (1991) Analyst 116:473–47624. Davies OG, Moody GJ, Thomas JDR (1998) Analyst 113:497–

50025. Sheen H, Cardwell TJ, Cattrall RW (1998) Analyst 123:

2181–218426. Tohda K, Suzuki K, Aruga H, Matsuzoe M, Inove H, Shirai T

(1988) Anal Chem 60:1714–172127. Fujiwara M (1991) Clin Chem 37/8:1375–1378

28. Tohda K, Suzuki K, Kusoga N, Watanabe K, Nagashima H,Inove H, Shirai T (1990) Anal Chem 62:936–942

29. Umezawa Y (1990) (ed) Handbook of ion-selective electrodesselectivity coefficients. CRC Press, Boca Raton, FL

30. Umezawa Y, Umezawa K, Sato H (1995) Pure Appl Chem67:507–518

31. Freeman JA, Skapura DM (1991) Neural networks, algorithms,applications, and programming techniques. Addison-Wesley,Reading, MA

32. Demuth H, Beale M (1992) Neural network toolbox, for usewith MATLAB. Mathworks Inc., Natick, MA

33. Foresee FD, Hagan MT (1997) Proc 1997 Int Joint Conf onNeural Networks. Houston, TX, pp 1930–1935

34. MacKay JC (1995) Network-Comp Neural Syst 6:469–50535. Specht DF (1991) IEEE Trans Neural Networks 2:568–576

133

3.3. ARTICLE 3

Full Paper

Use of an Electronic Tongue Based on All-Solid-StatePotentiometric Sensors for the Quantitation of Alkaline Ions

J. Gallardo,a S. Alegret,a R. Munoz,b L. Leija,b P. Ro. Hernandez,b M. del Vallea*a Sensors and Biosensors Group, Department of Chemistry, Autonomous University of Barcelona, Edifici Cn,

08193 Bellaterra, Spain*e-mail: [email protected]

b Bioelectronics Section, Department of Electrical Engineering, CINVESTAV, Mexico DF, Mexico

Received: December 23, 2003Final version: May 26, 2004

AbstractAn array of eight nonspecific potentiometric sensors was used in combination with multivariate calibration for thesimultaneous determination of NHþ

4 , Kþ and Naþ ions. The sensors were of the all-solid-state type and employed aPVC polymer membrane. Signals were processed by using a multilayer artificial neural network (ANN). The ANNconfiguration used was optimized by using 8 neurons in the input layer, 5 in the hidden layer and 3 in the output layer.Use of the Bayesian Regularization algorithm allowed a quick building of an accurate model, as confirmed by randommulti-starting of network weights. The system was used to analyze synthetic and river water, waste water and fertilizersamples. Correct results were obtained for the three ions in synthetic and real water samples; in fertilizers, ammoniumion can be determined, while sodium and potassium show biased results.

Keywords: Sensor array, Ion selective electrode, Artificial neural networks, Ammonium, Potassium, Sodium

1. Introduction

Until fairly recently, the determination of chemical speciesin solution was approached by using sensitive systemscapable of detecting analytes at very low concentrations.This ran in parallel with a gradual increase in analyticalselectivity that allowed specific analytes to be analyzedwithin a matrix, however complex the matrix might be.

In recent years, alternative approaches to the quantifica-tion of analytes without the need for selectivity nor toremove potentially interfering species have emerged. Suchapproaches depart from that which seeks the developmentof ideal specific chemical sensors. One approach uses sensorarrays exhibiting a non-selective response to a broadspectrum of species. The cross signal they provide containsa wealth of information from which the analytical datarequired to quantify the target analytes can be extractedwithout the need to separate interfering species or toeliminate any matrix effects. This allows several steps of theanalytical process to be integrated in a single measurementoperation.

A number of approaches based on chemical sensor arrays(e.g., devices based on mass sensors, optodes, chemoresis-tors, voltammetric sensors, potentiometric sensors) havebeen reported. Arrays used for gaseous species are known as“electronic noses” [1]; those applied to liquid species arecalled “electronic tongues” [2]. Both designations have beeninspired by the way the animal sensory system works: thesystem possesses a few recognition elements that providecross responses to various species but are capable ofdiscriminating among many substances.

The use of these systems with ion selective electrodes(ISEs) requires a specific multivariate calibration; this isdone by measuring standard solutions with a sensor arrayand subsequently extracting the information sought byprocessing the data thus obtained with appropriate chemo-metric tools. A first approach for this purpose was devel-oped by Otto and Thomas [3] using an 8-sensor array andfitting the potentiometric response of the Nicolsky – Eisen-man model by multiple linear regression (MLR). Beebe andKowalski used a 5-sensor array in combination with non-linear regression (SIMPLEX) [4] or projection pursuitregression [5], which were considered more suitable owingto the nonlinearity of the underlying model. An additionalapplication was reported by Forster et al. [6], who used a 4-electrode array and SIMPLEX optimization of their non-linear regression. Artificial Neural Networks (ANNs) areespecially effective with a view to modeling nonlinearsystems such as the responses of potentiometric sensors;their suitability for this purpose was demonstrated by Bosand Van der Linden already in the early uses of this artificialintelligence tool in combination with ISEs [7].

ANNs provide models from a data set that must becarefully built in order to account for the whole variability inthe system concerned [8]. Their use entails optimizing theinternal parameters that govern their functioning (e.g., theirtopology and learning algorithm). The topology of ANNs isoptimized by determining the number of layers and thenumber of neurons to be included in each layer. Usually, anANN comprises an input layer that gathers the informationprovided by the sensor array, an output layer that containsthe chemical information sought and a single hidden layer

348

Electroanalysis 2005, 17, No. 4 2005 WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim DOI: 10.1002/elan.200303097

that facilitates learning. The number of neurons to beincluded in the input and output layers (viz. the informationexchange layers) is dictated by the characteristics of thesystem concerned; that for the hidden layer is determined bytrial and error. One must also identify the transfer functionsto be used in the different layers and suit the learningapproach used to the model considered in order to minimizedifferences between calculated and expected values.

The use of nonselective potentiometric sensor arrays incombination with ANNs has emerged as an attractivealternative. ANNs have the ability for modeling such nonlinear systems without a deep knowledge of their behavior.There are various approaches to this problem. In one, Tokoused an electronic tongue to classify and assess the quality ofvarious drinks including wine and water [9]. Also, Vlasovused a similar approach to classify food and clinical samples[10], and Krantz-Rlcker one to monitor a mineral waterbottling plant [11]. There are few references in this respect,however, to the use of an electronic tongue for quantifica-tion purposes; such references include the determination ofvarious species in water and wine [12], or beer and softdrinks [13], and the simultaneous determination of twounivalent cations in water without removing interferents[14].

In this work, we evaluated the use of laboratory-madearrays of potentiometric sensors based on ionophoric anti-biotic-like carriers in a polymeric PVC membrane casted ona solid inner contact. With these, an electronic tongue wasconstructed employing ANNs as processing tool, and usedto determine several alkaline ions in complex sampleswithout the need to remove interferents. The proposedapproach was applied to the simultaneous determination ofammonium, potassium and sodium ions in synthetic andnatural (river and waste water) water samples, in addition tovarious types of fertilizers.

2. Experimental

2.1. Chemicals

The ion-selective poly(vinyl chloride) (PVC) membraneswere prepared from high-molecular weight PVC (Fluka),using bis(1-butylpentyl) adipate (BPA), dioctyl sebacate(DOS) and dibutyl sebacate (DBS) (all from Fluka) asplasticizers. The ionophores employed to formulate thepotentiometric membranes belonged to the same family ofnatural ionophoric antibiotics including nonactin (ammo-nium ionophore I, Fluka), valinomycin (potassium iono-phore III, Fluka), monensin sodium salt (Acros) andlasalocide (Fluka). A classical crown ether, dibenzo (18-crown-6), was also used as neutral carrier.

The materials used to prepare the solid electrical contactwere the epoxy resin components Araldite M and HardenerHR (both from Ciba Geigy), and graphite powder (100 mm,BDH) as conducting filler.

Imidazole (Fluka), and the salts NH4Cl, KCl and NaCl(reagent-grade, Merck), were used as background electro-

lyte and calibration species, respectively. All solutions weremade in deionized, highly purified water (16 – 18 MW · cmresistivity, Milli Q, Millipore).

2.2. Sensor Array

The sensors used were all-solid-state ion selective electrodes(ISEs) with a solid electrical contact made from a con-ductive composite. They were constructed by following astandard procedure developed in our laboratory [15].Polymeric PVC membranes were formed by solvent castingof a mixture further diluted with tetrahydrofuran (1 mL per20 mg PVC) on a 1 : 1 epoxy-graphite composite solidcontact. Once formed, membranes were conditioned in a0.1 M solution of their primary ion for 24 h. The electro-active components used in the formulation of the differentmembranes were the ionophoric antibiotics or the lipophiliccrown-ether [16 – 21]. The array comprised eight sensors:two each for NHþ

4 , Kþ and Naþ plus two different of generictype. The ammonium sensor employed 66% bis(1-butyl-pentyl) adipate (BPA) as plasticizer and 1% nonactin asionophore; the potassium 66% dioctyl sebacate (DOS) asplasticizer and 3% valinomycin as ionophore; and thesodium 70% dibutyl sebacate (DBS) as plasticizer and 3%monensin as ionophore. The two generic sensors used 4%dibenzo (18-crown-6) as ionophore and 67% DOS asplasticizer in one case, and the ionophoric antibioticlasalocid (3%) and 70% DBS as plasticizer in the other.All formulations were completed with PVC.

2.3. Apparatus

Potentiometric measurements were performed with alaboratory-made data acquisition system consisting of 8input channels made with Texas Instruments TL071 opera-tional amplifiers in follower configuration for adapting theimpedance for each sensor. Measurements were unipolarand made with the reference electrode grounded. Eachchannel was noise-shielded with its signal guard. The outputof each amplifier was filtered with a passive low-pass filtercentered at a 2 Hz cutoff frequency and connected to anAdvantech PC-Lab 813 A/D conversion card installed in a66 MHz PC. Readings were acquired by using customsoftware developed by the authors in Microsoft QuickBA-SIC v. 4.5.

2.4. Calibration and Measurement Procedure

Measurements were made by using solutions containing0.010 M imidazole buffer at pH 6.60 as background me-dium; this was intended to improve the characteristics of theresponse to low levels of ammonium ion. An Orion 90-02-00double-junction Ag/AgCl electrode having its outer cham-ber filled with the previous buffer was used as referenceelectrode.

349Electronic Tongue for the Quantitation of Alkaline Ions

Electroanalysis 2005, 17, No. 4 2005 WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim

The primary information required to model the systemwas obtained from mixtures that were sequentially preparedfrom cumulative additions of standard solutions of increas-ing concentrations of one, two or the three considered ions.To this end, microvolumes of the standards were added tothe calibration vessel with the aid of variable-volumemicropipettes. At each experimental point, a definiteammonium, potassium and sodium ion concentration wasacquired and applied to the neural network. The standardsolutions used contained NH4Cl, KCl and NaCl, whetherindividually or in binary or ternary combinations, at totalconcentrations of 104, 103, 102, 101 or 1 M. The mostconcentrated solution was prepared by direct weighing ofthe salt and all others by sequential dilution. An overall 286data points was thus obtained that spanned concentrationsof the ions from 0.001 to 50 mM. All potential readings weremade relative to the calibration background in order tocompensate for drifts. Activity was not explicitly consid-ered, as, if necessary, is accounted in the numerical model.

2.5. Software

The ANNs tested were trained and evaluated using theMATLAB v. 6.0 software suite (Math Works, Inc.). Theresponse of the sensor array was modeled with threedifferent types of ANN that were programmed with theaid of the MATLAB Neural Network Toolbox, namely:

2.5.1. Feedforward Backpropagation ANN with GradientDescent (GD) Training Algorithm

This iterative procedure adjusts weight values in such a waythat residuals are rapidly minimized following the directionof the gradient. To this end, the original data set must be splitinto three subsets. Thus, a training subset is used to modelthe response of the sensors, another validation subset tovalidate the model internally (by stopping training whenerror arises in order to prevent overfitting) and a test subsetto check out externally and to compare the degree of fitness.

2.5.2. Feedforward Backpropagation ANN with Leven-berg – Marquardt (LM) Training Algorithm

This type of ANN is widely used for quantitation inanalytical chemistry. It is a second-order approximationderived from the gradient descent algorithm [22], which itclearly improves [23].

2.5.3. Feedforward Backpropagation ANN with BayesianRegularization (BR) Training Algorithm

This probabilistic variant uses statistical methods to detectneurons causing overfitting, which are subsequently pruned[24]. In this approach, the training procedure can beassimilated as the search and inference to determine thecomponent values of the network with a higher probabilityof forming the best model [25]. In this particular case, the

training algorithm only uses two data sets, namely: thetraining subset, which is employed to model the system, anda test subset, which is used for external validation andcomparison.

3. Results and Discussion

3.1. Starting Information

The calibration information was produced on different daysowing to the large number of points needed. All measure-ments were made relative by subtraction of the day readingcorresponding to the calibration background. This wasintended to offset any occasional drift or bias. The initialdata was split into three subsets for training of the GD andLM algorithms; 50% was used to construct the training setand 25% each the validation and test sets. On the otherhand, the starting data was split into two subsets for the BRalgorithm: 75% and 25%, for training and testing proce-dures respectively. All points for inclusion in the differentsets were chosen at random.

Because of the methodology used to obtain them, thestarting data described some preferential directions only,the directions being dictated by the sequence of additionsmade. Special care was exercised to span all areas in thethree-dimensional space defined by the concentrations ofthe three target ions. The ANN was assumed to providegood generalization for such areas. On the other hand, theANN should be trained with as broad a concentration rangeas possible since, as can be seen from Figure 1, ISE responsesare clearly nonlinear. The Figure illustrates the datageneration process and clearly shows that measurementswith a sodium ISE changed during the additions corre-sponding to the other two ions. Thus, the third series, whichinvolved the addition of ammonium and potassium ions,exhibited an increased potential and a decreased Naþ

activity – by effect of dilution.Figure 2 illustrates in further detail the nature of the input

information used. It depicts the behavior of the sensor arrayin the presence of individual standards of a single ion at a0.01 M concentration. For easier interpretation, measure-ments from replicate electrodes are given as averages. Ascan be seen, ammonium ion was detected mostly by theammonium ISEs, additions of potassium ion were detectedby the potassium ISEs and additions of sodium ion weredetected similarly by all electrodes except the potassiumISE, which corrected for its presence. The cross-termcharacteristics of each response to be modeled are clearlydisplayed in each case.

3.2. Topology of the ANN

A major problem in selecting the topology of an ANN ispresent because of the difficulty to predict an optimumconfiguration in advance. In order to obtain the ANNstructure for the best modeling of the sensor array, a trial-

350 J. Gallardo et al.


and-error process is needed. This process includes acombination of training strategies, their associated param-eters, the dimension of the hidden layer and the transferfunctions to be used in the hidden and output layers. Thesecharacteristics will define the specific combination leadingto the best modeling ability.

We initially used the following parameter values formodeling: 8 neurons (one per sensor) for the input layer and3 neurons (one per analyte) for the output layer. Also, basedon the nonlinear behaviour of the sensors, the nonlinearlogistic transfer function, represented by the logsig function[23], was chosen for the hidden layer, as was a linear function

Fig. 1. Behavior of the Naþ electrode used in the sensor array towards cumulative additions of standards containing two or all three thetarget ions.

Fig. 2. Radar plot illustrating the behavior of the different units comprising the sensor array as a function of the readings for solutionscontaining the individual ions (at a 0.01 M concentration).



for the output layer. The learning strategy used, for itsinternal parameters, a learning rate of 0.1 and a momentumof 0.1 selected from preliminary tests.

The modeling capacity of the ANN was examined in termsof the root mean squared error (RMSE):

RMSE ¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiPi; jðxi; j xi; j Þ2

3n 1

vuut

where n is the number of samples (3n, as many as 3 ions weredetermined) and xi, j and xi, j are the expected concentrationvalue and that provided by the ANN, respectively, for eachion, with i denoting samples and j ions.

The different training algorithms (GD, LM and BR) weretested with a variable number of neurons in the hidden layer.The best training results were obtained with the BRalgorithm and 5 neurons in the hidden layer, which providedRMSE¼ 0.0027 for the test set.

The strategy used for the learning process was BayesianRegularization, which provided better RMSE values, great-er consistency between the predicted and obtained valuesfor the training and validation sets, and a higher significancefor the external test set. Figure 3 illustrates the globalbehavior of the modeling system for the external test subsets(viz. those not used for training) and the three target ions(NHþ

4 , Kþ and Naþ). Predictions were good for theindividual ions and for their mixture. The Figure also showsthe correlation between the obtained (y) and expected (x)values for the three individual ions at each point in theexternal test set. The graphs used a logarithmic trans-formation due to the underlying Nernstian response, and inorder to better display the dispersion of values at the lowconcentration range. The accuracy of the obtained responseapproaches ideality, with unity slopes and zero intercepts, inthe external test set (all confidence intervals were calculatedat the 95% confidence level). Equivalent results wereobtained when linear regression was applied instead, withslopes of 1.07 0.07, 0.98 0.03 and 1.01 0.05 for NHþ

4 , Kþ

and Naþ ions, respectively.In order to check whether the results corresponded to a

local area or a global minimum of the system, the ANN wastrained five times, the weight values for the neurons beingreset at random each time in order to estimate the precisionof the model. The network was first trained under the above-described conditions and then evaluated or tested with datanot used in the training process. The calculated RMSEvalues for these replicates ranged from 0.0027 to 0.0049 forthe external test subset. Figure 4 shows the RMSE distribu-tions for Kþ ion; no global differences among the fivesituations were detected, the dispersion profile was similarfor all the learning processes. The low dispersion of theresiduals testifies to the reproducibility of the numericmodel, which possessing a stochastic nature is not univocallydefined.

3.3. Applications

3.3.1. Synthetic Samples

As a typical laboratory application, 12 synthetic sampleswere prepared by appropriate dilution of standards con-

Fig. 3. Modelling performance achieved for final ANN with thethree target ions in the samples of the external test set; A)ammonium, B) potassium, C) sodium. The dashed line corre-sponds to ideality and the solid line is the regression of thecomparison data.



taining mixtures of NHþ4 , Kþ and Naþ in a 0.01 M imidazole

background medium at pH 6.60 and processed as describedabove. Measurements obtained using the proposed arraywere input to the best ANN configuration previously foundin order to calculate the concentrations of the three ions. Theresults provided by the above-described trained networkmodel were always quite close to the expected values. As canbe seen in Figure 5, a plot of the obtained versus expectedconcentrations for each ion, slopes were all close to unityand intercepts close to zero, with near-unity correlationcoefficients.

These data were subjected to a Students t-test for pairedsamples that revealed no significant differences betweenexpected and obtained values. Thus, the experimental tvalues (0.18 for NHþ

4 , 1.56 for Kþ and 1.02 for Naþ) were allsmaller than the tabulated statistical value (ttab,95%¼ 1.80).

3.3.2. Water and Wastewater Samples

Once its applicability was demonstrated, the proposedmethod was applied to real samples and the resultscompared with those of reference methods of widespreaduse currently available in our laboratory. Thus, ammoniumwas determined by flow injection analysis with gas diffusionand tubular ammonium ISE detection [26], and sodium andpotassium were quantified by atomic emission spectroscopy.

Six water samples collected from rivers and wastewatertreatment plants were filtered and a 20 mL volume of eachadded to 5 mL of 0.05 M imidazole buffer at pH 6.60. Thesereal samples were processed identically as the synthetic

samples, but the obtained concentrations were recalculatedwith provision for the dilution made.

The results for the three ions are shown in Figure 6.Dispersion between expected and obtained values washigher than with the synthetic samples. However, least-squares regression revealed the absence of statisticallysignificant differences between the expected and obtainedvalues, and correlation coefficients were acceptable. AStudents t test for paired samples provided an experimentalt value of 2.67 for NHþ

4 , 0.73 for Kþ and 0.99 for Naþ;therefore, the value for ammonium ion exceeded thetabulated value (ttab,95%¼ 1.80). No significant differenceswere found at the 99% confidence level, however (ttab,95%¼3.36). This suggested the need to examine a greater numberof samples in order to provide for potential matrix effects(particularly with the wastewater samples). The ANNshould therefore be retrained to obtain more accurateresults.

3.3.3.Fertilizer Samples

In this third application, 6 samples of commercial liquidfertilizer were diluted and filtered for analysis. In addition,2 commercial solid samples were leached in water for 1 hand then also diluted and filtered. A volume of 20 mL fromeach diluted solution was added to 5 mL of 0.05 M imidazolebuffer at pH 6.60, the eight aliquots being processed asdescribed above.

The results for ammonium ion are shown in Figure 7.Dispersion was similar to that previously observed for river

Fig. 4. Plots of residuals for the external set for potassium ion. Values obtained in five training processes (A – E) involving randominitialization of the weights used to train the ANN.



water and wastewater. Least-squares regression revealedthe absence of considerable differences between the ex-pected and obtained values for ammonium ion, as well as asignificant correlation coefficient. The results for potassiumand sodium ions exhibited differences between the expectedand obtained values, viz. y¼12 (18) xþ 0.004(0.003)

(r¼ 0.54) for Kþ, and y¼ 0 (2) x 0.03(0.02) (r¼ 0.13).A Students t test for paired samples provided a t value of0.46 for NHþ

4 , 3.27 for Kþ and 4.01 for Naþ. Therefore, the tvalues for potassium and sodium ions exceeded the tabu-lated value (ttab,95%¼ 1.89) and confirmed the significantdifferences between their expected and obtained values. On

Fig. 5. Comparison of the expected and obtained results for A)ammonium, B) potassium and C) sodium ion in synthetic samples.The dashed line corresponds to ideality and the solid line is theregression of the comparison data.

Fig. 6. Comparison of the expected and obtained results for A)ammonium, B) potassium and C) sodium ion in water andwastewater samples. The dashed line corresponds to ideality andthe solid line is the regression of the comparison data.



the other hand, the t value for ammonium ion was smallerthan the tabulated value, so this species can be accuratelydetermined with the ANN, with provision for interferentions and any matrix effects from the sample – which is notthe case with potassium and sodium ions.

4. Conclusions

An electronic tongue for the simultaneous determination ofammonium, potassium and sodium ions in various types ofsamples was developed and optimized. The tongue con-sisted of an array of specially constructed polymer (PVC)membrane potentiometric sensors and was modeled with anadvanced processing tool (viz. an artificial neural network).The sensor array used consisted of various ISEs with a crossresponse to alkaline ions in order to enable their simulta-neous determination. A neural network with the optimumtopology for this purpose was trained to predict theammonium, potassium and sodium concentrations withoutthe need to remove interferents from synthetic samples and,with some difficulty, also in real water and fertilizer samples.In fertilizers, which possess an especially complex matrix,the ANN succeeded in accurately predicting the content inammonium ion, but not those in sodium and potassium ions;however, it corrected for their interferent effect on thedetermination of ammonium ion.

Including more sensors in the array in order to extend itspredictive ability to new ions – which would involve minimalinstrumental complications – may facilitate the use ofsamples with less pretreatment and correct some matrixeffects. This paper reports a novel approach to the simulta-neous quantification of ionic species in solution without theneed to remove interferences; its sole practical constraint isthe limited number of ions that can be determined at once –the larger such a number is the larger will be the amount ofinformation required to train the ANN.

5. Acknowledgements

This work was supported by Spains Ministry of Science andTechnology, MCyT (Madrid), within the framework ofProject PPQ2001-1950, and by the Department of Univer-sities, Research and the Information Society (DURSI) ofthe Generalitat de Catalunya. Mobility of researchers wasprovided through an AIRE (DURSI) grant.

6. References

[1] J. W. Gardner, P. N. Bartlett, Electronic Noses. Principles andApplications, Oxford University Press, Oxford 1999.

[2] Y. Vlasov, A. Legin, Fresenius J. Anal. Chem. 1998, 361, 255.[3] M. Otto, J. D. R. Thomas, Anal. Chem. 1985, 57, 2647.[4] K. Beebe, D. Uerz, J. Sandifer, B. Kowalski, Anal. Chem.

1988, 60, 66.[5] K. Beebe, B. Kowalski, Anal. Chem. 1988, 60, 2273.[6] A. J. Forster, F. Regan, D. Diamond, Anal. Chem. 1991, 63,

876.[7] M. Bos, A. Bos, W. E. Van der Linden, Analyst 1993, 118,

323.[8] M. Baret, D. L. Massart, P. Fabry, F. Conesa, C. Eichner, C.

Menardo, Talanta 2000, 51, 863.[9] K. Toko, Sens. Actuators B 2000, 64, 205.

[10] C. Di Natale, R. Paolesse, A. Macagnano, A. Mantini, A.DAmico, A. Legin, A. Lvova, A. Rudnitskaya, Y. Vlasov,Sens. Actuators B 2000, 64, 15.

[11] C. Krantz-Rlcker, M. Stenberg, F. Winquist, I. Lundstrçm,Anal. Chim. Acta 2001, 425, 217.

[12] A. Legin, A. Rudnitskaya, Y. Vlasov, C. Di Natale, F. Davide,A. DAmico, Sens. Actuators B 1997, 44, 291.

[13] L. Lvova, S. S. Kim, A. Legin, Y. Vlasov, J. S. Yang, G. S. Cha,H. Nam, Anal. Chim. Acta 2002, 468, 303.

[14] J. Gallardo, S. Alegret, R. Munoz, M. De Roman, L. Leija,P. R. Hernandez, M. del Valle, Anal. Bioanal. Chem. 2003,377, 248.

[15] J. Gallardo, S. Alegret, M. De Roman, R. Munoz, P. R.Hernandez, L. Leija, M. del Valle, Anal. Lett. 2003, 14, 2893.

[16] O. G. Davies, G. J. Moody, J. D. R. Thomas, Analyst 1998,113, 497.

[17] H. Sheen, T. J. Cardwell, R. W. Cattrall, Analyst 1998, 123,2181.

[18] K. Tohda, K. Suzuki, H. Aruga, M. Matsuzoe, H. Inove, T.Shirai, Anal. Chem. 1988, 60, 1714.

[19] M. Fujiwara, Clin. Chem. 1991, 37/8, 1375.[20] K. Tohda, K. Suzuki, N. Kusoga, K. Watanabe, H. Naga-

shima, H. Inove, T. Shirai, Anal. Chem. 1990, 62, 936.[21] Handbook of Ion-selective Electrodes Selectivity Coefficient

(Ed: Y. Umezawa), CRC Press, Boca Raton FL 1990.[22] J. A. Freeman, D. M. Skapura, Neural Networks, Algorithms,

Applications, and Programming Techniques, Addison-Wes-ley, Reading, MA 1991.

[23] H. Demuth, M. Beale, Neural network toolbox, for use withMATLAB, Mathworks Inc., Natick MA 1992.

[24] F. D. Foresee, M. T. Hagan, Proc. 1997 Int. Joint Conf. NeuralNetworks, Houston, TX, USA 1997, pp 1930 – 1935.

[25] J. C. MacKay, Probable Networks and Plausible Predictions:A Review of Practical Bayesian Methods for SupervisedNeural Networks, Technical Report, Cavendish Laboratory,Cambridge, UK 1995.

[26] S. Alegret, J. Alonso, J. Bartrol, E. Martnez-Fabregas,Analyst 1989, 114, 1443.

Fig. 7. Comparison of the expected and obtained results forammonium in commercial fertilizer samples. The dashed linecorresponds to ideality and the solid line is the regression of thecomparison data.



143

3.4. ARTICLE 4

Sensors and Actuators B 101 (2004) 72–80

A flow-injection electronic tongue based on potentiometric sensorsfor the determination of nitrate in the presence of chloride

Jordi Gallardo, Salvador Alegret, Manuel del Valle∗Sensors and Biosensors Group, Department of Chemistry, Autonomous University of Barcelona, Edifici Cn, 08193 Bellaterra, Catalonia, Spain

Received 10 September 2003; received in revised form 27 January 2004; accepted 16 February 2004

Available online 28 March 2004

Abstract

This communication shows a novel strategy in the field of potentiometric sensors, applied to the determination of nitrate in the presenceof chloride interferent. The determination is performed employing the flow-injection analysis technique with four potentiometric sensorsfeaturing cross-term response. The signal processing with a multivariate data treatment, in this case an artificial neural network basedon the Bayesian regularization, lets us quantify the concentration of nitrate ion between 0.1 and 100 mg l−1 NO3

− without the needto eliminate chloride interferent. Results obtained with this approach are compared with the direct determination of nitrate using itsion-selective electrode, showing how the new strategy attains a better correlation of obtained versus expected values, especially at the lowerconcentration levels. The comparison line between these pairs yields an intercept of 0.0 ± 0.3 mg l−1 NO3

− and a slope of 1.01± 0.02.© 2004 Elsevier B.V. All rights reserved.

Keywords: Electronic tongue; Neural networks; Ion-selective electrode array; Nitrate; Chloride

1. Introduction

Classical research lines in the chemical sensors field havepursued the achievement of ever more selective devices to-wards a particular chemical species, and at the same timesensitive to its lower concentrations. This process does notalways have a trivial solution, whereas sometimes it is noteasy to foresee which way to follow or to obtain favourableresults. There are some recent trends for the progress inselectivity when the sensors are applied to complex sam-ples. These neither encompass the removal of interferingsubstances from the sample matrix nor rely on the searchat any price of more selective sensors. The new idea is toattempt the selectivity issue with an array of chemical sen-sors, non-selective to specific species, but endowed with amixed response to a wide range of different substances. Inthis way, the generated cross-linked signal, a multicolouredphotograph of the sample, must be decoded properly withappropriate tools from the multivariate calibration domain,which at the end permits the extraction of the analytical in-formation awaited.

The use of arrays of chemical sensors in liquid samplestogether with its subsequent data processing has been al-

∗ Corresponding author. Tel.:+34-93-5811017; fax:+34-93-5812379.E-mail address: [email protected] (M. del Valle).

ready introduced as electronic tongue[1]. This biomimeti-cally inspired term is used in analogy to the rather matureapproach entailing gas sensors used with gas samples, whichis referred to as the electronic nose[2].

For a correct application of the multivariate techniques,it is necessary first to train the intelligent systems througha set of standards spanning all the needed variability thatthe system can contain. An interesting approach was thatfirst presented by Bos et al.[3,4], who employed artifi-cial neural networks (ANNs) as the multivariate calibra-tion algorithms to extract information from the cross-termresponses yielded by an array of ion-selective sensors.These early works already presented an optimal perfor-mance in the modelling of non-linear systems, as this casewith the cross-term responses of potentiometric sensors.The followed methodology requires to train an ANN with alarge number of standards, needed to establish a numericalprediction model. This model, once correctly configured,will be able to predict the concentrations of species presentin samples not participating in training. In order to ob-tain an ANN with the proper modelling ability, a numberof internal parameters that rule its training and operationmust be correctly configured; these are related to the ANNtopology and to the learning algorithm used for its training.Concerning the topology, the number of neurons in eachlayer of the net must be selected. The networks normally

0925-4005/$ – see front matter © 2004 Elsevier B.V. All rights reserved.doi:10.1016/j.snb.2004.02.027

J. Gallardo et al. / Sensors and Actuators B 101 (2004) 72–80 73

used are formed by three layers, an input layer, which takesthe information from the sensor array, an intermediate layer,and an output layer, which provides the pursued chemi-cal information. The intermediate part is responsible forlearning, and can consist of one hidden layer of neurons ormore, though it typically uses a single hidden layer whenthe application is related to chemical sensors. The numberof neurons at the layers that exchange information is de-termined by the characteristics of the system being studied,whilst the number of neurons at the hidden layer has to bedetermined by trial and error. A further aspect to select isthe transference functions used at each layer of the ANN.With regard to the learning algorithms, several possibilitiesexist to acquire the characteristics of the system, that is, tominimise the differences between the responses provided bythe ANN model and the expected values. For a correct learn-ing, the available data are subdivided up to three subsets,namely the training, (internal) validation and test (or exter-nal validation), used for the quality-check and comparisonof the obtained numerical models. Readers are redirected tocomplete reviews detailing the different factors to take intoaccount in the use of ANNs for analytical applications[5].

There are few contributions in the literature similar tothe approach presented here. Among these, there is thework of Toko, who employed its artificial taste for theclassification of beverages and the water quality[6], thecontributions from Vlasov and co-workers to determinesome parameters also in beverages[7], or the contributionsfrom Krantz-Rülcker et al. in the monitoring of a waterbottling plant [8]. Even few works focus with the abilityof the proposed approach in the quantification of differentanalytes. There is the simultaneous determination of metalsin wastewater[9], the determination of halides[10] or aprevious work related to the determination of ammoniumion without interference removal[11].

The potentiometric determination of nitrate ion using itsion-selective electrode (ISE) is a widely accepted standardmethodology in water analysis[12,13]. However, for its cor-rect determination, the separation of possible interfering ionsis needed since the nitrate ISE does not present ideal speci-ficity features. A first group of interferents comprises theanions cyanide, sulphide, hydrogencarbonate and carbonate,which can be easily controlled just bringing the pH of thesample to a value lower than 4. A further group includes theanions chloride, bromide and iodide, which are eliminatedwith the aid of an Ag2SO4 solution, through precipitation oftheir insoluble silver halide. Among these, the most prob-lematic interference is that of chloride, because it can bepresent in water samples of all kinds.

This work shows how the use of arrays of potentiomet-ric sensors without selective response to specific analytes,when combined with the modelling abilities of the ANNs, isan interesting approach for the simultaneous determinationof analytes together with its interferents. The case studied isthe determination of nitrate ion in samples containing chlo-ride, one of its typical interfering anions. Nitrate sensors

Fig. 1. Information flow in the presented approach, which combines asensor array in FIA with ANN processing of the measured signal.

available present a non-linear response in such a situation,caused by the effect of the interferent that is modelled withthe multivariate calibration furnished by the ANN. The pro-posed approach is implemented with an electronic tongueformed by four potentiometric sensors, three nitrate ISEs anda fourth chloride ISE. The generated responses are processedwith an adequately trained ANN, yielding a valid approachfor the quantification of nitrate in samples containing vari-able amounts of chloride ion. The availability of measuringsystems not requiring of any stage of interference removalwould facilitate largely the development of specially robustand compact systems suited for the environmental monitor-ing of this parameter. The related automation aspects canbe solved using the flow-injection analysis (FIA) technique.The use of the FI electronic tongue is based in the processingof the FIA signal (the peak height) as the input informationused by the ANN, as schematised inFig. 1 for the consid-ered case. This combination has been described slightly justonce in the literature, used for the determination of heavymetals in gas exhausts[14].

2. Experimental

All reagents used were of analytical grade. Solutions wereprepared using doubly distilled water. Standard solutionswere prepared from potassium nitrate and sodium chloride,both previously brought to constant weight.

The potentiometric flow system used was a two-channelmanifold, with the sample injected in a distilled waterline, being afterwards mixed with a conditioning solution(K2SO4 0.01 M with its pH adjusted to 2.5 with concentratedsulphuric acid, to eliminate any hydrogencarbonate interfer-ence for the nitrate and chloride sensors) in a 50 cm PTFEcoil and brought to the detectors, E1 to E4. The injectedvolume was 250l, and the flow rates were 2.5 ml min−1

for each channel. The system, which is outlined inFig. 2,employed a 4-channel peristaltic pump (Gilson Minipuls 3,France), a motorised injection valve (Hamilton HVLX6-6,Switzerland) and PTFE tubing (0.8 mm i.d., from Om-nifit, UK). Both elements were computer controlled usinga TTL-driven relay board. The 4-channel potentiomet-ric measurements were made with an in-house developed

74 J. Gallardo et al. / Sensors and Actuators B 101 (2004) 72–80

Fig. 2. Manifold of the flow-injection system employed for the determination of nitrate in the presence chloride.

system[15], comprising high impedance amplifiers (AD546,Analog Devices, Norwood, USA), isolation amplifiers foreach channel (PCLD-7701 modules, Advantech, Taiwan)connected through a multiplexing board (PCLD-770 Ad-vantech, Taiwan), and an A to D conversion card (PC-Lab812PG, Advantech, Taiwan). The complete system wascomputer controlled with in-house software developed us-ing QuickBASIC (Microsoft). Each processed measurementconsidered the peak height readings from the four sensorsand corresponded to the mean of triplicate injections.

As reference electrode, a double junction Ag/AgCl elec-trode (Thermo Orion P/N 900200, Cambridge, UK) with a0.1 M potassium sulphate solution in the salt bridge was useddownstream the potentiometric sensors. Similar systems tothis have been thoroughly used in our laboratory[16,17].

2.1. PVC membrane electrodes

The indicator electrodes used were all-solid-state tubularflow-through electrodes, each one with a different PVC ma-trix membrane selective to the considered ions, constructedaccording to established procedures from our laboratory[16]. The electrode resembles a coated wire type, but withthe selective membrane fixed on the inner wall of a cylindri-cal hole defined on a conductive graphite-epoxy resin. Thisdesign is especially well-suited to the use of these sensors ina series configuration, as the sample plug suffers very lowdistortion from one sensor to the next.

The formulation of the potentiometric membranes wastaken from standard compositions from the literature

Table 1Formulations of the four potentiometric membranes used in the study, three selective to nitrate and the fourth selective to chloride

Electrode Ionophore Plasticizer PVC, relative amount (%) Reference

E1 TOAN, 3% Dibutylphthalate, 67% 30 [18]E2 TDMAN, 4% 2NPOE, 64% 32 [19]E3 TDPNN, 2% 2NPOE, 66% 33 [20]E4 TOTC, 1.5% BBPA, 65.5% 33 [21]

For details see text. Percentages indicated are by weight.

[18–21]. Three different ion carriers for nitrate were usedin order to induce a differentiated selectivity. These weretetraoctylammonium nitrate (TOAN) and tridodecylmethy-lammonium nitrate (TDMAN) both from Fluka (Selec-tophore grade, Switzerland). A third ionophore for nitratewas tris(4,7-diphenyl-1,10-phenantroline) nickel(II) nitrate(TDPNN), which was synthesised from the ligand and thenickel nitrate salt, as it has been described in the literature[20]. The fourth sensor, intended to produce an independentmeasurement related only to chloride ion, employed theneutral carrier trioctyltin chloride (TOTC), and was alsoobtained from Fluka (Selectophore).

Plasticizers used in the preparation of the selec-tive membranes were bis(1-butylpentyl)adipate (BBPA),2-nitrophenyloctylether (2NPOE) and dibutylphthalate, allobtained from Fluka. The sensor cocktails were prepared assummarised inTable 1, employing tetrahydrofuran as thediluent (5 ml in correspondence to 100.0 mg of PVC). Thecocktails prepared in this way were deposited on the innerwalls of bare new devices, allowed to dry and conditioned in0.01 M solutions of a nitrate (chloride in the case of E4) salt.

2.2. Generation of the data

For the correct modelling of the mixed response to nitrateand chloride, a total amount of 36 mixed solutions weremanually prepared in volumetric flasks from stock solutionsof KNO3 and NaCl, with values selected randomly.Fig. 3shows the distribution of the prepared solutions, indicatingthose used for training and those in the external test set. The


Fig. 3. Experimental generation of sample points for the two considered ions. Points whose one of its coordinates are 0 are not shown in the plot.

amounts of each ion varied randomly from 0.1 to 100 mg l−1

in the case of nitrate, and from 1 to 1000 mg l−1 in the case ofchloride. These ranges of variation are in concordance withmean concentration values of the considered ions in surfacewaters of our region. Each of these solutions was measuredin triplicate employing the described multi-detector FIA sys-tem, where we took the nominal concentration values andthe means corresponding to the four peak heights for eachsolution to form the data matrices needed for the ANN pro-cessing[22].

2.3. Processing of the data

Two different models are compared in this work, one de-rived from the classical Nernstian model used in potentiom-etry and the proposed ANN-based numerical model. Thetwo models are obtained in different ways and with differ-ent strategies. The modified Nernstian model is obtained bydirect calibration of the sensors with the standards, and byfitting the expression:

Peak height= A + B log(CNO3 + D) (1)

This expression assumes activity as its concentration, giventhe ionic strength is fixed by the conditioning solution. Ad-ditionally to the classical Nernst expression, a further termD is added which can be practically considered as the limitof detection of the evaluated sensor. This value is obtainedfrom the non-linear regression of the data. The modifiedNernstian model is used to cope with measurements belowthe potentiometric detection limit.

MATLAB 6.0 environment (The Mathworks Inc., Natick,USA) was used for the ANN programming. The ANN-basednumerical model is obtained by the appropriate training with

meaningful data of a correctly configured neural network.For this purpose the available information is divided intodifferent subsets with the goal of (1) learning the charac-teristics subjacent in the data, (2) internal validation of thelearning accomplished by the ANN and (3) external test forcomparison purposes. The data in each subset must be fullyindependent for a correct development of the ANN model.These enumerated subsets are known, respectively, as thetraining, validation and external test sets. The training set isused to properly obtain the model by iteratively adjustingthe values of connections between neurons while the sumof squared residuals between calculated and expected valuesis minimised. The validation set is used to internally evalu-ate the fitness degree, and it is used to stop training if thesum of residuals for this set, which is not used for learn-ing, increases. This precaution is aimed to prevent overfit-ting, and so, to accomplish a good generalisation ability,that is, a good prediction ability for points not participat-ing in training [5]. There are different learning algorithmsthat can be used in the training stage. One of these offer-ing a better generalisation ability is the Bayesian regular-ization algorithm[23]. An additional attribute of this algo-rithm is that it does not use any validation subset. Finally,for comparing performances of differently configured ANNmodels, a test subset also not participating in training isused.

3. Results and discussion

The presented results compare two strategies for the mod-elling of the system. The first, used only for comparisonpurposes, consists in the use of the Nernst model to describe


Table 2Potentiometric responses in flow conditions of the four electrodes used in this study

Electrode A (mV) B (mV decade−1) r (number of standards) Limit of detection,D (mg l−1)

E1 44.65± 0.47 54.03± 0.56 0.9999 (n = 6) 0.23E2 41.79± 0.88 56.09± 0.93 0.9999 (n = 6) 0.28E3 35.20± 6.0 55.83± 7.1 0.9959 (n = 6) 0.78E4a −71.4 ± 8.2 58.9± 3.5 0.9989 (n = 7) 21.0

Peak height(mV) = A + B log[cNO3− (mg l−1)]. Uncertainties calculated at the 95% confidence level.

a Response corresponding to the chloride ion.

the response of the nitrate ISE. This approach is a linearmodel that does not compensate for the presence of chlo-ride interference. The second strategy, the proposal of thiswork, relies on the use of ANNs to model the cross-term re-sponses of an ISE array. This strategy is expected to exhibita better performance, due to the known ability of ANNs forthe modelling of non-linear systems.

The first strategy, the use of the Nernst model, sets outfrom the triplicate determination of the peak heights of ap-propriate standards (containing only primary ion) and thelinear regression with the data pertaining to the Nernstianregion of response. These procedure permits to estimatethe ISE intercept and sensitivity (termsA andB in Eq. (1),respectively). The sensitivity value should be close to thetheoretical value 59.16 mV decade−1, as predicted for amonovalent anion. The calibration parameters for each sen-sor used in this study, for the above specified concentrationranges, is presented inTable 2. The table also includes thevalues found for the limit of detection of the four sensors(termD in Eq. (1)), as defined by IUPAC criteria[24]. Here,the calculation is done numerically from the non-linearregression of all the obtained data, including the values inthe sub-Nernstian region. Despite the fact that the chlorideelectrode presented larger detection limits than those desir-able, values also presented by other authors[21], this sensorwas preferred to others with better detection behaviour.The reason for its choice relied on the improved selectivitypattern shown for the nitrate ion.

In order to obtain a numerical model of the system em-ploying ANNs, first, the different solutions containing vary-ing values of primary and interfering ion are prepared fromappropriate stock solutions. In this work, a total amount of36 solutions has been used for the description of the workingspace to be modelled. These solutions are designed carefullyin order to contain all the variability in our system. There-fore, by means of a smoothed modelled response, samplesnot participating in training can be correctly predicted. Thisset of solutions is subdivided in the different subsets neededfor the correct training of the network. Normally, three sub-sets are used, for training, (internal) validation and externaltest. In our application, the learning algorithm used to findthe connection weights between the neurons is the Bayesianregularization, which features the use of only two subsets,training and external test. This learning strategy applies sta-tistical methods to detect neurons responsible of overfitting,

thus being subsequently pruned. With this strategy, the train-ing procedure can be assimilated to the search and inferenceof the components of the network with a greater probabilityto form the best model. This algorithm was selected frompreliminary tests, in which two other learning algorithms,those of gradient descent (GD) and Levenberg–Marquardt(LM) [5], showed poorer results. GD algorithms showed aworse modelling ability, accounting for up to 10-fold resid-ual values. LM algorithms reached rapidly smaller residuals,but they normally showed overfitting, with bad generalisa-tion capability. In the modelling process, 24 points wereused for training and 12 for the evaluation of the model’sperformance, as already shown inFig. 2.

Next, the parameters determining the configuration andtopology of the best ANN were selected. The topology ofthe ANN is inferred in a straightforward manner: the num-ber of layers implied is only three, choosing therefore asingle hidden layer for the model. This is based on pre-vious experience[11], where it was checked that a singlelayer is sufficient for the modelling of non-linear sensor sys-tems with this dimension. With respect to each layer details,the number of neurons at the input layer equals the num-ber of sensors used, four, and the number of neurons at theoutput layer corresponds to the two concentrations sought.The number of neurons at the hidden layer is determinedby trial and error seeking the optimal modelling ability ofthe ANN.

The configuration details were also fixed a priori frompreliminary tests and from similar cases instead from run-ning a full study. These details comprise the specific param-eters for the learning algorithm, the learning rate (α) andmomentum (β), which took the values of 0.1 and 0.4, re-spectively; also, the transference functions used within eachneuron layer were preset as sigmoidal and linear for the hid-den and output layers, in that order.

With the aim of obtaining the final numerical model forour system, the number of neurons used at the hidden layerwas optimised in detail. This was done performing paralleltraining of the ANN employing all the possibilities between2 and 12 neurons and comparing the obtained results for thetest set, which not involved in the learning process. Theseresults can be seen inFig. 4, which shows a root meansquared error (RMSE) of the test set with a minimum locatedat a hidden layer with five neurons for both considered ions,NO3

− and Cl−. Each species RMSE and the RMSEtotal are


Fig. 4. RMSE values obtained for the external test set during the optimisation of the ANN configuration.

calculated according to the expressions:

RMSE=√∑n

x=1(cx − cx)2

n − 1(2)

RMSEtotal =√

(RMSENO3−)2 + (RMSECl−)2 (3)

where n is the number of samples in the test set,cx theexpected andcx the calculated concentration value.

The degree of fit was then examined for the two evalu-ated methodologies, the classical Nernstian and the proce-dure used in this communication, which permitted to draw

Fig. 5. Comparison of the obtained results for the nitrate ion determination employing the proposed approach. The dashed line shows ideality (y = x).

some observations. This consisted in evaluating the agree-ment between the calculated concentrations for nitrate ionand the corresponding expected values. The comparison wasmade including all the points employed in the building of themodel plus those not participating in learning but in its exter-nal evaluation. This was forced by the reduced total numberof points available, 36.Fig. 5 shows the comparison for thedata corresponding to the use of the ANN model, where anagreement close to ideality (zero intercept and unity slope)is observed. In the figure, a further observation can be no-ticed, which corresponds to the controlled dispersion of val-ues shown at lower concentrations. Precisely these points are


Fig. 6. Comparison of the obtained results for the nitrate ion determination employing the Nernst model and the readings from E3 sensor. The dashedline shows ideality (y = x).

those more affected by interference effects, confirming thesuitability of the ANN to model the non-linear componentof the system.

When this comparison, modelled versus expected values,is repeated for the bare Nernstian model, a much worse be-haviour is found. This is depicted inFig. 6, where the showndata were obtained by interpolation of the peak heights fromthe E3 ISE Nernstian model, with the purpose of illustrat-ing the discrepancies. Especially noticeable is the disper-sion of values at the lower concentration quadrant. Thispoorer performance is mainly caused by distortions due tothe chloride interferent plus other non-linear effects, suchas sub-Nernstian response or activity issues. The interfer-ence effect was expected, as the presence of chloride ionwas neither compensated chemically[13] nor taken into ac-count in the thermodynamical model. Here, and also in theprevious figure a log–log graph was used, given the loga-rithmic nature of the response. The log–log plot had the fea-ture of better displaying the dispersion of the points at thelow concentration range, translated as a much worse com-parison line for the Nernstian model. If these comparisonwere done in a linear scale, the regression lines would bey = 1.01(±0.02)x + 0.0(±0.03) in the ANN case andy =1.06(±0.05)x−1.2(±0.6) in the Nernstian case. With these

Table 3Results corresponding to the linear regression of the comparison lines (obtained vs. expected values) corresponding to the test set for the two consideredions (in mgl−1)

Ion Direct regression Inverse regression r

NO3− y = 1.05(±0.07)x + 0.8(±1.2) y = 0.95(±0.06)x + 0.6(±0.7) 0.996

Cl− y = 1.19(±0.06)x + 21(±8) y = 0.83(±0.05)x + 18(±6) 0.997

Uncertainties calculated at the 95% confidence level.

values, again higher dispersion and worse comparability areconcluded for the modified Nernstian model.

Once the advantages of the proposed strategy have beendisplayed, a more detailed verification of the modelling abil-ity achieved with the 5-neuron ANN model could be carriedout. This was done by examining the concordance betweenthe obtained and expected values pertaining to the test setand for both considered ions. These can be summarised asthe direct and inverse linear regressions of the comparisongraphs, which are outlined inTable 3. There it can be notedhow the nitrate determination did not show any significantdifferences (at the 95% confidence level). In this way, a morerobust, redundant estimation of nitrate concentration at itslower levels and in the presence of interferents is achieved.With regard to chloride ion, certain disagreement is detectedwhich would impede a precise quantification, although anestimation of the presence of this additional species couldbe extracted at no extra cost. This feature can be explainedthrough the particular design of the system, which is aimedat the determination of nitrate and the bearing of its pos-sible disturbances, and employs much more informationrelated to nitrate (three sensors) than to chloride (a singlesensor). If a system for the simultaneous determination ofboth ions is needed, the recommendation is to use several


sensors, all of them with cross response even for nitrate andchloride.

A further strategy not observed here can be also derived,which consists in determining chloride with an interference-free method, and then to use the Nicolsky–Eisenmanformalism to solve the interference of chloride in the de-termination of nitrate. This procedure yields results similarto those stated here, whereas the presented approach has aredundancy improvement resulting from the use of severalnitrate sensors.

4. Conclusions

An automated electronic tongue has been developed em-ploying the FIA technique and ANNs. This sensor system,once configured and optimised has been able to perform thedirect determination of nitrate ion in complex samples con-taining variable amounts of chloride. The proposed approachclearly improves the direct determination of nitrate employ-ing its ISE, as this did not incorporate any chemical stagefor the removal of interferents. The presented results demon-strate an interesting new way for the automated determina-tion of species, aimed at the achievement of low maintenancemonitoring systems. Validation of the proposed strategy in areal application is the goal of studies under way. One of thekey points for its long time applicability has already been no-ticed, its stability. This observation is accomplished thanksto the robustness of the sensors used, and to the relative na-ture of the measurement, characteristic in the FIA technique.

The neural network used needed its optimisation in topol-ogy, number of nodes plus various training and configura-tion settings. The algorithm selected for the learning stagewas the Bayesian regularization, permitting a good gener-alisation ability. The final neural network employed onlyfive nodes in its hidden layer facilitating a later hardwareimplementation and offering the construction of compactportable systems for in situ measurements.

One of the drawbacks detected in the study is the largeamount of information (i.e. known samples) needed for thetraining of the system; this can be understood since a ther-modynamical model must be replaced with a numerical“black-box” approach, obtaining all its information from theinput data. This point seems to be one of the shortcomingsto extend the proposed approach to cases considering a largenumber of species.

Acknowledgements

We are indebted to E. Barquero-Cáceres for his contribu-tion in the generation of the experimental data used in thisstudy. This work is supported by Spanish Ministry of Sci-ence and Technology, McyT (Project PPQ2001-1950) andby the Department of Universities, Research and Informa-tion Society (DURSI) from the Generalitat de Catalunya.

References

[1] Y. Vlasov, A. Legin, Non-selective chemical sensors in analyticalchemistry: from electronic nose to electronic tongue, Fresenius J.Anal. Chem. 361 (1998) 255–260.

[2] J.W. Gardner, P.N. Bartlett, Electronic Noses. Principles and Appli-cations, Oxford University Press, Oxford, 1999.

[3] M. Bos, A. Bos, W.E. Van der Linden, Processing of signals froman ion-selective electrode array by a neural network, Anal. Chim.Acta 233 (1990) 31–39.

[4] M. Bos, A. Bos, W.E. Van der Linden, Data processing by neuralnetworks in quantitative chemical analysis, Analyst 118 (1993) 323–328.

[5] F. Despagne, D.L. Massart, Neural networks in multivariate calibra-tion, Analyst 123 (1998) 157R–178R.

[6] K. Toko, Taste sensor, Sens. Actuators B 64 (2000) 205–215.[7] A. Legin, A. Rudnitskaya, Y. Vlasov, C. Di Natale, F. Davide, A.

D’amico, Tasting of beverages using an electronic tongue, Sens.Actuators B: Chem. 44 (1997) 291–296.

[8] C. Krantz-Rülcker, M. Stenberg, F. Winquist, I. Lundström, Elec-tronic tongues for environmental monitoring based on sensor arraysand pattern recognition: a review, Anal. Chim. Acta 426 (2001) 217–226.

[9] Yu.G. Vlasov, A.V. Legin, A.M. Rudnitskaya, A. D’Amico, C. DiNatale, Electronic tongue. New analytical tool for liquid analysis onthe basis of non-specific sensors and methods of pattern recognition,Sens. Actuators B: Chem. 65 (2000) 235–236.

[10] M. Baret, D.L. Massart, P. Fabry, F. Conesa, C. Eichner, C. Menardo,Application of neural network calibrations to a halide ISE array,Talanta 51 (2000) 863–877.

[11] J. Gallardo, S. Alegret, M. De Roman, R. Muñoz, L. Leija, M.del Valle, Determination of ammonium ion employing an electronictongue based on potentiometric sensors, Anal. Lett. 36 (2003) 2893.

[12] Standard Methods for the Examination of Water and Wastewater, 19thed., American Public Health Association, Washington, DC, 1995.

[13] D. Midgley, K. Torrance, Potentiometric Water Analysis, 2nd ed.,Wiley, Chichester, 1991.

[14] J. Mortensen, A. Legin, A. Ipatov, A. Rudnitskaya, Y. Vlasov, K.Hjuler, A flow-injection system based on chalcogenide glass sensorsfor the determination of heavy metals, Anal. Chim. Acta 403 (2000)273–277.

[15] M. Jurkiewicz, S. Alegret, M. del Valle, E. Martınez-Fàbregas, Au-tomated analytical biosystem for urea monitoring, Anal. Chim. Acta327 (1996) 243–251.

[16] J. Alonso, J. Baró, J. Bartrolı, J. Sànchez, M. del Valle, Flow-throughtubular ion-selective electrodes responsive to anionic surfactants forflow-injection analysis, Anal. Chim. Acta 308 (1995) 115–121.

[17] S. Martinez-Barrachina, J. Alonso, Ll. Matia, R. Prats, M. del Valle,Determination of trace levels of anionic surfactants in river waterand wastewater by a flow-injection analysis system with on-line pre-concentration and potentiometric detection, Anal. Chem. 71 (1999)3684–3691.

[18] R. Perez-Olmos, A. Rios, J.R. Fernandez, R.A.S. Lapa, J.L.F.C.Lima, Construction and evaluation of ion selective electrodes fornitrate with a summing operational amplifier. Application to tobaccoanalyses, Talanta 53 (2001) 741–748.

[19] M. Knoll, K. Cammann, C. Dumschat, J. Eschold, C. Sundermeier,Micromachined ion-selective electrodes with polymer matrix mem-branes, Sens. Actuators B: Chem. 21 (1994) 71–76.

[20] G.E. Andreakis, E.A. Moschou, K. Matthaiou, G.E. Froudakis,N.A. Chaniotakis, Theoretical and experimental studies of metalledphenantroline derivates as carriers for the optimization of the nitratesensor, Anal. Chim. Acta 439 (2001) 273–280.

[21] P.C. Hauser, Trioctyltin chloride as carrier for a chloride-selectiveelectrode in flow-injection potentiometry, Anal. Chim. Acta 278(1993) 227–232.


[22] E. Barquero-Cáceres, Ph.D. Thesis, Department of Chemistry, Au-tonomous University of Barcelona, Bellaterra, 2002.

[23] F.D. Foresee, M.T. Hagan, Gauss–Newton approximation to Bayesianlearning, in: Proceedings of the 1997 International Joint Conferenceon Neural Networks, Houston, TX, USA, 1997.

[24] G.G. Guilbault, R.A. Durst, IUPAC recommendations for nomencla-ture of ion-selective electrodes, Pure Appl. Chem. 48 (1976) 127–136.

Biographies

Jordi Gallardo received the MSc degree in chemistry in 2002 fromthe Autonomous University of Barcelona, where he is at the momentpursuing his PhD in analytical chemistry. His main research topics aresensor arrays, electronic tongues, potentiometric sensors and the use ofartificial neural networks.

Salvador Alegret received the PhD in chemistry in 1978 from the Au-tonomous University of Barcelona, and got his full professor position ofanalytical chemistry at Autonomous University of Barcelona in 1991,where he previously was an associate professor. He is head of the Sen-sors and Biosensors Group in the Chemistry Department. He is involvedin the concept and development of integrated analytical systems, mainlyelectrochemical sensors and biosensors. The resultant sensor devices aretypically applied in automated analytical systems based on bioinstru-mentation or biomimetic concepts, and used for process control andmonitoring in fields like medicine, environment and chemical industry.

Manuel del Valle received his PhD in chemistry in 1992 from the Au-tonomous University of Barcelona, and got a position of associate profes-sor in analytical chemistry in 1997 at the same university. He is memberof the Sensors and Biosensors Group where he is specialist in instrumen-tation and electrochemical sensors. He has initiated the research lines ofsensor arrays and electronic tongues. Other interests of his work are theuse of impedance measurements for sensor development and the designof automated flow systems.

155

3.5. ARTICLE 5

Talanta 66 (2005) 1303–1309

Application of a potentiometric electronic tongueas a classification tool in food analysis

Jordi Gallardo, Salvador Alegret, Manuel del Valle∗

Sensors and Biosensors Group, Department of Chemistry, Universitat Aut`onoma de Barcelona, Edifici Cn, 08193 Bellaterra, Spain

Received 7 September 2004; received in revised form 10 January 2005; accepted 26 January 2005Available online 24 February 2005

Abstract

This paper reports on the application of a potentiometric sensor array to the food analysis field, in order to distinguish simple tastes and toclassify food samples. This array is formed by a set of non-specific all-solid-state potentiometric sensors and has been used in combinationwith principal component analysis (PCA) for the classification of food samples in batch and in flow injection mode. First attempt was toclassify synthetic samples prepared with controlled variability. Once this ability is proven, satisfactory classification results are presented forcommercial waters, orange-based drinks and tea samples. An interesting correlation is achieved between the natural juice content and its firstc©

K

1

tqtpp

wwabd

ohott

ally,anisman-

e ofpletrat-nceseam-

A) isper-

onic

ys intive

oodndnguedingn-milar

0d

alculated component, which allows for a very simple tool for screening purposes.2005 Elsevier B.V. All rights reserved.

eywords:Potentiometric sensor array; Food analysis; Electronic tongue; Tea; Mineral water; Orange juice

. Introduction

Recent trends in the analytical chemistry field, take direc-ion opposed to those that invest efforts in the development ofuasi-specific instruments. The new approach departs from

he use of general-purpose devices, combined with computerrocessing stages, which could probably grasp looks or com-osition of a sample and transmit us information about it[1].

These new strategies are based on the use of sensor arraysith a generic cross response to a wide spectrum of analytes;ith those, we can obtain different aspects of informationbout the sample. Afterwards, the use of multivariate cali-ration tools is used to extract the sought results from theata generated by the devices[2].

This strategy is already known, for analyte detectionn aqueous samples, as electronic tongue, or for gases oreadspace samples, as electronic nose. The used terminol-gy suggests that this approximation is bioinspired on animal

aste or olfaction senses, where a few receptors can respondo a large variety of substances. With taste, only generic infor-

mation is used, like sweet, bitter, salted or acid; additionthis approach entails an advanced data treatment mechnext applied by the brain, in order finally to recognize, qutify or classify between different substances.

An interesting application of this new concept is the uschemometric tools for multivariate calibration and multianalyte recognition simultaneously, which is a good segy to multiparametric determination without interfereremoval[3–5]. A second interesting application is their uinspired in the human brain to classify the nature of a sple. For this purpose, principal component analysis (PCemployed as data treatment. Significant work has beenformed in this field, specially, for gas sensors, or electrnoses[6–10].

The use of non-selective potentiometric sensors arracombination with PCA starts to be an analytical alternafor sample classification or identification, especially in fanalysis[11]. Various contributions on this topic can be fouin the literature. Per example, Toko used an electronic toto classify and assess the quality of various drinks incluwine and water[12]. Wroblewski et al. were able to distiguish between different brands of beverages using a si
∗ Tel.: +34 93 5811017; fax: +34 93 5812379.
E-mail address:[email protected] (M. del Valle). approximation[13,14]. Apart, Krantz-Rulcker et al. moni-

039-9140/$ – see front matter © 2005 Elsevier B.V. All rights reserved.oi:10.1016/j.talanta.2005.01.049

1304 J. Gallardo et al. / Talanta 66 (2005) 1303–1309

tored a mineral water bottling plant with a voltammetric elec-tronic tongue[15]. Few references are, however, in respectto the use of an e-tongue for quantitative purposes; such ref-erences include the determination of various species in waterand wine[16], or beer and soft drinks[17,18].

In this work, we used a potentiometric sensor array formedby generic and selective devices presenting response to otherinterfering species. Each sensor used neutral carriers in apolymeric PVC membrane cast on a solid inner contact, andPCA is employed as the processing tool. First, we set thedevice to classify manually prepared samples with certainamount of variability. Once the classification ability is provenin controlled experiments, we applied the electronic tongue infood analysis to classify various types of commercial waters,some orange-based drinks and, finally, some teas.

2. Experimental

2.1. Chemicals

The ion-selective poly(vinyl chloride) (PVC) membraneswere prepared from high-molecular weight PVC (Fluka), us-ingbis(1-butylpentyl)adipate (BPA), dioctylsebacate (DOS),o-nitrophenyloctyl ether (oNPOE), dioctylphenylphosphate(DOPP), tris-ethylhexyl phosphate (TEHP) and dibutylseba-c orese weren cin( (16-c a),d ,9-d ,3-t TP,F )w etricr

ntactw enerHB

N asb tively.

All solutions were made in deionised, highly purified water(16–18 M cm resistivity, Milli Q, Millipore).

2.2. Sensor array

The sensors were all-solid-state ion selective electrodes(ISEs) with a solid electrical contact made from conduc-tive composite. They were constructed by following stan-dard procedures developed from our laboratory[4,19]. Eachdevice was constructed from a PVC cylinder of 100 mmlength and 6 mm internal diameter. Polymeric PVC mem-branes were formed by solvent casting of a mixture furtherdiluted with tetrahydrofuran (1 ml per 20 mg PVC) on a 1:1epoxy–graphite composite solid contact. Membranes wereobtaining by eight cumulative-additions followed by evap-oration of 50L drops of each cocktail membrane. Onceformed, membranes were conditioned in a 0.1 M solution oftheir primary ion for 24 h. Arbitrarily, for the generic elec-trodes, we used ammonium ion for its conditioning. Eachdevice was constructed by triplicate and was previously eval-uated to check if presented correct response characteristics.The specific formulation of the different membranes is de-tailed inTable 1.

2.3. Apparatus

th al f 32i am-p hei red toa 00).E . Theo ondo andc cardi stoms asicV

solu-t andT dingo

TC weigh

E

H rakis(p-clorL olar KTpCNKNCGGH

ate (DBS) (all from Fluka) as plasticizers. The ionophmployed to formulate the potentiometric membranesonactin (ammonium ionophore I, Fluka), valinomypotassium ionophore III, Fluka), 2,3:11,12-didecalinorown-5) (ionophore DD16C5, Dojindo), lasalocid (Flukibenzo(18-crown-6) (Fluka), tridodecylamine (Fluka), 2i-n-butyl-1,10-phenantroline (TCI) and bis(bis(4-1,1,3

etramethylbutyl)phenyl)phosphato calcium (II) (BBluka). Potassium tetrakis(p-clorophenyl)borate (Flukaas used, when necessary for a correct potentiom

esponse.The materials used to prepare the solid electrical co

ere the epoxy resin components Araldite M and HardR (both from Ciba–Geigy), and graphite powder (100m,DH) as conductive filler.Imidazole (Fluka), Tris base, and the salts NH4Cl, KCl,

aCl, LiCl and CaCl2 (reagent-grade, Merck), were usedackground electrolytes and calibration species, respec

able 1ompositions of the used potentiometric sensors, percentages are by

lectrode Ionophore+(1) Tridodecylamine 1% (10% molar potassium teti+ 2,9-Di-n-butyl-1,10-phenantroline 1.4% (66% mH4

+ Nonactin 1%+ Valinomycin 3%a+ DD16C5 3% (10% molar KTpClPB)a2+ BBTP 4.3%ENERIC 1 Dibenzo(18-crown-6) 4%ENERIC 2 Lasalocid 3%+(2) Tridodecylamine 1% (10% molar KTpClPB)

Potentiometric measurements were performed wiaboratory-made data acquisition system consisting onput channels made with differential instrumentationlifiers (INA116, Burr-Brown, USA) that adapted t

mpedance for each sensor. Measurements were refern Ag/AgCl reference electrode (Thermo Orion 90-02-ach channel was noise-shielded with its signal guardutput of each amplified channel was filtered with a secrder low pass active filter centered at a 2 Hz frequencyonnected to an Advantech PC-Lab 813 A/D conversionnstalled in a PC. Readings were acquired by using cuoftware developed by the authors in Microsoft QuickBersion 4.5.

Potentiometric measurements were made by usingions containing 0.010 M imidazole buffer at pH 6.50ris at pH 7.5, 8.0 and 8.5 as background media depenn each application.

t, unless specified

PVC (%) Plasticizer

ophenyl)borate (KTpClPB)) 33 DOS 66%lPB) 27.8 oNPOE 69.8%

33 BPA 66%30 DOS 67%29.1 TEHP 67.9%30.3 DOPP 65.4%

29 DOS 67%27 DBS 70%33 DBS 66%

J. Gallardo et al. / Talanta 66 (2005) 1303–1309 1305

2.4. Data processing

The processing of multicomponent data generated by non-specific sensors has been performed using principal compo-nent analysis (PCA). The aim is to reduce the amount ofvariables to new latent variables (principal components) ina reduced variable space to facilitate identification or clas-sification; additionally, this new space simplifies the way toexplain the variability contained in the available information.Here, the difficulty is to find an explanation to these principalcomponents according to the sample composition[20]. ThePCA analysis and evaluation process was performed with thesoftware SPSS 11.

3. Results and discussion

Classification experiments were first performed with stan-dards in water, then with commercial mineral waters, orangebeverages and finally with teas and related preparations.

3.1. Synthetic samples

Thirty-eight different samples were manually prepared inorder to generate a model with some controlled variability.Three different pH levels were obtained with Tris 0.01 Mb cal-c mul-t M)l e ath itatef e du-p iumi as

prepared with high ammonium and potassium ions simulta-neously. Sample measurements were made in random orderand by direct potentiometry.

In order to improve the classification ability of the ap-proximation, a PCA was applied to the manually designeddata set, expecting to reduce the system into a few newvariables. All nine potentiometric sensor data measurementswere used as inputs and were automatically autoscaled bySPSS software. The performed PCA explained with its firstthree components (PC1-PC3) quite the whole variabilityof the system. The highest variability was explained withPC1 (45%) (principal component 1), PC2 and PC3 ex-plained 27 and 23%, respectively. The total amount of rep-resented variability with these three features accounted for95%.

When the scores plot PC1 versus PC2 or PC1 versus PC3were represented, no direct grouping of samples was ob-served; the clearest view could be observed with the PC2 ver-sus PC3 plot, as indicated inFig. 1. This figure sketches howPC2 classified the samples according to pH value, meanwhilePC3 direction discriminated between high-level calcium ionand high-level of ammonium ion.

Furthermore, it is important to reconsider PC1 effect be-cause of its significance. For this reason, its loadings can berevised, as detailed inTable 2. Here, the biggest contributions,i.e. the biggest classification effects, have been highlighted.F 1 toe

ssi-fi y thea ndI ora nedb var-

F ed sam II) sama conce

uffer at pH 7.5, 8.0 or 8.5; ammonium, potassium andium ion mixtures were prepared adding 1, 2 or 3 ions sianeously at low (0.1 mM), medium (1 mM) or high (10 mevel concentration preventing that only one ion would bigh-level concentration at the same time in order to facil

urther sample grouping. In addition, some samples werlicated, adding low and medium levels of sodium an lith

ons introducing some new variability; finally, a sample w

ig. 1. PC2 vs. PC3 scores plot of the PCA from the manually prepart pH 8.0, (III) samples at pH 7.5, (IV) samples with high-level calcium

rom these values, it is easy to deduct the role of PCxplain the global amount of alkaline ions.

Finally, it should be summarized that the system claes the initial groups of samples, as it was expected, blkaline ions effect (group II), the pH level (groups I, II a

II) and finally between high levels of calcium (group IV)mmonium (group V). A cleaver grouping was not obtaiecause of the large variability used, as too many ions

ples with controlled variability. Groupings are: (I) samples at pH 8.5, (plesntration and (V) samples with high-level ammonium concentration.


Table 2Loadings from the PCA analysis from the manually prepared, controlledvariability samples, highlighting the biggest classification effects

PC1 PC2 PC3

Li+ 0.03346 0.988034 0.05546H+(1) −0.02749 0.996193 0.05134Na+ 0.673687 0.139783 0.085112Ca2+ −0.06691 0.040746 0.982199NH4

+ 0.728791 0.228485 0.614573K+ 0.901987 −0.10284 0.092178GENERIC 1 0.917396 −0.12597 −0.05115GENERIC 2 0.818043 −0.04314 −0.15788H+(2) −0.03406 0.995738 0.053677

ied independently. The 3D plot using the three mentionedcomponents did not bring cleaver results either.

3.2. Commercial water samples

In order to classify between different mineral waters, aprincipal component data reduction analysis was performedwith all data from the nine potentiometric sensors, this timecorrected with its background solution measurement. Thisbackground solution was an imidazole buffer 0.01 M at pH6.5, and its purpose was to compensate any drift. Twenty-three different commercial water samples were analysed.Samples selected comprised natural mineral water, naturalsparkling mineral water, added CO2 mineral water, lemon-ade, an added gas mineral water, and also one tap water sample. All potential readings were made in triplicate.

Each measurement cycle comprised cleaning of electrodesby 5 min stirring in deionised water, measurement of thebackground solution, 5 min stirring in deionised water and, fi-nally, sample measurement. The initial set of data was formed

with the corrected values, each sample measurement cor-rected with its background solution value. After automaticautoscaling done by the software used, a first PCA analysiswas performed, where it resulted that the system variabilitycould be explained with the first two principal components.After constructing the score plot of PC1 (49%) versus PC2(41%) (Fig. 2), the sample grouping is clearly seen. As it canbe distinguished, PC1 separates in function of acidity whilePC2 separates depending of total amount of alkaline ions.Studying the loadings, we can add to this conclusion thatPC1 also separates between monovalent and divalent ions.PC2 separates between high K+ and Na+ amount, normallyat high level in natural sparkling mineral water, ions acquiredin the natural process of carbonation. The loadings are heredetailed as a function of each original variables in the newspace:

PC1= 0.893ENH4+ + 0.817ENa+ + 0.818EK+

+ 0.871ELi+ + 0.869EH+ + 0.813EH+(2)

− 0.604ECa2+ + 0.524EGENERIC 1

+ 0.796EGENERIC 2

PC2= −0.336ENH4+ + 0.501ENa+ + 0.558EK+

A itialg water( r(

F neral w , (IIIC

ig. 2. PC1 vs. PC2 scores plot of the PCA performed to data from miO2 mineral waters and (IV) lemonades.

-

−0.491ELi+ − 0.449EH+ − 0.497EH+(2)

+ 0.385ECa2+ + 0.806EGENERIC 1

+0.598EGENERIC 2

s a summary, the system classified satisfactorily the inroups of samples, separating between natural mineralI), sparkling mineral water (II), added CO2 mineral wateIII), and finally the more differentiated lemonade (IV).

aters. Groupings are: (I) mineral waters, (II) sparkling mineral waters) added


3.3. Orange-based drinks

Thirty-six orange-based drinks composed by natural or-ange juices, sugar plus water added orange juices, orangerefreshments and some orange flavour drinks were analysedusing the proposed approach. As before, all potential, read-ings were made by triplicate and made relative to an imida-zole buffer 0.01 M at pH 6.5 background solution in orderto compensate any drift. A cyclic measurement scheme wasagain selected, comprising cleaning of electrodes by 5 minstirring in deionised water, measurement of background so-lution, 5 min stirring in deionised water and, finally, samplemeasurement.

Potentiometric data measurements of the nine deviceswere introduced as input information to the principal com-ponent data reduction analysis, but this time, a good clas-sification or grouping was not obtained directly. With theaim of improving these results, an additional preprocessingwas done. Thus, the autocorrelation matrix of input data wascomputed, where we eliminated the data of correlated sen-sors. The sensor array was then reduced to six elements, af-ter removing the two hydrogen ion plus the lithium ion sen-sors. The PCA analysis was performed again, where obtainedresults indicated that the whole system variability could beexplained with a single component that accounted for 75%variability. Representing the score plot of PC1 versus sam-p aso f nat-u y itsl

ewc

Fig. 4. Adjusted regression curve from log %orange juice expected vs.log %orange juice content. Regression curve is presented with the dashedline.

PC1= −0.746ENH4+ − 0.648ENa+ + 0.996EK+

+ 0.680ECa2+ + 0.946EGENERIC 1

+ 0.976EGENERIC 2

This could explain the classification ability depending ofother parameters not contemplated in the potentiometric ISEarray that would be modelled by generic devices.

To confirm the prediction of natural orange juice content,a new representation of the former data is shown inFig. 4,where the predicted log %orange juice, calculated from theactual PC1 value, is plotted versus log %orange juice, as

F d to da edian value.U

le number (Fig. 3), unexpectedly, a sample distribution wbserved, easily assigned to an ordering depending oral orange juice content in the sample, as stated b

abel.Analysing the loadings of original variables in this n

omponent we obtained:

ig. 3. PC1 vs. sample number scores box-plot of the PCA performepper and lower quartiles are in box extremes.

ta from orange-based drinks. Medium line in each box represents m


stated on the label. Here we can see that the system pre-dicts satisfactorily the nature of the sample, as we are able topredict the natural juice content in the studied samples, ap-pearing as an interesting tool, p. ex. for screening purposes inthe food industry. The utility of the fit is even more patent if weconsider that no actual analysis was performed, nor is easilyavailable. Successful classification of different orange juicebrands has been described in a recent work[13], which em-ployed a combination of selective sensors plus cross-sensitiveones fabricated with membranes containing mixtures ofionophores.

3.4. Tea samples

Thirty commercial tea samples were prepared by immers-ing 10 min each tea bag in initially boiling imidazole buffer0.01 M at pH 6.5. In this case, potential readings were per-formed in a low-dispersion single channel flow injection sys-tem, as alternative for the automation of the cyclic referenc-ing scheme used in Sections3.2 and 3.3. The system wasformed by an injection system constructed from solenoidvalves (Biochem), a Gilson Minipuls peristaltic pump as thepropulsion system (2.5 ml min−1) and a homemade flow celladapting the eight potentiometric sensors in series (one ofeach kind, except the hydrogen ion sensor H+(2)). The sand-wich flow cell, made from a perspex body and brass holders,p fixedw thefl a-z peakh ounds

temw up-i orre-l e the

F roup-i I) andd

two generic sensors plus the calcium sensor. Alternative pro-cedures for the reduction of number of channels employingstatistical criteria have been proposed recently[14]. In thisway, from the data of the remaining five inputs, a much clearertransformation is obtained, and results obtained in the scoresplot PC1 (48%) versus PC2 (45%) present a clear groupingof beverages, as it can be appreciated inFig. 5. First pro-posed class included tea and lime blossom tea,Tilia europaea(group I) and the second class included camomile,Matricariachamomilla, and pennyroyal tea,Menthapulegium(group II).Additionally, the sample containing only dogrose infusion,Rosa dumetorum, was an outlier, dissimilar to the rest, prob-ably due to the different nature and properties. So, a grossclassification of this beverages was accomplished, althoughwith the array of used sensors it was not possible to distin-guish the different tea varieties.

Studying the loadings of original variables in the new com-ponents space, the values obtained were:

PC1= 0.919ENH4+ + 0.836ENa+ + 0.627EK+

+ 0.611ELi+ + 0.297EH+

PC2= 0.313ENH4+ + 0.504ENa+ + 0.723EK+

F al iona hiss el forti ly byP .

4

ode,h am-p adew med,w ge-b ial ap-p ayb h canb newc icesw therw an-a sisc ecifict tool-b atureo ftera ento array

ermitted the use of the previously used batch sensors,ith appropriate o-rings and nuts. The inner volume ofow cell was 800l. The carrier solution used was an imidole buffer 0.01 M at pH 6.5, and the readings were theeights recorded for each sample relative to the backgrolution.

Potentiometric readings obtained with the flow sysere used to perform a PCA analysis. Again, no initial gro

ng was observed at first attempt. For this reason, autocated channels were identified and eliminated, in this cas

ig. 5. PC1 vs. PC2 scores plot of the PCA performed to tea samples. Gngs are: tea and lime blossom tea (I), camomile and pennyroyal tea (Iogrose infusion alone.

+0.740ELi+ + 0.918EH+

rom these, we can recognize that PC1 represents totmount, obtaining in group I a higher level of ions in ttronger beverages class, whereas in group II, a lower levhis softer infusions is observed. Dogrose,Rosa dumetorum,s a more acidic beverage, and is discriminated basicalC2, where the acidity of the sample becomes obvious

. Conclusions

The presented approach, either in batch or in flow mas been able to classify satisfactorily different types of sles yielding good models. A first demonstration was mith manually prepared samples. Once this was perfore built classification models for mineral waters, oranased drinks, teas and related beverages. Easily, potentlications of this approximation in the food analysis field me designed, applying this tool as a taste sensor, whice redesigned depending of the desired application. Theoncept, which employs selective plus non-specific devith cross-sensitivity to a wide spectrum of analytes togeith multicomponent analysis offers new possibilities inlytical chemistry. In this way, global methods of analyan be devised that are non-specific to a sample, non-spo a certain analyte, but rather they entail measurementoxes that can take a photograph of the global sample nr composition and therefore give a global information, aproper training with the cases under study. Improvem

f presented results can be sought enlarging the sensor


to other analytes, i.e. anions, plus providing more elaboratedtools for feature extraction.

Acknowledgments

Financial support for this work was provided by MCyT(Madrid, Spain), trough project PPQ2001-1953, and by theDepartment of Universities and the Information Society(DURSI) from the Generalitat de Catalunya.

References

[1] S. Alegret, in: S. Alegret (Ed.), Integrated Analytical Systems, Wil-son and Wilson Comprehensive Analytical Chemistry, vol. XXXIX,Elsevier, Amsterdam, 2003, pp. 1–36.

[2] V. Pravdova, M. Pravda, G.G. Guilbault, Anal. Lett. 35 (2002) 2389.[3] J. Gallardo, S. Alegret, M.A. de Roman, R. Munoz, P.R. Hernandez,

L. Leija, M. del Valle, Anal. Lett. 36 (2003) 2893.[4] J. Gallardo, S. Alegret, R. Munoz, M. De Roman, L. Leija, P.R.

Hernandez, M. del Valle, Anal. Bioanal. Chem. 377 (2003) 248.[5] J. Gallardo, S. Alegret, R. Munoz, L. Leija, P.R. Hernandez, M. del

Valle, Electroanalysis, in press.

[6] A.R. Newman, Anal. Chem. 63 (1991) 585A.[7] G. Barko, J. Hlavay, Talanta 44 (1997) 2237.[8] A. Guadarrama, J.A. Fernandez, M. Iniguez, J. Souto, J.A. de Saja,

Anal. Chim. Acta 411 (2000) 193.[9] N. Magan, A. Pavlou, I. Chrysanthakis, Sens. Actuators B 72 (2001)

28.[10] J. Getino, M.C. Horrillo, J. Gutierrez, L. Ares, J.I. Robla, C. Garcia,

I. Sayago, Sens. Actuators B 43 (1997) 200.[11] A.K. Deisingh, D.C. Stone, M. Thompson, Int. J. Fodd. Sci. Tech.

39 (2004) 587.[12] K. Toko, Sens. Actuators B 64 (2000) 205.[13] P. Ciosek, E. Augustyniak, W. Wroblewski, Analyst 129 (2004) 639.[14] P. Ciosek, Z. Brzozka, W. Wroblewski, Sens. Actuators B 103 (2004)

76.[15] C. Krantz-Rulcker, M. Stenberg, F. Winquist, I. Lundstrom, Anal.

Chim. Acta 426 (2001) 217.[16] C. Di Natale, A. Macagnano, F. Davide, A. D’Amico, A. Legin, Y.

Vlasov, A. Rudnitskaya, B. Selezenev, Sens. Actuators B 44 (1997)423.

[17] C. Di Natale, A. Macagnano, A. D’Amico, F. Davide, Meas. Sci.Technol. 8 (1997) 1236.

[18] A. Legin, A. Rudnitskaya, Y. Vlasov, C. Di Natale, F. Davide, A.D’Amico, Sens. Actuators B 44 (1997) 291.

[19] S. Martinez-Barrachina, J. Alonso, Ll. Matia, R. Prats, M. del Valle,Talanta 54 (2001) 811.

[20] P. Ivarsson, S. Holmin, N.E. Hojer, C. Krantz-Rulcker, F. Winquist,Sens. Actuators B 76 (2001) 449.

tesi jordi gallardo

Education